Beruflich Dokumente
Kultur Dokumente
INTRODUCCION
A.
1.
2.
3.
PROGRAMA DE MATERIAS
PROGRAMACIO LIEAL
a)
b)
c)
d)
e)
f)
g)
El modelo de Transporte.
b)
El modelo de Asignacin.
MODELOS E REDES
a)
b)
c)
MARCO DE APLICACION
Marco de Aplicacin
PRODUCTOS
Energia
M.Primas
Repuestos
OPTIMIZAR
COSTOS $
PROGRAMA DE PRODUCCION
CAPITAL
GASTOS
UTILIDADES
STOCK DE
STOCK DE
INSUMOS
PROD. TERMINADOS
INFRAESTRUCTURA
Y MAQUINARIA
PERSONAL
INGRESOS
$
Mermas
MINIMAS
INVESTIGACION DE OPERACIONES
1.
En el mbito productivo
(1)
(2)
(3)
(4)
(5)
(6)
b)
Qu producir.
Cunto producir.
Cundo producir.
Cmo producir.
A quin asignar las diferentes tareas. (Programacin del trabajo).
etc.
En el mbito administrativo.
(1)
(2)
(3)
(4)
(5)
(6)
(7)
3.
4.
5.
b)
c)
Observar.
b)
c)
d)
b)
c)
d)
e)
f)
DEFIICIOES BASICAS
a)
b)
c)
d)
OPTIMO
Lo mejor posible dadas las restricciones del sistema.
EFICAZ
Quin logra cumplir el objetivo.
EFICIE+TE
Quin logra cumplir el objetivo al menor costo posible, en tiempo, en dinero, etc.
I+VESTIGACIO+ OPERATIVA
Es el mtodo cientfico aplicado a la toma de decisiones empresariales, que
permite optimizar el uso de los recursos de la empresa, a travs de la gestin
eficiente de los mismos.
PROGRAMACION LINEAL
A.
MODELO:
Representacin de la Realidad
ABSTRACCIO+ SELECTIVA DE LA REALIDAD
Ejemplos:
Modelos fsicos (Maquetas)
Modelos pictricos (Mapas)
Modelos icnicos (De imagen, Ej. TV)
g t 2
Modelos matemticos
Ej. D =
2
B.
1.
(GALILEO)
F.O.
Funcin Objetivo
MAX
o
MI
Sujeto a :
Z = c1 X1 + c2 X2 + c3 X3 + ............+ cn Xn
b1
b2
b3
-----
-----
-----
-----
----
bm
DONDE :
Z
cj
Xj =
2.
e.
Defina especficamente las restricciones, con base en las variables de decisin. Tome la lista
de restricciones que defini en el paso c) y use las variables de decisin del paso d) para
obtener restricciones detalladas. El resultado es un conjunto de restricciones como las que se
indican en el modelo matemtico general.
f.
Defina con detalle la funcin objetivo. Hay que definir un coeficiente de costo o de beneficio
para cada variable de decisin del paso d). Es importante incluir slo los costos o los
beneficios que varan con las decisiones que se consideran. Siempre hay que excluir los
costos fijos.
Aunque la programacin lineal ha probado ser una herramienta valiosa para la resolucin de
problemas grandes y complejos de empresas privadas y del sector pblico, existen limitaciones.
En primer lugar, no hay ninguna garanta de que la programacin lineal ofrezca soluciones
ptimas con valores enteros. Por ejemplo, una solucin ptima puede requerir 8,241 camiones y
el gerente slo puede comprar 8 o 9, pero no 8,241. En muchos casos el redondeo brindar
soluciones razonablemente buenas, pero en otros casos los resultados pueden ser malos. Por
ejemplo, en una decisin acerca de abrir una planta nueva (una variable que slo puede asumir
valores de 0 y 1), una respuesta fraccionaria no servira de nada. Por fortuna, existen algunos
mtodos llamados tcnicas de programacin entera que pueden manejar este tipo de problemas y
que se estudiarn durante el curso.
Otra limitacin importante de la programacin lineal es que no se permite la incertidumbre. El
modelo supone valores conocidos para los costos, para las restricciones de requerimiento, etc.,
cuando en realidad estos factores pueden ser desconocidos o eminentemente aleatorios o con
diferentes variabilidades estadsticas. Aqu tambin hay algunos mtodos para tratar este
problema, con tcnicas conocidas como programacin lineal en condiciones de incertidumbre o
programacin restringida por probabilidades.
La tercera limitacin es la suposicin de la linealidad. En ocasiones el objetivo o las restricciones
de los problemas empresariales reales no se relacionan linealmente con las variables. Una vez
ms, hay una tcnica avanzada, denominada programacin no lineal, que sirve para tratar los
problemas de este tipo.
PROF. JUAN A. CARVAJAL G.
Actualizado el 06/03/2012
Los productos terminados que usted fabrica tienen las dimensiones que se indica en la tabla:
Producto 1
Producto 2
Producto 3
Largo (m)
1,2
2,0
1,0
Ancho (m)
1,5
1,4
1,8
Alto (m)
0,8
0,5
0,5
Su bodega tiene racks de almacenamiento libres cuya superficie total es de 50 m2 para artculos
de una altura mxima de 1 m.
Asuma que la cantidad de cada producto que usted fabricar el prximo perodo esta representada
por X1, X2 y X3 respectivamente.
Asuma adems que los productos no son apilables.
Encuentre la (s) expresin (es) matemtica (s) que permitir definir los valores posibles para las
variables de decisin sin que se supere el espacio y volumen disponibles.
2.
El tiempo promedio que un operario se demora en fabricar una unidad de cada uno de los
productos que usted comercializa se indica en la tabla:
Producto 1
Producto 2
Producto 3
t (min)
15
40
20
10
3.
Los productos terminados que usted fabrica gastan sus recursos productivos segn se indica en la
tabla. La tabla tambin indica la cantidad de cada recurso en estos instantes disponible:
Uso del Recurso por unidad producida
Recurso
Q
R
S
Producto 1
2
1
3
Producto 2
1
2
3
Asuma que la cantidad de cada producto que usted fabricar el prximo perodo esta representada
por X1 y X2 respectivamente.
Encuentre las expresiones matemticas que permitirn definir los valores posibles para las
variables de decisin sin que se supere la disponibilidad de cada recurso.
11
Usted tiene tres bodegas con acopio de un producto que usted distribuye a cuatro clientes.
Las siguientes tablas indican la disponibilidad de producto que hay en cada bodega y los pedidos
de los clientes que deben ser satisfechos el prximo perodo:
Bodega
Disponibilidad de producto
A
150
B
120
C
230
Capacidad de Suministro
Cliente
Demanda
1
140
2
125
3
120
4
115
Pedidos de Clientes
Asuma que la cantidad de cada producto que usted enviar desde la bodega A al cliente 1 esta
representada por XA1, desde la bodega A al cliente 2 por XA2 y as sucesivamente.
Encuentre las expresiones matemticas que permitirn definir los valores posibles para las
variables de decisin sin que se supere la disponibilidad de producto en cada bodega.
12
Existen en el mercado tres alimentos para mascotas cuyos contenidos vitamnicos y de protenas
son los que se indican en la tabla. En la tabla adems se indica la cantidad mnima de vitaminas y
protenas que debe darse en la dieta a las mascotas:
Contenidos por onza de alimento
Alimento
A
B
C
Requerimiento
Vitamnico
Vitamina A
(unidades/onza)
0
8
4
25
Protenas
(gr/onza)
6
5
4
18
Asuma que la cantidad onzas de cada alimento que usted comprar el prximo perodo esta
representada por XA, XB y XC respectivamente.
Encuentre las expresiones matemticas que permitirn definir los valores posibles para las
variables de decisin, asegurando que se entreguen como mnimo los contenidos nutricionales
especificados.
13
La ecuacin
a
m=
b
aX + bY = c
b)
La ecuacin
aX + bY = 0
origen de coordenadas.
c)
d)
e)
f)
La inecuacin aX + bY c
representa un rea que se inicia en la recta
aX + bY = c y se extiende alejndose del origen de coordenadas.
g)
X
Y
+
=1
los trminos
c
c
a
b
c y c representan los puntos de corte de los ejes X e Y, respectivamente.
a
b
aX + bY = c
dX + eY = f
indica las
b)
c)
d)
Dibuje en los ejes coordenados las rectas lmite de las restricciones e identifique
el lugar geomtrico que cada restriccin representa en el plano.
e)
f)
g)
14
i)
15
SOLUCIO GRAFICA
10
9
8
7
6
5
4
3
2
1
0
0
10
16
MODELO MATEMTICO:
17
SOLUCIO GRAFICA
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
18
a)
Tipos de Restricciones
Restricciones Activas: Son aquellas que definen directamente la ubicacin del punto
ptimo
Restricciones No Activas: Son aquellas que no participan directamente en la
determinacin de la ubicacin del punto ptimo
Restricciones Redundantes: Son aquellas restricciones no activas, que no participan
directamente ni siquiera en la determinacin de los lmites de la zona de soluciones
factibles.
b)
Estas dos definiciones estn hechas sobre la base de que el precio sombra es positivo.
Normalmente el precio sombra de una restriccin del tipo limitacin (), que es activa,
ser siempre positivo.
Cuando el precio sombra de una restriccin es negativo, cosa que sucede normalmente
con restricciones del tipo requerimiento (), el efecto sobre la funcin objetivo es el
contrario al de la definicin: Cuando se aumenta el trmino libre la F.O. empeora y
cuando se disminuye, mejora.
c)
d)
19
Se efecta un anlisis de sensibilidad cuando se desea saber cmo vara la solucin ptima
cuando se varan algunos parmetros del modelo, cun sensible es el valor ptimo a variaciones
en los parmetros.
1.
Esta es una aplicacin directa del concepto del precio sombra de una restriccin. La F.O. variar a
una tasa igual al precio sombra de la restriccin, por cada unidad que se aumente o disminuya su
trmino libre.
Grficamente, al aumentar el trmino libre de una restriccin la recta lmite de ella se traslada
alejndose del origen y si la restriccin es activa, es decir si est definiendo la ubicacin del punto
ptimo, ese traslado provocar tambin un traslado del punto ptimo. Lo mismo sucede, en
sentido contrario, cuando se disminuye el trmino libre de una restriccin, la recta lmite en este
caso se acerca al origen pero el punto ptimo igualmente cambia, si la restriccin es activa.
Todas estas variaciones del valor ptimo de la F.O. son para aumentos o disminuciones en los
trminos libre de las restricciones que estn dentro de un rango, el rango de validez del precio
sombra de la restriccin.
El siguiente cuadro resume el efecto del precio sombra de una restriccin en el valor ptimo de la
funcin objetivo:
20
Condicin
Activa
Activa
No activa
Activa
Activa
No activa
Trmino libre
Se aumenta
Se disminuye
Se aumenta o disminuye
Se aumenta
Se disminuye
Se aumenta o disminuye
Funcin objetivo
MEJORA
EMPEORA
NO VARIA
EMPEORA
MEJORA
NO VARIA
En el caso de las restricciones activas del tipo requerimiento que son IGUALDADES, la funcin
objetivo puede mejorar o empeorar ante aumentos o disminuciones de su trmino libre, ello
depender de cada problema.
2.
Al variar alguno de los dos coeficientes de las variables en la funcin objetivo, grficamente el
efecto que se produce es que la pendiente de la funcin objetivo cambia y ello puede o no hacer
cambiar la ubicacin del punto ptimo.
Normalmente el punto ptimo en un problema en dos variables se encuentra en la interseccin de
dos rectas lmites de restricciones.
El punto ptimo no cambiar ante variaciones en los coeficientes de la funcin objetivo, mientras
la pendiente de la funcin objetivo est entre las pendientes de las dos rectas lmite que definen el
punto ptimo.
El hecho que el punto ptimo no cambie a pesar de que cambien los coeficientes en la F.O. es en
la prctica un hecho muy importante, ya que es de suma importancia saber, por ejemplo, que si el
precio de venta de un producto esta dentro de un rango especfico (donde el punto ptimo no
cambia), no tendremos necesidad alguna de cambiar el sistema productivo (restricciones) y por lo
tanto podremos seguir trabajando en el ptimo actual, por ejemplo produciendo X0 unidades de
un producto e Y0 unidades del otro.
Ntese, eso si, que el valor ptimo de la funcin objetivo siempre cambiar ante cualquier cambio
en sus coeficientes, ya que es directamente proporcional a ellos.
21
ALGORITMO SIMPLEX
b)
22
MAX Z = 3 X 1 + 5 X 2 7 X 3
Sujeto a :
3X1 + 7 X 2 3 X 3 120
4 X 1 5 X 2 + 2 X 3 = 80
2 X 1 + 3 X 2 + 5 X 3 20
X 1 y X 3 0 ; X 2 = Irrestricta en signo
Modelo estndar
Sea X 2 = U V , entonces el modelo estndar es:
MIN Z `= 3 X 1 5U + 5V + 7 X 3
Sujeto a :
3X1 + 7U 7V 3 X 3 120
4 X 1 5U + 5V + 2 X 3 = 80
2 X 1 + 3U 3V + 5 X 3 20
X1 y X 3 0
U y V 0 , U V = 0
c)
MAX Z = 3 X 1 + 5 X 2 7 X 3
Sujeto a :
3X1 + 7 X 2 3 X 3 120
4 X 1 5 X 2 + 2 X 3 = 80
2 X 1 + 3 X 2 + 5 X 3 20
X 1 y X 3 0 ; X 2 = Irrestricta en signo
23
24
SIMPLEX FASE II
PROBLEMA EJEMPLO
Para ilustrar el desarrollo de la Fase II del Algoritmo Simplex utilizaremos el siguiente
problema ejemplo:1
Planeacin Financiera. Willie Markit es el presidente de una firma de inversiones
personales, que maneja una cartera de valores de un cierto nmero de clientes. Un cliente
nuevo ha solicitado recientemente que la firma le maneje una cartera de $100.000. Al
cliente le gustara limitar su cartera a una combinacin de las tres acciones que se
muestran en la figura 2-32. Formulen un P.P.L. que permita tomar la mejor decisin para
maximizar las utilidades totales que se obtengan de la inversin.
Accin
Precio por
Utilidad anual
accin
estimada por accin
A. Gofer Crude
$60
$7
B. Can Oil
$25
$3
C. Sloth Petroleum
$20
$3
Figura 2-32 Composicin de la cartera
1.
Cantidad de Acciones
disponibles
1000
1000
1500
MODELO MATEMATICO
Sea Xj la cantidad de acciones tipo j a adquirir (j=A,B,C).
F .O. MAX Z = 7 X A + 3 X B + 3 X c
Sujeto a :
XA
1.000
1.000
XB
X C 1.500
60X A + 25X B + 20X C 100.000
X j 0 j
+ H1
= 1.000
+ H2
XB
= 1.000
+ H3
XC
60X A + 25X B + 20X C
Xj 0
3.
= 1.500
+ H 4 = 100.000
Hi 0
j , i
cj
4.
XA
1
0
0
60
-7
XB
0
1
0
25
-3
XC
0
0
1
20
-3
H1
1
0
0
0
0
H2
0
1
0
0
0
H3
0
0
1
0
0
H4
0
0
0
1
0
-Z
bi
0
0
0
0
1
1000
1000
1500
100000
0
26
cj
5.
XA
1
0
0
60
-7
XB
0
1
0
25
-3
XC
0
0
1
20
-3
H1
1
0
0
0
0
H2
0
1
0
0
0
H3
0
0
1
0
0
H4
0
0
0
1
0
-Z
bi
0
0
0
0
1
1000
1000
1500
100000
0
CODICIO DE OPTIMALIDAD
Una tabla simplex cannica representa una solucin ptima para el P.P.L. si y slo si
todos los coeficientes cj son no negativos.
c 0 j
j
6.
27
b)
cj
XA XB
1
0
0
1
0
0
60 25
-7
-3
cj
XA
1
0
0
0
0
XC
0
0
1
20
-3
H1 H2
1
0
0
1
0
0
0
0
0
0
H3
0
0
1
0
0
H4
0
0
0
1
0
*
XB
0
1
0
25
-3
XC
0
0
1
20
-3
H1
1
0
0
-60
7
H2
0
1
0
0
0
H3
0
0
1
0
0
H4
0
0
0
1
0
-Z
bi
0
0
0
0
1
1000
1000
1500
100000
0
-Z
bi
0
0
0
0
1
bi/aie
1000/1
No
No
100000/60
F4-60F1
F5+7F1
bi/aie
1000
1000
1500
40000
7000
Esta nueva tabla representa otra solucin factible para el P.P.L., a saber:
XA=1.000, XB , XC y H1=0 , H2=1.000 , H3=1.500 , H4=40.000 , Z= -7.000 ,
Z = 7.000
La solucin tiene un mejor valor para Z pero no es an la ptima pues existen cj < 0, por
lo que se debe mejorar.
28
cj
cj
XA
1
0
0
0
0
*
XB XC
0
0
1
0
0
1
25 20
-3
-3
XA
1
0
0
0
0
XB
0
1
0
0
0
XC
0
0
1
20
-3
H1
1
0
0
-60
7
H1
1
0
0
-60
7
H2 H3
0
0
1
0
0
1
0
0
0
0
H4
0
0
0
1
0
H3
0
0
1
0
0
H4
0
0
0
1
0
H2
0
1
0
-25
3
-Z
0
0
0
0
1
-Z
0
0
0
0
1
bi
1000
1000
1500
40000
7000
bi
bi/aie
No
1000/1
No
40000/25
F4-25F2
F5+3F2
bi/aie
1000
1000
1500
15000
10000
Esta nueva tabla representa otra solucin factible para el P.P.L., a saber:
XA=1.000, XB=1.000, XC , H1 y H2=0, H3=1.500 , H4=15.000 , Z= -10.000 ,
Z = 10.000
La solucin tiene un mejor valor para Z pero no es an la ptima pues existen cj < 0, por
lo que se debe mejorar.
cj
XA
1
0
0
0
0
cj
XA
1
0
0
0
0
*
XB XC H1
0
0
1
1
0
0
0
1
0
0
20 -60
0
-3
7
XB XC
0
0
1
0
0
0
0
1
0
0
H2
0
1
0
-25
3
H3
0
0
1
0
0
H4 -Z
0
0
0
0
0
0
1
0
0
1
bi
1000
1000
1500
15000
10000
bi/aie
No
No
1500/1
15000/20
F3-F4
(1/20)
F5+3F4
*
H1
1
0
3
-3
-2
H2 H3
0
0
1
0
5/4 1
-5/4 0
-3/4 0
H4
0
0
-1/20
1/20
3/20
-Z
0
0
0
0
1
bi
bi/aie
1000
1000
750
750
12250
29
cj
cj
XA
1
0
0
0
0
XB XC
0
0
1
0
0
0
0
1
0
0
H1
1
0
3
-3
-2
XA
1
0
0
0
0
XB
0
1
0
0
0
XC
0
0
0
1
0
H1
0
0
1
0
0
H2
0
1
5/4
-5/4
-3/4
H3
H4 -Z
0
0
0
0
0
0
1 -1/20
0
0
1/20
0
0
3/20
1
H2
H3
-5/12 -1/3
1
0
5/12 1/3
0
1
1/12 2/3
H4
1/60
0
-1/60
0
7/60
bi
1000
1000
750
750
12250
-Z
bi
0
0
0
0
1
750
1000
250
1500
12750
bi/aie
1000/1
F1-F3
No
750/3
(1/3)
No
F4+3F3
F5+2F3
bi/aie
Esta nueva y ltima tabla representa la solucin ptima para el P.P.L. pues cumple con la
condicin de optimalidad.
La solucin ptima nica del PPL es:
30
Hay Xj sin
restriccin
de signo
SI
Reemplace X por
(U - V)
U,V>0
NO
Haga Z' = - Z
y minimice Z'
NO
Es MIN Z
SI
Restricciones son
desigualdades
SI
Agregue Variables
de Holgura
NO
Est
Cannico
NO
SIMPLEX
FASE I
Agregue Variables
Artificiales y F.O.
Fase I
FIN
Haga dj = 0 para
Variables
Artificiales
SI
SIMPLEX
FASE II
Hay
Cj < 0
NO
SOLUCION
OPTIMA
PROBLEMA
SIN
SOLUCION
NO
SI
Es W = 0
Cj Neg. entra a la
Base; b/a Min.
sale de la Base
SI
NO
Hay dj <0
SI
SOLUCION
FACTIBLE
dj Neg. entra a la
Base; b/a Min.
sale de la Base
Aplicar Pivote
Aplicar Pivote
Desarrollar
Simplex
31
a.
Un modelo primal de maximizacin se dice que es simtrico o normal, cuando todas sus
restricciones son limitaciones (<) y todas sus variables de decisin son no negativas (>0).
Un modelo primal de minimizacin se dice que es simtrico o normal, cuando todas sus
restricciones son requerimientos del tipo (>) y todas sus variables de decisin son no negativas
(>0).
Consideremos el siguiente modelo primal genrico, simtrico, de maximizacin y su modelo dual
asociado:
PRIMAL
DUAL
Es fcil percatarse que las relaciones entre el primal y su dual son las siguientes:
1.
2.
3.
El nmero de variables del dual es igual al nmero de restricciones del primal y el nmero de
restricciones del dual es igual al nmero de variables del primal.
32
Los coeficientes de las variables en la funcin objetivo del dual son los elementos del vector
disponibilidad de recursos del primal ( bi ).
5.
Los coeficientes de las variables en la k-sima restriccin del dual son los coeficientes de la
k-sima variable en cada una de las restricciones del primal.
6.
7.
8.
9.
Ejemplo 1:
Encuentre el modelo dual del siguiente primal normal de maximizacin:
PRIMAL
DUAL
MAX Z = 60X1 + 30X2 + 20X3
s.a.: 8X1 + 6X2 + X3 < 48
4X1 + 2X2 + 1.5X3 < 20
2X1 + 1.5X2 + 0.5X3 < 8
X1, X2, X3 > 0
Ejemplo 2:
Encuentre el modelo dual del siguiente primal normal de minimizacin:
PRIMAL
DUAL
MIN Z = 50X1 + 20X2 + 30X3 + 80X4
s.a.: 400X1 + 200X2 + 150X3 + 500X4> 500
>6
3X1 + 2X2
2X1 + 2X2 + 4X3 + 4X4 > 10
2X1 + 4X2 + X3 + 5X4 > 8
X1, X2, X3, X4 > 0
PROF. JUAN A. CARVAJAL G.
Actualizado el 06/03/2012
33
MODELO DUAL
MIN W = 120Y1 + 250Y2 250Y3 56Y4 215 Y5
s.a.: 25Y1 + 7Y2 7Y3 + 3Y4 - 25Y5 > 40
12Y1 - 5Y2 + 5Y3 - 4Y4 - 12Y5 > -53
-13Y1 + 20Y2 20Y3 - 5Y4 - 15Y5 > 65
13Y1 - 20Y2 + 20Y3 + 5Y4 + 15Y5 > -65
Y1, Y2, Y3, Y4, Y5 > 0
34
Sea
X *j
*i (i = 1, 2, 3, , m) el valor de las
*
* aij X j bi = 0
j =1
*
i
(i = 1, 2, 3, ..., m)
De este teorema se concluye que: Si al reemplazar las variables de una restriccin primal por su
valor ptimo, la restriccin se cumple en su sentido estricto (> o <) es decir, cuando la restriccin
tiene un valor de holgura distinto de cero, entonces la correspondiente variable dual es NULA, o
sea, el precio sombra de esa restriccin es 0, su influencia es nula respecto al valor ptimo de la
funcin objetivo. Si una restriccin primal tiene un valor de holgura distinto de cero su precio
sombra es cero
35
*
*
X j * a ji i c j = 0
i =1
(j = 1, 2, 3, ... , n)
En forma similar, se concluye con esta segunda parte del teorema, que cuando una variable primal
bsica ptima es distinta de cero, la holgura de la restriccin dual, valorizada en el ptimo, debe
ser necesariamente igual a cero.
36
L = Linear
I = Interactive
D = Discrete
O = Optimizer
1.
PRESETACIO GEERAL
2.
MEUS Y COMADOS
a)
Menu File
37
Menu Edit
c)
Menu Solve
d)
Menu Reports
38
Menu Window
f)
Comando Find-Replace
g)
Comando Go-to-line
39
Comando Options
i)
40
k)
41
m)
42
About Lindo
43
a)
PROBLEMA EJEMPLO +1
Winco vende cuatro tipos de productos. Los recursos necesarios para producir una unidad de cada
producto y el precio de venta para cada producto se dan en la Tabla 1. En la actualidad se dispone
de 4600 unidades de materia prima y de 5000 horas hombre de trabajo. Para cumplir con la
demanda de los clientes se debe producir exactamente 950 unidades de producto, en cualquier
combinacin, siempre y cuando las unidades de producto tipo 4 sea a lo menos 450.
Formule un programa lineal que permita maximizar los ingresos por venta de Winco y
solucinelo con el software LINDO.
Tabla 1: Precios de venta y necesidad de recursos para produccin de productos
Producto 1
Producto 2
Producto 3
Producto 4
Materia Prima
2
3
4
7
Horas Hombre
3
4
5
6
Precio de Venta
US$4
US$6
US$7
US$8
SOLUCION:
44
REDUCED COST
Interpretacin 1:
Es la tasa a la que la funcin objetivo empeorar, por cada unidad que aumente desde cero el
valor de una variable no bsica en la solucin ptima de un PPL, al forzarla a transformarse en
bsica. Ntese que se habla de empeorar y no de aumentar o disminuir, porque el efecto que se
produce depende del sentido de la optimizacin (MAX o MIN).
Interpretacin 2:
Para cualquier variable no bsica Xk, el reduced cost de Xk es la cantidad en la que se debe
mejorar el coeficiente de Xk en la funcin objetivo para que el PPL tenga una solucin ptima
alternativa a la actual, en la que Xk ser variable bsica. (Ntese que se usa el trmino mejorar
el coeficiente, lo que implica, por ejemplo, aumentarlo en esa cantidad si la F.O. es de
maximizacin y el coeficiente es positivo o bien disminuirlo, si es de minimizacin y es positivo).
Si el coeficiente en la funcin objetivo de una variable no bsica es mejorado en mas all del
valor de su reduced cost, entonces habr slo una la nueva solucin ptima del PPL, que tendr a
Xk como variable bsica.
PROF. JUAN A. CARVAJAL G.
Actualizado el 06/03/2012
45
La columna Dual Prices indica el valor de los precios sombra de las restricciones del PPL.
Recordemos la definicin de precio sombra que est hecha en base a un precio sombra positivo:
El precio sombra de una restriccin de un PPL es la cantidad en que mejorara (Aumentara si
la F.O. es Max o disminuira si la F.O. es Min) el valor ptimo de la funcin objetivo, cuando
el trmino libre de la restriccin es aumentado en una unidad. (En forma contraria, si se
disminuye en una unidad el trmino libre de la restriccin, el valor ptimo de la funcin objetivo
empeorar en una cantidad igual al precio sombra).
46
47
PROBLEMA EJEMPLO +2
El siguiente ejemplo se deja para discusin de los alumnos en cuanto al anlisis de sus resultados.
Trucker Inc. Debe producir 1000 automviles. La compaa tiene cuatro plantas de produccin.
El costo de producir un automvil en cada planta, junto con el consumo de horas hombre y las
necesidades de materia prima se muestran en la Tabla 2.
El sindicato de trabajadores de la compaa ha demandado que en la planta 3 se produzcan a lo
menos 400 automviles.
La disponibilidad total de horas hombre y de materias primas, que puede ser usada en las plantas
es de 4000 HH y 3300 unidades de materia prima.
Formule u programa lineal que permita a Trucker minimizar el costo de producir los mil
automviles.
Tabla 2: Costos y necesidad de recursos para produccin de automviles
Planta 1
Planta 2
Planta 3
Materia Prima
2
3
4
Horas Hombre
3
4
5
Costo (Miles de US$)
15
10
9
Planta 4
5
6
7
SOLUCION:
48
49
A.
ALGORITMO DE BIFURCACION Y ACOTAMIENTO
Es el mtodo ms eficiente para encontrar los valores ptimos enteros para las variables de
decisin de un Modelo de Programacin Lineal Entera.
En trminos generales, el algoritmo de bifurcacin y acotamiento es una metodologa que
consiste en dividir, progresivamente, un modelo de programacin lineal, en modelos cuyas
zonas de soluciones factibles son sub-conjuntos no traslapados de la zona de soluciones
factibles del modelo original. Esta divisin se realiza en la prctica creando, a partir de un
modelo dado, dos nuevos modelos que acoten, restrinjan, a una de las variables de valor
ptimo decimal. El primer modelo se genera agregando una restriccin que acote dicha
variable a valores menores o iguales a la parte entera de la solucin ptima y el segundo,
agregando una restriccin que acote la variable a valores mayores o iguales a la parte
entera ms uno de la solucin ptima. Esta metodologa se repite sucesivamente hasta
encontrar la mejor solucin ptima entera. En estas circunstancias se genera un rbol de
modelos cuya cspide es el modelo original, el que se ha expandido sucesivamente al
efectuar la bifurcacin por el acotamiento de las variables de valor ptimo decimal. Cada
modelo queda representado por un nodo y cada nueva restriccin por una rama que
conecta un nodo con el siguiente.
Problema Ejemplo:
P1
MAX
8X 1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 66
X 1 + 10 X 2 45
X 1 , X 2 0, enteros
Al resolver este modelo de P.L. se llega a la solucin ptima terica: X1*= 3,75 X2*=
4,125 y Z*= 50,625 y debemos reconocer que no existe solucin factible que implique un
valor mejor para la Funcin Objetivo.
Para encontrar una primera solucin factible entera para el modelo, normalmente se
recurre a una de dos prcticas: La aproximacin del valor decimal de la variable al entero
superior o inferior, dependiendo del valor decimal, o bien el truncamiento de la solucin
decimal de las variables de decisin a su parte entera.
50
(Uk F)
entera encontrado al momento, F.
La solucin ptima del modelo del nodo es entera.
A partir de este modelo se crean dos nuevos modelos, acotando como se indic
anteriormente cualquiera de las variables de decisin decimales, por ejemplo X1.
Con ello el rbol de soluciones queda:
1
U1 =50,625
F = 44,0
X1*= 3,75
X2*= 4,125
X1 3
X1 4
U2 =45
X1*= 3
X2*= 4,2
U3 =50,33
X1*= 4
X2*= 3,67
51
P1
MAX
8X 1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 66
X 1 + 10 X 2 45
X 1 , X 2 0, enteros
P2
MAX
P3
MAX
8X1 + 5X 2
8X1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 66
Sujeto a : 11X 1 + 6 X 2 66
X 1 + 10 X 2 45
X 1 + 10 X 2 45
X1
X1
X1 , X 2 0, enteros
X1 , X 2 0, enteros
12
11
10
R3
9
8
R1
R4
7
Optimo mximo P2
Optimo mximo P1
5
4
R2
3
2
1
P2
Optimo mximo P3
P3
P1
0
0
PROF. JUAN A. CARVAJAL G.
Actualizado el 06/03/2012
10 11 12
52
F = 44,0
X1*= 3,75
X2*= 4,125
X1 3
X1 4
U2 =45
X1*= 3
X2*= 4,2
X2 4
U3 =50,33
X1*= 4
X2*= 3,67
X2 5
X2 3
X2 4
U4 =44
X1*= 3
X2*= 4
NO
Factible
U6 =49,91
X1*= 4,36
X2*= 3
NO
Factible
T
X1 4
X1 5
U8 =47
U9 =49,17
X1*= 5
X2*= 1,83
F = 47,0
X1*= 4
X2*= 3
X2 2
X2 1
X1 5
10
11
U10=48,64
X1*= 5,45
X2*= 1
NO
Factible
X1 6
T
12
U12=45
X1*= 5
X2*= 1
13
U13=48
F = 48,0
X1*= 6
X2*= 0
T
T
PROF. JUAN A. CARVAJAL G.
Actualizado el 06/03/2012
53
54
Existen situaciones en las que la decisin a tomar es hacer o dejar de hacer algo es SI o
NO. En estas circunstancias se deben definir las variables de decisin denominadas
binarias que pueden tomar slo dos valores posibles: 1 (Uno) si la decisin es SI y 0
(Cero) si la decisin es NO.
Los siguientes prrafos ilustran las aplicaciones ms recurrentes en las que se usa este tipo
de variables dicotmicas.
1.
Utilidad
5x 100 si X > 0
Z =
si X = 0
0
Para lograr el efecto deseado, en la formulacin lineal se introduce una nueva variable, Y,
que slo toma los valores enteros de 0 y 1. Despus se maximiza Z = (5X - 100Y) con
sujecin a las restricciones existentes, propias del sistema, ms la siguiente:
X MY
donde M es un nmero arbitrario muy grande, lo
suficientemente grande para que la restriccin sea redundante cuando Y=1.
Observe que cuando Y = 0, la segunda restriccin hace que X sea 0 y la contribucin Z =
(5X - 100Y) tambin es cero. Sin embargo, cuando Y = 1 la restriccin extra que
agregamos no impone un lmite prctico para X ya que M es un nmero muy grande y
adems la cantidad de cargo fijo de 100 dlares se descuenta de la utilidad. Por lo tanto, la
utilizacin de la variable binaria (cero/uno), "Y", permite formular este tipo de problema
con restricciones lineales.
Los problemas del tipo de cargo fijo son comunes en los negocios. Por ejemplo, hay un
costo de inversin para construir una planta antes de que pueda empezar la produccin;
por lo general hay costos fijos si se emprende un segundo turno o se abre un almacn
nuevo, etc.
55
2.
Observe que si Y = 0, ambas restricciones hacen que X deba ser 0. Por el contrario si Y =
1, por la segunda restriccin X debe ser por lo menos 50 y la primera restriccin no
restringe a X porque M es un nmero muy grande.
3.
X1 + X2 + X3 + X4 + X5 2
56
o bien
deba cumplirse, pero en ningn caso ambas.
Por ejemplo:
Asuma que usted puede producir productos alternativamente con una materia prima de la
cual tiene 10 unidades, o con otra de la cual tiene 24 unidades. El consumo de cada tipo de
materias primas es distinto para cada producto. Usted debe decidir cual de las dos materias
primas usar, pero no puede usar ambas.
O sea que debe cumplirse que:
o bien que:
pero no ambas
5X1 + 2X2 10
3X1 + 4X2 24
En la programacin entera se puede manejar esta situacin con una variable binaria "Y" si
se usan las restricciones indicadas con la siguiente modificacin:
5X1 + 2X2 10 + MY
3X1 + 4X2 24 + M(1 - Y)
Observe que si Y = 0, la primera restriccin es efectiva, pero el trmino independiente de
la segunda se hace muy grande y por lo tanto no es en la prctica efectiva. Por el contrario,
si Y = 1, la segunda restriccin limita pero no la primera, ya que MY es muy grande.
5.
X3, ....., Xn) 0 tambin deba cumplirse; sin embargo si f (X1, X2, X3, ....., Xn) > 0 no
se cumple, entonces g(X1, X2, X3, ....., Xn) 0 puede o no cumplirse. Para asegurar lo
anterior utilizamos la siguiente formulacin de restricciones:
57
X1 >0
X1 - 4X2 24
X1 >0
-X1 + 4X2 + 24 0
X1 - 4X2 M Y +24
X1 M (1-Y)
donde Y es una variable entera binaria y M es un nmero muy grande.
Observe que si X1 >0 entonces X1 - 4X2 24 puede cumplirse slo si Y = 0 Por otro lado,
si X1 >0 no se satisface, en la segunda restriccin se puede aceptar que Y sea 0 o bien 1 y
la primera restriccin podr cumplirse (Y=0) o n (Y=1).
58
FIGURA 8.26
Contribucin esperada a las utilidades (en miles de dlares)
Columbus
Denver
Los Angeles
Nueva York
2.
Horario de salida
8
10
12
10
6
6
9
10
9
14
11
10
18
15
10
Un problema de instalacin Un problema que afronta todos los das un electricista consiste
en decidir qu generadores conectar. El electricista en cuestin tiene tres generadores con las
caractersticas que se muestran en la figura 8.27. Hay dos periodos en el da. En el primero
(la maana) se necesitan 2900 megawatts. En el segundo (la tarde), 3900 megawatts. Un
generador que se conecte para el primer periodo puede ser usado en el segundo sin causar un
nuevo gasto de conexin. Todos los generadores principales (como lo son A, B y C de la
figura) son apagados al trmino del da. Formule este problema como un PLEM.
FIGURA 8.27
Generador
Costo fijo conexin
A
B
C
US$ 3000
US$ 2000
US$ 1000
59
3.
FIGURA 8.29
PRODUCTO
A
B
1
80
15
SEMANA
2
3
100
75
20
50
4
80
30
60
61
MODELO DE TRANSPORTE
A.
INTRODUCCION
OFERTA
Capacidad de
Suministro
DEMANDA
Requerimiento
de Suministro
O1
a1
C11
C1n
b1
D2
b2
D3
b3
Dn
bn
C13
O2
a2
D1
C12
C2n
a3
O3
C3n
am
Om
Cmn
B.
MODELO GENERAL DE PROGRAMACION LINEAL
El modelo matemtico general de un problema de transporte bsico a ser solucionado por
el mtodo simplex es el siguiente (bsico porque slo considera restricciones de capacidad
de suministro y satisfaccin de demanda):
Sea Xij = Cantidad de producto a transportar entre el origen i y el destino j
F.O. MIN Z = c11X11+c12X12+c13X13+.....+c1nX1n+c21X21+c22X22+c23X23+......
+c2nX2n+......+cm1Xm1+cm2Xm2+cm3Xm3+........+cmnXmn
Sujeto a:
Capacidad de Suministros
.....................................................................................
Satisfaccin de la Demanda
......................................................................................
62
EL ALGORITMO DE TRANSPORTE
1.
Premisa bsica
El algoritmo asume que todo problema de transporte a ser solucionado por este mtodo
est debidamente balanceado; es decir la OFERTA total es igual a la DEMANDA total:
m
i =1
j =1
ai = b j
Si la oferta total es mayor que la demanda total, para balancear el problema se debe crear
un destino artificial D(n+1) con demanda tambin artificial e igual a la diferencia entre la
oferta total y la demanda total y con costos de transporte nulos para el abastecimiento
desde cualquiera de los orgenes hacia este destino artificial.
m
i =1
j =1
b( n +1) = a i b j ;
C i ( n +1) = 0 i
Si por el contrario, la oferta total es menor que la demanda total, para balancear el
problema se debe crear un origen artificial O(m+1) con oferta o capacidad de suministro
tambin artificial e igual a la diferencia entre la demanda total y la oferta total y con costos
de transporte nulos para el abastecimiento hacia cualquiera de los destinos.
n
j =1
i =1
a ( m +1) = b j a i ;
2.
C ( m +1) j = 0 j
X12
C11
X21
X13
C12
X22
C21
X31
X23
C22
X32
C31
b1
v1
C32
u1
a2
X24
C24
C33
u2
a3
X34
b3
v2
C14
C23
X33
b2
a1
X14
C13
C34
u3
b4
v3
v4
63
Mtodo de VOGEL
Calcule a un costado y bajo la tabla, la diferencia entre los dos menores costos
de cada fila y cada columna.
En aquella fila o columna donde se produzca la mayor diferencia entre costos
mnimos, elija el casillero libre de menor costo y asigne en l la mayor
cantidad posible de producto, que sea consistente con la cantidad ofrecida y la
demandada.
64
4.
Determinacin de la optimalidad
Encontrada una solucin factible se debe determinar si ella es o no ptima segn el
siguiente procedimiento:
a)
Cij - ui - vj = 0
b)
Cij = Cij - ui - vj
65
Condicin de Optimalidad
Considerando la definicin de los coeficientes de costo alternativo se puede
concluir que para que una solucin sea ptima ninguno de ellos puede ser
negativo. Es decir, la condicin de optimalidad es que:
Cij 0 (i, j)
Si todos los coeficientes son estrictamente mayores que cero la solucin ptima
ser nica; sin embargo, si existe alguno de ellos igual a cero significar que existe
una solucin ptima alternativa.
5.
6.
Problemas de Maximizacin
Para resolver problemas de transporte en los que la funcin objetivo es de maximizacin
de un beneficio (ingresos o utilidades totales), se debe proceder de la siguiente manera:
a)
66
C eq = {Cij = U max U ij }
b)
c)
67
Problema ejemplo 2
Una empresa agroindustrial de productos enlatados produce tomate en conserva para
cuatro clientes, en cada una de sus tres plantas. Los costos de produccin por unidad
varan segn las ubicaciones debido a diferencias en el equipo de produccin y en el
rendimiento de los obreros. Los costos de produccin por unidad y la capacidad mensual
de produccin (oferta) se indican en la Tabla 1.
Los pedidos de clientes que deben producirse el siguiente mes se muestran en la Tabla 2.
El costo de abastecimiento de estos clientes vara de una planta a otra. El costo de
transporte por unidad aparece en la Tabla 3.
La empresa debe decidir cuantas unidades se debe producir en cada planta y qu porcin
de la demanda de cada cliente se surtir desde cada una de ellas. Se desea minimizar el
costo total de producir y transportar los frascos de tomate para los clientes.
Resuelva este problema mediante el algoritmo de transporte considerando los siguientes
dos casos:
a.
Se utiliza la capacidad total de produccin de las tres plantas.
b.
Se produce slo la cantidad de frascos necesaria para satisfacer la demanda.
Tabla 1
Planta Costo Prod. Capacidad mensual
por unidad
de Produccin
A
$ 17
800
B
$ 20
600
C
$ 24
700
Tabla 2
Cliente
1
2
3
4
Demanda
300
500
400
600
Tabla 3
Desde
A
B
C
1
$3
$6
$9
Hacia
2
$2
$4
$1
3
$5
$8
$5
4
$7
$3
$4
19
22
24
17
600
26
24
28
23
20
700
33
300
25
500
29
400
28
600
24
300
ZN-O =...................................................................
Mtodo del Costo Mnimo
800
20
19
22
24
17
600
26
24
28
23
20
700
33
300
25
500
29
400
28
600
24
300
ZCM =...................................................................
69
19
22
24
17
600
26
24
28
23
20
700
33
300
25
500
29
400
28
600
24
300
ZVOGEL =...................................................................
DETERMIACIO DE LA OPTIMALIDAD
MEJORAMIETO DE LA SOLUCIO
300
100
20
DE
22
24
24
600
28
23
400
33
300
500
20
700
300
25
29
400
17
600
26
SOLUCIO
800
400
19
LA
28
600
24
300
70
19
22
24
17
600
26
24
28
23
20
700
33
300
25
500
29
400
28
600
24
300
Mtodo de VOGEL
800
20
19
22
24
0
600
26
24
28
23
0
700
33
300
25
500
29
400
28
600
0
300
ZVOGEL =...................................................................
71
Una empresa tiene tres bodegas con 200, 300 y 500 unidades de un producto en stock.
Los productos deben ser distribuidos a 5 clientes que han solicitado las siguientes cantidades de
producto: 150, 200, 250, 100 y 300 unidades, respectivamente.
Considerando los precios de venta pactados con cada cliente y los costos de produccin y
transporte de los mismos, la utilidad por unidad de producto que se obtiene de acuerdo a la
decisin de despacho de los productos a cada cliente es la siguiente:
Hacia
Desde
Bodega 1
Bodega 2
Bodega 3
Cliente 1 Cliente
2
40
60
50
60
35
80
Cliente
3
50
50
90
Cliente
4
70
40
60
Cliente
5
80
60
50
72
ai>bj
Si
Destino Artificial
No
ai<bj
Si
Origen Artificial
No
Es Max.
Encontrar 1.
Solucin factible:
Mtodo N-O
Costo Mnimo
Vogel
No
Calcular
Multiplicadores Dual
Si
Calcular
Coeficientes de
Costo Alternativo
Encontrar matriz
Costos Equivalentes
Mejorar la Solucin
Solucin Optima
Encontrar Solucin
ptima Alternativa
Si
No
Cij0
j
Si
Cij=0
No
FIN
PROF. JUAN A. CARVAJAL G.
Actualizado el 06/03/2012
V.
A.
Antes de plantear el modelo matemtico general es menester considerar que este modelo
tiene solucin slo si el nmero de trabajos es igual al nmero de operarios. De no ser as
se deben crear, ya sea trabajos u operarios artificiales segn sea el caso, con costos de
asignacin nulos.
El modelo matemtico general de programacin lineal es el siguiente:
Sea Xij = Variable entera binaria,
.....................................................................................
.....................................................................................
Xn1
X11
X12
X13
=
=
=
=
1
1
1
1
.....................................................................................
......................................................................................
74
EL METODO HUNGARO
1.
Genere una nueva matriz de costos C1 a partir de la matriz de costos C0, restando a
todos los elementos de una fila el menor elemento de ella.
En la matriz de costos C1 identifique el menos elemento de cada columna.
C1|, restando a
Los pasos anteriores permiten que en la matriz de costos C2 hayan a lo menos un cero por
cada fila y por cada columna y pueden realizarse en orden inverso, es decir, restar primero
el menor elemento de cada columna y luego el menor elemento de cada fila.
2.
Proceso de asignacin
Calcule a un costado y bajo la matriz de costos C2.la cantidad de ceros que existe por
fila y por columna.
En aquella fila o columna con la menor cantidad de ceros elija uno de esos ceros como
posicin de asignacin destacndolo en un marco.
Elimine los restantes ceros de la misma fila o columna del cero recin enmarcado
tarjndolos con una cruz.
Repita los tres pasos anteriores hasta que todos los ceros estn ya sea enmarcados o
tarjados.
Si al trmino del proceso de asignacin existen n ceros enmarcados se habr
encontrado la solucin ptima del problema.
La solucin ptima queda definida por una matriz de asignacin X cuyos elementos
Xij son iguales a uno en las posiciones donde existen ceros enmarcados y son iguales
a cero en todo el resto de las posiciones.
Para valorar la funcin objetivo ptima se deben sumar los elementos de la matriz de
costos original C0 que estn en la misma posicin relativa que los ceros enmarcados,
es decir, en la misma posicin relativa que los elementos unidad de la matriz de
asignacin.
75
4.
Genere una nueva matriz de costos Ck tal que el elemento Cmin ha sido restado en
todos los elementos no cubiertos por lnea, ha sido sumado en aquellas posiciones
donde existen cruces de lnea y el resto de los elementos ha permanecido sin variacin.
Con esta nueva matriz de costos repita el proceso de asignacin a partir de la
contabilizacin de ceros por fila y por columna.
Problemas de Maximizacin
Para resolver problemas de asignacin en los que la funcin objetivo es de maximizacin
de un beneficio (ingresos o utilidades totales), se debe proceder de la siguiente manera:
a)
C eq = {Cij = U max U ij }
b)
76
77
#T>#Op
Si
Operario Artificial
No
#T<#Op
Si
Trabajo Artificial
No
Es Max.
No
Encontrar C1 restando
menor elemento en cada fila
Definir matriz de
costos inicial, Co
Encontrar C2 restando en C1
menor elemento cada columna
Si
Encontrar matriz
Costos Equivalentes
Proceso de Asignacin
Mejorar matriz de
costos
No
n ceros
en marco
Si
Solucin Optima
Encontrar Solucin
ptima Alternativa
Si
mnima #
ceros > 1
No
FIN
PROF. JUAN A. CARVAJAL G.
Actualizado el 06/03/2012
Problemas Ejemplo
Problema 1
El departamento de mantencin debe realizar 3 trabajos de reparacin de maquinarias y equipos.
Se cuenta con cuatro grupos de tcnicos, cada uno con diferente instrumental y diferentes
habilidades para realizar los tres trabajos. Debido a estas diferencias el tiempo estimado de
desarrollo de cada mantencin ser diferente dependiendo del grupo al cual sea asignado cada
trabajo. En la tabla se muestra la cantidad de horas que se estima tomar la realizacin de cada
trabajo segn el grupo al que se le asigne.
Use el mtodo hngaro para determinar la asignacin ptima de los tres trabajos, es decir, aquella
que minimice el tiempo total de ejecucin de todas las mantenciones.
Grupo de mantencin
A
B
C
D
1
24
33
24
30
Trabajo
2
45
48
52
56
3
25
23
20
21
79
Se Planea la venta de cinco lotes de terreno y se han recibido ofertas individuales de cuatro
clientes. Debido a la cantidad de capital que se requiere, estas ofertas se han hecho en el
entendimiento de que ninguno de los cuatro clientes comprar mas de un lote. Las ofertas se
muestran en la Tabla 1. Se desea decidir a que comprador asignar cada lote de tal forma que se
maximice el ingreso total a partir de estas ofertas. Use el mtodo hngaro para encontrar la
solucin ptima de este problema
Tabla 1
Comprador
A
B
C
D
1
16
19
15
19
2
15
17
15
0
Lote
3
25
24
18
15
4
19
15
0
17
5
20
25
16
18
MODELOS EN REDES
A.
Una malla PERT (Program Evaluation Review Technique) permite planificar y controlar
el desarrollo de un proyecto.
Normalmente para desarrollar un proyecto especfico lo primero que se hace es
determinar, en una reunin multidisciplinaria, cuales son las actividades que se deber
ejecutar para llevar a feliz trmino el proyecto, cul es la precedencia entre ellas y cul
ser la duracin esperada de cada una.
Para definir la precedencia entre actividades se requiere de una cierta cuota de experiencia
profesional en el rea, en proyectos afines.
1.
a + 4m + b
2
b a
, cuya variabilidad est dada por:
una varianza
t=
=
y una
6
6
ba
desviacin estndar =
6
En un dibujo de una malla PERT podemos distinguir nodos y arcos. Los nodos
representan instantes en el tiempo. Especficamente, representan el instante de inicio de
una o varias actividades y simultneamente el instante de trmino de otras varias
actividades. Los arcos por su parte representan las actividades, tienen un nodo inicial y
otro de trmino donde llega en punta de flecha. Asociada a cada arco est la duracin
esperada de la actividad.
2.
81
H
EF
LF
Por convencin los arcos se dibujan siempre con orientacin hacia la derecha, hacia el
nodo de trmino del proyecto, nunca retrocediendo.
El dibujo de una malla PERT se comienza en el nodo de inicio del proyecto. A partir de l
se dibujan las actividades que no tienen actividades precedentes, o sea, aquellas que no
tienen que esperar que otras actividades terminen para poder ellas iniciarse.
A continuacin se dibujan las restantes actividades cuidando de respetar la precedencia
entre ellas.
Al terminar el dibujo de la malla preliminar, existirn varios nodos ciegos, nodos
terminales a los que llegan aquellas actividades que no son predecesoras de ninguna otra,
es decir aquellas que no influyen en la fecha de inicio de ninguna otra, estas son las
actividades terminales y concurren por lo tanto al nodo de trmino del proyecto.
3.
82
5.
6.
83
T = T
8.
Clculo de probabilidades
Asumiendo que la duracin esperada de una actividad es una variable aleatoria
independiente, podemos tambin suponer que la duracin esperada del proyecto es una
variable aleatoria de distribucin aproximadamente normal y por lo tanto podemos
calcular algunas probabilidades haciendo uso de una tabla de distribucin normal,
tomando en consideracin las siguientes relaciones:
La probabilidad de que el proyecto se termine antes de una duracin dada t0 est dada por:
P{T t 0 } = P{Z z 0 }
donde z0 es el valor de entrada a una tabla de distribucin normal y que se calcula segn:
z0 =
t0 T
84
PROBLEMA EJEMPLO
Su empresa acaba de ganar una licitacin de construccin de una planta por 5,4 millones
de dlares.
El contratante necesita que la planta est construida dentro de un ao; en consecuencia, el
contrato incluye las siguientes estipulaciones:
Una multa de US$300.000 si la planta no est construida para la fecha lmite de 47
semanas a partir de hoy.
Acceso a un incentivo adicional para la construccin expedita, consistente en un bono
de US$150.000 si la planta est construida en un plazo de 40 semanas a partir de hoy.
Las actividades detectadas en la planificacin del proyecto de construccin de la planta, y
los pronsticos de duracin para cada una de ellas son las que se indica en la tabla:
Act.
Predecesoras
a
m
inmediatas
A
----1 1,5
B
A
2
3
C
B
6
9
D
C
3
5
E
C
1,5 4
F
E
3
4
G
D
4
7
H
EG
6
9
I
C
4
6
J
FI
4
7
K
J
2
4
L
J
1,5 5
M
H
0,5 1,5
N
H-L
2
6
( ) Todos los tiempos en semanas
Holgura
5
10
18
13
6,5
11
10
12
14
16
6
8,5
5,5
10
2
4
10
6
4
5
7
9
7
8
4
5
2
6
4/9
16/9
4
25/9
25/36
16/9
1
1
0
0
0
0
0
0
0
0
2
0
7
0
4
0
4
49/36
16/9
Determine:
La malla PERT del proyecto
La duracin esperada del proyecto
Las holguras de cada una de las actividades
La o las rutas crticas del proyecto
Cul es la probabilidad de que se pueda incurrir en la multa estipulada en el
contrato?
Cul es la probabilidad de que se pueda acceder al incentivo adicional por trmino
adelantado?
85
Ejemplos:
normal
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,5
0,50399
0,50798
0,51197
0,51595
0,51994
0,52392
0,5279
0,53188
0,53586
0,1
0,53983
0,5438
0,54776
0,55172
0,55567
0,55962
0,56356
0,56749
0,57142
0,57535
0,2
0,57926
0,58317
0,58706
0,59095
0,59483
0,59871
0,60257
0,60642
0,61026
0,61409
0,3
0,61791
0,62172
0,62552
0,6293
0,63307
0,63683
0,64058
0,64431
0,64803
0,65173
0,4
0,65542
0,6591
0,66276
0,6664
0,67003
0,67364
0,67724
0,68082
0,68439
0,68793
0,5
0,69146
0,69497
0,69847
0,70194
0,7054
0,70884
0,71226
0,71566
0,71904
0,7224
0,6
0,72575
0,72907
0,73237
0,73565
0,73891
0,74215
0,74537
0,74857
0,75175
0,7549
0,7
0,75804
0,76115
0,76424
0,7673
0,77035
0,77337
0,77637
0,77935
0,7823
0,78524
0,8
0,78814
0,79103
0,79389
0,79673
0,79955
0,80234
0,80511
0,80785
0,81057
0,81327
0,9
0,81594
0,81859
0,82121
0,82381
0,82639
0,82894
0,83147
0,83398
0,83646
0,83891
0,84134
0,84375
0,84614
0,84849
0,85083
0,85314
0,85543
0,85769
0,85993
0,86214
1,1
0,86433
0,8665
0,86864
0,87076
0,87286
0,87493
0,87698
0,879
0,881
0,88298
1,2
0,88493
0,88686
0,88877
0,89065
0,89251
0,89435
0,89617
0,89796
0,89973
0,90147
1,3
0,9032
0,9049
0,90658
0,90824
0,90988
0,91149
0,91308
0,91466
0,91621
0,91774
1,4
0,91924
0,92073
0,9222
0,92364
0,92507
0,92647
0,92785
0,92922
0,93056
0,93189
1,5
0,93319
0,93448
0,93574
0,93699
0,93822
0,93943
0,94062
0,94179
0,94295
0,94408
1,6
0,9452
0,9463
0,94738
0,94845
0,9495
0,95053
0,95154
0,95254
0,95352
0,95449
1,7
0,95543
0,95637
0,95728
0,95818
0,95907
0,95994
0,9608
0,96164
0,96246
0,96327
1,8
0,96407
0,96485
0,96562
0,96638
0,96712
0,96784
0,96856
0,96926
0,96995
0,97062
1,9
0,97128
0,97193
0,97257
0,9732
0,97381
0,97441
0,975
0,97558
0,97615
0,9767
0,97725
0,97778
0,97831
0,97882
0,97932
0,97982
0,9803
0,98077
0,98124
0,98169
2,1
0,98214
0,98257
0,983
0,98341
0,98382
0,98422
0,98461
0,985
0,98537
0,98574
2,2
0,9861
0,98645
0,98679
0,98713
0,98745
0,98778
0,98809
0,9884
0,9887
0,98899
2,3
0,98928
0,98956
0,98983
0,9901
0,99036
0,99061
0,99086
0,99111
0,99134
0,99158
2,4
0,9918
0,99202
0,99224
0,99245
0,99266
0,99286
0,99305
0,99324
0,99343
0,99361
2,5
0,99379
0,99396
0,99413
0,9943
0,99446
0,99461
0,99477
0,99492
0,99506
0,9952
2,6
0,99534
0,99547
0,9956
0,99573
0,99585
0,99598
0,99609
0,99621
0,99632
0,99643
2,7
0,99653
0,99664
0,99674
0,99683
0,99693
0,99702
0,99711
0,9972
0,99728
0,99736
86
0,99744
0,99752
0,9976
0,99767
0,99774
0,99781
0,99788
0,99795
0,99801
0,99807
2,9
0,99813
0,99819
0,99825
0,99831
0,99836
0,99841
0,99846
0,99851
0,99856
0,99861
0,99865
0,99869
0,99874
0,99878
0,99882
0,99886
0,99889
0,99893
0,99896
0,999
3,1
0,99903
0,99906
0,9991
0,99913
0,99916
0,99918
0,99921
0,99924
0,99926
0,99929
3,2
0,99931
0,99934
0,99936
0,99938
0,9994
0,99942
0,99944
0,99946
0,99948
0,9995
3,3
0,99952
0,99953
0,99955
0,99957
0,99958
0,9996
0,99961
0,99962
0,99964
0,99965
3,4
0,99966
0,99968
0,99969
0,9997
0,99971
0,99972
0,99973
0,99974
0,99975
0,99976
3,5
0,99977
0,99978
0,99978
0,99979
0,9998
0,99981
0,99981
0,99982
0,99983
0,99983
3,6
0,99984
0,99985
0,99985
0,99986
0,99986
0,99987
0,99987
0,99988
0,99988
0,99989
3,7
0,99989
0,9999
0,9999
0,9999
0,99991
0,99991
0,99992
0,99992
0,99992
0,99992
3,8
0,99993
0,99993
0,99993
0,99994
0,99994
0,99994
0,99994
0,99995
0,99995
0,99995
3,9
0,99995
0,99995
0,99996
0,99996
0,99996
0,99996
0,99996
0,99996
0,99997
0,99997
0,99997
0,99997
0,99997
0,99997
0,99997
0,99997
0,99998
0,99998
0,99998
0,99998
87
88
1
2
4
1
3
3
5
6
2
89
2
12
3
22
13
4
38
20
10
5
40
29
19
12
40
38
22
1
12
13
10
12
19
20
29
90
ALGORITMO DE DETERMINACIN
COMUNICACIONES
DEL
ARBOL
MINIMO
DE
Mtodo Grfico
Mtodo Tabular
1. Comience con cualquier nodo designndolo como nodo conectado haciendo un ticket
en la lnea correspondiente al nodo y una cruz en la columna correspondiente al mismo
nodo.
2. Elimine todas las componentes de distancia bajo la columna con cruz.
3. Considere todas las componentes de distancia que estn en las lneas con ticket y elija
la menor componente destacndola en un crculo.
4. Elimine las restantes componentes de distancia en la columna del elemento recin
circundado, haga una cruz en el encabezado de esa columna y un ticket en la lnea del
mismo nmero de esa columna.
5. Repita los pasos tres y cuatro hasta que todas las lneas estn con ticket y todas las
columnas con cruz.
6. El rbol mnimo de comunicaciones se dibuja interconectando los nodos de la red con
los arcos que las coordenadas de cada elemento en crculo determinan.
91
92
1
1
2
3
4
5
6
2
7
7
8 10
4 7
9 6
5 8
3 4 5 6
8 4 9 5
10 7 6 8
4 5 2
4
3 8
5 3
7
2 8 7
93