INSTITUTO TECNOLGICO DE ACAPULCO

MATERIA: investigacin de operaciones

MAESTRO: Juan Manuel Rodrguez Vzquez

HORA: 12 1 pm

SALON: 701

ALUMNO: Magno Santana Alejandro

FECHA: 05 DE JUNIO DEL 2012

NDICE

Unidad 1 Programacin Lineal 1.1 Definicin desarrollo y tipos de modelos de investigacin de operaciones.--------------------------------------------- 3 1.2 Formulacin de modelos.--------------------------------------------------------------------------------------------------------------------- 7 1.3 Mtodo grafico.---------------------------------------------------------------------------------------------------------------------------------- 7 1.4 Fundamentos del mtodo simplex.-------------------------------------------------------------------------------------------------------- 8 1.5 Aplicaciones diversas de programacin lineal.--------------------------------------------------------------------------------------- 11 Unidad 2 Anlisis de Redes 2.1 Conceptos Bsicos. ------------------------------------------------------------------------------------------------------------------------ 12 2.2 Problema de transporte.--------------------------------------------------------------------------------------------------------------------- 16 2.3 Problema de asignacin.-------------------------------------------------------------------------------------------------------------------- 18 2.4 Problema de la ruta ms corta ----------------------------------------------------------------------------------------------------------- 23 Unidad 3 Programacin no lineal. 3.1 Conceptos bsicos de problemas de programacin no lineal. ------------------------------------------------------------ 24 3.2 Ilustracin grafica de problemas de programacin no lineal. -------------------------------------------------------------- 30 3.3 Tipos de problemas de programacin no lineal. -------------------------------------------------------------------------------- 36 3.4 Optimizacin clsica ---------------------------------------------------------------------------------------------------------------------- 37 3.4.1 Puntos de inflexin --------------------------------------------------------------------------------------------------------------------- 38 3.4.2 Mximos y mnimos -------------------------------------------------------------------------------------------------------------------- 39 Unidad 4 Teora de inventarios. 4.1 Sistemas de administracin y control. ------------------------------------------------------------------------------------------------ 43 4.2 Modelos determinsticos. ----------------------------------------------------------------------------------------------------------------- 44 4.2.1 Lotes econmicos sin dficit. --------------------------------------------------------------------------------------------------------- 49 4.2.2 Lotes econmicos con dficit. ------------------------------------------------------------------------------------------------------- 52 4.3 Lote econmico de produccin. -------------------------------------------------------------------------------------------------------- 54 Unidad 5 Lneas de Espera 5.1 Definiciones caractersticas y suposiciones Lneas de Espera ---------------------------------------------------------- 54 5.2 Terminologa y notacin Lneas de Espera . ------------------------------------------------------------------------------------ 55 5.3 Proceso de nacimiento o muerte. ---------------------------------------------------------------------------------------------------- 57 5.4 Modelos Poisson. ------------------------------------------------------------------------------------------------------------------------- 58

5.4.1 Modelos Poisson Un servidor. -------------------------------------------------------------------------------------------------------- 59 5.4.2 Modelos Poisson Multiples servidores. -------------------------------------------------------------------------------------------- 60 5.5 Anlisis de costos. -------------------------------------------------------------------------------------------------------------------------- 63

Unidad 1 Programacin Lineal

1.1 Definicin desarrollo y tipos de modelos de investigacin de operaciones.

INTRODUCCION Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y la separacin de las responsabilidades administrativas en las organizaciones. Sin embargo esta revolucin creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchos de los componentes a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de Operaciones. La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para un problema de decisin con la restriccin de recursos limitados. En la Investigacin de Operaciones utilizaremos herramientas que nos permiten tomar una decisin a la hora de resolver un problema tal es el caso de los modelos e Investigacin de Operaciones que se emplean segn sea la necesidad. Para llevar a cabo el estudio de Investigacin de Operaciones es necesario cumplir con una serie de etapas o fases. Las principales etapas o fases de las que hablamos son las siguientes: Definicin del problema. Construccin del modelo. Solucin del modelo. Validacin del modelo. Implantacin de los resultados finales.

Orgenes de la Investigacin de Operaciones. El inicio de la Investigacin de Operaciones se remonta a la poca de la Segunda Guerra Mundial en donde surgi la necesidad urgente de asignar recursos escasos a las diferentes operaciones militares y a las actividades dentro de cada operacin, en la forma mas efectiva, es por esto, que las administraciones militares americana e inglesa hicieron 3

un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a los problemas estratgicos y tcticos, a dichos cientficos se les pidi que hicieran investigaciones sobre las operaciones militares. Todo el esfuerzo de este equipo de cientficos (que fueron el primer equipo de Investigacin de Operaciones) lograron el triunfo de muchas batallas. Luego de terminar la guerra, el xito de la Investigacin de Operaciones en las actividades blicas gener un gran inters en sus aplicaciones fuera del campo militar. Desde la dcada de 1950, se haba introducido el uso de la Investigacin de Operaciones en la industria, los negocios y el gobierno, desde entonces, esta disciplina se ha desarrollado con rapidez. Un factor importante de la implantacin de la Investigacin de Operaciones en este periodo es el mejoramiento de las tcnicas disponibles en esta rea. Muchos de los cientficos que participaron en la guerra, se encontraron a buscar resultados sustanciales en este campo; un ejemplo sobresaliente es el mtodo Simplex para resolucin de problemas de Programacin Lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas utilizadas en la Investigacin de Operaciones como la Programacin Lineal, la Programacin Dinmica, Lneas de Espera y Teora de Inventarios fueron desarrollados al final de los aos 50. En la dcada de los 80 con la invencin de computadoras personales cada vez ms rpidas y acompaadas de buenos paquetes de Software para resolver problemas de Investigacin de Operaciones esto puso la tcnica al alcance de muchas personas. Hoy en da se usa toda una gama de computadoras, desde las computadoras de grandes escalas como las computadoras personales para la Investigacin de Operaciones. Definicin y Significado de Investigacin de Operaciones. La Investigacin de Operaciones aspira a determinar el mejor curso de accin, o curso ptimo, de un problema de decisin con la restriccin de recursos limitados. Como tcnica para la resolucin de problemas, investigacin de operaciones debe visualizarse como una ciencia y como un arte. Como Ciencia radica en ofrecer tcnicas y algoritmos matemticos para resolver problemas de decisin adecuada. Como Arte debido al xito que se alcanza en todas las fases anteriores y posteriores a la solucin de un modelo matemtico, depende de la forma apreciable de la creatividad y la habilidad personal de los analistas encargados de tomar las decisiones. La Investigacin de Operaciones en la Ingeniera de Sistemas se emplea principalmente en los aspectos de coordinacin de operaciones y actividades de la organizacin o sistema que se analice, mediante el empleo de modelos que describan las

interacciones entre los componentes del sistema y de ste con este con su medio ambiente En la Investigacin de Operaciones la parte de Investigacin se refiere a que aqu se usa un enfoque similar a la manera en la que se lleva a cabo la investigacin en los campos cientficos establecidos. La parte de Operaciones es por que en ella se resuelven problemas que se refieren a la conduccin de operaciones dentro de una organizacin. Caractersticas de la Investigacin de Operaciones. La Investigacin de Operaciones usa el mtodo cientfico para investigar el problema en cuestin. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de datos pertinentes. La Investigacin de Operaciones adopta un punto de vista organizacional. De esta manera intenta resolver los conflictos de inters entre los componentes de la organizacin de forma que el resultado sea el mejor para la organizacin completa. La Investigacin de Operaciones intenta encontrar una mejor solucin (llamada solucin optima), para el problema bajo consideracin. En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible.

En la Investigacin de Operaciones es necesario emplear el enfoque de equipo. Este equipo debe incluir personal con antecedentes firmes en matemticas, estadsticas y teora de probabilidades, economa, administracin de empresas ciencias de la computacin, ingeniera, etc. El equipo tambin necesita tener la experiencia y las habilidades para permitir la consideracin adecuada de todas las ramificaciones del problema. La Investigacin de Operaciones ha desarrollado una serie de tcnicas y modelos muy tiles a la Ingeniera de Sistemas. Entre ellos tenemos: la Programacin No Lineal, Teora de Colas, Programacin Entera, Programacin Dinmica, entre otras. La Investigacin de Operaciones tiende a representar el problema cuantitativamente para poder analizarlo y evaluar un criterio comn. Definicin de Modelos. Un modelo de decisin debe considerarse como un vehculo para resumir un problema de decisin en forma tal que haga posible la identificacin y evaluacin sistemtica de todas las alternativas de decisin del problema. Despus se llega a una decisin seleccionando la alternativa que se juzgue sea la mejor entre todas las opciones disponibles. Un modelo es una abstraccin selectiva de la realidad.

El modelo se define como una funcin objetivo y restricciones que se expresan en trminos de las variables (alternativas) de decisin del problema. Una solucin a un modelo, no obstante, de ser exacta, no ser til a menos que el modelo mismo ofrezca una representacin adecuada de la situacin de decisin verdadera. El modelo de decisin debe contener tres elementos: Alternativas de decisin, de las cuales se hace una seleccin. Restricciones, para excluir alternativas infactibles. Criterios para evaluar y clasificar alternativas factibles. Tipos de Modelos de Investigacin de Operaciones.

(a) Modelo Matemtico: Se emplea cuando la funcin objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemtica como funciones de las variables de decisin. (b) Modelo de Simulacin: Los modelos de simulacin difieren de los matemticos en que las relacin entre la entrada y la salida no se indican en forma explcita. En cambio, un modelo de simulacin divide el sistema representado en mdulos bsicos o elementales que despus se enlazan entre si va relaciones lgicas bien definidas. Por lo tanto, las operaciones de clculos pasaran de un mdulo a otro hasta que se obtenga un resultado de salida. Los modelos de simulacin cuando se comparan con modelos matemticos; ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad no esta libre de inconvenientes. La elaboracin de este modelo suele ser costoso en tiempo y recursos. Por otra parte, los modelos matemticos ptimos suelen poder manejarse en trminos de clculos. Modelos de Investigacin de Operaciones de la ciencia de la administracin: Los cientficos de la administracin trabajan con modelos cuantitativos de decisiones. Modelos Formales: Se usan para resolver problemas cuantitativos de decisin en el mundo real. Algunos modelos en la ciencia de la administracin son llamados modelos determinsticos. Esto significa que todos los datos relevantes (es decir, los datos que los modelos utilizarn o evaluarn) se dan por conocidos. En los modelos probabilsticos (o estocsticos), alguno de los datos importantes se consideran inciertos, aunque debe especificarse la probabilidad de tales datos. Definicin del problema y recoleccin de datos. La primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye 6

determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Determinar los objetivos apropiados viene a ser un aspecto muy importante en la formulacin del problema. Para hacerlo, es necesario primero identificar a la persona o personas de la administracin que de hecho tomarn las decisiones concernientes al sistema bajo estudio, y despus escudriar los pensamientos de estos individuos respecto a los objetivos pertinentes. (Incluir al tomador de decisiones desde el principio es esencial para obtener su apoyo al realizar el estudio.) Es comn que los equipos de Investigacin de Operaciones pasen mucho tiempo recolectando los datos relevantes sobre el problema. Se necesitan muchos datos como para lograr un entendimiento exacto del problema como para proporcionar el insumo adecuado para el modelo matemtico que se formular en la siguiente etapa del estudio. Tomar un tiempo considerable al equipo de Investigacin de Operaciones recabar la ayuda de otros de otros individuos clave de la organizacin para recolectar todos los datos importantes. Muchas veces, el equipo de Investigacin de Operaciones pasar mucho tiempo intentando mejorar la precisin de los datos y al final tendr que trabajar con lo que pudo obtener. 1.2 Formulacin de modelos.

Propiedades y caractersticas de la programacin lineal La programacin lineal utiliza un modelo matemtico para descubrir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. Asi, la programacin lineal trata de planeacin de las actividades para obtener un resultado optimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas alternativas de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin mas frecuente la programacin lineal tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. Aun mas, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo simple, para resolver estos problemas incluso los de gran tamao. 1.3 Mtodo grafico.

El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo. 7

El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo son nueve: 1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. 2. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. 3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta. 4. trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea recta asociada. 5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible. 6. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo. 7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin de valores arbitrarios a fin de determinar la pendiente y la direccin en la cual crece o decrece el valor de la funcin objetivo. 1.4 Fundamentos del mtodo simplex. La mayora de los problemas reales de programacin lineal tienen mas de dos variables y son por ende demasiado grandes para su solucin grafica. Un procedimiento llamado mtodo simplex desarrollado en 1947 por el norteamericano George B. Dantzia puede ser utilizado para encontrar la solucin ptica de los problemas con multivariables. El Mtodo Simplex es en realidad un algoritmo ( un conjunto de instrucciones) con el que se examinan los puntos vrtices (esquinas) de una manera metdica hasta conseguir la mejor solucin: la mxima utilidad el mnimo costo, por ejemplo.

TIPOS DE SOLUCIN:

Solucin Factible: Es un valor del conjunto de variables (vector solucin) para el cual todas las restricciones se cumplen, incluyendo las de no-negatividad.

Solucin Optima: Es una solucin factible que optimiza la funcin objetivo z.

Solucin Bsica: En un sistema de ecuaciones con n variables (n , m). Una solucin es aquella se obtiene de fijar (n , m) variables del sistema iguales a cero y resolver el sistema en funcin de las m restantes, a estas variables se les llaman Variables Bsicas.

Solucin Bsica Factible: Es aquella solucin bsica en que todas las variables bsicas son no-negativo. PREPARANDO EL MODELO PARA ADAPTARLO AL MTODO SIMPLEX Esta es la forma estndar del modelo: Funcin objetivo: Sujeto a: c1x1 + c2x2 + ... + cnxn

a11x1 + a12x2 + ... + a1nxn = b1

a21x1 + a22x2 + ... + a2nxn = b2 ... am1x1 + am2x2 + ... + amnxn = bm x1,..., xn 0 Para ello se deben cumplir las siguientes condiciones: 1. 2. 3. 4. 1.5 El objetivo es de la forma de maximizacin o de minimizacin. Todas las restricciones son de igualdad. Todas las variables son no negativas. Las constantes a la derecha de las restricciones son no negativas Aplicaciones diversas de programacin lineal.

La programacin lineal constituye un importante campo de la optimizacin por varias razones, muchos problemas prcticos de la investigacin de operaciones pueden plantearse como problemas de programacin lineal. Algunos casos especiales de 9

programacin lineal, tales como los problemas de flujo de redes y problemas de flujo de mercancas se consideraron en el desarrollo de las matemticas lo suficientemente importantes como para generar por si mismos mucha investigacin sobre algoritmos especializados en su solucin. Una serie de algoritmos diseados para resolver otros tipos de problemas de optimizacin constituyen casos particulares de la ms amplia tcnica de la programacin lineal. Histricamente, las ideas de programacin lineal han inspirado muchos de los conceptos centrales de la teora de optimizacin tales como la dualidad, la descomposicin y la importancia de la convexidad y sus generalizaciones. Del mismo modo, la programacin lineal es muy usada en la microeconoma y la administracin de empresas, ya sea para aumentar al mximo los ingresos o reducir al mnimo los costos de un sistema de produccin. Algunos ejemplos son la mezcla de alimentos, la gestin de inventarios, la cartera y la gestin de las finanzas, la asignacin de recursos humanos y recursos de mquinas, la planificacin de campaas de publicidad, etc. Otros son: Optimizacin de la combinacin de cifras comerciales en una red lineal de distribucin de agua. Aprovechamiento ptimo de los recursos de una cuenca hidrogrfica, para un ao con afluencias caracterizadas por corresponder a una determinada frecuencia. Soporte para toma de decisin en tiempo real, para operacin de un sistema de obras hidrulicas; Solucin de problemas de transporte.

10

UNIDAD 2: ANLISIS DE REDES. El estudio de las propiedades estructurales y su optimizacin as como su dinmica son objeto del anlisis de redes. El anlisis de redes es el rea encargada de analizar las redes mediante la teora de redes (conocida ms genricamente como teora de grafos). Las redes pueden ser de diversos tipos: social, transporte, elctrica, biolgica, internet, informacin, epidemiologa, etc. Los estudios realizados sobre las redes abarcan sus estructuras tales como en las redes de mundo pequeo, las redes libres de escala, los crculos sociales, medidas de centralidad. Puede ser objeto de estudio la optimizacin como en el caso de mtodo de la ruta crtica, el PERT (del ingls Program Evaluation & Review Technique). As como la dinmica de las redes como pede ser el estudio de sistema dinmico secuencial (SDS del ingls Sequential Dynamical System), o de propiedades como la asignacin dinmica de flujos. 2.1.- CONCEPTOS BSICOS. El anlisis de redes es el rea encargada de analizar las redes mediante la teora de redes (conocida ms genricamente como teora de grafos). Las redes pueden ser de diversos tipos:

Social Transporte Elctrica Biolgica Internet Informacin Epidemiologa

Cuando se habla de una red, se entiende como un grupo de individuos que, en forma agrupada o individual, se relacionan con otros con un fin especifico, caracterizado por la existencia de flujo de informacion. Las redes pueden tener muchos o pocos actores y una o mas clases de relaciones entre pares de actores. Terminologa de Redes * Flujo: Corresponde a la cantidad que debe transportarse desde un nodo i a un nodo j a travs de un arco que los conecta. La siguiente notacin es usada: Xij= cantidad de flujo Uij= cota mnima de flujo que se debe transportar Lij= cota maxma de flujo que se puede transportar. * Arcos dirigidos /no dirigidos: Cuando el flujo puede transportarse en una sola direccin se tiene un arco dirigido (la flecha indica la direccin). Si el flujo puede transportarse en ambas direcciones existe un arco no dirigido (sin flecha). * Nodos adyacentes: Un nodo j es adyacente con un nodo i si existe un arco que une el nodo j con el nodo i.

11

Rutas/Conexin entre nodos *Ruta: Una coleccin de arcos formados por una serie de nodos adyacentes; los nodos estn conectados si existe una ruta entre ellos. Ciclos / Arboles /Arboles expandidos * Ciclos : Un ciclo se produce cuando al partir de un nodo por un cierto camino se vuelve al mismo nodo por otra ruta. * rbol : Una serie de nodos que no contienen ciclos. *rbol expandido: Es un rbol que conecta todos lo nodos de la red (contiene n-1 arcos). 2.2.- PROBLEMAS DE TRANSPORTE Modelo General del Problema del Transporte Es un caso especial de problema de programacin Lineal, en el que todos los coeficientes delas variables en las restricciones tienen coeficiente uno (1), esto es: ai,j = 1 ; para todo i , para todo j Grficamente:

12

Ejemplo: Tres (3) fbricas envan su producto a cinco (5) distribuidores. Las disponibilidades, los requerimientos y costos unitarios de transporte, se dan en la siguiente tabla.

Qu cantidad del producto sedebe enviar desde cada fbrica a cada distribuidor para minimizar los costos del transporte? NOTA: La X significa que desde la fbrica 3 es imposible enviar unidades al distribuidor 5. SOLUCION Observe que el modelo no es perfecto: La oferta es diferente a la demanda. Se adiciona una fbrica de relleno con costos de transporte igual a cero (0) y que ofrezca justo lo que le hace falta a la oferta para ser igual a la demanda.

13

Solucin Bsica Factible Como cada variable figura dos (2) veces en el sistema de ecuaciones, entonces tiene m+n-1grados de libertad y el nmero de variables bsicas debe ser igual al nmero de grados de libertad del sistema. Lo anterior nos asegura una solucin bsica factible no degenerada. NMERO DE VARIABLES BSICAS = m + n 1Mtodo de la esquina noroeste Caractersticas. Sencillo y fcil de hacer. No tiene en cuenta los costos para hacer las asignaciones. Generalmente nos deja lejos del ptimo. 14

Algoritmo 1. Construya una tabla de ofertas (disponibilidades) y demandas (requerimientos).2. Empiece por la esquina noroeste.3. Asigne lo mximo posible (Lo menor entre la oferta y la demanda, respectivamente)4. Actualice la oferta y la demanda y rellene con ceros el resto de casillas (Filas Columnas) en donde la oferta la demanda halla quedado satisfecha.5. Muvase a la derecha o hacia abajo, segn halla quedado disponibilidad para asignar.6. Repita los pasos del 3 al 5 sucesivamente hasta llegar a la esquina inferior derecha en laque se elimina fila y columna al mismo tiempo.

15

2.3.- PROBLEMA DE ASIGNACIN El Problema de la Asignacin es un problema clsico de la Investigacin de Operaciones y es un caso particular del Problema del Transporte. Este problema se trata de asignar una serie de Recursos a una serie de tareas. Tiene una limitante y es que a cada tarea se le puede asignar slo un recurso, pueden sobrar recursos o podran sobrar tareas pero no se le puede asignar dos recursos a una misma tarea, o tres... por ejemplo si se tienen tres operarios con diferentes tiempos de operacin en cuatro mquinas el modelo nos dira como asignar los tres operarios a tres mquinas (nos sobrara una) de manera que se minimice el tiempo total, pero no nos dira como asignar dos operarios a dos mquinas y el otro operario a las otras dos mquinas... si el Problema en la Vida Real se puede simplificar de esa manera, o de hecho es requerido que sea as (un recurso para una tarea), pues como se dice aqu: "santo y bueno", pero sino ser necesario modelarlo como un Programa Lineal y resolverlo con el Simplex. Ejemplos de Asignaciones: Operarios a Tareas, Mquinas a Operarios, Nadadores a Estilos, Novias a das de la semana, etc, etc, etc. El Problema de la Asignacin se basa en una informacin comparativa para tomar la decisin de que asignar a que, por ejemplo una matriz de costos, una matriz de tiempos, de ingresos, etc. Cuando la matriz no est balanceada, es decir, cuando no es cuadrada, cuando sobran filas o columnas, se debe balancear para que tenga solucin mediante la inclusin de filas o columnas ficticias, con valores de cero en dicha matriz. Ejemplo: Existen cuatro operarios que se pueden asignar al trabajo con tres mquinas. Un estudio de tiempos y movimientos ha arrojado los siguientes tiempos por operario para las tres mquinas. Indicar que operario debe trabajar en que mquina y cul de ellos no ser asignado a ninguna.

Como la matriz no esta balanceada, es necesario incluir una mquina ficticia: (esto es fundamental para asegurar que haya una respuesta. Si la matriz no est balanceada, el problema no ser factible de resolver)

16

Xij = Se debe asignar el operario i a la mquina j? S o no? En matemticas existen dos nmeros cuyas propiedades hacen que puedan representar estas respuestas son el 1 y el 0, debido a que todo nmero multiplicado por 1 da el mismo nmero entonces el 1 se puede reemplazar por la respuesta S y como todo nmero multiplicado por cero da cero entonces se puede reemplazar por la respuesta No. As por ejemplo: 10X11 + 7X12 + 9X13 + 0X14 representa el tiempo sumado que empleara el operario1 en operar las mquinas, pero solo una variable de las tres anteriores puede tomar el valor de S, o sea de 1 las dems tendrn que tomar el valor de 0, y eso es debido a que el operario 1 slo puede ser asignado a una mquina, lo que significara que el tiempo que utilice el operario 1 puede ser ya sea de "10" de "7" o de "9". Con base en esto podemos formular la funcin objetivo: Min Z 10X11 + 7X21 + 9X31 + 8X41 + 9X42 + Restricciones: Como cada operario slo puede estar asignado a una mquina.... X11 + X12 + X21 + X22 + X31 + X32 + X41 + X42 + X43 + X44 = 1 X13 + X23 + X33 + X14 = X24 = X34 = 1 1 1 7X43 7X12 5X22 8X32 + + + = 9X13 8X23 10X33

Y como cada mquina solo puede tener un operario asignado... X11 + X21 X12 + X22 X13 + X23 + X14 + X24 + X34 + X44 = 1 Xij = 1 o 0 para toda i,j. 17 + + X33 + X31 + X32 + X41 = X42 = X43 = 1 1 1

Al resolver utilizando Software, por ejemplo el Solver del Excel, la respuesta que se obtiene es la siguiente:

Esto significa que el Operario 1 queda asignado a la Mquina Ficticia (es decir, es el que sobra), el operario 2 se asigna a la mquina 2, el operario 3 se asigna a la mquina 1 y el operario 4 se asigna a la mquina 3. 2.4.- PROBLEMA DE LA RUTA MAS CORTA Un algoritmo clsico de Investigacin de Operaciones es el de La Ruta ms Corta, usado por ejemplo para encontrar en una serie de ciudades conectadas por carreteras, la ruta para llegar de una ciudad a otra, siguiendo una trayectoria mnima. Existen dos tipos principales de algoritmos: Cclicos y Acclicos. Los algoritmos Acclicos son usados en redes que no tienen ciclos, es decir que no tienen rutas que partiendo de un nodo lo lleven a l mismo de nuevo. Los ciclos son tambin llamados "lazos". Los algoritmos cclicos son para las redes que tienen ciclos o lazos... o en espaol vueltas en redondo. Un ejemplo de un lazo: Si del nodo "A" puedo ir al nodo "B", y del nodo "B" puedo ir al "C" y del "C" al "D" y del "D" puedo retornar al "A" de nuevo, ah hay un lazo o un ciclo. Las flechas indican en que sentido esta permitido el movimiento. Algoritmo Acclico: Si la red no tiene ciclos, apliquemos el siguiente algoritmo: Etiquetar cada nodo con el siguiente formato [distancia desde el nodo inicial, Nombre del Nodo Precedente]. Para el nodo inicial por definicin la distancia es cero (la distancia a s mismo), y el nodo precedente es vaco (ninguno): [0 , ] . Despus para cada nodo, se analiza los nodos que lo preceden por las flechas, se escoge aquel cuya distancia al nodo inicial ms la distancia al nodo presente sea mnima. Se etiqueta con la suma, y el nombre del nodo escogido... bueno, esto en carreta es muy enredador... mejor con un ejemplo, paso a paso.

18

Consideremos la siguiente red:

Los nodos pueden representan sitios (p.e ciudades, facilidades, etc) las flechas (tambin llamadas Arcos) indican las trayectorias permitidas y sobre ellas estn las distancias (pero tambin puede representar el costo de desplazamiento, o el nivel de riesgo, o un producto de ambos). Encontremos la distancia ms corta entre el nodo "A" y el nodo "G". 1. Rotular el Nodo Inicial : Recordemos el formato del rtulo es : [distancia al primer nodo, nodo precedente]. La distancia al primer nodo, es la distancia a s mismo en ste caso, por lo tanto es cero. El nodo precedente: como no viene de ningn nodo, lo rotulamos vacio: [ 0, ] :

2. Rotular todos los nodos que dependan unicamente del nodo inicial: A el Nodo B se puede llegar desde el Nodo A, con la ruta A-C-B o con la ruta A-D-C-B. Asi que depende de otros nodos a parte del Nodo inicial. Lo mismo podemos decir del Nodo C. Pero... ... Pero al Nodo D slo se puede llegar directamente desde el Nodo A. Este es el nodo que vamos a rotular, y si hubieran ms como l tambin los rotulariamos, pero en este ejemplo slo tenemos el D. El rtulo del Nodo D, es : [distancia mnima desde el Nodo Inicial, Nodo Precedente]. La distancia mnima desde el Nodo Inicial al Nodo D es 15: pos no hay otra alternativa, che! y el Nodo Precedente el "A". Rtulo: [15, "A"] 19

3. Rotular Todos los Nodos que tengan la informacin suficiente para rotularlos: La informacin necesaria para rotular un Nodo con este algoritmo, es que todos los Nodos de los que dependa, deben estar ya rotulados. Por ejemplo el Nodo B: depende del A y del C. El Nodo A ya esta rotulado, pero el C an no. As que an no se puede rotular el Nodo B. El Nodo C depende del A y del D, y ambos estan rotulados, as que si podemos rotularlo. La distancia desde A es 8, y desde D es: la distancia que tiene en el rtulo (que es la distancia mnima desde l al Nodo inicial, o sea 15), MAS la distancia entre D y C = 15 +4 = 19: entre 8 y 19 es ms pequeo 8. As que escogemos el Nodo A como precedente: el rtulo es [ 8 , "A"]

4. Seguir rotulando todos los Nodos que tengan informacin suficiente hasta llegar al Nodo deseado: G. Ahora ya hay informacin suficiente para rotular los Nodos B y F. Entonces rotulemos el Nodo B (no importa cul se haga primero, igual hay que rotularlos todos). El rotulo para el Nodo B: La distancia desde A es 10, la distancia mnima al Nodo inicial desde C es: el la distancia del rtulo de C: 8 + la distancia de C a B : 3 => 8 + 3 = 11. El mnimo entre 10 y 11 es 10. Rtulo= [10, "A"].

20

Rtulo para el F: Desde C : 8 + 4 = 12 y desde D : 15 + 15 = 30. Entonces el Rtulo es [12, "C" ]

Rtulo para el Nodo E: Desde B : 10 + 20 = 30 y desde C: 8 + 15 = 23 Rtulo : [23,"C"]

Por ltimo para el Nodo G: la distancia desde E es 23 + 5 = 28 y desde F es 12 + 3 = 15 Rtulo [15, F] 21

Ahora se puede leer la trayectoria mnima partiendo del rtulo del Nodo G, dicho rotulo nos dice que viene del F el de F dice que viene del C y el del C dice que viene del A. Solucin: Distancia Mnima= 15 Ruta Ms Corta = A-C-F-G

22

UNIDAD 3 PROGRAMACIN NO LINEAL.

3.1.- CONCEPTOS BSICOS DE PROGRAMACIN NO LINEAL Un modelo de Programacin Lineal (PNL) es aquel donde las variables de decisin se expresan como funciones no lineales ya sea en la funcin objetivo y/o restricciones de un modelo de optimizacin. Esta caracterstica particular de los modelos no lineales permite abordar problemas donde existen economas o deseconomas de escala o en general donde los supuestos asociados a la proporcionalidad no se cumplen. Formulacin Matemtica Del Problema: El problema de programacin no lineal puede enunciarse de una forma muy simple:

Mtodos De Resolucin Del Problema: Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el problema es de Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de programacin lineal. Si la funcin objetivo es concava (problema de maximizacin), o convexa (problema de minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar el mtodo general de Optimizacin convexa Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos consiste en utilizar formulaciones especiales de problemas de programacin lineal. Otro mtodo implica el uso de tcnicas de Ramificacin y poda, cuando el problema se divide en subdivisiones a resolver mediante aproximaciones que forman un lmite inferior del coste total en cada subdivisin. Mediante subdivisiones sucesivas, se obtendr una solucin cuyo coste es igual o inferior que el mejor limite inferior obtenido por alguna de las soluciones aproximadas. Esta solucin es ptima, aunque posiblemente no sea nica. El algoritmo puede ser parado antes, con la garanta de que la mejor solucin ser mejor que la solucin encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas

23

importantes y especialmente difciles y cuando el problema cuenta con costes inciertos o valores donde la incertidumbre puede ser estimada en un grado de fiabilidad apropiado. Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias para que una solucin sea ptima. Planteamiento de problemas de Programacin no lineal y optimizacin Una suposicin importante de programacin lineal es que todas sus funciones (Funcin objetivo y funciones de restriccin) son lineales. Aunque, en esencia, esta suposicin se cumple para muchos problemas prcticos, es frecuente que no sea as. De hecho, muchos economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepcin, en los problemas de planeacin econmica, por lo cual, muchas veces es necesario manejar problemas de programacin no lineal. De una manera general, el problema de programacin no lineal consiste en encontrar x=(x1,x2,,xn)para maximizar (x), sujeta a:

No se dispone de un algoritmo que resuelva todos los problemas especficos que se ajustan a este formato. Sin embargo, se han hecho grandes logros en lo que se refiere a algunos casos especiales, haciendo algunas suposiciones sobre las funciones, y la investigacin sigue muy activa. 3.2 ILUSTRACIN GRAFICA DE PROBLEMAS DE PROGRAMACIN NO LINEAL. La figura 13.5 muestra lo que ocurre con este problema si los nicos cambios que se hacen al modelo de la seccin 3.1 son que la segunda y tercera restricciones funcionales se sustituyen por la restriccin no lineal 9x{ + 5x2 < 216. Compare las figuras 13.5 y 3.3. La solucin ptima sigue siendo (a^ , x2) = (2,6). Todava se encuentra sobre la frontera de la regin factible, pero no es una solucin factible en un vrtice (FEV). La solucin ptima pudo haber sido una solucin FEV con una funcin objetivo diferente (verifique Z = 3xx + x2), pero que no necesite serlo significa que ya no se puede aprovechar la gran simplificacin utilizada en programacin lineal que permite limitar la bsqueda de una solucin ptima para las soluciones FEV Ahora suponga que las restricciones lineales de la seccin 3.1 se conservan sin cambio, pero que la funcin objetivo se hace no lineal. Por ejemplo, si

24

entonces la representacin grfica en la figura 13.6 indica que la solucin ptima es xx x2 = 5, que de nuevo se encuentra en la frontera de la regin factible. (El valor ptimo de Z es Z = 857; as, la figura 13.6 muestra el hecho de que el lugar geomtrico de todos los puntos para los que Z = 857 tiene en comn con la regin factible slo este punto, mientras que el lugar geomtrico de los puntos con Z ms grande no toca la regin factible en ningn punto.) Por otro lado, si

25

entonces la figura 13.7 ilustra que la solucin ptima es (*l5 x2 ) = (3,3), que se encuentra dentro de la frontera de la regin factible. (Se puede comprobar que esta solucin es ptima si se usa clculo para derivarla como un mximo global no restringido; como tambin satisface las restricciones, debe ser ptima para el problema restringido.) Por lo tanto, es necesario que

un algoritmo general para resolver problemas de este tipo tome en cuenta todas las soluciones en la regin factible, y no slo aquellas que estn sobre la frontera. Otra complicacin que surge en programacin no lineal es que un mximo local no necesariamente es un mximogbbal (la solucin ptima global). Por ejemplo, considere la funcin de una sola variable graficada en la figura 13.8. En el intervalo 0 < x < 5, esta funcin tiene tres mximos locales x=0,x=2,x=4pero slo uno de stosx 4es un mximo global. (De igual manera, existen mnimos locales en x = 1,3 y 5, pero slo x = 5 es un mnimo global.) En general, los algoritmos de programacin no lineal no pueden distinguir entre un mximo local y un mximo global (excepto si encuentran otro mximo local mejor), por lo que es determinante conocer las condiciones bajo las que se garantiza que un mximo local es un mximo global en la regin factible. Recuerde que en clculo, 26

cuando se maximiza una funcin ordinaria (doblemente diferenciable) de una sola variable f(x) sin restricciones, esta garanta est dada cuando

Una funcin de este tipo cuya curvatura siempre es hacia abajo (o que no tiene curvatura) se llama funcin cncava.1 De igual manera, si se sustituye < por >, de manera que la funcin tiene siempre una curvatura hacia arriba (o no tiene curvatura), se llama funcin convexa.2 (As, una funcin lineal es tanto cncava como convexa.) En la figura 13.9 se pueden ver ejemplos de esto. Note que la figura 13.8 ilustra una funcin que no es cncava, ni convexa pues alterna sus curvaturas hacia arriba y hacia abajo. Las funciones de variables mltiples tambin se pueden caracterizar como cncavas o convexas si su curvatura es siempre hacia abajo o hacia arriba. Estas definiciones intuitivas se fundamentan en trminos precisos que, junto con cierta profundizacin en los conceptos, se presentan en el apndice 2. El apndice 2 proporciona una prueba conveniente para verificar si una funcin de dos variables es cncava, convexa o ninguna de las dos. La siguiente es una forma conveniente de verificar esto para una funcin de ms de dos variables cuando la funcin consiste en una suma de funciones ms pequeas cada una de slo

27

una o dos variables. Si cada funcin ms pequea es cncava, entonces la funcin completa es cncava. De manera similar, la funcin completa es convexa si cada funcin ms pequea es convexa.

que es la suma de las dos funciones ms pequeas dadas en los parntesis cuadrados. La primera funcin ms pequea 4*! - x\es una funcin de la variable xx nada ms, por lo que puede verse que es cncava si se observa que su segunda derivada es negativa. La segunda funcin ms pequea -(x2 x )2 es una fimcin de x2 y por lo que se puede aplicar la prueba para funciones de dos variables dada en el apndice 2. De hecho, este apndice usa esta funcin en particular para ilustrar la prueba y encuentra que la funcin es cncava. Como las dos funciones ms pequeas son cncavas, la funcin completa f (jVj ,x2,x3) debe ser cncava. Si un problema de programacin no lineal no tiene restricciones, el hecho de que la funcin objetivo sea cncava garantiza que un mximo local es un mximoglobal. (De igual manera, una funcin objetivo convexa asegura que un mnimo local es un mnimo global.) Si existen restricciones, entonces se necesita una condicin ms para dar esta garanta, a saber, que la regin factible sea un conjunto convexo. Como se analiza en el apndice 2, un conjunto convexo es sencillamente un conjunto de puntos tales que, para cada par de puntos de la coleccin, el segmento de recta que los une est totalmente contenido en la coleccin. As, la regin factible en el problema original de la Wyndor Glass Co. (vea la figura 13.6 o 13.7) es un conjunto convexo. De hecho, la regin factible para cualquier otro

28

problema de programacin lineal es un conjunto convexo. De igual manera, la regin factible de la figura 13.5 tambin es un conjunto convexo. En general la regin factible para un problema de programacin no lineal es un conjunto convexo siempre que todas las funciones g(x) [para las restricciones g (x) < b{ ] sean convexas. Para el ejemplo de la figura 13.5, las dos gt (x) son convexas, ya que gx (x) = xx (una funcin lineal es automticamente cncava y convexa) y g2 (x) = 9x\ + 5x\ (tanto 9x\ como 5x2 son funciones convexas, por lo que su suma es una funcin convexa). Estas dos funciones convexas g (x) conducen a que la regin factible de la figura 13.5 sea un conjunto convexo. Ahora se analizar qu pasa cuando slo una de estas funciones g (x) es una funcin cncava. En particular, suponga que el nico cambio que se hace al ejemplo de la figura 13.5 es

son funciones cncavas. La nueva regin factible mostrada en la figura 13.10 no es un conjunto convexo. <Por qu? Porque contiene pares de puntos, como (0, 7) y (4, 3), tales que parte del segmento de recta que los une no est en la regin factible. En consecuencia, no se puede garantizar que un mximo local sea un mximo global. De hecho, este ejemplo tiene dos mximos locales (0, 7) y (4, 3), pero slo (0, 7) es un mximo global. 29

Entonces, para garantizar que un mximo local sea un mximo global para un problema de programacin no lineal con restricciones(x) < b (i = 1,2,, m) y x > 0, la funcin objetivo /(x) debe ser cncava y cada g (x) debe ser convexa. Un problema de este tipo se llama problema de programacin convexa y es una de las clases ms importantes de la programacin no lineal que se estudiar en la siguiente seccin. 3.3.- TIPOS DE PROBLEMAS DE PROGRAMACIN NO LINEAL Los problemas de programacin no lineal se presentan de muchas formas distintas. Al contrario del mtodo smplex para programacin lineal, no se dispone de un algoritmo que resuelva todos estos tipos especiales de problemas. En su lugar, se han desarrollado algoritmos para algunas clases (tipos especiales) de problemas de programacin no lineal. Se introducirn las clases ms importantes y despus se describir cmo se pueden resolver algunos de estos problemas. Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el problema es de Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de programacin lineal. Si la funcin objetivo es cncava (problema de maximizacin), o convexa (problema de minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar el mtodo general de Optimizacin convexa Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos consiste en utilizar formulaciones especiales de problemas de programacin lineal. Otro mtodo implica el uso de tcnicas de Ramificacin y poda, cuando el problema se divide en subdivisiones a resolver mediante aproximaciones que forman un lmite inferior del coste total en cada subdivisin. Mediante subdivisiones sucesivas, se obtendr una solucin cuyo coste es igual o inferior que el mejor lmite inferior obtenido por alguna de las soluciones aproximadas. Esta solucin es ptima, aunque posiblemente no sea nica. El algoritmo puede ser parado antes, con la garanta de que la mejor solucin ser mejor que la solucin encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas importantes y especialmente difciles y cuando el problema cuenta con costes inciertos o valores donde la incertidumbre puede ser estimada en un grado de fiabilidad apropiado. Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias para que una solucin sea ptima. Los tipos de problemas de programacin no lineal son: 1. 2. 3. 4. 5. Optimizacin no restringida. Optimizacin linealmente restringida. Programacin cuadrtica Programacin convexa. Programacin separable. 30

6. 7. 8. 9.

Programacin no convexa. Programacin geomtrica. Programacin fraccional. Problema de complementariedad.

OPTIMIZACIN NO RESTRINGIDA

Los problemas de optimizacin no restringida no tienen restricciones, por lo que la funcin objetivo es sencillamente Maximizar f(x) sobre todos los valores x= (x1, x2,,xn). Segn el repaso del apndice 3, la condicin necesaria para que una solucin especfica x = x* sea ptima cuando f(x) es una funcin diferenciable es

Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo que la obtencin de x* se reduce a resolver el sistema de las necuaciones obtenidas al establecer las n derivadas parciales iguales a cero. Por desgracia, cuando se trata de funciones no lineales f(x), estas ecuaciones suelen ser no lineales tambin, en cuyo caso es poco probable que se pueda obtener una solucin analtica simultnea. Qu se puede hacer en ese caso? Las secciones 13.4 y 13.5 describen procedimientos algortmicos de bsqueda para encontrar x* primero para n = 1 y luego para n > 1. Estos procedimientos tambin tienen un papel importante en la solucin de varios tipos de problemas con restricciones, que se describirn en seguida. La razn es que muchos algoritmos para problemasrestringidos estn construidos de forma que se adaptan a versiones no restringidas del problema en una parte de cada iteracin. Cuando una variable Xj tiene una restriccin de no negatividad, x- > 0, la condicin necesaria (y tal vez) suficiente anterior cambia ligeramente a

para cada j de este tipo. Esta condicin se ilustra en la figura 13.11, donde la solucin ptima de un problema con una sola variable es x = 0 aun cuando la derivada ah es negativa y no cero. Como este ejemplo tiene una funcin cncava para maximizar sujeta a una restriccin de no negatividad, el que su derivada sea menor o igual a 0 en # = 0, es una condicin necesaria y suficiente para que x= 0 sea ptima.

31

Un problema que tiene algunas restricciones de no negatividad y que no tiene restricciones funcionales es un caso especial (m = 0) de la siguiente clase de problemas. OPTIMIZACIN LINEALMENTE RESTRINGIDA

Los problemas de optimizacin linealmente restringida se caracterizan por restricciones que se ajustan por completo a la programacin lineal, de manera que todas las funciones de restriccin g (x) son lineales, pero la funcin objetivo es no lineal. El problema se simplifica mucho si slo se tiene que tomar en cuenta una funcin no lineal junto con una regin factible de programacin lineal. Se han desarrollado varios algoritmos especiales basados en una extensin del mtodo smplex para analizar la funcin objetivo no lineal. Un caso especial importante descrito a continuacin es la programacin cuadrtica. PROGRAMACIN CUADRTICA

De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la funcin objetivo /(x) debe sercuadrtica. Entonces, la nica diferencia entre stos y un

32

problema de programacin lineal es que algunos trminos de la funcin objetivo incluyen el cuadrado de una variable o el productode dos variables.

PROGRAMACIN CONVEXA

La programacin convexa abarca una amplia clase de problemas, entre ellos como casos especiales, estn todos los tipos anteriores cuando /(x) es cncava. Las suposiciones son 1. f(x) es cncava. 2. Cada una de las g(x) es convexa.

PROGRAMACIN SEPARABLE

La programacin separable es un caso especial de programacin convexa, en donde la suposicin adicional es Todas las funciones f(x) y g(x) son funciones separables. Una funcin separable es una funcin en la que cada trmino incluye una sola variable, por lo que la funcin se puede separar en una suma de funciones de variables individuales. Por ejemplo, si f(x) es una funcin separable, se puede expresar como

son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento, se puede verificar que la funcin considerada en la figura 13.7 tambin es una funcin separable. Es importante distinguir estos problemas de otros de programacin convexa, pues cualquier problema de programacin separable se puede aproximar muy de cerca mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo smplex.

33

son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento, se puede verificar que la funcin considerada en la figura 13.7 tambin es una funcin separable. Es importante distinguir estos problemas de otros de programacin convexa, pues cualquier problema de programacin separable se puede aproximar muy de cerca mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo smplex.

PROGRAMACIN NO CONVEXA

La programacin no convexa incluye todos los problemas de programacin no lineal que no satisfacen las suposiciones de programacin convexa. En este caso, aun cuando se tenga xito en encontrar un mximo local, no hay garanta de que sea tambin un mximo global. Por lo tanto, no se tiene un algoritmo que garantice encontrar una solucin ptima para todos estos problemas; pero s existen algunos algoritmos bastante adecuados para encontrar mximos locales, en especial cuando las formas de las funciones no lineales no se desvan demasiado de aquellas que se supusieron para programacin convexa. En la seccin 13.10 se presenta uno de estos algoritmos. Ciertos tipos especficos de problemas de programacin no convexa se pueden resolver sin mucha dificultad mediante mtodos especiales. Dos de ellos, de gran importancia, se presentarn ms adelante. PROGRAMACIN GEOMTRICA Cuando se aplica programacin no lineal a problemas de diseo de ingeniera, muchas veces la funcin objetivo y las funciones de restriccin toman la forma

34

En tales casos, las ci y a ty representan las constantes fsicas y las x} son las variables de diseo. Estas funciones por lo general no son ni cncavas ni convexas, por lo que las tcnicas de programacin convexa no se pueden aplicar directamente a estos problemas deprogramacingeo- mtrica. Sin embargo, existe un caso importante en el que el problema se puede transformar en un problema de programacin convexa equivalente. Este caso es aquel en el que todos los coeficientes c en cada funcin son estrictamente positivos, es decir, las funciones son polinomios positivos generalizados (ahora llamados posinomiales), y la funcin objetivo se tiene que minimizar. El problema equivalente de programacin convexa con variables de decisin yx, y2,, yn se obtiene entonces al establecer

en todo el modelo original. Ahora se puede aplicar un algoritmo de programacin convexa. Se ha desarrollado otro procedimiento de solucin para resolver estos problemas de programacin posinomial, al igual que para problemas de programacin geomtrica de otros tipos.1 PROGRAMACIN FRACCIONAL Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la razn o cociente de dos funciones,

Estos problemas de programacin fraccional surgen, por ejemplo, cuando se maximiza la razn de la produccin entre las horas-hombre empleadas (productividad), o la ganancia entre el capital invertido (tasa de rendimiento), o el valor esperado dividido entre la desviacin estndar de alguna medida de desempeo para una cartera de inversiones (rendimiento/riesgo). Se han formulado algunos procedimientos de solucin especiales1 para ciertas formas de f1(x) y f2 (x) Cuando se puede hacer, el enfoque ms directo para resolver un problema de programacin fraccional es transformarlo en un problema equivalente de algn tipo estndar que disponga de un procedimiento eficiente. Para ilustrar esto, suponga que f(x) es de la forma de programacin fraccional lineal

35

donde c y d son vectores rengln, x es un vector columna y c0 y dQ son escalares. Tambin suponga que las funciones de restriccin g (x) son lineales, es decir, las restricciones en forma matricial son Ax < b y x > 0. Con algunas suposiciones dbiles adicionales, el problema se puede transformar en un problema equivalente de programacin lineal si se establece

que se puede resolver con el mtodo smplex. En trminos generales, se puede usar el mismo tipo de transformacin para convertir un problema de programacin fraccional con /(x) cncava, f2 (x) convexa y g (x) convexas, en un problema equivalente de programacin convexa. 3.4.- OPTIMIZACIN CLSICA Es el uso de clculo diferencial para determinar puntos mximos y mnimos(extremos) para funciones restringidas y no restringidas. Los mtodos expuestos pueden no ser adecuados para los clculos numricos eficientes. Un problema de optimizacin sin restricciones tiene el aspecto. Max.(o Min) f(X) s.a XIRn

36

El conjunto factible es todo IR^n. La condicin X IR no supone ninguna restriccin habitualmente la omitiremos, escribiendo simplemente. Max.(o Min) f(X) Este tipo de problemas ya han sido estudiados parcialmente por el alumno en las Matemticas II, en donde se estudia cmo hallar los mximos o mnimos locales de una funcin. (Aunque en un problema de optimizacin lo que realmente buscamos son los mximos y mnimos globales).La forma de buscar los mximos y mnimos globales es comprobar previamente si nuestra funcin cumple algn requisito que garantice la existencia de mnimo global o mximo global. En este sentido, el hecho de que la funcin sea coerciva, anticoerciva, cncava o convexa puede ser de gran ayuda. En todo lo que sigue supondremos que las funciones que manejamos son continuas y que tienen derivadas parciales continuas, al menos hasta el segundo orden, es decir, que son de clase C^z en IR^n. 3.4.2.- MXIMOS Y MINIMOS En esta investigacin se presenta el mtodo de optimizacin clsica relacionado con los mximos y mnimos de funciones no lineales. Tambin se muestra una explicacin del mtodo de optimizacin simplex para funciones lineales por el cual se pueden obtener los mximos y mnimos de una funcin restringida. Un problema de optimizacin combinatoria siempre se le involucra un conjunto de instancias, donde cada una de ellas cuenta con un conjunto finito de posibles soluciones (caracterstica imprescindible de los problemas continuos).Por otra parte la teora de optimizacin clsica se usa para la obtencin delos mximos y mnimos de funciones no lineales restringidas y no restringidas, en los que se hace uso del clculo diferencial. MXIMOS Y MINIMOS: Mnimo (fuerte): Un punto extremo de una funcin f (x) define un mnimo de la funcin si f (X+H)) > f (X), donde X es cualquier punto de la funcin y h en valor absoluto es suficientemente pequea. Mximo (fuerte): Un punto extremo de una funcin f (x) define un mximo de la funcin si f (X+h) < f (X), donde X es cualquier punto de la funcin y h en valor absoluto es suficientemente pequea. Una funcin puede contener varios mximos y mnimos, identificados por los puntos extremos de la funcin. En la figura se puede observar esto, los puntos X1, X2 y X6 son mximos, de la figura notamos que f(X5) es el mayor que f(X1) y f(x3), a este punto se le conoce como mximo global de la funcin y a los restantes como mximos locales. Lo mismo se puede ver para los mnimos, en los que tambin existe un mnimo global f(X2) y un mnimo local f(X4) Como es de lgico, solo puede existir un solo global y posiblemente varios locales.

37

3.4.1.- Punto de inflexin.

Un punto de inflexin es un punto donde los valores de x de una funcin continua pasan de un tipo de concavidad a otro. La curva "atraviesa" la tangente. Matemticamente la derivada segunda de la funcin f en el punto de inflexin es cero, o no existe. En el clculo de varias variables a estos puntos de inflexin se les conoce como puntos de ensilladura.

38

UNIDAD 4 TEORA DE INVENTARIOS.

INTRODUCCION Algunos empresarios se dejan llevar por un nico criterio, que en ocasiones funciona perfectamente, pero en otras nos lleva a cometer costosos errores; las personas que llevan tiempo manejando empresas saben que la realidad no es blanca ni negra, sino que, tiene diferentes matices de gris, por lo que en este escrito no se pretende dar la ltima palabra de nada, ya que esta no existe, lo que se busca es brindar instrumentos que aunados a su buen juicio le permitan tomar mejores decisiones, recalcando que un instrumento es til dependiendo de la mano que lo maneja y que la toma de decisiones es an la responsabilidad gerencial ms importante. Sin embargo, a medida que logremos conocer y manejar un mayor nmero de instrumentos la probabilidad de xito en nuestras empresas se incrementa, ya que la suerte esta del lado de la mente mejor preparada (esta frase se le atribuye a diversos personajes, pero independientemente de quien la haya dicho es perfectamente valida).

En el caso de los inventarios, se han escrito enciclopedias completas sobre su manejo, por lo que resumir en tan breve espacio, algunos de los criterios fundamentales para su manejo, equivale a lo que los expertos en mercadeo llaman dar una degustacin del producto, buscando de esta manera, que los interesados indaguen ms adelante, formas de adquirir una mayor cantidad de este. Este documento pretende dar herramientas para mejorar la toma de decisiones sobre inventarios, no da elementos para la manipulacin de estos. Los modelos que se van a mencionar son relativamente sencillos y se recomienda que en la medida de lo factible se "juegue" con ellos, en una hoja de calculo, creando diferentes escenarios, con el objeto de ver las consecuencias de algunos posibles errores en el papel, sin necesidad de sufrirlos en la realidad.

4.1 Sistemas de administracin y control.

Mantener un inventario de productos o artculos para su venta o uso futuro es una prctica comn en el mundo de los negocios. Se aplica tanto en las ventas al mayoreo como al menudeo y por los fabricantes. Casi todas las empresas deben almacenar bienes para asegurar un trabajo uniforme y eficiente. El problema de tener un inventario, debe responder bsicamente a 2preguntas: 1) Cundo hacer un pedido? 2) Qu cantidad se debe pedir? 39

Existen dos formas de satisfacer la demanda requerida de productos, teniendo un sobre almacenamiento o teniendo un sub almacenamiento. Con el sobre almacenamiento, de requiere invertir un mayor capital, aunque tendremos menos ocurrencias frecuentes de escasez, y de colocacin de pedidos. Con el sub almacenamiento, el capital invertido es menor pero aumenta la frecuencia de pedidos as como el tiempo que estn sin mercanca. Los dos extremos son costosos, por lo tanto debemos tomar decisiones basadas en la minimizacin de costos que produzcan un balance entre el costo de sobre almacenamiento y sub almacenamiento .SISTEMA DE INVENTARIO ABC. En un negocio a veces al manejar un inventario implica a un nmero apreciable de artculos o productos con diferentes precios, desde los econmicos hasta el ms costoso. Como el inventario representa en realidad un capital ocioso (inactivo) es necesario mantener el control sobre los artculos que aumenten considerablemente el costo del inventario. Por experiencia se sabe que sola una pequea parte impacta considerablemente en el costo del inventario, sobre estos artculos se debe tener un control estricto. Se puede seleccionar estos artculos, con un procedimiento simple, el sistema ABC se realiza graficando el porcentaje de artculos de inventario total contra el porcentaje del valor monetario total en un periodo(generalmente un ao).La idea es determinar el porcentaje de artculos que contribuyen al 80% del valor monetario acumulado. Esto se clasifica como el grupo A y normalmente es alrededor del 20% del total de artculos, los clase B comprenden a los valores monetarios porcentuales entre el 80% y 95% y son alrededor del25% y los restantes son clase C. Las clase A son pocos artculos pero costosos y deben tener un control estricto de inventario, los clase B son los siguen en el orden y el control debe ser moderado, la clase C son muchos artculos influyen poco en el costo del inventario deben tener un control bajo. Convenientemente se dividen para su estudio a los sistemas de inventarios en 2 categoras:1) Demanda y tiempo de entrega determinista.2) Demanda y/o tiempo de entrega probabilstica. Los sistemas de inventarios son tan variados e implican tantas consideraciones que sera imposible desarrollar modelos para todas las situaciones posibles. Clasificacin de los sistemas de inventarios: A) Orden repetitiva, demanda independiente. B) Una sola orden, demanda independiente. C) Orden repetitiva, demanda dependiente. A veces se clasifican, por la relacin con la secuencia de produccin. A) Abastecimiento. B) Materiales C) En proceso D) Bienes terminados. Los modelos para representar a un sistema de inventarios se pueden dividiren dos gandes categoras:

40

Los inventarios produce beneficios mixtos, ya que consume recursos en adquirir bienes y mantenerlos que pueden ocuparse en otras reas, por ejemplo, publicidad o investigacin. Pero por le otro lado se mejora el servicio al cliente al tener un producto siempre que lo demande. Por lo tanto se debe de buscar un equilibrio de esos costos. Los cuatro costos ms comunes asociados a un inventario son: Costo de compra (de fabricacin, precio unitario).- Este costo incluye el costo de un articulo, mas los impuestos y los gastos de transporte. Si la compaa produce el producto entonces se debe incluir todos los gastos de fabricacin. Costo de ordenar (costo fijo, costo directo).- Este se genera debido a la elaboracin de pedidos y de facturacin, como son la mano de obra, la papelera, el telfono, etc. Si el producto se genera en la misma compaa entonces se toman los costos de preparacin de maquinaria Costos de conservacin, (almacenamiento).- Este costo incluye los costos generados por el almacenar fsicamente los artculos, por ejemplo: la refrigeracin, aseguramiento, impuesto al almacenaje, el costo de mantener inmvil el capital cuando se pudo invertir en otra actividad. Costo de escasez (agotamiento o faltantes) esto reproduce cuando un cliente de manda un producto y la demanda no se satisface a tiempo, si los clientes aceptan la entrega en una fecha posterior se denomina pedidos pendientes. Pero si el clientes no acepta se tiene una venta perdida. Este costo es el mas difcil de medir ya que implica, que los clientes vayan a otra partes a surtir su 41

demanda, perdida del nombre comercial, que la compaa pierda competitividad, etc. Al partir de lo anterior, podemos decir que en el costo de un inventario generalizado lo obtenemos de la siguiente manera. Costo de inventario = costo de compra + costo de ordenar + costo de conservacin + costo de escasez.

Como se observa el nivel ptimo de inventario corresponde al costo total mnimo de los cuatro componentes Existen varios modelos de inventarios y esto es debido al tipo de demanda del artculo lo cual hace que el modelo matemtico sea ms complejo. El tipo de demanda puede ser: Demanda determinista esttica, se produce cuando la tasa de consumo permanece constante todo el tiempo. Demanda determinista dinmica, se produce cuando la demanda reconoce con certeza, pero vara de un periodo a otro. Demanda probabilstica estacionaria, es cuando la demanda es descrita por una densidad de probabilidad que se mantiene constante.

42

Otros factores que complican al modelo matemtico son: Las demoras de entrega. Abastecimiento mltiple Nmero de artculos Etc. 4.2. MODELOS DETERMINISTICOS En la realidad estos modelos es difcil encontrarlos directamente, pero una situacin real se puede ajustar a ellos .El modelo ms comnmente aplicado para resolver este tipo de modelos es el del lote econmico de pedido El modelo clsico de lote econmico de pedido fue elaborado por F. W. Harris de Westinghouse en 1915 y para que sean validos se deben cumplirlas siguientes suposiciones: 1) La demanda es determinista y ocurre a una tasa constante (). 2) El hacer un pedido de cualquier tamao (q) genera un costo de ordenar(K) 3) El conservar una unidad de artculo en el inventario en una unidad de tiempo genera un costo (h)

43

4.2.1. LOTE ECONMICO SIN DFICIT. El primer modelo que estudiaremos ser el lote econmico sin dficit, es decir aparte de las tres consideraciones se le agrega una ms:4) No se permite que exista escasez, es decir el inventario no debe ser negativo. A) Lote econmico sin dficit con tiempo de entrega cero. En este modelo, como la entrega es inmediata nos conviene hacer un pedido cuando el nivel de inventario sea igual a cero, para no generar costos de conservacin en el inventario. Pero cuidando que no haya escasez. Si graficamos este modelo tendramos lo siguiente:

Ciclo: es el intervalo de tiempo que comienza con la llegada de un pedido y termina un instante antes de que se reciba el siguiente pedido. Como en este modelo no se permite la escasez, entonces el costo total por ciclo ser:

44

Ejemplo 1: Un negocio vende 500 discos DVD al mes, cada vez que genera un pedido genera un costo de 5 pesos, cada disco le cuesta 10.00 pesos, el costo de mantener un disco en el inventario durante un mes es de 0.08 pesos/disco. Suponga que la demanda es constante y no se permite escasez y el tiempo de entrega es cero. Cul ser el tamao del lote que minimice costos? Cuntos pedidos har en un mes?

45

Ejemplo 2: Una compaa que ensambla computadoras, fabrica sus propias bocinas, ensambla computadoras con una produccin continua de 8 000 al mes, sus bocinas reproducen en lotes y cada lote genera un costo de preparacin de maquinaria de 12 000 pesos, el costo de mantener una bocina en el almacn durante un mes es de 0.30 pesos, el costo de produccin de una bocina es de 50.00 pesos. Cul ser el tamao del lote que minimice costos? En qu tiempo se har la produccin del lote de bocinas?

B) Lote econmico sin dficit con tiempo de entrega distinto de cero. Este lote tiene las mismas condiciones del primero solo que ahora la entrega demora un tiempo L, es decir es mayor que cero. Esto deja sin cambios los costos de conservacin y de ordenar sin cambios. Pero ahora para evitar que haya escasez, y reducir el costo de conservacin, cada pedido se debe hacer a un nivel de inventario que asegure que cuando llega cada pedido, nivel de inventario sea igual cero. Este nivel se conoce como punto de reposicin. Se pueden presentar dos casos al calcularlo: 1) La demanda durante el plazo de entrega (LD) no excede la Q. (LD Q). En este caso el punto de reposicin ocurre cuando el nivel de inventario es igual a LD. Entonces el pedido llegara cuando el nivel de inventario sea iguala cero. En el ejemplo 1

46

suponga que el tiempo de entrega es de 5 das. Tendramos que L= 5/30Entonces el punto de reposicin es (5/30) (500) = 83.333 Significa que cuando el inventario llegue a 83.333 discos se debe hacer un nuevo pedido. 2) La demanda durante el plazo de entrega excede a la Q. (LD > Q). En este caso el punto de reabastecimiento no es igual a LD. Supongamos en el ejemplo que el tiempo de entrega es de 40 das, entonces LD= (40/30)*500=666.66 discos. Como se ve llegar a este nivel es imposible ya que el valor de Q es de 250.En este caso se debe dividir LD entre el valor de Q y el residuo ser el valor buscado. En este caso dividimos LD/Q = 666.666/250= 2.666 le restamos el entero en este caso 2 y nos queda de resto 0.6666 esto lo multiplicamos por Q y tenemos (0.6666)(250)= 166.6666As que haremos un nuevo pedido cuando el nivel de inventario alcance166.66 discos. C) Lote econmicos de un solo artculo con diferente precio tiempo de entrega cero. A menudo sucede que el precio de compra por unidad depende de la cantidad a comprar. Esto se conoce como descuentos segn la cantidad. En este modelo si habr que tomar en cuenta el precio del producto para tener el nmero optimo de artculos que se debe de pedir. Aqu encontraremos literales nueva, las cuales son: P1= Precio ms alto P2= Precio ms bajo qr = Cantidad superior que garantiza la rebaja del precio. Q* = Cantidad optima sin tomar en cuenta los precios. CPUTQ * = Costo por unidad de tiempo con cantidad Q y precio unitario ms alto. CPUTQ1 = Costo por unidad de tiempo con cantidad Q1. Esta cantidad Q1 ser calculada haciendo una igualacin De las ecuaciones CPUTQ = CPUTQ1 y utilizando el precio unitario ms bajo.

47

Ejemplo 3) Un vendedor maneja un producto que tiene una demanda diaria de 5 piezas, el costo por ordenar que se genera es de 10 pesos y el costo diario por mantener una pieza en el almacn es de 1.00 peso. Si adquiere menos de 15 productos, el costo por unidad es de 2 pesos, pero si adquiere15 o ms productos, el precio es de 1.00 peso. Cul es el tamao de lote que ms le conviene comprar.

48

4.2.2. LOTE ECONMICO CON DFICIT. Muchas veces la demanda no se satisface a tiempo y se produce escasez, algunas veces esto puede ser redituable, pues alarga la longitud del ciclo y produce ahorro en los costos de ordenar (o preparacin) y de conservacin. Esto provoca que el costo del inventario de incluya un costo de escasez (pf) La grafica de este modelo queda de la siguiente manera:

49

50

Ejemplo 4: Un negocio vende 500 discos DVD al mes, cada vez que genera un pedido genera un costo de 5 pesos, cada disco le cuesta 10.00 pesos, el costo de mantener un disco en el inventario durante un mes es de 0.08pesos/disco, el costo de la escasez por disco en un mes es de 0.40 pesos. Suponga que la demanda es constante y se permite escasez y el tiempo de entrega es cero. Cul ser el tamao del lote que minimice costos? Cuntos pedidos har en un mes? Cul ser la escasez mxima?

51

4.3 Lote econmico de produccin. Lote Econmico de Produccin (conocido en ingls como Economic Production Quantity o por sus siglas EPQ) es un Modelo Matemtico para control de inventarios que extiende el modelo de Cantidad Econmica de Pedido a una tasa finita de produccin. Su principio es encontrar el lote de produccin de un nico producto para el cual los costos por emitir la orden de produccin y los costos por mantenerlo en inventario se igualan. El modelo fue formulado inicialmente por E. W. Taft en 1918. Modelo Normalmente una orden de pedido es seguida de una orden de produccin del artculo pedido, por lo que es necesario un cierto periodo de tiempo para completar dicha orden de produccin. Durante este tiempo el artculo esta siendo producido y demandado. Para que este caso tenga sentido la tasa de produccin, tiene que ser mayor que la tasa de demanda, ya que si no fuese as no existira inventario en ningn momento. se define la tasa de produccin, p, como el nmero de unidades producidas en un periodo de tiempo generalmente un ao. cuando el inventario se agota, punto a, se inicia la produccin de la orden de pedido del loteq. se requiere un tiempo de produccin q/p. durante este tiempo, el inventario se va acumulando a una tasa p-d, por lo que cuando se acabe la produccin del lote de tamao qse alcanzar el nivel mximo de inventario i (punto b), que es:

desde este punto, el nivel de inventario decrece, como consecuencia de una demanda uniforme y constante, cuando las existencias se agotan el ciclo se inicia de nuevo. costo anual de emisin:

El inventario promedio:

Por lo que el costo anual de mantener inventarios es:

52

El costo total anual:

Podemos obtener de la misma forma que para el caso del modelo simple, el valor del lote ptimo que minimiza los costos:

Como era de esperar, para un aprovisionamiento instantneo, p = , obtenemos la formula de cantidad econmica de pedido.

53

Unidad 5 Lneas de Espera

Las lneas de espera, filas de espera o colas, son realidades cotidianas: Personas esperando para realizar sus transacciones ante una caja en un banco, Estudiantes esperando por obtener copias en la fotocopiadora, vehculos esperando pagar ante una estacin de peaje o continuar su camino, ante un semforo en rojo, Mquinas daadas a la espera de ser rehabilitadas. Los anlisis de colas ayudan a entender el comportamiento de estos sistemas de servicio (la atencin de las cajeras de un banco, actividades de mantenimiento y reparacin de maquinaria, el control de las operaciones en planta, etc.).Desde la perspectiva de la Investigacin de Operaciones, los pacientes que esperan ser atendidos por el odontlogo o las prensas daadas esperando reparacin, tienen mucho en comn. Ambos (gente y mquinas) requieren de recursos humanos y recursos materiales como equipos para que se los cure ose los haga funcionar nuevamente. 5.1 Definiciones caractersticas y suposiciones Lneas de Espera Una cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lnea de espera particulares o sistemas de colas. Los modelos sirven para encontrar un buen compromiso entre costes del sistema y los tiempos promedio de la lnea de espera para un sistema dado. Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como modelo, pueden representar cualquier sistema en donde los trabajos o clientes llegan buscando un servicio de algn tipo y salen despus de que dicho servicio haya sido atendido. Podemos modelar los sistemas de este tipo tanto como colas sencillas o como un sistema de colas interconectadas formando una red de colas La teora de colas es el estudio matemtico del comportamiento de lneas de espera. Esta se presenta, cuando los clientes llegan a un lugar demandando un servicio a un servidor, el cual tiene una cierta capacidad de atencin. Si el servidor no est disponible inmediatamente y el cliente decide esperar, entonces se forma la lnea de espera. A lo largo del tiempo se producen llegadas de clientes a la cola de un sistema desde una determinada fuente demandando un servicio. Los servidores del sistema seleccionan miembros de la cola segn una regla predefinida denominada disciplina de la cola. Cuando un cliente seleccionado termina de recibir su servicio (tras un tiempo de servicio) abandona el sistema, pudiendo o no unirse de nuevo a la fuente de llegadas. Fuente Recibe el nombre de fuente el dispositivo del que emanan las unidades que piden un servicio. Si el nmero de unidades potenciales es finito, se dice que la fuente es finita; en caso contrario se dice que es infinita. Cuando la fuente es finita se suele asumir que la probabilidad de que se produzca una llegada en un intervalo de tiempo es proporcional al tamao de la fuente en ese instante. En general, nos restringiremos al estudio de sistemas de colas con fuentes infinitas. 54

Tiempo entre llegadas Existen dos clases bsicas de tiempo entre llegadas: Determinstico, en el cual clientes sucesivos llegan en un mismo intervalo de tiempo, fijo y conocido. Un ejemplo clsico es el de una lnea de ensamble, en donde los artculos llegan a una estacin en intervalos invariables de tiempo. Probabilstico, en el cual el tiempo entre llegadas sucesivas es incierto y variable. Los tiempos entre llegadas probabilsticos se describen mediante una distribucin de probabilidad. Mecanismos de servicio Se llama capacidad del servicio al nmero de clientes que pueden ser servidos simultneamente. Si la capacidad es uno, se dice que hay un solo servidor (o que el sistema es mono canal) y si hay ms de un servidor, multicanal. El tiempo que el servidor necesita para atender la demanda de un cliente (tiempo de servicio) puede ser constante o aleatorio. Disciplina de la cola En sistemas mono canal, el servidor suele seleccionar al cliente de acuerdo con uno de los siguientes criterios (prioridades): El que lleg antes. El que lleg el ltimo. El que menos tiempo de servicio requiere. El que ms requiere. Supuestos El modelo simple de teora de colas que se ha definido, se basa en las siguientes suposiciones: a) Un solo prestador del servicio y una sola fase. b) Distribucin de llegadas de poisson donde l = tasa de promedio de llegadas. c) Tiempo de servicio exponencial en donde m = tasa de promedio del servicio. d) Disciplina de colas de servicio primero a quien llega primero; todas las llegadas esperan en lnea hasta que se les da servicio y existe la posibilidad de una longitud infinita en la cola. 5.2 Terminologa y notacin Lneas de Espera Caractersticas operativas.- Medidas de desempeo para una lnea de espera que incluyen la probabilidad de que no haya unidades en el sistema, la cantidad promedio en la lnea, el tiempo de espera promedio, etc.

55

Operacin de estado estable.- Operacin normal de la lnea de espera despus de que ha pasado por un periodo inicial o transitorio. Las caractersticas operativas de las lneas de espera se calculan para condiciones de estado estable. Tasa media de llegada.- Cantidad promedio de clientes o unidades que llegan en un periodo dado. Tasa media de servicio.- Cantidad promedio de clientes o unidades que puede atender una instalacin de servicio en un periodo dado. Lnea de espera de canales mltiples.- Lnea de espera con dos o ms instalaciones de servicio paralelas. Bloqueado.- Cuando las unidades que llegan no pueden entrar a la lnea de espera debido a que el sistema est lleno. Las unidades bloqueadas pueden ocurrir cuando no se permiten las lneas de espera o cuando las lneas de espera tienen una capacidad finita. Poblacin infinita.- Poblacin de clientes o unidades que pueden buscar servicio, no tiene un lmite superior especificado. Poblacin finita.- Poblacin de clientes o unidades que pueden buscar servicio, tiene un valor fijo y finito. Usualmente siempre es comn utilizar la siguiente terminologa estndar: P0= Probabilidad de que no haya clientes en el sistema. Lq= Nmero de clientes promedio en una lnea de espera L= Nmero de clientes promedio en el sistema (Clientes en cola y clientes que estn siendo atendidos). Wq= Tiempo promedio que un cliente pasa en la lnea de espera. W= Tiempo total promedio que un cliente pasa en el sistema. Pn= Probabilidad de que haya n clientes en el sistema. Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio. Todas estas caractersticas operativas de estado estable se obtienen mediante formulas que dependen del tipo de modelo de lnea de espera que se este manejando. Para calcular stas, se necesitan los siguientes datos: = la cantidad promedio de llegadas por periodo (la tasa media de llegadas)= la cantidad promedio de servicios por periodo (la tasa media deservicio)

56

5.3 Proceso de nacimiento o muerte. La mayor parte de los modelos elementales de colas suponen que las entradas (llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo al proceso de nacimiento y muerte. Este importante proceso de teora de probabilidad tiene aplicaciones en varias reas. Sin embrago en el contexto de la teora de colas, el trmino nacimiento se refiere allegada de un nuevo cliente al sistema de colas y el trmino muerte se refiere ala salida del cliente servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el nmero de clientes que hay en el sistema de colas en el tiempo t. El proceso de nacimiento y muerte describe en trminos probabilsticos cmo cambia N (t) al aumentar t. En general, dice que los nacimientos y muertes individuales ocurren aleatoriamente, en donde sus tasas medias de ocurrencia dependen del estado actual del sistema. De manera ms precisa, las suposiciones del proceso de nacimiento y muerte son las siguientes: SUPOSICIN 1. Dado N (t) = n, la distribucin de probabilidad actual del tiempo que falta para el prximo nacimiento (llegada) es exponencial con parmetro (n=0,1,2,.). SUPOSICIN 2. Dado N (t) = n, la distribucin de probabilidad actual del tiempo que falta para la prxima muerte (terminacin de servicio) es exponencial con parmetro (n=1,2,.). SUPOSICIN 3. La variable aleatoria de la suposicin 1 (el tiempo que falta hasta el prximo nacimiento) y la variable aleatoria de la suposicin 2 (el tiempo que falta hasta la siguiente muerte) son mutuamente independientes. Excepto por algunos casos especiales, el anlisis del proceso de nacimiento y muerte es complicado cuando el sistema se encuentra en condicin transitoria. Se han obtenido algunos resultados sobre esta distribucin de probabilidad de N (t) pero son muy complicados para tener un buen uso prctico. Por otro lado, es bastante directo derivar esta distribucin despus de que el sistema ha alcanzado la condicin de estado estable (encaso de que pueda alcanzarla). Distribucin de llegadas. Definir el proceso de llegada para una lnea de espera implica determinar la distribucin de probabilidad para la cantidad de llegadas en un periodo dado. Para muchas situaciones de lnea de espera, cada llegada ocurre aleatoria e independientemente de otras llegadas y no podemos predecir cuando ocurrir. En tales casos, los analistas cuantitativos has encontrado que la distribucin de probabilidad de Poisson proporciona una buena descripcin del patrn de llegadas. La funcin de probabilidad de Poisson proporciona la probabilidad de x llegadas en un periodo especfico. La funcin de probabilidad es como sigue: 57

P(x)= x e^-/ x!

para x= 0,1,2,

5.4 Modelos Poisson.

a) Los tiempos de llegada. b) Los tiempos de servicio. En los sistemas de colas reales no es posible determinar con exactitud estos dos tiempos, es decir no son determinsticos, los ms comunes son los modelos probabilsticos, donde se dan un promedio de estos tiempos, por lo tanto tenemos que usar una distribucin de probabilidad que se ajuste lo ms cercano a la realidad. Esta distribucin de Poisson es una de las ms importantes distribuciones de variable discreta. Sus principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la consideracin lmite de procesos dicotmicos reiterados un gran nmero de veces si la probabilidad de obtener un xito es muy pequea. Proceso experimental del que se puede hacer derivar Esta distribucin se puede hacer derivar de un proceso experimental de observacin en el que tengamos las siguientes caractersticas * Se observa la realizacin de hechos de cierto tipo durante un cierto periodo de tiempo o a lo largo de un espacio de observacin * Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una manera no determinstica. * La probabilidad de que se produzcan un nmero x de xitos en un intervalo de amplitud t no depende del origen del intervalo (Aunque, s de su amplitud) * La probabilidad de que ocurra un hecho en un intervalo infinitsimo es prcticamente proporcional a la amplitud del intervalo. * La probabilidad de que se produzcan 2 o ms hechos en un intervalo infinitsimo es un infinitsimo de orden superior a dos.

En consecuencia, en un intervalo infinitsimo podrn producirse 0 1 hecho pero nunca ms de uno. * Si en estas circunstancias aleatorizados de forma que la variable aleatoria X signifique o designe el "nmero de hechos que se producen en un intervalo de tiempo o de espacio", la variable X se distribuye con una distribucin de parmetro l. 58

As : El parmetro de la distribucin es, en principio, el factor de proporcionalidad para la probabilidad de un hecho en un intervalo infinitsimo. Se le suele designar como parmetro de intensidad, aunque ms tarde veremos que se corresponde con el nmero medio de hechos que cabe esperar que se produzcan en un intervalo unitario (media de la distribucin); y que tambin coincide con la varianza de la distribucin. Por otro lado es evidente que se trata de un modelo discreto y que el campo de variacin de la variable ser el conjunto de los nmeros naturales, incluidos el cero: Funcin de cuanta A partir de las hiptesis del proceso, se obtiene una ecuacin diferencial de definicin del mismo que puede integrarse con facilidad para obtener la funcin de cuanta de la variable "nmero de hechos que ocurren en un intervalo unitario de tiempo o espacio" Donde: * x - es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento suceda precisamente x veces). * - es un parmetro positivo que representa el nmero de veces que se espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40. * e - es la base de los logaritmos naturales (e = 2,71828 ... Cuya representacin grfica para un modelo de media 11 sera la adjunta. Obsrvense los valores prximos en la media y su forma parecida a la campana de Gauss, en definitiva, a la distribucin normal La funcin de distribucin vendr dada por : 5.4.1 Modelos Poisson Un servidor. Clculos en los modelos de colas (M/M/1):(DG //). Con la notacin del modelo generalizado se tiene que n= n= }, n=0, 1, 2, Tambin, n= y perdido=0, porque todos los clientes que llegan, pueden entrar al sistema. Si P= , la ecuacin de Pn en el modelo generalizado se reduce entonces a

59

Para determinar la P0 se usa la identidad Suponiendo que p < 1, la serie geomtrica tiene la suma finita de , y entonces La frmula general de Pn es entonces de la siguiente distribucin geomtrica: La deduccin matemtica de Pnimpone la condicin que p < 1 o que < . Si >= , la serie geomtrica no converge, y no existirn las probabilidades Pn de estado estable. Este resultado tiene sentido, intuitivamente, porque a menos que la tasa de servicios sea mayor que la frecuencia de llegada, la cola crece en forma indefinida.

5.4.2 Modelos Poisson Multiples servidores. Clculos en los modelos de colas Pn = probabilidad que en el estado estable haya n clientes en el sistema Ls = nmero de clientes que espera halla en el sistema Lq = nmero de clientes que espera halla en la lnea de espera. Ws = Tiempo de espera en el sistema (lnea mas servicio) Wq = Tiempo de espera en la lnea de espera.(M/M/S) S=1 Y S>1(M/M/S) VARIACION DE COLA FINITA S=1 Y S>1(COLA FINITA)(M/M/S) VARIACION DE FUENTE DE ENTRADA FINITA S=1 Y S>1REPARACION DE MAQUINAS (M/M/1)(GD//), (M/M/C)(GD//)

(M/M/1)(GD/N/), (M/M/C)(GD/N/) VARIACION DE COLA FINITA (COLA FINITA)(M/M/R)(GD/K/K) MODELO DE SERV A MAQ. ORIGEN FINITO (M/M/)(GD//) MODELO DE AUTOSERVICIO. FORMULARIO DE ACUERDO AL MODELO: En estos modelos utilizaremos las siguientes literales: = Tasa de llegadas por unidad de tiempo. = Tasa de servicio por unidad de tiempo. = Intensidad de trfico del sistema. 0= Probabilidad que sistema este ocioso. j= Probabilidad que haya j clientes en el sistema 60

L = Cantidad de personas en el sistema. Lq = Cantidad de personas en la cola. Ls = Cantidad de personas en servicio. W = Tiempo promedio que un cliente pasa en el Sistema. Wq = Tiempo promedio que un cliente pasa en la cola. Ws = Tiempo promedio que un cliente pasa en el servidor M/M/1/GD//

En este modelo las llegadas son de forma exponencial, el tiempo de servicio tambin es exponencial, solo hay un servidor, el nmero de clientes que se pueden formar en la cola es infinito, y el tamao de la poblacin tambin es infinito.

M/M/S/GD//

En este modelo las llegadas son de forma exponencial, el tiempo de servicio tambin es exponencial, existen S nmeros de servidores que dan los mismos servicios, el nmero de clientes que se pueden formar en una sola cola es infinito, y el tamao de la poblacin tambin es infinito.

61

M/M/1/GD/C/

En este modelo las llegadas son de forma exponencial, el tiempo de servicio tambin es exponencial, solo hay un servidor, el nmero de clientes que se pueden formar en la cola es C, es decir, despus de cierto tamao en la cola ya no se aceptan clientes, y el tamao de la poblacin es infinito.

62

5.5 Anlisis de costos. Las colas o filas de espera representan un fenmeno habitual de la actividad diaria de cada uno de nosotros. Se hace cola en el correo, en el banco, en la caja del supermercado. Se producen largas filas de vehculos en las rutas y calles congestionadas, o simplemente ante un semforo. Tambin aparecen, aunque no resultan tan visibles, en las comunicaciones telefnicas, en la lista de expedientes a tramitar, en los talleres de reparaciones. Son colas en las que no aparecen personas, pero tambin hay esperas. En las organizaciones, este tipo de problemas se 63

estructura bsicamente como la igualacin de la demanda de un servicio con la provisin de ese mismo servicio.

Nos vamos a referir a las entidades que esperan la provisin del servicio como clientes, Asimismo, un servidor es cualquier persona o dispositivo que brinde el servicio.

Se trata de resolver situaciones referentes a la capacidad que se debe disponer para atender la demanda. Agregar ms servidores, o disminuir el tiempo que se utiliza para brindar el servicio se resuelve mediante el agregado de personal y equipo, pero esto implica mayores costos. Por otra parte, una capacidad limitada produce colas ms largas y disgustos con los clientes. Como todas estas consideraciones deben ser ponderadas al tiempo de tomar decisiones, las consecuencias de cada accin deben ser computadas adecuadamente.

Un lugar donde se forma una fila simple frente a uno o ms servidores se denomina estacin. En casos complejos, un cliente que recibe el servicio en un servidor, se puede trasladar a otra cola en otra estacin.

La estructura de un sistema de colas

El estudio matemtico de estos sistemas es bastante extenso, y se han desarrollado numerosas frmulas que ayudan a estimar las caractersticas de las filas de espera. Estos anlisis se deben basar en un conocimiento preciso de la estructura del sistema y de cmo interactan sus partes. Los componentes que es preciso conocer son los siguientes.

La poblacin de entrada: Tambin llamada Capacidad del Sistema, es el nmero mximo de clientes potenciales, que pueden solicitar el servicio. Si un cliente llega, y el sistema est lleno, por haberse colmado su capacidad, se le negar la entrada. O sea que no recibir servicio. Si el sistema no tiene lmite, se dice que la poblacin es infinita. Como no puede considerarse una poblacin infinita si el nmero de clientes no es muy grande, como en el caso de un taller de reparaciones, en estos casos es preferible ingresar el tamao exacto de la poblacin.

64

El proceso de llegadas: Se tiene que describir matemticamente la manera en que se producen los arribos de los clientes al sistema. Esto puede ser especificado como el tiempo entre llegadas, que es el tiempo que transcurre entre un cliente y otro sucesivo que llegan a demandar el servicio. Esto ser determinstico si se conoce el tiempo exacto que transcurre entre un arribo y otro, o aleatorio, cuya distribucin probabilstica se considera conocida. Si se trata de arribos absolutamente aleatorios, se supone que responden a una distribucin de Poisson.

La lnea de espera: La cola que se forma mientras se espera el servicio puede suponerse infinita cuando puede extenderse tanto como se quiera. Si hay una sala de espera o equivalente, la lnea es finita y depende de la capacidad de esa sala. Se asume que si alguien llega y encuentra la sala llena se retira y no recibir el servicio.

Se recomienda no tomar literalmente los trminos sala de espera, llegadas o lnea de espera. Los clientes pueden ser un conjunto de piezas de una mquina en el suelo, esperando que se arme el conjunto. Obsrvese que en este caso el que llega es el servidor y no el cliente, pero el modelo de colas se puede usar igualmente.

La disciplina del sistema: Es el orden en que se atienden a los clientes. Generalmente se asume que el primero en llegar es el primero en atenderse (FIFO o PEPS).

La cantidad de servidores: Puede ser cualquier nmero entero. Se asume que todos los servidores son idnticos y en paralelo, o sea que el cliente puede ser atendido de la misma manera por cualquiera de ellos.

La distribucin del tiempo de servicio: Depende del tiempo que le tome a un servidor atender a un cliente. Se define de la misma manera que el proceso de llegadas, como determinstico o aleatorio, siguiendo una determinada distribucin de probabilidad. Puede depender del nmero de clientes en el sistema o ser independiente del estado. Generalmente se asume que el servidor atiende completamente a un cliente, aunque podra tratarse de un servicio donde el cliente debe ser atendido por una secuencia de servidores.

65

LINKOGRAFIA: http://es.scribd.com/guiilermoc/d/78892096/12-SISTEMAS-DE-ADMINISTRACION-YCONTROL http://investoperaciones-jairot.blogspot.mx/2011/02/lote-economico-de-produccionepq.html

http://es.scribd.com/doc/61178886/4/DEFINICIONES-CARACTERISTICAS-YSUPOSICIONES http://es.scribd.com/guiilermoc/d/78892096/16-Modelos-Poisson http://www.arquimedex.com/index.php?accion=1&id=79 http://www.arquimedex.com/index.php?accion=1&id=73 http://es.scribd.com/doc/4391448/Investigacion-de-Operaciones-Transporte-yTransbordo http://es.scribd.com/doc/56203531/Investigacion-de-Operaciones http://cheliiguerra.wordpress.com/problema-de-la-ruta-mas-corta-2/ http://karenbandala.wordpress.com/unidad-iii/3-2-optimizacion-clasica-programacion-nolineal/

66