Академический Документы
Профессиональный Документы
Культура Документы
PROYECTO DE TESIS
AUTOR:
ASESORES
LÍNEA DE INVESTIGACIÓN
TRUJILLO-PERÚ
2015
I. GENERALIDADES
1.1. Título
APLICACIÓN DE UN MODELO MATEMÁTICO DE PLANIFICACIÓN DE RUTAS PARA
MINIMIZAR LOS COSTOS DEL REPARTO DE CARGA DE LA EMPRESA SAN ISIDRO
LABRADOR S.R.L. EN EL AÑO 2015
1.2. Autor
Carbonel Namay Teresa
Escuela de Ingeniería Industrial
Facultad de Ingeniería
1.3. Asesores
Mg. Santos Santiago Javez Valladares
Ing. Lucía Padilla Castro
Universidad César Vallejo
1.4. Tipo de investigación
1.4.1. De acuerdo al fin que se persigue:
Investigación aplicada, porque adapta las bases teóricas de la investigación
de operaciones, cadena de suministro y la metodología de la investigación
científica para dar solución a la realidad problemática de la empresa en
estudio.
1.4.2. De acuerdo a la técnica de contrastación:
Investigación experimental, porque se manipula intencionalmente el modelo
matemático de optimización y planificación de rutas para observar sus
efectos en el sistema de reparto, mediante una simulación de sus resultados.
1.4.3. De acuerdo al régimen de investigación:
Libre, porque el tema de investigación fue elegido por decisión del
investigador.
1.5. Línea de investigación
Gestión empresarial y productiva
1.6. Localidad
Av. Cesar Vallejo 894 Urb. Palermo – Trujillo, Perú
1.7. Duración de la investigación
FECHA DE INICIO: abril 2015
FECHA DE TÉRMINO: diciembre 2015
II. PLAN DE INVESTIGACIÓN
2.3. Objetivos
2.3.1. General
Planificar las rutas de reparto de carga a través de un modelo matemático
para minimizar los costos del reparto de cargas de la empresa San Isidro
Labrador S.R.L. en el año 2015
2.3.2. Específicos
- Analizar la situación actual del reparto de carga.
- Mapear los clientes del sistema de reparto.
- Determinar los costos actuales del reparto de carga.
- Desarrollar varios modelos matemáticos de planificación de rutas.
- Simular los resultados de los costos en distintos panoramas de
ocurrencia, con LINDO Systems, eligiendo el modelo que optimice los
costos de distribución.
- Medir el impacto del modelo matemático de planificación de rutas
elegido en el costo del sistema de reparto, mediante el análisis técnico y
estadístico.
2.4. Antecedentes
2.5. Justificación
Restricción de desigualdad
𝒙𝒋 ≥ 𝟎 , 𝒋 = 𝟏, 𝟐, … , 𝒏
Sujeto a:
𝒏
∑ 𝒙𝒊𝒋 = 𝟏 𝒑𝒂𝒓𝒂 𝒊 = 𝟏, 𝟐, … , 𝒏,
𝒋=𝟏
𝒏
∑ 𝒙𝒊𝒋 = 𝟏 𝒑𝒂𝒓𝒂 𝒋 = 𝟏, 𝟐, … , 𝒏,
𝒊=𝟏
y
𝒙𝒊𝒋 ≥ 𝟎, 𝒑𝒂𝒓𝒂 𝒕𝒐𝒅𝒂 𝒊 𝒚 𝒋
(𝑥𝑖𝑗 binarias, para toda i y j)
El conjunto de restricciones especifica que cada n individuos se le debe asignar n
tareas; siendo 𝒄𝒊𝒋 , el costo de asignar al individuo la tarea, con la finalidad de
establecer una asignación en la que el costo total sea el mínimo.
Para este estudio clasificamos a los modelos de rutas en problemas de ruteo de
vehículos (VRP) y las heurísticas tradicionales para el VRP.
Los problemas de ruteo de vehículos consisten en que un conjunto de clientes y
depósitos dispersos geográficamente con una flota de vehículos, mediante un
modelo matemático se logre determinar un conjunto de rutas de costo mínimo que
comiencen y terminen en los depósitos, para que los vehículos visiten a los clientes.
Las características de los clientes, depósitos y vehículos, así como diferentes
restricciones operativas sobre las rutas, dan lugar a diferentes variantes del
problema. Aunque el problema de ruteo de vehículos pueda tener muchas
variaciones, se pueden reducir a unos tipos básicos como:
- El problema del agente viajero (TSP) consiste en que un solo vehículo
visite el conjunto de ciudades con el costo del viaje (o distancia) entre
cada uno de los posibles pares. El TSP se dispone encontrar la mejor
manera posible de visitar todas las ciudades y volver al punto de partida
que reducen al mínimo el costo de viaje (o la distancia de viaje).
(DAVAENDRA, 2010)
La formulación de Dantzig se extiende fácilmente al caso asimétrico.
Aquí 𝑥𝑖𝑗 es una variable binaria, asociado con arco (i, j) e igual a 1 si y
sólo si el arco aparece en el recorrido óptimo. La formulación es la
siguiente:
Sujeto a:
𝒏
∑ 𝒙𝒊𝒋 = 𝟏 (𝑖 ∈ 𝑉, 𝑖 ≠ 𝑗)
𝒋=𝟏
𝒏
∑ 𝒙𝒊𝒋 = 𝟏 (𝑗 ∈ 𝑉, 𝑗 ≠ 𝑖)
𝒊=𝟏
𝒙𝒊𝒋 = 𝟎 𝒐 𝟏 (𝑖, 𝑗) ∈ 𝐴
La función objetivo establece que el costo total de la solución es la suma
de los costos de los arcos utilizados. Las restricciones indican que la ruta
debe llegar y abandonar cada nodo exactamente una vez. Finalmente,
las restricciones de eliminación de sub-tours indican que todo
subconjunto de nodos S debe ser abandonado al menos una vez.
- El problema de los m agentes viajeros (m-TSP) es una generalización del
TSP en la cual se tiene un depósito y m vehículos. El objetivo es construir
exactamente m rutas, una para cada vehículo, de modo que cada cliente
sea visitado una vez por uno de los vehículos. Cada ruta debe comenzar
y finalizar en el depósito y puede contener a lo sumo p clientes. Una
formulación, dada por Miller et al., es la siguiente:
𝐦𝐢𝐧 𝒁 = ∑ 𝒄𝒊𝒋 𝒙𝒊𝒋
(𝒊,𝒋)∈ 𝑬
Sujeto a:
∑ 𝒙𝟎𝒋 = 𝒎
𝒋 ∈ ∆+(𝟎)
∑ 𝒙𝒊𝒋 = 𝟏 ∀ 𝒊 ∈ 𝑽 \ {𝟎}
𝒋 ∈ ∆+(𝒊)
∑ 𝒙𝒊𝒋 = 𝟏 ∀ 𝒋 ∈ 𝑽 \ {𝟎}
𝒊 ∈ ∆−(𝒋)
∑ 𝒙𝒊𝒋 = 𝟏 ∀ 𝒊 ∈ 𝑽 \ {𝟎}
𝒋 ∈ ∆+(𝒊)
𝒖𝒊 − 𝒖𝒋 + 𝒑𝒙𝒊𝒋 ≤ 𝒑 − 𝟏 ∀ (𝑖, 𝑗) ∈ 𝐸, 𝑖 ≠ 0, 𝑗 ≠ 0
𝒙𝒊𝒋 ∈ {𝟎, 𝟏} ∀ (𝑖, 𝑗) ∈ 𝐸
𝒖𝒊 ≥ 𝟎 ∀ 𝑖 ∈ 𝑉 \ {0}
Sujeto a:
∑ 𝒙𝟎𝒋 = 𝒎
𝒋 ∈ ∆+(𝟎)
∑ 𝒙𝒊𝟎 = 𝒎
𝒊 ∈ ∆−(𝟎)
∑ 𝒙𝒊𝒋 = 𝟏 ∀ 𝑖 ∈ 𝑉 ∖ {0}
𝒋 ∈ ∆+(𝒊)
∑ 𝒙𝒊𝒋 = 𝟏 ∀ 𝑗 ∈ 𝑉 ∖ {0}
𝒊 ∈ ∆−(𝒋)
𝒎≥𝟏
𝒙𝒊𝒋 ∈ {𝟎, 𝟏} ∀ (𝑖, 𝑗) ∈ 𝐸
La función objetivo es el costo total de la solución. Las restricciones
indican que m es la cantidad de vehículos utilizados en la solución y que
todos los vehículos que parten del depósito deben regresar. Las
restricciones aseguran que todo cliente es un nodo intermedio de alguna
ruta y la última restricción actúa como restricción de eliminación de sub-
tours y a la vez impone que la demanda total de los clientes visitados por
un vehículo no puede superar la capacidad C.
Determinar el valor de r(S) requiere la resolución del siguiente problema:
𝑟(𝑆) = min ∑ 𝑦𝑘
𝑘∈𝐾
Sujeto a:
∑ 𝑑𝑖 𝑥𝑖𝑘 ≤ 𝐶𝑦𝑘 ∀𝑘 ∈𝐾
𝑖∈𝑆
∑ 𝑥𝑖𝑘 = 1 ∀𝑖 ∈𝑆
𝑘∈𝐾
𝑥𝑖𝑘 ∈ {0,1} ∀ 𝑖 ∈ 𝑆, ∀ 𝑘 ∈ 𝐾
𝑦𝑘 ∈ {0,1} ∀𝑘 ∈𝐾
Donde k es un conjunto con suficientes vehículos para satisfacer la
demanda (por ejemplo,). Este problema, según Martello (1990) es
conocido como Bin Packing Problem (BPP). Una cota inferior para la
cantidad de vehículos está dada por el valor óptimo de la relajación lineal
𝑑(𝑠)
del BPP, que es ⌈ 𝐶
⌉. La formulación es válida incluso cuando se
𝑑(𝑠)
sustituye r(S) por la cota inferior ⌈ 𝐶
⌉.
Sujeto a:
∑ ∑ 𝒙𝒌𝒊𝒋 = 𝟏 ∀ 𝑗 ∈ 𝑉 ∖ {0}
𝒌∈𝑻 𝒊∈∆+(𝒋)
∑ 𝒙𝒌𝒊𝒋 − ∑ 𝒙𝒌𝒊𝒋 = 𝟎 ∀ 𝑖 ∈ 𝑉, ∀ 𝑘 ∈ 𝑇
𝒋∈∆+(𝒊) 𝒋∈∆−(𝒊)
𝒓𝟎 = 𝟎
𝒓𝒋 ≤ ∑ ∑ 𝒒𝒌 𝒙𝒌𝒊𝒋 ∀ 𝑗 ∈ 𝑉 ∖ {0}
𝒌∈𝑻 𝒊∈∆−(𝒋)
Sujeto a:
∑ ∑ 𝒙𝒌𝒊𝒋 = 𝟏 ∀ 𝑖 ∈ 𝑉 ∖ {0, 𝑛 + 1}
𝒌∈𝑲 𝒋∈∆−(𝒊)
∑ 𝒙𝒌𝟎𝒋 = 𝟏 ∀𝑘 ∈𝐾
𝒋∈∆+(𝟎)
∑ 𝒅𝒊 ∑ 𝒙𝒌𝒊𝒋 ≤ 𝒒𝒌 ∀𝑘 ∈𝐾
𝒊∈𝑽∖{𝟎,𝒏+𝟏} 𝒋∈∆+(𝒊)
𝐦𝐢𝐧 𝒁 ∑ 𝒂𝒊𝒌 𝒙𝒌 = 𝟏
𝒌∈𝑹
Sujeto a
∑ 𝒂𝒊𝒌 𝒙𝒌 = 𝟏 ∀ 𝑖 ∈ 𝑉 ∖ {0}
𝒌∈𝑹
𝒙𝒊𝒌 ∈ {𝟎, 𝟏} ∀ 𝑘 ∈ 𝑆
Donde 𝒂𝒊𝒌 vale 1 si el cliente es visitado por la ruta 𝒓𝒌 y 0 si no y donde
𝒄𝒌 es el costo de la ruta 𝒓𝒌 . La variable 𝒙𝒌 indica si la ruta 𝒓𝒌 es
seleccionada o no en la solución final. Esta formulación se debe a Balinski
y Quandt (1964). En el caso extremo de que R contenga todas las posibles
rutas factibles, solucionar el SPP es equivalente a resolver el problema
en forma exacta. Como la cantidad de rutas factibles es, en el caso
general, exponencial en la cantidad de clientes, se suele generar
solamente un subconjunto de formado por “buenas” rutas.
Cada columna del SPP representa una ruta de R. Cuando en toda
columna los ceros aparecen de forma consecutiva, el problema verifica
la propiedad de Columnas Circulares y el SPP correspondiente puede ser
resuelto en tiempo polinomial. Trasladada al problema la propiedad
establece que, para determinado ordenamiento de los clientes del
problema, el conjunto de clientes visitado por cada ruta forma un
intervalo (que en algunos casos tiene forma de pétalo). Diversas técnicas
han sido propuestas para generar “buenos” conjuntos de rutas que
verifiquen la propiedad llamadas 1-pétalos y 2-pétalos.
- Los métodos asignar primero y rutear después (cluster first - route
second) proceden en dos fases. Primero se busca generar grupos de
clientes, también llamados clusters, que estarán en una misma ruta en la
solución final. Luego, para cada cluster se crea una ruta que visite a todos
sus clientes. Las restricciones de capacidad son consideradas en la
primera etapa, asegurando que la demanda total de cada cluster no
supere la capacidad del vehículo.
o Uno de ellos es el algoritmo del barrido o sweep, consiste en
que los clusters se forman girando una semirrecta con origen en
el depósito e incorporando los clientes “barridos” por dicha
semirrecta hasta que se viole la restricción de capacidad. Cada
cluster es luego ruteado resolviendo un TSP de forma exacta o
aproximada.
Este algoritmo puede aplicarse en problemas planos, es decir, en
los que cada nodo se corresponde con un punto en el plano y las
distancias entre ellos se definen como la distancia euclídea. Se
supone que cada cliente i está dado por sus coordenadas polares
(𝜌𝑖 , 𝜃𝑖 ) en un sistema que tiene al depósito como origen. (WREN,
1971)
Paso 1 (inicialización). Ordenar los clientes según θ de manera
creciente. Si dos clientes tienen igual valor de θ, colocar primero
el de menor valor de ρ. Seleccionar un cliente w para comenzar
y hacer k = 1 y ∁𝑘 = {w}
Paso 2 (selección). Si todos los clientes pertenecen a algún
cluster, ir a 3. Si no, seleccionar el siguiente cliente 𝑤𝑖 . Si 𝑤𝑖
puede ser agregado ∁𝑘 sin violar las restricciones de capacidad,
hacer ∁𝑘 = ∁𝑘 ∪ {𝑤𝑖 }. Si no, hacer k = k + 1 y crear un nuevo cluster
∁𝑘 = {𝑤𝑖 }. Ir a 2.
Paso 3 (optimización). Para cada cluster ∁𝑘 para t = 1,..., k,
resolver un TSP con sus clientes.
o El otro es el algoritmo de Fisher y Jaikumar, en el que proponen
generar los clusters resolviendo un Problema de Asignación
Generalizada (GAP) sobre los clientes. Primero se fijan K clientes
semilla 𝑠𝑘 con k = 1,..., K sobre la base de los cuales se
construirán los clusters. En una segunda fase, se decide qué
clientes asignar a cada uno de los clusters de modo de no violar
la capacidad del vehículo, resolviendo un GAP que se define a
continuación:
𝑲
Sujeto a:
𝑲
∑ 𝒙𝒊𝒌 = 𝟏 ∀ 𝑖 ∈ 𝑉 ∖ {0}
𝒌=𝟏
∑ 𝒒𝒊𝒌 𝒙𝒊𝒌 ≤ 𝑸 ∀ 𝑘 = 1, … , 𝐾
𝒊∈𝑽∖{𝟎}
Un arco (𝑣𝑖 , 𝑣𝑗 ) representa la ruta (0, 𝑣𝑖+1 ,…, 𝑣𝑗 , 0). Cada camino de 0 a
𝑣𝑛 en G representa una posible partici´on de la ruta r en rutas que
respetan las restricciones de demanda. Por lo tanto, el camino de costo
mínimo entre 0 y 𝑣𝑛 representa la partición de costo mínimo de la ruta
original en rutas que respetan la restricción de capacidad.
Es por ello que la simulación es el estudio de un sistema o sus partes mediante
manipulación de su representación matemática o de su modelo físico; es por ello
que el análisis de procesos se refiere a la especificación matemática del problema
para la situación física dada, el análisis detallado para obtener modelos
matemáticos, y finalmente la síntesis y presentación de resultados para asegurar la
total comprensión. La simulación permite comparar distintos diseños y procesos
que todavía no están en operación y ensayar hipótesis sobre sistemas o procesos
antes de llevarlos a la práctica, permite estudiar el efecto de la modificación de las
variables y parámetros con resultados reproducibles. En el modelo matemático se
puede introducir o retirar a voluntad un error, lo cual no es posible en la realidad,
ya que constituye una importante ayuda material para el estudio de los sistemas
de control y se puede ensayar la sensibilidad de los parámetros de costes y los
parámetros básicos del sistema. (HIMMELBLAU, y otros, 1992)
Las aplicaciones de software de planificación y optimización de rutas de
transporte son efectivas para el mejoramiento de la utilización de los recursos de
transporte, entre sus beneficios se encuentran la reducción del tiempo de trayecto
de los viajes, del kilometraje en los vehículos, la disminución de costos y el
mejoramiento en las entregas a los clientes, lo que a su vez se traduce en un mejor
control y servicio al cliente. Todo esto se obtiene procesando rápidamente la
información de ubicación de las bodegas donde se encuentren los productos a
despachar, de los clientes a satisfacer, y las cantidades y los tipos de carga a ser
transportados, acoplando todo esto a la flota disponible para optimizar el uso de
los recursos (MORA, 2010).
Por otro lado se debe medir la forma como se genera el trabajo el cual es un
método investigativo basado en la aplicación de diversas técnicas para determinar
el contenido de una tarea definida fijando el tiempo que un trabajador calificado
invierte en llevarla a cabo siguiendo a un ritmo normal un método predeterminado
con el objetivo de determinar el tiempo estándar, que es medir la cantidad de
trabajo humano necesario para producir un bien o servicio en términos de un
patrón que es el tiempo. El estudio de tiempos es una técnica de medición del
trabajo empleada para registrar los tiempos y ritmos de trabajo correspondientes
a los elementos de una tarea definida, efectuada en condiciones determinadas, y
para analizar los datos a fin de averiguar el tiempo requerido para efectuar la tarea
según una norma de ejecución preestablecida. Los estudios de tiempos exigen el
registro de numerosos datos (códigos o descripciones de elementos, duración de
elementos, notas explicativas). Los apuntes se pueden tomar en un formulario para
ciclo breve que es un modelo sencillo que se presta para estudiar casi todos los
trabajos corrientes de ciclo breve.
Las etapas del estudio de tiempos son: obtener y registrar toda la informaci6n
posible acerca de la tarea, registrar una descripción completa del método
descomponiendo la operación en “elementos”, examinar ese desglose para
verificar si se están utilizando los mejores métodos y movimientos, y determinar el
tamaño de la muestra con una fórmula basada en la distribución t – student el
analista puede determinar el tamaño de la muestra “n” requerido:
𝑠∗𝑡 2
𝑛=( )
𝑘 ∗ 𝑥̅
Donde:
s = desviación estándar de la muestra
t = depende de “α” y “n-1”
k = precisión (% que se admite como máximo error, al tomar la medida de la
muestra como valor verdadero)
𝑥̅ = valor medio de las observaciones preliminares tomadas
El máximo error permito = k * 𝑥̅
El máximo error obtenido = 𝑠 ∗ 𝑡⁄
√𝑛
El intervalo de confianza obtenido = 𝑥̅ ± máx. error obtenido
El intervalo de confianza permito = 𝑥̅ ± máx. error permito
Precisión real obtenida (Kr) = máx. error obtenido / 𝑥̅
Kr se usa para determinar el número de observaciones restantes; por tanto, cuando
Kr ≤ k el número de observaciones “n” será adecuado.
Consiguientemente medir el tiempo con un instrumento apropiado y registrar el
tiempo invertido por el operario en llevar a cabo cada “elemento” de la operación,
determinar simultáneamente la velocidad de trabajo efectiva del operario por
correlación con la idea que tenga el analista de lo que debe ser el ritmo tipo,
convertir los tiempos observados en “tiempos básicos”, determinar los
suplementos que se añadirán al tiempo básico de la operación y determinar el
“tiempo tipo” propio de la operación. Para la toma de tiempos con cronometraje
acumulativo el reloj funciona de modo ininterrumpido durante todo el estudio; se
pone en marcha al principio del primer elemento del primer ciclo y no se lo detiene
hasta acabar el estudio. Al final de cada elemento se apunta la hora que marca el
cronómetro, y los tiempos de cada elemento se obtienen haciendo las respectivas
restas después de terminar el estudio. Con este procedimiento se tiene la
seguridad de registrar todo el tiempo en que el trabajo está sometido a
observación. (Tablas 1,2,3 del anexo)
La valoración del ritmo de trabajo y los suplementos de tiempo que se deben
prever para recuperarse de la fatiga y para otros fines siguen siendo en gran parte
cuestión de criterio, y por tanto objeto de negociación entre la empresa y los
trabajadores. La calificación del operador debe hacerse única y exclusivamente en
el curso de las observaciones de los tiempos elementales.
Para ello existen escalas de valorización que tienen la finalidad de ponderar los
factores externos que afectan al ritmo de trabajo, generándose la nivelación.
Cuando se utiliza este sistema Westinghouse, al evaluar la actuación del operador
se considerar cuatro factores: habilidad, esfuerzo, condiciones y consistencia; cada
uno posee indicadores de evaluación. La habilidad es el aprovechamiento al
conseguir un método dado; el observador debe evaluar y calificar dentro de las seis
clases: habilísimo, excelente, bueno, medio, regular y malo; la habilidad desplegada
del operador. El esfuerzo es la demostración de la voluntad para trabajar con
eficiencia y puede ser controlada en un alto grado por el operador. Las condiciones
son aquellas circunstancias que afectan solo al operador y no a la operación; son
los elementos que pueden afectar las condiciones de trabajo como: temperatura,
ventilación, alumbrado, ruido, etc. Por su la consistencia es el grado de variación
en los tiempos transcurridos, mínimos y máximos, en relación con la media,
juzgado con arreglo a la naturaleza de las operaciones y la habilidad y esfuerzo del
operador. (Tabla 4 del anexo)
Por lo tanto el tiempo normal (T.N.) se obtiene de la siguiente manera:
𝑇. 𝑁. = 𝑇𝑜 ∗ 𝑉
Donde:
To = tiempo observado
V = valorización con el sistema Westinghouse
El suplemento del estudio de tiempo es el tiempo que se concede al trabajador
con el objeto de compensar, los retrasos, demoras y los elementos contingentes
que son partes regulares de la tarea. El suplemento por retrasos por fatiga es la
reducción de la habilidad para hacer un debido trabajo a lo previamente efectuado;
los factores que tienden a producir fatiga son: constitución del individuo, tipo de
trabajo, condiciones del trabajo, monotonía y tedio, ausencia de descansos
apropiado, alimentación del individuo, esfuerzo físico y mental requerido,
condiciones climática, tiempo trabajando. Uno de los métodos para calcular los
suplementos por fatiga es la valorización objetiva con estándares de fatiga que
contiene una cantidad básica constante y una cantidad variable que depende del
grado de fatiga que se suponga cause el elemento; el Sistema de suplementos por
descanso en porcentaje de los tiempos básicos posee factores que deben tenerse
en cuenta para calcular el suplemento variable pueden ser: trabajo de pie, postura
anormal, levantamiento de pesos o uso de la fuerza, intensidad de luz, calidad de
aire, tensión visual, tensión auditiva, tensión mental, monotonía mental,
monotonía física. (Tabla 5 del anexo) (GARCÍA, 1999)
El proceso de la solución de un programa de matemáticas requiere un gran número
de cálculos y es, por lo tanto, realiza mejor mediante un programa informático. El
programa de ordenador que utilizaremos se llama LINDO System. LINDO (Lineal,
INteractive, and Discrete Optimizer) es una herramienta conveniente, pero de gran
alcance para la solución lineal, entero, y problemas de programación cuadrática.
Estos problemas ocurren en las áreas de negocio, la industria, la investigación y el
gobierno. Áreas de aplicación específicas donde LINDO ha demostrado ser de gran
utilidad incluiría la distribución del producto, ingrediente de mezcla, producción y
programación de personal, gestión de inventario, etc. El principal propósito de
LINDO es permitir al usuario introducir rápidamente una formulación del modelo,
resolverlo, evaluar la exactitud o idoneidad de la formulación a base de la solución,
de forma rápida hacer modificaciones menores a la formulación, y repetir el
proceso. LINDO comprueba si un comando en particular tiene sentido en un
contexto particular. LINDO se utiliza con frecuencia para resolver problemas con
decenas de miles de restricciones y cientos de miles de variables, un modelo LINDO
tiene un requisito mínimo de tres cosas se necesita un objetivo, variables y
restricciones.
El primer requisito es la función objetivo, existe dos maneras de definirla MAX o
MIN, que representan maximizar y minimizar, por ejemplo, es posible que desee
maximizar los beneficios o minimizar costos. La primera palabra de un modelo
LINDO debe ser MAX o MIN, la fórmula se introduce después de MAX o MIN se
llama la función objetivo. Después se revisarán las restricciones ya que son la parte
más importante del modelo, esto se hace mediante la introducción de las palabras
SUJECT TO en la línea siguiente de su modelo (o sólo las letras ST), al pulsar la tecla
ENTER. En las líneas siguientes tenga en cuenta que LINDO interpreta el símbolo <
en el sentido de "menos-que-o- igual" en lugar de estrictamente "menor que". Si
lo prefiere, puede introducir como alternativa <= en lugar del carácter <. Por
último, en la línea después de eso, designamos el final de las restricciones mediante
la adición: END (LINDO Systems, Inc., 2003)
Para demostrar la hipótesis del estudio se describen las pruebas estadísticas no
paramétricas para demostrar si el estudio posee una distribución normal y luego
realizar la prueba t-student o de Wilcoxon despendiendo del tamaño de la muestra.
La prueba de Shapiro-Wilks es uno de los métodos usados para probar la
normalidad de un conjunto de datos, destaca por ser una de la más sencilla y
potentes. Se basa en estudiar el ajuste de los datos graficados sobre un gráfico
probabilístico en el que cada dato es un punto cuyo valor de abscisa es el valor
observado de probabilidad para un valor determinado de la variable, y el de
ordenada es el valor esperado de probabilidad. Para muestras pequeñas (≤ 50
observaciones) se recomienda esta prueba.
La hipótesis para esta prueba es:
𝐻0 = El conjunto de datos tienen una distribución normal.
𝐻1 = El conjunto de datos no tienen una distribución normal.
El estadístico de prueba es:
𝑏2
𝑊𝑐 =
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
El término 𝑏 = ∑𝑘𝑖=1 𝑎𝑖 [𝑥(𝑛−𝑖+1) − 𝑥𝑖 ], siendo 𝑎𝑖 = el valor de un coeficiente que se
encuentra tabulado para cada tamaño de muestra y la posición i de cada
observación. El término 𝑥(𝑛−𝑖+1) − 𝑥𝑖 = diferencias sucesivas que se obtienen al
restar el primer valor al último valor, el segundo al penúltimo, el tercero al
antepenúltimo y así hasta llegar a restar el último al primer valor.
La zona de aceptación para 𝐻0 está formada por todos los valores del estadístico
de prueba 𝑊𝑐 menores al valor esperado o tabulado 𝑊(1−𝛼;𝑛) .
𝑍𝐴 = {𝑊/𝑊𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 ≤ 𝑊(1−𝛼;𝑛) }
La prueba de Kolmogorov-Smirnov para una muestra es un procedimiento de
"bondad de ajuste", que permite medir el grado de concordancia existente entre
la distribución de un conjunto de datos y una distribución teórica específica. Su
objetivo es señalar si los datos provienen de una población que tiene la distribución
teórica especificada, es decir, contrasta si las observaciones podrían
razonablemente proceder de la distribución especificada. La hipótesis para esta
prueba es:
𝐻0 = 𝐹(𝑥) = 𝐹0 (𝑥), 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥
𝐻1 = 𝐹(𝑥) ≠ 𝐹0 (𝑥), 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑥
Denótese por 𝑥1 , 𝑥2 , … , 𝑥𝑛 a las observaciones ordenadas de una muestra aleatoria
de tamaño n y defínase la distribución acumulativa muestral como
0 𝑥 < 𝑥1
𝑆𝑛 (𝑥) = {𝑘/𝑛 𝑥𝑘 ≤ 𝑥 < 𝑥𝑘+1
1 𝑥 ≥ 𝑥𝑛
Esto quiere decir, para cualquier valor ordenado de x de la muestra aleatoria, 𝑆𝑛 (𝑥)
es la proporción del número de valores en la muestra que son iguales o menores a
x. Ya que 𝐹0 (𝑥) se encuentra completamente especificada, es posible evaluar a
𝐹0 (𝑥) para algún valor deseado de x, y entonces compara este último con el valor
correspondiente de 𝑆𝑛 (𝑥). La estadística de Kolmogorov-Smirnov se define como:
𝐷𝑛 = max 𝑥| 𝑆𝑛 (𝑥) − 𝐹0 (𝑥) |
La estadística 𝐷𝑛 tiene una distribución que es independiente del modelo
propuesto bajo la hipótesis nula. Para le región crítica 𝐷𝑛 ≥ 𝑑𝑛,1−∝.
De acuerdo con lo anterior, la hipótesis 𝐻0 se rechaza si para algún valor de x
observado el valor de 𝐷𝑛 se encuentra dentro de la región crítica de tamaño α.
La prueba estadística t-student para muestras pareadas consiste en que cada
unidad experimental homogénea recibe ambas condiciones de la población; como
resultado, cada unidad experimental tiene un par de observaciones, una para cada
población. Las dos poblaciones son “antes” y “después”, y la unidad experimental
es el individuo. Evidentemente, las observaciones en un par tienen algo en común.
Notación para datos apareados:
d = diferencia individual entre los dos valores en un solo dato apareado.
𝜇𝑑 = valor medio de las diferencias d para la población de todos los datos
apareados.
𝑑̅= valor medio de las diferencias d para los datos muestrales apareados (igual a la
media de los valores x - y).
𝑆𝑑 = desviación estándar de las diferencias d para la muestra de datos apareados.
n = número de pares de datos.
Puesto que la prueba de hipótesis y el intervalo de confianza utilizan la misma
distribución y el mismo error estándar, son equivalentes en el sentido de que
arrojan las mismas conclusiones. En consecuencia, la hipótesis nula de que la
diferencia de la media es igual a 0 puede probarse determinando si el intervalo de
confianza incluye a 0. (TRIOLA, 2009)
𝐻0 : 𝜇𝑑 = 0
𝐻1 : 𝜇𝑑 ≠ 0
El estadístico de prueba de hipótesis para datos apareados:
𝑑̅ − 𝜇𝑑
𝑡=
𝑆𝑑
√𝑛
Donde los grado de libertad = n – 1; los valores P y valores críticos (distribución t)
Intervalos de confianza para datos apareados
𝑑̅ − 𝐸 < 𝜇𝑑 < 𝑑̅ + 𝐸
Donde el margen de error (E)
𝑆𝑑
𝐸 = 𝑡𝛼⁄2
√𝑛
Valores críticos de 𝑡𝛼⁄ con n - 1 grados de libertad.
2
La prueba de rangos con signo de Wilcoxon para datos apareados es una prueba
no paramétrica que utiliza rangos ordenados de datos muestrales que consisten en
datos apareados. Se usa para probar la hipótesis nula de que la población de
diferencias tiene una mediana de cero, de manera que las hipótesis nula y
alternativa son las siguientes:
𝐻0 = Los datos apareados tienen diferencias que provienen de una población con
una mediana igual a cero.
𝐻1 = Los datos apareados tienen diferencias que provienen de una población con
una mediana diferente de cero.
Los requisitos son que los datos consisten en datos apareados que se seleccionaron
aleatoriamente; y que la población de las diferencias (calculadas a partir de los
pares de datos) tiene una distribución que es aproximadamente simétrica, lo que
quiere decir que la mitad izquierda de su histograma es aproximadamente una
imagen de espejo de la mitad derecha. (No existe el requisito de que los datos
tengan una distribución normal).
La notación T es igual a la más pequeña de las siguientes sumas: 1) La suma de los
valores absolutos de los rangos negativos de las diferencias d que no sean cero; y
2) La suma de los rangos positivos de las diferencias d que no sean cero.
El estadístico de prueba:
Si n ≤ 30, el estadístico de prueba es T, el valor crítico de T
𝑛(𝑛+1)
𝑇− 4
Si n > 30, el estadístico de prueba es 𝑧 = , los valores críticos
𝑛(𝑛+1)(2𝑛+1)
√
24
de z
El procedimiento de la prueba de rangos con signo de Wilcoxon es el siguiente:
Paso 1: Para cada par de datos, calcule la diferencia d restando el segundo valor del
primero. Mantenga los signos, pero descarte cualquier par para el que d = 0.
Paso 2: Ignorar los signos de las diferencias, luego acomodar las diferencias de la
menor a la mayor y reemplazarlas por el valor del rango correspondiente. Cuando
las diferencias tengan el mismo valor numérico, asignar la media de los rangos
implicados en el empate.
Paso 3: Agregar a cada rango el signo de la diferencia de la que provino. Esto es,
inserte aquellos signos que se ignoraron en el paso 2.
Paso 4: Calcular la suma de los valores absolutos de los rangos negativos. También
calcular la suma de los rangos positivos.
Paso 5: Permita que T sea la más pequeña de las dos sumas calculadas en el paso
4. Podría utilizarse cualquier suma, pero para simplificar el procedimiento
seleccionamos arbitrariamente la más pequeña de las dos sumas. (Véase la
notación para T).
Paso 6: Permita que n sea el número de pares de datos para los que la diferencia d
no es 0.
Paso 7: Determine el estadístico de prueba y los valores críticos con base en el
tamaño muestral.
Paso 8: Cuando se plantee la conclusión, rechace la hipótesis nula si los datos
muestrales le llevan a un estadístico de prueba que se ubica en la región crítica,
esto es, cuando el estadístico de prueba sea menor o igual que el valor (o los
valores) crítico(s). De otra forma, no rechazar la hipótesis nula.
Para el desarrollo de los objetivos específicos es necesario aplicar técnicas e
instrumentos de recolección de datos tanto estadísticos como de ingeniería
industrial para la correcta medición de las variables.
La recopilación de información es un proceso que implica tener claro los objetivos
propuestos y las variables hipótesis, haber seleccionado la población y calculado la
muestra objeto del estudio, definir las técnicas de recolección de información
(elaborarlas y validarlas) y finalmente recoger la información y procesarla para su
respectiva descripción, análisis y discusión.
La encuesta es una de las técnicas de recolección de información más empleada
que se fundamenta en un cuestionario o conjunto de preguntas preparadas
respecto a una o más variables a medir con el propósito de estandarizar y uniformar
la obtención de información de las personas; para Mc Daniel y Gates la medición
es un proceso de asignar números a objetos, personas, estados o hechos según
reglas específicas para representar la cualidad de un atributo, para este
cuestionario es escala de intervalos ya que agrupan las mediciones por intervalos
o rangos, donde los puntos de escala son iguales. Las escalas de intervalos se
emplean para calcular la media aritmética, las deviaciones estándar y los
coeficientes de correlación. Sean los niveles alto: 4, bueno: 3, regular: 2 y malo: 1.
Una vez definido el diseño del cuestionario se procede a determinar el tipo de
preguntas que van a emplearse en la encuesta, en este caso las preguntas con
respuesta a escala que están básicamente dirigidas a medir la intensidad o grado
de sentimientos respecto de un rasgo o variable a medir; usualmente las más
común es la escala Likert, se trata de afirmaciones que se orientan a tener
respuestas de tipo: muy satisfecho: 5, satisfecho: 4, ni insatisfecho ni satisfecho: 3,
insatisfecho: 2 y muy insatisfecho: 1.
Una vez que se ha decidido el tipo específico de preguntas y los formatos de
respuesta, se procede a redactar las preguntas teniendo los siguientes aspectos:
deben ser claras y comprensibles, evitar preguntas tendenciosas, es necesario
elaborar preguntas de acuerdo a los atributos que se van a medir y evaluar la
pertinencia de la pregunta. (BERNAL, 2010)
2.7. Marco conceptual
Donde:
G: Muestra de la cartera de clientes de San Isidro Labrador S.R.L.
O1: Observación actual del costo de distribución.
O2: Observación del costo de distribución con el modelo de transporte propuesto.
X: Estímulo, Modelo matemático de rutas.
3.3. Hipótesis
Los costos del sistema de reparto de carga con la distribución propuesta por el
modelo matemático de planificación de rutas en la empresa San Isidro Labrador
E.I.R.L., es significativamente menor que los costos del sistema de reparto actual.
Para el logro de cada uno de los objetivos específicos se procederá a emplear las
siguientes técnicas y herramientas:
- Para analizar la situación actual del reparto de carga, se realizará una encuesta
de satisfacción del reparto de carga a los clientes (Tabla 8 del anexo) a través
de la herramienta del cuestionario con la finalidad de zonificar a clientes que
reciban un mal servicio de entrega de mercancía. (ANEXO A)
- Para mapear los clientes del sistema de reparto se empleará una Hoja de ruta
(Tabla 9 del Anexo) la cual pretende anotar secuencialmente el ruteo del
vehículo durante el día y ubicarlas en el grafo de la zona geográfica de Trujillo
en Google map con la finalidad de visualizar la ubicación de los clientes y la
distancia que existe entre los nodos descritos por el camión.
- Para determinar los costos actuales del reparto de carga, se recurre a la técnica
de análisis de información recolectando los datos de los costos del área de
reparto tales como: costo de combustible, mano de obra y mantenimiento
incurridos durante el periodo marzo 2014 – 15 a través de facturas emitidas por
proveedores, registrándolos en la ficha de registro de costos (tabla 10 del
anexo).
- Para desarrollar el modelo matemático de optimización de rutas con sus
restricciones se realizará las asignaciones a las variables de decisión (clientes,
vehículo) de tiempo de descarga, capacidad, Horas hombre, entre otros;
anotados en la Hoja de ruta (tabla 8 del anexo) el cual detalla el modelo de
camión, capacidad neta, nombre del conductor, fecha del recorrido, número de
estibadores, por otro lado se debe determinar los tiempos para ello se emplea
la técnica del estudio de tiempos y la observación directa plasmando sus
resultados en el formato de estudio de tiempos (Tablas 1,2,3,4,5 del anexo) con
la cual se ordenará secuencial y cronológicamente las entregas realizadas a los
clientes realizando una toma de tiempos desde el inicio del recorrido, tiempo
de embotellamiento o congestión vehicular, tiempo de recepción de guía de
transporte hasta tiempo de descarga; teniendo en cuenta el peso de la carga
(kg.) por cada cliente. Estos datos alimentaran la función objetivo y
restricciones de los distintos modelos matemáticos de rutas a probar
- Para simular los resultados de los costos en distintos panoramas de ocurrencia
se empleará LINDO Systems que es un software para modelos de optimización
en el cual se plasmará el objetivo anterior para realizar los análisis de
sensibilidad en cada posible tipo de modelo de rutas de transporte descritos en
el marco teórico; a fin de obtener la ruta óptima que minimice los costos de
reparto.
- Para medir el impacto del modelo matemático de planificación de rutas en el
costo del sistema de reparto se realizará una comparación de costos y se
calculará el % de ahorro generado en el sistema de reparto, esto se probará
estadísticamente con el software SPSS Vs 22, probándose en primer lugar la
normalidad del comportamiento de los datos de los costos dependiendo de los
resultados se procede a emplear la pruebas estadísticas de t-student o
Wilconxon.
4.1.1. Recursos
Recursos humanos:
01 Asesor metodológico
01 Asesor especialista
01 Investigador
Materiales y equipos:
4.1.2. Presupuesto
Son los gastos que se invierten en el proyecto de investigación. Para la
codificación de los gastos se utiliza el clasificador de gastos del Ministerio de
Economía y Finanzas del año fiscal.
Tabla 7: Presupuesto
PRESUPUESTO DEL INFORME DE TRABAJO DE INVESTIGACIÓN, 2015
CLASIFICADOR DESCRIPCIÓN UNIDAD COSTO COSTO
DE GASTOS UNITARIO (S/.) TOTAL (S/.)
2. 3. 15 Materiales y útiles
2. 3. 15. 11.2 Papelería en general, útiles y materiales de oficina
Papel bond A4 3 mill 13.50 40.50
Folder A4 6 unid 0.70 4.20
CD 1 unid 1.00 1.00
2.3.21.21 Pasajes y viajes de 80 viajes 2.00 160.00
transporte
2.3.22.1. Servicio de suministro 420 hrs. 0.5088 kwh 3663.36
de energía eléctrica
2.3.22.2. Servicio de telefonía e 9 meses 30.00 270.00
internet
2.3.22.44 Servicios de impresiones, encuadernación y empastado
Impresiones 300 hojas 0.10 30.00
Anillado 10 3.50 35.00
Empastado 3 30.00 90.00
TOTAL S/. 4204.06
Fuente y elaboración: Ministerio de Economía y Finanzas; propia
4.2. Financiamiento
Este proyecto será autofinanciado por el investigador.
4.3. Cronograma de Ejecución
TABLA 3: Cronograma de Ejecución Proyecto Tesis
CRONOGRAMA DE ACTIVIDADES PARA PROYECTO Y DESARROLLO DE TESIS SEMESTRE 2015-1, 2015-2, UCV, ESCUELA DE INGENIERÍA INDUSTRIAL
SEMESTRE 2015-1 PERIODO VACACIONAL SEMESTRE 2015-2
ACTIVIDAD
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39
Redacción Título
y realidad
problemática
Redacción
fundamentación
teórica
Redacción de
justificación y
objetivos
Redacción de
hipótesis y
variables
Redacción tipo y
diseño de
investigación
Sustentación
avance de
proyecto
Redacción de
población y
muestra
Redacción de
técnicas,
instrumentos y
aspectos
administrativos
Presentación de
informe final de
proyecto de tesis
al jurado
Sustentación
proyecto final
Redacción de
parte
introducción y
metodología del
desarrollo de
tesis
Toma de datos
Redacción de
resultados
Sustentación
avance del
desarrollo de
tesis
Redacción de
discusiones
Redacción de
conclusiones
Redacción de
recomendaciones
Presentación de
informe final al
jurado
Sustentación de
tesis
Fuente: sílabos de proyecto de investigación y Desarrollo del proyecto de investigación, UCV
V. REFERENCIAS BIBLIOGRÁFICAS
Bibliografía
a) Textos
BEASLEY, J. 1983. Omega. EE.UU. : Elsevier Ltd., 1983. págs. 403-408. Vol. 11. 0305-0483.
BELFIORE, Patricia y YOSHIZAKI, Hugo. 2012. Computers & Industrial Engineering. EE.UU. :
Elsevier Ltd., 2012. págs. 589-601. Vol. 64. 0360-8352.
CHAVEZ, Rodolfo y TORRES, Jorge. 2012. Supply Chain Management. Segunda ed. Santiago
de Chile : RIL editores. pág. 32. 978-956-284-909-8.
FRANCESC, Anton. 2005. Logística del transporte. España : Ediciones UPC. 9788483017739.
GARCÍA, Roberto. 1999. Estudio del trabajo. Ingeniería de métodos y medición del trabajo.
México : Mc Graw Hill, 1999. 970-10-4657-9.
GOLDEN, B., y otros. 1984. Computers & Operations Research. EE.UU. : Elsevier Ltd. págs.
49-66. Vol. 11. 03050548.
MORA, Luis. 2010. Gestión logística integral : las mejores prácticas en la cadena de
abastecimientos. Primera ed. Bogotá : Ecoe Ediciones. pág. 210. 9789586485722.
b) Informes
DÍAZ, Karla. 2010. Red logística para la distribución de mercancía a clientes de una cadena
de tiendas departamentales. México D.F. : Universidad Nacional Autónoma de México.
MANLEYA, E. 2014. A heuristic model of bounded route choice in urban areas. Londres :
University College London. WC1E 6BT.
PÉREZ, Jimena y PIMENTEL, Consuelo. 2000. Optimización del transporte de materia prima
de una empresa esparraguera. Trujillo : Universidad Nacional de Trujillo.
The Vehicle Routing Problem: An overview of exact and approximate algorithms. LAPORTE,
GILBERT. 1991. 6128, Montreal : European Journal of Operational Research, Vol. I. H3C 3J7.
c) Lincografía
Instituto Nacional de Estadística e Información . 2014. Inicio > Estadísticas > Indice
Temático > Transportes y Comunicaciones: INEI. inei.gob.pe. [En línea] 06 de Junio de 2014.
[Citado el: 11 de Abril de 2015.] http://www.inei.gob.pe/.
LINDO Systems, Inc. 2003. Descarga: LINDO User´s Manual. LINDO Web site. [En línea]
2003. [Citado el: 3 de Junio de 2015.] http://www.lindo.com .
Observación
CONDUCTOR N° Estibadores
H. EMBOTELLAMIENTO H. H. INICIO H. FIN
N° DIRECCIÓN H. INICIO CARGA (Kg)
LLEGADA DESCARGA DESCARGA
INICIO FIN
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Fuente: Formato de toma de tiempo acumulativo. Estudio del trabajo.
Tabla 10: Costos de reparto
El presente cuestionario tiene el propósito de evaluar la calidad del servicio de reparto de carga a
los clientes más importantes de la empresa San Isidro Labrador S.R.L., a fin de conocer y prestar un
mejor servicio con calidad y seguridad.
Para llenar el cuestionario, la persona encuestada leerá el ítem y colocará un aspa (X) según la
apreciación del servicio que tiene actualmente en uno de los niveles de satisfacción.
Experto 1: Experto 2:
EVALUADORES
Aldana Javez
Padilla Promedio
OBJETIVOS PREGUNTAS Bonifaz, Valladares, ∑ ri Ppri pe
Castro, pri
Julio Santos
Lucía
César Santiago
Puntualidad de
1,2,3,4 3 3 2 8 2.667 0.89 0.037
entrega
Rapidez de
5,6,7 3 3 2 8 2.667 0.89 0.037
descarga
Seguridad e
higiene en el 8,9,10,11,12 2 2 2 6 2.000 0.67 0.037
transporte
Fiabilidad del
estado de la 13,14,15,16 3 3 2 8 2.667 0.89 0.037
carga
Condiciones
impuestas por 17,18 2 3 2 7 2.333 0.78 0.037
el cliente
Totales 13 14 10 37 12.33 4.11 0.185
Fuente y elaboración: propia
𝑃𝑃𝑟𝑖 4.11
𝐶𝑃𝑅 = 𝑁
𝐶𝑃𝑅 = = 0.82
5
N: número de ítems
Estadísticas de fiabilidad
Alfa de
Cronbach N de elementos
,667 19
Estadísticas de escala
Desviación
Media Varianza estándar N de elementos
67,7143 42,614 6,52796 19
En el caso de instrumentos con coeficientes de confiabilidad moderados como en este caso (0.667),
una manera de saber hasta dónde los mismos pueden ser aceptables, consiste en comparar la
desviación estándar de la distribución de puntajes (Sy) con el error estándar de medición (EEM)
(Carlos Ruiz Bolívar,), cuya fórmula es:
En estos casos se recurre al criterio del error estándar de medición para decidir sobre la
aceptabilidad de un coeficiente de confiabilidad moderado, se requiere que se cumpla la condición
de que Sy > EEM.
Como se puede observar, en el caso el EEM (3.767) no excede el valor de la Sy (6.52796); es decir,
que se cumple la condición de aceptabilidad señalada anteriormente. (Sy>EEM). En consecuencia,
el instrumento puede ser utilizado.