Documente Academic
Documente Profesional
Documente Cultură
Apuntes de la Materia:
PRESENTA
Ing. Amado Alejandro Leyva Carrillo
ndice
Unidad I ......................................................................................................................................... 1
1.1 Modelo General de la Programacin Matemtica ........................................................... 3
Naturaleza De La Investigacin De Operaciones .............................................................. 4
Impacto de la Investigacin de Operaciones ...................................................................... 5
Riesgo Al Aplicar La Investigacin De Operaciones ........................................................ 5
Toma De Decisiones ............................................................................................................... 7
1.2 Metodologa en la construccin de modelos ................................................................... 8
Tipos de modelos en la IO ..................................................................................................... 9
Proceso de Construccin de un Modelo ............................................................................ 12
1.3 Modelos de Aplicacin Especfica .................................................................................... 13
Introduccin ............................................................................................................................ 13
Programacin Lineal - Problema General ......................................................................... 16
suposiciones Del Modelo De Programacin Lineal ......................................................... 17
Limitaciones Del Modelo De Programacin Lineal .......................................................... 18
Conceptos importantes para construir un modelo matemtico...................................... 18
Aprendiendo A Formular Modelos ...................................................................................... 21
Unidad II ..................................................................................................................................... 23
2. 1 El Mtodo Grafico de Solucin ................................................................................. 24
Introduccin ............................................................................................................................ 24
Mtodo De Solucin Grfico ................................................................................................ 25
Aprendiendo A Graficar Modelos ........................................................................................ 27
Los Diferentes Tipos De Soluciones en el Mtodo Grafico. ........................................... 31
2.2 El Mtodo Algebraico .......................................................................................................... 34
Introduccin ............................................................................................................................ 34
Procedimiento del Mtodo Algebraico ............................................................................... 34
2.3 El Algoritmo Simplex ........................................................................................................... 41
Antecedentes ......................................................................................................................... 41
Pasos para el Algoritmo simplex (Tabular) ....................................................................... 42
Algoritmo del Mtodo de la Gran M .................................................................................... 45
Casos Especiales del Mtodo Simplex .............................................................................. 49
Conclusiones .......................................................................................................................... 50
2.4 Teora de Dualidad ............................................................................................................. 52
Introduccin ............................................................................................................................ 52
Definicin Del Problema Dual.............................................................................................. 52
casos De Estudio ................................................................................................................... 54
Interpretacin econmica del problema dual. ................................................................... 58
2.5 Anlisis de Sensibilidad O Post-Optimo........................................................................... 62
Aplicacin del anlisis de sensibilidad ............................................................................... 63
Cambios en las bi (columna lado derecho).........................................................................63
Inclusin de una nueva variable..............................................................................................64
Cambio en los Coeficientes Funcin Objetivo....................................................................65
Inclusin de una nueva restriccin ......................................................................... 67
Unidad III .................................................................................................................................... 69
3.1 El Modelo de Transporte.................................................................................................... 70
Antecedentes ......................................................................................................................... 70
Modelo de Transporte ........................................................................................................... 70
Modelo red de un Mtodo de transporte ............................................................................ 71
Modelo general de PL que representa el modelo de transporte .................................... 72
Propiedad de Soluciones Factibles .................................................................................... 73
3.2 El Modelo de Asignacin .................................................................................................. 77
Introduccin ............................................................................................................................ 77
La formulacin del problema general de asignacin es: ................................................. 77
Casos especiales del modelo de asignacin .................................................................... 78
3.3 Modelos de Solucin .......................................................................................................... 80
A) Solucin para Problemas de Transporte. ..................................................................... 80
Procedimiento para solucionar problemas de transporte................................................81
Mtodo del Escaln (paso a paso, Spening Stone)..........................................................84
B) Solucin para Problemas de Asignacin. ..................................................................... 88
El Mtodo Hngaro .............................................................................................................. 88
Introduccin...................................................................................................................................88
Antecedentes................................................................................................................................88
Problema #1 de Asignacin.....................................................................................................90
Unidad IV .................................................................................................................................... 98
4.1 Introduccin y Conceptos Bsicos ................................................................................... 99
Conceptos ............................................................................................................................. 100
PERT..............................................................................................................................................100
CPM................................................................................................................................................100
4.2 Sistemas PERT/CPM ...................................................................................................... 101
4.3 Construccin de la red PERT. ........................................................................................ 101
4.4 Tiempos ptimos y tiempos de control ........................................................................... 106
4.5 Ruta Crtica ...................................................................................................................... 108
4.6 Barras de Gantt ................................................................................................................ 110
Cmo crear un diagrama de GANTT ............................................................................... 111
Unidad V ................................................................................................................................... 113
Introduccin .......................................................................................................................... 114
5.1 Consideraciones Generales ............................................................................................ 114
5.2 Tipos de Problemas de Decisin .................................................................................... 116
5.3Matriz de Pagos ................................................................................................................ 119
Unidad VI .................................................................................................................................. 121
Introduccin .............................................................................................................................. 122
6.1 El proceso de Simulacin. .............................................................................................. 122
Modelos de Simulacin....................................................................................................... 124
6.2 Muestreo Monte-Carlo...................................................................................................... 124
6.3 Generacin de Nmeros Aleatorios ............................................................................... 128
Bibliografa ................................................................................................................................ 134
Unidad I
Formulacin de Problemas de
Programacin Lineal
1
INTRODUCCION
L
os cambios revolucionarios originaron gran aumento en la divisin de
trabajo y la separacin de las responsabilidades administrativas en las
organizaciones. Sin embargo esta revolucin creo nuevos problemas que
ocurren hasta la fecha en muchas empresas. Uno de estos problemas es
la tendencia de muchos de los componentes a convertirse en imperios relativamente
autnomos, con sus propias metas y sistemas de valores.
2
1.1 Modelo General de la Programacin Matemtica
3
Naturaleza De La Investigacin De Operaciones
4
Aun cuando debe interpretarse con todo cuidado en trminos de las necesidades
reales de la administracin, esta "bsqueda de la optimidad" es un aspecto importante
dentro de la investigacin de operaciones.
5
Para llegar a hacer un uso apropiado de la I de O, es necesario primero
comprender la metodologa para resolver los problemas, as como los fundamentos de
las tcnicas de solucin para de esta forma saber cundo utilizarlas o no en las
diferentes circunstancias.
Acroff, R. L.
6
De sta definicin se pueden destacar los siguientes conceptos:
TOMA DE DECISIONES
1.-Anlisis cualitativo
2.-Anlisis cuantitativo
7
1.2 Metodologa en la Construccin de Modelos
4) Prueba del modelo: Probar el modelo para asegurarse de que es vlido con
los datos reales y posibles resultados a alimentar el modelo con datos
estimados
8
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.
Tipos de Modelos en la IO
1. Modelos Determinstico
2. Modelos Estocsticos
En este modelo cada variable puede tomar cualquier valor posible. Adems,
cada posible resultado est ponderado por la probabilidad de que ese valor ocurra, de
esta forma el resultado genera una distribucin de probabilidades.
9
B) Teora de colas: rama de la teora de la probabilidad que estudia las
opciones ms ventajosas para controlar situaciones o procesos en los que
existen lneas de espera.
3. Modelos Hbridos
4. Modelos Heursticos
Definicin de MODELO
El modelado
Es una ciencia
Anlisis de relaciones
Aplicacin de algoritmos de solucin
Y a la vez es un arte
Visin de la realidad
Estilo, elegancia, simplicidad
Uso creativo de las herramientas
Experiencia
10
Clasificacin De Modelos
11
Proceso de Construccin de un Modelo
Juicio del
Abstraccin Interpretacin
administrador
Modelo
Real Situacin Toma de
Administrativa Decision
12
Dicho de otra manera
NOTA:
La solucin del modelo dar la respuesta que se necesita?
INTRODUCCIN
13
manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye
elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios
para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada
recurso que consumir cada una de ellas. La variedad de situaciones a las que se
puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de
instalaciones de produccin a los productos, hasta la asignacin de los recursos
nacionales a las necesidades de un pas; desde la seleccin de una cartera de
inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola,
hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de
todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo
los niveles de las mismas.
Antecedentes
En palabras del propio Dantzig: "El tremendo poder del mtodo Simplex me
sorprende constantemente". Citando el simple ejemplo del problema de asignacin (70
personas para 70 tareas) y el enorme poder computacional que se requerira para
analizar todas las permutaciones y seleccionar la solucin ptima, observ lo siguiente:
"slo toma un momento encontrar la solucin ptima usando una computadora
personal y un paquete que maneje el mtodo simplex estndar".
Dantzig escribi en 1991: "es interesante notar que el problema original que
ocasion mi investigacin est todava pendiente, es decir, el problema de la
planeacin dinmica a travs del tiempo, particularmente bajo condiciones de
incertidumbre. Si este tipo de problemas pudieran resolverse satisfactoriamente, se
podra contribuir (tras una buena planeacin) al mejoramiento de este mundo y del ser
humano."
15
Programacin Lineal - Problema General
Matemticamente
Forma Estndar del Modelo Matemtico
Para:
MAXIMIZAR Z = C1X1 + C2X2 + . . . + CnXn
Donde:
Z=valor de la medida global de efectividad
16
1) Minimizacin en lugar de Maximizacin en la funcin objetivo
2) Algunas restricciones funcionales con desigualdad en el sentido mayor o igual
que.
Proporcionalidad
Aditividad
Divisibilidad
17
Limitaciones Del Modelo De Programacin Lineal
Modelo Determinstico
Modelo Esttico
18
Variables = Actividades
Valor de las variables = Nivel de actividad
Actividades X1, X2 = Produccin de artculos 1 y 2.
Funcin Objetivo:
Determinar las unidades mximas del modelo como funcin de las variables decisin;
debe llegar a maximizar o minimizar alguna medida numrica.
Parmetros:
Restricciones:
Ejemplo: Si suponemos que una mesa y una silla requieren de 2 y 6 hrs. De mquina,
respectivamente para su fabricacin y si se seala que la cantidad total disponible es
de 12 hrs., entonces esa restriccin puede expresarse como:
Entonces las restricciones determinan posibles valores de las variables y estas definen
la zona de soluciones factibles.
19
Restricciones No Validas:
x1 + x2 <= 12
x1 x2 + x2 <= 15
3x1 + x2 <= 15
Las restricciones ms comunes son de seis tipos, las cuales se listan a continuacin:
20
Aprendiendo A Formular Modelos
1. Problema de produccin
Un taller tiene tres (3) tipos de mquinas A, B y C; puede fabricar dos (2) productos
1 y 2, todos los productos tienen que ir a cada mquina y cada uno va en el mismo
orden: Primero a la mquina A, luego a la B y luego a la C. La tabla siguiente muestra:
Formulacin
2. Funcin objetivo:
Maximizar Z = X1 + 3/2 X2
3. Restricciones:
4. Condicin de no negatividad:
X1, X2 >= 0
21
2. Problema de produccin
Producto 1 producto 2
Formulacin
2. Funcin objetivo:
Maximizar Z = 25X1 + 30 X2
3. Restricciones:
4. Condicin de no negatividad:
X1, X2 >= 0
22
Unidad II
23
2.1 El Mtodo Grafico de Solucin
Introduccin
24
Mtodo De Solucin Grfico
Mtodo grfico.
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.
4. 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.
25
Conceptos Importantes Para Construir Una Grafica
Solucin No Factible: Es una solucin para que al menos una restriccin se viola.
26
Aprendiendo A Graficar Modelos
Sea:
X1 = Unidades semanales a producir del articulo 1
X2=Unidades semanales a producir del articulo 2
F.O
Maximizar Z = X1 + 3/2 X2
S.A
2X1 + 2X2 16 Restriccin debida a las horas disponibles por semana de la MQ A
X1 + 2X2 12 Restriccin debida a las horas disponibles por semana de la MQ B
4X1 + 2X2 28 Restriccin debida a las horas disponibles por semana de la MQ C
2X1 + 2X2 = 16
X1 + 2X2 = 12
4X1 + 2X2 = 28
X1=0
X2=0
27
18
16
14
Regin Solucin
12
Puntos Factibles
10
X2
6
Solucin Optima D(4,4) Z=10
0
0 2 4 6 8 10 12 14
X1
Cada una de las restricciones se grafican calculando los puntos de cada recta y
verificando su signo, para delimitar el rea de solucin de dicha restriccin,
posteriormente se delimita la interseccin de las reas de solucin de cada restriccin
para delimitar el rea factible de solucin.
A(0,0) Z=0
B(7,0) Z=4.6666
C(6,2) Z=9
D(4,4) Z=10
E(0,6) Z= 9
28
Existen dos procedimientos para encontrar la solucin factible ptima:
Sea:
F.O
Maximizar Z = 25X1 + 30 X2
S.A
no negatividad:
X1, X2 >= 0
29
Obtener los puntos de la recta
450
400
350
Regin Solucin
300
Puntos Factibles
250
X2
200
50
0
0 50 100 150 200 250 300 350 400 450 500
E E X1 E
A ( 0 , 0) Z=0
B ( 175, 0 ) Z=4,375
C (150, 50 ) Z= 5,250
D (100 , 100) Z= 5,500
E (0 , 150 ) Z=4,500
30
Los Diferentes Tipos De Soluciones en el Mtodo Grafico.
La ventaja que presentan los modelos con este Tipo de solucin es que se
puede elegir cualquiera de las soluciones ptimas, porque todas presentan el mismo
valor ptimo para el objetivo.
31
Estos modelos no deben existir en el mundo real. Si el sistema modelado
trabaja, entonces el modelo debe representarlo de tal manera que permita obtener una
solucin posible.
Max 40 X1 + 30 X2
Sujeto a:
2/5 X1 + X2 20
1/5 X2 5
3/5 X1 + 3/10 X2 21
X1 30
X2 15
X1, X2 0
Sujeto a:
-4 X1 + 3 X2 3
X1 - X2 3
MODELOS CON ESPACIO DE SOLUCION NO ACOTADO Y SOLUCION DE VALOR
FINITO. X1, X2 0
32
abierta, no limitada pero hay por lo menos un punto extremo que limita el valor del
objetivo.
Sujeto a:
0.30 X1 + 0.20 X2 500 Protena
0.15 X1 + 0.30 X2 300 Grasa
X1, X2 0
Una restriccin redundante puede ser removida sin afectar la regin solucin.
Cuando la restriccin redundante est sobre el punto extremo ptimo, la solucin es
Degenerada.
Sujeto a:
X1, X2 0
33
El Mtodo Algebraico
Introduccin
34
Retomando el problema #1 del captulo I
Sea:
X1 = Unidades semanales a producir del articulo 1
X2=Unidades semanales a producir del articulo 2
F.O
Maximizar Z = X1 + 3/2 X2
S.A
2X1 + 2X2 16
X1 + 2X2 12
4X1 + 2X2 28
Aqu h1,h2 y h3 son las variables de holgura o relleno, que al adicionarlas al lado
izquierdo, establecen la igualdad con el lado derecho de la inecuacin lineal.
Escoger en cada ecuacin una variable que sirva como solucin inicial al
problema y que tome un valor positivo ( > 0), NO son elegibles las variables de
decisin o variables reales. Entonces, las variables de holgura o relleno (si las hay),
son las primeras en ser escogidas como variables bsicas y factibles, lo que significa
que deben tomar un valor mayor o igual a cero ( > 0), dicho de otra forma, las variable
bsicas factibles, deben cumplir con la condicin de no negatividad.
35
Organizamos el sistema de ecuaciones de la siguiente manera:
Ec. 0 Z - X1 - 3/2 X2 = 0
Ec. 1 2X1 + 2X2 + h1 = 16 En la Ecuacin (0) Siempre Z
Es Una Variable Bsica
Ec. 2 X1 + 2X2 + h2 = 12
Ec. 3 4X1 + 2X2 + h3 = 28
Fjese que en cada ecuacin existe una y solo una variable bsica con
coeficiente ( 1 ), lo que permite leer su valor de manera automtica al lado derecho
;esto es:
Aqu analizamos si existe una solucin mejor que la solucin bsica factible,
para ello despejamos de la ecuacin ( 0 ) del sistema de ecuaciones
inmediatamente anterior a Z y hacemos la siguiente pregunta:
Como regla general, la variable para entrar es aquella que al crecer haga que Z
crezca ms, ya que el objetivo es Maximizar el valor de Z, Dicho de otra forma,
entrar la variable que tenga el coeficiente ms negativo, si estuvisemos
minimizando se escoge la variable que haga que Z disminuya ms, o sea la que
tenga el coeficiente ms positivo.
36
3) Escoger la variable que sale
La variable no bsica que debe entrar a la base es: X2 (contiene el negativo mayor) y
le da un mayor incremento a la funcin objetivo.
La variable bsica que debe salir de la base: La obtenemos con la regla del cociente
menor. Adems en caso de empate se elige arbitrariamente.
28/2 = 14
3X1+0X2 - h1 +h3 = 16
37
Nueva Ec, pivote por 3/2 + Ec.0
Ec.1 X1+0X2+ h1 h2 = 4
Solucin Presentada
X1= 0
X2= 6
Z= 9
La variable que sale de la base es la del cociente menor entre los trminos
independientes y la variable que entra en cada rengln.
38
Dividir para hacer coeficiente 1 la variable entrante y 0 los coeficientes de las
otras restricciones(x1)
Ec.1 X1+0X2+ h1 h2 = 4
0X1 + X2 -1/2h1 + h2 = 4
39
X1 = 4
X2 = 4
Z= 10
Si corroboramos la solucin optima del mtodo grafico del tema anterior de este
mismo modelo matemtico, nos damos cuenta que es la misma solucin a la que
arroja el mtodo algebraico de este tema.
40
El Algoritmo Simplex
Antecedentes
El paso crucial en cada iteracin del simplex consiste en decidir que cambio se
va introducir en la base B.
41
Pasos para el Algoritmo simplex (Tabular)
3) Escribir la tabla inicial del algoritmo del 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 primera fila con los coeficientes de
la Funcin Objetivo.
Criterios:
42
Retomando el problema #1 del captulo I
Sea:
X1 = Unidades semanales a producir del articulo 1
X2=Unidades semanales a producir del articulo 2
F.O
Maximizar Z = X1 + 3/2 X2
S.A
2X1 + 2X2 16
X1 + 2X2 12
4X1 + 2X2 28
BASE X1 X2 h1 h2 h3 Solucin
Z -1 -3/2 0 0 0 0
h1 2 2 1 0 0 16
h2 1 2 0 1 0 12
h3 4 2 0 0 1 28
43
4) Elegir la variable que entra a la base y la variable que debe salir de la base
BASE X1 X2 h1 h2 h3 Solucin
Z -1 -3/2 0 0 0 0
h1 2 2 1 0 0 16
h2 1 2 0 1 0 12
h3 4 2 0 0 1 28
CP
44
BASE X1 X2 h1 h2 h3 Solucin Operaciones
Gauss-Jordn
Z 0 0 1/4 1/2 0 10 RP(1/4)+Z
X1 1 0 1 -1 0 4 h1/1 RP
X2 0 1 -1/2 1 0 4 RP(-1/2)+X2
h3 0 0 -3 2 1 4 RP(-3)+h3
Variables Bsicas: X1, X2, h3 (por estar dentro de la base)
Hasta este momento se ha presentado los detalles del mtodo simplex con la
suposicin de que el problema se encuentra la forma estndar (maximizar Z sujeta a
las restricciones funcionales de la forma <= y restricciones de no negatividad y el
termino bi>=0. en esta seccin se establecer como hacer los ajustes requeridos a
otras formas legitimas de modelos de programacin lineal.
Se vera que todos estos ajustes se pueden hacer en el paso inicial, de manera
que el resto del mtodo smplex se aplica justo como se aprendi.
45
3. Se deben penalizar a las variables artificiales en la funcin objetivo
asignndoles coeficientes positivos muy grandes. Sea M un nmero muy
grande. (En los modelos de Minimizacin la penalizacin para cada variable
artificial se suma y en los de Maximizacin se restan).
4. En la funcin objetivo no deben aparecer variables bsicas por lo que se hace
necesario eliminar las variables artificiales de la F.O.(Quitar las "M" de las
columnas de las artificiales).
5. Con la solucin inicial artificial se aplica el mtodo simplex de la forma
acostumbrada generando las tablas necesarias para llegar a una solucin.
Sea:
X1:
X2:
F.O
46
S.A
3/10X1 + 1/5 X2 e1 + a1 = 5
3/20X1 + 3/10X2 e2 + a2 = 3
2. Penalizar la Funcin Objetivo por el solo hecho de tener variables artificiales con
una gran M positiva para problemas de Minimizacin y una gran M negativa para
problemas de maximizacin. Una Gran M por cada variable artificial introducida.
Base X1 X2 E1 A1 E2 A2 Solucin
Z -3/50 -1/20 0 -M 0 -M 0
A1 3/10 1/5 -1 1 0 0 5
A2 3/20 3/10 0 0 -1 1 3
Se puede observa que esta primera tabla no est apta para trabajarla por el mtodo
simplex, por el simple hecho que la interseccin de las variables bsicas no estn en 1
y sus dems renglones por arriba y por abajo no estn en cero incluyendo el rengln
de Z.
47
Para solucionar el pequeo inconveniente es necesario sumar el contenido de las
variables artificiales multiplicarlas por M (si el problema es de MAX y si es MIN
Multiplicar por M) y sumrselas al rengln de Z. para esto el rengln de Z cambia su
contenido a la forma (Zj Cj ). As haremos que la interseccin este en 1 y los dems
renglones en cero.
Ahora as, esta tabla esta apta para desarrollarla por el mtodo simplex y esta tabla
nos arroja una solucin inicial.
Y tomando el criterio para este tipo de problema de MAX no es una solucin ptima
porque existen nmero negativos en la funcin objetivo de la diferencia de Zj - Cj
6. Variable que sale de la base: mediante la regla del cociente menor de los trminos
solucin y la columna pivote. En este caso a2 debe salir de la base.
CP
X1 = 0 X2=10 Z= 3M+1/2 (Solucin No Optima Zj - Cj en Z existen negativos)
CP
48
X1 = 0 X2=25 Z= 1.25 (Solucin No Optima Zj - Cj en Z existen negativos)
Base X1 X2 E1 A1 E2 A2 Solucin
Z 0 0 M-7/40 -43/40M+7/40 -1/20 -19/20M 1.025
X1 1 0 -5 5 10/3 -10/3 15
X2 0 1 15/2 -15/2 -5 5 2.5
Solucin No Acotada
Soluciones Mltiples:
Esto es indicativo que es posible hacer un cambio de base, pero, sin modificar
el valor de la funcin objetivo; esto es, la magnitud de incremento es de cero.
49
Solucin Degenerada:
CONCLUSIONES
El estado de los coeficientes en la tabla simplex indica cada uno de los posibles
estados de una solucin:
1. ptimo: Todos los coeficientes del rengln cero son mayores o iguales a cero.
50
2. Solucin no-acotada: Existe alguna columna con el coeficiente ms negativo y
todos los dems elementos en ella son negativos o cero.
3. Soluciones ptimas mltiples: En una tabla ptima existe alguna variable no-
bsica con coeficiente de cero en el rengln cero.
51
2.4 Teora de Dualidad
Introduccin
Dado un modelo lineal determinado, podemos definir otro modelo lineal que nos
permitir obtener propiedades interesantes del primero y que ser su dual. La solucin
del modelo dual permite obtener interesantes resultados, relativos al anlisis de
sensibilidad de los trminos independientes. Ms concretamente, para los rangos de
valores de los trminos independientes para los que se mantiene la base ptima (que
podemos conocer mediante el anlisis de sensibilidad), la solucin del dual nos
permite conocer el precio sombra de la restriccin, que ser la variacin de la funcin
objetivo por unidad incrementada del trmino independiente de la restriccin.
Antecedentes
Hemos visto como la programacin lineal puede ser usada para resolver una
extensa variedad de problemas propios de los negocios, ya sea para maximizar
utilidades o minimizar costos. Las variables de decisin en tales problemas fueron,
por ejemplo, el nmero de productos a producir, la cantidad de pesos a emplear, etc.
En cada caso la solucin ptima no explic cmo podran ser asignados los recursos
(ejemplo: materia prima, capacidad de las mquinas, el dinero, etc.) para obtener un
objetivo establecido.
Definicin Del Problema Dual
52
Para pod
der elabora
ar el proble
ema dual a partir del primal,
p este
e se debe presentar
p
en su forma cannica de la
l siguientee forma:
El proble
ema dual se
s puede obtener
o a partir
p del prroblema prrimal y vice
eversa de
la sig
guiente maanera:
1. Cada restriccin
n de un problema corrresponde a una variab
ble en el otrro.
2. Los elementos
e d lado de
del erecho de la
as restriccio
ones en unn problema son
iguales a los coeficcientes resp
pectivos de
e la funcin
n objetivo e
en el otro.
3. Un prroblema bu
usca maxim
mizar y el ottro minimizzar.
4. El pro
oblema de maximizaccin tiene re
estricciones y el prroblema de
e
minimizaacin tiene restriccion
nes .
5. Las variables
v en
n ambos ca
asos son no
o negativass.
A cada
c prob
blema de programa acin line
eal se le asocia o
otro probllema de
prog
gramacin
n lineal, llam
mado el prroblema de
d program
macin dua
al.
La soluccin ptima
a del proble
ema de pro
ogramacin dual, prop
porciona la siguiente
inforrmacin respecto del problem
ma de programmacin original:
1. La
L solucin
n ptima de
el problema
a dual prop
porciona loss precios e
en el merca
ado o los
bene e los reccursos esscasos asignados en el problema original.
eficios de
2. La soluci
n ptima del problema dual aporta
a la solucin
s p
ptima del problema
original y viceversa.
v
53
D
Dado un pro
ograma P y su Dual D,
D se cump
ple necesarriamente un
na de las siguientes
s
afirm
maciones
D lo anterior se dedu
De uce que el paso al du a a cabo teniendo pre
ual se lleva esente las
cuatro reglas siguientes:
A) Los coeficiientes de la
a i-sima restriccin
r para el pro
oblema prim
mal pasan a ser los
coeficientes de
e las variab
bles Wi enn las restric
cciones deel problema
a dual. El problema
dual tiene tantas variables
v como restriccione es hay en el primal.
B) Los
L coeficie entes de la n Xj en el problema primal pas
as variabless de decisi san a ser
los coeficientes
c s de la resstriccin j-
sima en el
e problemaa dual. El p
problema dual
d tiene
tanta
as restricciones como variabbles hay en el primal.
C) Los
L coeficientes de la funcin objetivo en
e el problema primal pasan a ser los
coeficientes del segund do miembro de las s restriccio
ones en el problem
ma dual.
D) Los
L coeficiientes del segundo miembro
m de las restrricciones d
del problem
ma primal
pasa
an a ser loss coeficientes de la fun
ncin objettivo del dua
al.
CAS
SOS DE ES
STUDIO
Caso
o 1. Consid
dere el prob
blema primal siguiente
e de acuerd
do a las reg
glas:
Maximizar
Suje
eto a:
X1 + 9X2 <= 600
2X1 + 3X2 <=445
5X1 2X2 <=20
X2 <= 300
X1,X
X2>=0
54
borar el dua
Elab al a partir de
el primal.
Minim
mizar
Suje
eto a:
Cuanndo el pro
oblema prim mal no est en forma a cannicaa, es necesario hace
er ajustes
para
a poder pressentarlo ass. Los cam
mbios ms frecuentes
f s
son:
1. Sii la funcin
n objetivo es
e minimiza
ar, se pued
de transform
mar a una funcin ob
bjetivo de
maximizar de la a siguiente forma:
Minim
mizar
Maximizar
3. Una
U restricccin de igua
aldad se tra
ansforma en 2 inecuacciones.
55
o 2. Consid
Caso dere el prob
blema primal siguiente
e:
PRIMAL.
Maximizar
Suje
eto a:
No esta
e en la fo
orma cann o tanto hay que transf
nica, por lo rmalo a su
u forma
Maximizar
Suje
eto a:
Ya se
s encuentrra en la form
ma cannicca, ahora si
s hacer la transformac
t cin primal - dual
Duall
Minim
mizar
Suje
eto a:
Caso
o 3. Consid
dere el prob
blema primal siguiente
e:
Maximizar
Suje
eto a:
56
nsformar a la forma ca
Tran annica
Maximizar
Suje
eto a:
Maximizar
Suje
eto a:
X1 + 2X2 + X3 <= 5
-2X1 + X2 -3X3 <= -22 (-1)
2X1 X2 +3X3 <= 2
X1, X2 ,X
X3 >= 0
Se encuentra
e y en la form
ya ma cannicca de aqu transforma
a al problem
ma Dual.
Minim
mizar
Suje
eto a:
57
Interrpretacin econmic
ca del prob
blema dua
al.
TODO DUA
MET AL SIMPLE
EX.
Este mtodo se ap
plica a problemas ptimos pero o infactibless. En este caso, las
restrricciones se
e expresan en forma cannica
c (rrestriccione
es ).
La funcin objetivo
o puede esttar en la forma de ma aximizacinn o de minim
mizacin.
Desp pus de ag gregar las variables de d holgura a y de poner el probllema en laa tabla, si
algn elemento o de la parte derecha es negativo y si la a condicin
n de optimiidad est
satissfecha, el problema
p p
puede resoolverse por el mtod do dual sim
mplex. Note e que un
elem
mento nega ativo en el lado derech ho significa
a que el pro
oblema com mienza pttimo pero
infacctible comoo se requiiere en el mtodo dual d simpleex. En la iteracin donde la
soluccin bsicaa llega a se
er factible esta ser la solucin ptima
del p
problema.
Condicin de Factibilida
ad
La varia
able que saale es la va ariable bs
sica que tie
ene el valo or ms negativo (los
empates se roompen arbitrariamente e si todas las variables bsicass son negativas, el
proceso termina y esta lttima tabla es
e la soluciin ptima factible).
58
Condicin de Optimidad
La variable que entra se elige entre las variables no bsicas como sigue. Tome
los cocientes de los coeficientes de la funcin objetivo entre los coeficientes
correspondientes a la ecuacin asociada a la variable que sale.
Sea:
X1:
X2:
F.O PRIMAL
Min Z = 0.06X1 + 0.05X2
S.A
Convertir a Dual
Sea:
X1:
X2:
F.O DUAL
MAX Z = 5W1 + 3W2
S.A
59
Desarrollar el modelo Dual por el mtodo Simplex
Base W1 W2 h1 h2 Solucin
Z -5 -3 0 0 0
H1 3/10 3/20 1 0 3/50
h2 1/5 3/10 0 1 1/20
Solucin Optima:
Z = 1.025
60
Observemos las soluciones del modelo primal y del modelo dual de este modelo en
estudio, mediante el mtodo grafico y coinciden con Z.
MODELO PRIMAL
MODELO DUAL
61
Anlisis de Sensibilidad O Post-ptimo
62
Aplicacin del anlisis de sensibilidad
Este anlisis casi siempre comienza con la investigacin de los cambios en los
valores de las bi, la cantidad del recurso i (i = 1, 2,. . . , m) que se encuentra disponible
para las actividades bajo consideracin. La razn es que en general existe mayor
flexibilidad al establecer y ajustar estos valores que los otros parmetros del modelo.
La interpretacin econmica de las variables duales (las yi) como precios sombra es
extremadamente til para decidir cules son los cambios que se deben estudiar.
63
parmetros asociados a X4 y X5 (variables de holgura de la restriccin 1 y 2
respectivamente) en la tabla final del Mtodo Simplex:
Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene
un valor negativo, cambia la actual base ptima. Cabe destacar que ante esta situacin
no es necesario resolver el nuevo escenario partiendo de cero, sino lo que se debe
hacer es utilizar la tabla final del simplex del escenario base, actualizando el lado
derecho y valor de la funcin objetivo.
64
Se debe evaluar rk y determinar si este es >=0.
Se busca identificar qu ocurre con la actual solucin ptima del escenario base
si se cambian uno o varios de los coeficientes que definen la funcin objetivo. La
solucin ptima actual tambin lo ser para el nuevo escenario siempre que los
65
nuevos costos reducidos sean mayores o iguales a cero (notar que tambin cambia el
valor de la funcin objetivo en la actual solucin ptima). Es decir se debe cumplir que:
Debido a que al menos uno de los costos reducidos de las variables no bsicas
se ha vuelto negativo, entonces cambia la actual solucin y valor ptimo del problema.
Para incorporar esta modificacin en la tabla final del Mtodo Simplex se actualiza los
costos reducidos asociados a las variables no bsicas, adems del valor ptimo,
quedando como sigue:
66
4. Inclusin de una nueva restriccin:
67
Finalmente obtenemos X4, X1 y X6 como variables bsicas. Producto de la
transformacin un lado derecho queda negativo y en este caso podemos continuar
adelante utilizando el Mtodo Simplex Dual.
68
Unidad III
Los Modelos de
Transporte y Asignacin
69
Los Modelos de Transporte y Asignacin
Introduccin
Antecedentes
Modelo de Transporte
70
Entre
e los datoss del modelo se cuenta
an:
A. N
Nivel de ofe
erta en cada fuente y la cantidad
d de la dem
manda en ca
ada
d
destino.
B. E
El costo de transporte unitario de
e la mercan da fuente a cada
nca de cad
d
destino.
1. Cada pu
unto de dem
manda recibe su requ
uerimiento
2 Los em
2. mbarques desde
d un puno de suministro (existenciia) no exc
ceden su
capacida
ad disponib
ble.
Mod
delo red de
e un Mtod
do de trans
sporte
El esque
ema siguieente representa el mo odelo de traansporte co omo una re ed con m
fuentes y n desstinos. Una
a fuente o un destino o esta repreesentado p por un nodo o, el arco
que une fuente e y un desttino represe ual se transsporta la mercanca.
entan la rutta por la cu
La cantidad de la oferta en
e la fuentee i es ai, y la demanda a en el desstino j es bj. El costo
de trransporte unitario
u en
ntre la fuennte i y ell destino j es Cij. S Si Xi j repreesenta la
cantidad transpportada dessde la fuente i al destiino j.
O
Origen D
Destino
a1 1 1 b1
ai i j bj
am m n bn
Donde::
ai = Cap
pacidad de la fu
uente i.
bj = Dem
manda del alma acn j.
m = Nm
mero de fuentess distribuidoras.
n = Nm
mero de destinoos receptores
71
delo genera
Mod al de PL qu
ue represe
enta el modelo de tra
ansporte
El prroblema de e se representa a co
e transporte ontinuacin como una
a matriz, qu
ue puede
estar en funcin
f a lo
os costos o a los flujos .
DE
ESTINO
OR
RIGEN 1 2 3 ...
OFERTA
DE
EMANDA
72
piedad de Solucione
Prop es Factibles
SO 1: Que
CAS e la oferta to
otal sea ma
ayor que la
a demanda total
Es decir, .
Se tendr
t que
e aadir un
n centro de
e consumo
o artificial o ficticio(n+1) cuya demanda
d
en lo
os cuales los costtos unitarios , son todo
os ceros
con k= 1,2,...,m
m
DEST
TINO Columna OFER
RTA
ORIGE
EN agregada
DEMA
ANDA
73
SO 2:
CAS Que
e la deman
nda total se
ea mayor qu
ue la oferta
a total
Es decir,
a lo cual se
Para e aadir un cticia), que ser (m+1), con capa
na fila a la matriz (Fic acidad de
DES
STINO OFERTA
ORIG
GEN 1 2 ... n
DEM
MANDA
El objetiivo de aum
mentar una columna o agregar una fila ess el de bala
ancear el
prob
blema de Trransporte.
74
Problema #1T de Transporte
Uno de los productos mas importantes de la P & T company son los chncharos
enlatados. Los chncharos se preparan en 3 enlatadoras:
Bellingham (Washington)
Eugene (Oregn)
AlbertLea (Minesota)
Sacramento (California)
Salt Lake City (Utah)
Rapld City (South Dakota)
Alburqueque(Nuevo Mxico)
1 2 3 4
1 464 513 654 867 75
Enlatadora 2 352 416 690 791 125
3 995 682 388 685 100
Asignacin 80 65 70 85
464 A1 80
75 E1
513
85
A4
685
Enlatadoras
Almacenes
75
El modelo matemtico del problema:
1) Variable de decisin
2) Funcin Objetivo
3) Restricciones
Oferta (enlatadora)
Demanda (almacn)
4) No negatividad
76
3.2 El Modelo de Asignacin
Introduccin
77
Casos especiales del modelo de asignacin
2) Problemas de maximizacin.
Problema #1 de Asignacin.
Una factora tiene cuatro operarios, los cuales deben ser asignados al manejo
de cuatro mquinas; las horas requeridas para cada trabajador en cada mquina se
dan en la tabla siguiente; el tiempo a laborar por cada operario en cada una de las
mquinas se pretende que sea mnimo, para lo cual se busca la asignacin ptima
posible.
Operarios 1 2 3 4
Antonio 10 14 16 13
Bernardo 12 13 15 12
Carlos 9 12 12 11
Diego 14 16 18 16
78
El modelo matemtico del problema:
1) Variables de Decisin
2) Funcin Objetivo
MIN Z = (10 X11+ 14 X12+ 16 X13+ 13 X14 ) + (12 X21+ 13 X22+ 15 X23+ 12 X24) +
( 9 X31+ 12 X32+ 12 X33+ 11 X34 ) + (14 X41+ 16 X42+ 18 X43+ 16 X44)
3) Restricciones
1) No negatividad
79
3.3 Modelos de Solucin
Donde:
Cij : Ganancia
Si : Origen i
di : Demanda j
Ui : Precio sombra de la restriccin de oferta i
Vj : Precio sombra de la restriccin de demanda j
80
Cij Ui Vj : para cada V.N.B
1.- Hallar una solucin bsica factible (S.B.F.) inicial. Podemos obtener una solucin
bsica factible (sbf) para un problema de transporte balanceado mediante el mtodo
de la esquina Noroeste, el mtodo de costo mnimo, o el mtodo de Vogel.
Destinos Demanda
Oferta 80 65 70 85 300
5 0 15 0
0 0 300
81
Solucin Bsica Factible Inicial Z= 165,595
Variables bsicas: X12, X21, X22, X23, X33, X34
Destinos Demanda
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
82
C) Mtodo de Aproximacin de Vogel: Este mtodo es heurstico y suele producir
una mejor solucin inicial que los mtodos anteriores. De hecho, suele producir
una solucin inicial ptima o prxima al nivel ptimo.
5) Regresar al paso #1, hasta que queden satisfechas todas las celdas.
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
83
2.- Despus de obtener una S.B.F inicial, se verifica si es ptima mediante la prueba
de Optimidad.
Problema de transporte #1T (Mtodo del escaln) tomando la solucin inicial factible
por el mtodo de la aproximacin de Vogel
Destinos Demanda
Oferta 80 65 70 85 300
0 20 0 66
0 0 300 84
Evaluadores de celdas (Celdas sin asignacin) Variables no Basicas)
1.- (1,1)
2.- (1,3)
3.- (2,3)
4.- (2,4)
5.- (3,1)
6.- (3,2)
Destinos Demanda
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
Destinos Demanda
Oferta 80 65 70 85 300
0 20 0 66
0 0 300 85
Evaluador de celda (1,3)= (654+685)-(867+388)= 84
Destinos Demanda
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
Destinos Demanda
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
86
5. Evaluador de Celda (3,1)
Destinos Demanda
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
Destinos Demanda
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
87
B) Solucin
S para Pro
oblemas de Asign
nacin.
El Mtodo Hngaroo
Intrroduccin
El algorritmo modeela un prob blema de asignacin n como una matriz de d costos
mm m, donde cada
c eleme
ento repressenta el coosto de asig gnar el ensimo trab bajador al
enssimo trabajo. Por defeecto, el algoritmo realiza la minimizacin dde los elemmentos de
la matriz;
m de ah
a que en n caso de ser un prroblema de e minimizaacin de co ostos, es
suficciente con comenzar la eliminaccin de Ga auss-Jordn n para haccer ceros (a al menos
un cero
c por lnea
l y poor columna a). Sin emmbargo, en n caso de e un prob blema de
maximizacin deld beneficcio, el costoo de la ma
atriz necesita ser mod dificado para que la
minim mizacin de
d sus ele ementos lle eve a una maximizaccin de los valores de costo
originales. En un problem ma de costtos infinito, el costo inicial de la matriz puede
p ser
remo ada elemento de cad
odelado resstando a ca da lnea el valor
v mxim
mo del elem mento de
esa lnea (o anlogame
a nte column na). En unn problema a de costo o infinito, todos
t los
elem
mentos son restados por
p el valor mximo de e la matriz entera.
Anttecedentees
EL algo
oritmo Hn
ngaro es un algorittmo de op
ptimizacin
n el cual resuelve
prob
blemas de asignacin
a en tiempo
o . La primeraa versin co
onocida deel mtodo
Hnggaro, fue innventado y publicado
o por Harold Kuhn en n 1955. Esste fue reviisado por
Jamees Munkre es en 1957, y ha sido conocido desde entonces como el algoritmo
Hnggaro, el alg l asignacin de Munkres, o el algoritmo
goritmo de la a de Kuhn-Mu unkres.
El algorritmo desa arrollado por Kuhn este basad
do fundam
mentalmentee en los
primeros trabajjos de otros dos mateemticos Hngaros:
H D
Dnes Knig y Jen Egervry.
E
La gran
g venta
aja del mtodo
m de Kuhn es que es fuertemente polinm mico (ver
Commplejidad co
omputacion nal para ms detalles)).
El algorritmo consstruye una solucin del proble
ema primall partiendo o de una
soluccin no admisible (quue correspo
onde a una
a solucin admisible
a d
del dual) ha
acindola
pocoo a poco m s admisib
ble.
88
Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz
de costos m*m; se debe construir una nueva matriz al restar de cada costo el costo
mnimo de cada fila; encontrar para esta nueva matriz, el costo mnimo en cada
columna. A continuacin se debe construir una nueva matriz (denominada matriz de
costos reducidos) al restar de cada costo el costo mnimo de su columna.
Paso 2: (En algunos pocos textos este paso se atribuye a Flood). Consiste en
trazar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente de
esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos
reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene una solucin
ptima entre los ceros cubiertos de la matriz. Si se requieren menos de m lneas para
cubrir todos los ceros, se debe continuar con el paso 3.
El nmero de lneas para cubrir los ceros es igual a la cantidad de asignaciones
que hasta ese momento se pueden realizar.
Paso 3: Encontrar el menor elemento diferente de cero (llamado k) en la matriz
de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2; a
continuacin se debe restar k de cada elemento no cubierto de la matriz de costos
reducidos y sumar k a cada elemento de la matriz de costos reducidos cubierto por dos
lneas (intersecciones). Por ltimo se debe regresar al paso 2.
Notas:
1. Para resolver un problema de asignacin en el cual la meta es maximizar la
funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (1)
y resolver el problema como uno de minimizacin.
89
Problema #1 de Asignacin.
Operarios Maquinas
1 2 3 4
A 10 14 16 13
B 12 13 15 12
C 9 12 12 11
D 14 16 18 16
B) Se elije por cada rengln el costo de mnimo y se resta ese valor al resto de los
elementos del rengln correspondiente; as obteniendo una nueva tabla.
Operarios Maquinas
1 2 3 4
A 0 4 6 3
B 0 1 3 0
C 0 3 3 2
D 0 2 4 2
90
Matriz de Costos Reducidos
Operarios Maquinas
1 2 3 4
A 0 3 3 3
B 0 0 0 0
C 0 2 0 2
D 0 1 1 2
Operarios Maquinas
1 2 3 4
A 0 3 3 3
B 0 0 0 0
C 0 2 0 2
D 0 1 1 2
K=1
Operarios Maquinas
1 2 3 4
A 0 2 3 2
B 1 0 1 0
C 0 2 0 1
D 0 0 1 1
F) Posteriormente tratamos de cubrir con lneas horizontales y verticales nuevamente
todos los ceros con el menor nmero de Lneas de los matriz anterior.
91
Operarios Maquinas
1 2 3 4
A 0 2 3 2
B 1 0 1 0
C 0 2 0 1
D 0 0 1 1
Ntese que el nmero de lneas trazadas es igual a m por lo tanto estamos frente a
la solucin optima.
Por lo tanto podemos decir que la solucin optima es y desde luego considerando la
condicin de que cada hombre puede ser asignado a un trabajo y que cada trabajo tendr
asignada una persona.
Antonio
Maquina 1
Bernardo
Antonio Maquina 2
Carlos Maquina 3
Diego Maquina 4
92
Problema #2 de Asignacin.
La gerencia general de RPG con sede en Bruselas, este ao, como parte de su
auditora anual, decidi que cada uno de sus cuatro vicepresidentes visite e inspeccione cada
una de sus plantas de ensamblaje durante las primeras dos semanas de junio. Las plantas
estn ubicadas en Leipzig (Alemania), Nancy (Francia, Lieja (Blgica) y Tilburgo (Holanda).
PLANTA
Leipzig (1) Nancy(2) Lieja (3) Tilburgo(4)
Finanzas (F) (1) 24 10 21 11
Mercadotecnia(M) (2) 14 22 10 15
Operaciones (O) (3) 15 17 20 19
Personal(P) (4) 11 19 14 13
1) Variables de Decisin
Min Z = (24 X11 + 10X12 + 21X13 + 11X14) + (14X21 + 22X22 + 10X23 + 15X24)
3) Restricciones
4) No negatividad
93
Resolviendo el Modelo matemtico anterior por el Mtodo Hngaro
Finanzas (F) 1 24 10 21 11
Mercadotecnia (M) 2 14 22 10 15
Operaciones (O) 3 15 17 20 19
Personal (P) 4 11 19 14 13
Finanzas (F) 1 14 0 11 1
Mercadotecnia (M) 2 4 12 0 5
Operaciones (O) 3 0 2 5 4
Personal (P) 4 0 8 3 2
94
Paso 4: Reduccin de columnas de la tabla del paso 2.
Finanzas (F) 1 14 0 11 0
Mercadotecnia (M) 2 4 12 0 4
Operaciones (O) 3 0 2 5 3
Personal (P) 4 0 8 3 1
Paso 5: Tratar de cubrir los ceros con el menor de lneas rectas ya sean horizontales o
verticales y determinar si es una matriz reducida
Finanzas (F) 1 14 0 11 0
Mercadotecnia (M) 2 4 12 0 4
Operaciones (O) 3 0 2 5 3
Personal (P) 4 0 8 3 1
En esta tabla se cubrieron con lneas rectas los ceros obtenido solamente tres lneas
rectas por lo tanto no es una matriz reducida. Recurdese que para que sea una matriz
reducida el nmero de lneas que se obtengan debe ser igual a n y n en este ejemplo es igual a
4 y solamente se obtuvieron 3 lneas.
Paso 6: Seleccionar el menor costo de toda la tabla anterior; restar a los elementos no
tachadas y sumar a las intersecciones sumar a las intersecciones.
Finanzas (F) 1 15 0 12 0
Mercadotecnia (M) 2 4 11 0 3
Operaciones (O) 3 0 1 5 2
Personal (P) 4 0 7 3 0
95
Paso 7: Se trata de tachar nuevamente a todos los ceros con lneas rectas y determinar si la
tabla ya se encuentra en una matriz reducida.
Finanzas (F) 1 15 0 12 0
Mercadotecnia (M) 2 4 11 0 3
Operaciones (O) 3 0 1 5 2
Personal (P) 4 0 7 3 0
Tabla de Asignaciones: recurdese que cada hombre puede ser asignado a un trabajo y
que cada trabajo tendr asignada una persona.
Asignaciones Costo
96
Modelo Red de las Asignaciones de la empresa RPG
Finanzas
Leipzig
Mercadotecnia
Nancy
Operaciones Lieja
Personal Tilburgo
97
Unidad IV
Tcnicas de Programacin
98
4.1 Introduccin y Conceptos Bsicos
Los proyectos en gran escala por una sola vez han existido desde tiempos
antiguos; este hecho lo atestigua la construccin de las pirmides de Egipto y los
acueductos de Roma. Pero slo desde hace poco se han analizado por parte de los
investigadores operacionales los problemas gerenciales asociados con dichos
proyectos.
Mtodos PERT/CPM
99
Dentro de las tcnicas de programacin tambin se puede hacer una
diferenciacin de acuerdo a la forma en que se toma el tiempo ya que puede tomarse
de dos formas:
Conceptos
PERT
PERT considera al tiempo en forma estocstica y esto quiere decir que lo toma
como una variable aleatoria la cual puede adquirir cualquier valor de dentro de un
rango de valores establecido. Dicho rango tiene como lmite inferior el mnimo tiempo
en que puede ser desarrollada la actividad y como lmite superior al mximo tiempo
que toma hacer dicha actividad. Dada la situacin anterior se da la necesidad de hacer
una estimacin de dicho tiempo y el valor ms comn tomado para esto es un valor
promedio o media. Al tener una media, tenemos y tambin una varianza y una
desviacin estndar y al tener esto podemos asociar a una distribucin de
probabilidad.
CPM
100
4.2 Sistemas PERT/CPM
9 Camino (es toda sucesin de arcos tales el vrtice extremo de cada arco es a
su vez origen del siguiente, excepto el ltimo)
9 Longitud del camino (es la suma de los valores numricos asociados a los arcos
que lo constituyen)
101
Elementos de la red:
1. Los arcos del grafo, representados por flechas, son las actividades de proyecto
y a ellos va asociado un nmero que indica la duracin de la actividad, el cual
ha sido calculado segn la distribucin asociada. Existen dos tipos de
actividades: Reales, representadas por una flecha de lnea contina y
representa una actividad que consume recursos a la vez indica una relacin de
precedencia. Ficticias, que no consumen recursos pero si indica una relacin
de precedencia
1 2
2
A
B
1 3
C
4 2
A
A B
1 2 3
2
A
B D
3 5 4
C
102
Actividades Ficticias
Diferentes Circunstancias:
1. A y B preceden a C
A D
1 3 5
B C
2 4 6
3. A precede a B,
CyD o B, C y D preceden a E
3
B
A C E
1 2 5 6
D
4
Ej 1;
Sucesos ficticios
Actividades
Ficticias
103
Ej 2; AyB preceden a C
B precede a D
A C A C
B D
B D
Suceso ficticio
Reglas de Construccin de una Red PERT
Regla 1: TODA RED PERT/CPM DEBE TENER UNO NODO DE INICIO Y UN NODO
DE FINALIZACIN.
104
9 Cuando dos o ms actividades tengan algunas precedentes
comunes pero no todas.
2. Red PERT
0 4 3 5 0
Ini A C E Fi
i
105
Tiempos ptimos y tiempos de control
106
Denotacin
ES EF
LS LF
Ej. Retomando el Modelo Red anterior Calcular los Diferentes tipos de tiempos.
1. De Izquierda a Derecha
4 6
2
0+4=
0 0 0 4 B
7 12 12 12
4 7
0 4 3 5 0
Ini A C E Fi
i
D
4 5
107
2. de Derecha a Izquierda
4 6
5 7
2
0 0 0 4 B
7 12 12 12
0 0 4
4 7 7 12 12 12
0 4 3 5 0
4 7
Ini A C E Fin
i
D
4 5
11 12
En otras palabras, para lograr que el proyecto se realice pronto, las actividades de
la ruta crtica debern realizarse pronto. Por otra parte, si una actividad de la ruta
crtica se retrasa, el proyecto como un todo se retrasar en la misma cantidad.
108
Las actividades que no estn en la ruta crtica tienen una cierta cantidad de
holgura; es decir, pueden empezar ms tarde y permiten que el proyecto como un todo
se mantenga conforme a lo programado.
Cules son las preguntas que el PERT/CPM (Ruta Critica) contesta a los tomadores
de decisiones?
9 Cules son las fechas programadas de inicio y de terminacin para cada una
de las actividades especficas?
.
9 Qu actividades son crticas y deben terminarse exactamente como se
programaron para mantener el proyecto a tiempo?
H = LF EF
La ruta crtica entonces se encuentra como aquella ruta para la cual todas sus
actividades tienen holgura igual a cero.
Ej. Retomando el Modelo Red anterior calcular los diferentes tiempos de
Holgura y Cual sera entonces la Ruta Critica.
109
4 6
H=1
5 7
2
H=0
0 0 0 4 B 2
H=0 7 12 12 12
0 0 0 4 H=0
4 7 7 12 12 12
0 4 3 5 0
4 7
Ini A C E Fin
i H=0
D
4 5
H=7
11 12
110
Cmo crear un diagrama de GANTT
111
las tareas que se estn llevando a cabo atraviesan la lnea. Si la lnea est cubierta en
la parte izquierda, la tarea est demorada respecto de la planificacin del proyecto!
112
Unidad V
Teora de Decisiones
113
Teora de Decisiones
Introduccin
La teora de decisiones se ocupa de analizar como elige una persona aquella
accin que, de entre un conjunto de acciones posibles, le conduce al mejor resultado
dadas sus preferencias.
114
La toma de decisin es tambin un proceso durante el cual la persona debe
escoger entre dos o ms alternativas. Todos y cada uno de nosotros pasamos los das
y las horas de nuestra vida teniendo que tomar decisiones. Algunas decisiones tienen
una importancia relativa en el desarrollo de nuestra vida, mientras otras son
gravitantes en ella.
Con frecuencia se dice que las decisiones son algo as como el motor de los
negocios y en efecto, de la adecuada seleccin de alternativas depende en gran parte
el xito de cualquier organizacin. Una decisin puede variar en trascendencia y
connotacin.
Los factores que determinan la importancia de una decisin son el tamao del
compromiso, la flexibilidad e inflexibilidad de los planes, la certeza o la incertidumbre
de las metas, el grado hasta el cual se puede medir las variables.
9 Efectos Futuros: tiene que ver con la medida en que los compromisos
relacionados con la decisin afectarn el futuro. Una decisin que tiene una
influencia a largo plazo, puede ser considerada una decisin de alto nivel,
115
mientras que una decisin con efectos a corto plazo puede ser tomada a un
nivel muy inferior.
CATEGORAS CONSECUENCIAS
Certidumbre Deterministas
Riesgo Probabilsticas
Incertidumbre Desconocidas
Conflicto Influidas por un
oponente
116
Certeza: Se sabe con seguridad cules son los efectos de las acciones.
Riesgo: No se sabe qu ocurrir tomando determinadas decisiones, pero s se
sabe qu puede ocurrir y cul es la probabilidad de ello.
Incertidumbre estructurada: No se sabe qu ocurrir tomando determinadas
decisiones, pero s sabemos qu puede ocurrir de entre varias posibilidades.
Incertidumbre no estructurada: En este caso no se sabe qu puede ocurrir ni
tampoco qu probabilidades hay para cada posibilidad. Es cuando no se tiene
idea de qu puede pasar.
Los mtodos parten generalmente de que todas las alternativas son conocidas
o se pueden conocer. Los mtodos a disposicin son los siguientes:
1) Tcnicas de optimizacin bajo certeza: Asumen que todas las alternativas y todos
sus resultados son conocidos. El problema es calcular cul alternativa es la ptima
para una funcin objetivo dada.
A) Sistema de ecuaciones.
B) Programacin lineal.
C) Programacin entera.
D) Programacin dinmica.
E) Modelo de teora de colas.
F) Modelos de inventarios.
G) Anlisis de presupuestos de capital.
H) Anlisis de puntos de equilibrio.
117
parte del decisor. El grado al cual las alternativas satisfacen el factor de
decisin se pondera segn la importancia (o rango). La suma de los factores
ponderados se utiliza para comparar las alternativas.
5) Teora de los juegos: Es otro medio de analizar una decisin en una situacin de
competencia, de tal suerte que cuando una unidad de decisin (jugador) gana, la otra
pierde.
Componentes De La Decisin
1. Informacin: Estas se recogen tanto para los aspectos que estn a favor como
en contra del problema, con el fin de definir sus limitaciones.
118
En la Toma de Decisiones, se puede considerar un problema y llegar a una
conclusin vlida, significa que se han examinado todas las alternativas y que la
eleccin ha sido correcta. Uno de los enfoques ms competitivos de investigacin y
anlisis para la toma de las decisiones es la investigacin de operaciones. Puesto que
esta es una herramienta importante para la administracin de la produccin y las
operaciones.
1. Elaboracin de premisas.
2. Identificacin de alternativas.
3. Evaluacin de alternativas en trminos de la meta deseada.
4. Eleccin de una alternativa, es decir, tomar una decisin.
119
C. Regla maximax: Seleccionar la estrategia o alternativa que general
el pago ms alto de utilizada (max) si el estado del mundo ms
favorable (max) ocurre. Es una visin optimista.
120
Unidad VI
Simulacin
121
SIMULACIN
Introduccin
122
Ninguna de estas definiciones incluye todos requisitos fundamentales de esta,
como son, el uso de los modelos matemticos, las computadoras, los procesos
estadsticos o estocsticos, los casos las suposiciones y los cursos de accin
alternativos. La definicin ms general y amplia de esta: una tcnica cuantitativa que
utiliza un modelo matemtico computarizado para representar la toma real de
decisiones bajo condiciones de incertidumbre, con objeto de evaluar cursos
alternativos de accin con base en hechos y suposiciones.
123
Modelos de Simulacin
Bajo el nombre de mtodo Monte Carlo o simulacin monte Carlo se agrupa una
serie de procedimientos que analiza distribuciones usando simulacin de nmeros
aleatorios.
El mtodo fue llamado as por el principado de Mnaco por ser La Capital del
Juego de Azar, al tomar una ruleta como un generador simple de nmeros aleatorios.
El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan
aproximadamente de 1944 con el desarrollo de la computadora.
El uso real del mtodo Monte Carlo como una herramienta de investigacin
proviene del trabajo de la bomba atmica durante la 2da. Guerra mundial.
124
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la
generacin de nmeros aleatorios por el mtodo de transformacin inversa, el cual se
basa en las distribuciones acumuladas de frecuencias:
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o se tengan relaciones entre variables es la
siguiente:
125
Caso Prctico #1
.450
Demanda .400
.400
.350
.300
Frecuencua
.250
.200 .200
.200
.150
.100 .100
.100
.050
.000
Unidades
126
Se apreciara mejor en el grafico siguiente, trazando una recta desde el eje de la
frecuencia hasta que intersecta con la lnea de la funcin acumulada, luego se baja la
coordenada de unidades y se obtiene el valor correspondiente; en este caso es 48.
127
6.3 Generacin de Nmeros Aleatorios
9 Uniformemente distribuidos.
9 Estadsticamente independientes.
9 Reproducibles.
9 Sin repeticin dentro de una longitud determinada.
Xn+1 = (R Xn + S)% N
X n+1 = (25173Xn + 138499) % 65536
Genera una sucesin de nmeros entre 0 y 65535, donde X0 se le conoce como
la semilla del generador de nmeros pseudoaletorios. Y a este mecanismo se le
conoce como Generador Lineal Congruente.
128
9 Con una seleccin correcta de R, S y N este periodo se puede llevar a su
mximo, es decir, N.
LSB son menos aleatorios que los MSB; N * rand()/32768.0 ms eficiente que
rand()%N.
Xn+1 = (R Xn) % N
R = 75 = 16807
N = 231 -1 = 2147483647 (primo)
129
Construir un Generador Estndar Mnimo en Matlab y graficar los primeros N
valores. Se creara dos funciones: stdseed y stdrand.
FASE INICIAL:
1. Se rellena el vector con el generador, 32 elementos, valor propuesto por Bays y
Durham.
2. Se genera el 1 ndice
130
FASE GENERACION:
1. Se selecciona nmero, en el cual se debe escalar el valor contenido en el ndice
entre 1 y N
131
4. Se retorna como nmero generado el valor contenido en el ndice.
En resumen:
Mtodo De Congruencia Lineal: produce una secuencia de enteros X1, X2,... entre 0 y
m-1 de acuerdo a la siguiente relacin recursiva:
Donde:
X0 Es llamado semilla.
c Es el incremento.
m Es el mdulo.
R=X/m
Ejemplo: Utilice el mtodo de Congruencia Lineal para generar nmeros aleatorios con las
siguientes constantes:
132
La secuencia de Xi y subsecuentes Ri seran:
X0 = 27
R1 = 2/100 = 0.02
R2 = 77/100 = 0.77
Mtodo Del Cuadrado Medio: Comienza con un nmero inicial (semilla). Este nmero
es elevado al cuadrado. Se escogen los dgitos del medio de este nuevo nmero (segn los
dgitos que se deseen) y se colocan despus del punto decimal. Este nmero conforma el
primer nmero random.
Ejemplo: X0 = 5497
R1 = 0.2170
R2 = 0.7089
133
Bibliografa
6. BRONSON, R., Investigacin de Operaciones, Serie Schaum, Mc. Graw Hill, 1990.
14. DAVIS Y MCKEOWN. Mtodos cuantitativos para administracin, Editorial Mc. Graw
Hill.
134