Beruflich Dokumente
Kultur Dokumente
NDICE
Pg.
PRESENTACION
UNIDAD 1: PROGRAMACION LINEAL ENTERA .......... 07
1.1 Introduccin.. ........... 08
1.2 Clasificacin de los Modelos de Programacin Lineal Entera ............. 09
1.3 Mtodos de solucin para resolver problemas de Programacin Lineal
Entera ............ 09
1.4 Relajacin PL.. ............. 10
1.5 Aplicaciones de Problemas de Programacin Entera.. ............. 11
1.6 Programacin Lineal Entera: El Enfoque Grfico............... 16
1.7 Programacin Lineal Entera: Un Enfoque Conceptual ................. 16
1.7.1 Enumeracin de las soluciones enteras posibles ................ 16
1.7.2 El mtodo de ramificacin y acotamiento: Un Enfoque Conceptual . ............ 17
1.7.3 Programacin Lineal Entera: Uso de la computadora. ............. 17
1.7.4 Resolucin de Problemas de Programacin Lineal Entera ............. 35
UNIDAD 2: PROGRAMACION CUADRATICA ............ 43
2.1 Introduccin. ............. 43
2.2 Programacin Cuadrtica. ............. 44
2.3 Programacin convexa separable 44
2.3.1 Formulacin del modelo de cartera .......... 52
UNIDAD 3: PROGRAMACION DINAMICA 61
3.1 Introduccin. ............. 61
3.2 Caractersticas de un Problema de Programacin Dinmica ....... 62
3.3 Modelos de Programacin Dinmica. . ............ 62
3.3.1 El problema de la diligencia. ............ 63
3.3.2 Terminologa y notacin bsica ............. 63
3.3.3 Ingresando el problema al WINQSB. .......... 64
3.3.4 Problema de la mochila o canasta de equipaje. ............. 66
3.3.5 Programacin de produccin e inventario.. ............. 69
UNIDAD 4: MODELOS DE INVENTARIO...... 73
4.1 Introduccin... ........... 73
4.2 Modelo de Inventario Generalizado.. ............... 74
4.3 Modelos Deterministas ................... 75
4.4 Modelo Estocstico de un solo artculo (CPE) ................ 76
4.5 Problemas de Inventario con el WINQSB ................... 78
4.5.1 Ejemplo de un Problema de Cantidad Econmica de la Orden
(EOQ) para Demanda Determinstica ................ 79
4.5.2 Ejemplo de un Problema con Demanda Estocstica para un solo
perodo............. 84
5
Excelencia Acadmica
Excelencia Acadmica
1.1-
Excelencia Acadmica
b)
c)
Excelencia Acadmica
c)
Excelencia Acadmica
10
Excelencia Acadmica
2.0
1.0
0.5
x1
0
0.5
1.0
1.5
2.0
2.5
y x1 x2 = 4
11
Excelencia Acadmica
x2
5.0
4.0
(1)
FO
3.0
x1 = 16/3
x2 = 4/3
z ptimo = 124/3 = 41.33
(2)
2.0
1.0
x1
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
4.0
(1)
3.0
FO
x1 = 4
x2 = 2
z ptimo = 38
(2)
2.0
1.0
x1
0
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
12
Excelencia Acadmica
x1
x2
0
0
0
0
0
1
1
1
1
2
2
2
2
3
3
3
4
4
4
5
0
1
2
3
4
0
1
2
3
0
1
2
3
0
1
2
0
1
2
1
Solucin ptima
Utilidad mxima
PL
PLE
x1 = 16/3, x2 = 4/3
x1 = 4,
x2 = 2
41.33
38.00
13
Excelencia Acadmica
1.
2.
ii)
14
Excelencia Acadmica
4.
5.
Puede ser que ninguno de los puntos enteros prximos sea factible.
Aun cuando uno o ms de los puntos enteros prximos sean factibles,
Ejercicios propuestos
1.
Rpta:
El PLE tiene 13 soluciones factibles, stas son los puntos : (3,6), (4,6), (3,5), (4,5),
(5,5), (4,4), (5,4), (4,3), (5,3), (6,3) (4,2), (5,2) y (6,2).
La solucin ptima del PLE es el punto x1 = 6, x2 = 3; el valor ptimo de la funcin
objetivo es 126.
2.
El Programa MI VIVIENDA ha obtenido una subvencin del Estado de $ 5
millones de dlares para construir edificios de departamentos para personas de
ingresos bajos y medianos en una extensin de 180,000 metros cuadrados de
terreno. Cada tipo de edificio requiere 20,000 metros cuadrados. El costo estimado
de cada edificio de bajos ingresos es de $ 300,000, y el costo estimado de cada
edificio de ingresos medios es de $ 600,000. Cada edificio de bajos ingresos
proporciona 15 unidades, y cada edificio de medianos ingresos proporciona 12
unidades. Para mantener el vecindario bien balanceado, el gobierno requiere que la
proporcin de los departamentos de ingresos medios con los ingresos bajos sea de
15
Excelencia Acadmica
16
Excelencia Acadmica
(1)
(2)
(3)
(4)
(5)
(6)
De las restricciones (4) a (6) se tiene que las tres variables pueden tomar los
tres valores enteros posibles de 0, 1 y 2, por tanto, es necesario enumerar las 27
combinaciones de valores enteros para x1, x2 y x3.
Un enfoque es enumerar los tres valores para x1 y, para cada uno, enumerar
los tres valores para x2, lo que se produce en nueve combinaciones. Para cada una
de estas nueve, puede enumerar los tres valores para x3, obteniendo el nmero total
de combinaciones, 27. Este enfoque se describe usando un rbol.
1.7.2 El mtodo de ramificacin y acotamiento: Un enfoque conceptual
Con el mtodo de ramificacin y acotamiento, en vez de buscar los
nodos terminales directamente, comienza en el nivel superior del rbol y procede de
nodo en nodo (un crculo en el rbol asociado con un programa entero que indica
que algunas variables del problema se han fijado para especificar valores enteros)
hacia la base del rbol y los nodos terminales. En cada nodo, se resuelve el
programa lineal asociado. Sobre la base de esta solucin, se toma una decisin
respecto a qu nodos del rbol, si los hay, pueden eliminarse para otras
consideraciones, lo que reduce el nmero de nodos terminales que necesitan
examinarse.
Es un mtodo usado para resolver un problema de programacin
entera en el que los nodos del rbol asociado se examinan de una manera
sistemtica tratando de eliminar por consideracin tantos nodos terminales como
sea posible.
1.7.3 Programacin Lineal Entera: Uso de la computadora
Con la popularizacin de los computadores personales (PCs) han
surgido programas y aplicaciones muy completas para el tratamiento de los
problemas de gestin mediante herramientas cuantitativas, las que en su conjunto
17
Excelencia Acadmica
Excelencia Acadmica
Producto 1
Producto 2
Producto 3
Tiempo total
disponible por
mesa
restringiendo la
en cada una de
de cada producto
(tiempo dado en
Tiempo requerido
Seccin 1
10
15
7
Tiempo requerido
Seccin 2
12
17
7
Tiempo requerido
Seccin 3
8
9
8
3300
3500
2900
Excelencia Acadmica
MODELO MATEMTICO
Max. Z = 150X1 + 210X2 + 130X3
s.a.
10X1 + 15X2 + 7X3 3300
12X1 + 17X2 + 7X3 3500
8X1 + 9X2 + 8X3 2900
X1 , X2 , X3 0
Restr. Estructurales
Restr. No Negatividad
problema de
(las
cuales
Una vez llenados todos los campos pulsamos el botn OK, generando
nuevas opciones dentro del programa.
INGRESANDO EL MODELO
Si se escogi por la plantilla tipo hoja de calculo (Spreadsheet Matrix
Form), se mostrar una nueva ventana dentro de la zona de trabajo, la cual
servir para introducir el modelo matemtico.
Excelencia Acadmica
(son las tres variables del ejemplo), seguido por el operador de relacin
(Direction) y la solucin de las restricciones o Lado de la mano derecha
(Right Hand Side -R. H. S).
El nombre de las variables se puede cambiar
accediendo al submen Nombre de variables (Variables Names) del men Editar
(Edit).
Por ltimo aparecen tres filas donde definimos el valor mnimo aceptado por
cada variable (Lower Bound), el valor mximo (Upper Bound) y el tipo de
variable (Variable Type).
En el caso del valor mximo, M significa que la
variable podr recibir valores muy grandes (tendientes a infinito).
EL MODELO DE EJEMPLO
Para ingresar nuestro modelo propuesto en el ejemplo, el primer paso es
llenar la segunda fila con los coeficientes de la funcin objetivo:
Excelencia Acadmica
utilizar las herramientas que provee el men Resolver y Analizar (Solve and
Analyze). Este men cuenta con las siguientes opciones:
Pulsamos el botn
generar la solucin optima.
22
ACEPTAR
automticamente
el
programa
Excelencia Acadmica
Excelencia Acadmica
24
Excelencia Acadmica
Debe pulsar sobre la variable no bsica que desee que entre (en este
caso se muestra a X1, X3 y C2 como no bsicas). Para mostrar la ltima tabla del
Simplex directamente podr optar por seleccionar la opcin llamada Ir a la
ltima tabla (Go To The Last Tableau).
La ltima opcin Nonstop to Finish muestra el resultado final completo
(junto al anlisis de sensibilidad).
LA OPCIN IMPRIMIR
Cada ventana mostrada puede ser impresa mediante la opcin Imprimir
(Print) que se encuentra en el men Archivo (File) o mediante el botn
desplegado en la barra de herramientas.
GUARDANDO UN PROBLEMA
Si quiere acceder a un problema posteriormente simplemente seleccione la
opcin Salvar como (Save As) o pulsando sobre el botn
Excelencia Acadmica
requieren que a toda hora al menos 60% de los cajeros sean de tiempo completo.
Como gerente del departamento de personal, haga una recomendacin respecto al
nmero de empleados de tiempo completo y de tiempo parcial requeridos a lo largo
del da para minimizar el costo diario total.
Tabla N 2: Requerimientos de cajeros de CMAC Huancayo
PERIODO
8 10 am.
10 12 medioda
12 2 pm.
2 4 pm.
Solucin:
Sean las variables de decisin:
x1 = el nmero de cajeros de tiempo completo a contratar
x2 = el nmero de cajeros de tiempo parcial a contratar
Es necesario mayor precisin para los cajeros de tiempo parcial, se necesita saber
no slo cuantos contratar, sino tambin sus horarios de inicio. Para el efecto se
utilizarn tres nuevas variables, cada una correspondiente a las tres horas de inicio.
x3 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 8 am.
x4 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 10
am.
x5 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 12 del
medioda.
Para formular la funcin objeto, siendo el caso de minimizar el costo diario
total, puede usarse la tcnica de descomposicin,
Costo total = (costo de cajeros de tiempo completo) +
(costo de cajeros de tiempo parcial que comienzan a las 8 am.) +
(costo de cajeros de tiempo parcial que comienzan a las 10 am.) +
(costo de cajeros de tiempo parcial que comienzan a las 12 del
medioda)
El costo asociado con los cajeros de tiempo completo que trabajan 8 horas al
da, es S/. 15 la hora, lo que suma S/. 120 al da. Los cajeros de tiempo parcial
trabajan 4 horas al da y ganan S/. 8 la hora, o S/. 32 al da. Por consiguiente, la
funcin objetivo es:
Min. z = 120x1 + 32x3 + 32x4 + 32x5
Para identificar las restricciones, usaremos el siguiente grfico y la tcnica de
agrupamiento.
Tiempo completo
Tiempo parcial a las 12 del medioda
Tiempo parcial a las 10 am.
Tiempo parcial a las 8 am.
x1
x5
x4
x3
8 am.
10 am.
12 medioda
2 pm.
4 pm.
Excelencia Acadmica
1)
2)
Excelencia Acadmica
otros casos, la pregunta es qu alternativas deben elegirse. En este ltimo caso, que
implica una decisin de si, invertir o de no invertir, a menudo es til un modelo de
programacin entera apropiado al elegir entre alternativas. El siguiente ejemplo
ilustra el caso.
Ejemplo 1: EDPYME CONFIANZA, una compaa de inversin de capital de
riesgo, est considerando invertir hasta un milln de dlares en una o ms
propuestas que ha recibido de diversos empresarios. Cada propuesta ha sido filtrada
por el departamento de investigacin, y seis han tenido una tasa esperada de
retorno suficiente para justificar el riesgo implicado. La inversin nica requerida y la
tasa de rendimiento esperada asociada para cada proyecto se proporciona en la
Tabla N 3. Al departamento de investigacin se le ha pedido que haga
recomendaciones respecto a los proyectos que deben respaldarse. Su meta es
lograr la devolucin esperada ms alta sobre la inversin.
Tabla N 3: Requerimientos de capital y tasa de retorno esperada para los
proyectos de Edpyme Confianza
PROYECTO
A
B
C
D
E
F
Solucin:
Sean las variables de decisin:
x1 =
1 Si Edpyme Confianza invierte en el proyecto A
0 Si Edpyme Confianza no invierte en el proyecto A
x2 =
1
0
x3 =
1
0
x4 =
1
0
x5 =
1
0
x6 =
1
0
Excelencia Acadmica
x1 1
x1 0 y entero
0
x1
s.a.
200,000x1+350,000x2+150,000x3+125,000x4+375,000x5+70,000x6
x1
x2
x3
x4
x5
x6
x1,
x2,
x3,
x4,
x5,
1000,000 (Presup.)
1
1
1
1
1
1
x6 0
y entero
VALOR
PRESENTE DEL
BENEFICIO
NETO
40
70
CAPITAL REQUERIDO EN EL
AO i PARA LA ELTERNATIVA j
1
10
30
2
5
20
3
20
10
4
10
10
5
0
10
29
Excelencia Acadmica
80
10
20
27
20
10
100
20
10
40
20
20
bi
50
45
70
40
30
Se pide:
a) Formular el problema como un modelo de PLE
b) Hallar la solucin ptima
Solucin:
Este problema puede formularse como un modelo de PLE en el que todas las
variables son del tipo 0 1.
Sean las variables de decisin:
xi = 1 si el proyecto se acepta y xi = 0 si se rechaza. (i = 1,2,3,4)
El modelo de PLE es:
Max z = 40x1 + 70x2 + 80x3 + 100x4 Valor presente de los proyectos aceptados
s.a.
10x1 + 30x2 + 10x3 + 20x4 50
Capital requerido
5x1 + 20x2 + 20x3 + 10x4 45 Capital disponible en el ao 2
en el ao 2
20x1 + 10x2 + 27x3 + 40x4 70
10x1 + 10x2 + 20x3 + 20x4 40
10x2 + 10x3 + 20x4 30
x1
1
x2
1
x3
1
x4 1
xi 0 ; i = 1, , 4
La solucin ptima entera es que el administrador deber aceptar las tres primeras
alternativas; x4 es igual a cero. El valor de la funcin objetivo es 190.
Ejemplo 3: INVERMEST tiene la oportunidad de invertir en cinco proyectos
diferentes, P1, P2, P3, P4 y P5, cada uno con un beneficio neto estimado como se
muestra en la Tabla N 5.
Tabla N 5: Beneficio neto esperado para los cinco proyectos
PROYECTO NUMERO
1
2
3
4
5
30
BENEFICIO NETO
ESPERADO ($)
100 000
80 000
70 000
60 000
90 000
Excelencia Acadmica
1 si el proyecto j es seleccionado
0 si el proyecto j no es seleccionado
j = 1, 2, 3, 4, 5
x1, x2, x3, x4, y x5 son variables de decisin 0/1
El modelo de programacin lineal entera es:
Max z = 100x1 + 80x2 + 70x3 + 60x4 + 90x5
s.a.
60x1 + 40x2 + 20x3 + 40x4 + 50x5 150 (disponibilidad de caja)
x1
1
x2
1
x3
1
x4
1
x5 1
xi 0 y enteras (j = 1,2,3,4,5)
Invermest invertir en los cuatro ltimos proyectos (x2, x3, x4, x5 = 1) y no as
en el primer proyecto (x1 = 0) y la mxima utilidad total esperada es de $ 300,000.
Divisin de existencias
Muchas empresas enfrentan el problema de divisin de productos de gran
tamao en lotes al menudeo de menor tamao.
Ejemplo: La Industria Papelera ATLAS vende rollos de papel para
computadoras y cajas registradoras a diversos vendedores al detalle. Sus rollos
estndar tienen 20 pulgadas de ancho. Los vendedores al detalle han hecho pedidos
de 1050 rollos de 3 pulgadas de ancho, 2050 rollos de 5 pulgadas de ancho y 4050
rollos de 8 pulgadas de ancho. Para producir estos rollos ms pequeos, los rollos
de 20 pulgadas son alimentados a la mquina cortadora que tiene ocho montaduras
diferentes, como se muestra en la Tabla N 4. Cada montura produce un nmero
distinto de cada ancho de rollo de tamao al detalle, dejando una cantidad fija de
31
Excelencia Acadmica
NUMERO DE ROLLOS
3 pulg. 5 pulg. 8 pulg.
6
0
0
0
4
0
1
0
2
0
2
1
4
0
1
2
1
1
5
1
0
1
3
0
DESPERDICIO
(pulgadas)
2
0
1
2
0
1
0
2
Estos son pedidos nicos. Cualquier rollo sobrante de tamao para el detalle
se venden con descuento, lo que provoca una prdida neta de S/. 1 por cada rollo de
3 pulgadas, S/. 1.50 por cada rollo de 5 pulgadas y S/. 2 por cada rollo de 8
pulgadas. El desperdicio es reciclado a un costo neto de S/. 0.50 por pulgada. Como
gerente del departamento de produccin, se le ha pedido determinar cmo usar las
distintas monturas de la mquina cortadora para satisfacer la demanda especificada
para los rollos de tamao para veta al detalle, a la vez que se minimiza el costo total.
Solucin:
Sean las variables de decisin:
x1 = el nmero de rollos de 20 pulgadas a cortarse con la montura 1
x2 = el nmero de rollos de 20 pulgadas a cortarse con la montura 2
.
.
.
x8 = el nmero de rollos de 20 pulgadas a cortarse con la montura 8
Para especificar la funcin objetivo de minimizacin del costo total, aplicaremos la
tcnica de descomposicin,
Costo total = (costo total de desperdicio de todas las monturas) +
(costo total de sobreproduccin)
= (costo de desperdicio de la montura 1) +
(costo de desperdicio de la montura 2) +
.
.
.
(costo de desperdicio de la montura 8) +
(costo de sobreproduccin de rollos de 3 pulgadas) +
(costo de sobreproduccin de rollos de 5 pulgadas) +
(costo de sobreproduccin de rollos de 8 pulgadas)
32
Excelencia Acadmica
Por ejemplo, cada corte de un rollo de 20 pulgadas con la primera montura produce
un desperdicio de 2 pulgadas, como puede observarse en la Tabla N 4. Como se
cortan x1 de tales rollos,
Desperdicio de la montura 1 = 2x1
Usando las variables de decisin y el desperdicio dado por cada montura de la Tabla
N 4 se tiene:
Pulgadas totales de desperdicio = 2x1 + 0x2 + 1x3 + 2x4 + 0x5 + 1x6 + 0x7 + 2x8
Dado que cada pulgada de desperdicio cuesta S/. 0.50,
Costo total de desperdicio = 0.50 * (pulgadas totales de desperdicio)
= 1x1 + 0x2 + 0.5x3 + 1x4 + 0x5 + 0.5x6 + 0x7 + 1x8
Para especificar el desperdicio de sobreproduccin, tomemos como ejemplo, el
nmero de rollos de 3 pulgadas producidos.
Nmero de rollos de 3 pulgadas producidos = 6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8
(rollos de 3 pulgadas)
(rollos de 5 pulgadas)
(rollos de 8 pulgadas)
33
Excelencia Acadmica
x1 ,
Restricciones lgicas
x2 , x3 , x4 , x5 , x6 , x7 , x8 0
y enteras
Problema de ubicacin
CAPACIDAD MENSUAL
1700
2000
1700
2000
Solucin:
34
LIMA
5
4
6
9
TRUJILLO
3
7
5
8
TIENDAS
AREQUIPA
2
8
3
6
HUANCAYO
6
10
8
5
Excelencia Acadmica
1
0
y2 =
1
0
y3 =
1
0
y4 =
1
0
TIENDAS
LIMA TRUJILLO AREQUIPA HUANCAYO
x11
x12
x13
x14
x21
x22
x23
x24
x31
x32
x33
x34
x41
x42
x43
x44
35
Excelencia Acadmica
RESTRICCIONES DE SUMINISTRO
Nmero de unidades embarcadas desde Chiclayo = x11 + x12 + x13 + x14
Este nmero no debe exceder la capacidad de esta planta. Obsrvese que esta
planta puede producir hasta 1700 computadoras por mes si se construye, y 0
unidades caso contrario. Usando la variable de decisin 0 1y1, esta capacidad es
1700y1. Por lo tanto, la restriccin de suministro para la planta de Chiclayo es:
x11 + x12 + x13 + x14 1700y1 o
x11 + x12 + x13 + x14 - 1700y1 0
(Chiclayo)
En forma anloga,
de ensamblado son:
x21 + x22 + x23 + x24
x31 + x32 + x33 + x34
x41 + x42 + x43 + x44
(Cuzco)
(Piura)
(Tacna)
RESTRICCIONES DE DEMANDA
Consideremos la tienda detallista de Lima. Por descomposicin,
Nmero de unidades embarcadas a Lima = x11 + x21 + x31 + x41
Como esta cantidad debe ser igual a la demanda de la tienda de 1700 unidades, la
restriccin de demanda en Lima es:
(Lima)
x11 + x21 + x31 + x41 = 1700
Las restricciones de demanda para las otras tres tiendas detallistas son:
36
Excelencia Acadmica
(Lima)
(Trujillo)
(Arequipa)
(Huancayo)
RESTRICCIONES LOGICAS
y1, y2, y3, y y4 = 0 o 1 y las xij 0 y enteras (i = 1,2,3,4 y j = 1,2,3,4)
Para hallar la solucin utilice un paquete de software adecuado.
Problema de carga fijada
Ejemplo: Pinturas y Provisiones CPP tiene disponibles tres procesos
diferentes estandarizados para producir pintura blanca para casas. Cada proceso
tiene unos costos fijos y un costo de proceso por galn. La capacidad de cada
proceso se da en siguiente Tabla:
COSTOS FIJOS
($)
100
200
300
COSTO DE
PROCESO
($ /galn)
5
4
3
CAPACIDAD
MAXIMA DIARIA
(galones)
2,000
3,000
4,000
Excelencia Acadmica
y1 =
1
0
si el proceso 1 es usado
si el proceso 1 no es usado
y2 =
1
0
si el proceso 2 es usado
si el proceso 2 no es usado
y3 =
1
si el proceso 3 es usado
0 si el proceso 3 no es usado
Las variables y1, y2 y y3 son variables 0/1.
Minimizacin de costos
Ejemplo: Cuatro lneas diferentes de ensamble estn disponibles para la
produccin de calculadoras en la HP Electronics (HPE). El costo de ensamble de
cada calculadora en cada una de las cuatro lneas disponibles, la capacidad mxima
diaria de cada lnea y los correspondientes costos fijos se dan en la tabla siguiente.
La HPE tiene un propsito de demanda de 30,000 calculadoras por da. La gerencia
de la HPE desea un plan de promocin que minimice los costos y que especifique
cules lneas van a ser usadas y con qu capacidades, para satisfacer la demanda
mnima diaria de 30,000 calculadoras.
Tabla N 11: Produccin de calculadoras para la HPE
38
LINEA DE
ENSAMBLE
COSTOS FIJOS
(dlares por da)
5,000
COSTO DE
ENSAMBLE POR
CALCULADORA
(dlares)
6
CANTIDAD
MAXIMA
10,000
Excelencia Acadmica
B
C
D
6,000
1,000
7,000
4
7
3
20,000
25,000
15,000
Solucin:
Sean las variables de decisin para la produccin:
x1 = nmero de calculadoras producidas por da en la lnea A
x2 = nmero de calculadoras producidas por da en la lnea B
x3 = nmero de calculadoras producidas por da en la lnea C
x4 = nmero de calculadoras producidas por da en la lnea D
Sean las variables para la lnea de ensamble:
y1 =
1
si la lnea A es seleccionada para produccin
0
si la lnea A no es seleccionada para produccin
y2 =
1
si la lnea B es seleccionada para produccin
0
si la lnea B no es seleccionada para produccin
y3 =
1
si la lnea C es seleccionada para produccin
0
si la lnea C no es seleccionada para produccin
y4 =
1
si la lnea D es seleccionada para produccin
0
si la lnea D no es seleccionada para produccin
El modelo de programacin lineal entera es:
Min z = 5,000 y1 6,000 y 2 1,000 y 3 7,000 y 4 + 6 x1 4 x 2 7 x3 3 x 4
s.a.
x1 + x2 + x3 + x4 = 30,000
(demanda diaria)
x1
10,000y1 (capacidad en lnea A)
x2
20,000y2 (capacidad en lnea B)
x3
25,000y3 (capacidad en lnea C)
x4 15,000y4 (capacidad en lnea D)
y1
1
y2
1
1
y3
y4 1
x1, x2 , x3 , x4, y1, y2, y3, y4 enteros (no-negativos)
Utilice un software de computadora para hallar la solucin ptima
1.
Excelencia Acadmica
2.
Excelencia Acadmica
4.
5.
PRODUCTO B
Produccin
Costo
(unidades)
unitario
0-40
$7
40-100
3
Excelencia Acadmica
42
PROYECTO
NUMERO
VALOR PRESENTE
NETO
(miles de $)
1
2
3
4
5
6
Presupuesto
50
40
30
40
50
60
estimado
DESEMBOLSOS
REQUERIDOS
Ao 1
Ao 2
$ 10
$ 15
20
10
10
15
20
10
10
15
20
10
90
80
Ao 3
$ 10
5
10
5
10
5
50
Excelencia Acadmica
PROGRAMACION CUADRATICA
.
2.1
j= 1,2,3, ....., n
43
Excelencia Acadmica
2.2
Programacin cuadrtica
2.3
44
Excelencia Acadmica
i > indica que la i-esima restriccin es equivalente a xki = 0 donde xki es la i-esima
variable de holgura.
0
i = 0 explica que la i esima restriccin no es limitante a xki
SENTIDO DE LA
OPTIMIZACIN
Maximizacin
Minimizacin
SENTIDO DE LA
OPTIMIZACION
CONDICIONES REQUERIDAS
Funcin Objetivo
Espacio Solucin
Cncava
Conjunto convexo
Convexa
Conjunto convexo
CONDICIONES REQUERIDAS
f(x)
Maximizacin
gi(x)
Cncava
Convexa
Cncava
Lineal
0
0
Sin restriccin
(1ir)
( r+1 i p )
( p+1 i n )
Convexa
Convexa
Cncava
Lineal
0
0
Sin restriccin
(1ir)
( r+1 i p )
( p+1 i n )
Minimizacin
Excelencia Acadmica
N 1
i 1
i 1
Ai xi2
j i 1
i 1
Bij xi x j Ci xi D
Puede observarse que cuando todos los coeficientes Ai y Bij son cero
entonces la funcin es lineal. Por consiguiente, una funcin lineal es un caso
especial de una funcin cuadrtica.
Ejemplo numrico:
Min z = ( x1 6) 2 ( x 2 8) 2
s.a.
x1 7
x2 5
x1 2 x 2 12
x1 x 2 9
x1 , x 2 0
Consideremos un problema de programacin no lineal cuya funcin objetivo
es la suma de trminos de la forma
el grado del trmino
Un problema de programacin no
lineal, cuyas restricciones son lineales y cuya funcin objetivo es la suma de
46
Excelencia Acadmica
trminos de la forma
(en la cual cada trmino tiene un grado de 2,
1 o 0) es un problema de programacin cuadrtica.
Vamos a ilustrar de manera general el mtodo de WOLFE para resolver
problemas de programacin cuadrtica:
Se define un problema de programacin cuadrtica como:
s.a.
Donde
(Vector en con componentes continuas), C es un vector de precios
con n componentes, Q es una matriz de nxn , simtrica y positiva definida, es decir ,
para toda
, excepto X = 0, b es el vector de recursos con m
componentes, A es una matriz de m*n coeficientes tecnolgicos y 0 es un vector con
n ceros.
El problema de optimizacin anterior tiene restricciones lineales, si Q es una
matriz nula se convierte en un problema de programacin lineal. Como Q es positiva
definida , implica que W es una funcin estrictamente convexa y por lo tanto el
mnimo si existe es global; si Q es negativa definida, W es estrictamente cncava y
si el mximo existe es global.
A continuacin se escribe el problema en notacin algebraica, se le aplican
los multiplicadores de Lagrange, se verifican las condiciones necesarias y suficientes
de Karush Kuhn- Tucker que deben existir en un ptimo global.
El mtodo de Wolfe sigue con la reescritura del problema original como un
problema de programacin lineal con holguras complementarias; ste ltimo
problema es equivalente al problema original. El problema de programacin lineal a
resolver ser de 2(m + n)n variables, m + n restricciones lineales y m + n
restricciones de holgura complementaria.
Ejemplo: Resolver el siguiente problema de programacin cuadrtica por el
mtodo de Wolfe :
47
Excelencia Acadmica
48
Excelencia Acadmica
Solucin grafica
Nos permite visualizar el ptimo, pero tiene la desventaja de servir
nicamente para representar pocas variables, hasta tres (3).
Ejemplo 1: Resolver el siguiente problema de programacin cuadrtica.
Min z = ( x1 6) 2 ( x 2 8) 2
s.a.
x1 7
x2 5
x1 2 x 2 12
x1 x 2 9
x1 , x 2 0
Solucin obtenida con el WINQSB, men Quadratic and Integer Quadratic
Programming
49
Excelencia Acadmica
k y centro en el
X1
X2
X1
X2
4.00
4.00
* X1
* X2
Objective
Constraint
1
2
3
4
C1
C2
C3
C4
-12.00
-16.00
1.00
1.00
Function
-48.00
-64.00
16.00
16.00
0
0
basic
basic
Allowable Allowable
Min. c(j) Max. c(j)
-17.00
-26.00
-7.00
-6.00
Left Hand
Right Hand
Slack Shadow Allowable Allowable
Side
Direction
Side
or Surplus Price Min.RHS Max. RHS
4.00
4.00
12.00
8.00
<=
<=
<=
<=
7.00
5.00
12.00
9.00
3.00
1.00
0
1.00
0
0
4.00
0
4.00
4.00
2.00
8.00
M
M
13.67
M
Ejercicios:
Resolver los siguientes problemas de programacin cuadrtica (PC):
1)
50
Excelencia Acadmica
s.a.
x1 x2 1
x1 + x2 2
x1 , x2 0
2)
3)
Min. z = 2 x12 2 x 22 6 x1 2 x1 x 2
s.a.
x1 x 2 2
x1 , x 2 0
4)
Min. z = 10 x1 20 x 2 x1 x 2 2 x12 2 x 22
s.a.
x 2 x3 8
x1 x 2 x 4 10
xi 0
i=1,2,3,4
Seleccin de Cartera
La seleccin de cartera es un problema fundamental en las finanzas
modernas.
Problema: Un inversionista tiene $P para invertir en un grupo de n acciones y
quisiera saber cuanto invertir en cada una de ellas. La combinacin seleccionada se
conoce como cartera del inversionista. El inversionista tiene metas contradictorias: le
gustara tener una cartera que tuviera al mismo tiempo un gran rendimiento
esperado y un riesgo pequeo. Estas metas son contradictorias porque lo ms
frecuente es que, en el mundo real, las carteras con alto rendimiento esperado
tengan tambin alto riesgo.
Alto rendimiento esperado = alto riesgo
Rendimiento: Supngase que una inversin de Di dlares se aplica al activo
i y suponga que durante algn perodo de tiempo especificado estos Di dlares se
convierten en 1.3Di
1.3Di Di
0.30
En este caso, el rendimiento durante ese perodo es de
Di
El riesgo se mide mediante la varianza del rendimiento en la cartera.
El gerente de cartera busca bajos riesgos con alto rendimiento esperado, una
forma de enmarcar el problema es minimizar, la varianza del rendimiento (e.i,
minimizar el riesgo) sujeto a un lmite inferior del rendimiento esperado. Tambin
pueden existir algunas restricciones sobre la parte de la cartera dedicada a acciones
individuales en particular.
51
Excelencia Acadmica
2
i
(varianza de rendimientos)
(Se tiene que invertir todos los fondos)
Lmite inferior sobre el rendimiento
esperado de la cartera
Lmites superiores sobre las
inversiones en acciones individuales
0.06
2
2
R2= 0.02
S2= 0.90
G = 0.03
12 0.02
El modelo de PC es:
Min z = 9 X 12 4 X 1 X 2 6 X 22
s.a.
X1 + X2 = 1
6X1 + 2X2 3
(Varianza de rendimiento)
52
de la
Excelencia Acadmica
X1
0.75
X2 0.90
X1, X2 0
Solucin:
La solucin grfica del problema de seleccin de cartera muestra el conjunto
factible. Debido a la restriccin de igualdad (x1 + x2 = 1) el conjunto factible es el
segmento de recta que conecta los puntos (0.25, 0.75) y (0.75, 0.25). Cada contorno
de la funcin objetivo es una elipse con su centro en el origen y su eje menor sobre
una recta que forma un ngulo de 26.55 con el eje x1. Al graficar varias elipses, la
forma es la misma, pero aumenta en tamao. El problema es seleccionar el valor
ms pequeo para el contorno en forma tal que la elipse tan solo toque el conjunto
factible. En la figura, el contorno 4.54 toca al conjunto factible en el punto
( x1* 0.36, x 2* 0.64) que es la solucin ptima.
Excelencia Acadmica
Decision
Variable
1
2
3
4
5
X1
X2
X1
X1
X2
Objective
Constraint
1
2
3
3
C1
C2
C3
C4 0.64
0
0
9.00
4.00
6.00
Function
0
0
1.19
0.93
2.43
Dual Basis
Slack Status
0
0
Allowable Allowable
Min.c(j)
Max. c(j)
basic
basic
-8.50
-2.50
2.50
8.50
(Min.) = 4.55
Left Hand
Right Hand Slack
Shadow Allowable Allowable
Side
Direction
Side
or Surplus Price
Min. RHS Max. RHS
1.00
3.45
0.36
<=
=
>=
<=
0.90
1.00
3.00
0.75
0.26
0
0.45
0.39
0
0
0
0
0.64
1.00
-M
0.36
M
M
3.45
M
1 n t
Estimacin de la varianza del rendimiento para el activo i = Ri Ri
n t 1
Estimacin de la covarianza de los
rendimientos para los activos i y j
54
1 n t
Ri Ri R tj R j
n t 1
Excelencia Acadmica
Definimos:
G = lmite inferior sobre el rendimiento esperado de la cartera.
Si = lmite superior sobre la fraccin del activo i que puede estar en la cartera.
En trminos de los parmetros, la formulacin de la programacin cuadrtica
del problema de tres activos es:
Min Z = X2 X 2 Y2Y 2 Z2 Z 2 2 XY XY 2 XZ XZ 2 YZYZ objetivo cuadrtico
s.a.
RXX + RYY + RZZ G
X + Y + Z
= 1
X
SX
La regin factible es igual que en PL
SY
Y
Z SZ
X, Y, Z 0
- La funcin objetivo es la varianza del rendimiento de la cartera, se
considera normalmente que sea el riesgo de la cartera.
- La primera restriccin expresa el lmite inferior sobre el rendimiento
esperado de la cartera.
- La segunda restriccin afirma que las fracciones suman uno y las
restricciones restantes son lmites superiores.
Cuando se permite que una cartera est integrada por ms de tres activos el
rendimiento esperado se define como:
n
X R
i 1
X
i 1
N 1 N
i2 2 X i X j ij
2
i
i 1 j i 1
Ejemplo: Consideremos tres acciones y rendimientos histricos desde 19952006. Las tres acciones seleccionadas son Cementos Pacasmayo, Telefnica y
Electro Per. Los rendimientos para 1995-2006 son (datos tomadas de las SBS,
2006).
Tabla N 14: Rendimientos actuales
RENGLON
CEMENTOS
TELEFNICA
PACASMAYO
ELECTRO
PER
0.300
0.225
0.149
0.103
0.290
0.260
0.216
0.216
0.419
55
Excelencia Acadmica
-0.046
-0.272
-0.078
-0.071
0.144
0.169
0.056
0.107
-0.035
0.038
0.321
0.133
0.089
0.305
0.732
0.090
0.195
0.021
10
0.083
0.390
0.131
11
0.035
-0.072
0.006
12
0.176
0.715
0.908
Definicin de rendimiento
El rendimiento en el ao n se define mediante
(precio de cierre, n) (precio de cierre, n-1) + (dividendos, n)
(precio de cierre, n-1)
Telefnica
Electro Per
Cementos
Pacasmayo
1.08075E-02
Telefnica
1.24072E-02
5.83917E-02
Electro Per
1.30751E-02
5.54264E-02
9.42268E-02
Rendimiento promedio
ACCION
Cementos Pacasmayo
RENDIMIENTO PROMEDIO
8.90833E-02
Telefnica
0.213667
Electro Per
0.234583
Excelencia Acadmica
0.75
Z 0.75
X, Y, Z 0
Solucin:
La solucin especifica una cartera de 52% para el activo Cementos Pacasmayo,
37% para Telefnica y 12% para el activo Electro Per. El rengln C1 es activo,
puesto que el rendimiento anual esperado es exactamente 15%. El valor ptimo
seala que la varianza del rendimiento anual es aproximadamente de 0.023, lo que
significa que la desviacin estndar es 0.023 15% .
Decision
Variable
1
2
3
4
5
6
7
8
9
X1
X2
X3
X1
X1
X1
X2
X2
X3
0.52
0.37
0.12
* X1
* X2
* X3
* X2
* X3
* X3
Objective
Constraint
1
2
3
4
5
C1
C2
C3
C4
C5
0
0
0
0.01
0.02
0.03
0.06
0.11
0.09
Function
0
0
0
0.00
0.00
0.00
0.01
0.00
0.00
Dual
Slack
0
0
0
>=
=
<=
<=
<=
0.01
0.02
0.01
(Min.) = 0.023
Left Hand
Right Hand Slack
Shadow
Side
Direction
Side
or Surplus Price
0.15
1.00
0.52
0.37
0.12
-0.17
-0.01
-0.03
0.15
1.00
0.75
0.75
0.75
0
0
0.23
0.38
0.63
0.38
0.01
0
0
0
Allowable
Min. RHS
Allowable
Max. RHS
0.13
1.00
0.52
0.37
0.12
0.21
1.14
M
M
M
57
Excelencia Acadmica
1.
2.
58
Excelencia Acadmica
x1 x 2 x 4 10
xi 0
i=1,2,3,4
5. EDPYME CONFIANZA tiene una cartera con 3 activos X, Y y Z. Los
rendimientos histricos de estos tres activos durante la ltima dcada se dan
a continuacin:
59
Excelencia Acadmica
ACTIVO X
0.22
0.115
0.387
-0.074
-0.092
0.062
0.045
0.086
0.098
0.087
ACTIVO Y
0.423
0.391
0.298
-0.275
0.148
0.136
0.421
0.395
0.198
0.384
ACTIVO Z
0.185
0.246
0.521
-0.084
0.169
-0.042
0.141
0.722
0.031
0.143
Se pide:
a)
b)
c)
6.
a)
b)
c)
60
A
0.01
0.001
0.001
0.04
-0.04
0.08
Excelencia Acadmica
PROGRAMACION DINAMICA
3.1
Excelencia Acadmica
Sin embargo esto pude agrandar mucho el tamao del problema. Surge as
Programacin Dinmica (PD) como una alternativa de descomposicin en que
resolvemos subproblemas ms pequeos y luego los ligamos. As, la programacin
dinmica consiste en solucionar un problema suponiendo que en cada etapa futura
siempre se tomaran las decisiones correctas.
62
Excelencia Acadmica
5
8
10
6
9
7
5
10
63
Excelencia Acadmica
Excelencia Acadmica
Identific
a el
nodo fin
Excelencia Acadmica
Excelencia Acadmica
Peso,
lb
1000
1100
700
800
500
Valor
Volumen,
bonificacin
pies3
70
700
100
800
100
1100
80
1000
50
700
Max. z 5700 x1 5800 x 2 6100 x 3 6000 x 4 5700 x 5 s.a. 1000 x1 1100 x 2 700
x 3 800 x 4 500 x 5 2000 x j 1, entero.
Siendo xj el elemento j a transportar.
Para el caso del volumen se reformara la
cambiando los coeficientes por los volmenes de los tems.
primera
restriccin
67
Excelencia Acadmica
68
Excelencia Acadmica
La solucin es:
Excelencia Acadmica
Ejemplo 3:
La tabla muestra los datos del siguiente problema de produccin e inventario: la
demanda para los meses de enero, febrero, marzo y abril es de 4, 5, 3 y 4
unidades, respectivamente. Las capacidades de produccin son de 6, 4, 7, y 5
unidades; las capacidades de almacenaje son 4, 3, 2 y 4 unidades
respectivamente. Los costos de preparacin varan de un mes a otro y son: 500,
450, 500 y 600 u.m. para enero, febrero, marzo y abril.
Mes
Costos
Demanda
Enero
Febrero
Marzo
Abril
500
450
500
600
4
5
3
4
Capacidad de
produccin
6
4
7
5
Capacidad de
Almacenamiento
4
3
2
4
70
Excelencia Acadmica
1.
12
D
7
8
8
T
O
7
9
5
C
13
E
71
Excelencia Acadmica
1
0
45
70
90
105
120
Sectores:
2
0
20
45
75
110
150
3
0
50
70
80
100
130
72
Dedicacin / Faena
Poda
Raleo
0 da
1 da
2 das
3 das
0.50
0.42
0.36
0.25
0.60
0.51
0.41
0.36
Cosecha
0.40
0.35
0.21
0.18
Excelencia Acadmica
MODELOS DE INVENTARIO
4.1
73
Excelencia Acadmica
74
Excelencia Acadmica
Modelos Deterministas
La gestin de inventario preocupa a la mayora de las empresas cualquiera
sea el sector de su actividad y dimensin, por tres factores imperativos.
No hacer esperar al cliente.
Realizar la produccin a un ritmo regular, aun cuando flucte la demanda.
Comprar los insumos a precios ms bajos.
Una buena gestin de los inventarios es definir perfectamente:
Mercadera a pedir.
Fechas de pedido.
Lugar de almacenamiento.
La manera de evaluar el nivel de stock.
Modo de reaprovisionamiento.
Sistema de reaprovisionamiento
75
Excelencia Acadmica
Excelencia Acadmica
77
Excelencia Acadmica
78
Problema de
Excelencia Acadmica
Ejemplo 1:
La materia prima principal para la creacin de un producto cuesta $20 por
unidad. Cada unidad del producto final requiere una unidad de esa materia
prima. Si la demanda para el prximo ao es de 1000 unidades Qu cantidad
se debe pedir?
Cada orden por ms unidades cuesta $5 y el costo de almacenaje por unidad por
ao es de $4.
En la ventana Especificaciones del problema de inventario (Inventory
Problem Specification) procedemos a digitar los datos bsicos para la solucin
del problema:
79
Excelencia Acadmica
80
El
valor
predeterminado
es
M,
Excelencia Acadmica
Tiempo de salida para una nueva orden por ao (Lead Time for a New
Order in Ao): Valor no suministrado en el ejemplo, por tanto lo dejamos
en blanco.
Costo de adquisicin de una unidad sin descuento (Unit acquisition
Cost Without Discount): Costo de compra de una unidad ($20).
Nmero de puntos de descuento (Number of Discount Breaks): Valor
no suministrado en el ejemplo, por tanto lo dejamos en blanco.
Cantidad de orden si es conocida (Order Quantity If You Known):
Cantidad de unidades por pedido, si es conocido.
81
Excelencia Acadmica
La columna Economic
resultante del problema.
Order
Analysis
presenta
el
anlisis
82
Excelencia Acadmica
Grficos resultantes
Podremos tambin realizar un anlisis grfico de los costos de este
sistema activando la opcin Anlisis grfico de los costos (Graphic Cost
Analysis) en el men Resultados (Results):
83
Excelencia Acadmica
84
Excelencia Acadmica
El problema nos pide trabajar con una demanda con comportamiento normal:
85
Excelencia Acadmica
86
Excelencia Acadmica
Excelencia Acadmica
88
Excelencia Acadmica
MODELOS DE COLAS
Introduccin
No importa en qu cola se site: La otra siempre avanzar ms rpido
(Primera Ley de Harper)
Y si se cambia de cola, aqulla en la que estaba al principio empezar a ir ms
deprisa (Segunda Ley de Harper)
Las "colas" son un aspecto de la vida moderna que nos encontramos
continuamente en nuestras actividades diarias. En el contador de un supermercado,
en los Bancos, etc., el fenmeno de las colas surge cuando unos recursos
compartidos necesitan ser accedidos para dar servicio a un elevado nmero de
trabajos o clientes.
El estudio de las colas es importante porque proporciona tanto una base
terica del tipo de servicio que podemos esperar de un determinado recurso, como
la forma en la cual dicho recurso puede ser diseado para proporcionar un
determinado grado de servicio a sus clientes.
Debido a lo comentado anteriormente, se plantea como algo muy til el
desarrollo de una herramienta que sea capaz de dar una respuesta sobre las
caractersticas que tiene un determinado modelo de colas.
5.2
Definiciones iniciales
Excelencia Acadmica
Excelencia Acadmica
teora de colas o de lneas de espera. Esta teora es ahora una herramienta de valor
en negocios debido a que un gran nmero de problemas pueden caracterizarse,
como problemas de congestin llegada-salida.
5.3.2 Modelo de formacin de colas
En los problemas de formacin de cola, a menudo se habla de clientes, tales
como personas que esperan la desocupacin de lneas telefnicas, la espera de
mquinas para ser reparadas y los aviones que esperan aterrizar y estaciones de
servicios, tales como mesas en un restaurante, operarios en un taller de reparacin,
pistas en un aeropuerto, etc. Los problemas de formacin de colas a menudo
contienen una velocidad variable de llegada de clientes que requieren cierto tipo de
servicio, y una velocidad variable de prestacin del servicio en la estacin de
servicio.
Cuando se habla de lneas de espera, se refieren a las creadas por clientes o
por las estaciones de servicio. Los clientes pueden esperar en cola simplemente por
que los medios existentes son inadecuados para satisfacer la demanda de servicio;
en este caso, la cola tiende a ser explosiva, es decir, a ser cada vez mas larga a
medida que transcurre el tiempo. Las estaciones de servicio pueden estar esperando
por que los medios existentes son excesivos en relacin con la demanda de los
clientes; en este caso, las estaciones de servicio podran permanecer ociosas la
mayor parte del tiempo. Los clientes puede que esperen temporalmente, aunque las
instalaciones de servicio sean adecuadas, por que los clientes llegados
anteriormente estn siendo atendidos. Las estaciones de servicio pueden encontrar
temporal cuando, aunque las instalaciones sean adecuadas a largo plazo, haya una
escasez ocasional de demanda debido a un hecho temporal. Estos dos ltimos
casos tipifican una situacin equilibrada que tiende constantemente hacia el
equilibrio, o una situacin estable.
En la teora de la formacin de colas, generalmente se llama sistema a un
grupo de unidades fsicas, integradas de tal modo que pueden operar al unsono con
una serie de operaciones organizadas. La teora de la formacin de colas busca una
solucin al problema de la espera prediciendo primero el comportamiento del
sistema. Pero una solucin al problema de la espera consiste en no solo en
minimizar el tiempo que los clientes pasan en el sistema, sino tambin en minimizar
los costos totales de aquellos que solicitan el servicio y de quienes lo prestan.
La teora de colas incluye el estudio matemtico de las colas o lneas de espera y
provee un gran nmero de modelos matemticos para describirlas.
Generalmente el administrador se encuentra en
un dilema
Excelencia Acadmica
Se debe lograr un balance econmico entre el costo del servicio y el costo asociado
a la espera por ese servicio. La teora de colas en s no resuelve este problema, slo
proporciona informacin para la toma de decisiones.
5.3.3 Objetivos de la Teora de Colas
Los objetivos de la teora de colas consisten en:
92
Excelencia Acadmica
Canal
93
Excelencia Acadmica
Mecanismo de Servicio
Llegada de un
Cliente
Cola
Fuente de
Disciplina de la Cola
Servicio
Sistema de la Cola
___/___/___
Distribucin de
tiempo entre
llegadas
Distribucin de
tiempos de
servicio
Nmero de
servidores
94
Excelencia Acadmica
95
Excelencia Acadmica
Ejemplo: Si los clientes llegan al banco con una rapidez promedio de =20
por hora y si un cliente acaba de llegar, entonces la probabilidad de que el siguiente
llegue dentro de los siguientes 10 minutos (es decir Y=1/6 de hora) es:
P(tiempo entre llegadas 1/6 hora) = 1 e-20*(1/6)
= 1 e-3.3333
= 1 0.036
= 0.964
5.3.6 El proceso de servicio
El proceso de servicio define cmo son atendidos los clientes. En algunos
casos, puede existir ms de una estacin en el sistema en el cual se proporcione el
servicio requerido. Los bancos y los supermercados, de nuevo, son buenos ejemplos
de lo anterior. Cada ventanilla y cada registradora son estaciones que proporcionan
el mismo servicio. A tales estructuras se les conoce como sistemas de colas de
canal mltiple. En dichos sistemas, los servidores pueden ser idnticos, en el sentido
en que proporcionan la misma clase de servicio con igual rapidez, o pueden no ser
idnticos. Por ejemplo, si todos los cajeros de un banco tienen la misma experiencia,
pueden considerarse como idnticos.
Al contrario de un sistema de canal mltiple, considere un proceso de
produccin con una estacin de trabajo que proporciona el servicio requerido. Todos
los productos deben pasar por esa estacin de trabajo; en este caso se trata de un
sistema de colas de canal sencillo. Es importante hacer notar que incluso en un
sistema de canal sencillo pueden existir muchos servidores que, juntos, llevan a
cabo la tarea necesaria. Por ejemplo, un negocio de lavado a mano de automviles,
que es una sola estacin, puede tener dos empleados que trabajan en un auto de
manera simultnea.
Otra caracterstica del proceso de servicio es el nmero de clientes atendidos
al mismo tiempo en una estacin. En los bancos y en los supermercados (sistema
de canal sencillo), solamente un cliente es atendido a la vez. Por el contrario, los
pasajeros que esperan en una parada de autobs son atendidos en grupo, segn la
capacidad del autobs que llegue.
Otra caracterstica ms de un proceso de servicio es si se permite o no la
prioridad, esto es puede un servidor detener el proceso con el cliente que est
atendiendo para dar lugar a un cliente que acaba de llegar?. Por ejemplo, en una
sala de urgencia, la prioridad se presenta cuando un mdico, que est atendiendo
un caso que no es crtico es llamado a atender un caso ms crtico.
Cualquiera que sea el proceso de servicio, es necesario tener una idea de
cunto tiempo se requiere para llevar a cabo el servicio. Esta cantidad es importante
debido a que cuanto ms dure el servicio, ms tendrn que esperar los clientes que
llegan. Como en el caso del proceso de llegada, este tiempo puede ser
determinstico o probabilstico . Con un tiempo de servicio determinstico, cada
cliente requiere precisamente de la misma cantidad conocida de tiempo para ser
atendido. Con un tiempo de servicio probabilstico, cada cliente requiere una
cantidad distinta e incierta de tiempo de servicio.
96
Excelencia Acadmica
Excelencia Acadmica
Excelencia Acadmica
de modo que:
L = * W
Utilizando una lgica parecida se obtiene la siguiente relacin entre el nmero
promedio de clientes que esperan en la cola y el tiempo promedio de espera
en la fila:
{Tiempo promedio de clientes en el sistema} = {Nmero promedio de llegadas por
unidad de tiempo} * {Unidad de tiempo en la cola}
de manera que:
Lq = * Wq
99
Excelencia Acadmica
100
Excelencia Acadmica
Para que este sistema alcance una condicin de estado estable, la tasa de
servicio promedio, , debe ser mayor que la tasa de llegadas promedio, . Si ste no
fuera el caso, la cola del sistema continuar creciendo debido a que, en promedio,
llegaran ms clientes que los que pueden ser atendidos por unidad de tiempo.
Ejemplo: El problema de colas del MTC tiene un nmero de estaciones para
el pesado de camiones a lo largo de la autopista Huancayo-Lima, para verificar que
el peso de los vehculos cumple con las regulaciones estipuladas. La administracin
del MTC est considerando mejorar la calidad del servicio en sus estaciones de
pesado y ha seleccionado una de las instalaciones como modelo a estudiar, antes
de instrumentar los cambios. La administracin desea analizar y entender el
desempeo del sistema actual durante las horas pico, cuando llega a la bscula el
mayor nmero de camiones, suponiendo que el sistema puede desempearse bien
durante este perodo, el servicio en cualquier otro momento ser an mejor.
El gerente de operaciones siente que el sistema actual cumple con las cuatro
condiciones presentadas anteriormente. Su siguiente paso es estimar las tasas
promedio de llegada y de servicio en dicha estacin. De los datos disponibles,
suponga que la gerencia determina que los valores son:
= nmero promedio de camiones que llegan por hora = 60
= nmero promedio de camiones que pueden ser pesados por hora = 66
El valor de = 66 es mayor que el de = 60, de modo que es posible hacer el
anlisis de estado estable de este sistema.
5.4.1 Clculo de las medidas de rendimiento
(*) Intensidad de trfico:
= / = 60/66 = 0.9091
Mientras ms cerca est de 1, ms cargado estar el sistema, lo cual tiene como
resultado colas ms largas y tiempos de espera ms grandes.
En trminos de , y , las medidas de rendimiento, para el problema del
MTC, se calculan de la manera siguiente:
1. Probabilidad de que no haya clientes en el sistema (P0)
P0 = 1 = 1 0.9091 = 0.0909
Este valor indica que aproximadamente 9% del tiempo un camin que
llega no tiene que esperar a que se le proporcione el servicio porque la
estacin de pesado est vaca; o, aproximadamente 91% del tiempo un
camin que llega tiene que esperar.
101
Excelencia Acadmica
102
Pn
0.0909
0.0826
0.0751
0.0683
.
.
.
Excelencia Acadmica
103
Excelencia Acadmica
Las primeras tres lneas del primer cuadro muestran los datos de entrada.
Especficamente, este sistema consiste en un servidor, con tasa de llegada de 70
camiones por hora, y una tasa de servicio de 73 camiones por hora.
En el segundo cuadro se enumera los valores de las diferentes medidas de
rendimiento. La gerencia est particularmente preocupada tanto por el tiempo
promedio que un conductor de camin invierte en el sistema como por el nmero
esperado de camiones que esperan en la rampa. De los resultados que se
presentan en este cuadro, en promedio, un conductor de camin pasa 0.3333 horas
(20 minutos) desde el inicio al final del proceso (W). Tambin que el nmero
promedio de camiones que esperan en la rampa es de aproximadamente 22 (Lq =
22.3744).
Basndose en estos resultados, la gerencia del MTC encuentra que tal nivel
de rendimiento es inaceptable. No solo porque los conductores se quejarn del
hecho de tener que tardar 20 minutos en el sistema, sino tambin porque la longitud
de cola esperada de 22 camiones excede con mucho la capacidad disponible de 15,
lo cual podra tener como consecuencia un posible accidente en la autopista.
Para obtener niveles de rendimiento aceptables, se ha propuesto otra
alternativa, a saber, la construccin de una segunda bscula al otro lado de la
estacin de pesado. Utilizando el personal actual para que opere ambas bsculas,
las estimaciones de la gerencia tendrn como resultado una capacidad de peso de
aproximadamente 40 camiones por hora en cada bscula.
104
Excelencia Acadmica
105
Excelencia Acadmica
P0 =
s s
*
n 0 n! s! s
s 1
donde
s 1
n!
n0
0
0!
1
1!
...
s 1
( s 1)!
n!
n0
s
n!
P0
(1.75)0 (1.75)1
= 1 + 1.75 = 2.75
0!
1!
s
(1.75) 2
2
1.53125 * 8 12.25
s
2!
2 1.75
1
1
0.06667
2.75 12.25 15
s 1
1
(1.75)3
1
*
P
*
* 0.06667
0
2
( s 1)! ( s )
1!
(2 1.75) 2
*
Wq
106
Lq
5.7167
0.081667
70
Excelencia Acadmica
Este valor indica que en promedio, un camin tiene que esperar 0.0817
horas, aproximadamente 5 minutos, en la fila antes de iniciar el proceso de
pesado.
4. Tiempo promedio de espera en el sistema (W)
W Wq
0.081667
1
0.081667 0.025 0.10667
40
Este valor indica que en promedio, un camin tiene que esperar 0.10667
horas, aproximadamente 7 minutos, desde que llega hasta que sale de la
estacin.
5. Nmero promedio en el sistema (L)
L * W 70 * 0.10667 7.4667
Este valor indica que, en promedio, se tienen entre siete y ocho camiones
esperando en la estacin, ya sea en la bscula o en espera de ser
atendidos.
6. Probabilidad de que un cliente que llega tenga que esperar (pw)
pw
1
1
2
s
*s *
* P0 * (1.75) 2 *
* 0.06667
2!
2 1.75
s!
s
Pn
n
n!
* P0
Pn
0.06667
0.11667
0.10210
Si n > s
Pn
n
( s!) s n s
* P0
107
Excelencia Acadmica
n
3
4
.
.
.
Pn
0.08932
0.07816
.
.
.
1
s 2
s 1
U 1 P0
P2 ... Ps 1
P1
s
s
s
1
1 P0 P1 1 0.06667 (0.5 * 0.11667) 1 0.125 0.875
2
Este valor indica que cada bscula est ocupada 87% del tiempo.
5.5.2 Interpretacin de las medidas de rendimiento
Los resultados de la evaluacin de las frmulas con el paquete de cmputo
WINQSB, para el sistema de colas propuesto por el MTC, se muestra en el cuadro
siguiente. Las primeras tres lneas corresponden a los datos de entrada. Este
sistema tiene una tasa de llegada de 70 camiones por hora y dos servidores, con
una tasa promedio de servicio de 40 camiones por hora en cada servidor.
Excelencia Acadmica
el nmero esperado de camiones que esperan en la rampa para ser pesados (Lq) es
de 5.716664.
Excelencia Acadmica
110
Excelencia Acadmica
111
Excelencia Acadmica
112
Excelencia Acadmica
Un anlisis parecido puede hacerse tomando como base la capacidad del sistema,
que puede ir desde una capacidad especfica de x clientes (capacidad limitada)
hasta infinita.
113
Excelencia Acadmica
1. Suponga que un cajero bancario puede atender a los clientes a una velocidad
promedio de diez clientes por hora ( = 10). Adems, suponga que los clientes
llegan a la ventanilla del cajero a una tasa promedio de 7 por hora ( = 7). Se
considera que las llegadas siguen la distribucin exponencial. En la condicin
uniforme del sistema de colas, cules son las caractersticas de desempeo?
(calcule las medidas de rendimiento y luego interprtelos).
Ahora es posible evaluar el desempeo del sistema de colas. El administrador
tendr que tomar en consideracin el tiempo perdido del prestador del servicio
(30%), el tiempo que espera el cliente (0.233 horas) y la longitud de la lnea
que se forma ( 1.63 clientes). Si este rendimiento es inaceptable se puede
colocar un segundo prestador del servicio o hacer otros cambios en las
caractersticas de las llegadas, de la cola o del portador de los servicios?.
Explique.
2. Los mecnicos que trabajan en una planta de troquelado deben sacar
herramientas de un almacn. Llega un promedio de diez mecnicos por hora
buscando partes. En la actualidad el almacn esta a cargo de un empleado a
quien se le paga 6 dlares / hora y gasta un promedio de 5 min. para entregar
las herramientas de cada solicitud. Como a los mecnicos se les paga 10
dlares / hora, cada hora que un mecnico pasa en el almacn de
herramientas le cuesta 10 dlares a la empresa. Esta ha de decidir si vale la
pena contratar, a 4 dlares / hora, un ayudante del almacenista. Si se contrata
al ayudante, el almacenista solo tardara un promedio de 4 min. Para atender
las solicitudes de herramientas. Supngase que son exponenciales tanto los
tiempo de servicio como el tiempo entre llegadas. Se debe contratar al
ayudante?
3. Se trata de un problema de colas del Interbank, suponga que solamente existe
un cajero. Cada hora puede atender un promedio de 12 clientes que llegan con
una tasa de uno cada 7.5 minutos aproximadamente. En este sistema, los
clientes tienen que esperar un promedio de 10 minutos antes de llegar al
cajero. Utilice las medidas de rendimiento y la informacin dada para encontrar
los valores de W, Wq, L y Lq. Interprete.
4. Para el problema de colas Plus Gas and Electric Company, el nmero promedio
de llamadas que llegan ha aumentado a 80 por hora. Actualmente, la compaa
tiene un personal de seis representantes, cada uno de los cuales puede
atender aproximadamente 15 llamadas por hora. La gerencia est
considerando la probabilidad de dividir a los representantes en dos grupos
iguales: uno para que atienda las llamadas de problemas relacionados con gas
y el otro para que se centre en la atencin a los problemas sobre electricidad.
Los asesores estiman que este planteamiento permitira alos representantes de
cada grupo aumentar su eficiencia en 20%. Suponga que las llamdas que
llegan tienen la misma probabilidad de estar referidas a problemas de gas que
a problemas de electricidad. Para aproximar este propsitos como dos colas
M/M/s, cul es una tasa razonable de llegadas para las llamadas que se
reciben en cada uno de los dos grupos?.
114
Excelencia Acadmica
SIMULACION
INTRODUCCIN
Simulacin es la experimentacin con un modelo de una hiptesis o un
conjunto de hiptesis de trabajo.
Thomas H. Naylor y R. Bustamante la definen as: "Simulacin es una
tcnica numrica para conducir experimentos en una computadora digital. Estos
experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las
cuales son necesarias para describir el comportamiento y la estructura de sistemas
complejos del mundo real a travs de largos periodos de tiempo".
Una definicin ms formal formulada por R.E. Shannon es: "La simulacin es
el proceso de disear un modelo de un sistema real y llevar a trmino experiencias
con l, con la finalidad de comprender el comportamiento del sistema o evaluar
nuevas estrategias -dentro de los limites impuestos por un cierto criterio o un
conjunto de ellos - para el funcionamiento del sistema".
Etapas para realizar un estudio de simulacin
115
Excelencia Acadmica
Una vez definidos con exactitud los resultados que se esperan obtener del
estudio, se define y construye el modelo con el cual se obtendrn los resultados
deseados. En la formulacin del modelo es necesario definir todas las variables que
forman parte de l, sus relaciones lgicas y los diagramas de flujo que describan en
forma completa el modelo.
Coleccin de datos
Es importante que se definan con claridad y exactitud los datos que el modelo
va a requerir para producir los resultados deseados.
Validacin
A travs de esta etapa es posible detallar deficiencias en la formulacin del
modelo o en los datos alimentados al modelo. Las formas ms comunes de
validar un modelo son:
1.
2.
3.
4.
Experimentacin
La experimentacin con el modelo se realiza despus que ste haya sido
validado. La experimentacin consiste en generar los datos deseados y en
realizar un anlisis de sensibilidad de los ndices requeridos.
Interpretacin
En esta etapa del estudio, se interpretan los resultados que arroja la simulacin
y con base a esto se toma una decisin. Es obvio que los resultados que se
obtienen de un estudio de simulacin ayuda a soportar decisiones del tipo semiestructurado.
116
Excelencia Acadmica
Documentacin
Dos tipos de documentacin son requeridos para hacer un mejor uso del
modelo de simulacin. La primera se refiere a la documentacin del tipo tcnico
y la segunda se refiere al manual del usuario, con el cual se facilita la
interaccin y el uso del modelo desarrollado.
6.3
Modelos de simulacin
117
Excelencia Acadmica
sistema, sino que debe incluir en la simulacin las entradas y salidas de energa y
procesos de homeostasis, autopoiesis y retroalimentacin.
Tanto el programa de estadstica, como la escala de actitud, como el sistema total,
son perfectas simulaciones de la realidad y modelizan todos los elementos en sus
respectivas hiptesis de trabajo. Son tambin un microclima y el ambiente o el
escenario en los procesos de simulacin/experimentacin. Otras propiedades que
deben contener las simulaciones es que sean repetibles indefinidamente. Que eviten
el efecto de aprendizaje que incita al encuestador a rellenar l mismo los
cuestionarios y que se podr evitar con algn control, que sean flexibles o
mejorables y que no sea invasivo o cambiar la poblacin de las muestras sucesivas.
6.4
118
Excelencia Acadmica
6.5
Simulacin en informtica
Simulacin en la preparacin
Simulacin en la educacin
Excelencia Acadmica
jugar un rol; sin embargo se ha visto desplazada por la simulacin, puesto que sta
incluye vietas narrativas animadas, stas son videos de caricaturas hipotticas e
historias basadas en la realidad, envolviendo a la clase en la enseanza y
aprendizaje, tambin se usa para evaluar el aprendizaje, resolver problemas de
habilidades y disposicin de los nios, y el servicio de los profesores.
6.8
Simulacin mdica
120
Excelencia Acadmica
Un banco posee dos cajeros (Pedro y Juan) los cuales atienden a un cliente en un
promedio de 15 minutos con una desviacin de 0.01. Los clientes llegan a una
tasa de uno cada 10 minutos y hacen una sola cola cuya capacidad es de mximo
15 clientes. Se considera que la llegada de los clientes se comporta de forma
muysimilar a una distribucin tipo Poisson y los cajeros con una distribucin
normal.
Simular con 100 minutos de tiempo el modelo anterior.
Pedro
Personas en fila
Capacidad: 15
Juan
Tasa de
Atencin:
0.067 clientes/
minuto
Tasa de llegada:
0.1 cliente /
minuto
Excelencia Acadmica
122
Excelencia Acadmica
Beta (Beta)
Binomial (Binomial)
Constante (Constant)
Discreta (Discrete)
Erlang (Erlang)
Exponencial (Exponential)
Gamma (Gamma)
Hypergeomtrica (Hypergeometric)
Laplace (Laplace)
Normal (Normal)
Pareto (Pareto)
Poisson (Poisson)
Triangular (Triangular)
Uniforme (Uniform)
Weibull (Weibull)
123
Excelencia Acadmica
Excelencia Acadmica
125
Excelencia Acadmica
Se puede observar que en los 100 minutos llegaron 1123 clientes (Total
Number of Arrival) El tiempo de espera promedio fue de 0.1879 (Average
Waiting Time). El nmero mximo de personas en el sistema fue de 17: 15 en
espera y 2 siendo atendidos (Maximun Numberin the System). En promedio
permanecieron 2,2144 personas en el sistema (Average Number in the System).
Un anlisis desde el punto de vista de los cajeros nos muestra ms
informacin de la simulacin:
Excelencia Acadmica
El problema quedara:
127
Excelencia Acadmica
Tarjeta de lotera
Fila 1
Fila 2
Fila 3
Cada tarjeta de lotera contiene tres filas. En cada rengln, hay dos casillas, una
de las cuales tiene un valor oculto de S/. 1 y la otra de S/. 5. El jugador raspa
cualquier casilla de cada rengln para descubrir el valor asociado en nuevos
soles. Si los tres nmeros ocultos son iguales, el jugador gana esa cantidad,
Antes de comprometer a la institucin en este juego e imprimir una gran
cantidad de tarjetas, usted, como Gerente de la Comisin de la TINKA, desea
evaluar la factibilidad econmica del juego. Entre las preguntas que debe
contestar est la siguiente: Cul es la mnima cantidad que se puede cobrar
por cada tarjeta y todava esperar tener una ganancia?.
128
Excelencia Acadmica
3.
Mega Centro es una tienda que compra videos de estreno a S/. 25 la copia, los
renta en S/. 3 al da y despus de un mes los vende a otra tienda en S/. 5 la
copia. Basndote en datos anteriores, la tienda ha estimado las siguientes
probabilidades de demanda diaria para cada pelcula:
Nmero de copias
0
1
2
3
4
Probabilidad
0.15
0.25
0.45
0.10
0.05
Problems
and
Models.
Edicin
Excelencia Acadmica
Aplicaciones
en
130