Post on 27-Oct-2015
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 1 de 44
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACION OPERATIVA
Docente: Ing. Nikolay Artieda
Quito - Ecuador
2011
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 2 de 44
PRESENTACION
Kamlesh Mathur y Daniel Solow, no se equivocan al indicar en su libro que la Investigación de Operaciones es el “Arte de la Tomar de Decisiones”, decisiones que generan alto valor empresarial.
De hecho la Investigación de Operaciones o Investigación Operativa, es una de las ramas de la matemática aplicada cuyo desarrollo ha contribuido fuertemente para mejorar y elevar los niveles de productividad de las organizaciones, pasando por el desarrollo de modelos lineales en su inicio, hasta llegar al desarrollo de poderosos simuladores que permiten anticipar las implicaciones de una o más decisiones antes de ponerlas en práctica, minimizando de esta manera los riesgos de implementación.
El éxito de su aplicación ha sido demostrado en campos tan diferentes como el militar, las finanzas, la producción, los servicios, logística, medicina, nutrición, etc.
Espero sinceramente que el desarrollo de este módulo, despierte en el estudiante la curiosidad por aprender más sobre la Investigación Operativa y sus aplicaciones, así como también le permita poner en práctica todo lo desarrollado en clase con el fin de que pueda en su momento tomar decisiones oportunas y racionales.
Exitos!!!!
Ing. Nikolay Artieda Bucheli
CONTENIDO GENERAL
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 3 de 44
Introducción a la Investigación Operativa
Desarrollo y formulación de Modelos
Programación Lineal
Metodo gráfico de Optimización
Método Simplex de Optimización
Uso y aplicación del software Solver y Wat´s Best en Excel
Problemas de transporte y asignación
Pert - CPM
Objetivo General
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 4 de 44
Fortalecer la formación de los futuros profesionales, a través del estudio, análisis, reflexión, investigación y debate de los diversos temas, situaciones y acontecimientos que se pueden producir en una empresa y que son suceptibles de resolución a través de la Investigación Operativa.
Objetivos Específicos
- Analizar y comprender los diversos tipos de problemas empresariales que pueden ser resueltos con la aplicación de Investigación Operativa.
- Establecer y desarrollar la capacidad en el estudiante, de formular modelos matemáticos suceptibles de ser resueltos a través de la aplicación de la Investigación Operativa.
Descripción del curso
Se trabajará en base a casos que el estudiante deberá resolver aplicando los conocimientos adquiridos en esta y otras asignaturas.
Se utilizará para resolución de los casos herramientas en Excel y software especializado como What´s Best, Lindo y Solver.
Competencias de la asignatura: Al finalizar el modulo el estudiante estará en capacidad de:
Aplicar correcta, efectiva y rápidamente los principios de Investigación y Administración de Operaciones en las tomas de decisiones empresariales, tanto para empresas de producción como de servicios.
Podrá resolver casos y problemas reales de programación lineal aplicados a la empresa.
Podrá resolver casos y problemas reales de transporte y asignación aplicados a la empresa.
Podrá resolver casos y problemas reales de PERT y CPM aplicados a la empresa.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 5 de 44
INTRODUCCIÓNi
La toma de decisiones es un proceso que se inicia cuando una persona observa un
problema y determina que es necesario resolverlo procediendo a definirlo, a formular
un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de
solución y evaluarlas hasta seleccionar la que le parece mejor, este proceso puede
se cualitativo o cuantitativo.
El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades
necesarias en este enfoque son inherentes en la persona y aumentan con la
práctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El
enfoque cuantitativo requiere habilidades que se obtienen del estudio de
herramientas matemáticas que le permitan a la persona mejorar su efectividad en la
toma de decisiones. Este enfoque es útil cuando no se tiene experiencia con
problemas similares o cuando el problema es tan complejo o importante que requiere
de un análisis exhaustivo para tener mayor posibilidad de elegir la mejor solución.
La investigación de operaciones proporciona a los tomadores de decisiones bases
cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad
para hacer planes a futuro.
En el ambiente socioeconómico actual altamente competitivo y complejo, los
métodos tradicionales de toma de decisiones se han vuelto inoperantes e
inadmisibles ya que los responsables de dirigir las actividades de las empresas e
instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que
requieren de soluciones creativas y prácticas apoyadas en una base cuantitativa
sólida.
En organizaciones grandes se hace necesario que el tomador de decisiones tenga
un conocimiento básico de las herramientas cuantitativas que utilizan los
especialistas para poder trabajar en forma estrecha con ellos y ser receptivos a las
soluciones y recomendaciones que se le presenten.
En organizaciones pequeñas puede darse que el tomador de decisiones domine las
herramientas cuantitativas y él mismo las aplique para apoyarse en ellas y así tomar
sus decisiones.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 6 de 44
Desde al advenimiento de la Revolución Industrial, el mundo ha sido testigo de un
crecimiento sin precedentes en el tamaño y la complejidad de las organizaciones.
Los pequeños talleres artesanales se convirtieron en las corporaciones actuales de
miles de millones. Una parte integral de este cambio revolucionario fue el gran
aumento en la división del trabajo y en la separación de las responsabilidades
administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin
embargo, junto con los beneficios, el aumento en el grado de especialización creo
nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos
problemas es las tendencias de muchas de las componentes de una organización a
convertirse en imperios relativamente autónomos, con sus propias metas y sistemas
de valores, perdiendo con esto la visión de la forma en que encajan sus actividades y
objetivos con los de toda la organización. Lo que es mejor para una componente,
puede ir en detrimento de otra, de manera que pueden terminar trabajando con
objetivos opuestos. Un problema relacionado con esto es que, conforme la
complejidad y la especialización crecen, se vuelve más difícil asignar los recursos
disponibles a las diferentes actividades de la manera más eficaz para la organización
como un todo. Este tipo de problemas, y la necesidad de encontrar la mejor forma de
resolverlos, proporcionaron el ambiente adecuado para el surgimiento de la
Investigación Operativa o Investigación de Operaciones.
INVESTIGACIÓN DE OPERACIONES (IO).ii
Las raíces de la investigación de operaciones se remontan a muchas décadas,
cuando se hicieron los primeros intentos para emplear el método científico en la
administración de una empresa. Sin embargo, el inicio de la actividad llamada
investigación de operaciones, casi siempre se atribuye a los servicios militares
prestados a principios de la segunda guerra mundial. Debido a los esfuerzos bélicos,
existía una necesidad urgente de asignar recursos escasos a las distintas
operaciones militares y a las actividades dentro de cada operación, en la forma más
efectiva. Por esto, las administraciones militares americana e inglesa hicieron un
llamado a un gran número de científicos para que aplicaran el método científico a
éste y a otros problemas estratégicos y tácticos. De hecho, se les pidió que hicieran
investigación sobre operaciones (militares). Estos equipos de científicos fueron los
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 7 de 44
primeros equipos de IO. Con el desarrollo de métodos efectivos para el uso del
nuevo radar, estos equipos contribuyeron al triunfo del combate aéreo inglés. A
través de sus investigaciones para mejorar el manejo de las operaciones
antisubmarinas y de protección, jugaron también un papel importante en la victoria
de la batalla del Atlántico Norte. Esfuerzos similares fueron de gran ayuda en a isla
de campaña en el pacífico.
Al terminar la guerra, el éxito de la investigación de operaciones en las actividades
bélicas generó un gran interés en sus aplicaciones fuera del campo militar. Como la
explosión industrial seguía su curso, los problemas causados por el aumento en la
complejidad y especialización dentro de las organizaciones pasaron de nuevo a
primer plano. Comenzó a ser evidente para un gran número de personas, incluyendo
a los consultores industriales que habían trabajado con o para los equipos de IO
durante la guerra, que estos problemas eran básicamente los mismos que
los enfrentados por la milicia, pero en un contexto diferente. Cuando comenzó la
década de 1950, estos individuos habían introducido el uso de la investigación de
operaciones en la industria, los negocios y el gobierno. Desde entonces, esta
disciplina se ha desarrollado con rapidez.
Se pueden identificar por lo menos otros dos factores que jugaron un papel
importante en el desarrollo de la investigación de operaciones durante este período.
Uno es el gran progreso que ya se había hecho en el mejoramiento de las técnicas
disponibles en esta área. Después de la guerra, muchos científicos que habían
participado en los equipos de IO o que tenían información sobre este trabajo, se
encontraban motivados a buscar resultados sustanciales en este campo; de esto
resultaron avances importantes. Un ejemplo sobresaliente es el método simplex para
resolver problemas de programación lineal, desarrollado en 1947 por George
Dantzing. Muchas de las herramientas características de la investigación de
operaciones, como programación lineal, programación dinámica, líneas de espera y
teoría de inventarios, fueron desarrolladas casi por completo antes del término de la
década de 1950.
Un segundo factor que dio ímpetu al desarrollo de este campo fue el advenimiento
de la computadoras. Para manejar de una manera efectiva los complejos problemas
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 8 de 44
inherentes a esta disciplina, por lo general se requiere un gran número de cálculos.
Llevarlos a cabo a mano puede resultar casi imposible. Por lo tanto, el desarrollo de
la computadora electrónica digital, con su capacidad para realizar cálculos
aritméticos, miles o tal vez millones de veces más rápido que los seres humanos, fue
una gran ayuda para la investigación de operaciones. Un avance más tuvo lugar en
la década de 1980 con el desarrollo de las computadoras personales cada vez más
rápidas, acompañado de buenos paquetes de software para resolver problemas de
IO, esto puso las técnicas al alcance de un gran número de personas. Hoy en día,
literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia,
por rutina, se usa toda una gama de computadoras, desde las grandes hasta las
portátiles, para resolver problemas de investigación de operaciones.
NATURALEZA DE LA INVESTIGACIÓN DE OPERACIONESiii
Como su nombre lo dice, la investigación de operaciones significa "hacer
investigación sobre las operaciones". Entonces, la investigación de operaciones se
aplica a problemas que se refieren a la conducción y coordinación de operaciones (o
actividades) dentro de una organización. La naturaleza de la organización es
esencialmente inmaterial y, de hecho, la investigación de operaciones se ha aplicado
de manera extensa en áreas tan diversas como la manufactura, el transporte, la
construcción, las telecomunicaciones, la planeación financiera, el cuidado de la
salud, la milicia y los servicios públicos, por nombrar sólo unas cuantas. Así, la gama
de aplicaciones es extraordinariamente amplia.
La parte de investigación en el nombre significa que la investigación de operaciones
usa un enfoque similar a la manera en que se lleva a cabo la investigación en los
campos científicos establecidos. En gran medida, se usa el método científico para
investigar el problema en cuestión. (De hecho, en ocasiones se usa el término
ciencias de la administración como sinónimo de investigación de operaciones.) En
particular, el proceso comienza por la observación cuidadosa y la formulación del
problema incluyendo la recolección de los datos pertinentes. El siguiente paso es la
construcción de un modelo científico (por lo general matemático) que intenta abstraer
la esencia del problema real. En este punto se propone la hipótesis de que el modelo
es una representación lo suficientemente precisa de las características esenciales de
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 9 de 44
la situación como para que las conclusiones (soluciones) obtenidas sean válidas
también para el problema real. Después, se llevan a cabo los experimentos
adecuados para probar esta hipótesis, modificarla si es necesario y eventualmente
verificarla. (Con frecuencia este paso se conoce como validación del modelo.)
Entonces, en cierto modo, la investigación e operaciones incluye la investigación
científica creativa de las propiedades fundamentales de las operaciones. Sin
embargo, existe más que esto. En particular, la IO se ocupa también de la
administración práctica de la organización. Así, para tener éxito, deberá también
proporcionar conclusiones claras que pueda usar el tomador de decisiones cuando
las necesite.
Una característica más de la investigación de operaciones es su amplio punto de
vista. Como quedó implícito en la sección anterior, la IO adopta un punto de vista
organizacional. de esta manera, intenta resolver los conflictos de intereses entre las
componentes de la organización de forma que el resultado sea el mejor para la
organización completa. Esto no significa que el estudio de cada problema deba
considerar en forma explícita todos los aspectos de la organización sino que los
objetivos que se buscan deben ser consistentes con los de toda ella.
Una característica adicional es que la investigación de operaciones intenta encontrar
una mejor solución, (llamada solución óptima) para el problema bajo consideración.
(Decimos una mejor solución y no la mejor solución porque pueden existir muchas
soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el
estado de las cosas, la meta es identificar el mejor curso de acción posible. Aun
cuando debe interpretarse con todo cuidado en términos de las necesidades reales
de la administración, esta "búsqueda de la optimidad" es un aspecto importante
dentro de la investigación de operaciones.
Todas estas características llevan de una manera casi natural a otra. Es evidente
que no puede esperarse que un solo individuo sea un experto en todos lo múltiples
aspectos del trabajo de investigación de operaciones o de los problemas que se
estudian; se requiere un grupo de individuos con diversos antecedentes y
habilidades. Entonces, cuando se va a emprender un estudio de investigación de
operaciones completo de un nuevo problema, por lo general es necesario emplear el
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 10 de 44
empleo de equipo. Este debe incluir individuos con antecedentes firmes en
matemáticas, estadística y teoría de probabilidades, al igual que en economía,
administración de empresas, ciencias de la computación, ingeniería, ciencias físicas,
ciencias del comportamiento y, por supuesto, en las técnicas especiales de
investigación de operaciones. El equipo también necesita tener la experiencia y las
habilidades necesarias para permitir la consideración adecuada de todas las
ramificaciones del problema a través de la organización.
CÓMO SE TRABAJA EN INVESTIGACIÓN DE OPERACIONES
DEFINICION DEL
PROBLEMA
DESARROLLO
DE UN MODELO
MATEMATICO
RESOLUCION
DEL MODELO
PRUEBA DE LA
SOLUCION
¿ES VALIDA?
IMPLEMENTACION
MODIFICAR EL
MODELO
GRAFICO 1
METODOLOGIA DE INVESTIGACION OPERATIVAiv
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 11 de 44
LAS PRINCIPALES HERRAMIENTAS DE LA INVESTIGACIÓN DE
OPERACIONESv
Cuando hablamos de herramientas en IO, nos estamos refiriendo a los diferentes
modelos teóricos (como por ejemplo, modelos de transporte y teoría de colas), y a
otras disciplinas (como matemática, administración, economía, etcétera), que se
utilizan como instrumentos de trabajo habitual para el profesional de la Investigación
de Operaciones. Debe quedar claro, sin embargo, que cada día se agregan más
tipos de modelos y otras disciplinas imposibles de enumerar en este momento.
De la misma manera la Investigación de Operaciones es considerada, ella misma
como una herramienta al servicio de otras disciplinas (tal como reza el título de
nuestros artículos). Es bien conocido que la Administración de Negocios se ha
estado beneficiando grandemente de la Investigación de Operaciones ahora que se
ha iniciado toda una revolución con el uso de Planificación Estratégica, Reingeniería
y los programas de Calidad Total, para mencionar algunos.
A continuación presentamos una lista, no exhaustiva, de diferentes tipos de modelos
que se podrían considerar como herramientas de la Investigación de Operaciones,
sugerimos al lector revisarla y compararla con los contenidos de libros clásicos de
I.O:
1. Modelos gráficos de programación lineal.
2. Modelos algebraicos de programación lineal.
3. Redes y programación lineal para transporte.
4. Modelos de toma de decisión en condiciones de incertidumbre.
5. Modelos de toma de decisión en condiciones de certeza.
6. Modelos Bayesianos.
7. Procesos estocásticos con cadenas de Markov.
8. Líneas de espera (Teoría de colas).
9. Modelos de optimización con redes para la planeación, ejecución y control de
proyectos.
10. Cadenas de Markov para el reemplazo de activos fijos.
11. Modelos de inventarios determinísticos.
12. Modelos de inventarios probabilísticos.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 12 de 44
13. Modelos de programación dinámica y teoría de juegos.
14. Modelos de simulación para la obtención de información experta.
15. Modelos heurísticos de autoaprendizaje y autocorrección.
Los expertos Hillier y Lieberman dicen en su tratado (usado como texto durante
varias generaciones de estudiosos de la Investigación de Operaciones) con la
Revolución Industrial se inventó la división del trabajo y esto trajo como
consecuencia un crecimiento en la dimensión y complejidad de las organizaciones.
Como ya lo hemos comentado, la superespecialización de los individuos, los
departamentos de las industrias y aún las mismas industrias, produjo un efecto de
aparente desorden (a veces aparente y a veces real) dentro de las organizaciones,
ya que se intentaba armar rompecabezas con todas las piezas que producían los
especialistas. Sin las técnicas y modelos de la I.O. la situación hubiese devenido en
un caos, fue esta herramienta (o si lo queremos decir en términos más globales, las
herramientas) la que permitió organizar todos los cabos sueltos y al mismo tiempo la
situación hizo que la I.O. creciera.
Nosotros sabemos que la reingeniería propone olvidarnos de la división del trabajo y
regresar a una especie de todología ya que esto evita los pasos laterales que no
agregan valor a los procesos y nos da la opción de atender directamente al
beneficiario del proceso ¡el cliente!. Las técnicas de redes, teoría de colas, modelos
de inventarios, programación lineal, transporte, etcétera, aunado a la capacitación
del personal y a la tecnología cambiante y agresiva son, en esta era de la
Planificación Estratégica, los instrumentos indispensables para la Reingeniería y la
Calidad Total.
PROGRAMACION LINEALvi
Muchas personas clasifican el desarrollo de la Programación Lineal (PL) entre los
avances científicos más importantes de mediados del siglo XX. En la actualidad es
una herramienta común que ha ahorrado miles o millones de dólares a muchas
compañías y negocios, incluyendo industrias medianas en distintos países del
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 13 de 44
mundo. ¿Cuál es la naturaleza de esta notable herramienta y qué tipo de problemas
puede manejar? Expresado brevemente, el tipo más común de aplicación abarca el
problema general de asignar recursos limitados entre actividades competitivas de la
mejor manera posible (es decir, en forma óptima). Este problema de asignación
puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por
recursos escasos para realizarlas. La variedad de situaciones a las que se puede
aplicar esta descripción es sin duda muy grande, y va desde la asignación de
instalaciones productivas a los productos, hasta la asignación de los recursos
nacionales a las necesidades de un país; desde la planeación agrícola, hasta el
diseño de una terapia de radiación; etc. No obstante, el ingrediente común de todas
estas situaciones es la necesidad de asignar recursos a las actividades.
Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios
al mismo tiempo. Por ejemplo, cuando se compra una pieza de pan se tiene el
criterio de frescura, tamaño, tipo (blanco, integral u otro), costo y rebanado o sin
rebanar. Se puede ir un paso más adelante y dividir estos criterios en dos categorías:
restricciones y el objetivo. Las restricciones son las condiciones que debe satisfacer
una solución que está bajo consideración. Si más de una alternativa satisfacen todas
las restricciones, el objetivo se usa para seleccionar entre todas las alternativas
factibles. Cuando se elige una pieza de pan, pueden quererse 100 gr. de pan blanco
rebanado y hecho no antes de ayer. Si varias marcas satisfacen estas restricciones,
puede aplicarse el objetivo de un costo mínimo y escoger las más barata.
Existen muchos problemas administrativos que se ajustan a este molde de tratar de
minimizar o maximizar un objetivo que está sujeto a una lista de restricciones. un
corredor de inversiones, por ejemplo, trata de maximizar el rendimiento sobre los
fondos invertidos pero las posibles inversiones están restringidas por las leyes y las
políticas bancarias. Un hospital debe planear que las comidas para los pacientes
satisfagan ciertas restricciones sobre sabor, propiedades nutritivas, tipo y variedad,
al mismo tiempo que se trata de minimizar el costo. Un fabricante, al planear la
producción futura, busca un costo mínimo al mismo tiempo cómo cumplir
restricciones sobre la demanda del producto, la capacidad de producción, los
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 14 de 44
inventarios, el nivel de empleados y la tecnología. La PL se ha aplicado con éxito a
estos y otros problemas.
La PL es una técnica determinista, no incluye probabilidades y utiliza un
modelo matemático para describir el problema. El adjetivo lineal significa que todas
las funciones matemáticas del modelo deben ser funciones lineales. En este caso, la
palabra programación no se refiere a programación en computadoras; en esencia es
un sinónimo de planeación. Así, la PL trata la planeación de las actividades para
obtener un resultado óptimo, esto es, el resultado que mejor alcance la meta
especificada (según el modelo) entre todas las opciones de solución. Aunque la
asignación de recursos a las actividades es la aplicación más frecuente, la PL tiene
muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemático
se ajuste al formato general del modelo de PL es un problema de PL.
Supuestos de la programación lineal.vii
Existe un número de suposiciones realizadas en cada modelo. La utilidad de
un modelo está directamente relacionada con la realidad de los supuestos.
El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que
el objetivo es lineal, la contribución al objetivo de cualquier decisión es proporcional
al valor de la variable de decisión. Producir dos veces más de producto producirá
dos veces más de ganancia, contratando el doble de páginas en las revistas doblará
el costo relacionado con las revistas. Es una Suposición de Proporción.
Además, la contribución de una variable a la función objetivo es
independiente de los valores de las otras variables. La ganancia con una
computadora Notebook es de $10,750.00, independientemente de cuantas
computadoras Desktop se producen. Este es un Supuesto de Adición.
Análogamente, ya que cada restricción es lineal, la contribución de cada
variable al lado izquierdo de cada restricción es proporcional al valor de la variable e
independiente de los valores de cualquier variable.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 15 de 44
Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser
claros y precisos en la formulación del modelo puede ayudar a manejar situaciones
que parecen en un comienzo como lejanos a estos supuestos.
El siguiente supuesto es la Suposición de ser Divisible. Es posible tomar una
fracción de cualquier variable. Por ejemplo, en un problema de marketing, qué
significa comprar 2.67 avisos en la televisión?. Es posible que la suposición de ser
divisible sea insatisfecha en este ejemplo. O puede ser que tales unidades de 2.67
avisos correspondan a 2,666.7 minutos de avisos, en cuyo caso redondeando la
solución serían 2,667 minutos con una mínima duda que esté cercana a la solución
óptima. Si la suposición de divisible no es válida, entonces se usará la técnica de
Programación Lineal Entera.
La última suposición es el Supuesto de Certeza. La Programación Lineal no
permite incertidumbre en los valores.
Será difícil que un problema cumpla con todas las suposiciones de manera
exacta. Pero esto no negará la factibilidad de uso del modelo. Un modelo puede ser
aún útil aunque difiera de la realidad, si se es consistente con los requerimientos más
estrictos dentro del modelo y se tiene claras sus limitaciones al interpretar los
resultados.
Existen limitaciones prácticas para el uso de la PL. Una se relaciona con los
cálculos. En general se necesita una computadora. Desafortunadamente, las
calculadoras, aun las programables, son poco útiles, puesto que la PL tiene
necesidad de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a
una computadora, se estará limitado a problemas muy sencillos. La otra limitación se
refiere al costo de formular un problema de PL. En teoría, podría usarse PL, por
ejemplo, para hacer las compras semanales de abarrotes. Sin embargo, sería
necesario conocer todas las compras posibles que pueden realizarse (éstas serían
las variables), además de cada restricción como sabor, número de comidas,
vitaminas y proteínas. Es obvio que el costo de obtener todos estos datos excede lo
que se podría ahorrar si se hicieran las compras óptimas. Antes de emprender una
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 16 de 44
aplicación de PL, debe considerarse la disponibilidad y el costo de los datos
necesarios.
Formulación de modelos de Programación Lineal.viii
Aunque se ponga en duda, la parte más difícil de PL es reconocer cuándo
ésta puede aplicarse y formular el problema matemáticamente. Una vez hecha esa
parte, resolver el problema casi siempre es fácil.
Para formular un problema en forma matemática, deben expresarse
afirmaciones lógicas en términos matemáticos. Esto se realiza cuando se resuelven
“problemas hablados” al estudiar un curso de álgebra. Algo muy parecido sucede
aquí al formular las restricciones. Por ejemplo, considérese la siguiente afirmación: A
usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100
horas disponibles, la restricción será:
3A + 2B = 100
Sin embargo, en la mayoría de las situaciones de negocios, no es obligatorio
que se usen todos los recursos (en este caso, horas de mano de obra). Más bien la
limitación es que se use, cuando mucho, lo que se tiene disponible. Para este caso,
la afirmación anterior puede escribirse como una desigualdad:
3A + 2B 100
Para que sea aceptable para PL, cada restricción debe ser una suma de
variables con exponente 1. Los cuadrados, las raíces cuadradas, etc. no son
aceptables, ni tampoco los productos de variables. Además, la forma estándar para
una restricción pone a todas las variables del lado izquierdo y sólo una constante
positiva o cero del lado derecho. Esto puede requerir algún reacomodo de los
términos. Si, por ejemplo, la restricción es que A debe ser por los menos el doble de
B, esto puede escribirse como:
A 2B ó A 2B 0
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 17 de 44
Nótese que pueden moverse términos de un lado a otro de las desigualdades
como si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el
sentido de esta desigualdad se invierte. Puede ser necesario hacer esto para que los
coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por
lo menos tan grande como B - 2, entonces:
A B 2
ó A B 2
por último B A 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en
una ecuación. Todo lo que se tiene que hacer es agregar (o restar) una variable
extra. Por ejemplo:
B A 2 es lo mismo que B A + S = 2
en donde S representa la diferencia, o la holgura, entre B -A y 2. S se llama variable
de holgura. Por otro lado, se restaría una variable de superávit en el caso siguiente:
A 2B 0 es lo mismo que A 2B S = 0
Algunos métodos de solución (como el Método Símplex) y la mayoría de los
programas de computadora (como el MathProg, que viene en el ORCourseware, que
acompaña al libro “Introducción a la Investigación de Operaciones” de los autores
Hillier y Lieberman) requieren que todas las desigualdades se conviertan en
igualdades.
La metodología de PL requiere que todas las variables sean positivas o cero,
es decir, no negativas. Para la mayoría de los problemas esto es real, no se querría
una solución que diga: prodúzcanse menos dos cajas o contrátense menos cuatro
personas.
Mientras que no existe un límite en el número de restricciones que puede
tener un problema de PL, sólo puede haber un objetivo. La forma matemática del
objetivo se llama función objetivo. Debe llevar consigo el maximizar o minimizar
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 18 de 44
alguna medida numérica. Podría ser maximizar el rendimiento, la ganancia, la
contribución marginal o los contactos con los clientes. Podría ser minimizar el costo,
el número de empleados o el material de desperdicio. Con frecuencia el objetivo es
evidente al observar el problema.
Como el valor de la función objetivo no se conoce hasta que se resuelve el
problema, se usa la letra Z para representarlo. La función objetivo tendrá, entonces,
la forma:
Maximizar Z = 4A + 6Bó
Minimizar Z = 2x1 + 5x2
Se analiza una aplicación para ilustrar el formato de los problemas de Programación Lineal.
Planeación de la fuerza de trabajo.ix
El gerente de personal de “La Tortuga Veloz, S.A. de C.V.”, está
analizando la necesidad de mano de obra semi calificada durante los próximos
seis meses. Se lleva 1 mes adiestrar a una persona nueva. Durante este período
de entrenamiento un trabajador regular, junto con uno en adiestramiento
(aprendiz), producen el equivalente a lo que producen 1.2 trabajadores regulares.
Se paga $500.00 mensuales a quien está en entrenamiento, mientras que los
trabajadores regulares ganan $800.00 mensuales. La rotación de personal entre
los trabajadores regulares es bastante alta, del 10% mensual. El gerente de
personal debe decidir cuántas personas necesita contratar cada mes para
adiestramiento. En seguida se da el número de meses-hombre necesarios.
También se desea tener una fuerza de trabajo regular de 110 al principio de julio.
En cuanto al 1º de enero, hay 58 empleados regulares.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 19 de 44
Mes Meses-hombre requeridos Mes Meses-hombre requeridos
Enero 60 Abril 80
Febrero 50 Mayo 70
Marzo 60 Junio 100
Este problema tiene un aspecto dinámico, ya que la fuerza de trabajo en
cualquier mes depende de la fuerza de trabajo regular y en adiestramiento del mes
anterior. Para cualquier mes, el número total de meses-hombre disponibles se
puede expresar como sigue:
Meses-hombre disponibles: Ri + 0.2Ai
en donde: Ri = número de trabajadores regulares al principio del mes
Ai = número de aprendices contratados en el mes.
Entonces los requerimientos de cada mes pueden expresarse por las
restricciones:
Enero R1 + 0.2A1 60
Febrero R2 + 0.2A2 50
Marzo R3 + 0.2A3 60
Abril R4 + 0.2A4 80
Mayo R5 + 0.2A5 70
Junio R6 + 0.2A6 100
julio (principio) R7 110
Debido a la rotación, el 10% de los trabajadores regulares se van cada mes. Así,
el número de trabajadores regulares disponibles, por ejemplo, al principio de
febrero sería:
R2 = 0.9R1 + A1
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 20 de 44
En la misma forma, pueden escribirse las ecuaciones para el número de
trabajadores disponibles al principio de cada mes:
Enero R1 = 58 (dado)
Febrero R2 = 0.9R1 + A1
Marzo R3 = 0.9R2 + A2
Abril R4 = 0.9R3 + A3
Mayo R5 = 0.9R4 + A4
Junio R6 = 0.9R5 + A5
Julio R7 = 0.9R6 + A6
El objetivo global del gerente de personal es minimizar el costo. La función
objetivo es:
Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)
Ahora se tiene el problema en el formato general de PL con 13 variables y 14
restricciones.
Los tomadores de decisiones en las empresas establecen criterios que
debe cumplir una solución y, después, buscan esa solución. En PL, los criterios se
expresan como restricciones. Se exploran las soluciones posibles y se usa la
función objetivo para elegir la mejor de entre aquellas que cumplen con los
criterios. La PL se denomina técnica de optimización, pero optimiza sólo dentro de
los límites de las restricciones. En realidad es un método de satisfacción de
criterios.
Forma estándar de los modelos de Programación Lineal.x
Supóngase que existe cualquier número (digamos m) de recursos limitados
de cualquier tipo, que se pueden asignar entre cualquier número (digamos n) de
actividades competitivas de cualquier clase. Etiquétense los recursos con números
(1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de
decisión) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 21 de 44
efectividad global seleccionada. Sea cj el incremento que resulta en Z por cada
incremento unitario en xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible
del recurso i (para i = 1, 2, ..., m). Por último defínase aij como la cantidad de
recurso i que consume cada unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2,
..., n). Se puede formular el modelo matemático para el problema general de
asignar recursos a actividades. En particular, este modelo consiste en elegir
valores de x1, x2, ..., xn para:
Maximizar Z = c1x1 + c2x2 + ... + cnxn,
sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn b1
a21x1 + a22x2 + ... + a2nxn b2
am1x1 + am2x2 + ... + amnxn bm y
x1 0, x2 0, ..., xn 0
Ésta se llamará nuestra forma estándar (porque algunos libros de texto adoptan
otras formas) para el problema de PL. Cualquier situación cuya formulación
matemática se ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminología que usaremos para los
modelos de PL. La función que se desea maximizar, c1x1 + c2x2 + ... + cnxn, se
llama función objetivo. Por lo general, se hace referencia a las limitaciones como
restricciones. Las primeras m restricciones (aquellas con una función del tipo ai1x1
+ ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el
nombre de restricciones funcionales. De manera parecida, las restricciones xj 0
se llaman restricciones de no negatividad. Las variables xj son las variables de
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 22 de 44
decisión. Las constantes de entrada, aij, bi, cj, reciben el nombre de parámetros del
modelo.
Solución Gráfica de Modelos Lineales con dos Variables.
Para la solución gráfica de programas lineales con dos variables, lo que se
tiene que hacer es trazar un eje de coordenadas cartesianas, para graficar las
desigualdades dadas por el problema, después encontrar el Área de Soluciones
Factibles y proceder a graficar la función objetivo para conocer el valor óptimo
(maximizar o minimizar) que será la solución del problema.
Ejemplo: Problema de mezcla de productos.
Un fabricante está tratando de decidir sobre las cantidades de producción para
dos artículos: mesas y sillas. Se cuenta con 96 unidades de material y con 72
horas de mano de obra. Cada mesa requiere 12 unidades de material y 6 horas de
mano de obra. Por otra parte, las sillas usan 8 unidades de material cada una y
requieren 12 horas de mano de obra por silla. El margen de contribución es el
mismo para las mesas que para las sillas: $5.00 por unidad. El fabricante prometió
construir por lo menos dos mesas.
Paso 1: formulación del problema.
El primer paso para resolver el problema es expresarlo en términos matemáticos
en el formato general de PL. ¿Cuál es el objetivo? Es maximizar la contribución a
la ganancia. Cada unidad de mesas o sillas producidas contribuirá con $5 en la
ganancia. Así las dos alternativas son la producción de mesas y la producción de
sillas. Ahora puede escribirse la función objetivo:
Maximizar Z = 5x1 + 5x2
en donde: x1 = número de mesas producidas
x2 = número de sillas producidas
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 23 de 44
¿Cuáles son las restricciones o limitaciones del problema? Existen tres
restricciones. Primero, el material está limitado a 96 unidades. Cada mesa se lleva
12 unidades de material y cada silla usa 8 unidades. La primera restricción es,
entonces:
12x1 + 8x2 96
La segunda restricción es el total de horas de mano de obra. Una mesa se lleva 6
horas, una silla 12 horas y se dispone de un total de 72 horas. Así:
6x1 + 12x2 72
Existe una limitación más. El fabricante prometió producir por lo menos dos
mesas. Esto puede expresarse como:
x1 2
Por último, las restricciones de no negatividad son:
x1 0, x2 0
Poniendo todo junto el modelo se tiene:
Maximizar Z = 5x1 + 5x2
Restricciones: 12x1 + 8x2 96
6x1 + 12x2 72
x1 2
x1 0, x2 0
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 24 de 44
Paso 2: gráfica de las restricciones.
El siguiente paso en el método gráfico es dibujar todas las restricciones en una
gráfica. Esto puede hacerse en cualquier orden. Por conveniencia se comenzará
con las restricciones de no negatividad. Éstas se muestran en la siguiente figura:
En esta gráfica, una solución se representaría por un punto con coordenadas x1
(mesas) y x2 (sillas). Las coordenadas representarían las cantidades de cada
artículo que se deben producir. El cuadrante superior derecho se llama Región
Factible puesto que es el único cuadrante en que pueden estar las soluciones. Los
otros tres cuadrantes no son factibles, ya que requerirían la producción de
cantidades negativas de mesas o de sillas o de ambas.
La siguiente restricción es x1 2. La manera más sencilla de dibujar las
restricciones de recursos es en dos pasos: (1) convertir una desigualdad en una
ecuación y graficar la ecuación y (2) sombrear el área apropiada arriba y abajo de
la línea que resulta en el paso 1. Convertir una igualdad en una ecuación aquí
significa ignorar la parte de “mayor que” o “menor que” de la restricción.
Así, en el ejemplo, x1 2 se convierte en x1 = 2. Esta ecuación está trazada en la
siguiente figura:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 25 de 44
Cualquier punto en la línea x1 = 2 satisface la ecuación. Sin embargo, la
restricción es más amplia, ya que cualquier punto x1 > 2 también la cumplirá. Esto
incluye todos los puntos que están a la derecha de la línea x1 = 2. Entonces, la
región factible incluye todos los valores de x1 que están sobre o a la derecha de la
línea x1 = 2.
La limitación sobre las horas de mano de obra es la siguiente restricción. Como
antes, primero se convierte en una ecuación: 6x1 + 12x2 = 72. Puede graficarse
esta línea si se encuentran dos puntos sobre ella. El par de puntos más sencillos
de localizar son las intersecciones con los ejes X1 y X2. Para encontrar la
intersección con el eje X2 se hace x1 = 0. La ecuación se reduce, entonces, a:
12x2 = 72
x2 = 6
La intersección con el eje X1 se encuentra haciendo x2 = 0. Así:
6x1 = 72
x1 = 12
Estos dos puntos y la línea que los une se muestran en la siguiente figura:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 26 de 44
Cualquier punto que está sobre o abajo de esta línea cumplirá con la restricción.
Cualquier punto arriba de esta línea requerirá más de 72 horas de mano de obra y
no es aceptable. En la siguiente figura se combina esta restricción con la anterior.
En la región factible, ambas restricciones se cumplen.
La última restricción es la de material. Siguiendo el procedimiento anterior,
primero se encuentran las intersecciones para la igualdad. Éstas son x1 = 0, x2 =
12 y x1 = 8, x2 =0. Se localizan los dos puntos en la gráfica; se traza la línea, y
como la restricción es del tipo menor o igual que, se sombrea el área que está
abajo de la línea. El resultado se muestra en la siguiente figura:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 27 de 44
Cualquier solución que esté en la frontera o dentro del área sombreada cumplirá
con todas las restricciones. Ahora se utilizará la función objetivo para seleccionar
la solución óptima.
Paso 3: obtención de la solución óptima: líneas de indiferencia.
Para encontrar la solución óptima, se grafica la función objetivo en la misma
gráfica de las restricciones. La función objetivo en este problema es Z = 5x1 + 5x2.
Como todavía no se conoce el máximo valor factible de Z, no puede trazarse el
óptimo de la función objetivo. No obstante, es posible suponer algunos valores
para Z y graficar las líneas resultantes. En la siguiente figura se muestran las
líneas para Z = 25 yZ = 50:
Las líneas de este tipo se llaman líneas de indiferencia, porque cualquier punto
sobre una línea dada da la misma ganancia total. Nótese que la distancia
perpendicular del origen a la línea aumenta al aumentar el valor de Z. También,
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 28 de 44
todas las líneas de indiferencia son paralelas entre sí. Estas propiedades gráficas
pueden usarse para resolver el problema.
En la siguiente figura, se ilustran todas las restricciones y las dos líneas de
indiferencia supuestas. En la gráfica puede observarse que la línea de indiferencia
para Z = 50 está completamente fuera de la región factible. Para Z = 25, parte de
la línea cae dentro de la región factible. Por tanto, existe alguna combinación de x1
y x2 que satisface todas las restricciones y da una ganancia total de $25. Por
inspección, puede observarse que hay ganancias más altas que son factibles.
Imaginando que la línea de indiferencia Z = 25 se mueve hacia la línea Z = 50, de
las propiedades de la gráfica que se hicieron notar antes, el punto óptimo estará
sobre la línea de indiferencia más lejana al origen pero que todavía toque la región
factible. Esto se muestra en la siguiente figura:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 29 de 44
Con el punto óptimo localizado gráficamente, la única tarea que queda es
encontrar las coordenadas del punto. Nótese que el punto óptimo está en la
intersección de las líneas de restricción para materiales y horas de mano de obra.
Las coordenadas de este punto se pueden encontrar resolviendo el sistema de
ecuaciones que forman estas dos restricciones utilizando cualquiera de los
métodos de solución (suma y resta, sustitución o igualación). Las coordenadas de
este punto resultan ser (6, 3). La sustitución de este punto en la función objetivo
da la ganancia máxima:
Z = 5(6) + 5(3) = $45
Resumen del método gráfico.
Para resolver gráficamente problemas de programación lineal:
1. Exprésense los datos del problema como una función objetivo y restricciones.
2. Grafíquese cada restricción.
3. Localícese la solución óptima.
Ejercicio:
Ejemplo: Problema de dieta.
Un comprador está tratando de seleccionar la combinación más barata de dos
alimentos, que debe cumplir con ciertas necesidades diarias de vitaminas. Los
requerimientos vitamínicos son por lo menos 40 unidades de vitamina W, 50
unidades de vitamina X y 49 unidades de vitamina Y. Cada kilogramo del alimento
A proporciona 4 unidades de vitamina W, 10 unidades de vitamina X y 7 unidades
de vitamina Y; cada kilogramo del alimento B proporciona 10 unidades de W, 5
unidades de X y 7 unidades de Y. El alimento A cuesta 5 pesos/kilogramo y el
alimento B cuesta 8 pesos/kilogramo.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 30 de 44
METODO SIMPLEX.
“El método símplex es un algoritmo. De hecho, cualquier procedimiento
iterativo de solución es un algoritmo. Entonces, un algoritmo es simplemente un
proceso en el que se repite (se itera) un procedimiento sistemático una y otra vez
hasta obtener el resultado deseado. Cada vez que se lleva a cabo el
procedimiento sistemático se realiza una iteración. En consecuencia, un algoritmo
sustituye un problema difícil por una serie de problemas fáciles.”xi
Vamos a resolver el siguiente problema:
Paso 1. Convertir las desigualdades en igualdades:
Se introduce una variable de holgura por cada una de las restricciones, este caso s1,
s2, s3 para convertirlas en igualdades y formar el sistema de ecuaciones estandar.
Usando en simplex el siguiente criterio:
Signo: Introducir
≤ sn
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 31 de 44
Paso 2. Igualar la función objetivo a cero y después agregar la variables de
holgura del sistema anterior:
Z - 3 x1 - 2 x2 = 0
Para este caso en particular la función objetivo ocupa la última fila del tablero, pero
de preferencia siempre se deberá de colocar como la primera fila.
Cuando minimizamos se toma el valor (+) positivo de Fo para convertirlo en negativo
y cuando maximizamos tomamos el valor (+) negativo de Fo para convertirlo en
positivo.
Paso 3. Escribir el tablero inicial simplex:
En las columnas aparecerán todas las variables del problema y, en las filas, los
coeficientes de las igualdades obtenidas, una fila para cada restricción y la última fila
con los coeficientes de la función objetivo:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 32 de 44
Paso 4. Encontrar la variable de decisión que entra en la base y la variable
de holgura que sale de la base
Para escoger la variable de decisión que entra en la base, (FLECHA ROJA PARTE
SUPERIOR), observamos la última fila, la cual muestra los coeficientes de la función
objetivo y escogemos la variable con el coeficiente más negativo (en valor absoluto).
En este caso, la variable x1 de coeficiente - 3.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior,
entonces se elige cualquiera de ellos.
Si en la última fila no existiese ningún coeficiente negativo, significa que se ha
alcanzado la solución óptima.
Por tanto, lo que va a determinar el final del proceso de aplicación del método del
simplex, es que en la última fila no haya elementos negativos.
La columna de la variable que entra en la base se llama columna pivote (en color
azulado).
Para encontrar la variable de holgura que tiene que salir de la base, (FLECHA ROJA
COSTADO IZQUIERDO) se divide cada término de la última columna (valores
solución) por el término correspondiente de la columna pivote, siempre que estos
últimos sean mayores que cero.
Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. En el
caso de que todos los elementos fuesen menores o iguales a cero, entonces
tendríamos una solución no acotada y no se puede seguir.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 33 de 44
El término de la columna pivote que en la división anterior dé lugar al menor cociente
positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la
base, S3. Esta fila se llama fila pivote (en color azulado).
Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las
variables correspondientes puede salir de la base.
En la intersección de la fila pivote y columna pivote tenemos el elemento pivote
operacional, 3, este indica que la variable de decisión X1 entra y la variable de
holgura S3 sale.
Paso 5. Encontrar los coeficientes para el nuevo tablero de simplex.
Los nuevos coeficientes de la fila pivote se obtienen dividiendo todos los coeficientes
de la fila por el pivote operacional “3”, ya que este se debe convertir en 1.
A continuación mediante la reducción gaussiana hacemos ceros los restantes
términos de la columna pivote, con lo que obtenemos los nuevos coeficientes de las
otras filas incluyendo los de la función objetivo Z.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 34 de 44
Como en los elementos de la última fila hay un número negativo, -1, significa que no
hemos llegado todavía a la solución óptima. Hay que repetir el proceso:
La variable que entra en la base es x2, por ser la columna pivote que corresponde al
coeficiente -1
Para calcular la variable que sale o la fila pivote, dividimos los términos de la
columna solución entre los términos de la nueva columna pivote:
y como el menor cociente positivo es 6, tenemos que la fila pivote y la variable de
holgura que sale es S1.
El elemento pivote, que ahora hay que hacer 1, es 1/3.
Y se opera de forma análoga a la anterior iteración:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 35 de 44
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos
llegado todavía a la solución óptima. Hay que repetir el proceso:
La variable que entra en la base es S3, por ser la variable que corresponde al
coeficiente -1
Para calcular la variable que sale, dividimos los términos de la última columna entre
los términos correspondientes de la nueva columna pivote:
6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale
es S2.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 36 de 44
El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 37 de 44
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos
llegado a la solución óptima.
Los solución óptima viene dada por el valor de Z en la columna de los valores
solución, en nuestro caso: 33.
RESOLUCION POR Wat´s Best
RESOLUCION DE CASOS:
MATHUR Kamlesh, SOLOW Daniel, “Investigación de Operaciones”, Prentice Hall, 2001, Mexico-Mexico
EPPEN G.D., GOULD F.J., “Investigación de Operaciones en la Ciencia Administrativa”, Prentice Hall, 2000, Mexico – Mexico.
HILLER, HILLIER, LIEBERMAN, “Métodos cuantitativos para Administración”, Mc Graw Hill, 2001, Mexico – Mexico.
TRANSPORTE Y ASIGNACIONxii
El modelo de transporte busca determinar un plan de transporte de una mercancía de varias fuentes a varios destinos. Los datos del modelo son:
1. Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.
2. El costo de transporte unitario de la mercancía a cada destino.
Como solo hay una mercancía un destino puede recibir su demanda de una o más fuentes. El objetivo del modelo es el de determinar la cantidad que se enviará de cada fuente a cada destino, tal que se minimice el costo del transporte total.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 38 de 44
La suposición básica del modelo es que el costo del transporte en una ruta es directamente proporcional al numero de unidades transportadas. La definición de “unidad de transporte” variará dependiendo de la “mercancía” que se transporte.
El esquema siguiente representa el modelo de transporte como una red con m fuentes y n destinos. Una fuente o un destino esta representado por un nodo, el arco que une fuente y un destino representa la ruta por la cual se transporta la mercancía. La cantidad de la oferta en la fuente i es ai, y la demanda en el destino j es bj. El costo de transporte unitario entre la fuente i y el destino j es Cij.
Si Xi j representa la cantidad transportada desde la fuente i al destino j,
entonces, el modelo general de PL que representa el modelo de transporte es:
Minimiza Z= i=1 m j=1
n C i j X i j
Sujeta a:
j=1 n X i j <= ai , i=1,2,…, m
i=1 m X I j >= bj , j=1,2,…, n
X i j >=0 para todas las i y j
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 39 de 44
El primer conjunto de restricciones estipula que la suma de los envíos desde una fuente no puede ser mayor que su oferta; en forma análoga, el segundo conjunto requiere que la suma de los envios a un destino satisfaga su demanda.
El modelo que se acaba de escribir implica que la oferta total i=1 m ai debe ser
cuando menos igual a la demanda total j=1 n bj. Cuando la oferta total es igual a
la demanda total, la formulación resultante recibe el nombre de modelo de transporte equilibrado. Este difiere del modelo solo en el hecho de que todas las restricciones son ecuaciones, es decir:
X i j = ai, i=1,2,..., m
X i j = bj, j=1,2,..., n
En el mundo real, no necesariamente la oferta debe ser igual a la demanda o
mayor que ella. Sin embargo, un modelo de transporte siempre puede equilibrarse.
El equilibrio, además de su utilidad en la representación a través de modelos de
ciertas situaciones prácticas, es importante para el desarrollo del método de
solución que explote completamente la estructura especial del modelo de
transporte. Los dos ejemplos que siguen presentan la idea del equilibrio y también
sus implicaciones prácticas.
Ejemplo 1 (Modelo de transporte estándar)
MG Auto Company tiene plantas en Los Ángeles, Detroit y Nueva Orleáns. Sus centros de distribución principales son Denver y Miami. Las capacidades de las plantas durante el trimestre próximo son 1 000, 1 500, y 1 200 automóviles. Las demandas trimestrales en los dos centros de distribución son de 2 300 y 1 400 vehículos. El costo del transporte de un automóvil por tren es de 8 centavos por milla. El diagrama de las distancias recorridas entre las plantas y el centro de distribución son:
Denver Miami Los Angeles 1 000 1 690
Detroit 1 250 1 350 Nueva Orleans 1 275 850
Esto produce en costo por automóvil a razón de 8 centavos por milla recorrida.
Produce los costos siguientes (redondeados a enteros), que representan a C i j del
modelo original:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 40 de 44
Mediante el uso de códigos numéricos que representan las plantas y centros de distribución, hacemos que X i j represente el número de automóviles transportados de la fuente i al destino j. Como la oferta total ( = 1 000 + 1 500 + 1 200 = 3 700) es igual a la demanda ( = 2 300 + 1 400 = 3 700), el modelo de transporte resultante esta equilibrado. Por lo tanto, el siguiente modelo de PL que representa el problema tiene todas las restricciones de igualdad.
Minimizar Z = 80X 11 + 215X 12 + 100X 21 + 108X 22 + 102X 31 + 68X 32
Sujeto a:
X 11 X 12 = 1 000 X 21 X 22 = 1 500 X 31 X 32 = 1 200 X 11 X 21 X 31 = 2 300 X 12 X 22 X 32 = 1 400 X i j para todas las i y j
Un método mas resumido para representar el modelo de transporte consiste en utilizar lo que se llama tabla de transporte. Esta es una forma de matriz donde sus renglones representan las fuentes y sus columnas los destinos. Los elementos de costo C i j se resumen en la esquina noroeste de la celda de la matriz (i, j). Por lo tanto, el modelo de MG se puede resumir en la tabla siguiente:
Ejemplo 2 (Modelo de transporte con equilibrio)
Denver Miami Los Ángeles 80 215
Detroit 100 108 Nueva Orleans 102 68
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 41 de 44
En el ejemplo anterior suponga que la capacidad de la planta de Detroit es de 1 300 automóviles (en vez de 1 500). Se dice que la situación esta desequilibrada debido a que la oferta total (=3 500) no es igual a la demanda total (=3 700).Nuestro objetivo consiste en volver a formular el modelo de transporte de manera que distribuya la cantidad faltante(=3 700 – 3 500 = 200) en forma optima entre los centros de distribución.
Como la demanda es mayor que la oferta se puede agregar una planta ficticia con una capacidad de 200. Se permite que dicha planta, en condiciones normales, envíe su “producción“ a todos los centros de distribución. Físicamente, la cantidad de unidades enviadas a un destino desde una planta ficticia representará la cantidad faltante en ese destino.
La única información que falta para completar el modelo son los “costos de transporte” unitarios de la planta ficticia a los destinos. Como la planta no existe, no habrá ningún envío físico y el costo de transporte unitario es cero. Sin embargo, podemos enfocar la situación desde otro ángulo diciendo que se incurre en un costo de penalización por cada unidad de demanda insatisfecha en los centros de distribución. En este caso los costos de transporte unitarios serán iguales a los costos de penalización unitarios en los diversos destinos.
Denver Miami Los Ángeles 80 215 1 000 Detroit 100 108 1 300 Nueva Orleáns 102 68 1 200 Planta ficticia 0 0 200
De manera análoga, si la oferta en mayor que la demanda podemos añadir un destino ficticio que absolverá la diferencia. Por ejemplo, suponga que la demanda en Denver disminuye a 1 900cualquier automóvil enviado de una planta a un centro de distribución ficticio representa un excedente en la planta.
Denver Miami Destino
Ficticio
Los Ángeles 80 215 0 1 000 Detroit 100 108 0 1 500 Nueva Orleans 102 68 0 1 200
Existen varios métodos de resolución de este tipo de problemas, pero se tratará por fines prácticos la resolución de los mismos usando What´s best.
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 42 de 44
RESOLUCION DE CASOS
MATHUR Kamlesh, SOLOW Daniel, “Investigación de Operaciones”, Prentice Hall, 2001, Mexico-Mexico
EPPEN G.D., GOULD F.J., “Investigación de Operaciones en la Ciencia Administrativa”, Prentice Hall, 2000, Mexico – Mexico.
BIERMAN, BONINI, HAUSMAN, “Análisis Cuantitativo para toma de decisiones”, Mc Graw Hill, 2007, Mexico – Mexico.
PROBLEMAS DE TRANSPORTE Y TRANSBORDO
Ejemplo 1 Una empresa energética dispone de tres plantas de generación para satisfacer la demanda eléctrica de cuatro ciudades. Las plantas 1, 2 y 3 pueden satisfacer 35, 50 y 40 millones de [kWh] respectivamente. El valor máximo de consumo ocurre a las 2 PM y es de 45, 20, 30 y 30 millones de [kWh] en las ciudades 1, 2, 3 y 4 respectivamente. El costo de enviar 1 [kWh] depende de la distancia que deba recorrer la energía. La siguiente tabla muestra los costos de envío unitario desde cada planta a cada ciudad. Formule un modelo de programción lineal que permita minimizar los costos de satisfacción de la demanda máxima en todas las ciudades.
Ejemplo 2 Una fábrica posee dos plantas de manufactura, una en Memphis y otra en Denver. La planta de Memphis puede producir hasta 150 unidades al día, la de Denver hasta 200 unidades al día. Los productos son enviados por avión a Los Angeles y Boston. En ambas ciudades, se requieren 130 unidades diarias. Existe una posibilidad de reducir costos enviando algunos productos en primer lugar a New York o a Chicago y luego a sus destinos finales. Los costos unitarios de cada tramo factible se ilustran en la siguiente tabla:
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 43 de 44
La fábrica desea satisfacer la demanda minimizando el costo total de envío.
Ejercicio 2
Medical Technologies es una empresa fabricante y distribuidora internacional de equipos de rayos X de alta resolución que se utiliza en hospitales, su planta que se encuentra en Texas puede producir hasta 100 máquinas por año, la que se encuentra en Iowa produce hasta 200 y la que se encuentra en Oregón puede producir hasta 150 máquinas.
Para el año siguiente sus clientes en Japón han pedido 120 máquinas los de Corea del Sur 80 máquinas los de Nueva Zelanda 70 y los de Australia 110 máquinas.
Los equipos producido en Texas y en Iowa pueden ser enviados a los almacenes regionales en Hungría y/o en Hawai, los almacenes regionales a su vez pueden enviar a cualquiera de los almacenes en campo situados en Fiji y en las Filipinas. Ninguno de los almacenes regionales almacena máquinas en inventario, por consiguiente deben enviar todas las máquinas que reciben.
Los clientes de Corea del Sur y de Nueva Zelanda pueden recibir máquinas de cualquiera de los almacenes de campo. Sin embargo debido a los tratados de comercio internacionales, los clientes de Japón deben obtener sus máquinas directamente de las Filipinas y los de Australia deben recibir las suyas solo de Fiji. Los costos de envío por máquina desde las plantas a los almacenes regionales, a los almacenes de campo y finalmente a los clientes se dan en las siguientes tablas:
HUNGRIA HAWAI
TEXAS 200 400
IOWA 300 400
OREGON 500
FILIPINAS FIJI
HUNGRIA 800 600
HAWAI 700 400
UNIVERSIDAD TECNOLÓGICA INDOAMERICA
INVESTIGACIÓN OPERATIVA
Ing. Nikolay Artieda
Página 44 de 44
JAPON COREA N
ZELANDA AUSTRALIA
FILIPINAS 700 600 800
FIJI 700 500 600
Como gerente de distribución, se le ha pedido que determine el plan de embarque con el mínimo costo total.
REFERENCIAS BIBLIOGRAFICAS
i BELLINI Franco, “Investigación de Operaciones”, Universidad Santa María,
Caracas-Venezuela.
ii IBID
iii IBID
iv MATHUR K, SOLOW D; “Investigación de Operaciones”, Prentice Hall, 2001,
Mexico-Mexico
v BELLINI Franco, “Investigación de Operaciones”, Universidad Santa María,
Caracas-Venezuela.
vi IBID
vii IBID
viii IBID
ix IBID
x IBID
xi IBID
xii IBID