Engineering">
Libro Investigacion de Operaciones Samuel Hidalgo Documento Final y Libro Completo
Libro Investigacion de Operaciones Samuel Hidalgo Documento Final y Libro Completo
Libro Investigacion de Operaciones Samuel Hidalgo Documento Final y Libro Completo
INVESTIGACIOÓN DE OPERACIONES
2
Índice
Prólogo 4
Introducción 6
Semblanza del autor 10
Capítulo I
Historia de la investigación de operaciones 12
Capítulo II
Programación lineal 73
Capítulo III 153
Modelos de redes
Capítulo IV 230
Programación no lineal
Capítulo V 323
Modelos de inventarios
Capítulo VI 394
Líneas de espera
3
Prólogo
Hoy día en el mundo empresarial, la toma de decisiones debe ser racional, eficiente y
eficaz en virtud de que las empresas se desarrollan en un mercado global y de
competencia perfecta, en el que la aplicación de la ciencia, la tecnología y la
innovación son parte fundamental para su desarrollo. Por ello se demanda de la
aplicación de metodologías de alto impacto en la solución de sus problemas.
La base fundamental para fortalecer este proceso, es la aplicación del método
científico, un ejemplo práctico de ello es la aplicación de la Investigación de
Operaciones, la aplicación de esta área del conocimiento permite dar claridad y
certeza en la solución de problemas en cualquier sistema en análisis, además de dar
claridad y certidumbre en el diseño, manejo y solución de problemas, así contribuir a
tener control del sistema que se interviene y disminuir la leyenda de que “ si el modelo
usado en la solución de un problema no se ajusta a la realidad, peor para la realidad”.
Por ello en este proceso de optimación, en el que se busca hacer más con
menos haciendo uso de la optimización de recursos escasos usados para la
producción de bienes y/o servicios, buscando obtenerlos con el menor costo, menor
precio de venta, con el más alto nivel de calidad y por ello ofrecerlos al mercado con
el más alto nivel de servicio, esto permitirá obtener altos niveles de productividad y
por tanto generación de riqueza para el sector empresarial en el que se aplique
plenamente la Investigación de Operaciones, así como posicionar a las organizaciones
como de clase mundial.
Para atender el proceso de solución de problemas haciendo uso de modelos
cualitativos en las empresas públicas y privadas productoras de bienes y servicios.
El libro Investigación de Operaciones: un proyecto sustentado en el arte y
la ciencia de las matemáticas aplicadas de la autoría del Profesor. Dr. Samuel de
Jesús Hidalgo Orellana, es un excelente apoyo para dar solución de problemas
empresariales en las diferentes áreas funcionales de la organización, atendiendo
problemas en el que sus soluciones pueden ser fraccionales, enteras o bien en las que
se aceptan estas con una parte entera y otra fraccional. Así mismo se presentan
algoritmos estratégicos para la solución de problemas de logística como la
distribución de productos, determinación de rutas óptimas, de asignación de recursos
escasos, de inventarios, de líneas de espera. Así como problemas en los que su función
objetivo y restricciones tienen un comportamiento no lineal.
4
El libro Investigación de Operaciones: un proyecto sustentado en el arte y
la ciencia de las matemáticas aplicadas. Está estructurado en 6 apartados descritos
como: Capítulo.1. Historia de la Investigación de Operaciones, Capítulo.2.
Programación Lineal, Capítulo. 3. Análisis de Redes, Capítulo.4. Programación no
Lineal, CAp.5. Modelos de Inventarios, Cap.6. Líneas de Espera.
Nunca es posible agotar un área del conocimiento, en este libro el Dr. Hidalgo
hace un pequeño esfuerzo al presentar algunas técnicas de la Investigación de
Operaciones, que permitan facilitar el análisis y obtención de soluciones óptimas en
diversos problemas empresariales, en los que es posible hacer aplicaciones de esta
área del conocimiento buscando que dichas soluciones sean eficientes y eficaces.
El presente libro es un material de gran valía para estudiantes de las área de
Ingeniería Industrial, Ingeniería en Sistemas Computacionales, Ingeniería en Gestión
Empresarial y la Licenciatura en Administración, así como para empresarios
dispuestos a cambiar y buscar él como aplicar mejores metodologías que vayan más
allá de la simple experiencia, estas les permitirán correr en tiempo real 𝒏𝒏 escenarios
que orienten los esfuerzos para que el gerente tome decisiones eficientes y eficaces.
Con la esperanza de siempre de que este trabajo sea de utilidad en el medio
académico y empresarial y lectura formativa, para su construcción y formación de
seres humanos más felices que orienten sus esfuerzos al diseño de un mundo más
igualitario, equitativo y mejor que permita un uso racional y óptimo de sus recursos.
5
Introducción
Aprender el arte y la ciencia de la investigación de operaciones, requiere de un gran
esfuerzo, de liderazgo académico, de conocimientos profundos sobre el campo en
particular, de establecer en el aula métodos del aprendizaje cooperativo entre
estudiantes y entre estudiantes y el profesor, entre otros aspectos relevantes.
Hay un nuevo paradigma nuevo en el sistema de educación superior: los
conocimientos deben ser construidos entre los estudiantes y el profesor, el alumno
debe ser constructor, descubridor y transformador activo de su propio conocimiento;
los profesores deben ser capaces de desarrollar las capacidades y talentos de los
estudiantes, deben fomentar las relaciones personales entre estudiantes y entre
estudiantes y el profesor.
La enseñanza es compleja y requiere de una capacitación considerable.
Somos responsables de preparar a los estudiantes para triunfar en el campo
laboral, académico o de investigación, enseñarles tanto las habilidades humanas
como el contenido de las materias o asignaturas.
Hoy en día, dotar a los estudiantes solamente de conocimientos curriculares
(es decir, habilidades cuantitativas), ya no es suficiente. Los estudiantes deben exigir
que se les enseñen las habilidades que necesitan en el campo laboral.
Transcurrido casi un año, sale a la luz este libro de texto, fruto de muchas horas
de trabajo, de consultar decenas de artículos, libros, páginas de la red internet,
manuales, apuntes, software especializado, que en la mayoría de los casos está escrito
en inglés.
Esta obra es única, no existe otra igual, pero, es fruto de los conocimientos y
experiencias de muchas personas que se han dedicado a lo largo de toda su vida a
cultivar y profundizar en algunos campos de la investigación de operaciones. A todos
ellos se le ha dado el crédito correspondiente mediante las citas de su obra y en las
referencias bibliográficas seleccionadas que se indican al final de cada capítulo de
este libro.
Los programas Maple, Matlab, Mathematica, Lindo, Lingo, Excel y Geogebra,
fueron de gran utilidad para resolver la gran mayoría de los problemas contenidos en
este libro. Se utilizó el programa Geogebra para diseñar la región de factibilidad de
los problemas de dos variables de los modelos de programación lineal, el programa
Maple fue una valiosa herramienta en todos los capítulos, pero principalmente en los
6
modelos más complejos que requerían desarrollos más elaborados como en los
modelos de programación no lineal, en los modelos de inventarios y en modelos
estocásticos de líneas de espera. Los programas Lindo y Lingo fueron útiles para
resolver algunos problemas de programación lineal, y para modelos de redes, en
especial para los casos de modelos de transporte, asignación, ruta crítica y algunos
modelos de la ruta más corta, principalmente. El programa Excel, y su complemento
Solver, fue de gran utilidad para analizar modelos de programación lineal y para
analizar las distintas iteraciones del algoritmo simplex para modelos de pequeña y
mediana instancia.
El libro consta de seis partes, la primera parte es una línea del tiempo sobre el
origen y desarrollo de la investigación de operaciones. Saúl Gass, entrañable pionero
en el campo de la investigación de operaciones, elaboró, en conjunto con Assad parte
de la historia de la investigación de operaciones, desde sus inicios, hasta el año 2010.
Antes de su fallecimiento, Saúl Gass y Assad A, desarrollaron estudios mucho más
profundos sobre la historia de este campo tan maravilloso. El crédito principal es de
ellos en la primera parte de este libro.
La segunda parte, contempla el tema de la programación lineal, se desarrolla
parte de la teoría necesaria para el entendimiento del tema, se muestran las
diferentes soluciones geométricas para problemas de dos variables. Para resolver y
analizar los modelos y problemas se utilizaron distintos programas de cómputo. El
tema de programación lineal presenta modelos y procedimientos específicos de
solución, tales como el método gráfico, el algebraico, y mediante algoritmos
especializados como el algoritmo simplex y sus variantes como el algoritmo simplex
de penalización. Al final del capítulo se presentan problemas resueltos y propuestos
que permitirán al alumno aprender y poder demostrar lo aprendido mediante la
resolución de los casos sugeridos.
En la tercera parte se abordan algunos casos especiales de la teoría de redes,
entre ellos el problema de transporte, el problema de asignación, el caso especial del
problema de transporte llamado el problema de transbordo, el problema de la ruta
más corta, y problemas de las redes Pert-Cpm o método de la ruta crítica. En este
apartado se utilizan Excel, Maple, Lindo y Lingo. En cada caso, se presentan problemas
resueltos y propuestos para que el estudiante logre los objetivos educacionales y los
aprendizajes del tema. De igual forma, al final de cada subtema se proponen un
conjunto de ejercicios para que sean desarrollados y resueltos por parte de los
alumnos.
La cuarta parte se dedica al estudio la programación no lineal. Se inicia con los
conceptos básicos y clave del tema, para posteriormente presentar algunas
aplicaciones prácticas con modelos no lineales. El concepto de funciones convexas y
7
cóncavas se introduce en esta unidad debido a la importancia que reviste el tema para
comprender la optimización no lineal. Varios métodos de solución se tocan en esta
sección: el método de búsqueda restringida, el método de la sección oro, el método
de interpolación cuadrática y el método de Newton Raphson para modelos de una
variable. Con la finalidad de mostrar la importancia que reviste el cálculo diferencial
en el modelado y solución de problemas de optimización no lineal, se introduce el
tema de máximos y mínimos y puntos de inflexión para problemas de una y dos
variables. Finalmente, el capítulo concluye con el tema de modelos de programación
no lineal restringidos. Para este último tema, se utiliza el concepto de multiplicadores
de Lagrange. Se utiliza el programa Maple para resolver la mayoría de los ejemplos
numéricos indicados en el libro.
La sección quinta corresponde a los modelos de inventarios. Esta sección inicia
con los conceptos más importantes del tema, dando paso a la definición y desarrollo
de las variables y expresiones necesarias para el contenido. Se utiliza el programa
Maple para obtener, en todos los casos, los modelos básicos de inventarios, tales
como: la cantidad óptima de pedido o modelo EOQ, el modelo de inventarios cuando
se permiten faltantes, el modelo de inventarios para lotes de producción de un solo
producto, y el modelo de inventarios cuando existe escasez y se permiten faltantes.
Con la finalidad de cubrir los temas del programa, se utilizó bibliografía adecuada
para el tema.
En el capítulo seis tratamos una serie de modelos de colas elementales. Se
presta atención a los métodos de análisis de estos modelos, así como a las aplicaciones
de los modelos de colas mediante un conjunto de problemas numéricos.
En la primera parte del tema se discuten una serie de conceptos básicos sobre
la teoría de colas, una breve historia del tema. Posteriormente se aborda el modelo
de colas relevante y más simple, y su versión multiservidor se trata en las siguientes
secciones de este capítulo. De igual forma se muestran algunas variaciones en los
modelos de líneas de espera con determinadas características como el modelo de
líneas de espera de perdida. En cada sección se resuelve un ejemplo numérico por lo
menos. El texto contiene una gran cantidad limitada de ejercicios y se insta al lector a
probar estos ejercicios utilizando programas como Maple, Matlab, Mathematica,
Excel, entre otros.
Deseo recalcar un asunto importante: la investigación de operaciones es tan
basta y amplia que se requieren varios años para poder dominar algunas de sus
ramas, mencionaré algunas para colocar en su debido contexto a esta disciplina.
Programación lineal, programación lineal entera, programación no lineal,
programación multiobjetivo, programación dinámica, teoría de redes, programación
por metas, líneas de espera, inventarios, series de tiempo, cadenas de markov, teoría
8
de decisiones, entre otras. De igual forma, para lograr el aprendizaje de cada una de
ellas, es necesario dominar los conceptos del álgebra lineal, del cálculo diferencial e
integral, de la teoría de la probabilidad, de la teoría general de sistemas, etc. Además
de poseer habilidad para construir y elaborar modelos formales o matemáticos que
permitan abstraer la esencia del problema.
En la actualidad, no se concibe la enseñanza de la investigación de operaciones
sin el uso de la computadora. En el mercado existe una gama amplia de programas de
propósito general que ayudan a resolver muchos de los problemas que se modelan.
Algunos de los programas son: Matlab, Maple, Mathematica, Lindo, Lingo, Julia, Excel,
Gams, entre muchos.
Finalmente, mi agradecimiento sincero a la institución, al centro de trabajo
donde cada día me complace ayudar a muchos de mis alumnos a aprender las técnicas
de la investigación de operaciones. Mi reconocimiento y gratitud al Instituto
Tecnológico de Ensenada por darme esta gran oportunidad de contribuir a
engrandecer y a desarrollar al Tecnológico Nacional de México.
9
Semblanza del autor
10
Sus publicaciones especializadas están sustentadas en el campo de la
investigación de operaciones usando herramientas y programas especializados como
proyecto sustentado en el arte y la ciencia de las matemáticas aplicadas.
11
Capítulo I
Historia de la investigación de
operaciones
I. Una perspectiva histórica de la evolución de la Investigación de Operaciones
12
I. Una perspectiva histórica de la evolución de la Investigación de
Operaciones.
13
«Soy consciente de que la actual visión de esta disciplina no
se considera como una ciencia en la opinión de muchos
académicos y profesionistas. A mi juicio, sin embargo, creo
que la investigación de operaciones ha tenido una
evolución, un crecimiento inicial y un desarrollo que se
debe a la formación y conocimientos de los científicos
durante la Segunda Guerra Mundial. La fuerza propulsora
fue su clásica formación científica y su visión clarividente
de cómo las nuevas ideas de la investigación de
operaciones como una ciencia aplicada que podría hacer
una diferencia en el mundo real de la toma
de decisiones humanas»
14
Como cualquier campo científico, la investigación de operaciones tiene su propia
pre-historia e historia, compuesta de una serie de hechos, personas, ideas y métodos
que han contribuido al estudio de la toma de decisiones, incluso antes del nacimiento
oficial de esta rama de la ciencia.
15
II. Los precursores de la Investigación de Operaciones (1564-1873)
Describe cómo calcular el valor esperado de una apuesta. En su carta del 29 de julio
de 1654 a Pierre de Fermat, Pascal utilizó la idea clave de la igualación del valor del
juego a su esperanza matemática, calculada como la probabilidad de una victoria
multiplicada por la ganancia de la apuesta.
Él utilizó los datos de las facturas de mortalidad para calcular las probabilidades
empíricas para eventos tales como la peste, la muerte y las tasas de mortalidad por
enfermedades diferentes.
Al igual que con la mayoría de los campos de la ciencia, muchas ciencias has sido
influenciadas por la obra de Sir Isaac Newton. En particular, dos de los fundamentales
descubrimientos matemáticos de Newton se destacan: la búsqueda de las raíces de
una ecuación y las condiciones de primer orden.
Jakob Bernoulli I demostró lo que ahora se conoce como la ley de Bernoulli de los
grandes números. Mostró cómo medir la proximidad, en términos de una declaración
de probabilidad, entre la media de una muestra aleatoria y la media verdadera
desconocida de la población a medida que aumenta el tamaño de muestra.
16
1715 Series de Taylor
A principios del siglo XVIII, los matemáticos se dieron cuenta de que las expansiones
de diversas funciones trascendentes elementales son casos especiales de la serie
general que hoy se conoce como Serie de Taylor.
Las tres ediciones de este libro clásico de Abraham de Moivre muestran el curso de la
teoría de la probabilidad desde 1718 hasta 1756. El libro consta de una introducción
con los teoremas elementales de la probabilidad, seguido de una colección de
problemas.
El reverendo propuso una regla (fórmula) para estimar una probabilidad p mediante
la combinación de un conocimiento a priori de p con la información contenida en un
número finito de n ensayos independientes.
17
1788 Multiplicadores de Lagrange (Joseph-Louis de Lagrange)
1795 Método de los Mínimos Cuadrados (Carl Friedrich Gauss y Adrien Marie
Legendre)
18
1833 Máquina Analítica (Charles Babbage)
El matemático francés era conocido por su «Ley de los grandes números» que contaba
la proporción de éxitos en dichas secuencias, cuando la probabilidad p puede variar
de un ensayo a otro. Hoy en día, el nombre de Poisson es más fácilmente asociados
con la aproximación a la distribución binomial que cuenta el número de éxitos en n
ensayos independientes de Bernoulli con la misma probabilidad p.
El físico alemán, descubre dos famosas leyes que describen el flujo de la electricidad
a través de una red de cables. Las Leyes de Kirchhoff, la conservación de flujo en un
nodo (en un circuito eléctrico, las corrientes que entran en una unión deben ser
iguales a las corrientes que salen de la unión), y la ley de voltajes (alrededor de
cualquier trayectoria cerrada en un circuito eléctrico la suma algebraica de las
diferencias de voltaje es igual a cero), tienen una aplicación directa a las gráficas y
redes modernas.
19
1856 Ciclos Hamiltoniano
Dado un grafo de aristas y vértices, una trayectoria cerrada que recorre todos los
vértices de un grafo exactamente una vez, se llama un ciclo Hamiltoniano. ¿Cómo
encontrar ese ciclo es un importante problema en el análisis de redes?
20
III. Los precursores de la Investigación de Operaciones (1881-1935)
Más o menos coincidente con los estudios de tiempo Frederick W. Taylor fue el
desarrollo de estudio de movimientos de Frank B. Gilbreth.
21
del mercado de valores». Este trabajo contiene el primer tratamiento del movimiento
Browniano a los mercados de valores, ofreciendo tres diferentes caracterizaciones.
22
intente la solución del siguiente problema - dados tres puntos en un plano, encontrar un
cuarto punto tal que la suma de sus distancias a los tres puntos dados sea un mínimo»
El Teorema de Brouwer establece que, para ciertas condiciones sobre el dominio, una
función continua de un conjunto en sí mismo tiene al menos un punto fijo, es decir,
tiene al menos una solución a la ecuación 𝑓𝑓(𝑥𝑥) = 𝑥𝑥.
Podemos hacer la siguiente analogía del teorema con el mundo real. Tome una
taza de agua y revuelva el contenido con una cuchara, muy suavemente. Entonces deje
reposar el agua hasta que se detenga completamente. El movimiento suave de la
cuchara simula la acción de una función continua, mientras que el agua
definitivamente va de la taza en la taza. No importa cuánto se revuelva el agua, el
Teorema de Brouwer nos asegura que de entre todas las partículas de agua en la taza,
al menos una de ellas volverá a su posición original cuando termine el proceso. (Pérez,
2008).
F. W. Harris determinó la fórmula matemática para la cantidad óptima del pedido. Fue
la primera aplicación de métodos cuantitativos en el área de manejo de inventarios.
La fórmula EOQ determina la cantidad de pedido óptima, balanceando el costo de
retención anual y el costo anual de ordenar. (Anderson, Sweeney y Williams, 2011)
23
1915 Solución positiva de las ecuaciones lineales (E. Stiemke)
1921 Estrategias minimax para dos personas, juegos simétricos (Émili Borel)
Para dos personas, juego simétrico, de suma cero, Émile Borel definió el marco de la
teoría de juegos y el concepto de un “método de juego" (estrategia) como un código
que determina “para todas las circunstancias posibles... lo que la persona debe hacer."
Luego siguió una estrategia óptima y derivó las soluciones minimax para
juegos con tres o cinco estrategias posibles.
Si bien la declaración del Teorema del Límite Central (CLT) se remonta a Pierre-
Simon Laplace en 1810, la primera prueba rigurosa que se le dio fue en 1901 por el
matemático Ruso Alexander M. Liapanov, un estudiante de Pafnuty L. Chebyshev.
Dígitos aleatorios fueron generados de forma sistemática por vez primera por
Leonard H.C Tippett para confirmar los resultados de su artículo publicado en 1925.
Tippett muestreo al azar 5,000 observaciones extraídas con reemplazo de una bolsa
que contenía 1,000 tarjetas. Los números de las tarjetas seguían una distribución
normal. También utilizó 40,000 datos registradas en los censos británicos y los
combinó para obtener 10,000 números del 0000 a 9,999 de forma aleatoria.
24
1925 Métodos estadísticos para investigadores, Ronald A. Fisher, Oliver y
Boyd, Londres.
Este libro del célebre estadista inglés y genetista Ronald Aylmer Fisher cubre sus
actividades estadísticas en la Estación Experimental de Rothamsted para la
investigación agrícola.
Los grados o noción de creencia, que está vinculada con el tema que ahora se llama
probabilidad subjetiva, se remonta a las primeras investigaciones de Jakob Bernoulli
I (Ars Conjectandi, 1713), y fue proseguido por Émile Borel, John Venn, y John
Maynard Keynes, entre otros. Frank P. Ramsey cree que la única manera de medir los
grados de creencia es observar la conducta manifiesta que se manifiesta en la
elección. De este modo se ligan la probabilidad subjetiva con el concepto de utilidad
y elección explícita.
El estudio de las series de tiempo fue propuesto por el estadístico Británico George
Udny Yule y el economista y estadístico Ruso Eugene Slutsky. Se observa que, a partir
de una serie de números aleatorios, se pueden tomar sumas o diferencias de tales
números para producir nueva serie que presentan las propiedades cíclicas que
aparecen con frecuencia en la serie de tiempo.
Dos publicaciones de John von Neumann aparecieron en 1928 con la prueba minimax
para la matriz de dos personas con juego de suma cero. La primera fue una
comunicación a É. Borel, en la que von Neumann anunció que había resuelto el
problema de encontrar una estrategia óptima para dos personas en el juego de suma
cero.
25
1929 procedimiento de muestreo secuencial
Para una gran cantidad de unidades, (por ejemplo, las piezas fabricadas), el muestreo
implica la extracción de una muestra aleatoria y se acepte el lote si la muestra
contiene menos de un número determinado de unidades defectuosas. El muestreo
puede ser exhaustivo, por lo que todos los artículos son examinados, pero esto suele
ser muy costoso y consume mucho tiempo.
26
Electric como parte de una visión de toda la empresa para el aseguramiento de la
calidad basada en principios científicos.
27
símbolo de la moderna teoría de la probabilidad, que sustituye a todos los enfoques
anteriores. Una novedad importante ha sido el tratamiento de los procesos
estocásticos.
1935 Martingalas
1935 Matroides
Durante 1924 - 1926, Fisher desarrolló estos principios básicos del diseño
experimental como diseños factoriales, cuadrados latinos, técnicas de confusión y el
análisis de la covarianza. Fisher es considerado como el padre de la estadística
moderna.
28
IV. Una línea del tiempo de la investigación de operaciones (1936-1946)
Wassily W. Leontief (en 1973 el Premio Nobel de Economía), economista ruso, y que
se había incorporado recientemente a la facultad de la Universidad de Harvard, se
crea el campo de la economía interindustrial. Para una economía, los coeficientes
muestran la cantidad necesaria (entrada) que una industria necesita para producir
una unidad (salida) de cada uno de los sectores de la economía. Aunque la matriz de
Leontief asume linealidad (entrada y salida son proporcionales) y no dinámica, las
aplicaciones de interindustrial (input-output) en la economía para analizar el impacto
de la política económica de un gobierno y los cambios en la actividad de los
consumidores han demostrado ser de gran valor. Los coeficientes insumo producto
han sido utilizados por los Estados Unidos, por el Departamento de Estadísticas del
Trabajo, por el Banco Mundial y por las Naciones Unidas.
29
1936 Máquinas de Turing (Alan M. Turing)
David Hilbert hizo la pregunta: ¿Existe un procedimiento fijo capaz de decidir si una
afirmación matemática es verdadera para cada afirmación matemática que puede ser
formalmente establecida? Esta cuestión, llamado el problema de decisión
(Entscheidungs problem), atrajo la atención de Alan M. Turing en 1935, cuando era
un estudiante en King’s, College, Cambridge. En 1936, escribió el célebre documento
que responde a la pregunta en sentido negativo. En este artículo, Turing formaliza la
noción de computabilidad (acción de ser computable) e introduce la máquina de
Turing como un modelo para una máquina de computación universal.
Doscientos años después del trabajo pionero de Euler sobre el problema de los
puentes de Königsberg, el trabajo de Dénes König desarrolla un estudio completo
sobre la teoría de grafos estableciéndolo como subcampo de las matemáticas.
30
lineal. También propuso un procedimiento de cálculo (resolución de multiplicadores)
para resolverlo, y, además, señaló que estas estructuras matemáticas podrían ser
utilizadas para analizar los problemas en las refinerías de petróleo, en la utilización
de los tipos de combustible, en la distribución de la carga sobre una red, y en la
distribución óptima de la tierra arable para cultivos agrícolas diferentes.
Bajo la dirección del físico Patrick M.S. Blackett, un grupo multidisciplinario (tres
psicólogos, un físico general, dos físicos matemáticos, dos matemáticos, un astrofísico,
un oficial del ejército y un topógrafo) fue creado bajo el título formal de The Anti-
Aircraft Command Research Group, de la Royal Air Force, para estudiar el uso del radar
en artillería antiaérea. Conocido como el Circo de Blackett, estableció el concepto de
equipo multidisciplinario de investigación de operaciones, demostrando el valor y la
eficacia de estos equipos cuando se aplica a complejos problemas del mundo real.
31
solución de problemas general de la Investigación de Operaciones (ORG), con
ASWORG como uno de sus subgrupos.
«Search and Screening» por Bernard O. Koopman, fue la primera publicación para
describir un enfoque probabilístico basado en la asignación óptima para los esfuerzos
de búsqueda.
Tal como fue concebido por Robert G. Brown, el suavizamiento exponencial utiliza un
promedio ponderado de valores de series de tiempo pasadas como pronóstico.
La suavización exponencial es simple y tiene pocos requisitos. Por tanto, es un
enfoque económico y útil para empresas que hacen muchos pronósticos en cada
periodo. (Anderson, Sweeney y Williams, 2011).
32
(1738), con el término popularizado por Jeremy Bentham en 1789. La evolución del
concepto se puede encontrar también en Savage en 1954 y en las lecturas recogidas
por Page en 1968. John von Neumann y Oskar Morgenstern proporcionan el primer
tratamiento axiomático de la utilidad en la segunda edición de su obra clásica Theory
of Games and Economic Behavior.
Al término de la Segunda Guerra Mundial, era necesario contar con los servicios de
los científicos que podrían trabajar en la planificación militar y en los problemas
relacionados con el gobierno de los Estados Unidos. Con este fin, el gobierno
estableció el Proyecto RAND (Research and Development) en diciembre de 1945
debido a un contrato con la Douglas Aircraft Company.
33
Una solución, usando una calculadora de bolsillo requirió 120 días-persona de
esfuerzo, y se encontró con el costo óptimo de $ 39,69 dólares. Stigler en 1982 recibió
el premio Noble de Economía por sus estudios de las estructuras industriales, el
funcionamiento de los mercados y las causas y efectos de la regulación pública.
El método de Monte Carlo fue idea del matemático y físico teórico Stanislaw Ulam,
que reflexionaba y meditaba en él mientras jugaba solitario durante una enfermedad
en 1946.
34
V. Expansión de la investigación de operaciones (1947-1950)
El algoritmo comienza con una solución básica factible y luego busca en una
secuencia finita otras soluciones básicas factibles hasta que encuentra una que
satisfaga las condiciones de optimalidad. Desde entonces, otros métodos para la
solución de problemas de PL se han desarrollado, en particular el método de puntos
35
interiores, pero el método simplex es el caballo de batalla de la PL. El método simplex
fue elegido como uno de los diez algoritmos más importantes del siglo XX.
El trabajo de Charles Kittel (1947) es uno de los primeros documentos que trajeron
las ideas de la IO a la comunidad científica de los Estados Unidos. Como Kittel expreso:
«Se espera que la publicación de este documento sirva para estimular la creación de
grupos de investigación de operaciones en los Estados Unidos para el avance de
objetivos pacíficos». Esta nueva y poderosa herramienta debe encontrar un lugar en
el gobierno y la industria.
The National Coal Board of Great Britain, creada en 1948, estableció un grupo de
Investigación en el campo de la IO encabezado por Hugh Patrick Berwyn Rivett. Los
principales estudios realizados por este grupo incluían organización de las minas de
carbón, las comunicaciones y el transporte subterráneo, la distribución de carbón, y
el análisis de la mano de obra. El año 1948 también marcó la formación del British
Iron and Steel Industry Research Association (BISRA) con Sir Charles Goodeve como
director. BISRA empleaba la IO para hacer frente a los problemas de toda la industria
y también ayudó a las empresas más grandes de la industria para establecer su propio
grupo de IO.
En particular, Stafford Beer encabezó más de 70 grupos de profesionales de IO
para United Steel.
36
1948 Johns Hopkins U.S. Army Operations Research Office (ORO)
El Club de IO fue inaugurado en abril de 1948 en Londres con Sir Charles Goodeve
como su presidente. La génesis del Club fue la necesidad de formar un grupo de apoyo
mutuo para la introducción de la IO en la industria.
Cuando se tienen tres o más alternativas para que un cierto número de personas
elijan entre ellas (o establezcan un orden de prioridad entre ellas), no es posible
diseñar un sistema de elección que permita generalizar las preferencias de los
individuos hacia una “preferencia social” de toda la comunidad.
Arrow fue galardonado con el premio Nobel en 1972, compartido con John R.
Hicks, por sus contribuciones pioneras a la teoría general del equilibrio económico y
la teoría del bienestar.
37
1949 Extrapolación, interpolación y suavizado de series de tiempo
estacionarias (Norbert Wiener)
Este marco para la toma de decisiones se desarrolló en la década de 1950 y puede ser
visto como un precursor del moderno análisis de decisión.
38
1950 La primera revista (Journal) sobre Investigación de Operaciones
Bajo los auspicios de British OR Club, la primera revista académica de IO, The
Operational Research Quarterly, se publicó en marzo de 1950. En 1978, su nombre fue
cambiado a Journal the Operational Research Society.
Todo juego finito (es decir, finitos jugadores y finitas estrategias de cada jugador)
tiene al menos un equilibrio de Nash, aunque involucre ciertas probabilidades
objetivas de juego de las estrategias por parte de los jugadores (Monsalve, 2003).
Nash, junto con John C. Harsanyi y Reinhard Selten, recibió en 1994 el Premio
Nobel de Economía por sus análisis pioneros del equilibrio en la teoría de juegos no
cooperativos (Gass 2005).
39
VI. Desarrollo profesional de la investigación de operaciones: matemáticas y
algoritmos (1951-1956)
La mejor manera de combinar las gasolinas para la aviación de manera óptima, son
problemas básicos de las compañías petroleras. No fue sino hasta la década de 1940
y principios de 1950 cuando los economistas y matemáticos se unieron para aplicar
las nuevas ideas de la programación lineal y los procedimientos relacionados con las
matemáticas y la computación. Los métodos de optimización se han desarrollado con
éxito para los problemas de mezclas.
El algoritmo simplex general fue codificado por el National Bureau of Standards SEAC
digital computer, bajo los auspicios del proyecto SCOOP de la USAF. La primera
aplicación fue resolver un problema de programación que tratará con el despliegue y
mantenimiento de aviones de la Fuerza Aérea de los Estados Unidos.
40
1951 Se introducen las cadenas de Markov en los sistemas de análisis de líneas
de espera (colas)
Bajo el patrocinio conjunto del U.S. Department of the Air Force (proyecto SCOOP) y
the National Bureau of Standars, el Simposio sobre las Desigualdades Lineales y
Programación se llevó a cabo en Washington, DC, del 14 al 16 de junio, 1951.
A partir de una relación elemental entre los tiempos de espera de los 𝑛𝑛 y (𝑛𝑛 + 1)
clientes un modelo de cola general 𝐺𝐺𝐺𝐺/𝐺𝐺/1, Dennis V. Lindley demuestra que los
tiempos de espera tienen una distribución limitante. Él deriva una ecuación integral
del tipo Wiener-Hopf para esta distribución que lleva su nombre.
41
1952 Se establece MIT Committe on Operations Reseach (ORC)
42
funciones lineales de un parámetro. Estos problemas surgieron de aplicaciones
específicas y se investigaron de forma independiente por investigadores del Proyecto
SCOOP y de la Corporación RAND. Variaciones directas del método simplex aplicado
a este tipo de problemas producen soluciones que son óptimas para la gama de
parámetros asociados.
Como parte del proyecto SCOOP, la Fuerza Aérea de los Estados Unidos instala la
computadora UNIVAC I en abril de 1952. El código simplex fue escrito por el personal
staff de la Rama matemática de la Fuerza Aérea en la UNIVAC bajo la dirección de Emil
D. Schell.
1952 Se funda The Society for Industrial and Applied Mathematics (SIAM)
The Society for Industrial and Applied Mathematics tenía por objetivo el apoyar las
interacciones entre las matemáticas y otras comunidades científica y tecnológicas
para avanzar en la aplicación de las matemáticas y la ciencia computacional en la
ingeniería, la industria, la ciencia y la sociedad, promover investigaciones que
conducirán a la eficacia de los nuevos métodos matemáticos y computacionales y
técnicas para la ciencia, la ingeniería, la industria y la sociedad, y proporcionar los
medios para el intercambio de información e ideas entre los matemáticos, ingenieros,
y científicos. William E. Bradley, Jr. fue el primer presidente de SIAM.
43
recomendación de George B. Dantzig, Murray A. Geisler, que había trabajado con
Dantzig en SCOOP Project, fue seleccionado en 1954 para encabezar el programa de
investigación de The RAND logistics.
La notación utilizada para clasificar los sistemas de colas se debe a David G. Kendall.
La notación básica usa tres características principales de un sistema de colas: el
proceso de llegada, la distribución de tiempo de servicio y el número de servidores y
se escribe como 𝐴𝐴 / 𝑆𝑆 / 𝑐𝑐. Una cuarta y quinta letra se emplean a veces para indicar el
número máximo de clientes que pueden estar en la cola o en el servicio (𝐾𝐾) 𝑦𝑦 (𝑄𝑄)
como la disciplina de cola.
44
1953 La paradoja de Allais (Maurice Allais)
Allais ganó el Nobel de economía en 1988, cuando la Academia Real Sueca de las
Ciencias lo elogió por «hacer contribuciones pioneras a la teoría de los mercados y al
uso eficiente de recursos» CNN Expansión (2010).
En un artículo destacado, «Solución del problema del agente viajero de gran escala
(tamaño o instancia)» George B. Dantzing, D. Ray Fulkelson, y Selmer M. Johnson
demostraron la efectividad de los planos de corte. Alan J. Hoffman y Philip Wolfe
comentan sobre este artículo: «…una de las grandes aportaciones de todos los
tiempos para la optimización combinatoria»”. En este artículo se muestra cómo se
resuelve un problema de 49 ciudades del problema del agente viajero con una buena
solución. Bastaron solo 25 cortes para demostrar la optimalidad.
45
1954 Método Dual Simplex
En 1954 el trabajo sobre el problema del agente viajero (TSP) estudiado y presentado
por George B. Dantzig, Ford Lester, y Ray Fulkerson es considerado como la primera
obra para utilizar el enfoque de ramificación y acotamiento. El procedimiento de
ramificación y acotamiento es la base para resolver algunos problemas de
programación entera, incluyendo el problema del agente viajero.
Este premio, creado por the Operations Research Society (ORSA), se otorga cada año
al mejor artículo en investigación de operaciones al mejor reporte sobre un caso en
investigación de operaciones. Se entregó por primera vez a Leslie C. Edie por su
trabajo «Traffic delays at toll booths», Operations Research, 2, 2, 1954, 107-138. Desde
1954-1960, el premio fue patrocinado conjuntamente por ORSA y Johns Hopkins
University. El premio se otorga cada año por The Institute of Operations and the
Management Sciences (INFORMS) al mejor artículo o libro elaborado en inglés. Edie
fue el primer presidente de ORSA en 1972.
Fundada en el año de 1954, Washington, DC. CEIR fue una de las primeras empresas
que proporcionaba una amplia gama de servicios informáticos basada en consulta de
investigación de operaciones para clientes del gobierno y empresas comerciales. Era
el centro independiente de informática comercial, utilizaba una IBM 704 y
computadoras IBM 709 para analizar, entre otras aplicaciones, gran cantidad de
problemas de gran escala de problemas de programación lineal. Su presidente fue el
economista Herbert W. Robinson, y su personal de staff, que incluía a Harold
Fassberg, Saúl I. Gass, Hellerman Eli, Moshman Jack y William Orchard Hays.
Ward Edwards realiza un artículo donde muestra el estado del arte de la teoría de las
decisiones, realiza una revisión del estado de la técnica de la teoría de la decisión de
1930 a 1950.
46
Ha demostrado ser un invaluable trabajo documental en donde se puede valorar el
trabajo en el campo de la toma de decisiones posterior a la Segunda Guerra Mundial.
El problema estándar de programación lineal asume que todos los datos son
deterministas. En contraste, la programación estocástica, o programación bajo
incertidumbre, supone que los datos están sujetos a variaciones aleatorias. Los
primeros trabajos en la formulación y resolución de problemas se deben a G.B.
Dantzig y E.M.L Beale.
47
fundamentales: (1) la conservación del flujo y (2) una relación funcional entre el flujo
de tráfico y la densidad del tráfico. A partir de estos dos principios, se deriva la
relación entre la propagación de ondas en el flujo de tráfico y la cola causada por la
obstrucción de la circulación del tráfico. Esta teoría fundamental ha dado lugar a
numerosas aplicaciones y adaptaciones.
Los problemas de asignación y transporte se pueden resolver sin tener que recurrir
al método simplex. El método húngaro se basa en la teoría de grafos y matrices. Fue
desarrollado por los matemáticos húngaros, D. König y E. Egerváry, y se debe a Harold
W. Kuhn.
1955 El primer congreso internacional sobre el tráfico telefónico
48
1956 Programación cuadrática
Se tienen los nodos de una red, pero no las ligaduras. En su lugar se proporcionan las
ligaduras potenciales y la longitud positiva de cada una si se insertan en la red
(distancia, costo tiempo). Se desea diseñar la red con suficientes ligaduras para
satisfacer el requisito de que haya un camino entre cada par de nodos. El objetivo es
satisfacer este requisito de manera que se minimice la longitud total de las ligaduras
insertadas en la red. Hiller (2010).
Edsger W. Dijkstra publica el primer algoritmo eficiente, 𝑶𝑶𝒏𝒏𝟐𝟐 , para el problema del
camino más corto, en gráficos con 𝑛𝑛 nodos y costos no negativo en los arcos, así como
un algoritmo de solución para el problema. Según Dijkstra, su algoritmo del camino
más corto «sólo estaba diseñado para una demostración». El algoritmo pretendía
demostrar el poder de la computadora ARMAC en su inauguración oficial en
Ámsterdam en 1956. Durante el período de 1957-1962, se propusieron una serie de
algoritmos del camino más corto. Maurice Pollack y Walter Wiebenson dieron el
crédito del primer algoritmo a George J. Minty, que tenía una complejidad de 𝑂𝑂𝑛𝑛3 .
Otros enfoques incluyen los de Richard Bellman, George B. Dantzig, Lester R. Ford, Jr.,
y E.F. Moore.
La sociedad, SOFRO, fue fundada en enero de 1956, con Georges Guilbaud Teódulo
como su primer presidente. En 1964, se fusionó con SOFRO la Association du Droit de
l'Informatique et de traitement de 1'Information (AFCALTI) para convertirse en la
Association Française de l'Informatique et de la Recherche Opérationelle (AFIRO).
Ahora se llama the Association Francaise de Recherche et d'Aide Opérationelle la
décisión (ROADEF).
49
1956 Arbeitskreis Operational Research (AKOR)
1956 The Theory of Games and Linear Programming (La Teoría de Juegos y
Programación Lineal), Steven Vajda.
50
VII. El desarrollo de algoritmos, aplicaciones y algunas actividades
internacionales de la investigación de operaciones (1957-1963)
El QAP, definido por primera vez por T.C. Koopmans y M. Beckmann (1957), consiste
en asignar 𝑛𝑛 facilidades a 𝑛𝑛 lugares de tal forma que se minimice el costo total de
transporte de cierto artículo entre las facilidades. Ortega (1989)
51
1958 Programación entera y planos de corte
La industria aérea formó el grupo IFORS debido al interés especial en este campo y
en reconocimiento al valor de la investigación de operaciones (OR/MS, por sus siglas
en inglés). El simposio anual de AGIFORS documento las aplicaciones de la (OR/MS)
en la industria aérea.
52
1960 International Abstracts in Operations Research (IAOR)
Los árboles de decisión se utilizaban de forma regular en los cursos impartidos por
Howard Raiffa y Robert O. Schlaifer en Harvard Business School. Raiffa (2002) relata:
"Debido a que muchos de nuestros alumnos eran brillantes, pero poco sofisticados
matemáticamente, formulé la mayoría de los problemas en términos de árboles de
decisión, que se convirtieron en uso normal en los cursos.
Las ventajas de las ecuaciones de flujo de Little es que muestran las relaciones que
existen entre las características de operación𝐿𝐿, 𝐿𝐿𝑞𝑞 , 𝑊𝑊, 𝑊𝑊𝑞𝑞 L, en cualquier sistema de
línea de espera. Las llegadas y los tiempos de servicio no tienen que seguir una
distribución de probabilidad específica para que se puedan aplicar las ecuaciones de
flujo. Anderson, (2011)
En cualquier subasta, los licitadores tienen que navegar entre los peligros similares
de una oferta demasiado alta (y pagar más que el valor real que atribuyen al ítem) o
muy baja (de modo que el elemento se desplaza a otro postor).
53
1961 Industrial Dynamics (Dinámica industrial) Jay W. Forrester
A menudo es difícil tener un grupo o comité de expertos que tenga una visión de
consenso y que todos estén de acuerdo. El Método Delphi tiende a superar los
problemas de dinámica de grupos.
Propuesto por vez primera por Egon Balas, es unas técnicas especializada para
resolver problemas de programación línea entera en el que todas las variables se
limitan a ser binarias (0 o 1). Este procedimiento ha demostrado ser muy eficaz
computacionalmente
54
VIII. Publicaciones, métodos y aplicaciones de la investigación de operaciones
(1964-1978)
55
1966 Criminal Justice: President’s Crime Commission Science and Technology
Task Force
En los problemas de decisión multicriterio, una alternativa i se dice que supera a otra
alternativa j si se puede concluir que i es al menos tan buena como la j. Este concepto
está incorporado en los métodos ELECTRE desarrollados por Bernard Roy. Los
resultados de un análisis ELECTRE es una clasificación de las alternativas.
Originalmente fundada como The American Institute for Decision, the Decision
Science Institute es una asociación multidisciplinaria internacional dedicada a
fomentar el conocimiento y mejorar la enseñanza en todas las disciplinas de los
negocios y disciplinas afines.
En 1966, The Advanced Research Proyects (ARPA) reclutó a Lawrence G. Roberts del
MIT para liderar el desarrollo y la instalación del proyector de red de datos ARPA.
56
1970 Comienza la publicación de Interfaces
En 1970, Howard Frank, Ivan T. Frisch, y Richard Van Slyke formaron the Network
Analysis Corporation, una empresa consultora con experiencia en la solución de
problemas de redes. La compañía se convirtió en un centro para los investigadores
interesados en las aplicaciones de redes. La idea de tener una revista dedicada a redes
fue idea de Frank, Frisch, y David Rosenbaum. Frisch se desempeñó como editor en
jefe hasta 1978, junto con Frank T. Boesch y Daniel J. Kleitman como editores.
57
1972 Se establece el premio Franz Edelman Award for Management Sciece
Practice
Poco después de que oficialmente comenzó sus operaciones en 1973, Federal Express
estableció un departamento de IO que dependía directamente de Frederick W. Smith,
presidente.
58
1975 Algoritmos genéticos
Este premio, creado por la the Operationan Research Society en honor de Sir Charles
Goodeve, se otorga en reconocimiento a la contribución más destacada en la filosofía,
la teoría o la práctica de la investigación de operaciones publicada en las revistas de
la sociedad.
Robert Bland sugirió una regla que previene el ciclado. Se trata de una regla muy
sencilla, pero que restringe la elección de la variable de entrada y de la variable de
salida. Bazaraa (1997).
59
IX. Métodos, aplicaciones y tecnología de la investigación de operaciones
(1979-2004)
60
1980 Programación con restricciones
Los productos perecederos como los boletos de avión son inútiles si no se utilizan por
el tiempo de vuelo. La idea detrás de la gestión del rendimiento es, en base a los datos
de demandas pasadas y futuras, de forma dinámica cambiar los precios de los
productos perecederos a fin de maximizar los ingresos. Implementado por American
Airlines en la década de 1980, ha demostrado ser un procedimiento eficaz que
combina la IO y los procedimientos de la inteligencia artificial. El proceso ha sido
utilizado por otros proveedores de productos perecederos, tales como hoteles, líneas
de cruceros, y los ferrocarriles de pasajeros.
61
1981 Recocido simulado
62
1982 El arte y la ciencia de la negociación (Howard Raiffa)
A finales de la década de los años 70’s Howard Raiffa fruto de un ciclo de conferencias
H. Rowan Gaither en Ciencia de los Sistemas, impartidas en 1980 en la Universidad
de California en Berkeley, elabora este libro dedicado a la memoria de uno de los
fundadores y primer presidente del Consejo de Administración, de la RAND
Corporation. Raiffa (1996).
John J. Hopfield introdujo una red neuronal conocida desde entonces como red de
Hopfield, y entre sus méritos se encuentra el haber promocionado el resurgimiento
del estudio de las redes neuronales artificiales. La red en cuestión es capaz de resolver
problemas de optimización. Lahoz (2004).
63
1984 What’s Best: Takes Your Spreadsheet Beyond «What If» (¿Qué es mejor?):
Este premio, creado por the Canadian Operational Reseach Society (CORS), se otorga
cada año a una persona que ha alcanzado la distinción internacional en IO. El primer
ganador fue Robert E. (Gene) D. Woolsey. Harold Larnder era un canadiense que
trabajaba en Gran Bretaña en the Bawdsey Manor Research antes y durante la
Segunda Guerra Mundial. Se le considera un co-desarrollador del radar, y ayudó a
convertirlo en un sistema eficaz de la defensa aérea durante la Batalla de Inglaterra.
Fue Presidente de CORS en 1966-1967.
64
1988 An Introduction to Queueing Networks, Jean Walrand
Este texto fue uno de los primeros dedicados enteramente al tema de las redes de
líneas de espera. Sus numerosos ejemplos ilustran el uso de redes de líneas de espera
para modelar sistemas informáticos, redes de comunicación, y las operaciones de
fabricación. Walrand recibió el premio Lanchester en 1989 por este libro.
The U.S. Military Airlift Command (MAC), mediante el análisis y las técnicas de la
investigación de operaciones planificó y programó las tripulaciones y cargas de
vuelos, moviendo 155,000 toneladas de equipo y 164,000 personas a Arabia Saudita
en 75 días. El puente aéreo continuó durante las operaciones Escudo del Desierto.
Para el final de la Guerra del Golfo Pérsico, se usó una nueva herramienta de
planificación de transporte aéreo, programando más de 11,500 misiones y
transportando a más de 350,000 pasajeros. Durante la primera etapa de 40 días de la
Guerra del Golfo Pérsico, los analistas usaron la metodología de la investigación de
operaciones para ayudar en la planificación y programación de más de 100,000
salidas.
65
metodologías han sido desarrolladas y la velocidad de la computadora y su capacidad
han crecido, muchos de los problemas financieros más amplios y más complejos han
sido objeto de competencia por parte de los profesionales de la IO. Es difícil situar
este campo (ingeniería financiera, mercados financieros) en la posición correcta en la
línea de tiempo, pero el año elegido marca un momento que seguramente fue
reconocido como importantes para la resolución de los problemas que se derivan del
área conocida como la ingeniería financiera / mercados financieros. Además del
análisis de la cartera, los problemas de interés como: precios derivados, tácticas de
negociación, decisiones de financiación, problemas estratégicos, problemas
regulatorios y legales. Entonces, la programación matemática y las técnicas de
simulación de Monte Carlo son las herramientas principales de la IO, junto con la
teoría de juegos, el análisis de redes, los árboles de decisión, el control de inventario,
y las cadenas de Markov donde se encontrarán las aplicaciones correspondientes.
El Premio ORSA, ahora Premio INFORMS se otorga a las empresas que de forma
efectiva han integrado la investigación de operaciones en sus procesos de toma de
decisiones organizacionales. Los primeros ganadores fueron American Airlines y
Federal Express.
Este sistema basado en la red Internet fue iniciado por Argonne National Laboratory
y Northwestern University, con el objetivo de conectar a los usuarios por medio la
tecnología de optimización y proporcionarles la información y la formulación de un
problema de software. NEOS está organizado en tres partes: (1) NEOS Herramientas
- Una biblioteca de software de optimización de libre disposición escrito por los
investigadores en el proyecto NEOS, (2) NEOS -Guía -Una colección de material
informativo y educativo sobre la optimización, incluyendo una guía de software de
optimización , descripciones de algoritmos, estudios de casos de aplicación,
preguntas más frecuentes para la programación lineal y no lineal, y una colección de
problemas de prueba, así como los informes técnicos, (3) NEOS servidor - un centro
para la resolución de problemas de optimización de forma remota a través de
Internet. Cuenta con una liga electrónica en: www.neos-server.org
Desde 1974, las dos principales asociaciones profesionales en los Estados Unidos
(ORSA y TIMS) que desarrollaron esfuerzos en la investigación de operaciones a
partir de los inicios de la Segunda Guerra Mundial, se fusionan para formar the
Instituto of Operations Research and Management Science, patrocinando
66
conjuntamente actividades y reuniones nacionales, así como para la publicación de
algunas revistas.
INFORMS en línea fue establecido inicialmente en la web de Jim Bean y Mohan Sodhi
como medio de transmisión y recolección de información sobre INFORMS y la
investigación de operaciones por y para sus miembros. Su primer director fue Michael
Trick.
Hoy en día la población estudiantil the Naval Post Graduate School ha crecido hasta
1800 alumnos, con estudiantes procedentes de todas las ramas de U.S. defense
community, así como los de Coast Guard, The National Oceanic and Atmospheric
Administration, y los servicios de más de 25 naciones socias.
A través de los años, esta institución ha sido una fuerza motriz en la educación y
la formación de oficiales militares en el análisis de la investigación de operaciones.
67
X. Los primeros programas universitarios en investigación de operaciones
68
En 1947, Case formó un departamento de administración ingenieril e
introdujo el grado de pasante en administración ingenieril. Subsecuentemente en
1941 se comenzó un programa de maestría en administración ingenieril, y en 1953,
se inició el programa de doctorado en la misma. Durante este periodo, el programa
de educación en administración evolucionó de un grado de pasante en ingeniería con
opción a administración ingenieril a incluir también una licenciatura en
administración ingenieril con una opción en ingeniería.
69
ingeniería -mecánica, industrial, y química-, mercadotecnia, e investigación de
operaciones.
Alrededor de seis a ocho proyectos eran llevados en todo momento, con los
académicos, asistentes graduados, y personal de las compañías conformando los
equipos de proyecto. Los objetivos de cada equipo eran: (1) resolver un problema
organizacional en particular, (2) introducir la filosofía, métodos y técnicas de la
investigación de operaciones dentro de la organización, y (3) acrecentar la
metodología de este campo y por lo tanto expandir las aplicaciones potenciales de la
creciente disciplina de la investigación de operaciones.
Patrocinador.
Mejoramiento del
desempeño.
Desarrollo de curriculum
Desarrollo de los
estudiantes
Cursos y Maestrías y
Doctorados, Tesis.
Figura 1: En los años 50’s, el grupo del Instituto Case de Investigación de Operaciones condujo proyectos
de investigación con equipos formados por miembros de la facultad, estudiantes graduados, y personal
de las compañías, cada uno de los cuales lograba diferentes objetivos.
El Instituto Case, utilizó los fondos generados por los proyectos para financiar
a los Académicos y los asistentes graduados de investigación. Los representantes de
los equipos proporcionaban asesoramiento administrativo al Comité de
patrocinadores presentando regularmente reportes orales y escritos acerca de los
resultados y el status de los proyectos.
70
mejoramiento de la solución del problema, para la toma de decisiones
organizacionales. Los proyectos de IO, les proporcionaron los conceptos para
desarrollar y probar métodos y técnicas para una útil administración de la solución
de problemas. La actividad de los equipos originó mejoras en el desempeño de las
compañías patrocinadoras, publicaciones de los académicos, desarrollo del
currículum y un incremento del aprendizaje de los estudiantes, con base a la
experiencia.
71
XI. Bibliografía
72
Capítulo II
Programación lineal
73
De acuerdo a Sierksma y Zwols (2017), en la literatura actual existen un gran rango
de definiciones sobre la optimización lineal como rama de la investigación de
operaciones. En general todas ellas consisten en una función objetivo con un conjunto
de restricciones.
Donde 𝑐𝑐1 𝑥𝑥1 + 𝑐𝑐2 𝑥𝑥2 + ⋯ + 𝑐𝑐𝑛𝑛 𝑥𝑥𝑛𝑛 es la función objetivo (o función criterio) a
minimizar y se denota por la letra 𝑍𝑍. Los coeficientes 𝑐𝑐1 , 𝑐𝑐2 , … , 𝑐𝑐𝑛𝑛 son los coeficientes
de costos (conocidos) y 𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 son las variables de decisión (variables, variables
estructurales, o niveles de actividad) a determinar. Las desigualdades ∑𝑛𝑛𝑗𝑗=1 𝑎𝑎𝑖𝑖𝑖𝑖 𝑥𝑥𝑗𝑗 ≥ 𝑏𝑏𝑖𝑖
denotan la 𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 restricción (o restricción o funcional, estructural
o restricción tecnológica). Los coeficientes 𝑎𝑎𝑖𝑖𝑖𝑖 para 𝑖𝑖 = 1,2, … , 𝑚𝑚, 𝑗𝑗 =
,2, … , 𝑛𝑛 son llamados coeficientes tecnológicos. Estos coeficientes tecnológicos la
matriz de restricciones A.
𝑎𝑎11 … 𝑎𝑎1𝑛𝑛
𝑨𝑨 = � . … . �
𝑎𝑎𝑚𝑚1 … 𝑎𝑎𝑚𝑚𝑚𝑚
El vector columna cuya 𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 componente es 𝑏𝑏𝑖𝑖 , se refiere al vector del lado
derecho, representan los mínimos requerimientos a satisfacer. Las restricciones
𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 ≥ 0
Son las restricciones de no negatividad. Un conjunto de variables 𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 que
satisfacen todas las restricciones es llamado un punto factible o un vector factible. El
conjunto de todos estos puntos constituye la región factible o el espacio factible.
Usando la terminología citada, el problema de programación lineal puede plantearse
se la siguiente forma: entre todos los vectores factibles, encontrar uno que minimice
(o maximice) la función objetivo.
74
Usando el signo de sumatoria “ ∑ ” , el problema puede reescribirse como:
𝑛𝑛
Sujeto a
𝑛𝑛
𝑪𝑪 = [𝑐𝑐1 … 𝑐𝑐𝑛𝑛 ]𝑇𝑇 ∈ 𝑅𝑅𝑛𝑛 , 𝒃𝒃 = [𝑏𝑏1 … 𝑏𝑏𝑚𝑚 ]𝑇𝑇 ∈ 𝑅𝑅𝑚𝑚 , 𝒙𝒙 = [𝑥𝑥1 … 𝑥𝑥𝑛𝑛 ]𝑇𝑇 ∈ 𝑅𝑅𝑛𝑛
𝑎𝑎11 … 𝑎𝑎1𝑛𝑛
𝑨𝑨 = � . … . � ∈ 𝑅𝑅𝑚𝑚𝑚𝑚𝑚𝑚
𝑎𝑎𝑚𝑚1 … 𝑎𝑎𝑚𝑚𝑚𝑚
El modelo anterior puede escribirse como:
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = {𝒄𝒄𝑻𝑻 𝑥𝑥|𝑨𝑨𝑥𝑥 ≤ 𝑏𝑏, 𝑥𝑥 ≥ 𝟎𝟎}
La región factible F del modelo de programación lineal satisface: 𝑭𝑭 =
{𝑥𝑥 ∈ 𝑅𝑅𝑛𝑛 |𝑨𝑨𝑥𝑥 ≤ 𝑏𝑏, 𝑥𝑥 ≥ 𝟎𝟎}
Tomando como ejemplo el modelo de programación lineal siguiente, según Sierksma
y Zwols (2015), para mostrar la forma matricial de los modelos de programación
lineal.
Sujeto a
𝑥𝑥1 + 𝑥𝑥2 ≤ 9
3𝑥𝑥1 + 𝑥𝑥2 ≤ 18
𝑥𝑥1 ≤ 7
𝑥𝑥2 ≤ 6
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
75
Para este caso, tenemos:
c = [3 2] b = [9 18 7 6] x = [ x1 x2 ]
T T T
1 3 1 0T
, ,y 𝐴𝐴 = � �
1 1 0 1
El modelo de programación lineal en su forma matricial puede escribirse como:
1 1 9
x 31 x 18 x 0
Max [3 2] 1 1 ≤ , 1 ≥
x2 1 0 x2 7 x2 0
0 1 6
76
2.2 Variables de holgura y restricciones limitantes
x x1 0
1 1 1 0 0 0 9 x2 0
1
2 x
x1 31 0 1 0 0 18 x3 0
=Max [3 2] x3 ≤ , ≥
x2 1 0 0 0 1 0 x 7 x4 0
4
0 1 0 0 0 1 x 6 x5 0
5
x x6 0
6
I
Si m representa la matriz identidad con m renglones y m columnas ( m ≥ 1 ), la
forma general del problema de programación lineal con variables de holgura puede
escribirse como:
x
Max cT [ A I m ] = b , x ≥ 0
xs
77
Con
x ∈ R n , xs ∈ R m , c ∈ R n , A ∈ R mxn , I m ∈ R mxn Hay que notar el valor de xs (el vector
xj cjxj
Dada una variable , su contribución al costo total es , y su contribución a la i -
a x
ésima restricción es ij j .
• Aditividad
Esta hipótesis garantiza que el costo total es la suma de los costos individuales,
y que la contribución total a la i -ésima restricción es la suma de las
contribuciones individuales de cada actividad.
• Divisibilidad
Esta hipótesis asegura que las variables de decisión se pueden dividir en
cualesquiera niveles fraccionarios, de modo que se permiten valores no
enteros para las variables de decisión.
• Determinística
c j , aij , y bi
Todos los coeficientes se encuentran de manera determinística.
∑a x ij j ≥ bi
considere las siguientes restricciones: . Esta restricción se puede escribir
j =1
x
en forma de ecuación sustrayendo la variable de exceso o de holgura no negativa n +i
78
n n
∑ aij x j −xn +i =
bi
x ≥ 0 . Similarmente, la restricción ∑a x ij j ≤ bi
, obteniendo j =1
y n +i j =1
es
n
∑a x ij j +xn +i =
b
x ≥0.
equivalente a j =1
y n +i
No negatividad de las variables
En casi todos los problemas prácticos, las variables representan cantidades físicas,
por lo que deben ser no negativas.
x
Si una variable j no está restringida en su signo, entonces es posible reemplazarla
x ' j − x '' j x ' j ≥ 0 y x '' j ≥ 0
por , en dónde . Similarmente,
x j ≥ l j , entonces la nueva variable x ' j = x j − l j es no negativa
de manera automática.
x x ≤ uj u ≤0
También, si una variable j se restringe de modo que j , en donde j ,
x '= u j − x j x'
entonces la sustitución j produce una variable no negativa j .
Problemas de minimización y maximización
Otra manipulación del problema consiste en convertir un problema de maximización
en un problema de minimización y viceversa. Sobre cualquier región, se cumple:
n n
Max ∑ c j x j =
− Min∑ −c j x j
=j 1 =j 1
79
2.4 Forma estándar y canónica de un problema de programación lineal
x j ≥ 0, j=
1,..., n x j ≥ 0, j=
1,..., n
Forma n n
Min∑ c j x j Max ∑ c j x j
canónica j =1 j =1
n n
Sujeta a: ∑ aij x j ≥ bi , i =
1,..., m Sujeta a: ∑ aij x j ≤ bi , i =
1,..., m
j =1 j =1
x j ≥ 0, j=
1,..., n x j ≥ 0, j=
1,..., n
80
2.5 Formulación de modelos de programación lineal:
Los siguientes pasos proporcionan una guía para el proceso de toma de decisiones en
la construcción e implementación de modelos matemáticos.
Paso 1: Situación problemática
Paso2: Definición del problema
Paso 3: Observación y análisis del problema
Paso 4: Diseñando un modelo conceptual
Paso 5: Formulando un modelo matemático
Paso 6: Resolviendo el modelo matemático
Paso 7: Tomando decisiones
Paso 8: Implementando la decisión
Paso 9: Evaluación
81
2.6 Programación lineal, modelos y ejemplos
82
2.7 Formulación de modelos de programación lineal
Ejemplo No. 1
Sea x1 ,..., x13 la cantidad de porción de comida de chicharos, ejotes,…, budín , gelatina
respectivamente. Función de costo mínimo:
83
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 0.1𝑥𝑥1 + 0.12𝑥𝑥2 + 0.13𝑥𝑥3 + 0.09𝑥𝑥4 + 0.1𝑥𝑥5 + 0.07𝑥𝑥6 + 1.2𝑥𝑥8 + 0.63𝑥𝑥9
+ 0.28𝑥𝑥10 + 0.42𝑥𝑥11 + 0.15𝑥𝑥12 + 0.12𝑥𝑥13
Sujeto a:
Inclusión de cada categoría de cada alimento: legumbres, carnes y postres,
respectivamente
6 9 13
∑ xi ≥ 1,
=i 1 =i 7=i 10
∑ xi ≥ 1, ∑x i ≥1
Requerimientos de carbohidratos:
3 x1 + 5 x2 + 5 x3 + 6 x4 + 2 x5 + x6 + x7 + 8 x8 + 6 x9 + 3 x10 + 2 x11 ≥ 10
2 x4 + x5 + x6 + x7 + 2 x8 + x9 ≥ 2
Condiciones de no negatividad:
x1 , x2 ,..., x13 ≥ 0
84
Ejemplo No. 2
Problema de producción (Bazaraa, 2010)
VIGA A B C
Suponga que cada máquina se puede usar hasta 50 horas por semana, y que los costos
de operación por hora de estas máquinas son $30.00, $50.00 y $80.00,
respectivamente. Además, suponga que semanalmente se requieren 12,000, 6,000,
5,000 y 7,000 pies de los distintos tamaños de las vigas. Formule el problema de
programación de máquinas como un programa de programación lineal.
Sea xij = horas de máquina i para la producción del tamaño de viga j . i =1,2,3
correspondiente a la máquina A, B, C. j =1,2,3,4 correspondiente al tamaño de viga
pequeña, mediana, larga y extra larga.
Solución:
4 4 4
Min 30 ∑ x1 j + 50 ∑ x2 j + 80 ∑ x3 j
= j 1= j 1= j1
Sujeto a:
85
4 4 4
∑ x1 j ≤ 50 ∑ x2 j ≤ 50 ∑x 3j ≤ 50
Máquina A: j =1
, Máquina B: j =1
, Máquina C: j =1
∀ xij ≥ 0
Condiciones de no negatividad:
86
Ejemplo No. 3
MÁQUINA
PRODUCTO 1 2 3 4
1 4 4 5 7
2 6 7 5 6
3 12 10 8 11
MÁQUINA
PRODUCTO 1 2 3 4
Suponga que se requieren 3,000, 6,000 y 4,000 unidades de los productos, y que las
horas máquina disponibles son 1,500, 1,200, 1,500 y 2,000, respectivamente.
Formule el problema de planeación de la producción como un problema lineal.
87
Solución:
Definición de las variables
xij
Sea = # de unidades del producto i manufacturado en la máquina j .
Función objetivo (minimizar los costos de producción):
Min (4 x11 + 4 x12 + 5 x13 + 7 x14 ) + (6 x21 + 7 x22 + 5 x23 + 6 x24 ) + (12 x31 + 10 x32 + 8 x33 + 11x34 )
Sujeto a:
Demanda por producto
3 3 3
Disponibilidad de horas máquina (en función del tiempo requerido para el proceso
de producción):
0.3 x11 + 0.2 x21 + 0.8 x31 ≤ 1,500
0.25 x12 + 0.3 x22 + 0.6 x32 ≤ 1, 200
0.2 x13 + 0.2 x23 + 0.6 x33 ≤ 1,500
0.2 x14 + 0.25 x24 + 0.5 x34 ≤ 2, 000
Condiciones de no negatividad:
∀ xij ≥ 0
88
Ejemplo No. 4
Problema de gestión de una de una cartera de inversión (Powell y Baker, 2009)
Un banco local quiere construir una cartera de bonos a partir de un conjunto de cinco
bonos con 1 millón de dólares disponibles para la inversión. La rentabilidad anual
esperada, la rentabilidad anual más desfavorable de cada bono y la duración de cada
bono se presentan en la siguiente tabla No. 6 (La duración de un bono es una medida
de la sensibilidad del bono a los cambios en las tasas de interés).
Sujeto a:
Rentabilidad media:
89
0.8 x1 + 0.3 x2 − 0.4 x3 − 0.2 x4 + 0.2 x5 ≥ 0
2 x1 + x2 − x4 − 3x5 ≤ 0
x1 + x2 + x3 + x4 + x5 ≤ 1, 000, 000
Condiciones de no negatividad:
x1 , x2 , x3 , x4 , x5 ≥ 0
90
Problema No. 5
Problema de programación de la producción de automóviles (Powell y Baker 2009)
La Auto Compañía de América (ACA) produce cuatro tipos de automóviles:
subcompacto, compacto, intermedio y de lujo. ACA también produce camiones y
furgonetas. Las capacidades de los proveedores limitan la capacidad total de
producción a, como máximo, 1. 2 millones de vehículos al año. Los subcompactos y
los compactos se construyen juntos en una instalación con una capacidad total anual
de 620,000 automóviles. Los coches intermedios y de lujo se producen en otra
instalación con capacidad de 400,000; las camiones y camionetas (Van) tienes una
capacidad de 275,000. La estrategia de mercadotecnia de ACA requiere que los
subcompactos y compactos deben constituir al menos la mitad de la mezcla de
productos para los cuatro tipos de automóviles. Los estándares de la Economía de
Combustible Promedio previsto en la Ley de Política y Conservación de la Energía
requieren una economía promedio de combustible de por lo menos 27 millas por
galón. Los márgenes de los beneficios, el potencial del mercado y las eficiencias del
combustible se resumen a continuación en la Tabla No. 7:
Sub
Datos compacto Compacto Intermedio De lujo Camión Camioneta
Utilidad 150 225 250 500 400 200
Mercadotecnia 600 400 300 225 325 100
Eficiencia (millas
por galón) 40 34 15 12 20 25
Objetivo eficiencia 27 millas
combustible por galón
Sujeto a:
Capacidad de producción total por año:
91
x1 + x2 + x3 + x4 + x5 + x6 ≤ 1, 200, 000
x1 + x2 ≤ 620, 000
Mezcla de productos:
x1 + x2 ≥ x3 + x4
13 x1 + 7 x2 ≥ 12 x3 + 15 x4 + 7 x5 + 2 x6
Ventas subcompacto:
x1 ≤ 600, 000
Ventas compacto:
x2 ≤ 400, 000
Ventas Intermedio:
x3 ≤ 300, 000
Ventas de lujo:
x4 ≤ 225, 000
Ventas camión:
x5 ≤ 325, 000
Ventas camioneta:
x6 ≤ 100, 000
Condiciones de no negatividad:
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
92
Problema No. 6
Caso práctico1: American Sporting Equipment I (Lapin 1996)
La compañía de equipo deportivo americano es fabricante de artículos para practicar
deportes la cual abástese a equipos profesionales. La compañía fue fundada en los
40’s por Millar Russel, poco después de recibir licencia del ejército, en donde había
organizado ligas recreativas de béisbol. La experiencia de Russel, con varias heridas
producidas por bates rotos, lo dirigió a buscar nuevos materiales y diseños. Sus bates
fueron un éxito, y con tan solo un año en el negocio, Millar Russel tuvo contratos para
abastecer de bates, a varios equipos de ligas menores de béisbol. La compañía pronto
empezó a proveer otros equipos y ha crecido hasta convertirse en uno de los mayores
fabricantes de equipo deportivo.
La compañía continúa produciendo bates a la medida para el béisbol profesional. El
mercado primario para los bates es la madera. La empresa vende su producción
completa a precios previamente negociados, y la disponibilidad de los recursos
esenciales – especialmente de madera- indica las cantidades finales en el proceso
productivo mensual. Los bates están hechos de pedazos de 4 x 4 pulgadas de madera
dura de la más alta calidad. Existen 6 modelos, de acuerdo a las medidas. El Sr. Millar
Russel, se encuentra bastante ocupado al dirigir su conglomerado, así que ha
delegado en su hija Sandra Russel Davis el manejo operativo. Ella continúa revisando
los calendarios mensuales de producción de la mayoría de las líneas productivas y
muestra un vivo interés en los bates de béisbol hechos en la carolina del sur de la
propia organización. La programación lineal ha probado ser útil en mantener la
eficiencia operativa.
La mayoría de los materiales que se requieren para producir bates son abundantes y
pueden ser obtenidos en cantidades ilimitadas. Sin embargo, existen severas
limitantes con respecto a la madera, equipo y mano de obra que se necesita para el
proceso.
93
Tiempo en el $.30 por
molido 2 2 2 3 3 3 1,000 minutos minuto
$.25 por
Revestimiento 5 5 6 6 7 7 2,000 minutos minuto
Los datos que aparecen en la tabla número 8 son útiles para establecer el programa
de programación lineal para la producción de bates planeada en marzo.
Tabla No.9
Modelos
Costos totales por bate $7.75 $7.95 $8.45 $8.95 $9.45 $9.65
Utilidad total por bate $13.25 $13.05 $13.55 $13.05 $15.55 $15.35
Solución:
x ,x ,x ,x ,x ,x
Sean 30 32 34 36 38 40 el modelo de bate a producir correspondiente a la
medida de 30, 32, 34, 36, 38 y 40 pulgadas, respectivamente.
Función objetivo (maximizar la utilidad por tipo de bate producido:
Max Z=13.25 x30 + 13.05 x32 + 13.55 x34 + 13.05 x36 + 15.55 x38 + 15.35 x40
Sujeto a:
94
Materia prima (Madera):
Condiciones de no negatividad:
x30 , x32 , x34 , x36 , x38 , x40 ≥ 0
95
3. Solución gráfica de los modelos de programación lineal
Min {cx Ax ≥ b, x ≥ 0}
Considere el siguiente problema: . La región factible consta de
todos los vectores x tales que Ax ≥ 0 y x ≥ 0 . Entre todos estos puntos, se desea
encontrar un punto que minimice el valor de cx .
En la siguiente gráfica No. 1, se muestra una región de factibilidad acotada con óptimo
único. (Bazaraa, 1997)
Gráfica No. 1. Solución óptima finita única en una región acotada. Fuente: Bazaraa (2010)
96
La siguiente gráfica No. 2, muestra un problema de programación lineal contiene una
solución óptima finita en una región acotada y una solución óptima finita en una
región no acotada.
Gráfica No. 2. Óptimos únicos en una región acotada y no acotada. Fuente: Bazaraa (2010)
• Soluciones óptimas finitas alternativas. En estos casos existen dos vértices que son
óptimos. La región factible puede ser acotada o no acotada. Para el primer caso
(región acotada) existen óptimos alternativos cuya solución es la misma. Para el
segundo caso (región no acotada) existe un punto extremo, que es óptimo, y un
conjunto de puntos factibles en un rayo óptimo. La siguiente gráfica No. 3, muestra
ambos casos.
Gráfica No. 3. Óptimos alternativos en una región acotada y no acotada. Fuente: Bazaraa (2010)
97
solución óptima. La gráfica siguiente gráfica No. 5, muestra una solución óptima
no acotada.
• Región factible vacía. En este caso, el sistema de ecuaciones y/o desigualdades que
definen la región factible es inconsistente. La siguiente gráfica No. 6, muestra una
región factible vacía.
98
3.2. Problemas resueltos y propuestos de programación lineal.
Problema No. 1
Min f ( x1 , x2 =
) x1 + x2
Sujeto a :
3 x1 − x2 ≤ 3
x1 + 2 x2 ≤ 5
x1 + x2 ≤ 4
x1 , x2 ≥ 0
Solución:
Región de factibilidad y puntos extremos:
Eje x2
Eje x1
Puntos extremos:
11 12 5
=A ,= =
, B (1, 0), C 0,=
, D (0, 0)
7 7 2
99
Evaluando en cada punto extremo para obtener el punto óptimo:
100
Problema No. 2: Venkataraman (2002). Para el siguiente conjunto de problemas
repita las instrucciones del problema anterior
Modelo Gráfica de la región factible Puntos Extremos de Evaluación en cada
la región factible punto extremo y
solución óptima del
problema (asterisco)
11 12 11 12 23
Max f ( x1 , x2 =
) x1 + x2 A = , , 𝑓𝑓 � , �= ∗
7 7 7
Sujeto a : 7 7
3 x1 − x2 ≤ 3 B = (1, 0), 𝑓𝑓(1,0) = 1
x1 + 2 x2 ≤ 5 5 5 5
C = 0, , 𝑓𝑓 �0, � =
2 2 2
x1 + x2 ≤ 4
D = (0, 0) 𝑓𝑓(0,0) = 0
x1 , x2 ≥ 0
101
Problema No. 3
Griva, Nash y Sofer (2009). Resuelva los siguientes problemas gráficamente.
a) b) c)
d) e) f)
g) h) i)
102
Para el siguiente conjunto de problemas elabore el modelo de programación lineal. Si
el modelo es de dos variables, use el método gráfico para resolver el problema. Use el
programa Geogebra para graficar la región de factibilidad y obtener los puntos
extremos.
Problema No. 4
Anderson y Sweeney (2011). Problema de producción. Par, Inc. es un pequeño
fabricante de equipo y material de golf. El distribuidor de Par cree que existe un
mercado tanto para una bolsa de golf de precio moderado, llamada modelo estándar,
como para una bolsa de golf de un precio alto, llamada modelo de lujo. El distribuidor
tiene tanta confianza en el mercado que, si Par puede fabricar las bolsas a un precio
competitivo, comprará todas las bolsas que Par fabrique durante los tres meses
siguientes. Un análisis detallado de los requerimientos de manufactura dio como
resultado la tabla siguiente, la cual muestra los requerimientos de tiempo de
producción para las cuatro operaciones de manufactura requeridas y la estimación
que hizo el departamento de contabilidad de la contribución a las utilidades por bolsa:
103
Problema No. 5
Modelo regular 1 1 1 $5
2 8
Modelo para cátcher 3 1 1 $8
2 3 4
104
Problema No. 6
c) ¿Cuál es la diferencia en dinero entre los portafolios de los incisos a y b? ¿Por qué
la empresa desea la solución desarrollada en el inciso a?
105
Problemas de programación lineal en forma estándar.
Convierta los siguientes problemas lineales a su forma estándar
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 3𝑥𝑥1 + 5𝑥𝑥2 − 4𝑥𝑥3 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑥𝑥1 + 2𝑥𝑥2 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑥𝑥1 − 2𝑥𝑥2
Problemas conceptuales
Bazaraa (2010). Resuelva los siguientes problemas utilizando el método gráfico:
Problema No. 1 Problema No. 2
106
Sierksma y Zwols (2015). Resuelva los siguientes problemas de programación lineal
usando el método de solución gráfica.
Problema No. 3 Problema No. 4 Problema No. 5
107
4. El método simplex
En esta sección se aborda el estudio del método simplex, que fue creado en el verano
de 1947 por George Dantzing para resolver problemas de programación lineal. La
primera aplicación importante de este método ocurrió poco después del verano de
1947, cuando J. Lideran resolvió, un programa lineal de planeación de una dieta con
nueve restricciones de igualdad en 27 variables no negativas. Usando una calculadora
de escritorio, para resolver este problema se requirieron 120 días – hombre.
Actualmente, usando computadoras modernas y una implementación sofisticada del
método simplex, es fácil resolver problemas lineales con miles de variables y
restricciones. Aunque se han desarrollado muchas variantes del método simplex y se
han propuesto otros nuevos algoritmos competidores, el método simplex sigue
siendo un medio viable y popular para resolver problemas de programación lineal.
4.1. El método simplex en formato de tableu
(Problema de minimización)
Paso inicial
Se encuentra una solución básica inicial con base B y se forma el siguiente tablero
inicial.
z 𝑥𝑥𝐵𝐵 𝑥𝑥𝑁𝑁 LD
Paso principal
Sea 𝑧𝑧𝑘𝑘 − 𝑐𝑐𝑘𝑘 = 𝑀𝑀á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 �𝑧𝑧𝑗𝑗 − 𝑐𝑐𝑗𝑗 : 𝑗𝑗 ∈ 𝑅𝑅�. Si 𝑧𝑧𝑘𝑘 − 𝑐𝑐𝑘𝑘 ≤ 0, entonces el proceso ha
terminado; la solución actual es óptima. En caso contrario, se analiza 𝑦𝑦𝑘𝑘 . Si 𝑦𝑦𝑘𝑘 ≤ 0,
entonces el proceso ha terminado; la solución óptima es no acotada a lo largo del rayo:
−1 −𝑦𝑦𝑘𝑘
��𝐵𝐵 𝑏𝑏� + 𝑥𝑥𝑘𝑘 � 𝑒𝑒 � : 𝑥𝑥𝑘𝑘 ≥ 0�
0 𝑘𝑘
108
El tableu se actualiza pivoteando sobre 𝑦𝑦𝑟𝑟𝑟𝑟 . Se actualizan las variables básicas y no
básicas, en donde 𝑥𝑥𝑘𝑘 entra a la base y 𝑥𝑥𝐵𝐵𝑟𝑟 sale de la base, y se repite el paso principal.
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎:
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎:
109
Iteración 1
𝑧𝑧 -1 -1 4* 0 0 0 0
𝑥𝑥4 1 1 2 1 0 0 9 4.5
𝑥𝑥5 1 1 -1 0 1 0 2
𝑥𝑥6 -1 1 1 0 0 1 4 4*
Iteración 2
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 Lado Razón
Derecho
mínima
𝑧𝑧 3* -5 0 0 0 -4 -16
𝑥𝑥4 3 -1 0 1 0 -2 1 0.3333*
𝑥𝑥5 0 2 0 0 1 1 6
𝑥𝑥3 -1 1 1 0 0 1 4
Tablero óptimo
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 Lado
Derecho
𝑧𝑧 0 -4 0 -1 0 -2 -17
𝑥𝑥1 1 1 0 1 0 2 1
− −
3 3 3 3
𝑥𝑥5 0 2 0 0 1 1 6
𝑥𝑥3 0 2 1 1 0 1 13
3 3 3 3
Este es el tablero óptimo, debido 𝑧𝑧𝑘𝑘 − 𝑐𝑐𝑘𝑘 ≤ 0 . La solución óptima está dada por:
1 13
𝑥𝑥1 = , 𝑥𝑥2 = 0 , 𝑥𝑥3 = 𝑐𝑐𝑐𝑐𝑐𝑐 𝑧𝑧 = −17
3 3
110
Ahora, con la finalidad de observar la motivación geométrica del método simplex
analizaremos un problema y lo resolveremos con el método gráfico y posteriormente
utilizaremos el algoritmo simplex.
Resuelva el siguiente problema. Gráficamente y utilizando en algoritmo simplex.
Utilice el programa Geogebra para resolver mediante el método algebraico y Excel
para el método simplex. Verifique que con ambos procedimientos se obtiene el mismo
resultado.
Sujeto a:
𝑥𝑥1 + 2𝑥𝑥2 ≤ 6
−2𝑥𝑥1 + 𝑥𝑥2 ≤ 4
5𝑥𝑥1 + 3𝑥𝑥2 ≤ 15
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
111
Modelo de programación Gráfica de la región factible Puntos Extremos de Evaluación en cada
lineal la región factible punto extremo y
solución
óptima del
problema
(asterisco)
𝐴𝐴 = (0,0)
𝑓𝑓(𝐷𝐷) = 15
Sujeto a:
112
Tablero inicial:
Inicialización
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 Lado Razón
Derecho
mínima
𝑧𝑧 -5* -4 0 0 0 0
𝑥𝑥3 1 2 1 0 0 6 6
𝑥𝑥4 -2 1 0 1 0 4
𝑥𝑥5 5 3 0 0 1 15 3*
Iteración 1
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 Lado Razón
Derecho
mínima
𝑧𝑧 0 -1* 0 0 1 15
Iteración 2
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 Lado
Derecho
Tablero óptimo, debido a que 𝑧𝑧𝑘𝑘 − 𝑐𝑐𝑘𝑘 ≥ 0 , la solución óptima está dada por:
12 15 37 1
𝑥𝑥1 = , 𝑥𝑥2 = , 𝑥𝑥3 = 𝑐𝑐𝑐𝑐𝑐𝑐 𝑧𝑧 = 17
7 7 7 7
113
Ahora, resolvamos el problema 3.2.4.1 de Anderson y Sweeney (2010),
problema de producción utilizando el método simplex.
Solución:
Sea 𝑥𝑥1 = número de bolsas modelo estándar a fabricar y 𝑥𝑥2 = número de bolsas modelo
de lujo a fabricar. Los datos del problema se muestran a continuación:
Estándar 7 1 1 1 $10
10 2 10
De lujo 1 5 2 1 $9
6 3 4
máximo de horas
por departamento 630 600 708 135
7
Departamento de corte y teñido: 𝑥𝑥 + 𝑥𝑥2 ≤ 630
10 1
1 5
Departamento de costura: 𝑥𝑥1 + 𝑥𝑥2 ≤ 600
2 6
2
Departamento de terminado: 𝑥𝑥1 + 𝑥𝑥2 ≤ 708
3
1 1
Departamento de inspección y empaque: 𝑥𝑥1 + 𝑥𝑥2 ≤ 135
10 4
114
Región de factibilidad y puntos extremos del modelo de programación lineal:
x2
x1
Puntos extremos: A= (0,0), B= (0,540), C= (300,420), D= (540,252) y E= (708,0)
Evaluación de cada punto extremo en la función objetivo y determinación de la
solución del problema.
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐴𝐴 = 0, 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐵𝐵 = 4,860, 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐶𝐶 = 6,780, 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐷𝐷 = 7,668, 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐸𝐸 = 7,080
En consecuencia, la solución óptima es el punto extremo D = (540,252) y valor
objetivo Z= 7,668.
Es decir: prodúzcanse 540 bolsas modelo estándar y 252 bolsas modelo de lujo. La
utilidad con los niveles de producción anteriores será de $7,668 unidades monetarias.
Utilizando el algoritmo simplex
Se introducen las variables de holgura no negativas 𝑥𝑥3 , 𝑥𝑥4 , 𝑥𝑥5 , 𝑥𝑥6 . El problema se
convierte en el siguiente modelo de programación lineal en su forma estándar.
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 10𝑥𝑥1 + 9𝑥𝑥2
Sujeto a:
7
𝑥𝑥 + 𝑥𝑥2 + 𝑥𝑥3 = 630
10 1
1 5
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥4 = 600
2 6
2
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥5 = 708
3
1 1
𝑥𝑥 + 𝑥𝑥 + 𝑥𝑥6 = 135
10 1 4 2
𝑥𝑥3 , 𝑥𝑥4 , 𝑥𝑥5 , 𝑥𝑥6 ≥ 0
115
Tablero inicial:
Inicialización
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 Lado Razón
Derecho
mínima
𝑧𝑧 -10* -9 0 0 0 0 0
Iteración 1
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 LD
𝑧𝑧 0 -2 1/3 0 0 10 0 7,080
𝑥𝑥3 0 8/15 1 0 - 7/10 0 134 2/5
𝑥𝑥4 0 1/2 0 1 - 1/2 0 246
𝑥𝑥2 1 2/3 0 0 1 0 708
𝑥𝑥6 0 11/60 0 0 - 1/10 1 64 1/5
Iteración 2
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 LD
𝑧𝑧 0 0 4 3/8 0 6 15/16 0 7,668
𝑥𝑥2 0 1 1 7/8 0 -1 5/16 0 252
𝑥𝑥4 0 0 - 15/16 1 5/32 0 120
𝑥𝑥1 1 0 -1 1/4 0 1 7/8 0 540
𝑥𝑥6 0 0 - 11/32 0 9/64 1 18
Tablero óptimo , debido a que 𝑧𝑧𝑘𝑘 − 𝑐𝑐𝑘𝑘 ≥ 0 , la solución óptima está dada por:
𝑥𝑥1 = 540, 𝑥𝑥2 = 252 , 𝑐𝑐𝑐𝑐𝑐𝑐 𝑧𝑧 = 7,668
116
4.2. El método simplex de la gran M (Método de penalización)
117
Resolver P(M) para una M
positiva muy grande
Caso A Caso B
X*a=0. La solución
X*a=0. Se encontró la X*a≠0. P no tiene X*a≠0. P es
óptima de P es no
solución óptima de P soluciones factible inconsistente
acotada
118
Note que la región de factibilidad no contiene como punto extremo al origen. En este
caso, el problema se deberá de utilizar el algoritmo simplex de penalización o de
variables artificiales. Los puntos extremos del problema son:
A= (0,2), B= (0,3), C= (2,3) y D= (1/2,3/2), respectivamente.
Evaluación de cada punto extremo en la función objetivo y determinación de la
solución del problema.
5
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐴𝐴 = −4, 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐵𝐵 = −6, 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐶𝐶 = −4, 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍𝐷𝐷 = − , 𝑍𝑍𝐵𝐵 = −6
2
Utilizando el algoritmo simplex de penalización o gran M
Se introducen las variables de holgura no negativas 𝑥𝑥3 , 𝑥𝑥4 , 𝑥𝑥5 . De igual forma, se
introducen las variables artificiales no negativas 𝑥𝑥6 , 𝑥𝑥7 . El problema se convierte en
el siguiente modelo de programación lineal en su forma estándar.
119
Inicialización:
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 Lado Derecho
𝑧𝑧 -1 2 0 0 0 - 𝑀𝑀 - 𝑀𝑀 0
𝑥𝑥6 1 1 -1 0 0 1 0 2
𝑥𝑥7 -1 1 0 -1 0 0 1 1
𝑥𝑥5 0 1 0 0 1 0 0 3
𝑧𝑧 -1 2+2 𝑀𝑀 - 𝑀𝑀 - 𝑀𝑀 0 0 0 3 𝑀𝑀
𝑥𝑥6 1 1 -1 0 0 1 0 2
𝑥𝑥7 -1 1* 0 -1 0 0 1 1
𝑥𝑥5 0 1 0 0 1 0 0 3
Iteración 1
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 Lado Derecho
Iteración 2
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 Lado Derecho
Iteración 3
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 Lado Derecho
𝑧𝑧 -3 0 2 0 0 -2- 𝑀𝑀 - 𝑀𝑀 -4
𝑥𝑥4 2 0 -1 1 0 1 -1 1
𝑥𝑥2 1 1 -1 0 0 1 0 2
𝑥𝑥5 -1 0 1* 0 1 -1 0 1
120
Iteración 4
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 Lado Derecho
𝑧𝑧 -1 0 0 0 -2 - 𝑀𝑀 - 𝑀𝑀 -6
𝑥𝑥4 1 0 0 1 1 0 -1 2
𝑥𝑥2 0 1 0 0 1 0 0 3
𝑥𝑥3 -1 0 1 0 1 -1 0 1
Tablero óptimo , debido a que 𝑧𝑧𝑘𝑘 − 𝑐𝑐𝑘𝑘 ≤ 0 , la solución óptima está dada por el punto
(𝑥𝑥1 , 𝑥𝑥2 ) ∗= (0,3) ∗ con valor de 𝑍𝑍 ∗= −6.
La secuencia de puntos generada en (𝑥𝑥1 , 𝑥𝑥2 ) se ilustra en la figura siguiente. (0,0),
(0,1), (1/2,3/2), (0,2) y (0,3)
Sujeto a
𝑥𝑥1 + 𝑥𝑥2 ≤ 9
3𝑥𝑥1 + 𝑥𝑥2 ≤ 18
𝑥𝑥1 ≤ 7
𝑥𝑥2 ≤ 6
𝑥𝑥1 + 𝑥𝑥2 ≥ 5
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
121
La región de factibilidad y los puntos extremos del problema se muestran en la
siguiente gráfica.
Sujeto a
𝑥𝑥1 + 𝑥𝑥5 = 7
𝑥𝑥2 + 𝑥𝑥6 = 6
122
Convirtiendo el problema a uno de minimización para facilitar el proceso. Lo anterior
conduce a la siguiente sucesión de tableros simplex.
Tablero inicial:
Inicialización
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 𝑥𝑥8 Lado Derecho
𝑧𝑧 3 2 0 0 0 0 0 - 𝑀𝑀 0
𝑥𝑥3 1 1 1 0 0 0 0 0 9
𝑥𝑥4 3 1 0 1 0 0 0 0 18
𝑥𝑥5 1 0 0 0 1 0 0 0 7
𝑥𝑥6 0 1 0 0 0 1 0 0 6
𝑥𝑥8 1* 1 0 0 0 0 -1 1 5
𝑧𝑧 3+ 𝑀𝑀 ∗ 2+ 𝑀𝑀 0 0 0 0 - 𝑀𝑀 0 5 𝑀𝑀
𝑥𝑥3 1 1 1 0 0 0 0 0 9
𝑥𝑥4 3 1 0 1 0 0 0 0 18
𝑥𝑥5 1 0 0 0 1 0 0 0 7
𝑥𝑥6 0 1 0 0 0 1 0 0 6
𝑥𝑥8 1* 1 0 0 0 0 -1 1 5
Iteración 1
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 𝑥𝑥8 Lado Derecho
123
Iteración 2
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 Lado Derecho
𝑧𝑧 0 1* 0 -1 0 0 0 -18
𝑥𝑥3 0 2/3* 1 -1/3 0 0 0 3
𝑥𝑥4 0 -2/3 0 1/3 0 0 1 1
𝑥𝑥5 0 -1/3 0 -1/3 1 0 0 1
𝑥𝑥6 0 1 0 0 0 1 0 6
𝑥𝑥1 1 1/3 0 1/3 0 0 0 6
Iteración 3
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 𝑥𝑥7 Lado Derecho
1
𝑧𝑧 0 0 -3/2 -1/2 0 0 0 -22
2
Tablero óptimo , debido a que 𝑧𝑧𝑘𝑘 − 𝑐𝑐𝑘𝑘 ≤ 0 , entonces, la solución óptima está dada por
9 9 1
el punto (𝑥𝑥1 , 𝑥𝑥2 ) ∗= ( , ) ∗ con valor de 𝑍𝑍 ∗= 22 (para el problema de
2 2 2
maximización)
La secuencia de puntos F-E-D generada por el algoritmo simplex en (𝑥𝑥1 , 𝑥𝑥2 ) se ilustra
en la figura siguiente.
124
4.3. Problemas propuestos para el algoritmo simplex
En los Problemas siguientes, se muestran programas lineales que pueden dar como
resultado una o más de las siguientes situaciones: solución óptima, solución inviable,
solución óptima no acotada o soluciones óptimas alternativas
Para cada programa lineal, determine la situación de la solución utilizando el método
simplex. Para los problemas con soluciones óptimas alternativas, calcule al menos dos
soluciones óptimas.
125
Problema No. 1
𝑀𝑀𝑀𝑀𝑀𝑀 = 4𝑥𝑥1 + 8𝑥𝑥2
Sujeto a:
𝑥𝑥1 + 𝑥𝑥2 ≤ 5
−𝑥𝑥1 + 𝑥𝑥2 ≥ 8
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
126
Problema No. 2
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 3𝑥𝑥1 + 3𝑥𝑥2
Sujeto a:
1
2𝑥𝑥1 + 𝑥𝑥2 ≥ 10
2
2𝑥𝑥1 ≥ 4
4𝑥𝑥1 + 4𝑥𝑥2 ≥ 32
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
127
Problema No. 3
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 40𝑥𝑥1 + 30𝑥𝑥2
Sujeto a:
2 1
𝑥𝑥1 + 𝑥𝑥2 ≤ 20
5 2
1
𝑥𝑥 ≤ 5
5 2
3 3
𝑥𝑥1 + 𝑥𝑥2 ≤ 21
5 10
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
128
Problema No. 4 (Bazaraa, 2010)
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = −𝑥𝑥1 − 3𝑥𝑥2
Sujeto a:
𝑥𝑥1 + 𝑥𝑥2 ≤ 6
−𝑥𝑥1 + 2𝑥𝑥2 ≤ 8
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
129
Problema No. 5 (Bazaraa, 2010)
Demuestre, utilizando el algoritmo simplex que el siguiente problema no tiene
solución. Posteriormente, utilice Geogebra para verificar que no existe región de
factibilidad, y que el problema es inconsistente.
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = −2𝑥𝑥1 + 3𝑥𝑥2
Sujeto a:
−𝑥𝑥1 + 2𝑥𝑥2 ≤ 2
2𝑥𝑥1 − 𝑥𝑥2 ≤ 3
𝑥𝑥2 ≥ 4
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
130
Problema No. 6 (Bazaraa, 2010)
Se proporciona el tablero inicial de un problema de programación lineal.
𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 𝑥𝑥4 𝑥𝑥5 𝑥𝑥6 Lado
Derecho
𝑧𝑧 -1 -1 4 0 0 0 0
𝑥𝑥4 1 1 2 1 0 0 9
𝑥𝑥5 1 1 -1 0 1 0 2
𝑥𝑥6 -1 1 1 0 0 1 4
131
Problema No. 7 (Bazaraa, 2010)
Considere el siguiente problema
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑥𝑥1 + 3𝑥𝑥2
Sujeto a:
𝑥𝑥1 − 2𝑥𝑥2 ≤ 0
−2𝑥𝑥1 + 𝑥𝑥2 ≤ 4
5𝑥𝑥1 + 3𝑥𝑥2 ≤ 15
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
a) Resuelva el problema gráficamente
b) Resuelva el problema utilizando el algoritmo simplex
132
Problema No. 8 (Bazaraa, 2010)
Considere el siguiente problema
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 2𝑥𝑥1 + 3𝑥𝑥2
Sujeto a:
𝑥𝑥1 + 2𝑥𝑥2 ≤ 10
−𝑥𝑥1 + 2𝑥𝑥2 ≤ 6
𝑥𝑥1 + 𝑥𝑥2 ≤ 6
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
a) Resuelva el problema gráficamente. Verifique con el programa Geogebra que
el problema tiene un vértice degenerado.
b) Resuelva el problema original utilizando el algoritmo simplex.
c) Resuelva el problema utilizando el método simplex quitando la restricción
redundante que provoca la degeneración.
133
Problema No. 9
Utilice el algoritmo simplex para resolver el problema del caso práctico No. 1:
American Sporting Equipment I (Lapin ,1996)
134
Problema No. 10
Resuelva el siguiente problema utilizando el algoritmo simplex. Utilice Excel para
realizar todas las iteraciones.
3𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 ≤ 12, −𝑥𝑥1 + 𝑥𝑥2 ≤ 4, 𝑥𝑥2 + 2𝑥𝑥3 ≤ 8, 𝑥𝑥1 ≤ 3, 𝑥𝑥2 ≤ 5, 𝑥𝑥3 ≤ 4,
�𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 2𝑥𝑥1 + 𝑥𝑥2 + 3𝑥𝑥3 � �
𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ≥ 0
135
5. Aplicaciones diversas de programación lineal
Problema No. 1
Problema de la dieta (Cornuejols y Trick, 1998)
¿Cuál es la dieta perfecta? Una dieta ideal cumpliría o excedería los requisitos
nutricionales básicos, sería barato, tenía variedad y sería agradable al paladar. ¿Cómo
podemos encontrar una dieta así? Supongamos que los únicos alimentos en el mundo
son los siguientes:
Alimento Tamaño de la Energía (kcal) Proteínas (g) Calcio (mg) Precio Límite
porción (centavos de (ración/día)
dólar/ración)
Harina de 28 g 110 4 2 3 4
avena
Pollo 100 g 205 32 12 24 3
Después de consultar con los nutriólogos, consideramos que una dieta satisfactoria
debe tener por lo menos 2,000 kcal de energía, 55 g de proteína, y 800 mg de calcio
(las vitaminas y el hierro son suministrados por las píldoras). Mientras que algunos
de nosotros estaríamos contentos de subsistir con 10 porciones de carne de cerdo y
frijoles, hemos decidido imponer la variedad por tener un límite en el número de
porciones / día para cada uno de nuestros seis alimentos. ¿Cuál es la dieta menos
costosa y satisfactoria?
Solución:
Construcción del modelo de programación lineal.
Sea 𝑥𝑥𝑖𝑖 = 𝑛𝑛ú𝑚𝑚𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑𝑑𝑑 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, 𝑖𝑖 = 1,2,3,4,5, 𝑦𝑦 6
Nuestro objetivo es minimizar el costo, que puede escribirse de la forma siguiente:
136
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 3𝑥𝑥1 + 24𝑥𝑥2 + 13𝑥𝑥3 + 9𝑥𝑥4 + 20𝑥𝑥5 + 19𝑥𝑥6
Tenemos limitaciones de energía, proteínas, calcio, y para cada porción / límite por
día.
Esto da la formulación completa de un modelo de programación lineal:
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 3𝑥𝑥1 + 24𝑥𝑥2 + 13𝑥𝑥3 + 9𝑥𝑥4 + 20𝑥𝑥5 + 19𝑥𝑥6
Sujeto a:
(Energía) 110𝑥𝑥1 + 205𝑥𝑥2 + 160𝑥𝑥3 + 160𝑥𝑥4 + 420𝑥𝑥5 + 260𝑥𝑥6 ≥ 2000
(Proteínas) 4𝑥𝑥1 + 32𝑥𝑥2 + 13𝑥𝑥3 + 8𝑥𝑥4 + 4𝑥𝑥5 + 14𝑥𝑥6 ≥ 55
(Calcio) 2𝑥𝑥1 + 12𝑥𝑥2 + 54𝑥𝑥3 + 285𝑥𝑥4 + 22𝑥𝑥5 + 80𝑥𝑥6 ≥ 800
(Límite harina) 𝑥𝑥1 ≤ 4
(Límite pollo) ) 𝑥𝑥2 ≤ 3
(Límite huevo) ) 𝑥𝑥3 ≤ 2
(Límite leche) ) 𝑥𝑥4 ≤ 8
(Límite tarta de cereza) ) 𝑥𝑥5 ≤ 2
(Límite cerdo y frijoles) ) 𝑥𝑥6 ≤ 2
Condiciones de no negatividad de las variables: 𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , 𝑥𝑥4 , 𝑥𝑥5 , 𝑥𝑥6 ≥ 0
Discusión:
La creación de dietas óptimas fue uno de los primeros usos de la programación lineal.
Algunas de las dificultades con la programación lineal incluyen las diferencias en la
formulación de requisitos de palatabilidad (gusto a los alimentos) y cuestiones de
divisibilidad (nadie quiere comer la mitad de un grano verde) Estos modelos de
programación lineal dan una idea sobre cuántos de estos requisitos de palatabilidad
están costando en la dieta óptima.
137
Problema No. 2
Planeación de personal (Cornuejols y Trick, 1998)
Considere un restaurante que está abierto los siete días de la semana. Sobre la base
de la experiencia anterior, el número de trabajadores necesarios en un día
determinado se da de la siguiente manera:
Número de trabajadores 14 13 15 16 19 18 11
Cada trabajador trabaja cinco días consecutivos y luego tarda dos días en repetir este
patrón indefinidamente. ¿Cómo podemos minimizar el número de trabajadores que
requiere el personal de staff del restaurante?
Solución:
Modelo de programación lineal
Un primer intento natural (¡y mal!) en este problema es dejar que 𝑥𝑥𝑖𝑖 sea el número de
personas que trabajan en el día 𝑖𝑖. Tenga en cuenta que tal definición variable no
coincide con lo que necesitamos encontrar. No hace ningún bien saber que 15
personas trabajan el lunes, 13 personas el martes, y así sucesivamente porque no nos
dice cuántos trabajadores son necesarios. Algunos trabajadores trabajarán el lunes y
el martes, algunos sólo un día, algunos ninguno de esos días. En su lugar, que los días
sean los números 1 a 7 y que 𝑥𝑥𝑖𝑖 sea el número de trabajadores que comienzan su turno
de cinco días el día 𝑖𝑖 . Nuestro objetivo es claramente:
7
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = � 𝑥𝑥𝑖𝑖
𝑖𝑖=1
Considere la restricción para el nivel de 14 del día 𝑥𝑥1 lunes. ¿Quién trabaja los lunes?
Claramente aquellos que empiezan su turno el lunes (𝑥𝑥1 ). Los que empiezan el martes
(𝑥𝑥2 ) no trabajan el lunes, ni tampoco los que empiezan el miércoles (𝑥𝑥3 ). Los que
empiezan el jueves (𝑥𝑥4 ) trabajan el lunes, al igual que los que empiezan el viernes,
sábado y domingo. Esto da la restricción:
𝑥𝑥1 + 𝑥𝑥4 + 𝑥𝑥5 + 𝑥𝑥6 + 𝑥𝑥7 ≥ 14
138
Argumentos similares dan una formulación total:
7
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = � 𝑥𝑥𝑖𝑖
𝑖𝑖=1
Sujeto a:
(lunes) 𝑥𝑥1 + 𝑥𝑥4 + 𝑥𝑥5 + 𝑥𝑥6 + 𝑥𝑥7 ≥ 14
(martes) 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥5 + 𝑥𝑥6 + 𝑥𝑥7 ≥ 13
(miércoles) 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 + 𝑥𝑥6 + 𝑥𝑥7 ≥ 15
(jueves) 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 + 𝑥𝑥4 + 𝑥𝑥7 ≥ 16
(viernes) 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 + 𝑥𝑥4 + 𝑥𝑥5 ≥ 19
(sábado) 𝑥𝑥2 + 𝑥𝑥3 + 𝑥𝑥4 + 𝑥𝑥5 + 𝑥𝑥6 ≥ 18
(domingo) 𝑥𝑥3 + 𝑥𝑥4 + 𝑥𝑥5 + 𝑥𝑥6 + 𝑥𝑥7 ≥ 11
Condiciones de no negatividad de las variables: 𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , 𝑥𝑥4 , 𝑥𝑥5 , 𝑥𝑥6 , 𝑥𝑥7 ≥ 0
Discusión.
El modelado de mano de obra es un área bien desarrollada. Tenga en cuenta que
nuestro modelo sólo tiene un tipo de cambio, pero el modelo se extiende fácilmente a
otros tipos de turnos, con costos de desplazamiento diferentes.
139
Problema No. 3
Cartera de inversiones (Cornuejols y Trick, 1998)
Definición del problema.
En sus cursos de formación, aprenderá una serie de técnicas para crear carteras
óptimas. La optimización de una cartera depende en gran medida del modelo
utilizado para determinar el riesgo y otros aspectos de los instrumentos financieros.
He aquí un modelo particularmente sencillo que es susceptible a las técnicas de
programación lineal. Considere a un equipo de inversores con $ 100.000.000 de
dólares para financiar varias inversiones. Hay cinco categorías de préstamos, cada
uno con un retorno asociado y el riesgo (1-10, 1 mejor):
Primera inversión 9 3
Segunda inversión 12 6
Préstamos personales 15 8
Préstamos comerciales 8 2
Valores gubernamentales 6 1
140
Sea 𝑥𝑥𝑠𝑠 = 𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑎𝑎ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
El objetivo es maximizar la tasa de retorno o rendimiento (beneficio)
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 9𝑥𝑥1 + 12𝑥𝑥2 + 15𝑥𝑥3 + 8𝑥𝑥4 + 6𝑥𝑥5 + 3𝑥𝑥𝑠𝑠
Sujeto a:
(Disponibilidad de recursos) 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 + 𝑥𝑥4 + 𝑥𝑥5 + 𝑥𝑥𝑠𝑠 = 100,000,000
Ahora, veamos el riesgo promedio. Puesto que queremos tomar el promedio sobre
sólo la cantidad invertida, una traducción directa de esta restricción es:
3𝑥𝑥1 + 6𝑥𝑥2 + 8𝑥𝑥3 + 2𝑥𝑥4 + 𝑥𝑥5
≤5
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 + 𝑥𝑥4 + 𝑥𝑥5
Simplificando la expresión anterior, se tiene:
−2𝑥𝑥1 + 𝑥𝑥2 + 3𝑥𝑥3 − 3𝑥𝑥4 − 4𝑥𝑥5 ≤ 0
Similarmente necesitamos:
𝑥𝑥4 ≥ 0.2(𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 + 𝑥𝑥4 + 𝑥𝑥5 )
Simplificando, se tiene:
−0.2𝑥𝑥1 − 0.2𝑥𝑥2 − 0.2𝑥𝑥3 + 0.8𝑥𝑥4 − 0.2𝑥𝑥5 ≥ 0
La restricción final es:
𝑥𝑥2 + 𝑥𝑥3 − 𝑥𝑥1 ≤ 0
Condiciones de no negatividad de las variables: 𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , 𝑥𝑥4 , 𝑥𝑥5 , 𝑥𝑥𝑠𝑠 ≥ 0
Discusión
Los portafolios óptimos no sólo suceden: deben ser calculados, y hay una interacción
constante entre los modelos y la solubilidad. Los modelos de programación lineal
proporcionan un gran poder de modelado con un gran límite: el manejo del riesgo
debe realizarse de forma lineal (como nuestros factores de riesgo aquí). Otros
modelos que verá en finanzas es donde conocerá la covariancia de los rendimientos
entre las inversiones, un efecto fundamentalmente no lineal. Esto puede dar lugar a
modelos no lineales como los que tratan de minimizar la varianza en función de los
requisitos de retorno. Es muy difícil incorporar restricciones con características tan
específicas (como (c) y (d) aquí) en tales modelos.
141
Problema No. 4
Un problema de transporte (Bazaraa, 2010)
Un fabricante de muebles tiene tres plantas que requieren semanalmente 500, 700 y
600 toneladas de madera. El fabricante puede comprar la madera. El fabricante puede
comprar la madera a 3 compañías madereras. Las dos primeras compañías
madereras tienen virtualmente una oferta ilimitada, mientras que, por otros
compromisos, la tercera compañía no puede surtir más de 500 toneladas por semana.
La primera compañía maderera utiliza el ferrocarril como medio de transporte y no
hay límite al peso que puede enviar a las fábricas de muebles. Por otra parte, las otras
dos compañías madereras usan camiones, lo cual limita a 200 toneladas el peso
máximo que puede enviar a cualquiera de las fábricas de muebles. En la tabla
siguiente se proporciona el costo de transporte de las compañías madereras a las
fábricas de muebles ($ por tonelada).
FÁBRICA DE MUEBLES
COMPAÑÍA MADERERA 1 2 3
1 2 3 5
2 2.5 4 4.8
3 3 3.6 3.2
Formule este problema como un problema lineal (En el siguiente capítulo se pide al
estudiante que resuelva este problema)
Solución:
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 2𝑥𝑥11 + 3𝑥𝑥12 + 5𝑥𝑥13 + 2.5𝑥𝑥21 + 4𝑥𝑥22 + 4.8𝑥𝑥23 + 3𝑥𝑥31 + 3.6𝑥𝑥32 + 3.2𝑥𝑥33
Sujeto a:
Demanda de madera:
142
3 3 3
143
Problema No. 5
Obtenga el modelo de programación lineal que minimicé el costo del proyecto de tal
forma que se obtenga la combinación de maquinaria óptima.
Solución:
Sea 𝑥𝑥𝑖𝑖 = 𝑒𝑒𝑒𝑒 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑚𝑚á𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞 𝑖𝑖, 𝑖𝑖 = 1, . . ,5
𝑥𝑥1 ≤ 5(6.0), 𝑥𝑥2 ≤ 5(6.0), 𝑥𝑥3 ≤ 5(6.0), 𝑥𝑥4 ≤ 5(8.0), 𝑥𝑥5 ≤ 5(5.5)
144
Para definir la restricción de material total excavado, debemos encontrar el volumen
por hora que remueve cada máquina, en este caso, tenemos que utilizar la siguiente
relación, para cada una de las máquinas:
Sujeto a:
𝑥𝑥1 ≤ 30
𝑥𝑥2 ≤ 30
𝑥𝑥3 ≤ 30
𝑥𝑥4 ≤ 40
𝑥𝑥5 ≤ 27.5
145
Problema No. 6
Problema de ingeniería 2 (asignación e inspección). (Pacheco, 2011)
Tras el embate de un huracán se requiere evaluar los daños en una ciudad costera.
Para ello se creado una comisión de emergencia que inspeccionará daños en las
instalaciones eléctricas, de gas, agua potable y drenaje en edificios públicos, fábricas
y viviendas. Se requiere que los inspectores atiendan al menos 6 edificios públicos y
4 fábricas, que del total de inspecciones que realicen al menos 60% sean a vivienda.
Se estima que los tiempos de inspección por edificio en horas se consumirán de la
siguiente manera:
Solución:
Sea:
𝑥𝑥1 = 𝑒𝑒𝑒𝑒 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
𝑥𝑥2 = 𝑒𝑒𝑒𝑒 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝ú𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
𝑥𝑥3 = 𝑒𝑒𝑒𝑒 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑓𝑓á𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
146
Mínimo requerido de fábricas inspeccionadas: 𝑥𝑥3 ≥ 4
𝑥𝑥1
Porciento de viviendas inspeccionadas en relación al total de inspecciones: ≥
𝑥𝑥1 +𝑥𝑥2 +𝑥𝑥3
0.6
Simplificando, se tiene:
0.4𝑥𝑥1 − 0.6𝑥𝑥2 − 0.6𝑥𝑥3 ≥ 0
Tiempos de inspección de las infraestructuras e instalación correspondiente:
𝑥𝑥2 ≥ 6
𝑥𝑥3 ≥ 4
0.4𝑥𝑥1 − 0.6𝑥𝑥2 − 0.6𝑥𝑥3 ≥ 0
2𝑥𝑥1 + 4𝑥𝑥2 + 6𝑥𝑥3 ≤ 120
𝑥𝑥1 + 𝑥𝑥2 + 3𝑥𝑥3 ≤ 80
3𝑥𝑥1 + 2𝑥𝑥2 + 1𝑥𝑥3 ≤ 100
𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ≥ 0
147
Problema No. 7
Un problema de planificación de la producción e inventarios (Eiselt y Sandblom)
Una empresa quiere planificar su producción para uno de sus productos para los
próximos cuatro meses. El cuadro siguiente muestra la demanda pronosticada, las
capacidades de producción y los costos unitarios de producción para los meses
correspondientes, así como los costos de mantenimiento de inventario que se
incurren en el transporte de una unidad de un mes a otro.
Periodo
Solución:
Sean:
𝑥𝑥𝑖𝑖 = 𝑒𝑒𝑒𝑒 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖, 𝑖𝑖 = 1,2,3,4
𝐼𝐼𝑗𝑗 = 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗, 𝑗𝑗 = 1, 2, 3, 4, 5
148
Capacidad de producción por mes:
𝑥𝑥1 ≤ 100
𝑥𝑥2 ≤ 100
𝑥𝑥3 ≤ 160
𝑥𝑥4 ≤ 150
Inventario en el periodo 𝑗𝑗 :
𝐼𝐼1 = 0
𝐼𝐼2 = 0 + 𝑥𝑥1 − 50
𝐼𝐼3 = 𝐼𝐼2 + 𝑥𝑥2 − 120
𝐼𝐼4 = 𝐼𝐼3 + 𝑥𝑥3 − 150
𝐼𝐼5 = 0 = 𝐼𝐼4 + 𝑥𝑥4 − 160
𝐼𝐼5 = 0
Condiciones de no negatividad:
Sujeto a:
𝑥𝑥1 ≤ 100
𝑥𝑥2 ≤ 100
𝑥𝑥3 ≤ 160
𝑥𝑥4 ≤ 150
𝐼𝐼1 = 0
𝑥𝑥1 − 𝐼𝐼2 = 50
𝑥𝑥2 + 𝐼𝐼2 − 𝐼𝐼3 = 120
𝑥𝑥3 + 𝐼𝐼3 − 𝐼𝐼4 = 150
𝑥𝑥4 + 𝐼𝐼4 − 𝐼𝐼5 = 160
𝐼𝐼5 = 0
149
6. Conclusiones del capítulo
150
redes, como el problema de transporte, asignación y transbordo, el método de la ruta
más corta, redes Pert-Cpm, seguido por un conjunto de aplicaciones específicas
usando software especializado como Excel, Matlab, Maple, entre otros. Finalmente, se
abordará en el tercer capítulo de este libro modelos de programación matemática
más complicados, mediante al análisis de diversos problemas que caen en área de la
programación no lineal. Posteriormente analizaremos problemas de inventarios y
líneas de espera.
151
7. Referencias y bibliografía
• Bazaraa, Jarvis y Sherali (2010). Linear Programming and Network Flows, 4nd
edition, edit. Wiley, Usa.
• Eiselt, H.A. & Sandblom, C.L. (2007). Linear Programming and its Applications,
edit. Springer, New York, Usa.
• Griva, Nash y Sofer (2009). Linear and Nonlinear Optimization: Second Edition,
edit. Siam, Usa.
• Lapin y Whisler (1996). Cases in Management Science, Edit. Duxbury Press, Uk.
• Sierkama y Zwols (2015). Linear and Integer Optimization: Theory and Practice,
3nd edition, edit. Taylor & Francis Group, England.
152
Capítulo III
Modelos de redes
1. Conceptos básicos
2. El problema de transporte
2.1. Definición del problema de transporte. Bazaraa (2010)
2.2. El problema de transporte balanceado
3. El problema de asignación
4. El problema de transbordo
5. Problema de la ruta más corta
6. Programación de proyectos Pert-Cpm (Técnica de revisión y Evaluación de
Programas y el Método del Camino Crítico)
7. Ejemplos de problemas de redes
8. Problemas propuestos
9. Conclusiones de capítulo
10. Referencias y Bibliografía
153
1. Conceptos básicos
De acuerdo a Obregón (2005), la teoría de redes es un área de conocimiento dentro
del campo de la investigación de operaciones. Los problemas que estudia dicha teoría,
son principalmente de naturaleza combinatoria, es decir, relaciona rutas, cortes,
árboles y otros ejemplos. Para obtener las soluciones de estos problemas, se requiere
diseñar algoritmos. Algunos son más eficientes que otros, y su selección depende de
la característica del problema.
Los modelos de redes han ocupado un lugar muy importante en el progreso de
la Investigación de Operaciones y de las Ciencias Administrativas. Estos modelos
junto con la teoría de la programación lineal han mantenido una estrecha relación en
su desarrollo. Lo que a su vez ha propiciado avances en el campo de la Programación
Entera.
Otro aspecto es el adelanto de códigos más rápidos para los problemas de flujo
en redes, lo cual favorece la relación entre la investigación de operaciones y las
ciencias de la computación. Por otro lado, la investigación en modelos de redes a la
par con la ciencia de la computación, ha propiciado la construcción de estructuras
para el manejo de datos, haciendo más eficientes los algoritmos de redes.
La estructura de los problemas de redes se puede representar gráficamente.
Esto ha permitido visualizar problemas en áreas como: telecomunicaciones,
transporte, asignación, transbordo, distribución, planeación de proyectos,
localización de instalaciones, flujo, entre otros.
Muchos modelos de optimización importantes tienen una representación
gráfica natural en red. En este capítulo, discutimos algunos ejemplos específicos de
modelos de red. Hay varias razones para distinguir modelos de red de otros modelos
de programación lineal:
La estructura de red de estos modelos nos permite representarlos
gráficamente de una manera intuitiva para los usuarios. Podemos utilizar esta
representación gráfica como ayuda
En el desarrollo del modelo de hoja de cálculo. De hecho, para un libro de texto
especial para los estudiantes de licenciatura, el mejor argumento para señalar los
problemas de red para una consideración especial es el hecho de que pueden ser
representados gráficamente. Muchas empresas tienen problemas reales, a menudo
extremadamente grandes, que pueden representarse como modelos de red. De hecho,
muchas de las mejores historias de éxito de la ciencia de la administración han
involucrado modelos de redes grandes. Por ejemplo, y de acuerdo a Winston (2010),
154
la empresa Delta Airlines desarrolló un modelo de red para programar toda su flota
de aviones de pasajeros.
Algunas otras aplicaciones reales de modelos basados en red se enumeran en
todo el capítulo, pero la lista no es en modo alguno exhaustiva. Una exploración rápida
de los artículos en el diario de Interfaces indica que probablemente hay más
aplicaciones basadas en la red reportadas que cualquier otro tipo.
Se han desarrollado técnicas especializadas de solución específicamente para
modelos. Aunque no discutamos los detalles de estas técnicas de solución y no se
implementan en Microsoft Excel Solver; son importantes en las aplicaciones del
mundo real porque permiten a las empresas resolver problemas enormes que no
pueden ser resueltos por los algoritmos de la programación lineal vistos en el primer
capítulo de este libro de texto.
De acuerdo a Hiller y Lieberman (2011), los problemas de redes pueden
clasificarse esencialmente en ocho áreas: problemas de transporte, problemas de
asignación, ruta más corta, flujo máximo, árbol de expansión mínima, flujo a costo
mínimo y planeación y control de proyectos.
El siguiente esquema muestra los diferentes tipos de problemas de redes que
se abordan en la materia de investigación de operaciones en los programas de estudio
de las carreras de ingeniería en sistemas computacionales, ingeniería industrial,
gestión empresarial y la licenciatura en administración del Tecnológico Nacional de
México.
155
Problema de
transbordo
Problema de
transporte
Problema de
asignación
Problema de la ruta
más corta
Problema de
planeación y control Redes Pert- Cpm
de proyectos
Tipos de problemas
de redes
Problema de flujo
máximo
Problema de árbol
de expansión
miníma
Problema de flujo a
costo mínimo
156
2. El problema de transporte
Se consideran 𝑚𝑚 puntos de origen, en donde el origen 𝑖𝑖 tiene una oferta de 𝑎𝑎𝑖𝑖 unidades
de un artículo (producto) específico. Además, existen 𝑛𝑛 puntos de destino, en donde
el destino 𝑗𝑗 requiere 𝑏𝑏𝑗𝑗 unidades del producto. Se supone que 𝑎𝑎𝑖𝑖 , 𝑏𝑏𝑗𝑗 > 0. Con cada
enlace o arco (𝑖𝑖, 𝑗𝑗) del origen 𝑖𝑖 al destino 𝑗𝑗 está asociado un costo unitario 𝑐𝑐𝑖𝑖𝑖𝑖 por
transporte. El problema es determinar un «patrón de embarque» factible de los
orígenes a los destinos que minimice el costo total de transporte.
𝑚𝑚 𝑛𝑛
Sujeto a:
𝑛𝑛
157
𝑚𝑚
158
2.2. El problema de transporte balanceado
𝑚𝑚 𝑛𝑛
� 𝑎𝑎𝑖𝑖 = � 𝑏𝑏𝑗𝑗
𝑖𝑖=1 𝑗𝑗=1
Si esta ecuación se mantiene, entonces debe quedar claro que ningún cliente puede
recibir más que la demanda correspondiente, y cada depósito tiene que agotar su
suministro. Esto significa que, bajo estas circunstancias, las desigualdades en las
limitaciones tecnológicas del modelo pueden, sin pérdida de generalidad, ser
reemplazadas por restricciones de igualdad. El modelo resultante se llama el
problema de transporte equilibrado
𝑚𝑚 𝑛𝑛
Sujeto a:
𝑛𝑛
𝑚𝑚
159
Ejemplo de un problema de transporte. Sierksma y Zwols (2015)
Clientes
1 2 3 4 5
Depósito 1 4 3 8 7 9
Depósito 2 6 5 6 4 5
Depósito 3 7 4 7 5 4
160
2
1
4
8
1
3
8
2 3
7
9 5
5 6 5
2 3
4
Oferta
Demanda
5
4
7 7 4 2
5
6
3
4
5 7
Depósitos Clientes
Para 𝑖𝑖 = 1,2,3 𝑦𝑦 𝑗𝑗 = 1,2,3,4,5, sea 𝑐𝑐𝑖𝑖𝑖𝑖 el costo de transporte del depósito 𝑖𝑖 al cliente 𝑗𝑗,
y sea 𝑥𝑥𝑖𝑖𝑖𝑖 el número de vehículos que serán transportados del depósito 𝑖𝑖 al cliente 𝑗𝑗; el
costo de transportar 𝑥𝑥𝑖𝑖𝑖𝑖 vehículos de 𝑖𝑖 a 𝑗𝑗 es por lo tanto 𝑐𝑐𝑖𝑖𝑖𝑖 𝑥𝑥𝑖𝑖𝑖𝑖 . Además, sea 𝑎𝑎𝑖𝑖 el
número de vehículos en el depósito 𝑖𝑖 (la oferta). Entonces, 𝑎𝑎1 = 8, 𝑎𝑎2 = 5, 𝑎𝑎3 = 6.
Sea 𝑏𝑏𝑗𝑗 el número de vehículos ordenados por el cliente 𝑗𝑗 (la demanda). Entonces, 𝑏𝑏1 =
2, 𝑏𝑏2 = 3, 𝑏𝑏3 = 5, 𝑏𝑏4 = 2, 𝑏𝑏5 = 7. Este problema puede formularse como un modelo de
programación lineal siguiente:
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 4𝑥𝑥11 + 3𝑥𝑥12 + 8𝑥𝑥13 + 7𝑥𝑥14 + 9𝑥𝑥15 + 6𝑥𝑥21 + 5𝑥𝑥22 + 6𝑥𝑥23 + 4𝑥𝑥24
+ 5𝑥𝑥25 + 7𝑥𝑥31 + 4𝑥𝑥32 + 7𝑥𝑥33 + 5𝑥𝑥34 + 4𝑥𝑥35
Sujeto a:
161
𝑥𝑥21 + 𝑥𝑥22 + 𝑥𝑥23 + 𝑥𝑥24 + 𝑥𝑥25 ≤ 5
Las tres primeras restricciones expresan el hecho de que cada depósito sólo puede
entregar tantos vehículos como tiene disponible y las otras cinco restricciones
expresan el hecho de que los clientes deben recibir al menos el número de vehículos
que demandan.
162
2
1
8
1
2 3
5 2x6 5
2 3
Oferta
Demanda
4 2
6
3
5 7
Depósitos Clientes
163
1. /* Variables de decisión */
2. var x11>=0;
3. var x12>=0;
4. var x13>=o;
5. ……………….;
6. Var x35>=0;
7. /* Función objetivo */
8. minimice Z: *x11+3*x12+8*x13+7*x14+…+4*x35;
9. /* restricciones */
10. /*Oferta depósito 1 */
20. end;
La línea 1, 7, 9, 10, 12, 15 y 18 son comentarios. Los comentarios son ignorados por
el programa y sirven únicamente para clarificar el problema. Las líneas 5, 14 y 17, son
para generalizar en donde se han omitido variables y restricciones que deberán ser
agregadas al programa para obtener el programa de programación línea completo. La
línea 20 indica el fin de la captura de los parámetros del problema.
3. El problema de asignación
Para formular este problema como uno de programación lineal, introducimos las
variables binarias 𝑥𝑥𝑖𝑖𝑖𝑖 para 𝑖𝑖, 𝑗𝑗 = 1, … , 𝑛𝑛, con el siguiente significado:
𝑚𝑚 𝑛𝑛
� 𝑥𝑥𝑖𝑖𝑖𝑖 = 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 = 1, … , 𝑛𝑛
𝐽𝐽=1
𝑚𝑚
� 𝑥𝑥𝑖𝑖𝑖𝑖 = 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗 = 1, … 𝑛𝑛
𝑖𝑖=1
Hay que notar que el problema de asignación es un caso especial del problema de
transporte.
165
Ejemplo de un problema de asignación. Baker (2011)
Producto
Compacto Coupé Sedan Deportivo Camioneta Van
Planta 1 2 3 4 5 6
1 80 56 43 62 46 58
2 94 50 88 64 63 52
3 94 46 50 40 55 73
4 98 79 71 65 91 59
5 61 59 89 98 45 52
6 77 49 65 95 72 91
166
C11=80 (COSTO DE ASIGNACIÓN) 1
1 P1 A1
1
P2 A2 1
DEMANDA
1 P3 1
OFERTA
A3
1
P4
1
A4
1
P5
1
A5
1 P6 1
A6
167
Sea 𝑏𝑏𝑗𝑗 la demanda para fabricar el tipo de vehículos 𝑗𝑗 (la demanda unitaria). Entonces,
𝑏𝑏1 = 1, 𝑏𝑏2 = 1, 𝑏𝑏3 = 1, 𝑏𝑏4 = 1, 𝑏𝑏5 = 1, 𝑏𝑏6 = 1 . Este problema puede formularse como
un modelo de programación lineal siguiente:
∀ 𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0
168
Usando GNU MathProg Modeling Language (o GMPL), podemos verificar que el costo
mínimo de asignación es de $314 millones de dólares; los valores óptimos no nulos
de las 𝑥𝑥𝑖𝑖𝑖𝑖 ´𝑠𝑠 se unen a los arcos de la figura siguiente. Este problema se resuelve de
forma más eficiente utilizando el algoritmo húngaro de Kunh.
1
1 P1 A1
43
1 50
P2 A2 1
DEMANDA
1 P3 1
OFERTA
40 A3
1
P4
1
59 A4
45
1
P5
1
A5
77
1 P6 1
A6
169
Redes: ejemplo de un problema de asignación
Parámetros (costos)
Decisiones (asignación)
$314, 000,000
El problema de asignación a menudo se presenta cuando existe la necesidad de
asignar tareas a trabajadores, proyectos a jefes de proyecto, trabajadores a turnos,
tripulaciones aéreas a vuelos, contratos de compra a licitaciones de proveedores,
entre otras aplicaciones. De hecho, el problema de asignación es un caso particular
del problema transporte.
170
4. El problema de transbordo
El problema del transbordo es el problema de enviar un flujo a través de una red con
costo mínimo. La red consta de un número de nodos de suministro, llamados nodos
origen, un número de nodos de demanda, denominado nodo demanda y un número
de nodos intermedios (o transbordos) sin oferta y demanda. Hay un costo de envío
asociado con cada arco de la red.
𝑚𝑚 𝑟𝑟 𝑟𝑟 𝑛𝑛
Oferta:
𝑟𝑟
� 𝑥𝑥𝑖𝑖𝑖𝑖 ≤ 𝑎𝑎𝑖𝑖 , 𝑖𝑖 = 1, … , 𝑚𝑚
𝑘𝑘=1
Demanda:
𝑟𝑟
� 𝑥𝑥𝑘𝑘𝑘𝑘 = 𝑏𝑏𝑗𝑗 , 𝑗𝑗 = 1, … , 𝑛𝑛
𝑘𝑘=1
171
𝑚𝑚 𝑛𝑛
� 𝑥𝑥𝑖𝑖𝑖𝑖 = � 𝑥𝑥𝑘𝑘𝑘𝑘
𝑖𝑖=1 𝑗𝑗=1
Condiciones de no negatividad:
𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0, 𝑖𝑖 = 1, … , 𝑚𝑚; 𝑘𝑘 = 1, … , 𝑟𝑟
𝑥𝑥𝑘𝑘𝑘𝑘 ≥ 0, 𝑘𝑘 = 1, … , 𝑟𝑟; 𝑗𝑗 = 1, … , 𝑛𝑛
Considere un problema que abarca tres orígenes, es decir, tres fábricas y tres
minoristas, es decir puntos de la demanda. Cada origen tiene una cierta capacidad
máxima de mercancías, representadas por los nodos 1 ,2 y 3, que son 500, 450 y 400,
unidades, respectivamente. Cada punto de demanda requiere una cierta cantidad de
dichos bienes por parte de un conjunto de minoristas, representados por los nodos 7,
8 y 9, respectivamente, que son 350, 350 y 650 unidades, respectivamente. Entre los
nodos de origen y nodos de destino hay algunos nodos intermedios sobre los cuales
las mercancías son enviadas como puntos intermedios a los nodos de destino. En este
caso, son arcos (dirigidos desde el origen hasta el destino). El objetivo es encontrar el
costo mínimo de transporte desde las plantas hasta los puntos de demanda.
4 5 6 7 8 9
1 2 3 3 4 7 6 6
2 5 4 1 5 4 2 1
3 3 5 3 6 3 6 8
172
Como tal, podemos construir un diagrama de flujo para representar el problema de
decisión de la misma manera que el problema de transporte. El diagrama del
problema de transporte del ejemplo se muestra en la figura siguiente, donde cada uno
de los 18 arcos del diagrama representa el flujo de mercancías a través de la red.
2 7
500 1 4 7 350
3 6
3
6
5 4
Demanda
4 2
350
Oferta
450 2 5 8
1
1
3 3
5 6
3 8 650
400
3 6 9
173
Sea 𝑏𝑏𝑗𝑗 el número de artículos ordenados por el cliente 𝑗𝑗 (la demanda). Entonces, 𝑏𝑏1 =
350, 𝑏𝑏2 = 350, 𝑏𝑏3 = 650, respectivamente. Este problema puede formularse como un
modelo de programación lineal siguiente:
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 2𝑥𝑥14 + 3𝑥𝑥15 + 𝑥𝑥16 + 5𝑥𝑥24 + 4𝑥𝑥25 + 𝑥𝑥26 + 3𝑥𝑥34 + 5𝑥𝑥35 + 𝑥𝑥36 + 7𝑥𝑥47 + 6𝑥𝑥48
+ 6𝑥𝑥49 + 4𝑥𝑥57 + 2𝑥𝑥58 + 𝑥𝑥59 + 3𝑥𝑥67 + 6𝑥𝑥68 + 8𝑥𝑥69
Planta 1:
𝑥𝑥14 + 𝑥𝑥15 + 𝑥𝑥16 ≤ 500
Planta 2:
𝑥𝑥24 + 𝑥𝑥25 + 𝑥𝑥26 ≤ 450
Planta 3:
𝑥𝑥34 + 𝑥𝑥35 + 𝑥𝑥36 ≤ 500
Demandas minoristas:
Demanda 1:
𝑥𝑥47 + 𝑥𝑥57 + 𝑥𝑥67 = 350
Demanda 2:
𝑥𝑥48 + 𝑥𝑥58 + 𝑥𝑥68 = 350
Demanda 3:
𝑥𝑥49 + 𝑥𝑥59 + 𝑥𝑥69 = 650
174
Ingreso a nodo 6 = Salida nodo 6:
Condiciones de no negatividad:
𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0, 𝑖𝑖 = 1, … ,3; 𝑘𝑘 = 1, … ,3
𝑥𝑥𝑘𝑘𝑘𝑘 ≥ 0, 𝑘𝑘 = 1, … ,3; 𝑗𝑗 = 1, … ,3
500 1 4 7 350
550
Demanda
100 350
350
Oferta
450 2 5 8
350
650
350
400
400 650
3 6 9
175
Código Lingo para el problema de transbordo:
Min =
2*x14+3*x15+3*x16+5*x24+4*x25+x26+3*x34+5*x35+3*x36+7*x47+6*x48+6*x49
+4*x57+2*x58+x59+3*x67+6*x68+8*x69;
x14+x15+x16<=500;
x24+x25+x26<=450;
x34+x35+x36<=400;
x47+x57+x67<=350;
x48+x58+x68=350;
x49+x59+x69=650;
x14+x24+x34-x47-x48-x49=0;
x15+x25+x35-x57-x58-x59=0;
x16+x26+x36-x67-x68-x69=0;
end
176
5. Problema de la ruta más corta
El problema del camino más corto es un modelo de red particular que ha recibido
mucha atención tanto por razones prácticas como teóricas. La esencia del problema
se puede afirmar de la siguiente manera: Dada una red con distancia 𝑐𝑐𝑖𝑖𝑖𝑖 (o tiempo de
viaje, o costo, etc.) asociada con cada arco, encuentre un camino a través de la red
desde un origen particular a un destino que tiene la distancia total más corta. La
simplicidad del enunciado del problema es un tanto engañosa, porque una serie de
aplicaciones importantes pueden formularse como problemas de trayectoria más
cortas (o más largas) cuando esta formulación no es obvia desde el principio. Estos
incluyen problemas de reemplazo de equipos, inversión de capital, planificación de
proyectos y planificación de inventarios.
𝑚𝑚 𝑛𝑛
𝑛𝑛 𝑟𝑟 1, 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑠𝑠 (𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜)
� 𝑥𝑥𝑖𝑖𝑖𝑖 − � 𝑥𝑥𝑘𝑘𝑘𝑘 = � 0, 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑗𝑗=1 𝑘𝑘=1 −1, 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑡𝑡 (𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑)
𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0, 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑜𝑜𝑑𝑑𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙 (𝑖𝑖, 𝑗𝑗) 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑟𝑟𝑟𝑟𝑟𝑟
Podemos interpretar el problema del camino más corto como un problema de flujo
de red muy fácilmente. Simplemente queremos enviar una unidad de flujo de la fuente
al destino a un costo mínimo. En la fuente (origen), hay un suministro neto de una
unidad; En el destino, hay una demanda neta de una unidad; y en todos los otros
nodos no hay entrada neta o flujo de salida.
177
Consideremos un ejemplo de Bradley (1977), que se muestra en el esquema de red
correspondiente, en donde queremos encontrar la distancia más corta entre el nodo
1 y el 8. Los números o pesos en los arcos son la distancia o el costo de usar ese arco.
De igual forma, el modelo de programación lineal se muestra en un cuadro posterior
al esquema de red citado anteriormente y que se elabora en un cuadro resumen
donde se indican las variables de decisión, la función objetivo y el conjunto de
restricciones del problema.
1
2 5
2 6
0.5 2
5.1 3
1.5
3 2.2
1 1 4 6 8
0.5
4.2 Destino
Origen 3.4 2
1.5 -1
+1
2.4
3 7
5
El modelo de programación lineal par el problema de la ruta más corta del ejemplo,
se plantea de la siguiente forma:
1, 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑𝑑𝑑 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑖𝑖 𝑒𝑒𝑒𝑒𝑒𝑒á 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑚𝑚á𝑠𝑠 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
Sea 𝑥𝑥𝑖𝑖𝑖𝑖 = �
0 , 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑐𝑐𝑖𝑖𝑖𝑖 = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑖𝑖 ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑗𝑗
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 5.1𝑥𝑥12 + 3.4𝑥𝑥13 + 0.5𝑥𝑥24 + 2𝑥𝑥25 + 𝑥𝑥32 + 1.5𝑥𝑥34 + 5𝑥𝑥37 + 2𝑥𝑥45 + 3𝑥𝑥46 + 4.2𝑥𝑥47
+ 𝑥𝑥52 + 3𝑥𝑥56 + 6𝑥𝑥58 + 1.5𝑥𝑥65 + 0.5𝑥𝑥67 + 2.2𝑥𝑥68 + 2𝑥𝑥76 + 2.4𝑥𝑥78
Sujeto a:
Nodo 1: 𝑥𝑥12 + 𝑥𝑥13 = 1
178
Nodo 5: −𝑥𝑥25 − 𝑥𝑥45 + 𝑥𝑥52 + 𝑥𝑥56 + 𝑥𝑥58 − 𝑥𝑥65 = 0
𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0, 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑙𝑙𝑙𝑙𝑙𝑙 (𝑖𝑖, 𝑗𝑗) 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑟𝑟𝑟𝑟𝑟𝑟
Solución 0 1 1 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0
2 5
0.5
3 2.2
1 1 4 6 8
Destino
Origen 3.4
-1
+1
3 7
179
6. Programación de proyectos Pert-Cpm (Técnica de Revisión y Evaluación de
Programas y el Método del Camino Crítico)
El método del camino crítico (CPM), también conocido como el método de la ruta
crítica es una técnica de gestión de proyectos que se utiliza ampliamente en el
gobierno y la industria para analizar, planificar y programar las diversas tareas de
proyectos complejos. El CPM es útil para identificar qué tareas son críticas para la
ejecución del proyecto en general y para programar todas las tareas de acuerdo con
sus relaciones de prioridad prescritas para minimizar la fecha total de finalización del
proyecto o si se cumple una fecha objetivo con un costo mínimo.
Cada proyecto puede representarse mediante una estructura de red llamada red
del proyecto, y que tiene las siguientes propiedades:
180
b) Cada actividad de un proyecto es representada precisamente por un arco en la red
del proyecto
c) La red no contiene un ciclo dirigido
181
No. Tarea (actividad) Predecesor Tiempo (duración Tiempo inicio
inmediato de la actividad) más temprano
0 Inicio de obra --------- 0 --------
1 Estructura 0 2 t1
2 Cubierta 1 3 t2
3 Revestimiento 1 1 t2
4 Ventanas 3 2.5 t3
5 Plomería 3 1.5 t3
6 Sistema eléctrico 2, 4 2 t4
7 Acabado interior 5, 6 4 t5
8 Pintura exterior 2,4 3 t4
9 Fin de la obra 7, 8 0 t6
(5) Plomería
3 5
1.5
3 4
2.5
(1) Estructura
1 2 2
2 6
1
3
4
182
Como podemos ver, hay seis nodos en la red, cada uno representando una
tarea dada. Por esta razón, esta representación de red se denomina una red orientada
a tareas (o actividades).
183
𝑡𝑡5 − 𝑡𝑡4 ≥ 2
𝑡𝑡6 − 𝑡𝑡4 ≥ 3
𝑡𝑡6 − 𝑡𝑡5 ≥ 4
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 (𝑖𝑖, 𝑗𝑗) ∈ 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
Sujeto a:
− � 𝑦𝑦(1,𝑗𝑗) = −1
(1,𝑗𝑗)∈𝐴𝐴
� 𝑦𝑦(1,𝑛𝑛) = 1
(1,𝑛𝑛)∈𝐴𝐴
184
Sea (𝑖𝑖, 𝑗𝑗) el arco que ∈ a la red si y solo si la variable dual correspondiente a la
restricción 𝑡𝑡𝑗𝑗 − 𝑡𝑡𝑖𝑖 ≥ 𝑐𝑐(𝑖𝑖,𝑗𝑗) tiene un valor óptimo que es estrictamente mayor que cero.
Por lo tanto, para los datos de nuestro problema, el modelo de programación lineal
es:
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 2𝑦𝑦(1,2) + 3𝑦𝑦(2,3) + 𝑦𝑦(2,4) + 2.5𝑦𝑦(3,4) + 1.5𝑦𝑦(3,5) + 2𝑦𝑦(4,5) + 3𝑦𝑦(4,6) + 4𝑦𝑦(5,6)
Sujeto a:
−𝑦𝑦(1,2) = −1
𝑦𝑦(4,6) + 𝑦𝑦(5,6) = 1
𝑦𝑦(4,6) = 0, 𝑦𝑦(5,6) = 1
De esta solución óptima, se deduce que los arcos (1,2), (2,3), (3,4), (4,5) 𝑦𝑦 (5,6) están
en la trayectoria o ruta crítica. El tiempo de conclusión del proyecto es de 13.5
semanas, tal como se obtuvo en el primer modelo para obtener solo la duración del
proyecto.
El modelo en hoja electrónica de cálculo se muestra a continuación:
185
y(1,2) y(2,3) y(2,4) y(3,4) y(3,5) y(4,5) y(4,6) y(5,6) Usado Relación Derecho
1 1 = 1
1 -1 -1 0 = 0
1 -1 -1 0 = 0
1 1 -1 -1 0 = 0
1 1 -1 0 = 0
1 1 1 = 1
Tiempo actividad 2 3 1 2.5 1.5 2 3 4 = 13.5 ÓPTIMO
Solución 1 1 0 1 0 1 0 1 (Tiempo)
3 5
3 4
2.5
(1) Estructura
1 2 2
2 6
Diagrama de flujo óptimo con arcos (1,2), (2,3), (3,4), (4,5) 𝑦𝑦 (5,6) para el problema de la ruta crítica
Para facilitar los cálculos PERT/CPM, modificaremos la red del proyecto como se
muestra en la figura siguiente. Observe que en el recuadro anexo la esquina superior
de cada nodo contiene la letra o número de la actividad correspondiente. El tiempo
aparece debajo de la letra o número, según sea el caso. Similarmente, se indican todos
los tiempos que involucran la determinación de la ruta crítica.
186
ACTIVIDAD 2 ACTIVIDAD 6 ACTIVIDAD 7
INICIO ACTIVIDAD 1
ACTIVIDAD 3 ACTIVIDAD 5
Cubierta ES EF
1 LS LF
187
Determinación de la ruta crítica
Primero determinamos el tiempo de inicio más temprano y el tiempo de inicio más
tardío de todas las actividades que componen la red. Sean
𝐸𝐸𝐸𝐸 = 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑚𝑚á𝑠𝑠 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
𝐸𝐸𝐸𝐸 = 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡ó𝑛𝑛 𝑚𝑚á𝑠𝑠 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
𝑡𝑡 = 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
El tiempo de terminación más temprano de cualquier actividad es: 𝐸𝐸𝐸𝐸 = 𝐸𝐸𝐸𝐸 + 𝑡𝑡
El tiempo de inicio más temprano de una actividad es igual a los tiempos de
terminación más largos de todas las predecesoras inmediatas.
El procedimiento llamado paso hacia adelante a través de la red, nos permitirá
establecer los tiempos de inicio y terminación más tempranos de todas las actividades
que componen la red.
De igual forma, para determinar la ruta crítica realizaremos un paso hacia atrás a
través de la red, comenzamos el paso hacia atrás con un tiempo de terminación más
tardío. Una vez que se conoce el tiempo de terminación más tardío de una actividad,
el tiempo de inicio más tardío de una actividad se calcula como sigue. Sea
𝐿𝐿𝐿𝐿 = 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑚𝑚á𝑠𝑠 𝑡𝑡𝑡𝑡𝑟𝑟𝑟𝑟í𝑜𝑜 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
𝐿𝐿𝐿𝐿 = 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡ó𝑛𝑛 𝑚𝑚á𝑠𝑠 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡í𝑜𝑜 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
Entonces:
𝐿𝐿𝐿𝐿 = 𝐿𝐿𝐿𝐿 − 𝑡𝑡
La siguiente regla puede usarse para determinar el tiempo de terminación más tardío
de cada actividad en la red:
El tiempo de terminación más tardío de una actividad es el menor de los tiempos de
inicio más tardíos de todas las actividades que inmediatamente siguen a la actividad.
Finalmente, después de realizar los pasos hacia adelante y hacia atrás, podemos
determinar la cantidad de holgura asociada con cada actividad. Holgura es el lapso de
tiempo que una actividad puede ser demorada sin que se incremente el tiempo de
terminación del proyecto. La cantidad de holgura para una actividad se calcula como
sigue:
𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 = 𝐿𝐿𝐿𝐿 − 𝐸𝐸𝐸𝐸 = 𝐿𝐿𝐿𝐿 − 𝐸𝐸𝐸𝐸
En general, las actividades críticas son las actividades con holgura cero.
188
Resumen del procedimiento de la ruta crítica. Anderson y Sweeney (2011)
Paso 1. Elabore una lista de las actividades que conforman el proyecto
Paso 2. Determine la(s) predecesora(s) inmediata(s) de cada actividad del proyecto.
Paso 3. Calcule el tiempo de terminación de cada actividad.
Paso 4. Trace una red de proyecto que ilustre las actividades y las predecesoras
inmediatas mencionadas en los pasos 1 y 2.
Paso 5. Utilice la red del proyecto y las estimaciones de los tiempos de actividad para
determinar los tiempos de inicio y terminación más tempranos de cada actividad
avanzando un paso a través de la red. El tiempo de terminación más temprano de la
última actividad del proyecto identifica el tiempo total requerido para terminarlo.
Paso 6. Utilice el tiempo de terminación del proyecto en el paso 5 como el tiempo de
terminación más tardío de la última actividad, y retroceda un paso a través de la red
para identificar los tiempos de inicio y terminación más tardíos de cada actividad.
Paso 7. Utilice la diferencia entre el tiempo de inicio más tardío y el tiempo de inicio
más temprano de cada actividad para determinar su holgura.
Paso 8. Determine las actividades con holgura cero; ésta son las actividades críticas.
Paso 9. Utilice la información de los pasos 5 y 6 para desarrollar el programa de
actividades dl proyecto.
Para nuestro ejemplo, tenemos:
3 2 5
3 2 5
5 5 6.5
1.5 8 9.5
189
A continuación, se muestra el programa detallado de actividades:
Actividad Descripción Inicio más Inicio más Terminación Terminaci Holgura Activi
temprano tardío (EF) más ón más (LS-ES) dad
(ES) temprana tardía (LF) crítica
(LS) (LF-EF)
0 Inicio de obra 0 0 0 0 0
1 Estructura 0 2 0 2 0 Si
2 Cubierta 2 3 5.5 6.5 1 No
3 Revestimiento 2 5 2 5 0 Si
4 Ventanas 5 7.5 5 7.5 0 Si
5 Plomería 5 6.5 8 9.5 7 No
6 Sistema 7.5 9.5 7.5 9.5 0 Si
7 Acabado 9.5 13.5 9.5 13.5 0 Si
8 Pintura exterior 7.5 10.5 10.5 13.5 3 No
9 Fin de la obra 10.5 13.5 10.5 13.5 0
190
7. Ejemplos de problemas de redes
Problema No. 1
Para resolver este problema como un programa lineal, definimos 𝑥𝑥𝑖𝑖𝑖𝑖 como el número
de unidades enviadas de la fábrica 𝑖𝑖 al almacén 𝑗𝑗 para las fábricas 𝑖𝑖 = 1, . . , 𝑚𝑚 y los
almacenes 𝑗𝑗 = 1, . . , 𝑛𝑛. Entonces, el modelo de programa lineal del problema de
transporte toma la siguiente forma:
𝑚𝑚 𝑛𝑛
𝑛𝑛
� 𝑥𝑥𝑖𝑖𝑖𝑖 = 𝑎𝑎𝑖𝑖 , 𝑖𝑖 = 1, . . , 𝑚𝑚
𝑗𝑗=1
191
𝑚𝑚
� 𝑥𝑥𝑖𝑖𝑖𝑖 = 𝑏𝑏𝑗𝑗 , 𝑗𝑗 = 1, . . , 𝑛𝑛
𝑖𝑖=1
∀ 𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0, 𝑖𝑖 = 1, . . , 𝑚𝑚 ; 𝑗𝑗 = 1, . . , 𝑛𝑛
∀ 𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0, 𝑖𝑖 = 1, . . ,3 ; 𝑗𝑗 = 1, . . , 4
192
volvemos a utilizar el paquete de optimización de Maple para encontrar la solución
óptima del problema.
193
Cuando la oferta es menor que la demanda, por ejemplo, ∑𝑚𝑚 𝑛𝑛
𝑖𝑖=1 𝑎𝑎𝑖𝑖 < ∑𝑗𝑗=1 𝑏𝑏𝑗𝑗 , entonces
la formulación del modelo de programación lineal será infactible. En este caso
introducimos un nodo ficticio como una oferta artificial igual a ∑𝑛𝑛𝑗𝑗=1 𝑑𝑑𝑗𝑗 − ∑𝑚𝑚 𝑖𝑖=1 𝑎𝑎𝑖𝑖 ,
como la diferencia entre la oferta y la demanda total.
194
Problema No. 2
Trabajos 1 2 3 4 5
1 50 25 78 64 60
2 43 30 70 56 72
Programador 3 60 28 80 66 68
4 54 29 75 60 70
5 45 32 70 62 75
El diagrama de este ejemplo se muestra en la figura siguiente, donde cada uno de los
25 arcos del diagrama representa parte de una asignación potencial.
1
P2 T2 1
PROGRAMADOR
1
TRBAJOS
P3 1
T3
1
P4
1
T4
1
P5
1
T5
195
a. Determine la asignación que minimiza los días totales de los programadores
requeridos para completar los cinco puestos de trabajo.
𝑚𝑚 𝑛𝑛
� 𝑥𝑥𝑖𝑖𝑖𝑖 = 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 = 1, … , 𝑛𝑛
𝐽𝐽=1
𝑚𝑚
� 𝑥𝑥𝑖𝑖𝑖𝑖 = 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗 = 1, … 𝑛𝑛
𝑖𝑖=1
Sujeto a:
Oferta programadores:
196
Demanda trabajos:
MODEL:
! 5 Programadores, 5 Trabajos
Problema de Asignación;
SETS:
PROGRAMADOR / P1, P2, P3, P4, P5/: OFERTA;
TRABAJOS / T1, T2, T3, T4, T5/: DEMANDA;
ROUTES (PROGRAMADOR, TRABAJOS): COSTO, VOLUMEN;
ENDSETS
! La función objetivo;
[OBJ] MIN = @SUM (ROUTES: COSTO * VOLUMEN);
197
60, 28, 80, 66,68,
54, 29, 75, 60,70,
45, 32, 70, 62,75;
ENDDATA, END
Trabajos 1 2 3 4 5
1 60
2 43
Programador 3 28
4 60
5 70
1
1 P1 T1
60
43
1
P2 T2 1
28
PROGRAMADOR
TRABAJOS
1 P3 1
T3
1 60
P4
1
T4
70
1
P5
1
T5
198
Problema No. 3
Centro de distribución
Planta Fort Worth Santa Fe Las vegas
El Paso $3.20 $2.20 $4.20
San Bernardino ---------- $3.90 $1.20
Costos de envío por unidad desde las plantas de producción a los centros de
distribución (en dólares)
199
La empresa da servicio a nueve zonas de clientes desde los tres centros de
distribución. El pronóstico de la cantidad de medidores que se necesitan en cada zona
de clientes para el trimestre siguiente se muestra en la tabla siguiente:
Zona de Demanda
clientes (medidores
Dallas 6,300
San Antonio 4,880
Wichita 2,130
Kansas City 1,210
Denver 6,120
Salt Lake City 4,830
Phoenix 2,750
Los Ángeles 8,580
San Diego 4,460
El costo de envío por unidad desde cada centro de distribución a cada zona de
clientes se proporciona en la tabla siguiente; observe que algunos centros de
distribución no pueden dar servicio a ciertas zonas de clientes.
Solución:
200
30,000 20,000
EL PASO
SAN (Plantas)
BERNA..
(Almacenes)
6.0 5.2
3.1 5.4 2.5
3.3 2.4
2.1 6.0 2.1
0.3 2.7
4.7 3.3 2.7
5.4 4.5 4.4 3.4
(Demandas)
𝑚𝑚 𝑟𝑟 𝑟𝑟 𝑛𝑛
Oferta:
𝑟𝑟
� 𝑥𝑥𝑖𝑖𝑖𝑖 ≤ 𝑎𝑎𝑖𝑖 , 𝑖𝑖 = 1, … , 𝑚𝑚
𝑘𝑘=1
Demanda:
𝑟𝑟
� 𝑥𝑥𝑘𝑘𝑘𝑘 = 𝑏𝑏𝑗𝑗 , 𝑗𝑗 = 1, … , 𝑛𝑛
𝑘𝑘=1
𝑚𝑚 𝑛𝑛
� 𝑥𝑥𝑖𝑖𝑖𝑖 = � 𝑥𝑥𝑘𝑘𝑘𝑘
𝑖𝑖=1 𝑗𝑗=1
Condiciones de no negatividad:
201
𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0, 𝑖𝑖 = 1, … , 𝑚𝑚; 𝑘𝑘 = 1, … , 𝑟𝑟
𝑥𝑥𝑘𝑘𝑘𝑘 ≥ 0, 𝑘𝑘 = 1, … , 𝑟𝑟; 𝑗𝑗 = 1, … , 𝑛𝑛
Sujeto a:
202
La solución para el problema de distribución, utilizando Lindo, se muestra a
continuación:
203
30,000 20,000
SAN
EL PASO
BERNA..
Variables de decisión:
204
Discusión:
Permitir que los clientes sean atendidos por cualquier centro de distribución reduce
el costo total a $ 600,942; el costo total consiste en $ 423,230 de costo de fabricación
y $ 177,712 de costo de envío. Se trata de una disminución del 3.19% en el costo total
y una disminución de 8.42% en el costo de envío. Solamente un cliente, San Diego, es
servido por más de un centro de distribución.
205
Problema No. 4
𝑚𝑚 𝑛𝑛
𝑛𝑛 𝑟𝑟 1,
𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑠𝑠 (𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜)
� 𝑥𝑥𝑖𝑖𝑖𝑖 − � 𝑥𝑥𝑘𝑘𝑘𝑘 =� 0, 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑗𝑗=1 𝑘𝑘=1 −1, 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑡𝑡 (𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑)
𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0, 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑙𝑙𝑙𝑙𝑙𝑙 (𝑖𝑖, 𝑗𝑗) 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑟𝑟𝑟𝑟𝑟𝑟
206
El flujo en red de la ruta más corta se muestra a continuación:
9.1
B C
6.8
10.3
7.2
8.5
9.4
A E G
8.8
6.2
2.5
Origen (+1) D Destino (-1)
12.3
5.6
El modelo de programación lineal par el problema de la ruta más corta del ejemplo,
se plantea de la siguiente forma:
1, 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑𝑑𝑑 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑖𝑖 𝑒𝑒𝑒𝑒𝑒𝑒á 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑚𝑚á𝑠𝑠 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
Sea 𝑥𝑥𝑖𝑖𝑖𝑖 = �
0 , 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑐𝑐𝑖𝑖𝑗𝑗 = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑖𝑖 ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑗𝑗
Sujeto a:
Ciudad
207
(C) −𝑥𝑥𝐵𝐵𝐵𝐵 + 𝑥𝑥𝐶𝐶𝐶𝐶 = 0
(D) −𝑥𝑥𝐴𝐴𝐴𝐴 − 𝑥𝑥𝐵𝐵𝐵𝐵 + 𝑥𝑥𝐷𝐷𝐷𝐷 + 𝑥𝑥𝐷𝐷𝐷𝐷 = 0
(E) −𝑥𝑥𝐵𝐵𝐵𝐵 − 𝑥𝑥𝐶𝐶𝐶𝐶 − 𝑥𝑥𝐷𝐷𝐷𝐷 + 𝑥𝑥𝐸𝐸𝐸𝐸 + 𝑥𝑥𝐸𝐸𝐸𝐸 = 0
(F) −𝑥𝑥𝐷𝐷𝐷𝐷 − 𝑥𝑥𝐸𝐸𝐸𝐸 + 𝑥𝑥𝐹𝐹𝐹𝐹 = 0
(G) −𝑥𝑥𝐸𝐸𝐸𝐸 − 𝑥𝑥𝐹𝐹𝐹𝐹 = −1
∀ 𝑥𝑥𝑖𝑖𝑖𝑖 ≥ 0
Resolviendo el problema de la ruta más corta utilizando lindo. Se tiene la ruta más
corta siguiente:
Variable Valor
XAB 1
XAD 0
XBC 0
XBD 0
XBE 1
XCE 0
XDE 0
XDF 0
XEF 0
XEG 1
208
B C
6.8
7.2
9.4
A E G
Problema No. 5
Usando Matlab para encontrar la gráfica y la ruta más corta de un problema de red
Encontrar la ruta más corta en una gráfica dirigida. Considere el siguiente ejemplo:
W = [.41 .99 .51 .32 .15 .45 .38 .32 .36 .29 .21];
DG =
(4,1) 0.4500
209
(6,2) 0.4100
(2,3) 0.5100
(5,3) 0.3200
(6,3) 0.2900
(3,4) 0.1500
(5,4) 0.3600
(1,5) 0.2100
(2,5) 0.3200
(1,6) 0.9900
(4,6) 0.3800
El diagrama de flujo óptimo para el problema de la ruta más corta utilizando Matlab
[dist,path,pred] = graphshortestpath(DG,1,6)
210
path = 1 5 4 6 (se define la ruta más corta)
pred = 0 6 5 5 1 4
211
Problema No. 6
Ken Johnston, el gerente de proceso de datos de Stanley Morgan Bank, está planeando
un proyecto para instalar un nuevo sistema de información administrativo. Ahora
está listo para iniciar el proyecto y desea terminarlo en 20 semanas.
3
4
H
6 D
5 6
A
7
I M 0
0 3
E 4
INICIO B CULMINACIÓN
4
J 5
F N
C
K
4 G
3
6
L
a) Encuentre todas las rutas y longitudes de rutas a través de esta red de proyecto.
¿Cuál de estas rutas es crítica?
b) Encuentre los tiempos más tempranos, los tiempos más lejanos y la holgura de
cada actividad. ¿Ken será capaz de cumplir con el plazo límite si no ocurren
retrasos?
c) Utilice la información del inciso b) para determinar cuál de las rutas es crítica.
¿Qué le dice esto a Ken acerca de en qué actividades debe enfocar más su atención
para mantenerse dentro del programa?
212
d) Utilice la información del inciso b) para determinar cuál será la duración del
proyecto si el único retraso es que la actividad I toma dos semanas adicionales.
¿Qué pasa si el único retraso es que la actividad H toma dos semanas adicionales?
¿Qué pasa si el único retraso es que la actividad J toma dos semanas adicionales?
Solución:
Inciso a)
Inciso b)
Ken Johnston, el gerente de proceso de datos de Stanley Morgan Bank podrá cumplir
con su plazo si no se producen retrasos.
Inciso c)
213
Las rutas críticas son:
Inicio – B – E – J – M- Culminación
Inicio – C – G- L – N – Culminación
Hay que centrar los esfuerzos en aquellas actividades que tiene holgura 0. Los del
camino crítico.
3
4
H
6 D
5 6
A
7
I M 0
0 3
E 4
INICIO B CULMINACIÓN
4
J 5
F N
C
K
4 G
3
Inciso d)
214
8. Problemas propuestos.
Problema No. 1
Ciudades
1 2 3 4
Ciudad 1 0 6 3 9
Ciudad 2 6 0 2 3
Ciudad 3 3 2 0 6
Ciudad 4 9 3 6 0
Escriba un modelo de programación lineal que pueda usar para determinar la ruta
más corta de la ciudad 1 a la ciudad 4; determine la ruta más corta de la ciudad 1 a la
ciudad 4.
215
Problema No. 2
Sujeto a:
216
Problema No. 3
1 40 1 12.60
2 45 2 14.00
3 50 3 10.20
4 35 4 14.20
5 45 5 12.00
6 13.00
El costo por galón ($) para el envío desde cada proveedor hasta cada división se
proporciona en la tabla siguiente:
Proveedor
División 1 2 3 4 5 6
1 2.75 2.50 3.15 2.80 2.75 2.75
2 0.80 0.20 5.40 1.20 3.40 1.00
3 4.70 2.60 5.30 2.80 6.00 5.60
4 2.60 1.80 4.40 2.40 5.00 2.80
6 3.40 0.40 5.00 1.20 2.60 3.60
217
Problema No. 4
Almacén
Planta Pittsburgh Mobile Denver Los Washington CPU
Ángeles disponibles
Seattle 10 20 5 9 10 9,000
Columbus 2 10 8 30 6 4,000
Nueva York 1 20 7 10 4 8,000
CPU 3,000 5,000 4,000 6,000 3,000 21,000
requeridos
c) Determine la cantidad que debe enviarse desde cada planta a cada almacén para
minimizar el costo total de envío. Use Lindo, Lingo y Excel para resolver el
problema.
218
Problema No. 5
b) Calcule el tiempo total de finalización del proyecto, junto con los tiempos de inicio
más temprano y tiempo de inicio más tardío de todas las actividades.
219
Problema No. 6
9 4 -20
2 4 6
12
11
1 8
7
5
15
50
6 3
3 5 7
-30
220
Problema No. 7
15
2 7
4
5
8 2
4
3 5
13 2 7
1 8 10
2 6
15 3
5
4 5
5
10
4
12
9
221
Problema No. 8
La compañía PHP fabrica instrumental médico, y ha decidido abrir una nueva planta.
La gerencia ha identificado once actividades principales del proyecto, para ser
terminado antes de que la producción real pueda comenzar. La dirección también ha
especificado las actividades (los predecesores inmediatos) que deben ser
completadas antes de que una actividad determinada pueda comenzar. Para cada una
de las once actividades, se ha estimado el tiempo de ejecución. En el cuadro a
continuación se indican los resultados
c) Formule el problema dual del problema del inciso b). Demuestre que la solución
del dual corresponde a la longitud más larga de la red del proyecto.
222
d) Calcule el tiempo total de finalización del proyecto, junto con los tiempos de inicio
más temprano y tiempo de inicio más tardío de todas las actividades.
223
Problema No. 9
224
Tabla No. 1 Datos de costos de envío (dólares por rollo)
Distribución central
Telares Los Chicago Londres México Manila Roma Tokio Nueva
(fábricas) Ángeles York
Bahamas 2 2 3 3 7 4 7 1
Hong Kong 6 7 8 10 2 9 4 8
Corea 5 6 8 11 4 9 1 7
Nigeria 14 12 6 9 11 7 5 10
Venezuela 4 3 5 1 9 6 11 4
El sr. Lao quiere fijar la producción y los embarques de tal forma que se reduzcan los
costos para los clientes porque cuando hay capacidad insuficiente y la eficiencia en
las operaciones es menor a la capacidad es cuando la demanda se cae debajo de la
máxima potencia productora.
a) Algodón
b) Tela de poliéster
c) Seda
225
Problema No. 10
b) Calcule el tiempo total de finalización del proyecto, junto con los tiempos de inicio
más temprano y tiempo de inicio más tardío de todas las actividades.
226
9. Conclusiones de capítulo
Los modelos de red son posiblemente aún los más importantes modelos con
una estructura especial en la programación lineal. En este capítulo examinamos
las características de los modelos de red, formulamos algunos ejemplos de estos
modelos y utilizamos un enfoque para su solución.
227
Durante el desarrollo del último tema, pudieron identificarse un programa de
actividades que mostraron los tiempos de inicio y terminación más tempranos, los
tiempos de inicio y terminación más tardíos y la holgura de cada actividad.
Para este caso, se sugiere abordar en clase, uno o dos problemas con los
alumnos en donde se resuelva un problema con tiempos inciertos que le permitan
comprender de forma amplia parte de la teoría del método del camino crítico.
228
10. Referencias y Bibliografía
• Bazaraa, M., Sherali, H., Jarvis, J. (2010). Linear Programming and Network
Flows, 4th. Edition, Edit. Wiley, USA.
• Bradley, S., Hax, A., Magnanti, T., (2010). Edit. Addison-Wesley Publishing
Company, USA.
229
Capítulo IV
Programación no lineal
1. Introducción
2. Conceptos básicos de programación no lineal
3. Aplicaciones de la programación no lineal
3.1. Suministro de materia prima (inventarios)
3.2. Manufactura
3.3. Análisis de punto de equilibrio
3.4. Logística
4. Máximos y mínimos
5. Funciones convexas y funciones cóncavas
5.1. Funciones convexas
5.2. Funciones cóncavas
6. Clasificación de los problemas de programación no lineal
7. Ilustración gráfica de problemas de programación no lineal
7.1. Optimización de una variable
8. Búsqueda no restringida
9. Método de la sección dorada
10. Algoritmo de búsqueda de la sección dorada
11. Interpolación cuadrática
12. Método de Newton Raphson
13. Problemas de máximos y mínimos y puntos de inflexión con una sola variable.
Taylor (2007)
14. Método de resolución de modelos de programación no lineal con una sola
variable. Anderson y Sweeney (1993)
230
15. Problemas de programación lineal no restringidos con una sola variable
(Resueltos con Maple)
16. Problemas propuestos de funciones no lineales con una sola variable. Dgarmo,
Sullivan, Bontadelli y Wicks. (1997)
17. Problemas de máximos y mínimos y puntos de inflexión para dos variables.
Miller (2000)
17.1. Derivadas parciales, vector gradiente y matriz Hessiana
17.2. Vectores gradiente
17.3. Matrices Hessiana
17. 4 Máximos y mínimos para funciones 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 )
17.5 Problemas de programación lineal no restringidos para funciones 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 )).
Miller (2000)
17.6. Problemas propuestos de problemas no restringidos de funciones no lineales
de dos variables. Miller (2000). Hidalgo (2017)
18. Modelos de programación no lineal restringidos.
19. Problemas propuestos de programación no lineal restringidos a igualdad.
20. Aplicaciones industriales utilizando modelos de programación no lineal
21. Problemas propuestos
22. Conclusiones del capítulo
23. Referencias y Bibliografía
231
1. Introducción
Numerosas aplicaciones de la programación matemática, incluyendo muchas vistas
en los dos capítulos anteriores, se expresan naturalmente como programas lineales.
Los supuestos o aproximaciones de programación lineal también pueden conducir a
representaciones de problemas apropiadas sobre el rango de variables de decisión
que se están considerando. En distintas ocasiones, sin embargo, las no linealidades en
forma de funciones objetivo no lineales o restricciones no lineales son cruciales para
representar correctamente una aplicación como un programa matemático. En este
tercer capítulo del libro se proporciona un primer paso hacia el enfrentamiento de
problemas no lineales; primero introduciendo varias características de programas no
lineales y entonces tratando dichos problemas que pueden ser resueltos usando
procedimientos especiales. Como consecuencia, las técnicas a discutir son
principalmente basadas en el cálculo.
A medida que se desarrolla nuestra discusión sobre la programación no lineal,
se invita a los alumnos y a los lectores a reflexionar sobre la teoría de la programación
lineal y la teoría de redes que se ha desarrollado anteriormente, contrastando las dos
teorías para entender por qué los problemas no lineales son intrínsecamente más
difíciles de resolver. Al mismo tiempo, debemos tratar de entender las similitudes
entre las dos teorías, en particular porque los resultados no lineales a menudo están
motivados por, y son extensiones directas de, sus análogos lineales.
Las similitudes serán particularmente visibles para el material de este capítulo
donde predominan las técnicas vistas en los dos capítulos anteriores.
Los métodos clásicos de optimización son útiles para encontrar la solución
óptima de funciones continuas y diferenciables. Estos métodos son analíticos y hacen
uso de las técnicas de cálculo diferencial para localizar los puntos óptimos. Dado que
algunos de los problemas prácticos implican funciones objetivas que no son continuas
y / o diferenciables, las técnicas clásicas de optimización tienen un alcance limitado
en aplicaciones prácticas. Sin embargo, un estudio de los métodos de cálculo de
optimización constituye una base para el desarrollo de la mayoría de las técnicas
numéricas de optimización presentadas en los temas subsecuentes. En este capítulo
presentamos las condiciones necesarias y suficientes para localizar la solución
óptima de una función de una sola variable, una función multivariable sin
restricciones y una función multivariable con restricciones de igualdad y desigualdad.
232
El presente capítulo se centra en la programación no lineal aplicada. Se
presenta una introducción general que discute varios aplicaciones industriales o
gerenciales. Se utilizan conceptos clave como funciones convexas y funciones
cóncavas.
233
2. Conceptos básicos de programación no lineal
a) Maximizar el beneficio
b) Maximizar la fiabilidad de un equipo
c) Minimizar el costo
d) Minimizar el peso de un componente o determinada estructura de ingeniería,
Etcétera
Si se imponen ciertas limitaciones o restricciones, se hace referencia a un problema
de optimización restringida. En ausencia de las limitaciones, es un problema no
restringido.
Los métodos de la programación lineal son útiles cuando la función objetivo y el
conjunto de restricciones son funciones lineales, tales problemas pueden ser
resueltos utilizando el algoritmo simplex. La programación no lineal puede presentar
los siguientes casos:
a) Función objetivo no lineal y restricciones lineales
b) Función objetivo lineal y restricciones no lineales
c) Función objetivo no lineal no restringida
234
3. Aplicaciones de la programación no lineal
Las industrias procuran contar regularmente con las materias primas o los insumos
y /o componentes. Éstos se obtienen frecuentemente en tamaños de lote adecuados.
El costo anual total oportuno es la suma del costo de ordenar y el costo de
mantenimiento del inventario. Si el tamaño del lote es grande, entonces hay un menor
número de órdenes en un año y por lo tanto el costo anual de ordenar. Pero al mismo
tiempo, el costo de mantenimiento del inventario se incrementa. Considerando la tasa
de demanda constante, la función de costo total es no lineal, tal como se muestra en
la figura No. 1 siguiente:
Costo
Total
Tamaño de Lote
3.2. Manufactura
235
mientras se está configurando la máquina. Además de esto, el costo de las pruebas de
ejecución, etc., si las hay, pueden ser tomados en consideración.
Costo anual
de
Instalación
Cantidad
236
La línea de costo total se muestra en la Figura No. 3 junto con los ingresos por
ventas. Los ingresos por ventas son la multiplicación de la cantidad vendida por el
precio de venta por unidad.
Costo total
Ventas
Ingresos/ Costo
Costos variables
Total
Costos fijos
Figura No. 3. Interacción del costo total lineal y los ingresos por venta
El costo total en la figura No. 3 se muestra como una función lineal. Sin
embargo, en la práctica, y dependiendo de la naturaleza del costo variable y de
otros factores, el costo total puede ser representado como una función no
lineal como se muestra en la figura No. 4.
Costos fijos
q1 q2 Cantidad
Figura No. 4. Interacción entre el costo total no lineal y los ingresos por venta.
237
La función de costo total no lineal y la línea de ingresos por ventas se intersecan en
dos puntos, correspondientes a la cantidad q1 y q2. Por lo tanto, existen dos puntos
de equilibrio en el rango visible de la cantidad. Como el beneficio es igual = ingreso
de ventas - costo total, es cero si se produce y se vende la cantidad q1 o q2. Hay cierta
cantidad que es más que q1 e inferior a q2, en la que se puede lograr el máximo
beneficio.
En situaciones más complejas, tanto el costo total como las funciones de ingresos por
ventas pueden ser no lineales.
3.4. Logística
238
PROVEEDORES
ELEMENTOS DE ENTRADA
ORGANIZACIÓN INDUSTRIAL
ARTÍCULOS TERMINADOS
CLIENTES
239
4. Máximos y mínimos
Considere una cualquier función 𝑓𝑓(𝑥𝑥) como se muestra en la figura No. 6. Si 𝑓𝑓(𝑥𝑥) se
define en el intervalo de 𝑥𝑥, [𝐴𝐴, 𝐵𝐵]. 𝑓𝑓(𝑥𝑥) tiene su valor máximo en 𝑥𝑥 ∗ que es óptimo.
F(x)
A X* B
240
Similarmente, los puntos 4 y 5 son puntos mínimos de 𝑓𝑓(𝑥𝑥). El punto 4 es un mínimo
global. El punto 5 es un mínimo local o relativo.
También se suele llamar a los máximos o mínimos locales como extremos locales.
𝑑𝑑𝑑𝑑(𝑥𝑥)
=0
𝑑𝑑𝑑𝑑
𝑑𝑑 2 𝑓𝑓(𝑥𝑥)
< 0, 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑢𝑢𝑢𝑢 𝑚𝑚á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥
𝑑𝑑𝑑𝑑 2
y
𝑑𝑑2 𝑓𝑓(𝑥𝑥)
> 0, 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑢𝑢𝑢𝑢 𝑚𝑚í𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
𝑑𝑑𝑑𝑑 2
Un ejemplo numérico que nos permite observar los máximos y mínimos global y
cos(2𝜋𝜋𝜋𝜋)
locales del de la función: 𝑓𝑓(𝑥𝑥) = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 0.15 ≤ 𝑥𝑥 ≤ 1.75. La figura No. 8
𝑥𝑥
muestra la gráfica de la función
𝑐𝑐𝑐𝑐𝑐𝑐(2𝜋𝜋𝜋𝜋)
Figura No. 8. Gráfica de la función 𝑓𝑓(𝑥𝑥) =
𝑥𝑥
241
5. Funciones convexas y funciones cóncavas
Una función no lineal 𝑓𝑓(𝑥𝑥) se muestra en la figura No. 9. Esta función es de tal
naturaleza que la línea que une cualquiera de los puntos seleccionados en esta
función, nunca estará por debajo de esta función. En otras palabras, viendo la gráfica
desde abajo, esta función o curva se verá convexa.
Función convexa
242
Función cóncava
243
Propiedades funciones cóncavas Gráfica función cóncava
244
Como la segunda deriva es positiva, la función 𝑓𝑓(𝑥𝑥) es convexa. Una solución óptima
se obtiene al igualar a cero la primera derivada. El valor positivo de la primera
derivada es 𝑥𝑥 ∗ = 600.
45,000
Muestre que la función: 𝑓𝑓(𝑥𝑥) = − � � − 2𝑥𝑥, es una función cóncava para valores
𝑥𝑥
positivos de 𝑥𝑥 y obtenga la solución óptima al maximizar 𝑓𝑓(𝑥𝑥) con los valores
positivos de 𝑥𝑥.
245
Como la segunda deriva es negativa, la función 𝑓𝑓(𝑥𝑥) es cóncava. Una solución óptima
se obtiene al igualar a cero la primera derivada. El valor positivo de la primera
derivada es 𝑥𝑥 ∗ = 150.
246
45,000
Figura No. 12. Grafica de la función 𝑓𝑓(𝑥𝑥) = − � � − 2𝑥𝑥 . Función cóncava
𝑥𝑥
247
6. Clasificación de los problemas de programación no lineal
La búsqueda del valor óptimo de cualquier variable comenzará desde un punto inicial
adecuado. Después de cierto número de iteraciones, se espera que el objetivo se
encuentre.
v) Métodos numéricos
248
restricciones. En caso contrario, el problema de programación lineal puede ser el
siguiente: optimización no lineal, sujeto a un conjunto de restricciones del tipo:
𝑔𝑔𝑗𝑗 (𝑥𝑥) = 0 (𝑗𝑗 = 1, … , 𝑝𝑝) y la restricción de desigualdad ℎ𝑘𝑘 (𝑥𝑥)(≥, ≤)0 (𝑘𝑘 = 1, … , 𝑞𝑞)
asumiremos que las funciones 𝑓𝑓, 𝑔𝑔𝑖𝑖 𝑦𝑦 ℎ𝑘𝑘 (𝑗𝑗 = 1, … , 𝑝𝑝, 𝑘𝑘 = 1, … , 𝑞𝑞) son funciones
diferenciales y continuas.
𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥)
Sujeto a:
249
iii) Número de ciclos para la adquisición de insumos o materias primas en el
contexto de la gestión de la cadena de suministro.
iv) Un número óptimo de ciclos de producción en un año para que el costo mínimo
total pueda ser alcanzado.
Es el caso en donde todas las variables de diseño son necesarias. A este caso se le
denomina optimización entero puro.
2) Problemas de optimización entera mixta
En este caso, no es necesario obtener el valor entero óptimo de todas las variables. El
requisito de integridad se justifica solo para algunas variables. En otras palabras,
algunas variables de un conjunto pueden tomar valores continuos, mientras que los
restantes pueden tener valores enteros.
Busqueda
irrestricta
Método de la
sección oro
Optimización de
una variable
Interpolación
cuadrática
Método de
No restringida
Newton Rapson
Métodos
dicotómicos
Optimización
multivariable
Método
Programación no univariado
lineal/métodos
de solución
Optimización de Métodos de
una variable búsqueda
Restringida Métodos de
penalización de
Optimización la función
Aplicación multivariable
específica Métodos de
Lagrange
Figura No.12. Breve clasificación de los modelos de programación no lineal y sus métodos de solución
250
7. Ilustración gráfica de problemas de programación no lineal
Sujeto a:
𝑥𝑥 ≥ 0.3
Sujeto a:
𝑥𝑥 ≤ 0.15
1) Búsqueda irrestricta
3) Interpolación cuadrática
251
8. Búsqueda no restringida
Cuando no hay idea del intervalo en la que puede encontrarse una variable que sea
óptima, la búsqueda del óptimo es irrestricta. Se necesita un punto inicial adecuado
para iniciar el procedimiento de búsqueda. En la figura No. 13, se muestra un punto
óptimo mediante el valor símbolo 𝑥𝑥 . Supongamos que el valor inicial es 𝑥𝑥 = 0 desde
donde se iniciará una búsqueda. Es como tratar de encontrar una dirección en una
ciudad desconocida.
𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥) = 4𝑥𝑥 − 8𝑥𝑥 2 , considerando el punto inicial 0 y una longitud de 0.1.
Graficando la función 𝑓𝑓(𝑥𝑥) con Maple, se tiene la siguiente Figura No. 14.
252
Figura No. 14. Gráfica de la función = en el intervalo −3.03 ≤ 𝑥𝑥 ≤ 3.03
Resolviendo el problema mediante búsqueda no restringida:
𝑓𝑓 (0.3) no es mayor que 𝑓𝑓 (0.2), por lo tanto, un óptimo correcto puede encontrarse
en el rango cercano de [0.2, 0.3]. A continuación se busca un intervalo de paso más
pequeño, es decir 0.01 a partir de 𝑥𝑥 = 0.2 , después de encontrar la dirección
adecuada.
253
Por lo tanto, 𝑓𝑓(0.26) no es mayor que 𝑓𝑓(0.25), por lo que el valor de 𝑥𝑥 = 0.25 hace
máxima a nuestra función 𝑓𝑓(𝑥𝑥) = 0.5.
𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥) = 8𝑥𝑥 2 − 5.44𝑥𝑥, usando un valor inicial de 𝑥𝑥 = 0.5 con una amplitud o
longitud de 0.1 .
Graficando la función 𝑓𝑓(𝑥𝑥) con Maple, se tiene la siguiente Figura No. 15.
254
Figura No. 16. Gráfica de la función 𝑓𝑓(𝑥𝑥) = 8𝑥𝑥 2 − 5.44𝑥𝑥 en el intervalo −3 ≤ 𝑥𝑥 ≤ 3
Evaluando la función 𝑓𝑓(𝑥𝑥) = 8𝑥𝑥 2 − 5.44𝑥𝑥 en 𝑥𝑥 = 0.5, se tiene que 𝑓𝑓(0.5) = −0.72
Como la función tiene tendencia a decrecer en dirección negativa desde el valor inicial
de 0.5, la búsqueda se realiza de la siguiente manera:
255
En este caso, se tiene:
Con este valor, es decir, a partir de 𝑥𝑥 = 0.34, consideramos una longitud o amplitud
de 0.001.
En comparación con 𝑓𝑓(0.34) = −0.9248, no hay mejoras, por lo que el valor que hace
mínima la función 𝑓𝑓(𝑥𝑥) = 8𝑥𝑥 2 − 5.44𝑥𝑥, es 𝑥𝑥 = 0.34. Por lo tanto, 𝑓𝑓(0.34) = −0.9248.
256
Por lo que se comprueba que el procedimiento del método es adecuado para
problemas de este tipo. 𝑓𝑓(𝑥𝑥) = 8𝑥𝑥 2 − 5.44𝑥𝑥 , 𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 = 0.5
La figura No. 16 muestra el punto en donde la función derivada pasa por el valor de
𝑥𝑥 es igual a 0.34, y tiene un valor mínimo de 𝑓𝑓(𝑥𝑥) = −0.9248.
Figura No. 17. Gráfica de la función 𝑓𝑓(𝑥𝑥) = 8𝑥𝑥 2 − 5.44𝑥𝑥 en el intervalo −3 ≤ 𝑥𝑥 ≤ 3 y su derivada.
257
Una industria manufacturera elabora múltiples artículos, mediante un proceso
productivo. Cada artículo fabricado se produce mediante diferentes ciclos
productivos. El costo total de producción anual, es la suma de los costos de
mantenimiento del inventario y el costo de instalación de la maquinaria y equipo. Se
estima que la función de costo total, está determinada por la función: 𝑓𝑓(𝑥𝑥) = 1150𝑥𝑥 +
250/𝑥𝑥.
Solución:
𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥) = 1150𝑥𝑥 + 250/𝑥𝑥, usando un valor inicial de 𝑥𝑥 = 0.45 con una amplitud o
longitud de 0.01 .
Graficando la función 𝑓𝑓(𝑥𝑥) con Maple, se tiene la siguiente Figura No. 18.
258
Evaluando la función 𝑓𝑓(𝑥𝑥) = 1150𝑥𝑥 + 250/𝑥𝑥 en 𝑥𝑥 = 0.45, se tiene: 𝑓𝑓(0.45) =
1073.06
Por lo tanto, el tiempo de ciclo óptimo 𝑥𝑥 se obtiene como 𝑥𝑥 = 0.466 años y el coste
total relevante de 1072.38
La figura No. 19 muestra el punto en donde la función derivada pasa por el valor de 𝑥𝑥
es igual a 0.4662, y tiene un valor mínimo de 𝑓𝑓(𝑥𝑥) = 1072.380.
259
Figura No. 19. Gráfica de la función 𝑓𝑓(𝑥𝑥) = 1150𝑥𝑥 + 250/𝑥𝑥 en el intervalo −2 ≤ 𝑥𝑥 ≤ 2 y su derivada en
el mismo intervalo.
.
500
> 0 para valores positivos de 𝑥𝑥. Por lo tanto, es una función convexa.
𝑥𝑥 3
, , , .
Discusión:
260
El siguiente ejemplo muestra como es difícil encontrar un punto máximo o mínimo
global cuando la función contiene máximo y mínimos locales y puntos de inflexión. En
la última sección se abordará lo relacionado al tema de máximos y mínimos.
, , , (máximo
relativo)
, , , (mínimo
relativo)
261
, , Ni máximo, ni mínimo, se procede a calcular la
siguiente derivada.
,
,
262
9. Método de la sección dorada
Consideremos a dos puntos 𝑥𝑥𝐿𝐿 𝑦𝑦 𝑥𝑥𝑅𝑅 en el rango o intervalo [𝑥𝑥1 , 𝑥𝑥2 ], tales que:
Tomando el primer caso, por ejemplo, cuando 𝑓𝑓(𝑥𝑥𝐿𝐿 ) < 𝑓𝑓(𝑥𝑥𝑅𝑅) . Esto puede ser cierto o
verdadero en dos situaciones:
a) Cuando 𝑥𝑥𝐿𝐿 𝑦𝑦 𝑥𝑥𝑅𝑅 están a cada lado de 𝑥𝑥 * óptimo, tal como se muestra en la figura
No. 20.
263
b) Cuando 𝑥𝑥𝐿𝐿 𝑦𝑦 𝑥𝑥𝑅𝑅 están a un lado de 𝑥𝑥 * óptimo, tal como se muestra en la figura No.
21.
Para ambos casos, lo siguiente es aplicable la siguiente afirmación: «el valor óptimo
debe estar en el rango [𝑥𝑥𝐿𝐿 , 𝑥𝑥2 ] si 𝑓𝑓(𝑥𝑥𝐿𝐿 ) < 𝑓𝑓(𝑥𝑥𝑅𝑅) »
Figura No. 21. Cuando 𝑥𝑥𝐿𝐿 𝑦𝑦 𝑥𝑥𝑅𝑅 están a un lado de 𝑥𝑥 * óptimo [𝑓𝑓(𝑥𝑥𝐿𝐿 ) < 𝑓𝑓(𝑥𝑥𝑅𝑅) ]
Esto puede ser cierto en las tres situaciones que se muestran en las figuras No. 22(a),
22(b) y 22(c).
Figura No. 22 (a). 𝑓𝑓(𝑥𝑥𝐿𝐿 ) = 𝑓𝑓(𝑥𝑥𝑅𝑅 ). 𝑥𝑥𝐿𝐿 𝑦𝑦 𝑥𝑥𝑅𝑅 se encuentran a cada lado del valor óptimo 𝑥𝑥 *
264
Figura No. 22 (b). 𝑓𝑓(𝑥𝑥𝐿𝐿 ) > 𝑓𝑓(𝑥𝑥𝑅𝑅 ). 𝑥𝑥𝐿𝐿 𝑦𝑦 𝑥𝑥𝑅𝑅 se encuentran a cada lado del valor óptimo 𝑥𝑥 *
Figura No. 22 (c). 𝑓𝑓(𝑥𝑥𝐿𝐿 ) > 𝑓𝑓(𝑥𝑥𝑅𝑅 ). 𝑥𝑥𝐿𝐿 𝑦𝑦 𝑥𝑥𝑅𝑅 se encuentran en un solo lado del valor óptimo 𝑥𝑥 *
265
10. Algoritmo de búsqueda de la sección dorada
266
Después de inicializar como se indica en la figura No. 23, se siguen los siguientes
pasos:
Paso 1.- 𝑓𝑓(𝑥𝑥𝐿𝐿 ) se compara con 𝑓𝑓(𝑥𝑥𝑅𝑅 ) y dependiendo de esta comparación, debemos
ir al paso 2 o al paso 3.
Paso 2.- Si 𝑓𝑓(𝑥𝑥𝐿𝐿 ) < 𝑓𝑓(𝑥𝑥𝑅𝑅 ), 𝑋𝑋1 = 𝑥𝑥𝐿𝐿 y 𝑀𝑀 = 𝑋𝑋2 − 𝑋𝑋1 , 𝑥𝑥𝐿𝐿 posterior a 𝑥𝑥𝑅𝑅 y 𝑥𝑥𝑅𝑅 = 𝑋𝑋1 + 𝑀𝑀𝑟𝑟
Ir al paso 1.
Paso 3.- Si 𝑓𝑓(𝑥𝑥𝐿𝐿 ) ≥ 𝑓𝑓(𝑥𝑥𝑅𝑅 ), 𝑋𝑋2 = 𝑋𝑋𝑅𝑅 𝑦𝑦 𝑀𝑀 = 𝑋𝑋2 − 𝑋𝑋1 , 𝑥𝑥𝑅𝑅 posterior a 𝑥𝑥𝐿𝐿 y 𝑥𝑥𝐿𝐿 = 𝑋𝑋1 + 𝑀𝑀𝑟𝑟 2
Ir al paso 1.
Figura No. 24. Grafica de la función 𝑓𝑓(𝑥𝑥) = 4𝑥𝑥 − 8𝑥𝑥 2 en el intervalo [0,0.5]
267
𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥) = 4𝑥𝑥 − 8𝑥𝑥 2 = 0.5, 𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 = 0.25
intervalo 0 ≤ 𝑥𝑥 ≤ 1.
Solución:
Paso inicial:
Primera iteración
Paso 1
268
𝑓𝑓(𝑥𝑥𝐿𝐿 ) = 𝑓𝑓(0.19) = 0.47
Paso 3
Segunda iteración
Paso 1
Paso 2
Puede observarse que un solo valor de 𝑥𝑥𝐿𝐿 y 𝑥𝑥𝑅𝑅 está cambiando realmente en cada
iteración. Cualquier 𝑥𝑥𝐿𝐿 o 𝑥𝑥𝑅𝑅 tomará el valor previo o anterior de 𝑥𝑥𝑅𝑅 o 𝑥𝑥𝐿𝐿 ,
respectivamente.
Donde 𝑖𝑖 = 1,2,3..
269
El proceso iterativo se continúa hasta que 𝑀𝑀 es considerablemente pequeño
Tercera iteración
Cuarta iteración
Quinta iteración
En la actualidad, el valor de 𝑀𝑀 = 0.04 𝑐𝑐𝑐𝑐𝑐𝑐 [𝑋𝑋1 , 𝑋𝑋2 ] = [0.22, 0.26], lo que indica que
el óptimo se encuentra entre los valores de 0.22 𝑦𝑦 0.26.
Teniendo en cuenta que un intervalo pequeño, incluso un promedio entre los valores
de las obras puede ser de 0.24 que está muy cerca de exacta del valor óptimo 𝑥𝑥 ∗ =
0.25 obtenido con la precisión del programa Maple.
270
11. Interpolación cuadrática
Si es posible aproximar cualquier función por una función cuadrática o si está es difícil
diferenciarla, entonces se analiza la función cuadrática para obtener un mínimo. El
mínimo así obtenido se sustituye en la función original que ha de minimizarse y el
proceso se continúa para alcanzar la precisión deseada.
Tomando tres puntos cualesquiera: 𝑥𝑥1 , 𝑥𝑥2 , 𝑦𝑦 𝑥𝑥3 son seleccionados, y se tiene el
siguiente sistema:
Para obtener el valor mínimo de la función (𝑥𝑥) = 𝑎𝑎𝑥𝑥 2 + 𝑏𝑏𝑏𝑏 + 𝑥𝑥, se utiliza el criterio
de la derivada, obteniéndose:
𝑏𝑏
𝑀𝑀𝑀𝑀𝑀𝑀 𝑥𝑥 ∗ = − (Ecuación No. 5)
2𝑎𝑎
271
Este mínimo 𝑥𝑥 ∗ se utiliza en el proceso iterativo. Tres puntos 𝑥𝑥1 , 𝑥𝑥2 𝑦𝑦 𝑥𝑥3 , así como sus
correspondientes valores en la función, son necesarios para determinar el valor
óptimo 𝑥𝑥 ∗ .
300
𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥) = 1200𝑥𝑥 +
𝑥𝑥
Comenzar con el punto inicial 𝑥𝑥1 = 0.3 y una longitud de paso de ∆= 0.1
272
Figura No. 26. Gráfica de la función en el intervalo −1 ≤ 𝑥𝑥 ≤ 1
Solución:
Primera iteración
Ahora, 𝑥𝑥1 = 0.3 𝑦𝑦 𝑓𝑓(0.3) = 1,360, 𝑥𝑥2 = 𝑥𝑥1 + ∆= 0.3 + 0.1 = 0.4 𝑦𝑦 𝑓𝑓(𝑥𝑥2 ) = 1,230
Segunda iteración
Ahora, 𝑥𝑥1 = 0.48, 𝑓𝑓(𝑥𝑥1 ) = 1201, 𝑥𝑥2 = 𝑥𝑥1 + ∆= 0.48 + 0.1 = 0.58 𝑦𝑦 𝑓𝑓(𝑥𝑥2 ) =
1,213.24
Como 𝑓𝑓(𝑥𝑥1 ) < 𝑓𝑓(𝑥𝑥2 ), 𝑥𝑥3 = 𝑥𝑥1 − ∆ = 0.48 − 0.1 = 0.38, 𝑦𝑦 𝑓𝑓(𝑥𝑥3 ) = 1,245.47
Con el fin de conseguir la precisión deseada, el proceso puede continuar hasta que la
diferencia entre valores consecutivos de 𝑥𝑥 ∗ se haga muy pequeña.
273
Figura No. 27. Gráfica de la función y la función derivada
en el intervalo −1 ≤ 𝑥𝑥 ≤ 1 .
274
12. Método de Newton Raphson
Sea:
−𝑓𝑓1 (𝑎𝑎)
O, también: ℎ =
𝑓𝑓11 (𝑎𝑎)
𝑓𝑓1 (𝑎𝑎)
Siguiente valor de 𝑥𝑥 = 𝑎𝑎 −
𝑓𝑓11 (𝑎𝑎)
Primera iteración
275
= 22222.22222
Segunda iteración
Ahora, 𝑎𝑎 = 0.396
𝑥𝑥 ∗ =
Tercera iteración
276
Este proceso continua hasta encontrar la precisión deseada del valor de 𝑥𝑥 ∗ .
En los modelos de inventarios, la función de costo anual total se formula como la suma
del costo de adquisición más el costo de instalación, más costo de mantenimiento de
inventario y costo del pedido posterior.
−𝑓𝑓(𝑎𝑎) 𝑓𝑓(𝑎𝑎)
También: ℎ = , el siguiente valor de 𝑥𝑥 = 𝑎𝑎 −
𝑓𝑓1 (𝑎𝑎) 𝑓𝑓1 (𝑎𝑎)
277
Este valor de 𝑥𝑥 se usa en la siguiente iteración como un valor aproximado de 𝑎𝑎. El
proceso se continúa hasta que la diferencia entre dos valores sucesivos de 𝑥𝑥 sea muy
pequeña o casi cero.
278
13. Problemas de máximos y mínimos y puntos de inflexión con una sola
variable. Taylor (2007)
La programación lineal, es una técnica muy versátil que puede ser y ha sido
aplicada a una amplia variedad de problemas.
279
Para un problema realista, el espacio de la solución puede ser como una
cordillera, con muchos picos y valles, y el punto de solución máximo o mínimo podría
estar en la parte superior de cualquier pico o en el fondo de cualquier valle.
280
14. Método de resolución de modelos de programación no lineal con una sola
variable. Anderson y Sweeney (1993)
La primera derivada de una función sin restricciones debe ser igual a cero en sus
puntos máximos locales o mínimos locales.
El procedimiento general para encontrar el máximo o mínimo global para una función
de una variable es el siguiente:
Paso 1. Encontrar los puntos que satisfagan las reglas 1 y 2. Estos son los candidatos
para proporcionar la solución óptima del problema.
Paso 3. Comparar los valores de la función con todos los puntos que se encontraron
en los pasos 1 y 2. El mayor de éstos es la solución global máxima; el menor de ellos
es la solución global mínima.
281
15. Problemas de programación lineal no restringidos con una sola variable
(Resueltos con Maple)
Problema No. 1
Solución:
282
Problema No. 2
Solución:
283
Instrucción Maple Resultado
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸:
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸:
40
𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑢𝑢𝑢𝑢 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑚𝑚í𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
9
40 > 0
284
𝐸𝐸𝐸𝐸 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑚𝑚í𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 0
≤ 𝑥𝑥 ≤ 4,
Figura No. 30. Grafica de la función 𝑓𝑓(𝑥𝑥) = 3𝑥𝑥 3 − 20𝑥𝑥 2 + 60 y su derivada 𝑓𝑓´(𝑥𝑥) = 9𝑥𝑥 2 − 40𝑥𝑥 en el
intervalo 0 ≤ 𝑥𝑥 ≤ 4
285
Problema No. 3
a) ¿A qué velocidad debe planearse el viaje para minimizar el costo total, el cual es la
suma del costo de operación del aeroplano y el costo del tiempo de los pasajeros?
b) Verifique su respuesta dada en el inciso anterior utilizando los criterios para
valores máximos y mínimos.
Solución:
300,000
a) La función de costo total está dada por la ecuación: 𝐶𝐶𝑇𝑇 = 0.0375𝑥𝑥 3/2 + .
𝑥𝑥
Realizando y resolviendo el problema utilizando Maple, tenemos:
286
Figura No. 31. Gráfica de la función en el intervalo −1 ≤ 𝑥𝑥 ≤ 1.
Se observa que 𝑥𝑥 tiene cinco raíces, dos negativas, dos imaginarias y una real. Se toma
el valor de la variable 𝑥𝑥 real positiva, y no las imaginarias debido a que los problemas
de optimización se trabaja con funciones reales de variable real. Por lo tanto, 𝑥𝑥 =
490.6812819 millas por hora es la velocidad que minimiza el costo total. El valor de -
396.9694959 se omite debido a que no tiene sentido hablar de velocidades negativas
en este problema. Verificando la segunda derivada para confirmar una solución de
costo mínimo.
287
, > 0, 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 > 0
300,000
𝐶𝐶𝑇𝑇 = 0.0375𝑥𝑥 3/2 + = $1,018.991387 (Costo mínimo total)
𝑥𝑥
en el intervalo 0 ≤ 𝑥𝑥 ≤ 10
288
A continuación, en las tablas número 4, 5 y 6 veremos tres ejemplos que muestran de
forma gráfica la caracterización de una función con valor máximo y valor mínimo. De
igual forma, se muestra una función con un punto de inflexión.
Función Primera Segunda Gráfica (valor mínimo
derivada derivada indiscutible en 𝑥𝑥 ∗ = 0)
289
Función Primera Segunda Gráfica (punto de
derivada derivada inflexión en 𝑥𝑥 ∗ = 0)
𝑓𝑓´(𝑥𝑥) = 0 𝑓𝑓´´(𝑥𝑥 ∗) = 0
∗
𝑥𝑥 = 0
290
16. Problemas propuestos de funciones no lineales con una sola variable.
Dgarmo, Sullivan, Bontadelli y Wicks. (1997)
I. Una compañía produce tarjetas de circuitos que se utilizarán para poner al día el
equipo de cómputo atrasado. El costo fijo es $42,000 por mes y el costo variable
es $53 por tarjeta. El precio de venta por unidad es 𝑝𝑝 = $150 − 0.02𝐷𝐷.
La producción máxima de la planta es 4,000 unidades por mes.
II. Una compañía estima que la relación entre precio unitario y demanda por mes
para un nuevo producto potencial se calcula mediante 𝑝𝑝 = $100 − $0.10𝐷𝐷. La
compañía puede fabricar el producto incrementando los costos fijos en $17,500
por mes, y el costo variable estimado en $40.00 por unidad. ¿Cuál es la demanda
óptima, 𝐷𝐷∗ ? Con base en esta demanda, ¿debe la compañía fabricar este nuevo
producto? ¿Por qué?
III. Una compañía produce y vende un producto de consumo, y hasta ahora ha sido
capaz de controlar el volumen del producto variando el precio de venta. La
compañía busca maximizar su utilidad neta. Se ha concluido que la relación entre
precio y demanda, por mes, es aproximadamente 𝐷𝐷 = 500 − 5𝑝𝑝, donde p es el
precio por unidad en dólares. El costo fijo es $1,000 a mes, y el costo variable es
$20 por unidad. Responda, matemáticamente y gráficamente, a las siguientes
preguntas:
291
c) ¿Cuáles son las cantidades de ventas en punto de equilibrio (¿intervalo de
volumen de demanda lucrativa?
IV. Se debe buscar un sitio para los desechos sólidos municipales fuera de su ciudad
o de cualquier otra. Después de la separación, una parte de los desperdicios se
transportará a una planta de energía eléctrica donde se utilizará como
combustible.
292
centavos por bushel a la semana; además, es probable que sufra la
descomposición de aproximadamente 200 busheles por cada semana que retrase
la cosecha. ¿Cuándo debe cosechar su cultivo para obtener el rendimiento neto
más grande de efectivo, y cuánto recibirá por este cultivo en este tiempo?
Encuentre todos los puntos estacionarios de esta función y determine si son mínimos
y máximos locales. ¿Esta función tiene un mínimo global o un máximo global?
IX. Miller (2000). Examine las siguientes funciones para máximos, mínimos y
puntos de inflexión, Sin utilizar la segunda derivada.
293
X. Miller (2000). Encuentre los máximo y mínimos para cada una de las
siguientes funciones, utilizando la primera y segunda derivada. Indique en
cada caso si los puntos son máximos o mínimos relativos o absolutos.
XI. Miller (2000) e Hidalgo (2017). Utilice Maple para explorar y analizar las
siguientes funciones para máximos, mínimos y puntos de inflexión.
Encuentre todas las raíces de la primera derivada de la función, también
con Maple. Use esos valores para analizar el problema.
a) 𝑓𝑓(𝑥𝑥) = 0.1(𝑥𝑥 + 1)3 (𝑥𝑥 − 2)3 + 1 (aquí la primera derivada es de orden 5 con tres
raíces reales. Verifique esto usando Maple)
b) 𝑓𝑓(𝑥𝑥) = (𝑥𝑥 + 3)3 (𝑥𝑥 − 2)2 + 1 (de igual forma, hay tres raíces reales para la
primera derivada. Use Maple para resolver el problema)
294
17. Problemas de máximos y mínimos y puntos de inflexión para dos variables.
Miller (2000)
Las derivadas parciales están diseñadas para medir un cambio en 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) cuando
todas las variables, excepto una permanece constante, la técnica de la diferenciación
parcial es una extensión simple de la diferenciación ordinaria. Requiere que
solamente la otra 𝑥𝑥 (o 𝑥𝑥´𝑠𝑠, si hay más de tres variables) se considere como constante.
Por ejemplo, si 𝑦𝑦 = 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = 3𝑥𝑥12 + 4𝑥𝑥1 𝑥𝑥2 + 𝑥𝑥23 , las dos posibles derivadas
parciales son:
295
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
= 6𝑥𝑥1 + 4𝑥𝑥2 𝑦𝑦 = 4𝑥𝑥1 + 3𝑥𝑥2
𝜕𝜕𝑥𝑥1 𝜕𝜕𝑥𝑥2
Obsérvese que en general ambas variables aparecen en ambas derivadas parciales.
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
En particular para un valor para 𝑥𝑥2 , por ejemplo 𝑥𝑥20 , se asume, entonces que
𝜕𝜕𝑥𝑥1 𝜕𝜕𝑥𝑥1
𝜕𝜕𝜕𝜕
(evaluada en 𝑥𝑥20 ) es solo una función de 𝑥𝑥1 . Similarmente, es una función de 𝑥𝑥2
𝜕𝜕𝑥𝑥2
relativa a algún valor específico 𝑥𝑥10 . Como este el caso, es fácil visualizar las derivadas
parciales como curvas en planos particulares en el espacio tridimensional 𝑥𝑥1 , 𝑥𝑥2 , 𝑦𝑦
espacio.
Por ejemplo, sea la función: 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = −(𝑥𝑥1 − 1)2 − (𝑥𝑥2 − 2)2 + 7
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
Las derivadas parciales de y , calculadas con Maple, se muestran a
𝜕𝜕𝑥𝑥1 𝜕𝜕𝑥𝑥2
continuación:
Figura No. 33. Gráfica de la función (𝑥𝑥1 , 𝑥𝑥2 ) = −(𝑥𝑥1 − 1)2 − (𝑥𝑥2 − 2)2 + 7 en el intervalo −6 ≤
𝑥𝑥1 ≤ 8 𝑦𝑦 − 6 ≤ 𝑥𝑥2 ≤ 8
296
Para obtener puntos máximos o mínimos en una función de dos o más variables,
necesitamos obtener derivadas parciales de mayor orden. Son similares a las
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝑦𝑦 2
derivadas de orden superior de la misma forma que y . Entonces =
𝜕𝜕𝑥𝑥1 𝜕𝜕𝑥𝑥2 𝜕𝜕𝑥𝑥12
𝜕𝜕𝜕𝜕
𝜕𝜕( )/𝜕𝜕𝑥𝑥1 es la segunda derivada parcial de 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) con respecto de 𝑥𝑥1 .
𝜕𝜕𝑥𝑥1
Con funciones de dos o más variables, también es posible medir, por ejemplo, como
la primera derivada parcial con respecto a 𝑥𝑥1 se ve afectada por un cambio en 𝑥𝑥2 .
Por ejemplo, para la función 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = 3𝑥𝑥12 + 4𝑥𝑥1 𝑥𝑥2 + 𝑥𝑥23 , las dos posibles derivadas
parciales son:
Entonces, las segundas derivadas parciales de 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) con respecto a 𝑥𝑥1 y a𝑥𝑥2 , son,
respectivamente:
𝜕𝜕𝜕𝜕
La notación para las derivadas parciales cruzadas es 𝜕𝜕( )/𝜕𝜕𝑥𝑥2 o 𝜕𝜕𝑦𝑦 2 /(𝜕𝜕𝑥𝑥1 𝜕𝜕𝑥𝑥2 ). Las
𝜕𝜕𝑥𝑥1
297
∇𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) ≡ ∇𝑓𝑓
6𝑥𝑥1 + 4𝑥𝑥2
Específicamente para: 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = 3𝑥𝑥12 + 4𝑥𝑥1 𝑥𝑥2 + 𝑥𝑥23 , ∇𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = � �
4𝑥𝑥1 + 3𝑥𝑥22
Si las primeras derivadas parciales son evaluadas en un punto en particular, por
𝟐𝟐 32
ejemplo, en 𝒙𝒙𝟎𝟎 = � � el gradiente en ese punto se denota por ∇𝑓𝑓(2,5)=� �.
𝟓𝟓 83
Una función de dos variables independientes tendrá dos segundas derivada parciales,
denotadas por (𝑓𝑓11 𝑦𝑦 𝑓𝑓22 ) y dos (iguales) derivadas parciales cruzadas, denotadas por
(𝑓𝑓12 𝑦𝑦 𝑓𝑓21 ) . Estos son los elementos de un vector gradiente para construir la matriz
Hessina. Entonces, para 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ),
𝑓𝑓 𝑓𝑓
∇2 = 𝐻𝐻 = � 11 12 �
𝑓𝑓21 𝑓𝑓22
Las representaciones de gradiente y matriz Hessiana proporcionan una notación
compacta para examinar las condiciones de máximo y mínimo para una función
𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ), y, en última instancia para instancias apropiadas, de 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 ), donde
𝑛𝑛 >2.
298
17.4. Máximos y mínimos para funciones 𝒇𝒇(𝒙𝒙𝟏𝟏 , 𝒙𝒙𝟐𝟐 )
La tabla No. 8, muestra los resultados para determinar los valores máximos y
mínimos de una función de dos variables en un punto.
𝑑𝑑𝑑𝑑(𝑥𝑥 ∗ ) = 0
Condiciones necesarias de
primer orden
O, usando gradiente: 𝛁𝛁𝒇𝒇(𝒙𝒙∗ ) = 0
𝑑𝑑 2 (𝒙𝒙∗ ) ≤ 0 𝑑𝑑 2 (𝒙𝒙∗ ) ≥ 0
O, usando los primeros O, usando los primeros
menores del Hessiano menores del Hessiano
Condiciones necesarias de |𝐻𝐻1∗ (1)| = 𝑓𝑓11
∗
≤0 |𝐻𝐻1∗ (1)| = 𝑓𝑓11
∗
≥0
segundo orden
Y, |𝐻𝐻2∗ |=|𝑯𝑯∗ | ≥ 0
𝑑𝑑𝑑𝑑(𝒙𝒙∗ ) = 0
O, usando gradientes
𝛁𝛁𝑓𝑓(𝒙𝒙∗ ) = 0
Y,
Condiciones suficientes
𝑑𝑑 2 (𝒙𝒙∗ ) < 0 𝑑𝑑 2 (𝒙𝒙∗ ) > 0
O, usando loa principales O, Usando los principales
menores del Hessiano menores del Hessiano
|𝑯𝑯1∗ | < 0 |𝑯𝑯1∗ | > 0
Tabla No. 8. Condiciones para un valor máximo o mínimo de una función 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ).
299
17.5. Problemas de programación lineal no restringidos para funciones
𝒇𝒇(𝒙𝒙𝟏𝟏 , 𝒙𝒙𝟐𝟐 ). Miller (2000)
Figura No. 34. Gráfica de la función f(𝑥𝑥1 , 𝑥𝑥2 ) = (𝑥𝑥1 − 1)2 + (𝑥𝑥2 − 2)2 + 7 en el intervalo −2 ≤ 𝑥𝑥1 ≤
4 𝑦𝑦 − 2 ≤ 𝑥𝑥2 ≤ 4
Esta es una función convexa con una valor mínimo indiscutible en 𝑥𝑥1∗ = 1 𝑦𝑦 𝑥𝑥2∗ = 2.
Las condiciones de primer orden se muestran en los resultados obtenidos con Maple.
2(𝑥𝑥1 − 1)
El punto estacionario se identifica de la forma: 𝛁𝛁𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = � � = 0. El hecho
2(𝑥𝑥2 − 2)
de que sea un mínimo se desprende del análisis de los principales menores del
Hessiano. O del criterio del valor de la derivada parcial: 𝑑𝑑2 (𝒙𝒙∗ ) ≥ 0.
Los cálculos correspondientes realizados con Maple, se muestran a continuación:
300
b) Condiciones necesarias de segundo orden:
c) Condiciones suficientes:
Por lo tanto, el punto (𝑥𝑥1 , 𝑥𝑥2 ) = (1,2) es un valor mínimo global de la función
f(𝑥𝑥1 , 𝑥𝑥2 ) = (𝑥𝑥1 − 1)2 + (𝑥𝑥2 − 2)2 + 7.
301
Problema numérico No. 2.
Sea la función 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = −(𝑥𝑥1 − 1)2 − (𝑥𝑥2 − 2)2 + 7. Entonces, esta es la
negativa de la función del problema anterior. No es sorprendente que se trata de
una función cóncava.
𝑑𝑑𝑑𝑑(𝑥𝑥 ∗ ) = 0
Condiciones necesarias de primer
orden
𝑑𝑑 2 (𝒙𝒙∗ ) ≤ 0
Y, |𝐻𝐻2∗ |=|𝑯𝑯∗ | ≥ 0
−2 0
𝐻𝐻 = � �=4≥0
0 −2
𝑑𝑑𝑑𝑑(𝒙𝒙∗ ) = 0
302
(1,2) = (𝑥𝑥1 , 𝑥𝑥2 ) = 𝑥𝑥 ∗
O, usando gradientes
Condiciones suficientes
𝛁𝛁𝑓𝑓(𝒙𝒙∗ ) = 0
Y,
𝑑𝑑 2 (𝒙𝒙∗ ) < 0
Figura No. 35. Gráfica de la función f(𝑥𝑥1 , 𝑥𝑥2 ) = −(𝑥𝑥1 − 1)2 − (𝑥𝑥2 − 2)2 +7 en el intervalo −6 ≤
𝑥𝑥1 ≤ 8 𝑦𝑦 − 6 ≤ 𝑥𝑥2 ≤ 8
Por lo tanto, el punto (𝑥𝑥1 , 𝑥𝑥2 ) = (1,2) es un valor máximo global de la función
f(𝑥𝑥1 , 𝑥𝑥2 ) = −(𝑥𝑥1 − 1)2 − (𝑥𝑥2 − 2)2 + 7.
303
17.6. Problemas propuestos de problemas no restringidos de funciones no
lineales de dos variables. Miller (2000). Hidalgo (2017)
1) Encuentre los máximos o mínimos para cada una de las siguientes funciones (Use
el programa Maple para resolver los problemas):
3) Se ha demostrado que los costos, 𝑦𝑦 , dependen de 𝑥𝑥1 y 𝑥𝑥2 (salidas totales de los
productos 1 y 2, respectivamente):
a) ¿Qué cantidad de bienes 1 y 2 deben ser elaborados con el fin de minimizar los
costos?
b) ¿Qué cantidad de bienes 1 y 2 debe ser producido con el fin de minimizar los
costos,
Si hay un límite superior de 12 en 𝑥𝑥1
304
5) Suponga que la función del problema 4), 𝑦𝑦 representa utilidad, no costos, como
una función de 𝑥𝑥1 𝑦𝑦 𝑥𝑥2 .
b) ¿Qué cantidad del bien 2 se debe producir si se decide que 𝑥𝑥1 , debe ser
exactamente 12?
Determine los ajustes de los dos instrumentos que minimizan este costo.
Además, el costo total (CT) de fabricar y vender el producto está relacionado con las
cantidades que se venden, de acuerdo con la función:
1
𝐶𝐶𝐶𝐶(𝑥𝑥1 , 𝑥𝑥2 ) = 𝑥𝑥12 + 2𝑥𝑥1 𝑥𝑥2 + 𝑥𝑥22 + 73
2
a) Desarrolle un modelo matemático que muestre la utilidad como función de las
cantidades que se fabrican.
305
Calcule las ganancias máximas, junto con el monto de gastos de publicidad e inversión
e inventario que arrojan este máximo.
9) Considere la función 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = 2𝑥𝑥14 − 12𝑥𝑥12 + 2𝑥𝑥12 𝑥𝑥2 + 𝑥𝑥22 − 4𝑥𝑥2 + 20.
Determine si los puntos que se muestran enseguida son mínimos locales, máximos
locales, puntos silla de montar, o ninguno de los anteriores.
𝑥𝑥1 = 0 𝑥𝑥1 = 2 𝑥𝑥 = −2
� �, � �,� 1 �
𝑥𝑥2 = 2 𝑥𝑥2 = −2 𝑥𝑥2 = −2
306
18. Modelos de programación no lineal restringidos.
𝐿𝐿(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 , 𝜆𝜆1 , 𝜆𝜆2 , … , 𝜆𝜆𝑚𝑚 ) = 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 ) + � 𝜆𝜆𝑖𝑖 ℎ𝑖𝑖 (𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 )
𝑖𝑖=1
250
Problema numérico No. 1, sea la función: 𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) = + 1090𝑥𝑥1 − 7𝑥𝑥2 −
𝑥𝑥1
7𝑥𝑥22 5𝑥𝑥32
5𝑥𝑥3 + +
40𝑥𝑥1 16𝑥𝑥1
Sujeto a:
𝑥𝑥1 + 𝑥𝑥3 = 4
𝑥𝑥2 + 𝑥𝑥3 = 12
307
𝑥𝑥1 + 𝑥𝑥3 − 4 = 0
𝑥𝑥2 + 𝑥𝑥3 − 12 = 0
Ahora, Usando Maple (se utilizará a 𝑘𝑘1 y 𝑘𝑘2 como multiplicadores de Lagrage),
tenemos:
308
Igualando las derivadas parciales a cero, tenemos:
96 𝑥𝑥2 𝑥𝑥1
𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + +4 +
𝑥𝑥1 𝑥𝑥1 𝑥𝑥2
Sujeto a:
𝑥𝑥1 + 𝑥𝑥2 = 6
96
𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 +
𝑥𝑥1
𝑥𝑥2 𝑥𝑥1
+4 +
𝑥𝑥1 𝑥𝑥2
Sujeto a:
𝑥𝑥1 + 𝑥𝑥2 = 6
309
Gráfica de la función objetivo
96 𝑥𝑥2 𝑥𝑥1
Figura No. 36. Gráfica de la función (𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + +4 + en el intervalo 1.9 ≤ 𝑥𝑥1 ≤
𝑥𝑥1 𝑥𝑥1 𝑥𝑥2
9 𝑦𝑦1.9 ≤ 𝑥𝑥2 ≤ 9
Ahora:
310
Resolviendo estas ecuaciones, utilizando el programa Maple.
311
. El único valor real
de la ecuación E6 es 4. Por lo que el valor de 𝑥𝑥1 = 4.
,
312
96 𝑥𝑥2 𝑥𝑥1
Figura No. 36. Gráfica de la función (𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + +4 + Sujeto a 𝑥𝑥1 + 𝑥𝑥2 = 6
𝑥𝑥1 𝑥𝑥1 𝑥𝑥2
en el intervalo 1.8 ≤ 𝑥𝑥1 ≤ 9 𝑦𝑦1.8 ≤ 𝑥𝑥2 ≤ 9.
313
19. Problemas propuestos de programación no lineal restringidos a igualdad.
𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = −𝑥𝑥12 − 4𝑥𝑥2 𝑥𝑥2 + 20𝑥𝑥1 − 5𝑥𝑥22 + 82𝑥𝑥2 − 397
Sujeto a:
2𝑥𝑥12 − 16𝑥𝑥1 + 9𝑥𝑥22 − 18𝑥𝑥2 + 5 = 0
314
En donde 𝑥𝑥2 es el volumen semanal de producción en millares de unidades y 𝐶𝐶𝑇𝑇2 (𝑥𝑥2 )
es el costo, en millares de dólares. A la compañía le gustaría fabricar 8,000 guantes
por semana al menor costo posible.
4) Resuelva el problema:
6) (De Miller. (2000)). 𝑀𝑀𝑀𝑀𝑀𝑀 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥12 + 5𝑥𝑥22 , 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎 𝑥𝑥1 + 5𝑥𝑥2 = 3.
𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = −𝑥𝑥12 − 𝑥𝑥22 − 𝑥𝑥32 + 4𝑥𝑥1 + 6𝑥𝑥2 + 2𝑥𝑥3 , Sujeto a: 2𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 10
315
9) Maximice o minimice la función:
𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ) = 5𝑥𝑥12 + 6𝑥𝑥22 − 3𝑥𝑥1 𝑥𝑥2 , 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎 2𝑥𝑥1 + 3𝑥𝑥2 = 58.
Sujeto a:
316
20. Aplicaciones industriales utilizando modelos de programación no lineal
En el contexto del análisis no lineal, las funciones siguientes (y sus tipos) interactúan
entre sí:
i) Función de coste total no lineal y función de ingresos totales lineales (Fig. 37).
ii) Función de coste total lineal y función de ingresos totales no lineales (Fig. 38).
iii) Función de coste total no lineal y función de ingresos totales no lineales (Fig.
39)
Utilidad
total
Valores de
las funciones
Cantidad
317
Ingreso Total
Costo total
Cantidad
Costo
total
Utilidad
total
318
, , =
, ,
Dos valores de puntos de equilibrio son 2.33 y 9.67 unidades. Con el fin de
maximizar los beneficios,
,
, , =
, 4 < 0.
319
21. Problemas propuestos
Problema No. 1.
Problema No. 2
320
22. Conclusiones del capítulo
En esta sección, se asume que el alumno ya conoce los conceptos fundamentales del
cálculo diferencial. Para funciones de una variable, 𝑓𝑓(𝑥𝑥), esto significa esencialmente
la noción del concepto de derivada como la pendiente de una función (la pendiente
de su tangente) en un punto. La aplicación que ésta tiene a la localización de puntos
estacionarios de la función (puntos en los que la pendiente de la tangente es cero), y
la clasificación de tales puntos como máximos o mínimos, mediante el uso del criterio
de la segunda derivada. De igual forma, se asume que el alumno tiene la capacidad de
aplicar las reglas más básicas de la diferenciación.
321
23. Referencias y Bibliografía
• Griva., Nash, S., y Sofer, A. (2009). Linear and Nonlinear Optimization, edit.
Siams, Usa.
322
Capítulo V
Modelos de inventarios
1. Conceptos relevantes
2. Objetivos del inventario
3. Taxonomía de un sistema de inventarios. Vrat (2014)
4. Funciones de los inventarios
5. Objetivos del capítulo
6. Definición de la cantidad económica de pedido (EOQ)
7. Variables utilizadas en el análisis
8. Derivación de la cantidad económica de la orden (pedido) (EOQ)
9. Problemas resueltos
10. Ajuste de la cantidad de pedido económico
11. Modelo de Cantidad Económica del Pedio (EOQ) cuando se permiten
faltantes (déficit)
11.1. Derivación del modelo de inventarios cuando existe déficit o faltantes
planeados
11.2 Derivación por medio del cálculo de 𝑸𝑸∗ , 𝑺𝑺∗ , 𝒚𝒚 𝑰𝑰∗ para el modelo (EOQ) cuando se
permiten faltantes.
12. Modelo de Cantidad Óptima del Pedido (EOQ) para lotes de producción: un
solo producto
12.1. Formulación del modelo
12.2. Derivación de las reglas de decisión óptimas para el modelo de la cantidad
óptima del pedido (EOQ) para lotes de producción: un solo producto
12.3. Discusión y reflexión
12.4. Problemas resueltos de la sección
13. Modelo de inventarios con escasez planeada y con pedidos pendientes
323
13.1. Pedidos atrasados y ventas perdidas
13.2. Pedidos atrasados
14. Conclusiones del capítulo
15. Referencias y bibliografía
324
1. Conceptos relevantes
Los gestores de inventario toman una serie de decisiones sobre el stock, ¿cómo
mantener acciones y en qué tipo de instalaciones? Qué hacen los proveedores y los
operadores de transporte ¿usamos? ¿Qué sistemas de información utilizamos?
¿Podemos formar alianzas?
Llega un punto, Sin embargo, cuando los gerentes de inventario tienen que
tomar algunas decisiones inmediatas sobre sus existencias.
Los sitios minoristas llevan inventario para la venta inmediata a los clientes.
En los servicios, el inventario se refiere generalmente a los bienes tangibles que se
venden ya los suministros necesarios para administrar el servicio.
325
artículos y (2) cuánto debe ser el pedido. Muchas compañías tienden a asociarse en
una relación a largo plazo con los proveedores para abastecer sus necesidades de
posiblemente todo el año. Esto cambia el "cuándo" y "cuántos a ordenar" a "cuándo"
y "cuántos entregar".
326
2. Objetivos del inventario
Todas las empresas (incluidas las que operan el sistema Justo a Tiempo (JIT)
mantienen un inventario por las siguientes razones:
Por ejemplo, debido a que hay costos para realizar cada nueva configuración del
sistema de producción, este inventario permite a la administración reducir el número
de clasificaciones.
Un stock de inventario alivia la presión sobre el sistema de producción para sacar las
mercancías. Esto hace que los tiempos de entrega sean más largo, de tal forma que
permiten la planificación de la producción dentro del sistema.
327
Los altos costos de nuevas disposiciones, por ejemplo, favorecen la producción de un
mayor número de unidades una vez que se ha realizado la configuración.
328
3. Taxonomía de un sistema de inventarios. Vrat (2014)
329
Figura No. 1. Taxonomía de un modelo de inventarios. Fuente: P. Vrat, Materials Management, Springer
Texts in Business and Economics, DOI 10.1007/978-81-322-1970-5_2.
330
4. Funciones de los inventarios
d) Economías de escala
331
e) Control económico
332
5. Objetivos del capítulo
333
6. Definición de la cantidad económica de pedido (EOQ)
Este capítulo describe uno de los análisis estándar del control de inventario. Muestra
Cómo podemos equilibrar los diferentes costos de la acción para responder a la
pregunta, ¿Cuánto debemos ordenar?
El cálculo del (EOQ) es el análisis más importante del control de inventario, y sin duda
uno de los resultados más importantes derivados en cualquier área de la
investigación de operaciones. La primera referencia a la obra es de Harris (1915),
pero el cálculo del (EOQ) a menudo se atribuye a Wilson (1934).
El nivel de existencias de un artículo varía con el tiempo, con un patrón típico como
se muestra en figura No. 2.
Nivel de
Stock
A B F
La entrega H
Lugar de la C D La entrega
llega La entrega
orden La entrega Lugar de la llega G llega
llega orden E
Lugar de la
Stock fuera
orden
Figura No. 2. Modelo típico del nivel de stock (existencia o reservas) en el tiempo. Fuente: Waters, C. D. J.
(C. Donald J.), 1949–Inventory control and management, Donald Waters.
334
Descripción:
Entonces, mientras que las unidades se eliminan para satisfacer las demandas de los
clientes en otro período, B, una orden para la reposición se coloca con un proveedor
y esto llega a tiempo C.
Este patrón general, con algunas variaciones a corto plazo, se repite siempre que el
artículo se conserva en la acción.
A veces, una demanda inesperadamente alta o una entrega retardada significa que las
existencias se agotan (como en el punto E) y luego podemos representar la escasez
por niveles de stock negativos.
Podemos analizar este patrón, pero es bastante complicado, así que empezamos con
un modelo base que hace una serie de suposiciones:
3) No se permite escasez;
4) El plazo de entrega es cero, por lo que la entrega se realiza tan pronto como se
realiza el pedido.
335
Demanda
Tiempo
Esto, y los otros supuestos, puede parecer poco realista, pero debemos recordar dos
cosas.
Los resultados pueden no ser óptimos en el sentido matemático estricto, pero son
buenas aproximaciones y, en el peor de los casos, dan pautas útiles.
La suposición de que no se permite escasez significa que el nivel de stock nunca cae
por debajo de cero, y no hay ventas perdidas.
336
Por último, estamos buscando la cantidad de pedido fijo que minimice los costos, por
lo que siempre realizar pedidos de exactamente este tamaño.
Nivel
de stock
Tamaño
De
´pedido
óptimo
337
7. Variables utilizadas en el análisis
Ahora hemos sentado las bases de nuestro modelo y podemos introducir algunos
detalles, comenzando con una lista de variables.
1) El costo unitario (𝐶𝐶𝐶𝐶) es el precio cobrado por los proveedores por una unidad
del artículo, o el costo total para la organización de adquirir una unidad.
4) Costo de escasez (𝐶𝐶𝐶𝐶) es el costo de tener una escasez y no ser capaz de satisfacer
la demanda de stock. En este análisis hemos dicho que no se permite escasez, por
lo que no aparece 𝐶𝐶𝐶𝐶 (es tan grande que cualquier escasez sería prohibitivamente
cara).
Si se analizamos la figura no. 4, puede observarse que existen otras tres variables, es
decir:
5) Cantidad de pedido (𝑄𝑄) que es el tamaño de pedido fijo que siempre utilizamos. El
propósito de este análisis es encontrar un valor óptimo para esta cantidad de
pedidos.
La única variable que está directamente bajo nuestro control es la cantidad del pedido
(𝑄𝑄), y podemos darle a este cualquier valor que nos guste.
Cuando fijamos la cantidad de pedido (𝑄𝑄), esto fija la longitud del ciclo (𝑇𝑇).
338
Suponemos que todos los demás parámetros son fijos y están fuera de nuestro
control.
339
8. Derivación de la cantidad económica de la orden (pedido) (EOQ)
Esta derivación utiliza un enfoque estándar que es adecuado para muchos modelos
de control de existencias (stock). Tiene tres pasos, como sigue:
2. Divida este costo total por la duración del ciclo para obtener un costo por unidad
de tiempo
Tamaño
De pedido
óptimo
Nivel
Promedio
De stock
Haga su Haga su
Pedido y Pedido y
Reciba la Reciba la
entrega entrega
En algún punto ponemos una orden para una cantidad, 𝑄𝑄, que llega instantáneamente
y se usa a una velocidad constante, 𝐷𝐷.
El ciclo tiene una longitud 𝑇𝑇. Sabemos que durante el ciclo la cantidad que entra en el
stock es 𝑄𝑄, mientras que la cantidad que sale es 𝐷𝐷 × 𝑇𝑇.
340
Estos deben ser iguales, ya que el nivel de stock en el inicio y final del ciclo es cero.
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑞𝑞𝑞𝑞𝑞𝑞 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑜𝑜𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑞𝑞𝑞𝑞𝑞𝑞 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
Así que:
𝑄𝑄 = 𝐷𝐷𝐷𝐷
(𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 (𝑄𝑄)) = (𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 (𝐷𝐷) 𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 (𝑇𝑇))
El primer paso del análisis encuentra los costos totales para un ciclo, y lo encontramos
añadiendo los tres componentes separados del costo de unidades, reordenamientos
y tenencias (recordando que no hay costos de escasez). Por lo tanto:
La suma de estos tres componentes proporciona el coto total por ciclo. Es decir:
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶
(𝐶𝐶𝐶𝐶)(𝑄𝑄) 𝑄𝑄
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = + (𝐶𝐶𝐶𝐶)( )(𝑇𝑇) = (𝐶𝐶𝐶𝐶)(𝑄𝑄) + (𝐶𝐶𝐶𝐶) +
2 𝑄𝑄
𝑝𝑝𝑝𝑝𝑝𝑝 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 + (𝐶𝐶𝐶𝐶) (𝐶𝐶𝐶𝐶)( )(𝑇𝑇)
2
341
Esto completa el primer paso del análisis. El segundo paso divide este coste por la
longitud del ciclo, 𝑇𝑇, para dar un coste total por unidad de tiempo, 𝐶𝐶𝐶𝐶:
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑄𝑄
(𝐶𝐶𝐶𝐶)( )(𝑇𝑇)
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = (𝐶𝐶𝐶𝐶)(𝑄𝑄) + 2 (𝐶𝐶𝐶𝐶)(𝑄𝑄) (𝐶𝐶𝐶𝐶)
𝑇𝑇 = + +
(𝐶𝐶𝐶𝐶) 𝑇𝑇 𝑇𝑇
𝑝𝑝𝑝𝑝𝑝𝑝 𝑝𝑝𝑝𝑝𝑝𝑝 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝐶𝐶𝐶𝐶 = 𝑇𝑇 + 𝑄𝑄
𝑇𝑇 (𝐶𝐶𝐶𝐶)( )
𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 2
𝑄𝑄 𝑄𝑄
Pero sabemos que: 𝑄𝑄 = 𝐷𝐷𝐷𝐷, 𝑜𝑜, 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡é𝑛𝑛 𝑞𝑞𝑞𝑞𝑞𝑞: 𝐷𝐷 = , de igual forma, 𝑇𝑇 = , y
𝑇𝑇 𝐷𝐷
sustituyendo, tenemos:
𝐶𝐶𝐶𝐶 = (𝐶𝐶𝐶𝐶)(𝐷𝐷) +
(𝐶𝐶𝐶𝐶)(𝐷𝐷) (𝐶𝐶𝐶𝐶)(Q)
𝑄𝑄 +
2
La demanda y todos los costos son fijos, por lo que la única variable en el lado derecho
de esta ecuación es 𝑄𝑄. Así podemos ver cómo el costo total por unidad de tiempo varía
con la cantidad de pedido.
La manera más conveniente de hacer esto es trazar cada uno de los componentes de
costo por separado contra 𝑄𝑄 y luego agregarlos juntos (como se muestra en la Figura
No. 6).
Costo
Costo total
Costo más
bajo
Componente del
Costo de
mantenimiento
Componente de
Costo
Unitario
Componente del
Costo de
reordenar
342
El componente de coste unitario (𝐶𝐶𝐶𝐶 𝑥𝑥 𝐷𝐷) es independiente de la cantidad de pedido
y es «fijo».
Los otros dos componentes varían con la cantidad de la orden y forman el costo
«variable» por unidad de tiempo. En particular, el componente de coste de
mantenimiento aumenta linealmente con 𝑄𝑄 mientras que el componente de coste de
reordenación disminuye a medida que 𝑄𝑄 aumenta.
La suma de los tres componentes juntos da una curva de costo total que es una forma
simétrica «U» con un mínimo distinto. Este mínimo corresponde al tamaño de pedido
óptimo.
Con órdenes de órdenes más pequeñas que esto, los costos aumentan debido al mayor
componente de costo de reordenamiento; con órdenes mayores que esto, los costos
aumentan debido al mayor componente de costo de tenencia.
El tercer paso de nuestro análisis encuentra el costo mínimo por unidad de tiempo.
Para esto diferenciamos la ecuación para 𝐶𝐶𝐶𝐶 con respecto a 𝑄𝑄 ,igualamos el resultado
igual a cero:
, , ,
, ,
, ,
343
Cuando lo reorganizamos obtendremos el tamaño de orden óptimo, o la cantidad
económica de la orden (pedido), a la que llamaremos 𝑄𝑄∗ . Tomando la parte positiva,
tenemos:
𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑫𝑫)
𝑸𝑸∗ = �
(𝑪𝑪𝑪𝑪)
Reorganizando:
𝑸𝑸∗ 𝟐𝟐(𝑪𝑪𝑪𝑪)
𝑻𝑻∗ = =�
𝑫𝑫 (𝑫𝑫)(𝑪𝑪𝑪𝑪)
344
También podemos encontrar el coste óptimo por unidad de tiempo, 𝐶𝐶𝐶𝐶 ∗ ,
sustituyendo el valor de
𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑫𝑫)
𝑸𝑸∗ = �
(𝑪𝑪𝑪𝑪)
en la expresión:
𝐶𝐶𝐶𝐶 = (𝐶𝐶𝐶𝐶)(𝐷𝐷) +
(𝐶𝐶𝐶𝐶)(𝐷𝐷) (𝐶𝐶𝐶𝐶)(Q)
𝑄𝑄 +
2
(𝑪𝑪𝑪𝑪)(𝑫𝑫) (𝑪𝑪𝑪𝑪)(𝑸𝑸∗ )
𝑪𝑪𝑪𝑪∗ = (𝑪𝑪𝑪𝑪)(𝑫𝑫) + +
𝑸𝑸∗ 𝟐𝟐
El componente de coste unitario es fijo, por lo que podemos concentrarnos en los dos
últimos términos que forman el costo variable (𝐶𝐶𝐶𝐶). Entonces:
(𝐶𝐶𝐶𝐶)(𝐷𝐷) (𝐶𝐶𝐶𝐶)(𝑄𝑄)
𝐶𝐶𝐶𝐶 = +
𝑄𝑄 2
𝑪𝑪𝑽𝑽∗ = �𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪)(𝑫𝑫)
𝑪𝑪𝑽𝑽∗ = (𝑪𝑪𝑪𝑪)(𝑸𝑸∗ )
Entonces, el costo total óptimo por unidad de tiempo es la suma de este costo variable
y el costo fijo:
𝑪𝑪𝑻𝑻∗ = (𝑪𝑪𝑪𝑪)(𝑫𝑫) + 𝑪𝑪𝑽𝑽∗
345
Ejemplo numérico No. 1 (Waters, D. (2003))
Jaydeep (Trading) Company compra 6,000 unidades de un artículo cada año con un
costo unitario de $ 30.00. Cuesta $ 125 para procesar una orden y arreglar la entrega,
mientras que los intereses y los costos de almacenamiento ascienden a $ 6 por año
por cada unidad que se tiene. ¿Cuál es la mejor política de pedidos para el artículo?
Solución:
Sea:
𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑫𝑫) 𝟐𝟐(𝟏𝟏𝟏𝟏𝟏𝟏)(𝟔𝟔,𝟎𝟎𝟎𝟎𝟎𝟎)
𝑸𝑸∗ = � = � = 500 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢
(𝑪𝑪𝑪𝑪) (𝟔𝟔)
𝑪𝑪𝑻𝑻∗ = (𝑪𝑪𝑪𝑪)(𝑫𝑫) + 𝑪𝑪𝑽𝑽∗ = ($𝟑𝟑𝟑𝟑. 𝟎𝟎𝟎𝟎)(𝟔𝟔, 𝟎𝟎𝟎𝟎𝟎𝟎) + $𝟑𝟑, 𝟎𝟎𝟎𝟎𝟎𝟎 = $183,000 𝑎𝑎𝑎𝑎 𝑎𝑎ñ𝑜𝑜
346
La variación del coste total por unidad de tiempo con el tamaño del pedido se muestra
en la Figura No. 7 y las variaciones en el costo total con respecto al nivel de stock
(existencias), se muestra en la Figura No. 8.
Costo anual
CT*=183,000
Cantidad ordenada Q
Q*=500
Figura No. 7. Variación del costo total por unidad de tiempo con respecto al tamaño del pedido.
Nivel
de stock
500
Tiempo
1 mes 1 mes 1 mes
347
En conclusión:
La política óptima es pedir 500 unidades al mes, con costos anuales de $ 183,000
Sarah Brown trabaja para un empresario que fabrica piezas para motores marinos.
Las partes se hacen en lotes, y cada vez que se inicia un nuevo lote cuesta 1,640
dólares para la interrupción y la producción perdida y 280 dólares en salarios para
los instaladores.
Un artículo tiene una demanda anual de 1,250 unidades con un precio de venta de
300 dólares, 60 por ciento de los cuales son materiales directos y costos de
producción. Si la empresa busca un rendimiento del 20% anual sobre el capital, ¿cuál
es el tamaño óptimo del lote para el artículo y los costos asociados?
Solución:
3. El costo anual de mantenimiento (𝐶𝐶𝐶𝐶) es del 20 por ciento del costo unitario,
o 0.20 × 180 = 36 𝑑𝑑ó𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙.
, , , , ,
, , , , , ,
348
, ,
, unidades (aproximadamente)
, ,
años = 15 semanas (aproximadamente)
, , , =
= $13,145.34 dólares en un año
, ,
, =$ 238,140 dólares en un año.
349
Tamaño de la orden
Figura No. 9. Tamaño óptimo de la orden que minimiza los costos totales.
, ,
, =
, , =
350
=$ 238,145
Comentarios:
Resumen
351
9. Problemas resueltos
Preguntas conceptuales:
a) ¿Qué es el (EOQ)?
b) Si hacemos pedidos que son mayores que el (EOQ), ¿por qué aumenta el costo
total?
c) ¿En qué varía el costo variable por unidad de tiempo?
d) ¿Si utilizamos la cantidad económica del pedido, que es mayor, el componente de
costo de reorden o el componente de costo de mantenimiento?
Respuestas
c. Debido a que los niveles de stock promedio son más altos, lo que da altos costos
de tenencia. El aumento en el componente de costo de mantenimiento es mayor
que la disminución en el componente de costo de reorden.
352
Problema No. 2 (Waters, 2003)
, , , , , ,
, , , , ,
, , , ,
, , , ,
, , , ,
(6.5 semanas aproximadamente)
¿Qué tamaño de pedido dará un costo variable dentro del 10 por ciento de lo
óptimo?
, ,
353
Problema No. 3 (Bonini, Ch., Hausman, W., Bierman, H. (1997))
Los costos de colocar un pedido son $150 dólares. Se estima que durante los 12 meses
siguientes se utilizarán 1,000 unidades. El costo de mantenimiento por unidad por
mes es de $2.50 dólares.
, ,
, , , , , , ,
unidades
, , unidades
, ,
354
Por lo tanto, el ahorro es de $1,268 ($3,000-$1,732) o $2,536 durante dos años, y
esto supera el costo de $1000. (Si los ahorros se produjeron a lo largo de un
período de tiempo más largo, sería prudente descontarlos de nuevo a un valor
actual antes de hacer la comparación.
355
Problema No. 4 (Bonini, Ch., Hausman, W., Bierman, H. (1997))
Una empresa utiliza una cierta pieza en el montaje de juegos de equipos electrónicos
a una tasa de 8,000 por año. Cada pieza vale $18 dólares. La empresa estima el costo
de mantener el inventario en 20% del valor del artículo por año.
, , , , ,
, ,
, , ,
356
357
Problema No. 5 (Bonini, Ch., Hausman, W., Bierman, H. (1997))
ABC Company utiliza 10,000 unidades por año de un producto. El costo unitario de
mantenimiento es de $3 dólares por año. El costo de pedir un lote es de $60 dólares.
, ,
, , , , ,
, unidades
, unidades
358
Problema No. 6 (Bonini, Ch., Hausman, W., Bierman, H. (1997))
Dada la misma situación literal a) del problema No. 5, con la información adicional
de que el costo de los pedidos puede reducirse de $60 dólares a $15 dólares por lote,
si la empresa se une a una cooperativa de compras, pagando una cuota de afiliación
anual de $2,000 dólares.
, ,
, ,
359
10. Ajuste de la cantidad de pedido económico
Las empresas manufactureras suelen tener un problema con el (𝐸𝐸𝐸𝐸𝐸𝐸). Cuando sus
costos de configuración de lotes son altos, el (𝐸𝐸𝐸𝐸𝐸𝐸) puede sugerir lotes muy grandes
lo que complica la programación de la producción, da largos plazos de entrega a los
clientes, necesita almacenamiento excesivo y dejar demasiado capital en las
existencias. Estos problemas pueden anularse poniendo un valor artificialmente
elevado en el costo de tenencia, pero ilustra una debilidad del cálculo. Otros
problemas surgen cuando:
El (𝐸𝐸𝐸𝐸𝐸𝐸) sugiere un valor fraccionario para las cosas que vienen en unidades
discretas (una orden para 2.7 camiones, por ejemplo, no tiene sentido y
compraríamos dos o tres); los proveedores no están dispuestos a dividir los tamaños
estándar de los envases (227 kg de cemento, por ejemplo, se redondearían a los 50 kg
más próximos);
𝟐𝟐(𝟏𝟏𝟏𝟏𝟏𝟏)(𝟔𝟔,𝟎𝟎𝟎𝟎𝟎𝟎) 𝟐𝟐(𝟏𝟏𝟏𝟏𝟏𝟏)(𝟔𝟔,𝟎𝟎𝟎𝟎𝟎𝟎)
𝑸𝑸∗ = � = � = 462.91 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢
(𝟕𝟕) (𝟔𝟔)
360
Es improbable que alguien ordene 463 unidades (y ciertamente no 462.91), por lo
que sería útil saber lo sensible que es el costo de pequeños cambios alrededor de (𝑄𝑄∗ ).
Si nos movemos a una pequeña distancia del (EOQ), ¿el costo sube muy rápidamente,
o es relativamente estable y sólo da pequeñas penalidades? ¿Qué sucede aquí si
compramos en lotes de, digamos, 450 ó 500 unidades?
, , , , ,
, , , ,
,
, ,
,$ (dólares)
, ,>
, (dólares)
Los lotes de 450 unidades - que están con un 2.8 por ciento por debajo de óptimo -
aumentan los costos variables en $ 1.30 o 0.04 por ciento.
Los lotes de 500 unidades - que están en un 8 por ciento por encima del óptimo
aumentar los costos variables en $ 9.63 o 0.3 por ciento.
En este caso el costo variable es claramente estable alrededor del valor óptimo. En la
práctica, esto es siempre cierto, y podemos alejarnos un poco del (𝐸𝐸𝐸𝐸𝐸𝐸) y no obtener
un costo significativamente mayor.
361
11. Modelo de Cantidad Económica del Pedio (EOQ) cuando se permiten
faltantes (déficit)
En el modelo EOQ que se abordó en capítulos anteriores, se supuso que un pedido era
recibido precisamente en el instante en el que el nivel de inventario llegaba a cero. No
se toleraban faltantes, y así los costos de los faltantes se ignoraban en el modelo de
decisión de inventario.
Aunque en muchas situaciones de inventarios los faltantes deben evitarse, hay casos
en donde es económicamente justificable planear y permitir faltantes. Hablando
prácticamente, estos tipos de situaciones existen cuando el valor por unidad del
inventario es alto. Un ejemplo de este tipo de situación es el del individuo que compra
un nuevo auto que no está disponible donde el distribuidor, quien lo pide
posteriormente para el cliente.
Nivel de Stock
(inventario) I
Q I Max
D
t2
S
t1 Tiempo, t
T
362
11.1. Derivación del modelo de inventarios cuando existe déficit o faltantes
planeados
𝐷𝐷
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑝𝑝𝑝𝑝𝑝𝑝 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 (𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑑𝑑𝑑𝑑𝑑𝑑) = (𝐶𝐶𝐶𝐶)( )
𝑄𝑄
(𝑄𝑄 − 𝑆𝑆)2
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 = (𝐶𝐶𝐶𝐶)
2𝑄𝑄
363
(𝐶𝐶𝐶𝐶)(𝑆𝑆)2
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑𝑑𝑑 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 =
2𝑄𝑄
𝐶𝐶𝐶𝐶 = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑝𝑝𝑝𝑝𝑝𝑝 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝(𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟) + 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 + 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑𝑑𝑑 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓
𝑫𝑫 (𝑸𝑸−𝑺𝑺)𝟐𝟐 (𝑺𝑺)𝟐𝟐
𝑪𝑪𝑪𝑪 = (𝑪𝑪𝑪𝑪) � � + = (𝑪𝑪𝑪𝑪) + (𝑪𝑪𝑪𝑪)
𝑸𝑸 𝟐𝟐𝟐𝟐 𝟐𝟐𝟐𝟐
11.2 Derivación por medio del cálculo de 𝑸𝑸 , 𝑺𝑺 , 𝒚𝒚 𝑰𝑰 para el modelo (EOQ)
∗ ∗ ∗
Dados los parámetros del modelo (𝐶𝐶𝐶𝐶, 𝐶𝐶𝐶𝐶, 𝐶𝐶𝐶𝐶, 𝐷𝐷) y la expresión anual del 𝐶𝐶𝐶𝐶,
podemos determinar las reglas de decisión óptimas para las variables de decisión:
364
Pero: ,
∗
que es el número de faltantes óptimo que minimiza el 𝐶𝐶𝐶𝐶. 𝐼𝐼𝑚𝑚á𝑥𝑥 se calcula simplemente
de la relación:
∗
𝑰𝑰𝒎𝒎á𝒙𝒙 = 𝑸𝑸∗ − 𝑺𝑺∗
365
(𝑪𝑪𝑪𝑪) 2(𝐶𝐶𝐶𝐶)(𝐷𝐷)(𝐶𝐶𝐶𝐶
Pero: 𝑆𝑆 ∗ = 𝑸𝑸((𝑪𝑪𝑪𝑪)−(𝑪𝑪𝑪𝑪) , equivalente a: 𝑆𝑆 ∗ = �(𝐶𝐶𝐶𝐶)(𝐶𝐶𝐶𝐶)−(𝐶𝐶𝐶𝐶)2
(𝑪𝑪𝑪𝑪)
𝑪𝑪𝑪𝑪(𝑸𝑸∗ ) = �𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪)𝑫𝑫�
(𝑪𝑪𝑪𝑪 + 𝑪𝑪𝑪𝑪)
De igual forma:
∗
𝑺𝑺∗ = 𝑸𝑸∗ − 𝑰𝑰𝒎𝒎á𝒙𝒙
Número óptimo de pedidos:
𝑫𝑫
(pedidos/año) =(Unidades/año) /(unidades/pedido): 𝑵𝑵∗ =
𝑸𝑸∗
𝑸𝑸∗
Tiempo entre pedidos (denominado a menudo tiempo de ciclo): 𝑻𝑻∗ =
𝑫𝑫
Ejemplo:
𝐷𝐷
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 𝑇𝑇 =
𝑄𝑄∗
366
Utilizando Maple para resolver el problema para determinar la cantidad
óptima del pedido (EOQ) cuando no se permiten faltantes.
, , , , , , ,
, , unidades , , =$ 600
, , , ,
, días , ,
367
, ,
, , ,
, , , unidades
, , , unidades
, , ,
, unidades
, , , =$536.65
De igual forma:
, , , , , días
368
Así, si este modelo se implementa, el sistema comparado con el modelo clásico de la
cantidad óptima del pedido (EOQ) tendrá las siguientes características:
𝑄𝑄 11.73 10.5
𝑇𝑇 ∗ = (𝑑𝑑í𝑎𝑎𝑎𝑎)
𝐷𝐷
∗
𝐶𝐶𝐶𝐶 ($) 536.55 600.00
369
12. Modelo de Cantidad Óptima del Pedido (EOQ) para lotes de producción:
un solo producto
Consideraremos ahora el caso en donde los artículos se reciben para inventario a una
tasa constante con el tiempo, al mismo tiempo que las unidades se consumen. Esto
contrasta con el modelo de la cantidad óptima del pedido (𝐸𝐸𝐸𝐸𝐸𝐸), en donde la cantidad
total pedida se recibe instantáneamente. Este modelo se diseña típicamente para
situaciones de producción en que se coloca un pedido, la producción comienza y un
número constante de unidades se suma al inventario cada día hasta completa el lote
de producción. Al mismo tiempo, las unidades se demandan y consumen a una tasa
constante. Se supone que la tasa de producción es mayor que la tasa de demanda. De
otra manera, no se acumulará inventarios y se presentarán faltantes.
𝐶𝐶𝐶𝐶 = 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 ($ 𝑝𝑝𝑝𝑝𝑝𝑝 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡). 𝑈𝑈𝑈𝑈 𝑎𝑎ñ𝑜𝑜
Función objetivo:
𝐶𝐶𝐶𝐶 = 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 (𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) + 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
370
La interpretación del costo de pedir en una situación de producción se le conoce más
adecuadamente, como el costo de producción de alistamiento. Este costo, que incluye
horas hombre, material y costo de pérdida de producción en que se incurre mientras
se prepara el sistema de producción para operación, es un costo fijo que ocurre para
cada lote de producción, independientemente de la cantidad producida.
Los costos de preparación (reorden, pedir o alistamiento) representan los costos para
desarrollar los planes de producción para el artículo, escribir los pedidos para la
planta y realizar los trámites de papel necesarios, alistar las máquinas y controlar el
flujo de pedido a lo largo de la planta manufacturera.
Nivel de Stock
(inventario) I p = tasa de producción
d= tasa de demanda
tp = período de tiempo de un lote de producción
T = período de tiempo entre la iniciación de los lotes de producción
Q
I =Imax/2
tp
Tiempo, t
T
Figura No. 11. Perfil de inventario en función del tiempo, con recepción de artículos no instantánea.
371
Nivel máximo de inventario
Inventario promedio:
𝑸𝑸 𝒅𝒅
(𝟏𝟏 − )
𝟐𝟐 𝒑𝒑
𝑸𝑸 𝒅𝒅
(𝑪𝑪𝑪𝑪) (𝟏𝟏 − )
𝟐𝟐 𝒑𝒑
𝑫𝑫 𝑸𝑸 𝒅𝒅
𝑪𝑪𝑪𝑪 = (𝑪𝑪𝑪𝑪) + (𝑪𝑪𝑪𝑪) (𝟏𝟏 − )
𝑸𝑸 𝟐𝟐 𝒑𝒑
372
12.2. Derivación de las reglas de decisión óptimas para el modelo de la
cantidad óptima del pedido (EOQ) para lotes de producción: un solo
producto
Y los parámetros del modelo (𝐶𝐶𝐶𝐶, 𝐶𝐶𝐶𝐶, 𝐷𝐷, 𝑑𝑑 , 𝑝𝑝), podemos derivar una regla de decisión
óptima para 𝑄𝑄∗ por medio del cálculo diferencial. Los resultados utilizando Maple,
son:
, = 𝑄𝑄∗
373
, ˃ 0.
Puesto que el valor de la segunda derivada es mayor que cero para 𝐷𝐷, 𝐶𝐶𝐶𝐶, 𝑦𝑦 𝑄𝑄 mayores
que cero, 𝑄𝑄∗ es la solución de costo mínimo.
Por lo que:
𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑫𝑫) 𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑫𝑫) 𝒑𝒑
𝑸𝑸∗ = � 𝒅𝒅 = � (𝑪𝑪𝑪𝑪)
�(𝒑𝒑−𝒅𝒅)
𝑪𝑪𝑪𝑪(𝟏𝟏− )
𝒑𝒑
También:
𝒅𝒅
𝑪𝑪𝑪𝑪∗ = �𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪)(𝑫𝑫)(𝟏𝟏 − )
𝒑𝒑
𝑫𝑫
𝑵𝑵∗ =
𝑸𝑸∗
𝟏𝟏 𝑸𝑸∗ 𝟐𝟐(𝑪𝑪𝑪𝑪) 𝒑𝒑
𝑻𝑻∗ = = , = 𝑻𝑻∗ = � �
𝑵𝑵∗ 𝑫𝑫 (𝑪𝑪𝑪𝑪)(𝑫𝑫) (𝒑𝒑−𝒅𝒅)
Supongamos que los artículos del ejemplo anterior fueran fabricados por una división
de una compañía que tuviera una planta productora contigua a la empresa.
Supongamos también que la tasa de producción 𝑝𝑝 es de 15,000 unidades por año.
, , , unidades.
También:
374
, ,
, , , = $346.410
También,
Reembolso instantáneo
Tasa de reabastecimiento finita (Para la cantidad de económica del
pedido EOQ)
Cantidad ordenada
𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑫𝑫) 𝒑𝒑 𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑫𝑫)
𝑸𝑸∗ = � � 𝑸𝑸∗ = �
(𝑪𝑪𝑪𝑪) (𝒑𝒑 − 𝒅𝒅) (𝑪𝑪𝑪𝑪)
𝟐𝟐(𝑪𝑪𝑪𝑪) 𝒑𝒑 𝟐𝟐(𝑪𝑪𝑪𝑪)
Tiempo de ciclo 𝑻𝑻∗ = � � 𝑻𝑻∗ = �
(𝑪𝑪𝑪𝑪)(𝑫𝑫) (𝒑𝒑 − 𝒅𝒅) (𝑪𝑪𝑪𝑪)(𝑫𝑫)
(𝒑𝒑 − 𝒅𝒅)
Costo variable 𝑪𝑪𝑪𝑪∗ = �𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪)(𝑫𝑫)� 𝑪𝑪𝑪𝑪∗ = �𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪)(𝑫𝑫)
𝒑𝒑
𝒅𝒅
Costo total 𝑪𝑪𝑪𝑪∗ = �𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪)(𝑫𝑫)(𝟏𝟏 − ) 𝑪𝑪𝑻𝑻∗ = (𝑪𝑪𝑪𝑪)(𝑫𝑫) + 𝑪𝑪𝑽𝑽∗
𝒑𝒑
375
12.3. Discusión y reflexión:
Aglutinar
demanda
a stock
Producir a la tasa (p) por Aumentos de stock a (p-d) Satisfacer la demanda de (d)
unidad de tiempo por unidad de tiempo por unidad de tiempo
Este aumento continuará mientras la producción continúe. Esto significa que tenemos
que tomar una decisión en algún momento para detener la producción de este
elemento y probablemente transferir la fabricación de otros elementos a otras
instalaciones.
376
Así que tenemos reabastecimiento a una tasa 𝑝𝑝 y la demanda a una tasa 𝑑𝑑, con el
crecimiento de la población a una tasa (𝑝𝑝 − 𝑑𝑑). Después de algún tiempo, decidimos
detener la producción.
Solución:
377
,
, , ,
, , , , ,
, , ,$
, , , ,
,
semanas
, ,
, semanas
, , $ por año
378
, , ,
,$
, ,
La mejor política es comenzar a hacer un lote de 567 unidades cada vez que las
existencias caen a 70 unidades.
La Sección de Cuentas cita los costos anuales de tenencia como 20 por ciento del costo
unitario por la pérdida de capital y oportunidad, 5 por ciento por espacio de
almacenamiento, 3 por ciento por deterioro y obsolescencia y 2 por ciento por seguro.
Todos los demás costos asociados con el almacenamiento del artículo se combinan en
un costo anual fijo de $ 24,000. Calcule la cantidad de pedido económico para el
artículo, el tiempo entre pedidos y el costo total correspondiente.
Al hacer que el artículo a una tasa de 40 unidades al mes Saloman Curtis podría evitar
el costo fijo de $ 24,000 al año, reducir el costo unitario a $ 900 y tener un costo de
ordenación de lote de $ 1,000. ¿Sería mejor para la empresa hacer el artículo en sí en
lugar de comprarlo?
379
Solución:
$5,000,000
𝐶𝐶𝐶𝐶 = = $2,500 𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
2,000
𝐶𝐶𝐶𝐶 = (0.2 + 0.05 + 0.02) 𝑥𝑥 1,000 = 0.30 𝑥𝑥 100 = $300 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑝𝑝𝑝𝑝𝑝𝑝 𝑎𝑎ñ𝑜𝑜)
, ,
,
, , , , ,
, , , , unidades
, , años,
, semanas
380
, , ,
, , , $
, , , , $
, , unidades
, , $
, $ ,
, , $
, , $ = $258,973
, , , , , , ,
,
381
, , unidades
, , años , semanas
, , ,
, , , unidades
, , , $ =$26,832.81572
, unidades
, $ = $53,665.63145
, ,$ = $216,000
, , $
, , $
=$224,049.8447
382
13. Modelo de inventarios con escasez planeada y con pedidos pendientes
Los modelos descritos hasta el momento han supuesto que no se permiten escaseces
y que toda demanda debe ser cumplida. Esta es una opinión razonable cuando la
escasez es muy cara. Hay, sin embargo, circunstancias en las que la escasez planificada
es beneficiosa. Un ejemplo obvio viene cuando el costo de mantener un artículo en la
una sala de exposición es más alto que el beneficio de venderlo.
En primer lugar, pueden esperar a que el artículo entre en stock, en cuyo caso su
demanda se cumple con un pedido pendiente. O pueden retirar su pedido y acudir en
un futuro con otro proveedor, en cuyo caso se pierden ventas.
Es probable que los clientes que experimentan una escasez se desvíen por lo menos
con algunos negocios similares o con proveedores más confiables. Las encuestas
sobre las actitudes de los clientes sugieren que se necesita una mala experiencia para
que un cliente cambie de proveedor, pero algo así como 14 buenas experiencias para
restaurar su confianza.
Comenzaremos por mirar las órdenes atrasadas, donde los clientes están preparados
para esperar, y en seguida pasar al análisis de las ventas perdidas.
La figura siguiente muestra las alternativas que tienen los clientes cuando su
demanda no puede ser satisfecha de las existencias disponibles.
383
El cliente exige un
artículo
El artículo
está agotado
Figura No. 13. Alternativas para los clientes cuando su demanda no puede ser satisfecha de las
existencias disponibles.
Una orden posterior se produce cuando un cliente exige un artículo que está fuera de
las existencias, y luego debe esperar para recibir el artículo en la próxima entrega por
parte de los proveedores.
Vemos estos casos en muchos minoristas, tales como salas de exposición de los
muebles. Cada sala de exposición almacena una colección de muebles, pero no es
suficiente para cubrir toda la demanda, y se pide a los clientes que esperen las
entregas de proveedores o centros regionales de distribución. Esto sugiere que es
más probable que la disposición posterior sea más alta cuando el costo unitario sea
alto, que exista una amplia gama de elementos, que sea demasiado costoso mantener
existencias de toda la gama, que los plazos de entrega de los proveedores sean
razonablemente cortos, y los clientes están dispuestos a esperar.
384
Nivel de Stock
Tiempo
Figura No. 14. Un ciclo de reservas (stock) único con pedidos atrasados
Aquí los pedidos atrasados se muestran como existencias negativas, y vamos a usar
el enfoque estándar de encontrar el costo para un solo ciclo y usarlo para calcular el
tamaño óptimo del pedido.
El costo total para un solo ciclo proviene de la suma de los cuatro componentes de
costo:
(𝑸𝑸−𝑺𝑺)
• Componente del costo de mantener: = Stock promedio de mantenido
𝟐𝟐
durante un tiempo 𝑇𝑇1 .
(𝑪𝑪𝑪𝑪)(𝑸𝑸−𝑺𝑺)𝑻𝑻𝟏𝟏
=
𝟐𝟐
• Componente del costo de escasez: escasez promedio durante un tiempo 𝑇𝑇2 .
(𝑪𝑪𝑪𝑪)(𝑺𝑺)(𝑻𝑻𝟐𝟐 )
=
𝟐𝟐
385
Si se suman estos datos, se obtiene el costo total por ciclo.
(𝑪𝑪𝑪𝑪)(𝑸𝑸−𝑺𝑺)(𝑻𝑻𝟏𝟏 ) (𝑪𝑪𝑪𝑪)(𝑺𝑺)(𝑻𝑻𝟐𝟐 )
(𝑪𝑪𝑪𝑪)(𝑸𝑸 + (𝑪𝑪𝑪𝑪) + +
𝟐𝟐 𝟐𝟐
Durante la primera parte del ciclo se satisface toda la demanda de existencias, por lo
que la cantidad enviada a los clientes es (𝑄𝑄 – 𝑆𝑆), lo que equivale a la demanda de
(𝐷𝐷)( 𝑇𝑇1 ).
Durante la segunda parte del ciclo toda la demanda es ordenada de nuevo, por lo que
la escasez, S es igual a la demanda no satisfecha (𝐷𝐷) (𝑇𝑇2 ). Sustituyendo:
(𝑸𝑸−𝑺𝑺) 𝑺𝑺
𝑻𝑻𝟏𝟏 = y 𝑻𝑻𝟐𝟐 =
𝑫𝑫 𝑫𝑫
(𝑪𝑪𝑪𝑪)(𝑸𝑸−𝑺𝑺)𝟐𝟐 (𝑪𝑪𝑪𝑪)𝑺𝑺𝟐𝟐
(𝑪𝑪𝑪𝑪)(𝑸𝑸) + (𝑪𝑪𝑪𝑪) + +
𝟐𝟐(𝑫𝑫) 𝟐𝟐(𝑫𝑫)
Luego dividiendo por 𝑇𝑇 y sustituyendo 𝑄𝑄 = (𝐷𝐷)( 𝑇𝑇) se obtiene el coste total por
unidad de tiempo:
La ecuación tiene dos variables, 𝑄𝑄 y 𝑆𝑆, por lo que podemos diferenciar con respecto a
Ambas variables e igualar a cero para obtener los resultados:
386
,
, ,
387
Tamaño del pedido óptimo (tomando la raíz positiva):
𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑫𝑫)(𝑪𝑪𝑪𝑪 + 𝑪𝑪𝑪𝑪)
𝑸𝑸∗ = �
(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪)
𝟐𝟐(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪)(𝑫𝑫)
𝑺𝑺∗ = �
(𝑪𝑪𝑪𝑪)(𝑪𝑪𝑪𝑪 + 𝑪𝑪𝑪𝑪)
Además, sabemos:
(𝑸𝑸∗ − 𝑺𝑺∗ )
𝑻𝑻𝟏𝟏 =
𝑫𝑫
𝑺𝑺∗
𝑻𝑻𝟐𝟐 =
𝑫𝑫
Tiempo de ciclo:
𝑻𝑻𝟏𝟏 + 𝑻𝑻𝟐𝟐
Discusión
388
valor al año, el costo de escasez para los pedidos atrasados es de 40 por ciento de
valor al año. Encuentre una política de inventario óptima para el elemento.
Solución:
, , ,
, , , unidades
, , unidades
389
, ,
, semanas
, ,
, semanas
, , ,
semanas
Conclusiones
En este ejemplo, el costo de escasez es relativamente bajo, por lo que el artículo está
agotado casi el 40 por ciento del tiempo.
390
14. Conclusiones del capítulo
De hecho, no se aborda ningún conocimiento previo del tema, de tal forma que
cualquiera que lea la sección de inventarios abordado en el libro de texto encontrará
fácil construir una comprensión detallada del tema.
También puede utilizarse para cursos más especializados en, por ejemplo,
mercadotecnia, gestión de la cadena de suministro, gestión de operaciones,
investigación de operaciones, ciencias de la gestión o producción.
Además, es útil para los administradores que quieren aprender más sobre la
gestión de inventario y cómo las ideas pueden ser utilizadas en su trabajo. Cualquiera
que sea su experiencia, puede utilizar la sección de este libro de forma accesible y
fácil, de tal forma que este en posibilidad de usarlo para aprender sobre el
pensamiento y las prácticas actuales en la gestión de inventario.
391
Algo medular: los interesados en abordar problemas en el campo de aplicación de
la investigación de operaciones, deben conocer las herramientas básicas del cálculo
diferencial, la estadística, el álgebra lineal. De igual forma, es importante estar
familiarizado con el uso de software especializado como Maple, Matlab, Excel,
Mathematica u otro que le permita comprender los conceptos del tema, y facilitar las
operaciones necesarias para resolver los problemas y proyectos propuestos.
392
15. Referencias y bibliografía
• Garvan, F. (2001). The Maple Book. Chapman and Hall/CRC; Edición, Usa.
• Waters, D. (2003). Inventory Control and Management, 2ª. Edición, Edit. John
Wiley & Sons, Usa.
393
Capítulo VI
Líneas de espera
1. Introducción
2. Historia
3. Aplicaciones
4. Caracterización
5. Elementos de un sistema de líneas de espera (colas)
5.1. Especificación de un sistema de colas
6. Notación
6.1. Notación de Kendall
6.2. Notación de Kendall para distintas distribuciones de probabilidad
7. Leyes de Little
7.1. La tasa de llegada
7.2. Tasa de finalización del servicio
8. PASTA.
9. Proceso de nacimiento y muerte
10. Sistema de colas (M/M/1)
10.1 Distribución del tiempo de espera en el sistema de espera o cola modelo
(M / M / 1)
11. Sistema de colas (M / M / 1 / c)
12. Sistema de colas (M / M / s)
13. Proceso de toma de decisiones en líneas de espera (Costo de la espera)
14. Sistemas de pérdida
14.1 Modelo de líneas de espera de pérdida M/G/c
394
15. Problemas resueltos
16. Conclusiones del capítulo
17. Referencias y bibliografía
395
Date prisa y espera.
Viejo refrán del ejército.
1. Introducción
En general no nos gusta esperar. Pero la reducción del tiempo de espera suele
requerir inversiones adicionales. Para decidir si invertir o no, es importante conocer
el efecto de la inversión en el tiempo de espera. Necesitamos modelos y técnicas para
analizar tales situaciones.
Esta sección, nuestra atención se restringe a los modelos con una cola. Las
situaciones con múltiples colas se tratan en un tema avanzado llamado "Redes de
colas", que queda fuera del alcance de nuestro curso. Las técnicas más avanzadas para
el análisis exacto, aproximativo y numérico de los modelos de colas forman parte de
un curso denominado «Métodos algorítmicos en la teoría de colas», que se imparten
en niveles de maestría y doctorado en el campo de la investigación de operaciones.
396
2. Historia
397
3. Aplicaciones
398
• Cajero automático. Aquí, usted espera en una cola de primer llegado, primero
servido para utilizar el cajero automático para los servicios tales como hacer
depósitos, comprobando saldos, y retirar efectivo (lo más probable el último,
¿verdad?).
• Sistema de fabricación. Cada parte del sistema tiene que someterse a una serie de
operaciones de fabricación en varias estaciones del sistema. Las colas son a
menudo dispositivos físicos (tampones) donde las partes se mantienen en
almacenamiento temporal mientras se espera la disponibilidad de la máquina
particular requerida para realizar la operación en la estación.
399
4. Caracterización
Un sistema de colas puede ser descrito como un sistema, donde los clientes llegan de
acuerdo con un proceso de llegada para ser atendidos por una instalación de servicio
de acuerdo con un proceso de servicio. Cada instalación de servicio puede contener
uno o más servidores. Generalmente se supone que cada servidor sólo puede atender
a un cliente a la vez. Si todos los servidores están ocupados, el cliente tiene que hacer
cola para obtener servicio. Si un servidor vuelve a estar libre, el siguiente cliente se
selecciona de la cola de acuerdo con las reglas dadas por la disciplina de colas.
Durante el servicio, el cliente podría pasar por una o más etapas de servicio, antes de
salir del sistema. En la figura no. 1 se muestra una representación esquemática de
dicho sistema de colas. Antes de entrar en más detalle, los aspectos más importantes
de los sistemas de colas serán listados y brevemente descritos.
(Cola) (Servidor)
(Llegada) (Salida)
Área de espera
Número de servidores
Capacidad del
sistema
+ =
400
• El proceso de servicio se describe de forma similar al proceso de llegada. Una vez
más, la exponencialidad se asume a menudo en la práctica debido a las dificultades
al liberar estos supuestos. Frente al proceso de llegada, el proceso de servicio
depende en gran medida del estado del sistema. En caso de que el sistema de colas
esté vacío, la instalación de servicio estará inactiva.
• La disciplina de la cola se refiere a la forma en que los clientes son seleccionados
para el servicio en condición de línea de espera. El más utilizado es el sistema de
primero en llegar, primero en ser atendido (FCFS). Otros son el último en llegar,
primero en ser atendido (LCFS), el servicio al azar y el prioritario.
• El proceso de salida rara vez se utiliza para describir un sistema de colas, ya que
puede ser visto como resultado de la fila de disciplina, la llegada y el proceso de
servicio. Bajo ciertas condiciones, el proceso de llegada y salida sigue la misma
distribución estadística. Esto se ha convertido en un hecho muy importante en el
modelado de la red de colas.
401
5. Elementos de un sistema de líneas de espera (colas)
• clientes;
• servidores;
• líneas o colas.
Los elementos principales que especifican un sistema de colas son los siguientes:
402
6. Notación
En esta sección, resumimos la notación utilizada en este capítulo para un solo sistema
de colas. Las tres primeras cantidades son parámetros de entrada, mientras que las
otras son medidas de desempeño de salida.
𝑁𝑁(𝑡𝑡) = 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑡𝑡
𝑁𝑁 = 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 (𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓),
𝑝𝑝𝑛𝑛 = 𝑃𝑃(𝑁𝑁),
𝐿𝐿𝑞𝑞 = 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑜𝑜 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 (𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓),
𝑞𝑞𝑛𝑛 = 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝 𝑢𝑢𝑢𝑢 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙
𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒,
𝑊𝑊 = 𝐸𝐸[𝑤𝑤] = 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑜𝑜 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠,
403
𝜌𝜌 = 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢ó𝑛𝑛 𝑑𝑑𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
Utilizaremos la siguiente notación para representar las colas de una sola estación:
. / . / . / . / . = 𝐴𝐴/𝐵𝐵/𝑋𝑋/𝑌𝑌/𝑍𝑍
404
𝐸𝐸𝑘𝑘 : 𝐷𝐷𝐷𝐷𝐷𝐷𝑡𝑡𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸, 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑞𝑞𝑞𝑞𝑞𝑞 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑙𝑙𝑙𝑙 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑓𝑓. 𝑑𝑑. 𝑝𝑝
(𝜇𝜇𝜇𝜇)𝑘𝑘 𝑘𝑘−1 −𝑘𝑘𝑘𝑘𝑘𝑘 1 1
𝑓𝑓(𝑡𝑡) = 𝑡𝑡 𝑒𝑒 , 𝑐𝑐𝑐𝑐𝑐𝑐 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑦𝑦 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣
(𝑘𝑘 − 1)! 𝜇𝜇 (𝑘𝑘𝑘𝑘2 )
𝐺𝐺: 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛𝑛 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔, 𝑙𝑙𝑙𝑙 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑞𝑞𝑞𝑞𝑞𝑞 𝑛𝑛𝑛𝑛 ℎ𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝.
𝐴𝐴 𝐷𝐷 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷í𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
− 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑖𝑖𝑑𝑑𝑑𝑑𝑑𝑑 𝐶𝐶𝑘𝑘 𝐶𝐶𝐶𝐶𝐶𝐶 (𝑘𝑘 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓)
𝐸𝐸𝑘𝑘 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 (𝑘𝑘 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓)
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
𝐺𝐺 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺
𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑜𝑜 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝐺𝐺𝐺𝐺 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼
𝐺𝐺𝐺𝐺𝐺𝐺 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 (𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑)
𝐻𝐻𝑘𝑘 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻
𝑀𝑀 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 (𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀)
𝑃𝑃𝑃𝑃 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹
𝐵𝐵 𝐷𝐷 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷í𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
− 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝐶𝐶𝑘𝑘 𝐶𝐶𝐶𝐶𝐶𝐶 (𝑘𝑘 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓)
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝐸𝐸𝑘𝑘 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 (𝑘𝑘 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓)
𝑒𝑒𝑒𝑒 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝐺𝐺 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺
𝐺𝐺𝐺𝐺 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼
𝐺𝐺𝐺𝐺𝐺𝐺 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 (𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑)
𝐻𝐻𝑘𝑘 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻
𝑀𝑀 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 (𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀)
𝑃𝑃𝑃𝑃 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹
405
𝑌𝑌 − 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 1,2, . . , ∞
𝑍𝑍 − 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙, 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠
𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
𝑅𝑅𝑅𝑅𝑅𝑅 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆ó𝑛𝑛 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
𝑃𝑃𝑃𝑃𝑃𝑃 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃
𝑅𝑅𝑅𝑅 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 𝑅𝑅𝑅𝑅𝑅𝑅í𝑛𝑛
𝑃𝑃𝑃𝑃 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
𝐺𝐺𝐺𝐺 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝑙𝑙
Ejemplos:
406
7. Leyes de Little
Las leyes de Little son un concepto muy simple, pero también muy potente. Dibuje
una «caja negra» alrededor de la porción del sistema en la que se encuentra el interés
(que podría ser todo el sistema), y sea λ∗ la tasa de arribo (llegada) en la caja negra,
sea 𝐿𝐿∗ el número promedio en la caja negra, y 𝑊𝑊 ∗ el tiempo promedio que se pasa en
la caja negra. La Ley de Little dice lo siguiente:
λ* Caja Negra λ*
• 𝐿𝐿∗ = 𝜆𝜆∗ 𝑊𝑊 ∗
𝐿𝐿 = 𝜆𝜆𝜆𝜆
𝐿𝐿𝑞𝑞 = 𝜆𝜆𝑊𝑊𝑞𝑞
407
Aplicado sólo a la porción de servicio, tenemos:
𝐿𝐿𝑠𝑠 = 𝜆𝜆𝜆𝜆[𝑋𝑋]
• La tasa de llegada depende del estado, por ejemplo, en una población de clientes
finitos, es proporcional al número de clientes pendientes.
𝑵𝑵𝒂𝒂 (𝒕𝒕)
𝝀𝝀 = 𝐥𝐥𝐥𝐥𝐥𝐥
𝒕𝒕→∞ 𝒕𝒕
408
7.2. Tasa de finalización del servicio
La tasa de salida (salida) suele ser la suma de las diversas tasas de terminación de
servicio en las estaciones de un sistema. Viendo cada estación por separado, la
estabilidad asegura que la tasa de llegada a una estación es igual a la tasa de
terminación del servicio. Si 𝑝𝑝𝑛𝑛 es la probabilidad de que haya 𝑛𝑛 en la estación, y 𝜇𝜇𝑛𝑛 es
la tasa de servicio cuando hay 𝑛𝑛 en la estación, entonces la tasa de terminación de
servicio es dada por:
� 𝝁𝝁𝒏𝒏 𝒑𝒑𝒏𝒏
𝒏𝒏≥𝟏𝟏
Puesto que, para un sistema estable, la tasa de llegada debe ser igual a la tasa de
finalización del servicio, por lo tanto, tenemos el siguiente resultado general para una
cola de un solo servidor:
𝝀𝝀
𝒑𝒑𝟎𝟎 = 𝟏𝟏 − = 𝟏𝟏 − 𝝆𝝆
𝝁𝝁
409
8. PASTA.
PASTA significa «Arribo tipo Poisson» (Promedios de tiempo), y fue acuñado no por
alguien de origen italiano, sino por alguien con un nombre alemán (Wolff). La idea es
muy simple, una vez que entendemos la diferencia entre un promedio de tiempo y un
promedio de clientes. PASTA sólo dice que, si los clientes siguen un proceso de llegada
Poisson, entonces estas dos cantidades son las mismas. La idea es que las llegadas de
Poisson toman una mirada «al azar» en el sistema.
𝑬𝑬[𝑳𝑳∗𝒒𝒒 ]
𝑾𝑾𝒒𝒒 = 𝑬𝑬[𝑺𝑺∗𝒓𝒓 ] +
𝝁𝝁
es decir, la espera de un cliente consiste en esperar que el cliente en servicio termine
(si lo hay) más todos los clientes en la cola. En primer lugar, calculamos el tiempo de
servicio restante esperado de un cliente condicionando el estado del servidor. Dado
que los tiempos de servicio son exponenciales, por la propiedad sin memoria, el
tiempo de servicio restante encontrado por un cliente que llega es un tiempo de
servicio completo si el servidor está ocupado y 0 de lo contrario. La probabilidad de
que el servidor esté ocupado es de PASTA igual a 1 − 𝑝𝑝0 = ρ, así que tenemos:
𝝆𝝆
𝑬𝑬[𝑺𝑺∗𝒓𝒓 ] =
𝝁𝝁
410
Aplicando PASTA y las leyes de Little, tenemos:
Sustituyendo, tenemos:
𝝆𝝆 𝑳𝑳𝒒𝒒 𝝆𝝆 𝝀𝝀𝑾𝑾𝒒𝒒
𝑾𝑾𝒒𝒒 = + = +
𝝁𝝁 𝝁𝝁 𝝁𝝁 𝝁𝝁
Entonces,
𝝆𝝆
𝝁𝝁
𝑾𝑾𝒒𝒒 =
𝟏𝟏 − 𝝆𝝆
Esta derivación particular es interesante por sí misma, porque reunió tres resultados
/ técnicas muy importantes que hemos aprendido:
• Esperanza condicional
• PASTA
• Leyes de Little
411
9. Proceso de nacimiento y muerte
3. Usar el balance de flujo donde la suma de las probabilidades deben sumar 1, para
resolver todas las probabilidades 𝑝𝑝0 , 𝑝𝑝1 … 𝑝𝑝𝑛𝑛
4. Expresar las medidas de rendimiento que se puede en términos de 𝑝𝑝0 , 𝑝𝑝1 … 𝑝𝑝𝑛𝑛
412
10. Sistema de colas (𝑴𝑴/𝑴𝑴/𝟏𝟏)
𝜆𝜆 𝜆𝜆
3. El balance de flujo dado por 𝑝𝑝𝑛𝑛 = 𝜌𝜌𝑛𝑛 𝑝𝑝0 , 𝜌𝜌 = , también 𝑝𝑝𝑛𝑛 = ( )𝑛𝑛 𝑝𝑝0 , la
𝜇𝜇 𝜇𝜇
normalización dada por 𝑝𝑝0 = 1 − 𝜌𝜌, 𝑠𝑠𝑠𝑠 𝜌𝜌 < 1
4. 𝐿𝐿 = ∑∞
𝑖𝑖=0 𝑛𝑛𝑝𝑝𝑛𝑛
5. La Ley de Little y otras relaciones pueden usarse para encontrar 𝑊𝑊, 𝑊𝑊𝑞𝑞 , 𝐿𝐿𝑞𝑞 .
𝝆𝝆 𝝀𝝀
𝑳𝑳 = =
𝟏𝟏 − 𝝆𝝆 𝝁𝝁 − 𝝀𝝀
𝑬𝑬[𝑿𝑿] 𝟏𝟏
𝑾𝑾 = =
𝟏𝟏 − 𝝆𝝆 𝝁𝝁 − 𝝀𝝀
𝝆𝝆𝝆𝝆[𝑿𝑿] 𝝆𝝆
𝑾𝑾𝒒𝒒 = 𝑾𝑾 − 𝑬𝑬[𝑿𝑿] = =
𝟏𝟏 − 𝝆𝝆 𝝁𝝁 − 𝝀𝝀
𝝆𝝆𝟐𝟐 𝝀𝝀𝝀𝝀
𝑳𝑳𝒒𝒒 = = = 𝝆𝝆𝝆𝝆
𝟏𝟏 − 𝝆𝝆 𝝁𝝁 − 𝝀𝝀
La estabilidad requiere:
𝝆𝝆 < 𝟏𝟏 𝒐𝒐 𝝀𝝀 < 𝝁𝝁
Ejemplo numérico:
413
Resolviendo con Maple.
, ,
,
,
, , , , unidades ,
, horas = 12 minutos
12 15
𝜆𝜆 = 𝑦𝑦 𝜇𝜇 =
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 ℎ𝑜𝑜𝑜𝑜𝑜𝑜
16
Entonces, ρ = 4/5, y tenemos que 𝐿𝐿 = 4 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢, 𝐿𝐿𝑞𝑞 = = 3.2 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢, 𝑊𝑊𝑞𝑞 =
5
4 1
ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 = 16 𝑚𝑚𝑚𝑚𝑚𝑚, 𝑊𝑊 = ℎ𝑜𝑜𝑜𝑜𝑜𝑜 = 20 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚.
15 3
Con Maple:
, , , , , ,
, , , , ,
414
10.1. Distribución del tiempo de espera en el sistema de espera o cola
modelo (𝑴𝑴 / 𝑴𝑴 / 𝟏𝟏)
𝑷𝑷�𝒘𝒘𝒒𝒒 > 𝒕𝒕� = 𝑷𝑷(�𝒘𝒘𝒒𝒒 > 𝒕𝒕�𝒘𝒘𝒒𝒒 > 𝟎𝟎�𝑷𝑷�𝒘𝒘𝒒𝒒 > 𝟎𝟎� + 𝑷𝑷�𝒘𝒘𝒒𝒒 > 𝒕𝒕�𝒘𝒘𝒒𝒒 = 𝟎𝟎�𝑷𝑷(𝒘𝒘𝒒𝒒 = 𝟎𝟎)
Así, la variable aleatoria del tiempo del sistema también tiene una distribución
exponencial (con media 𝜇𝜇 − 𝜆𝜆).
Ejemplo numérico
En el problema del cajero único de un banco, las llegadas siguen un proceso de
Poisson a una velocidad o tasa de 10 por hora, los tiempos de servicio distribuidos
exponencialmente con una media de 4 minutos. Encuentre las siguientes cantidades:
1. El porcentaje de tiempo que el cajero automático está inactivo;
Solución:
415
La primera, y en muchos sentidos más importante, paso consiste en ser capaz de
“traducir” los requisitos anteriores en las respectivas cantidades matemáticas que se
1
encuentran: 𝑝𝑝0 ; 𝐿𝐿; 𝑊𝑊𝑞𝑞 ; 𝜆𝜆; 𝑃𝑃 �𝑤𝑤 > �
6
, , , , ,
, , ,
, , , ,
, , ,
Resolviendo:
1. , =33.33%
2. , personas
3. ,, horas = 8 minutos
4. por hora
5. , , , 0.0820 =
8.20%
416
11. Sistema de colas (M / M / 1 / c)
Consideremos ahora una cola de un solo servidor con una capacidad limitada de c
espacios en el sistema, donde el proceso de llegada es Poisson con tasa 𝜆𝜆 y los tiempos
de servicio son independientes e idénticamente distribuidos exponencialmente (i.i.d)
con la tasa 𝜇𝜇.
𝒄𝒄
𝝀𝝀
𝒑𝒑𝒏𝒏 = � � 𝒑𝒑𝟎𝟎 , � 𝒑𝒑𝒏𝒏 = 𝟏𝟏
𝝁𝝁
𝒏𝒏=𝟎𝟎
Resolviendo, obtenemos:
𝟏𝟏−𝝆𝝆 𝝀𝝀
𝒑𝒑𝟎𝟎 = , donde 𝝆𝝆 = , 𝒑𝒑𝒏𝒏 = 𝝆𝝆𝒏𝒏 𝒑𝒑𝟎𝟎
𝟏𝟏−𝝆𝝆𝒄𝒄+𝟏𝟏 𝝁𝝁
𝒄𝒄
𝝆𝝆[𝟏𝟏 − (𝒄𝒄 + 𝟏𝟏)𝝆𝝆𝒄𝒄 + 𝒄𝒄𝝆𝝆𝒄𝒄+𝟏𝟏 ] 𝝆𝝆 (𝒄𝒄 + 𝟏𝟏)𝝆𝝆(𝒄𝒄+𝟏𝟏)
𝑳𝑳 = � 𝒏𝒏 𝒑𝒑𝒏𝒏 = = −
(𝟏𝟏 − 𝝆𝝆𝒄𝒄+𝟏𝟏 )(𝟏𝟏 − 𝝆𝝆) 𝟏𝟏 − 𝝆𝝆 (𝟏𝟏 − 𝝆𝝆(𝒄𝒄+𝟏𝟏) )
𝒏𝒏=𝟎𝟎
Tenga en cuenta que, dado que el sistema tiene capacidad limitada, no hay ningún
problema con la estabilidad (ya que se supone que los clientes que encuentran el
sistema completo se van). De hecho, un caso especial es aquel en el que 𝜆𝜆 = 𝜇𝜇, en el
que tenemos que cada estado es igualmente probable. De tal forma que el promedio
en el sistema está medio lleno:
𝟏𝟏 𝒄𝒄
𝒑𝒑𝒏𝒏 = , 𝑳𝑳 =
𝒄𝒄 + 𝟏𝟏 𝟐𝟐
Además, suponiendo que 𝑊𝑊 y 𝑊𝑊𝑞𝑞 se refieren sólo a los clientes que entran realmente
en el sistema, no tenemos la versión habitual de las leyes de Little, es decir, 𝐿𝐿 ≠ 𝜆𝜆𝜆𝜆.
417
ya que 𝜆𝜆 es la tasa nominal de clientes, ya que algunos clientes realmente no entran
en el sistema si el sistema está lleno. Por PASTA, sabemos que la tasa de clientes que
no entran en el sistema viene dada por 𝜆𝜆𝑞𝑞𝑐𝑐 = 𝜆𝜆𝑝𝑝𝑐𝑐 , por lo que podemos aplicar la Ley
de Little para la tasa dada por 𝜆𝜆(1 − 𝑝𝑝𝑐𝑐 ) para obtener
𝑳𝑳 𝑳𝑳𝒒𝒒
𝑾𝑾 = , 𝑾𝑾𝒒𝒒 =
𝝀𝝀(𝟏𝟏−𝒑𝒑𝒄𝒄 ) 𝝀𝝀(𝟏𝟏−𝒑𝒑𝒄𝒄 )
Ejemplo numérico
5. La probabilidad de que un cliente llegue a salir del sistema sin recibir un corte de
pelo.
, , , , , , ,
418
, , = 75%,
, , clientes
, , , , clientes
2. , , horas,
3. , , =99.99%
5. , = 75%
Ahora considere una sola cola con los servidores 𝑠𝑠 (como en un banco y la mayoría de
los contadores de aerolíneas en estos días), donde el proceso de llegada es Poisson
con tasa 𝜆𝜆 y los tiempos de servicio son i.i.d. exponencialmente distribuido con la tasa
𝜇𝜇, para cualquiera de los servidores. Como en el proceso de nacimiento y muerte en
los sistemas de colas, tenemos lo siguiente:
𝒏𝒏 𝒔𝒔
�𝝀𝝀�𝝁𝝁� �𝝀𝝀�𝝁𝝁�
𝒔𝒔−𝟏𝟏
𝒑𝒑𝟎𝟎 = (� + )−𝟏𝟏
𝒏𝒏=𝟎𝟎
𝒏𝒏! 𝒔𝒔! �𝟏𝟏 − 𝝀𝝀�𝝁𝝁�
419
𝒏𝒏
⎧ (𝝀𝝀�𝝁𝝁)
⎪ 𝒑𝒑𝟎𝟎
𝒑𝒑𝒏𝒏 = 𝒏𝒏! , 𝒔𝒔𝒔𝒔 𝟎𝟎 ≤ 𝒏𝒏 ≤ 𝒔𝒔
⎨(𝝀𝝀�𝝁𝝁)𝒏𝒏
⎪ 𝒑𝒑 , 𝒔𝒔𝒔𝒔 𝒏𝒏 ≥ 𝒔𝒔
⎩ 𝒔𝒔! 𝒔𝒔𝒏𝒏−𝒔𝒔 𝟎𝟎
𝒑𝒑𝟎𝟎 (𝒔𝒔𝒔𝒔)𝟐𝟐 𝝆𝝆 𝝀𝝀
𝑳𝑳𝒒𝒒 = , 𝝆𝝆 =
𝒔𝒔!(𝟏𝟏−𝝆𝝆)𝟐𝟐 𝒔𝒔𝒔𝒔
La estabilidad requiere:
𝝆𝝆 < 𝟏𝟏 𝒐𝒐 𝝀𝝀 < 𝒔𝒔𝒔𝒔
𝜆𝜆
Para el sistema de colas: 𝑀𝑀/𝑀𝑀/2, donde: 𝜌𝜌 = .
2𝜇𝜇
𝜆𝜆
Para el sistema de colas: 𝑀𝑀/𝑀𝑀/3, donde: 𝜌𝜌 = .
3𝜇𝜇
𝟏𝟏 − 𝝆𝝆
𝒑𝒑𝟎𝟎 =
𝟑𝟑
𝟏𝟏 + 𝟐𝟐𝟐𝟐 + 𝝆𝝆𝟐𝟐
𝟐𝟐
Ejemplo numérico:
En el problema del cajero del banco, considere que hay disponibles dos cajeros
automáticos las llegadas siguen un proceso de Poisson a una tasa de 80 personas por
hora, los tiempos de servicio distribuidos exponencialmente con una media de 1.2
minutos.
420
Datos y solución del problema resuelto con Maple:
, , , , , , = 11.11%
, = 4.44 clientes
2. Tiempo de espera en el sistema
, =0.055=3.33 min
3. Tiempo de espera en la línea
, , = 2.13333 minutos
4. Número esperado de clientes en la línea
, , clientes
, , , , = 0.29= 29%
421
13. Proceso de toma de decisiones en líneas de espera (Costo de la espera)
Para el último punto, un ejemplo es si utilizar una sola línea o varias líneas paralelas.
A veces la decisión está dictada por consideraciones físicas. Por ejemplo, en una
cabina de derecho de autopista sería difícil implementar una sola línea paralela,
aunque como dijimos anteriormente es el sistema más justo, en el sentido de
minimizar la varianza del tiempo de espera de un cliente.
422
Análisis:
Función de costos:
Análisis:
Función de costos:
423
𝑮𝑮𝟏𝟏 = 𝟕𝟕𝟕𝟕 + 𝟓𝟓(𝑳𝑳), 𝑮𝑮𝟐𝟐 = 𝟏𝟏𝟏𝟏𝟏𝟏 + 𝟓𝟓(𝑳𝑳)
Importante: a veces hay una distinción entre los costos del sistema y los costos de la
cola; en este último caso, utilizará 𝐿𝐿𝑞𝑞 o 𝑊𝑊𝑞𝑞 en su lugar.
Ejemplo: si nos remitimos al caso del cajero automático del banco y asumimos que el
proceso de llegada se describe mediante una distribución de probabilidad Poisson y
tiempos de servicio exponencial, con suficiente espacio para la espera.
El cajero 1 cuesta $ 6 por hora para operar, con una tasa de 12 por hora.
El cajero 2 cuesta $ 10 por hora para operar, con una tasa de 15 por hora. Los costos
de espera son de $ 10 por hora para un cliente. La tasa de llegada es de 10 unidades
por hora.
424
Resolviendo con Maple:
, , ,
, ,
, , ,
, , , , =0.41666 , , =
, =$
Decisión: Si.
425
14. Sistemas de pérdida
De acuerdo a Bonini (2000), en algunos sistemas de líneas de espera, los trabajos que
llegan no pueden entrar al sistema porque no hay línea de espera o cola. Estos son los
llamados sistemas de pérdida. Por ejemplo, se tiene un servicio de remolques con una
grúa para remolcar vehículos averiados hasta las instalaciones de reparación. Éste
servicio de remolque es uno de los que varias empresas tienen contratados con un
club de automovilismo.
Cuando éste recibe una llamada de emergencia, se contacta con el servicio más
cercano. Si todas las grúas están en servicio, contacta a otra que esté bajo contrato.
Desde la perspectiva de la empresa de remolque, éste es un sistema de pérdida. Si una
llamada llega al club mientras la grúa está en servicio con otro cliente, el trabajo se
pierde.
En un sistema donde los trabajos llegan de manera aleatoria (tiempo entre llegadas
exponencial) y los tiempos de servicio pueden tener una distribución general. Hay 𝑠𝑠
canales de servicio. Los trabajos que llegan cuando todos los canales 𝑐𝑐 están
ocupados, se pierden.
La media del tiempo entre llegadas es 𝜆𝜆 y la media de la tasa de servicio es 𝜇𝜇. El factor
𝜇𝜇
de carga del sistema es: 𝜌𝜌 = .
𝑠𝑠𝑠𝑠
En sistemas de pérdida, ésta puede ser mayor al 100% ya que algunas llegadas en
realidad no ingresan al sistema. Una medida del desempeño importante para los
sistemas de pérdida es la fracción de los trabajos que llegan y se pierden. La expresión
matemática es:
(𝒄𝒄𝒄𝒄)𝒔𝒔
𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭ó𝒏𝒏 𝒅𝒅𝒅𝒅 𝒑𝒑é𝒓𝒓𝒓𝒓𝒊𝒊𝒅𝒅𝒅𝒅 = 𝒔𝒔!
(𝒔𝒔𝒔𝒔)𝒌𝒌
∑𝒄𝒄𝒌𝒌=𝟎𝟎
𝒌𝒌!
426
Para el caso de canal único, (𝑠𝑠 = 1), esto se convierte en:
𝝆𝝆
𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭ó𝒏𝒏 𝒅𝒅𝒅𝒅 𝒑𝒑é𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓 =
𝟏𝟏 + 𝝆𝝆
𝟐𝟐𝝆𝝆𝟐𝟐
𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭ó𝒏𝒏 𝒅𝒅𝒅𝒅 𝒑𝒑é𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓 =
𝟏𝟏 + 𝟐𝟐𝝆𝝆 + 𝟐𝟐𝝆𝝆𝟐𝟐
Para el caso de los tres canales, (𝑠𝑠 = 3), esto se convierte en:
(𝟑𝟑𝝆𝝆)𝟑𝟑
𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭𝑭ó𝒏𝒏 𝒅𝒅𝒅𝒅 𝒑𝒑é𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓 = 𝟑𝟑!
(𝟑𝟑𝟑𝟑)𝟐𝟐 (𝟑𝟑𝟑𝟑)𝟑𝟑
, Y, así sucesivamente.
𝟏𝟏+𝟑𝟑𝟑𝟑+ 𝟐𝟐 + 𝟑𝟑!
Ejemplo numérico:
Bonini (2000). Un gerente de un supermercado local, como parte de su operación,
alquila equipo para que los clientes dueños limpien sus propias alfombras, y para ello
recibe solicitudes para alquilar estas unidades a una tasa de dos por día, en promedio,
(es decir, la media del tiempo entre llegadas es de medio día). Las solicitudes para las
máquinas siguen un proceso de Markov (distribución exponencial). Se dispone de dos
máquinas. Los clientes las alquilan por un periodo máximo de dos días, pero, en
promedio, la devuelven un día después. Suponer que, si no tiene una máquina para
alquilar, el cliente va a otro lugar para hacerlo (los clientes no esperan).
a) ¿Cuál es la probabilidad de que un cliente solicite una máquina cuando no hay
disponibles?
b) ¿Cuántas máquinas se necesitaría tener disponibles para reducir a menos de
5% la probabilidad de que un cliente se vaya?
Solución: Resolviendo con Maple. Nota: se trabajó el problema con el número de
canales 𝑠𝑠 = 𝑐𝑐
, , , ,
427
, ,
, , ,
428
15. Problemas resueltos
Problema No. 1.
Moskowitz (1982). Dado una tasa de llegada de 30 por hora y dado que la tasa
promedio de servicio es 40 por hora, ¿cuál es la probabilidad de que haya 0, 1, 2, 3y 4
clientes en el sistema (en la cola y siendo servidos)? ¿cuáles son las características del
sistema? Resuelva con Maple
Solución:
, , , , , =0.25=25%, , =0.1875
, = 0.1416, , =0.1055,
= =0.0791 =7.91%
: = clientes ,
, = =2.25 clientes
, , = horas = 6
minutos
429
Problema No. 2.
Moskowitz (1982) ¿Qué es un problema de colas? ¿Cuáles son algunas de las
características básicas de un sistema de colas? ¿Cuáles son algunas de las
suposiciones importantes de los modelos básicos abordados en este capítulo?
Respuesta:
Un problema de colas es esencialmente el mismo problema de asignación por
programación matemática. Esto es, hay actividades que compiten por servicios
limitados (o recursos). En sistemas de colas, tanto las tasas de llegada como las tasas de
servicio varían con el tiempo. Así, el centro de servicio estará vacío parte del tiempo. La
meta para «resolver» problemas de líneas de espera es balancear el costo de las demoras
(tiempo de espera y longitudes de colas) contra el costo de proporcionar cantidades
diferentes de servicio (más servidores o servidores más rápidos) con el objetivo final de
minimizar el coto total (o maximizar la utilidad total). Las suposiciones básicas que se
requieren para resolver los modelos de colas que se dan son que el patrón de flujo de
llegada sigue una distribución de Poisson y el tiempo de servicio una distribución
exponencial.
Problema No. 3.
Moskowitz (1982) ¿Cómo propondría usted mejorar el servicio en cada una de las
operaciones siguientes?
Respuesta:
430
Problema No. 4.
Moskowitz (1982) El autoservicio en una gasolinera local, con una tasa promedio de
7 minutos por carro, es más lento que el servicio asistido, que posee una tasa de 6
minutos por carro. El gerente de la gasolinera desea calcular el número promedio de
clientes en la gasolinera, el tiempo promedio que cada carro gasta en la gasolinera y
el tiempo promedio que cada carro gasta esperando servicio. Supongamos que los
clientes llegan aleatoriamente a cada línea a una tasa de 5 carros por hora. Calcule la
estadística adecuada de operación de esta gasolinera. Resuelva usando Maple.
Solución:
, , ,
,
, , = autos
, = autos
, = minutos
, = minutos
431
, : , , ,
, autos
, autos
, minutos
, minutos
Problema No. 5.
Moskowitz (1982) Se debe contratar a un mecánico para reparar máquinas que fallan
a una tasa de promedio de 4 por hora. Las fallas ocurren aleatoriamente (Poisson)
con el tiempo. El tiempo no productivo en una máquina se considera que le cuesta a
la compañía $0.50 dólares por hora. La gerencia ha limitado la selección a dos
mecánicos: uno lento, pero barato tiene un salario de $30 dólares por hora; y repara
las máquinas que fallan a una tasa media de 5 por hora. El mecánico rápido, y costoso
con un salario de $50 dólares por hora; repara máquinas a una tasa promedio de 7
por hora. ¿Cuál de los dos mecánicos debe contratar la compañía? ¿Suponga para
ambos mecánicos, tiempos de reparación exponencial? Resuelva con Maple.
432
Solución:
Problema No. 6
Bonini (2000). Dos mecanógrafas tienen trabajos idénticos. Cada una escribe las
cartas que le dicta un gerente en particular. Las cartas por escribir les llegan de
manera aleatoria (tiempos entre llegadas exponenciales), con una media de tiempo
entre llegas de 20 minutos.
Suponer que cada carta a realizar puede hacerse en 15 minutos, en promedio
(también una distribución exponencial). Resuelva las siguientes preguntas utilizando
el programa Maple.
433
a) Suponiendo que cada mecanógrafa hace su propio trabajo, ¿cuál es el tiempo
de espera que puede tener una carta (¿tiempo anterior a la iniciación de esta?
b) Suponer que las dos mecanógrafas se unen. Es decir, las cartas les llegan a las
dos y la escribe quien esté libre, cualquiera que sea el orden de llegada. ¿Cuál
es el tiempo de espera que puede tener una carta bajo ese acuerdo?
Solución:
minutos , minutos , ,
=75%
cartas
, = cartas
Este es el tiempo promedio de espera antes de que se inicie una carta. El tiempo
promedio de procesamiento es de una hora (el tiempo de espera promedio más el
tiempo promedio de servicio.
, ,
(tabulado e interpolando)
434
Nota: La fórmula para el tiempo múltiplo de espera es, desgraciadamente, muy
confusa y complicada. Para tal caso puede utilizarse un múltiplo de tiempo de espera
𝜇𝜇
para la cola M/M/c, utilizando el factor de uso o carga 𝜌𝜌 = , mediante tabulación
𝑐𝑐𝑐𝑐
para distintos factores de carga del sistema. Para nuestro caso: 𝑊𝑊 = 1.37,
, minutos.
Problema No. 7
, ,
= , = , =
, = barcos
= barcos
= días
435
= días
Problema No. 8
Solución:
, ,
, ,
a)
b)
436
unidades
Dado que el costo es de sólo $1,500 por día, el segundo muelle debe ser alquilado
Problema No. 9
Parlar (2000). Use Maple para obtener las diferentes (recursivas) ecuaciones del
sistema de colas modelo M/M/1 para el caso especial de 𝜆𝜆𝑛𝑛 = 𝜆𝜆 𝑦𝑦 𝜇𝜇𝑛𝑛 = 𝜇𝜇, que se
reduce al proceso de nacimiento y muerte del modelo M/M/1. Use el comando de
Maple rsolve () donde se le indica a Maple que las condiciones iniciales para 𝑛𝑛 =
𝜆𝜆
1, 𝑝𝑝1 = ( )𝑝𝑝0 .
𝜇𝜇
Solución:
437
, , , ,
, , ,
, ,
438
, ,
, , ,
Lo que queda demostrado que las fórmulas anteriores constituyen las expresiones
del modelo M/M/1
Problema No. 10
Una operación de dos canales con dos ventanillas de servicio y dos empleados.
El empleado estacionado en cada ventanilla completa el pedido y recibe el dinero de
los clientes que llegan a la ventanilla. El tiempo de servicio promedio con esta
alternativa es de 2 minutos en cada canal.
439
Responda las siguientes preguntas y recomiende un diseño alterno para la franquicia
de comida rápida:
El costo del tiempo de espera de un cliente se estima en $25 por hora para reflejar
el hecho de que el tiempo de espera es costoso para el negocio de comida rápida.
Para tener en cuenta el equipo y espacio, se atribuye un costo adicional de $20 por
hora a cada canal.
, , ,
440
, , ,
, , , , ,
441
Costo del servicio por canal:
Costo total:
442
16. Conclusiones del capítulo
Las colas implican esperar, sin duda, pero las actitudes de uno hacia las colas
pueden ser influenciadas más fuertemente por otros factores. Por ejemplo, los
clientes pueden enfurecerse si experimentan injusticia social, definida como violación
de la disciplina de la cola, que establece: primero en entrar, primero en salir. El
entorno de cola y la retroalimentación sobre la probable magnitud del retraso
también pueden influir en las actitudes de los clientes y, en última instancia, en
muchos casos, en la cuota de mercado de una empresa. Incluso si nos centramos en la
espera en sí, el «resultado» de la experiencia de cola puede variar no linealmente con
443
el retraso, reduciendo así la importancia del tiempo promedio en la cola, la medida
tradicional del rendimiento de las colas. En este capítulo abordamos la importancia
del tema de las filas para comenzar a organizar nuestros pensamientos sobre los
atributos importantes de las colas y hacer más tolerable la espera para los seres
humanos.
Las rosas son rojas; ¡las violetas son azules, si λ es grande, entonces ρ es demasiado!
444
17. Referencias y bibliografía
• Anderson, D., Sweeney, D., Willams, T. (2011). Quantitative Methods for Business,
11th, edit. Cengage, Usa.
• Fu, Michael. (2000). Queueing Theory Notes, BMGT 835, Robert H. Smith School
of Business,
• University of Maryland, College Park, MD 20742-1815 USA.
445