Texto Investigacion Operativa II 2010

UNIVERSIDAD PERUANA
LOS ANDES
FACULTAD DE INGENIERIA
CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS Y

COMPUTACION
INVESTIGACION OPERATIVA II
Dr. Casio A. Torres Lpez
2010
2
PRESENTACION
La Investigacin Operativa es una moderna disciplina cientfica que se

caracteriza por la aplicacin de teora, mtodos y tcnicas especiales, para buscar la
solucin de problemas de administracin, organizacin y control que se producen en
los diversos sistemas que existen en la naturaleza y los creados por el ser humano,
tales como las organizaciones diversas a las que identifica como sistemas
organizados, sistemas fsicos, econmicos, ecolgicos, educacionales, de servicio
social, etc.
El objetivo ms importante de la aplicacin de la Investigacin Operativa es

apoyar en la toma ptima de decisiones en los sistemas y en la planificacin de
sus actividades.
El enfoque fundamental de la Investigacin Operativa es el enfoque de

sistemas, por el cual, a diferencia del enfoque tradicional, se estudia el
comportamiento de todo un conjunto de partes o sub-sistemas que interaccionan
entre s, se identifica el problema y se analizan sus repercusiones, buscndose
soluciones integrales que beneficien al sistema como un todo.
Para hallar la solucin, la Investigacin Operativa generalmente representa el

problema como un modelo matemtico, que es analizado y evaluado previamente.
El presente texto fue elaborado teniendo en cuenta la sumilla del Curso de

Investigacin Operativa II, para el efecto fue necesario recopilar el material
necesario y sistematizarlo en captulos para darle una estructura adecuada.
Respetando el temario, el texto se elabor en seis captulos, siendo estos los
siguientes:
1. Programacin Lineal Entera

2. Programacin Cuadrtica
3. Programacin Dinmica
4. Modelos de Inventarios
5. Modelos de Colas
6. Simulacin
Cabe destacar la importancia que tiene esta materia en la formacin de los

Ingenieros de Sistemas y Computacin, porque les permite adquirir los
conocimientos necesarios para su eficaz desempeo en la interpretacin,
tratamiento y optimizacin de fenmenos de organizacin, ser capaces de plantear y
resolver problemas de optimizacin en general, programacin lineal, no lineal y
entera, y finalmente relacione las tcnicas de Investigacin Operativa con los
problemas de la realidad empresarial.
Huancayo,
setiembre del 2010
Dr.Casio A. Torres Lpez

3
UNIDAD 1: PROGRAMACION LINEAL ENTERA
Indicadores de logro:
Al finalizar el estudio del presente fascculo el estudiante
Cita varios ejemplos de programacin lineal entera aplicados a problemas

propios de la administracin
Modela varios problemas propios de la administracin como problemas de
programacin lineal entera
Resuelve problemas de programacin lineal entera por el mtodo de
ramificacin y acote
1.1 Introduccin
Sus pioneros fueron Wagner (1950) y Manne (1959). Tradicionalmente estos

modelos se han considerado como subclases de la programacin lineal, sin
embargo, las variables de decisin que aparecen en ellos slo toman valores
enteros, por lo que realmente deben considerarse como problemas de programacin
entera. El nmero de modelos lineales enteros y sus mtodos de solucin son en la
actualidad bastante extenso, lo que nos ha llevado a hacer una seleccin
considerando aquellos que creemos ms interesantes y que aparecen con mayor
frecuencia en la realidad.
La Programacin Lineal Entera (PLE) ha llegado a ser un rea muy

especializada de la ciencia administrativa. Se trata de formular y solucionar
problemas de programacin lineal con la particularidad de que alguna o todas las
variables asuman valores enteros. La magnitud del rendimiento y la asignacin de
recursos asociados con cada unidad del problema aconsejan determinar la mejor
solucin entera posible. Muchos problemas usan variables enteras para indicar
decisiones lgicas.
En los problemas de Programacin Lineal (PL) se permite a las variables

tener valores fraccionarios y conforme al principio de que todo lo que est
permitido ocurre, se deben esperar las respuestas fraccionarias. Las variables de
decisin en el mundo real a menudo deben ser enteras.
Con sentido prctico, muchas soluciones aceptables para el administrador se

obtiene mediante redondeo. Hay muchos problemas importantes en los que el
redondeo hacia los requerimientos enteros en los problemas reales simplemente no
funciona. El redondeo no siempre conduce a soluciones factibles.
Los cientficos de la administracin han advertido la importancia de los

problemas de PLE desde hace aos, y se ha dedicado una buena cantidad de
trabajo y tiempo para investigar la solucin a estos problemas. Dichos esfuerzos han
rendido algunos dividendos y se ha producido un marcado progreso en esta rea
durante los ltimos 10 aos. Muchos problemas que se resuelven fcilmente como
problemas se PL llegan a ser irresolubles para propsitos prcticos cuando se exige
que las variables de decisin sean enteras.
4
1.2 Clasificacin de los Modelos de Programacin Lineal Entera
La PLE es un trmino general para los modelos de programacin matemtica

que presentan condiciones de integralidad (condiciones que estipulan que
algunas o todas las variables de decisin deben tener valores enteros). Atendiendo
al tipo de variables se clasifican en:
a) Programas lineales enteros puros (PLE): son aquellos en que todas

las variables de decisin nicamente pueden tomar valores enteros.
Tambin se distinguen dentro de estos los programas totalmente
enteros como aquellos en que tanto las variables como todos los
coeficientes que intervienen en el programa han de ser enteros. Por
ejemplo:
Min z = 6x1 + 5x2 + 4x3

s.a. 108x1 + 92x2 + 58x3 576
7x1 + 18x2 + 22x3 83
x1, x2, x3 0 y enteros
b) Programas lineales enteros mixtos (PLEM): son aquellos en el que slo

se requiere que algunas variables tengan valores enteros mientras que
otras pueden asumir cualquier nmero no negativo (es decir, cualquier
valor continuo). Por ejemplo:
Min z = 6x1 + 5x2 + 4x3

s.a. 108x1 + 92x2 + 58x3 576
7x1 + 18x2 + 22x3 83
x1, x2, x3 0 ; x1 y x2 enteros
c) Programas lineales enteros binarios (PLEB): en estos se restringe el

valor de las variables a 0 y 1. Son de particular inters debido a que se
pueden usar las variables 0 1 para representar decisiones
dicotmicas (si o no). Diversos problemas de asignacin, ubicacin de
plantas, planes de produccin y elaboracin de cartera, etc. son de
programacin lineal entera 0 1. Por ejemplo:
Max z = 40x1 + 70x2 + 80x3 + 100x4

s.a. 10x1 + 30x2 + 10x3 + 20x4 50
5x1 + 20x2 + 20x3 + 10x4 45
20x1 + 10x2 + 27x3 + 40x4 70
10x1 + 10x2 + 20x3 + 20x4 40
10x2 + 10x3 + 20x4 30
xi = 0 o 1 ; i = 1, , 4
Atendiendo al criterio del tipo de programa:
a) Programa lineal entero directo: si el programa de decisin involucra

variables enteras.
b) Programa lineal entero codificado: cuando se trata de un problema que
contiene adems de aspectos cuantitativos, alguna consideracin de
5
tipo cualitativo, y por ello para tratar este tipo de aspectos se requiere
el uso de variables enteras o binarias.
c) Programa lineal entero transformado: cuando el programa no incluye
variables enteras, pero para ser tratado analticamente requiere el uso
de variables enteras artificiales.
Nota: Un problema de programacin entera no lineal es un problema de

optimizacin en el cual la funcin objetivo o el lado izquierdo de algunas de las
restricciones, son funciones no lineales y en el cual algunas de las variables, o todas
tienen que ser enteros.
1.3 Mtodos de solucin para resolver problemas de Programacin Lineal

Entera
Un aspecto notable de los mtodos de solucin de estos problemas, que

caen dentro de la clase denominada de modelos combinatorios, es la complejidad
computacional. Un enfoque primitivo de resolucin consiste en evaluar cada posible
solucin, es decir, cada una de las combinaciones de valores enteros para las
variables del problema. En este caso incluso en un problema pequeo como podra
ser con diez variables y diez valores para cada variable tendra un nmero grande
(diez mil millones) de posibles soluciones, lo que hace necesario planteamientos de
solucin inteligentes. Estos se han dirigido por una parte hacia los mtodos
exactos, es decir, aquellos que conducen a una solucin ptima exacta para el
problema combinatorio empleando tcnicas que reduzcan la bsqueda de
soluciones (caso del mtodo simplex). Por otra parte, se han propuesto un buen
nmero de mtodos heursticos, sin una base matemtica formal, pero que,
basados esencialmente en la intuicin, conducen a una solucin prxima a la
ptima y lo que es ms deseable, en una cantidad razonable de tiempo. Ms
concretamente, lo hacen en tiempo polinomial, frente a muchos mtodos exactos
para problemas combinatorios que lo hacen en tiempo exponencial, siendo por tanto
poco aplicables stos ltimos a problemas de tamao grande.
Para resolver problemas de Programacin Lineal Entera, se utilizan varios

algoritmos como son: Ralph Gomory, Ramificacin y Acotamiento (Branch and
Bound), Enumeracin Exhaustiva o Enumeracin Explcita, Enumeracin Implcita,
Aditivo de Egon Balas y Algoritmos Heursticos.
En Programacin Lineal Entera Pura algunos de los algoritmos de solucin

que se emplean son: Mtodo de Plano de Corte, Algoritmo Fraccional de Gomory,
Algoritmo Entero Puro de Gomory, Mtodo de Ramificacin y Acotamiento y el
Algoritmo de Land - Doig, entre otros. Para Programacin Lineal Entera Binaria
algunos de los utilizados son: Mtodo de Ramificacin y Acotamiento, Mtodo
Aditivo de Egon Balas, Mtodo Lexicogrfico, Mtodo de Lemke y Spielberg,
Distancia de Hamming y Retculos y Mtodo de Trubin. En Programacin Lineal
Entera Mixta se usan el Algoritmo Entero Mixto de Gomory, el Algoritmo de Land
Doig, Mtodo de Benders.
6
1.4 Relajacin PL
El PL que se obtiene al omitir todas las restricciones enteras o 0 1 para las

variables, se llama la relajacin PL del PLE.
Por ejemplo, la relajacin PL de
Max z = 3x1 + 2x2

s.a. x 1 + x2 6
x1, x2 0 ; x1, x2 enteros
es
Max z = 3x1 + 2x2

s.a. x 1 + x2 6
x1, x2 0
y la relajacin PL de
Max z = x1 - x2
s.a. x1 + 2x2 2
2x1 x2 1
x1, x2 = 0 o 1
es
Max z = x1 - x2
s.a. x1 + 2x2 2
2x1 x2 1
x1, x2 0
Se puede considerar cualquier PLE como la relajacin PL ms algunas otras

restricciones (las restricciones que indican cules variables tienen que ser enteras o
iguales a 0 o 1). Por lo tanto, la relajacin PL es una versin menos restringida, o
ms relajada, del PLE. Esto significa que la regin factible para cualquier PLE
tiene que estar incluida en la regin factible de la relajacin PL
correspondiente. Para cualquier PLE que es un problema de maximizacin, esto
implica que
El valor ptimo de z para la relajacin PL el valor ptimo de z para el

PLE.
Para esclarecer ms las propiedades de los problemas de programacin

lineal entera consideremos el siguiente PLE sencillo:
Max z = 21x1 + 11x2

s.a. 7x1 + 4x2 13
x1, x2 0; x1, x2 enteros
7
x2
3.0
2.0
1.0
0.5
x1
0 0.5 1.0 1.5 2.0 2.5
Fig. N 1 : Regin factible para el PLE
En la Fig. N 1 se observa que la regin factible para este problema est formada
por el siguiente conjunto de puntos: S = {(0,0), (0,1), (0,2), (0,3), (1,0), (1,1)}. A
diferencia de la regin factible para cualquier PL, la regin factible para este
problema es la regin del tringulo rectngulo. Despus de calcular el valor de z
para cada uno de los seis puntos de la regin factible, se encuentra que la solucin
ptima para este problema es z = 33, para x1 = 0, x2 = 3.
Si la regin factible para la relajacin PL de un PLE pura es acotada, como en

el problema anterior, la regin factible del PLE estar formada por un nmero finito
de puntos. En teora, se podra resolver tal PLE enumerando los valores de z para
cada punto factible, y determinar el punto factible que tiene el mayor valor de z.
1.5 Aplicaciones de Problemas de Programacin Entera
Las principales aplicaciones tpicas de problemas de PLE se dan en las reas

de planeacin de personal, presupuestacin de capital, programacin de fuerza de
trabajo y ubicacin de almacenes.
1.6 Programacin Lineal Entera: El Enfoque Grfico
Un enfoque grfico promueve la comprensin de las complejidades asociadas

con la resolucin de problemas de PLE.
Ejemplo 1: Dado el siguiente problema de PL
Max. z = 6x1 + 7x2

s.a. x1 + 2x2 8 (1)
x1 x2 4 (2)
x1, x2 0
La solucin ptima tiene lugar en el vrtice C determinado por la interseccin

de las ecuaciones
x1 + 2x2 = 8 y x 1 x2 = 4
x2
8
5.0 Solucin ptima para el modelo de PL
4.0 (1) FO x1 = 16/3

x2 = 4/3
3.0 (2) z ptimo = 124/3 = 41.33
2.0 C
1.0
x1
1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0
Fig. N 2 : Regin factible para el PL
La pendiente de la FO es m = - 6/7
Supongamos que estamos interesados en la solucin ptima entera del PLE.

En este caso el conjunto de soluciones factibles no es el rea de la regin poligonal
cerrada, sino slo puntos, tal como se muestra en la Fig. N 3.
Para determinar la solucin ptima entera del PLE necesitamos resolver el

modelo de programacin lineal entera:
Max. z = 6x1 + 7x2

s.a. x1 + 2x2 8 (1)
x1 x2 4 (2)
x2
5.0 Solucin ptima entera para el modelo de PLE
4.0 (1) x1 = 4
x2 = 2
3.0 FO (2) z ptimo = 38
2.0
1.0
x1
0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0
Fig. N 3 : Soluciones enteras factibles para el PLE
En la Fig. N 3 hay 20 valores de soluciones enteras factibles para el PLE,

este mismo conjunto de soluciones factibles enteras son listadas en la Tabla N 1,
adems de su contribucin o utilidad. Por simple inspeccin en la segunda columna
de la Tabla se observa que la solucin ptima es: x 1 = 4, x2 = 2 con utilidad de z =
38.
Tabla N 1: Soluciones enteras del PLE
SOLUCION
9
ENTERA FACTIBLE ENTERA Utilidad = z = 6x1 + 7x2

x1 x2
0 0 0
0 1 7
0 2 14
0 3 21
0 4 28
1 0 6
1 1 13
1 2 20
1 3 27
2 0 12
2 1 19
2 2 26
2 3 33
3 0 18
3 1 25
3 2 32
4 0 24
4 1 31
4 2 38 solucin ptima PLE
5 1 37 solucin obtenida del
redondeo en el PL
Comparando la solucin ptima del PL y del PLE se obtiene la siguiente

tabla:
Modelo Solucin ptima Utilidad mxima

PL x1 = 16/3, x2 = 4/3 41.33
PLE x1 = 4, x2 = 2 38.00
Puede observarse que la restriccin entera hace decrecer la utilidad de 41.33

a 38.
Ejemplo 2: Resolver grficamente el siguiente problema de PLE mediante la

solucin del PL (llamada relajacin PL) del problema entero, y redondear la
solucin.
Max. z = x2
s.a. x1 + x2
x1 + x2 7/2
Resolviendo el PL con variables que no necesariamente fueran enteras,

hallaramos el ptimo grficamente en el punto (x 1=3/2, x2=2).
Redondeando obtendramos o bien el punto (x 1=1, x2=2) o el punto (x1= 2,

x2=2). Si se redondea, las soluciones que se obtienen no son factibles
Ejemplo 3: Resolver grficamente el siguiente PLE:
Max. z = x1 + 5x2
s.a. x1 + 10x2 20
x1 2
10
El ptimo de la relajacin PL es el punto (2, 9/5) con z ptimo de 11, que

redondeando en la direccin factible sera (2, 2) con z = 12.
Sin embargo esta solucin no es la ptima del problema de programacin

entera, porque (2, 2) no es un punto factible. La solucin ptima entera es x 1 = 0, x2
= 2 y z = 10.
Resumen:
1. Para resolver un problema de programacin entera con el enfoque grfico,

se recomienda seguir los siguientes pasos:
i) Encuntrese el conjunto factible de la relajacin PL del problema de

PLE.
ii) Identifquese los puntos enteros dentro del conjunto determinado en el
paso (i).
iii) Encuntrese, entre los puntos determinados en el paso (ii), el que
optimiza la funcin objetivo.
2. Cualquier restriccin que se agregue a un problema de programacin

matemtica no puede mejorar, y si empeorar, el valor ptimo de la funcin
objetivo. Por lo tanto, el valor ptimo disminuye con la adicin de las
restricciones de enteros. En consecuencia:
i) En un problema de maximizacin, el valor ptimo de la funcin

objetivo (VO) del problema relajado constituye siempre una cota
superior para el VO del PLE o PLEM original. Si se agregan
restricciones de enteros, el VO del PL, o bien empeorar, o bien
quedar igual. En un problema de maximizacin, empeorar el VO
significa disminuirlo.
ii) En un problema de minimizacin, el VO del problema relajado
siempre proporciona una cota inferior para el VO del PLE o PLEM
original. El agregado de restricciones enteras o bien empeora o bien
deja igual el VO del PL. En un problema de minimizacin, empeorar el
VO significa aumentarlo.
3. Una solucin redondeada no es necesariamente ptima.
4. Una solucin redondeada no necesariamente est cerca de la solucin

ptima del PLE.
5. Una forma intuitiva de abordar un PLE consiste en resolver la relajacin PL

del problema original y redondear despus la solucin al punto entero vecino.
Este procedimiento puede producir ciertos problemas, tales como:
i) Puede ser que ninguno de los puntos enteros prximos sea factible.
ii) Aun cuando uno o ms de los puntos enteros prximos sean factibles,
11
No necesariamente sern ptimos para el PLE

No necesariamente estarn cerca de la solucin ptima del PLE.
Ejercicios propuestos
1. Resolver grficamente el siguiente PLE:
Max. z = 18x1 + 6 x2
s.a. x1 + x2 5
42.8x1 + 100x2 800
20x1 + 6x2 142
30x1 + 10x2 135
x1 3x2 0
x1, x2 0 y enteros
Rpta:
El PLE tiene 13 soluciones factibles, stas son los puntos : (3,6), (4,6), (3,5), (4,5),
(5,5), (4,4), (5,4), (4,3), (5,3), (6,3) (4,2), (5,2) y (6,2).
La solucin ptima del PLE es el punto x 1 = 6, x2 = 3; el valor ptimo de la funcin
objetivo es 126.
2. El Programa MI VIVIENDA ha obtenido una subvencin del Estado de $ 5

millones de dlares para construir edificios de departamentos para personas de
ingresos bajos y medianos en una extensin de 180,000 metros cuadrados de
terreno. Cada tipo de edificio requiere 20,000 metros cuadrados. El costo estimado
de cada edificio de bajos ingresos es de $ 300,000, y el costo estimado de cada
edificio de ingresos medios es de $ 600,000. Cada edificio de bajos ingresos
proporciona 15 unidades, y cada edificio de medianos ingresos proporciona 12
unidades. Para mantener el vecindario bien balanceado, el gobierno requiere que la
proporcin de los departamentos de ingresos medios con los ingresos bajos sea de
al menos 0.80. El director del Programa Mi Vivienda desea determinar el mayor
nmero de departamentos individuales que pueden construirse en el terreno
disponible con el presupuesto dado.
Solucin:
Variables de decisin:
x1 = el nmero de edificios de departamentos de ingresos bajos a construirse
x2 = el nmero de edificios de departamentos de ingresos medios a construirse
El PLE es el siguiente:
Max. z = 15x1 + 12 x2
s.a. 3x1 + 6x2 50 (presupuesto)
20x1 + 20x2 180 (terreno)
-x1 + x2 0 (proporcin: 12x2 / 15x1 0.80)
x1, x2 0 y enteros
Rpta:
12
La solucin entera ptima es x 1 = 4 y x2 = 5, con una valor de la funcin objetivo de

120. Por tanto, el director debe contratar la construccin de cuatro edificios de
ingresos bajos y cinco edificios de ingresos medios, ofreciendo un total de 120
departamentos individuales.
1.7 Programacin Lineal Entera: Un Enfoque Conceptual
Este enfoque no puede utilizarse en computadoras porque stas usan

lgebra. Se trata de la idea conceptual que est detrs de un mtodo para resolver
por computadora problemas que tienen variables enteras.
1.7.1 Enumeracin de las soluciones enteras posibles
Son dos las caractersticas de los problemas de PL que permiten el

desarrollo de un algoritmo de mejora finita:
1) La capacidad de probar rpidamente la optimalidad de una solucin

factible particular.
2) La capacidad de determinar una nueva solucin factible con un valor
de funcin objetiva estrictamente mejor cuando la actual solucin no
pasa la prueba.
No se han encontrado procedimientos similares para problemas de PLE. La

nica forma conocida para obtener la solucin ptima es evaluar todas las
soluciones enteras posibles.
Ejemplo: Un problema de PLE con tres variables
Max. z = 3x1 + 2x2 + x3

s.a. x 1 + x2 + x3 4 (1)
2x1 x2 x3 0 (2)
x1 + x2 x3 0 (3)
x1 2 (4)
x2 2 (5)
x3 2 (6)
x1, x2, x3 0 y enteras
Un enfoque para resolver este problema incluye:
1) Hacer una lista de todas las soluciones enteras posibles.

2) Identificar de todas las soluciones enteras factibles aquella cuyo valor
de funcin objetivo sea el mejor (en este caso, el mayor).
De las restricciones (4) a (6) se tiene que las tres variables pueden tomar los
tres valores enteros posibles de 0, 1 y 2, por tanto, es necesario enumerar las 27
combinaciones de valores enteros para x1, x2 y x3.
Un enfoque es enumerar los tres valores para x 1 y, para cada uno, enumerar
los tres valores para x2, lo que se produce en nueve combinaciones. Para cada una
de estas nueve, puede enumerar los tres valores para x 3, obteniendo el nmero total
de combinaciones, 27. Este enfoque se describe usando un rbol.
13
1.7.2 El mtodo de ramificacin y acotamiento: Un enfoque conceptual
Con el mtodo de ramificacin y acotamiento, en vez de buscar los

nodos terminales directamente, comienza en el nivel superior del rbol y procede de
nodo en nodo (un crculo en el rbol asociado con un programa entero que indica
que algunas variables del problema se han fijado para especificar valores enteros)
hacia la base del rbol y los nodos terminales. En cada nodo, se resuelve el
programa lineal asociado. Sobre la base de esta solucin, se toma una decisin
respecto a qu nodos del rbol, si los hay, pueden eliminarse para otras
consideraciones, lo que reduce el nmero de nodos terminales que necesitan
examinarse.
Es un mtodo usado para resolver un problema de programacin

entera en el que los nodos del rbol asociado se examinan de una manera
sistemtica tratando de eliminar por consideracin tantos nodos terminales como
sea posible.
1.7.3 Programacin Lineal Entera: Uso de la computadora
Con la popularizacin de los computadores personales (PCs) han

surgido programas y aplicaciones muy completas para el tratamiento de los
problemas de gestin mediante herramientas cuantitativas, las que en su
conjunto constituyen los mtodos de la investigacin de operaciones.
Para el desarrollo del presente curso haremos uso de uno de los softwares
mas completos, se trata del WINQSB (Quantitative System Business), podra
decirse que es el software ms utilizado en la actualidad por estudiantes de
pregratos y postgrados que incluyen en su plan de estudios asignaturas como la
investigacin de operaciones o temas relacionados. Sin embargo no existe en
nuestro medio una gua en espaol para el docente y el estudiante, que
permita el aprovechamiento mximo de los mdulos que contempla la
aplicacin.
WINQSB es una aplicacin verstil que permite la solucin de una gran

cantidad de problemas: administrativos, de produccin, re recurso humano,
direccin de proyectos, etc.
CREANDO UN NUEVO PROBLEMA DE PROGRAMACIN LINEAL ENTERA
La opcin Nuevo Problema (New Problem) genera una plantilla en el

cual se introducirn las caractersticas de nuestro problema:
14
A continuacin se describirn cada una de las casillas de esta ventana:
Ttulo del problema (Problem Title): Se escribe el ttulo con que identificamos
el problema.
Nmero de variables (Number of Variables): Se escribe la cantidad de
variables con que cuenta el sistema en el modelo original.
Nmero de restricciones (Number of Constraints): Se anotan la cantidad de
restricciones con que cuenta el modelo (no se debe contar la restriccin de no
negatividad).
Objetivo (Objective Criterion): Los problemas de programacin lineal entera
se clasifican en dos: problemas de Maximizacin (Maximization) y
Minimizacin (Minimization).
Formato de entrada de datos (Data Entry Format): Permite elegir entre dos
plantillas distintas para introducir los datos del modelo. La primera alternativa
se asemeja a una hoja de calculo, mientras que la segunda, es una
plantilla diseada especialmente para este fin.
Tipo de variable (Default Variable Type): En esta parte se indica las
caractersticas del modelo:
- Continuas no negativas (Nonnegative continuous): Indica que el

modelo lo componen variables continuas no negativas (iguales o
mayores a cero).
- Enteras no negativas (Nonnegative Integer): Variables enteras no
negativas.
- Binarias (Binary): Variables cuyo valor solo sern 0 o 1.
- Sin asignar / Irrestrictas (Unsigned/unrestricted): Variables
irrestrictas.
Mediante un ejemplo demostraremos como se introducen los datos

para la creacin de un nuevo problema de programacin lineal.
15
ENUNCIADO
Ejemplo: La empresa CISA S.A. desea conocer la cantidad de

productos A, B y C a producir para maximizar el beneficio, si cada unidad
vendida genera una utilidad de S/.150, S/. 210 y S/. 130 por unidad
respectivamente.
Cada producto pasa por 3 secciones de trabajo, restringiendo la

cantidad de unidades producidas debido al tiempo disponible en cada una de
ellas. La siguiente tabla muestra el tiempo requerido por unidad de cada producto
en cada seccin y el tiempo total disponible semanalmente (tiempo dado en
minutos):
Tiempo requerido Tiempo requerido Tiempo requerido

Seccin 1 Seccin 2 Seccin 3
Producto 1 10 12 8
Producto 2 15 17 9
Producto 3 7 7 8
Tiempo total
disponible por 3300 3500 2900
mesa
Se supone que cada unidad producida es vendida automticamente.

Determinar la combinacin de productos que maximicen la utilidad para la
compaa.
Una vez analizado el enunciado se proceder a formular el modelo
matemtico.
MODELO MATEMTICO
Max. Z = 150X1 + 210X2 + 130X3 Funcin Objetivo (F.O)

s.a.
10X1 + 15X2 + 7X3 3300 (Seccin 1)
12X1 + 17X2 + 7X3 3500 (Seccin 2) Restr. Estructurales
8X1 + 9X2 + 8X3 2900 (Seccin 3)
X1 , X2 , X3 0 Restr. No Negatividad
Podemos ver claramente que estamos ante un problema de

Maximizacin, con tres restricciones y tres variables (las cuales
trabajaremos como variables continuas de tipo No Negativas).
Teniendo claro esto, se alimenta el programa desde la ventana Nuevo

Problema (New Problem):
16
Una vez llenados todos los campos pulsamos el botn OK, generando
nuevas opciones dentro del programa.
INGRESANDO EL MODELO
Si se escogi por la plantilla tipo hoja de calculo (Spreadsheet Matrix

Form), se mostrar una nueva ventana dentro de la zona de trabajo, la cual
servir para introducir el modelo matemtico.
La primera fila (Variable --) corresponde a los encabezados de las

variables (en gris) definidas automticamente por el sistema como X1, X2 y X3
(son las tres variables del ejemplo), seguido por el operador de relacin
(Direction) y la solucin de las restricciones o Lado de la mano derecha
(Right Hand Side -R. H. S). El nombre de las variables se puede cambiar
accediendo al submen Nombre de variables (Variables Names) del men
Editar (Edit).
17
La segunda fila (Maximize) permite introducir los coeficientes de la

funcin objetivo. Luego aparecen una serie de filas identificadas por la letra
C y un consecutivo, las cuales corresponden a la cantidad de restricciones
con que cuenta el modelo:
Por ltimo aparecen tres filas donde definimos el valor mnimo aceptado por
cada variable (Lower Bound), el valor mximo (Upper Bound) y el tipo de
variable (Variable Type). En el caso del valor mximo, M significa que la
variable podr recibir valores muy grandes (tendientes a infinito).
EL MODELO DE EJEMPLO
Para ingresar nuestro modelo propuesto en el ejemplo, el primer paso es
llenar la segunda fila con los coeficientes de la funcin objetivo:
Se sigue con las restricciones C1, C2 y C3:
Usted podr cambiar los operadores de relacin pulsando dos veces

seguidas sobre ellos con el botn izquierdo del Mouse. Las otras filas se mantienen
iguales.
RESOLVIENDO UN PROBLEMA
Cuando haya terminado de ingresar el modelo en la plantilla, podr
utilizar las herramientas que provee el men Resolver y Analizar (Solve
and Analyze). Este men cuenta con las siguientes opciones:
Resolver el problema (Solve the Problem): Resuelve el problema mediante

el mtodo Simplex Primal. Muestra la solucin final completa.
18
Resolver y mostrar los pasos (Solve and Display Steps): Muestra cada uno
de los pasos o las interacciones realizadas por el Simplex hasta llegar a
la solucin ptima.
Mtodo Grfico (Graphic Method): Resuelve el problema de
programacin lineal mediante el mtodo grfico (para problemas que
trabajan con dos variables).
RESOLVIENDO EL PROBLEMA EJEMPLO

Seleccionamos la primera opcin del men Resolver y Analizar
(Solve and Analyze), donde se mostrar una pequea ventana con el mensaje
El problema ha sido resuelto. La solucin ptima ha sido lograda.
Pulsamos el botn ACEPTAR y automticamente el programa

generar la solucin optima.
ENTENDIENDO LA MATRIZ FINAL

Esta matriz presenta suficiente informacin sobre el modelo resuelto. La
primera parte (Solution Summary) corresponde al anlisis de las variables
definidas (X1, X2 y X3).
19
La columna Valores de la solucin (Solution Value) presenta los

valores ptimos encontrados. En este ejemplo se tiene que X1 es 0
unidades, X2 es 105,4795 unidades y X3 es 243,8356 unidades.
La columna Costo o Utilidad Unitaria (Unit Cost or Profit)

muestra los coeficientes de la funcin objetivo para cada variable.
La columna Contribucin Total (Total Contribution) representa el

costo o utilidad generado por cada variable. Por ejemplo, si el valor de la
variable X2 es 105,4795 unidades y la utilidad unitaria es S/. 210, el beneficio
total resultar de la multiplicacin de ambos valores dando como resultado S/.
22.150,69. Justo debajo de la ltima contribucin aparece el valor de Z ptimo
(S/. 53.849,32).
La columna Costo Reducido (Reduced Cost) identifica el costo que

genera incrementar una unidad para cada variable no bsica. La siguiente
columna llamada Estatus de la Variable (Basis Status) muestra si una variable
es bsica (Basic) o no (at bound).
La siguiente parte de la matriz final (Constraint Summary), presenta las

variables de holgura del sistema (C1, C2, C3).
La columna Lado de la mano derecha (Left Hand Side) muestra

el valor alcanzado al reemplazar los valores de X1, X2 y X3 en cada restriccin
(recuerde que cada restriccin se identifica con su variable de holgura).
Las dos columnas siguientes (Direction y Right Hand Side)

muestran las especificaciones dadas a las restricciones en cuanto al operador
de relacin () y los valores originales de las restricciones (3.300, 3.500 y 2.900
minutos).
La columna Dficit o Supervit (Slack or Surplus) muestran los valores

de las variables de holgura y la columna Precios Sombras (Shadow Price)
corresponde a los precios sombras; cunto se estara dispuesto a pagar
por una unidad adicional de cada recurso.
LA TABLA FINAL DEL SIMPLEX

WINQSB permite mostrar los resultados ptimos mediante el formato
aplicado por el mtodo Simplex. Para mostrar este formato deber, una
vez resuelto el problema, seleccionar en el men Resultados (Results) la
opcin Tabla final del Simples (Final Simplex Tableau).
20
RESOLVIENDO EL MODELO PASO A PASO

Regrese nuevamente a la plantilla correspondiente al modelo
inicial (sin solucionar). Procederemos a marcar la opcin Resolver y
mostrar los pasos (Solve and Display Steps).
La primera tabla corresponde a la tabla inicial del Simplex:
WINQSB cuenta con opciones de navegacin para pasar de una tabla

a otra (este men se llama Simplex Iteration) hasta encontrar la solucin
ptima:
Al pulsar sobre la opcin Prxima Interaccin (Next Iteration) se

avanza a la siguiente tabla del Simplex.
La opcin Escoger variable de entrada (Choose Entering Variable)

permite seleccionar la variable que entra al sistema de forma manual:
21
Debe pulsar sobre la variable no bsica que desee que entre (en este
caso se muestra a X1, X3 y C2 como no bsicas). Para mostrar la ltima tabla del
Simplex directamente podr optar por seleccionar la opcin llamada Ir a la
ltima tabla (Go To The Last Tableau).
La ltima opcin Nonstop to Finish muestra el resultado final completo

(junto al anlisis de sensibilidad).
LA OPCIN IMPRIMIR
Cada ventana mostrada puede ser impresa mediante la opcin
Imprimir (Print) que se encuentra en el men Archivo (File) o mediante el botn
desplegado en la barra de herramientas.
GUARDANDO UN PROBLEMA
Si quiere acceder a un problema posteriormente simplemente seleccione la

opcin Salvar como (Save As) o pulsando sobre el botn .
1.7.4 Resolucin de Problemas de Programacin Lineal Entera
Planeacin y programacin de personal
Ejemplo: La CMAC Huancayo requiere de 8 a 15 cajeros de servicio,

dependiendo de la hora del da, tal como se indica en la Tabla N 2. Los cajeros de
tiempo completo trabajan 8 horas consecutivas a S/. 15 la hora, comenzando a las 8
am.. Los cajeros de tiempo parcial trabajan 4 horas consecutivas a S/. 8 la hora,
comenzando a las 8 am., 10 am. o 12 del medioda. Las regulaciones sindicales
requieren que a toda hora al menos 60% de los cajeros sean de tiempo completo.
Como gerente del departamento de personal, haga una recomendacin respecto al
nmero de empleados de tiempo completo y de tiempo parcial requeridos a lo largo
del da para minimizar el costo diario total.
Tabla N 2: Requerimientos de cajeros de CMAC Huancayo

22
PERIODO NUMERO MINIMO DE CAJEROS

8 10 am. 8
10 12 medioda 10
12 2 pm. 15
2 4 pm. 12
Solucin:
Sean las variables de decisin:
x1 = el nmero de cajeros de tiempo completo a contratar

x2 = el nmero de cajeros de tiempo parcial a contratar
Es necesario mayor precisin para los cajeros de tiempo parcial, se necesita saber
no slo cuantos contratar, sino tambin sus horarios de inicio. Para el efecto se
utilizarn tres nuevas variables, cada una correspondiente a las tres horas de inicio.
x3 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 8 am.
x4 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 10
am.
x5 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 12 del
medioda.
Para formular la funcin objeto, siendo el caso de minimizar el costo diario

total, puede usarse la tcnica de descomposicin,
Costo total = (costo de cajeros de tiempo completo) +

(costo de cajeros de tiempo parcial que comienzan a las 8 am.) +
(costo de cajeros de tiempo parcial que comienzan a las 10 am.) +
(costo de cajeros de tiempo parcial que comienzan a las 12 del
medioda)
El costo asociado con los cajeros de tiempo completo que trabajan 8 horas al
da, es S/. 15 la hora, lo que suma S/. 120 al da. Los cajeros de tiempo parcial
trabajan 4 horas al da y ganan S/. 8 la hora, o S/. 32 al da. Por consiguiente, la
funcin objetivo es:
Min. z = 120x1 + 32x3 + 32x4 + 32x5
Para identificar las restricciones, usaremos el siguiente grfico y la tcnica de

agrupamiento.
Tiempo completo x1
Tiempo parcial a las 12 del medioda x5
Tiempo parcial a las 10 am. x4
Tiempo parcial a las 8 am. x3
8 am. 10 am. 12 medioda 2 pm. 4 pm.
Restricciones de requerimiento sobre el nmero de cajeros
Existe una restriccin para cada segmento de tiempo,

23
1) Se requieren al menos ocho cajeros de 8 a 10 am.

x1 + x3 8
2) Se requieren al menos diez cajeros de 10 am. a 12 del medioda
x1 + x3 + x4 10
3) Se requieren al menos quince cajeros de 12 del medioda a 2 pm.
x1 + x4 + x5 15
4) Se requieren al menos doce cajeros de 2 pm. a 4 pm.
x1 + x5 12
Restricciones de proporcin
Las regulaciones sindicales requieren que al menos 60% de los cajeros sean de
tiempo completo. Por lo tanto, cada uno de los cuatro segmentos de tiempo necesita
una restriccin de la siguiente forma:
El nmero de cajeros de tiempo completo debe ser al menos 60% del

nmero total de cajeros
x1 0.6 (x1 + x3) o 0.4 x1 0.6 x3 0

x1 0.6 (x1 + x3 + x4) o 0.4 x1 0.6 x3 0.6 x4 0
x1 0.6 (x1 + x4 + x5) o 0.4 x1 0.6 x4 0.6 x5 0
x1 0.6 (x1 + x5) o 0.4 x1 0.6 x5 0
Entonces, el modelo de programacin lineal entera es:
Min. z = 120x1 + 32x3 + 32x4 + 32 x5

s.a.
Restricciones de requerimiento
x1 + x3 8
x1 + x3 + x4 10
x1 + x 4 + x5 15
x1 + x5 12
Restricciones de proporcin
0.4 x1 0.6 x3 0
0.4 x1 0.6 x3 0.6 x4 0
0.4 x1 0.6 x4 0.6 x5 0
0.4 x1 0.6 x5 0
Restricciones lgicas
x1 , x3 , x4 , x5 0 y enteras
Use el WINQSB para obtener la solucin del problema de programacin lineal

entera.
Presupuestacin de capital
24
Un problema que muchas compaas de capital empresario y de inversin

enfrentan es como asignar una cantidad dada de dinero a diversos proyectos
alternativos. En algunos casos, la pregunta es cunto invertir en cada alternativa. En
otros casos, la pregunta es qu alternativas deben elegirse. En este ltimo caso,
que implica una decisin de si, invertir o de no invertir, a menudo es til un
modelo de programacin entera apropiado al elegir entre alternativas. El siguiente
ejemplo ilustra el caso.
Ejemplo 1: EDPYME CONFIANZA, una compaa de inversin de capital de

riesgo, est considerando invertir hasta un milln de dlares en una o ms
propuestas que ha recibido de diversos empresarios. Cada propuesta ha sido
filtrada por el departamento de investigacin, y seis han tenido una tasa esperada
de retorno suficiente para justificar el riesgo implicado. La inversin nica requerida
y la tasa de rendimiento esperada asociada para cada proyecto se proporciona en la
Tabla N 3. Al departamento de investigacin se le ha pedido que haga
recomendaciones respecto a los proyectos que deben respaldarse. Su meta es
lograr la devolucin esperada ms alta sobre la inversin.
Tabla N 3: Requerimientos de capital y tasa de retorno esperada para los

proyectos de Edpyme Confianza
PROYECTO REQUERIMIENTO DE CAPITAL ($) TASA DE RETORNO ESPERADA (%)

A 200,000 15.0
B 350,000 16.5
C 150,000 13.0
D 125,000 12.5
E 375,000 14.0
F 70,000 9.0
Solucin:

x1 = 1 Si Edpyme Confianza invierte en el proyecto A
0 Si Edpyme Confianza no invierte en el proyecto A
x2 = 1 Si Edpyme Confianza invierte en el proyecto B

0 Si Edpyme Confianza no invierte en el proyecto B
x3 = 1 Si Edpyme Confianza invierte en el proyecto C

0 Si Edpyme Confianza no invierte en el proyecto C
x4 = 1 Si Edpyme Confianza invierte en el proyecto D

0 Si Edpyme Confianza no invierte en el proyecto D
x5 = 1 Si Edpyme Confianza invierte en el proyecto E

0 Si Edpyme Confianza no invierte en el proyecto E
x6 = 1 Si Edpyme Confianza invierte en el proyecto F

0 Si Edpyme Confianza no invierte en el proyecto F
25
El objetivo es maximizar la devolucin esperada total, para el efecto utilizando

los datos de la Table N 3 junto con las variables de decisin y aplicando la tcnica
de descomposicin, se tiene la funcin objetivo:
Maximizar devolucin anual total = (devolucin de A) + (devolucin de B) +

(devolucin de C) + (devolucin de D) +
(devolucin de E) + (devolucin de F)
= (0.15 * 200,000)x1 + (0.165 * 350,000)x2 +

(0.13 * 150,000)x3 + (0.125 * 125,000)x4 + (0.14
* 375,000)x5 + (0.090 * 70,000)x6
Max. z = 30,000x1 + 57,750x2 + 19,500x3 + 15,625x4 + 52,500x5 + 6,300x6

La nica restriccin estructural es que los montos de inversin para los
diferentes proyectos no deben exceder el presupuesto de $ 1 milln.
200,000x1+350,000x2+150,000x3+125,000x4+375,000x5+70,000x6 1000,000
Las restricciones lgicas en este problema son que cada variable debe tener
un valor de 0 o 1. Para fines computacionales se escribe estas restricciones de tal
forma que cada variable est entre 0 y 1 y que tambin sea entera. Por ejemplo, la
restriccin lgica para la variable x1 es:
x1 1 y x1 0 y entero
0 x1 1
Finalmente el programa lineal entero es:
Max. z = 30,000x1 + 57,750x2 + 19,500x3 + 15,625x4 + 52,500x5 + 6,300x6

s.a.
200,000x1+350,000x2+150,000x3+125,000x4+375,000x5+70,000x6 1000,000 (Presup.)

x1 1
x2 1
x3 1
x4 1
x5 1
x6 1
x1, x2, x 3, x 4, x 5, x6 0 y entero
Puede utilizarse cualquier paquete de software de computadora para resolver este

problema de programacin entera.
Ejemplo 2: Supngase que el consejo directivo de Doe Ran afronta el

problema que se resume en la Tabla N 4. Las cantidades en dlares estn en
millares. El consejo directivo ha de elegir una o ms de las alternativas. Si deciden
expandir la planta de La Oroya, el valor actual del beneficio neto para la firma es de
$ 40,000. Este proyecto requiere $ 10,000 de capital el primer ao, % 5,000 el
26
segundo, etc. El consejo directivo ha presupuestado con anterioridad hasta $ 50,000

como inversiones de capital totales para el ao 1, hasta $ 45,000 en el ao 2, etc.
Tabla N 4: Presupuesto de capital
VALOR CAPITAL REQUERIDO EN EL

ALTERNATIVA PRESENTE DEL AO i PARA LA ELTERNATIVA j
BENEFICIO
NETO 1 2 3 4 5
Expansin de la planta en La Oroya 40 10 5 20 10 0
Expansin de la capacidad de 70 30 20 10 10 10
mquinas pequeas en Casapalca
Establecimiento de una nueva 80 10 20 27 20 10
planta en Morococha
Expansin de la capacidad de 100 20 10 40 20 20
mquinas grandes en Chicla
Capital disponible en el ao i bi 50 45 70 40 30
Se pide:
a) Formular el problema como un modelo de PLE

b) Hallar la solucin ptima
Solucin:
Este problema puede formularse como un modelo de PLE en el que todas las
variables son del tipo 0 1.
xi = 1 si el proyecto se acepta y xi = 0 si se rechaza. (i = 1,2,3,4)
El modelo de PLE es:
Max z = 40x1 + 70x2 + 80x3 + 100x4 Valor presente de los proyectos aceptados
s.a.
10x1 + 30x2 + 10x3 + 20x4 50
Capital requerido 5x1 + 20x2 + 20x3 + 10x4 45 Capital disponible en el ao 2
en el ao 2 20x1 + 10x2 + 27x3 + 40x4 70
10x1 + 10x2 + 20x3 + 20x4 40
10x2 + 10x3 + 20x4 30
x1 1
x2 1
x3 1
x4 1
xi 0 ; i = 1, , 4
La solucin ptima entera es que el administrador deber aceptar las tres primeras
alternativas; x4 es igual a cero. El valor de la funcin objetivo es 190.
27
Ejemplo 3: INVERMEST tiene la oportunidad de invertir en cinco proyectos

diferentes, P1, P2, P3, P4 y P5, cada uno con un beneficio neto estimado como se
muestra en la Tabla N 5.
Tabla N 5: Beneficio neto esperado para los cinco proyectos
PROYECTO NUMERO BENEFICIO NETO

ESPERADO ($)
1 100 000
2 80 000
3 70 000
4 60 000
5 90 000
Dado que de los diferentes requerimientos de cada proyecto (mano de obra,

equipo, etc.), los costos varan de proyecto a proyecto. Adems las obligaciones de
requerimientos de flujo de caja, hacen que la Invermest no pueda invertir en todos
los cinco proyectos.
La Tabla N 6 muestra los costos totales o salidas de caja requeridos para

invertir en cada proyecto.
Tabla N 6: Costo esperado para los cinco proyectos
PROYECTO NUMERO COSTO ESPERADO ($)

1 60 000
2 40 000
3 20 000
4 40 000
5 50 000
Invermest estima (o espera) que tendr una disponibilidad de caja en la

cantidad de $ 150,000 para el prximo ao. En cules proyectos podra invertir
Invermest el ao prximo?
Solucin:
xj = 1 si el proyecto j es seleccionado
0 si el proyecto j no es seleccionado j = 1, 2, 3, 4, 5
x1, x2, x3, x4, y x5 son variables de decisin 0/1
El modelo de programacin lineal entera es:
Max z = 100x1 + 80x2 + 70x3 + 60x4 + 90x5

s.a.
60x1 + 40x2 + 20x3 + 40x4 + 50x5 150 (disponibilidad de caja)
x1 1
x2 1
x3 1
28
x4 1
x5 1
xi 0 y enteras (j = 1,2,3,4,5)
Invermest invertir en los cuatro ltimos proyectos (x 2, x3, x4, x5 = 1) y no as

en el primer proyecto (x1 = 0) y la mxima utilidad total esperada es de $ 300,000.
Divisin de existencias
Muchas empresas enfrentan el problema de divisin de productos de gran

tamao en lotes al menudeo de menor tamao.
Ejemplo: La Industria Papelera ATLAS vende rollos de papel para

computadoras y cajas registradoras a diversos vendedores al detalle. Sus rollos
estndar tienen 20 pulgadas de ancho. Los vendedores al detalle han hecho
pedidos de 1050 rollos de 3 pulgadas de ancho, 2050 rollos de 5 pulgadas de ancho
y 4050 rollos de 8 pulgadas de ancho. Para producir estos rollos ms pequeos, los
rollos de 20 pulgadas son alimentados a la mquina cortadora que tiene ocho
montaduras diferentes, como se muestra en la Tabla N 4. Cada montura produce un
nmero distinto de cada ancho de rollo de tamao al detalle, dejando una cantidad
fija de anchura que se desperdicia. Por ejemplo, la montura nmero 6 produce 2
rollos de 3 pulgadas de ancho, un rollo de 5 pulgadas de ancho y uno de 8 pulgadas
de ancho, dejando una cantidad fija de 1 pulgada del rollo original de 20 pulgadas.
Tabla N 7: Rollos de varios tamaos para venta al detalle obtenidos de las

monturas de la mquina cortadora
MONTURA NUMERO DE ROLLOS DESPERDICIO

NUMERO 3 pulg. 5 pulg. 8 pulg. (pulgadas)
1 6 0 0 2
2 0 4 0 0
3 1 0 2 1
4 0 2 1 2
5 4 0 1 0
6 2 1 1 1
7 5 1 0 0
8 1 3 0 2
Estos son pedidos nicos. Cualquier rollo sobrante de tamao para el detalle
se venden con descuento, lo que provoca una prdida neta de S/. 1 por cada rollo
de 3 pulgadas, S/. 1.50 por cada rollo de 5 pulgadas y S/. 2 por cada rollo de 8
pulgadas. El desperdicio es reciclado a un costo neto de S/. 0.50 por pulgada. Como
gerente del departamento de produccin, se le ha pedido determinar cmo usar las
distintas monturas de la mquina cortadora para satisfacer la demanda especificada
para los rollos de tamao para veta al detalle, a la vez que se minimiza el costo total.
Solucin:
x1 = el nmero de rollos de 20 pulgadas a cortarse con la montura 1

29
.
.
.
Para especificar la funcin objetivo de minimizacin del costo total,

aplicaremos la tcnica de descomposicin,
Costo total = (costo total de desperdicio de todas las monturas) +

(costo total de sobreproduccin)
= (costo de desperdicio de la montura 1) +

(costo de desperdicio de la montura 2) +
.
.
.
(costo de desperdicio de la montura 8) +
(costo de sobreproduccin de rollos de 3 pulgadas) +
(costo de sobreproduccin de rollos de 5 pulgadas) +
(costo de sobreproduccin de rollos de 8 pulgadas)
Por ejemplo, cada corte de un rollo de 20 pulgadas con la primera montura produce
un desperdicio de 2 pulgadas, como puede observarse en la Tabla N 4. Como se
cortan x1 de tales rollos,
Desperdicio de la montura 1 = 2x1
Usando las variables de decisin y el desperdicio dado por cada montura de la Tabla
N 4 se tiene:
Pulgadas totales de desperdicio = 2x1 + 0x2 + 1x3 + 2x4 + 0x5 + 1x6 + 0x7 + 2x8
Dado que cada pulgada de desperdicio cuesta S/. 0.50,
Costo total de desperdicio = 0.50 * (pulgadas totales de desperdicio)

= 1x1 + 0x2 + 0.5x3 + 1x4 + 0x5 + 0.5x6 + 0x7 + 1x8
Para especificar el desperdicio de sobreproduccin, tomemos como ejemplo, el
nmero de rollos de 3 pulgadas producidos.
Nmero de rollos de 3 pulgadas producidos = 6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8
Como slo se necesitan 1050 rollos de 3 pulgadas,
N de rollos de 3 pulg. sobreproducidos = (6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8) 1050
Una restriccin de demanda apropiada para los rollos de 3 pulgadas asegurar que
la cantidad sobreproducida sea no negativa. Cada rollo de 3 pulgadas
sobreproducido tiene como resultado un costo de S/. 1; as:
Costo de sobreproducir rollos de 3 pulg. = 1 * (nmero de rollos de 3 pulg. sobreproducidos)

= (6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8) 1050
30
Aplicando un razonamiento anlogo para los rollos de 5 y 8 pulgadas

sobreproducidos, se tiene:
Costo de sobreproducir rollos de 5 pulg. = 1.5 * (nmero de rollos de 5 pulg. sobreproducidos)

= (0x1 + 6x2 + 0x3 + 3x4 + 0x5 + 1.5x6 + 1.5x7 + 1x8) 3075
Costo de sobreproducir rollos de 8 pulg. = 2 * (nmero de rollos de 8 pulg. sobreproducidos)

= (0x1 + 0x2 + 4x3 + 2x4 + 2x5 + 2x6 + 0x7 + 0x8) 8100
Resumiendo, la funcin objetivo global de minimizar el costo total es:
Minimizar z = (1x1 + 0x2 + 0.5x3 + 1x4 + 0x5 + 0.5x6 + 0x7 + 1x8) +

(6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8) 1050 +
(0x1 + 6x2 + 0x3 + 3x4 + 0x5 + 1.5x6 + 1.5x7 + 1x8) 3075 +
(0x1 + 0x2 + 4x3 + 2x4 + 2x5 + 2x6 + 0x7 + 0x8) 8100
Min z = 7x1 + 6x2 + 5.5x3 + 6x4 + 6x5 + 6x6 + 6.5x7 + 6.5x8 12225
Las restricciones estructurales deben satisfacer la demanda especificada para cada

rollo de tamao al detalle. As, el nmero de rollos de 3 pulgadas producidos debe
ser al menos 1050,
Nmero de rollos de 3 pulgadas producidos 1050

6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8 1050
Restricciones similares se tienen para los rollos de 5 y de 8 pulgadas,
0x1 + 4x2 + 0x3 + 2x4 + 0x5 + 1x6 + 1x7 + 3x8 2050

0x1 + 0x2 + 2x3 + 1x4 + 1x5 + 1x6 + 0x7 + 0x8 4050
Entonces, el programa lineal entero es:
Min. z = 7x1 + 6x2 + 5.5x3 + 6x4 + 6x5 + 6x6 + 6.5x7 + 6.5x8 12225
s.a.
Restricciones de demanda
6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8 1050 (rollos de 3 pulgadas)
Restricciones lgicas
x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 0 y enteras
Puede usarse cualquier paquete de software de computacin para resolver este

problema de programacin entera.
Problema de ubicacin
El problema de transporte implica el embarque de bienes terminados desde

puntos de suministro, como plantas o almacenes, hacia puntos de demanda, tiendas
31
o clientes. Una decisin estratgica que debe tomar un gerente moderno se refiere a
cuntas plantas y/o almacenes tener y donde ubicarlos, todo lo cual requiere una
inversin de capital sustancial y costos fijos. En este caso, un modelo de
programacin entera a menudo puede ayudar a determinar el plan que de como
resultado el mnimo costo total.
Ejemplo: Sistem Computer debe producir una nueva computadora. La

compaa anticipa una demanda mensual de 1700 computadoras de una tienda de
ventas al detalle en Lima, 1000 computadoras de una tienda de Trujillo, 1500
computadoras de una tienda de Arequipa y 1200 computadoras de una tienda de
Huancayo. Para satisfacer esta demanda anticipada, la gerencia de Sistem
Computer est considerando construir plantas de ensamblado en Chiclayo, Cusco,
Piura y Tacna. Las capacidades de produccin mensual y los costos fijos
proyectados se muestra en la Tabla N 5. El costo de embarque de una
computadora terminada desde cada planta hasta cada tienda detallista se da en la
Tabla N 6. Como gerente de la divisin de produccin, se le ha pedido recomendar
las plantas que se construiran para minimizar los costos totales de transportacin
mensual y los costos fijos.
Tabla N 8: Capacidades de las plantas y costos fijos
UBICACION CAPACIDAD MENSUAL COSTOS FIJOS MENSUALES (S/.)

Chiclayo 1700 70 000
Cusco 2000 70 000
Piura 1700 65 000
Tacna 2000 70 000
Tabla N 9: Costos de transporte (S/. computadora) de las plantas a las tiendas

detallistas
PLANTAS TIENDAS
LIMA TRUJILLO AREQUIPA HUANCAYO
Chiclayo 5 3 2 6
Cusco 4 7 8 10
Piura 6 5 3 8
Tacna 9 8 6 5
Solucin:
El problema requiere dos decisiones: una para determinar qu plantas
construir, y la otra para determinar el nmero de computadoras por enviar desde
cada planta construida a cada tienda detallista.
Para la primera decisin, debe elegirse qu plantas construir; para cada

decisin si/no se modela con una variable entera 0 1.
y1 = 1 si se abre una planta en Chiclayo

0 de otra forma
y2 = 1 si se abre una planta en Cuzco

32
0 de otra forma
y3 = 1 si se abre una planta en Piura

0 de otra forma
y4 = 1 si se abre una planta en Tacna

0 de otra forma
El segundo conjunto de decisiones implica cuntas unidades embarcar desde

cada planta a cada una de los clientes al detalle. Por ejemplo x 23 denota el nmero
de computadoras por embarcar desde la planta de Cuzco hasta la tienda detallista
de Arequipa.
Tabla N 10: Cantidades enviadas desde cada planta a las diferentes tiendas
TIENDAS
PLANTAS LIMA TRUJILLO AREQUIPA HUANCAYO
Chiclayo x11 x12 x13 x14
Cuzco x21 x22 x23 x24
Piura x31 x32 x33 x34
Tacna x41 x42 x43 x44
El objetivo es minimizar los costos totales de envo. Haciendo uso de la

tcnica de descomposicin, formulamos la funcin objetivo:
Costos totales = (costos fijos) + (costos de transporte)
donde:
Costos fijos = (costo fijo de la planta de Chiclayo) +
(costo fijo de la planta de Cuzco) +
(costo fijo de la planta de Piura) +
(costo fijo de la planta de Tacna)
Pude observarse que si se abre la planta de Chiclayo, el costo fijo es de S/ 70,000.

Si no se abre la planta, el costo fijo es 0. En trminos de las variables de decisin 0
1, el costo de la planta de Chimbote es 70,000 y 1, que tiene como resultado un
costo de S/. 70,000 si se abre la planta (esto es, y 1 = 1) y S/. 0 si no se abre (y 1 = 0).
Aplicando la misma lgica para cada planta potencial se tiene,
Costos fijos = 70 000y1 + 70 000y2 + 65 000y3 + 70 000y4
El costo total de embarque es el nmero de unidades embarcadas desde cada

planta hasta cada tienda detallista por el costo del embarque asociado por unidad.
As,
Costo de transporte = (5x11 + 3x12 + 2x13 +6x14) +

(4x21 + 7x22 + 8x23 +10x24) +
(6x31 + 5x32 + 3x33 +8x34) +
(9x41 + 8x42 + 6x43 +5x44)
33
Combinando los costos fijos y de transporte, el objetivo global es:
Min z = 70 000y1 + 70 000y2 + 65 000y3 + 70 000y4 +

(5x11 + 3x12 + 2x13 + 6x14) +
(4x21 + 7x22 + 8x23 +10x24) +
(6x31 + 5x32 + 3x33 + 8x34) +
(9x41 + 8x42 + 6x43 + 5x44)
Para identificar las restricciones, aplicamos la tcnica de agrupamiento para llegar a

lo siguiente:
1. Restricciones de suministro para asegurar que el nmero de unidades

embarcadas desde cada planta no exceda la capacidad.
2. Restricciones de demanda para asegurar que cada tienda detallista reciba
exactamente el nmero de unidades solicitadas.
3. Restricciones lgicas.
RESTRICCIONES DE SUMINISTRO
Nmero de unidades embarcadas desde Chiclayo = x 11 + x12 + x13 + x14
Este nmero no debe exceder la capacidad de esta planta. Obsrvese que esta
planta puede producir hasta 1700 computadoras por mes si se construye, y 0
unidades caso contrario. Usando la variable de decisin 0 1y 1, esta capacidad es
1700y1. Por lo tanto, la restriccin de suministro para la planta de Chiclayo es:
x11 + x12 + x13 + x14 1700y1

o
x11 + x12 + x13 + x14 - 1700y1 0 (Chiclayo)
En forma anloga, las restricciones de suministro para las otras tres plantas
de ensamblado son:
x21 + x22 + x23 + x24 - 2000y2 0 (Cuzco)
x31 + x32 + x33 + x34 - 1700y3 0 (Piura)

x41 + x42 + x43 + x44 - 2000y4 0 (Tacna)
RESTRICCIONES DE DEMANDA
Consideremos la tienda detallista de Lima. Por descomposicin,
Nmero de unidades embarcadas a Lima = x11 + x21 + x31 + x41
Como esta cantidad debe ser igual a la demanda de la tienda de 1700 unidades, la
restriccin de demanda en Lima es:
x11 + x21 + x31 + x41 = 1700 (Lima)
Las restricciones de demanda para las otras tres tiendas detallistas son:
34
x12 + x22 + x32 + x42 = 1000 (Trujillo)

x13 + x23 + x33 + x43 = 1500 (Arequipa)
x14 + x24 + x34 + x44 = 1200 (Huancayo)
Finalmente, el problema de programa entera es:
Min z = 70 000y1 + 70 000y2 + 65 000y3 + 70 000y4 +

(5x11 + 3x12 + 2x13 + 6x14) +
(4x21 + 7x22 + 8x23 +10x24) +
(6x31 + 5x32 + 3x33 + 8x34) +
(9x41 + 8x42 + 6x43 + 5x44)
s.a.
RESTRICCIONES DE SUMINISTRO
x11 + x12 + x13 + x14 - 1700y1 0 (Chiclayo)

x21 + x22 + x23 + x24 - 2000y2 0 (Cuzco)
x31 + x32 + x33 + x34 - 1700y3 0 (Piura)
x41 + x42 + x43 + x44 - 2000y4 0 (Tacna)
RESTRICCIONES DE DEMANDA
x11 + x21 + x31 + x41 = 1700 (Lima)

x12 + x22 + x32 + x42 = 1000 (Trujillo)
x13 + x23 + x33 + x43 = 1500 (Arequipa)
x14 + x24 + x34 + x44 = 1200 (Huancayo)
RESTRICCIONES LOGICAS
y1, y2, y3, y y4 = 0 o 1 y las xij 0 y enteras (i = 1,2,3,4 y j = 1,2,3,4)
Para hallar la solucin utilice un paquete de software adecuado.
Problema de carga fijada
Ejemplo: Pinturas y Provisiones CPP tiene disponibles tres procesos

diferentes estandarizados para producir pintura blanca para casas. Cada proceso
tiene unos costos fijos y un costo de proceso por galn. La capacidad de cada
proceso se da en siguiente Tabla:
Tabla N 11: Costos por proceso
COSTO DE CAPACIDAD
PROCESO COSTOS FIJOS PROCESO MAXIMA DIARIA
NUMERO ($) ($ /galn) (galones)
1 100 5 2,000
2 200 4 3,000
3 300 3 4,000
35
CPP espera una demanda diaria de 3,500 galones. El problema es mostrar

qu procesos usar y qu capacidades con el fin de satisfacer su demanda diaria
con un costo total mnimo.
Solucin:
y1 = 1 si el proceso 1 es usado
0 si el proceso 1 no es usado
Las variables y1, y2 y y3 son variables 0/1.
Sean las variables de produccin:
x1 = nivel de produccin para el proceso 1

El objetivo es escoger los procesos y los niveles de produccin que minimizan el

costo total.
Costo total = (costo total variable de produccin) + (costo total fijo)

= (5x1 + 4x2 + 3x3) + (100y1 + 200y2 + 300y3)
Min z = 5x1 + 4x2 + 3x3 + 100y1 + 200y2 + 300y3

s.a.
x1 + x2 + x3 = 3,500 (demanda diaria)
x1 2000y1 0 (x1 2000y1) (capacidad proceso 1)
y1 1
y2 1
y3 1
x1, x2, x3 0 y1, y2, y3 enteros
La solucin ptima entera puede hallarse utilizando un software de computadora.
Minimizacin de costos
Ejemplo: Cuatro lneas diferentes de ensamble estn disponibles para la

produccin de calculadoras en la HP Electronics (HPE). El costo de ensamble de
cada calculadora en cada una de las cuatro lneas disponibles, la capacidad mxima
36
diaria de cada lnea y los correspondientes costos fijos se dan en la tabla siguiente.
La HPE tiene un propsito de demanda de 30,000 calculadoras por da. La gerencia
de la HPE desea un plan de promocin que minimice los costos y que especifique
cules lneas van a ser usadas y con qu capacidades, para satisfacer la demanda
mnima diaria de 30,000 calculadoras.
Tabla N 11: Produccin de calculadoras para la HPE
COSTO DE
LINEA DE COSTOS FIJOS ENSAMBLE POR CANTIDAD
ENSAMBLE (dlares por da) CALCULADORA MAXIMA
(dlares)
A 5,000 6 10,000
B 6,000 4 20,000
C 1,000 7 25,000
D 7,000 3 15,000
Solucin:
Sean las variables de decisin para la produccin:
x1 = nmero de calculadoras producidas por da en la lnea A

x2 = nmero de calculadoras producidas por da en la lnea B
x3 = nmero de calculadoras producidas por da en la lnea C
x4 = nmero de calculadoras producidas por da en la lnea D
Sean las variables para la lnea de ensamble:
y1 = 1 si la lnea A es seleccionada para produccin

0 si la lnea A no es seleccionada para produccin
y2 = 1 si la lnea B es seleccionada para produccin

0 si la lnea B no es seleccionada para produccin
y3 = 1 si la lnea C es seleccionada para produccin

0 si la lnea C no es seleccionada para produccin
y4 = 1 si la lnea D es seleccionada para produccin

0 si la lnea D no es seleccionada para produccin
5,000 y 6,000 y 1,000 y 7,000 y 6 x 4 x 7 x 3x

Min z = 1 2 3 4 + 1 2 3 4
Costo fijo total costos totales variables
de produccin
s.a.
x1 + x2 + x3 + x4 = 30,000 (demanda diaria)
x1 10,000y1 (capacidad en lnea A)
x2 20,000y2 (capacidad en lnea B)
x3 25,000y3 (capacidad en lnea C)
x4 15,000y4 (capacidad en lnea D)
37
y1 1
y2 1
y3 1
y4 1
x1, x2 , x3 , x4, y1, y2, y3, y4 enteros (no-negativos)
Utilice un software de computadora para hallar la solucin ptima
ACTIVIDAD 1
1. En los siguientes enunciados escriba una (V) si considera verdadero y (F) si es

falso.
( ) 1.1 Redondear soluciones de PL para satisfacer los requerimientos del

mundo real en variables de decisin enteras es una prctica comn.
( ) 1.2 En general, no es ms difcil resolver un PLE que un PL
( ) 1.3 La variable binaria de un PLE se puede usar para representar
decisiones dicotmicas
( ) 1.4 En un problema de maximizacin, el VO del problema relajado siempre
constituye una cota inferior del VO del problema original de PLE o
PLEM.
( ) 1.5 El primer paso para la obtencin de una solucin redondeada de un
PLE consiste en resolver su relajacin PL.
2. En las siguientes afirmaciones marque la alternativa CORRECTA.
En un PLE
a) pasando por alto las condiciones de integralidad, todas las funciones de
restriccin son lineales
b) todas las variables de decisin son enteras
c) todas la variables de decisin deben ser no negativas
d) todo lo anterior
En un PLEM
a) la funcin objetivo es lineal
b) todas las variables de decisin deben ser enteras
c) algunos coeficientes deben ser enteros, otros no
d) todo lo anterior
La relajacin de un PL en un PLE
a) permite una funcin objetivo no lineal
b) pasa por alto las restricciones de integralidad de las variables de
decisin
c) relaja las restricciones de no negatividad de las variables de decisin
d) todo lo anterior
Una solucin redondeada de un PLE a maximizar puede no ser factible porque

a) viola las restricciones de integralidad
b) viola las restricciones de no negatividad
c) su VO es menor que el VO del problema relajado
d) nada de lo anterior
38
La solucin por computadora de un PLEM

a) no contiene informacin sobre sensibilidad
b) contiene informacin sobre sensibilidad slo con respecto a las
variables no enteras
c) contiene informacin sobre la sensibilidad slo con respecto a los lados
derechos
d) contiene informacin sobre sensibilidad slo con respecto a la funcin
objetivo
3. Una empresa fabrica dos productos, P 1 y P2. La capacidad de la lnea P 1 es de 7

unidades diarias. Cada unidad de P 2 requiere 4 horas de secado, y hay un total
de 22 horas disponibles al da para secado. Adems, cada unidad de P 1
requiere 2 horas de pulido y cada una de P 2, 3 horas. Diariamente hay un total
de 19 horas de pulido disponibles. Las unidades P 1 producen una utilidad de $ 1
y $ 3 las unidades P2, cada una. La empresa quiere determinar el plan de
produccin diario que maximice la utilidad. Los productos P 1 y P2 slo se
pueden fabricar en cantidades enteras.
a) Formule el plan como un PLE

b) Use el mtodo grfico para encontrar la solucin ptima del problema
relajado
c) Encuentre la solucin ptima del PLE
d) Encuentre una solucin entera mediante redondeo de los valores dados en la
respuesta de la parte (b). Es factible la solucin?
e) Qu utilidad perdera la firma si adopta esta ltima solucin redondeada?
4. Considere el siguiente PLE
Max z = 3x1 + 4x2

s.a.
5x1 + 3x2 15
x1 + 2x2 6
x1, x2 0 y enteros
a) Utilice el mtodo grfico para encontrar la solucin ptima del problema

relajado
b) Cuntos puntos factibles hay all?
c) Mediante un tratamiento grfico determine la solucin ptima para el PLE
d) Determine una solucin factible entera redondeando la respuesta en la
parte (a). Es ptima la solucin redondeada?
5. Una compaa produce dos productos, A y B. Cada unidad de producto A

requiere 1 hora de servicios de ingeniera y 5 horas de tiempo de mquina.
Producir 1 unidad de producto B requiere 2 horas de ingeniera y 8 horas de
tiempo de mquina. Hay 100 horas de ingeniera y 400 horas de tiempo de
mquina disponible. El costo de produccin es una funcin no lineal de la
cantidad producida, tal como se da en la siguiente tabla.
39
Tabla N 12: Costo de produccin
PRODUCTO A PRODUCTO B
Produccin Costo Produccin Costo
(unidades) unitario (unidades) unitario
0-50 $ 10 0-40 $7
50-10 8 40-100 3
Los precios unitarios de venta de los productos A y B son $ 12 y $ 14

respectivamente. La compaa quiere un plan de produccin de tal manera que
la utilidad sea mxima. Formular un modelo de programacin entera para este
problema y hallar la solucin ptima.
6. Una compaa tiene que escoger un conjunto de proyectos de la siguiente lista.

Su meta es maximizar el valor presente neto total del conjunto de proyectos
seleccionados pero sin gastar ms de lo presupuestado en cualquiera de los
prximos aos.
Los datos para este problema de presupuesto de capital se dan en la siguiente

tabla. Tambin se dan algunas restricciones adicionales sobre los proyectos que
pueden ser seleccionados.
Tabla N 13: Presupuesto de capital
VALOR PRESENTE
PROYECTO NETO DESEMBOLSOS
NUMERO (miles de $) REQUERIDOS
Ao 1 Ao 2 Ao 3
1 50 $ 10 $ 15 $ 10
2 40 20 10 5
3 30 10 15 10
4 40 20 10 5
5 50 10 15 10
6 60 20 10 5
Presupuesto estimado 90 80 50
40
UNIDAD 2: PROGRAMACION CUADRATICA
Al finaliza el estudio del presente fascculo el estudiante
Sea capaz de plantear y resolver problemas de optimizacin en general,

programacin lineal, no lineal y entera.
Relacione las tcnicas de Investigacin Operativa con los problemas de la
realidad empresarial.
Promover el razonamiento crtico de los resultados obtenidos en el modelado
con software de Investigacin Operativa.
.
2.1 Introduccin
Existen muchos problemas que no pueden ser expresados en trminos de

funciones lineales, sino por medio de funciones no lineales. Las soluciones a estos
problemas son mas dispersas que las de programacin lineal, ya que no existe un
mtodo de solucin general como por ejemplo el algoritmo Simplex; por lo tanto
existen soluciones para algunos tipos muy especiales de problemas de
programacin no lineal.
El problema general de programacin no lineal es:
Optimizar = f(x1, x2, x3, ...,xn)
Con las siguientes restricciones:
g1 (x1, x2, x3, ...,xn) b1

g2 (x1, x2, x3, ...,xn) b2
g3 (x1, x2, x3, ...,xn) b3
gm (x1, x2, x3, ...,xn) bm
xj 0 j= 1,2,3, ....., n
La puede corresponder a un problema de maximizacin o de minimizacin.
Algunos de los principales mtodos de solucin son los siguientes:
La solucin grfica, cuando son mximo tres (3) variables.

Las restricciones son ecuaciones en lugar de desigualdades m < n ; lo
anterior constituye un caso de optimizacin clsica y se puede aplicar
para su solucin los multiplicadores de Lagrange.
" f (x1, x2, x3, ...xn)" es no lineal, pero las "g (x1, x2, x3, ...,xn)" son lineales;
para las anteriores condiciones hay dos (2) casos especiales:
2.2 Programacin cuadrtica

41
2.3 Programacin convexa separable
Donde fi"(xi)" es una funcin de una sola variable
La Bsqueda Gradiental para Programacin Convexa, si la funcin lineal es

cncava y las restricciones son convexas.
Restricciones no lineales, pero separables :
Para garantizar una solucin ptima estos problemas deben contener

restricciones muy estrictas en las "gij(xj)" y en la funcin objetivo.
La Programacin Geomtrica:
Los mtodos ms generales de solucin aplicables en programacin no lineal

son los multiplicadores de Lagrange y Karush Kuhn Zucker.
El mtodo de los multiplicadores de Lagrange consiste en aplicar la funcin

luego calcular las primeras derivadas parciales, igualarlas a
cero y encontrar el ptimo del problema ; para verificar el mximo o mnimo de la
funcin se encuentran las segundas derivadas parciales.
Las condiciones necesarias de Karush Kuhn Tucker tambin son

suficientes si la funcin objetivo y el espacio solucin satisfacen ciertos
requerimientos con respecto a la convexidad y a la concavidad.
Una solucin ptima de un problema de programacin no lineal, corresponde

a la solucin ptima definitiva si existen n nmeros negativos i, i = 1, 2, 3, ...., n
tales que satisfacen las condiciones siguientes:
i> indica que la i-esima restriccin es equivalente a xki = 0 donde xki es la i-esima
variable de holgura.
42
i = 0 explica que la i esima restriccin no es limitante a xki 0
Para definir estas condiciones, definimos el problema de Programacin No

lineal generalizado como:
Optimizar = f(x1, x2, x3, ...,xn)
s.a.
La puede corresponder a una maximizacin o minimizacin y el multiplicador de

Lagrange es:
SENTIDO DE LA CONDICIONES REQUERIDAS

OPTIMIZACIN Funcin Objetivo Espacio Solucin
Maximizacin Cncava Conjunto convexo
Minimizacin Convexa Conjunto convexo
SENTIDO DE LA CONDICIONES REQUERIDAS

OPTIMIZACION f(x) gi(x) i
Maximizacin Convexa 0 (1ir)
Cncava Cncava 0 ( r+1 i p )
Lineal Sin restriccin ( p+1 i n )
Minimizacin Convexa 0 (1ir)

Convexa Cncava 0 ( r+1 i p )
Lineal Sin restriccin ( p+1 i n )
La programacin cuadrtica (PC), al igual que la programacin lineal

entera, es pariente cercana de la programacin lineal. Comparemos lo siguiente:
Problema de programacin lineal: Maximice o minimice el valor de la

funcin objetivo LINEAL sujeta a un conjunto de restricciones de igualdad y
desigualdad lineal as como a condiciones de no negatividad sobre los valores de
las variables de decisin.
43
Problema de programacin cuadrtica: Maximice o minimice el valor de

una funcin objetivo CUADRATICA sujeta a un conjunto de restricciones lineales de
igualdad y desigualdad as como a condiciones de no negatividad sobre los valores
de las variables de decisin.
Es obvio que la nica diferencia en estos dos problemas se encuentra en la

forma funcional de la funcin objetivo.
Ejemplo de funciones cuadrticas:
9 x12 4 x1 7
3x12 4 x1 x 2 15 x 22 20 x1 13 x 2 14
Estas funciones son la suma de los trminos que incluyen los cuadrados de
las variables (por ejemplo, 3x12 ), productos cruzados (por ejemplo, 4 x1 x 2 ),
funciones lineales (por ejemplo, 20x1 ) y constantes (por ejemplo, 14). En general
una funcin cuadrtica en N variables se puede escribir bajo la forma
N N 1 N N
Ax
i 1
i
2
i
i 1
B
j i 1
ij xi x j C i xi D
i 1
Puede observarse que cuando todos los coeficientes Ai y Bij son cero
entonces la funcin es lineal. Por consiguiente, una funcin lineal es un caso
especial de una funcin cuadrtica.
Ejemplo numrico:
Min z = ( x1 6) 2 ( x 2 8) 2
s.a.
x1 7
x2 5
x1 2 x 2 12
x1 x 2 9
x1 , x 2 0
Consideremos un problema de programacin no lineal cuya funcin objetivo

es la suma de trminos de la forma el grado del trmino
Un problema de programacin no lineal,
cuyas restricciones son lineales y cuya funcin objetivo es la suma de trminos de la
forma (en la cual cada trmino tiene un grado de 2, 1 o 0) es un
problema de programacin cuadrtica.
Vamos a ilustrar de manera general el mtodo de WOLFE para resolver

problemas de programacin cuadrtica:
Se define un problema de programacin cuadrtica como:

44
s.a.
Donde (Vector en con componentes continuas), C es un vector de precios

con n componentes, Q es una matriz de nxn , simtrica y positiva definida, es decir ,
para toda , excepto X = 0, b es el vector de recursos con m
componentes, A es una matriz de m*n coeficientes tecnolgicos y 0 es un vector con
n ceros.
El problema de optimizacin anterior tiene restricciones lineales, si Q es una

matriz nula se convierte en un problema de programacin lineal. Como Q es positiva
definida , implica que W es una funcin estrictamente convexa y por lo tanto el
mnimo si existe es global; si Q es negativa definida, W es estrictamente cncava y
si el mximo existe es global.
A continuacin se escribe el problema en notacin algebraica, se le aplican

los multiplicadores de Lagrange, se verifican las condiciones necesarias y
suficientes de Karush Kuhn- Tucker que deben existir en un ptimo global.
El mtodo de Wolfe sigue con la reescritura del problema original como un

problema de programacin lineal con holguras complementarias; ste ltimo
problema es equivalente al problema original. El problema de programacin lineal a
resolver ser de 2(m + n)n variables, m + n restricciones lineales y m + n
restricciones de holgura complementaria.
Ejemplo: Resolver el siguiente problema de programacin cuadrtica por el

mtodo de Wolfe :
Aplicando los multiplicadores de Lagrange tenemos:
Las primeras derivadas parciales son:
El problema de programacin lineal equivalente al original de acuerdo al mtodo

Wolfe es:
45
Con las siguientes restricciones de holgura complementaria:
Utilizando el mtodo Simplex se tiene que la solucin bsica inicial es:
En la primera iteracin entra y sale X1 ( es de aclarar que aunque el Simplex

escoge 1 y 2 para entrar a la base antes que lo haga X 2, 1 y 2 no son aceptables,
ya que Y1 y Y2 son positivos). El punto extremo luego de recalcular es:
En la tercera iteracin no pueden entrar a la base 1 y 2 y Y1 y Y2 son positivas; el

Simplex toma como siguiente candidato a 1 y de salida Y1 ; el punto extremo
despus de iterar es:
En la ltima iteracin (V1 = 0 y V2 = 0) debe entrar X1 pero no puede porque 1 es

positivo; el siguiente elemento a entrar a la base es 1 el cual reemplaza a V2 Luego
De recalcular ( pivotear) el punto extremo es:
La solucin anterior corresponde al ptimo:
Solucin grafica
Nos permite visualizar el ptimo, pero tiene la desventaja de servir

nicamente para representar pocas variables, hasta tres (3).
Ejemplo 1: Resolver el siguiente problema de programacin cuadrtica.

46
Min z = ( x1 6) 2 ( x 2 8) 2
s.a.
x1 7
x2 5
x1 2 x 2 12
x1 x 2 9
x1 , x 2 0
Solucin obtenida con el WINQSB, men Quadratic and Integer Quadratic

Programming
Para graficar la funcin objetivo se puede escribir en la forma:

x 12 x1 36 x 22 16 x 2 64 , pero tambin se puede reconocer la expresin
2
1
( x1 6) 2 ( x 2 8) 2 = k como la ecuacin de un crculo con radio k y centro en el

punto (6,8).
La FO. es un caso especial de nuestra funcin cuadrtica

Los contornos de la FO. son crculos concntricos alrededor del punto
(6,8), puesto que estos contornos aumentan de valor segn aumenta el
radio k y puesto que el problema es de Min., la solucin ptima se
encuentra en el punto (4,4). Este se puede describir en forma aproximada
como el punto donde el contorno toca por primera vez la regin factible
(es un punto de tangencia)
La solucin ptima se encuentra en el punto (4,4)
El valor ptimo de la FO. (e.i. su valor en el punto (4,4)) es (4-6) 2 + (4-8)2 =
20.
Comparacin con PL:
i) No necesariamente existe un vrtice ptimo. Por lo tanto para solucionar

este problema no se puede usar un algoritmo como el simplex, que busca
el mejor vrtice.
47
ii) Como un resultado directo de i), puede existir ms variables positivas en

la solucin ptima que restricciones. Para el problema del ejemplo hay 5
variables positivas (x1, x2, s1, s2, s3) y solo 4 restricciones.
Solucin por computadora
Los problemas de PC del mundo real se solucionan con computadoras.
Decision Solution Unit Cost or Total Dual Basis Allowable Allowable

Variable Value Profit c(j) Contribution Slack Status Min. c(j) Max. c(j)
1 X1 4.00 -12.00 -48.00 0 basic -17.00 -7.00

2 X2 4.00 -16.00 -64.00 0 basic -26.00 -6.00
3 X1 * X1 1.00 16.00
4 X2 * X2 1.00 16.00
Objective Function (Min.) = - 80.00 + 100 = 20
Left Hand Right Hand Slack Shadow Allowable Allowable

Constraint Side Direction Side or Surplus Price Min.RHS Max. RHS
1 C1 4.00 <= 7.00 3.00 0 4.00 M

2 C2 4.00 <= 5.00 1.00 0 4.00 M
3 C3 12.00 <= 12.00 0 4.00 2.00 13.67
4 C4 8.00 <= 9.00 1.00 0 8.00 M
Ejercicios:
Resolver los siguientes problemas de programacin cuadrtica (PC):
1) Min. z = (x1-2)2 + (x2-1)2

s.a.
x1 x2 1
x1 + x2 2
x1 , x2 0
2) Min. z = (x1-2)2 + (x2-2)2

s.a.
x1 + 2x2 3
8x1 + 5x2 10
x1, x2 0
3) Min. z = 2 x12 2 x 22 6 x1 2 x1 x 2
s.a.
x1 x 2 2
x1 , x 2 0
4) Min. z = 10 x1 20 x 2 x1 x 2 2 x12 2 x 22
s.a.
48
x 2 x3 8
x1 x 2 x 4 10
xi 0 i=1,2,3,4
Seleccin de Cartera
La seleccin de cartera es un problema fundamental en las finanzas

modernas.
Problema: Un inversionista tiene $P para invertir en un grupo de n acciones

y quisiera saber cuanto invertir en cada una de ellas. La combinacin seleccionada
se conoce como cartera del inversionista. El inversionista tiene metas
contradictorias: le gustara tener una cartera que tuviera al mismo tiempo un gran
rendimiento esperado y un riesgo pequeo. Estas metas son contradictorias porque
lo ms frecuente es que, en el mundo real, las carteras con alto rendimiento
esperado tengan tambin alto riesgo.
Alto rendimiento esperado = alto riesgo
Rendimiento: Supngase que una inversin de Di dlares se aplica al activo

i y suponga que durante algn perodo de tiempo especificado estos Di dlares se
convierten en 1.3Di
1.3Di Di
En este caso, el rendimiento durante ese perodo es de 0.30
Di
El riesgo se mide mediante la varianza del rendimiento en la cartera.
El gerente de cartera busca bajos riesgos con alto rendimiento esperado, una
forma de enmarcar el problema es minimizar, la varianza del rendimiento (e.i,
minimizar el riesgo) sujeto a un lmite inferior del rendimiento esperado. Tambin
pueden existir algunas restricciones sobre la parte de la cartera dedicada a acciones
individuales en particular.
2.3.1 Formulacin del modelo de cartera

Suponer que:
Xi es la proporcin de la cartera invertida en la accin i
Ejemplo: En un modelo de dos acciones si se tiene P dlares para invertir y

si la solucin ptima fuera X1 = 0.7 y X2 = 0.3 entonces se invertira un total de
0.7P dlares en la accin 1 y los restantes 0.3P dlares en la accin 2.
El modelo general para el problema de dos activos es:
i2 = varianza de los rendimientos anuales de la ecuacin i, i = 1,2

12 = covarianza de los rendimientos anuales de las acciones 1 y 2
Ri = rendimiento anual esperado de la accin i, i = 1,2
G = lmite inferior sobre el rendimiento anual esperado de la inversin total.
Si = lmite superior sobre la inversin en la accin i, i = 1,2
49
1. La varianza de los rendimientos anuales de la accin i es un

nmero que describe la variabilidad de estos rendimientos de un ao
a otro.
2. La covarianza de los rendimientos anuales de las acciones 1 y 2
es un nmero que describe el grado hasta el que los rendimientos de
las dos acciones ascienden o descienden juntos.
3. El rendimiento esperado de la cartera se define por el nmero X1R1
+ X2R2.
4. La varianza de la cartera se define por el nmero
12 X 12 2 12 X 1 X 2 22 X 22 .
En base a estas definiciones el modelo formal de cartera dos activos toma

la forma:
Min z = 12 X 12 2 12 X 1 X 2 22 X 22 (varianza de rendimientos)

s.a. X1 + X 2 = 1 (Se tiene que invertir todos los fondos)
X1R1 + X2R2 G
Lmite inferior sobre el rendimiento
X1 S1 esperado de la cartera
X2 S 2
X1, X2 0 Lmites superiores sobre las
inversiones en acciones individuales
Ejemplo numrico : Dado la siguiente informacin

12 0.09 R1= 0.06 S1= 0.75 G = 0.03
22 0.06 R2= 0.02 S2= 0.90 12 0.02
El modelo de PC es:
Min z = 9 X 12 4 X 1 X 2 6 X 22 (Varianza de rendimiento)

s.a. X1 + X 2 = 1 (Se tiene que invertir todos los fondos)
6X1 + 2X2 3 (Lmite superior sobre el rendimiento esperado de la
cartera)
X1 0.75 (Lmites superiores sobre las inversiones en acciones
individuales)
X2 0.90
X1, X 2 0
Solucin:
La solucin grfica del problema de seleccin de cartera muestra el conjunto
factible. Debido a la restriccin de igualdad (x 1 + x2 = 1) el conjunto factible es el
segmento de recta que conecta los puntos (0.25, 0.75) y (0.75, 0.25). Cada contorno
de la funcin objetivo es una elipse con su centro en el origen y su eje menor sobre
una recta que forma un ngulo de 26.55 con el eje x 1. Al graficar varias elipses, la
forma es la misma, pero aumenta en tamao. El problema es seleccionar el valor
ms pequeo para el contorno en forma tal que la elipse tan solo toque el conjunto
factible. En la figura, el contorno 4.54 toca al conjunto factible en el punto
( x1* 0.36, x 2* 0.64) que es la solucin ptima.
50
No es importante como elaborar estos contornos. Despus de todo los

problemas reales se solucionan con la computadora, no en forma grfica . Sin
embargo, la representacin geomtrica es una forma til de comprender el modelo y
una manera prctica de interpretar las propiedades de la solucin.
A continuacin se presenta la solucin con el WINQSB. La proporcin ptima

de la cartera invertida en la accin 1 es x 1 = 0.36 y en la accin 2 es x 2 = 0.64, la
varianza de rendimiento de la cartera es de 4.55. Dado que la holgura en la
restriccin del rendimiento esperado (C 2) es 0.45, se sabe que el rendimiento
esperado de esta cartera es 3.45, entonces se dice que la restriccin de rendimiento
esperado es inactiva. Comparando los valores ptimos de x 1 y x2, se observa que la
cartera ptima contiene ms del valor con el rendimiento anual esperado ms bajo
(e.i el valor 2). La razn es que la varianza del valor 2 es inferior a la del valor 1. La
combinacin ptima es aquella que minimiza la varianza de la cartera al mismo
tiempo que garantiza un rendimiento de cartera esperado de por lo menos el 3%.

Variable Value Profit c(j) Contribution Slack Status Min.c(j) Max. c(j)
1 X1 0.36 0 0 0 basic -8.50 2.50

2 X2 0.64 0 0 0 basic -2.50 8.50
3 X1 * X1 9.00 1.19
4 X1 * X2 4.00 0.93
5 X2 * X2 6.00 2.43
Objective Function (Min.) = 4.55

Constraint Side Direction Side or Surplus Price Min. RHS Max. RHS
1 C1 1.00 = 1.00 0 0 1.00 M

2 C2 3.45 >= 3.00 0.45 0 -M 3.45
3 C3 0.36 <= 0.75 0.39 0 0.36 M
4 C4 0.64 <= 0.90 0.26 0 0.64 M
51
Modelo de cartera formal con 3 activos
Supngase que:
X = fraccin del activo x en la cartera

Y = fraccin del activo y en la cartera
Z = fraccin del activo z en la cartera
Usaremos la terminologa activo i para referirse al activo x, al activo y o al

activo z.
- En el mundo real se tienen que estimar los rendimientos esperados,

varianzas y covarianzas con datos histricos.
- En general si se cuenta con n perodos (aos) de datos, para cada activo i
t
habr un rendimiento histrico real Ri relacionado con cada periodo t
donde t oscila desde 1 hasta n. En otras palabras, cada activo tendr n
rendimientos histricos.
- El rendimiento peridico esperado del activo i se estima con:
1 n
Ri Rit
n t 1
que es el promedio de los rendimientos histricos del activo. Los
t
rendimientos histricos peridicos Ri se usan tambin para estimar las
varianzas y covarianzas. Las frmulas adecuadas son:
Estimacin de la varianza del rendimiento para el activo i =
2
1 n

Rit Ri
n t 1

Estimacin de la covarianza de los
rendimientos para los activos i y j =
1 n

Rit Ri Rtj R j
n t 1

Definimos:
G = lmite inferior sobre el rendimiento esperado de la cartera.

Si = lmite superior sobre la fraccin del activo i que puede estar en la cartera.
En trminos de los parmetros, la formulacin de la programacin cuadrtica

del problema de tres activos es:
Min Z = X2 X 2 Y2Y 2 Z2 Z 2 2 XY XY 2 XZ XZ 2 YZYZ objetivo cuadrtico

s.a. RXX + RYY + RZZ G
X + Y + Z = 1
X SX La regin factible es igual que en PL
Y SY
Z SZ
X, Y, Z 0
52
- La funcin objetivo es la varianza del rendimiento de la cartera, se

considera normalmente que sea el riesgo de la cartera.
- La primera restriccin expresa el lmite inferior sobre el rendimiento
esperado de la cartera.
- La segunda restriccin afirma que las fracciones suman uno y las
restricciones restantes son lmites superiores.
Observacin:
Cuando se permite que una cartera est integrada por ms de tres activos el
rendimiento esperado se define como:
n
X R
i 1
i i
donde Ri es el rendimiento esperado del activo i y Xi es la fraccin del activo i en la

cartera. En este caso general de N activos, la varianza de rendimiento de la cartera
se define como:
N N 1 N
X
i 1
i i2 2 X i X j ij
2
i 1 j i 1
Ejemplo: Consideremos tres acciones y rendimientos histricos desde 1995-

2006. Las tres acciones seleccionadas son Cementos Pacasmayo, Telefnica y
Electro Per. Los rendimientos para 1995-2006 son (datos tomadas de las SBS,
2006).
Tabla N 14: Rendimientos actuales

RENGLON CEMENTOS TELEFNICA ELECTRO
PACASMAYO PER
1 0.300 0.225 0.149
2 0.103 0.290 0.260
3 0.216 0.216 0.419

4 -0.046 -0.272 -0.078
5 -0.071 0.144 0.169
6 0.056 0.107 -0.035
7 0.038 0.321 0.133
8 0.089 0.305 0.732

9 0.090 0.195 0.021
10 0.083 0.390 0.131
11 0.035 -0.072 0.006
12 0.176 0.715 0.908
53
Definicin de rendimiento
El rendimiento en el ao n se define mediante

(precio de cierre, n) (precio de cierre, n-1) + (dividendos, n)
(precio de cierre, n-1)
donde los precios de cierre y los dividendos se expresan en dlares/accin.
Varianzas y covarianzas estimadas
Cementos Pacasmayo Telefnica Electro Per

Cementos
Pacasmayo 1.08075E-02
Telefnica 1.24072E-02 5.83917E-02
Electro Per 1.30751E-02 5.54264E-02 9.42268E-02
Rendimiento promedio
ACCION RENDIMIENTO PROMEDIO

Cementos Pacasmayo 8.90833E-02
Telefnica 0.213667
Electro Per 0.234583
Supnganse que se desea minimizar la varianza del rendimiento de la

cartera, sujeta a un rendimiento esperado del 15% y una restriccin de que no ms
del 75% de la cartera puede ser de alguna accin individual.
El modelo de cartera formal de tres activos es:
Min z = 0.0108075X2 + 0.0583917Y2 + 0.0942268Z2 + 0.0248144XY +

0.0261502XZ + 0.1108528YZ
s.a. 0.089X + 0.21Y + 0.23Z 0.15

X + Y + Z = 1
X 0.75
Y 0.75
Z 0.75
X, Y, Z 0
Solucin:
La solucin especifica una cartera de 52% para el activo Cementos Pacasmayo,

37% para Telefnica y 12% para el activo Electro Per. El rengln C1 es activo,
puesto que el rendimiento anual esperado es exactamente 15%. El valor ptimo
seala que la varianza del rendimiento anual es aproximadamente de 0.023, lo que
significa que la desviacin estndar es 0.023 15% .

54
Variable Value Profit c(j) Contribution Slack Status Min. c(j) Max. c(j)
1 X1 0.52 0 0 0 basic -0.17 0.01

2 X2 0.37 0 0 0 basic -0.01 0.02
3 X3 0.12 0 0 0 basic -0.03 0.01
4 X1 * X1 0.01 0.00
5 X1 * X2 0.02 0.00
6 X1 * X3 0.03 0.00
7 X2 * X2 0.06 0.01
8 X2 * X3 0.11 0.00
9 X3 * X3 0.09 0.00
Objective Function (Min.) = 0.023

Constraint Side Direction Side or Surplus Price Min. RHS Max. RHS
1 C1 0.15 >= 0.15 0 0.38 0.13 0.21

2 C2 1.00 = 1.00 0 0.01 1.00 1.14
3 C3 0.52 <= 0.75 0.23 0 0.52 M
4 C4 0.37 <= 0.75 0.38 0 0.37 M
5 C5 0.12 <= 0.75 0.63 0 0.12 M
ACTIVIDAD 2
1. En los siguientes enunciados escriba una (V) si considera verdadero y (F) si es

falso.
( ) 1.1 Un programa de programacin cuadrtica puede tener funciones de

restriccin cuadrtica.
( ) 1.2 Cualquier problema de PL se puede solucionar con un cdigo de PC.
( ) 1.3 La solucin ptima a un problema de PC no tiene que ser, por
necesidad, un vrtice.
( ) 1.4 La solucin ptima a un problema de PC debe incluir, por lo menos,
tantas variables positivas como restricciones tenga.
( ) 1.5 El cambio en un coeficiente de un trmino en la funcin objetivo de un
PC siempre cambia la solucin ptima.
( ) 1.6 La varianza de rendimiento de una cartera es una funcin lineal de la
cantidad invertida en cada accin en la cartera.
2. A continuacin se dan una serie de afirmaciones, marque la letra de la

respuesta correcta en cada caso.
2.1 La definicin de un problema de PC no incluye

a. condiciones de no negatividad
b. funciones de restriccin cuadrtica
c. restricciones lineales de igualdad
d. trminos no lineales en la funcin objetivo
2.2 En un problema de PC con n variables (x 1, xn), la funcin objetivo quiz

no incluya trminos de la forma
55
a. s 2j
b. xi x j
c. x i2 .x j
d. 9 xi
2.3 Un PL es un caso especial de un PC porque

a. la regin factible de un PL es un caso especial de una regin factible
de un PC.
b. las funciones de restriccin de un PL son un caso especial de funciones
de restriccin de un PC.
c. las condiciones de no negatividad son especiales de un PL.
d. la funcin objetivo de un PL es un caso especial de una funcin
objetivo de un PC.
2.4 La solucin ptima de un problema de PC con n restricciones quiz no

tenga
a. valores negativos para algunas variables de decisin.
b. mas de n variables de decisin positivas
c. menos de n variables de decisin positivas
d. valores cero para algunas variables de decisin.
2.5 La solucin optima de un problema de PC

a. tiene que encontrarse en un vrtice del conjunto factible
b. no puede estar en un vrtice del conjunto factible
c. siempre es no degenerada
d. nada de lo anterior
2.6 En la solucin optima para un problema de PC las variables de holgura y

excedente
a. no tienen significado aunque aparezcan en la solucin por computadora
b. tienen el mismo significado que en un problema de PL.
c. tienen un significado diferente al de un problema de PL.
d. no tienen restricciones en signo
2.7 WINQSB se puede utilizar para resolver

a. problemas generales de programacin no lineal
b. PC
c. PL
d. todo lo anterior
2.8 Relajar una restriccin en un problema de cartera

a. tiene que aumentar el precio dual de esa restriccin
b. tiene que disminuir el precio dual de esa restriccin
c. puede cambiar el signo del precio dual en esa restriccin
d. no puede aumentar la funcin objetivo
3. Resolver el siguiente problema de programacin cuadrtica:
Min. z = 10 x1 20 x 2 x1 x 2 2 x12 2 x 22
56
s.a.
x 2 x3 8
x1 x 2 x 4 10
xi 0 i=1,2,3,4
4. EDPYME CONFIANZA tiene una cartera con 3 activos X, Y y Z. Los

rendimientos histricos de estos tres activos durante la ltima dcada se dan a
continuacin:
ACTIVO X ACTIVO Y ACTIVO Z

0.22 0.423 0.185
0.115 0.391 0.246
0.387 0.298 0.521
-0.074 -0.275 -0.084
-0.092 0.148 0.169
0.062 0.136 -0.042
0.045 0.421 0.141
0.086 0.395 0.722
0.098 0.198 0.031
0.087 0.384 0.143
Se pide:
a) El rendimiento promedio de cada accin.

b) La matriz de varianzas y covarianzas
c) Si se desea minimizar la varianza del rendimiento de la cartera, sujeto a
un rendimiento esperado del 17% y una restriccin de que no ms del
75% de la cartera puede ser de alguna accin individual, hallar la solucin
ptima del problema.
5. Las acciones A, B y C tienen rendimientos esperados del 7%, 6% y 10%,
respectivamente y la siguiente matriz de covarianza:
A B C
A 0.01
B 0.001 0.04
B 0.001 -0.04 0.08
a) Determine la fraccin de la cartera que se debe mantener de cada accin

con el fin de minimizar la varianza de la cartera sujeta a un rendimiento
esperado mnimo del 8%.
b) Puede ser la varianza de la cartera menor que la varianza de cualquier
accin individual? Explquelo.
c) Que le ocurrira a la varianza de la cartera ptima si el rendimiento

esperado mnimo se elevara al 9%?
UNIDAD 3: PROGRAMACION DINAMICA
57
Al finalizar el estudio del presente fascculo el estudiante ser capaz de:
Plantear y resolver problemas de optimizacin en general, a travs de una

serie de ejemplos prototipo.
Analizar situaciones donde la optimizacin se da a travs de una serie de
decisiones aparentemente independientes, pero cuya combinacin nos lleva
a obtener la solucin ptima.
Promover el razonamiento crtico de los resultados obtenidos en el modelado
con software de Investigacin Operativa.
3.1 Introduccin
La investigacin de operaciones es un rea de las matemticas surgida

durante la Segunda Guerra Mundial. Se refiere al diseo y aplicacin de modelos
matemticos con el fin de obtener la mejor solucin posible a un problema, dadas
ciertas limitaciones de recursos.
La programacin dinmica es un mtodo de investigacin de operaciones que

permite resolver un problema de n variables dividindolo en n problemas de una
variable cada uno. La solucin particular de cada etapa depende del contexto, por lo
que no hay un modelo general para programacin dinmica. La solucin ptima de
cada etapa se utiliza como variable de entrada de la etapa siguiente.
La programacin dinmica se utiliza tanto en problemas lineales como no

lineales. Es til para resolver un problema donde se deben tomar una serie de
decisiones interrelacionadas. A diferencia de la programacin lineal, la programacin
dinmica no tiene formulacin matemtica estndar. Se trata de un enfoque de tipo
general para la solucin de problemas, y las ecuaciones se derivan de las
condiciones individuales de los mismos.
Muchos problemas de programacin matemtica determinan soluciones que

repercuten en la formulacin de los problemas a resolver en el prximo periodo o
etapa. Una alternativa es construir un nico modelo completo que tenga un gran
conjunto de variables indexadas por etapas e iternalizar las relaciones entre etapas
como una restriccin del problema.
Sin embargo esto pude agrandar mucho el tamao del problema. Surge as
Programacin Dinmica (PD) como una alternativa de descomposicin en que
resolvemos subproblemas ms pequeos y luego los ligamos. As, la programacin
dinmica consiste en solucionar un problema suponiendo que en cada etapa futura
siempre se tomaran las decisiones correctas.
La programacin dinmica es un enfoque general para la solucin de
problemas en los que es necesario tomar decisiones en etapas sucesivas.
Las decisiones tomadas en una etapa condicionan la evolucin futura del sistema,
afectando a las situaciones en las que el sistema se encontrar en el futuro
(denominadas estados), y a las decisiones que se plantearn en el futuro.
Conviene resaltar que a diferencia de la programacin lineal, el

modelado de problemas de programacin dinmica no sigue una forma estndar.
As, para cada problema ser necesario especificar cada uno de los componentes
58
que caracterizan un problema de programacin dinmica.
El procedimiento general de resolucin de estas situaciones se divide

en el anlisis recursivo de cada una de las etapas del problema, en orden
inverso, es decir comenzando por la ltima y pasando en cada iteracin
a la etapa antecesora. El anlisis de la primera etapa finaliza con la obtencin
del ptimo del problema.
3.2 Caractersticas de un Problema de Programacin Dinmica
Para que un problema pueda ser resuelto con la tcnica de programacin

dinmica, debe cumplir con ciertas caractersticas:
Naturaleza secuencial de las decisiones: El problema puede ser dividido

en etapas.
Cada etapa tiene un nmero de estados asociados a ella.
La decisin ptima de cada etapa depende solo del estado actual y no de
las decisiones anteriores.
La decisin tomada en una etapa determina cual seria el estado de la
etapa siguiente.
En sntesis, la poltica optima desde un estado s de la etapa k a la etapa

final esta constituida por una decisin que transforma s en un estado s de la
etapa k +1 y por la poltica optima desde el estado s hasta la etapa final.
3.3 Modelos de Programacin Dinmica
Existen tres modelos diferentes manejados por WINQSB.
Problema de la diligencia (Stagecoach Problem)

Problema de la mochila (Snapsack Problem)
Programacin de produccin e inventarios (Production and Inventory
Scheduling)
59
3.3.1 El problema de la diligencia
Ejemplo 1:
Considrese el grfico que contempla las rutas posibles para ir desde la ciudad 1
hasta la ciudad 10. Cada nodo representa una ciudad y los arcos la infraestructura
vial disponible. La tabla recoge el costo asociado al desplazamiento entre cada
par de nodos para cada una de las etapas. Supondremos que todos
los
desplazamientos tienen la misma duracin, y que el viaje ha de realizarse en
cuatro etapas. Cada una de ellas se corresponde con un nico
desplazamiento
entre un par de nodos del grafo, as al finalizar la primera etapa estaremos en una
de las ciudades 2, 3 4. La segunda etapa finalizar en la ciudad 5, la nmero 6
la nmero7. La tercera jornada nos llevar a la ciudad 8 o a la nmero 9. La cuarta
etapa permite finalizar el viaje en la ciudad 10.
2 5
8
1 3 6 10
9
4 7
2 3 4 5 6 7 8 9 10
1 2 4 3 2 7 4 6 5 1 4 8 3
3 3 2 4 6 6 3 9 4
4 4 1 5 7 3 3
3.3.2 Terminologa y notacin bsica
Perodos o etapas: Sea N= {1, 2,....., n} un conjunto finito de elementos. Mediante

60
el ndice n N , representamos cada uno de ellos. N es el conjunto de perodos o

etapas del proceso. En la ilustracin anterior N= {1, 2, 3, 4}, las cuatro etapas del
viaje, cada una de ellas es un perodo y se representa mediante un valor del ndice
n, as cuando n =1 nos estamos refiriendo a la primera etapa del proceso.
Espacio de estados: {S N } es una familia de conjuntos, uno para cada perodo
n. S se denomina espacio de estados en el perodo n. Cada uno de sus
elementos, que se representa mediante Sn, es un estado, que describe una
posible situacin del proceso en ese perodo. En nuestro ejemplo, S1 = {1}, S2 = {2,
3, 4}, S3= {5, 6, 7}, S4= {8, 9}.
La funcin recursiva: Dados unos nodos y unos arcos que conectan estos
nodos, el problema de la diligencia intenta encontrar la ruta ms corta que conecta
un nodo de arranque con el nodo final (el destino).
Sea s: el estado de inicio; j: estado destino
n: la fase, normalmente representa el nmero de arcos hasta el destino.

C(s,j): costo o distancia de ir desde s hasta j.
f(n,s): la poltica de costo mnimo cuando se encuentra en el estado s de
la etapa n.
La relacin recursiva dinmica se expresa como
f(n,s) = mnimo [C(s,j) + f(n-1,j)] para todos los arcos ( s,j) en la red
3.3.3 Ingresando el problema al WINQSB
El problema contiene 10 nodos claramente identificados:
Al pulsar OK podremos ingresar el resto de informacin, el cual se

basa en las relaciones existentes entre los nodos:
Los valores van de acuerdo a la red establecida en el problema:
Para resolver el problema pulsamos la opcin Resolver el problema

(Solve the Problem) del men Resolver y analizar (Solve and Analyze).
La ventana siguiente permite identificar los nodos de inicio y fin:
Identifica el
nodo de
inicio
Identifica el
nodo fin
Al pulsar SOLVE generamos la solucin al problema:
Si queremos una solucin detallada debemos pulsar sobre Mostrar

solucin detallada (Show Solution Detail) en el men Resultados (Results):
3.3.4 Problema de la mochila o canasta de equipaje
La idea bsica es que existen N tipos distintos de artculos que pueden

cargarse en una mochila; cada artculo tiene asociados un peso y un valor. El
problema consiste en determinar cuntas unidades de cada artculo se deben
colocar en la mochila para maximizar el valor total. Ntese que este enfoque resulta
til para la planificacin del transporte de artculos en algn medio, por ejemplo:
carga de un buque, avin, camin etc. Tambin es utilizable este modelo en
planificacin de produccin, por ejemplo enrutamiento de la produccin a
travs de varias mquinas.
Ejemplo 2:
La carga de un avin se distribuye con el propsito de maximizar el ingreso total.

Se consideran 5 elementos y slo se necesita uno de cada uno. La
compaa
gana 5000 u.m. por elemento ms una bonificacin por elemento. El avin puede
transportar 2000 libras.
Peso, Volumen, Valor

Elemento 3
lb pies bonificacin
1 1000 70 700
2 1100 100 800
3 700 100 1100
4 800 80 1000
5 500 50 700
a) Cules elementos deben transportarse?

b) Si se considera un volumen mximo de 200 pies cbicos.
Cules
elementos deben transportarse?
El problema se desarrolla bajo las dos consideraciones, primero
teniendo en cuenta el peso y luego el volumen. Como puede apreciarse este es
un problema que bien podra resolverse por programacin lineal entera teniendo
en cuenta la funcin objetivo y restricciones siguientes:
Max. z 5700 x1 5800 x 2 6100 x 3 6000 x 4 5700 x 5
s.a. 1000 x1 1100 x 2 700 x 3 800 x 4 500 2000
x5
x j 1, entero
Siendo xj el elemento j a transportar.
Para el caso del volumen se reformara la primera restriccin

cambiando los coeficientes por los volmenes de los tems.
Sea j: la variable que representa el artculo:
x(j): el nmero de unidades cargadas del artculo j

w(j): el espacio o el peso que demanda cada unidad del artculo j
R(j,x(j)): la funcin del retorno del artculo j si se llevan x(j) unidades en
la mochila, del artculo j
g(j,w): retorno del total acumulativo dado el espacio w disponible
para el artculo j
La relacin recursiva dinmica se expresa como:
g(j,w) = mximo {R(j,x(j)) + g[j-1,w-w(j)x(j)]} para todo posible x(j)
Ahora ingresemos los datos al WINQSB:

La entrada de datos queda como sigue.
Al resolver el problema tenemos:
La solucin nos indica que se deben transportar los tems 3, 4 y 5 con un

retorno total de 17800 u.m. y utilizacin plena de la capacidad (en peso),
disponible del avin. Teniendo en cuenta slo el volumen, el nuevo modelo es:
La solucin es:
3.3.5 Programacin de produccin e inventarios
El problema consiste en determinar un programa de produccin para un

periodo de tiempo con el fin de minimizar los costos totales relacionados. Hay
demandas conocidas para cada periodo, lmites de capacidad tanto para la
produccin como para los inventarios (almacenamiento). Cuando hay ms
produccin que demanda, se acumula inventario, y cuando la produccin es
menor que la demanda, se generarn retrasos en el cumplimiento de pedidos
(backorder). Para cada periodo, una produccin no-cero incurre en un costo de
preparacin. En programacin dinmica, el costo variable se expresa como una
funcin de la produccin (P), el inventario (H), y backorder (B).
Sea:
P(n): el nmero de unidades producidas en el periodo n

D(n): la demanda en el periodo n
H(n): el inventario disponible al final del periodo n
B(n): el backorder al final del periodo n
I(n): la posicin del inventario al final del periodo n, es decir, I(n) = H(n) o
I(n) =B(n)
I(n) = I(n-1) + P(n) - D(n)
S(n): el costo de preparacin en el periodo n

V (P(n), I(n)): el costo variable = funcin de P(n), H(n), y/o B(n)
C(n,P(n),I(n)): = S(n) + V(P(n),I(n)) si P(n)>0, = V(P(n),I(n)) si P(n)=0
f(n,i): costo total acumulativo dado el nivel del inventario inicial i para el
periodo n
La relacin recursiva dinmica se expresa como:
f(n,i) = mximo {C(n,P(n),i+P(n)-D(n)) + f(n-1,i+P(n)-D(n))} para todo

posible
P(n).
Ejemplo 3:
La tabla muestra los datos del siguiente problema de produccin e inventario: la

demanda para los meses de enero, febrero, marzo y abril es de 4, 5, 3 y 4
unidades, respectivamente. Las capacidades de produccin son de 6, 4, 7, y
5
unidades; las capacidades de almacenaje son 4, 3, 2 y 4 unidades
respectivamente. Los costos de preparacin varan de un mes a otro y son: 500,
450, 500 y 600 u.m. para enero, febrero, marzo y abril.
Mes Costos Demanda Capacidad de Capacidad de

produccin Almacenamiento
Enero 500 4 6 4
Febrero 450 5 4 3
Marzo 500 3 7 2
Abril 600 4 5 4
Determinar un programa de produccin con el fin de minimizar los costos totales

relacionados.
Al igual que en los ejercicios anteriores, se procede a ingresar los datos:
La tabla inicial permite ingresar los datos expuestos en el ejemplo.

La ventana debera quedar como sigue:
La solucin del problema es:
Las cantidades a producir mostradas en la tabla son de tal forma que permiten
un costo mnimo en la planeacin: se deben producir 5, 4, 3 y 4 unidades para los
meses de enero, febrero, marzo y abril respectivamente. El costo total es de
$7080, dividido en $2050 por concepto de costos de preparacin y $5030 de
costos variables. La tabla tambin muestra el juego de inventarios resultante de la
produccin y la demanda mensuales.
ACTIVIDAD 3:
1. Suponga que se desea seleccionar la ruta ms corta entre las ciudades O y T. La red
a continuacin muestra las rutas posibles entre ambas ciudades, las cuales cruzan
por las ciudades intermedias A-E.
A 12
D
7
8 9
8
T
O B 7
9 6
5
C 13 E
2. Imaginemos un excursionista que se dispone a llenar su mochila antes de un viaje.
Para ello ha de seleccionar algunos objetos de entre un conjunto N = {1,2, . . . ,n} de
objetos posibles, donde suponemos que hay una unidad de cada objeto. El objeto i
N pesa ai kgs., y el excursionista ha fijado un limite de b kgs. en el peso que esta
dispuesto a llevar a la espalda en la mochila. Por otra parte, cada objeto i N tiene
para el mochilero un valor ci. El problema que se plantea es: Cual es la seleccin
optima de objetos para llevar en la mochila?
Como se puede imaginar, pocos excursionistas han usado tal modelo. Sin embargo, si
se cambian las palabras excursionista por empresa, objeto por proyecto, y
mochila por cartera (de proyectos), se obtiene un modelo de seleccin ptima de
proyectos que si resulta de inters aplicado. Adems de esta, se han encontrado
multitud de aplicaciones para el problema de la mochila, reinterpretando el modelo
con imaginacin en distintos contextos.
Para el caso prctico, considere n = 5 objetos y los datos: b = 178; a = (a i) = (79, 53,
53, 45, 45) y c = (ci) = (2, 5, 5, 1, 8). Halle la solucin ptima.
3. Se dispone de 5 brigadas para asignar a 3 sectores. Se desea determinar cuntas

brigadas asignar a cada sector, si es que le asigna, para maximizar el aumento total
en el rendimiento. Se tiene los siguientes datos del consejo que muestran el aumento
en unidades producidas, segn la asignacin que se haga en cada uno de los
sectores. Puede asignar de 0 a 5 brigadas para cada uno de los sectores.
Nmero de brigadas Sectores:

asignadas 1 2 3
0 0 0 0
1 45 20 50
2 70 45 70
3 90 75 80
4 105 110 100
5 120 150 130
4. Un Tcnico Forestal, debe revisar 3 faenas: Poda, raleo y cosecha, y dispone de 4

das. Segn la dedicacin en das que le da a cada faena, stas tendrn una
probabilidad de fracasar, y con ello fracasar la faena total, por lo que puede ser
despedido. Por ello, dicho Tcnico desea minimizar la probabilidad de ser despedido
minimizando la probabilidad de que las 3 tareas fracasen al mismo tiempo.
Dedicacin / Faena Poda Raleo Cosecha
0 da 0.50 0.60 0.40

1 da 0.42 0.51 0.35
2 das 0.36 0.41 0.21
3 das 0.25 0.36 0.18
UNIDAD 4: MODELOS DE INVENTARIO
Obtener modelos que permitan establecer la periodicidad con que debe

establecerse un proceso de fabricacin o hacerse un pedido.
Determinar la magnitud del lote por fabricar o adquirir, considerando al mismo
tiempo la minimizacin de costos de mantener las existencias un perodo
determinado.
Analizar y discutir modelos prototipo.
Resolver problemas utilizando el software WINQSB e interpretar los resultados
obtenidos.
4.1 Introduccin
Comnmente los inventarios estn relacionados con la mantencin de

cantidades suficientes de bienes (insumos, repuestos, etc.), que garanticen una
operacin fluida en un sistema o actividad comercial. La forma efectiva de manejar
los inventarios es minimizando su impacto adverso, encontrando un punto medio
entre la poca reserva y el exceso de reserva. Esta actitud prevaleci en los pases
industrializados de Occidente, incluso despus de la segunda guerra mundial,
cuando Japn instaur con gran xito el sistema (famoso ahora) "Just in time",
ambiente que requiere un sistema de produccin (casi) sin inventario.
Definicion Just In Time: "JIT es una concepcin tendiente a eliminar los

inventarios, mediante mejoras en la calidad y reduccin de desperdicios. JIT
considera los inventarios como resultados de deficiencias en los componentes de la
produccin, tales como: diseo de productos; control de calidad; seleccin de
equipos; administracin del material, etc. Al eliminar estas imperfecciones, el
proceso productivo puede equilibrarse y la dependencia del flujo de produccin de
los inventarios puede minimizarse o eliminarse. El sistema JIT es muy adecuado
para la fabricacin de carcter repetitivo, en consecuencia los requerimientos de las
tcnicas tradicionales de control de inventario para otro tipo de procesos productivos
o de servicios, continuaran por cierto tiempo."
En la mayora de las situaciones del mundo real, el manejo de inventario

involucra un nmero apreciable de productos que varan en precio, desde aquellos
relativamente econmicos hasta los muy costosos. El inventario representa
realmente el capital ocioso, es natural que se ejerza un control en aquellos artculos
que sean responsables en el incremento en el costo de capital. Empricamente se ha
comprobado que un pequeo nmero de productos del inventario son los que suelen
incurrir en parte importante del costo del capital, por ende, son los que deben estar
sujetos a control ms estricto. ABC es un procedimiento simple que puede ser
utilizado para separar los artculos que requieran atencin especial en trminos de
control. Dicho procedimiento sugiere graficar el porcentaje de artculos del inventario
total contra el porcentaje del valor monetario total de estos artculos en un perodo
dado (generalmente un ao).
4.2 Modelo de inventario generalizado

El objetivo final de cualquier modelo de inventario es dar respuesta a
preguntas tales como:
1. Qu cantidad de artculos deben pedirse?

2. Cundo deben pedirse?
La respuesta a la primera pregunta se expresa en trminos de lo que

llamaremos cantidad ptima de pedido (EOQ). Ella representa la cantidad ptima a
ordenar cada vez que se realice un pedido y puede variar con el tiempo,
dependiendo de la situacin que se considere. La respuesta a la segunda pregunta
depender del tipo de sistema de inventarios:
a) Si se requiere revisin peridica en intervalos de tiempo iguales, por

ejemplo: cada semana, cada mes, etc., el tiempo para adquirir un nuevo
pedido, suele coincidir con el inicio de cada intervalo de tiempo.
b) Si se requiere revisin continua, el nivel de inventario al cual debe
colocarse un nuevo pedido, suele ser especificado como punto para un nuevo
pedido.
En consecuencia, se puede expresar la solucin del problema general de

inventarios como:
a) Caso revisin peridica: Recepcin de nuevo pedido de la cantidad

especificada por EOQ en intervalos iguales de tiempo.
b) Caso revisin contina: Cuando el nivel de inventario llegue al punto
para un nuevo pedido, se coloca el pedido de tamao igual al EOQ.
El modelo general de inventarios parece ser bastante simple, entonces,

porqu existen variedad de modelos que van desde el empleo del simple clculo a
refinadas aplicaciones de programacin dinmica y matemtica? La respuesta
radica en la demanda: S la demanda del artculo es determinista o probabilstica.
Una demanda determinista puede ser:
a) Esttica: En el sentido que la tasa de consumo permanezca constante

durante el transcurso del tiempo.
b) Dinmica: Donde la demanda se conoce con certeza, pero vara al
perodo siguiente.
Una demanda probabilstica tiene anlogamente dos clasificaciones:
a) Estado estacionario: Donde la funcin de densidad de probabilidad de la

demanda se mantiene sin cambios con el tiempo.
b) Estado no estacionario: Donde la funcin de densidad de probabilidad
vara con el tiempo.
A pesar que el tipo de demanda es el factor principal en el diseo del modelo

de inventarios, existen otros factores que tambin pueden influir en la manera
como se formula el modelo. Entre estos factores se tiene:
1) Demoras en la entrega: Al colocar un pedido, puede entregarse
inmediatamente o requerir de cierto tiempo.
2) Reabastecimiento del almacn: El abastecimiento del almacn puede ser
instantneo (cuando compra de fuentes externas), o uniforme (cuando el
producto se fabrica dentro de la organizacin).
3) Horizonte de tiempo: Que puede ser finito o infinito.
4) Abastecimiento mltiple: Un sistema de inventario puede tener varios
puntos de almacenamiento (en vez de uno).
5) Nmero de artculos: Puede contener ms de un artculo, caso que es de
inters, principalmente si existe alguna clase de interaccin entre diferentes
artculos.
4.3 Modelos Deterministas
La gestin de inventario preocupa a la mayora de las empresas cualquiera

sea el sector de su actividad y dimensin, por tres factores imperativos.
No hacer esperar al cliente.
Realizar la produccin a un ritmo regular, aun cuando flucte la demanda.
Comprar los insumos a precios ms bajos.
Una buena gestin de los inventarios es definir perfectamente:

Mercadera a pedir.
Fechas de pedido.
Lugar de almacenamiento.
La manera de evaluar el nivel de stock.
Modo de reaprovisionamiento.
Sistema de reaprovisionamiento
Reglas de Gestin Cundo y Cmo Pedir.
1. Cuando es necesario el reaprovisionamiento del inventario; a fecha fija o

fecha variable, segn el nivel de stock.
2. Cuando es necesario pedir por cantidades fijas o variables segn el nivel
de stock.
Modelos deterministas. Es difcil idear un modelo general de inventarios que

tome en cuenta todas las variaciones de los sistemas reales, incluso, aun si puede
ser formulado un modelo lo suficientemente general tal vez no sea posible su
resolucin analtica, por consiguiente, estos modelos tratan de ser ilustrativos de
algunos sistemas de inventarios.
4.4 Modelo Estocstico de un solo artculo (CPE).
Demanda constante con el tiempo, con reabastecimiento instantneo y sin

escasez.
Figura N 4: Variacin del nivel del Inventario
La demanda ocurre a una tasa D (por unidad de tiempo), el nivel ms alto del
inventario ocurre cuando se entrega la cantidad ordenada, la demora en la entrega
se supone una constante conocida. Mientras ms pequea es la cantidad ordenada,
ms frecuente ser la colocacin de nuevos pedidos, sin embargo se reducir el
nivel del inventario (promedio) mantenido en la bodega. Por otro lado, pedidos de
mayor cantidad implica un nivel de inventario mayor, pero colocaciones menos
frecuente de pedidos.
Figura N 5: Diversas frecuencias de pedidos
Como existen costos asociados al colocar pedidos y mantencin del

inventario en el almacn, la cantidad del artculo se selecciona para permitir un
compromiso entre ambos costos. Sea K el costo fijo provocado cada vez que se
coloca un pedido y suponga que el costo de mantener una unidad en inventario (por
unidad de tiempo) es h, por lo tanto, el costo total por unidad de tiempo CTU (de
TCU total cost per unit time) en funcin de Q, se expresa por:
Tal como lo muestra la figura N 4, la longitud de cada ciclo es:
t0 = Q / D
Y el inventario promedio es:
Q/2
El valor ptimo de Q se obtiene minimizando CTU(Q) respecto a Q, por
consiguiente, suponiendo que Q es una variable continua se deduce:
Cantidad ptima pedida, que tambin se conoce como lote econmico de

pedido de Wilson, o cantidad del lote econmico (EOQ). Otra forma de expresarlo
es la siguiente: Con h = V * C, donde V es el costo promedio unitario, y C es un
porcentaje de dicho costo (unitario) por manejar stock.
Ejemplo: Sea $24 el costo de realizar un pedido, con una demanda semanal
de 120 artculos, el costo de una unidad $100 y los costos de mantener stock un
24%. Determine el EOQ. En la prctica, la mayora de las veces, se tiene un mayor
tiempo de fabricacin o de retraso, desde el instante en que se coloca una orden
hasta que ella es realmente entregada, en consecuencia, en el modelo la poltica de
pedidos debe especificar con claridad en punto de reordenamiento o reposicin, este
debe ocurrir cuando queden L unidades de tiempo previo a la entrega, como lo
muestra la figura N 6.
Figura N 6: Puntos de Reordenamiento

En general, esta informacin se puede traducir convenientemente para su
implantacin prctica especificando solo el nivel de inventario en que se debe volver
a pedir. Esto es equivalente a observar continuamente el nivel del inventario hasta
que se alcance el punto de re-orden (esto hace que en ocasiones se denomina
modelo de revisin contina). Tomando el ejemplo anterior, si el tiempo de
fabricacin es de 12 das determine el punto de reordenamiento.
Nota: Observe que conforme el sistema se estabiliza (por lo menos dos ciclos), el
tiempo de fabricacin L, puede ser tomado siempre menor que t 0.
4.5 Problemas de Inventario con el WINQSB
La opcin Nuevo Problema (New Problem) genera una plantilla en la

cual se introducirn las caractersticas de nuestro problema:
A continuacin se describirn los diferentes tipos de problemas de

inventario disponibles en la ventana Especificaciones del problema de
inventario (Inventory Problem Specification):
Problema de cantidad econmica de la orden para demanda

determinstica (Deterministic Demand Economic Order Quantity
Problem)
Anlisis del problema de cantidad discontinua para demanda
determinstica (Deterministic Demand Quantity Discount
Analysis Problem)
Problemas con demanda estocstica para un solo periodo (Single-
Period Stochastic Demand Problem)
Problemas con demanda dinmica con existencias de reserva
(Multiple-Period Dynamic Demand Lot-Sizing Problem)
Sistema o modelo de cantidad fija de orden continuo (Continuous
Review Fixed-Order-Quantity System)
Sistema o modelo revisin continua (Continuous Review Order- Up-To
System)
Sistema o modelo de intervalo fijo de revisin peridica (Periodic
Review Fixed-Order-Interval System)
Sistema o modelo de revisin peridica con reaprovisionamiento
opcional (Periodic Review Optional Replenishment System)
A continuacin explicaremos algunos de ellos
4.5.1 Ejemplo de un Problema de Cantidad Econmica de la Orden (EOQ)

para Demanda Determinstica
Mediante un ejemplo demostraremos cmo se introducen los datos para

la creacin de un modelo sencillo de inventarios.
Ejemplo 1:
La materia prima principal para la creacin de un producto cuesta $20 por

unidad. Cada unidad del producto final requiere una unidad de esa materia
prima. Si la demanda para el prximo ao es de 1000 unidades Qu cantidad
se debe pedir?
Cada orden por ms unidades cuesta $5 y el costo de almacenaje por unidad por
ao es de $4.
En la ventana Especificaciones del problema de inventario

(Inventory Problem Specification) procedemos a digitar los datos bsicos para la
solucin del problema:
La ventana siguiente muestra la informacin completa para la solucin

del problema:
Demanda por ao (Demand per Ao): La demanda para el prximo ao
es de 1000 unidades.
Costo de la orden (Order or Setup Cost per Order): Costo de cada nueva
orden ($5).
Costo de almacenar una unidad por ao (Unit Holding Cost per Ao):
El costo de mantener una unidad es de $4.
Costo por la falta de una unidad por ao (Unit Shortage Cost per Ao):
El valor predeterminado es M, equivalente a una costo muy grande.
Costo por la falta de una unidad independiente del tiempo (Unit
Shortage Cost Independent of Time): Valor no suministrado en el
ejemplo, por tanto lo dejamos en blanco.
Rata de reaprovisionamiento o produccin por ao (Replenishment or
Production Rate per Ao): El valor predeterminado es M, equivalente a
una tasa muy grande.
Tiempo de salida para una nueva orden por ao (Lead Time for a New
Order in Ao): Valor no suministrado en el ejemplo, por tanto lo dejamos en
blanco.
Costo de adquisicin de una unidad sin descuento (Unit acquisition
Cost Without Discount): Costo de compra de una unidad ($20).
Nmero de puntos de descuento (Number of Discount Breaks): Valor
no suministrado en el ejemplo, por tanto lo dejamos en blanco.
Cantidad de orden si es conocida (Order Quantity If You Known):
Cantidad de unidades por pedido, si es conocido.
Una vez introducida la informacin procedemos a su solucin mediante la

opcin Resolver el problema (Solve the Problem):
La solucin ptima del problema se muestra a continuacin:

La primera parte muestra un resumen de la informacin disponible por el
ejemplo (columna Input Data).
La columna Economic Order Analysis presenta el anlisis resultante

del problema.
El nmero de unidades a pedir por Orden es de 50 unidades, generando

un mximo de 50 unidades de inventario:
La fila Order Interval in Ao nos muestra cada cuanto realizaremos el pedido
de las 50 unidades (en este caso 0,05 equivale a una proporcin del ao). El costo
total de ordenar unidades y el costo total de mantener unidades en inventario son de
$100 y $100 respectivamente.
El costo total de compra equivale a $20.000 (Resulta de la multiplicacin de

los $20 que vale cada unidad por las 1.000 unidades que se van a pedir el prximo
ao). El costo total de este sistema por tanto ser de $20.200.
Grficos resultantes
Podremos tambin realizar un anlisis grfico de los costos de este
sistema activando la opcin Anlisis grfico de los costos (Graphic Cost Analysis)
en el men Resultados (Results):
Aparecer una ventana dondeindicaremos unos simples parmetros de

visualizacin del grfico: Mximo costo, mnimos costo (ambos para el eje Y),
mnima cantidad de re-orden y mxima cantidad de re-orden. Podremos pulsar OK sin
modificar estos parmetros.
Para mostrar un grfico que seale la intensidad de los pedidos
elegiremos la opcin Grfico de la utilidad del inventario (Graphic Inventory
Profile):
4.5.2 Ejemplo de un Problema con Demanda Estocstica para un solo

periodo
Ejemplo 2:
Un supermercado compra uno de sus artculos a un precio de $50 y lo vende a

$75. La demanda para el prximo mes tiene un comportamiento normal con
media de 1.000 unidades y desviacin de 35 unidades. El costo de hacer una
nueva orden es de $25. Una unidad faltante en inventario tiene un costo para la
empresa de $70.
La empresa cuenta con un inventario inicial de 100 unidades. Se desea prestar

un nivel de servicio del 98%, determinar la utilidad del modelo.
En la ventana Especificaciones del problema de inventario

(Inventory Problem Specification) procedemos a ingresar los datos bsicos del
problema, seleccionando el modelo de inventario adecuado:
El problema nos pide trabajar con una demanda con comportamiento normal:
En el caso que se desee cambiar la distribucin simplemente haremos doble

clic con el Mouse sobre esta fila hasta aparecer la siguiente ventana:
Ingresamos el resto de la informacin:
Los nuevos campos son:
Media (Mean): Media o promedio de la demanda en un periodo de tiempo.

Desviacin estndar (Standard Deviation): Desviacin estndar de la
demanda.
Precio de venta unitario (Unit Selling Price): Precio de venta de cada
unidad.
Costo de la unidad faltante (Unit Shortage Cost): Costo e no tener una
unidad disponible. Puede interpretarse como un costo de oportunidad.
Inventario inicial (Initial Inventory): Cantidad de unidades disponibles al
iniciar el periodo.
Nivel de servicio deseado en el caso de que sea conocido (Desired
Service Level (%) If You Know).
Al resolver el problema tenemos la utilidad esperada del producto incluyendo

los costos de inventario y el nivel deseado de servicio de ese producto a los clientes.
Los resultados muestran varios aspectos importantes para el anlisis:
En el caso de un pedido, este deber hacerse por cantidad aproximada de

872 unidades.
El nivel de inventario alcanzar un punto mximo de 972 unidades (le
sumamos 100 unidades disponibles a las 872 que se piden).
El nivel de servicio es del 98%.
La utilidad alcanzada es de $21.349,63.
Adems, WINQSB permite realizar un diagnstico ptimo proponiendo un nivel

de servicio diferente que alcanza una mayor utilidad en el sistema. Para este
caso tenemos:
En el caso de un pedido, este deber hacerse por cantidad aproximada de

814 unidades.
El nivel de inventario alcanzar un punto mximo de 914 unidades (le
sumamos 100 unidades disponibles a las 814 que se piden).
El nivel de servicio es del 65,5182%.
La utilidad alcanzada es de $23.1059,54.
ACTIVIDAD 4:
1. El Hospital Regional de Salud da servicio a una pequea comunidad. Un

suministro usado con frecuencia es la pelcula de rayos X, que se pide a un
proveedor fuera de la ciudad. Como gerente de suministros, debe determinar
cmo y cundo hacer pedidos para asegurar que al hospital nunca se le termine
este artculo crtico y, al mismo tiempo, mantener el costo total tan bajo como sea
posible.
Para efectuar el anlisis, primero debe identificarse las caractersticas del

sistema. En este caso:
1) Slo se considera un artculo: la pelcula de rayos X.

2) Esta pelcula se reemplaza en lotes pedidos a un proveedor fuera de la
ciudad.
3) Los registros anteriores indican que la demanda ha sido relativamente
constante a 1500 pelculas por mes y, por tanto, puede considerarse
determinstica.
4) El proveedor se ha comprometido a satisfacer pedidos en 1 semana (es
decir, el tiempo gua es L = 1 semana).
5) Los dficit no estn permitidos, segn especificaciones de la administracin
del hospital.
Habiendo identificado estas caractersticas, el objetivo es determinar la cantidad

de pedidos ptima, denotada por Q*, y el punto de nuevos pedidos asociado, R.
Para hacerlo, primero debe obtenerse estimaciones de los componentes de
costos relativamente enumerados. Supngase que el departamento de
contabilidad del hospital ha proporcionado los siguientes valores:
1) Un costo de pedidos fijo de $100 para cubrir los costos de colocar cada
pedido, pagar los cargos de entrega, etc.
2) Un costo de compra de $20 por pelcula sin descuento de cantidad.
3) Una tasa de transferencia de 30% por ao (es decir, i = 0.30) para reflejar el
costo de almacenar la pelcula en un rea especial, as como el costo de
oportunidad del dinero invertido en el inventario ocioso.
2. La Good Year Distributors compra aproximadamente 48 000 llantas en el curso

de un ao, a un costo de $20 cada una, a su empresa matriz, Good Year Inc.,
para su reventa a detallistas locales. Cada pedido incurre en un costo fijo de $75
por cargos de procesamiento y de entrega, y llega una semana despus de
haber sido hecho. Suponiendo una tasa de transferencia anual i = 0.25, utilice las
frmulas EOQ para determinar lo siguiente:
a) La cantidad de pedidos ptima, Q*.

b) El punto de nuevos pedidos, R.
c) El nmero de pedidos por ao.
d) El costo anual total.
UNIDAD 5: MODELOS DE COLAS
Proponer la mejor alternativa a las situaciones donde la demanda actual de un

servicio exceda la capacidad para proporcionarlo, sobre todo si no se puede
predecir con exactitud la frecuencia con que tal servicio se demanda.
Establecer mecanismos de servicio para minimizar la espera por el mismo.
Formular problemas y dar solucin en la computadora
Introduccin
No importa en qu cola se site: La otra siempre avanzar ms rpido

(Primera Ley de Harper)
Y si se cambia de cola, aqulla en la que estaba al principio empezar a ir ms
deprisa (Segunda Ley de Harper)
Las "colas" son un aspecto de la vida moderna que nos encontramos

continuamente en nuestras actividades diarias. En el contador de un supermercado,
en los Bancos, etc., el fenmeno de las colas surge cuando unos recursos
compartidos necesitan ser accedidos para dar servicio a un elevado nmero de
trabajos o clientes.
El estudio de las colas es importante porque proporciona tanto una base
terica del tipo de servicio que podemos esperar de un determinado recurso, como
la forma en la cual dicho recurso puede ser diseado para proporcionar un
determinado grado de servicio a sus clientes.
Debido a lo comentado anteriormente, se plantea como algo muy til el

desarrollo de una herramienta que sea capaz de dar una respuesta sobre las
caractersticas que tiene un determinado modelo de colas.
5.2 Definiciones iniciales
La teora de colas es el estudio matemtico del comportamiento de lneas de

espera. Esta se presenta, cuando los clientes llegan a un lugar demandando un
servicio a un servidor, el cual tiene una cierta capacidad de atencin. Si el servidor
no est disponible inmediatamente y el cliente decide esperar, entonces se forma la
lnea de espera.
Una cola es una lnea de espera y la teora de colas es una coleccin de

modelos matemticos que describen sistemas de lnea de espera particulares o
sistemas de colas. Los modelos sirven para encontrar un buen compromiso entre
costes del sistema y los tiempos promedio de la lnea de espera para un sistema
dado.
Los sistemas de colas son modelos de sistemas que proporcionan servicio.
Como modelo, pueden representar cualquier sistema en donde los trabajos o
clientes llegan buscando un servicio de algn tipo y salen despus de que dicho
servicio haya sido atendido. Podemos modelar los sistemas de este tipo tanto como
colas sencillas o como un sistema de colas interconectadas formando una red de
colas. En la siguiente figura podemos ver un ejemplo de modelo de colas sencillo.
Este modelo puede usarse para representar una situacin tpica en la cual los
clientes llegan, esperan si los servidores estn ocupados, son servidos por un
servidor disponible y se marchan cuando se obtiene el servicio requerido.
El problema es determinar qu capacidad o tasa de servicio proporciona el

balance correcto. Esto no es sencillo, ya que un cliente no llega a un horario fijo, es
decir, no se sabe con exactitud en que momento llegarn los clientes. Tambin el
tiempo de servicio no tiene un horario fijo.
Los problemas de colas se presentan permanentemente en la vida diaria: un

estudio en EEUU concluy que, por trmino medio, un ciudadano medio pasa cinco
aos de su vida esperando en distintas colas, y de ellos casi seis meses parado en
los semforos.
5.3 Introduccin a la Teora de Colas
En muchas ocasiones en la vida real, un fenmeno muy comn es la

formacin de colas o lneas de espera. Esto suele ocurrir cuando la demanda real de
un servicio es superior a la capacidad que existe para dar dicho servicio. Ejemplos
reales de esa situacin son: los cruces de dos vas de circulacin, los semforos, el
peaje de una autopista, los cajeros automticos, la atencin a clientes en un
establecimiento comercial, la avera de electrodomsticos u otro tipo de aparatos
que deben ser reparados por un servicio tcnico, etc.
Todava ms frecuentes, si cabe, son las situaciones de espera en el contexto

de la informtica, las telecomunicaciones y, en general, las nuevas tecnologas. As,
por ejemplo, los procesos enviados a un servidor para ejecucin forman colas de
espera mientras no son atendidos, la informacin solicitada, a travs de Internet, a
un servidor Web puede recibirse con demora debido a congestin en la red o en el
servidor propiamente dicho, podemos recibir la seal de lneas ocupadas si la
central de la que depende nuestro telfono mvil est colapsada en ese momento,
etc.
5.3.1 Origen
El origen de la Teora de Colas est en el esfuerzo de Agner Kraup Erlang

(Dinamarca, 1878 - 1929) en 1909 para analizar la congestin de trfico telefnico
con el objetivo de cumplir la demanda incierta de servicios en el sistema telefnico
de Copenhague. Sus investigaciones acabaron en una nueva teora denominada
teora de colas o de lneas de espera. Esta teora es ahora una herramienta de valor
en negocios debido a que un gran nmero de problemas pueden caracterizarse,
como problemas de congestin llegada-salida.
5.3.2 Modelo de formacin de colas
En los problemas de formacin de cola, a menudo se habla de clientes, tales

como personas que esperan la desocupacin de lneas telefnicas, la espera de
mquinas para ser reparadas y los aviones que esperan aterrizar y estaciones de
servicios, tales como mesas en un restaurante, operarios en un taller de reparacin,
pistas en un aeropuerto, etc. Los problemas de formacin de colas a menudo
contienen una velocidad variable de llegada de clientes que requieren cierto tipo de
servicio, y una velocidad variable de prestacin del servicio en la estacin de
servicio.
Cuando se habla de lneas de espera, se refieren a las creadas por clientes o

por las estaciones de servicio. Los clientes pueden esperar en cola simplemente por
que los medios existentes son inadecuados para satisfacer la demanda de servicio;
en este caso, la cola tiende a ser explosiva, es decir, a ser cada vez mas larga a
medida que transcurre el tiempo. Las estaciones de servicio pueden estar
esperando por que los medios existentes son excesivos en relacin con la demanda
de los clientes; en este caso, las estaciones de servicio podran permanecer ociosas
la mayor parte del tiempo. Los clientes puede que esperen temporalmente, aunque
las instalaciones de servicio sean adecuadas, por que los clientes llegados
anteriormente estn siendo atendidos. Las estaciones de servicio pueden encontrar
temporal cuando, aunque las instalaciones sean adecuadas a largo plazo, haya una
escasez ocasional de demanda debido a un hecho temporal. Estos dos ltimos
casos tipifican una situacin equilibrada que tiende constantemente hacia el
equilibrio, o una situacin estable.
En la teora de la formacin de colas, generalmente se llama sistema a un

grupo de unidades fsicas, integradas de tal modo que pueden operar al unsono con
una serie de operaciones organizadas. La teora de la formacin de colas busca una
solucin al problema de la espera prediciendo primero el comportamiento del
sistema. Pero una solucin al problema de la espera consiste en no solo en
minimizar el tiempo que los clientes pasan en el sistema, sino tambin en minimizar
los costos totales de aquellos que solicitan el servicio y de quienes lo prestan.
La teora de colas incluye el estudio matemtico de las colas o lneas de espera y
provee un gran nmero de modelos matemticos para describirlas.
Generalmente el administrador se encuentra en un dilema
Asumir los costos derivados de tener largas colas

Asumir los costos derivados de prestar un buen servicio
Se debe lograr un balance econmico entre el costo del servicio y el costo

asociado a la espera por ese servicio. La teora de colas en s no resuelve este
problema, slo proporciona informacin para la toma de decisiones.
5.3.3 Objetivos de la Teora de Colas
Los objetivos de la teora de colas consisten en:
Identificar el nivel ptimo de capacidad del sistema que minimiza el

coste global del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la
capacidad del sistema tendran en el coste total del mismo.
Establecer un balance equilibrado (ptimo) entre las consideraciones
cuantitativas de costes y las cualitativas de servicio.
Hay que prestar atencin al tiempo de permanencia en el sistema o en
la cola: la paciencia de los clientes depende del tipo de servicio
especfico considerado y eso puede hacer que un cliente abandone
el sistema.
5.3.4 Elementos existentes en un modelo de colas
Fuente de entrada o poblacin potencial: Es un conjunto de individuos (no

necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin.
Podemos considerarla finita o infinita. Aunque el caso de infinitud no es realista, s
permite (por extrao que parezca) resolver de forma ms sencilla muchas
situaciones en las que, en realidad, la poblacin es finita pero muy grande. Dicha
suposicin de infinitud no resulta restrictiva cuando, an siendo finita la poblacin
potencial, su nmero de elementos es tan grande que el nmero de individuos que
ya estn solicitando el citado servicio prcticamente no afecta a la frecuencia con la
que la poblacin potencial genera nuevas peticiones de servicio.
Cliente: Es todo individuo de la poblacin potencial que solicita servicio.

Suponiendo que los tiempos de llegada de clientes consecutivos son 0<t1<t2<...,
ser importante conocer el patrn de probabilidad segn el cual la fuente de entrada
genera clientes. Lo ms habitual es tomar como referencia los tiempos entre las
llegadas de dos clientes consecutivos: consecutivos: clientes consecutivos: T{k} =
tk - tk-1, fijando su distribucin de probabilidad. Normalmente, cuando la poblacin
potencial es infinita se supone que la distribucin de probabilidad de los Tk (que
ser la llamada distribucin de los tiempos entre llegadas) no depende del nmero
de clientes que estn en espera de completar su servicio, mientras que en el caso
de que la fuente de entrada sea finita, la distribucin de los Tk variar segn el
nmero de clientes en proceso de ser atendidos.
Capacidad de la cola: Es el mximo nmero de clientes que pueden estar

haciendo cola (antes de comenzar a ser servidos). De nuevo, puede suponerse finita
o infinita. Lo ms sencillo, a efectos de simplicidad en los clculos, es suponerla
infinita. Aunque es obvio que en la mayor parte de los casos reales la capacidad de
la cola es finita, no es una gran restriccin el suponerla infinita si es
extremadamente improbable que no puedan entrar clientes a la cola por haberse
llegado a ese nmero lmite en la misma.
Disciplina de la cola: Es el modo en el que los clientes son seleccionados

para ser servidos. Las disciplinas ms habituales son:
La disciplina FIFO (first in first out), tambin llamada FCFS (first come first
served): segn la cual se atiende primero al cliente que antes haya llegado.
La disciplina LIFO (last in first out), tambin conocida como LCFS (last come
first served) o pila: que consiste en atender primero al cliente que ha llegado
el ltimo.
La RSS (random selection of service), o SIRO (service in random order), que
selecciona a los clientes de forma aleatoria.
Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los

clientes que lo solicitan. Para determinar totalmente el mecanismo de servicio
debemos conocer el nmero de servidores de dicho mecanismo (si dicho nmero
fuese aleatorio, la distribucin de probabilidad del mismo) y la distribucin de
probabilidad del tiempo que le lleva a cada servidor dar un servicio. En caso de que
los servidores tengan distinta destreza para dar el servicio, se debe especificar la
distribucin del tiempo de servicio para cada uno.
Canal
Canales de servicio en serie

Canales de servicio en paralelo
La cola, propiamente dicha, es el conjunto de clientes que hacen espera, es

decir los clientes que ya han solicitado el servicio pero que an no han pasado al
mecanismo de servicio.
El sistema de la cola: es el conjunto formado por la cola y el mecanismo de

servicio, junto con la disciplina de la cola, que es lo que nos indica el criterio de qu
cliente de la cola elegir para pasar al mecanismo de servicio. Estos elementos
pueden verse ms claramente en la siguiente figura:
Mecanismo de Servicio
Llegada de un Cola
Cliente
Fuente de Entrada
Disciplina de la Cola
Servicio
Sistema de la Cola
Un modelo de sistema de colas debe especificar la distribucin de
probabilidad de los tiempos de servicio para cada servidor.
La distribucin ms usada para los tiempos de servicio es la exponencial,

aunque es comn encontrar la distribucin degenerada o determinstica (tiempos de
servicio constantes) o la distribucin Erlang (Gamma).
Notacin de Kendall
Por convencin los modelos que se trabajan en teora de colas se etiquetan
___/___/___
Distribucin de Distribucin de Nmero de

tiempo entre tiempos de servidores
llegadas servicio
Las distribuciones que se utilizan son:
M: Distribucin exponencial (markoviana)

D : Distribucin degenerada (tiempos constantes)
E k : Distribucin Erlang
G : Distribucin general
M / M / s : Modelo donde tanto los tiempos entre llegada como los tiempo de
servicio son exponenciales y se tienen s servidores.
M / G / 1: Tiempos entre llegada exponenciales, tiempos de servicio general y
1 slo servidor
Terminologa
Usualmente siempre es comn utilizar la siguiente terminologa estndar:
Estado del sistema : Nmero de clientes en el sistema.

Longitud de la cola: Nmero de clientes que esperan servicio.
N(t) : Nmero de clientes en el sistema de colas en el tiempo t (t =0).
Pn (t): Probabilidad de que exactamente n clientes estn en el sistema en el
tiempo t, dado el nmero en el tiempo cero.
s : Nmero de servidores en el sistema de colas.
(n) : Tasa media de llegadas (nmero esperado de llegadas por unidad de
tiempo) de nuevos clientes cuando hay n clientes en el sistema.
(n): Tasa media de servicio para todo el sistema (nmero esperado clientes
que completan su servicio por unidad de tiempo) cuando hay n clientes en el
sistema.
5.3.5 El proceso de llegada
Existen dos clases bsicas de tiempo entre llegadas:
Determinstico, en el cual clientes sucesivos llegan en un mismo intervalo de

tiempo, fijo y conocido. Un ejemplo clsico es el de una lnea de ensamble, en
donde los artculos llegan a una estacin en intervalos invariables de tiempo
(conocido como ciclos de tiempo).
Probabilstico, en el cual el tiempo entre llegadas sucesivas es incierto y

variable. Los tiempos entre llegadas probabilsticos se describen mediante una
distribucin de probabilidad.
En el caso probabilstico, la determinacin de la distribucin real, a menudo,

resulta difcil. Sin embargo, una distribucin, la distribucin exponencial, ha probado
ser confiable en muchos de los problemas prcticos. La funcin de densidad, para
una distribucin exponencial depende de un parmetro, digamos (letra griega
lambda), y est dada por:
f(t)=(1/ ) e-*T
en donde (lambda) es el nmero promedio de llegadas en una unidad de tiempo.
Con una cantidad, T, de tiempo se puede hacer uso de la funcin de densidad

para calcular la probabilidad de que el siguiente cliente llegue dentro de las
siguientes T unidades a partir de la llegada anterior, de la manera siguiente:
P(tiempo entre llegadas T) = 1- e-*T
Ejemplo: Si los clientes llegan al banco con una rapidez promedio de =20
por hora y si un cliente acaba de llegar, entonces la probabilidad de que el siguiente
llegue dentro de los siguientes 10 minutos (es decir Y=1/6 de hora) es:
P(tiempo entre llegadas 1/6 hora) = 1 e-20*(1/6)
= 1 e-3.3333
= 1 0.036
= 0.964
5.3.6 El proceso de servicio
El proceso de servicio define cmo son atendidos los clientes. En algunos

casos, puede existir ms de una estacin en el sistema en el cual se proporcione el
servicio requerido. Los bancos y los supermercados, de nuevo, son buenos
ejemplos de lo anterior. Cada ventanilla y cada registradora son estaciones que
proporcionan el mismo servicio. A tales estructuras se les conoce como sistemas de
colas de canal mltiple. En dichos sistemas, los servidores pueden ser idnticos, en
el sentido en que proporcionan la misma clase de servicio con igual rapidez, o
pueden no ser idnticos. Por ejemplo, si todos los cajeros de un banco tienen la
misma experiencia, pueden considerarse como idnticos.
Al contrario de un sistema de canal mltiple, considere un proceso de

produccin con una estacin de trabajo que proporciona el servicio requerido. Todos
los productos deben pasar por esa estacin de trabajo; en este caso se trata de un
sistema de colas de canal sencillo. Es importante hacer notar que incluso en un
sistema de canal sencillo pueden existir muchos servidores que, juntos, llevan a
cabo la tarea necesaria. Por ejemplo, un negocio de lavado a mano de automviles,
que es una sola estacin, puede tener dos empleados que trabajan en un auto de
manera simultnea.
Otra caracterstica del proceso de servicio es el nmero de clientes atendidos

al mismo tiempo en una estacin. En los bancos y en los supermercados (sistema
de canal sencillo), solamente un cliente es atendido a la vez. Por el contrario, los
pasajeros que esperan en una parada de autobs son atendidos en grupo, segn la
capacidad del autobs que llegue.
Otra caracterstica ms de un proceso de servicio es si se permite o no la

prioridad, esto es puede un servidor detener el proceso con el cliente que est
atendiendo para dar lugar a un cliente que acaba de llegar?. Por ejemplo, en una
sala de urgencia, la prioridad se presenta cuando un mdico, que est atendiendo
un caso que no es crtico es llamado a atender un caso ms crtico.
Cualquiera que sea el proceso de servicio, es necesario tener una idea de
cunto tiempo se requiere para llevar a cabo el servicio. Esta cantidad es importante
debido a que cuanto ms dure el servicio, ms tendrn que esperar los clientes que
llegan. Como en el caso del proceso de llegada, este tiempo puede ser
determinstico o probabilstico . Con un tiempo de servicio determinstico, cada
cliente requiere precisamente de la misma cantidad conocida de tiempo para ser
atendido. Con un tiempo de servicio probabilstico, cada cliente requiere una
cantidad distinta e incierta de tiempo de servicio.
Los tiempos de servicio probabilsticos se describen matemticamente
mediante una distribucin de probabilidad. En la prctica resulta difcil determinar
cul es la distribucin real, sin embargo, una distribucin que ha resultado confiable
en muchas aplicaciones , es la distribucin exponencial .En este caso, su funcin de
densidad depende de un parmetro, digamos (la letra griega my) y esta dada por:
s(t)=(1/ )e-*t
en la que:
= nmero promedio de clientes atendidos por unidad de tiempo, de modo
que
1/ = tiempo promedio invertido en atender a un cliente.
En general, el tiempo de servicio puede seguir cualquier distribucin, pero,

antes de que pueda analizar el sistema, se necesita identificar dicha distribucin.
5.3.7 Medidas de rendimiento para evaluar un sistema de colas

El objetivo ltimo de la teora de colas consiste en responder cuestiones
administrativas pertenecientes al diseo y a la operacin de un sistema de colas. El
gerente de un banco puede querer decidir si programa tres o cuatro cajeros durante
la hora de almuerzo. En una estructura de produccin, el administrador puede
desear evaluar el impacto de la compra de una nueva mquina que pueda procesar
los productos con ms rapidez.
Cualquier sistema de colas pasa por dos fases bsicas. Por ejemplo, cuando
el banco abre en la maana, no hay nadie en el sistema, de modo que el primer
cliente es atendido de forma inmediata. Conforme van llegando ms clientes,
lentamente se va formando la cola y la cantidad de tiempo que tienen que esperar
se empieza a aumentar. A medida que avanza el da, el sistema llega a una
condicin en la que el efecto de la falta inicial de clientes ha sido eliminado y el
tiempo de espera de cada cliente ha alcanzado niveles bastante estables.
5.3.8 Algunas medidas de rendimiento comunes
Existen muchas medidas de rendimiento diferentes que se utilizan para

evaluar un sistema de colas en estado estable. Para disear y poner en operacin
un sistema de colas, por lo general, los administradores se preocupan por el nivel de
servicio que recibe un cliente, as como el uso apropiado de las instalaciones de
servicio de la empresa. Algunas de las medidas que se utilizan para evaluar el
rendimiento surgen de hacerse las siguientes preguntas:
1) Preguntas relacionadas con el tiempo, centradas en el cliente, como:
a) Cul es el tiempo promedio que un cliente recin llegado tiene que

esperar en la fila antes de ser atendido?. La medida de rendimiento
asociada es el tiempo promedio de espera, representado con Wq.
b) Cul es el tiempo que un cliente invierte en el sistema entero,
incluyendo el tiempo de espera y el de servicio?. La medida de
rendimiento asociada es el tiempo promedio en el sistema, denotado
con W.
2) Preguntas cuantitativas relacionadas al nmero de clientes, como:
a) En promedio cuntos clientes estn esperando en la cola para ser

atendidos?. La medida de rendimiento asociada es la longitud media
de la cola, representada con Lq.
b) Cul es el nmero promedio de clientes en el sistema?. La medida de
rendimiento asociada es el nmero medio en el sistema, representado
con L.
3) Preguntas probabilsticas que implican tanto a los clientes como a los

servidores, por ejemplo:
a) Cul es la probabilidad de que un cliente tenga que esperar a ser

atendido?. La medida de rendimiento asociada es la probabilidad de
bloqueo, que se representa por pw.
b) En cualquier tiempo particular, cul es la probabilidad de que un
servidor est ocupado?. La medida de rendimiento asociada es la
utilizacin, denotada con U. Esta medida indica tambin la fraccin de
tiempo que un servidor esta ocupado.
c) Cul es la probabilidad de que existan n clientes en el sistema?. La
medida de rendimiento asociada se obtiene calculando la probabilidad
Po de que no haya clientes en el sistema, la probabilidad P 1 de que
haya un cliente en el sistema, y as sucesivamente. Esto tiene como
resultado la distribucin de probabilidad de estado, representada por
Pn, n = 0,1......
d) Si el espacio de espera es finito, cul es la probabilidad de que la
cola est llena y que un cliente que llegue no sea atendido?. La
medida de rendimiento asociada es la probabilidad de negacin del
servicio, representada por pd.
4) Preguntas relacionadas con los costos, como:
a) Cul es el costo promedio por unidad de tiempo para operar el

sistema?
b) Cuntas estaciones de trabajo se necesitan para lograr mayor
efectividad en los costos?
El clculo especfico de estas medidas de rendimiento depende de la clase

de sistema de colas. Algunas de estas medidas estn relacionadas entre s.
Conocer el valor de una medida le permita encontrar el valor de una medida
relacionada.
5.3.9 Relaciones entre medidas de rendimiento
El clculo de muchas de las medidas de rendimiento depende de los

procesos de llegadas y de servicio del sistema de colas en especfico. Estos
procesos son descritos matemticamente mediante distribuciones de llegada y de
servicio. Incluso sin conocer la distribucin especifica, las relaciones entre algunas
de las medidas de rendimiento pueden obtenerse para ciertos sistemas de colas,
nicamente mediante el uso de los siguientes parmetros de los procesos de
llegada y de servicio.
= nmero promedio de llegadas por unidad de tiempo

= nmero promedio de clientes atendidos por unidad de tiempo en una
estacin
Supongamos que una poblacin de clientes infinita y una cantidad limitada de

espacio de espera en la fila. El tiempo total que un cliente invierte en el sistema es la
cantidad de tiempo invertido en la fila ms el tiempo durante el cual es atendido:
{Tiempo promedio en el sistema} = {Tiempo de espera} + {Tiempo de servicio}
El tiempo promedio en el sistema y el tiempo promedio de espera estn

representados por las cantidades W y Wq, respectivamente. El tiempo promedio de
servicio puede expresarse en trminos de parmetros de . Por ejemplo, si es 4
clientes por hora, entonces, en promedio, cada cliente requiere 1/4 para ser
atendido. En general, el tiempo de servicio es 1/, lo cual nos conduce a la siguiente
relacin :
W = Wq + 1/

Consideremos ahora la relacin entre el nmero promedio de clientes en el
sistema y el tiempo promedio que cada cliente pasa en el sistema. Imaginemos que
un cliente acaba de llegar y se espera que permanezca en el sistema un promedio
de media hora. Durante esta media hora, otros clientes siguen llegando a una tasa
, digamos doce por hora. Cuando el cliente en cuestin abandona el sistema,
despus de media hora, deja tras de s un promedio de (1/2)*12 = 6 clientes nuevos.
Es decir, en promedio, existen seis clientes en el sistema en cualquier tiempo dado.
En trminos de y de las medidas de rendimiento, entonces:
{Tiempo promedio de clientes en el sistema} = {Nmero promedio de llegadas por

unidad de tiempo} * {Tiempo promedio en el sistema}
de modo que:
L = * W
Utilizando una lgica parecida se obtiene la siguiente relacin entre el nmero

promedio de clientes que esperan en la cola y el tiempo promedio de espera en la
fila:
{Tiempo promedio de clientes en el sistema} = {Nmero promedio de llegadas por

unidad de tiempo} * {Unidad de tiempo en la cola}
de manera que:
Lq = * Wq
Resumen:
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.
La teora de las colas en si no resuelve directamente el problema, pero
contribuye con la informacin vital que se requiere para tomar las decisiones
concernientes prediciendo algunas caractersticas sobre la lnea de espera:
probabilidad de que se formen, el tiempo de espera promedio.
Pero si utilizamos el concepto de "clientes internos" en la organizacin de la
empresa, asocindolo a la teora de las colas, nos estaremos aproximando al
modelo de organizacin empresarial "just in time" en el que se trata de minimizar el
costo asociado a la ociosidad de recursos en la cadena productiva.
5.4 Anlisis de un sistema de colas de un solo canal de una sola lnea con
llegada exponencial y procesos de servicio (M/M/1)
El anlisis de un sistema de colas M/M/1 consiste en lo siguiente:
1. Una poblacin de clientes finita.

2. Un proceso de llegada en el que los clientes se presentan de acuerdo con
un proceso de Poisson con una tasa promedio de clientes por unidad de
tiempo.
3. Un proceso de colas que consiste en una sola lnea de espera de
capacidad infinita, con una disciplina de colas de primero en entrar primero
en salir.
4. Un proceso de servicio que consiste en un solo servidor que atiende a los
clientes de acuerdo con una distribucin exponencial con un promedio de
clientes por unidad de tiempo.
Para que este sistema alcance una condicin de estado estable, la tasa de
servicio promedio, , debe ser mayor que la tasa de llegadas promedio, . Si ste no
fuera el caso, la cola del sistema continuar creciendo debido a que, en promedio,
llegaran ms clientes que los que pueden ser atendidos por unidad de tiempo.
Ejemplo: El problema de colas del MTC tiene un nmero de estaciones para

el pesado de camiones a lo largo de la autopista Huancayo-Lima, para verificar que
el peso de los vehculos cumple con las regulaciones estipuladas. La administracin
del MTC est considerando mejorar la calidad del servicio en sus estaciones de
pesado y ha seleccionado una de las instalaciones como modelo a estudiar, antes
de instrumentar los cambios. La administracin desea analizar y entender el
desempeo del sistema actual durante las horas pico, cuando llega a la bscula el
mayor nmero de camiones, suponiendo que el sistema puede desempearse bien
durante este perodo, el servicio en cualquier otro momento ser an mejor.
El gerente de operaciones siente que el sistema actual cumple con las cuatro
condiciones presentadas anteriormente. Su siguiente paso es estimar las tasas
promedio de llegada y de servicio en dicha estacin. De los datos disponibles,
suponga que la gerencia determina que los valores son:
= nmero promedio de camiones que llegan por hora = 60

= nmero promedio de camiones que pueden ser pesados por hora = 66
El valor de = 66 es mayor que el de = 60, de modo que es posible hacer el

anlisis de estado estable de este sistema.
5.4.1 Clculo de las medidas de rendimiento
(*) Intensidad de trfico:
= / = 60/66 = 0.9091
Mientras ms cerca est de 1, ms cargado estar el sistema, lo cual tiene como
resultado colas ms largas y tiempos de espera ms grandes.
En trminos de , y , las medidas de rendimiento, para el problema del

MTC, se calculan de la manera siguiente:
1. Probabilidad de que no haya clientes en el sistema (P 0)
P0 = 1 = 1 0.9091 = 0.0909
Este valor indica que aproximadamente 9% del tiempo un camin que

llega no tiene que esperar a que se le proporcione el servicio porque la
estacin de pesado est vaca; o, aproximadamente 91% del tiempo un
camin que llega tiene que esperar.
2. Nmero promedio en la fila (Lq)
Lq = 2 / 1 = (0.9091)2 / 1 0.9091 = 9.0909
En el estado estable, en promedio, la estacin de pesado puede esperar

tener aproximadamente nueve camiones esperando para obtener el
servicio (sin incluir al que est pesando).
3. Tiempo promedio de espera en la cola (W q)
Wq = Lq / = 9.0909 / 60 = 0.1515
Este valor indica que, en promedio, un camin tiene que esperar 0.1515
horas, aproximadamente 9 minutos, en la fila antes de que empiece el
proceso de pesado.
4. Tiempo promedio de espera en el sistema (W)
W = Wq + 1/ = 0.1515 + 1/66 = 0.1667

Este valor indica que, en promedio, un camin invierte 0.1667 horas, 10
minutos, desde que llega hasta que sale.
5. Nmero promedio en el sistema (L)
L = * W = 60 * 0.1667 = 10
Este valor indica que, en promedio, existe un total de 10 camiones en la

estacin de pesado, ya sea en la bscula o esperando a ser atendidos.
6. Probabilidad de que un cliente que llega tenga que esperar (p w)
pw = 1 - P0 = = 0.9091
Este valor indica que aproximadamente 91% del tiempo un camin que
llega tiene que esperar.
7. Probabilidad de que haya n clientes en el sistema (Pn)
Pn = n * P0
Utilizando esta frmula se obtienen las siguientes probabilidades:
n Pn
0 0.0909
1 0.0826
2 0.0751
3 0.0683
. .
. .
. .
Esta tabla proporciona la distribucin de probabilidad para el nmero de

camiones que se encuentran en el sistema. Los nmeros que aparecen en
la tabla se puede utilizar para responder una pregunta como: cul es la
probabilidad de que no haya ms de tres camiones en el sistema? En este
caso, la respuesta de 0.3169 se obtiene mediante la suma de las primeras
cuatro probabilidades de la tabla, para n = 0, 1, 2 y 3.
8. Utilizacin (U)
U = = 0.9091
Este valor indica que aproximadamente 91% del tiempo las instalaciones
de pesado estn en uso (un camin est siendo pesado). De manera
equivalente, aproximadamente 9% del tiempo la estacin est sin
funcionar, sin que haya camiones que se estn pesando.
5.4.2 Interpretacin de las medidas de rendimiento
Al evaluar el sistema actual, la gerencia del MTC encuentra que muchas

medidas de rendimiento estn dentro de los intervalos aceptables. Por ejemplo, un
tiempo de espera de W = 10 minutos para que un chofer pueda pasar por el proceso
de pesado es algo razonable. Se tiene tambin que un promedio de L q = 9 camiones
esperando para ser pesados es tolerable, pues la rampa de salida de la carretera
tiene una capacidad de 15 camiones, pero la gerencia est preocupada pues hay
ocasiones en que la cola llega hasta la autopista.
Para calcular la probabilidad de que esto suceda, se debe calcular la

probabilidad de que el nmero de camiones en el sistema sea de 17 o ms (uno
siendo atendido y 16 o ms esperando en la rampa). Este nmero se obtiene
sumando las probabilidades Pn, de que n camiones se encuentren en el sistema,
para n = 17, 18, Esto tiene como resultado un valor de 0.20, es decir,
aproximadamente 20% del tiempo los camiones sobrepasarn la rampa completa y
llegarn hasta la autopista. Como ste no es un nivel aceptable de desempeo, la
gerencia desea mejorar la eficiencia global del sistema, no solamente por la razn
anterior, sino tambin porque se prev un aumento en el trfico de camiones sobre
la autopista en el futuro cercano. Un informe reciente indica que el MTC debera
planear una tasa de llegada pico de aproximadamente 70 camiones por hora, en vez
del actual valor de 60.
Para atender estas cuestiones, la gerencia del MTC ha propuesto contratar
un trabajador adicional, lo cual tendra como resultado un aumento en la eficiencia
de aproximadamente 10%. Es decir, con esta persona extra, aproximadamente 73
camiones por hora pueden ser pesados en lugar de los originales 66. Como gerente
de operaciones, se le ha pedido a usted que evale el impacto de la propuesta.
Este anlisis puede llevarse a cabo utilizando las frmulas descritas

anteriormente. Los resultados pueden tambin obtenerse aplicando el software
WINQSB que a continuacin se presentan.
Las primeras tres lneas del primer cuadro muestran los datos de entrada.
Especficamente, este sistema consiste en un servidor, con tasa de llegada de 70
camiones por hora, y una tasa de servicio de 73 camiones por hora.
En el segundo cuadro se enumera los valores de las diferentes medidas de

rendimiento. La gerencia est particularmente preocupada tanto por el tiempo
promedio que un conductor de camin invierte en el sistema como por el nmero
esperado de camiones que esperan en la rampa. De los resultados que se
presentan en este cuadro, en promedio, un conductor de camin pasa 0.3333 horas
(20 minutos) desde el inicio al final del proceso (W). Tambin que el nmero
promedio de camiones que esperan en la rampa es de aproximadamente 22 (L q =
22.3744).
Basndose en estos resultados, la gerencia del MTC encuentra que tal nivel
de rendimiento es inaceptable. No solo porque los conductores se quejarn del
hecho de tener que tardar 20 minutos en el sistema, sino tambin porque la longitud
de cola esperada de 22 camiones excede con mucho la capacidad disponible de 15,
lo cual podra tener como consecuencia un posible accidente en la autopista.
Para obtener niveles de rendimiento aceptables, se ha propuesto otra
alternativa, a saber, la construccin de una segunda bscula al otro lado de la
estacin de pesado. Utilizando el personal actual para que opere ambas bsculas,
las estimaciones de la gerencia tendrn como resultado una capacidad de peso de
aproximadamente 40 camiones por hora en cada bscula.
Con esta informacin adicional, se le ha pedido que evale la presente

propuesta.
5.5 Anlisis de un sistema de colas de canal mltiple de una sola lnea con
llegada exponencial y procesos de servicio (M/M/s)
Este modelo consiste en:
1. Una poblacin de clientes infinita.

2. Un proceso de llegada en el que los clientes se presentan de acuerdo a
un proceso de Poisson con una tasa promedio de clientes por unidad de
tiempo.
3. Un proceso de colas que consiste en una sola fila de espera de capacidad
infinita, con una disciplina de colas de primero en entrar, primero en salir.
4. Un proceso de servicio que consiste en s servidores idnticos, cada uno
de los cuales atiende a los clientes de acuerdo con una distribucin
exponencial, con una cantidad promedio, , de clientes por unidad de
tiempo.
Este sistema es distinto al sistema M/M/1 nicamente en el paso 4, que nos

permite tener s servidores en lugar de solo uno. Para que un sistema M/M/s alcance
una condicin de estado estable, la tasa promedio de servicio, s*, debe ser
estrictamente mayor que la tasa promedio de llegadas, . Si este no fuera el caso, la
cola del sistema continuara creciendo debido a que, en promedio y por unidad de
tiempo, llegaran ms clientes que los que pueden ser atendidos.
La propuesta del MTC de construir una segunda bscula en la estacin de

pesado, tiene como resultado un sistema con dos servidores, dos bsculas, y la
siguiente estimacin de llegada, utilizando el personal actual:
S = 2 servidores
= 70 camiones por hora
= 40 camiones por hora cada bscula
El valor de s* = 2 *40 = 80, es mayor que el de = 70, de modo que se puede llevar
a cabo un anlisis de estado estable para este sistema.
5.5.1 Clculo de las medidas de rendimiento
Los investigadores han derivado frmulas para calcular las diferentes

medidas de rendimiento de un sistema de colas M/M/s, en trminos de los
parmetros y . Estas frmulas se expresan en trminos de , que es el cociente
de sobre . Para el problema del MTC:
= / = 70 / 40 = 1.75
En trminos de , y , las medidas de rendimiento para el problema del
MTC se calculan de la manera siguiente:
1. Probabilidad de que ningn cliente est en el sistema (P 0)
1
P0 = s
s 1 n s
n! s! * s
n0
donde
s 1
n 0 1 s 1

n 0 n!

0! 1!
...
( s 1)!
y k! = k(k-1)1 0! =1. Para el problema del MTC en el cual =1.75 y s = 2,
s 1
n (1.75) 0 (1.75)1

n 0 n!

0!

1!
= 1 + 1.75 = 2.75
s s (1.75) 2 2
* 1.53125 * 8 12.25
n! s 2! 2 1.75
1 1
P0 0.06667
2.75 12.25 15
Este valor de P0 indica que aproximadamente 7% del tiempo, la estacin de

pesado est vaca.
2. Nmero promedio en la fila (Lq)
s 1 1 (1.75)3 1
Lq * * P * * 0.06667
( s 1)! ( s )
0
2
1! (2 1.75) 2
5.359375 * 16 * 0.06667 5.7167
Significa que en promedio, la estacin de pesado puede esperar tener

aproximadamente seis camiones esperando a ser atendidos (sin incluir al
que ya est en la bscula).
3. Tiempo promedio de espera en la cola (W q)
Lq 5.7167
Wq 0.081667
70
Este valor indica que en promedio, un camin tiene que esperar 0.0817
horas, aproximadamente 5 minutos, en la fila antes de iniciar el proceso
de pesado.
4. Tiempo promedio de espera en el sistema (W)
1 1
W Wq 0.081667 0.081667 0.025 0.10667
40
Este valor indica que en promedio, un camin tiene que esperar 0.10667
horas, aproximadamente 7 minutos, desde que llega hasta que sale de la
estacin.
5. Nmero promedio en el sistema (L)
L * W 70 * 0.10667 7.4667
Este valor indica que, en promedio, se tienen entre siete y ocho camiones
esperando en la estacin, ya sea en la bscula o en espera de ser
atendidos.
6. Probabilidad de que un cliente que llega tenga que esperar (p w)
1 s 1 2
pw *s * * P0 * (1.75) 2 * * 0.06667
s! s 2! 2 1.75
0.5 * 3.0625 * 8 * 0.06667 0.81667
Este valor indica que aproximadamente 82% de las veces un camin que
llega tiene que esperar o, de manera equivalente, aproximadamente 18%
de las veces un camin que llega es pesado sin que tenga que esperar.
7. Probabilidad de que haya n clientes en el sistema (Pn)

Si n s:
n
Pn * P0
n!
Al utilizar esta frmula se obtienen las siguientes probabilidades:
n Pn
0 0.06667
1 0.11667
2 0.10210
Si n > s
n
Pn * P0
( s!) s n s
Al utilizar esta frmula, se obtienen las siguientes probabilidades:
n Pn
3 0.08932
4 0.07816
. .
. .
. .
Estas tablas proporcionan la distribucin de probabilidad para el nmero

de camiones que hay en el sistema. Las cantidades que aparecen en tales
tablas se pueden utilizar para responder preguntas como: cul es la
probabilidad de que al menos una bscula no est funcionando?. Esta
probabilidad es la misma que la probabilidad de que haya menos de dos
camiones en el sistema. Sumando las dos primeras probabilidades de la
tabla para n = 0 y 1, se obtiene la respuesta: 0.18334.
8. Utilizacin (U)
s 1 s 2 1
U 1 P0 P1 P2 ... Ps 1
s s s
1
1 P0 P1 1 0.06667 (0.5 * 0.11667) 1 0.125 0.875
2
Este valor indica que cada bscula est ocupada 87% del tiempo.
5.5.2 Interpretacin de las medidas de rendimiento
Los resultados de la evaluacin de las frmulas con el paquete de cmputo

WINQSB, para el sistema de colas propuesto por el MTC, se muestra en el cuadro
siguiente. Las primeras tres lneas corresponden a los datos de entrada. Este
sistema tiene una tasa de llegada de 70 camiones por hora y dos servidores, con
una tasa promedio de servicio de 40 camiones por hora en cada servidor.
El siguiente cuadro enumera los valores de las medidas de rendimiento. El

tiempo promedio que un conductor de camin tiene que invertir en el sistema (W) es
de 0.106667 horas (aproximadamente 7 minutos) desde que entra hasta que sale y
el nmero esperado de camiones que esperan en la rampa para ser pesados (L q) es
de 5.716664.
La gerencia del MTC encuentra aceptable este nivel de rendimiento. Sin
embargo, la gerencia de nuevo se pregunta si la fila de camiones llegar hasta la
autopista. Este suceso se presenta cuando hay dos camiones en la bscula y ms
de 15 esperando en la rampa. Cul es la probabilidad de que ms de 17 camiones
estn en el sistema en cualquier momento?.
Se puede utilizar el informe del WINQSB para responder a esta pregunta.

Especficamente, la probabilidad de que se presente este caso se obtiene sumando
las probabilidades correspondientes a cada valor de n = 18,19,La probabilidad
resulta ser de 9.6%. Si tal valor no es aceptable, deben sugerirse modelos
alternativos. Por ejemplo, la contratacin de una persona ms para aumentar la tasa
de servicio, o el aumento de la capacidad del rea de espera teniendo dos filas en
lugar de una sola, podran ser sugerencias apropiadas.
5.6 Aplicaciones con el WINQSB
Un primer paso consiste, como en todos los modelos, en la

especificacin del problema mediante la cual se establecer si el modelo a
tratar es un M/M/S (Simple M/M System) o un modelo general (General
Queuing System).
5.6.1 Los campos requeridos

Vamos a suponer por ahora un modelo M/M/S. Lo que sigue es el ingreso de
los datos de acuerdo con las especificaciones de la ventana.
La ventana anterior consta de:
Numero de servidores (Number of Servers)

Tasa de servicio (Service Rate)
Tasa de llegada de clientes (Customer Arrival Rate)
Capacidad de la cola (Queue Capacity)
Tamao de la poblacin de clientes (Customer Population)
Costo del servidor ocupado (Busy Server Cost per Hour)
Costo del servidor desocupado (Idle Server Cost per Hour)
Costo de espera de los clientes (Customer Waiting Cost per Hour)
Costo de los clientes siendo servidos (Customer Being Served
Cost per Hour)
Costo de los clientes siendo despachados (Cost of Customer
Being Balked)
Costo de la unidad de capacidad de la cola (Unit Queue Capacity
Cost)
Un ejemplo del modelo es el siguiente (recuerde que las letras M indican un

valor infinito o muy grande):
Una de las posibilidades de solucin es calcular las tradicionales

medidas de desempeo (medidas de efectividad), que nos proporciona el tablero
siguiente:
Otra opcin con la que se cuenta es simular el sistema, la que
inicialmente nos proporciona la siguiente ventana:
Usando el sistema de reloj con 1000 horas de simulacin del sistema de

colas.
Se obtienen los resultados que se muestran a continuacin.
El resumen de probabilidades de encontrar n clientes en el sistema es:
Anlisis de sensibilidad a cambios en nmero de servidores iniciando en

2 y terminando en 10.
Un anlisis parecido puede hacerse tomando como base la capacidad del

sistema, que puede ir desde una capacidad especfica de x clientes (capacidad
limitada) hasta infinita.
ACTIVIDAD 5:
1. Suponga que un cajero bancario puede atender a los clientes a una velocidad
promedio de diez clientes por hora ( = 10). Adems, suponga que los clientes
llegan a la ventanilla del cajero a una tasa promedio de 7 por hora ( = 7). Se
considera que las llegadas siguen la distribucin exponencial. En la condicin
uniforme del sistema de colas, cules son las caractersticas de desempeo?
(calcule las medidas de rendimiento y luego interprtelos).
Ahora es posible evaluar el desempeo del sistema de colas. El administrador

tendr que tomar en consideracin el tiempo perdido del prestador del servicio
(30%), el tiempo que espera el cliente (0.233 horas) y la longitud de la lnea que
se forma ( 1.63 clientes). Si este rendimiento es inaceptable se puede colocar
un segundo prestador del servicio o hacer otros cambios en las caractersticas
de las llegadas, de la cola o del portador de los servicios?. Explique.
2. Los mecnicos que trabajan en una planta de troquelado deben sacar

herramientas de un almacn. Llega un promedio de diez mecnicos por hora
buscando partes. En la actualidad el almacn esta a cargo de un empleado a
quien se le paga 6 dlares / hora y gasta un promedio de 5 min. para entregar
las herramientas de cada solicitud. Como a los mecnicos se les paga 10
dlares / hora, cada hora que un mecnico pasa en el almacn de herramientas
le cuesta 10 dlares a la empresa. Esta ha de decidir si vale la pena contratar, a
4 dlares / hora, un ayudante del almacenista. Si se contrata al ayudante, el
almacenista solo tardara un promedio de 4 min. Para atender las solicitudes de
herramientas. Supngase que son exponenciales tanto los tiempo de servicio
como el tiempo entre llegadas. Se debe contratar al ayudante?
3. Se trata de un problema de colas del Interbank, suponga que solamente existe un

cajero. Cada hora puede atender un promedio de 12 clientes que llegan con una
tasa de uno cada 7.5 minutos aproximadamente. En este sistema, los clientes
tienen que esperar un promedio de 10 minutos antes de llegar al cajero. Utilice
las medidas de rendimiento y la informacin dada para encontrar los valores de
W, Wq, L y Lq. Interprete.
4. Para el problema de colas Plus Gas and Electric Company, el nmero promedio
de llamadas que llegan ha aumentado a 80 por hora. Actualmente, la compaa
tiene un personal de seis representantes, cada uno de los cuales puede atender
aproximadamente 15 llamadas por hora. La gerencia est considerando la
probabilidad de dividir a los representantes en dos grupos iguales: uno para que
atienda las llamadas de problemas relacionados con gas y el otro para que se
centre en la atencin a los problemas sobre electricidad. Los asesores estiman
que este planteamiento permitira alos representantes de cada grupo aumentar
su eficiencia en 20%. Suponga que las llamdas que llegan tienen la misma
probabilidad de estar referidas a problemas de gas que a problemas de
electricidad. Para aproximar este propsitos como dos colas M/M/s, cul es
una tasa razonable de llegadas para las llamadas que se reciben en cada uno
de los dos grupos?.
UNIDAD 6: SIMULACION
Apreciar el alcance de los modelos matemticos como medio idneo para la

imitacin de procesos.
Estimar cul sera su desempeo real a partir de informacin estadstica sobre
sus caractersticas.
Generar aleatoriamente eventos que ocurren en el sistema estudiado.
Introduccin
Simulacin es la experimentacin con un modelo de una hiptesis o un

conjunto de hiptesis de trabajo.
Thomas H. Naylor y R. Bustamante la definen as: "Simulacin es una tcnica

numrica para conducir experimentos en una computadora digital. Estos
experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las
cuales son necesarias para describir el comportamiento y la estructura de sistemas
complejos del mundo real a travs de largos periodos de tiempo".
Una definicin ms formal formulada por R.E. Shannon es: "La simulacin es
el proceso de disear un modelo de un sistema real y llevar a trmino experiencias
con l, con la finalidad de comprender el comportamiento del sistema o evaluar
nuevas estrategias -dentro de los limites impuestos por un cierto criterio o un
conjunto de ellos - para el funcionamiento del sistema".
Etapas para realizar un estudio de simulacin
Definicin del sistema
Para tener una definicin exacta del sistema que se desea simular, es
necesario hacer primeramente un anlisis preliminar de ste, con el fin de determinar
la interaccin con otros sistemas, las restricciones del sistema, las variables que
interactan dentro del sistema y sus interrelaciones, las medidas de efectividad que
se van a utilizar para definir y estudiar el sistema y los resultados que se esperan
obtener del estudio.
Formulacin del modelo
Una vez definidos con exactitud los resultados que se esperan obtener del
estudio, se define y construye el modelo con el cual se obtendrn los resultados
deseados. En la formulacin del modelo es necesario definir todas las variables que
forman parte de l, sus relaciones lgicas y los diagramas de flujo que describan en
forma completa el modelo.
Coleccin de datos
Es importante que se definan con claridad y exactitud los datos que el modelo
va a requerir para producir los resultados deseados.
Implementacin del modelo en la computadora
Con el modelo definido, el siguiente paso es decidir si se utiliza algn lenguaje

como el fortran, algol, lisp, etc., o se utiliza algn paquete como Vensim, Stella y
iThink, GPSS, simula, simscript, Rockwell Arena etc., para procesarlo en la
computadora y obtener los resultados deseados.
Validacin
A travs de esta etapa es posible detallar deficiencias en la formulacin del

modelo o en los datos alimentados al modelo. Las formas ms comunes de validar
un modelo son:
1. La opinin de expertos sobre los resultados de la simulacin.

2. La exactitud con que se predicen datos histricos.
3. La exactitud en la prediccin del futuro.
4. La comprobacin de falla del modelo de simulacin al utilizar datos que
hacen fallar al sistema real.
5. La aceptacin y confianza en el modelo de la persona que har uso de los
resultados que arroje el experimento de simulacin.
Experimentacin
La experimentacin con el modelo se realiza despus que ste haya sido

validado. La experimentacin consiste en generar los datos deseados y en realizar
un anlisis de sensibilidad de los ndices requeridos.
Interpretacin
En esta etapa del estudio, se interpretan los resultados que arroja la

simulacin y con base a esto se toma una decisin. Es obvio que los resultados que
se obtienen de un estudio de simulacin ayuda a soportar decisiones del tipo semi-
estructurado.
Documentacin
Dos tipos de documentacin son requeridos para hacer un mejor uso del
modelo de simulacin. La primera se refiere a la documentacin del tipo tcnico y la
segunda se refiere al manual del usuario, con el cual se facilita la interaccin y el uso
del modelo desarrollado.
6.3 Modelos de simulacin
La experimentacin puede ser un trabajo de campo o de laboratorio. El

modelo de mtodo usado para la simulacin seria terico, conceptual o sistmico.
Despus de confirmar la hiptesis podemos ya disear un teorema.
Finalmente si ste es admitido puede convertirse en una teora o en una ley.
6.3.1 Modelo terico
El modelo terico debe contener los elementos que se precisen para la

simulacin. Un ejemplo con trabajo de laboratorio es un programa de estadstica con
ordenador que genere nmeros aleatorios y que contenga los estadsticos de la
media y sus diferentes versiones: cuadrtica aritmtica geomtrica - armnica.
Adems debe ser capaz de determinar la normalidad en trminos de probabilidad de
las series generadas. La hiptesis de trabajo es que la media y sus versiones tambin
determinan la normalidad de las series. Es un trabajo experimental de laboratorio. Si
es cierta la hiptesis podemos establecer la secuencia teorema, teora, ley.
6.3.2 Modelo conceptual
El modelo conceptual desea establecer por un cuestionario y con trabajo de

campo, la importancia de la discriminacin o rechazo en una colectividad y hacerlo
por medio de un cuestionario en forma de una simulacin con una escala de actitud.
Despus de ver si la poblacin es representativa o adecuada, ahora la simulacin es
la aplicacin del cuestionario y el modelo es el cuestionario para confirmar o rechazar
la hiptesis de si existe discriminacin en la poblacin y hacia que grupo de personas
y en que cuestiones. Gran parte de las simulaciones son de este tipo con modelos
conceptuales.
6.3.3 Modelo sistmico
El modelo sistmico es ms pretencioso y es un trabajo de laboratorio. Se

simula el sistema social en una de sus representaciones totales. El anlisis de
sistemas es una representacin total. Un plan de desarrollo en el segmento de
transportes con un modelo de ecologa humana, por ejemplo. El nfasis en la teora
general de sistemas es lo adecuado en este tipo de simulaciones. Este mtodo, que
es para un Sistema complejo, es sumamente abstracto, no se limita a la descripcin
del sistema, sino que debe incluir en la simulacin las entradas y salidas de energa y
procesos de homeostasis, autopoiesis y retroalimentacin.
Tanto el programa de estadstica, como la escala de actitud, como el sistema

total, son perfectas simulaciones de la realidad y modelizan todos los elementos en
sus respectivas hiptesis de trabajo. Son tambin un microclima y el ambiente o el
escenario en los procesos de simulacin/experimentacin. Otras propiedades que
deben contener las simulaciones es que sean repetibles indefinidamente. Que eviten
el efecto de aprendizaje que incita al encuestador a rellenar l mismo los
cuestionarios y que se podr evitar con algn control, que sean flexibles o mejorables
y que no sea invasivo o cambiar la poblacin de las muestras sucesivas.
6.4 Simulacin por computadora
Es un intento de modelar situaciones de la vida real por medio de un programa

de computadora, lo que requiere ser estudiado para ver cmo es que trabaja el
sistema. Ya sea por cambio de variables, quizs predicciones hechas acerca del
comportamiento del sistema.
La simulacin por computadora se ha convertido en una parte til del modelado

de muchos sistemas naturales en fsica, qumica y biologa, y sistemas humanos
como la economa y las ciencias sociales (sociologa computacional), as como en
dirigir para ganar la penetracin su comportamiento cambiar cada simulacin segn
el conjunto de parmetros iniciales supuestos por el entorno. Las simulaciones por
computadora son a menudo consideradas seres humanos fuera de un loop de
simulacin.
Tradicionalmente, el modelado formal de sistemas ha sido a travs de un

modelo matemtico, que intenta encontrar soluciones analticas a problemas que
permiten la prediccin del comportamiento de un sistema de un conjunto de
parmetros y condiciones iniciales. La simulacin por computadora es frecuentemente
usada como un accesorio para, o sustitucin de, sistemas de modelado para los
cuales las soluciones analticas de forma cerrada simple no son posibles. Ah se
encuentran muchos tipos diferentes de simulacin por computadora, la caracterstica
comn que todas ellas comparten es el intento por generar una muestra de
escenarios representativos para un modelo en que una enumeracin completa de
todos los estados posibles seran prohibitivos o imposibles. Existen varios paquetes
de software para modelar por computadora, el funcionamiento de la simulacin se
realiza sin esfuerzo y simple (por ejemplo: la simulacin Monte Carlo y el modelado
estocstico como el Simulador de Riesgo).
Es cada vez ms comn escuchar acerca de simulaciones a muchas clases

designadas como "ambientes sintticos". Esta etiqueta ha sido adoptada al ampliar la
definicin de "simulacin", que abarca virtualmente cualquier representacin
computarizada.
6.5 Simulacin en informtica
En informtica la simulacin tiene todava mayor significado especializado:

Alan Turing us el trmino "simulacin" para referirse a lo que pasa cuando una
computadora digital corre una tabla de transicin de estado (corre un programa) que
describe las transiciones de estado, las entradas y salidas de una mquina sujeta a
discreto-estado. La simulacin computarizada de una mquina sujeta.
En programacin, un simulador es a menudo usado para ejecutar un programa

que tiene que correr en ciertos tipos de inconvenientes de computadora o en un
riguroso controlador de prueba de ambiente. Por ejemplo, los simuladores son
frecuentemente usados para depurar un microprograma (microcdigo) o algunas
veces programas de aplicacin comercial. Dado que, la operacin de computadoras
es simulada, toda la informacin acerca de la operacin de computadoras es
directamente disponible al programador, y la velocidad y ejecucin pueda variar a
voluntad.
Los simuladores pueden ser usados para interpretar la ingeniera de seguridad

o la prueba de diseo de lgica VLSI, antes de que sean construidos. En informtica
terica el trmino "simulacin" representa una relacin entre los sistemas de
transicin de estado. Esto es usado en el estudio de la semntica operacional.
En el rea de las ciencias son de gran ayuda ya que los estudiantes relacionan
conceptos abstractos con reales (el choque de molculas) y tambin ayuda en el
sentido de los recursos ya que solo se tiene que disponer con un par de
computadores y no con todo el aparataje de un laboratorio entero.
6.6 Simulacin en la preparacin
La simulacin es usada en el entrenamiento o preparacin tanto del personal

civil como militar; esto sucede cuando es prohibitivamente caro o simplemente muy
peligroso para permitirle usar equipo real a un aprendiz en el mundo real. En esta
ltima situacin ellos aprendern valiosas lecciones en un ambiente virtual seguro. La
conveniencia es permitir errores durante el entrenamiento para un sistema crtico de
seguridad.
El entrenamiento simulado tpicamente viene en tres categoras:
1. Simulacin de "Vida", es cuando las personas reales usan equipo simulado

en el mundo real.
2. Simulacin "Virtual", es cuando las personas reales usan equipo simulado
en mundos simulados o ambientes virtuales.
3. Simulacin "Constructiva", es cuando personas simuladas, usan equipo
simulado, en ambientes simulados.
6.7 Simulacin en la educacin
Este tipo de simulacin es un tanto parecida a la de entrenamiento o

preparacin. Ellas se enfocan en tareas especficas. En el pasado los videos eran
usados por maestros y para educar alumnos a observar, solucionar problemas y jugar
un rol; sin embargo se ha visto desplazada por la simulacin, puesto que sta incluye
vietas narrativas animadas, stas son videos de caricaturas hipotticas e historias
basadas en la realidad, envolviendo a la clase en la enseanza y aprendizaje,
tambin se usa para evaluar el aprendizaje, resolver problemas de habilidades y
disposicin de los nios, y el servicio de los profesores.
6.8 Simulacin en las ciencias naturales
Los experimentos basados en tcnicas como la espectroscopa de RMN

proveen datos detallados sobre el comportamiento de la materia. Sin embargo, para
interpretar estos experimentos y para obtener una resolucin mayor en espacio y
tiempo, tenemos que recurrir a modelos tericos. La resolucin analtica de estos
modelos es imposible para la mayora de los sistemas de inters prctico. Por ello, es
necesario recurrir a la resolucin numrica de estos modelos en forma de
simulaciones. Una simulacin busca recrear los elementos que se consideran
importantes en la reproduccin de un fenmeno observado empricamente. Ejemplos
importantes son la dinmica molecular y la qumica computacional, ambas utilizadas
ampliamente para estudiar el plegamiento de protenas en la biofsica y las
propiedades mecnicas de polmeros artificiales en la ciencia de materiales.
6.9 Simulacin mdica
Este tipo de simulacin se incrementa cada vez ms y se estn desplegando

para ensear procedimientos teraputicos y de diagnstico as como conceptos y la
toma de decisin mdica al personal en las profesiones mdicas. Estos simuladores
se han estado desarrollando para el entrenamiento en una gama de procedimientos
bsicos como la transfusin de sangre, una ciruga laparoscopica, cuidados
traumatolgicos, auscultacin pulmonar y cardiaca, etc.
6.10 Simulacin con el WINQSB
La simulacin manejada por WINQSB permite la participacin de cuatro

actores dentro del ambiente simulado:
Tasa de llega de clientes (Customer Arriving Source).

Colas (Queue). Lneas de espera.
Servidores (Server): Se especifica la cantidad de servidores en el sistema.
Colectores de Basura (Garbage Collector): Indica la posibilidad que
el cliente abandone el proceso sin terminarlo. Puede ser considerado
como un defecto en el sistema.
Para que WINQSB comprenda esta designacin la tasa de llegada de

los consumidores, las colas, los servidores y los colectores de basura
sern identificados con las letras C, S, Q y G respectivamente.
6.10.1 Ejemplo de simulacin
Ejemplo 1:
Un banco posee dos cajeros (Pedro y Juan) los cuales atienden a un cliente en un
promedio de 15 minutos con una desviacin de 0.01. Los clientes llegan a una
tasa de uno cada 10 minutos y hacen una sola cola cuya capacidad es de mximo
15 clientes. Se considera que la llegada de los clientes se comporta de forma muy
similar a una distribucin tipo Poisson y los cajeros con una distribucin normal.
Simular con 100 minutos de tiempo el modelo anterior.
Pedro
Capacidad: 15
personas en fila
Juan
Tasa de Atencin:
0.067 cliente /
Tasa de llegada:
minuto
0.1 cliente / minuto
Podemos observar que existen tres actores principales:
Dos cajeros, los cuales sern considerados como servidores.

Los clientes, representados por una tasa de llegada.
La cola o lnea de espera, a donde los clientes llegan para ser atendidos.
Hay que considerar que los bancos emplean un sistema de espera de tipo
PEPS (FIFO First In First Out), es decir, los primeros clientes en entrar
sern los primeros en ser atendidos.
Para ingresar esta informacin registramos la cantidad de actores

participantes en la ventana Especificaciones del Problema (Problem
Specification).
Es recomendable darle nombres a cada uno de los actores para

evitar confusiones futuras.
Los cajeros se denotan con la S (Server), los clientes con la C
(Customer) y la cola con Q (Queue).
Al pulsar OK, aparecer una plantilla donde ingresaremos la informacin

primaria del problema.
Comencemos llenando los datos para los cajeros. Para programarlos es

necesario introducir la informacin de que los cajeros dependen de los clientes.
Para que WINQSB entienda esto en la columna Distribucin de tiempos de
servicio (Service Time Distribution) se ingresa la siguiente notacin:
Clientes/Normal/0.06667/0.01
La notacin completa es:
Nombre predecesor/Distribucin/Parmetro 1/Parmetro

2/Parmetro 3
La primera corresponde a la conexin con los clientes, la segunda a la

distribucin de probabilidad de los servidores y los siguientes datos
(parmetros) son utilizados de acuerdo a la informacin requerida por la
distribucin (por ejemplo, la distribucin Normal requiere de dos parmetros: la
media y la desviacin).
Las distribuciones disponibles son:
Beta (Beta)
Binomial (Binomial)
Constante (Constant)
Discreta (Discrete)
Erlang (Erlang)
Exponencial (Exponential)
Gamma (Gamma)
Hypergeomtrica (Hypergeometric)
Laplace (Laplace)
Normal (Normal)
Pareto (Pareto)
Poisson (Poisson)
Funcin de poder (Power Function)
Triangular (Triangular)
Uniforme (Uniform)
Weibull (Weibull)
De igual forma debemos completar los parmetros para los clientes. Lo

primero es indicar la dependencia de una de las colas en la columna Sucesor
inmediato (Immediate Follower). Luego, en la columna Distribucin del
tiempo entre llegada (Interarrival Time Distribution) con el siguiente formato:
Distribucin/Parmetro 1/Parmetro 2/Parmetro 3
Para nuestro caso, la distribucin quedara:
Poisson/0.1
Los parmetros 2 y 3 no son requeridos para esta distribucin. El

resultado debe lucir como sigue:
La columna Distribucin de los tamaos de los lotes (Batch Size
Distribution), indica si los clientes llegan de forma agrupada o individual. En
nuestro caso omitiremos llenar esta columna indicando que los clientes llegan
de a uno al banco.
Para programar la cola, debemos indicar que los dos cajeros se

alimentarn de ella colocando los nombres en las casillas correspondientes a la
columna Sucesor inmediato (Immediate Follower).
En Disciplina de la cola (Queue Discipline) marcamos FIFO y en

Capacidad de la cola (Queue Capacity) su capacidad (mximo 15 personas en
espera).
6.10.2 Analizando los resultados
Para resolver el problema pulsamos sobre Realizar simulacin

(Perform Simulation) en el men Resolver y analizar (Solve and Analyze).
En la nueva ventana podremos indicar la cantidad de minutos a simular y

que tipo de base (seed) para la generacin de nmeros aleatorios.
Pulsemos en el botn SIMULATE. WINQSB tomar el tiempo y
mostrar las observaciones recolectadas durante ese tiempo:
El botn SHOW ANALYSIS nos mostrar los resultados de la simulacin.

Se puede observar que en los 100 minutos llegaron 1123 clientes (Total
Number of Arrival) El tiempo de espera promedio fue de 0.1879 (Average
Waiting Time). El nmero mximo de personas en el sistema fue de 17: 15 en
espera y 2 siendo atendidos (Maximun Numberin the System). En promedio
permanecieron 2,2144 personas en el sistema (Average Number in the System).
Un anlisis desde el punto de vista de los cajeros nos muestra ms

informacin de la simulacin:
Los cajeros tuvieron un promedio de utilizacin (Server Utilization) del
28,89%. El cajero 1 atendi 431 personas y el cajero 2 a 440 para un total
de 871 (Customer Processed). De los 1123 solo finalizaron el proceso 871.
Desde el punto de vista de la cola tenemos:
El promedio de personas en la cola fue de 1.6366 (Average Q.

Length). El mximo de personas en la cola es de 15 (Maximun Q. Length).
6.10.3 Simulacin en modo grfico
Podemos ingresar el problema mediante el modo grfico que provee

WINQSB en la ventana inicial:
El problema quedara:
Para intercambiar los modos pulsamos en Pasar a formato matriz

(Switch to Matrix Form) en el men Formato (Format)
ACTIVIDAD 6:
1. Un banco posee dos cajeros, los cuales atienden a un cliente en un promedio de

10 minutos con una desviacin de 0.02. Los clientes llegan a una tasa de uno
cada 8 minutos y hacen una sola cola cuya capacidad es de mximo 10 clientes.
Se considera que la llegada de los clientes se comporta de forma muy similar a
una distribucin tipo Poisson y los cajeros con una distribucin normal. Simular
con 80 minutos de tiempo el modelo anterior.
2. El Gerente General de la Comisin de la TINKA acaba de disear una nueva

lotera instantnea. Como se muestra en la figura siguiente:
Tarjeta de lotera Fila 1

Fila 2
Fila 3
Raspe una casilla en cada fila
Cada tarjeta de lotera contiene tres filas. En cada rengln, hay dos casillas,
una de las cuales tiene un valor oculto de S/. 1 y la otra de S/. 5. El jugador
raspa cualquier casilla de cada rengln para descubrir el valor asociado en
nuevos soles. Si los tres nmeros ocultos son iguales, el jugador gana esa
cantidad, Antes de comprometer a la institucin en este juego e imprimir una
gran cantidad de tarjetas, usted, como Gerente de la Comisin de la TINKA,
desea evaluar la factibilidad econmica del juego. Entre las preguntas que
debe contestar est la siguiente: Cul es la mnima cantidad que se puede
cobrar por cada tarjeta y todava esperar tener una ganancia?.
3. Mega Centro es una tienda que compra videos de estreno a S/. 25 la copia, los
renta en S/. 3 al da y despus de un mes los vende a otra tienda en S/. 5 la
copia. Basndote en datos anteriores, la tienda ha estimado las siguientes
probabilidades de demanda diaria para cada pelcula:
Nmero de copias Probabilidad

0 0.15
1 0.25
2 0.45
3 0.10
4 0.05
Como representante de ventas de Mega Centro, usted desea decidir cuntas

copias de cada nueva pelcula pedir: 0, 1, 2, 3 o 4.
Bibliografa
ARBONAS, M.E. Optimizacin Industrial (I): Distribucin de los recursos.

Coleccin Productica No. 26. Marcombo S.A, 1989.
ARBONAS, M.E. Optimizacin Industrial (II): Programacin de recursos.

Coleccin Productica No. 29. Marcombo S.A, 1989.
BELLO PREZ, Carlos. Manual de produccin aplicado a las pequeas y

medianas empresas. Editorial ECOE EDICIONES. Colombia, 1997.
BELLO PREZ, Carlos. Pronsticos Empresariales: Como Proyectar su Empresa

al Futuro. ECOE EDICIONES. Colombia, 2000.
BUFFA, E. Operations Management: Problems and Models. Edicin

Revolucionaria. La Habana, 1968.
CHASE, Richard B. Administracin de Produccin y Operaciones. Editorial

Mc Graw Hill, Octava Edicin. Colombia, 2004.
GAITHER, Norman. Administracin de Produccin de Operaciones. Thomson

Editores, Octava Edicin. Mxico, 2000.
GILL, JAMES O. Anlisis financiero: Tcnicas para la toma de decisiones.

Grupo Editorial Iberoamericano. Mxico, 1992.
MOSKOWITZ,H. y WRIGHT G.P. Investigacin de Operaciones. Prentice_Hall

Hispanoamericana S.A. Espaa, 1991.
PANICO, Joseph A. Teora de las Colas. Editorial PROLAM S. R. L. Argentina,

1973.
PINILLA, Vicente. Simulacin: Introduccin Terica y Aplicaciones en

Administracin. Ediciones Uniandes. Colombia, 2004
RIOS INSUA, David. Simulacin: Mtodos y aplicaciones. Editorial Alfa y Omega.

Colombia, 2000.
WALPOLE, Ronald E. Probabilidad y Estadstica. Mc Graw Hill, Cuarta Edicin.

Mxico, 1992.
http://www.eumed.net/
www.gestiopolis.com
www.monografias.com
http://es.wikipedia.org/
NDICE
Pg.
PRESENTACION
UNIDAD 1: PROGRAMACION LINEAL ENTERA 03

1.1 Introduccin. 03
1.2 Clasificacin de los Modelos de Programacin Lineal Entera 04
1.3 Mtodos de solucin para resolver problemas de Programacin Lineal
Entera 05
1.4 Relajacin PL.. 06
1.5 Aplicaciones de Problemas de Programacin Entera.. 07
1.6 Programacin Lineal Entera: El Enfoque Grfico. 07
1.7 Programacin Lineal Entera: Un Enfoque Conceptual 12
1.7.1 Enumeracin de las soluciones enteras posibles.. 12
1.7.2 El mtodo de ramificacin y acotamiento: Un Enfoque Concep-
tual.. 13
1.7.3 Programacin Lineal Entera: Uso de la computadora 13
1.7.4 Resolucin de Problemas de Programacin Lineal Entera 21
UNIDAD 2: PROGRAMACION CUADRATICA. 40

2.1 Introduccin. 40
2.2 Programacin Cuadrtica. 40
2.3 Programacin convexa separable 41
2.3.1 Formulacin del modelo de cartera 48
UNIDAD 3: PROGRAMACION DINAMICA 57

3.1 Introduccin. 57
3.2 Caractersticas de un Problema de Programacin Dinmica.. 58
3.3 Modelos de Programacin Dinmica 58
3.3.1 El problema de la diligencia. 59
3.3.2 Terminologa y notacin bsica.. 59
3.3.3 Ingresando el problema al WINQSB.. 60
3.3.4 Problema de la mochila o canasta de equipaje 64
3.3.5 Programacin de produccin e inventario. 67
UNIDAD 4: MODELOS DE INVENTARIO. 71

4.1 Introduccin. 71
4.2 Modelo de Inventario Generalizado. 71
4.3 Modelos Deterministas.. 73
4.4 Modelo Estocstico de un solo artculo (CPE).. 74
4.5 Problemas de Inventario con el WINQSB 76
4.5.1 Ejemplo de un Problema de Cantidad Econmica de la Orden
(EOQ) para Demanda Determinstica. 77
4.5.2 Ejemplo de un Problema con Demanda Estocstica para un solo
perodo. 81
UNIDAD 5: MODELOS DE COLAS. 85

5.1 Introduccin.. 85
5.2 Definiciones.. 85
5.3 Introduccin a la Teoras de Colas 86
5.3.1 Origen.. 86
5.3.2 Modelo de formulacin de colas.. 86
5.3.3 Objetivos de la Teora de Colas 87
5.3.4 Elementos existentes en un modelo de colas 88
5.3.5 El proceso de llegada. 91
5.3.6 El proceso de servicio. 91
5.3.7 Modelos de rendimiento para evaluar un sistema de colas. 92
5.3.8 Algunos modelos de rendimiento comunes 93
5.3.9 Relaciones entre medidas de rendimiento. 94
5.4 Anlisis de un sistema de colas de un solo canal de una sola
lnea con llegada exponencial y proceso de servicio (M/M/1) 96
5.4.1 Clculo de las medidas de rendimiento.. 96
5.4.2 Interpretacin de las medidas de rendimiento... 98
5.5 Anlisis de un sistema de colas de canal mltiple de una sola
lnea con llegada exponencial y procesos de servicio (M/M/s). 100
5.5.1 Clculo de las medidas de rendimiento.. 100
5.5.2 Interpretacin de las medidas de rendimiento 103
5.6 Aplicaciones con el WINQSB.. 104
5.6.1 Los campos requeridos.. 104
UNIDAD 6: SIMULACION.. 109

6.1 Introduccin 109
6.2 Etapas para realizar un estudio de simulacin. 109
6.3 Modelos de simulacin. 110
6.3.1 Modelo terico. 111
6.3.2 Modelo conceptual.. 111
6.3.3 Modelo sistmico. 111
6.4 Simulacin por computadora.. 111
6.5 Simulacin en Informtica 112
6.6 Simulacin en la preparacin.. 113
6.7 Simulacin en la Educacin. 113
6.8 Simulacin en las Ciencias Naturales 113
6.9 Simulacin Mdica 114
6.10 Simulacin con el WINQSB.. 114
6.10.1 Ejemplo de simulacin.. 114
6.10.2 Analizando los modelos 118
6.10.3 Simulacin en modo grfico. 121
BIBLIOGRAFA. 110

Texto Investigacion Operativa II 2010

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Texto Investigacion Operativa II 2010

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD PERUANA

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS Y

Dr. Casio A. Torres Lpez

La Investigacin Operativa es una moderna disciplina cientfica que se

El objetivo ms importante de la aplicacin de la Investigacin Operativa es

El enfoque fundamental de la Investigacin Operativa es el enfoque de

Para hallar la solucin, la Investigacin Operativa generalmente representa el

El presente texto fue elaborado teniendo en cuenta la sumilla del Curso de

1. Programacin Lineal Entera

Cabe destacar la importancia que tiene esta materia en la formacin de los

Dr.Casio A. Torres Lpez

UNIDAD 1: PROGRAMACION LINEAL ENTERA

Al finalizar el estudio del presente fascculo el estudiante

Cita varios ejemplos de programacin lineal entera aplicados a problemas

Sus pioneros fueron Wagner (1950) y Manne (1959). Tradicionalmente estos

La Programacin Lineal Entera (PLE) ha llegado a ser un rea muy

En los problemas de Programacin Lineal (PL) se permite a las variables

Con sentido prctico, muchas soluciones aceptables para el administrador se

Los cientficos de la administracin han advertido la importancia de los

1.2 Clasificacin de los Modelos de Programacin Lineal Entera

La PLE es un trmino general para los modelos de programacin matemtica

a) Programas lineales enteros puros (PLE): son aquellos en que todas

Min z = 6x1 + 5x2 + 4x3

b) Programas lineales enteros mixtos (PLEM): son aquellos en el que slo

Min z = 6x1 + 5x2 + 4x3

c) Programas lineales enteros binarios (PLEB): en estos se restringe el

Max z = 40x1 + 70x2 + 80x3 + 100x4

Atendiendo al criterio del tipo de programa:

a) Programa lineal entero directo: si el programa de decisin involucra

Nota: Un problema de programacin entera no lineal es un problema de

1.3 Mtodos de solucin para resolver problemas de Programacin Lineal

Un aspecto notable de los mtodos de solucin de estos problemas, que

Para resolver problemas de Programacin Lineal Entera, se utilizan varios

En Programacin Lineal Entera Pura algunos de los algoritmos de solucin

El PL que se obtiene al omitir todas las restricciones enteras o 0 1 para las

Por ejemplo, la relajacin PL de

Max z = 3x1 + 2x2

Max z = 3x1 + 2x2

Se puede considerar cualquier PLE como la relajacin PL ms algunas otras

El valor ptimo de z para la relajacin PL el valor ptimo de z para el

Para esclarecer ms las propiedades de los problemas de programacin

Max z = 21x1 + 11x2

Fig. N 1 : Regin factible para el PLE

Si la regin factible para la relajacin PL de un PLE pura es acotada, como en

1.5 Aplicaciones de Problemas de Programacin Entera

Las principales aplicaciones tpicas de problemas de PLE se dan en las reas

1.6 Programacin Lineal Entera: El Enfoque Grfico

Un enfoque grfico promueve la comprensin de las complejidades asociadas

Ejemplo 1: Dado el siguiente problema de PL

Max. z = 6x1 + 7x2

La solucin ptima tiene lugar en el vrtice C determinado por la interseccin

5.0 Solucin ptima para el modelo de PL

4.0 (1) FO x1 = 16/3

Fig. N 2 : Regin factible para el PL

Supongamos que estamos interesados en la solucin ptima entera del PLE.

Para determinar la solucin ptima entera del PLE necesitamos resolver el

Max. z = 6x1 + 7x2

5.0 Solucin ptima entera para el modelo de PLE

0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0

Fig. N 3 : Soluciones enteras factibles para el PLE

En la Fig. N 3 hay 20 valores de soluciones enteras factibles para el PLE,

Tabla N 1: Soluciones enteras del PLE

ENTERA FACTIBLE ENTERA Utilidad = z = 6x1 + 7x2

Comparando la solucin ptima del PL y del PLE se obtiene la siguiente