Guías Prácticas de Investigación de Operaciones
Transcripción
Guías Prácticas de Investigación de Operaciones
Guías Prácticas de Investigación de Operaciones Julio Rito Vargas Avilés/UNI | Página 1 Guías Prácticas de Investigación de Operaciones INDICE Página Introducción 2 Justificación 7 Conjuntos convexos y no convexos- Práctica 1. 13 Solución Gráfica de PPL.- Práctica 2. 18 Solución por método simplex y revisado de PPL - Práctica 3.| 26 Análisis de sensibilidad y Dualidad.- Práctica 4. 44 Problemas de Transporte.- Práctica 5. 54 Problemas de Transbordo.- Práctica 6. 63 Problemas de Asignación.- Práctica 7. 76 Problema de la Ruta crítica.- Práctica 8. 80 Problemas del Camino más corto.- Práctica 9 . 85 Problema de Costo mínimo.- Práctica 10. 92 Problema del Flujo máximo.- Práctica 11. 96 Problema del Árbol de expansión mínimo.- Práctica 12. 115 Problema de Análisis de decisión.- Práctica 13. 122 Problema resueltos por Árbol de decisión.- Práctica 14. 135 Problemas de Colas.- Práctica 15. 143 Problemas de Inventarios.- Práctica 16. 156 Problemas de Programación Dinámica.- Práctica 17. 162 Problemas de Cadenas Markov.- Práctica 18. 170 Problemas de Teoría de Juegos.- Práctica 20. 175 Problemas misceláneos resueltos. 180 Bibliografía. 220 Software de apoyo. 222 Julio Rito Vargas Avilés/UNI | Página 2 Guías Prácticas de Investigación de Operaciones Introducción Con este libro de guías prácticas para la asignatura de Investigación de operaciones, pretendemos que los estudiantes que cursan las asignaturas de Investigación operativa I y II cuenten con material metodológica y diádicamente elaborado para que pueda realizar sus prácticas sin la asistencia del profesor. La mayoría de las prácticas están orientadas para que los estudiantes las puedan realizar con el apoyo del computador. Si bien es cierto hay varios software que pueden usarse, recomendamos que las prácticas las haga con WinQSB, por contener todos los módulos que son abordados en este texto y contamos con un manual del Software para apoyo del estudiante. El libro inicia cada práctica con ejemplos ilustrativos, resueltos metodológicamente, para facilitar el aprendizaje del estudiante y así permitirle abordar la guía práctica correspondiente con mayor dominio y poder resolverla con un alto grado de seguridad. El libro lo hemos estructurado en tres grandes aspectos: Los ejemplos que anteceden cada guía práctica, las guías prácticas que debe ser resulta por el estudiante con apoyo del computador y una miscelánea de problemas propuestos y resueltos al final del libro, que le permitirán a los estudiantes tener una visión más amplia del mundo de problemas prácticos que se pueden abordar desde los métodos cuantitativos. Este libro de guías prácticas está orientado para que sea desarrollado en dos semestres, las primeras 8 prácticas para el I semestre y las restantes en el segundo semestre. Cada guía práctica no necesariamente se debe de desarrollar en un período de laboratorio (2 horas), algunas pueden durar más de acuerdo a las orientaciones del profesor de la asignatura, algunas prácticas el alumno las resolverá en forma independiente, en su casa o donde él estime conveniente. No obstante independiente de la forma y donde el alumno resuelva cada guía, el profesor debe garantizar que se haga un análisis colectivo sobre la misma, esta parte es esencial para el dominio de los temas tratados. Las guías fueron organizadas de forma que permita al estudiante un conocimiento progresivo, iniciando desde la parte básica de los hiperplanos hasta el desarrollo de temas de mayor complejidad en el análisis y en la toma de decisiones. Sin embargo no es obligatorio ni riguroso seguir el orden en que se proponen todas las prácticas, eso dependerá de la orientación e interés que el profesor de la asignatura tenga y del dominio de las temáticas por parte de los estudiantes. Julio Rito Vargas Avilés/UNI | Página 3 Guías Prácticas de Investigación de Operaciones Es importante desarrollar completamente cada práctica y logro los objetivos propuestos en la misma. Justificación La investigación de operaciones es una de las asignaturas que generan mayor expectativa en los estudiantes y profesionales que las cursan. Por cuanto son de suma importancia para la toma de decisiones. La toma de decisiones es la tarea esencial de las organizaciones (pequeñas, medianas y grandes) y de los individuos que de forma independiente a diario tienen que enfrentar problemas. En la toma de decisiones el análisis puede tomar dos formas: cualitativo y cuantitativo. El análisis cualitativo se basa principalmente en el juicio y experiencia de la gerencia, incluye sentimientos intuitivos sobre los problemas tratados y es más un arte que una ciencia. Los métodos cuantitativos juegan un papel clave en la Administración y la optimización de procesos. Por lo que es relevante estudiar los diferentes métodos cuantitativos que mejor se ajusten a la solución de problemas del campo de la investigación de operaciones. El análisis cuantitativo se concentra en hechos cuantitativos o datos asociados con los problemas y desarrolla expresiones matemáticas que describen las relaciones entre ellos. Utilizando los métodos cuantitativos se obtienen resultados con los que se hacen recomendaciones basadas en los datos cuantitativos del problema. El papel del análisis cuantitativo en la toma de decisiones puede variar dependiendo de los factores cualitativos. Los modelos matemáticos son la base de los modelos cuantitativos. A su vez, la esencia de la Investigación de operaciones es el uso de los modelos. Este documento de carácter práctico tiene como propósito abordar los métodos de solución de los diferentes modelos matemáticos que se formulan en la investigación de operaciones, tanto desde el punto de vista analítico, gráfico como auxiliarnos de las herramientas computacionales sobre todo aquellos cuyo nivel de complejidad de cálculo lo requieren y centrar el esfuerzo en el análisis de sensibilidad de los posibles escenarios que se pudiesen presentar y que son incertidumbre que en el mundo de la gestión a diario tenemos que enfrentar. Julio Rito Vargas Avilés/UNI | Página 4 Guías Prácticas de Investigación de Operaciones CONJUNTOS CONVEXOS Y NO CONVEXOS Para analizar el concepto de conjunto convexo, consideremos los siguientes conjuntos. CONJUNTO A CONJUNTO B B A CONJUNTO C CONJUNTO D. C D Definición de Conjunto Convexo: Conjunto que contiene cualquier segmento que une dos puntos del conjunto. Ejemplo: Consideremos el conjunto A. y x Julio Rito Vargas Avilés/UNI | Página 5 Guías Prácticas de Investigación de Operaciones Obsérvese que para cualquier par de puntos x, y que estén dentro del conjunto A, el segmento que une dichos puntos siempre queda dentro del conjunto, en consecuencia A es un conjunto convexo. Consideremos el conjunto B: x y B Obsérvese que para cualquier par de puntos x,y que estén dentro del conjunto B, el segmento que une dichos puntos no queda dentro del conjunto, en consecuencia B no es un conjunto convexo. Consideremos el conjunto C: y x C En este caso para cualquier par de puntos x,y de la recta C, el segmento que los une queda dentro del conjunto, en consecuencia C es un conjunto convexo. Por último sea el conjunto D: y x D Julio Rito Vargas Avilés/UNI | Página 6 Guías Prácticas de Investigación de Operaciones Es claro gráficamente que para cualquier par de puntos x, y, el segmento que los une está totalmente contenido en dicho conjunto. Consideremos un último ejemplo en el plano, sea el conjunto E E Conjunto poligonal delimitado por los puntos ((0,0), (5,0), (0,3), (1,2), (0,0)) Se puede ver que existen segmentos, como el indicado en la figura que contiene puntos que no están en el conjunto, por lo que este conjunto no es CONVEXO. y x EJERCICIO 1 E Determinar si los siguientes conjuntos son o no convexos, dibujándoles previamente: a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1) b. Conjunto poligonal determinado por los puntos (1,1),(2,1),(2,3),(-1,2) (-1,0), (1,1) SOLUCION: a. Es convexo Julio Rito Vargas Avilés/UNI | b. No es convexo Página 7 Guías Prácticas de Investigación de Operaciones Podemos definir conjuntos en el plano de una manera más compleja: Por ejemplo, si consideramos el conjunto S3= {(x, y) € R2/ y ≥ x} ¿Qué hacemos para dibujar este conjunto? y=x Primero dibujamos la curva que delimita el conjunto. En DERIVE, resulta sencillo 1. Poner la ventana en modo gráfico 2D 2. Editar la función y= x 3. Desde el menú Insertar hacer clic en la opción graficar. Para delimitar la región del plano basta considerar un punto que no esté en la curva, por ejemplo (1,2) si ese punto satisface la ecuación entonces ese es el recinto a considerar, en nuestro caso como 2 sí es mayor o igual que 1, entonces el recinto es y=x S3 Obsérvese que es claramente convexo pues cualquier par de puntos que estén en S3 el segmento que los une está claramente contenido en S3. ¿Qué sucedería si no podemos representar gráficamente el conjunto, como sucede con conjuntos de dimensión superior a 3? Julio Rito Vargas Avilés/UNI | Página 8 Guías Prácticas de Investigación de Operaciones En esos casos es necesario dar una definición analítica de conjunto convexo, para lo cual efectuamos la siguiente definición: CONJUNTO CONVEXO. Diremos que un subconjunto S Rn es convexo si para cualquier par de puntos y para cualquier [0,1] se cumple que llamamos segmento de extremos está en S, es decir que si por S es convexo si para cualesquiera , ¿Cuál es el significado de z = x + (1- )y? Vamos a verlo en un ejemplo: EJEMPLO: Estudiar analíticamente si el conjunto anterior S3= {(x, y) € R2/ y ≥ x} es un conjunto convexo. Para ello consideremos dos vectores de S3 (x1,y1), (x2,y2), Habría que comprobar si b(x1,y1)+(1-b)(x2,y2) es un vector que pertenece a S3 para cualquier valor de b en [0,1] Es decir tendremos que comprobar si b x1+ (1-b) x2 by1+ (1-b) y2 Como x1y1 entonces bx1by1 (pues b es positivo o cero) Y como x2 y2 entonces (1-b) x2 (1-b) y2 Sumando ambas expresiones se obtiene la desigualdad por tanto S3 es un conjunto convexo. Esto en DERIVE se puede realizar definiendo dos vectores: V1: = [x1, y1] V2: = [x2, y2] Julio Rito Vargas Avilés/UNI | Página 9 Guías Prácticas de Investigación de Operaciones Y comprobando si el vector b - v1 + (1 - b)* v2 Que una vez simplificado nos da [b(x1-x2) + x2 , b(y1-y2) + y2] Y al expandirle [b * x1- b * x2) + x2 , b * y1- b * y2 + y2] Si es un vector del conjunto S3. EJERCICIO 2 Estudiar de forma gráfica si los siguientes conjuntos son o no conjuntos convexos. a. b. SOLUCIONES: a. Lo hacemos gráficamente, representando el conjunto. Para ello dibujamos los dos límites del conjunto x2+y2=1 y x2+y2=4 (circunferencias de radio 1 y radio 2) Definimos las expresiones x2 + y2 =1 x2 + y2 =4 Y luego las graficamos con Derive de la misma que lo hemos hecho anteriormente Julio Rito Vargas Avilés/UNI | Página 10 Guías Prácticas de Investigación de Operaciones ¿Cuál es el recinto? Ahora debemos determinar en que lado de la circunferencia se sitúa el conjunto. Tomemos un punto fuera de ambas circunferencias, por ejemplo (0,0). Y comprobemos si se verifica la primera desigualdad para ese punto 02 + 02 ≥ 1 Efectivamente no se verifica, por tanto el conjunto se sitúa hacia fuera de la circunferencia. Por otro lado 02 + 02 ≤ 1 Es cierta por tanto el conjunto es la corona circular situada entre la circunferencia de radio 1 y la circunferencia radio 2. ¿Este conjunto es convexo? Claramente se ve que no, tomemos dos puntos cualesquiera por ejemplo (1,1/2) y (2,0), ambos pertenecen al conjunto, sin embargo el segmento que los une como se ve no pertenecen al conjunto. Julio Rito Vargas Avilés/UNI | Página 11 Guías Prácticas de Investigación de Operaciones Consideremos las expresiones que definen los límites del conjunto: Representemos ambas rectas: Para saber cuál es exactamente el recinto, tomemos un punto que no esté en dichas rectas, por ejemplo (0,0). Comprobemos a qué 1, comprobamoslado de la recta x + y =1 se encuentra nuestro conjunto x + y 1 verifica la ecuación, por tanto el Recintopara (0,0), y observamos que 0+0 1 está al lado del Y por otro lado para determinar el conjunto x – y x + y 1 por tanto también es de la recta hacia el (0,0),1 comprobamos que 0 – 0 con lo cual tendremos que el recinto será: (0,0). Julio Rito Vargas Avilés/UNI | Página 12 Guías Prácticas de Investigación de Operaciones EJERCICIO 3 Demostrar de forma analítica que el conjunto Conjunto convexo. OBSERVACIÓN. es un vector de Rn c R se verifica que los conjuntos: En general si H= { Rn/ t . =c} H+= { Rn/ t H0+={ Rn/ t c} H-={ Rn/ . . >c} H0-={ Rn/ c} t . t . <c} Son conjuntos convexos. Demostración Demostremos uno de ellos por ejemplo que H = { Rn/ Sean dos vectores cualesquiera el vector t . =c} es convexo. hay que demostrar que si [0,1] entonces pertenece a H. Si entonces se verifica que , Si entonces se verifica que , Julio Rito Vargas Avilés/UNI | Página 13 Guías Prácticas de Investigación de Operaciones Veamos qué ocurre con el producto Luego efectivamente el vector H. cumple la propiedad por tanto pertenece a Lo mismo se puede hacer con el resto de conjuntos. PROPIEDADES DE LOS CONJUNTOS CONVEXOS. Conjuntos convexo "por definición" a) El conjunto vacío (∅) es un conjunto convexo. b) Los conjuntos de un único punto {a}, también son conjuntos convexos. c) También el conjunto Rn (espacio total) es un conjunto convexo. La intersección, finita o infinita, de conjuntos convexos es un conjunto convexo. La combinación lineal de conjuntos convexos es un conjunto convexo. La unión de conjuntos convexos, en general, no tiene porque ser un conjunto convexo. INTERSECCIÓN DE CONJUNTOS CONVEXOS. EJEMPLO. Sean los siguientes conjuntos convexos: Si los representamos tendremos: Julio Rito Vargas Avilés/UNI | Página 14 Guías Prácticas de Investigación de Operaciones ¿Cuál es la intersección de estos dos conjuntos? Se puede ver que la intersección es el conjunto Se puede ver gráficamente que es un conjunto convexo. Y este ejemplo se puede generalizar con la siguiente propiedad: LA INTERSECCIÓN DE CONJUNTOS CONVEXOS ES UN CONJUNTO CONVEXO: Demostración: Si Xi es un conjunto convexo para i=1,..., n. Esto quiere decir que dados dos puntos cualesquiera de este conjunto entonces el segmento que los une está totalmente contenido en el conjunto Xi, es decir lo que queda demostrado. Julio Rito Vargas Avilés/UNI | luego esto quiere decir que con Página 15 Guías Prácticas de Investigación de Operaciones UNIÓN DE CONJUNTOS CONVEXOS. A partir de los conjuntos convexos anteriores S y T, veamos cuál es el conjunto unión. Este conjunto no es convexo pues si considero dos puntos del conjunto por ejemplo (1.04, -1.57) y (2.43,-0.3) Si representamos el segmento que une dichos puntos editando Obtenemos Segmento que no está totalmente contenido en el conjunto. Luego: Julio Rito Vargas Avilés/UNI | Página 16 Guías Prácticas de Investigación de Operaciones La unión de conjuntos convexos en general no es convexo. Vamos a introducir ahora dos nuevos conceptos el concepto de punto extremo de un convexo y el concepto de combinación lineal convexa: CONCEPTO DE PUNTO EXTREMO DE UN CONVEXO. Consideremos el siguiente conjunto convexo: Para representarlo dibujamos las rectas que delimitan los conjuntos: Vamos ahora a ir delimitando los semiplanos determinados por cada una de las desigualdades: 0 x 1 Este recinto es clara su representación: Julio Rito Vargas Avilés/UNI | Página 17 Guías Prácticas de Investigación de Operaciones Vamos a delimitar los otros dos: 2 – x y Consideremos un punto que no está en la recta por ejemplo (0,0). (0,0) verifica la desigualdad? ¿ 2-0 0? No es cierto por tanto al otro lado del (0,0) es decir Por último vamos a delimitar el recinto de la desigualdad y 2+x De nuevo consideremos un punto que no está en la recta y=2+x como es el (0,0), ¿(0,0) satisface la desigualdad? ¿0 2+0? Como es cierto entonces el semiplano está situado de la recta hacia el (0,0), es decir En consecuencia el conjunto delimitado es: Julio Rito Vargas Avilés/UNI | Página 18 Guías Prácticas de Investigación de Operaciones ¿Cuáles son los vértices de este conjunto? La intersección de rectas: [ 2 – x = y; y = 2 + x ] Da el punto [x = 0 y = 2] Las rectas [x = 1; y = 2 – x] El punto [x = 1; y = 1] Y las rectas [x = 1; y = 2 + x] El punto [x = 1 y = 3] Luego los vértices de este conjunto serán: (0,2), (1,1) y (1,3), también llamados puntos extremos de S. Para dar la definición más formal de Punto Extremo de un conjunto convexo, vamos a definir el concepto de Combinación Lineal Conexa. Julio Rito Vargas Avilés/UNI | Página 19 Guías Prácticas de Investigación de Operaciones DEFINICIÓN: COMBINACIÓN LINEAL CONVEXA. Diremos que existen es una combinación lineal convexa de si tales que: 1. 2. Según el ejemplo anterior, podemos comprobar que Todas Las Combinaciones Lineales Conexas de los puntos (0,2), (1,3), (1,1) son todos los puntos del triangulo definido antes. Si queremos comprobar esto vamos a realizar algunas combinaciones lineales convexas de estos tres puntos. Lo vamos a hacer con DERIVE: Definamos en primer lugar los puntos P1 : = [0, 2] P2 : = [1, 3] P3 : = [1, 1] Vamos a ir realizando combinaciones lineales convexas y vamos a ir representando los puntos obtenidos: 0*p1 + 0*p2 + 0*p3 = [1, 1] [1, 1] Obsérvese que en este caso la combinación lineal convexa da el propio p1. En este caso p2 1*p1 + 0*p2 + 0*p3 = [0, 2] [0, 2] Y en este caso p3. 0*p1 + 1*p2 + 0*p3 = [1, 3] [1, 3] Pero existen otras formas de realizar combinaciones lineales convexas: Julio Rito Vargas Avilés/UNI | Página 20 Guías Prácticas de Investigación de Operaciones Veamos lo que tenemos representado hasta ahora: Continuemos haciendo combinaciones lineales convexas Julio Rito Vargas Avilés/UNI | Página 21 Guías Prácticas de Investigación de Operaciones Obtendremos las representaciones: A partir de estas combinaciones lineales convexas podemos obtener una definición de punto extremo de un conjunto convexo, de la siguiente forma. ¿Cuál es la combinación lineal convexa mediante la cual obteníamos?: ¿p1? ¿p2? ¿yp3? ¿Tiene alguna característica especial? Como puede verse estos puntos tienen una característica especial y es que tan solo intervienen en la combinación lineal el propio punto, por ello definimos: Definición de Punto extremo de un conjunto convexo: Sea S un conjunto convexo. Diremos que si es un Punto Extremo de S no se puede expresar como combinación lineal convexa de dos puntos distintos del propio . También se les suele llamar Vértices del conjunto (si es en R2 ó R3). EJERCICIO 4 Calcular los puntos extremos de los conjuntos: a. b. Julio Rito Vargas Avilés/UNI | Página 22 Guías Prácticas de Investigación de Operaciones SOLUCIÓN: (A) (B) Para obtener puntos extremos hay que resolver la intersección entre recta y circunferencia. Como x = 1 + y, entonces sustituyendo este valor de x en la circunferencia tenemos: (1 + y)2 + y2 = 1 Resolviendo ahora obtenemos: [y = 0; y = -1] Julio Rito Vargas Avilés/UNI | Página 23 Guías Prácticas de Investigación de Operaciones Luego los puntos son para y=0, x=1; (1,0) Y para y = -1, x = 0; (0,-1) que son los puntos extremos. Julio Rito Vargas Avilés/UNI | Página 24 Guías Prácticas de Investigación de Operaciones GUÍA PRÁCTICA # 1 Conjuntos convexos y no convexos Tema 1: Conjuntos Convexos Contenidos: Conjuntos de puntos, rectas e hiperplanos. Conjuntos convexos, propiedades Objetivos: Al finalizar la práctica el estudiante pueda: o o o o I. Identificar gráficamente conjuntos convexos. Graficar conjuntos convexos con restricciones. Identificar gráficamente conjuntos acotados y cerrados. Determinar si las formas graficas de uniones e intersecciones conjuntos convexos son también conjuntos convexos. de Indique cual de los siguientes conjuntos son convexos. a) ______________________ d) ______________________ b) _____________________ e) ______________________ f) ______________________ c) ______________________ Julio Rito Vargas Avilés/UNI | Página 25 Guía Práctica para Investigación de Operaciones II. Clasifique los gráficos anteriores en Acotados y no acotados. Acotados III. No Acotados Haciendo uso de Derive, grafique los siguientes puntos, y determine si el conjunto formado es convexo, acotado y cerrado. a) 0,0, 5,0, 0,3, 1,2, 0,0 b) 0,1, 1,0, 1,3, 0,1 c) 1,1, 2,1, 2,3, 1,2, 1,0, 1,1 Julio Rito Vargas Avilés/UNI Página 26 Guía Práctica para Investigación de Operaciones d) IV. 0,1, 4,2 Estudiar de forma gráfica si los siguientes conjuntos son o no conjuntos convexos, acotados y cerrados. a) S1 x, y R 2 / 4 x 2 y 2 9 b) S 2 x, y R 2 / x y 3, x y 4 Julio Rito Vargas Avilés/UNI Página 27 Guía Práctica para Investigación de Operaciones V. c) S 3 x, y R 2 / x 0, x y 0, x y 1, y 0 d) S 4 x, y R 2 / x 0, y 0, x 1, y 1 A partir de los siguientes conjuntos S y T, establezca si el conjunto unión e intersección de S y T es convexo, acotado y cerrado. 1. S x, y R 2 / x 2 y 2 4 T x, y R 2 / x 1 y 1 4 2 Julio Rito Vargas Avilés/UNI 2 Página 28 Guía Práctica para Investigación de Operaciones 2. S x, y R 2 / x y 5 T x, y R 2 / x y 6 I. Graficar los siguientes conjuntos de ecuaciones con el sistema de coordenadas rectangulares y con el programa Derive 6.0. Verificar si la intersección de las mismas forma un conjunto convexo. Si es así indicar si el poliedro formado es acotado y cerrado. 1. 2. 2 x1 3 x 2 12 8 x1 2 x2 16 x1 3 x 2 0 x1 x2 12 x1 , x 2 0 x1 , x2 0 3. 3 x1 2 x2 12 2 x1 4 x2 12 x2 1 x1 , x2 0 4. 2 x1 3 x 2 3 x1 5 x 2 1 2 x1 x 2 4 4 x1 x 2 5 x1 , x 2 0 5. 6. x1 x2 1 x1 x2 1 x1 x2 3 x1 x2 4 x1 , x2 0 Julio Rito Vargas Avilés/UNI x1 x2 3 2 x1 x2 2 x1 , x2 0 Página 29 Guía Práctica para Investigación de Operaciones 7. x1 x2 1 x1 x2 3 x1 x2 0 9. 3x1 x2 3 x1 , x2 0 8. 2 x1 x 2 9 x1 4 x2 3 x1 , x 2 0 10. x1 2 x2 5 x1 3 x2 2 x1 , x2 0 Julio Rito Vargas Avilés/UNI Página 30 Guía Práctica para Investigación de Operaciones PROGRAMACIÓN LINEAL Los fundamentos matemáticos de la programación lineal se deben al matemático norteamericano de origen húngaro Janos von Neuman (1903-1957), quien en 1928 publicó su famoso trabajo Teoría de Juegos. En 1947 conjetura la equivalencia de los problemas de programación lineal y la teoría de matrices desarrollada en sus trabajos. La influencia de este respetado matemático, discípulo de David Hilbert en Gotinga y, desde 1930, catedrático de la Universidad de Princenton de Estados Unidos, hace que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina. En 1858 se aplicaron los métodos de la programación lineal a un problema concreto: el cálculo del plan óptimo de transporte de arena de construcción a las obras de edificación de la ciudad de Moscú. En este problema había 10 puntos de partida y 230 de llegada. El plan óptimo de transporte, calculado con el ordenador Strena en 10 días del mes de junio, rebajó un 11% los gastos respecto a los costos previstos. Se ha estimado, de una manera general, que si un país subdesarrollado utilizase los métodos de la programación lineal, su producto interior bruto (PIB) aumentaría entre un 10 y un 15% en tan sólo un año. Definición de Programación lineal: Se llama programación lineal al conjunto de técnicas matemáticas que pretenden resolver la situación siguiente: Optimizar (maximizar o minimizar) una función objetivo, función lineal de varias variables, sujeta a una serie de restricciones, expresadas por inecuaciones lineales. Un problema de programación lineal en dos variables, tiene la siguiente formulación estándar: Pudiendo cambiarse maximizar por minimizar, y el sentido de las desigualdades. En un problema de programación lineal intervienen: La función z = ax + by llamada función objetivo y que es necesario optimizar. En esa expresión x e y son las variables de decisión, mientras que a, b y c son constantes. Las restricciones que deben ser inecuaciones lineales. Su número depende del problema en cuestión. El carácter de desigualdad viene impuesto por las limitaciones, disponibilidades o necesidades, que son: inferiores a … ( < o ); como mínimo de… ( > o ) . Tanto si se trata de maximizar como de minimizar, las desigualdades pueden darse en cualquiera de los dos sentidos. Julio Rito Vargas Avilés/UNI Página 31 Guía Práctica para Investigación de Operaciones Al conjunto de valores de x e y que verifican todas y cada una de las restricciones se le denomina conjunto (o región) factible. Todo punto de ese conjunto puede ser solución del problema; todo punto no perteneciente a ese conjunto no puede ser solución. En el apartado siguiente veremos cómo se determina la región factible. La solución óptima del problema será un par de valores (x0, y0) del conjunto factible que haga que f(x,y) tome el valor máximo o mínimo. Utilizaremos las siglas PPL para indicar problema de programación lineal Determinación de la región factible: La solución de un problema de programación lineal, en el supuesto de que exista, debe estar en la región determinada por las distintas desigualdades. Esta recibe el nombre de región factible, y puede estar o no acotada. Región factible acotada Región factible no acotada La región factible incluye o no los lados y los vértices, según que las desigualdades sean en sentido amplio ( o ) o en sentido estricto (< o >). Si la región factible está acotada, su representación gráfica es un polígono convexo con un número de lados menor o igual que el número de restricciones. El procedimiento para determinar la región factible es el siguiente: 1) Se resuelve cada inecuación por separado, es decir, se encuentra el semiplano de soluciones de cada una de las inecuaciones. Se dibuja la recta asociada a la inecuación. Esta recta divide al plano en dos regiones o semiplanos Para averiguar cuál es la región válida, el procedimiento práctico consiste en elegir un punto, por ejemplo, el (0,0) si la recta no pasa por el origen, y comprobar si las coordenadas satisfacen o no la inecuación. Si lo hacen, la región en la que está ese punto es aquella cuyos puntos verifican la inecuación; en caso contrario, la región válida es la otra. 2) La región factible está formada por la intersección o región común de las soluciones de todas las inecuaciones. Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales pueden presentar varias opciones respecto a sus soluciones: puede no existir solución, en el caso de que exista el conjunto solución puede ser acotado o no. Veámoslo con un ejemplo: Julio Rito Vargas Avilés/UNI Página 32 Guía Práctica para Investigación de Operaciones Dibuja la región factible asociada a las restricciones: x+y y 4 y x 4 Las rectas asociadas son: r : x + y = 4 ; s : y = 4 , t: y = x Elegimos el punto P(0,0), que se encuentra en el semiplano situado por debajo de la recta. Introduciendo las coordenadas (0,0) en la inecuación x + y 4, vemos que no la satisface: 0 + 0 = 0 < 4 . Por tanto, el conjunto de soluciones de la inecuación es el semiplano situado por encima de la recta r : x + y = 4 . La recta t asociada a la restricción pasa por el origen, lo cual significa que si probásemos con el punto P(0,0) no llegaríamos a ninguna conclusión. Elegimos el punto (1,0) y vemos que no satisface la inecuación y x (y = 0 < 1 = x ). Por tanto, el conjunto solución de esta inecuación es el semiplano determinado por la recta t que no incluye al punto (1,0). Julio Rito Vargas Avilés/UNI Procedemos como en el paso anterior. Las coordenadas (0,0) satisfacen la inecuación y 4 ( 0 4) . Por tanto, el conjunto de soluciones de la inecuación es el semiplano que incluye al punto O. La región factible está formada por los puntos que cumplen las tres restricciones, es decir, se encuentran en los tres semiplanos anteriores. Página 33 Guía Práctica para Investigación de Operaciones Método gráfico : Solución Gráfica de un problema de PL Problema 1. La WINDOR GLASS CO produce artículos de vidrio de alta calidad, entre ellos ventanas y puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos. Debido a una reducción de las ganancias, la alta administración ha decidido reorganizar la línea de producción de la compañía. Se descontinuarán varios productos no rentables y se dejará libre una parte de la capacidad de producción para emprender la fabricación de dos productos nuevos que tienen ventas potenciales grandes: – – Producto 1: una puerta de vidrio de 8 pies con marco de aluminio. Producto 2: una ventana corrediza con marco de madera de 4 pies por 6. El producto 1 requiere de la capacidad de producción en las plantas 1 y 3 y nada en la planta 2. El producto 2 sólo necesita trabajo en las plantas 2 y 3. La división de comercialización ha concluido que la compañía puede vender todos los productos que se puedan fabricar en las plantas. Sin embargo, como ambos productos competirán por la misma capacidad de producción en la planta 3, no está claro qué mezcla de productos sería la más rentable. Por lo tanto, se ha formado un equipo de IO para estudiar este problema. El grupo comenzó a realizar juntas con la alta administración para identificar los objetivos del estudio y desarrollaron la siguiente definición del problema: Determinar que tasas de producción deben tener los dos productos con el fin de maximizar las utilidades totales, sujetas a las restricciones impuestas por las capacidades de producción limitadas disponibles en las tres plantas. (Cada producto se fabricará en lotes de 20 unidades, de manera que la tasa de producción está definida con el número de lotes que se producen a la semana) Se permite cualquier combinación de tasas de producción que satisfaga estas restricciones, incluso no fabricar uno de los productos y elaborar todo lo que se posible del otro. El equipo de IO también identificó los datos que necesitan reunir: Número de horas de producción disponibles por semana en cada planta para estos nuevos productos. (Casi todo el tiempo de estas plantas estás plantas está comprometido con los productos actuales, lo que limita la capacidad para manufacturar nuevos productos.) Número de horas de fabricación que emplea cada lote producido de cada artículo nuevo en cada una de las plantas. Julio Rito Vargas Avilés/UNI Página 34 Guía Práctica para Investigación de Operaciones La ganancia por lote de cada producto nuevo. (Se escogió la ganancia por lote producido como una medida adecuada una vez que el equipo llegó a la conclusión de que la ganancia incremental de cada lote adicional producido sería, en esencia, constante, sin importar el número total de lotes producidos. Debido a que no se incurre en costos sustanciales para iniciar la producción y comercialización de estos nuevos productos, la ganancia total de cada uno es aproximadamente la ganancia por lote producido multiplicado por el número de lotes.) La obtención de estimaciones razonables de estas cantidades requirió del apoyo de personal clave en varias unidades de la compañía. El personal de la división de manufactura proporcionó los datos de la primera categoría mencionada. El desarrollo de estimaciones para la segunda categoría requirió un análisis de los ingenieros de manufactura involucrados en el diseño de los procesos de producción para los nuevos artículos. Al analizar los datos de costos obtenidos por estos ingenieros, junto con la decisión sobre los precios de la división de mercadotecnia, el departamento de contabilidad calculó las estimaciones para la tercera categoría. • La tabla siguiente resume los datos reunidos de la información anterior. Planta Tiempo de producción por Lotes, Horas Tiempo de producción disponible a la semana, horas Producto 1 2 3 Ganancias por lote 1 1 0 3 $ 3000 2 0 2 2 $5000 4 12 18 El primer paso para la resolución del problema de programación es la definición de las variables de decisión en este caso tenemos dos tipos de producto: 1. Variables de decisión x1 Número de lotes del producto1 fabricado por semana x2 Número de lotes del producto2 fabricado por semana La función objetivo es lo que queremos optimizar (minimizar o maximizar), por ello está compuesta por los costos de cada producto, los cuales van acompañado por las variables de decisión en el caso de la minimización y de utilidades y variables de decisión en el caso de la maximización. En este problema en particular lo que desea la empresa es encontrar la solución que maximice sus utilidades. Colocamos 3 en lugar de 3000 y 5 en lugar de 5000, para trabajar en unidades mas pequeñas; pero al final representa miles de dólares. 2. Función Objetivo Maximizar Z f ( x1 , x2 ) 3x1 5x2 Julio Rito Vargas Avilés/UNI Página 35 Guía Práctica para Investigación de Operaciones En este caso las restricciones son las limitantes que tiene la empresa para producir el producto1 y el producto2. Tenemos 3 restricciones bien definidas, las cuales. Cabe señalar que las restricciones de no negatividad, siempre es necesario incluirlas, ya que en las respuestas no pueden resultar valores menores que cero, sino la solución del problema no tendría ningún sentido. 3. Restricciones x1 4 Horas disponibles en la planta 1, para producir lotes del producto 1 2 x2 12 Horas disponibles en la planta 2, para producir lotes del producto 2 3x1 2 x2 18 Horas disponibles en la planta 3, para producir lotes del producto 1 y producto 2 x1 0 x2 0 Restricciones de no negatividad 4. Formule el modelo matemático del PPL. Ahora se puede formular el modelo matemático del problema para lo cual definimos la función objetivo a maximizar, sujeta a las restricciones que se señalan. Máx. Z 3x1 5 x2 S.a x1 4 2 x2 12 3 x1 2 x2 18 x1 0 x2 0 Julio Rito Vargas Avilés/UNI Página 36 Guía Práctica para Investigación de Operaciones 5. Con la forma estándar del modelo, graficamos para encontrar la región factible. Si hacemos uso del WinQSB los pasos ha seguir son los siguientes 1. 2. 3. 4. 5. 6. Nos vamos a INICIO. Elegimos todos los programas Damos clic derecho izquierdo en WinQSB y elegimos con un clic izquierdo la herramienta Goal Programming. Al cargar el programa nos vamos a archivo y damos clic en nuevo. Aparecerá una nueva ventana que nos muestra: Título del problema: el título es totalmente opcional cada uno le pueda dar el nombre que desee. Número de Goal, es decir número de metas. En este caso queremos encontrar un solo óptimo por lo cual, la meta es 1. Número de variables: las variables de decisión, no son más que las que definimos al inicio, son dos. Entonces escribimos 2. Número de restricciones: también ya las hemos definido. Son tres restricciones. El programa ya incluye las restricciones de no negatividad, por lo que solamente escribimos las otras faltantes 3. El programa trae la opción de minimización o maximización. Como el nuestro es un problema de maximización le damos entonces clic en maximización. Damos clic en aceptar y nos aparecerá una nueva ventana en la cual veremos en la primera columna C1, C2, C3; estas son las restricciones del problema. Aparece además en la primer fila la letra Z, allí colocaremos los coeficientes de las variables de decisión de la función objetivo. Para tener una mejor interpretación es necesario que cambiamos los nombres a las restricciones e incluso a las variables de decisión, para ello nos vamos a Edición; elegimos la opción constraint name y podemos cambiarle el nombre a las restricciones de igual forma, podemos elegir la opción variable name y definir bien quien es x1 y x2. Cuando hemos introducido los coeficientes de la función objetivo y de las restricciones, entonces podemos irnos a la opción Solve and Analize y elegimos Graphic Method, dado que nuestra intención es resolverlo por el método gráfico. Al hacer esto el programa nos mandará a una nueva ventana, la cual nos indica que variable conforma el eje de las X y cual conforma el eje de las Y, le damos aceptar y ante nosotros aparecerá un gráfico como el que se muestra a continuación. Julio Rito Vargas Avilés/UNI Página 37 Guía Práctica para Investigación de Operaciones (2,6) (0,6) (4,3) Región Factible (0,0) (4,0) Los pares ordenados que han sido seleccionados son los que acotan la llamada Región Factible, son las posibles soluciones al problema y son esenciales para descubrir cual es el óptimo. El siguiente paso es evaluar cada uno de estos puntos y encontrar el que maximice nuestras utilidades al mayor porcentaje posible. 6. Soluciones factibles. Valores permitidos de la región factible (0,0) x1 , x2 (0,6) (2,6) (4,3) (4,0) Función Objetivo Z Z Z Z Z Z 3x1 5x2 3(0) 5(0) 3(0) 5(6) 3(2) 5(6) 3(4) 5(3) 3(4) 5(0) Soluciones factibles (FEV) 0 30 36 27 12 Después de haber analizado las soluciones factibles vemos que la que nos da la máxima utilidad es el punto (2,6) Esto se interpreta de la siguiente manera: 7. Soluciones óptimas: Para obtener la máxima utilidad que es de $36,000 tendremos que producir dos lotes del producto 1 y 6 lotes del producto 2. Julio Rito Vargas Avilés/UNI Página 38 Guía Práctica para Investigación de Operaciones Problema 2. Rulisa fabrica masa para pasteles de tipo I y II. La de tipo I la vende a 5 euros el kilo, gastando 1 euro en ingredientes y 2 en mano de obra. La de tipo II se vende a 3 euros y cuestan 1 euro, tanto los ingredientes como el trabajo. Para hacer las masas se necesitan dos tipos de actividades: amasado y horneado. Rulisa dispone de 18 horas de amasado y 12 de horneado a la semana. La masa de tipo I necesita 2 horas de amasado Y 3 de horneado, mientras que la de tipo II, necesita 3 de amasado y 1 de horneado. Si la cantidad de masa que se puede vender es ilimitada, optimizar los beneficios semanales de Rulisa. Análisis del problema • Identifiquemos los datos que necesitamos para la para definir el modelo: – Número de horas disponibles para producción, por semana. (18 para amasado y 12 para horneado) – Número de horas que requiere cada tipo de masa (tipo I y II) en amasado y horneado. – La ganancia por cada producto (precio de venta - costos de producción) de cada uno. La tabla siguiente resume los datos reunidos. Actividades Tiempo de producción por producto, horas Tipo de masa I Amasado Horneado Ganancias Por Producto II 2 3 €2 3 1 €1 Tiempo de producción disponible a la semana, horas 18 12 Para lograr una mejor solución del problema definiremos nuestras variables de decisión, las cuales son: 1. Variables de decisión x1 Kilogramos de masa I a fabricar semanalmente. x2 Kilogramos de masa II a fabricar semanalmente. Julio Rito Vargas Avilés/UNI Página 39 Guía Práctica para Investigación de Operaciones En este caso la función objetivo estará compuesta por la ganancia obtenida por cada tipo de masa y por las variables de decisión. El problema que estamos resolviendo es un problema de maximización. 2. Función Objetivo Maximizar z f ( x1 , x2 ) 2 x1 x2 Dado que este producto requiere de dos operaciones fundamentales (Amasado, Horneado) las restricciones estarán dadas por la capacidad en horas semanales para estas actividades. Además colocaremos la restricción de no negatividad. 3. Restricciones 2 x1 3x2 18 3x1x2 12 x1 0 x2 0 Tiempo máximo de amasado permitido Tiempo máximo de horneado permitido Restricciones de no negatividad 4. Ahora se puede formular el modelo matemático del problema para lo cual definimos la función objetivo a maximizar, sujeta a las restricciones que se señalaron anteriormente. Maximizar z 2 x1 x2 S. a 2 x1 3x2 18 3x1x2 12 5. Con la forma estándar del modelo, graficamos para encontrar la región factible. x1 0 x 0 Para graficar la región factible 2es necesario que conozcamos los puntos por donde pasan las diferentes rectas por lo que hacemos uso de el método de intercepto. Aunque existen otros Julio Rito Vargas Avilés/UNI Página 40 Guía Práctica para Investigación de Operaciones formas de resolver sistemas de ecuaciones haremos uso de este por considerarlo más sencillo de utilizar. Primero cambiamos el signo por el =. Elegimos de las ecuaciones. 2 x1 3 x2 18 x2 0 x1 0 2 x1 3(0) 18 2(0) 3 x2 18 x1 18 / 2 x2 18 / 3 x1 9 x2 6 Punto1 (0,6) Punto2 (9,0) este punto queda descartado dado que no es uno de los vértices de la región factible 3 x1 x2 12 x2 0 x1 0 3 x1 0 12 3(0) x2 12 x1 12 / 3 x2 12 x1 4 Punto3 (0,12) Punto (4,0) Descartamos este punto dado que No forma parte de la región Factible. Para encontrar la intercepción de las rectas 2 x1 3x2 18 y 3x1 x2 12 usamos el método de sustitución. Veámoslo a continuación. 2 x1 3 x2 18 3 x1 x2 12 2 x1 3(12 3 x1 ) 18 2 x1 9 x1 36 18 7 x1 18 x1 18 7 x2 30 7 Dado que no todos los puntos son parte de la región factible, podemos decir que los vértices de la región factible son: Julio Rito Vargas Avilés/UNI Página 41 Guía Práctica para Investigación de Operaciones 3x1 x2 12 (0,6) (18/7,30/7) 2 x1 3x2 18 (4,0) (0,0) Para encontrar la solución óptima es necesario que evaluemos todos los valores de los vértices en la función objetivo. 6. Soluciones factibles. Valores permitidos de la región factible (0,0) x1 , x2 (0,6) (18/7, 30/7) (4,0) Función Objetivo Z Z Z Z Z 2 x1 x2 2(0) 0 2(0) 6 2(18 / 7) 30 / 7 2(4) 0 Soluciones factibles (FEV) 0 6 66/7 8 La solución óptima se puede analizar de la siguiente manera. 7. Soluciones óptimas: Para alcanzar la máxima utilidad es necesario que la empresa produzca 18/7 kg de masa de tipo I y 30/7 Kg de masa de tipo II, para alcanzar una utilidad máxima de 66/7 de euros. Julio Rito Vargas Avilés/UNI Página 42 Guía Práctica para Investigación de Operaciones GUÍA PRÁCTICA # 2 Solución Gráfica de PPL Unidad 2: Programación lineal Contenidos: • • Construcción del modelo de programación lineal. Solución gráfica del problema bidimensional Objetivos: A l finalizar la práctica el estudiante adquiera las siguientes habilidades: Resolver problemas de programación lineal con dos y tres restricciones a través del Método Gráfico. Graficar la región de factibilidad en un sistema de coordenadas, haciendo uso de las restricciones del problema de programación lineal. Hacer uso del IOR Tutoríal para encontrar la región de factibilidad del problema de programación lineal. Encontrar la solución al problema de programación lineal de dos y tres restricciones. I. Resuelva los siguientes problemas por el método grafico. Problema 1: La compañía INTEL produce dos dispositivos para computadoras, (producto 1 y producto 2) y requiere partes de metal y componentes eléctricos. La administración desea determinar cuantas unidades de cada producto fabricar para maximizar la ganancia. Por cada unidad del producto 1 se requiere 1 unidad de partes de metal y 2 unidades de componentes eléctricos. Por cada unidad del producto 2 se necesitan 3 unidades de partes de metal y 2 unidades de componentes eléctricos. La compañía tiene 200 unidades de partes de metal y 300 componentes eléctricos. Cada unidad del producto 1 da una ganancia de $ 2 y cada unidad del producto 2 da una ganancia de $ 3.00 a) formule un modelo de programación lineal. b) Utilice el método grafico para resolver este modelo. ¿Cuál es la ganancia total que resulta? Materiales Unidades de Material para cada Total de unidades dispositivo disponibles de cada material Producto 1 Producto 2 Ganancias por unidad Julio Rito Vargas Avilés/UNI Página 43 Guía Práctica para Investigación de Operaciones 1. Variables de decisión 2. Función Objetivo 3. Restricciones 4. Formule el modelo matemático del PPL. Ahora se puede formular el modelo matemático del problema para lo cual definimos la función objetivo a maximizar, sujeta a las restricciones que se señalan. Forma estándar del modelo: 5. Con la forma estándar del modelo, graficamos para encontrar la región factible. Julio Rito Vargas Avilés/UNI Página 44 Guía Práctica para Investigación de Operaciones 6. Soluciones factibles. Valores permitidos x1 , x 2 de la región factible Función Objetivo Soluciones factibles (FEV) 7. Soluciones óptimas: Problema 2: Una fábrica de bombones tiene almacenados 500 Kg.. de chocolate, 100 Kg.. de almendras y 85 Kg.. de frutas. Produce dos tipos de cajas: las de tipo A contienen 3 Kg. de chocolote, 1 Kg. de almendras y 1 Kg. de frutas; la de tipo B contiene 2 Kg. de chocolate, 1,5 Kg. de almendras y 1 Kg. de frutas. Los precios de las cajas de tipo A y B son 13 y 13,50 €, respectivamente. ¿Cuántas cajas de cada tipo debe fabricar para maximizar sus ventas? Julio Rito Vargas Avilés/UNI Página 45 Guía Práctica para Investigación de Operaciones Caja tipo A Caja tipo B Disponibles Chocolate Almendras Frutas Precio en euros 1. Variables de decision 2. Función Objetivo Julio Rito Vargas Avilés/UNI Página 46 Guía Práctica para Investigación de Operaciones Restricciones 3. Formule el modelo matemático del PPL. Ahora se puede formular el modelo matemático del problema para lo cual definimos la función objetivo a maximizar, sujeta a las restricciones que se señalan. Forma estándar del modelo: 4. Con la forma estándar del modelo, graficamos para encontrar la región factible. Julio Rito Vargas Avilés/UNI Página 47 Guía Práctica para Investigación de Operaciones 5. Soluciones factibles. Valores permitidos x1 , x 2 de la región factible Función Objetivo Soluciones factibles (FEV) 6. Soluciones óptimas: Problema 3: Un laboratorio de Cómputos, almacena, al menos 300 Computadoras de un tamaño y 400 de un segundo tamaño. Se ha decidido que el número total de computadoras almacenadas no debe exceder de 1200. Determine las cantidades posibles de estos dos tipos de computadoras que pueden almacenarse. Restricciones Tipo de Computadoras Computadora 1 Computadora 2 Total Computadoras Tipos de Computadoras 1. Variables de decisión 2. Función Objetivo 3. Restricciones Julio Rito Vargas Avilés/UNI Página 48 Guía Práctica para Investigación de Operaciones 4. Formule el modelo matemático del PPL. Ahora se puede formular el modelo matemático del problema para lo cual definimos la función objetivo a maximizar, sujeta a las restricciones que se señalan. Forma estándar del modelo: 5. Con la forma estándar del modelo, graficamos para encontrar la región factible. 6. Soluciones factibles. Valores permitidos x1 , x 2 de la región factible Función Objetivo Soluciones factibles (FEV) 7. Soluciones óptimas: Julio Rito Vargas Avilés/UNI Página 49 Guía Práctica para Investigación de Operaciones El Método Simplex Para la solución de un problema de PL Para resolver los problemas de PL se utilizan varios Algoritmos. El más antiguo y más utilizado sigue siendo el Algoritmo del Simplex debido a Dantzig. La solución de los problemas de programación lineal parte de dos teoremas fundamentales: El conjunto factible de un problema de PL puede representarse mediante un poliedro convexo. Si un PL tiene solución óptima y finita ésta se encuentra en uno de los vértices del poliedro convexo. De ellos se deduce que: Puesto que el número de vértices de un poliedro factible es finito, el número de posibles soluciones de un PL también es finito. Esto sugiere, inicialmente, un algoritmo para calcular la solución óptima: Calcular el valor de la función objetivo en cada vértice del conjunto factible y escoger el mejor. Sin embargo, el número de vértices de un conjunto factible es: m n (m n)! m m! (m n - m)! m = número de restricciones n =número de variables Ejemplo: Sí m=3; y n=2; entonces el número de Vértices=10 El concepto de vértice es de naturaleza geométrica y es poco adecuado para construir un algoritmo utilizable por ordenadores. Conceptos importantes: Variable básica: Una de las variables restantes, diferentes a las no-básicas, de un programa lineal en forma estándar (igual en número al total de restricciones de igualdad) Variable no básica: conjunto seleccionado de variables de un programa lineal en forma estándar (en número igual al total de variables menos el número de restricciones de igualdad) cuyos valores se toman como cero. Forma estándar: Una forma particular de un problema de programación lineal en el que la función objetivo debe ser maximizada; solamente existen restricciones de igualdad y todos los lados derechos de las variables son no negativos Julio Rito Vargas Avilés/UNI Página 50 Guía Práctica para Investigación de Operaciones Solución básica: Valores de las variables que satisfacen las restricciones de igualdad de un programa lineal en forma estándar, después de que las variables no básicas se toman como cero. Solución básica factible inicial: Valores de las variables que satisfacen las restricciones de igualdad y de no negatividad de un programa lineal en forma estándar, después de que las variables no básicas se toman como cero. Variable de sobrante: variable no negativa que se añade al lado izquierdo de una restricción menor o igual que, para obtener una restricción de igualdad equivalente. Variable de faltante: variable no negativa que se añade al lado izquierdo de una restricción mayor o igual que, para obtener una restricción de igualdad equivalente. Iteración: una serie de pasos de un algoritmo que se repien. Prueba de optimalidad: Método para determinar si la solución obtenida es la óptima. Mejora: proceso de encontrar soluciones factibles con valores de la función objetivo cada vez mejores. El Método Simplex se basa en el concepto de la SOLUCIÓN BÁSICA FACTIBLE Es aquella que tiene al menos n-m componentes nulos o variables no básicas. Las m restantes variables se denominan básicas. A partir de: Ax = b x≥0 Se dice que x es una SBF si puede realizarse la partición: A = [ N|B] x x N xB xN = 0 xB = B-1b Existen varios tipos de solución básica: • SB Factible: Todas las variables básicas xB ≥ 0 • SBF No Degenerada: xB > 0 • SBF Degenerada: algún xB = 0 Cada SBF representa un vértice del Conjunto Factible. Sin embargo, un vértice puede estar representado por más de una SBF si esta es degenerada. Cualquier conjunto poliédrico no vacío contiene al menos un vértice, y si hay un vértice, siempre habrá por lo menos una SBF. Julio Rito Vargas Avilés/UNI Página 51 Guía Práctica para Investigación de Operaciones El algoritmo del Simplex busca el óptimo de un problema de PL recorriendo algunos de los vértices del poliedro del conjunto de soluciones factibles. En cada iteración, el algoritmo se desplaza de un vértice a otro de forma que el valor de la función objetivo mejore con el desplazamiento. La optimización de un PL puede dar 4 posibles resultados: Óptimo único Soluciones Alternativas: Existen varias soluciones que dan el mismo valor en la función objetivo. No factible: No existe ninguna solución que satisfaga simultáneamente todas las restricciones del problema No acotado: El valor de la función objetivo en el óptimo es tan grande o (pequeño) como se desee en caso de maximización (o minimización). LAS 3 PARTES DEL ALGORITMO DEL SIMPLEX: Costes reducidos (cj-zj ): Miden el efecto sobre la función objetivo de un aumento unitario en el valor de cada una de las variables no básicas. Por tanto: • • • Si una variable no básica que tenga asociado un (cj-zj) > 0 entrara en la base, el valor de z aumentaría. • Si una variable no básica que tenga asociado un (cj-zj) < 0 entrara en la base, el valor de z disminuiría. • Si una variable no básica que tenga asociado un (cj-zj) = 0 entrara en la base, el valor de z permanecería inalterado. TEST DE OPTIMALIDAD • En problemas de maximización: La solución es óptima si todos los costes reducidos (cj-zj) son ≥ 0. • En problemas de minimización: La solución es óptima si todos los costes reducidos (cj-zj) son ≤0. REGLA DE ENTRADA EN LA BASE La variable que entra en la base debe ser aquella que tenga el mayor coste reducido (absoluto) en el caso de maximización (o mayor coste reducido en el caso de minimización), ya que ésta es la variable que aumenta (o disminuye) más rápidamente el valor de la función objetivo. La interpretación de este cociente: Representa el máximo valor que puede tomar la variable entrante antes de que la variable que se está considerando viole su restricción de no negatividad. Julio Rito Vargas Avilés/UNI Página 52 Guía Práctica para Investigación de Operaciones Si todos los aik son ≤ 0 la solución no está acotada: La variable entrante puede crecer indefinidamente sin pérdida de factibilidad. En el PL se transforman las inecuaciones en ecuaciones. Dentro de la matriz A de coeficientes deberá encontrarse una submatriz identidad (I) de orden mxm: A = [N | I ] Las variables cuyos coeficientes técnicos (aij) se corresponden con la submatriz identidad, serán las variables consideradas básicas (xB) en la solución inicial y sus valores de solución serán los términos independientes de las restricciones (b). El resto de variables serán consideradas no básicas (xN) y, por tanto, su valor de solución será cero. x 0 x N x b B Si A no contiene una submatriz identidad o existe algún componente negativo en b, no resulta inmediato determinar una SBF inicial. Julio Rito Vargas Avilés/UNI Página 53 Guía Práctica para Investigación de Operaciones Julio Rito Vargas Avilés/UNI Página 54 Guía Práctica para Investigación de Operaciones EJEMPLO APLICADO EL METODO SIMPLEX Operación Producto Disponibilidad X Y (horas/periodo) Cortado 10 6 2500 Cosido 5 10 2000 Empaquetado 1 2 500 Beneficio unitario 23 32 El P.L. correspondiente es: Max z = 23x + 32y sujeto a: 10x + 6y ≤ 2500 5x + 10y ≤ 2000 ≤ 500 x + 2y x, y ≥ 0 Para convertir las inecuaciones en ecuaciones se añade una variable de holgura si por cada ecuación: Max (z) = 23x + 32y + 0 h1+ 0 h2 + 0 h3 10x + 6y + h1 5x + 10y x + 2y + h2 = 2500 = 2000 + h3 = 500 x, y ≥ 0 El proceso de cálculo de la solución utilizando el método del Simplex en forma de tableau es el siguiente: Julio Rito Vargas Avilés/UNI Página 55 Guía Práctica para Investigación de Operaciones PASO 1: Formar el tableau inicial a) Forma Algebraica b) Forma Tabular Coeficiente de : Y h1 h2 h3 Lado Derecho 0 0 0 1 0 0 2500 10 0 1 0 2000 2 0 0 1 500 Ec. Z X (0) Z - 23x - 32y =0 Variable Básica Z (0) 1 -23 -32 0 (1) 10x + 6y + h1 = 2500 h1 (1) 0 10 6 (2) 5X+10Y + h2 = 2000 h2 (2) 0 5 (3) X+ 2Y + h3=500 h3 (3) 0 1 PASO 2. Test de Optimalidad. Los costes reducidos de las variables x e y son negativos. Luego no estamos en el óptimo y debe aplicarse la regla de entrada en la base. PASO 3. Regla de entrada. Se introduce la variable con mayor coste (absoluto) reducido, en este caso, la variable y. PASO 4. Regla de salida. Para determinar que variable sale de la base se calculan los ratios: Mín {bi /yik } = Mín {2500/6, 2000/10, 500/2} = 200 El mínimo es 200, por tanto, sale h2 PASO 5. Actualización de la solución: • Se divide la fila entrante por el pivote • El resto de las filas se actualizan restándoles la fila correspondiente a la nueva variable básica, multiplicada por yik • El tableau resultante es: Primer Iteración c) Forma Algebraica d) Forma Tabular Coeficiente de : Y h1 h2 h3 Lado Derecho 3.2 0 6400 1 -0.6 0 1300 1 0 0.1 0 200 0 0 -0.2 1 100 Ec. Z X (4) Z - 23x - 32y =0 Variable Básica Z (0) 1 -7 0 0 (5) 10x + 6y + h1 = 2500 h1 (1) 0 7 0 (6) 5X+10Y + h2 = 2000 Y (2) 0 0.5 (7) X+ 2Y + h3=500 h3 (3) 0 0 Julio Rito Vargas Avilés/UNI Página 56 Guía Práctica para Investigación de Operaciones Una vez recalculado el tableau, se vuelve al paso 2 y se realiza una nueva iteración. El tableau resultante es: e) Forma Algebraica f) Forma Tabular Coeficiente de : Y h1 h2 h3 Lado Derecho 3.2 0 6400 1 -0.6 0 1300 1 0 0.1 0 200 0 0 -0.2 1 100 Ec. Z X (8) Z - 23x - 32y =0 Variable Básica Z (0) 1 -7 0 0 (9) 10x + 6y + h1 = 2500 h1 (1) 0 7 0 (10) 5X+10Y + h2 = 2000 Y (2) 0 0.5 (11) X+ 2Y + h3=500 h3 (3) 0 0 Segunda iteración: g) Forma Algebraica h) Forma Tabular Coeficiente de : Y h1 h2 h3 Lado Derecho 2.6 0 7700 0.14 -0.08 0 185.7142 1 -0.07 0.14 0 107.1428 0 0 -0.2 1 100 Ec. Z X (12) Z - 23x - 32y =0 Variable Básica Z (0) 1 0 0 1 (13)10x + 6y + h1 = 2500 X (1) 0 1 0 (14) 5X+10Y + h2 = 2000 Y (2) 0 0 (15) X+ 2Y + h3=500 h3 (3) 0 0 Solución óptima para X=185.7142, Y=107.1428 con Z=7700. Si en la matriz A no existe una submatriz identidad, se deberá seguir uno de los dos siguientes procedimientos: • Método de Eliminación o de la M Grande • Método de las 2 Fases En ambos casos se resuelve un problema de apoyo que: • En A incluye una submatriz identidad I, por lo que resulta muy sencillo determinar una solución inicial • Su óptimo, si existe, es una SBF del problema. Una vez construido el problema de apoyo se aplica el algoritmo del Simplex para su solución final. Julio Rito Vargas Avilés/UNI Página 57 Guía Práctica para Investigación de Operaciones Ejemplo 2: Resolveremos por el método Simplex el problema de la WINDOR GLASS CO. Que produce artículos de vidrio de alta calidad, entre ellos ventanas y puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos. Julio Rito Vargas Avilés/UNI Página 58 Guía Práctica para Investigación de Operaciones Julio Rito Vargas Avilés/UNI Página 59 Guía Práctica para Investigación de Operaciones Solución de los dos problemas anteriores por Simplex Revisado. Julio Rito Vargas Avilés/UNI Página 60 Guía Práctica para Investigación de Operaciones GUÍA PRÁCTICA # 3 Solución por el Método Simplex y Simplex Revisado I. Resolver por el método simplex y simplex revisado, los siguientes problemas. Max Z 40 x1 60 x2 Sujeto a: 2 x1 x2 70 x1 x2 40 x1 3 x2 90 x1 , x2 0 Forma Algebraica Forma Tabular Variable Básica Ec. Z X1 Coeficiente de : X2 X3 X4 X5 Lado Derecho (0) (1) (2) (3) II.Resolver por el método simplex, el siguiente problema: 4 x1 3x2 Max Sujeto a: x1 x2 40 2 x1 x2 60 x1 , x2 0 Forma Algebraica Forma Tabular Variable Básica Ec. Z Coeficiente de : X1 X2 X3 X4 Lado Derecho (0) (1) (2) (3) Julio Rito Vargas Avilés/UNI Página 61 Guía Práctica para Investigación de Operaciones DUALIDAD Y ANÁLISIS DE SENSIBILIDAD Teoría de dualidad: • La teoría de dualidad parte que asociado a todo problema de PL tiene existe otro problema lineal llamado dual. • Las relaciones entre el problema dual y el problema original o (llamado también primal) son en extremos útiles en una gran variedad de situaciones. • Uno de los aspectos más importantes de la teoría de dualidad es la interpretación y realización del análisis de sensibilidad. Esencia de la teoría de dualidad: • Dada la forma estándar para el problema primal (izquierda), su problema dual tiene la forma que se muestra a la derecha. Max n Z cjxj Min j 1 sujeto a: n a x j 1 ij j W yb sujeto yA c a: y0 bi xj 0 El problema dual usa exactamente los mismos parámetros que el problema primal, pero en diferentes lugares. Dada la forma matricial del problema primal (izquierda), y del problema dual. Max Z cx sujeto Ax b x0 Min a: W yb sujeto yA c a: y0 Donde c, y son vectores fila y b y x son vectores columna. Julio Rito Vargas Avilés/UNI Página 62 Guía Práctica para Investigación de Operaciones Problema primal y dual para el caso del problema de Wyndor Glass Co. El problema primal Max El problema Dual Z 3 x1 5 x2 sujeta x1 4 Min W 4 y1 12 y2 18 y3 sujeta a: y1 3 y3 3 a: 2 y 2 2 y3 5 2 x2 12 y1 0 3 x1 2 x2 18 y2 0 x1 0 y3 0 x2 0 A la izquierda se muestra el problema primal en forma algebraica y a la derecha el problema dual en forma algebraica. El problema dual se puede resolver por los mismos métodos que hemos resueltos los problemas PL. Por lo que para efectos de análisis vamos resolverlo usando WinQSB. Max x Z 3 5 1 x2 sujeta a: Min 1 0 4 0 2 x1 12 x 3 2 2 18 x1 0 x 0 2 W y1 sujeta y1 y2 y1 y2 y2 4 y3 12 18 a: 1 y3 0 3 y3 0 0 2 3 2 0 5 0 A la izquierda se muestra el problema primal en forma matricial y a la derecha el problema dual en forma matricial. Solución del P. dual, para el ejemplo Wyndor Glass Co. (usando WinQSB) La solución óptima es: Y1=0 , Y2=1.5, Y3=1 para z= 36. Julio Rito Vargas Avilés/UNI Página 63 Guía Práctica para Investigación de Operaciones La solución óptima es: X1=2 y X2=6 para z= 36 Análisis comparativo: (Solución dual y primal) En cuadro anterior se puede ver que la solución de las variables de decisión del problema primal son: X1=2 y X2=6, estos resultados corresponden los precios sombras de la solución del problema dual. La solución de las variables de decisión del problema dual son: Y1=0 , Y2=1.5, Y3=1. Estos valores corresponden a los precios sombra del problema primal. El óptimo de la función objetivo tanto del problema dual como primal es el mismo ( Z=36). Los valores mínimos permitidos en las variables de decisión del primal (X1=0; X2=2) corresponden a los mínimos permitidos en las restricciones del problema dual. Los valores máximos permitidos en las variables de decisión del primal (X1=7.5 ; X2= M) corresponden a los máximos permitidos en las restricciones del problema dual. Los valores mínimos permitidos en las variables de decisión del dual (Y1=2; Y2=6;Y3=12) corresponden a los mínimos permitidos en las restricciones del problema primal. Los valores máximos permitidos en las variables de decisión del dual (Y1=M ; Y2= 18 ;Y3=24) corresponden a los máximos permitidos en las restricciones del problema primal. La reducción de costos para las variables de decisión de problema primal (X1=0;X2=0) corresponden a los precios sombras del problema del problema dual. La reducción de costos para las variables de decisión de problema dual (Y1=2;Y2=0;Y3=0) corresponden a los precios sombras del problema del problema primal. Problema primal (original): MAX Z= 3X1 + 4X2 – 2X3 Sujeto a: Variables duales 4X1 – 12X2 + 3X3 < 12 Y1 –2X1 + 3X2 + X3 < 6 Y2 –5X1 + Y3 X2 – 6X3 < -40 3X1 – 4X2 – 2X3 < 10 Julio Rito Vargas Avilés/UNI Y4 Página 64 Guía Práctica para Investigación de Operaciones X1 > 0, X2 < 0, X3 no restringida en signo Problema Dual Min W = 12Y1 + 6Y2 – 40Y3 + 10Y4 Sujeto a: 4Y1 – 2Y2 – 5Y3 + 3Y4 >= 3 –12Y1 + 3Y2 + Y3 - 4Y4 >= 4 3Y1 + Y2 – 6Y3 – 2Y4 >= -2 Y1 > 0, Y2 < 0, Y3 > 0, Y4 no restringida en signo Usando WinQSB. Obtenemos la solución de ambos problemas. Sensibilidad: El análisis de sensibilidad concierne el estudio de posibles cambios en la solución óptima obtenida como resultado de hacer cambios en el modelo original. Como en cualquier aspecto de decisión gerencial, es útil realizar un análisis de sensibilidad para determinar cómo afecta a la decisión la asignación de probabilidades. Mediante el análisis de sensibilidad pueden existir diferentes tipos de cambios en el modelo original como: 1. Cambios en los coeficientes de la función objetivo, Cij 2. Cambios en los recursos, bi 3. Cambios en los coeficientes tecnológicos, aij 4. Adición de una nueva variable Xi 5. Adición de una nueva restricción. aij >= bi Ejemplo de análisis de sensibilidad: La empresa KAMIR se dedica a la fabricación de tres producto; A, B y C. El procedimiento de producción involucra tres operaciones: formación, acabado e inspección. El departamento de ingeniería industrial, ha establecido los siguientes estándares de producción en cada operación. Datos de producción para la compañía (minutos por producto) Julio Rito Vargas Avilés/UNI Página 65 Guía Práctica para Investigación de Operaciones El departamento de contabilidad por su parte, pronostica los siguientes costos e ingresos para la compañía. Datos de costo e ingreso para la compañía Se desea saber el número de cada tipo de producto que deberán producirse de tal manera que se optimice el beneficio por las 8 horas de trabajo del día. Considerando la información, se planteó el modelo de programación lineal: X1: número de productos tipo A. X2: número de productos tipo B. X3: número de productos tipo C. Solución: Modelo de PPL Z 20 x1 35 x2 45 x 3 sujeto a: 2 x1 6 x2 2 x3 480 formación 3 x1 6 x2 2 x3 480inspección 2 x1 2 x2 4 x3 480acabado Dual del Problema anterior. Min W= 480Y1 + 480Y2 + 480y3 Sujeto a: 2y1 + 3y2 + 2y3 ≥ 20 6y1 + 6y2 + 2y3 ≥ 35 2y1 + 2y2 + 4y3 ≥ 45 y1 ≥ 0 Julio Rito Vargas Avilés/UNI Página 66 Guía Práctica para Investigación de Operaciones y2 ≥ 0 y3 ≥0 Responda las siguientes preguntas. 1. Determine los rangos de variación de las variables básicas en donde la base actual permanece 2. ¿Cuál es el rango de los recursos en donde la base actual permanece? 3. ¿En cuáles de las operaciones recomendaría usted contratar tiempo extra y por que? 4. ¿Que pasaría si se programaran 20 minutos extras en el departamento de inspección, cambiaría la función objetivo? 5. ¿En cuánto se incrementaría la utilidad óptima actual si se programan 50 minutos en el departamento de formado? 6. ¿Qué pasaría con la solución óptima actual si se programaran 30 minutos de mantenimiento en el departamento de acabado? 7. Si se logran reducir los costos de producción en el producto B en un 25%, ¿cómo se afecta la base actual y el objetivo? 8. Si los trabajadores ofrecen trabajar minutos extras a razón de $5/minuto, ¿recomendaría usted tiempo extra?, si lo recomienda, en que departamento y cuanto tiempo extra puede programarse sin cambiar la mezcla actual? Problema PPL con análisis de sensibilidad. Es problema de PL con varias variables Ken & Larry Inc. surte su helado a los expendios en cuatro sabores: chocolate, vainilla, chicle y plátano. Debido al calor extremo y la alta demanda, la compañía tiene un déficit en el abastecimiento de los ingredientes: leche, azúcar y crema. Esto no le permite satisfacer todas las órdenes recibidas de sus expendios. Por estas circunstancias, la compañía a decidido seleccionar la cantidad que debe producir de cada sabor para maximizar la ganancia total, dadas las restricciones en las cantidades de ingredientes básicos. Julio Rito Vargas Avilés/UNI Página 67 Guía Práctica para Investigación de Operaciones Sujeto a: • • • • • • • La compañía tiene solo 220 galones de leche, 170 libras de azúcar y 70 galones de crema. (por mes) Un galón de helado de chocolate consume: 0.45 galón de leche, 0.5 libra de azúcar y 0.10 galón de crema. Un galón de helado de Vainilla consume: 0.5 galón de leche, 0.4 libra de azúcar y 0.15 galón de crema. Un galón de helado de banano consume: 0.4 galón de leche, 0.4 libra de azúcar y 0.2 galón de crema. Un galón de helado de chicle consume: 0.4 galón de leche, 0.4 libra de azúcar y 0.3 galón de crema. La compañía para mantener su mercado cautivo de sabores a decidido también producir al menos 30 galones de helados de cada uno de los cuatro sabores. Los sabores de chocolate, vainilla, banano y chicle generan ganancias respectivas de $1.10, $1.0, $0.9 y $.95 por galón. Variables de decisión X1 = Números de Galones de helados de chocolate X2 = Números de Galones de helados de vainilla X3 = Números de Galones de helados de banano X4= Números de Galones de helados de chicle Función objetivo Max. Z = 1.1 X1 + 1.0 X2 + 0.90X3 + 0.95X4 $ = ($/galón de chocolate) x (Número galones chocolate) + ($/galón de vainilla) x (Número galones vainilla) + ($/galón de plátano) x (Número galones banano) + ($/galón de chicle) x (Número galones chicle) Restricción de producción 0.45X1 es el total de galones de leche que se requieren para producir X1 galones de chocolates 0.5X2 es el total de galones de leche que se requieren para producir X2 galones de vainilla 0.4X3es el total de galones de leche que se requieren para producir X3 galones de banano 0.4X4 es el total de galones de leche que se requieren para producir X4 galones de chicle Julio Rito Vargas Avilés/UNI Página 68 Guía Práctica para Investigación de Operaciones 0.45X1 + 0.5X2 + 0.4X3 + 0.4X4 220 0.5X1 es el total de libras de azúcar que se requieren para producir X1 galones de chocolates 0.4X2 es el total de libras de azúcar que se requieren para producir X2 galones de vainilla 0.4X3es el total de libras de azúcar que se requieren para producir X3 galones de banano 0.4X4 es el total de libras de azúcar que se requieren para producir X4 galones de chicle 0.5X1 + 0.4X2 + 0.4X3 + 0.4X4 170 0.1X1 es el total de galones de crema que se requieren para producir X1 galones de chocolates 0.15X2 es el total de galones de crema que se requieren para producir X2 galones de vainilla 0.2X3es el total de galones de crema que se requieren para producir X3 galones de banano 0.3X4 es el total de galones de crema que se requieren para producir X4 galones de chicle 0.1X1 + 0.15X2 + 0.2X3 + 0.3X4 70 Compromisos de demanda X1 galones de chocolate 30 galones X2 galones de vainilla 30 galones X3 galones de banano 30 galones X4 galones de chicles 30 galones Modelo de PPL Max. Z = 1.1 X1 + 1.0 X2 + 0.90X3 + 0.95X4 Julio Rito Vargas Avilés/UNI Página 69 Guía Práctica para Investigación de Operaciones Sujeto a: 0.45X1 + 0.5X2 + 0.4X3 + 0.4X4 220 0.5X1 + 0.4X2 + 0.4X3 + 0.4X4 170 0.1X1 + 0.15X2 + 0.2X3 + 0.3X4 70 30 X1 30 X2 30 X3 X4 30 No se necesitan las condiciones de no negatividad puesto que existen restricciones de demanda para todas las variables. Solución PREGUNTAS ADICIONALES Suponga que la ganancia por galón de plátano a $1.00 ¿cambia la solución óptima y que se puede decir de la ganancia total? Julio Rito Vargas Avilés/UNI Página 70 Guía Práctica para Investigación de Operaciones - Cambia la ganancia total - Cambia la solución óptima. Suponga que la ganancia por galón de plátano a $0.92 ¿cambia la solución óptima y que se puede decir de la ganancia total? - Cambia levemente la ganancia total - No cambia la solución óptima - Se podría decir que no hay cambios relevantes en la optimización. Suponga que descubren tres galones de crema agrio que tienen que tirarse ¿cambia la solución óptima y que se puede decir de la ganancia total? Se podría decir que no hay cambios en la optimización ni en la ganancia, eran Sobrantes. Julio Rito Vargas Avilés/UNI Página 71 Guía Práctica para Investigación de Operaciones Suponga que tienen la oportunidad de comprar 15 libras adicionales de azúcar por un costo total de $15.00¿Deben comprarlas ? explique - Se recomienda comprarlos, eso permite mejorar la solución óptima El precio es inferior a lo permitido de $2.50 por libra, por tanto es una buena opción. Nota: Se utilizó el software WINQSB para la solución del modelo. Julio Rito Vargas Avilés/UNI Página 72 Guía Práctica para Investigación de Operaciones 9. ¿Que pasearía si se programara la producción de 10 unidades del producto A ? 10. ¿Qué pasaría si por cambios en maquinaría y procesos el producto A cambiara sus tiempos de fabricación en 11. a1= (2,3,2) a a1 = (1,2,2) 12. Por políticas de la empresa es necesario producir un nuevo producto con las siguientes características C4=60, a4 = (2,1,3), ¿Qué recomendaría? Solución del primal con WinQSB. Decisión Variable Solution Value Unit Cost or Profit c[i] X1 X2 X3 Objective 0 48 96 Function Constraint Left Hand Side C1 C2 C3 480.00 480.00 480.00 Total Contribution Reduced Cost 20 35 45 Max= 0 1,680.00 4,320.00 6,000.00 -5.00 0 0 at bound Direction Right Hand Side 480.00 480.00 480.00 <= <= <= Basis Status Allowable Min c[i] Allowable Max c[i] Basic Basic -M 22.50 32.50 25.00 135.00 70.00 Stack Or Surplus Shadow Price Allowable Min RHS Allowable Max RHS 0 0 0 2.50 0 10.00 240.00 480.00 160.00 480.00 M 960.00 Respuestas a las preguntas: 1. Determine los rangos de variación de las variables básicas en donde la base actual permanece: X2 está entre 22.5 y 135.00, X3 está entre 32.5 y 70, la variable X1 no es básica, es decir no se recomienda producir del producto A. 2. ¿Cuál es el rango de los recursos en donde la base actual permanece? Para formación se puede tener entre 240 y 1440 minutos. Para inspección se puede tener entre 288 y M (ilimitado) minutos. Para acabado se puede tener entre 160 y 960 minutos. 3. ¿En cuáles de las operaciones recomendaría usted contratar tiempo extra y por que? En acabado, por ejemplo con 2 horas más en acabado se producirían 132 unidades del producto C, actualmente son 96. Con una nueva utilidad de 7,200.00 contra 6,000 que actualmente se obtienen. El intervalo lo permite con una costo de por minuto de U$10. 4. ¿Qué pasaría si se programaran 20 minutos extras en el departamento de inspección, cambiaría la función objetivo? No cambiaría la función objetivo, la cual permanecerá Julio Rito Vargas Avilés/UNI Página 73 Guía Práctica para Investigación de Operaciones igual porque no se afectaría la producción. Los 20 minutos que darían como sobrantes, es decir no se aprovecharían. 5. ¿En cuánto se incrementaría la utilidad óptima actual si se programan 50 minutos en el departamento de formado? La utilidad óptima seguiría siendo la misma que la actual, no habría incremento en la producción, y los 50 minutos no serían utilizados. 6. ¿Qué pasaría con la solución óptima actual si se programaran 30 minutos de mantenimiento en el departamento de acabado? Si se programan 30 minutos de acabado solo contaríamos con 450 minutos para este proceso, lo que afectaría la producción de la siguiente manera: se producirían 51 unidades tipo B y 87 unidades tipo C, para una utilidad óptima de 5,700.00, teniéndose una pérdida de U$ 300 por el tiempo perdido en mantenimiento. 7. Si se logran reducir los costos de producción en el producto B en un 25%, ¿cómo se afecta la base actual y el objetivo? Actualmente los costos de producción del producto B es U$50.00 con 25% menos los costos de producción serán de U$ 37.50. Por lo tanto la utilidad por unidad producida será de (U$37.50+U$15.00=U$52.50) y es vendida en U$100.00 por lo que la utilidad será de U$ 47.50. Esto afectará la función objetivo, la que lógicamente aumentará su óptimo a U$6,600.00 produciendo los mismos productos. 8. Si los trabajadores ofrecen trabajar minutos extras a razón de $5/minuto, ¿recomendaría usted tiempo extra?, si lo recomienda, en que departamento y cuanto tiempo extra puede programarse sin cambiar la mezcla actual? El modelo recomienda de acuerdo a los intervalos que se pueden contratar minutos extras en inspección y acabado, siendo el acabado el de mayor costo. Si hay una disminución de costo. Se podría aumentar al máximo recomendado de 8 horas extras o sea 480 minutos en acabado para un total de 960 minutos en acabado. Esto permitirá óptimo de U$ 10,800.00 con una producción concentrada en el producto C. que es de mayor rentabilidad. 9. ¿Que pasearía si se programara la producción de 10 unidades del producto A? Si se producen 10 unidades del producto A, las utilidades se reducirían a U$ 5,925.00 o sea se tendría una pérdida de U$75.00 con respecto a la utilidad actual. 10. ¿Qué pasaría si por cambios en maquinaría y procesos el producto A cambiara sus tiempos de fabricación en 11. a1= (2,3,2) a a1 = (1,2,2) Seguiría siendo poco atractivo producir el producto A dado su poca utilidad en comparación con los productos B y C. de manera que se seguiría produciendo la misma cantidad de B y C y por lo tanto obtendríamos el mismo óptimo actual. 12. Por políticas de la empresa es necesario producir un nuevo producto con las siguientes características C4=60, a4 = (2,1,3), ¿Qué recomendaría? Julio Rito Vargas Avilés/UNI Página 74 Guía Práctica para Investigación de Operaciones Remplazar el producto A que no es rentable y producir el nuevo producto según el análisis de optimalidad con los parámetros del nuevo producto se vuelve atractivo producirlo, ya que la nueva utilidad neta sería de U$ 9,600.00 con tiempo de procesamiento menor. Esto implica ahorro en maquinaria y horas-hombres. Z 60 x1 35 x2 45 x 3 sujeto a: 2 x1 6 x2 2 x3 480 formación x1 6 x2 2 x3 480inspección 3 x1 2 x2 4 x3 480acabado Julio Rito Vargas Avilés/UNI Página 75