Professional Documents
Culture Documents
Teoría Completa Investigación Operativa - Removed
Teoría Completa Investigación Operativa - Removed
Los p
pasos p
para el desarrollo de un p
programa
g lineal son los siguientes:
g
s.t.
r
a
i 1
ji . xi b j j 1, 2, , p
xi 0
Donde:
r es el número de variables
p es el número de restricciones
El modelo de programación líneal incluye 3 elementos básicos:
F
Función
ió Objetivo
Obj ti
r
max f ( x) ci . xi Variables de óptimización
p o de
i 1
decisión
s.t.
r
a
i 1
ji . xi b j j 1, 2 , p
1 2,
R ti i
Restricciones
xi 0
La definición de las Variables de optimización es un paso esencial para
el desarrollo del modelo, una vez encontrada estas recién se construye la
Función Objetivo y las Restricciones.
r Función Objetivo CONVEXA
max f ( x) ci . xi
i 1
s.t.
Región
g factible CONVEXA
r
a
i 1
ji . xi b j j 1, 2, , p
xi 0
EL PROBLEMA ES CONVEXO
PROGRAMACION LINEAL
ENFOQUE GRAFICO
RESOLUCION GRAFICA
PASO 1:
1
Determinación de la Región Factible , que es el espacio de solución que
define las soluciones factibles que satisfacen todas las restricciones del
modelo.
PASO 2:
Determinación de la Solución Optima
p de entre todos los p
puntos en el
espacio de soluciones factibles.
PASO 1:
igualdad.
de esa línea.
0 x
Haciendo lo propio con todas las restricciones y se genera la Región Factible
y teniendo en cuenta que generalmente las variables son nonegativas:
0 x
PASO 2:
Determinación de la Solución Optima
a)) Seleccionar cualquier
q punto
p dentro de la región
g factible.
b) Trazar la línea de la función objetivo a través del punto
elegido.
c) Determinar el lado de mejora de la línea de la función
objetivo.
d) Mover la línea de la FO en forma paralela a si misma en la
dirección de mejora hasta que la línea esté a punto de
dejar la región factible.
e) Calcular los valores de las variables en la solución óptima
resolviendo las dos ecuaciones de las restricciones que
pasan por ese punto.
PASO 2:
Determinación de la Solución Optima
a) Seleccionar cualquier punto dentro de la región factible.
.
0 x
PASO 2:
Determinación de la Solución Optima
p
b) Trazar la línea de la función objetivo a través del punto
elegido.
FO
.
0 x
PASO 2:
Determinación de la Solución Optima
c)) Determinar el lado de mejora
j de la línea de la función
objetivo.
y
FO
.
0 x
PASO 2:
Determinación de la Solución Optima
d) Mover la línea de la FO en forma paralela a si misma en la
dirección de mejora hasta que la línea esté a punto de
dejar la región factible.
y
OPTIMO
FO
0 x
PASO 2:
Determinación de la Solución Optima
e) Calcular los valores de las variables en la solución óptima
resolviendo las dos ecuaciones de las restricciones que
pasan por ese punto.
y
OPTIMO
FO
0 x
PROGRAMACION LINEAL
RESOLUCION DE CASOS
CASO DE ESTUDIO.
D t adicionales:
Datos di i l
Determine:
La mezcla de productos óptima que maximice las utilidades diarias totales
totales.
Necesitamos:
z 5 x1 4 x2 $ t $
t . día día
E l d
Empleo de MP2 1x1 2 x2 Materia prima MP2 1 2 6
6 x1 4 x2 24
1x1 2 x2 6
a) Restricciones de demanda
x2 2
x2 x1 1
El modelo completo queda:
max z 5 x1 4 x2
s.t.
6 x1 4 x2 24 R1
1x1 2 x2 6 R2
x1 x2 1 R3
x2 2 R4
x1 , x2 0
RESOLUCION GRAFICA
PASO 1:
1
Determinación de la Región Factible , que es el espacio de solución que
define las soluciones factibles que satisfacen todas las restricciones del
modelo.
PASO 2:
Determinación de la Solución Optima
p de entre todos los p
puntos en el
espacio de soluciones factibles.
Región
g Factible teniendo en cuenta q
que x1 , x2 0
x2
C D
R4
R2 E
B R3
R1
A F
0 x1
PASO 2: Determinación de la solución óptima
x2
C D
E
B
.
A F
0 x1
Lí
Línea de
d FO
PASO 2: Determinación de la solución óptima
b) Trazar la línea de la función objetivo a través del punto elegido.
x2
FO z 5 x1 4 x2
5 b
C D
x2 x1
4 4
E
B
.
A F
0 x1
Lí
Línea de
d FO
PASO 2: Determinación de la solución óptima
x2
FO z 5 x1 4 x2
C D
E
B .
A F
0 x1
Lí
Línea de
d FO
PASO 2: Determinación de la solución óptima
d) Mover la línea de la FO en forma paralela a si misma en la dirección de mejora hasta que la línea
esté a punto de dejar la región factible.
x2
FO z 5 x1 4 x2
5 b
C D
x2 x1
4 4
E
B .
A F
0 x1
Lí
Línea de
d FO
PASO 2: Determinación de la solución óptima
p
x2
OPTIMO
C D
E
R2
B
R1
A F
0 x1
FO
PASO 2: Determinación de la solución óptima
e) Calcular los valores de las variables en la solución óptima resolviendo las dos
ecuaciones de las restricciones que pasan por ese punto.
x2
OPTIMO
C D
SOLUCION
E R1 ∩ R2
R2
B
6x1 4x2 24 R1
R1 1x1 2 x2 6 R2
A F
0 x1
FO
FO z 5 x1 4 x2
PROGRAMAS LINEALES CON PROPIEDADES
GEOMETRICAS ESPECIALES
x2
La demanda de pintura de exteriores (x1)
será como mínimo 8 t/dia:
C D
R4
R2 E
B R3
Una nueva restricción:
R1
A F
0 x1
Programas lineales infactibles
x2 R5
La demanda de pintura de exteriores (x1)
será como mínimo 8 t/dia:
R4
R2
R3
Una nueva restricción:
R1
0 6 8 x1
Programas lineales infactibles
x2 R5
NO HAY REGION FACTIBLE
R4
R2
R3
R1
0 6 8 x1
Programas lineales ilimitados
P
Programa original:
i i l
max z 5x1 4 x2
s.t.
6 x1 4 x2 24 R1
1x1 2 x2 6 R2
x1 x2 1 R3
x2 2 R4
x1 , x2 0
Programas lineales ilimitados
max z 5x1 4 x2
s.t.
6 x1 4 x2 24 R1
x2
1x1 2 x2 6 R2
x1 x2 1 R3
R4
x2 2 R4 R2
R3
x1 , x2 0
R1
0 6 8 x1
Programas lineales ilimitados
max z 5x1 4 x2
s.t.
6 x1 4 x2 24 R1
x2
1x1 2 x2 6 R2
x1 x2 1 R3
R4
x2 2 R4 R2
R3
x1 , x2 0
R1
0 6 8 x1
Programas lineales ilimitados
max z 5x1 4 x2
s.t.
6 x1 4 x2 24 R1
x2
1x1 2 x2 6 R2
x1 x2 1 R3
R4
x2 2 R4 R2
R3
x1 , x2 0
R1
0 6 8 x1
METODO DE LOS PUNTOS EXTREMOS
max z 5x1 4 x2
x2
C D
E
B
A F
0 x1
max z 5x1 4 x2
PUNTO FO
x2
A 0
B 4
C D C 13
D 18
E E 21
B F 20
A F
0 x1
ANALISIS DE SENSIBILIDAD
El modelo completo para la programación de la producción de
pinturas es:
max z 5 x1 4 x2
s.t.
6 x1 4 x2 24 R1
1x1 2 x2 6 R2
x1 x2 1 R3
x2 2 R4
x1 , x2 0
ANALISIS DE SENSIBILIDAD
r
max f ( x) ci . xi
i 1
s.t.
r
a
i 1
i
ji . xi b j j 1, 2, , p
xi 0
ANALISIS DE SENSIBILIDAD
FO z 5 x1 4 x2
6 x1 4 x2 24
ANALISIS DE SENSIBILIDAD
x2
OPTIMO
Función objetivo
c1 x1 c2 x2 b
C D
c1 b
x2 x1
E c2 c2
R2
B
R1
A F
0 x1
FO
x2
C D
E OPTIMO
B
R1
A F
0 x1
Lí
Línea de
d FO
OPTIMO
x2
C D
E
R2
B
A F
0 x1
Lí
Línea de
d FO
ANALIZANDO EL COEFICIENTE DE x1
Función objetivo c1 x1 4 x2 b
c1 b
x2 x1
4 4
Restricción R1 6 x1 4 x2 24
x2 OPTIMO
Restricción R2 1x1 2 x2 6
E
R2
R1
0 x1
ANALISIS DE SENSIBILIDAD
Restricción R1 6 x1 4 x2 24
x2
OPTIMO
C D
E
R2
B
A F
0
x1
R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES
x2
NUEVO OPTIMO
C D
R2 E
B
A F
0
línea de FO
R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES
x2
NUEVO OPTIMO
C D
E
B
R2
A F
0
x1
R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES
x2
C D
E
B
R2
A F
0
x1
R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES
x2
C D
R4
E
B
R2
A F
0
NUEVO OPTIMO x1
R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES
Función Objetivo FO z 5 x1 4 x2
x2
C D
R4 x2 2
E
B
A F G
0 x1
R2 1x1 2 x2 6
R1 6 x1 4 x2 24
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES
Restricción R1 6 x1 4 x2 24
x2
Función Objetivo FO z 5 x1 4 x2
C D (2,2)
R4
R2 E
B
A F G (6,0)
0
x1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES
Restricción R1 6 x1 4 x2 24
x2
Función Objetivo
O FO z 5 x1 4 x2
C D
E
B
F G
A
0 x1
R2 x1 2 x2 6
R1 6 x1 4 x2 24
FO
0
Valor del lado
derecho de R1
variación de utilidades
FO
pendiente tg
variación del lado derecho
PRECIO DUAL
RESOLUCION ALGEBRAICA DE
PROGRAMAS LINEALES:
ALGORITMO SIMPLEX
Para poder aplicar el algoritmo Simplex hay que
convertir el modelo a la forma estándar.
Forma Estándar:
Sj : variable de holgura y Sj ≥ 0
Si : variable de exceso y Si ≥ 0
Conversión de maximización en minimización
max z 3 x1 5 x2
s.t.
2 x1 x2 230
x1 2 x2 250
x2 120
x1 , x2 0
Para transformar las desigualdades de menor o
igual a igualdades se utilizan variables de
holgura (S1, S2, ….., Sn)
z 3 x1 5 x2 0 S1 0 S 2 0 S3
2 x1 x2 S1 230 R1
x1 2 x2 S2 250 R2
x2 S 3 120 R3
x1 , x2 , S1 , S 2 , S 3 0
z 3 x1 5 x2 0 S1 0 S 2 0 S3
-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b
básicas
0 S1 2 1 1 0 0 230 2 x1 x2 S1 230
0 S2 1 2 0 1 0 250 x1 2 x2 S 2 250
0 S3 0 1 0 0 1 120 x2 S 3 120
-3
3 -5
5 0 0 0
z=0
Las reglas para seleccionar las variables de
entrada y salida se conocen como condiciones
de optimalidad y factibilidad.
0 S1 2 1 1 0 0 230
0 S2 1 2 0 1 0 250
0 S3 0 1 0 0 1 120
-3
3 -5
5 0 0 0
Variable de entrada
-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas
0 S1 2 1 1 0 0 230 230 / 1
0 S2 1 2 0 1 0 250 250 / 2
0 S3 0 1 0 0 1 120 120 / 1
Variable de
-3
3 -5
5 0 0 0 salida
Variable de entrada
z 3 x1 5 x2 0 S1 0 S 2 0 S3
-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas
0 S1 2 0 1 0 -1
1 110
0 S2 1 0 0 1 -2 10
-5 x2 0 1 0 0 1 120
-3
3 0 0 0 5
z = 600
V i bl d
Variable de entrada
t d
Cálculo de los coef. de la ultima fila:
Coef. fila superior – (suma del producto de los coef. de las dos columnas)
Ejm: el primer coef de la ultima fila (marcados en amarillo):
-3 - (0*2 + 0*1 + (-5)*0)= -3
Ultimo coef: 0 - (0*(-1) + 0* (-2) + (-5)*1) = 5
-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas
0 S1 2 0 1 0 -1
1 110 110 / 2
0 S2 1 0 0 1 -2 10 10 / 1
Variable de
-5 x2 0 1 0 0 1 120 120 / 0
salida
-3
3 0 0 0 5 Indeterminado
se ignora
Variable de entrada
z 3 x1 5 x2 0 S1 0 S 2 0 S3
-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas
0 S1 0 0 1 -2
2 3 90
-3 x1 1 0 0 1 -2 10
-5 x2 0 1 0 0 1 120
0 0 0 3 -1
1
0 S1 0 0 1 -2
2 3 90 90 / 3
Variable de
-3 x1 1 0 0 1 -2 10 10 / (-2) salida
-5 x2 0 1 0 0 1 120 120 / 1
0 0 0 3 -1
1
Variable de entrada
z 3 x1 5 x2 0 S1 0 S 2 0 S3
-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas
0 S3 0 0 1/3 -2/3
2/3 1 30
-3 x1 1 0 2/3 -1/3 0 70
-5 x2 0 1 -1/3 2/3 0 90
0 0 1/3 7/3 0
Z opt = 660
ANALISIS DE SENSIBILIDAD AL LADO DERECHO DE
LAS RESTRICCIONES
PRECIO DUAL
z 3 x1 5 x2 0 S1 0 S 2 0 S3
-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas
0 S3 0 0 1/3 -2/3
2/3 1 30
-3 x1 1 0 2/3 -1/3 0 70
-5 x2 0 1 -1/3 2/3 0 90
0 0 1/3 7/3 0
Precio Dual
Z opt = 660
z 3 x1 5 x2 0 S1 0 S 2 0 S3
2 x1 x2 S1 230 R1
x1 2 x2 S 2 250 R2
x2 S 3 120 R3
x1 , x2 , S1 , S 2 , S 3 0
PROGRAMAS LINEALES:
ALGORITMO SIMPLEX
SEGUNDA PARTE
MÉTODO DE LA M
Por ejemplo:
Sea x3 ≥ 5
Para transformar
P t f en igualdad,
i ld d restamos
t la
l variable
i bl dde exceso S y
debemos sumar una variable artificial t:
x3 - S + t = 5
min z 8 x1 12 x2
s.t.
2 x1 2 x2 1
x1 3 x2 2
x1 , x2 0
z 8 x1 12 x2 0 S1 M t1 0 S 2 M t2
2 x1 2 x2 S1 t1 1 R1
x1 3 x2 S 2 t2 2 R2
x1 , x2 , S1 , t1 , S 2 , t 2 0
Para obligar que las variables artificiales tomen el valor 0 en el punto óptimo
debemos penalizar la FO.
Para ello si el problema es de maximización se restan terminos con un valor muy
grande M multiplicado por las variables artificiales.
Si ell problema
bl es d
de minimización
i i i ió se suman terminosi con un valor
l muy granded
M multiplicado por las variables artificiales.
z 8 x1 12 x2 0 S1 M t1 0 S 2 M t2
-8 -12 0 -M 0 -M
Variables
V i bl x1 x2 S1 t1 S2 t2 b
básicas
t1 2 2 -1 1 0 0 1
t2 1 3 0 0 -1 1 2
En el punto inicial,
inicial como variables básicas se toman las de holgura y/o las
artificiales. En las columnas donde están las variables básicas debe haber
solamente 0 o 1.
Como NO ocurre esto último debemos hacer operaciones elementales de filas
para lograrlo, como se ve en la sig tabla.
z 8 x1 12 x2 0 S1 M t1 0 S 2 M t2
-8 -12 0 -M 0 -M
Variables
V i bl x1 x2 S1 t1 S2 t2 b
básicas
t1 (2 2 -1 1 0 0 1) M
t2 (1 3 0 0 -1 1 2)M
z 8 x1 12 x2 0 S1 M t1 0 S 2 M t2
-8+3M -12+5M -M 0 -M 0
Variables
V i bl x1 x2 S1 t1 S2 t2 b b/
b/a
básicas
0 t1 2 2 -1 1 0 0 1
0 t2 1 3 0 0 -1 1 2
-8+3M -12+5M -M 0 -M 0
Variable de entrada
z = 3M
o a ssi hay
Ahora ay só
sólo
o0y1e en las
as co
columnas
u as de var.a bás
básicas
cas y puedo
comenzar a operar, eligiendo la vble de entrada según Condiciones de
optimalidad y las de salida según Cond de factibilidad.
-8+3M -12+5M -M 0 -M 0
Variables
V i bl x1 x2 S1 t1 S2 t2 b b/
b/a
básicas
0 t1 2 2 -1 1 0 0 1 1/2
0 t2 1 3 0 0 -1 1 2 2/3
-8+3M -12+5M -M 0 -M 0
Variable de entrada
-8+3M -12+5M -M 0 -M 0
Var.
V x1 x2 S1 t1 S2 t2 b
básicas
0 t2 1 3 0 0 -1 1 2
-8+3M -12+5M -M 0 -M 0
z 8 x1 12 x2 0 S1 M t1 0 S 2 M t2
-8+3M -12+5M -M 0 -M 0
Var.
V x1 x2 S1 t1 S2 t2 b b/
b/a
básicas
Variable de entrada
z =6+1/2M
-8+3M -12+5M -M 0 -M 0
Var.
V x1 x2 S1 t1 S2 t2 b b/
b/a
básicas
Variable de entrada
-8+3M -12+5M -M 0 -M 0
Var.
V x1 x2 S1 t1 S2 t2 b
básicas
-4 0 0 -M -4 -M+4
z opt = 8
Las reglas para seleccionar las variables de
entrada y salida se conocen como condiciones
de optimalidad y factibilidad.
Este es el algoritmo
g que
q se utiliza para
p
resolver programas lineales enteros, en
español a veces se traduce como
“ramificacion y acotamiento”.
Sea el siguiente ejemplo:
max z 5 x1 4 x2
s.t.
x1 x2 5 R1
10 x1 6 x2 45 R2
x1 , x2 0 y entero
Es decir: Xϵ{NUϴ}
Primero se resuelve el problema que se
j
llama relajado,, es decir el problema
p SIN
considerar la restricción de variables
enteras.
enteras
La solución del problema relajado se
denomina solución ó uó óptimo relajado.
x1 x2 5 R1
R2
10 x1 6 x2 45 R2
6
x1 , x2 0 y entero
R1
5
4
Optimo relajado:
3 x1 = 3,75
x2 x2 = 1,25
2
zopt = 23,75
0
0 1 2 3 4 5
x1
R2
Optimo relajado:
6
R1 x1 = 3,75
5
x2 = 1,25
1 25
zopt = 23,75
4
3
x2
0
0 1 2 3 4 5
x1
Se selecciona una variable de la solución
relajada,
l j d para la
l cuall ell valor
l no sea entero.
t
l x1= 3,75
P ejemplo
Por j 3 75
L ió 3 x1 4 puede
La región d ser eliminada
li i d ya que no
contiene valores enteros de x1.
6
LP1
5
x1 3 x1 4
3
x2
LP2
2
0
0 1 2 3 4 5
x1
Las dos restricciones x14 y x13 se excluyen
mutuamente
t t y se deben
d b t t los
tratar l d
dos programas LP1 y
LP2 en forma separada. Estas dos restricciones eliminan
la parte de la region donde 3 x1 4 .
Resolviendo el p
programa
g LP1 relajado:
j
max z 5 x1 4 x2
s.t.
x1 x2 5 Solución:
x1 = 3
10 x1 6 x2 45 x2 = 2
zopt = 23
x1 3
x1 , x2 0 z = 23 es una cota inferior
El programa LP1 relajado da una solución entera: x1 = 3
y x2 = 2
El valor de la FO z=23 se toma como una cota inferior,
es decir cualquier subprograma
g que de un valor de
FO menor a 23 se descarta.
Resolviendo el programa LP2 relajado:
max z 5 x1 4 x2
s.t.
x1 x2 5 Solución:
x1 = 4
10 x1 6 x2 45 x2 = 00,83
83
zopt = 23,33
x1 4
x1 , x2 0
zopt = 23,33 es mayor que
la cota inferior (z = 23 )
x2 0 x2 1
LP3 LP4
Resolviendo
R l i d
el relajado
5
x1 3 x1 4
3
x2
2
x2 1
0
0 1 2 3 4 5
x1
LP2 (x1 = 4; x2 = 0,83;
0 83; zopt = 23,33)
23 33)
x2 0 x2 1
LP3 LP4
Infactible
La solución del p
programa
g original
g será:
x1 = 3
x2 = 2
zopt = 23
x1 = 3,75
x2 = 1,25
1 25
zopt = 23,75
ACLARACION SOBRE EL PRACTICO N°4
La variable binaria y
La variable binaria yi toma valor 1 si se produce el producto i , y tomará valor 0
toma valor 1 si se produce el producto i y tomará valor 0
caso contrario
yA yB ‐yA+yB ≥ 0
1 0 ‐1 ≥ 0 Falso: no puede hacerse A y no hacerse B
0 1 1≥0
1 ≥ Verdadero: puede hacerse solo B
puede hacerse solo B
1 1 0 ≥ 0 Verdadero: se hace A y B
0 0 0 ≥ 0 Verdadero: no se hace ninguno
La Tabla de Verdad permite verificar que la ecuación
La Tabla de Verdad permite verificar que la ecuación
representa la proposición lógica necesaria del problema
que se está resolviendo
que se está resolviendo.
En el ej. anterior el único caso que no podrá darse es:
yA = 1 e y
= 1 e yB = 0, es decir que no se puede producir A sin
= 0 es decir que no se puede producir A sin
producir B .Todas las otras opciones son posibles, como se
ve en la tabla
ve en la tabla.
EL TRABAJO PRACTICO N°5 SE RESUELVE CON SOLVER DE
EXCEL.
En Solver, la elección de variable binaria se hace en la
ventana de restricciones opción “int”.
En este ej. se muestra que las variables ubicadas en las
celdas A1 a D1 son enteras “int” (integer).
TEORIA DE LA DUALIDAD
La forma estándar de un programa lineal se muestra a la izquierda y su
correspondiente programa dual a la derecha.
NOTAS:
Cuando hay restricciones de igualdad en el primal, se toma como si
fueran del mismo sentido que las demás desigualdades del
fueran del mismo sentido que las demás desigualdades del
programa.
Para poder obtener el programa lineal dual, todas las desigualdades en
p p g , g
el programa lineal primal deben ser del mismo sentido.
En el práctico de Dualidad se puede usar Solver de Excel para obtener
las soluciones de los problemas.
PROGRAMACION POR
CAMINO CRITICO
(PERT/CPM)
EL PERT/CPM ES UN METODO BASADO
EN REDES, DISEÑADO PARA AYUDAR EN
LA PLANIFICACION, PROGRAMACION Y
CONTROL DE PROYECTOS.
Un proyecto se define como una colección de actividades
interrelacionadas, en la cual cada actividad requiere un
tiempo y recursos
recursos.
Para aplicar la técnica de PERT/CPM debemos:
1) Definir las actividades del proyecto, sus relaciones de
precedencia y sus requerimientos de tiempo
tiempo.
2) Traducir el proyecto en una red que muestre las relaciones
de precedencia entre las actividades.
3)) Hacer los cálculos específicos
p de red q
que faciliten el
desarrollo del programa de tiempo para el proyecto.
DIAGRAMA DE PRECEDENCIA
REPRESENTACION DE LA RED
INICIACION FINALIZACION
Una tarea puede preceder a varias:
Por
P ej. Supongamos que lla ttarea 4
j S 4-5
5 ffuera hhacer llos cimientos
i i t d dell edificio,
difi i lla ttarea 2
2-4
4
comprar materiales, y la 2-3 excavar el terreno. Las tareas 2-3 y 2-4 se deben realizar
antes que la 4-5, y ambas se pueden hacer simultáneamente. Para representar esta
situación se debe usar una tarea ficticia (la tarea 3
3-4)
4) que no insume tiempo ni tiene
costos. Esto se hace porque no puede haber dos tareas que tengan el mismo nodo de
iniciación y el mismo nodo de finalización.
FECHA MAS TEMPRANA Te (tiempo de iniciación más
próximo)
ó i )
Los nodos se dividen en 3 áreas. En la superior va el número de nodo.
En el area de la derecha la fecha más temprana
p de iniciación de la
tarea. Ej. El nodo 1 inicio del proyecto Te=0, el nodo 2 Te= 0+3 (3 es el
tiempo que insume la tarea 1-2). Al el nodo 3 llegan 2 tareas, se pone
la Te mas grande: 0+7 > 3+1 entonce se pone 7. Cuando a un nodo
llegan varia tareas, como fecha más temprana Te pone la mayor de
todas. El cálculo de las Te se hace avanzando en la red desde la
izquierda hacia la derecha
derecha.
7
FECHA MAS TARDIA Ta (tiempo de iniciación más alejado,
es decir lo mas tarde que se puede inciar la tarea)
El cálculo
ál l de
d las
l TaT se hace
h desde
d d la l derecha
d h hacia
h i lal izquierda,
i i d y se
coloca en el área de la izquierda. En el último nodo 4, se pone como
Ta la fecha mas temprana Te. Para calcular la Ta del nodo 3, se resta a
la Ta del nodo 4 el tiempo de ejecución de la tarea 3-4, Ta = 11- 4 =7.
Para el nodo 2 será Ta=7 – 1 = 6. Como del nodo 1 parten 2 tareas, se
elege
g la menor de las Ta,, 7-7=0 < 6 -3=3,, por
p lo tanto es 0. En los
nodos en los que parten varias tareas siempre se elige como Ta la
menor de ellas.
6 3
0 7 7 11 11
DIAGRAMA DE PRECEDENCIA DEL PROYECTO:
muestra la secuencia de tareas del proyecto desde el incio hasta
la finalización del mismo. El tiempo que demora en ejecutarse
cada tarea se coloca sobre la flecha de representa
p dicha tarea.
En este caso la ejecución del proyecto, en donde tiempos de la
tareas están dados en días, será de 11 días.
TAREAS CRITICAS DEL PROYECTO
1) Tai =Tei
2) Taj =Tej
3)) Taj-Tai =Tej-Tei = Duración de la tarea ijj
Por ej. la tarea 3-4 es crítica por cumple con las condiciones mencionadas:
1) 7=7 (Tai =Tei)
2) 11=11 (Taj =Tej)
3)) 11-7=11-7= 4 ((Taj-Tai =Tej-Tei = Duración de la tarea ijj )
CAMINO CRITICO DEL PROYECTO
La sucesión
ió ordenada
d d de
d tareas críticas
íi d d
desde
el evento inicial hasta el nodo final, recibe el
nombre de camino o ruta crítica.
crítica
MARGEN DE FLOTACION: Es el tiempo p que
q se puede
p
aplazar la iniciación o demorar la ejecución sin afectar
la fecha de finalización del proyecto.
MF = Tai – Tei
MARGEN TOTAL: Es el tiempo más amplio del que
puede disponer una actividad.
actividad Este margen incluye los
márgenes de varias tareas posteriores. Si se usa el
margen total de alguna tarea, hay que volver a calcular
el camino crítico para verificar la nueva situación de las
tareas que faltan ejecutar.
4
DIAGRAMA DE GANTT
Permite visualizar la secuencia de iniciación de tareas. Se suele
agrupar las tareas criticas y marcarlas con otro color.
CADENAS DE MARKOV
CADENAS DE MARKOV
La cadena de Markov es un proceso estocástico que
evoluciona en el tiempo de una modo probabilístico. Esta
es una técnica que maneja las probabilidades de
ocurrencia futuras mediante el análisis de las
probabilidades conocidas en el presente.
presente Esta técnica
tiene diversas aplicaciones en el mundo de los negocios,
de la medicina, de la meteorología y en otros campos.
Los procesos de Markov que se van a estudiar en
este curso cumplen con las siguientes hipótesis:
l l i i hi ó i
• Existe un número finito de estados o condiciones
E it ú fi it d t d di i
del sistema
del sistema
• La probabilidad de cambiar de estado permanece
constante en el tiempo
• Se
Se puede predecir cualquier estado futuro a partir
puede predecir cualquier estado futuro a partir
del estado anterior
• El tamaño y estructura del sistema no varía
durante el estudio
En el análisis de Markov se deben cumplir dos
condiciones para los estados:
condiciones para los estados:
1) Los estados son colectivamente exhaustivos
2) Los estados son mutuamente excluyentes
EJEMPLO
EEn un determinado
d t i d pueblo
bl pequeño
ñ h
hay
solamente 2 estaciones de servicio, A y B, que
satisfacen las necesidades de los automovilistas,
que son la p
q población a considerar.
Cada
d vez que un cliente
l necesita un servicio para
su automóvil, debe hacer una elección sobre cuál
estación utilizar.
Se puede considerar a un cliente y a las estaciones de
servicio como un sistema.
sistema
Por lo
P l tanto,
t t en cualquier
l i tiempo
ti d d del
dado d l sistema
it está
tá
en uno de sus dos estados. Por supuesto, a lo largo de
un período
í d ell sistema
it puede
d moverse de
d un estado
t d all
otro.
Por ej. la sucesión de estados 1,2,2,1 indica que en cuatro
servicios sucesivos, el sistema cambió del estado 1 al 2,
permaneció en el estado 2 y después cambió al estado 1.
Entonces para este ejemplo:
j
Sistema bajo estudio: la selección de una estación de
servicio por parte del cliente
p y ( )
Los resultados posibles: los estados 1 y 2 (son finitos).
Los estados son exhaustivos, no existen más que 1 y 2, y
son mutuamente excluyentes, el sistema estará en un
y ,
estado o en el otro.
Una vez identificado los estados del sistema, se debe determinar
la probabilidad de que el sistema esté en cada estado y la
probabilidad de pasar de un estado a otro.
MATRIZ DE TRANSICION
MATRIZ DE TRANSICION
Estado siguiente
Estado 1 Estado 2
Estaado actuaal
t12
t21
t11
t22
t12
DISTRIBUCION INICIAL
VECTOR DE ESTADO INICIAL
X0 = [0,60 0,40]
Una de aplicaciones de las cadenas de Markov
es p
predecir el futuro. Conocidos el vector de
estado actual y la matriz de transición, se puede
calcular las probabilidades de estado en una
fecha futura.
VECTOR DE ESTADO Xn
Para n=1
X1 1 = X0 T
Para n=2
X2 = X
X1 T = X T2
T X0 T
Y así sucesivamente . Y para n=n
Xn = X0 T n
VECTOR DE ESTADO ESTABLE Q
VECTOR DE ESTADO ESTABLE Q
Las probabilidades de estado a largo plazo, se denominan probabilidad
d estado
de t d estable
t bl o de
d equilibrio
ilib i y se calculan
l l de d la
l siguiente
i i t manera:
Q T = Q
Para encontrar el vector de estado estable se debe considerar la condición
que:
E t d absorbentes:
Estados b b t En E algunos
l casos no es posible
ibl ir
i de
d un estado
t d a
otro estado en el futuro, es decir que cuando se encuentra en un
estado
t d dado,
d d este
t lo
l “absorbe”
“ b b ” y permanece en ese estado.
t d Cualquier
C l i
estado que tiene esa propiedad se llama estado absorbente. (por ej.
una persona que se jubila).
j bil )
Las cadenas de Markov que tienen estados absorbentes se denominan
cadenas absorbentes y tienen:
•Uno o varios estados absorbentes con probabilidad nula de ser
abandonados, y
•Uno o varios estados no absorbentes desde los cuales se pueden
p
acceder a estados absorbentes
Grafo de transiciones con estados absorbentes
En este ejemplo, los nodos 1 y 3 representan estados
absorbentes porque una vez que se pasa a ellos no se puede
salir. Desde los estados 0 y 2, que son no absorbentes, se pueden
acceder a estados absorbentes
En el caso de sistemas con estados absorbentes, se debe
reagrupar la matriz de transición de la siguiente manera:
I: matriz identidad
θ: matriz nula
θ: matriz nula
A: matriz de estados absorbentes
N: matriz de estados no absorbentes
Matriz identidad (I) : cada elemento representa la
probabilidad de permanecer en un estado absorbente
probabilidad de permanecer en un estado absorbente
en un paso.
Matriz nula (θ): cada elemento representa la probabilidad
( ) p p
de pasar de un estado absorbente a un estado no
absorbente en un paso.
M ti d
Matriz de estados absorbentes (A): cada elemento
t d b b t (A) d l t
representa la probabilidad de pasar de un estado no
absorbente a uno absorbente en un paso.
absorbente a uno absorbente en un paso.
Matriz de estados no absorbentes (N): cada elemento
representa la probabilidad de pasar de un estado no
absorbente a otro no absorbente en un paso.
b b b b
Se define la matriz fundamental mediante la
siguiente expresión:
i i ió
F = ( I ‐ N ) ‐1
La probabilidad de absorción por cada estado
absorbente están representados por los elementos
absorbente están representados por los elementos
de la matriz que se obtiene de hacer el siguiente
producto:
F . A= ( I ‐
( N ) ) ‐1. A
1
0,5
Sea le siguiente ejemplo:
g j p 0,25
0,75
1
0,5
Grafo de transición
Grafo de transición
Matriz de transición
La matriz de transición del sistema se reagrupó de acuerdo al siguiente esquema
generándose 4 matrices, en donde los espacios vacios son ceros:
I: matriz identidad
θ: matriz nula
A: matriz de estados absorbentes
N: matriz de estados no absorbentes
Para el ejemplo, podemos calcular cual es la probabilidad que
estando en el estado 0 termine en el estado 1. Para ello
calculamos la probabilidad de absorción como el producto de las
l l l b bilid d d b ió l d d l
dos matrices (F.A).
F . A = ( I ‐ N ) ‐1. A
LLa probabilidad que estando en el estado O se termine en el estado
b bilid d d l d O i l d
absorbente 1 es del 57,14%
SIMULACION
S utiliza
Se tili cuando
d en ell sistema
it que se quiere
i simular
i l existen
it
variables que tienen un comportamiento aleatorio, entonces la
simulación de Monte Carlo genera valores de las variables que
forman el modelo en estudio.
estudio
DEMANDA Probabilidad
acumulada
0 0,05
1 0 15
0,15
2 0,35
3 0,65
4 0,85
5 1,00
PASO 3:
PASO 3 Establezca intervalos de números aleatorios.
E t bl i t l d ú l t i
Después de establecer una distribución de probabilidad
acumulada para cada variable incluida en la simulación,
simulación se debe
asignar un conjunto de números para representar cada
resultado posible.
p
Para simular debemos fijarnos cual es la
Para simular debemos fijarnos cual es la 5 74 4
demanda correspondiente al número 6 35 2
aleatorio asignado a cada día. Para el día 1 7 24 2
el numero aleatorio es 37, que corresponde
el numero aleatorio es 37, que corresponde
a la demanda 3 cuyo intervalo de números 8 03 0
aleatorios es 36 al 65. Para el día 2 también 9 29 2
la demanda es 3 (numero aleatorio 63). Y así
( ) 10 60 3
hasta simular los 10 días solicitados por el
problema.
SISTEMAS DE COLAS
El proceso básico de los modelos de colas es el siguiente: los clientes que requieren
un servicio ingresan al sistema y se unen a una cola o fila. En un determinado
momento un cliente que está en la fila es seleccionado por turno para proporcionarle
el servicio. Una vez que el cliente recibe el servicio solicitado, se retira del sistema.
En la figura
g se ve un esquema
q de este p
proceso.
M
Muchos sistemas normalmente requieren de colas para brindar servicios.
En la siguiente tabla se listan algunos ejemplos. Los clientes no siempre son
personas físicas,
fí i también
t bié pueden d ser productos
d t en una fáb fábrica
i por ejemplo.
j l
La teoría de colas proporciona una metodología de formulación de modelos
matemáticos que describen los sistemas de espera. Estos sistemas son muy
de clientes en cola y sistema, utilización, etc. Estas variables así como los costos
Finita
1) Población de clientes
Infinita (o suficientemente grande)
Determinístico
2) Proceso de llegada (Tiempo entre llegadas)
Probabilístico
Tiempo
p entre llegadas
g Probabilístico: el tiempo
p entre llegadas
g sucesivas es
incierto y variable. Los tiempos entre llegadas probabilísticos se describen
mediante una distribución de probabilidad.
3) Impaciencia: cuando los clientes presentan impaciencia, estos
se retiran sin recibir el servicio ya que consideran que el tiempo de
espera es muy largo.
l El cliente
li t pueded retirarse
ti all momento
t d
de ver
demasiada gente o después de haber hecho la cola un determinado
tiempo.
4) Capacidad:
C id d es el número máximo de clientes que pueden
permanecer en el sistema en cola y siendo atendido. Cuando el
sistema no tiene limitaciones en el número de clientes p permitidos se
dice que tiene capacidad infinita, caso contrario se dice de capacidad
finita.
5) Espera: una línea o líneas múltiples.
6) Disciplina de colas:
• PEPS (primero
( i en entrar,
t primero
i en servir)
i)
• UEPS (ultimo en entrar, primero en servir)
• Prioridad (por ej. mujeres embarazadas)
Sistemas de colas de canal múltiple
Sistemas de colas de canal sencillo
Nº de clientes atendidos simultáneamente
7) Proceso de servicio Prioridad permitida o no
Determinístico
Tiempo de servicio
Probabilístico
Sistemas de un paso
8) Proceso de salida
Sistemas de red de colas
P
R
O
C
E
S
O
D Sistema de un paso
E
S
A
L
I
D
A Sistema de red de colas
Proceso de llegada
En este curso se estudiará exclusivamente el proceso de llegada probabilístico
que se describe mediante la distribución de Poisson.
p entre llegadas
Si el tiempo g sigue
g una distribución exponencial,
p , entonces el
número de llegadas en un período determinado sigue una distribución de
Poisson.
La distribución de Poisson es una distribución de probabilidad discreta. En la
siguiente figura se muestra la probabilidad de ocurrencia de eventos (X), para
dos λ diferentes.
Los procesos de Poisson son procesos markovianos, es decir que
describen eventos aleatorios de sistemas dinámicos que evolucionan
a través de un parámetro t denominado continuo. Sobre este
parámetro continuo, g
p generalmente el tiempo,
p van ocurriendo eventos
en forma estadísticamente independientes y también
independientemente del comienzo del continuo.
X / X / M / N / (N´)
1) La posición 1 indica el proceso de llegada.
a) D determinístico
b) P probabilístico y distribución exponencial
c) G probabilístico distribución diferente a la exponencial
Lq
tiempo
μ: número
ú promedio
di d
de clientes
li t que puede d atender
t d un canall por
unidad de tiempo, o tasa promedio de clientes atendidos.
μn : número ppromedio de clientes q
que egresan
g del sistema p
por unidad
de tiempo, cuando el estado del sistema es n.
μ: número promedio de clientes que egresan del sistema por unidad de
tiempo o tasa promedio de egresos
tiempo, egresos.
: intensidad de trafico ( = λ / μ)
NOMENCLATURA DE ALGUNAS MEDIDAS DE
RENDIMIENTO PARA EVALUAR UN SISTEMA DE COLAS
Costos
Costo asociado a la espera
Por lo tanto los costos totales se calculan mediante la siguiente ecuación.
C = CE+CS
El costo total C es la suma de los costos de permanencia CE mas los costos de
servicio CS.
Considerando los costos unitarios de permanencia en el sistema ce y de
servicios cs, los costos se pueden expresar como: Z = ce . L + cs . μ
CE disminuyen con el aumento del valor de μ (vea la expresión de L), mientras
que CS aumenta con μ linealmente.
linealmente
Graficando los costos se obtiene la sig. figura.
z CE+CS
CS
C min
CE
μo μ
Lc
Análisis de un Sistema P/P/1/(N´)
Para estudiar los sistemas con p
población finita se trabaja
j con cada cliente
de manera individual y se definen los siguientes parámetros :
ρr = λr / μ : intensidad de tráfico