Professional Documents
Culture Documents
Introduccin a la
Investigacin de Operaciones
Investigacin de Operaciones
La dificultad de tomar decisiones ha hecho que el hombre se
aboque en la bsqueda de una herramienta o mtodo que le
permita tomar las mejores decisiones de acuerdo a los
recursos disponibles y a los objetivos que persigue.
Este conjunto de herramientas o mtodos es lo que
llamaremos Investigacin de Operaciones.
Definicin ms formal
Historia y orgenes de la IO
I.O.
Desde el advenimiento de la Revolucin industrial, el mundo
ha sido testigo de un crecimiento importante del tamao y la
complejidad de las organizaciones. Los pequeos talleres
artesanales de pocas anteriores se convirtieron en las
corporaciones actuales de miles de millones de dlares.
Una parte esencial de este cambio revolucionario fue el gran
aumento de la divisin del trabajo y de la separacin de las
responsabilidades administrativas en estas organizaciones.
Pero, en la medida que aumentan la complejidad y la
especializacin, es ms difcil asignar los recursos disponibles
a las diferentes actividades de la manera ms eficaz para la
organizacin como un todo.
Lic. Jorge E. Rojas Nina
Historia y orgenes de la IO
I.O.
Este tipo de problemas y la necesidad de encontrar la mejor
forma de resolverlos crearon el ambiente propicio para el
surgimiento de la investigacin de operaciones.
Las races de la IO pueden encontrarse muchas dcadas atrs,
cuando se hicieron los primeros intentos por emplear el
mtodo cientfico para administrar una empresa.
Sin embargo, el inicio de la actividad llamada investigacin de
operaciones es atribuible a ciertos servicios militares que se
prestaron al inicio de la Segunda Guerra Mundial.
Exista la urgente necesidad de asignar recursos escasos a las
distintas maniobras militares y a las actividades que
componan cada operacin de la manera ms eficaz.
Lic. Jorge E. Rojas Nina
Historia y orgenes de la IO
I.O.
Las administraciones militares estadounidense y britnica
llamaron a un gran nmero de cientficos para que aplicaran el
mtodo cientfico a ste y a otros problemas estratgicos y
tcticos. Estos fueron los primeros equipos de IO.
Debido al desarrollo de mtodos eficaces para utilizar la
nueva herramienta que representaba el radar, los cientficos
contribuyeron al triunfo en la guerra area que libr Gran
Bretaa.
Sus investigaciones para mejorar el manejo de las operaciones
antisubmarinas y de proteccin tambin tuvieron un papel
importante en la victoria de la campaa del Atlntico Norte.
Esfuerzos similares fueron de gran ayuda en la campaa del
Pacfico.
Lic. Jorge E. Rojas Nina
Historia y orgenes de la IO
I.O.
Despus de la guerra, el xito aparente de los grupos militares
atrajo la atencin de la industria, que buscaba soluciones a
problemas causados por la complejidad y especializacin
ascendente en las organizaciones.
El resultado eran problemas complejos de decisin. Estos
hechos impulsaron a las organizaciones de negocio y de
gobierno a utilizar herramientas formales de investigacin de
operaciones.
Desde entonces, se ha desarrollado con rapidez.
Historia y orgenes de la IO
I.O.
Un factor que tuvo gran importancia en el desarrollo de la IO,
fue el progreso sustancial que se logr en el mejoramiento de
las tcnicas disponibles.
Despus de la guerra, muchos de los cientficos que haban
participado en equipos de IO o que tenan informacin sobre
este trabajo, estaban motivados para realizar investigacin
relevante en el campo, de lo cual resultaron avances
importantes; un ejemplo sobresaliente es el mtodo smplex
para resolver problemas de programacin lineal, desarrollado
en 1947 por George Dantzig.
Muchas de las herramientas caractersticas de la IO, como
programacin lineal, programacin dinmica, teora de colas y
teora de inventarios haban sido desarrolladas casi por
completo antes del trmino de la dcada de los aos
cincuenta.
Lic. Jorge E. Rojas Nina
Historia y orgenes de la IO
I.O.
Otro factor que dio gran impulso al desarrollo de este campo
fue la revolucin de las computadoras. El manejo eficaz de los
complejos problemas inherentes a la IO casi siempre requiere
un gran nmero de clculos. Realizarlos de forma manual
puede resultar casi imposible.
Otro avance de los ochenta fue el desarrollo de computadoras
personales cada vez ms rpidas y de buenos paquetes de
software para resolver problemas de IO.
De esta forma, las tcnicas ms complejas estuvieron al
alcance de un gran nmero de personas, y este progreso se
aceler an ms en la dcada de 1990 y al inicio del siglo XXI.
Hoy en da, millones de individuos tienen acceso a estos
paquetes, para resolver problemas de investigacin de
operaciones, algunos de ellos muy complejos.
Lic. Jorge E. Rojas Nina
Historia y orgenes
Naturaleza
de la IO de la I.O.
La investigacin de operaciones se aplica a problemas que se
refieren a la conduccin y coordinacin de operaciones (o
actividades) dentro de una organizacin.
La investigacin de operaciones intenta encontrar una mejor
solucin, (llamada solucin ptima) para el problema en
cuestin.
Se dice una mejor solucin y no la mejor solucin porque es
posible que existan muchas soluciones que puedan
considerarse como las mejores.
Historia y orgenes
Naturaleza
de la IO de la I.O.
Cuando se decide emprender un estudio de IO completo de un
problema nuevo, es necesario emplear un grupo de individuos
con diversos antecedentes y aptitudes.
Este grupo de expertos debe incluir individuos con
antecedentes slidos en matemticas, estadstica y teora de
probabilidades, economa, administracin, ciencias de la
computacin, ingeniera, ciencias fsicas, ciencias del
comportamiento y por supuesto, en las tcnicas especiales de
IO.
Historia
Qu
es ylaorgenes
Investigacin
de la I.O.
de Operaciones?
Lainvestigacindeoperacioneseslaaplicacin,por
gruposinterdisciplinarios,delmtodocientficoa
problemasrelacionadosconelcontroldelas
organizacionesosistemas,afindequeseproduzcan
solucionesquemejorsirvanalosobjetivosdela
organizacin.
Historia y a
Aspectos
orgenes
rescatarde la I.O.
Una organizacin es un sistema formado por componentes
que se interaccionan, unas de estas interacciones pueden ser
controladas y otras no.
La complejidad de los problemas que se presentan en las
organizaciones ya no encajan en una sola disciplina del
conocimiento, se han convertido en multidisciplinario por lo
cual para su anlisis y solucin se requieren grupos
compuestos por especialistas de diferentes reas del
conocimiento que logran comunicarse con un lenguaje comn.
La investigacin de operaciones es la aplicacin de la
metodologa cientfica a travs de modelos matemticos,
primero para representar al problema y luego para resolverlo.
Historia y
Normas
para
orgenes
lograr de
el xito
la I.O.de la IO
El xito del empleo de la IO es el de un enfoque de solucin de
problemas y no una coleccin asociada de mtodos
cuantitativos.
La IO es relativamente costosa, lo que significa que no debe
emplearse en todos los problemas, sino tan slo en aquellos
en que las ganancias sea mayores que los costos.
Para llegar a hacer un uso apropiado de la IO, es necesario
primero comprender la metodologa para resolver los
problemas, as como los fundamentos de las tcnicas de
solucin para de esta forma saber cundo utilizarlas o no en
las diferentes circunstancias.
Historia y orgenes
Limitaciones
de la IO
de la I.O.
Frecuentemente es necesario hacer simplificaciones del
problema original para poder manipularlo y tener una
solucin.
La mayora de los modelos slo considera un solo objetivo y
frecuentemente en las organizaciones se tienen objetivos
mltiples.
Rara vez se realizan anlisis costobeneficio de la implantacin
de soluciones definidas por medio de la IO, en ocasiones los
beneficios potenciales se ven superados por los costos
ocasionados por el desarrollo e implantacin de un modelo.
Existe la posibilidad a no considerar la totalidad de las
restricciones en un problema prctico vs el real.
Historiade
Efecto
y la
orgenes
IO
de la I.O.
La investigacin de operaciones ha tenido un efecto
impresionante en el mejoramiento de la eficiencia de
numerosas organizaciones de todo el mundo.
En el proceso, la IO ha contribuido de manera significativa al
incremento de la productividad de la economa de varios
pases. Hoy existen ms de 30 pases miembros de la
International Federation of Operational Research Societies
(IFORS), cada uno de los cuales cuenta con una sociedad de
investigacin de operaciones.
Tantoen Europa como en Asia existen federaciones de
sociedades de IO que dan conferencias y publican revistas
internacionales. Adems, el Institute for Operations Research
and the Management Sciences (INFORMS) es una sociedad de
IO internacional. Publica artculos que presentan estudios
importantes de IO y el efecto que stos tuvieron en sus
organizaciones.
Lic. Jorge E. Rojas Nina
Historiade
Efecto
y la
orgenes
IO
de la I.O.
Historiade
Efecto
y la
orgenes
IO
de la I.O.
Historia y orgenes
Algoritmos
y paquetes
de la
deI.O.
la IO
Procedimientos sistemticos de solucin ms importantes de
la IO para resolver cierto tipo de problemas.
Algunos de estos algoritmos son muy eficientes y casi siempre
se utilizan para solucionar problemas que incluyen cientos o
miles de variables.
En la prctica, los algoritmos son ejecutados en paquetes de
software comercial; por ello, es importante familiarizar al
estudiante con la naturaleza de los programas que utilizar en
la vida profesional.
Historia y orgenes
Algoritmos
y paquetes
de la
deI.O.
la IO
10
Historia y orgenes
Algoritmos
y paquetes
de la
deI.O.
la IO
Historia y orgenes
Algoritmos
y paquetes
de la
deI.O.
la IO
11
Historia y orgenes
Algoritmos
y paquetes
de la
deI.O.
la IO
SOLVER
Historia y orgenes
Algoritmos
y paquetes
de la
deI.O.
la IO
12
Historia y orgenes
Algoritmos
y paquetes
de la
deI.O.
la IO
Hbridos
Optimizacin
no Lineal
Programacin
Lineal
Mtodos
Clsicos
Transporte y
Asignacin
Mtodos
de bsqueda
Prog Entera
y 0,1
Programacin
no lineal
Redes
Estocsticos
Programacin
Dinmica
Cadenas
de Markov
Teora de
Inventarios
Teora de
Colas
Simulacin
Procesos
Estocsticos
Pert / CPM
Heursticas
Teora de
Decisiones
y Juegos
13
Enfoque de Modelado en
Investigacin de Operaciones
SISTEMA
REAL
VARIABLES
RELEVANTES
SISTEMA
ASUMIDO
RELACIONES
RELEVANTES
MODELO
CUANTITATIVO
MTODO
DE SOLUCIN
SOLUCIN AL
PROBLEMA DEL
SISTEMA REAL
JUICIOS Y
EXPERIENCIAS
DECISIONES
SOLUCIN
AL MODELO
INTERPRETACIN
DEFINICIN DEL
PROBLEMA
CONSTRUCCIN
DEL MODELO
MODELO
MODIFICADO
RESOLUCIN
DEL MODELO
NO
SI
ES VALIDA
LA
SOLUCIN?
SOLUCIN
IMPLEMENTACIN
Restricciones:
Es una igualdad o desigualdad matemtica que debe
ser satisfecha, es decir, un conjunto de igualdades o
desigualdades que constituyen las barreras y
obstculos para la consecucin del objetivo.
Datos / Parmetros incontrolados:
Es la informacin conocida en un problema de
decisin que no se puede controlar pero que se
puede usar para determinar la solucin.
Los procedimientos de
clasificados en tres tipos:
solucin
pueden
ser
a)
b)
c)
5. Implementacin
La etapa de implementacin incluye varios pasos.
1. El equipo de IO explica en forma cuidadosa a la
administracin operativa el nuevo sistema que debe
adoptar y su relacin con la realidad.
2. Estos dos grupos comparten la responsabilidad de
desarrollar los procedimientos que se requieren
para poner el sistema en operacin.
3. La administracin operativa se encarga de
proporcionar una capacitacin detallada al personal
que participa y se inicia el nuevo curso de accin.
Si tiene xito, el nuevo sistema se podr emplear
durante algunos aos.
5. Implementacin
El equipo de IO supervisa la experiencia inicial con
base en la accin que se tom para identificar
cualquier modificacin que deba hacerse en el
futuro.
Durante el periodo de uso del nuevo sistema, es
importante continuar con la retroalimentacin
acerca de su funcionamiento y si los supuestos
todava se cumplen.
Cuando ocurren desviaciones significativas de los
supuestos originales, el modelo debe ser revisado
para determinar si necesita modificaciones.
El anlisis post ptimo que se realice puede ser
una gua til en este proceso de revisin.
Lic. Jorge E. Rojas Nina
Modelos
Tipos de Modelos
Un Modelo
es
TIPO
CARACTERSTICAS
EJEMPLOS
Fsicos
Tangible
Modelos a escala
Fcil de comprender
de aeroplanos,
Difcil de duplicar
casas, ciudades,...
y compartir
Difcil de manipular
Baja amplitud de uso
Modelos
TIPO
CARACTERSTICAS
EJEMPLOS
Analgicos
Intangible
Difcil de comprender
Fcil de duplicar
y compartir
Fcil de manipular
Alta amplitud de uso
Mapa de
carreteras
Velocmetro
Grficas
Red elctrica
TIPO
CARACTERSTICAS
EJEMPLOS
Simblicos
Intangible
Difcil de comprender
Fcil de duplicar
y compartir
Fcil de manipular
Muy Alta amplitud
de uso
Modelo de
Simulacin
Modelo
Algebraico
Modelo de
la Economa
Modelo de
Programacin
Lineal
Modelos
10
Modelos
Tipos de Modelos
Los Modelos de Simulacin
Son generalmente programas de computadora que
replican el comportamiento de un sistema utilizando el
computador.
La estadstica que describe las diversas medidas de
desempeo del sistema se acumulan a medida que la
simulacin avanza en la computadora.
El modelo por simulacin es ms flexible que el
modelaje matemtico y por consiguiente puede
utilizarse para representar sistemas complejos que de
otra manera no podran formularse matemticamente.
Es un modelo muy costoso.
Modelos
Tipos de Modelos
Los Modelos Heursticos
Son esencialmente modelos que emplean reglas
intuitivas o ciertas guas tratando de generar nuevas
estrategias que se traduzcan en soluciones mejoradas.
Esto contrasta con los modelos matemticos y de
simulacin, en donde las estrategias generalmente estn
bien definidas.
Los modelos heursticos no pretenden obtener
soluciones ptimas de un problema. Un ejemplo podra
ser: atienda todos los clientes de una lnea sobre la
base de que el primero que llega primero se atiende.
11
Modelos
Utiliza las
Matemticas
Para Representar
las Relaciones
entre los Datos
de Inters
Modelos
Modelo de
Decisin
Contiene
Variables
de Decisin
Busca
alcanzar un
Objetivo
Es un Modelo
Simblico
12
Modelos
Ejemplos:
1. Modelo de Asignacin
de la Fuerza de Ventas
Variables
de Decisin:
Medida del
Desempeo:
Objetivo:
Maximizar el
Ingreso por Ventas
Modelos
2. Modelo de Programacin
del Trabajo en un Taller
Variables
de Decisin:
Medida del
Desempeo:
Costo de Fabricacin
Tiempo de Fabricacin
Objetivo:
Minimizar el Costo el
Tiempo de Fabricacin
13
Modelos
3. Modelo de Administracin
de Efectivo
Variables
de Decisin:
Cantidad de Fondos
mantenidos en c/u de varias
categoras (Efectivo, bonos,
bolsa de valores etc... )
Medida del
Desempeo:
Objetivo:
Minimizar el
Costo de Oportunidad
Modelos
Construir un modelo
Ayuda a colocar los aspectos complejos e inciertos
de un problema de decisin en una estructura
lgica que es adecuada para el anlisis formal.
Este modelo especifica las alternativas de la
decisin y sus consecuencias anticipadas para
todos los eventos posibles que puedan ocurrir.
Indica los datos importantes para analizar las
alternativas y conduce a conclusiones que informan
y tienen sentido.
Un modelo es un vehculo para lograr una visin
bien estructurado de la realidad.
14
Modelos
Construccin de Modelos
Se requiere
Arte
Imaginacin
Conocimientos
Tcnicos
Modelos
1. Se estudia el Ambiente
Comprensin del Problema
2. Se hace una Formulacin Lgica
Anlisis conceptual bsico
Se hacen conjeturas y simplificaciones
3. Se hace una Formulacin Simblica
Construccin de las relaciones lgicas
en el Lenguaje Simblico de las Matemticas
15
16
O
PARAMETROS
VARIABLE DE DECISIN:
X1= Nmeros de unidades de HTDC que se ensamblan en una semana
X2=Nmero de unidades de HTPC que se ensamblan en una semana
Lic. Jorge E. Rojas Nina
17
O
PARAMETROS
m3 de almacn
18
X1= Escritorios
X2= Mesas
X3= Sillas
8x1 + 6x2 +
x3 48
4x1 + 2x2 + 1.5x3 20
2x1 + 1.5x2 + 0.5x3 8
x2
5
x1,x2,x3 0
19
?
Cuntos muecos y cuntos trenes debe fabricar?
Variables de
Decisin
X1 = n de muecos
producidos a la
semana
X2 = n de trenes
producidos a la
semana
Objetivo
Elegir valores de X1 y X2
para
maximizar
las
utilidades. Usaremos la
variable z para denotar
el valor de la funcin
objetivo.
Alternativas
1. Producir solo
Muecos
2. Producir solo
trenes
3. Producir una
mezcla de
ambos
Tren
X2
Funcin objetivo
Beneficio
Restriccin 1
Acabado
100
Restriccin 2
Carpintera
80
Restriccin 3
Demanda
40
Sujeto a (s.a:)
1 2
100
80
40
2x1 + x2 100
x1 + x2 80
x1
40
x1
0
x2 0
slo dos
resolverse
X2
100
100
80
60
40
20
20
40
60
80
X1
Sujeto a (s.a:)
1,
100
2,
80
3,
40
Restricciones
100
80
,
60
40
20
20
40
60
X1
80
Restricciones
X2
100
80
60
40
20
20
40
60
80
X1
X2
100
La
interseccin
de todos estos
semiplanos
(restricciones)
nos da la regin
factible
80
60
40
Regin
Factible
20
20
40
60
X1
80
X1
Restricciones
100
80
,
60
40
20
Regin
Factible
C
B
20
40
60
80
X2
X2
100
80
D
60
40
C es solucin de:
Regin
Factible
20
20
40
60
80
X1
X2
Para
hallar
la
solucin
ptima,
dibujamos las rectas
en las cuales los
puntos
tienen
el
mismo valor de z.
La figura muestra
estas lneas para
z = 0, z = 100, y z =
190
100
80
60
40
2
20
100
190
Regin
Factible
(0, 0)
20
z=0
40
z = 100
60
80
X1
z = 190
Desplazamos desde el
origen la recta de la
F.O.(z), hacia afuera y
cuando esta interseca
(toca) el ultimo vrtice de
la regin factible indica la
solucin ptima para el
PPL.
Para el problema de
Gepetto, esto ocurre en
el punto D:
X1 = 20,
X2 = 60
z = 180.
Igualamos y
resolvemos
100
80
60
(20, 60)
40
20
Regin
Factible
(0, 0)
20
40
60
80
X1
z=0
z = 3x + 2y
z = 30+20 = 0
z = 340+20 = 120
z = 340+220 = 160
z = 320+260 = 180
z = 30+280 = 160
100
80
(20, 60)
60
40
20
(0, 80)
Regin
Factible
(40, 20)
(40, 0)
(0, 0)
20
40
60
80
X1
Utilidad 180 $
Cuntos muecos y cuntos trenes debe fabricar?
20
+ 60
Recuerda que:
La regin factible en cualquier PPL est
limitada por segmentos (es un polgono,
acotado o no).
La regin factible de cualquier PPL tiene
solamente un nmero finito de vrtices.
Cualquier PPL que tenga solucin ptima
tiene un vrtice que es ptimo.
10
programa.
Variables de
Decisin
X1 = n de anuncios
programa del
corazn
X2 = n de anuncios
programa de
futbol
Objetivo
Elegir valores de X1 y X2
para minimizar el costo
de
la
campaa
publicitaria. Usaremos la
variable z para denotar
el valor de la funcin
objetivo.
Alternativas
1. Anunciar en el
Programa del
Corazn
2. Anunciar en el
Programa de Futbol
3. Anunciar en ambos
programas
11
Variables de Decisin
X1 = n de anuncios programa del corazn
X2 = n de anuncios programa de futbol
Prog.
corazn
X1
Prog.
Futbol
X2
Funcin objetivo
Beneficio
50
100
Restriccin 1
Mujeres
30
Restriccin 2
Hombres
24
50
Sujeto a (s.a:)
1 6
2 2
24
100
30
12
14
12
s.a.
10
6x1 + 3x2 30
2x1 + 8x2 24
6x1 + 3x2 = 30
x1, x2 0
6
4
2x1 + 8x2 = 24
10
12
14
X1
X2
14
12
10
Regin
Factible
8
6
4
C
2
10
12
14
X1
13
z = 50x1 + 100x2
A(0, 10)
z = 500 + 10010 =
= 0+1000 = 1000
B(4, 2)
z = 504 + 1002 =
= 200+200 = 400
C(12, 0)
z = 5012 + 1000 =
= 600+0 = 600
X2
14
12
10
A(0, 10)
Regin
Factible
8
6
4
B(4, 2)
Solucin:
x1 = 4 anuncios en prog. corazn
x2 = 2 anuncios en futbol
Coste z = 400 (mil $)
C(12, 0)
2
10
12
14
X1
X2
14
s.a.
6x1 + 3x2 30
12
2x1 + 8x2 24
10
x1,x2 0
El coste mnimo
se obtiene en el
punto B.
A(0, 10)
Regin
Factible
Z = 400
6
4
B(4, 2)
Solucin:
x1 = 4 anuncios en prog. corazn
x2 = 2 anuncios en futbol
Coste z = 400 (mil $)
C(12, 0)
2
10
12
14
X1
14
60
Consideremos el siguiente
problema:
50
40
30
Regin
Factible
B
z = 120
20
10
A
10
20
30
40
50
X1
15
Consideremos el siguiente
problema:
max z = 3x1 + 2x2
60
No existe
Regin Factible
50
x1 30
s.a:
40
x2 30
x1 + x2 50
30
20
x1,x2 0
10
20
30
40
50
X1
PPL no acotado
max z = 2x1 x2
s.a:
x1 x2 1
2x1 + x2 6
x1, x2 0
16
Programacin Lineal
Mtodo
Simplex
Variables
Coef. Zj
0
s1
0
s2
0
s3
Cj
ZjCj
x1
3
2
1
1
0
3
x2
2
1
1
0
0
2
s1
0
1
0
0
0
0
s2
0
0
1
0
0
0
s3
0
0
0
1
0
0
RHs
100
80
40
0
Z= Max
Z= Min
Variables de
Decisin
Objetivo
Elegir valores de X1 y X2
para
maximizar
las
utilidades. Usaremos la
variable z para denotar
el valor de la funcin
objetivo.
X1 = n de muecos
producidos a la
semana
X2 = n de trenes
producidos a la
semana
Alternativas
1. Producir solo
Muecos
2. Producir solo
trenes
3. Producir una
mezcla de
ambos
Variables de Decisin
X1 = n de muecos producidos a la semana
X2 = n de trenes producidos a la semana
Mueco
X1
Tren
X2
Funcin objetivo
Beneficio
Restriccin 1
Acabado
100
Restriccin 2
Carpintera
80
Restriccin 3
Demanda
40
Sujeto a (s.a:)
1 2
100
80
40
s.a
F.O.
+An
-Sn
+An
Max
+Sn
Min
Variable
Entra
Termina
Observ.
Cj-Zj
Coeficiente
Mayor
Positivo
0
(-)
Sn= +0
An= -M
Mayor
Negativo
0
(+)
Sn= -0
An= +M
Sujeto a (s.a:)
1 2
100
80
40
x1
3
2
1
1
0
3
x2
2
1
1
0
0
2
s1
0
1
0
0
0
0
s2
0
0
1
0
0
0
s3
0
0
0
1
0
0
RHs
Variables
Coef. Cj
0
s1
0
s2
3
x1
Zj
CjZj
x1
3
0
0
1
3
0
x2
2
1
1
0
0
2
s1
0
1
0
0
0
0
s2
0
0
1
0
0
0
s3
0
2
1
1
3
3
RHs
1
1
0
0
1
1
0
0
0
0
1
1
1
0
1
40
80
40
1
+
x1
s2
s2
100
80
40
0
20
40
40
120
50
80
40
20
40
0
x1
3
0
0
1
3
0
x2
2
1
1
0
0
2
s1
0
1
0
0
0
0
s2
0
0
1
0
0
0
s3
0
2
1
1
3
3
RHs
Variables
Coef. Cj
2
x2
0
s2
3
x1
Zj
CjZj
x1
3
0
0
1
3
0
x2
2
1
0
0
2
0
s1
0
1
1
0
2
2
s2
0
0
1
0
0
0
s3
0
2
1
1
1
1
RHs
0
0
0
1
1
0
1
0
1
0
1
1
2
1
1
20
40
20
1
+
x2
s2
s2
20
40
40
120
20
20
40
160
10
20
40
x1
3
0
0
1
3
0
x2
2
1
0
0
2
0
s1
0
1
1
0
2
2
s2
0
0
1
0
0
0
s3
0
2
1
1
1
1
RHs
Variables
Coef. Cj
2
x2
0
s3
3
x1
Zj
CjZj
x1
3
0
0
1
3
0
x2
2
1
0
0
2
0
s1
0
1
1
1
1
1
s2
0
2
1
1
1
1
s3
0
0
1
0
0
0
RHs
0
0
0
0
1
1
1
1
1
1
0
2
1
2
0
20
20
60
2
+
s3
x2
x2
20
20
40
160
60
20
20
180
z = 3x1 + 2x2
z = 30+20 = 0
z = 340+20 = 120
z = 340+220 = 160
z = 320+260 = 180
z = 30+280 = 160
100
80
(20, 60)
60
40
20
(0, 80)
Regin
Factible
(40, 20)
(40, 0)
(0, 0)
20
40
60
80
X1
EJERCICIO PRACTICO
50
200
Sujetoa(s.a:)
1 0.15
0.30
2 0.20
0.15
50
150
60
50
200
Sujetoa(s.a:)
1 0.15
0.30
2 0.20
0.15
60
50
150
Variables
Coef. Cj
RHs
Zj
CjZj
Variables
Coef. Cj
RHs
Zj
CjZj
Un problema
Variables de
Decisin
X1 = n de anuncios
programa del
corazn
X2 = n de anuncios
programa de
futbol
Objetivo
Elegir valores de X1 y X2
para minimizar el costo
de
la
campaa
publicitaria. Usaremos la
variable z para denotar
el valor de la funcin
objetivo.
Alternativas
1. Anunciar en el
Programa del
Corazn
2. Anunciar en el
Programa de Futbol
3. Anunciar en ambos
programas
Variables de Decisin
X1 = n de anuncios programa del corazn
X2 = n de anuncios programa de futbol
Prog.
corazn
X1
Prog.
Futbol
X2
Funcin objetivo
Beneficio
50
100
Restriccin 1
Mujeres
30
Restriccin 2
Hombres
24
50
100
Sujeto a (s.a:)
1 6
2 2
24
30
s.a
F.O.
+An
-Sn
+An
Max
+Sn
Min
Variable
Entra
Termina
Observ.
Cj-Zj
Coeficiente
Mayor
Positivo
0
(-)
Sn= +0
An= -M
Mayor
Negativo
0
(+)
Sn= -0
An= +M
10
50
100
Sujeto a (s.a:)
1 6
2 2
30
24
x1
50
6
2
8M
8M+50
x2
100
3
8
11M
11M+100
s1
0
1
0
M
M
s2
0
0
1
M
M
A1
M
1
0
M
0
Variables
Coef. Cj
M
A1
100
x2
Zj
CjZj
x1
50
5.25
0.25
5.25M+25
5.25M+25
x2
100
0
1
100
0
s1
0
1
0
M
M
s2
0
0.375
0.125
0.375M12.5
0.375M+12.5
A1
M
1
0
M
0
A2
M
0
1
M
0
RHs
30
24
54M
10
3
A2
RHs
M
4
0.375
21
12
0.125
3
0.375M+12.5 21M+300
1.375M12.5
1/8
x2
x2
2
0.25
8
1
0
0
1
0.125
0
0
1
0.125
24
3
3.00
x2
A1
A1
0.25
6
6
1
3
3
0
1
1
0.13
0
0
0
1
1
0.13
0
0
3
30
30
11
x1
50
5.25
0.25
5.25M+25
5.25M+25
x2
100
0
1
100
0
s1
0
1
0
M
M
s2
0
0.375
0.125
0.375M12.5
0.375M+12.5
A1
M
1
0
M
0
Variables
Coef. Cj
50
x1
100
x2
Zj
CjZj
x1
50
1
0
50
0
x2
100
0
1
100
0
s1
0
0.19
0.05
4.5
4.5
s2
0
0.07
0.14
10.5
10.5
A1
M
0.19
0.05
4.5
M4.5
4/21
0.25
+
x1
x1
x2
x2
5.25
1
0.25
0
0
0
1
1
1
0.19
0
0.05
0.375
0.07
0.125
0.14
A2
RHs
M
0.375
21
0.125
3
0.375M+12.5 21M+300
1.375M12.5
A2
M
0.07
0.14
10.5
M10.5
1
0.19
0
0.05
RHs
4
2
400
0.375
0.07
0.125
0.14
21
4
3
2
z = 50x1 + 100x2
A(0, 10)
z = 500 + 10010 =
= 0+1000 = 1000
B(4, 2)
z = 504 + 1002 =
= 200+200 = 400
C(12, 0)
z = 5012 + 1000 =
= 600+0 = 600
X2
14
12
10
A(0, 10)
Regin
Factible
8
6
4
B(4, 2)
C(12, 0)
2
10
12
14
X1
12
Definicin
La teora de
Matemtica.
Dualidad
es
una
propiedad
Teora de Dualidad
Dualidad Simtrica
Problema primal
max Z: cx
s.a
Ax < b
x >0
Problema dual
Min W: by
s.a
Ay > c
y >0
Dualidad Simtrica
Problema primal
Problema dual
Min W: 2y1 +10y2
s.a
2y1 +7y2 3
-y1 +5y2 7
y1 -2y2 -4
y1,y2 0
Dualidad Asimtrica
Problema primal
max Z: cx
s.a
Ax = b
x0
Problema dual
Min W: by
s.a
Ay c
y, SRS
Dualidad Asimtrica
Problema primal
Max Z: 3x1+2x2
s.a
x1+ x2 = 6
5x1 - x2 = 12
x1,x2 0
Problema dual
Min W: 6y1 +12y2
s.a
y1 +5y2 3
y1 - y2 2
y1, y2
SRS
Ej:
s.a
8x1 + 6 x2 + x3
4x1 + 2x2 +1.5x3
2x1 + 1.5x2 + 0.5x3
x1, x2, x3
48
20
8
listones de madera
horas de acabado
horas de carpintera
>0
y1,y2,y3>0
La variable dual se relaciona con el valor de los
recursos, por esta razn se denomina precio
sombra
Precio Dual
El precio
dual o precio
sombra
es
la
variacin de la F.O. cuando el lado derecho de
una restriccin cambia en una unidad.
El precio dual es vlido para el rango de variacin
permitido, y constante en este intervalo.
El precio dual de una restriccin inactiva es cero
Costo reducido
Sujeto a (s.a:)
1 2
100
80
40
Primal
Sujeto a (s.a:)
100
80
40
Sujeto a (s.a:)
1 2
100
1 2
80
40
Dual
Problemas de Asignacin y
Transporte
SolucinaplicandoMtodoSimplex
EJERCICIO
1
2
3
Variables. 9 variables
Restricciones.-
ConstruccindelModelo
. .
0 1
Adaptacindelmodeloalatabasimplex
. .
0 1
SolucinconAlgoritmoHngaro
Pasosdeaplicacin
1.
Pasosdeaplicacin
Pasosdeaplicacin
2.
Pasosdeaplicacin
Pasosdeaplicacin
3.
Pasosdeaplicacin
Pasosdeaplicacin
4.
5.
b)
c)
Pasosdeaplicacin
Sub pasos a y b
Pasosdeaplicacin
Pasosdeaplicacin
Pasosdeaplicacin
6.
Pasosdeaplicacin
Asignacin
Costo mnimo = 25
Variantesdelplanteamiento
1) Cuando en un centro no se pueda realizar actividad alguna,
se le asigna un valor muy grande M y se procede realizar
el mismo procedimiento explicado anteriormente.
CentrodeTrabajo
TAREA
R34
11
14
S66
10
12
T50
12
Variantesdelplanteamiento
CentrodeTrabajo
TAREA
R34
11
14
S66
10
11
12
T50
12
10
CentrodeTrabajo
TAREA
R34
11
14
S66
10
11
12
T50
12
F10
R34
11
14
S66
10
11
T50
12
11
CentrodeTrabajo
TAREA
R34
S66
T50
Ejerciciospropuestos
12
Problemas de Asignacin y
Transporte
PROBLEMAS DE TRANSPORTE
PROBLEMAS DE TRANSPORTE
Esquemticamente se podra ver como se muestra en la
siguiente figura
Fuentes
s1
s2
sm
C11, X11
d1
d2
.
.
.
.
.
.
m
Cmn, Xmn
donde
Destinos
dn
PROBLEMAS DE TRANSPORTE
El objetivo general es encontrar el mejor plan de
distribucin, es decir, la cantidad que se debe enviar
por cada una de las rutas desde los puntos de
suministro hasta los puntos de demanda.
El mejor plan es aquel que minimiza los costos
totales de envo, produzca la mayor ganancia u
optimice algn objetivo corporativo.
Se debe contar con:
Nivel de oferta en cada fuente y la cantidad de demanda
en cada destino.
Costo de transporte unitario de mercadera desde cada
fuente a cada destino.
PROBLEMAS DE TRANSPORTE
Variables. 9 variables
PROBLEMAS DE TRANSPORTE
PROBLEMAS DE TRANSPORTE
PROBLEMAS DE TRANSPORTE
Construccin del Modelo
. .
PROBLEMAS DE TRANSPORTE
Adaptacindelmodeloalatabasimplex
Agregar variables de holgura y Artificiales
Lic. Jorge E. Rojas Nina
. .
PROBLEMAS DE TRANSPORTE
Hay diferentes enfoques para resolver este problema
de distribucin:
Lic. Jorge E. Rojas Nina
Esquina Noroeste
Costo Mnimo
Aproximacin de Vogel.
Del trampoln (Stepping stone)
Mtodo de la distribucin modificada (MODI)
Ejemplo 1:
Una compaa fabrica un producto en tres Fabricas de
las cuales 4 mercados son abastecidos (1, 2, 3 y 4).
Los requerimientos del mercado, las capacidades de
cada planta y los costos de transporte de cada planta a
cada mercado se muestran a continuacin:
Fabrica1
Fabrica2
Fabrica3
Demanda
M1
9
2
8
30
MERCADOS
M2
M3
6
4
4
6
1
8
40
10
M4
7
3
6
20
Oferta
35
20
45
100
M1
Fabrica1 9
M4
7
Oferta
35
30
Fabrica2 2
20
Fabrica3 8
45
Demanda 0
30
40
10
20
100
M1
Fabrica1 9
30
M4
7
Oferta
35
Fabrica2 2
20
Fabrica3 8
45
Demanda 0
MERCADOS
M2
M3
6
4
30
35
40
10
20
100
M1
Fabrica1 9
30
Fabrica2 2
M4
7
Oferta
35
5
4
0
6
20
20
Fabrica3 8
Demanda 0
30
0
8
15
40
10
45
20
100
M1
Fabrica1 9
30
M4
7
Oferta
35
Fabrica2 2
Fabrica3 8
0
6
20
20
0
45
15
Demanda 0
30
40
30
10
20
100
M1
Fabrica1 9
30
Fabrica2 2
M4
7
Oferta
35
5
4
0
6
20
20
Fabrica3 8
0
8
15
Demanda 0
30
45
10
40
20
10
20
100
M1
Fabrica1 9
30
M4
7
Oferta
35
Fabrica2 2
Fabrica3 8
0
6
20
20
15
Demanda 0
30
40
45
10
0
10
20
0
20
0
100
M2
6
30
Fabrica2 2
MERCADOS
M3
4
M4
7
Oferta
35
5
4
0
6
20
45
20
Fabrica3 8
15
Demanda 0
30
40
10
0
10
20
20
100
595
10
22
11
Ejemplo 1:
Una compaa fabrica un producto en tres Fabricas de
las cuales 4 mercados son abastecidos (1, 2, 3 y 4).
Los requerimientos del mercado, las capacidades de
cada planta y los costos de transporte de cada planta a
cada mercado se muestran a continuacin:
Fabrica1
Fabrica2
Fabrica3
Demanda
MERCADOS
M2
M3
6
4
4
6
1
8
40
10
M1
9
2
8
30
M4
7
3
6
20
Oferta
35
20
45
100
MERCADOS
M3
4
M1
Fabrica1 9
M2
6
M4
7
Fabrica2 2
20
Fabrica3 8
45
Oferta
35
40
Demanda
30
40
5
10
20
100
12
M1
Fabrica1 9
MERCADOS
M2
M3
6
4
M4
7
Fabrica2 2
Oferta
35
20
20
Fabrica3 8
0
45
40
Demanda 10
30
40
10
20
100
MERCADOS
M3
4
M1
Fabrica1 9
M2
6
M4
7
Fabrica2 2
Oferta
35
10
25
20
20
Fabrica3 8
0
45
40
Demanda 10
30
40
5
0
10
20
100
13
MERCADOS
M2
M3
6
4
M1
Fabrica1 9
M4
7
Oferta
35
10
Fabrica2 2
25
20
20
Fabrica3 8
0
45
40
Demanda 10
30
40
10
15
20
100
MERCADOS
M3
4
M1
Fabrica1 9
M2
6
M4
7
Fabrica2 2
10
Oferta
35
15
20
20
Fabrica3 8
0
45
40
Demanda 10
30
10
40
10
20
100
14
MERCADOS
M2
M3
6
4
M1
Fabrica1 9
10
Fabrica2 2
M4
7
Oferta
35
10
15
0
20
20
Fabrica3 8
0
45
40
Demanda
30
40
10
20
100
M2
6
M3
4
20
45
10
Fabrica2 2
M4
7
10
Oferta
35
15
20
Fabrica3 8
0
40
Demanda
30
40
10
20
100
345
15
16
M1
Fabrica1 9
MERCADOS
6 M2
3 M3
2 M4
6
4
7
Oferta
35
2
Fabrica2 2
20
45
1
Fabrica3 8
5
Demanda
30
40
10
20
100
M1
Fabrica1 9
MERCADOS
6 M2
3 M3
2 M4
6
4
7
Oferta
35
2
Fabrica2 2
1
20
20
Fabrica3 8
0
45
5
Demanda 10
30
40
10
20
100
17
M1
Fabrica1 9
MERCADOS
6 M2
3 M3
2 M4
6
4
7
Oferta
35
2
Fabrica2 2
1
20
20
Fabrica3 8
0
1
45
5
Demanda 10
30
40
10
20
100
M1
Fabrica1 9
MERCADOS
1 M2
5 M3
4 M4
6
4
7
Oferta
35
2
Fabrica2 2
no
20
20
Fabrica3 8
0
45
5
Demanda 10
30
40
10
20
100
18
M1
Fabrica1 9
MERCADOS
1 M2
5 M3
4 M4
6
4
7
Oferta
35
2
Fabrica2 2
no
20
20
Fabrica3 8
0
1
45
40
5
Demanda 10
30
40
10
20
100
M1
Fabrica1 9
MERCADOS
1 M2 no M3
4 M4
6
4
7
Oferta
35
3
Fabrica2 2
no
0
45
40
2
Demanda 10
20
20
Fabrica3 8
30
40
5
10
20
100
19
M1
Fabrica1 9
MERCADOS
1 M2 no M3
4 M4
6
4
7
10
3
Fabrica2 2
no
Oferta
35
25
20
20
Fabrica3 8
0
1
45
40
2
Demanda 10
30
40
10
20
100
M1
Fabrica1 9
MERCADOS
1 M2 no M3 no M4
6
4
7
10
3
Fabrica2 2
no
20
0
45
40
2
30
Oferta
35
25
20
Fabrica3 8
Demanda 10
40
5
0
10
20
100
20
M1
Fabrica1 9
MERCADOS
1 M2 no M3 no M4
6
4
7
10
2
Fabrica2 2
no
Oferta
35
25
20
20
Fabrica3 8
0
1
45
40
2
Demanda 10
30
40
10
15
20
100
M1
Fabrica1 9
MERCADOS
1 M2 no M3 no M4
6
4
7
10
2
Fabrica2 2
no
20
0
45
40
no
30
Oferta
35
25
20
Fabrica3 8
Demanda 10
40
10
15
20
100
21
M1
Fabrica1 9
MERCADOS
0 M2 no M3 no M4
6
4
7
10
2
Fabrica2 2
no
Oferta
35
15
10
20
20
Fabrica3 8
0
1
45
40
no
Demanda 10
30
40
10
20
100
M1
Fabrica1 9
MERCADOS
0 M2 no M3 no M4
6
4
7
10
2
Fabrica2 2
no
15
10
20
0
45
40
no
Oferta
35
20
Fabrica3 8
Demanda 10
no
30
40
10
20
100
22
M1
Fabrica1 9
MERCADOS
0 M2 no M3 no M4
6
4
7
10
2
Fabrica2 2
10
4
Oferta
35
15
20
20
no
Fabrica3 8
0
1
45
40
no
Demanda
no
30
40
10
20
100
no M2
6
10
no
Fabrica2 2
no
Demand
a
10
no Oferta
35
15
0
45
40
0
30
0
20
20
no
Fabrica3
MERCADOS
no M3 no M4
4
7
40
10
20
100
23
PROBLEMAS DE TRANSPORTE
Variantesdelplanteamiento
1) Cuando no se realice en un origen y/o destino actividad
alguna, el costo que se le asigna es un valor muy grande
M . Se procede realizar el mismo procedimiento explicado
anteriormente.(ENO, CM o Vogel)
T2
TIENDAS
T3
T4
Origen
Planta1 8
100
Planta2 4
200
Planta3 3
150
T1
Destino
160
70
120
100
450
PROBLEMAS DE TRANSPORTE
Variantesdelplanteamiento
T1
Planta1 8
T2
9
TIENDAS
T3
T4
9
5
Planta2 4
200
Planta3 3
150
Destino
160
70
120
100
Holg
0
Origen
100
20
450
24
PROBLEMAS DE TRANSPORTE
T2
TIENDAS
T3
T4
Origen
Planta1 8
100
Planta2 4
200
Planta3 3
150
T1
Destino
160
70
120
100
450
PROBLEMAS DE TRANSPORTE
T2
TIENDAS
T3
T4
Origen
Planta1 1
100
Planta2 5
200
Planta3 6
150
T1
Destino
160
70
120
100
450
25
PROBLEMAS DE TRANSPORTE
Ejerciciospropuestos
26
Modelos de Optimizacin de
Redes
Fundamentosderedes
en proyectos, para
Elaboracindeldiagramadered
Red de actividades en arcos/Activity on Arrow (AOA)
Actividades = flecha
Nodos
= eventos
B
A
4
B y D debern completarse
antes de que se inicie E
Elaboracindeldiagramadered
Actividades
= nodos
Relacin de precedencia = flechas
B
D
A
C
B y D debern completarse
antes de que se inicie E
Elaboracindeldiagramadered
Actividades ficticias (Dummy)/Mtodo (AOA)
B
A
Inicio
D
4
Fin
F
X
A y C debern completarse
antes de que se inicie F
Elaboracindeldiagramadered
B
A
D
C
Fin
F
Inicio
A y C debern completarse
antes de que se inicie F
Ventajadelosmtodos
CPM(Trasladodehospital)
A ct ivid a
D escrip ci n
Pred eceso r
T iemp o
12
Seleccionar el equipo
10
24
9
A
10
10
35
Construir el hospital
40
15
Instalar el equipo
E,G,H,
F,I,J
Actividadenlosnodos(AON)
Actividad
12 C 22
14 10 24
Duracin Esperada
de la actividad
(dE)
RedAONparaelproyectodehospital
I
15
A
12
INICIO
B
9
F
10
K
6
C
10
G
35
D
10
H
40
E
24
FIN
J
4
Estimacindetiempostempranos
Ftf = Ftc + dE
Nodos Fechastempranas
Fecha temprana
de comienzo
Ftc
Actividad
12 C 22
14 10 24
Fecha temprana
de finalizacin
Ftf
Duracin Esperada
de la actividad
dE
Rutas
I
15
A
12
INICIO
B
9
F
10
C
10
G
35
D
10
H
40
E
24
K
6
FIN
J
4
LlegadaalnodoK
12 I 27
15
A 12
12
INICIO
B
9
12 F 22
10
63 K 69
6
12 C 22
10
22 G 57
35
D 19
10
19 H 59
40
E 33
24
FIN
59 J 63
4
Estimacindetiempostardos
FTC = FTF dE
Nodos Fechastardas
Actividad
C
14 10 24
Fecha Tarda
de Comienzo
FTC
Duracin Esperada
de la actividad
dE
Fecha Tarda
de Finalizacin
FTF
LlegadaalnodoInicio
I
48 15 63
A
2 12 14
INICIO
B
9
F
53 10 63
C
14 10 24
G
24 35 59
D
9 10 19
H
19 40 59
E
35 24 59
K
63 6 69
FIN
J
59 4 63
Representacincompletadelnodo
Actividad
Fecha
temprana
de comienzo
Ftc
12 C 22
14 10 24
Fecha Tarda
de Comienzo
FTC
Duracin
Esperada
de la actividad
dE
Fecha
temprana
de finalizacin
Ftf
Fecha Tarda
de
Finalizacin
FTF
Desarrollocompleto
12 I 27
48 15 63
0 A 12
2 12 14
INICIO
0
0
B
9
9
9
12 F 22
53 10 63
12 C 22
14 10 24
22 G 57
24 35 59
9 D 19
9 10 19
19 H 59
19 40 59
9 E 33
35 24 59
63 K 69
63 6 69
FIN
59 J 63
59 4 63
10
Holgura
H = FTF Ftf
H = FTC - Ftc
12 C 22
14 10 24
2
FTF Ftf
24 22
EstimacindeHolgura
12 I 27
48 15 63
36
0 A 12
2 12 14
2
INICIO
0
0
B
9
9
9
0
12 F 22
53 10 63
41
12 C 22
14 10 24
2
22 G 57
24 35 59
2
9 D 19
9 10 19
0
19 H 59
19 40 59
0
9 E 33
35 24 59
26
63 K 69
63 6 69
0
FIN
59 J 63
59 4 63
0
11
Clculodeholguras
Nodo
A
B
C
D
E
F
G
H
I
J
K
Duracin
12
9
10
10
24
10
35
40
15
4
6
Ftc
0
0
12
9
9
12
22
19
12
59
63
FTC
2
0
14
9
35
53
24
19
48
59
63
Holgura
2
0
2
0
26
41
2
0
36
0
0
Caminocrtico
12 I 27
48 15 63
36
0 A 12
2 12 14
2
INICIO
0
0
B
9
9
9
0
12 F 22
53 10 63
41
12 C 22
14 10 24
2
22 G 57
24 35 59
2
9 D 19
9 10 19
0
19 H 59
19 40 59
0
9 E 33
35 24 59
26
63 K 69
63 6 69
0
FIN
59 J 63
59 4 63
0
12
PERTEstimacionesprobabilsticasdetiempo
1.
2.
3.
Distribucindeprobabilidades
En las tcnica PERT, el tiempo de cada actividad se considera
como una variable aleatoria derivada de una distribucin de
probabilidad beta
13
Supuestos
Clculo
La media se calcula ponderando
a 4m b
6
Varianza
14
Anlisisdeprobabilidades
Tiempo esperado de terminacin de todo el proyecto (TE)
Varianza en la ruta
Desviacin standar
Tabla distribucin
Normal
PERT(Trasladodehospital)
A ctividad
Lic. Jorge E. Rojas Nina
D escripci n
P redeceso r
Seleccionar el equipo
B
A
Construir el hospital
Instalar el equipo
A
E,G,H,
F,I,J
15
PERT(Trasladodehospital)
Tiempos estimados
Tiempo (a) Tiempo (m) Tiempo (b)
10
12
19
6
9
13
8
10
18
4
10
18
18
24
30
8
10
15
30
35
45
30
40
50
10
15
20
1
4
12
3
6
15
Actividad
A
B
C
D
E
F
G
H
I
J
K
4
6
2.25
1.36
2.78
5.44
4.00
1.36
6.25
11.11
2.78
3.36
4.00
te
12.83
9.17
11.00
10.33
24.00
10.50
35.83
40.00
15.00
4.83
7.00
PERT(Trasladodehospital)
12.83
27.83
12.83
12.83
12.83
INICIO
23.33
23.83
9.17
9.17
0.16
9.17
9.33
9.17
19.50
33.17
64.49
71.49
23.83
59.66
FIN
19.50
59.50
59.66
64.49
16
PERTHolguras(Trasladodehospital)
12.83
27.83
36.66
12.83
12.83
23.33
64.49
71.49
0.00
41.16
0.00
12.83
INICIO
23.83
23.83
59.66
0.00
0.00
9.17
9.17
0.16
9.17
9.33
0.16
0.16
0.16
9.17
19.50
19.50
FIN
59.50
33.17
59.66
64.49
26.49
0.00
PERTCaminocrtico(Trasladodehospital)
12.83
27.83
36.66
12.83
12.83
23.33
64.49
71.49
0.00
41.16
0.00
12.83
INICIO
23.83
23.83
59.66
0.00
0.00
9.17
9.17
0.16
9.17
9.33
0.16
0.16
0.16
9.17
19.50
33.17
19.50
FIN
59.50
59.66
64.49
26.49
0.00
17
Anlisisdeprobabilidades
Varianza en la ruta
Desviacin standar
Tabla distribucin
Normal
PERT(Tiempoesperadoydesviacinstandar)
Actividad
A
B
C
D
E
F
G
H
I
J
K
Tiempos estimados
Tiempo (a) Tiempo (m) Tiempo (b)
10
12
19
6
9
13
8
10
18
4
10
18
18
24
30
8
10
15
30
35
45
30
40
50
10
15
20
1
4
12
3
6
15
4
6
te
12.83
9.17
11.00
10.33
24.00
10.50
35.83
40.00
15.00
4.83
7.00
2.25
1.36
2.78
5.44
4.00
1.36
6.25
11.11
2.78
3.36
4.00
71.50
18.64
4.32
Desviacin
Standar
18
Distribucinnormal
Puedes usar la tabla de abajo para saber el rea bajo la curva desde la lnea central
hasta cualquier lnea vertical "a valor Z" hasta 3, en incrementos de 0.1
En lugar de una tabla LARGA, hemos puesto los incrementos de 0.1 hacia abajo, y
los de 0.01 de lado.
Por ejemplo, para saber el rea debajo de la curva entre 0 y 0.45, ve a la fila de 0.4,
y sigue de lado hasta 0.45, all pone 0.1736
Como la curva es simtrica, la tabla vale para ir en las dos direcciones, as que 0.45
negativo tambin tiene un rea de 0.1736
Tabladedistribucinnormal
19
Tabladedistribucinnormal
Anlisisdeprobabilidades
71.5
4.32
Tabla distribucin
Normal
1.97
0.50
0.4756
71.5
0.4756
0.9756 97.56 %
<=80
20
Anlisisdeprobabilidades
71.5
4.32
Tabla distribucin
Normal
1.97
0.50
0.4756
71.5
0.4756
0.0244 2.44 %
>=80
21