Clases (23 08 2012)

INVESTIGACI
ON DE OPERACIONES
Vctor Leiva
Departamento de Estadstica
Universidad de Valparaso, Chile
www.deuv.cl/leiva victor.leiva@uv.cl
victor.leiva@uv.cl www.deuv.cl/leiva DEUV - Chile 1/43
Contenidos de la asignatura
I. Introducci on y objetivos de la asignatura y de la
investigaci on de operaciones
II. M etodos de optimizaci on lineal
III. Procesos estoc asticos
IV. Fen omenos de espera
V. Teora de inventarios
PARTE I:
INTRODUCCI
ON Y OBJETIVOS
Objetivo
Introducir al alumno en la metodologa y aplicaciones de tres
t opicos importantes de la investigaci on de operaciones (I.O.),
caracterizados por la formulaci on de modelos de programaci on
lineal, de fen omenos de espera y de inventarios.
Bibliografa
1
Gould, F.J., Eppen, G.D., Schmidt, C.P. (1992)
Investigaci on de Operaciones en la Ciencia Administrativa.
PrenticeHall, M exico
2
Gross, D., Harris, C. (1974) Fundamentals of Queueing
Theory. Wiley, New York.
3
Hillier, F.S., Lieberman, G. (1997) Introducci on a la
Investigaci on de Operaciones. McGrawHill.
4
Ross, S. (1980) Introducction to Probability Models.
Academic Press.
Introducci on
El origen de la I.O. se remonta a la II Guerra Mundial (19391945). Otra
versi on indica que su origen se remonta al advenimiento de la revoluci on
industrial en Inglaterra (17601820).
En la actualidad, la I.O. es aplicada en diversas areas, entre las que se
encuentran:
Ciencias de la ingeniera.
Ciencias administrativas y de negocios.
Producci on y servicios.
Calidad total y reingeniera.
Entre otras.
La I.O. est a ntimamente relacionada al concepto de sistemas.
Denici on[Sistema]
Es un conjunto de componentes que al interactuar en forma
ordenada y l ogica permiten alcanzar un objetivo nal o un
conjunto de objetivos.
Una denici on simplista de una estructura sist emica es la
siguiente:
ENTRADA (input) PROCESO (process) SALIDA (Output)
Dos corrientes que se relacionan al concepto de sistema.
(i) Teora general de sistemas. Persigue la integraci on de
todas las ramas de la ciencia.
(ii) Ingeniera de sistemas. Corresponde al aspecto emprico
de los sistemas. Nace junto con la I.O. y posteriormente ha
sido empleada para administrar cientcamente un sistema
y m as recientemente ha sido utilizada en an alisis de
sistemas.
Denici on[Investigaci on de operaciones]
La I.O. comprende un conjunto de procedimientos cientcos
(determinsticos y estoc asticos) que persiguen determinar el
mejor curso de acci on que conduzca a una decisi on optima.
As, la investigaci on de operaciones propone modelos cuyo
objetivo es optimizar un proceso, bajo la restricci on de recursos
limitados.
Modelos de investigaci on de operaciones
La I.O. conduce a un proceso de optimizaci on. Las etapas m as importantes
de un estudio tpico de I.O. son:
1. Formulaci on del problema.
2. Modelado matem atico (determinstica) o estadstico (estoc astica) del
problema o sistema bajo estudio.
3. Derivaci on de una soluci on a partir del modelo propuesto.
4. Comprobaci on del modelo y diagn ostico de la soluci on obtenida.
5. Establecimiento de controles sobre la soluci on.
6. implementaci on de la soluci on en la pr actica.
Objetivos de la I.O.
En los t opicos de esta asignatura, se tiene:
Programaci on matem atica Optimizaci on de recursos.
Fen omenos de espera Optimizaci on de tiempo.
Teora de inventarios Optimizaci on de espacio.
En cada uno de estos t opicos se pretende optimizar costos o
utilidades.
PARTE II:
M ETODOS DE OPTIMIZACI
ON LINEAL
M etodos de optimizaci on lineal
La mayora de las areas de la I.O. hacen uso de modelos estoc asticos o
determinsticos, siendo la programaci on matem atica (PM) una de ellas. En
PM se tiene dos condiciones a considerar:
OPTIMALIDAD Y FACTIBILIDAD
Las componentes de un problema de PM son las siguientes:
1. Variables de decisi on, X
j
, las cuales cuantican una actividad j esima,
con j = 1, . . . , n).
2. Par ametros:
a
ij
: coeciente que pondera a X
j
en la restricci on i esima, con
i = 1, . . . , m, denominado coeciente tecnol ogico.
b
i
: coeciente asociado con el recurso i esimo, con i = 1, . . . , m,
denominado recurso.
c
j
: coeciente que pondera a la variable X
j
en la funci on objetivo
(F.O.) a optimizar, con j = l, . . . , n, llamado costo (aunque no
siempre representa un costo).
De este modo, el modelo matem atico de PM es el siguiente:
(PM) F.O. Optimizar f (X
1
, . . . , X
n
; c
1
, . . . , c
n
) = Z
s/a g
i
(X
1
, . . . , X
n
; a
i1
, . . . , a
in
) b
i
; i = 1, . . . , m
X
j
0; j = 1, . . . , n.
La F.O. se deber a minimizar, si los c
j
representan costos, o maximizar, si los
c
j
representan benecios. Las funciones g
i
() representan al conjunto de
restricciones que se le han impuesto al problema y X
j
0 representa a la
condici on de no negatividad para las variables de decisi on.
Para el modelo considere lo siguiente:
i. Del c alculo diferencial se sabe que: m ax f () = mn f (), de modo que,
en general, el problema siempre se puede plantear como uno de
maximizaci on, aun cuando este sea originalmente de minimizaci on.
ii. Las restricciones no siempre ser an menores o iguales. De modo que
se pueden tener restricciones de:
Disponibilidad: g
i
() b
i
, i = 1, . . . , m.
Requerimiento: g
i
() b
i
, i = 1, . . . , m.
Equilibrio: g
i
() = b
i
, i = 1, . . . , m.
iii. Dependiendo de la forma de las funciones f () y g
i
(), con i = 1, . . . , m,
el problema de PM toda formas diversas. Recuerde que:
(PM) F.O. Maximizar f (X
1
, . . . , X
n
) = Z
s/a g
i
(X
1
, . . . , X
n
) b
i
; i = 1, . . . , m
X
j
0; j = 1, . . . , n,
Esto da origen a los distintos tipos de programaci on
matem atica que son:
Programaci on lineal.
Programaci on cuadr atica.
Programaci on no lineal.
Programaci on convexa.
Programaci on diferenciable.
Programaci on entera.
Etc etera.
Resolver el problema de PM implica hallar el conjunto de todas
las soluciones factibles (F), dado por
F = {conjunto de soluciones factibles} = {X|g
i
(X) b
i
, X 0}.
De este conjunto factible nos interesan aquellos elementos que
optimicen el modelo, esto es,
F F
= {conjunto de soluciones optimas} = {X|f (X) > f (Y); (X, Y) 0}.

A partir de esto, existen dos condiciones asociadas con el
problema de PM y estas son:
Condici on de factibilidad Dada por las restricciones.
Condici on de optimalidad Dada por la FO.
El modelo de programaci on lineal
El problema de PM se transforma en uno de programaci on
lineal (PL) cuando f () y g
i
() se pueden escribir como
combinaciones lineales de los X
j
de la forma siguiente:
(PL) F.O.: Maximizar

n
j=1
c
j
X
j
= Z
s/a

n
j=1
a
ij
X
j
b
i
; i = 1, . . . , m
X
j
0; j = 1, . . . , n,
donde a
ij
, b
i
y c
j
son constantes reales, con i = 1, . . . , m y
j = 1, . . . , n.
El problema de PL planteado en forma matricial queda dado
como
(PL) F.O.: Maximizar c
X = Z
s/a AX b
X 0.
donde
c
= (c
1
, c
2
, . . . , c
n
) c
n1
X
= (X
1
, X
2
, . . . , X
n
) X
n1
b
= (b
1
, b
2
, . . . , n
n
) b
m1
A = (a
ij
)
mn
A
mn
La PL resuelve el problema de asignar recursos limitados
(restricciones) optimizando el valor de la F.O. Elementos
habituales que se optimizan en la F.O de PL son los siguientes:
Minimizaci on de:
Costos.
Tiempos.
Distancias.
Gastos.
Recursos humanos.
Retrasos.
Etc etera.
Maximizaci on de:
Ingresos.
Utilidades (utilidad = ingreso costo).
Capacidad de producci on.
Etc etera.
El origen de las restricciones que dan la factibilidad del problema
surgen desde:
Leyes naturales.
Tecnologa y procesos.
Capacidad de producci on.
Limitaci on de los proveedores.
Limitaciones de otros recursos (laborales, nancieros, etc.).
Entre otros.
Las restricciones, como ya se mencion o, pueden ser de
algunos de los tipos siguientes:
Limitaciones (a lo m as que m aximo: ).

Esta es en
general una restricci on asociada con los recursos
disponibles tales como: capital, espacio, capacidad de
producci on, capacidad de trabajo, etc.
Requerimiento (a lo menos que mnimo: ). Son
exigencias impuestas por normas externas o internas a la
empresa, tales como: normas de seguridad, de mercado,
o simplemente por poltica de la compa na, normas
ambientales, etc.
Equilibrio (igual a: =). Generalmente provienen de
estudios de mercado o condiciones de equilibrio fsicas o
qumicas.
Ejemplo
La Compa na Reddy Mikks es due na de una peque na f abrica
de pinturas que produce pinturas de interior y de exterior para
casas, las que se distribuyen al por mayor. Dos componentes
b asicos A y B son usados para la composici on de estas
pinturas. El proveedor de dichos componentes s olo puede
proporcionar 6 toneladas al da para el componente A y 8 para
B como m aximo. Los requerimientos diarios de componentes
b asicos por toneladas de pintura de interior y de exterior se da
en la tabla siguiente (valores expresados en toneladas):
Pintura
Exterior Interior Disponibilidad
Materia prima A 1 2 6
Materia prima B 2 1 8
Un estudio de mercado ha establecido lo siguiente:
La demanda diaria para pintura de interior no puede
exceder en m as de 1 tonelada a la exterior.
La demanda m axima para pintura de interior est a limitada
a dos toneladas al da.
El precio de venta al por mayor por tonelada es de 3.000
d olares y de 2.000 d olares para la de interior.
Por lo tanto la pregunta de inter es sera: cu antas toneladas
de ambas pinturas debe producir la empresa con el n de
maximizar los ingresos, es decir, cu al es el plan optimo de
producci on?
M etodo de optimizaci on lineal
Una vez planteado el problema como uno de PL, el paso
siguiente es la b usqueda de la soluci on optima, si existe. Para
ello, se debe disponer de un m etodo de optimizaci on.
Dependiendo del n umero de variables de decisi on, podemos
usar el m etodo gr aco (para dos variables) o el m etodo smplex
(para m as de dos variables).
M etodo gr aco de PL
El m etodo gr aco es utilizado cuando se tienen dos variables debido a
sencillez.
El primer paso consiste en gracar el conjunto de soluciones factibles en el
plano cartesiano. Este paso nos conduce al conjunto F, tambi en llamado
regi on factible (RF).
Las restricciones permiten hallar la RF, es decir, el conjunto F (condici on de
factibilidad) y la FO el optimo, es decir, el conjunto F
(condici on de
optimalidad).
El m etodo se resume en los pasos siguientes:
Paso 1. Transformar las desigualdades de las restricciones en ecuaciones.
Paso 2. Representar en el primer cuadrante del plano cartesiano (debido a
las restricciones de no negatividad) la ecuaciones obtenidas en Paso 1.
Paso 3. Gracar las desigualdades que dieron origen a las ecuaciones en
Paso 1. Las intersecciones de estas regiones dan origen a la RF. En este
paso se sabr a si el problema es o no factible, es decir, si F = . Si hay
factibilidad, entonces se contin ua en Paso 4. En caso contrario, F = y el
problema es infactible y no existe soluci on para el problema.
Paso 4. Gracar la ecuaci on que representa a la FO haciendo Z = 0. A
continuaci on se deben trazar rectas paralelas a Z = 0, desplaz andose por
las v ertices (curvas de nivel) de la RF hasta encontrar el v ertice m as alejado
del origen (en un problema m aximo) o m as cercano al origen en un problema
de mnimo.
Teorema
Un conjunto se dice convexo si para una combinaci on lineal de
un elemento del conjunto (x, y), dada de la forma: x + (1 )y,
con 0 1, el elemento resultante de esta combinaci on
lineal tambi en pertenece al conjunto, es decir, es cerrado o
convexo.
A trav es del teorema anterior, se puede decir que un problema
factible implica que la RF conforma un conjunto convexo.
T ecnicamente, una gura que representa a la RF se denomina
poltopo (gura de varios lados).
Teorema
Todo conjunto convexo asegura la existencia de un punto
extremo (m aximo o mnimo) en uno de los v ertices del poltopo.
An alisis de casos excepcionales en PL
Caso[Infactibilidad] F = .
Ejemplo
(PL) F.O.: Maximizar 4X
1
X
2
= Z
s/a 3X
1
+ 3X
2
9
X
1
+ X
2
2
X
1
, X
2
0
Conclusi on. Infactibilidad Ausencia de una soluci on y por
lo tanto de un optimo.
Caso[No acotamiento]
Ejemplo[Ambas variables crecen indenidamente]
(PL) F.O.: Maximizar 3X
1
+ 3X
2
= Z
s/a X
1
X
2
1
X
1
+ 2X
2
4
X
1
, X
2
0
Caso[Acotamiento]
Ejemplo
(PL) F.O.: Maximizar X
1
+ 3X
2
= Z
s/a X
1
X
2
1
2X
1
+ 6X
2
10
X
1
, X
2
0
Formulaciones equivalentes de modelos de PL
Recordemos que:
(PL) can onica escalar F.O.: Maximizar

n
j=1
c
j
X
j
= Z
s/a

n
j=1
a
j
X
j
b
i
; j = 1, . . . , m
X
j
0; i = 1, . . . , n
(PL) can onica matricial F.O.: Maximizar c
X = Z
s/a AX b
X 0
As entonces, hablaremos de tres formas del problema de PL:
PL can onica (PL), PL equacional (PLE) y PL general (PLG)
dadas por
(PL) Maximizar c
X = Z
AX b
X 0
(PLE) Maximizar c
X = Z
AX = b
X 0
(PLG) Maximizar c
X = Z
AX b
X D R
n
1. (PL) (PLE)
Maximizar [c
.
.
.0
m
]
, X
=
_
X
n1
X
m1
s/a [A
.
.
.I
m
]X
b
m1
X
0
Ej.: (PL) Maximizar (Z = 3X
1
+ 2X
2
)
s/a 2X
1
+ X
2
4 Holgura (slack)
X
1
, X
2
0
(PLE) Maximizar (Z = 3X
1
+ 2X
2
+ 0S
1
)
2X
1
+ X
2
+ S
1
= 4
X
1
, X
2
, S
1
0
2. (PLE) (PL)
Maximizar c
X = Z
s/a AX = b
X 0
Ejemplo:
(PLE) Max (Z = 3X
1
+ 2X
2
) (PL) Max (Z = 3X
1
+ 2X
2
)
2X
1
+ X
2
= 4 2X
1
+ X
2
4
(2X
1
+ X
2
4)
2X
1
X
2
4
X
1
, X
2
0 X
1
, X
2
0
3. (PLG) (PL)
Maximizar (c c)
(A A)x
b
x
0
Ej.: (PLG) Maximizar (Z = 3X
1
+ 2X
2
)
s/a 2X
1
+ X
2
4
x
1
0, X
2
R
X
2
= (X
+
2
X
2
)
donde: X
+
2
= M aximo {0, X
2
} 0
X
2
= (Mnimo {0, X
2
}) 0
(PL) Maximizar (Z = 3X
1
+ 2X
+
2
2X
2
)
s/a 2X
1
+ X
+
2
X
2
4
X
1
, X
+
2
, X
2
0
M etodo smplex
El algoritmo smplex consiste en pasar de una soluci on b asica
factible (v ertice) a otra adyacente (s olo diere en una
columna), de modo que el valor de la F.O. mejore hasta
encontrar el optimo si existe.
Planteamiento matricial del algoritmo:smplex revisado o
matricial
1
o
paso: Consiste en plantear el problema como uno de PLE
(PLE) F.O.: Maximizar c
X = Z
s/a AX = b
X 0
2do. paso: Se debe considerar una base factible inicial (B = I
m
) y reordenar la
matriz A de modo que el problema se pueda escribir de la forma
siguiente:
AX = b
_
B R

_
X
B
X
R
_
= b
La soluci on b asica factible inicial viene dada por
BX
B
+RX
R
= b /B
1
B
1
BX
B
+B
1
RX
R
= B
1
b
X
B
= B
1
b
. .
b
B
1
R
. .
R
X
R
X
B
= b RX
R
pero toda variable no b asica es igual a cero (X
R
= 0), mientras
que las variables b asicas son distintas de cero (X
B
> 0), salvo
problemas de degenerancia.
a) Condici on de optimalidad. La variable que ingresa a la base en un
problema de m aximo es aquella variable con el mayor coeciente en la
F.O.(en caso de empates se escoge arbitrariamente).
Sean:
c
B
= costos b asicos
c
R
= costos no b asicos
Z = c
X =
_
c
B
c
R
_
X
B
X
R
_
Z = c
B
X
B
+c
R
X
R
Z = c
B
(b RX
R
) +c
R
X
R
Z = c
B
b + ( c
R
c
B
R
. .
c:costos reducidos
)X
R
Por tanto,
Z = Z
+cX
R
, X
B
= b, X
R
= 0 y Z
= c
B
b.
Al movernos por una arista del poltopo:
c
j
> 0 Z se increment o y existe una variable que entra
y se continua con la condici on de factibilidad.
c
j
0 Z no se increment o y estamos en el optimo.
De esta manera si el algoritmo continua se debe elegir aquel
C
K
= m ax{C
j
/C
j
> 0}, con j = l, n.
b) Condici on de Factibilidad. La variable que sale de la
base (en problemas de m aximo o de mnimo) es la que
tiene la raz on b
i
/r
ij
m as peque na entre los r
ij
> 0, es decir,
se escoger a la l- esima variable b asica (l = 1, . . . , m) que
cumpla con:
l
= mn
..
1in
{b
i
/r
ij
> 0}
Finalmente, al entrar la variable X
R
k
(no b asicas) y salir la
variable X
B
l
(b asica), la antigua base es reemplazada en una
columna por el vector r
k
obteniendo as una nueva base B, tal
que
B B
1
b = B
1
b; R = B
1
R
X
B
= b, X
R
= 0
Por lo tanto, Z
= C
B
b.
Si existe una variable no b asica que entra a la base y no existe
una variable que salga, el problema es infactible y no existe el
optimo.

Clases (23 08 2012)

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Clases (23 08 2012)

Hochgeladen von

Copyright:

Verfügbare Formate

INVESTIGACI

= {conjunto de soluciones optimas} = {X|f (X) > f (Y); (X, Y) 0}.

Das könnte Ihnen auch gefallen