Академический Документы
Профессиональный Документы
Культура Документы
Introducción
Desde el nacimiento del hombre en este planeta tubo el problema de cómo conseguir recursos
para su subsistencia, debido a lo escaso que son estos; siempre pensaba en la racionalización de
estos como una manera de ahorrar recursos, posteriormente ante nuevos tipos de problemas
donde era necesario la utilización de recursos viene la siguiente pregunta ¿Cómo puedo optimizar
los recursos, en un problema de maximización o m inimización? , naciendo un nuevo tipo de
problema el de optimizar recursos tipo: hombre- máquina, hombre- actividad, recursos-hombre,
etc.
La Investigación de Operaciones empieza a nacer como tal en la segunda guerra mundial en los
años 50, la necesidad de optimizar los escasos recursos en la defensa nacional y el avance de la
tecnología en computación hace propicio que se desarrolle nuevos métodos científicos de
asignación de recursos. Los militares ingleses y americanos hicieron un llamado a los científicos de
la época para que los ayuden a implementar métodos y estrategias de forma científica en la
asignación de recursos en la defensa de Gran Bretaña ante los ataques aéreos alemanes. El
término “Investigación de Operaciones” nace justamente de las operaciones militares realizadas,
las cuales tenían como prioridad optimizar recursos.
Al inicio los problemas desarrollados por la I.O fue de Asignación de recursos, Ordenamiento de
Tareas, balance de carga de trabajo y planificación. Debido al éxito alcanzado en las tareas
militares poco a poco fue despertando el interés de los empresarios en esta disciplina,
extendiéndose a las empresas industriales, comerciales, financieras y gubernamentales.
George Bernard Dantzig (1914 –2005) fue un profesor, físico y matemático estadounidense,
reconocido por desarrollar el método simplex y es considerado como el "padre de la programación
lineal". Con el método simplex y el desarrollo de las computadoras actualmente es posible dar
solución a problemas complicados de la P.L
1.1. Introducción a la Investigación de Operaciones
Prawda (2004): “Es la aplicación por grupos interdisciplinarios de Método Científico a problemas
relacionados con el control de las organizaciones o de sistemas en relación al hombre-máquina,
con el fin de producir soluciones óptimas para dichas organizaciones”
Moskowitz –Wright (1991): “La Investigación de Operaciones toma al Método Científico aplicado
a la solución de problemas y la toma de decisiones de la gerencia en función a la construcción de
un modelo simbólico examinando y analizando entre relaciones que lleguen a una técnica en la
toma de decisiones en base a los resultados óptimos.
Thierauf (1984): “La Investigación de Operaciones utiliza el enfoque planeado (Método Científico)
y un grupo interdisciplinario a fin de representar las complicadas relaciones funcionales como
modelos matemáticos para suministrar una base cuantitativa en la toma de decisiones, descubrir
nuevos problemas para un análisis cuantitativo”.
Otra característica en general de estas técnicas es que se obtienen mediante cálculos repetitivos
en que cada cálculo se acerca cada vez más al valor optimo, esta repetición es tediosa por lo que
en realidad manualmente solo se hacen pequeños problemas, siendo la mayor parte de los
problemas solucionarse mediante el uso del computador o software especiales como el Tora,
Lingo, Solver, entre otros. Estos software usan algoritmos que son instrucciones para el cálculo que
utilizan las computadoras.
2. - Definir el objetivo, y
La construcción del problema, implica traducir las relaciones lógicas intervinientes en el sistema
real a restricciones matemáticas. Una vez encontrado el modelo se revisara si existe algún modelo
de IO que se ajuste, caso contrario tendrá que realizar algunas simplificaciones hasta que pueda
usar algún modelo matemático, de simulación o heurístico.
La solución del modelo, es en realidad la fase más sencilla de todas de la I.O , porque solo se
trata de la aplicación de algoritmos ya definidos que serán utilizados en una computadora, por lo
que el trabajo se resume solo a ingresar los datos en el software adecuado.
Un aspecto importante en la solución del modelo implica tener información acerca de la
sensibilidad del modelo es decir que sucederá a la solución si existen cambios en ciertos
parámetros como los coeficientes de la función objetivo, restricciones de recursos o constantes
tecnológicas.
La validación del modelo, esta parte comprende el analizar los resultados que sean aceptables
con la realidad, es decir que no contengan sorpresas o sean irreales; otra forma de validar es
comparar los resultados con datos históricos. El modelo se considera válido si bajo las mismas
condiciones el modelo entrega resultados cercanos a la realidad.
La implementación, encontrada las respuestas a las variables de decisión, no queda más que
implementarlas en la empresa, por lo que deben ser traducidas a lenguaje corriente para las
personas que operan las decisiones.
Todo modelo de programación lineal tiene que tener tres componentes: Las variables, el Objetivo
( meta a optimizar) y las restricciones.
Es la de maximizar los ingresos; por cada producto A vendido ingresara 20X y de Y serán
40Y. Por lo que el ingreso total será: 20X + 40Y
La primera restricción será la de montaje, este tiene solo 9 horas de trabajo, por lo que podrá
atender productos X y Y de la siguiente manera:
La segunda restricción será la de pintado, esta tiene solo 8 horas para atender la producción
de X y Y, por lo que su restricción será la siguiente:
X, y >=0
Sujeto a : 1X + 3Y <= 9
2 X + 1Y <= 8
X, Y >=0
Cualquier valor que satisfaga dichas restricciones es una solución factible, la solución óptima será
aquella que cumple el objetivo que para este caso es la maximización, en otros casos podría
pedirse minimizar la función, por ejemplo cuando se tratasen de costos o disminución de peso por
ejemplo.
2. Determinar la solución óptima entre todos los puntos factibles del espacio delimitado en el
paso
En primer lugar se tiene que graficar todas las restricciones, determinando la zona que cumple
todas las soluciones factibles, posteriormente se calculan cada valor extremo del polígono
resultante que se encuentre acotado por las restricciones, quedando como muestra el cuadro nº
1.1, siendo su valor optimo el punto (3,2) de S/.140
La zona pintada de ladrillo representa la zona factible de todas las soluciones, se observa que el
valor de la función z =0 cuando (x,y) = (0,0)
El valor de z aumenta conforme busca el valor más extremo es decir en el punto (3,2) obtiene su
máximo valor de S/. 140, esto se calcula de la siguiente manera: 20X +40Y= 20*3+40*2= 140.
Ejercicio 1.2
En una granja de pollos se da una dieta "para engordar" con una composición mínima de 15
unidades de una sustancia A y otras 15 de una sustancia B. En el mercado solo se
encuentran dos clases de compuestos: el tipo I con una composición de una unidad de A y
cinco de B, y el tipo II con una composición de cinco unidades de A y una de B. El precio
del tipo I es de 10 soles y el del tipo II es de 30 soles. Se pregunta:
¿Qué cantidades se han de comprar de cada tipo para cubrir las necesidades con un coste
mínimo?
Solución:
Llamamos x a las unidades que se compran de tipo I e y a las que se compran de tipo II.
b) Indica si los puntos (0, 0), (2, 1) y (1, 2) forman parte de las soluciones del sistema
anterior.
Ejercicio 1.4
Maximiza la función z = x +y, sujeta a las siguientes restricciones:
1.8. Análisis de sensibilidad
El análisis de sensibilidad es la determinación de qué tan sensible son las soluciones óptimas y el
valor de la función objetivo con respecto a los cambios en los datos del problema, es decir cuánto
puede cambiar la solución del problema (variables de decisión) cuando varía por ejemplo los
precios de algún producto o coeficientes de la función objetivo, seguirá siendo óptima la solución o
a cambiado. También pueden cambiar los recursos o valores del lado derecho de las restricciones.
1.8.1 Análisis de sensibilidad de la
Función Objetivo (F.O)
Tenemos la F.O Maximizar : 6X1 + 10X2
De la función objetivo tenemos que la intersección de las restricciones (1) y (2) nos da el punto
óptimo, para que siga siendo el mismo (70,90), la variación del valor de la pendiente de la F.O ( o
de los coeficientes de la F.O) debe estar entre el valor de las pendientes de las restricciones que
contienen dicho punto, de lo contrario el punto más extremo que nos de el valor máximo
cambiaría, como se ve en la Fig. 2.3.2 donde un cambio en la pendiente de la F.O que sale entre
los valores de la pendientes de las restricciones determina que el nuevo punto extremo es el X1=
115 y X2= 0.
De la F.O tenemos 6X1 + 10X2 se observa que la pendiente es
Es decir que mientras el valor de la pendiente de la F.O no salga del rango determinado por el valor
de las pendientes de las restricciones que determinan el punto óptimo, este siempre será el mismo,
de lo contrario pasaría que el punto óptimo cambiaría como se muestra en el ejemplo de la fig.
2.3.1
Fig. 1.8 Muestra como el cambio de la pendiente de la F.O determina que el punto
más extremo es el punto X1= 115 y X2= 0
La variación en los coeficientes de la función objetivo representa por ejemplo un cambio en los
precios de los productos, la pregunta en cuestión sería ¿Cuáles son los rangos o variación de
precios de los productos para que la solución óptima siga siendo la misma? ; la solución a esta
pregunta es determinar los parámetros que hacen que la pendiente de la F.O no salgan de los
valores de las pendientes de las restricciones que determinan el punto óptimo.
Calculo de los límites de aceptación de la variación de los valores de las pendientes de la
F.O,
Todas las restricciones pueden variar el valor del lado derecho, en este caso supongamos que el
valor del lado derecho de la restricción (1) puede variar, es decir por aumento o disminución de las
horas hombre que este recurso representa, siendo el valor inicial de 460
Figura 1.9 Extremo menor punto óptimo determinado todavía por (1) y (2) cuando c=
280, un valor menor del LD1 determinaría un punto óptimo por las restricciones (1) y (3)
Figura 1.10 Extremo mayor punto óptimo determinado todavía por (1) y (2) cuando
c=1000, un valor mayor del LD1 determinaría un punto óptimo por las restricciones (2) y (5)
Este valor de
S/.0.33 centavos significa que por cada unidad u hora adicional del recurso del lado derecho habrá
un aumento o disminución en el valor de función objetivo de S/.0.33, a este valor se le llama
precio sombra o precio dual del recurso.
Solución factible: Una solución en la que las variables de decisión son factibles
Punto extremo: El punto esquina de una región factible, es normalmente una intersección de dos
Líneas extremo
Línea de función Objetivo: Línea utilizada en el método gráfico en el cual todos los puntos sobre
la línea tienen el mismo valor de función objetivo.
Solución óptima: El punto en la región factible que tienen el mejor valor de la función objetivo
Programa lineal infactible: Es el programa lineal en el que no existen valores de las variables que
satisfagan todas las restricciones
Programa lineal ilimitado: Es el programa lineal factible en el que la función objetivo puede
mejorarse indefinidamente
Instrucciones: Resuelva cada uno de los siguientes programas lineales usando el método gráfico,
indique si el problema es infactible, óptimo o ilimitado; para los que sean óptimos encuentre los
valores de las variables y el valor de la función objetivo
1.10. Resolución de problemas mediante software
Existen varios software libres que se pueden bajar por internet para utilizarlos en la solución de
problemas investigación de operaciones, entre ellos están el Tora, Lingo, Solver en excell, Winqsb,
entre otros, a continuación te mostramos un link de donde podrás descargar el software Tora con el
cual podrás trabajar todos los ejercicios propuestos y verificar si tus soluciones gráficas están
correctas.
Para instalar el software Tora puedes aprender cómo se baja del internet visualizando el Link vídeo
para instalar el Tora en la siguiente dirección electrónica: http://youtu.be/COUcyKtYnAQ
Introducción
El método simplex es un algoritmo. El método simplex es un procedimiento algebraico sistemático
que examina las esquinas (vértices o puntos extremos) de un programa lineal en busca de una
solución óptima sea esta maximización o minimización. El algoritmo comienza con la determinación
de un vértice inicial, esto se llama FASE I; si el problema es inconsistente, la fase I lo descubrirá. Si
el modelo de PL es consistente entonces el algoritmo empieza a recorrer todos los vértices
adyacentes uno por uno (esto es porque la solución siempre estará en un punto extremo por ser la
naturaleza del problema encontrar un máximo o un mínimo), cada movimiento en la secuencia de ir
a cada vértice se llama iteración o pivote y el movimiento implica una manipulación del sistema
lineal; el algoritmo simplex está diseñado para que cada vez que cambia de punto este sea mayor
o menor que el anterior dependiendo si se trata de un problema de maximización o minimización.
Si el problema es no acotado el algoritmo lo descubrirá. Cuando se alcance el vértice óptimo el
algoritmo lo reconocerá con la prueba de optimalidad, es decir que cada iteración contiene la
solución de un sistema de ecuaciones para obtener una nueva solución a la que se le aplica la
prueba de optimalidad. Una vez encontrado el punto óptimo se detiene las iteraciones.
Una propiedad general del método simplex es que resuelve el problema de programación lineal en
iteraciones. Cada iteración desplaza la solución a un nuevo punto esquina que tiene potencial de
mejorar el valor de la función objetivo. El proceso termina cuando ya no se pueden obtener
mejoras. El método simplex implica cálculos tediosos y voluminosos, lo que hace que la
computadora sea una herramienta esencial para resolver los problemas de PL. Por lo tanto las
reglas computacionales del método simplex se adaptan para facilitar el cálculo automático.(p,71)
Todo problema repetitivo sobre todo de índole matemático puede ser resuelto por un
algoritmo, el algoritmo es una serie de instrucciones secuenciales con decisores
intermedios para encontrar algún tipo de resultados; siendo el caso de programación lineal
el siguiente algoritmo:
Paso 0. Inicio: Encontrar una solución factible básica inicial (punto extremo)
a) Dado el punto extremo actual, ver si uno de los bordes conduce a un punto extremo
vecinal con un valor de función objetivo más grande. Si la respuesta es “no”, detener el
procedimiento: el punto extremo actual es óptimo. Si la respuesta es “sí”, continuar con el
paso 2; el punto extremo actual no es óptimo.
b) Si todos los costos reducidos son ≤ 0, entonces la sfb actual es óptima; en cualquier otro
caso, continuar con el paso 2
Paso 2. Traslado:
Este algoritmo nos da la lógica de trabajo con la matemática funciona para encontrar un punto
óptimo sea máximo o mínimo.
Un problema de programación lineal puede venir en diversas formas: su objetivo puede ser
maximizar o minimizar; puede tener restricciones de igualdad o desigualdad; las variables pueden
ser no negativas, no positivas; o sin restricciones. Por lo tanto en lugar de desarrollar múltiples
métodos para cada problema se desarrolla un solo algoritmo que desarrollé una sola forma
específica, conocida como forma estándar.
Forma estándar, es una forma particular de un problema de PL en el que l función objetivo debe
ser maximizada; solamente existen restricciones de igualdad y todos los lados derechos y variables
son no negativas.
El primer paso antes de aplicar el método algebraico simplex es poner el PL en la forma estándar,
el siguiente ejemplo muestra un PL que tiene todas las posibles alternativas de restricciones,
variables, FO, etc; el cual convertiremos en forma estándar.
2.4. Cálculos del método simplex
Utilizaremos un
ejercicio para mostrar
los cálculos
algebraicos
involucrados en este
método SIMPLEX
Segunda tabla:
Para encontrar la segunda tabla primero se mostrara una tabla previa donde se muestra como el
renglón pivote n° 01 se ha dividido entre “ 6” , de este modo aplicando los cálculos de operaciones
de renglón de Gauss-Jordan se tratara de convertir los coeficientes de la primera columna desde
el renglón 2 al 4 en “ cero” .
Después de realizar los cálculos operacionales de renglón de Gauss-Jordan encontramos la tabla
n° 03; donde encontramos la segunda columna pivote que es la que corresponde a la variable X2
y el segundo renglón pivote que corresponde al vector de salida S2.+
Después de realizar los cálculos operacionales de renglón de Gauss-Jordan encontramos la tabla
n° 03; donde encontramos la segunda columna pivote que es la que corresponde a la variable X2
y el segundo renglón pivote que corresponde al vector de salida S2.
2.5. Método simplex minimización
Introducción
Hasta ahora los problemas y soluciones de programación lineal han sido dentro del campo de
valores de números reales, sin tener en cuenta que en algunos casos la solución no es posible
porque es necesario soluciones dentro del campo de números enteros. La programación entera
PE ha llegado a ser un área muy especializada de la ciencia de la Administración. Esto es así
porque cuando queremos asignar una persona a algún sitio, o fabricar barcos, aviones no es
posible dividirlos en partes por razones obvias. Hay que tener en cuenta el significado de PE, antes
de esta unidad las variables solución podían tener números como 6.253; ahora deben tener
números enteros como 7 ó 8 ó 9, es decir sin decimales; en algunos casos es posible los
problemas plantearan soluciones mixtas, es decir variables que permitan los números enteros y
variables que permitan decimales a lo cual se llaman PLM, o programación lineal mixta.
En este tema nos introduciremos dentro de este campo en forma superficial para ilustrar la
importancia del tema, así como los métodos de resolución más útiles y prácticos. Este problema de
la no divisibilidad debe ser resuelto por algoritmos especialmente diseñados para resolver
problemas de programación entera.
3.1. Algoritmo Ramificación y Acotamiento de Branch &
Bound
Los algoritmos de programación lineal entera se basan en el aprovechamiento del gran éxito
computacional de la programación lineal. En la estrategia de esos algoritmos interviene tres pasos.
Paso 1: Relajar el espacio de soluciones del programa lineal entero omitiendo la restricción entera
en todas las variables enteras y sustituyéndola por cualquier variable binaria y que tenga el
intervalo continuo 0 ≤y≤1. El resultado del relajamiento es un problema lineal normal.
Paso 3: Iniciar en el punto óptimo e ir agregando restricciones especiales que modifiquen en forma
iterativa el espacio de soluciones del programa lineal, en una forma que al final produzca un punto
extremo que satisfaga los requisitos enteros.
Se han desarrollado dos métodos generales para obtener las restricciones especiales del
paso 3 que son:
Ejemplo
Desarrollo:
Segunda parte
De esta solución se observa que en PLE no es posible por lo que se divide el problema en dos
subproblemas (acotamiento)
Subproblema 1 : Cuando X1 ≤ 3
Subproblema 2 : Cuando X1 ≥ 4
3.3 Problema tipo PLEM
En algunos casos es posible que una de las variables sea entera y la otra no, en este caso se
llamara problema lineal entero mixto, la solución recorre el mismo procedimiento para PLE solo que
se tiene en cuenta que una de las variables puede ser divisible.
Del caso resuelto anterior se tendría la siguiente solución: X1=4, X2= 0.83 y Z= 23.33; por ser la
que el máximo valor de Z.
Dirección: https://youtu.be/jAl-XtxXVV4
Lecturas recomendadas
Para saber más
Año : 2012
Año : 2010
Conclusiones
Con esta tercera semana has aprendido a solucionar problemas de programación lineal
donde las variables de decisión pueden ser enteras o mixtas, como es el caso de producción
de bienes indivisibles. Te felicito porque ya estas comprendiendo el mundo de la
investigación de operaciones en una forma práctica y amena.
Introducción
Los matemáticos Dénes Köning y Jenö Egervary presentaron sus trabajos en la primera mitad del
siglo XX, estos trabajos fueron la base con lo que el matemático William Harold Kuhn (1925-2014)
presento en 1955 su trabajo sobre el problema de asignación, y desde entonces se le conoce como
el método húngaro.
Un caso particular del modelo de transporte es el modelo de asignación, que tiene como propósito
asignar personas u objetos a tareas de tal forma que se optimice algún objetivo, por ejemplo:
minimizar tiempos de producción, costos o defectos de producción. Históricamente el problema de
asignación se resolvió utilizando las mismas técnicas que se utilizaban para el modelo de
transporte, sin embargo, resultaba tedioso hacerlo de esta manera debido a las características
particulares del mismo. A partir del trabajo realizado por dos matemáticos húngaros, se obtiene un
algoritmo eficiente para este modelo; Iniciamos la unidad planteando el problema general de
asignación, hacemos hincapié en su estructura, como en el caso especial del modelo de transporte
y planteamos algunos problemas tipo. Continuamos resolviendo el modelo de asignación por el
método húngaro. Terminamos la unidad estudiando algunos problemas de asignación
desbalanceados.
William Harold Kuhn, presento la primera versión conocida del método Húngaro en 1955. Esta fue
revisada por James Munkres en 1957, y ha sido conocido desde entonces como el algoritmo del
método húngaro, método de asignación Munkres, o el algoritmo de Kuhn-Munkres.
El algoritmo modela un problema de asignación como una matriz de costo m x n, donde cada
elemento representa el costo de asignar la n trabajadora al m trabajo. El algoritmo utiliza el método
de eliminación Gaussiana para hacer aparecer por lo menos un ceros en cada fila y columna. Sin
embargo, en el caso de un problema de maximización de beneficio, el costo de la matriz necesita
ser modificada de modo que la minimización de sus elementos resulte maximizar los valores de
costo originales.
Propiedad 2: Cada fila y cada columna tiene al menos una celda con un valor de cero
Siempre que en cualquiera de estas matrices, encuentre una asignación en la que cada celda
seleccionada tenga un valor de cero, ha encontrado, de hecho la asignación óptima.
Paso 2. Movimiento: Al sumar y/o sustraer números apropiados de las filas y/o columnas
de la actual matriz de asignación, cree una nueva matriz de asignación con las
propiedades 1 y 2 y vaya al paso 1. (p, 449)
Un Vicepresidente de una compañía Francesa desea envía cuatro gerentes (G1, G2, G3 y G4)
para un proceso de auditoría a las plantas situadas en Argentina, Brasil, Perú y Venezuela. Los
costos de envío y las plantas se reflejan en la Tabla 4.2.1 (Los costos pueden representar las
habilidades de cada gerente para solucionar ciertos problemas ubicados en cada planta, asimismo
puede ser costos de dinero o una relación relativa de capacidades)
Paso uno: Se identifica en cada fila el valor mínimo, que luego es restada de todos los valores de
cada fila
Paso dos: Se restan a cada fila el valor mínimo
Se ubica el valor mínimo de la matriz que no se encuentre cubierta por las líneas, para nuestro
caso es el número 2, el cual se restara a todos los otro números no cubiertos por las líneas; pero
para los números ubicados en las intersecciones de las líneas se sumaran
Pasó cinco: Se tachan todos los ceros (cuidando que sean con las líneas mínimas posibles),
para nuestro caso son cuatro, como la matriz es 4x4, el método ha terminado y procedemos a la
asignación de recursos.
Paso seis: La asignación de recursos empieza siempre por las columnas o filas que solo tienen un
cero, de otra manera no sería posible asignarles otro valor; posteriormente se trabaja para
asignarle a cada recurso a su actividad.
4.3 Casos especiales del método húngaro
Para resolver el método Húngaro es necesario que la matriz sea cuadrada, balanceada es decir
que las filas y columnas sean iguales o m = n, a veces por las condiciones del problema no es
posible cumplir este requisito por lo que aparecen dos condiciones, o faltan destinos o faltan
ofertas; en los casos se completan a una matriz cuadrada agregando la fila o columna ficticia
necesaria, con costo cero. Luego se aplica el algoritmo del método húngaro de las formas normal.
Al igual que en el caso anterior supongamos que el G4 por problemas personales no puede realizar
los trabajos de auditoría, por lo que en este caso los puntos demandados superan a la oferta, por lo
que quedarían tres gerentes para cuatro plantas, para compensar este problema se asigna un
gerente ficticia con costo cero. Trabajándose la matriz normalmente con el método húngaro.
Lo mismo se hace cuando existe la demanda supera a la oferta, pero en este caso se agrega una
oferta ficticia igual con costo cero, y se resuelve de la misma manera que una matriz balanceada.
Primer paso: Se balancea la matriz agregando (en este caso) una demanda ficticia con cero costo,
se identifican los valores mínimos en filas y columnas.
Segundo paso: Se calcula la matriz reducida de acuerdo al método Húngaro, en nuestro caso
Tercer paso: En nuestro caso tenemos cuatro líneas que cubren los ceros, la matriz es 4x4 por lo
que tenemos solución.
Video de Investigación de Operaciones
Para saber más
Ponemos a tu disposición dos vídeos cortos referentes al método Húngaro los cuales te
invitamos a visualizar para reforzar y ampliar los temas que hemos estudiado, estos los
encontrarás en la siguiente dirección electrónica:
Dirección: https://youtu.be/Rjts-iAq1XE
Dirección: https://youtu.be/0Zgdui3GqZo
Conclusiones
Con esta cuarta semana has aprendido el método de asignación de recursos cuando los
recursos son indivisible a n tareas; por ejemplo la asignación de gerentes a una actividad de
auditoría en diferentes países. Este es un tema importante porque la asignación también se
refiere a las diferentes tipos de capacidades de los recursos para dichas actividades o
preferencias de estrategias de quien asigne, también pueden ser usadas en estos casos.
Un problema clásico en PL es el problema de enviar bienes desde un punto a otro punto, esto
parece sencillo a primera vista sin embargo no lo es tanto, ya que en la vida real puede tratarse de
“n” puntos de embarque y “n” destinos por lo que en si se tiene una matriz “nxn” y todas las
combinaciones posibles, ojo cuidando que siempre se obtenga el mínimo costo.
El objetivo en estos modelos siempre será el de minimizar los costos, para mejorar las utilidades y
poder llevar a un precio competitivo a los clientes.
Mapa conceptual
Observa detenidamente el siguiente esquema, en el encontrarás de un “vistazo” de manera
sintetizada los principales concepto de la temática que abordaremos.
La solución usando los algoritmos de trasporte se realiza en dos partes, la primera se encuentra
una solución básica factible (no necesariamente óptima); en la senda parte, se utiliza otros
métodos que partiendo de una solución básica factible se llega a una solución óptima. Se debe
tener en cuenta que estos métodos la demanda es igual a la oferta, y la solución nos sirve como
una solución básica inicial, no necesariamente óptima.
Estos métodos son: Esquina Nor-Oeste, costo mínimo y Vogel. Antes de describir el procedimiento,
es necesario establecer que el número de variables básicas en cualquier solución básica de un
problema de transporte es una menos de la que se espera. Normalmente, en los problemas de
programación lineal, se tiene una variable básica para cada restricción. En los problemas de
transporte con m recursos y n destinos el número de restricciones funcionales es m+n. Sin
embargo el número de variables básicas = m + n-1 (Es decir las variables solución).
Paso 2. Salir del renglón o la columna cuando se alcance oferta o demanda cero, y tacharlo, para
indicar que no se puede hacer más asignaciones a ese renglón o columna. Si un renglón y una
columna dan cero al mismo tiempo, tachar sólo uno (el renglón o la columna) y dejar una oferta
(demanda) en el renglón (columna) que no se tachó.
Paso 3. Si queda exactamente un renglón o columna sin tachar, detenerse. En caso contrario
avanzar a la celda de la derecha si se acaba de tachar una columna o a la de abajo si se tachó un
renglón. Seguir con el paso 1. (p, 178)
Ejercicio 5.1
Tenemos la tabla 5.1 correspondiente al ejercicio 5.1, donde tenemos que la oferta es: 15+25+10 =
50 y la demanda es: 5+15+15+15 =50. Los orígenes son Tumbes, Lima y Arequipa, para satisfacer
una demanda en Cajamarca, Madre de Dios, Cuzco y Loreto. Los costos de transporte son Ci,j
En este ejercicio tenemos = m =3 , y n= 4 , entonces m+n= 7
Costos de transporte:
Solución:
Costo total = 5x10+10x2+5x7+15x9+5x20+10x18= 520
Este método determina una mejor solución de inicio, porque se concentra en las rutas menos
costosas. Se inicia asignando todo lo
posible a la celda que tenga el
mínimo costo unitario ( los empates
se rompen en forma arbitraria) . A
continuación, el renglón o la columna
ya satisfecha se tacha, y las
cantidades de oferta y demanda se
ajustan en consecuencia. Si se
satisface en forma similar simultanea
un renglón y una columna al mismo
tiempo, sólo se tacha uno de los
dos, igual que en el método de la
esquina noroeste. A continuación se
busca la celda no tachada con el
costo unitario mínimo y se repite el
proceso hasta que queda sin tachar
exactamente un renglón o una
columna.
5.1.3 Método de Vogel.
Este método es heurístico y suele producir una mejor solución inicial que los métodos anteriores.
De hecho, suele producir una solución inicial óptima, o próxima al nivel óptimo.
1. Determinar para cada renglón (columna) una medida de penalización restando el elemento
de costo unitario mínimo en el renglón (columna) del elemento con costo unitario siguiente
al mínimo del mismo renglón (columna).
a) Si queda sin tachar exactamente un renglón o columna con cero oferta o demanda,
detenerse.
b) Si queda sin tachar un renglón (columna) con oferta ( demanda) positiva, determinar las
variables básicas en el renglón (columna) con el método de costo mínimo. Detenerse.
c) Si todos los renglones o columnas sin tachar tiene oferta y demanda cero asignadas,
determínese las variables básicas cero a través del método de costo mínimo. Deténgase.
Paso 1: Usar la condición de optimalidad símplex para determinar la variable de entrada como
variable no básica actual que puede mejorar la solución. Si se satisface la condición de
optimalidad, detenerse. En caso contrario seguir con el paso 2
Paso 2: Determinar la variable de salida con la condición de factibilidad simplex. Cambiar la base y
regresar al paso 1.(P, 182)
Video de Investigación de Operaciones
Para saber más
Ponemos a tu disposición tres videos cortos referentes a los métodos de solución básica ( Nor-
Oeste, costo mínimo y Vogel) , asimismo el método MODI de optimizar la solución básica. Te
invitamos a visualizar los vídeos para reforzar y ampliar los temas que hemos estudiado, estos
los encontrarás en la siguiente dirección electrónica:
Dirección : https://youtu.be/FhDg5N4MF2U
Dirección: https://youtu.be/QYgP8pC0XTQ
Documento 3: " Método Modi”
Dirección: https://youtu.be/HKrIV9B_QaQ
Conclusiones
Con esta quinta semana has aprendido a tomar decisiones de transporte de mercadería
optimizando sus costos, utilizando modelos de investigación de operaciones que te ayudaran,
teniendo en cuenta que esta solución es solo una aproximación porque tendrá que validarse
primero con la realidad y luego con otros criterios como económicos, de marketing, entre otros.
Tema 06: Modelo de Control de Inventarios con Demanda
Independiente
Introducción
Uno de los elementos de la administración de producción más importantes es el control de
inventarios, ya que los inventarios es dinero convertido en materias primas, productos en proceso
hasta llegar a producto terminado, toda esa cadena es dinero invertido donde también hay que
incluir la cantidad de stock existentes en los almacenes, costos de mantenimientos, costos por
pedir a los proveedores, costos financieros si se realizaron préstamos bancarios, etc. Todos estos
costos representan un alto porcentaje del capital de trabajo, además de que sus niveles de stock
están ligados al nivel de servicio que la empresa ofrece a sus clientes. Por lo que la decisión de
controlarlos está completamente justificada y es un punto clave en la productividad de cualquier
empresa.
Un alto nivel de inventarios se ve reflejado en un alto nivel de “servicio al cliente” lo que traducido
significa que el cliente siempre tendrá lo que pide en el momento que lo requiera; esto obviamente
significa un alto costo para la empresa. En este punto existen criterios encontrados entre el
gerente de marketing y el gerente financiero, por un lado el gerente de marketing siempre
preferirá tener altos stock para cumplir los pedidos y el gerente financiero pedirá un mínimo stock
o por lo menos un stock con un nivel de servicio razonable para bajar los costos financieros. Por
otro lado producción prefiere trabajar a plena capacidad para bajar los costos fijos unitarios a su
mínima expresión, lo cual no es razonable sino se tiene en cuenta el mercado, ya que “mercadería
que no vendes equivale a plata que pierdes”.
6.1 Control de inventarios con demanda independiente
Una distinción importante en el control de inventarios es si la demanda es independiente o
dependiente. La demanda independiente está condicionada por las condiciones del mercado, fuera
de control de las operaciones. Es decir el mercado manda la demanda del producto. Por el
contrario la demanda dependiente se relaciona por la interdependencia que existe entre las partes
por ejemplo de un producto, así en operaciones si se quiere producir 10 vehículos, necesitaremos
4 puertas por cada vehículo, cuatro llantas , etc.
Los depósitos de inventario se localizan en diversos puntos dentro del proceso de producción, los
flujos de materiales conectan a un punto del inventario con otro. La tasa a la cual se repone el
inventario es la oferta, y la tasa de agotamiento del inventario es la demanda. El inventario actúa
como un amortiguador entre la tasa de oferta y la de demanda. (p, 357)
Todo administrador de inventarios debe pensar en dos decisiones que tomar, la primera se refiere
a la cantidad, es decir ¿Cuánto pedir u ordenar para volver a recuperar el stock?, y la segunda
pregunta es ¿Cuándo se debe pedir u ordenar?. El propósito de contestar estas preguntas es
para tomar la decisión que mejore la productividad y utilidades de la empresa.
En primer lugar se analizarán los modelos determinísticos de inventarios, en los que es razonable
suponer que la tasa de demanda del artículo es constante, o casi constante.
5. Tener una distribución eficiente de los inventarios, incluyendo las funciones de despacho y
recibo.
1. Costo unitario del artículo: es el costo derivado de comprar o producir los artículos
individuales de inventarios. Su unidad de medida es ($/unidad).
o Costo de capital.
o Costo de almacenamiento.
4. Costos de inexistencia: son los costos que reflejan las consecuencias de quedarse sin
material en un determinado momento.
o Falta de repuestos.
3. No se permiten inexistencias
El lote económico EOQ (Economic Order Quantity) o Orden Económica de Pedido, es una fórmula
que nos da la cantidad de producto a comprar o producir bajo los supuestos anteriormente
establecidos. A continuación trabajaremos la fórmula del lote económico como sigue:
i = Tasa de interés por llevar el inventario, porcentaje del valor en soles al año
De acuerdo a formula:
Supongamos que para abastecer el producto el proveedor se demora 5 días ¿Cuál sería el punto
de reorden?
El punto de reorden o pedido sería de 9cj, es decir cada vez que el stock se encuentre en 9cj el
administrador tendría que realizar un pedido.
Reemplazando S= m + s = m + z . σ
Los valores de “z” salen de la tabla de distribución normal de acuerdo al nivel de servicio requerid
Una dulcería tiene una demanda promedio de 200 cajas de chocolate al día, el tiempo de
reabastecimiento es de 4 días, la desviación estándar diaria de la demanda es de 150 cajas, y
su nivel de servicio deseado es del 95%.
I= 20% al año
Solución:
Demanda anual = 250*200 = 50,000 cj / año
Se realiza una revisión en instantes concretos, tras intervalos temporales de igual longitud
(período de revisión, T). Después de la revisión se lanza una orden de pedido, la cantidad de la
cual es determinada a partir de la diferencia entre la cobertura S y el nivel de stock observado.
6.5.4 Ejercicio tipo sistema de revisión periódica
Del mismo caso del ejercicio 8.4.1 tenemos
Dirección : https://youtu.be/C6z5QKwr1ys
Dirección: https://youtu.be/PPxkrUgVMGA
Dirección: https://youtu.be/QNkpbIymkHo
Dirección: https://youtu.be/FUGVbrmXp0o
Dirección: https://youtu.be/VoA3X5ObYZs
Lecturas recomendadas
Para saber más
Año : 2012
Documento 1: e-libro Investigación de Operaciones: Programación lineal. Problema de
transporte. Análisis de redes .
Año : 2010
Tema 07: Modelo de Línea de Espera
Introducción
La vida cotidiana lleva consigo que tengamos que hacer colas cuando necesitamos un servicio, por
ejemplo, colas para pagar en un super mercado, colas para pagar en una farmacia, para ver una
película, colas para lavar el carro, colas para subir al metro, colas para un servicio estatal sea
Municipalidades, Sunat, Sunarp, o para servicios bancarios, etc. Bueno el problema que causa a
las personas las colas es el mismo, Stress, pérdida de tiempo que podrías emplearla en algo más
productivo, cansancio, inclusive dejar la cola para buscar un sustituto del servicio o producto que
buscas si es que lo hubiera; en éste caso se trataría de una perdida potencial de clientes, y por lo
tanto la posibilidad de que las utilidades bajen.
Tenemos que hacer cola para que nos atiendan y tal vez otra para pagar. Casi siempre pensamos
que estamos perdiendo el tiempo y a veces nos vamos a otro proveedor del servicio porque no
queremos seguir perdiendo más tiempo. Es en este punto, que el administrador del negocio tiene
que reflexionar entre mejorar el servicio colocando nuevos puntos (cajeras, médicos, técnicos, etc.)
para mejorar la calidad o pagar las consecuencias de perder los clientes. El estudio de las colas es
importante porque proporciona tanto una base teórica del tipo de servicio que podemos esperar de
un determinado recurso, como la forma en la cual dicho recurso puede ser diseñado para
proporcionar un determinado grado de servicio a sus clientes.
Debido a lo comentado anteriormente, se plantea como algo muy útil el desarrollo de una
herramienta que sea capaz de dar una respuesta sobre las características que tiene un
determinado modelo de colas.
La respuesta es casi siempre simple, en algún momento la capacidad de servicio ha sido (o es)
menor que la capacidad demandada. Esta limitación se puede eliminar invirtiendo en elementos
que aumenten la capacidad. En estos casos la pregunta es: ¿Compensa invertir? La teoría de
colas intenta responder a estas preguntas utilizando métodos matemáticos analíticos
Mapa conceptual
Observa detenidamente el siguiente esquema, en el encontrarás de un “vistazo” de manera
sintetizada los principales concepto de la temática que abordaremos.
Se conoce como fila de espera una hilera formada por uno o varios “clientes” que esperan a recibir
un servicio. Los clientes pueden ser personas u objetos inanimados, como máquinas que requieren
mantenimiento, pedidos de mercaderías en espera de ser enviados, o artículos del inventario de
espera de ser utilizados. Las filas de espera se forman debido a un desequilibrio temporal entre la
demanda de un servicio y la capacidad del sistema para suministrarlo. En la mayoría de los
problemas de filas de espera que se presentan en la vida real, la tasa de demanda varía; es decir,
los clientes llegan a intervalos impredecibles.
Lo más común es que también haya
variaciones en la tasa de producción del
servicio, dependiendo de las necesidades del
cliente.(p, 292)
Identificar el nivel óptimo de capacidad del sistema que minimiza el coste global del mismo.
Taha (2004) dice sobre los elementos comunes que tienen los
diferentes modelos de colas:
Los actores principales en una línea de espera o cola son el cliente y el servidor. Los clientes se
en una fuente. Al llegar a la instalación pueden recibir servicio inmediato, o esperar en una cola o
línea de espera, si la instalación está ocupada. Cuando en una instalación se termina un servicio,
en forma automática se “atrae” a un cliente que espera, si lo hay, de la cola. Si la cola está vacía, la
instalación se vuelve inactiva hasta que llega un cliente nuevo.
Desde un punto de vista del análisis de las colas, el proceso de llegada se representa con el
tiempo entre llagadas, de los clientes sucesivos, y el servicio se describe con el tiempo de servicio
por cada cliente. Por lo general, los tiempos entre llegadas y de servicios pueden ser
probabilísticos o determinísticos.
El tamaño de la cola, desempeña un papel en el análisis de las colas, y puede ser finito, como en
el área de reserva entre dos máquinas consecutivas, o pueden ser infinitos, como en las
instalaciones de pedido por correos.
La disciplina de la cola, que representa el orden en el que se seleccionan los clientes de una
cola, es un factor importante en el análisis de los modelos de colas. La disciplina más común es la
primero en llegar, primero en servirse ( PLPS; también FCFS, del ingles first come, first served).
Entre otras disciplinas están ultimo en llegar, primero en servirse (ULPS; también LCFC de last
come, first served), y de dar servicio en orden aleatorio ( SEOA; también SIRO, de service in
ramdom order). También, los clientes se pueden seleccionar en la cola con base en cierto orden de
prioridad. Por ejemplo, los trabajos urgentes en un taller se procesan antes que los trabajos
normales.
El comportamiento de los clientes en espera juega un papel en el análisis de las líneas de espera.
Los clientes “ humanos” se pueden saltar de una cola a otra, tratando de reducir la espera.
También pueden rehusar totalmente a la cola por haber esperado demasiado.
La fuente donde se generan los clientes puede ser finita o infinita. Una fuente finita limita a los
clientes que llegan al servicio ( por ejemplo, las maquinas que piden el servicio de
mantenimiento) . También, una fuente infinita es abundante por siempre ( por ejemplo, las llamadas
que llegan a una central telefónica).
Las variaciones de los elementos de un caso de colas dan lugar a diversos modelos de colas.
(p,581)
La cantidad de personas en el sistema: Las que están recibiendo el servicio actualmente, así como
las que lo están esperando.
b) El tiempo de espera: : Lapso que media entre momento que un individuo entra en el sistema y el
momento en que sale. El lapso incluye la duración del servicio.
c) El tiempo de espera en fila: Tiempo que media entre el tiempo de entrar al servicio y el tiempo de
inicio del servicio
Se debe tener en cuenta que cada modelo de cola tiene sus propias fórmulas matemáticas.
7.4.1 Definiciones del modelo básico M/M/1
Cada llegada de un cliente es una “tarea “, como cada llegada es independiente y no conocemos
su momento de llegada decimos que es probabilística, por lo tanto decimos que para este caso
tiene una distribución exponencial al igual que el tiempo de servicio, para nuestro modelo
distribución exponencial es también la distribución de Poisson. De la Fig. 6.2 definimos lo
siguiente:
7.4.2 Formulas del modelo básico
generalizado
Aunque la distribución exponencial describe muy bien el proceso de llegada, en algunas ocasiones
no se adapte muy bien al proceso de servicios, por lo que se desarrolló un modelo generalizado del
modelo básico, donde la distribución de tiempo de servicios es arbitraria; es decir ni siquiera es
necesario conocer el tipo de distribución del tiempo de servicio. Este modelo solo necesita conocer
su media, 1/ λ y su desviación estándar σ2 . La siguiente tabla 6.2 nos muestra las fórmulas de
este modelo:
7.6.1 Ejercicio de aplicación del modelo generalizado
Supongamos que tenemos que decidir contratar a una secretaria entre dos candidatas, una tiene
un tiempo de 15 minutos por tarea (muy constante) y la otra tiene una duración de 14 minutos pero
con distribución exponencial. Las tareas llegan a un ritmo de 3 documentos por hora
7.7 Modelo una cola varios servidores M/M/S
Con el paso del tiempo se ha implantado una notación para representar los problemas de colas
que constan de 5 símbolos separados por barras. (Notación Kendall)
A / B / X /Y / Z
Z: es la disciplina de cola
M = Exponencial
D= Determinantica
G= General
7.9 Fórmulas para sistemas más comunes
Video de Investigación de Operaciones
Para saber más
Dirección: https://youtu.be/jb3_zvj0w_c
Dirección : https://youtu.be/GuiMiHqJuCg
Documento3: " Ejercicio de colas1”
Dirección: https://youtu.be/t3x2KinUqAA
Dirección: https://youtu.be/AxVTQTRDVbk
Conclusiones
Con esta séptima semana has aprendido a tomar decisiones acerca de la cantidad de
servidores o puntos de servicios se deberán colocar, para tener un nivel de servicio y costo
razonable aceptable por la empresa para balanceado el criterio de costos versus
satisfacción del cliente.