INSTITUTO TECNOLÓGICO DE ACAPULCO

MATERIA: investigación de operaciones

MAESTRO: Juan Manuel Rodríguez Vázquez

HORA: 12 – 1 pm

SALON: 701

ALUMNO: Magno Santana Alejandro

FECHA: 05 DE JUNIO DEL 2012

1

ÍNDICE

Unidad 1 Programación Lineal 1.1 Definición desarrollo y tipos de modelos de investigación de operaciones.--------------------------------------------- 3 1.2 Formulación de modelos.--------------------------------------------------------------------------------------------------------------------- 7 1.3 Método grafico.---------------------------------------------------------------------------------------------------------------------------------- 7 1.4 Fundamentos del método simplex.-------------------------------------------------------------------------------------------------------- 8 1.5 Aplicaciones diversas de programación lineal.--------------------------------------------------------------------------------------- 11 Unidad 2 Análisis de Redes 2.1 Conceptos Básicos. ------------------------------------------------------------------------------------------------------------------------ 12 2.2 Problema de transporte.--------------------------------------------------------------------------------------------------------------------- 16 2.3 Problema de asignación.-------------------------------------------------------------------------------------------------------------------- 18 2.4 Problema de la ruta más corta ----------------------------------------------------------------------------------------------------------- 23 Unidad 3 Programación no lineal. 3.1 Conceptos básicos de problemas de programación no lineal. ------------------------------------------------------------ 24 3.2 Ilustración grafica de problemas de programación no lineal. -------------------------------------------------------------- 30 3.3 Tipos de problemas de programación no lineal. -------------------------------------------------------------------------------- 36 3.4 Optimización clásica ---------------------------------------------------------------------------------------------------------------------- 37 3.4.1 Puntos de inflexión --------------------------------------------------------------------------------------------------------------------- 38 3.4.2 Máximos y mínimos -------------------------------------------------------------------------------------------------------------------- 39 Unidad 4 Teoría de inventarios. 4.1 Sistemas de administración y control. ------------------------------------------------------------------------------------------------ 43 4.2 Modelos determinísticos. ----------------------------------------------------------------------------------------------------------------- 44 4.2.1 Lotes económicos sin déficit. --------------------------------------------------------------------------------------------------------- 49 4.2.2 Lotes económicos con déficit. ------------------------------------------------------------------------------------------------------- 52 4.3 Lote económico de producción. -------------------------------------------------------------------------------------------------------- 54 Unidad 5 Líneas de Espera 5.1 Definiciones características y suposiciones Líneas de Espera ---------------------------------------------------------- 54 5.2 Terminología y notación Líneas de Espera . ------------------------------------------------------------------------------------ 55 5.3 Proceso de nacimiento o muerte. ---------------------------------------------------------------------------------------------------- 57 5.4 Modelos Poisson. ------------------------------------------------------------------------------------------------------------------------- 58

2

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

Unidad 1 Programación Lineal
1.1 Definición desarrollo y tipos de modelos de investigación de operaciones.

INTRODUCCION Los cambios revolucionarios originaron gran aumento en la división de trabajo y la separación de las responsabilidades administrativas en las organizaciones. Sin embargo esta revolución 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 autónomos, 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 Investigación de Operaciones. La Investigación de Operaciones aspira determinar la mejor solución (optima) para un problema de decisión con la restricción de recursos limitados. En la Investigación de Operaciones utilizaremos herramientas que nos permiten tomar una decisión a la hora de resolver un problema tal es el caso de los modelos e Investigación de Operaciones que se emplean según sea la necesidad. Para llevar a cabo el estudio de Investigación de Operaciones es necesario cumplir con una serie de etapas o fases. Las principales etapas o fases de las que hablamos son las siguientes: • • • • • Definición del problema. Construcción del modelo. Solución del modelo. Validación del modelo. Implantación de los resultados finales.

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

un llamado a un gran número de científicos para que aplicaran el método científico a los problemas estratégicos y tácticos, a dichos científicos se les pidió que hicieran investigaciones sobre las operaciones militares. Todo el esfuerzo de este equipo de científicos (que fueron el primer equipo de Investigación de Operaciones) lograron el triunfo de muchas batallas. Luego de terminar la guerra, el éxito de la Investigación de Operaciones en las actividades bélicas generó un gran interés en sus aplicaciones fuera del campo militar. Desde la década de 1950, se había introducido el uso de la Investigación de Operaciones en la industria, los negocios y el gobierno, desde entonces, esta disciplina se ha desarrollado con rapidez. Un factor importante de la implantación de la Investigación de Operaciones en este periodo es el mejoramiento de las técnicas disponibles en esta área. Muchos de los científicos que participaron en la guerra, se encontraron a buscar resultados sustanciales en este campo; un ejemplo sobresaliente es el método Simplex para resolución de problemas de Programación Lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas utilizadas en la Investigación de Operaciones como la Programación Lineal, la Programación Dinámica, Líneas de Espera y Teoría de Inventarios fueron desarrollados al final de los años 50. En la década de los 80 con la invención de computadoras personales cada vez más rápidas y acompañadas de buenos paquetes de Software para resolver problemas de Investigación de Operaciones esto puso la técnica al alcance de muchas personas. Hoy en día se usa toda una gama de computadoras, desde las computadoras de grandes escalas como las computadoras personales para la Investigación de Operaciones. Definición y Significado de Investigación de Operaciones. La Investigación de Operaciones aspira a determinar el mejor curso de acción, o curso óptimo, de un problema de decisión con la restricción de recursos limitados. Como técnica para la resolución de problemas, investigación de operaciones debe visualizarse como una ciencia y como un arte. Como Ciencia radica en ofrecer técnicas y algoritmos matemáticos para resolver problemas de decisión adecuada. Como Arte debido al éxito que se alcanza en todas las fases anteriores y posteriores a la solución de un modelo matemático, depende de la forma apreciable de la creatividad y la habilidad personal de los analistas encargados de tomar las decisiones. La Investigación de Operaciones en la Ingeniería de Sistemas se emplea principalmente en los aspectos de coordinación de operaciones y actividades de la organización o sistema que se analice, mediante el empleo de modelos que describan las

4

interacciones entre los componentes del sistema y de éste con este con su medio ambiente En la Investigación de Operaciones la parte de ―Investigación‖ se refiere a que aquí se usa un enfoque similar a la manera en la que se lleva a cabo la investigación en los campos científicos establecidos. La parte de ―Operaciones‖ es por que en ella se resuelven problemas que se refieren a la conducción de operaciones dentro de una organización. Características de la Investigación de Operaciones. La Investigación de Operaciones usa el método científico para investigar el problema en cuestión. En particular, el proceso comienza por la observación cuidadosa y la formulación del problema incluyendo la recolección de datos pertinentes. La Investigación de Operaciones adopta un punto de vista organizacional. De esta manera intenta resolver los conflictos de interés entre los componentes de la organización de forma que el resultado sea el mejor para la organización completa. La Investigación de Operaciones intenta encontrar una mejor solución (llamada solución optima), para el problema bajo consideración. En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de acción posible.

En la Investigación de Operaciones es necesario emplear el enfoque de equipo. Este equipo debe incluir personal con antecedentes firmes en matemáticas, estadísticas y teoría de probabilidades, economía, administración de empresas ciencias de la computación, ingeniería, etc. El equipo también necesita tener la experiencia y las habilidades para permitir la consideración adecuada de todas las ramificaciones del problema. La Investigación de Operaciones ha desarrollado una serie de técnicas y modelos muy útiles a la Ingeniería de Sistemas. Entre ellos tenemos: la Programación No Lineal, Teoría de Colas, Programación Entera, Programación Dinámica, entre otras. La Investigación de Operaciones tiende a representar el problema cuantitativamente para poder analizarlo y evaluar un criterio común. Definición de Modelos. Un modelo de decisión debe considerarse como un vehículo para resumir un problema de decisión en forma tal que haga posible la identificación y evaluación sistemática de todas las alternativas de decisión del problema. Después se llega a una decisión seleccionando la alternativa que se juzgue sea la mejor entre todas las opciones disponibles. Un modelo es una abstracción selectiva de la realidad.

5

El modelo se define como una función objetivo y restricciones que se expresan en términos de las variables (alternativas) de decisión del problema. Una solución a un modelo, no obstante, de ser exacta, no será útil a menos que el modelo mismo ofrezca una representación adecuada de la situación de decisión verdadera. El modelo de decisión debe contener tres elementos: • • • • Alternativas de decisión, de las cuales se hace una selección. Restricciones, para excluir alternativas infactibles. Criterios para evaluar y clasificar alternativas factibles. Tipos de Modelos de Investigación de Operaciones.

(a) Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemática como funciones de las variables de decisión. (b) Modelo de Simulación: Los modelos de simulación difieren de los matemáticos en que las relación entre la entrada y la salida no se indican en forma explícita. En cambio, un modelo de simulación divide el sistema representado en módulos básicos o elementales que después se enlazan entre si vía relaciones lógicas bien definidas. Por lo tanto, las operaciones de cálculos pasaran de un módulo a otro hasta que se obtenga un resultado de salida. Los modelos de simulación cuando se comparan con modelos matemáticos; ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad no esta libre de inconvenientes. La elaboración de este modelo suele ser costoso en tiempo y recursos. Por otra parte, los modelos matemáticos óptimos suelen poder manejarse en términos de cálculos. Modelos de Investigación de Operaciones de la ciencia de la administración: Los científicos de la administración trabajan con modelos cuantitativos de decisiones. Modelos Formales: Se usan para resolver problemas cuantitativos de decisión en el mundo real. Algunos modelos en la ciencia de la administración son llamados modelos determinísticos. Esto significa que todos los datos relevantes (es decir, los datos que los modelos utilizarán o evaluarán) se dan por conocidos. En los modelos probabilísticos (o estocásticos), alguno de los datos importantes se consideran inciertos, aunque debe especificarse la probabilidad de tales datos. Definición del problema y recolección 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 área bajo estudio con otras áreas de la organización, los diferentes cursos de acción posibles, los límites de tiempo para tomar una decisión, etc. Este proceso de definir el problema es crucial ya que afectará en forma significativa la relevancia de las conclusiones del estudio. Determinar los objetivos apropiados viene a ser un aspecto muy importante en la formulación del problema. Para hacerlo, es necesario primero identificar a la persona o personas de la administración que de hecho tomarán las decisiones concernientes al sistema bajo estudio, y después escudriñar 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 común que los equipos de Investigación 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 matemático que se formulará en la siguiente etapa del estudio. Tomará un tiempo considerable al equipo de Investigación de Operaciones recabar la ayuda de otros de otros individuos clave de la organización para recolectar todos los datos importantes. Muchas veces, el equipo de Investigación de Operaciones pasará mucho tiempo intentando mejorar la precisión de los datos y al final tendrá que trabajar con lo que pudo obtener. 1.2 Formulación de modelos.

Propiedades y características de la programación lineal La programación lineal utiliza un modelo matemático para descubrir el problema. El adjetivo lineal significa que todas las funciones matemáticas del modelo deben ser funciones lineales. En este caso, la palabra programación no se refiere a programación en computadoras; en esencia es un sinónimo de planeación. Asi, la programación lineal trata de planeación de las actividades para obtener un resultado optimo, esto es, el resultado que mejor alcance la meta especificada (según el modelo matemático) entre todas alternativas de solución. Aunque la asignación de recursos a las actividades es la aplicación mas frecuente la programación lineal tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemático se ajuste al formato general del modelo de programación lineal es un problema de programación lineal. Aun mas, se dispone de un procedimiento de solución extraordinariamente eficiente llamado método simple, para resolver estos problemas incluso los de gran tamaño. 1.3 Método grafico.

El método gráfico se utiliza para la solución de problemas de PL, representando geométricamente a las restricciones, condiciones técnicas y el objetivo. 7

El modelo se puede resolver en forma gráfica si sólo tiene dos variables. Para modelos con tres o más variables, el método gráfico es impráctico o imposible. Cuando los ejes son relacionados con las variables del problema, el método es llamado método gráfico en actividad. Cuando se relacionan las restricciones tecnológicas se denomina método gráfico en recursos. Los pasos necesarios para realizar el método son nueve: 1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultánea. 2. Las restricciones de no negatividad Xi>= 0 confían todos los valores posibles. 3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer término <= por (=) para cada restricción, con lo cual se produce la ecuación de una línea recta. 4. trazar cada línea recta en el plano y la región en cual se encuentra cada restricción cuando se considera la desigualdad lo indica la dirección de la flecha situada sobre la línea 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 número infinito de puntos factibles en el espacio de soluciones, la solución óptima puede determinarse al observar la dirección en la cual aumenta la función objetivo. 7. Las líneas paralelas que representan la función objetivo se trazan mediante la asignación de valores arbitrarios a fin de determinar la pendiente y la dirección en la cual crece o decrece el valor de la función objetivo. 1.4 Fundamentos del método simplex. La mayoría de los problemas reales de programación lineal tienen mas de dos variables y son por ende demasiado grandes para su solución grafica. Un procedimiento llamado método simplex desarrollado en 1947 por el norteamericano George B. Dantzia puede ser utilizado para encontrar la solución óptica de los problemas con multivariables. El Método Simplex es en realidad un algoritmo ( ó un conjunto de instrucciones) con el que se examinan los puntos vértices (esquinas) de una manera metódica hasta conseguir la mejor solución: la máxima utilidad ó el mínimo costo, por ejemplo.

TIPOS DE SOLUCIÓN:

8

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

Solución Optima: Es una solución factible que optimiza la función objetivo ―z‖.

Solución Básica: En un sistema de ecuaciones con n variables (n , m). Una solución es aquella se obtiene de fijar (n , m) variables del sistema iguales a cero y resolver el sistema en función de las ―m‖ restantes, a estas variables se les llaman Variables Básicas.

Solución Básica Factible: Es aquella solución básica en que todas las variables básicas son no-negativo. PREPARANDO EL MODELO PARA ADAPTARLO AL MÉTODO SIMPLEX Esta es la forma estándar del modelo: Función objetivo: Sujeto a: c1•x1 + c2•x2 + ... + cn•xn

a11•x1 + a12•x2 + ... + a1n•xn = b1

a21•x1 + a22•x2 + ... + a2n•xn = b2 ... am1•x1 + am2•x2 + ... + amn•xn = 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 maximización o de minimización. 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 programación lineal.

La programación lineal constituye un importante campo de la optimización por varias razones, muchos problemas prácticos de la investigación de operaciones pueden plantearse como problemas de programación lineal. Algunos casos especiales de 9

programación lineal, tales como los problemas de flujo de redes y problemas de flujo de mercancías se consideraron en el desarrollo de las matemáticas lo suficientemente importantes como para generar por si mismos mucha investigación sobre algoritmos especializados en su solución. Una serie de algoritmos diseñados para resolver otros tipos de problemas de optimización constituyen casos particulares de la más amplia técnica de la programación lineal. Históricamente, las ideas de programación lineal han inspirado muchos de los conceptos centrales de la teoría de optimización tales como la dualidad, la descomposición y la importancia de la convexidad y sus generalizaciones. Del mismo modo, la programación lineal es muy usada en la microeconomía y la administración de empresas, ya sea para aumentar al máximo los ingresos o reducir al mínimo los costos de un sistema de producción. Algunos ejemplos son la mezcla de alimentos, la gestión de inventarios, la cartera y la gestión de las finanzas, la asignación de recursos humanos y recursos de máquinas, la planificación de campañas de publicidad, etc. Otros son: Optimización de la combinación de cifras comerciales en una red lineal de distribución de agua. Aprovechamiento óptimo de los recursos de una cuenca hidrográfica, para un año con afluencias caracterizadas por corresponder a una determinada frecuencia. Soporte para toma de decisión en tiempo real, para operación de un sistema de obras hidráulicas; Solución de problemas de transporte.

10

UNIDAD 2: ANÁLISIS DE REDES. El estudio de las propiedades estructurales y su optimización así como su dinámica son objeto del análisis de redes. El análisis de redes es el área encargada de analizar las redes mediante la teoría de redes (conocida más genéricamente como teoría de grafos). Las redes pueden ser de diversos tipos: social, transporte, eléctrica, biológica, internet, información, epidemiología, etc. Los estudios realizados sobre las redes abarcan sus estructuras tales como en las redes de mundo pequeño, las redes libres de escala, los círculos sociales, medidas de centralidad. Puede ser objeto de estudio la optimización como en el caso de método de la ruta crítica, el PERT (del inglés Program Evaluation & Review Technique). Así como la dinámica de las redes como pede ser el estudio de sistema dinámico secuencial (SDS del inglés Sequential Dynamical System), o de propiedades como la asignación dinámica de flujos. 2.1.- CONCEPTOS BÁSICOS. El análisis de redes es el área encargada de analizar las redes mediante la teoría de redes (conocida más genéricamente como teoría de grafos). Las redes pueden ser de diversos tipos:
      

Social Transporte Eléctrica Biológica Internet Información Epidemiología

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. Terminología de Redes * Flujo: Corresponde a la cantidad que debe transportarse desde un nodo i a un nodo j a través de un arco que los conecta. La siguiente notación es usada: Xij= cantidad de flujo Uij= cota mínima de flujo que se debe transportar Lij= cota maxíma de flujo que se puede transportar. * Arcos dirigidos /no dirigidos: Cuando el flujo puede transportarse en una sola dirección se tiene un arco dirigido (la flecha indica la dirección). 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/Conexión entre nodos *Ruta: Una colección de arcos formados por una serie de nodos adyacentes; los nodos están 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. * Árbol : Una serie de nodos que no contienen ciclos. *Árbol expandido: Es un árbol 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 programación 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 Gráficamente:

12

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

¿Qué cantidad del producto sedebe enviar desde cada fábrica a cada distribuidor para minimizar los costos del transporte? NOTA: La ―X‖ significa que desde la fábrica 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 fábrica 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

Solución Básica Factible Como cada variable figura dos (2) veces en el sistema de ecuaciones, entonces tiene m+n-1grados de libertad y el número de variables básicas debe ser igual al número de grados de libertad del sistema. Lo anterior nos asegura una solución básica factible no degenerada. NÚMERO DE VARIABLES BÁSICAS = m + n – 1Método de la esquina noroeste Características. Sencillo y fácil de hacer. No tiene en cuenta los costos para hacer las asignaciones. Generalmente nos deja lejos del óptimo. 14

Algoritmo 1. Construya una tabla de ofertas (disponibilidades) y demandas (requerimientos).2. Empiece por la esquina noroeste.3. Asigne lo máximo 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 óColumnas) en donde la oferta ó la demanda halla quedado satisfecha.5. Muévase a la derecha o hacia abajo, según 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 ASIGNACIÓN El Problema de la Asignación es un problema clásico de la Investigación 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 sólo un recurso, pueden sobrar recursos o podrían 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 operación en cuatro máquinas el modelo nos diría como asignar los tres operarios a tres máquinas (nos sobraría una) de manera que se minimice el tiempo total, pero no nos diría como asignar dos operarios a dos máquinas y el otro operario a las otras dos máquinas... si el Problema en la Vida Real se puede simplificar de esa manera, o de hecho es requerido que sea así (un recurso para una tarea), pues como se dice aquí: "santo y bueno", pero sino será necesario modelarlo como un Programa Lineal y resolverlo con el Simplex. Ejemplos de Asignaciones: Operarios a Tareas, Máquinas a Operarios, Nadadores a Estilos, Novias a días de la semana, etc, etc, etc. El Problema de la Asignación se basa en una información comparativa para tomar la decisión de que asignar a que, por ejemplo una matriz de costos, una matriz de tiempos, de ingresos, etc. Cuando la matriz no está balanceada, es decir, cuando no es cuadrada, cuando sobran filas o columnas, se debe balancear para que tenga solución mediante la inclusión de filas o columnas ficticias, con valores de cero en dicha matriz. Ejemplo: Existen cuatro operarios que se pueden asignar al trabajo con tres máquinas. Un estudio de tiempos y movimientos ha arrojado los siguientes tiempos por operario para las tres máquinas. Indicar que operario debe trabajar en que máquina y cuál de ellos no será asignado a ninguna.

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

16

Xij = Se debe asignar el operario i a la máquina j? Sí o no? En matemáticas existen dos números cuyas propiedades hacen que puedan representar estas respuestas son el 1 y el 0, debido a que todo número multiplicado por 1 da el mismo número entonces el 1 se puede reemplazar por la respuesta Sí y como todo número multiplicado por cero da cero entonces se puede reemplazar por la respuesta No. Así por ejemplo: 10X11 + 7X12 + 9X13 + 0X14 representa el tiempo sumado que emplearía el operario1 en operar las máquinas, pero solo una variable de las tres anteriores puede tomar el valor de Sí, o sea de 1 las demás tendrán que tomar el valor de 0, y eso es debido a que el operario 1 sólo puede ser asignado a una máquina, lo que significaría 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 función objetivo: Min Z 10X11 + 7X21 + 9X31 + 8X41 + 9X42 + Restricciones: Como cada operario sólo puede estar asignado a una máquina.... 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 máquina 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 Máquina Ficticia (es decir, es el que sobra), el operario 2 se asigna a la máquina 2, el operario 3 se asigna a la máquina 1 y el operario 4 se asigna a la máquina 3. 2.4.- PROBLEMA DE LA RUTA MAS CORTA Un algoritmo clásico de Investigación de Operaciones es el de La Ruta más 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 mínima. Existen dos tipos principales de algoritmos: Cíclicos y Acíclicos. Los algoritmos Acíclicos son usados en redes que no tienen ciclos, es decir que no tienen rutas que partiendo de un nodo lo lleven a él mismo de nuevo. Los ciclos son también llamados "lazos". Los algoritmos cíclicos son para las redes que tienen ciclos o lazos... o en español 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, ahí hay un lazo o un ciclo. Las flechas indican en que sentido esta permitido el movimiento. Algoritmo Acíclico: 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 definición la distancia es cero (la distancia a sí mismo), y el nodo precedente es vacío (ninguno): [0 , ] . Después para cada nodo, se analiza los nodos que lo preceden por las flechas, se escoge aquel cuya distancia al nodo inicial más la distancia al nodo presente sea mínima. 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 (también llamadas Arcos) indican las trayectorias permitidas y sobre ellas están las distancias (pero también puede representar el costo de desplazamiento, o el nivel de riesgo, o un producto de ambos). Encontremos la distancia más corta entre el nodo "A" y el nodo "G". 1. Rotular el Nodo Inicial : Recordemos el formato del rótulo es : [distancia al primer nodo, nodo precedente]. La distancia al primer nodo, es la distancia a sí mismo en éste caso, por lo tanto es cero. El nodo precedente: como no viene de ningún 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 sólo se puede llegar directamente desde el Nodo A. Este es el nodo que vamos a rotular, y si hubieran más como él también los rotulariamos, pero en este ejemplo sólo tenemos el D. El rótulo del Nodo D, es : [distancia mínima desde el Nodo Inicial, Nodo Precedente]. La distancia mínima desde el Nodo Inicial al Nodo D es 15: pos no hay otra alternativa, che! y el Nodo Precedente el "A". Rótulo: [15, "A"] 19

3. Rotular Todos los Nodos que tengan la información suficiente para rotularlos: La información 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 aún no. Así que aún no se puede rotular el Nodo B. El Nodo C depende del A y del D, y ambos estan rotulados, así que si podemos rotularlo. La distancia desde A es 8, y desde D es: la distancia que tiene en el rótulo (que es la distancia mínima desde él al Nodo inicial, o sea 15), MAS la distancia entre D y C = 15 +4 = 19: entre 8 y 19 es más pequeño 8. Así que escogemos el Nodo A como precedente: el rótulo es [ 8 , "A"]

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

20

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

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

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

Ahora se puede leer la trayectoria mínima partiendo del rótulo 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. Solución: Distancia Mínima= 15 Ruta Más Corta = A-C-F-G

22

UNIDAD 3 PROGRAMACIÓN NO LINEAL.

3.1.- CONCEPTOS BÁSICOS DE PROGRAMACIÓN NO LINEAL Un modelo de Programación Lineal (PNL) es aquel donde las variables de decisión se expresan como funciones no lineales ya sea en la función objetivo y/o restricciones de un modelo de optimización. Esta característica particular de los modelos no lineales permite abordar problemas donde existen economías o deseconomías de escala o en general donde los supuestos asociados a la proporcionalidad no se cumplen. Formulación Matemática Del Problema: El problema de programación no lineal puede enunciarse de una forma muy simple:

Métodos De Resolución Del Problema: Si la función objetivo f es lineal y el espacio restringido es un politopo, el problema es de Programación lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de programación lineal. Si la función objetivo es concava (problema de maximización), o convexa (problema de minimización) y el conjunto de restricciones es convexo, entonces se puede utilizar el método general de Optimización convexa Existe una variedad de métodos para resolver problemas no convexos. Uno de ellos consiste en utilizar formulaciones especiales de problemas de programación lineal. Otro método implica el uso de técnicas de Ramificación y poda, cuando el problema se divide en subdivisiones a resolver mediante aproximaciones que forman un límite inferior del coste total en cada subdivisión. Mediante subdivisiones sucesivas, se obtendrá una solución cuyo coste es igual o inferior que el mejor limite inferior obtenido por alguna de las soluciones aproximadas. Esta solución es óptima, aunque posiblemente no sea única. El algoritmo puede ser parado antes, con la garantía de que la mejor solución será mejor que la solución encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas

23

importantes y especialmente difíciles 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 solución sea óptima. Planteamiento de problemas de Programación no lineal y optimización Una suposición importante de programación lineal es que todas sus funciones (Función objetivo y funciones de restricción) son lineales. Aunque, en esencia, esta suposición se cumple para muchos problemas prácticos, es frecuente que no sea así. De hecho, muchos economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepción, en los problemas de planeación económica, por lo cual, muchas veces es necesario manejar problemas de programación no lineal. De una manera general, el problema de programación no lineal consiste en encontrar x=(x1,x2,…,xn)para maximizar ƒ(x), sujeta a:

No se dispone de un algoritmo que resuelva todos los problemas específicos 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 investigación sigue muy activa. 3.2 ILUSTRACIÓN GRAFICA DE PROBLEMAS DE PROGRAMACIÓN NO LINEAL. La figura 13.5 muestra lo que ocurre con este problema si los únicos cambios que se hacen al modelo de la sección 3.1 son que la segunda y tercera restricciones funcionales se sustituyen por la restricción no lineal 9x{ + 5x2 < 216. Compare las figuras 13.5 y 3.3. La solución óptima sigue siendo (a^ , x2) = (2,6). Todavía se encuentra sobre la frontera de la región factible, pero no es una solución factible en un vértice (FEV). La solución óptima pudo haber sido una solución FEV con una función objetivo diferente (verifique Z = 3xx + x2), pero que no necesite serlo significa que ya no se puede aprovechar la gran simplificación utilizada en programación lineal que permite limitar la búsqueda de una solución óptima para las soluciones FEV Ahora suponga que las restricciones lineales de la sección 3.1 se conservan sin cambio, pero que la función objetivo se hace no lineal. Por ejemplo, si

24

entonces la representación gráfica en la figura 13.6 indica que la solución óptima es xx – x2 = 5, que de nuevo se encuentra en la frontera de la región factible. (El valor óptimo de Z es Z = 857; así, la figura 13.6 muestra el hecho de que el lugar geométrico de todos los puntos para los que Z = 857 tiene en común con la región factible sólo este punto, mientras que el lugar geométrico de los puntos con Z más grande no toca la región factible en ningún punto.) Por otro lado, si

25

entonces la figura 13.7 ilustra que la solución óptima es (*l5 x2 ) = (3,3), que se encuentra dentro de la frontera de la región factible. (Se puede comprobar que esta solución es óptima si se usa cálculo para derivarla como un máximo global no restringido; como también satisface las restricciones, debe ser óptima 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 región factible, y no sólo aquellas que están sobre la frontera. Otra complicación que surge en programación no lineal es que un máximo local no necesariamente es un máximogbbal (la solución óptima global). Por ejemplo, considere la función de una sola variable graficada en la figura 13.8. En el intervalo 0 < x < 5, esta función tiene tres máximos locales — x=0,x=2,x=4—pero sólo uno de éstos—x – 4—es un máximo global. (De igual manera, existen mínimos locales en x = 1,3 y 5, pero sólo x = 5 es un mínimo global.) En general, los algoritmos de programación no lineal no pueden distinguir entre un máximo local y un máximo global (excepto si encuentran otro máximo local mejor), por lo que es determinante conocer las condiciones bajo las que se garantiza que un máximo local es un máximo global en la región factible. Recuerde que en cálculo, 26

cuando se maximiza una función ordinaria (doblemente diferenciable) de una sola variable f(x) sin restricciones, esta garantía está dada cuando

Una función de este tipo cuya curvatura siempre es ―hacia abajo‖ (o que no tiene curvatura) se llama función cóncava.1 De igual manera, si se sustituye < por >, de manera que la función tiene siempre una curvatura ―hacia arriba‖ (o no tiene curvatura), se llama función convexa.2 (Así, una función lineal es tanto cóncava como convexa.) En la figura 13.9 se pueden ver ejemplos de esto. Note que la figura 13.8 ilustra una función que no es cóncava, ni convexa pues alterna sus curvaturas hacia arriba y hacia abajo. Las funciones de variables múltiples también se pueden caracterizar como cóncavas o convexas si su curvatura es siempre hacia abajo o hacia arriba. Estas definiciones intuitivas se fundamentan en términos precisos que, junto con cierta profundización en los conceptos, se presentan en el apéndice 2. El apéndice 2 proporciona una prueba conveniente para verificar si una función de dos variables es cóncava, convexa o ninguna de las dos. La siguiente es una forma conveniente de verificar esto para una función de más de dos variables cuando la función consiste en una suma de funciones más pequeñas cada una de sólo

27

una o dos variables. Si cada función más pequeña es cóncava, entonces la función completa es cóncava. De manera similar, la función completa es convexa si cada función más pequeña es convexa.

que es la suma de las dos funciones más pequeñas dadas en los paréntesis cuadrados. La primera función más pequeña 4*! - x\es una función de la variable xx nada más, por lo que puede verse que es cóncava si se observa que su segunda derivada es negativa. La segunda función más pequeña -(x2 – x¿ )2 es una fimción de x2 y por lo que se puede aplicar la prueba para funciones de dos variables dada en el apéndice 2. De hecho, este apéndice usa esta función en particular para ilustrar la prueba y encuentra que la función es cóncava. Como las dos funciones más pequeñas son cóncavas, la función completa f (jVj ,x2,x3) debe ser cóncava. Si un problema de programación no lineal no tiene restricciones, el hecho de que la función objetivo sea cóncava garantiza que un máximo local es un máximoglobal. (De igual manera, una función objetivo convexa asegura que un mínimo local es un mínimo global.) Si existen restricciones, entonces se necesita una condición más para dar esta garantía, a saber, que la región factible sea un conjunto convexo. Como se analiza en el apéndice 2, un conjunto convexo es sencillamente un conjunto de puntos tales que, para cada par de puntos de la colección, el segmento de recta que los une está totalmente contenido en la colección. Así, la región 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 región factible para cualquier otro

28

problema de programación lineal es un conjunto convexo. De igual manera, la región factible de la figura 13.5 también es un conjunto convexo. En general la región factible para un problema de programación 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 función lineal es automáticamente cóncava y convexa) y g2 (x) = 9x\ + 5x\ (tanto 9x\ como 5x2 son funciones convexas, por lo que su suma es una función convexa). Estas dos funciones convexas g¡ (x) conducen a que la región factible de la figura 13.5 sea un conjunto convexo. Ahora se analizará qué pasa cuando sólo una de estas funciones g¡ (x) es una función cóncava. En particular, suponga que el único cambio que se hace al ejemplo de la figura 13.5 es

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

Entonces, para garantizar que un máximo local sea un máximo global para un problema de programación no lineal con restricciones(x) < b¡ (i = 1,2,…, m) y x > 0, la función objetivo /(x) debe ser cóncava y cada gí (x) debe ser convexa. Un problema de este tipo se llama problema de programación convexa y es una de las clases más importantes de la programación no lineal que se estudiará en la siguiente sección. 3.3.- TIPOS DE PROBLEMAS DE PROGRAMACIÓN NO LINEAL Los problemas de programación no lineal se presentan de muchas formas distintas. Al contrario del método símplex para programación 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 programación no lineal. Se introducirán las clases más importantes y después se describirá cómo se pueden resolver algunos de estos problemas. Si la función objetivo f es lineal y el espacio restringido es un politopo, el problema es de Programación lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de programación lineal. Si la función objetivo es cóncava (problema de maximización), o convexa (problema de minimización) y el conjunto de restricciones es convexo, entonces se puede utilizar el método general de Optimización convexa Existe una variedad de métodos para resolver problemas no convexos. Uno de ellos consiste en utilizar formulaciones especiales de problemas de programación lineal. Otro método implica el uso de técnicas de Ramificación y poda, cuando el problema se divide en subdivisiones a resolver mediante aproximaciones que forman un límite inferior del coste total en cada subdivisión. Mediante subdivisiones sucesivas, se obtendrá una solución cuyo coste es igual o inferior que el mejor límite inferior obtenido por alguna de las soluciones aproximadas. Esta solución es óptima, aunque posiblemente no sea única. El algoritmo puede ser parado antes, con la garantía de que la mejor solución será mejor que la solución encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas importantes y especialmente difíciles 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 solución sea óptima. Los tipos de problemas de programación no lineal son: 1. 2. 3. 4. 5. Optimización no restringida. Optimización linealmente restringida. Programación cuadrática Programación convexa. Programación separable. 30

6. 7. 8. 9.

Programación no convexa. Programación geométrica. Programación fraccional. Problema de complementariedad.

OPTIMIZACIÓN NO RESTRINGIDA

Los problemas de optimización no restringida no tienen restricciones, por lo que la función objetivo es sencillamente Maximizar f(x) sobre todos los valores x= (x1, x2,…,xn). Según el repaso del apéndice 3, la condición necesaria para que una solución específica x = x* sea óptima cuando f(x) es una función diferenciable es

Cuando f (x) es cóncava, esta condición también es suficiente, con lo que la obtención 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 también, en cuyo caso es poco probable que se pueda obtener una solución analítica simultánea. ¿Qué se puede hacer en ese caso? Las secciones 13.4 y 13.5 describen procedimientos algorítmicos de búsqueda para encontrar x* primero para n = 1 y luego para n > 1. Estos procedimientos también tienen un papel importante en la solución de varios tipos de problemas con restricciones, que se describirán en seguida. La razón es que muchos algoritmos para problemasrestringidos están construidos de forma que se adaptan a versiones no restringidas del problema en una parte de cada iteración. Cuando una variable Xj tiene una restricción de no negatividad, x- > 0, la condición necesaria (y tal vez) suficiente anterior cambia ligeramente a

para cada j de este tipo. Esta condición se ilustra en la figura 13.11, donde la solución óptima de un problema con una sola variable es x = 0 aun cuando la derivada ahí es negativa y no cero. Como este ejemplo tiene una función cóncava para maximizar sujeta a una restricción de no negatividad, el que su derivada sea menor o igual a 0 en # = 0, es una condición necesaria y suficiente para que x= 0 sea óptima.

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. OPTIMIZACIÓN LINEALMENTE RESTRINGIDA

Los problemas de optimización linealmente restringida se caracterizan por restricciones que se ajustan por completo a la programación lineal, de manera que todas las funciones de restricción g¡ (x) son lineales, pero la función objetivo es no lineal. El problema se simplifica mucho si sólo se tiene que tomar en cuenta una función no lineal junto con una región factible de programación lineal. Se han desarrollado varios algoritmos especiales basados en una extensión del método símplex para analizar la función objetivo no lineal. Un caso especial importante descrito a continuación es la programación cuadrática. PROGRAMACIÓN CUADRÁTICA

De nuevo los problemas de programación cuadrática tienen restricciones lineales, pero ahora la función objetivo /(x) debe sercuadrática. Entonces, la única diferencia entre éstos y un

32

problema de programación lineal es que algunos términos de la función objetivo incluyen el cuadrado de una variable o el productode dos variables.

PROGRAMACIÓN CONVEXA

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

PROGRAMACIÓN SEPARABLE

La programación separable es un caso especial de programación convexa, en donde la suposición adicional es Todas las funciones f(x) y g(x) son funciones separables. Una función separable es una función en la que cada término incluye una sola variable, por lo que la función se puede separar en una suma de funciones de variables individuales. Por ejemplo, si f(x) es una función 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 función considerada en la figura 13.7 también es una función separable. Es importante distinguir estos problemas de otros de programación convexa, pues cualquier problema de programación separable se puede aproximar muy de cerca mediante uno de programación lineal y, entonces, se puede aplicar el eficiente método símplex.

33

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

PROGRAMACIÓN NO CONVEXA

La programación no convexa incluye todos los problemas de programación no lineal que no satisfacen las suposiciones de programación convexa. En este caso, aun cuando se tenga éxito en encontrar un máximo local, no hay garantía de que sea también un máximo global. Por lo tanto, no se tiene un algoritmo que garantice encontrar una solución óptima para todos estos problemas; pero sí existen algunos algoritmos bastante adecuados para encontrar máximos locales, en especial cuando las formas de las funciones no lineales no se desvían demasiado de aquellas que se supusieron para programación convexa. En la sección 13.10 se presenta uno de estos algoritmos. Ciertos tipos específicos de problemas de programación no convexa se pueden resolver sin mucha dificultad mediante métodos especiales. Dos de ellos, de gran importancia, se presentarán más adelante. PROGRAMACIÓN GEOMÉTRICA Cuando se aplica programación no lineal a problemas de diseño de ingeniería, muchas veces la función objetivo y las funciones de restricción toman la forma

34

En tales casos, las ci y a ty representan las constantes físicas y las x} son las variables de diseño. Estas funciones por lo general no son ni cóncavas ni convexas, por lo que las técnicas de programación convexa no se pueden aplicar directamente a estos problemas deprogramacióngeo- métrica. Sin embargo, existe un caso importante en el que el problema se puede transformar en un problema de programación convexa equivalente. Este caso es aquel en el que todos los coeficientes c¿ en cada función son estrictamente positivos, es decir, las funciones son polinomios positivos generalizados (ahora llamados posinomiales), y la función objetivo se tiene que minimizar. El problema equivalente de programación convexa con variables de decisión yx, y2,…, yn se obtiene entonces al establecer

en todo el modelo original. Ahora se puede aplicar un algoritmo de programación convexa. Se ha desarrollado otro procedimiento de solución para resolver estos problemas de programación posinomial, al igual que para problemas de programación geométrica de otros tipos.1 PROGRAMACIÓN FRACCIONAL Suponga que la función objetivo se encuentra en la forma de una fracción, esto es, la razón o cociente de dos funciones,

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

35

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

que se puede resolver con el método símplex. En términos generales, se puede usar el mismo tipo de transformación para convertir un problema de programación fraccional con /¡(x) cóncava, f2 (x) convexa y g¡ (x) convexas, en un problema equivalente de programación convexa. 3.4.- OPTIMIZACIÓN CLÁSICA Es el uso de cálculo diferencial para determinar puntos máximos y mínimos(extremos) para funciones restringidas y no restringidas. Los métodos expuestos pueden no ser adecuados para los cálculos numéricos eficientes. Un problema de optimización sin restricciones tiene el aspecto. Max.(o Min) f(X) s.a X€IRn

36

El conjunto factible es todo IR^n. La condición Xε IR no supone ninguna restricción habitualmente la omitiremos, escribiendo simplemente. Max.(o Min) f(X) Este tipo de problemas ya han sido estudiados parcialmente por el alumno en las Matemáticas II, en donde se estudia cómo hallar los máximos o mínimos locales de una función. (Aunque en un problema de optimización lo que realmente buscamos son los máximos y mínimos globales).La forma de buscar los máximos y mínimos globales es comprobar previamente si nuestra función cumple algún requisito que garantice la existencia de mínimo global o máximo global. En este sentido, el hecho de que la función sea coerciva, anticoerciva, cóncava 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.- MÁXIMOS Y MINIMOS En esta investigación se presenta el método de optimización clásica relacionado con los máximos y mínimos de funciones no lineales. También se muestra una explicación del método de optimización simplex para funciones lineales por el cual se pueden obtener los máximos y mínimos de una función restringida. Un problema de optimización combinatoria siempre se le involucra un conjunto de instancias, donde cada una de ellas cuenta con un conjunto finito de posibles soluciones (característica imprescindible de los problemas continuos).Por otra parte la teoría de optimización clásica se usa para la obtención delos máximos y mínimos de funciones no lineales restringidas y no restringidas, en los que se hace uso del cálculo diferencial. MÁXIMOS Y MINIMOS: Mínimo (fuerte): Un punto extremo de una función f (x) define un mínimo de la función si f (X+H)) > f (X), donde X es cualquier punto de la función y h en valor absoluto es suficientemente pequeña. Máximo (fuerte): Un punto extremo de una función f (x) define un máximo de la función si f (X+h) < f (X), donde X es cualquier punto de la función y h en valor absoluto es suficientemente pequeña. Una función puede contener varios máximos y mínimos, identificados por los puntos extremos de la función. En la figura se puede observar esto, los puntos X1, X2 y X6 son máximos, de la figura notamos que f(X5) es el mayor que f(X1) y f(x3), a este punto se le conoce como máximo global de la función y a los restantes como máximos locales. Lo mismo se puede ver para los mínimos, en los que también existe un mínimo global f(X2) y un mínimo local f(X4) Como es de lógico, solo puede existir un solo global y posiblemente varios locales.

37

3.4.1.- Punto de inflexión.

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

38

UNIDAD 4 TEORÍA DE INVENTARIOS.

INTRODUCCION Algunos empresarios se dejan llevar por un único 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 última 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 útil dependiendo de la mano que lo maneja y que la toma de decisiones es aún la responsabilidad gerencial más importante. Sin embargo, a medida que logremos conocer y manejar un mayor número de instrumentos la probabilidad de éxito 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 degustación del producto, buscando de esta manera, que los interesados indaguen más 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 manipulación 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 administración y control.

Mantener un inventario de productos o artículos para su venta o uso futuro es una práctica común 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 básicamente a 2preguntas: 1) ¿Cuándo hacer un pedido? 2) ¿Qué 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 colocación de pedidos. Con el sub almacenamiento, el capital invertido es menor pero aumenta la frecuencia de pedidos así como el tiempo que estén sin mercancía. Los dos extremos son costosos, por lo tanto debemos tomar decisiones basadas en la minimización 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 número apreciable de artículos o productos con diferentes precios, desde los económicos hasta el más costoso. Como el inventario representa en realidad un capital ocioso (inactivo) es necesario mantener el control sobre los artículos que aumenten considerablemente el costo del inventario. Por experiencia se sabe que sola una pequeña parte impacta considerablemente en el costo del inventario, sobre estos artículos se debe tener un control estricto. Se puede seleccionar estos artículos, con un procedimiento simple, el sistema ABC se realiza graficando el porcentaje de artículos de inventario total contra el porcentaje del valor monetario total en un periodo(generalmente un año).La idea es determinar el porcentaje de artículos que contribuyen al 80% del valor monetario acumulado. Esto se clasifica como el grupo A y normalmente es alrededor del 20% del total de artículos, 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 artículos 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 artículos 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 categorías:1) Demanda y tiempo de entrega determinista.2) Demanda y/o tiempo de entrega probabilística. Los sistemas de inventarios son tan variados e implican tantas consideraciones que sería imposible desarrollar modelos para todas las situaciones posibles. Clasificación 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 relación con la secuencia de producción. A) Abastecimiento. B) Materiales C) En proceso D) Bienes terminados. Los modelos para representar a un sistema de inventarios se pueden dividiren dos gandes categorías:

40

Los inventarios produce beneficios mixtos, ya que consume recursos en adquirir bienes y mantenerlos que pueden ocuparse en otras áreas, por ejemplo, publicidad o investigación. 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 más comunes asociados a un inventario son: Costo de compra (de fabricación, precio unitario).- Este costo incluye el costo de un articulo, mas los impuestos y los gastos de transporte. Si la compañía produce el producto entonces se debe incluir todos los gastos de fabricación. Costo de ordenar (costo fijo, costo directo).- Este se genera debido a la elaboración de pedidos y de facturación, como son la mano de obra, la papelería, el teléfono, etc. Si el producto se genera en la misma compañía entonces se toman los costos de preparación de maquinaria Costos de conservación, (almacenamiento).- Este costo incluye los costos generados por el almacenar físicamente los artículos, por ejemplo: la refrigeración, aseguramiento, impuesto al almacenaje, el costo de mantener inmóvil 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 difícil de medir ya que implica, que los clientes vayan a otra partes a surtir su 41

demanda, perdida del nombre comercial, que la compañía 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 conservación + costo de escasez.

Como se observa el nivel óptimo de inventario corresponde al costo total mínimo de los cuatro componentes Existen varios modelos de inventarios y esto es debido al tipo de demanda del artículo lo cual hace que el modelo matemático sea más complejo. El tipo de demanda puede ser: Demanda determinista estática, se produce cuando la tasa de consumo permanece constante todo el tiempo. Demanda determinista dinámica, se produce cuando la demanda reconoce con certeza, pero varía de un periodo a otro. Demanda probabilística estacionaria, es cuando la demanda es descrita por una densidad de probabilidad que se mantiene constante.

42

Otros factores que complican al modelo matemático son: Las demoras de entrega. Abastecimiento múltiple Número de artículos Etc. 4.2. MODELOS DETERMINISTICOS En la realidad estos modelos es difícil encontrarlos directamente, pero una situación real se puede ajustar a ellos .El modelo más comúnmente aplicado para resolver este tipo de modelos es el del lote económico de pedido El modelo clásico de lote económico 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 (β). 2) El hacer un pedido de cualquier tamaño (q) genera un costo de ordenar(K) 3) El conservar una unidad de artículo en el inventario en una unidad de tiempo genera un costo (h)

43

4.2.1. LOTE ECONÓMICO SIN DÉFICIT. El primer modelo que estudiaremos será el lote económico sin déficit, es decir aparte de las tres consideraciones se le agrega una más:4) No se permite que exista escasez, es decir el inventario no debe ser negativo. A) Lote económico sin déficit 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 conservación en el inventario. Pero cuidando que no haya escasez. Si graficamos este modelo tendríamos 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 será:

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. ¿Cuál será el tamaño del lote que minimice costos? ¿Cuántos pedidos hará en un mes?

45

Ejemplo 2: Una compañía que ensambla computadoras, fabrica sus propias bocinas, ensambla computadoras con una producción continua de 8 000 al mes, sus bocinas reproducen en lotes y cada lote genera un costo de preparación de maquinaria de 12 000 pesos, el costo de mantener una bocina en el almacén durante un mes es de 0.30 pesos, el costo de producción de una bocina es de 50.00 pesos. ¿Cuál será el tamaño del lote que minimice costos? ¿En qué tiempo se hará la producción del lote de bocinas?

B) Lote económico sin déficit 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 conservación y de ordenar sin cambios. Pero ahora para evitar que haya escasez, y reducir el costo de conservación, 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 reposición. 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 reposición 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 días. Tendríamos que L= 5/30Entonces el punto de reposición 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 días, 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 será 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)= 166.6666Así que haremos un nuevo pedido cuando el nivel de inventario alcance166.66 discos. C) Lote económicos de un solo artículo 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 según la cantidad. En este modelo si habrá que tomar en cuenta el precio del producto para tener el número optimo de artículos que se debe de pedir. Aquí encontraremos literales nueva, las cuales son: P1= Precio más alto P2= Precio más 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 más alto. CPUTQ1 = Costo por unidad de tiempo con cantidad Q1. Esta cantidad Q1 será calculada haciendo una igualación De las ecuaciones CPUTQ = CPUTQ1 y utilizando el precio unitario más 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 almacén es de 1.00 peso. Si adquiere menos de 15 productos, el costo por unidad es de 2 pesos, pero si adquiere15 o más productos, el precio es de 1.00 peso. Cuál es el tamaño de lote que más le conviene comprar.

48

4.2.2. LOTE ECONÓMICO CON DÉFICIT. 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 preparación) y de conservación. 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. ¿Cuál será el tamaño del lote que minimice costos? ¿Cuántos pedidos hará en un mes? ¿Cuál será la escasez máxima?

51

4.3 Lote económico de producción. Lote Económico de Producción (conocido en inglés como Economic Production Quantity o por sus siglas EPQ) es un Modelo Matemático para control de inventarios que extiende el modelo de Cantidad Económica de Pedido a una tasa finita de producción. Su principio es encontrar el lote de producción de un único producto para el cual los costos por emitir la orden de producción 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 producción del artículo pedido, por lo que es necesario un cierto periodo de tiempo para completar dicha orden de producción. Durante este tiempo el artículo esta siendo producido y demandado. Para que este caso tenga sentido la tasa de producción, tiene que ser mayor que la tasa de demanda, ya que si no fuese así no existiría inventario en ningún momento. se define la tasa de producción, p, como el número de unidades producidas en un periodo de tiempo generalmente un año. cuando el inventario se agota, punto a, se inicia la producción de la orden de pedido del loteq. se requiere un tiempo de producción q/p. durante este tiempo, el inventario se va acumulando a una tasa p-d, por lo que cuando se acabe la producción del lote de tamaño qse alcanzará el nivel máximo 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 emisión:

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 óptimo que minimiza los costos:

Como era de esperar, para un aprovisionamiento instantáneo, p = ∞, obtenemos la formula de cantidad económica de pedido.

53

Unidad 5 Líneas de Espera
Las líneas 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, vehículos esperando pagar ante una estación de peaje o continuar su camino, ante un semáforo en rojo, Máquinas dañadas a la espera de ser rehabilitadas. Los análisis de colas ayudan a entender el comportamiento de estos sistemas de servicio (la atención de las cajeras de un banco, actividades de mantenimiento y reparación de maquinaria, el control de las operaciones en planta, etc.).Desde la perspectiva de la Investigación de Operaciones, los pacientes que esperan ser atendidos por el odontólogo o las prensas dañadas esperando reparación, tienen mucho en común. Ambos (gente y máquinas) requieren de recursos humanos y recursos materiales como equipos para que se los cure ose los haga funcionar nuevamente. 5.1 Definiciones características y suposiciones Líneas de Espera Una cola es una línea de espera y la teoría de colas es una colección de modelos matemáticos que describen sistemas de línea 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 línea 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 algún tipo y salen después 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 teoría de colas es el estudio matemático del comportamiento de líneas 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 atención. Si el servidor no está disponible inmediatamente y el cliente decide esperar, entonces se forma la línea 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 según 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 número 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 tamaño 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 básicas de tiempo entre llegadas: Determinístico, en el cual clientes sucesivos llegan en un mismo intervalo de tiempo, fijo y conocido. Un ejemplo clásico es el de una línea de ensamble, en donde los artículos llegan a una estación en intervalos invariables de tiempo. Probabilístico, en el cual el tiempo entre llegadas sucesivas es incierto y variable. Los tiempos entre llegadas probabilísticos se describen mediante una distribución de probabilidad. Mecanismos de servicio Se llama capacidad del servicio al número de clientes que pueden ser servidos simultáneamente. Si la capacidad es uno, se dice que hay un solo servidor (o que el sistema es mono canal) y si hay más 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 llegó antes. •El que llegó el último. •El que menos tiempo de servicio requiere. •El que más requiere. Supuestos El modelo simple de teoría de colas que se ha definido, se basa en las siguientes suposiciones: a) Un solo prestador del servicio y una sola fase. b) Distribución 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 línea hasta que se les da servicio y existe la posibilidad de una longitud infinita en la cola. 5.2 Terminología y notación Líneas de Espera Características operativas.- Medidas de desempeño para una línea de espera que incluyen la probabilidad de que no haya unidades en el sistema, la cantidad promedio en la línea, el tiempo de espera promedio, etc.

55

Operación de estado estable.- Operación normal de la línea de espera después de que ha pasado por un periodo inicial o transitorio. Las características operativas de las líneas 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 instalación de servicio en un periodo dado. Línea de espera de canales múltiples.- Línea de espera con dos o más instalaciones de servicio paralelas. Bloqueado.- Cuando las unidades que llegan no pueden entrar a la línea de espera debido a que el sistema está lleno. Las unidades bloqueadas pueden ocurrir cuando no se permiten las líneas de espera o cuando las líneas de espera tienen una capacidad finita. Población infinita.- Población de clientes o unidades que pueden buscar servicio, no tiene un límite superior especificado. Población finita.- Población de clientes o unidades que pueden buscar servicio, tiene un valor fijo y finito. Usualmente siempre es común utilizar la siguiente terminología estándar: P0= Probabilidad de que no haya clientes en el sistema. Lq= Número de clientes promedio en una línea de espera L= Número de clientes promedio en el sistema (Clientes en cola y clientes que están siendo atendidos). Wq= Tiempo promedio que un cliente pasa en la línea 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 características operativas de estado estable se obtienen mediante formulas que dependen del tipo de modelo de línea de espera que se este manejando. Para calcular éstas, se necesitan los siguientes datos: λ= la cantidad promedio de llegadas por periodo (la tasa media de llegadas)μ= 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 teoría de probabilidad tiene aplicaciones en varias áreas. Sin embrago en el contexto de la teoría de colas, el término nacimiento se refiere allegada de un nuevo cliente al sistema de colas y el término muerte se refiere ala salida del cliente servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el número de clientes que hay en el sistema de colas en el tiempo t. El proceso de nacimiento y muerte describe en términos probabilísticos cómo 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 más precisa, las suposiciones del proceso de nacimiento y muerte son las siguientes: SUPOSICIÓN 1. Dado N (t) = n, la distribución de probabilidad actual del tiempo que falta para el próximo nacimiento (llegada) es exponencial con parámetro (n=0,1,2,….). SUPOSICIÓN 2. Dado N (t) = n, la distribución de probabilidad actual del tiempo que falta para la próxima muerte (terminación de servicio) es exponencial con parámetro (n=1,2,….). SUPOSICIÓN 3. La variable aleatoria de la suposición 1 (el tiempo que falta hasta el próximo nacimiento) y la variable aleatoria de la suposición 2 (el tiempo que falta hasta la siguiente muerte) son mutuamente independientes. Excepto por algunos casos especiales, el análisis del proceso de nacimiento y muerte es complicado cuando el sistema se encuentra en condición transitoria. Se han obtenido algunos resultados sobre esta distribución de probabilidad de N (t) pero son muy complicados para tener un buen uso práctico. Por otro lado, es bastante directo derivar esta distribución después de que el sistema ha alcanzado la condición de estado estable (encaso de que pueda alcanzarla). Distribución de llegadas. Definir el proceso de llegada para una línea de espera implica determinar la distribución de probabilidad para la cantidad de llegadas en un periodo dado. Para muchas situaciones de línea de espera, cada llegada ocurre aleatoria e independientemente de otras llegadas y no podemos predecir cuando ocurrirá. En tales casos, los analistas cuantitativos has encontrado que la distribución de probabilidad de Poisson proporciona una buena descripción del patrón de llegadas. La función de probabilidad de Poisson proporciona la probabilidad de x llegadas en un periodo específico. La función de probabilidad es como sigue: 57

P(x)= μ x e^-λ/ 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 determinísticos, los más comunes son los modelos probabilísticos, donde se dan un promedio de estos tiempos, por lo tanto tenemos que usar una distribución de probabilidad que se ajuste lo más cercano a la realidad. Esta distribución de Poisson es una de las más importantes distribuciones de variable discreta. Sus principales aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa determinar el número 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 consideración límite de procesos dicotómicos reiterados un gran número de veces si la probabilidad de obtener un éxito es muy pequeña. Proceso experimental del que se puede hacer derivar Esta distribución se puede hacer derivar de un proceso experimental de observación en el que tengamos las siguientes características * Se observa la realización de hechos de cierto tipo durante un cierto periodo de tiempo o a lo largo de un espacio de observación * Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una manera no determinística. * La probabilidad de que se produzcan un número x de éxitos en un intervalo de amplitud t no depende del origen del intervalo (Aunque, sí de su amplitud) * La probabilidad de que ocurra un hecho en un intervalo infinitésimo es prácticamente proporcional a la amplitud del intervalo. * La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo es un infinitésimo de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrán producirse 0 ó 1 hecho pero nunca más de uno. * Si en estas circunstancias aleatorizados de forma que la variable aleatoria X signifique o designe el "número de hechos que se producen en un intervalo de tiempo o de espacio", la variable X se distribuye con una distribución de parámetro l. 58

Así : El parámetro de la distribución es, en principio, el factor de proporcionalidad para la probabilidad de un hecho en un intervalo infinitésimo. Se le suele designar como parámetro de intensidad, aunque más tarde veremos que se corresponde con el número medio de hechos que cabe esperar que se produzcan en un intervalo unitario (media de la distribución); y que también coincide con la varianza de la distribución. Por otro lado es evidente que se trata de un modelo discreto y que el campo de variación de la variable será el conjunto de los números naturales, incluidos el cero: Función de cuantía A partir de las hipótesis del proceso, se obtiene una ecuación diferencial de definición del mismo que puede integrarse con facilidad para obtener la función de cuantía de la variable "número de hechos que ocurren en un intervalo unitario de tiempo o espacio" Donde: * x - es el número de ocurrencias del evento o fenómeno (la función nos da la probabilidad de que el evento suceda precisamente x veces). * λ - es un parámetro positivo que representa el número de veces que se espera que ocurra el fenómeno 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 distribución de Poisson con λ = 10×4 = 40. * e - es la base de los logaritmos naturales (e = 2,71828 ... Cuya representación gráfica para un modelo de media 11 sería la adjunta. Obsérvense los valores próximos en la media y su forma parecida a la campana de Gauss, en definitiva, a la distribución normal La función de distribución vendrá dada por : 5.4.1 Modelos Poisson Un servidor. Cálculos en los modelos de colas (M/M/1):(DG /∞/∞). Con la notación del modelo generalizado se tiene que µn= µ⅄n= ⅄}, n=0, 1, 2, … También, ⅄n= ⅄ y ⅄perdido=0, porque todos los clientes que llegan, pueden entrar al sistema. Si P= ⅄µ, la ecuación 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 geométrica tiene la suma finita de , y entonces La fórmula general de Pn es entonces de la siguiente distribución geométrica: La deducción matemática de Pnimpone la condición que p < 1 o que ⅄ < µ. Si ⅄ >= µ, la serie geométrica no converge, y no existirán 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. Cálculos en los modelos de colas Pn = probabilidad que en el estado estable haya n clientes en el sistema Ls = número de clientes que espera halla en el sistema Lq = número de clientes que espera halla en la línea de espera. Ws = Tiempo de espera en el sistema (línea mas servicio) Wq = Tiempo de espera en la línea 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: λ= Tasa de llegadas por unidad de tiempo. μ= Tasa de servicio por unidad de tiempo. ρ= Intensidad de tráfico 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 también es exponencial, solo hay un servidor, el número de clientes que se pueden formar en la cola es infinito, y el tamaño de la población también es infinito.

M/M/S/GD/∞/∞

En este modelo las llegadas son de forma exponencial, el tiempo de servicio también es exponencial, existen S números de servidores que dan los mismos servicios, el número de clientes que se pueden formar en una sola cola es infinito, y el tamaño de la población también es infinito.

61

M/M/1/GD/C/∞

En este modelo las llegadas son de forma exponencial, el tiempo de servicio también es exponencial, solo hay un servidor, el número de clientes que se pueden formar en la cola es C, es decir, después de cierto tamaño en la cola ya no se aceptan clientes, y el tamaño de la población es infinito.

62

5.5 Análisis de costos. Las colas o filas de espera representan un fenómeno 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 vehículos en las rutas y calles congestionadas, o simplemente ante un semáforo. También aparecen, aunque no resultan tan visibles, en las comunicaciones telefónicas, en la lista de expedientes a tramitar, en los talleres de reparaciones. Son colas en las que no aparecen personas, pero también hay esperas. En las organizaciones, este tipo de problemas se 63

estructura básicamente como la igualación de la demanda de un servicio con la provisión de ese mismo servicio.

Nos vamos a referir a las entidades que esperan la provisión 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 más 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 más largas y disgustos con los clientes. Como todas estas consideraciones deben ser ponderadas al tiempo de tomar decisiones, las consecuencias de cada acción deben ser computadas adecuadamente.

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

La estructura de un sistema de colas

El estudio matemático de estos sistemas es bastante extenso, y se han desarrollado numerosas fórmulas que ayudan a estimar las características de las filas de espera. Estos análisis se deben basar en un conocimiento preciso de la estructura del sistema y de cómo interactúan sus partes. Los componentes que es preciso conocer son los siguientes.

La población de entrada: También llamada Capacidad del Sistema, es el número máximo de clientes potenciales, que pueden solicitar el servicio. Si un cliente llega, y el sistema está lleno, por haberse colmado su capacidad, se le negará la entrada. O sea que no recibirá servicio. Si el sistema no tiene límite, se dice que la población es infinita. Como no puede considerarse una población infinita si el número de clientes no es muy grande, como en el caso de un taller de reparaciones, en estos casos es preferible ingresar el tamaño exacto de la población.

64

El proceso de llegadas: Se tiene que describir matemáticamente 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 será determinístico si se conoce el tiempo exacto que transcurre entre un arribo y otro, o aleatorio, cuya distribución probabilística se considera conocida. Si se trata de arribos absolutamente aleatorios, se supone que responden a una distribución de Poisson.

La línea 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 línea 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 recibirá el servicio.

Se recomienda no tomar literalmente los términos ―sala de espera‖, ―llegadas‖ o ―línea de espera‖. Los clientes pueden ser un conjunto de piezas de una máquina en el suelo, esperando que se arme el conjunto. Obsérvese 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 número entero. Se asume que todos los servidores son idénticos y en paralelo, o sea que el cliente puede ser atendido de la misma manera por cualquiera de ellos.

La distribución 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 determinístico o aleatorio, siguiendo una determinada distribución de probabilidad. Puede depender del número de clientes en el sistema o ser independiente del estado. Generalmente se asume que el servidor atiende completamente a un cliente, aunque podría 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

Sign up to vote on this title
UsefulNot useful