Sunteți pe pagina 1din 94

Unid ad 1.

Tema Toma de decisiones 1.1 1.2 1.3 1.4 1.5

Subtemas Ambientes y criterios para la toma de decisiones. Toma de decisiones bajo modelos de certidumbre, incertidumbre y riesgo. Enfoque cuantitativo en la toma de decisiones. Teora de la utilidad. La obtencin de datos para la toma decisiones. Arboles de decisin.

Pagina

2.

Programacin Lineal

1.6

3.

Asignacin y transporte

2.1 Formulacin y aplicacin de modelos de programacin lineal. 2.2 Mtodo Grafico. 2.3 Mtodo Simplex. 2.3.1 Mtodo Algebraico. 2.3.2 Mtodo dual-simplex. 2.4 Mtodo dual. 2.5 Mtodo dual- simplex. 2.6 Anlisis de resultados. 5.1 5.2 5.3 5.4 Mtodo Mtodo Mtodo Mtodo de de de de Esquina Noroeste. costo Mnimo. Aproximacin de Vogel. Asignacin.

4.

Lineas de espera

4.1 Estructura bsica de los modelos de lnea de espera. 4.1.1 Un servidor, una cola. 4.1.2 N servidores, una cola. 4.1.3 N servidores, n colas 4.2 Criterios bajo la distribucin de Poisson y Exponencial para la seleccin del modelo apropiado de lneas de espera. 4.3 Aplicacin de modelos de decisin en lneas de espera. 4.4 Inferencia de resultados. 5. Modelos de pronsticos e inventarios 5.1 Modelos de pronsticos. 5.1.1 Modelos de pronsticos para un nivel constante.

5.1.2 Efectos estacionales en los modelos de pronsticos. 5.2 Suavizado exponencial en modelos de tendencia lineal. 5.3 Errores en los pronsticos. 5.4 Pronsticos casuales con regresin lineal. 5.5 Definicin y tipos de inventarios. 5.5.1 Ventajas y desventajas de los inventarios. 5.5.2 Costos de inventarios. 5.6 Modelos determinsticos. 5.7 Modelos de probabilsticas. 5.8 Planeacin de requerimientos de materiales. 6.1 Grafica de grant. 6.2 Mtodo de la ruta crtica (PERT/CPM). 6.2.1 Terminologa. 6.2.2 Construccin de una red. 6.2.3 Determinacin de la ruta crtica. 6.2.4 Compresin de redes. 6.2.5 Anlisis de una red PERT. 6.3 Programacin y control de proyectos basados en costos

Toma de decisione

UNIDAD

1.1

Ambientes y criterios para la toma de decisiones.

Los ambientes y criterios que se utilizan para una toma de decisiones varan dependiendo los conocimientos que se tengan para realizar alguna funcin y de las herramientas con las que se cuenten en ese momento, ya que las decisiones que se toman al final se componen bajo los rendimientos que se establecen con estas dos variables mencionadas. El problema de la Decisin, motivado por la existencia de ciertos estados de ambigedad que constan de proposiciones verdaderas (conocidas o desconocidas), es tan antiguo como la vida misma. Podemos afirmar que todos los seres vivientes, an los ms simples, se enfrentan con problemas de decisin. As, un organismo unicelular asimila partculas de su medio ambiente, unas nutritivas y otras nocivas para l. Conforme aumenta la complejidad del ser vivo, aumenta tambin la complejidad de sus decisiones y la forma en que stas se toman. As, pasamos de una toma de decisiones guiada instintivamente, a procesos de toma de decisiones que deben estar guiados por un pensamiento racional en el ser humano. Un proceso de decisin presenta las siguientes caractersticas principales: Existen al menos dos posibles formas de actuar, que llamaremos alternativas o acciones, excluyentes entre s, de manera que la actuacin segn una de ellas imposibilita cualquiera de las restantes. Mediante un proceso de decisin se elige una alternativa, que es la que se lleva a cabo. La eleccin de una alternativa ha de realizarse de modo que cumpla un fin determinado.

1.2 Toma de decisiones incertidumbre y riesgo.

bajo

modelos

de

certidumbre,

En todo problema de decisin pueden distinguirse una serie de elementos caractersticos: El decisor, encargado de realizar la eleccin de la mejor forma de actuar de acuerdo con sus intereses. Las alternativas o acciones, que son las diferentes formas de actuar posibles, de entre las cuales se seleccionar una. Deben ser excluyentes entre s. Los posibles estados de la naturaleza, trmino mediante el cual se designan a todos aquellos eventos futuros que escapan al control del decisor y que influyen en el proceso. Las consecuencias o resultados que se obtienen al seleccionar las diferentes alternativas bajo cada uno de los posibles estados de la naturaleza. La regla de decisin o criterio, que es la especificacin de un procedimiento para identificar la mejor alternativa en un problema de decisin.

CLASIFICACIN DE LOS PROCESOS DE DECISIN


Los procesos de decisin se clasifican de acuerdo segn el grado de conocimiento que se tenga sobre el conjunto de factores o variables no controladas por el decisor y que pueden tener influencia sobre el resultado final (esto es lo que se conoce como ambiente o contexto). As, se dir que: El ambiente es de certidumbre cuando se conoce con certeza su estado, es decir, cada accin conduce invariablemente a un resultado bien definido. El ambiente de riesgo cuando cada decisin puede dar lugar a una serie de consecuencias a las que puede asignarse una distribucin de probabilidad conocida. El ambiente es de incertidumbre cuando cada decisin puede dar lugar a una serie de consecuencias a las que no puede asignarse una distribucin de probabilidad, bien porque sea desconocida o porque no tenga sentido hablar de ella.

Segn sea el contexto, diremos que el proceso de decisin (o la toma de decisiones) se realiza bajo certidumbre, bajo riesgo o bajo incertidumbre, respectivamente.

TOMA DE DECISIN BAJO MODELOS DE CERTIDUMBRE

En los procesos de decisin bajo certidumbre se supone que el verdadero estado de la naturaleza es conocido por el decisor antes de realizar su eleccin , es decir, puede predecir con certeza total las consecuencias de sus acciones. Esto es equivalente a considerar n =1 en la descripcin de la tabla de decisin, dando lugar a siguiente tabla trivial:

Estado de la Naturaleza

Alternativas

e1

a1

x11

a2

x21

...

...

am

xm1

Conceptualmente, la resolucin de un problema de este tipo es inmediata: basta elegir la alternativa que proporcione un mejor resultado, es decir:

Se selecciona como alternativa ptima aquella alternativa ak tal que xk1 = max {xi1 : 1im}

El problema de decisin se reduce, por tanto, a un problema de optimizacin, ya que se trata de escoger la alternativa que conduzca a la consecuencia con mayor valor numrico asociado. Bsicamente, un problema de optimizacin puede expresarse en forma compacta como sigue: max { f(x) : x S} donde: S es el conjunto de alternativas o conjunto factible. Se trata de un subconjunto del espacio eucldeo n, que puede contener un nmero finito o infinito de elementos. f: S es la denominada funcin objetivo, que asigna a cada alternativa una valoracin, permitiendo su comparacin. x representa el vector n-dimensional que describe cada elemento del conjunto factible. Cada una de sus componentes recibe el nombre de variable de decisin.
TOMA DE DECISIN BAJO INCERTIDUMBRE

En los procesos de decisin bajo incertidumbre, el decisor conoce cules son los posibles estados de la naturaleza, aunque no dispone de informacin alguna sobre cul de ellos ocurrir. No slo es incapaz de predecir el estado real que se presentar, sino que adems no puede cuantificar de ninguna forma esta incertidumbre. En particular, esto excluye el conocimiento de informacin de tipo probabilstica sobre las posibilidades de ocurrencia de cada estado.

REGLAS DE DECISIN A continuacin se describen las diferentes reglas de decisin en ambiente de incertidumbre, y que sern sucesivamente aplicadas al ejemplo de construccin del hotel. Criterio de Wald Criterio Maximax Criterio de Hurwicz Criterio de Savage Criterio de Laplace 1.- CRITERIO DE WALD Bajo la alternativa ai, el peor resultado posible que puede ocurrir tiene una valor para el decisor dado por:

El valor si se denomina nivel de seguridad de la alternativa ai y representa la cantidad mnima que el decisor recibir si selecciona tal alternativa. En 1950, Wald sugiere que el decisor debe elegir aquella alternativa que le proporcione el mayor nivel de seguridad posible, por lo que S(ai)=si. As, la regla de decisin de Wald resulta ser:

Este criterio recibe tambin el nombre de criterio maximin, y corresponde a un pensamiento pesimista, pues razona sobre lo peor que le puede ocurrir al decisor cuando elige una alternativa. EJEMPLO Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las recompensas obtenidas junto con los niveles de seguridad de las diferentes alternativas:

Alternativas Terreno comprado A B AyB Ninguno

Estados de la Naturaleza Aeropuerto A 13 -8 5 0 en Aeropuerto B - 12 11 -1 0 en si -12 -8 -1 0

La alternativa ptima segn el criterio de Wald sera no comprar ninguno de los terrenos, pues proporciona el mayor de los niveles de seguridad. 2.- CRITERIO MAXIMAX Bajo la alternativa ai, el mejor resultado posible que puede ocurrir tiene un valor para el decisor dado por:

El valor oi se denomina nivel de optimismo de la alternativa ai y representa la recompensa mxima que el decisor recibir si selecciona tal alternativa. El criterio maximax consiste en elegir aquella alternativa que proporcione el mayor nivel de optimismo posible, por lo que S(ai)=oi. Esta regla de decisin puede enunciarse de la siguiente forma:

Este criterio corresponde a un pensamiento optimista, ya que el decisor supone que la naturaleza siempre estar de su parte, por lo que siempre se presentar el estado ms favorable. EJEMPLO Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las recompensas obtenidas junto con los niveles de optimismo de las diferentes alternativas:

Alternativas Terreno comprado A B AyB Ninguno

Estados de la Naturaleza Aeropuerto A 13 -8 5 0 en Aeropuerto B - 12 11 -1 0 en oi 13 11 5 0

La alternativa ptima segn el criterio maximax sera comprar la parcela en la ubicacin A, pues proporciona el mayor de los niveles de optimismo.

3.- CRITERIO DE HURWICZ Se trata de un criterio intermedio entre el criterio de Wald y el criterio maximax. Dado que muy pocas personas son tan extremadamente pesimistas u optimistas como sugieren dichos criterios, Hurwicz (1951) considera que el decisor debe ordenar las alternativas de acuerdo con una media ponderada de los niveles de seguridad y optimismo:

donde es un valor especfico elegido por el decisor y aplicable a cualquier problema de decisin abordado por l, por lo que T(ai) = si + (1-oi. As, la regla de decisin de Hurwicz resulta ser:

Los valores de prximos a 0 corresponden a una pensamiento optimista, obtenindose en el caso extremo =0 el criterio maximax. Los valores de prximos a 1 corresponden a una pensamiento pesimista, obtenindose en el caso extremo =1 el criterio de Wald.

TOMA DE DECISIN BAJO RIESGO

Los procesos de decisin en ambiente de riesgo se caracterizan porque puede asociarse una probabilidad de ocurrencia a cada estado de la naturaleza, probabilidades que son conocidas o pueden ser estimadas por el decisor antes del proceso de toma de decisiones.

REGLAS DE DECISIN Los diferentes criterios de decisin en ambiente de riesgo se basan en estadsticos asociados a la distribucin de probabilidad de los resultados. Algunos de estos criterios se aplican sobre la totalidad de las alternativas, mientras que otros slo tienen en cuenta un subconjunto de ellas, considerando las restantes peores, por lo no que estn presentes en el proceso de toma de decisiones. Representaremos por R(ai) los resultados asociados a la alternativa ai, y por P(ai) la distribucin de probabilidad correspondiente a tales resultados, esto es, el conjunto de valores que representan las probabilidades de ocurrencia de los diferentes estados de la naturaleza:

R P

xi1 p1

xi1 p2

... ...

xi1 pn

Los principales criterios de decisin empleados sobre tablas de decisin en ambiente de riesgo son: Criterio del valor esperado Criterio de mnima varianza con media acotada Criterio de la media con varianza acotada Criterio de la dispersin Todos estos criterios sern aplicados al problema de decisin bajo riesgo cuya tabla de resultados figura a continuacin: Decisin bajo riesgo: Ejemplo Estados de la Naturaleza Alternativas e1 e2 e3 e4

a1 a2 a3

11 8 8

9 25 11 0.2

11 8 10 0.5

8 11 11 0.1

Probabilidades 0.2

EJEMPLO Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el resultado esperado y su varianza para cada una de las alternativas.

Criterio de la media con varianza acotada Estados Naturaleza Alternativas a1 a2 a3 e1 11 8 8 e2 9 25 11 0.2 e3 11 8 10 0.5 de e4 8 11 11 0.1 la E[R(ai)] V 10.3 11.7 9.9 1.21 45.01 1.09

Probabilidades 0.2

Si el decisor selecciona un valor 20 para la constante K, quedara excluida del proceso de decisin la alternativa a 2, que es la que posee mayor valor esperado. Excluida sta, la eleccin ptima corresponde a la alternativa a 1, pues es la que posee mayor valor esperado entre las que cumplen la condicin V.

1.3

Enfoque cuantitativo en la toma de decisiones.


Estas herramientas ayudan a aplicar el pensamiento racional para que gue, ayude y automatice las decisiones y sirvan al gerente a descubrir la solucin deseada al problema

de la mejor forma, mediante la divisin de problemas en fragmentos menores, lo cual facilita el diagnstico. Las tcnicas cuantitativas facilitan el diagnstico de problemas pero no permite el anlisis de los aspectos cualitativos como los aspectos humanos que no se pueden contar en trminos numricos. La toma de decisiones no es fcil, pues se enfrenta a la incertidumbre y muchas veces los gerentes ven la conducta pasada como un indicador del futuro. Algunos elementos de apoyo cuantitativos en la toma de decisiones gerenciales son: 1. Matriz de resultados 2. rboles de decisiones 3. Modelos de tamaos de inventarios 4. Programacin lineal 5. Teora de colas 6. Teora de redes 7. La programacin entera 8. La simulacin 9. El anlisis de Markov

1.4

Teora de la utilidad.

Hasta ahora hemos supuesto que el pago esperado en trminos monetarios es la medida adecuada de las consecuencias de tomar una accin. Sin embargo en muchas situaciones esto no es as y se debe utilizar otra escala de medida para las acciones que realizamos. Suponga que se le ofrece a una persona, 50% de posibilidades de ganar $100000, 50% de posibilidades de no ganar nada y Ganar $40000 fijos. E {p(a1 ,q)}= 0.5* $100000 + 0.5*0= $50000 E {p(a2 ,q)}= 1* $40000 = $40000 Aunque la alternativa 1 tiene un pago esperado mayor, muchas personas preferirn los $400

En muchas ocasiones los tomadores de decisiones no estn dispuestos a correr riesgos aunque la ganancia esperada sea mucho mayor. Se pueden transformar los valores monetarios a una escala apropiada que refleje las preferencias del tomador de decisiones, llamada funcin de utilidad del dinero. Una funcin de utilidad para el dinero de este tipo nos muestra una utilidad marginal decreciente para el dinero. La pendiente de la funcin disminuye conforme aumenta la cantidad de : dinero M 2a derivada < 0 cuando sta existe No todas las personas tienen una utilidad marginal decreciente

para el dinero. Hay personas que tienen funciones de utilidad marginal creciente para ste. El hecho de que distintas personas tienen funciones de utilidad diferentes para el dinero tienen una aplicacin importante para el tomador de decisiones cuando se enfrenta a la incertidumbre. Cuando una funcin de utilidad para el dinero se incorpora en un anlisis de decisiones para un problema, esta funcin de utilidad debe construirse de manera que se ajuste a las preferencias y valores del tomador de decisiones. La clave para considerar que la funcin de utilidad para el dinero se ajusta al tomador de decisiones es la siguiente propiedad de las funciones de utilidad. Propiedad. Bajo las suposiciones de la teora de utilidad, la funcin de utilidad para el dinero de un tomador de decisiones tiene la propiedad de que ste se muestra indiferente ante dos cursos de accin alternativos si los dos tienen la misma utilidad esperada.

Adems se le ofrece: Ganar $100000 con probabilidad p (utilidad = 4) No ganar nada con probabilidad 1-p; (utilidad = 0) El valor esperado de la utilidad con esta oferta es:

E(utilidad) = 4 * p

El tomador de decisiones ser entonces indiferente ante cualquiera de estos 3 pares de alternativas Ganar $100000 con probabilidad 0.25 E(utilidad = 1) Definitivamente obtener $10000 (utilidad = 1)

Ganar $100000 con probabilidad 0.5 E(utilidad = 2)

Definitivamente obtener $30000 (utilidad = 2)

Ganar $100000 con probabilidad 0.75 E(utilidad = 3)

Definitivamente obtener $60000 (utilidad = 3)

Para construir una funcin de utilidad para el dinero se hace lo siguiente: 1. Se le hace al tomador de decisiones una oferta hipottica de obtener una gran suma de dinero con probabilidad p o nada. 2. Para cada una de las pequeas cantidades se le pide al tomador de decisiones que elija un valor de p que lo vuelva indiferente ante la oferta y la obtencin definitiva de esa cantidad de dinero. Cuando se usa la funcin de utilidad para el dinero, del tomador de decisiones, para medir el valor relativo de los distintos valores monetarios posibles, la regla de Bayes sustituye los pagos monetarios por las utilidades correspondientes. Por lo tanto, la accin (o la serie de acciones) ptima es la que maximiza la utilidad esperada.

1.5

La obtencin de datos para la toma de decisiones.

Para tomar decisiones acertadas, es mejor basarse en la frialdad y objetividad de los datos, mas que intuiciones, deseos y esperanzas. Los datos, plantean varios problemas: El modo de obtenerlos Su fiabilidad Darles una interpretacin adecuada.

El sistema de gestin de la calidad, mejora la calidad de la informacin obtenida, y mejora los cauces para su obtencin. Con buena informacin, se pueden hacer estudios y anlisis de futuro, y mejora del producto a corto plazo. Otro problema que presentan los datos, es su aceptacin por parte de los miembros de la organizacin. Los datos, son fros y basados en hechos reales. Por tanto, son objetivos. Quien no quiera aceptar los resultados, debe de realizar un esfuerzo para mejorar por si mismo los datos, hasta obtener el resultado esperado o exigido. No hay que perder el tiempo, ni perderse en recriminaciones si los datos son negativos. Los miembros de la organizacin, han de autoanalizarse con la ayuda del resto del colectivo para intentar mejorar los resultados. Conseguir las metas y objetivos marcados en el plan de la organizacin. No hay que tener reparo en tratar estos temas, ni sentir vergenza. El intercambio de informacin, positiva o negativa, debe de fluir por la organizacin. Han de sealarse los defectos y poner un pronto remedio sin perjudicar a ningn miembro o proceso de la organizacin. Los hechos, son los hechos. Y es responsabilidad de todos aceptarlos y ponerles remedio. Es habitual que se omita que en esta definicin en el procedimiento, aunque est implcito: la informacin es la herramienta o materia prima fundamental al tomar decisiones de la empresa. A mayor calidad de la informacin, mejor calidad en las resoluciones. Se pueden seguir criterios analticos cuantificables y exactos, si se tiene informacin perfecta. La informacin, vale tanto como el beneficio, o ausencia de prdidas que se obtengan en base a esa informacin El arte de tomar decisiones est basado en cinco ingredientes bsicos: a. Informacin:

Estas se recogen tanto para los aspectos que estn a favor como en contra del problema, con el fin de definir sus limitaciones. Sin embargo si la informacin no puede obtenerse, la decisin entonces debe basarse en los datos disponibles, los cuales caen en la categora de informacin general. b. Conocimientos:

Si quien toma la decisin tiene conocimientos, ya sea de las circunstancias que rodean el problema o de una situacin similar, entonces estos pueden utilizarse para seleccionar un curso de accin favorable. En caso de carecer de conocimientos, es necesario buscar consejo en quienes estn informados. c. Experiencia:

Cuando un individuo soluciona un problema en forma particular, ya sea con resultados buenos o malos, esta experiencia le proporciona informacin para la solucin del prximo problema similar. Si ha encontrado una solucin aceptable, con mayor razn tender a repetirla cuando surja un problema parecido. Si carecemos de experiencia entonces tendremos que experimentar; pero slo en el caso en que las consecuencias de un mal experimento no sean desastrosas. Por lo tanto, los problemas ms importantes no pueden solucionarse con experimentos. d. Anlisis:

No puede hablarse de un mtodo en particular para analizar un problema, debe existir un complemento, pero no un reemplazo de los otros ingredientes. En ausencia de un mtodo para analizar matemticamente un problema es posible estudiarlo con otros mtodos diferentes. Si estos otros mtodos tambin fallan, entonces debe confiarse en la intuicin. Algunas personas se ren de la intuicin, pero si los otros ingredientes de la toma de decisiones no sealan un camino que tomar, entonces sta es la nica opcin disponible. e. Juicio:

El juicio es necesario para combinar la informacin, los conocimientos, la experiencia y el anlisis, con el fin de seleccionar el curso de accin apropiado. No existen substitutos para el buen juicio.

1.6 rboles de decisin.


Este mtodo ha sido empleado desde los aos 50 por los administradores de organizaciones complejas, en todos sus sistemas o funciones bsicas, en especial en las reas de investigacin y desarrollo, en el anlisis del presupuesto de inversin y en la investigacin de mercados. Consiste en asignar probabilidades a eventos en condiciones de riesgos o incertidumbre mediante la representacin grfica que ilustra cada estrategia o alternativa a travs de una ramificacin, parecidas a las ramas de un rbol. Los vrtices o nodos representan los eventos de decisin utilizando para esto un cuadro. Los efectos derivados de la decisin se denominan acontecimientos y se representan por medio de un crculo en la siguiente forma

La tcnica permite seleccionar la mejor alternativa mediante la comparacin de los beneficios econmicos de cada rama a partir de:

Los costos condicionales de cada decisin El clculo o estimacin de probabilidad designada a cada alternativa originada en cada decisin El valor esperado de cada rama.

Ejemplo:

Cuando una secuencia de decisiones necesita ser tomada, los rboles de decisin son la herramienta ms poderosa que las tablas de decisin. Decimos que la Cafetera tiene dos decisiones a tomar, con la segunda decisin dependiendo del resultado de la primera. Antes de decidirse por una nueva planta, la Cafetera tiene la opcin de conducir su propia inspeccin de la investigacin del mercado, con un costo de $ 10.000.La informacin de su inspeccin puede llevarlo a decidir si construir una planta larga, una planta pequea o no construir nada. la Cafetera reconoce, que una inspeccin general del mercado no le proveera la informacin perfecta, pero puede ayudar no obstante un poco. Todos los resultados y alternativas deben ser considerados. La nueva decisin del rbol est representada en la figura siguiente. Miremos cuidadosamente a este rbol ms complejo. Se nota que todas las posibles soluciones y alternativas estn incluidas en su secuencia lgica. Esta es una de las ventajas de usar el rbol de decisin en la toma de decisiones. El usuario es forzado a examinar todos los resultado posibles, incluyendo los desfavorables. El o ella son forzados a hacer decisiones de una manera lgica y secuencial. Examinando el rbol, vemos que la primera decisin de la Cafetera es conducir o no las $ 10.000 de la inspeccin del mercado. Si l escoge no hacer el estudio( la parte de abajo del rbol ), l puede entonces construir una planta larga, una pequea o no construir. Este es el segundo punto de decisin. El mercado as puede ser favorable (50 % de probabilidad ) o desfavorable (50 % de probabilidad), si l construye. El pago adecuado de cada una de las consecuencias posibles estn al lado derecho. De hecho su baja porcin del rbol de la Cafetera es idntica a la ms simple decisin del rbol mostrado en la primera figura. Por qu es as?. La refleja parte superior de la segunda figura la decisin de conducir la supervisin del mercado. El estado naturaleza del nodo uno tiene dos ramas salen de l. Hay un chance que el resultado del estudio indicara un mercado favorable por cubrimiento del almacenamiento. Nosotros notamos tambin que la probabilidad es de que el resultado de sea negativo.

de nmero que 45% de

55% de estudio

Programa cion lineal

Unidad 2 Unidad 2

2.1 Formulacin y aplicacin de modelos de programacin lineal.


Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su anlisis. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Antes de analizar como formular los modelos de este tipo, se explorar la naturaleza general de los modelos y, en particular, la de los modelos matemticos. El modelo matemtico est constituido por relaciones matemticas (ecuaciones y desigualdades) establecidas en trminos de variables, que representa la esencia el problema que se pretende solucionar. Para construir un modelo es necesario primero definir las variables en funcin de las cuales ser establecido. Luego, se procede a determinar matemticamente cada una de las dos partes que constituyen un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una funcin (ecuacin) llamada funcin objetivo; b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstculos para la consecucin del objetivo. Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin. Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del problema. Una ventaja obvia es que el modelo matemtico describe un problema en forma mucho ms concisa. Esto tiende a hacer que toda la estructura del problema sea ms comprensible y ayude a revelar las relaciones importantes entre causa y

efecto. De esta manera, indica con ms claridad que datos adicionales son importantes para el anlisis. Tambin facilita simultneamente el manejo del problema en su totalidad y el estudio de todas sus interpelaciones. Por ltimo, un modelo matemtico forma un puente para poder emplear tcnicas matemticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de software para muchos tipos de modelos matemticos, para micro y minicomputadoras. Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es, necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificacin si se quiere que el modelo sea manejable (susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una representacin vlida del problema. El criterio apropiado para juzgar la validez de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de accin, para poder tomar una decisin que tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alternativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bastante preciso. Entonces, todo lo que se requiere es que exista una alta correlacin entre la prediccin del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un nmero considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya colocado despus en el orden del libro, gran parte del trabajo de validacin del modelo se lleva a cabo durante la etapa de construccin para que sirva de gua en la obtencin del modelo matemtico. OBTENCIN DE UNA SOLUCIN A PARTIR DEL MODELO Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los procedimientos de solucin pueden ser clasificados en tres tipos: a) analticos, que utilizan procesos de deduccin matemtica; b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo. Muchos de los procedimientos de solucin tienen la caracterstica de ser iterativos, es decir buscan la solucin en base a la repeticin de la misma regla analtica hasta llegar a ella, si la hay, o cuando menos a una aproximacin. PRUEBA DEL MODELO El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versin, es inevitable que contenga muchas fallas. El programa debe probarse de

manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Eventualmente, despus de una larga serie de programas mejorados, el programador (o equipo de programacin) concluye que el actual da, en general, resultados razonablemente vlidos. Aunque sin duda quedarn algunas fallas ocultas en el programa (y quiz nunca se detecten, se habrn eliminado suficientes problemas importantes como para que sea confiable utilizarlo. De manera similar, es inevitable que la primera versin de un modelo matemtico grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones relevantes no se incorporaron al modelo y algunos parmetros no se estimaron correctamente. Esto no se puede eludir dada la dificultad de la comunicacin y la compresin de todos los aspectos y sutilezas de un problema operacional complejo, as como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se pueda. Con el tiempo, despus de una larga serie de modelos mejorados, el equipo de IO concluye que el modelo actual produce resultados razonablemente vlidos. Aunque sin duda quedarn algunos problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habrn eliminado de manera que ahora es confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validacin del modelo. Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas detalladas del modelo, es sencillo "no ver el bosque por buscar los rboles". Entonces, despus de completar los detalles ("los rboles") de la versin inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma global ("el bosque") para verificar los errores u omisiones obvias. El grupo que hace esta revisin debe, de preferencia, incluir por lo menos a una persona que no haya participado en la formulacin. Al examinar de nuevo la formulacin del problema y comprarla con el modelo pueden descubrirse este tipo de errores. Tambin es til asegurarse de que todas las expresiones matemticas sean consistentes en las dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de los parmetros de entrada y/o de las variables de decisin, y comprobando que los resultados del modelo se comporten de una manera factible. Con frecuencia, esto es especialmente revelador cuando se asignan a los parmetros o a las variables valores extremos cercanos a su mximo o a su mnimo. Un enfoque ms sistemtico para la prueba del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen desempeo, de haberse usado. La comparacin de la efectividad de este desempeo hipottico con lo que en realidad ocurri, indica si el uso del modelo tiende a dar mejoras significativas sobre la prctica actual. Puede tambin indicar reas en las que el modelo tiene fallas y requiere modificaciones. Lo que es ms, el emplear las alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accin. Cuando se determina que el modelo y la solucin no son vlidos, es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodologa de la investigacin de operaciones.

ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION Una solucin establecida como vlida para un problema, permanece como tal siempre y cuando las condiciones del problema tales como: las variables no controlables, los parmetros, las relaciones, etc., no cambien significativamente. Esta situacin se vuelve ms factible cuando algunos de los parmetros fueron estimados aproximadamente. Por lo anterior, es necesario generar informacin adicional sobre el comportamiento de la solucin debido a cambios en los parmetros del modelo. usualmente esto se conoce como anlisis de sensibilidad. En pocas palabras, esta fase consiste en determinar los rangos de variacin de los parmetros dentro de los cuales no cambia la solucin del problema. IMPLANTACION DE LA SOLUCION El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se debe traducir la solucin encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operacin y administracin del sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando se ha propiciado la participacin de todos los involucrados en el problema en cada fase de la metodologa. Preparacin para la aplicacin del modelo Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solucin que salga a la luz en este momento. El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto la alta administracin como la gerencia operativa. Es ms probable que el equipo de IO obtenga este apoyo si ha mantenido a la administracin bien informada y ha fomentado la gua de la gerencia durante el estudio. La buena comunicacin ayuda a asegurar que el estudio logre lo que la administracin quiere y por lo tanto merezca llevarse a la prctica. Tambin proporciona a la administracin el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantacin. La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de operaciones de una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el equipo de IO supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que tenga que hacerse en el futuro.

A la culminacin del estudio, es apropiado que el equipo de investigacin de operaciones documento su metodologa con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una rplica debe ser parte del cdigo de tica profesional del investigador de operaciones. Esta condicin es crucial especialmente cuando se estudian polticas gubernamentales en controversia. 1. Qu es la Programacin Lineal?.

En infinidad de aplicaciones de la industria, la economa, etc, se presentan situaciones en las que se exige maximizar o minimizar algunas funciones que se encuentran sujetas a determinadas limitaciones, que llamaremos restricciones. De la solucin de estos problemas se encarga la Programacin Lineal. En este tema estudiaremos el caso ms fcil: Programacin Lineal con dos variables. Veamos un ejemplo: Un laboratorio de farmacia fabrica dos complejos vitamnicos constituidos ambos por vitamina A y vitamina B. El primero est compuesto por 2 unidades de vitamina A y 2 unidades de vitamina B y el segundo por 1 unidad de vitamina A y 3 unidades de vitamina B. Sabiendo que slo se dispone de 1000 unidades de vitamina A y 1800 unidades de vitamina B y que el beneficio del primer complejo es de 400 pesetas y el del segundo 300 pesetas. Hallar el nmero de complejos vitamnicos de cada tipo que deben fabricarse para obtener un beneficio mximo. Cul ser dicho beneficio mximo?. En primer lugar es conveniente resumir los datos en una tabla:

C1 Vitamina A Vitamina B Beneficio Ahora planteamos el problema: 2 2 400

C2 1 3 300

Disponible 1000 1800

1. Nombrar las incgnitas: x= nmero de complejos C1 ; y= nmero de complejos C2 2. Funcin objetivo ( funcin que queremos que sea mxima o mnima) en nuestro caso las Ganancias que hay que maximizar: 3. Las restricciones del problema que vienen dadas por las 4. inecuaciones:

2.- Resolucin del Problema 1. Representamos grficamente las restricciones. Los puntos que cumplen todas las restriciones se llaman Soluciones Factibles 2.

1.- Utilizando lo aprendido en la pgina de INECUACIONES representa las restricciones. 2.- Para recordarlo, aumentando el valor del control S se van representando sucesivamente todas las restricciones. 3.- Para ver todo el proceso pulsa animar. 4.- Traslada todo esto a tu cuaderno y tendrs el conjuto de Soluciones Factibles (el recinto turquesa)

3. Buscamos la solucin ptima que es la solucin factible que hace mxima la funcin objetivo.(Se puede demostrar que la funcin objetivo alcanza el mximo mnimo en alguno de los vrtices del recinto). Existen dos mtodos

para encontrarla: 4. 0. Mtodo Analtico. Se calcula el valor de la funcin en cada uno de los vrtices para ver cual es el valor mximo mnimo:

b.

Mx.

Solucin

a. Mtodo Grfico. Se representa la recta de la funcin objetivo, se trazan rectas paralelas a ella que pasen por cada uno de los vrtices y se observa cual de las rectas trazadas tiene mayor o menor ordenada en el origen. En nuestro caso la solucin es B. El beneficio mximo que se alcanza en el punto B ser : 2.

2.2 Mtodo Grafico.


El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo. El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo son nueve: 2. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. 3. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. 4. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta. 5. trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea recta asociada. 6. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible.

7. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo. 8. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin de valores arbitrarios a fin de determinar la pendiente y la direccin en la cual crece o decrece el valor de la funcin objetivo.

Ejemplo. Maximizar Z = 3X1 + 2X2 restricciones : X1 + 2X2 2X1 + X2 -X1 + X2 X2 X1 X2

<=6 <=8 <=1 <= 2 >= 0 >= 0

(1) (2) (3) (4) (5) (6)

Convirtiendo las restricciones a igualdad y representndolas grficamente se tiene: X1 + 2X2 2X1 + X2 -X1 + X2 X2 X1 X2 =6 =8 =1 =2 =0 =0 (1) (2) (3) (4) (5) (6)

Figura 1 Espacio de solucin presentada con WinQsb

Figura 2 Determinacin de soluciones

Maximizar

Z = 3X1 + 2X2 Punto A (X1, X2) (0, 0) Z 0

B 12 C 12.6 ( ptima ) D 12 E F

(4, 0) (3.3, 1.3) (2, 3) (1, 3) (0, 2) 9 4

Tabla 2. Solucin Mtodo Grfico Para obtener la solucin grfica, despus de haber obtenido el espacio de solucin y graficada la funcin objetivo el factor clave consiste en decidir la direccin de mejora de la funcin objetivo.

2.3 Mtodo simplex.


El Mtodo Simplex es un mtodo analtico de solucin de problemas de programacin lineal capaz de resolver modelos ms complejos que los resueltos mediante el mtodo grfico sin restriccin en el nmero de variables.

El Mtodo Simplex es un mtodo iterativo que permite ir mejorando la solucin en cada paso. La razn matemtica de esta mejora radica en que el mtodo consiste en caminar del vrtice de un poliedro a un vrtice vecino de manera que aumente o disminuya (segn el contexto de la funcin objetivo, sea maximizar o minimizar), dado que el nmero de vrtices que presenta un poliedro solucin es finito siempre se hallar solucin.

Este famossimo mtodo fue creado en el ao de 1947 por el estadounidense George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el nimo de crear un algoritmo capaz de solucionar problemas de m restricciones y n variables. Resolver mediante el mtodo simplex el siguiente problema: Maximizar Z = f(x,y) = 3x + 2y

sujeto a: 2x + y 18 2x + 3y 42 3x + y 24 x0,y0 Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones del tipo , para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + r = 18 2x + 3y + s = 42 3x +y + t = 24 2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex

En las columnas aparecern todas las variables bsicas del problema y las variables de holgura/exceso. En las filas se observan, para cada restriccin las variables de holgura con sus coeficientes de las igualdades obtenidas, y la ltima fila con los valores resultantes de sustituir el valor de cada variable en la funcin objetivo, y de operar tal como se explic en la teora para obtener el resto de valores de la fila: Tabla I . Iteracin n 1 3 Base P3 P4 P5 Z 4. Condicin de parada Cuando en la fila Z no existe ningn valor negativo, se ha alcanzado la solucin ptima del problema. En tal caso, se ha llegado al final del algoritmo. De no ser as, se ejecutan los siguientes pasos. 5. Condicin de entrada y salida de la base
A. Primero debemos saber la variable que entra en la base. Para ello

2 P2 1 3 1 -2

0 P3 1 0 0 0

0 P4 0 1 0 0

0 P5 0 0 1 0

Cb 0 0 0

P0 18 42 24 0

P1 2 2 3 -3

escogemos la columna de aquel valor que en la fila Z sea el menor de los negativos. En este caso sera la variable x (P1) de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior (caso de empate), entonces se optar por aquella variable que sea bsica. La columna de la variable que entra en la base se llama columna pivote (En color verde).
B. Una vez obtenida la variable que entra en la base, estamos en condiciones

de deducir cual ser la variable que sale. Para ello se divide cada trmino independiente (P0) entre el elemento correspondiente de la columna pivote, siempre que el resultado sea mayor que cero, y se escoge el mnimo de ellos. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

Si hubiera algn elemento menor o igual a cero no se realiza dicho cociente,

y caso de que todos los elementos de la columna pivote fueran de sta condicin tendramos una solucin no acotada y terminaramos el problema. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya que 8 es el menor cociente, indica la fila de la variable de holgura que sale de la base, t (P5). Esta fila se llama fila pivote (En color verde). Si al calcular los cocientes, dos o ms son iguales (caso de empate), se escoge aquella que no sea variable bsica (si es posible). C. En la interseccin elemento pivote, 3. de la fila pivote y columna pivote tenemos el

6. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de la fila pivote, t (P5), se obtienen dividiendo todos los coeficientes de dicha fila entre el elemento pivote, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer de la siguiente manera: Fila del pivote: Nueva fila del pivote = (Vieja fila del pivote) / (Pivote) Resto de las filas: Nueva fila = (Vieja fila) -(Coeficiente de la vieja fila en la columna de la variable entrante) x (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x (P1) en la Tabla II): Vieja fila de P4 42 Coeficiente 2 x Nueva fila pivote 8 = 2 2 x 1 = 3 2 x 1/3 = 0 1 0 2 x 1/3 =

2 2 x x 0 0 = =

Nueva fila de P4

26

7/3

0 1

-2/3

Tabla II . Iteracin n 2 3 Base P3 P4 P1 Z Cb 0 0 3 P0 2 26 8 24 P1 0 0 1 0 2 P2 1/3 7/3 1/3 -1 0 P3 1 0 0 0 0 P4 0 1 0 0 0 P5 -2/3 -2/3 1/3 1

Se puede observar que no hemos alcanzado la condicin de parada ya que en los elementos de la ltima fila, Z, hay uno negativo, -1. Hay que repetir el proceso:
A. La variable que entra en la base es y (P2), por ser la variable que

corresponde a la columna donde se encuentra el coeficiente -1.


B. Para calcular la variable que sale, dividimos los trminos de la ltima columna

entre los trminos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7] y 8 / 1/3 [=24] y como el menor cociente positivo es 6, tenemos que la variable que sale es r (P3). C. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 3 Base P2 P4 P1 Cb 2 0 3 P0 6 12 6 P1 0 0 1 2 P2 1 0 0 0 P3 3 -7 -1 0 P4 0 1 0 0 P5 -2 4 1

30

-1

Como en los elementos de la fila Z hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:
A. La variable que entra en la base es t (P5), por ser la variable que

corresponde al coeficiente -1.


B. Para calcular la variable que sale, dividimos los trminos de la ltima columna

entre los trminos 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 que sale es s (P4). C. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Iteracin n 4 3 Base P2 P5 P1 Z Cb 2 0 3 P0 12 3 3 33 P1 0 0 1 0 2 P2 1 0 0 0 0 P3 -1/2 -7/4 3/4 5/4 0 P4 1/2 1/4 -1/4 1/4 0 P5 0 1 0 0

Se observa que en la ltima fila todos los coeficientes son positivos, por lo tanto se cumple la condicin de parada, obteniendo la solucin ptima. La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el punto donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: (x,y) = (3,12)

2.3.1 Mtodo algebraico.


Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin.

El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig. El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar sujeto a: Z= f(x,y)= 3x + 2y 2x + y 2x + 3y 3x + y x 0,y Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 18 42 24 0

2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex

En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin x h s d Z 2 2 3 -3 Y 1 3 1 -2 h 1 0 0 0 s 0 1 0 0 d 0 0 1 0 18 42 24 0

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos.

La columna de la variable que entra en la base se llama columna pivote (En color azulado). B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean

mayores que cero. 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

En

nuestro

caso:

Si hubiese algn 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 tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d 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, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas:

Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla

II): Vieja fila de s 2 3 - Coeficiente 2 2 x x 0 1 0 - - 2 2 2 x x x 42 2 x

Nueva fila pivote 1 1/3 0 0 1/3 8 = = Nueva fila de s = = = =

0 7/3 0 1 -2/3 26

Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin x h s x Z 0 0 1 0 Y 1/3 7/3 1/3 -1 h 1 0 0 0 s 0 1 0 0 d -2/3 -2/3 1/3 1 2 26 8 24

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8]

y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. C. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin x y s x Z 0 0 1 0 Y 1 0 0 0 h 3 -7 -1 3 s 0 0 0 0 d -2 4 1 -1 6 12 6 30

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos 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 s. C. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del proceso Base Variable de decisin Variable de holgura Valores solucin x y d x Z 0 0 1 0 Y 1 0 0 0 h -1/2 -7/4 -3/4 5/4 s 0 0 0 0 d 0 1 0 0 12 3 3 33

Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12) * Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos

2.3.2 La tabla simplex.


La resolucin de programas lineales mediante el mtodo Simplex implica la realizacin de gran cantidad de clculos, sobre todo cuando el nmero de variables y/o restricciones es relativamente elevado. Sin embargo, estos clculos no son complejos y pueden realizarse en modo sistemtico utilizando una forma tabular. As surgen las conocidas como tablas del Simplex, que no son ms que una forma de organizar los clculos. Sobre las tablas del Simplex comentar que su inters es totalmente pedaggico, ya que en los casos reales la magnitud de los problemas que suelen aparecer hace que nadie las utilice de forma directa para resolverlos. En tales casos, ha de recurrirse al uso del computador. Para aplicar el mtodo Simplex en forma de tabla a un problema de la forma:

min cx Ax=b con b >= 0 x >= 0 en primer lugar se construye la tabla siguiente: c1 c2 ... cn cb1 cb2 . . . cbm xb1 xb2 . . . xbm b1 b2 . . . bm v a11 a12 ... a1n a21 a22 ... a2n ... ... ... ... ... ... ... ... ... ... ... ... am1 am2 ... amn y1 y2 ... ym z1 z2 ... zm Tabla del Simplex Donde:

v es el producto escalar de los vectores (cb1,cb2,...,cbm) y (b1,b2,...,bm) yk es el producto escalar de los vectores (cb1,cb2,...,cbm) y (a1k,a2k,...,amk) para k=1,2,...m. zk=ck-yk para k=1,2,...,m.

Observar la forma en que se construye esta tabla:


En la primera fila de la tabla se colocan los coeficientes de las variables en la funcin objetivo. En las tres primeras columnas aparecen los coeficientes de las variables bsicas en la funcin objetivo, las variables bsicas iniciales y el vector de trminos independientes de las restricciones, respectivamente. La parte central de la tabla est formada por la matriz de coeficientes A. Los elementos de la penltima fila son los productos escalares del vector de la primera columna con los vectores de la tabla que quedan encima de cada uno de esos elementos.

Finalmente, en la ltima fila aparece la diferencia de las filas primera y penltima.

Cada tabla del Simplex est asociada a una solucin bsica factible. De forma que, una vez construida la tabla inicial, deben establecerse las reglas que permitan obtener las tablas asociadas a las siguientes soluciones bsicas, as como saber la solucin bsica que lleva asociada cada tabla. Adems es necesario saber cuando una tabla corresponde a la solucin ptima, esto ltimo se consigue analizando los signos de la ltima fila de la tabla: Si todos los elementos de la ltima fila de la tabla son mayores o iguales que cero, el ptimo ha sido alcanzado. Cuando alguno de los elementos de la ltima fila es negativo, el valor ptimo puede mejorarse y por tanto debe construirse una nueva tabla de la manera siguiente:

Se selecciona de la ltima fila el elemento negativo de mayor valor absoluto. La variable correspondiente al ndice del zi seleccionado es la que pasar a ser bsica. Para saber a que variable bsica sustituye, se dividen los valores de la tercera columna entre los valores positivos de la columna de A seleccionada en el paso anterior (la que corresponde al elemento negativo de mayor valor absoluto). En caso de no existir valores positivos, puede asegurarse que el problema no tiene ptimo finito. De todos los cocientes calculados se selecciona el mnimo, el elemento de la matriz A que ha servido para construir ese valor mnimo es el que actuar como pivot y la variable de la segunda columna de la tabla en la posicin de la fila del pivot es la que deja de ser bsica. Mediante transformaciones elementales de filas sobre el bloque central de la tabla (el bloque de fondo amarillo en la tabla) se llega a transformar en 1 el pivot y anular los restantes elementos de la correspondiente columna. Las nicas transformaciones que son permitidas son:
o o

Multiplicar por constantes la fila que contiene el pivot. Sumar o restar a una fila un mltiplo de la fila que contiene el pivot.

Intercambiar las variables bsicas en la segunda columna al mismo tiempo que se modifica el correspondiente elemento de la primera columna. Calcular los nuevos valores de las dos ltimas filas de la tabla de acuerdo a las instrucciones ya indicadas.

Se repiten todos estos procesos y se van transformando las tablas hasta que el test de parada sea positivo (todos los elementos de la ltima fila mayores o iguales que cero) en cuyo caso se tiene:

El ptimo se alcanza en el punto cuyas coordenadas son nulas excepto las correspondientes a las variables bsicas, cuyos valores aparecen en la tercera columna de la tabla ptima. El valor de la funcin en el ptimo es el que aparece en el ltimo elemento de esa misma columna

Todas las tablas que se van obteniendo tienen dos caractersticas en comn: los elementos de la tercera columna son todos ellos mayores o iguales que cero, salvo el ltimo (el que indica el valor de la funcin objetivo) que pudiera ser negativo. Por otro lado, las columnas de A asociadas a las variables bsicas siempre forman una matriz identidad. Analizando ms en profundizar cada una de las etapas expuestas, se puede comprobar la correspondencia con el mtodo Simplex enunciado de una forma ms terica anteriormente. Por supuesto, la mejor manera de comprender la resolucin mediante tablas es con ejemplos particulares; a continuacin se exponen dos de estos ejemplos. Ejemplo: Programa lineal Tabla Inicial
2 -1 0 0

min 2x1-x2 -x1+x2+x3=2 2x1+x2+x4=6 x1,x2,x3,x4 >= 0

0 0

x3 2 x4 6 0

-1 1 1 0 2 1 0 1 0 0 0 0 2 -1 0 0

Se toman como variables bsicas x3 y x4 porque llevan asociadas como matriz de base la identidad. El elemento sealado en color rojo en la tabla es el que actuar como pivot, ha sido determinado teniendo en cuenta que en la ltima fila de la tabla solo hay un elemento negativo; tras esto se debe calcular min{2/1,6/1}, dicho mnimo se obtiene a partir del pivot.

La posicin del pivot dentro de la tabla indica:


La variable x3 dejar de ser bsica. La variable que la sustituye es x2

Para construir la siguiente tabla, han de realizarse operaciones elementales sobre las filas del bloque central hasta conseguir que el pivot sea 1 y los restantes elementos de su columna sean 0. En este caso el pivot ya tiene el valor 1, para anular el otro elemento de la columna basta restar a la segunda fila la primera. Tras estas manipulaciones, se sustituye la variable x3 por x2 y el valor 0 de la primera columna de la tabla por c2 =-1. A continuacin se realizan las operaciones que definen los elementos de las dos ltimas filas de la tabla para completar la segunda tabla del algoritmo. Segunda Tabla 2 -1 0 0 -1 x2 2 0 x4 4 -2 -1 1 1 0 3 0 -1 1 1 -1 -1 0 1 0 1 0 Como puede observarse, la ltima fila de la tabla est formada por elementos mayores o iguales que cero todos ellos, lo que significa que se ha alcanzado un ptimo. En concreto, el ptimo se alcanza sobre el punto x1=0 x2=2 x3=0 x4=4 El valor ptimo es adems -2 (ltimo elemento de la tercera columna de la tabla). Ejemplo: Programa lineal min -x1-x2 -x1+x2 <= 2 x1+2x2 <= 6 2x1+x2 <= 6 x1,x2 >= 0 Formulacin estndar min -x1-x2 -x1+x2+x3 = 2 x1+2x2+x4 = 6 2x1+x2+x5 = 6 x1,x2,x3,x4,x5 >= 0

Las variables x3, x4 y x5 tienen como matriz de base a la identidad, de forma que pueden tomarse como variables bsicas iniciales. Aplicando el algoritmo Simplex, en tres tablas se obtiene el ptimo: Tabla Inicial Segunda Tabla

-1 -1 0 0 0 0 0 0 x3 2 x4 6 x5 6 0 -1 1 1 0 0 1 2 0 1 0 2 1 0 0 1 0 0 0 0 0 -1 -1 0 0 0 Tercera Tabla -1 -1 0 0 0 x3 2 -1 x2 2 -1 x1 2 0 0 x3 5 0 x4 3 -1 x1 3

-1 -1 0 0 0 0 3/2 1 0 1/2 0 3/2 0 1 -1/2 1 1/2 0 0

-3 -1 -1/2 0 0 -1/2 0 -1/2 0 0 Optimo x1=2 x2=2 x3=2 x4=0 x5=0 Valor ptimo = -4

0 0 1 -1 1 0 1 0 2/3 -1/3 1 0 0 -1/3 2/3

-4 -1 -1 0 -1/3 -1/3 0 0 0 1/3 1/3

Cada tabla del Simplex lleva asociado un punto cuyas coordenadas se obtienen en la tercera columna para sus variables bsicas y son nulas el resto. En la siguiente figura se encuentra representado el espacio de soluciones factibles del problema, indicndose adems los vrtices correspondientes a cada una de las tres tablas obtenidas.

2.4 Metodo dual.

Todo problema de programacin lineal tiene asociado con l otro problema de programacin lineal llamado DUAL. El problema inicial es llamado PRIMO y el problema asociado (sombra) es llamado el problema PRIMO. Los dos juntos son llamados problemas duales ya que ambos estn formados por el mismo conjunto de datos. La solucin bsica factible ptima de estos problemas es tal que una puede fcilmente ser usada para la solucin de la otra. La dimensin del problema de programacin lineal influencia la eleccin del clculo del primo o del dual. Si el primo tiene mas ecuaciones que variables, es frecuentemente mas fcil obtener la solucin del dual ya que menor numero de iteraciones son requeridas. Adems si el primo tiene solucin, el dual tendr solucin. Una vez que el problema dual es formulado, el procedimiento de solucin es exactamente el mismo que para cualquier problema de programacin lineal. Mecnicamente el dual es formulado partiendo del problema primo en la siguiente forma: Si el primo es un problema de Maximizacin, el dual es un problema de Minimizacin y viceversa. 1. Los coeficientes de la funcin objetivo del primo se convierten en las restricciones constantes de las ecuaciones del dual. 2. Las restricciones de las ecuaciones del primo se convierten en los coeficientes de la funcin objetivo del dual. 3. Los coeficientes de las variables del dual en las ecuaciones restrictivas son obtenidas sacando la transpuesta de la matriz de coeficientes del primo ( los arreglos de los coeficientes en las columnas del primo se convierten en los coeficientes de las filas en el dual y viceversa ). 4. Los signos de la desigualdad son invertidos. 5. Las Xn variables del primo son remplazadas por Wm variables en el dual. Ejemplo: MINIMIZAR Z=2X1+X2 Sujeto a: 3X1 + X2 3 4X1 +3X2 6 X1 +2X2 3 X1, X2 0

El paso inicial necesita que se conviertan todas las restricciones en desigualdades " " y que despus se aumenten las variables de holgura. por lo tanto, se obtiene : MINIMIZAR Z=2X1+X2 Sujeto a: - 3X1 - X2 + X3 =-3 - 4X1 -3X2 +X4 =-6 X1 +2X2 +X5=3 X1, X2,X3,X4,X5 0 Si se intenta expresar este problema como una tabla simplex inicial, se observara que las variables de holgura (X3,X4,X5) no ofrecen una solucin inicial factible. Como este es un problema de minimizacin y todos los coeficientes de la ecuacin objetivo son 0, la solucin bsica inicial. X3=-3,X4=-6,X5=3 es optima pero infactible. Este problema es del tipo comn que se puede manejar a travs del mtodo simplex dual. Tabla ptima inicial pero infactible esta dada como: .

. Como el mtodo simplex regular, el mtodo de solucin esta basado en las condiciones de factibilidad y optimidad. La condicin de optimidad garantiza que la solucin permanezca siempre optima, mientras que la condicin de factibilidad obliga a las soluciones bsicas hacia el espacio factible. . La variable que sale es la variable bsica que tiene el valor negativo. Si todas las variables bsicas son no negativas el proceso termina y se alcanza la solucin factible(optima). La variable que entra se elige de entre las variables no bsicas como sigue. Tome los conscientes de los coeficientes del lado izquierdo de la ecuacin z entre los coeficientes correspondientes a la ecuacin asociada a la variable que sale. Ignore los cocientes asociados a denominadores positivos o cero. La variable que entra es aquella con el cociente mas pequeo si el problema es de minimizacin o el valor absoluto mas pequeo de las razones si el problema es de maximizacin (rompa los

empates arbitrariamente). Si todos los denominadores son cero o positivos el problema no tiene ninguna solucin factible. Despus de elegir la variable que entra y la que sale, se aplican las operaciones de rengln como es usual para obtener la siguiente iteracin de la solucin. La variable que sale en la tabla anterior es X4 < (=-6) ya que tiene el valor mas negativo. Para la variable que entra, los cocientes son .

La variable que entra es x2 ya que corresponde al cociente ms pequeo 1/3. Aplicando las operaciones rengln como es usual, se encuentra la nueva tabla :

La nueva solucin todava es ptima pero infactible(X3=-1, X5=-1). Si X3 se elige arbitrariamente para que deje la solucin, X1 llega a ser la variable de entrada. Esto da :

La cual es ptima y factible. La aplicacin del mtodo simplex dual es especialmente til en el anlisis de sensibilidad. Esto ocurre, por ejemplo cuando se agrega una nueva restriccin al problema despus que se ha obtenido la solucin optima. Si esta restriccin no se verifica por la solucin optima, el problema permanece ptimo pero llega a ser infactible. Por lo tanto el mtodo simplex dual se utiliza entonces para quitar la infactibilidad en el problema.

2.5 Metodo dual simplex.


Como sabemos, el mtodo simplex es un algoritmo iterativo que iniciando en una solucin bsica factible pero no ptima, genera soluciones bsicas factibles cada vez mejores hasta encontrar la solucin ptima (s esta existe). Ntese que la base de su lgica es mantener la factibilidad, mientras busca la optimalidad. Pero surge la posibilidad de usar otro esquema igualmente iterativo, que como contraparte del simplex, comienza en una solucin bsica ptima, pero no factible y mantiene la inmejorabilidad mientras busca la factibilidad. Con este procedimiento se llega igualmente a la solucin ptima. El nuevo algoritmo fue desarrollo en 1954 por C. E. Lemke y se conoce con el nombre de Mtodo Dual-Simplex. A continuacin se presenta su estructura y un ejemplo para ilustrar su aplicacin. El algoritmo para resolver un modelo de maximizacin es el siguiente: Paso 1: Hallar una solucin bsica inicial infactible e inmejorable Escribir el tablero inicial tomando a las variables de holgura y de exceso como variables bsicas iniciales Paso 2: Prueba de factibilidad a. Si todas las variables bsicas son no negatvas, la actual solucin es la ptima. b. Si hay al menos una variable bsica negativa, seleccionar como variable de salida, ( llammosla (XB)s ), a aquella con el valor mas negativo. Los empates se pueden romper arbitrariamente. Paso 3: Prueba de inmejorabilidad a. S en el rengln de la variable bsica de salida (XB)s todos los coeficientes de reemplazo con las variables no bsicas son no negativos, la solucin del modelo es ptima limitada. Se termina el proceso. Si en el rengln de la variable bsica de salida (XB)s, hay al menos un coeficiente de intercambio negativo , se efectan los cocientes entre el efecto

neto de cada variable no bsicas y su correspondientel coeficiente de intercambio negativo. Es decir, siendo (XB)s la variable de salida se calculan todos los cocientes

Se toma como variable de entrada ( llammosla Xe ) a aquella que corresponda al mnimo de los cocientes del anterior conjunto Si la variable de entrada es Xe el elemento pivote ser el elemento ( Se)s El empate se puede romper arbitrariamente. b. Aplicar la operacin de pivoteo para generar la nueva tabla, en la cual aparezca Xe como variable bsica en lugar de la variable de salida (XB)s c. Repetir el algoritmo a partir del paso 2. Ejemplo de aplicacin del Mtodo Dual Simplex Sea el siguiente modelo: Z= Maximizar Sujeto a : -2X1 -2X2 -3X3 2X1 +4X2 +2X3 > 10 3X1 -3X2 +9X3 = 12

con X1, X2, X3 > 0 Expresemos el modelo en formato estndar Z= Maximizar Sujeto a : -2X1 -2X2 -3X3 2X1 +4X2 +2X3 -IE1 3X1 -3X2 +9X3 = 10 -IE2 = 12

multipliquemos por (-1) en ambos lados de las ecuaciones, para formar los vectores unitarios, requeridos para contar con una base inicial unitaria. Z= Maximizar Sujeto a : -2X1 -2X2 -3X3 -2X1 -4X2 -2X3 +IE1 -3X1 +3X2 -9X3 Paso 1. Tomando las variables bsicas iniciales hacemos lo siguiente: Cj -2 CB X1 0 0 -2 -3 -2 -3 0 0 E2 0 1 0 0 XB Solucin Bsicas -10 E1 -12 E2 0 0Z = -10 +IE2 = -12

X2 X3 E1 -4 3 0 -2 -2 -9 0 -3 1 0 0 0

Zj 0 Ej -2 Paso 2

Sale E2 = (XB)2 o sea s = 2 Paso 3 a. Calculando los cocientes para todo (Sj)2 < 0 obtenemos:

o sea que X3 es la variable de entrada( entonces e = 3) y el elemento pivote es el (Se)s = (S3)2 = -9

b. Efectuando el pivoteo obtenemos la tabla siguiente: Tabla 1 (maximizar) -3 0 0 XB E2 -2/9 -1/9 1/3 -1/3 -4 Z Solucin Bsicas -22/3 E1 4/3 X3

Cj -2 CB X1 0 -4/3

-2

X2 X3 E1 0 14/3 1 0 0 0

-3 -1/3 -1/3 1 Zj -1 Ej -1 1 -3 -3 0

c. Repitiendo el algoritmo desde el paso 1, obtenemos: sale E1 = (XB)1 y entra X2 por lo cual obtenemos la siguiente tabla Tabla 2 0 0 XB E2 Solucin Bsicas 11/7 X2 13/7 X3

Cj -2 CB X1

-2

-3

X2 X3 E1 0 1 -3 0

-2 2/7 1 -3 3/7 0 Zj 1 13/7

1/21 3/14 1/14 2/21 4/21 9/14 9/14 4/21

Ej -1/7 0

-61/7 Z

Como se En definitiva: X2* X3* Z* = - 61/7 Otro ejemplo:

observa,

ahora

estamos

en

el

ptimo.

= =

11/7 13/7

Resolver el siguiente modelo usando el mtodo Dual-Simplex Z= Minimizar Sujeto a : 2X1 + 2X2 3X1 +X2 4X1 +3X2 X1 +2X > 10 > 12 <

con X1, X2 > 0 Expresando el modelo en formato estndar y ajustndolo para que las variables bsicas sean las variables de holgura tenemos: Z=

Minimizar Sujeto a :

2X1

+ 2X2 +IE1 +IE2 +IE3 = = = -3 -6 3

-3X1 -X2 -4X1 -3X2 X1 +2X

Usando el mtodo Dual Simplex obtenemos, sucesivamente: Tabla 0 X1 Basicas -3 E1 -4 E2 -3 0 1 0 -6 -1 1 0 0 -3 X2 E1 E2 H3 Solucin

H3 Ej

1 2

2 1

0 0

0 0

1 0

3 0

Sale E2 Entonces los cocientes son

Nota: Obsrvese que cuando el objetivo es minimizar, se toma el valor absoluto de los cocientes. Tabla 1 X1 Basicas -5/3 E1 4/3 E2 -5/3 H3 2 Ej Sale Los cocientes son: H1 0 0 1/3 0 2 0 0 2/3 1 -1 1 0 -1/3 0 2 0 1 -1/3 0 -1 X2 E1 E2 H3 Solucin

Tabla 2 (ptima) X1 X2 Basicas E1 E2 H3 Solucin

E1 E2 H3 Ej

1 0 0 0

0 1 0 0

-3/5 1/5 4/5 -3/5 -1 2/5 1 1/5

0 0 1 0

3/5 6/5 0 12/5

La solucin ptima es X1 = 3/5, X2 = 6/5 ; Z = 12/5 En la grfica observamos el camino que realmente sigui el algoritmo para pasar de la solucin infactible con valor Z= 0 a la solucin factible ptima con valor Z = 12/5. La aplicacin del mtodo simplex dual es especialmente til en el anlisis de sensibilidad. Se usa cuando despus de haber obtenido la solucin ptima, se desea agregar una nueva restriccin al modelo si la nueva restriccin no se cumple. En este caso se obtiene que para los valores ptimos de las variables de decisin, la solucin permanece ptima pero se convierte en infactible. Surge entonces la necesidad de aplicar el algoritmo Dual-Simplex para extraer la variable bsica que tiene valor infactible. Cuando estudiemos el tema de anlisis de sensibilidad analizaremos un caso como el citado.

2.6 Analisis de resultados.


Los resultados se analizaron en trminos de la media de los errores agrupados por tipo de instancias y en forma global, para cada valor utilizado de y . El error se calcula como:
(4)

donde es el ptimo de la instancia para los problemas de la mochila con mltiples restricciones ( ); y es la cota de Dantzig (mirar por ej. [24]) para la versin clsica ( ). En la Tabla 1 se muestra la media del error para cada valor de discriminado para las instancias y .
Tabla 1: Medias del Error en funcin de ) y con mltiples restricciones ( ). Base Decremento Instancia 1 MR ST Total 9.01 6.86 7.94 2 2.19 4.58 3.39 3 1.95 3.87 2.91 4 1.92 3.58 2.75 y

y cada

para instancias con una restriccin (

Incremento 2 3.98 4.73 4.36 3 3.85 4.28 4.06 4 3.90 4.11 4.01

Se puede observar que tanto en forma global, como para cada tipo de instancia en particular, las versiones del algoritmo que usan obtienen mejores resultados que los obtenidos con . Esto ocurre para los dos esquemas de adaptacin de propuestos. Tambin se verifica que para ambos 's, un incremento en el valor de permite reducir el error global (indicado en la columna ). Para el caso de decremento, resulta beneficioso comenzar las mejoras con un operador que cambie 4 bits. Cuando con 4 ya no se obtengan mejoras, se reduce a 3, luego a 2 y finalmente se realiza un ``ajuste fino'' con . La adaptacin de en sentido contrario tambin resulta beneficiosa, aunque para las instancias solo aparecen mejoras respecto a y no entre los valores obtenidos cuando se utiliza .

Es interesante analizar cuanto contribuye cada operador a la obtencin del resultado final. En la Figura 4 se muestran la cantidad de transiciones a soluciones aceptables (en promedio) que permiti obtener cada operador para cada valor de . Los valores obtenidos se escalaron en el rango para mejorar la interpretabilidad. Naturalmente cuando , todas las mejoras se obtuvieron con . Es a partir de donde el anlisis se vuelve interesante. En los resultados correspondientes al cuando , prcticamente un . Cuando que decrementa , se observa que -BitFlip y el

de la mejora se obtuvo con , el

restante porcentaje con uso de

del progreso se debe al -BitFlip.

-BitFlip. Del restante

, casi toda la mejora se realiza con

Finalmente cuando , el operador -BitFlip es el responsable del de los pasos de mejora. La utilizacin de y -BitFlip completa prcticamente la optimizacin aunque aparecen correspondientes a -BitFlip. Para el caso de incrementos en aproximadamente un de mejoras ,

, se observa que para un valor de

hasta un de mejora se puede conseguir con -BitFlip una vez que la bsqueda se estanc con -BitFlip. Para y , los grficos muestran que hasta un de la mejora corresponde a -BitFlip, pero luego los operadores subsiguientes pueden mejorar los ptimos locales encontrados.

(a)

(b) Figura 4: Contribucin promedio de cada operador BitFlip para cada valor de resultados con administrador de operacin decremento y en (b) con incremento. . En (a)

Tambin se analiz la media de la cantidad de evaluaciones realizadas para encontrar el mejor valor, discriminada en funcin de y por tipo de instancia (resultados no mostrados). Cuando se utiliza un esquema de decremento, para las instancias con mltiples restricciones se observa una reduccin de los valores a medida que aumenta . Para las instancias del problema clsico, esta tendencia no se verifica. En este caso, el valor ms alto de evaluaciones se alcanza con . Luego aparecen los asociados a . mientras que el menor valor corresponde a

Para el esquema de adaptacin con incrementos de , los resultados para indican que un aumento de permite, no slo obtener mejores resultados, sino tambin de forma ms rpida. Para las instancias , el valor de (media de la

cantidad de evaluaciones realizadas para obtener la mejor solucin) para es el menor de todos, seguido por y . Naturalmente, esta medida del ``esfuerzo'' no se puede analizar en forma aislada sino teniendo en mente los resultados obtenidos en trminos del error. Por lo tanto, creemos que las diferencias en la media del error pueden compensar un posible aumento en las evaluaciones necesarias.

Asignacin y transporte

UNIDAD 3

3.1 Mtodo de Esquina Noroeste.


El mtodo de la esquina Noroeste es un algoritmo heurstico capaz de solucionar problemas de transporte o distribucin mediante la consecucin de una solucin bsica inicial que satisfaga todas las restricciones existentes sin que esto implique que se alcance el costo ptimo total. Este mtodo tiene como ventaja frente a sus similares la rapidez de su ejecucin, y es utilizado con mayor frecuencia en ejercicios donde el nmero de fuentes y destinos sea muy elevado. Su nombre se debe al gnesis del algoritmo, el cual inicia en la ruta, celda o esquina Noroeste. Es comn encontrar gran variedad de mtodos que se basen en la misma metodologa de la esquina Noroeste, dado que podemos encontrar de igual manera el mtodo e la esquina Noreste, Sureste o Suroeste. Tambin llamado noroccidental o de extremos, presenta la construccin de una matriz de flujos de la siguiente manera. Paso1 En la posicin (1, 1) que es el extremo Noroeste , se decide a

por lo tanto alguno de los valores se hacen cero. Paso 2. Si es CERO, se pasa a la posicin que le sigue ( "abajo" en la columna) que es la

(2, 1), para hacer Se cancela el resto de la fila con ceros; adems no se considerarn estas posiciones en un futuro, exceptuando la posicin

Por otro lado, si , en el paso anterior, se pasa a la posicin contigua (que en este caso sera (1, 2), tal que Se cancela lo restante de la columna con ceros, y se descarta de consideracin futura alguna, con excepcin de la posicin Paso3. Continuar con la misma lgica hasta llegar a la posicin (m, n) de la matriz de flujos. En esta forma se obtendr una solucin inicial factible, bsica; pero bastante distante del ptimo para el problema del transporte. Donde :

Se empieza en la celda (A,D) y se asigna lo mximo que se pueda por fila(columna) y se sigue sucesivamente de la misma manera hasta llegar a la celda (C,G) y obtener as una solucin factible inicial.

D A B C Dj 10 10

E 10 5

Oi 20

25 15 30 30

30 45

15

40

3.2 Mtodo del Costo Mnimo.


El mtodo del costo mnimo o de los mnimos costos es un algoritmo desarrollado con el objetivo de resolver problemas de transporte o distribucin, arrojando mejores resultados que mtodos como el de la esquina noroeste, dado que se enfoca en las rutas que presentan menores costos. El diagrama de flujo de este algoritmo es mucho ms sencillo que los anteriores dado que se trata simplemente de la asignacin de la mayor cantidad de unidades posibles (sujeta a las restricciones de oferta y/o demanda) a la celda menos costosa de toda la matriz hasta finalizar el mtodo. Ejemplo: Una compaa de agua tiene 3 depsitos con una entrada diaria estimada de 15, 20 y 25 millones de litros de agua respectivamente. Diariamente tiene que abastecer 4 reas A, B, C y D, las cuales tienen una demanda esperada de 8, 10, 12 y 15 millones de litros respectivamente. El costo de bombeo por milln de litros de agua es como sigue.

Encuentre la solucin bsica de inicio del modelo de transporte por el mtodo de costo mnimo.

3.1 Mtodo de asignacin de Vogel.


El mtodo de aproximacin de Vogel es un mtodo heurstico de resolucin de problemas de transporte capaz de alcanzar una solucin bsica no artificial de inicio, este modelo requiere de la realizacin de un nmero generalmente mayor de iteraciones que los dems mtodos heursticos existentes con este fin, sin embargo produce mejores resultados iniciales que los mismos. El mtodo consiste en la realizacin de un algoritmo que consta de 3 pasos fundamentales y 1 ms que asegura el ciclo hasta la culminacin del mtodo. PASO 1 Determinar para cada fila y columna una medida de penalizacin restando los dos costos menores en filas y columnas. PASO 2 Escoger la fila o columna con la mayor penalizacin, es decir que de la resta realizada en el "Paso 1" se debe escoger el nmero mayor. En caso de haber empate, se debe escoger arbitrariamente (a juicio personal). PASO 3 De la fila o columna de mayor penalizacin determinada en el paso anterior debemos de escoger la celda con el menor costo, y en esta asignar la mayor cantidad posible de unidades. Una vez se realiza este paso una oferta o demanda quedar satisfecha por ende se tachar la fila o columna, en caso de empate solo se tachar 1, la restante quedar con oferta o demanda igual a cero (0). PASO 4: DE CICLO Y EXCEPCIONES - Si queda sin tachar exactamente una fila o columna con cero oferta o demanda, detenerse. - Si queda sin tachar una fila o columna con oferta o demanda positiva, determine las variables bsicas en la fila o columna con el mtodo de costos mnimos, detenerse.

- Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda, determine las variables bsicas cero por el mtodo del costo mnimo, detenerse. - Si no se presenta ninguno de los casos anteriores vuelva al paso 1 hasta que las ofertas y las demandas se hayan agotado.

EL PROBLEMA Una empresa energtica colombiana dispone de cuatro plantas de generacin para satisfacer la demanda diaria elctrica en cuatro ciudades, Cali, Bogot, Medelln y Barranquilla. Las plantas 1,2,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al da respectivamente. Las necesidades de las ciudades de Cali, Bogot, Medelln y Barranquilla son de 70, 40, 70 y 35 millones de Kw al da respectivamente. Los costos asociados al envo de suministro energtico por cada milln de KW entre cada planta y cada ciudad son los registrados en la siguiente tabla.

Formule un modelo de programacin lineal que permita satisfacer las necesidades de todas las ciudades al tiempo que minimice los costos asociados al transporte. SOLUCIN PASO A PASO El primer paso es determinar las medidas de penalizacin y consignarlas en el tabulado de costos, tal como se muestra a continuacin. El paso siguiente es escoger la mayor penalizacin, de esta manera:

El paso siguiente es escoger de esta columna el menor valor, y en una tabla paralela se le asigna la mayor cantidad posible de unidades, podemos observar como el menor costo es "2" y que a esa celda se le pueden asignar como mximo 60 unidades "que es la capacidad de la planta 3".

Dado que la fila de la "Planta 3" ya ha asignado toda su capacidad (60 unidades) esta debe desaparecer.

Se ha llegado al final del ciclo, por ende se repite el proceso

Iniciamos una nueva iteracin

Continuamos con las iteraciones,

Iniciamos otra iteracin

Al finalizar esta iteracin podemos observar como el tabulado queda una fila sin tachar y con valores positivos, por ende asignamos las variables bsicas y hemos concluido el mtodo.

Los costos asociados a la distribucin son:

De esta manera hemos llegado a la solucin a la cual tambin llegamos mediante programacin lineal, definitivamente desarrollar la capacidad para modelar mediante programacin lineal y apoyarse de una buena herramienta como WinQSB, STORM, LINGO, TORA etc.. termina siendo mucho ms eficiente que la utilizacin de los mtodos heursticos para problemas determinsticos; sin embargo cabe recordar que uno de los errores ms frecuentes en los que caen los ingenieros industriales es en tratar de adaptar a sus organizaciones a los modelos establecidos, cabe recordar que son los modelos los que deben adaptarse a las organizaciones lo cual requiere de determinada habilidad para realizar de forma inmediata innovaciones positivas para sus fines, en pocas palabras un ingeniero industrial requiere de un buen toque de HEURSTICA en su proceder.

3.4 Mtodo de Asignacin. Discutiremos un modelo de asignacin que intente minimizar el coste total de procesamiento y almacenamiento a la vez que intenta reunir ciertas restricciones en el tiempo de respuesta. El modelo que emplearemos tiene la forma mn(Coste Total), la cual est sujeta a restricciones del tiempo de respuesta, restricciones de almacenamiento y restricciones de procesamiento. En el resto de este punto desarrollaremos los componentes de este modelo basndonos en la informacin necesaria presentada anteriormente. La variable de decisin es xij, la cual se define como xij = 1 si el fragmento Fi se almacena en el sitio Sj xij = 0 en otro caso Coste total. La funcin de coste total tiene dos componentes: el procesamiento de la consulta y el almacenamiento. Entonces podramos expresarla como

donde CPQi es el coste de procesar una consulta de la aplicacin qi, y CAFjk es el coste de almacenar el fragmento Fj en el sitio Sk. Consideremos primero el coste de almacenamiento. Su frmula viene dada por

donde se representa el coste total de almacenamiento en todos los sitios y para todos los fragmentos. El coste de procesamiento de consultas es ms difcil de especificar. Muchos modelos de asignacin de archivos se dividen en dos componentes: el coste de procesar las lecturas y el coste de procesar las actualizaciones. Nosotros escogeremos un enfoque diferente para el problema de asignacin en las bases de datos y lo especificaremos a partir del coste de procesamiento ( CP) y el coste de transmisin (CT). El coste de procesamiento de una consulta ( CPQ) para una aplicacin qi es

De acuerdo con las lneas presentadas anteriormente, el componente de procesamiento CP se basa en tres factores: el coste de acceso ( CA), el coste de mantenimiento de la integridad (MI) y el coste de control de la concurrencia (CC):

La especificacin detallada de cada uno de estos factores depende del algoritmo que se emplee para desarrollar estas tareas. Sin embargo, se especificar CA detalladamente:

El primero de los trminos de la frmula calcula el nmero de accesos de la consulta qi al fragmento Fj. Advierta que (URij + RRij) da el nmero total de accesos de lectura y actualizacin. Asumiremos que los costes locales de procesamiento de ambos son idnticos. El sumatorio proporciona el nmero total de accesos para todos los fragmentos a los que accede qi. El producto por UPTk da el coste de este acceso al sitio Sk. Usamos de nuevo, xjk para seleccionar nicamente los valores de coste para los sitios donde se almacenan los fragmentos. Se debe tener en cuenta que la funcin de coste de acceso asume que el procesamiento de una consulta implica su descomposicin en una serie de subconsultas, cada una de las cuales trabaja sobre un fragmento almacenado en un sitio, seguido de una transmisin de los resultados al sitio del cual parti la consulta. Se vio, anteriormente, que es un enfoque muy simplista no tener en cuenta la complejidad del procesamiento de la base de datos. Por ejemplo, la funcin de coste no tiene en cuenta el coste de desarrollar yuntos (si fuese necesario), lo cual puede ejecutarse de varias formas. En un modelo ms realista, que el modelo genrico considerado, esto problemas no deberan omitirse. El factor de coste del esfuerzo de integridad puede especificarse como el componente de procesamiento, excepto que la unidad de coste de procesamiento local, probablemente, cambiara para reflejar el coste real del esfuerzo de integridad. La funcin del coste de transmisin puede formularse sobre las lneas de la funcin del coste de acceso. Sin embargo, los gastos de la transmisin de datos para actualizaciones y para lecturas no es el mismo. En las consultas de actualizacin, es necesario informar a todos los sitios donde existen rplicas, mientras que en las consultas de lectura, es suficiente con acceder al sitio que alberga las copias. En suma, al final de una peticin de actualizacin, no existe una transmisin de datos al sitio origen de sta, sino un mensaje de confirmacin, mientras que en las consultas de lectura, los datos a transmitir al origen son significativos. El componente de actualizacin de la funcin de transmisin es

El primer trmino es para el envo del mensaje de actualizacin de qi desde el sitio origen o(i) a todas las rplicas de los fragmentos que necesiten actualizarse. El segundo trmino hace referencia a la confirmacin. El coste de lectura puede especificarse como

El primer trmino de CTL representa el coste de transmitir la peticin de lectura a los sitios que contienen copias de los fragmentos a los que se necesita acceder. El segundo trmino cuenta para la transmisin de los resultados desde estos sitios al sitio origen. La ecuacin afirma que para todos los sitios con copias del mismo fragmento, slo el sitio que produzca el coste total de transmisin ms pequeo debera seleccionarse para la ejecucin de la operacin. Ahora, la funcin del coste de la transmisin para la consulta qi puede especificarse como

que indica la funcin de coste total. Restricciones. Las funciones restrictivas pueden especificarse de forma similar. Sin embargo, en lugar de describir estas funciones con detalle, simplemente indicaremos el aspecto que deberan tener. El tiempo de respuesta debera especificarse como tiempo de ejecucin de qi mximo tiempo de respuesta de qi, qi Q

Preferiblemente, la medida de coste en la funcin objetiva debera especificarse en trminos de tiempo, para hacer la especificacin del tiempo de ejecucin relativamente sencilla. La restriccin de almacenamiento es

As misma, la restriccin de procesamiento es

Esto completa el desarrollo del modelo de asignacin.

Lneas de espera

UNIDAD 4

4.1 Estructura bsica de los modelos de lnea de espera.

Se han elaborado modelos para ayudar a los administradores a entender y tomar mejores decisiones sobre la operacin de las lneas de espera. En la terminologa de los mtodos cuantitativos, una lnea de espera tambin se conoce como cola y el cuerpo de conocimiento que tiene que ver con las lneas de espera se conoce como teora de las colas o simplemente teora de colas. Los modelos de lnea de espera consisten en frmulas y relaciones matemticas que pueden usarse para determinar las caractersticas operativas (medidas de desempeo) para una cola. Las caractersticas operativas de inters incluyen las siguientes: 1. Probabilidad de que no haya unidades o clientes en el sistema 2. Cantidad promedio de unidades en la lnea de espera 3. Cantidad promedio de unidades en el sistema (la cantidad de unidades en la lnea de espera ms la cantidad de unidades que se estn atendiendo) 4. Tiempo promedio que pasa una unidad en la lnea de espera 5. Tiempo promedio que pasa una unidad en el sistema (el tiempo de espera ms el tiempo de servicio) 6. Probabilidad que tiene una unidad que llega de esperar por el servicio ESTRUCTURA DE UN SISTEMA DE LINEA DE ESPERA

Para ilustrar las caractersticas bsicas de un modelo de lnea de espera, consideramos la cola en el Burger Dome, que vende hamburguesas, papas fritas, refrescos y malteadas, as como un nmero limitado de artculos de especialidad y postres. Aunque a Burger Dome le gustara servir inmediatamente a cada cliente, a veces llegan ms comensales de los que puede manejar el personal de Burger Dome, por tanto, los clientes esperan en lnea para hacer sus pedidos y recibir sus alimentos. A Burger Dome le preocupa que los mtodos que se usan actualmente para servir a los clientes dan como resultado tiempos de espera excesivos. La administracin desea realizar un estudio con el fin de ayudar a determinar el mejor enfoque para producir los tiempos de espera y mejorar el servicio. Lnea de espera de un solo canal: Cada cliente que entra al restaurante de Burger Dome debe pasar por un canal, una estacin para tomar y surtir el pedido, para colocar el pedido, pagar la cuenta y recibir el producto. Cuanto llegan ms clientes forman una lnea de espera y aguardan que se desocupe la estacin para tomar y surtir el pedido. Distribucin de llegadas:

Definir el proceso de llegada para una lnea de espera implica determinar la distribucin de probabilidad para la cantidad de llegadas en un periodo dado. Para muchas situaciones de lnea de espera, cada llegada ocurre aleatoria e independientemente de otras llegadas y no podemos predecir cundo ocurrir. En tales casos los analistas cuantitativos han encontrado que la distribucin de probabilidad de poisson proporciona una buena descripcin del patrn de llegadas.

Distribucin de tiempos de servicio: El tiempo de servicio es el tiempo que pasa un cliente en la instalacin una vez el servicio ha iniciado. Se puede utilizar la distribucin de probabilidad exponencial para encontrar la probabilidad de que el tiempo de servicio sea menor o igual que un tiempo t.

Cmo usan los administradores los modelos de lnea de espera: Los resultados de la lnea de espera de un solo canal para Burger Dome muestran varias cosas importantes sobre su operacin. En particular, los clientes esperan un promedio de tres minutos antes de comenzar a colocar un pedido, lo cual parece un poco largo para un negocio basado en el servicio rpido. Adems los hechos de que la cantidad promedio de clientes que esperan en la lnea es de 2.25 y que 75% de los clientes que llegan tienen que esperar para que los atiendan son indicadores de que debera hacerse algo para mejorar la operacin. Mejora de la operacin de la lnea de espera Despus de revisar las caractersticas operativas proporcionadas por el modelo de lnea de espera, la administracin de Burger Dome concluy que es deseable disear mejoras que reduzcan los tiempos de espera; para ello, a menudo los analistas se centran en formas de mejorar la tasa de servicio. Por lo general, las mejoras en la tasa de servicio se obtienen realizando los siguientes cambios de manera individual o conjuntamente.

MODELOS DE LNEA DE ESPERA CON CANALES MLTIPLES CON LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES Consiste en dos o ms canales de servicio que se supone son idnticos desde el punto de vista de su capacidad. En el sistema de canales mltiples, las unidades que llegan esperan en una sola lnea

y luego pasan al primer canal disponible para ser servidas. A continuacin, las frmulas que pueden usarse para determinar las caractersticas operativas de estado estable para lneas de espera con mltiples canales. Estas formulas son aplicables si existen las siguientes condiciones. 1. Las llegadas siguen una distribucin de probabilidad de Poisson. 2. Tiempo de servicio para cada canal sigue una distribucin de probabilidad exponencial.

4.1.1 Un servidor, una cola.

Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de computadora que esperan tiempo de procesador. Llegadas. Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es impredicible en que momento llegarn . El modelo tambin supone que las llegadas vienen de una poblacin infinita y llegan una a la vez . Cola. En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas. Instalacin de Servicio. Se supone que un solo servidor proporciona el servicio que vara aleatoriamente. Salidas. No se permite que las unidades que salgan entren inmediatamente al servicio. Caractersticas de operacin . Un servidor y una cola. Llegada Poisson. Cola infinita, primero en llegar primero en ser servido. Tiempos de servicio exponenciales. Cola :

Longitud promedio de la lnea :

Tiempo de espera promedio : Sistema:

Longitud promedio de la lnea :

Tiempo de espera promedio :

Utilizacin de la instalacin :

Probabilidad de que la lnea exceda a n : A = tasa promedio de llegada. S = tasa promedio de servicio. Ejemplo : (Un supermercado ) Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operacin. Si hay poco intercambio entre las lneas, puede tratarse este problema como 10 sistemas separados de una sola lnea, cada uno con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora : Dados A = 9 clientes por hora S = 12 clientes por hora Entonces :

2.25 Clientes

0.25 horas o 15 minutos.

3 clientes.

0.33 horas o 20 minutos.

0.75 o 75%

0.32

Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En promedio, hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso completo lleva un promedio de 20 minutos. La caja est ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habr cuatro personas o ms en el sistema ( o tres o ms esperando en la cola).

4.2 CRITERIOS BAJO LA DISTRIBUCIN DE POISSON Y EXPONENCIAL PARA LA SELECCIN DEL MODELO APROPIADO DE LNEAS DE ESPERA. A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en ingeniera y ciencias, existen an numerosas situaciones que requieren diferentes tipos de funciones de densidad, tales como la exponencial y la gamma y algunas otras como la weibull, etc., etc., de momento solo trataremos sobre el uso de la exponencial. Resulta que la exponencial es un caso especial de la distribucin gamma, ambas tienen un gran nmero de aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante tanto en teora de colas como en problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el tiempo de falla de los componentes y sistemas elctricos, frecuentemente involucran la distribucin exponencial. La relacin entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos similares de problemas. La variable aleatoria x tiene una distribucin exponencial, con parmetro , si su funcin de densidad es:

1 f(x)= x

,x>0

; f(x) = 0 en cualquier otro caso

donde > 0 La media y la variancia de la distribucin exponencial son:

2 = 2

Relacin con el proceso de Poisson. Las aplicaciones ms importantes de la distribucin exponencial son aquellas situaciones en donde se aplica el proceso de Poisson , es necesario recordar que un proceso de Poisson permite el uso de la distribucin de Poisson. Recurdese tambin que la distribucin de Poisson se utiliza para calcular la probabilidad de nmeros especficos de eventos durante un perodo o espacio particular. En muchas aplicaciones, el perodo o la cantidad de espacio es la variable aleatoria. Por ejemplo un ingeniero industrial puede interesarse en el tiempo T entre llegadas en una interseccin congestionada durante la hora de salida de trabajo en una gran ciudad. Una llegada representa el evento de Poisson.

La relacin entre la distribucin exponencial (con frecuencia llamada exponencial negativa) y el proceso llamado de Poisson es bastante simple. La distribucin de Poisson se desarroll como una distribucin de un solo parmetro , donde puede interpretarse como el nmero promedio de eventos por unidad de tiempo . Considrese ahora la variable aleatoria descrita por el tiempo que se requiere para que ocurra el primer evento. Mediante la distribucin de Poisson, se encuentra que la probabilidad de que no ocurran en el espacio hasta el tiempo t est dada por:

t ( t )0 p( 0,t ) = = t 0!

; = 2.718

Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de Poisson. La probabilidad de que el perodo hasta que ocurre el primer evento de Poisson exceda x es la misma que la probabilidad de que no ocurra un
x evento de Poisson en x. Esto ltimo por supuesto est dado por . Como resultado, x P(X x) =

Entonces, la funcin de distribucin acumulada para x es:

x P(0 X x) = 1 -

Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial, puede derivarse la distribucin acumulada anterior para obtener la funcin de densidad:
x f(x) =

La cual es la funcin de densidad de la distribucin exponencial con

1 .

Ntese que la media de la distribucin exponencial es el parmetro , el recproco del parmetro en la distribucin de Poisson. El lector debe recordar que con frecuencia se dice que la distribucin de Poisson no tiene memoria, lo cul implica que las ocurrencias en perodos de tiempo sucesivos son independientes. Aqu el parmetro importante es el tiempo promedio entre eventos. En teora de la confiabilidad, donde la falla de un equipo concuerda con el proceso de Poisson, recibe el nombre de tiempo promedio entre fallas. Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces la distribucin exponencial es aplicable.

En el siguiente ejemplo se muestra una aplicacin simple de la distribucin exponencial en un problema de confiabilidad. La distribucin binomial tambin juega un papel importante en la solucin. Ejemplos:

1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en aos est dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio de falla = 5 . S 5 de estos componentes se instalan en diferentes sistemas, cul es la probabilidad de que al menos 2 continen funcionando despus de 8 aos? Solucin: La probabilidad de que un determinado componente est funcionando an despus de 8 aos es:

P( > 8 ) =

1 5 dt = 5 58

0.2
la | nos indica que la integral se va a

evaluar desde 8 hasta Sea x el nmero de componentes funcionando despus de 8 aos. Entonces mediante la distribucin Binomial, n=5 p = 0.20 = probabilidad de que un componente est funcionando despus de 8 aos q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8 aos

P(x 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)

= 1 { 5 C0 ( 0.2 )0 ( 0.8 )5 + 5 C1( 0.2 )1( 0.8 )4

} = 1 0.7373 = 0.2627

2. El tiempo que transcurre antes de que una persona sea atendida en una cafetera es una variable aleatoria que tiene una distribucin exponencial con una media de 4 minutos. Cul es la probabilidad de que una persona sea

atendida antes de que transcurran 3 minutos en al menos 4 de los 6 das siguientes?

Solucin:

1 t P( T 3 ) = 4 dt = 4 40

= 1

3 4

= 0.5276
la nos indica que la integral

va a ser evaluada de 0 a 3

x = nmero de das en que un cliente es atendido antes de que transcurran 3 minutos x = 0, 1, 2,...,6 das p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos en un da cualquiera = 0.5276 q = probabilidad de que un cliente no sea atendido antes de que transcurran 3 minutos en un da cualquiera = 1- p = 0.4724

P( x = 5o6, N = 6, p = 0.5276 )=6 C5 ( 0.5276 )5 ( 0.4724 )1 + 6 C6 ( 0.5276 )6 ( 0.4724 )0 =

= 0.11587 + 0.02157 = 0.13744

4,3 Aplicacin de modelos de decisin en lneas de espera.

5.1 Modelos de pronsticos. Existen muchos mtodos de pronsticos por lo cual es necesario conocer su clasificacin a continuacin se mencionan 3 categoras principales las cuales no estn limitadas y no son mutuamente excluyentes : a) Series de tiempo o causales. b) A corto,mediano o largo plazo. c) Cuantitativos o cualitativos. MTODO DE ANLISIS DE SERIES DE TIEMPO En este mtodo se utilizan solo datos histricos del pasado para la variable que se pronostica,al generar proyecciones al futuro.Suponen de manera implcita que ha sucedido en el pasado proporciona informacin de lo que va a suceder en el futuro.Por otra parte ,los mtodos causales consideran los factores que influyen o estn relacionados con lo que se esta pronosticando. MTODO DE PRONSTICOS A CORTO.MEDIANO O LARGO PLAZO. Los mtodos de pronsticos a corto plazo tienen un horizonte de tiempo de un da a un mes en el futuro es de gran utilidad para las organizaciones en el manejo de sus operaciones diarias.En los mtodos de pronsticos a mediano plazo se hacen proyecciones de un mes aun ao hacia el futuro sirviendo como ayuda en la toma de decisiones y el uso eficiente de los recursos.Los mtodos de pronsticos a largo plazo tienen un horizonte de mas all de un ao proporcionando una gua directriz para la organizacin. CUANTITATIVOS Y CUALITATIVOS En los mtodos cuantitativos se emplean modelos matemticos que requieren datos para las variables independientes con el objetivo de generar un pronostico. Los mtodos cualitativos se usan para situaciones a largo plazo ,altamente inciertas en las cuales el uso de un modelo matemtico no es tan apropiado, es importante mencionar que es normal el juicio subjetivo para llegar a un pronstico.