Professional Documents
Culture Documents
INVESTIGACIÓN
OPERATIVA II
TEORÍA Y EJERCICIOS
ÍNDICE
2
Investigación Operativa II – Lucio Malásquez Ruiz
I. TEORÍA DE
DECISIONES
TEMAS
3
Investigación Operativa II – Lucio Malásquez Ruiz
INTRODUCCIÓN
I
La organización fracciona el problema en sus diversas partes, las analiza, estudia por
separado y arroja por grupos sus resultados. La Investigación de Operaciones recoge
estos resultados y los coordina a todos los niveles.
El éxito de cualquier operativo, ya sea militar, comercial, industrial, político social, etc.,
depende del adecuado uso de los medios que se dispone para ese fin. La
Investigación de Operaciones se aplica a problemas que tienen que ver con la forma
de conducir y coordinar las operaciones o actividades dentro de una organización.
El propósito de la Investigación de Operaciones es pronosticar las condiciones óptimas
de las acciones presentes, futuras y comprenderlas perfectamente para poder
modificarlas en vista de mejores resultados.
De la experiencia personal, muchas decisiones se toman sin hacer referencia al método
científico o a los métodos cuantitativos.
La costumbre, la tradición, la fe, la intuición, las preferencias, predisposiciones y el
factor político, etc., juegan un papel importante en la manera en que se resuelve los
problemas. En la búsqueda de soluciones de los problemas debemos responder a las
siguientes preguntas:
❖ ¿Cómo debe actuarse al tomar una decisión?
❖ ¿Qué debe hacerse para tomar la mejor decisión?
4
Investigación Operativa II – Lucio Malásquez Ruiz
DEFINICIONES
II
2.1 DECISIÓN:
Decidir es elegir entre diferentes alternativas. Cuando el proceso de selección lo
efectuamos, consideramos diferentes criterios que como filtros de opciones nos permite
establecer un orden de preferencia de las alternativas.
La complejidad del mundo económico actual y de la estructura interna de las empresas
hacen cada vez más difíciles las decisiones. Que ya no cabe la decisión intuitiva, la
decisión actual ha de ser fruto de una reflexión y de una preparación racional. La
decisión se traduce en coordinar un conjunto de actividades cuyas consecuencias se
sentirán en el futuro. El decisor decide en base a la intuición y en base al razonamiento.
D = d {R, I} I: Intuición, R: Razón
La Investigación de Operaciones, tiene por misión dar mayor peso a la componente
racional de todo acto de decisión, que las decisiones descansen sobre bases
racionales. Para aumentar el peso de la componente racional. La Investigación
Operativa cuantifica al máximo la información del estado del sistema. No puede
haber una decisión totalmente racional, pues quien decide, muchas veces tiene en
cuenta el acto de la decisión otros factores como: prestigio personal, político, etc.
El método científico surgió a través del tiempo a partir de la experiencia de muchos
científicos (Químicos, Físicos, Biólogos, etc.). Se reconoce a Sir Francis Bacon quien
describió formalmente el método científico. La aplicación exhaustiva del método
científico, considera:
✓ Estar bien informado: Deben conocerse todos lo hecho y relaciones pertinentes.
✓ Conocer todas las alternativas: Deben identificarse todas las alternativas de
solución.
✓ Ser objetivo: Ser optimizador económico. Maximizar los beneficios económicos
y minimizar los costos económicos.
5
Investigación Operativa II – Lucio Malásquez Ruiz
6
Investigación Operativa II – Lucio Malásquez Ruiz
TIPOLOGÍA DE LA TOMA DE
III
DECISIONES
Los medios necesarios para la toma de decisiones son el juicio y el sentido común.
Los procedimientos formales abarcan, organizan, jerarquizar, contar, estimar y una
aritmética de la información.
3.1. PRIMERA TIPOLOGÍA.
Existe infinidad de problemas de decisiones que los podemos reducir a:
1. Situaciones Programables.
Situaciones bien definidas, repetitivas y para los cuales existe una información
adecuada. Existen reglas rutinarias que normalmente guían la administración
diaria de los asuntos de las organizaciones comerciales:
▪ Nivel de inventario.
▪ Colocación de trabajadores.
▪ Determinación de horarios de producción, etc.
2. Situaciones No Programables.
7
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
Modelo de decisión bajo riesgo, se recoge información de los vendedores:
Utilidad $4.5/árbol, Costos $3.5/árbol Precio $8/árbol
Estados de la Naturaleza.
Lotes de 100 árboles; Demandas: 100, 200 y 300
8
Investigación Operativa II – Lucio Malásquez Ruiz
Alternativas:
El personal puede producir: 100, 200 y 300.
✓ A1: Producir 100 árboles.
✓ A2: Producir 200 árboles.
✓ A3: Producir 300 árboles.
Matriz de Pagos
Las consecuencias se expresan en términos de utilidades
✓ R11=100* (4.5) =450
✓ R12=100* (4.5) =450
✓ R13=100* (4.5) =450
✓ R21=100* (4.5) – 100(3.5) =100
✓ R22=R23=200*(4.5) =900
✓ R31=100* (4.5) – 200* (3.5) =250
✓ R32=200* (4.5) – 100* (3.5) =900 – 350 =550
✓ R33=300* (4.5) = 1350
Ai/𝜽𝒋 𝜽𝟏 𝜽𝟐 𝜽𝟑
A1 450 450 450
A2 100 900 900
A3 -250 550 1350
Evaluación de Resultados.
✓ Si se ordena 100 unid., hay seguridad de ganancias de $450.
✓ Si se ordena 200 unid., las ganancias están en el rango de $100 a $900.
✓ Si se ordena 300 unid., la utilidad potencial esta entre $-250 y $1350.
Evaluamos las alternativas, utilizando el criterio del Valor Esperado.
E ( Ai ) RijP ( j )
Luego escogemos el máximo valor esperado:
Max {450, 660, 630}=660
El criterio del valor esperado nos dice que debemos seleccionar la alternativa dos, es decir
producir 200 árboles para tener una ganancia esperada de $660.
9
Investigación Operativa II – Lucio Malásquez Ruiz
FASES DE LA TOMA DE
IV DECISIONES
El proceso racional de toma de las decisiones, implica las siguientes fases de
actividad:
1. DEFINICIÓN DEL PROBLEMA
Determinar, descubrir y delimitar el problema a estudiar.
✓ Definición De Las Necesidades: Determinar las necesidades y a quien se ha
de satisfacer.
✓ Definición De Objetivos: Elementos que indican hacia donde debe llevar la
decisión de que se trata. Estos deberán llevar a metas que sean:
Cuantificables, Claros y Reales. De modo que puedan ser comparados con
los resultados obtenidos y poder así corregir en casos de desviaciones.
✓ Definición De Recursos: Al definir lo recursos con que se cuentan o contara en
el futuro se establecen las restricciones básicas del sistema.
✓ Definición De Las Condiciones Ambientales: Identificar los factores
ambientales relacionados con el problema y emitir juicios acerca de estos a
fin de relacionar estos factores con los objetivos.
2. DIAGNÓSTICO DEL PROBLEMA.
Su fin es el de analizar la información recogida y la de describir en detalle la
situación actual del sistema, así como la de sus componentes. Este procedimiento
permite pronosticar las consecuencias futuras del sistema de seguir actuando como
lo hace. La calidad y confiabilidad de los resultados está en función de la idoneidad
de la información.
3. BÚSQUEDA DE ALTERNATIVAS.
La predicción (pronostico) permite definir cuáles serán las posibles alternativas a
seguir para alcanzar el objetivo propuesto. El proceso de desarrollar alternativas
es proporcionar condiciones conducentes al pensamiento creativo con los procesos
humanos de inventiva e innovación. Para que las alternativas tengan un significado,
es necesario que alguna predicción indique las consecuencias probables que puedan
acontecer.
4. EVALUACIÓN DE ALTERNATIVAS.
Dado las predicciones, se evaluarán estos considerando los objetivos fijados, con el
cual e están valorando las alternativas y se podrá decidir, cuál de las alternativas
es la más conveniente. La evaluación de las alternativas se puede realizar por los
10
Investigación Operativa II – Lucio Malásquez Ruiz
DECISIONES EN CONDICIONES
V
DE CERTEZA
Esta situación se da cuando el decisor conoce el estado de la naturaleza que ocurrirá
con absoluta certeza. Por tanto la persona que toma la decisión conoce el conjunto de
sus estrategias posibles también conoce los resultados correspondientes a cada una
de las estrategias disponibles y conoce sus preferencias por los diversos resultados
considerados.
Por tanto la matriz de decisiones solamente posee una columna donde se especifica
el estado natural pertinente.
SOLUCIÓN:
11
Investigación Operativa II – Lucio Malásquez Ruiz
ALTERNATIVAS E. NATURALEZA
01: 60 doc
A1 Almacena 50 50 000
A1 Almacena 60 60 000
A1 Almacena 70 55 000
DECISIONES EN CONDICIONES
VI
DE RIESGO E INCERTIDUMBRE
La disponibilidad de información parcial o imperfecta sobre un problema, lleva a
dos nuevas categorías de casos de toma de decisiones:
1.- Decisiones con riesgo
2.- Decisiones con incertidumbre
En el primer caso el grado de ignorancia se expresa con una función de
probabilidad a priori a los distintos estados de la naturaleza usando:
❖ Datos pasados
❖ Otra información disponible
❖ Juicio subjetivo
Mientras en el caso dos, no se dispone de una función de probabilidad, porque no
existe información registrada (Histórica), pero podemos asignar probabilidad
12
Investigación Operativa II – Lucio Malásquez Ruiz
13
Investigación Operativa II – Lucio Malásquez Ruiz
4.- Cuál es la cantidad máxima de dinero que podría gastarse con el fin de
eliminar toda incertidumbre.
14
Investigación Operativa II – Lucio Malásquez Ruiz
La Panadería LEONARD prepara todos los días su famoso pan, éste se vende a $1.0 la
unidad cuando está recién hecho y cuesta $ 0.50 prepararlo. El pan que no se vende es
ofertado a $0.5 la unidad. Aun a ese precio la mitad del pan rematado no se llega a vender
y se pierde.
La panadería acostumbra vender de 3 a 6 docenas de pan por día, tiene información en
cuanto a estas demandas, cuantificados en términos probabilísticos. El problema de la
panadería es decidir cuantos panes preparar en un día típico.
Demanda/doc 3 4 5 6
Probabilidad 0.1 0.4 0.4 0.1
SOLUCIÓN:
✓ Estados de la naturaleza, demanda del pan de 3 a 6 docenas.
✓ Alternativas, la panadería acostumbra preparar de 3 a 6 docenas.
✓ Matriz de decisión: Utilidades.
15
Investigación Operativa II – Lucio Malásquez Ruiz
𝑟(𝐴1, 𝜃1):
𝐼𝑛𝑔 = 1(3)(12) = 36
𝐶𝑜𝑠 = 0.5(3)(12) = 18
𝑈𝑡𝑖 = 36 − 18 = 18
𝑟(𝐴2, 𝜃1):
Teniendo además información probabilística, se utiliza el criterio del VME para hallar la mejor
alternativa. La tabla está en función de utilidades:
E {f(A1,θj)} = 18(0.1) + 18(0.4) + 18(0.4) + 18(0.1) = 18.0
E {f (A2, θj)} = 15(0.1) + 24(0.4) + 24(0.4) + 24(0.1) = 23.1
E {f (A3, θj)} = 12(0.1) + 21 (0.4) + 30 (0.4) + 30(0.1) = 24.6
E {f (A4, θj)} = 9(0.1) + 18(0.4) + 27(0.4) + 36(0.1) = 22.5
Luego:
Max E {f (Ai, θj)} = Max {18, 23.1, 24.6, 22.5} = 24.6
Se debe elegir la tercera alternativa, preparar 5 docenas de pan, con una utilidad esperada
de $24.6
16
Investigación Operativa II – Lucio Malásquez Ruiz
Dónde:
✓ K: Capital disponible
✓ U (v): Utilidad de capital k
✓ Esta curva se ajusta a la expresión:
𝑌 = 𝑎 + 𝑏𝑋 + 𝑐𝑋 2
✓ Curva acotada y para c < 0
✓ U (k) = Y
✓ K=X
Entonces 𝑈(𝑘) = 𝑎 + 𝑏𝑘 𝑐𝑘 2
Conveniencias para alcanzar los objetivos:
1. En 1 a representa la distancia al origen en ambas fórmulas.
𝑈(𝑘) = 0 𝑝𝑎𝑟𝑎 𝑘 = 0
2. En 1 b determina la pendiente de la curva.
3. En 1 es necesario que c = -1.
Entonces: 𝑈(𝑘) = 𝑘 − 𝑘 2
Expresión para un decisor que posee aversión al riesgo. Debemos determinar el
valor esperado de 2;
𝐸{𝑈(𝑘)} = 𝐸(𝑘) − 𝐸(𝑘 2 )
Así el decisor ordenara sus preferencias conforme al valor esperado de sus
utilidades. Es decir, siendo k cada uno de los posibles capitales debemos ahora
aplicar a cada curso de acción de la matriz de pagos.
17
Investigación Operativa II – Lucio Malásquez Ruiz
Los valores obtenidos se ordenarán conforme el decisor prefiere al mayor valor esperado
siendo:
-306 > -517.8 > -536.4 > -616.2
A1 > A2 > A4 > A3
1.2 CRITERIO DE LA UTILIDAD ESPERADA
Utilidad: Es la transformación de los valores monetarios a una escala que refleja las
preferencias del tomador de decisiones. La utilidad puede ser usada para
racionalizar la inconsistencia que puede resultar al utilizar el valor monetario
esperado.
Si el decisor actúa con el propósito de satisfacer una serie de supuestos razonables
que son los axiomas del comportamiento racional, existe una función de utilidad del
decisor que elige como alternativa más apropiada a la que maximice la utilidad
esperada.
1.2.1 FUNCION DE UTILIDAD
Función numérica definida sobre los eventos donde el decisor elegirá y
asignará una probabilidad a cada evento de acuerdo a su preferencia. Por
tanto, la función de utilidad tiene que ser algo muy subjetivo y suficiente
flexible para adecuarse a las características personales del decisor.
µ: E -----> µ (E)
18
Investigación Operativa II – Lucio Malásquez Ruiz
Dónde:
𝐸 = {𝑒1 𝑒2 … 𝑒𝑛 } 0 ≤ µ (E) ≤ 1
1.2.2. UTILIDAD ESPERADA
Es el promedio de las preferencias del decisor:
µ𝐿 = ∑ µ𝑗 𝑃𝑗 = ∑ µ (𝑒𝑗 )𝑃(𝑒𝑗 )
Dónde:
0 ≤ 𝑃( 𝑒𝑗 ) ≤ 1 𝑦 0 ≤ µ(𝑒𝑗 ) ≤ 1
El perfil de la curva de utilidad guarda una relación con la aversión,
indiferencia o propensión al riesgo de un decisor:
19
Investigación Operativa II – Lucio Malásquez Ruiz
Supuestos:
1. No hay dos premios exactamente iguales
2. Los premios reflejan cierta preferencia del decisor
EJEMPLO
EJEMPLO
L1 0.40 e2
0.30
e3
En términos de conjuntos
20
Investigación Operativa II – Lucio Malásquez Ruiz
De la lotería:
B. Suponiendo el resultado (Pj, ej) de la lotería Lk, si el decisor decide apostar por
segunda vez por un premio del conjunto E anterior:
E = {e1, e2,….. en}
C. Representación grafica
21
Investigación Operativa II – Lucio Malásquez Ruiz
Una persona que toma decisiones racionales será aquella cuyo proceso lógico, para la toma
de decisiones satisfaga los axiomas:
4. A un decisor le es indiferente una lotería de una sola etapa L del tipo 𝜏, donde:
𝜏 = {(p1, L1),(p2, L2),.. (pn, Lm)}
5. Sean dos loterías elementales, de una sola etapa L1, L2. Un decisor puede considerar
las posibilidades del axioma 1 para loterías.
22
Investigación Operativa II – Lucio Malásquez Ruiz
6. Valor de uj 0 ≤ uj ≤ 1
7. Asociemos el número u1 =1 con el premio e1 de mayor preferencia, y el numero un = 0
con el premio en de menor preferencia.
DECISION DE CONTRATOS
EJEMPLO
El dueño de un pequeño negocio trata de decidir cuál de los dos contratos, que le han ofrecido
debe aceptar ya que sus recursos le impiden considerar los dos, o ninguno de los dos. Existe
cierto grado de incertidumbre acerca de los resultados finales, el negociante da las posibles
consecuencias de cada contrato, asociando a cada evento una probabilidad subjetiva. Las
consecuencias dados en ganancias o pérdidas y sus probabilidades de ocurrencias son:
CONTRATO A CONTRATO B
Resultados Probabilidad Resultados Probabilidad
50,000 0.6 40,000 0.5
20,000 0.1 30,000 0.35
-20,000 0.3 -10,000 0.15
SOLUCIÓN:
Expresando estos eventos en términos de lotería
Las tres loterías lo expresamos en una sola lotería donde el conjunto E se ordenan en una
secuencia de preferencias:
✓ E = {50,000; 40,000; 30,000; 20,000; 0; -10,000; -20,000}
23
Investigación Operativa II – Lucio Malásquez Ruiz
¿Qué valor le da el negociante a u tal que lo haga indiferente entre recibir con certeza el
premio de 40,000 de E1 o elegir la lotería de referencia?
Es decir
40,000
1.0
50,000
u
1-u
20,000
50,000
u
1-u
-20,000
Índice de utilidad:
u(30,000) = 0.95
24
Investigación Operativa II – Lucio Malásquez Ruiz
u(ej)
1.0
ej
-20 -10 0 10 20 30 40 50
Técnica que grafica el grado del riesgo involucrado en una decisión y expresa el
orden cronológico de las acciones alternas de que dispone quien toma decisiones.
Cualquier situación decisiva se puede describir mediante el árbol de decisión, de una
sola etapa.
25
Investigación Operativa II – Lucio Malásquez Ruiz
CASO PROTRAC
EJEMPLO
Se acaba de completar la fase de diseño y prueba del producto para la línea de tractores
de casa y jardín de la PROTRAC. La administración desea elegir la alternativa adecuada
que se usara en la comercialización y producción de estos artículos. Se tiene tres alternativas:
1. AGRESIVA(A): Gran inversión para un producto eficiente, se tendrá grandes inventarios,
gran campaña de publicidad a nivel nacional.
2. BASICA (B): La producción del tractor E-4 se mudará a otra localidad, este producto sufrirá
cambios,
Se tendrá inventario de los ítems más populares. Las oficinas principales apoyaran la
publicidad local.
26
Investigación Operativa II – Lucio Malásquez Ruiz
3. CAUTELOSA(C)
La capacidad excedente de varias líneas de E-4, se usará para producir los nuevos
implementos. La producción se equipará para satisfacer la demanda y la publicidad quedará
a discreción del distribuidor.
La administración decide clasificar la condición del mercado en fuerte (F) y débil (D), las
consecuencias en la matriz de pagos representan ganancias expresados en millones de
dólares. Se obtuvieron mediante un estudio de ventas asociados con cada combinación de
alternativa y estado de la naturaleza.
Ai\ɵj F D
A: Agresivo 30 -8
B: Básico 20 7
C: Cauteloso 5 15
Probabilidad 0.45 0.55
SOLUCIÓN:
Utilizando el criterio del VME. Los Pagos están expresados en ganancias
MAX E { f (Ai,ɵj)}
Calculando:
E {f (Ai, ɵj)} = 30(0.45) - 8(0.55) = 9.10
E {f (Ai, ɵj)} = 20(0.45) + 7(0.55) = 12.85
E {f (Ai, ɵj)} = 5(0.45) 15(0.55) = 10.50
ARBOL DE DECISIONES
1. DISEÑO:
El nodo inicial 1 es un evento en el que debemos elegir, por las alternativas, A, B, C.
Cada ramo A, B, y C terminan en los eventos probabilísticos, 2, 3 y 4 respectivamente.
En cada nodo 2, 3, y 4 puede ocurrir un estado de la naturaleza F o D.
27
Investigación Operativa II – Lucio Malásquez Ruiz
2. ANALISIS
Es elegir la mejor alternativa
E(A)=30(0.45)-8(0.55)= 9.10
E(B)=20(0.45)+7(0.55)= 12.85
E(c)=5(0.45)+15(0.55)= 10.50
28
Investigación Operativa II – Lucio Malásquez Ruiz
Maxi min ij r ( Ai , j )
29
Investigación Operativa II – Lucio Malásquez Ruiz
Ai/𝜽 𝜽𝟏 𝜽𝟑 𝜽𝟐
A1 2.5 -1.0 1.5
A2 1.6 0.0 2.0
A3 1.2 0.8 1.2
SOLUCIÓN:
Alternativas:
▪ A1: Comprar máquina de alta capacidad
▪ A2: Comprar máquina de baja capacidad
▪ A3: No comprar ninguna máquina
Estados de la naturaleza
▪ 𝜃1: Prosperidad
▪ 𝜃2: Estabilidad
▪ 𝜃3: Recesión
Del ejemplo, calculando:
30
Investigación Operativa II – Lucio Malásquez Ruiz
Dónde: ∑ 𝑃𝑗 = 1 y 𝑃𝑗 equiprobables
Para nuestro ejemplo, calculando:
𝐸(𝐴1 ) = 2.5(0.333) + 1.5(0.333) + (−1.0)(0.333) = 0.999
𝐸(𝐴2 ) = 1.6(0.333) + 2.0(0.333) + (0.0)(0.333) = 1.198
𝐸(𝐴3 ) = 1.2(0.333) + 1.2(0.333) + (0.8)(0.333) = 1.065
Entonces 𝑀𝑎𝑥{0.999, 1.198, 1.065} = 1198
Elegir la alternativa 𝐴2
31
Investigación Operativa II – Lucio Malásquez Ruiz
𝑀𝑖𝑛𝑖𝑚𝑎𝑥𝑖𝑗 = { 𝑙 (𝐴𝑖 , 𝑗 )}
Este criterio (de lamentación) es la diferencia entre pago realmente recibido y el que
podría haber recibido el decisor, si hubiera conocido por anticipado qué estado de
la naturaleza prevalece.
𝑨𝒊 \ 𝜽𝒋 𝜽𝟏 𝜽𝟐 𝜽𝟑 𝑴𝒂𝒙 𝒓(𝑨𝒊 , 𝜽𝒋 )
𝑨𝒊 0.0 0.5 1.8 1.8
𝑨𝒊 0.9 0.0 0.8 0.9
𝑨𝒊 1.3 0.8 0.0 1.3
32
Investigación Operativa II – Lucio Malásquez Ruiz
EJERCICIOS
VII
1. La compañía Rente un volk’s, S.A., le renta sus vehículos al público a razón de 90
pesos por día; la duración de cada contrato es exactamente un día.
A su vez, el gerente de esta compañía alquila sus unidades a una empresa mayorista,
llamada la organización, S.A. El mayorista es el cubre los costos de mantenimiento de
cada unidad alquilada de Rente un volk’s, S.A.
El gerente de Rente un volk’s, S.A. se enfrenta diariamente con el problema de decidir
cuántos vehículos debe alquilar para atender la demanda de la semana próxima. Si
la demanda es menor que el número de unidades disponibles, el gerente pierde el
alquiler de 60 pesos por cada unidad alquilada y que no rentó. Si la demanda es
mayor que el número de unidades disponibles, el gerente se priva de una ganancia
de 30 pesos por unidad que no tuvo disponible.
El gerente de Rente un volk’s, S.A. dispone de la distribución de probabilidades para
la demanda aleatoria diaria de sus vehículos:
D 8 9 10 11 12 13 14
P(D) .11 .16 .26 .22 .13 .08 .04
SOLUCIÓN:
a) MATRIZ DE BENEFICIOS CONDICIONALES.
Alternativas factibles:
✓ A1: Alquílense 8 unidades
✓ A2: Alquílense 9 unidades
✓ A3: Alquílense 10 unidades
✓ A4: Alquílense 11 unidades
✓ A5: Alquílense 12 unidades
✓ A6: Alquílense 13 unidades
✓ A7: Alquílense 14 unidades
33
Investigación Operativa II – Lucio Malásquez Ruiz
Estados de la naturaleza
Cursos de acción P(D)=.11 P(D)=.16 P(D)=.26 P(D)=.22 P(D)=.13 P(D)=.08 P(D)=.04
34
Investigación Operativa II – Lucio Malásquez Ruiz
c) ESTRATEGIA MÁS CONVENIENTE POR MEDIO DEL USO DEL CRITERIO VME
Según el criterio VME el gerente debe alquilar 10 unidades porque es la estrategia que le
proporciona el beneficio esperado más alto, o sea un beneficio esperado de 265.8 pesos.
p(X) 0.20 0.24 0.21 0.14 0.09 0.05 0.03 0.02 0.01 0.01 0
35
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
X 0 1 2 3 4 5 6 7 8 9 10
p(X) 0.20 0.24 0.21 0.14 0.09 0.05 0.03 0.02 0.01 0.01 0
36
Investigación Operativa II – Lucio Malásquez Ruiz
r(Ai,pj)= 8(20)(10)+7(20)(15)=3700
r(Ai,pj)= 8(20)(10)+8(20)(15)=4000
r(Ai,pj)= 9(20)(10)+0(20)(15)=1800
r(Ai,pj)= 9(20)(10)+1(20)(15)=2100
r(Ai,pj)= 9(20)(10)+2(20)(15)=2400
r(Ai,pj)= 9(20)(10)+3(20)(15)=2700
r(Ai,pj)= 9(20)(10)+4(20)(15)=3000
r(Ai,pj)= 9(20)(10)+5(20)(15)=3300
r(Ai,pj)= 9(20)(10)+6(20)(15)=3600
r(Ai,pj)= 9(20)(10)+7(20)(15)=3900
r(Ai,pj)= 9(20)(10)+8(20)(15)=4200
r(Ai,pj)= 9(20)(10)+9(20)(15)=4500
r(Ai,pj)= 10(20)(10)+0(20)(15)=2000
r(Ai,pj)= 10(20)(10)+0(20)(15)=2300
r(Ai,pj)= 10(20)(10)+0(20)(15)=2600
r(Ai,pj)= 10(20)(10)+0(20)(15)=2900
r(Ai,pj)= 10(20)(10)+0(20)(15)=3200
r(Ai,pj)= 10(20)(10)+0(20)(15)=3500
r(Ai,pj)= 10(20)(10)+0(20)(15)=3800
r(Ai,pj)= 10(20)(10)+0(20)(15)=4100
r(Ai,pj)= 10(20)(10)+0(20)(15)=4400
r(Ai,pj)= 10(20)(10)+0(20)(15)=4700
r(Ai,pj)= 10(20)(10)+0(20)(15)=5000
37
Investigación Operativa II – Lucio Malásquez Ruiz
a) Matriz de Decisiones
Ai/ Pj 0 1 2 3 4 5 6 7 8 9 10
0 0 0 0 0 0 0 0 0 0 0 0
1 200 500 500 500 500 500 500 500 500 500 500
2 400 700 1000 1000 1000 1000 1000 1000 1000 1000 1000
3 600 900 1200 1500 1500 1500 1500 1500 1500 1500 1500
4 800 1100 1400 1700 2000 2000 2000 2000 2000 2000 2000
5 1000 1300 1600 1900 2200 2500 2500 2500 2500 2500 2500
6 1200 1500 1800 2100 2400 2700 2700 2700 2700 2700 2700
7 1400 1700 2000 2300 2600 2900 3200 3500 3500 3500 3500
8 1600 1900 2200 2500 2800 3100 3400 3700 4000 4000 4000
9 1800 2100 2400 2700 3000 3300 3600 3900 4200 4500 4500
10 2000 2300 2600 2900 3200 3500 3800 4100 4400 4700 5000
38
Investigación Operativa II – Lucio Malásquez Ruiz
✓ P9=1800*0.20+2100*0.24+2400*0.21+2700*0.14+3000*0.9+3300*0.5+3
600*0.3+3900*0.2+4200*0.01+4500*0.01+4500*0= 8043
✓ P10=2000*0.20+2300*0.24+2600*0.21+2900*0.14+3200*0.9+3500*0.5+
3800*0.3+4100*0.2+4400*0.01+4700*0.01+5000*0= 8585
Max E{ f(Ai, pj)} = Max {0 ; 1295 ; 2518 ; 3678 ; 4076 ; 4519 ; 6186 ; 6950 ; 7498 ;
8043 ; 8585 }
Max = {8585}
3. Cierto detallista tiene suficiente espacio sobre sus estantes para almacenar 4
productos que se descomponen fácilmente y, que si no se venden antes de las 24
horas se vuelven inservibles. El precio de compra unitario es de 25 pesos y el
precio unitario de venta es de 50 pesos. Conteste las preguntas siguientes, si se
ignoran los gastos fijos del detallista:
a) ¿Cuántas unidades debe almacenar el vendedor para maximizar su
beneficio neto esperado, si las probabilidades de la demanda para
0,1,2,3,4 unidades son, respectivamente:
.10; .30; .40; .10; .10?
b) Si no se sabe nada acerca de la demanda aleatoria para ese producto,
¿Cuántas unidades debería el detallista almacenar para minimizar las
posibles pérdidas monetarias?
SOLUCIÓN:
• Almacenar 4 productos
• No se venden antes 24 horas
• Precio de compra unitario = 25 pesos
• Precio unitario de venta = 50 pesos
A) MATRIZ DE UTILIDADES
0 1 2 3 4
0 0 0 0 0 0
1 25 75 75 75 75
2 50 100 150 150 150
3 75 125 175 225 225
4 100 150 200 250 300
Probabilidad 0.10 0.30 0.40 0.10 0.10
39
Investigación Operativa II – Lucio Malásquez Ruiz
40
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
A1: Construir una fábrica con una capacidad de producción anual de 10,000 unidades
del producto.
A2: Construir con una capacidad de 20,000 unidades.
Alternativas Estados naturales
posibles
E1 E2 E3 E4
Indiferencia al riesgo
41
Investigación Operativa II – Lucio Malásquez Ruiz
Los recursos del empresario son limitados de tal manera que él no puede obtener
los dos contratos a la vez. Además, la función de utilidad del empresario es esta:
▪ u(160,000) = 1
▪ u(120,000) = .96
▪ u(100,000) = .94
▪ u(60,000) = .80
▪ u(0) = .60
▪ u(-20,000) = .30
▪ u(-40,000) = .06
Conteste estas preguntas:
a) Calcule la utilidad esperada de cada alternativa.
b) Usando el criterio de la utilidad esperada, diga cuál contrato debe
escoger el empresario.
c) ¿Tiene aversión por el riesgo ese empresario? Justifique su respuesta.
SOLUCIÓN:
Conteste estas preguntas:
a) Calcule la utilidad esperada de cada alternativa
Expresando los eventos en términos de lotería:
Contrato A:
La = {(0.35; 100,000); (0.30; 120,000); (0.35; -20,000)}
42
Investigación Operativa II – Lucio Malásquez Ruiz
Contrato B:
Lb= {(0.30; 60,000); (0.50; 160,000); (0.20; -40,000)}
Ordenar en una secuencia de alternativas:
E = {160,000; 120,000; 100,000; 60,000; -20,000; -40,000}
43
Investigación Operativa II – Lucio Malásquez Ruiz
Ej E1 E2 E3
p(Ej) .30 .60 .10
SOLUCIÓN:
Para saber que alternativa escoger debemos hallar el valor monetario esperado de
cada alternativa, que para nuestro caso se viene expresado en la siguiente fórmula:
i=2
E(x) = ∑ Xi ∗ p(Xi )
i=1
Por lo tanto usando VME, obtenemos que la mejor estrategia a elegir sería la
alternativa A2 con un beneficio monetario S/. 4.490,000.
44
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
En este ejemplo, los elementos de S = {6,7, 8, 9, 10} son los valores posibles de la
demanda diaria de periódicos. Se sabe que p6 = p7 = p8 = p 9 = p10 =1/5 y. Phyllis
debe elegir una acción (el número de periódicos que debe ordenar cada día) de A = {6,
7, 8, 9, 10}. Si Phyllis compra i ejemplares y la demanda es de j, entonces se compran i
ejemplares a un costo de $ 20, y min (i, j) periódicos se venden a $ 25 cada uno.
Demanda
6 7 8 9 10
6 30 30 30 30 30
Pedidos
7 10 35 35 35 35
8 -10 15 40 40 40
9 -30 -5 20 45 45
10 -50 -25 0 25 50
Tabla 1
Ahora analizaremos los cuatro criterios que se pueden usar para elegir una acción.
a) CRITERIO MAXIMIN
El criterio maximin recomienda ordenar 6 periódicos. Con esto se asegura que Phyllis, sin
importar el estado del mundo, obtendrá una ganancia de por lo menos $ 30. El criterio
maximin tiene que ver con hacer lo más placentero que se pueda el peor resultado posible.
Infortunadamente, elegir una decisión para mitigar el peor caso podría evitar que quien
toma la decisión aproveche la buena fortuna. Por ejemplo, si Phyllis sigue el criterio
maximin, nunca obtendrá menos de $ 30, pero nunca hará más de $ 30.
De la tabla anterior seleccionamos de cada fila el menor de los valores y después de esos
seleccionados escogemos el mayor para lo que obtenemos:
45
Investigación Operativa II – Lucio Malásquez Ruiz
b) CRITERIO MAXIMAX
c) ARREPENTIMIENTO MINIMAX
Demanda
6 7 8 9 10
6 30 – 30 = 0 35 – 30 = 5 40 – 30 = 10 45 – 30 = 15 50 – 30 = 20
7 30 – 10 = 20 35 – 35 = 0 40 – 35 = 5 45 – 35 = 10 50 – 35 = 15
Pedidos
8 30 + 10 = 40 35 – 15 = 20 40 – 40 = 0 45 – 40 = 5 50 – 40 = 10
9 30 + 30 = 60 35 + 5 = 40 40 – 20 = 20 45 – 45 = 0 50 – 45 = 5
10 30 + 50 = 80 35 + 25 = 60 40 – 0 = 40 45 – 25 = 20 50 – 50 = 0
Demanda
6 7 8 9 10
6 0 5 10 15 20
7 20 0 5 10 15
Pedido
8 40 20 0 5 10
9 60 40 20 0 5
10 80 60 40 20 0
46
Investigación Operativa II – Lucio Malásquez Ruiz
8 40
9 60
Menor 10 80
Mejor
El criterio del valor esperado recomendaría ordenar 6 o 7 periódicos, ver tabla 7. Para
calcular la recompensa esperada debemos sumar todos los datos de cada fila y
multiplicarlos uno a uno por la probabilidad de que ocurra en este caso 1/5 para después
seleccionar el o los mayores.
SOLUCIÓN:
Matriz de decisión
Bajo incertidumbre
47
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
Se pide:
a) Configurar la matriz de decisión.
b) ¿Qué decisión debe tomar el empresario si utiliza el criterio de Laplace?
c) Realizar el método de Minimax y hacer una conclusión de ambos métodos.
Sucesos 1 2 3
Investigados
Estados Lluvioso Nublado Soleado
Estrategias
Pachencho 10.000 50.000 65.000
Belisario 45.000 40.000 35.000
48
Investigación Operativa II – Lucio Malásquez Ruiz
SEGUNDO LAPLACE:
SACAR LAS PROBABILIDADES EL 33,33 SALE DE 100/N DONDE N ES LA CAMTIDAD DE
ESTADOS COMO TENGO 3 SON 100/3 = 33.33 PARA SACARLO EN % ES 33.33 / 100 =
0.33.
Sucesos 1 2 3
Investigados
Estados Lluvioso Nublado Soleado
Probabilidades 33,33 % = > 0.33 33,33 % = > 0.33 33,33 % = > 0.33
Estrategias
Pachencho 10.000 50.000 65.000
Belisario 45.000 40.000 35.000
TERCERO:
APLICO LA FORMULA DE VALOR ESPERADO
Valor Esperado para Pachencho: 0.33 * 10.000 + 0.33 * 50.000 + 0.33 * 65.000 =
41.250
Valor Esperado para Belisario: 0.33 * 45.000 + 0.33 * 40.000 + 0.33 * 35.000 =
39.600
Sucesos 1 2 3 MINIMAX
Investigados
Estados Lluvioso Nublado Soleado
Estrategias
Pachencho 10.000 50.000 65.000 10.000
Belisario 45.000 40.000 35.000 35.000
49
Investigación Operativa II – Lucio Malásquez Ruiz
10. Se quiere elegir la mejor opción para elegir la mejor opción de clientes que
toman una bebida…si suponemos Que el coeficiente de optimismo es de 0.7
SOLUCIÓN:
Formulas: T(x) = TO * MAX + TP* MIN
α:TO tp: 1-to
Solución:
Coca-Cola: 290*0,7 + 200* 0,3 = 263
Pepsi: 450*0,7+ 100* 0,3 = 345 - a elegir
Ambos: 250*0,7 + 200* 0,3 = 235
Según este criterio, la alternativa o la opción escogida x los usuarios es la Pepsi.
50
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
Para calcular las cantidades que nos piden es necesario hacer los tres árboles de decisión
vistos; estos son:
1º- ÁRBOL PARA CALCULAR EL VALOR ESPERADO CON INFORMACIÓN ORIGINAL
(VECIO):
VECIO=-500$
2º- ÁRBOL PARA CALCULAR EL VALOR ESPERADO CON INFORMACIÓN MUESTRAL
(VECIM):
Indiana gana
10,000
Pedro apuest I. Gana
3700
Purdue gana -11,000
Roberto apuesta I.Gana(0,6)
3700
Indiana gana
-11,000
Pedro apuesta P. Gana
-4700
Purdue gana 10,000
4540
Indiana gana
10,000
Pedro apuest I. Gana
5800
Purdue gana -11,000
Roberto apuesta P.Gana(0,4) 5800
Indiana gana
-11,000
Pedro apuesta P. Gana
-6800
Purdue gana 10,000
VECIM=4.540$
VEDIM= VECIM - VECIO= 4.540-(-500)= 5.040$
Como esta cantidad es mayor que 1.000$, que es lo que le cobra Roberto, pide pronóstico
a Roberto.
51
Investigación Operativa II – Lucio Malásquez Ruiz
VECIP=10.000$
VEDIP=VECIP - VECIO=10.000-(-500)= 10.500$
52
Investigación Operativa II – Lucio Malásquez Ruiz
II. PROGRAMACIÓN
PERT-CPM
TEMAS
53
Investigación Operativa II – Lucio Malásquez Ruiz
Desde su aparición, las técnicas del camino critico han sufrido una acelerada evolución,
consecuencia de ello han aparecido diversos procedimientos en la soluciones, costos,
recursos, etc., procedimientos que han sido resumidos por Thomas V.Sobczak en la
Fig. 1.4
PERT/ COST
PERT II
AMPSWSPAC
SR
LESS FASE II
PERT LESS
MAN
SCHEDULING
PACT
TECHNIQUES
CRITICAL PATH
PLANNING SCANS FASE
SCANS
II
CPM CPM
COST
CPM
MANO DE
OBRA
CPM
RECURSOS
54
Investigación Operativa II – Lucio Malásquez Ruiz
55
Investigación Operativa II – Lucio Malásquez Ruiz
56
Investigación Operativa II – Lucio Malásquez Ruiz
57
Investigación Operativa II – Lucio Malásquez Ruiz
10°4 Cómo conocer y disminuir las posibles perturbaciones del desarrollo del
proyecto.
El elemento básico del grafo PERT-CPM es la flecha, que comienza y finaliza en nudos,
los cuales representan los sucesos de inicio y terminación de la actividad a la que
representa.
58
Investigación Operativa II – Lucio Malásquez Ruiz
d) i Aij j
El tiempo de preparación (TP) se representa con una flecha de línea sinuosa ( ) con
tiempo de duración cero. Fig II.2.
59
Investigación Operativa II – Lucio Malásquez Ruiz
2
A Fic. 1
1 B 4 5
0
C
Fic. 2
3
BUENA
0 1 2 3
B
C
MALA
En Esta Red Existen Tres Actividades Con La Misma Codificación
Fig. II.3: USO DE ACTIVIDADES FICTICIAS
A B
2. La disposición de las flechas, según la figura, indica que la actividad A debe estar
concluido para que puedan iniciarse las actividades B y C.
B
A
60
Investigación Operativa II – Lucio Malásquez Ruiz
C
B
Fig. II.6: REGLA
3
4. La longitud y la forma de representar las flechas con a voluntad del programador, lo
cual quiere decir que las 4 figuras que se muestran son equivalentes
61
Investigación Operativa II – Lucio Malásquez Ruiz
B D B D
6. Se debe evitar la conexión de dos nudos mediante dos o más flechas ficticias.
A
A Fic. 1
D
B D
B
C C Fic. 2
Incorrecto Correcto
Fig. II.9: REGLA 6
C
A B
Incorrecto
62
Investigación Operativa II – Lucio Malásquez Ruiz
I II III
I
Fig. II.11: REGLA 8
INICIAL FINAL
B1 B4
B2 C
A
B3 B5
63
Investigación Operativa II – Lucio Malásquez Ruiz
RED PRINCIPAL
B C
RED SECUNDARIA
B1 B4
B2
3
D
B
A C E
1 2 4 5
64
Investigación Operativa II – Lucio Malásquez Ruiz
De esta forma, todas las actividades estarán entonces identificadas únicamente por
su suceso inicial y final.
Actividad A = (1,2)
Actividad B = (2,3)
Actividad C = (2,4)
Actividad D = (3,4)
Actividad E = (4,5)
Generalizando en una malla de n sucesos, los sucesos de inicio y terminación serán:
i
j
i i ii
jj j
j
i= 1, 2, 3, 4, 5, 6………. (n-1)
j= 2, 3, 4, 5, 6 ,7..………. n
De tal forma que siempre: i < j Fig. II.15
65
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 1
SOLUCIÓN: Cada uno de los pasos está graficado en la Fig. II. 16.
1º
SUCESO A
INICIAL
A, B NO DEPENDEN DE NINGUNA
OTRA ACTIVIDAD
B
2º
A C
C DEPENDE DE A
B
66
Investigación Operativa II – Lucio Malásquez Ruiz
3º
A E DEPENDE DE B Y C
C
B
E
4º
F
A
C
F DEPENDE DE E
B
E
5º
F
A
D
C
B D DEPENDE DE F
E
6º
F
A D
C
B G DEPENDE DE E
E
G
67
Investigación Operativa II – Lucio Malásquez Ruiz
7º F
A C D
H
G
B
E
H DEPENDE DE D Y G
8º
F
D
F
A
C H
E G TERMINA EN UN
B
UNICO SUCESO
PROBLEMA Nº 2
Se tiene una serie de actividades de un proyecto, las que están interrelacionadas según las
relaciones de precedencia que se indica:
Actividades Precedencia
A -
B A
C A
D B
E C
F D,E
68
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
D
B
A
F
E
C
H
PROBLEMA Nº 3
Actividades Precedencia
R -
A -
B A, R
C A
D B
E C
T D, E
SOLUCIÓN:
B
D
R
T
E
A C
69
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 4
Dada una serie de actividades de un proyecto y sabiendo que la actividad A precede a las
actividades B, C, D y estas a E grafique la red de actividades.
SOLUCIÓN
A C E
PROBLEMA Nº 5
SOLUCIÓN
D
A
B F
G
C E
70
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 6
Nombre las actividades, enumere los sucesos y explique las relaciones de precedencia de
las actividades de la siguiente red.
SOLUCIÓN
PROBLEMA Nº 7
J
C
I
D H K
A
71
Investigación Operativa II – Lucio Malásquez Ruiz
E G
B F
PROBLEMA Nº 8
SOLUCIÓN
E F J
A
A G
B L
C D H I
72
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 9
SOLUCIÓN
E
G
F
C I
D H
A
B
PROBLEMA Nº 10
Haga una red de actividades, si las relaciones entre las actividades son las siguientes.
a) A es la primera actividad del proyecto.
b) B, C, L son actividades que se desarrollan simultáneamente y dependen de la
realización de A.
c) D, E se desarrollan en paralelo y dependen de la realización de C, M.
d) F sigue a H y precede a G.
e) H, I, M deben iniciarse después de la terminación de B.
73
Investigación Operativa II – Lucio Malásquez Ruiz
f) O sigue a H y precede a Z.
g) D, G, I, L, O deben estar terminadas antes de iniciar Z que es la última actividad del
proyecto.
h) E también es una actividad final.
SOLUCIÓN
O G
I
B M
Z
L A
A
C D E
PROBLEMA Nº 11
A
D
TP F
B E
74
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 12
75
Investigación Operativa II – Lucio Malásquez Ruiz
i j
𝑚 ⇒ 𝑡𝑖𝑗
i j
𝑎
𝑚} ⇒ 𝑇𝑒𝑖𝑗
𝑏
Se observa que el CPM utilizara los tiempos determinísticos, es decir la “duración mas
probable” mientras que el PERT utiliza las tres duraciones que dan lugar a la duración
promedia. Fig. III. 1.
DURACION OPTIMISTA (a)
Optimistic Time: Expresa el tiempo mínimo que sería necesario para realizar la actividad.
El cálculo de este tiempo considera ideales todas las circunstancias que han de concurrir en la
realización de la actividad, pensando que todo va a salir bien, en perfecto cronometraje y
sin que se produzcan fallas que puedan afectar a su duración. Por estos motivos, este tiempo
es de apreciación poco realista.
DURACION MÁS PROBABLE (m)
Most Likely Time: Es aquel que se estima como justamente el necesario para realizar la
actividad en condiciones normales de trabajo con el empleo de los recursos determinados
de antemano. Este cálculo de duración normal viene apoyado por la experiencia o la
76
Investigación Operativa II – Lucio Malásquez Ruiz
estadística. Generalmente tiene en cuenta los retrasos naturales que suelen producirse por
causas especiales o imprevistos.
COMIENZO TERMINO
i j
ti 𝑡𝑖𝑗
tj
= 𝑑𝑢𝑟𝑎𝑐𝑖𝑜𝑛
Fig.III.2: LOS TIEMPOS PARA COMENZAR Y TERMINAR
77
Investigación Operativa II – Lucio Malásquez Ruiz
El cuadro que resume los diversos nombres que adoptan estas terminaciones.
COMENZAR
OPTIMISTA t0i
t0
Inicio más lejano.
Fecha más temprana.
Fecha mínima esperada. TERMINAR
Lo más pronto posible t0j
n
to tx
78
Investigación Operativa II – Lucio Malásquez Ruiz
b) La actividad se representará:
i
Aij j
ti+ tj 0 tj +
ti0 tij
Fig. III.4: LA ACTIVIDAD CON SUS DURACION Y LOS TIEMPOS PARA COMENZAR Y
TERMINAR
Es decir, en toda actividad; tanto el suceso inicial y final, llevaran los tiempos
optimistas y pesimistas para comenzar y terminar. Fig. III.4.
c) Los tiempos optimistas para comenzar y terminar una actividad:
Aij j
i
ti0 tj 0
tij
i
Aij j
tj +
ti+ tij
Fig. III.6: IDENTIFICACION DE LOS TIEMPOS PESIMISTAS PARA COMENZAR Y
TERMINAR UNA ACTIVIDAD.
COMO ENCONTRAR LOS TIEMPOS PARA COMENZAR Y TERMINAR UNA ACTIVIDAD
Para comprender la metodología de cálculo, tomemos como ejemplo el siguiente diagrama
de flechas.
15
2
5 8 5
6
0 7
1 12
4
TP 15
7 3
19 6
17 7
3
79
Investigación Operativa II – Lucio Malásquez Ruiz
80
Investigación Operativa II – Lucio Malásquez Ruiz
SUCESO
81
Investigación Operativa II – Lucio Malásquez Ruiz
i Aij j
ti0 tj +
tij
𝐻𝑎𝑖𝑗 = 𝑡𝑗+ − (𝑡𝑖0 − 𝑡𝑖𝑗 )
a 4m b
Te
6
Certeza del valor Te.
Cuando la duración media ( Te ) calculada es mayor que la duración más probable (m) esta
tiende a la duración optimista a, dando lugar a una distribución simétrica a la izquierda; o
sea am es menor que mb (am < mb).
82
Investigación Operativa II – Lucio Malásquez Ruiz
Cuando la duración media ( Te ) calculada es menor que la duración más probable (m) esta
tiende a la duración pesimista b, dando a lugar a una distribución asimétrica a la derecha;
o sea que am es mayor que mb.
83
Investigación Operativa II – Lucio Malásquez Ruiz
LA VARIANZA
( 2 )
Indica el riesgo de no acertar el empleo del valor de la Duración Prevista Te.
Su valor se determina con la fórmula de la Distribución Beta.
ba 2
( 2 ) ( )
6
Cuando el valor de la varianza es mayor, mayor es el riesgo de no acertar el valor de Te.
84
Investigación Operativa II – Lucio Malásquez Ruiz
Se observa en la figura que la varianza de A es mayor que la de B, lo que quiere decir que
él Te dé A es menos certero que el de B.
Con algunos ejemplos despejaremos dudas respecto a la incertidumbre del empleo del valor
de Te.
Se observa que Te tiene los mismos valores en las diferentes curvas, pero su grado de certeza
es diferente.
Hemos expuesto que el modelo Pert hace uso de las tres duraciones: optimista, más probable
y pesimista para determinar la “duración prevista” Te para cada actividad y a la vez poder
calcular su grado de certeza al ser empelado en el proyecto.
85
Investigación Operativa II – Lucio Malásquez Ruiz
Como la duración de cada actividad del proyecto tiene su Te con un grado de incertidumbre
en su utilización y además cada actividad puede tener su propia forma de distribución de
probabilidades, sin embargo, la duración del proyecto, sigue una distribución de forma
normal.
TP (Te )r.c.
T j (t 0i )n
Aij
Referido a la terminación de la actividad en el suceso n.
La duración media Te, era aquella duración de la actividad que dividía a la función de
distribución en dos partes iguales, es decir que el 50% del área situada debajo de la curva
de densidad de probabilidad (en la función Beta) quedaba a la izquierda de Te y el otro
50% a la derecha. Por eso había una probabilidad de 0.5 de que el proyecto sea terminado
en el plazo mínimo del suceso final.
86
Investigación Operativa II – Lucio Malásquez Ruiz
Siempre la duración del proyecto determinado en base a los Te de la Ruta Crítica, tiene una
probabilidad de cumplirse de 50%.
M TL TP TL (Te)r.c.
Referido a la duración del proyecto.
M TL (t 0 j )n
Aij
Referido a la terminación de la actividad en el suceso n.
DESVIACION NORMALIZADA O FACTOR DE PROBABILIDAD (Z).
Permitir medir la “seguridad que tenemos de estar en la posibilidad del éxito”.
El valor de Z puede ser positivo o negativo y estará correlacionado con el “% de
probabilidad” que se encuentra en la Tabla de Distribución Normal.
El valor de Z se obtendrá con las siguientes ecuaciones:
TL TP TL TP
Z
2 r.c. r.c.
Referido a la duración del proyecto, donde:
87
Investigación Operativa II – Lucio Malásquez Ruiz
Aij
Referido a la terminación de la actividad en el suceso n.
Dónde:
2 n = Sumatoria de las varianzas de las actividades que conforman el camino más largo
para llegar al suceso n.
PROBLEMA Nº 1
la duración exigible,
TL.
1.4 ¿Cuál es la probabilidad de que el proyecto esté terminado entre 3 días antes y 3 días
PROBABILIDAD PROBABILIDAD
-Z +Z
Pr% Pr%
-3.0 0.1 0.0 50.5
-2.9 0.2 0.1 53.4
-2.8 0.3 0.2 57.9
-2.7 0.4 0.3 61.8
-2.6 0.5 0.4 65.5
-2.5 0.5 0.5 69.1
-2.4 0.8 0.6 72.6
-2.3 1.1 0.7 75.8
-2.2 1.4 0.8 78.8
-2.1 1.8 0.9 81.6
-2.0 2.3 1.0 84.1
-1.9 2.9 1.1 86.4
-1.8 3.6 1.2 87.5
-1.7 4.5 1.3 90.3
-1.6 5.5 1.4 91.9
-1.5 6.7 1.5 93.3
-1.4 8.1 1.6 94.5
-1.3 9.7 1.7 95.5
88
Investigación Operativa II – Lucio Malásquez Ruiz
89
Investigación Operativa II – Lucio Malásquez Ruiz
8 10 12 18
5 9 4 4 4
6 9 5 7 11
7 9 2 2 7
8 10 4 8 10
9 10 1 3 3
10 11 4 7 8
SOLUCIÓN
Proponemos los siguientes pasos en la solución del problema
a) A partir de las duraciones se determinarán los Te y holguras para cada actividad
b) En una red de cálculo se determinarán los tiempos optimistas y pesimistas para
comenzar y terminar cada actividad
c) Se determinarán las holguras de cada actividad
d) Se determina la Ruta Crítica y duración media del proyecto Te
e) Se calcula la Varianza total C 2r.Cde las actividades de la Ruta Critica
f) Se analiza la probabilidad de terminar el proyecto en función de la Curva de
Distribución Normal
LOS VALORES DE 𝑇𝑒 Y 𝜋 2
Actividades
i j 𝝅𝟐
Te
1 2 6.166 0.604
1 3 5.5833 2.25
1 7 1.333 0.027
2 4 6.5 0.594
2 5 7.666 0.444
3 5 14.666 1.776
3 6 9.833 0.694
3 7 4.666 1
4 8 9.5 0.694
4 10 14.5 0.694
5 8 12.666 1.776
5 9 4 0
6 9 7.333 1
7 9 2.833 0.694
8 10 7.666 1
9 10 2.666 0.11
10 11 6.666 0.433
90
Investigación Operativa II – Lucio Malásquez Ruiz
91
Investigación Operativa II – Lucio Malásquez Ruiz
52 47.497
Z
7.245
Z 1.672949194
Entrando en l atabla de la distribución normal de probabilidades, para Z = 1.67, la
probabilidad de finalizar el proyecto de finalizar el proyecto antes d 52 días es de 95%.
1.3 Si queremos tener una probabilidad de 97% en la terminación del proyecto, la manera
de calcular será así:
Entrando en la tabla de distribución se procederá a la inversa; se determina a que valor de
Z corresponde a una probabilidad de 97%.
TL TP
Z
r.c.
TL TP Z r.c
92
Investigación Operativa II – Lucio Malásquez Ruiz
93
Investigación Operativa II – Lucio Malásquez Ruiz
Es decir que la probabilidad de cumplir con las restricciones de 3 días antes y 3 días después
de la fecha esperada, es 73.2%.
PROBLEMA Nº 2
Para construir una obra de ingeniería necesitamos la realización de las siguientes actividades:
A, B, C, D, E, las que están relacionadas entre sí de la siguiente forma:
La actividad A precede a las actividades B, D.
La actividad B y C preceden a la actividad E.
Las actividades tienen las siguientes estimaciones en la duración:
Se pide hallar:
a) El camino crítico y la duración del proyecto.
b) La probabilidad de que el proyecto termine en 38 UT.
c) Tiempo necesario para tener una probabilidad de 99.5% de terminarlo en el pazo
previsto.
SOLUCIÓN:
Se determina dos Te y las holguras de cada actividad, y posteriormente se hacen los
cálculos de cuando comenzar y terminar cada actividad.
94
Investigación Operativa II – Lucio Malásquez Ruiz
95
Investigación Operativa II – Lucio Malásquez Ruiz
En la escala de abscisas, hemos tomado las UT, de las ordenadas no representa interés ya
que la probabilidad está ligada al área encerrada por la curva.
El área total de la curva cubre todas las duraciones posibles, representando por lo tanto el
100%.
El área rayada representa la probabilidad de que la duración total sea inferior a 33 UT,
que es el 50%, ya que la distribución normal es simétrica, siendo así cualquiera que sea la
desviación tipo.
2.2 La probabilidad de que el proyecto termine en 38 UT.
Calculemos la desviación normalizada por la fórmula:
𝑇𝐿 − 𝑇𝑃 38−33.3 4.7
Z= = = = 1.468
√𝜎 2 𝑟.𝑐 3.2 3.2
96
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 3
Las actividades, duraciones optimistas, más probable y pesimista de un proyecto son las
reportadas en el siguiente cuadro:
3.1 Dibuje el grafo Pert-Cpm, calcule el camino crítico, holguras de actividades y flotantes
libres de las actividades.
3.2 La posibilidad de que el proyecto termine en 30 UT.
3.3 Tiempo necesario para tener una probabilidad de 99% de terminar el proyecto.
97
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN
Se calcula los Te de las actividades, se traza el grafo de cálculo y en ella se determina los
tiempos optimistas y pesimistas para comenzar y terminar cada actividad
A B C D E F G H I J
𝑇𝑒 2.8 3.8 10.5 2 4 2.3 4 6.6 6.2 3.6
98
Investigación Operativa II – Lucio Malásquez Ruiz
99
Investigación Operativa II – Lucio Malásquez Ruiz
Se tomará el tiempo exigible más desfavorable (mayor tiempo necesario para terminar el
proyecto).
𝑇𝐿 = 29 UT
100
Investigación Operativa II – Lucio Malásquez Ruiz
1. COSTOS
En cualquier tipo de empresa, los gastos generales son clasificados en directos e
indirectos.
▪ COSTO DIRECTO (CD).-
Este costo está representado por el calor de los insumos consumidos
directamente en realizar la actividad (producción): materiales, equipos,
jornales de la mano de obra. Por la forma del desarrollo de la actividad, el
costo directo puede ser: costo normal o costo tope.
▪ COSTO NORMAL (CN).-
Es el costo de una actividad realizada en condiciones normales de trabajo.
Este costo es la estimación basada en la duración normal (tN) de ejecución
de la actividad.
▪ COSTO TOPE (CT).-
Es el mayor de los costos de una actividad, cuando ya es imposible lograr
una disminución en la duración de su ejecución.
101
Investigación Operativa II – Lucio Malásquez Ruiz
MULTAS Y PREMIOS
En la contratación para la ejecución de proyectos se señala el pago de multas en
unidades monetarias por cada unidad de tiempo de retraso en la entrega de la
obra a partir del plazo contractual.
La gráfica de multas es una recta que nace en el punto correspondiente al plazo
contractual y se extiende con pendiente m.
En algunos contratos se especifica el pago de premios en favor del contratista
por la entrega anticipada de la obra a razón de unidades monetarias por cada
unidad de tiempo adelantado en la entrega.
La gráfica de la recta de premios pasa el punto que señala el plazo contractual
y se extiende con pendiente p. Fig. V.2.
102
Investigación Operativa II – Lucio Malásquez Ruiz
103
Investigación Operativa II – Lucio Malásquez Ruiz
Para plantear la aceleración del proyecto, se deberá tener en cuenta los siguientes
criterios básicos:
1° La reducción de tiempos deberá comprender a las actividades que
pertenecen a las rutas críticas.
2° Elegir –por prioridades– entre estas actividades, las que tienen menor
incremento de costo por unidad de tiempo.
El problema del trazado de la Curva de Costo Directo Total Mínimo del proyecto,
se hará por el método de las “comprensiones sucesivas de las duraciones de las
actividades”, puntos que serán valorados por la secuencia de un número necesario
de programaciones.
104
Investigación Operativa II – Lucio Malásquez Ruiz
Fig. V.6: VISUALIZACIÓN DEL COSTO DIRECTO TOTAL MÍNIMO DEL PROYECTO
105
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 1
106
Investigación Operativa II – Lucio Malásquez Ruiz
El camino más largo con duración “todo normal” es el Camino 7, que por
definición es el Camino Crítico.
PRIMERA PROGRAMACIÓN: CON DURACIONES “TODO NORMAL”
Para verificar la Ruta Crítica, hagamos los cálculos en la siguiente red y
resumamos los valores en el Cuadro N°1.
En esta primera programación se tiene un costo directo total mínimo con duración
más larga.
Actividades Variación
Ruta Crítica Duración ∆𝑖𝑗
0 - 1 TP 0/0 0
1 - 3 B 10/7 166,667
3 - 4 F 15/10 130,000
4 - 5 H 13/5 50,000
5 - 6 J 7/5 425,000
6 - 7 K 5/3 150,000
107
Investigación Operativa II – Lucio Malásquez Ruiz
108
Investigación Operativa II – Lucio Malásquez Ruiz
109
Investigación Operativa II – Lucio Malásquez Ruiz
110
Investigación Operativa II – Lucio Malásquez Ruiz
111
Investigación Operativa II – Lucio Malásquez Ruiz
112
Investigación Operativa II – Lucio Malásquez Ruiz
EJERCICIOS RESUELTOS
V
PROBLEMA Nº 1
113
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 2
SOLUCIÓN:
114
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 3
Con datos del problema 2. Determine la duración del proyecto y la ruta crítica.
115
Investigación Operativa II – Lucio Malásquez Ruiz
Ruta Crítica: A – E – H – K
PROBLEMA Nº 4
Con los datos del problema 2. Determine el programa óptimo aplicando CPM.
Actividad Precedentes DM CM DT CT Ci,j
A - 5 5000 5 5000 0
B A 8 6000 3 1800 -840
E A 6 3000 5 4500 1500
C B 2 1000 2 1000 0
D B 6 5000 2 9000 1000
H E 5 2000 4 3000 1000
F C,D 7 18000 3 20000 500
G E,D 5 1000 3 4000 1500
K H,F,G 8 15000 8 15000 0
56,000 63,300
𝐶𝑇 − 𝐶𝑁
𝐶𝑖,𝑗 =
𝐷𝑁 − 𝐷𝑇
5000 − 5000
𝐶𝑖,𝑗 = =0
5−5
1800 − 6000
𝐶𝑖,𝑗 = = −840
8−3
4500 − 3000
𝐶𝑖,𝑗 = = 1500
6−5
116
Investigación Operativa II – Lucio Malásquez Ruiz
1000 − 1000
𝐶𝑖,𝑗 = =0
2−2
9000 − 5000
𝐶𝑖,𝑗 = = 1000
6−2
3000 − 2000
𝐶𝑖,𝑗 = = 1000
5−4
20000 − 18000
𝐶𝑖,𝑗 = = 500
7−3
4000 − 1000
𝐶𝑖,𝑗 = = 1500
5−3
15000 − 15000
𝐶𝑖,𝑗 = =0
8−8
117
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 5
118
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 6
SOLUCIÓN
119
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 7
Con la tabla anterior (6) determine la duración del proyecto y la ruta crítica.
120
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 8
121
Investigación Operativa II – Lucio Malásquez Ruiz
122
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 9
123
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 10
124
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 11
125
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 12
126
Investigación Operativa II – Lucio Malásquez Ruiz
127
Investigación Operativa II – Lucio Malásquez Ruiz
III. TEORÍA DE
INVENTARIOS
TEMAS
128
Investigación Operativa II – Lucio Malásquez Ruiz
INTRODUCCIÓN
I
La administración del inventario tiene fuerte impacto en toda el área de la
empresa, particularmente:
✓ Producción, Mercadotecnia y Finanzas.
La primera opción puede dar como resultado costos altos de pedidos. La segunda
puede dar como resultado costos altos de conservación:
129
Investigación Operativa II – Lucio Malásquez Ruiz
130
Investigación Operativa II – Lucio Malásquez Ruiz
CARACTERÍSCATICAS DE LOS
III
SISTEMAS DE INVENTARIOS
1. COSTOS DE INVENTARIOS
A. Costo de pedido: costo asociados con el reabastecimiento del inventario,
estos varían con el número de pedidos.
B. Costo de mantenimiento: costos asociados por mantener un nivel dado de
inventarios disponibles. Comprenden:
a. Costo de oportunidad, costo de almacenamiento.
b. Deterioro del producto u obsolescencia.
c. Impuestos, depreciación y seguros.
C. Costo de agotamiento: costo de penalización en que incurre, cuando se
queda sin mercancía, cuando esta se necesita.
D. Precio compra: precio de pedido, en él se asegura descuentos en
cantidades o cuando la producción en grandes lotes, se traduce en la
reducción de costos de producción.
2. DEMANDA
Desde el punto de vista del conocimiento de información de la demanda este
puede ser:
Determinístico o probabilístico
A. Determinístico: las cantidades pedidas sobre los periodos subsiguientes se
conocen con certeza.
B. Probabilístico: La demanda sobre un periodo dado de tiempo es incierta
y se puede describir en términos de una distribución.
131
Investigación Operativa II – Lucio Malásquez Ruiz
3. CICLO DE PEDIDO:
Un ciclo de pedido es el periodo de tiempo entre la colocación de dos pedidos
sucesivos.
A. Revisión continua: El registro de nivel de inventario se monitorea
continuamente hasta un nuevo pedido.
B. Revisión periódica: Los pedidos se colocan en intervalos regulares de
tiempo.
132
Investigación Operativa II – Lucio Malásquez Ruiz
133
Investigación Operativa II – Lucio Malásquez Ruiz
Se supone lo siguiente
1. La demanda D se efectúa a una tasa constante
2. La tasa de remplazo es instantáneo.
3. Todos los coeficientes de costo, son constantes:
C1. Costo unitario/periodo.
C2. Costo de ordenar la compra.
C3. Costo de mantenimiento/unidad.
Suposición: Q = Im
Dónde:
▪ Im: Inventario máximo.
▪ Q: Cantidad económica pedido.
▪ t : Tiempo entre pedido.
▪ T: Tiempo planeado anual.
▪ D: Demanda del articulo unidades/año.
Calculando:
Dónde:
▪ C1*Q : Costo de Q unidades / periodo.
▪ C2 : Costo de ordenar la compra/periodo.
▪ Q/2 : Inventario promedio por periodo.
▪ C3 t (Q/2) : Costo de mantenimiento del inventario por periodo.
134
Investigación Operativa II – Lucio Malásquez Ruiz
Entonces
Costo total / periodo
Cp = C1Q + C2 + C3t(Q/2) ∝1
C = (D/Q){C1Q + C2 + C3(Q2/2D)}
C = C1D + C2(D/Q) + C3(Q/2) α2
135
Investigación Operativa II – Lucio Malásquez Ruiz
EJEMPLO Nº 1
SOLUCIÓN
Datos:
D = 18 000/año C1 = $1 C2 = $400 C3 = 1.2 /año
Año: 360 días
136
Investigación Operativa II – Lucio Malásquez Ruiz
ANÁLISIS DE SENSIBILIDAD
La política optima de la CEP deberá aprovecharse en el futuro o no dependiendo del
realismo de las hipótesis. El modelo de la CEP no es más que una representación electiva
de la realidad; una abstracción y una aproximación. Que tan sensibles son los resultados
del modelo en cuanto a los resultados y los datos.
Se puede comparar la sensibilidad de los costos totales C de cualquier sistema operativo,
con los costos totales C* de un sistema óptimo de inventarios usando la relación:
𝐶 𝑄∗ 𝑄
K = 𝐶 ∗ = ½[ + ]
𝑄 𝑄∗
EJEMPLO Nº 2
137
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN
Datos:
D = 150,000 C1 = $0.15 C3 = 0.15 Año de 360 días
Q = 40,000 C2 = $40 x = 0.15
c. Pero los costos solo son el 25% más elevado que el óptimo.
Los costos suplementarios (marginales) de la cantidad ordenada no optima:
Costos Marginales = 0.25C*
𝐷 𝑄
= 0.25 [C2𝑄∗ + C3 2 ]
150,000 20,000
= 0.25 [40* 20,000 + 0.03* ]
2
= 0.25 (300+300) = $150.00
d. Intervalo de operación del lote:
QS = 1.15 (20,000) = 23,000
Q1 = 0.85 (20,000) = 17,000
138
Investigación Operativa II – Lucio Malásquez Ruiz
Donde
S : Unidades agotadas / periodo
t1 : Tiempo de existencias
t2 : Tiempo de faltantes
S/2 : Promedio de unidades agotados
C4 : Costo de déficit de unidad/ periodo
Inventario máximo: Im = Q – S
Por semejanza de triángulos
𝑡∗𝐼𝑚 𝑡(𝑄−𝑆) 𝑡∗𝑆
t1 = = y t2 =
𝑄 𝑄 𝑄
2𝐶2 𝐷 𝐶3
S=√ √𝐶
𝐶4 3 +𝐶4
139
Investigación Operativa II – Lucio Malásquez Ruiz
EJEMPLO Nº 3
f. Tiempo de existencias
t1 = (Q - S) = (3855 - 747)/18000 = 0.172
Para t1 = 0.172 (360) ≈ 62 días
g. Tiempo de faltantes
140
Investigación Operativa II – Lucio Malásquez Ruiz
Dónde:
C2: Costo de tanda de producción
R: Tasa de manufacturación
t1: Tiempo de facturación
t2: Tiempo de existencias
Im/2: Inventario promedio por periodo
Tiempo entre tandas de producción / periodo:
t = t 1 + t2 = Q / D
Inventario máximo/periodo está dado por el tiempo de manufacturación t1
multiplicado por la tasa de acumulación R – D.
Im = t1 (R – D)
El tiempo de manufacturación t1, tiempo para fabricar Q unidades.
Q = t1*R Dónde: t1 = Q/R
141
Investigación Operativa II – Lucio Malásquez Ruiz
EJEMPLO Nº 4
c. Inventario máximo
Im = 4472 (1-18000/36000) = 2236
f. Tiempo de manufacturación
t1 = Q/R = 4472/36000 = 0.124
Para = 0.124(360) ≈ 45 días
g. Tiempo de existencias
t2 = Im/D = 2236/18000 = 0.124
Para = 0.124(360) ≈ 45 días
142
Investigación Operativa II – Lucio Malásquez Ruiz
Costo/periodo
CP = C1Q + C2 +C3 (t1 + t2) (Im/2) + C4 (t3 + t4) (S/2)
Se deben determine los valores de t1, t2, t3, t4 y Im en función de Q y S
Donde
t1 + t2 = Im (1/(R -D) + 1/D)
t1 + t4 = Q/R
t3 + t4 = S (1/D + 1/(R -D))
t2 + t3 = (Im + S) /D
Im = Q (1- 1/D) – S
𝐷 C3 1 𝐶4 𝑆 2 1
C = C1D + C2𝑄 + 2𝑄 [QA - S]2(𝐴) + ( )
2𝑄 𝐴
Dónde: A = 1 – D/R
Se desconocen los valores de Q y S. Derivando C con respecto a Q y S desarrollando:
DC/dQ = 0 y dC/dS = 0
143
Investigación Operativa II – Lucio Malásquez Ruiz
Dónde:
𝐶3
S= Q (1 – D/R)
𝐶3 +𝐶4
2𝐶2 𝐷 𝐶3 +𝐶4
Q=√ 𝐷 √ 𝐶4
𝐶3 (1−𝑅 )
EJEMPLO Nº 5
Considerando los datos del problema anterior, donde el costo/unidad agotada es $20
por año
SOLUCIÓN
D = 18000 und/año C1 = 2 C4 = 20 /año
R = 3000 und/mes = 3000(12) = 36000 C2 = 500 Año: 360 días
C3 = 0.15 und/mes = 0.15 (12) = 1.8
a. Cantidad optima a pedir
2∗500∗18000 1.8+2
Q=√ 18000 √ = 4669
1.8 (1− ) 2
36000
d. Inventario máximo
Im = 4669 (1- 18000/36000) – 193 = 2142
144
Investigación Operativa II – Lucio Malásquez Ruiz
i. Numero de periodos
N = D/Q = 18000/4669 = 3.86
2* D * C2
Qj
C3
I (t ) 38
Como el tiempo de entrega es constante, entonces el punto de reorden:
R = L * D/365
L: Tiempo de entrega en días.
145
Investigación Operativa II – Lucio Malásquez Ruiz
EJEMPLO Nº 6
Un fabricante necesita 2000 partes pequeñas durante el próximo año. El costo de las
unidades es de $5 cada una. Se tienen disponibles en la localidad con un tiempo de
entrega de 1 semana, peo el costo de ordenar para el fabricante es de $5 por orden. El
costo de conservación es de $1.50 al año por almacenamiento. Determinar:
a. Cuántas unidades debe ordenar.
b. El punto de reorden.
c. Costo total anual.
d. Numero de órdenes.
e. Días entre órdenes.
SOLUCIÓN
D = 2000 und. /año.
C2 = $5 / orden.
C3 = $1.5.
L=7
Año: 365 días.
2*2000*5
a. Q 115.47 115
1.5
b. R = 7(2000)/365 = 38.65 unid.
c. C = 2000 (5) / 115.47 + 115.47 (1.5) / 2 = 173.2
d. N = 2000 / 115 = 17.39 ordenes
e. t = 1 / N = 0.058
t = 365 (0.058) = 21.17
146
Investigación Operativa II – Lucio Malásquez Ruiz
2* D * C2
QJ
C3
Considerando el costo unitario C1 de la categoría j, dónde:
C3 = I * C1
I = Tasa de costo de tenencia anual.
PASO 2: Considerar lo siguiente:
D Q
D
C C1D C2 C3
Q C C1D C2 C3
Q 2 Q 2
La cantidad de pedido que arroje el costo total mínimo, es la cantidad óptima de pedido.
147
Investigación Operativa II – Lucio Malásquez Ruiz
EJEMPLO Nº 7
La Cia LST proveedor de la zapatería ILY está considerando descuentos al costo unitario
por cantidad de su artículo.
Unidades % C1
(0 - 250) 0 20
(250 - 1000) 10 18
(1000 - mas) 25 15
SOLUCIÓN
PASO 1
Calculando Qj, para j=1, 2,3 Donde C3 = I * C1
2(10, 000)9
Q1 300 250 No es factible
0.10(20)
Si es factible
2(10, 000)9
Q3 346 1000 Si es factible
0.10(15)
PASO 2
Manteniendo el valor de Q2 Q2 = 316 [250,1000]
Ajustando el valor de Q3 = 346 < 1000 Sea Q3 = 1000
PASO 3
Calculando el costo total anual para Q2 y Q3
CEP con descuentos por cantidad, factibles
148
Investigación Operativa II – Lucio Malásquez Ruiz
La cantidad a pedir es de 1000 unidades con descuento de 25%, con costo de:
C = 15(10,000) + 9(10,000/1,000) + 1.5 (1000/2) = 150,840
149
Investigación Operativa II – Lucio Malásquez Ruiz
Dónde:
✓ D: Demanda anual.
✓ d: Tasa de demanda (und/día).
✓ r: Tasa de producción (und/día)
✓ C2: Costo del lote de producción.
✓ C3: Costo anual de mantenimiento de inventario.
Resolviendo esta situación:
Cantidad económica a pedir
2C2 D
Q
d
C3 (1 )
r
150
Investigación Operativa II – Lucio Malásquez Ruiz
D Q d
C C2 ( ) C3 ( )(1 )
Q 2 r
Numero de periodos y su duración: N = D/Q y t1 = Q/r
Se observa:
1. Ciclo de producción es de 26.64 días.
2. Columna 7; número de días para consumir los lotes de cada producto a tasas de
demandas dadas.
3. Columna 5; número de días para producir los lotes de cada producto a las tasas
de producción dadas.
El objetivo es determinar una longitud de ciclo que minice los costos de mantenimiento del
inventario y los costos de tanda de producción.
151
Investigación Operativa II – Lucio Malásquez Ruiz
FORMULACION
La función del costo total anual; para los N productos por lote es la suma de los costos de
mantenimiento del inventario más los costos de la tanda de producción.
N C2i Di N C3i Qi di
C (1 )
i 1 Qi i 1 2 ri
Como N = D1/Q1
Reemplazando:
N
1 N di
C N C2i C3i (1 )
i 1 2 N i 1 ri
El costo total anual está en función de la variable de decisión N (Numero de ciclos de
producción).
La longitud de ciclo N al menor costo se determina: dC / dN = 0
Numero óptimo del ciclo de producción.
di
C3i Di (1 )
ri
N
2C2i
Como Q1 = D1/N
Costo óptimo de los N ciclos
di
C 2C3i Di (1 )C2i
ri
152
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN
Determinación del ciclo óptimo de producción para los cinco productos
Ítem di/ri 1-di/ri C3iDi C3iDi(1-di/ri)
C2
1 0.16 0.84 1000 840
20
Numero de ciclos/años
19575
N 10.73 11
2 x85
Cada ítem se produce 11 veces al año de los 235 días disponibles.
PROBLEMA Nº 1
Calcular:
a. Cantidad optima pedida.
b. Costo total/año.
c. Número de pedidos por año.
d. Tiempo entre pedidos.
153
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN
Datos:
✓ Demanda (D) = 18 000/año
✓ Costo Unitario (C1) = S/1.00
✓ Costo de ordenar (C2) = S/400
✓ Costo de mantenimiento (C3) = S/1.20
2𝐷𝐶2 2∗400∗18000
Q=√ =Q=√ = 3464.1016 unidades.
𝐶3 1.20
b) Costo total/año:
𝐷 𝑄
C = C1D + C2( ) + C3 ( )
𝑄 2
18000 3464.1
C = 1(18000) + 400( ) + 1.2 ( ) = 22156.9219
3464.1 2
C =22157 soles.
c) Número de pedidos por año:
D 18000
N=( )=( ) = 5.196 pedidos/año
Q 3464.1
154
Investigación Operativa II – Lucio Malásquez Ruiz
Verificación en DECISOR
PROBLEMA Nº 2
SOLUCIÓN
Datos:
✓ Demanda (D) = 18000 / año
✓ Costo Unitario (C1) = S/1.00
✓ Costo de ordenar (C2) = S/400
✓ Costo de mantenimiento (C3) = S/1.20
✓ Costo de déficit (C4) = S/5.00
155
Investigación Operativa II – Lucio Malásquez Ruiz
Entonces:
𝐷 (𝑄−𝑆)2 𝑆2
C = C1D + C2( ) + C3 ( ) + C4 (2𝑄)
𝑄 2𝑄
18000 (3857.4603−746.6052)2
C = 1(18000) + 400(
3857.4603
) + 1.2 ( 2(3857.4603)
)
746.6052 2
+5( )
2(3857.4603)
C = 21733.0261 soles.
c) Número de pedidos por año:
D 18000
N=( )=( ) = 4.6662 pedidos/año
Q 3857.4603
156
Investigación Operativa II – Lucio Malásquez Ruiz
Verificación en DECISOR
157
Investigación Operativa II – Lucio Malásquez Ruiz
EJERCICIOS
IV
PROBLEMA Nº 1
Calcular:
a) Cantidad optima pedida.
b) Costo total/año.
c) Número de pedidos por año.
d) Tiempo entre pedidos.
SOLUCIÓN:
Datos:
✓ Demanda (D) = 18 000/año
✓ Costo Unitario (C1) = S/1.00
✓ Costo de ordenar (C2) = S/400
✓ Costo de mantenimiento (C3) = S/1.20
2𝐷𝐶2 2∗400∗18000
Q=√ =Q=√ = 3464.1016 unidades.
𝐶3 1.20
b) Costo total/año:
𝐷 𝑄
C = C1D + C2( ) + C3 ( )
𝑄 2
18000 3464.1
C = 1(18000) + 400( ) + 1.2 ( ) = 22156.9219
3464.1 2
C =22157 soles.
158
Investigación Operativa II – Lucio Malásquez Ruiz
Gráfica
Verificación en DECISOR
159
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 2
SOLUCIÓN
Datos:
✓ Demanda (D) = 18000 / año
✓ Costo Unitario (C1) = S/1.00
✓ Costo de ordenar (C2) = S/400
✓ Costo de mantenimiento (C3) = S/1.20
✓ Costo de déficit (C4) = S/5.00
b) Costo total/año:
Cantidad de unidades agotadas:
Entonces:
𝐷 (𝑄−𝑆)2 𝑆2
C = C1D + C2( ) + C3 ( ) + C4 (2𝑄)
𝑄 2𝑄
18000 (3857.4603−746.6052)2
C = 1(18000) + 400(
3857.4603
) + 1.2 ( 2(3857.4603)
)
746.6052 2
+5( )
2(3857.4603)
C = 21733.0261 soles.
160
Investigación Operativa II – Lucio Malásquez Ruiz
Verificación en DECISOR
161
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 3
2.𝐶2.𝐷 2𝑥30𝑥4000
Q=√ =√ = 400.00
𝐶3 1.5
𝐷
N = 𝑄 = 10
𝐷 𝑄
C = C1.D +C2. + C3. = 20600.00
𝑄 2
1 𝑄
t= = = 0.1
𝑁 𝐷
Si año 360 entonces 360x(t) = 36 días
162
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 4
La demanda anual de rollo de cierto cable de diámetro específico especial por la CIA
Lanier, es de 45000 rollos. A la empresa le cuesta S/. 160.00 la inversión o puesta en
marcha de ordenado el pedido, el costo mensual de mantener este artículo es S/. 2.00 y
el costo unitario S/. 1.00
D = 45000 C1= S/.1.00 C2 = S/. 160.00 C3 = S/. 24.00 año
D=4500
Q=774.60
6.20 6.20
2𝐶2𝐷 2𝑥160𝑥45000
Q=√ =√ = 774.60
𝐶3 24
163
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 5
D=6500
Q=312.25
17.29 17.29
164
Investigación Operativa II – Lucio Malásquez Ruiz
2𝑥45𝑥6500
Q=√ = 312.25
6
165
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 6
Datos:
✓ D=9,000
✓ C2=2.50
✓ C3=2.00
166
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 7
En los Supermercados METRO, uno de sus productos de mayor demanda son las Cocinas
MADE, la cual se ha estimado una demanda de 1,200 cocinas para el presente año y es
constante. El costo de hacer una orden de perdido a la fábrica es S/. 5,000 y el costo de
una cocina es de S/. 320.00 se sabe que el costo de mantener es de 10% de su costo.
Determinar:
a) Costo total/año.
b) Número de pedido/año.
c) Tiempo entre pedidos.
Datos:
✓ D=1200
✓ C2=5000
✓ C1=320
✓ C3=10%(5000) =500
✓ Año=360 días
a) Costo total/año:
D Q
C = C1 D + C2 ( ) + C3 ( )
Q 2
1200 154.92
= 320x1200 + 5000x + 500x
154.92 2
b) Número de pedido/año:
𝐷 1200
𝑁= = = 7.75 𝑜𝑟𝑑𝑒𝑛𝑒𝑠/𝑎ñ𝑜
𝑄 154.92
167
Investigación Operativa II – Lucio Malásquez Ruiz
168
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 8
Mc Bruger para su principal producto tiene una demanda de 2500 pizzas por mes. El
costo fijo de hacer una orden de pedido es de S/. 20 por mes. Cuesta S/. 0.003 por día
por almacenar pizzas. El costo unitario de cada pizza es de S/. 10. Se sabe además que
es costo por demandas es de S/. 5 soles por año. Determinar:
𝑫 = 2500(12) = 30000
𝑪𝟏 = 10.00 , 𝑪𝟐 = 20(12) = 240.00, 𝑪𝟑 = 0.003(360) = 1.08,
𝑪𝟒 = 5.00
a) Cantidad óptima
𝐷 (𝑄 − 𝑆)2 𝑆2
𝐶 = 𝐶1 𝐷 + 𝐶2 ( ) + 𝐶3 ( ) + 𝐶4 ( )
𝑄 2𝑄 2𝑄
𝐷 30000
𝑁= = = 7.45
𝑄 4026.58
1
360𝑡 = 360 ( ) = 48.32 𝑑𝑖𝑎𝑠
𝑁
f) Tiempo de existencias
𝑄−𝑆
360. 𝑡1 = 360 ( ) = 39.736 𝑑𝑖𝑎𝑠
𝐷
169
Investigación Operativa II – Lucio Malásquez Ruiz
g) Tiempo de faltantes
𝑆
360. 𝑡2 = 360 ( ) = 8.583 𝑑𝑖𝑎𝑠
𝐷
Gráfica
170
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 9
𝑪𝟏 = 50.00 𝑪𝟐 = 160.00, 𝑪𝟑 = 6
2𝐶2 𝐷 2(160)(3500)
𝑄=√ =√ = 1201.28
𝐷 3500
𝐶3 (1 − 𝑅 ) 6(1 − 4020)
𝐷 𝑄 𝐷
𝐶 = 𝐶1 𝐷 + 𝐶2 ( ) + 𝐶3 ( )(1 − )
𝑄 2 𝑅
𝐷 3500
𝐼𝑚 = 𝑡1 (𝑅 − 𝐷) = 𝑄 (1 − ) = 1201.28 (1 − ) = 155.389
𝑅 4020
𝐷 3500
𝑁= = = 2.914
𝑄 1201.28
1
360𝑡 = 360 ( ) = 123.560 𝑑𝑖𝑎𝑠
𝑁
𝑄 1201.28
360𝑡1 = 360 ( ) = 360 ( ) = 107.577 𝑑𝑖𝑎𝑠
𝑅 4020
𝐼𝑚 155.389
360𝑡2 = 360 ( ) = 360 ( ) = 15.983 𝑑𝑖𝑎𝑠
𝐷 3500
171
Investigación Operativa II – Lucio Malásquez Ruiz
Gráfica
172
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 10
Solución
Datos:
D = 1500, P = 60000, 𝐶1 = 8.00 , 𝐶2 = 150.00 , 𝐶3 = 8(0.05)(12) = 4.8, 𝐶4 =
2.00
a. La cantidad optima de unidades que deben manufacturarse
2𝐶2 𝐷 𝐶3 + 𝐶4
𝑄= √ × √
𝐷 𝐶4
𝐶3 (1 − 𝑃 )
𝐶3 𝐷 4.8 15000
𝑆 =( ) 𝑄 (1 − ) = ( ) 2061.55 (1 − ) = 1091.409
𝐶3 + 𝐶4 𝑃 4.8 + 2 60000
c. El número de tandas de producción
𝐷
𝐴=1− = 0.75
𝑃
d. La duración del periodo de inventario
𝐷
𝑙𝑚 = 𝑡1 (𝑃 − 𝐷) − 𝑆 = 𝑄 (1 − ) − 𝑆 = 2061.55(0.75) − 1091.409 = 454.7535
𝑃
173
Investigación Operativa II – Lucio Malásquez Ruiz
𝐷 15000
𝑁 = = = 7.276
𝑄 2061.55
1
360𝑡 = 360 ( ) = 49.477
𝑁
𝑄 2061.55
360(𝑡1 + 𝑡4 ) = 360 ( ) = 360 ( ) = 12.369
𝑃 60000
e. El costo total anual.
𝐷 (𝑄𝐴 − 𝑆)2 1 𝑆2 1
𝐶 = 𝐶1 𝐷 + 𝐶2 ( ) + 𝐶3 ( ) + 𝐶4 ( )
𝑄 2𝑄 𝐴 2𝑄 𝐴
174
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 11
Caso 1
a) En el año se hacen 6 pedidos de 80 unidades cada uno, se reciben 1° enero,
1°Marzo, 1° Mayo, 1°Julio, 1° Setiembre, 1° Noviembre.
b) El costo de mantener una unidad de artículo en inventario durante un mes es
S/15.
c) El costo por cada orden de pedido es S/80
d) El costo por demanda postergada es S/10
C2= 80
C3= 15
C4= 10
C1= C2 + C3 + C4
Caso 1:
C2: 80(6) = 480
C3: 400(15) = 6000
175
Investigación Operativa II – Lucio Malásquez Ruiz
C1 = C2 + C3+ C4 = 6680
Caso 2
a) Al año se hacen 12 pedidos de 40 unidades cada uno.
b) Con los mismos costos del caso 1
Determinar la política optima
Mes Cantidad Inventario Demanda Inventario Demanda
Recibida Inicial Final Postergada
Enero 40 40 20 20 -
Febrero 40 60 40 20 -
Marzo 40 60 40 20 -
Abril 40 60 60 - -
Mayo 40 40 40 - -
Junio 40 40 60 - 20
Julio 40 20 - 20 -
Agosto 40 60 - 60 -
Septiembre 40 100 80 20 -
Octubre 40 60 60 - -
Noviembre 40 40 40 - -
Diciembre 40 40 40 - -
Total 480 860 480 160 20
Caso 2:
C2: 80(12) = 960
C3: 160(15) = 2400
C4: 200
C1 = C2 + C3+ C4 = 3560
176
Investigación Operativa II – Lucio Malásquez Ruiz
IV. TEORÍA DE
COLAS
TEMAS
177
Investigación Operativa II – Lucio Malásquez Ruiz
INTRODUCCIÓN
I Para un Ingeniero Informático es interesante saber que una de las herramientas
matemáticas más poderosas para realizar análisis cuantitativos de las redes de
ordenadores es la teoría de colas. Esta técnica se desarrolló primeramente para
analizar el comportamiento estadístico de los sistemas, de conmutación telefónica,
sin embargo, desde entonces, también ha sido aplicada para resolver muchos
problemas de redes.
Se pueden utilizar sistemas de colas para modelar procesos en los cuales los
clientes van llegando, esperan su turno para recibir el servicio, reciben el servicio
y luego se marchan. Ejemplos de sistemas de colas se encuentran en las cajas
registradoras de los supermercados, en las ventanillas de las entidades
bancarias, en las salas de espera de los consultorios médicos, etc.
Los sistemas de colas pueden definirse mediante cinco componentes:
1. La función de densidad de probabilidad del tiempo entre llegadas.
2. La función de densidad de probabilidad del tiempo de servicio.
3. El número de servidores.
4. La disciplina de ordenamiento en las colas.
5. El tamaño máximo de las colas.
La densidad de probabilidad del tiempo entre llegadas describe el intervalo de
tiempo entre llegadas consecutivas. Podríamos imaginarnos que contratáramos a
alguna persona (por ejemplo, a un estudiante de ingeniería informática) para
observar la llegada de los clientes. A cada llegada de un nuevo cliente, el
observador registraría el tiempo transcurrido desde que ocurrió la llegada del
anterior cliente.
178
Investigación Operativa II – Lucio Malásquez Ruiz
Cada cliente requiere cierta cantidad de tiempo, el que precise el servidor para
realizar el servicio que este cliente demanda. El tiempo de servicio requerido por
cada cliente es tiempo de trabajo activo para el servidor y varía entre un cliente
y otro. Por ejemplo, en la caja de un supermercado un cliente puede presentar
un carro lleno de artículos y el siguiente puede traer únicamente una lata de
refresco. Por eso, para analizar un sistema de colas, además de conocer la
densidad de probabilidad de los tiempos entre llegadas, debe conocerse
también la función de densidad de probabilidad del tiempo empleado en
prestar servicio.
La cantidad de servidores se explica a través de los ejemplos siguientes: muchos
bancos, por ejemplo, tienen una sola cola larga para todos sus clientes y, cada
vez que uno de los cajeros se libera, el cliente que se encuentre primero en la
cola se dirige a la caja que ha quedado libre. A este sistema se le denomina
sistema de cola multiservidor. En otros bancos, cada cajero o cajera, tiene su
propia cola particular. En este caso tendremos un conjunto de colas
independientes en un solo servidor, y no un sistema multiservidor.
La disciplina de una cola describe el orden según el cual los clientes van siendo
atendidos. Los supermercados utilizan el método de servir primero al cliente que
ha llegado antes. En las salas de urgencia de los hospitales se utiliza, más a
menudo, el criterio de atender primero al que está más grave. El primero en ser
atendido no es el que haya llegado antes. En una oficina, ante la fotocopiadora,
es frecuente que primero se despache al que tenga menor trabajo, esto es, entra
primero el que tenga que hacer menos fotocopias.
La capacidad de la cola es el número de clientes máximo que puede contener.
No todos los sistemas de colas poseen una capacidad ilimitada de recepción de
clientes. Cuando hay demasiados clientes que quieren hacer cola, pero solo existe
un numero finito de lugares de espera, algunos de estos clientes pueden no ser
admitidos en la cola.
En resumen: Las colas o líneas de espera son situaciones bastantes corrientes.
Clientes esperando servicio en un banco, alumnos que esperan matricularse,
productos en una línea de producción esperando ser procesados. Los sistemas
que se caracterizan por elementos que tienen que esperar para recibir un servicio
se llaman Fenómenos de Espera. Las colas se pueden caracterizar por los
momentos de llegada de los clientes y por los momentos de salida de estos,
cuando ya han recibido el servicio solicitado. Las llegadas suelen describirse por
medio de una distribución de probabilidad para los intervalos de tiempo entre
las llegadas de dos clientes consecutivos. Igualmente, los tiempos empleados en
prestar cada servicio siguen también una cierta distribución de probabilidad.
Además, un sistema de espera soporta dos costes: el de dar servicio y el de tener
elementos esperado.
179
Investigación Operativa II – Lucio Malásquez Ruiz
180
Investigación Operativa II – Lucio Malásquez Ruiz
ESTRUCTURAS TIPICAS
Las llegadas pueden ser de personas, cartas, carros, incendios, ensambles
intermedios en una fábrica, etc. En la siguiente tabla se muestran algunos
ejemplos de varios sistemas de colas.
TERMINOLOGIA
Características físicas:
Servidor: Elemento que presta el servicio solicitado por los clientes.
Cola: Elementos esperando recibir servicio.
Sistema: Incluye cola, servidor y el elemento que está siendo servido.
Cadena: Número de líneas de cola del sistema. Los sistemas de colas son
mono o multicadenas. En los casos más simples el número de cadenas es
el número de servidores en paralelo.
181
Investigación Operativa II – Lucio Malásquez Ruiz
OBS:
Dado µ= 0.10 servicio/minuto
Esto significa que hay en promedio 0.1 servicios por minuto. Es decir el tiempo medio o
promedio de servicio es 10, ya que:
1/µ = 1/0.10 = 10
182
Investigación Operativa II – Lucio Malásquez Ruiz
MODELO DE COLAS:
III
POBLACIÓN INFINITA
Elementos de un problema de colas, caso de un servidor:
1. Arribos
• Los arribos ingresan al sistema aleatoriamente.
• Los arribos vienen de una población infinita.
• No se permiten arribos simultáneos.
• Los arribos tienen una distribución de Poisson, la población de una
llegada en cualquier instante de tiempo es la misma que en cualquier
otro momento.
2. Cola
• El tamaño de servicio es aleatorio.
• Los arribos no pueden cambiar lugares en la cola.
3. Servidor
• El tiempo de servicio es aleatorio.
• Pueden haber interrumpido en el servicio.
• Disciplina de servicio: Primero en arribar, primero en ser servido.
• Tiene una distribución exponencial.
4. Salida
• No se permite que las unidades que salen vuelvan a ingresar al sistema.
183
Investigación Operativa II – Lucio Malásquez Ruiz
Ls = ∑∞
𝑛=1 𝑛 𝑃𝑛 = ∑ 𝑛(1 − 𝜌)ρ = (1-ρ) ∑ 𝑛ρ = (1-ρ) ρ∑ 𝑛ρ
n n n+1
La serie es convergente:
1
∑ 𝑛ρn-1 = , donde 0 < ρ < 1
(1−𝜌)2
Luego:
1 ρ λ
Ls = (1-ρ)ρ[(1−𝜌)2 ] = (1−ρ) = (1−λ)
1 λ 1 λ
Wq = Ls (µ) = (µ−λ) µ = µ(µ−λ)
1 λ 1 1
Ws = Wq + = (µ−λ) + = (µ−λ)
µ µ
184
Investigación Operativa II – Lucio Malásquez Ruiz
Es posible determinar Wq, Ws, Lq, Ls, a partir de una de estas relaciones. Para
cualquier sistema de colas, sin importar las distribuciones de arribos, servicio y
numero de servidores.
Dos de las expresiones generales, a alas que se denominan ecuaciones de flujo
de Little son:
Ls = λWs y Lq = λWq
Otra expresión general:
Ws = Wq + 1/ µ
Este negocio vende hamburguesa, queso, hamburguesas, papas fritas, refrescos y leche
malteada, así como también artículos espaciales y postres.
Aunque el administrador pretende dar un servicio inmediato a todos los clientes, en
ocasiones llegan más de los que el personal puede atender.
La operación actual de la Burger Done, con una sola caja de pago, un empleado recibe
el pedido, determina su costo total, recibe el dinero del cliente y después surte el pedido.
Luego al siguiente de la cola.
Los datos de arribo al restaurant siguen una distribución de Poisson con una tasa promedio
de 45 clientes/hora. El proceso de recepción y surtido de órdenes por el único empleado
sigue una distribución exponencial con una tasa promedio de 60 servicios/hora.
SOLUCIÓN
Datos: λ = 45 clientes/hr. y µ = 60 servicios/hr., donde µ > λ.
Estudiando el comportamiento del sistema en minutos:
1. Promedio de arribos/minuto
λ = 45/60 = 0.75 arribos/min Entonces 1/ λ = 1.33 minutos/arribo
2. Promedio de los servicios/minuto
µ = 60/60 = 1 servicios/min. Entonces 1/ µ = 1 minuto/servicio
3. Se cumple µ = 1> λ = 0.75
Porcentaje de utilización del servicio:
Ρ = (0.75/1)*100 = 75%
Probabilidad que un cliente que arriba al sistema lo encuentra vacío:
P0 = 1- 0.75/1 = 0.25
Numero promedio de clientes en la cola
0.752 0.5625
Lq = 1(1−0.75) = = 2.25 clientes
0.25
185
Investigación Operativa II – Lucio Malásquez Ruiz
186
Investigación Operativa II – Lucio Malásquez Ruiz
1 1
P0 = 1 λ 𝑛 1 λ µ
= 2.5 = 0.40
(∑0𝑛=0 ( ) )+ ( )
𝑛! µ 1! µ µ− λ
λ 𝑛
( ) P0
µ
Si n>k Pn = k!𝑘 (𝑛−𝑘)
187
Investigación Operativa II – Lucio Malásquez Ruiz
TABLA:
Valores de P0 para líneas de espera de canales múltiples con llegadas según Poisson y
tiempos de servicio exponencial.
NÚMERO DE CANALES (K)
RAZON λ/µ 2 3 4 5
0.15 0.8605 0.8607 0.8607 0.8607
0.20 0.8182 0.8182 0.8182 0.8182
0.25 0.7778 0.7778 0.7778 0.7778
0.30 0.7391 0.7391 0.7391 0.7391
0.35 0.7021 0.7021 0.7021 0.7021
0.40 0.6667 0.6667 0.6667 0.6667
0.45 0.6327 0.6327 0.6327 0.6327
0.50 0.6000 0.6061 0.6065 0.6065
0.55 0.5686 0.5763 0.5769 0.5769
0.60 0.5385 0.5479 0.5487 0.5488
0.65 0.5094 0.5209 0.5219 0.5220
0.70 0.4815 0.4952 0.4965 0.4966
0.75 0.4545 0.4706 0.4722 0.4724
0.80 0.4286 0.4472 0.4491 0.4493
0.85 0.4035 0.4248 0.4271 0.4274
0.90 0.3793 0.4035 0.4062 0.4065
0.95 0.3559 0.3831 0.3863 0.3867
1.00 0.3333 0.3636 0.3673 0.3678
1.20 0.2500 0.2941 0.3002 0.3011
1.40 0.1765 0.2360 0.2449 0.2463
1.60 0.1111 0.1872 0.1993 0.2014
1.80 0.0526 0.1460 0.1616 0.1646
2.00 0.1111 0.1304 0.1343
2.20 0.0815 0.1046 0.1094
188
Investigación Operativa II – Lucio Malásquez Ruiz
189
Investigación Operativa II – Lucio Malásquez Ruiz
MODELO DE COLAS:
IV
POBLACIÓN FINITA
En algunos casos, el número de clientes potenciales es tan pequeño, que el arribo
de un cliente para ser atendido o la terminación de un servicio afecta la
probabilidad de futuras llegadas. Como regla empírica, si la población es menor
que 30 deben usarse las ecuaciones correspondientes a una población finita.
Por ejemplo, si un operador atiende tres máquinas y cada una requiere atención
a intervalos aleatorios, las maquinas (clientes) provienen de una población finita.
A. MODELO DE COLA SIMPLE
La probabilidad P0 de hallar vacío el sistema es:
1 1
P0 = λ 𝑛
, P0 = 𝑀! λ 𝑛
(∑𝑀
𝑛=0(µ) ) (∑𝑀
𝑛=0[(𝑀−𝑛)!(µ) ])
Lq = Ls – (1 – P0)
Wq = Lq/𝜆̅ , 𝜆̅ = λ * (1 – P(M))
Ws = Wq + 1/µ
190
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN
Mecánico (k = 1) que atiende cuatro máquinas: M =4
X1: Arribos
Media del tiempo entre arribos:
E(X1) = 1/λ1 = 0 hrs. Promedio del número de arribos/hrs.
λ1 = 0.10
X2: Servicio:
Media del tiempo de servicio.
E(X2) = 1/λ2 = 2 hrs. Promedio del número de arribos/hrs.
λ2 = 0.50
a. Probabilidad que el sistema este vacío o probabilidad de que no haya
maquinas malogradas:
P0 = 1/1.2496 = 0.80025
191
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
Considerando que tienen dos máquinas con las mismas características, cada
mecánico atiende dos máquinas.
192
Investigación Operativa II – Lucio Malásquez Ruiz
1
P0 = 𝑀! 𝜆 𝑛 𝑀! 𝜆 𝑛
∑𝑛=𝑘−1 𝑛=𝑀
𝑛=0 [(𝑀−𝑛)!𝑛!(µ) ]+∑𝑛=𝑘 [(𝑀−𝑛)!𝑘!𝑘𝑛−𝑘 (µ) ]
M! λ
Pn = P0
(M−n)!k!kn−k
( )n Donde k ≤ n ≤ M
µ
193
Investigación Operativa II – Lucio Malásquez Ruiz
194
Investigación Operativa II – Lucio Malásquez Ruiz
ANÁLISIS ECONÓMICO DE
VI
LÍNEAS DE ESPERA
Con mucha frecuencia, las decisiones sobre el diseño de líneas de espera, como
la determinación del número de canales, se basa en una evaluación subjetiva de
las características de la cola. La naturaleza de los costos de servicios influye en
el método para encontrar el sistema de menor costo.
Pueden utilizarse los modelos que se presentaron anteriormente para determinar
el número de servidores que es posible emplear para satisfacer las metas de
desempeño de las líneas de espera que fijan los administradores. Con objeto de
realizar un análisis económico de un sistema de línea de espera y el de ofrecer
el servicio.
EVALUACION DEL SISTEMA CUANDO SE CONOCE EL COSTO DE ESPERA:
Cuando los costos de servicio cambian en forma escalonada, se usa la técnica de
prueba y error para encontrar el Sistema de menos costo. Se calcula el costo
total para una tasa de servicio, después para la siguiente y así sucesivamente.
Esto se continúa hasta que se encuentra un límite inferior o un mínimo tal, que al
aumentar o disminuir las tasas de servicio de costo total más altos. Con una Buena
selección de las tasas que se van a examinar, casi siempre puede encontrarse el
mínimo en tres o cuatro pruebas.
195
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN
También:
196
Investigación Operativa II – Lucio Malásquez Ruiz
197
Investigación Operativa II – Lucio Malásquez Ruiz
EJERCICIOS
VII
PROBLEMA Nº 1
Mac Donald’s de San Borja, en su operación es con una sola caja de pago, un empleado
recibe el pedido, determina su costo total, recibe el dinero del cliente y después surte el
pedido. Luego al siguiente de la cola. Los datos del arribo del restante siguen una
distribución de Poisson con una tasa promedio de 60 clientes/hora. El proceso de
recepción y surtido de órdenes por el único empleado sigue una distribución exponencial
con una tasa promedio de 75 servicios/hora.
MODELO M/M/1
60
ʎ = 60Clientes/hora = = 1 cliente (arribos)/min
60
1
= 1 min/arribo
ʎ
µ = 75 Servicios/hora
75 1
= 1.25 servicios/min = 0.8 min/servicios
60 µ
ʎ 1
ρ= = = 0.8 < 1
µ 1.25
198
Investigación Operativa II – Lucio Malásquez Ruiz
1
f) 𝑊𝑠 = = 0.0.0667 horas = 4 min Cada cliente espera 4 min en el
(µ−ʎ)
sistema
PROBLEMA Nº 2
El sistema es M/M/1
SOLUCIÓN
199
Investigación Operativa II – Lucio Malásquez Ruiz
a) El servidor estará desocupado 1 − 5/6 = 1/6 del total, esto es, 10 segundos
cada minuto (ya que el ordenador está ocupado 5 × 10 = 50 segundos por
minuto).
b) Tiempo medio total es W = 1 /µ (1−ρ) = 1 /12(1−5/6) = 1/2 minuto por
programa.
c) El número medio de programas esperando en la cola es Lq = ρ * ρ / 1−ρ = 4.16
trabajos
PROBLEMA Nº 3
Los trabajadores de una fábrica tienen que llevar su trabajo al departamento de control
de calidad antes de que el producto llegue al final del proceso de producción. Hay un
gran número de empleados y las llegadas son aproximadamente de 20 por hora,
siguiendo un proceso de Poisson. El tiempo para inspeccionar una pieza sigue una
distribución exponencial de media 4 minutos. Calcula el número medio de trabajadores
en el control de calidad si hay:
▪ 2 inspectores.
▪ 3 inspectores.
200
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN
a) Sistema M/M/2
con λ = 20 y µ = 15. Entonces L = 2.4 empleados.
201
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 4
3
5 3
𝑃3 = 𝜌 𝑥𝑃0 = ( ) 𝑥 𝑃0 = 03644 𝑥 0.2857
7
= 0.1041
𝜆 5
𝐿𝑠 = = = 2.5
𝜇 − 𝜆 (7 − 5)
𝜆 5
𝑊𝑞 = = = 0.3571 horas ≈ 22 minutos
µ(𝜇 − 𝜆) 7(7 − 5)
202
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 5
Suponga que en una estación con un solo servidor llegan en promedio 45 clientes por
hora, se tiene capacidad para atender en promedio a 60 clientes por hora. Se sabe que
los clientes esperan en promedio 3 minutos en la cola.
λ= 45 clientes/hora (media de llegada de los clientes) = 45/60 clientes/minutos.
µ= 60 clientes/hora (media de servicio a los clientes) = 60/60 clientes/minutos.
Wq = 3 minutos (tiempo promedio de espera de un cliente en la cola)
a. Tiempo promedio que un cliente pasa en el sistema.
b.
1 1
𝑊 = 𝑊𝑞 + = 3𝑚𝑖𝑛𝑢𝑡𝑜𝑠 + = 4𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜇 1
203
Investigación Operativa II – Lucio Malásquez Ruiz
𝐿𝑞 = 𝜆 𝑥 𝑊𝑞
Al operar resulta:
𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
= 0.75 𝑥 3𝑚𝑖𝑛𝑢𝑡𝑜𝑠 = 2.25 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝑚𝑖𝑛𝑢𝑡𝑜
Es decir, los cálculos nos muestran que en la cola puede haber más de dos
clientes en la cola.
𝐿𝑠 = 𝜆 𝑥 𝑊𝑠
Al operar resulta:
𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
= 0.75 𝑥 4𝑚𝑖𝑛𝑢𝑡𝑜𝑠 = 3 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝑚𝑖𝑛𝑢𝑡𝑜
Es decir, en promedio hay tres clientes en el sistema, como se nos ha dicho que
solo hay un servidor, sabemos que solo un cliente puede estar en servicio, por lo
que los demás deben estar en la cola. Esto indica que hay dos clientes en espera.
204
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 6
Suponga un restaurante de comidas rápidas al cual llegan en promedio 100 clientes por
hora. Se tiene capacidad para atender en promedio a 150 clientes por hora Se sabe
que los clientes esperan en promedio 2 minutos en la cola Calcule las medidas de
desempeño del sistema.
λ= 100 clientes/hora (media de llegada de los clientes)= 100/60 clientes/minutos
µ= 150 clientes/hora (media de servicio a los clientes) = 150/60 clientes/minutos=
Wq = 2 minutos (tiempo promedio de espera de un cliente en la cola)
Este porcentaje representa tiempo que el sistema está ocupado. Es decir (1- ρ)
representa el tiempo ocioso del sistema, es decir 1- 0.667= 0.333 = 33.3% el
sistema permanece ocioso.
205
Investigación Operativa II – Lucio Malásquez Ruiz
𝜆 𝜆 1 100 100 1
𝑃1 = (1 − ) ( ) = (1 − )( ) = (1 − 0.667)(0.667) = 0.222
𝜇 𝜇 150 150
= 22.2%
Es decir existe un 22.2% de posibilidad que haya un cliente en la cola
esperando ser atendido.
206
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 7
El restaurante Burger King vende, hamburguesas, papas fritas, refrescos, etc. Aunque el
administrador pretende dar un servicio inmediato a todos los clientes en ocasiones llegan
más de los que el personal puede atender. La operación actual de Burger King es con dos
cajas de pago dos empleados recibe el pedido, determina su coste total, recibe el dinero
del cliente y hace el pedido. Luego el siguiente de la cola. Los datos de arribo del
restaurante siguen una distribución de Poisson con una tasa promedio de 45 clientes/hora.
El proceso de recepción y surtido de órdenes por 2 empleados sigue una distribución
exponencial con una tasa promedio de 60 servicios/hora. Determinar:
Modelo M/M/S
a) Probabilidad de hallar el sistema vacío
45
ʎ = 60 = 0.75 arribos/minutos
60
𝜇 = 60 = 1 servicios/minutos
207
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 8
Movies ‘Edu’ es un establecimiento típico de renta de videos y de DVD para clientes que
acostumbran ver películas en casa. Durante la noche los clientes llegan a una tasa
promedio de 1.25clientes/minutos, el encargado del establecimiento puede tener una
tasa promedio de 2servicios/minuto. Los datos siguen una distribución de Poisson y
tiempos de servicios exponenciales.
Modelo M/M/1
c) Cual es el tiempo promedio que espera un cliente para que comience el servicio
208
Investigación Operativa II – Lucio Malásquez Ruiz
ʎ 1.25
Wq = = = 0.8333 minutos
𝜇(𝜇−ʎ) 2(2−1.25)
PROBLEMA Nº 9
Una compañía de taxis atiende al Centro de Lima. La compañía posee 4 taxis. Las llamadas llegan
a las despachadoras a una tasa de 16 clientes/horas. El tiempo promedio por viaje es 12 minutos.
Las llamadas llegan de acuerdo con una distribución de Poisson y el tiempo de viaje exponencial.
Determinar: M/M/4:
λ= 16 llamadas/hora
µ= 5 viajes/hora
SERVICIO
SERVICIO
SALIDA
CLIENTES COLA
SERVICIO
SERVICIO
209
Investigación Operativa II – Lucio Malásquez Ruiz
1 1
𝑃0 = = =⋯ 𝛼
𝑃𝑛 𝑃𝑠 𝑆 3.2𝑛 𝑃4 4
(∑𝑠−1 ) + ( (∑3𝑛=0 𝑛! ) + ( 4! (4 − 𝑃))
𝑛=0 𝑛! 𝑆! (𝑆 − 𝑃 ))
3 𝑃3 𝑃 0 𝑃1 𝑃 2 𝑃 3 3.22 3.23
(∑ )= + + + = 1 + 3.2 + +
𝑛=0 3! 0! 1! 2! 3! 2 6
1
𝑃0 = = 0.0273
14.7813 + 21.845
b. Numero de promedio de clientes en la cola.
𝑃 𝑠+1 1 𝑃5 1 3.25 1
𝐿𝑞 = . 𝑃0 = . 𝑃0 = . 𝑃
𝑆 − 1 (𝑆 − 𝑃)2 4 − 1 (4 − 𝑃)2 3 (4 − 3.2)2 0
𝐿𝑞 2.386
𝑊𝑞 = = = 0.1491
𝜆 16
210
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 10
𝜆 0.15 𝑐𝑙𝑖𝑒𝑛𝑡𝑒/ℎ𝑜𝑟𝑎
𝜌= = = 0.75 = 75%
𝜇 0.20 𝑐𝑙𝑖𝑒𝑛𝑡𝑒/ℎ𝑜𝑟𝑎
211
Investigación Operativa II – Lucio Malásquez Ruiz
El sistema está ocupado el 75% del tiempo. Ósea pasa un 25% ocioso. Es decir,
la probabilidad de tener 0 clientes en el sistema es cuando el sistema está vacío y
eso puede ocurrir con una probabilidad del 25%. Su cálculo puede hacerse
directamente con la fórmula:
212
Investigación Operativa II – Lucio Malásquez Ruiz
0.2231= =22.3%
213
Investigación Operativa II – Lucio Malásquez Ruiz
V. PROGRAMACIÓN
DINAMICA
TEMAS
214
Investigación Operativa II – Lucio Malásquez Ruiz
CONCEPTOS BÁSICOS DE
I
PROGRAMACIÓN DINÁMICA
Como ya quedase dicho, las llamadas programaciones constituyen uno de los
grandes capítulos de las Técnicas de Optimización. Su aplicación se restringe a
problemas que se pueden formular bajo una estructura específica, para la cual
se desarrolla una estrategia de optimización sumamente eficiente.
La más antigua de estas técnicas es la Programación Lineal, cuyos conceptos y
algoritmos operativos básicos datan de las décadas del 40 y 50; fundados,
principalmente, en los trabajos de Dantzig y el grupo de la Rand Corp.
En este caso las exigencias se refieren al tipo de ecuaciones que definen el
problema: tanto la función objetivo como las relaciones de diseño y restricciones
deben ser lineales y las variables no negativas, esto es
j n
mín c j x j
j 1
j n
con aij x j bi i 1..m
j 1
x j 0 j
rN r N -1 r2 r1
Programación Dinámica es una técnica de optimización
que se aplica exclusivamente a sistemas cuyos diagramas
S N +1 SN S N -1 S3 S2 S1
de flujo de información son seriados multietapas,
entendiendo por seriados aquellos diagramas donde en
toda etapa las variables que ingresan a ella son de
dN d N -1 d2 d1
decisión o provienen solo de la etapa que la precede de
acuerdo al flujo de información, tal como el que se muestra
Fig. 5.1.1 en la figura 5.1.1.
215
Investigación Operativa II – Lucio Malásquez Ruiz
N N *
FON opt ri ri
i 1 i 1
con f ( S i 1 , S i , d i ) 0
g ( S i 1 , S i , d i ) 0
ri ri ( S i 1 , S i , d i ) i 1..N
216
Investigación Operativa II – Lucio Malásquez Ruiz
i N
FOk ( S k 1 ) opt ri opt rk FOk 1 ( S k ) 5.1.1
d k ..d 1 i k dk
Donde ahora Sk+1 tiene un valor genérico y las dk,...,d1 que logran el óptimo de
FOk (y éste mismo) resultan ser funciones de ese valor.
Cuando lo anterior es cierto para cualquier valor de k entre 1 y N se tiene el
óptimo para el sistema, según lo expresa el llamado principio de optimalidad
de Bellman3 por el que se establece que la política óptima dN*,...,d1* para un
sistema de N etapas debe ser tal que el subconjunto de decisiones para las k últimas
etapas dk*,...,d1* resulta óptimo para el estado Sk+1, para todo k entre 1 y N.
La expresión 5.1.1, asimismo, establece la estructura fundamental de la
estrategia de optimización por Programación Dinámica, como podrá verse en
seguida.
217
Investigación Operativa II – Lucio Malásquez Ruiz
218
Investigación Operativa II – Lucio Malásquez Ruiz
Figura 5.2.1
La cuestión es, en esencia, la misma que antes: debe buscarse el óptimo de r1+
r2 para distintos valores de S3, obteniendo, asimismo, los respectivos d2*.
a
r2 + r1*
cada d2 en la función a S3 1
optimizar, al resultado del d2
cálculo de r2 debe agregarse el
valor de FO1 que corresponda b c
d 2* (r2 + r1)*
al S3 elegido. (Esto se muestra
en la figura 5.2.2.a donde la
ordenada está constituida por
dos partes, r2 y r1*).
S3 S3
Figura 5.2.2
219
Investigación Operativa II – Lucio Malásquez Ruiz
rN + (rN-1 +…+r1)*
Figura 5.2.3
optrN ( S N (d N ), d N ) FON 1 ( S N (d N )
dN
A partir del valor encontrado de dN* es posible el cálculo de SN* y con ésta, a
través de la tabla respectiva, determinar dN-1* y así, siguiendo ahora el sentido
del flujo de información, hasta lograr d1*.
Resumiendo: la estrategia que plantea Programación Dinámica consta de dos
fases, una, primera, por la cual se han de obtener los óptimos parciales de las k
últimas etapas y las decisiones óptimas de las mismas en función del estado a la
entrada al subsistema; la otra fase, siguiendo el flujo de la información, permite
obtener los valores de los estados y decisiones óptimas para todas y cada una de
las etapas que componen el sistema.
Tal vez resulte conveniente fijar estos conceptos a través del análisis de algunos
ejemplos sencillos.
220
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 1
q W3 W2 W1
x4 x3 x2 x1
3 2 1
y3 y2 y1
Fig. 5.2.4
221
Investigación Operativa II – Lucio Malásquez Ruiz
En las etapas 2 y 3 se ha añadido una ecuación (xi = xi’ ) a fin de clarificar el uso de la
técnica, al evitar que una misma variable, xi, aparezca, en puntos sucesivos del diagrama,
como de decisión y de estado interconectando etapas (Esto sólo por razones didácticas,
ya que el tratamiento podría haberse realizado sin recurrir a este artificio).
Para el primer paso de optimización se puede considerar
máxr1 q( x 4 x 1 ) CW 1
x1
x'2 x 1
W1 q
kx1
Con lo cual
x' C
r1 q x 4 x1 p 2 1 , p
x1 k
r1
1 px 2' x1 2 0 x1* px 2' 5 2 1
x1
Debe hacerse notar que debe verificarse la naturaleza del punto estacionario
determinado, lo que, en este caso, resulta inmediato ya que
2 r 1 / x 2 1 2 px'2 x 13 0
Para el segundo paso deben considerarse las dos últimas etapas buscando
x ' x2
máx r2 FO1 FO1 CW2 FO1 Cq 3
kx2
x'
q x4 p 2 3 2 px2
x2
222
Investigación Operativa II – Lucio Malásquez Ruiz
Esto lleva a
(Se deja a cargo del lector el verificar que la derivada segunda es igual a -
3/2x3 < 0).
Antes de pasar al tercer, y último, paso de optimización conviene hacer notar
que, hasta ahora, las funciones objetivos parciales dependían tanto de la
decisión en la etapa inicial del respectivo subdiagrama como del estado a la
entrada de la misma.
( r 2 FO1 )
px'3 x 2 2 p / x2 0 x *2 3 px'32
x 2
FO 2 ( x'3 ) ( r1 r2 )* q x 4 2 p 3 3 p 2 x'3
Al tratar el conjunto de las tres etapas la entrada al sistema está fija (x4 es un
x
máxr3 FO 2 FO 2 CW 3 q x 4 3 p 3 3 p 2 x 3 p 4
x3 x3
( r 3 FO 2 ) 2
px 4 x 3 3 ( p / x 3 )2 0 x*
3
4 px 3
4
x 3
FO 3 ( r3 r2 r1 )* q
x4 3 p 4 4 p 3 x4
dato), por lo que x3 no será ya función de la misma sino simplemente
* un valor
único (Adviértase el abandono de la utilización de la derivada parcial en la
determinación del punto estacionario). Conviene recordar esto dado que, en la
formulación del problema, se ha omitido el darle valores numéricos a los datos
y podría aparecer como que se
Reiteran las situaciones anteriores. Se trata, entonces, de encontrar y ahora
conocido x3* surgen de inmediato x2* y x1*, en la segunda fase de la estrategia
de Programación Dinámica, siguiendo el flujo de la información:
Ae
Ac
500 180 100
A
V
A1
540 1-r T22
T3
240 200
W3 W2 320
T4 280 r T21
W4
320 T1 140
W1
A3
A2
PROBLEMA Nº 2
El otro ejemplo al que se hizo referencia es un esquema con una única división de corrientes
para resolver el problema de síntesis de redes de intercambio térmico similar al visto al
considerar el acápite 4 del tema métodos de optimización, esquema que se muestra en la
figura 5.2.6.
Las ecuaciones que definían el modelo matemático del problema eran:
✓ Calentador
15 4
657,5 qv = 10 ( 500 - T 3 )
13
15 4 540 - T 3
10 ln = 200 Ac
13 40
✓ Intercambiador 1
15 4
2 10 4 ( 480 - T 4 ) = 10 ( T 3 - 240 ) T 3 240
13
480 - T 3 1 13
ln = 150 A1 - 10 - 4 T 4 480 ; T 3 480
T 4 - 240 2 15
✓ Intercambiador 2
13 4
2 104 ( T 4 - 280 ) = 10 ( 320 - T1 )
9
T - 320 1 9 -4
ln 4 = 150 A2 2 - 13 10 T 4 320 ; T 1 280
280 - T 1
✓ Intercambiador 3
15 4 13 4
f 10 ( 320 - T 21 ) = 10 ( T 1 - 140 ) T 1 140
9 9
320 - T 1 9 9 -4
ln = 150 A3 15 f - 13 10 T 21 140
T 21 - 140
✓ Enfriador
15 4
80 q a = ( 1 - f ) 10 ( 320 - T 22 ) T 22 320
9
224
Investigación Operativa II – Lucio Malásquez Ruiz
140 9 10 - 4 1
ln = 150 A e -
T 22 - 100 15 ( 1 - f ) q a
✓ Mezclador
f T 21 + ( 1 - f) T 22 = 200 0 f 1
y la función objetivo
A1 A2 A3 qa
La estrategia de cálculo para este
Ac qV Ae T 22
problema determina como variables de
decisión a T1 y al factor de
T3 fraccionamiento f.
T4 T 21 El diagrama de flujo resultante se
indica en la figura 5.2.7 (Otra vez se ha
T '1
recurrido al artificio de introducir una
variable de conexión, T1’ = T1)
T1 f
Fig. 5.2.7
Por las características del diagrama queda claro que es aplicable Programación
Dinámica, aunque la naturaleza matemática de las ecuaciones hace imposible
una solución analítica como en el problema anterior.
Habrá que buscar mín r1 39( Ae0.65 A30.65 ) 0,24q a para distintos valores
f
de T1’, lo que dará lugar a una tabla donde han de figurar los respectivos FO1,
necesarios para el siguiente paso de optimización, y de f*, requeridos para la
segunda fase de la técnica.
Una vez realizado esto habrá que proceder a resolver un único problema:
mín r2 FO1 39( Ac0.65 A10.65 A20.65 ) 3 ,6 q v FO1
T 1
Puede advertirse que ahora se está, en principio, frente a dos problemas de una
variable en lugar de uno de dos, que fuera la forma como se resolvió
anteriormente.
Esta reducción de la dimensionalidad de los problemas parciales, un aspecto
fundamental de Programación Dinámica, se logra a costa de resolver
reiteradamente cada uno de estos subproblemas (Recuérdense las figuras 5.1.1a
225
Investigación Operativa II – Lucio Malásquez Ruiz
Como resultado del segundo paso se encuentra el valor óptimo de T1, 230,501
y de la función objetivo global 9015 $/año, valores totalmente coincidentes con
los encontrados en anterior oportunidad. El valor de f* surge por interpolación
en la tabla anterior, resultando ser 0,688, igual que antes.
226
Investigación Operativa II – Lucio Malásquez Ruiz
PROGRAMACIÓN DINÁMICA
III
CON VARIABLES DISCRETAS
Hasta aquí se han considerado problemas cuya formulación se estructuraba
sobre variables esencialmente continuas (caudales, concentraciones,
temperaturas).
Hay otro grupo de problemas, de gran importancia práctica, donde a las
variables solo se les permite adoptar ciertos y determinados valores, esto es,
poseen, o tienen definido, un comportamiento discreto.
En este punto se suele utilizar lo que en la literatura se denomina diagramas de
rutas, aludiendo a la situación que pude observarse sobre cualquier mapa vial,
donde aparecen las ciudades vinculadas entre sí por una red caminera.
En la parte superior de la figura 5.3.1 se
7 10 9
14 7 2 0 esquematiza, en una forma extremadamente simple,
10 5 2 lo que podría ser un mapa de ese tipo.
2
Allí aparecen una serie de nodos (las ciudades)
9 2
vinculadas por arcos o líneas de unión (los tramos
11 7 4 3 2 9 0
carreteros).
10 7 4
Sobre cada uno de este tramo aparece una cifra que
10 9 9 representaría la distancia a cubrir.
8 2 3
13 5 3 0 Se podría plantear como trasladarse de una
cualquiera de las localidades del "extremo este" a
otra cualquiera del otro extremo, avanzando siempre
en dirección oeste y de modo tal que el viaje resulte
lo más corto posible.
Fig. 5.3.1
227
Investigación Operativa II – Lucio Malásquez Ruiz
228
Investigación Operativa II – Lucio Malásquez Ruiz
Fig. 5.3.2
229
Investigación Operativa II – Lucio Malásquez Ruiz
Por ejemplo, resulta inmediato que las tareas que concluyen en el nodo 1,3
deberán estar terminadas 2 unidades de tiempo antes que el programa global,
así como que las que lo hacen en el 2,3 lo deberán estar 9 unidades antes.
Para determinar el valor correspondiente al nodo 1,2 (es decir, para las tareas
que allí terminan) ha de tenerse en cuenta que por una vía, la que pasa por n1,3,
el lapso sería 12 (10 + 2), mientras que por otro circuito, el que se conecta con
n2,3, el valor es 14 (5 + 9) y será esto último lo que deba considerarse como
fecha de terminación del nodo para permitir que ambas ramas terminen en
tiempo.
Al llegar al estado inicial, se tendrá el tiempo total y, pasando a la segunda
fase de la técnica, la posibilidad de determinar el conjunto de tareas que
determinan este tiempo, integrando el camino crítico.
Este concepto de criticidad aparece en virtud de que una demora en la ejecución
de cualquiera de estas tareas determinará la correspondiente prolongación del
tiempo total de completamiento del programa.
En la figura 5.3.2 se han indicado, como siempre, en el interior de los nodos, el
valor del máximo parcial, encontrándose que el tiempo mínimo de ejecución es
28 y el camino crítico está determinado por la secuencia n2,1 - n3,2 - n2,3 - n2,4.
Adicionalmente a lo anterior pueden determinarse un conjunto de parámetros de
suma importancia en la planificación de un trabajo.
En la figura 5.3.3 se muestra la resolución del mismo
9
10
19 problema, pero ejecutando las operaciones en sentido
5 2 inverso al anterior (Se estaría siguiendo el sentido del flujo
de la información).
9
7
2
3 9
Con esto es posible determinar la fecha más temprana fp
0 7 19 28 en la que puede comenzar una tarea cualquiera, siendo
10 7
ésta el valor que se encuentra en el nodo donde la tarea
comienza.
9 9
10 2 14
Así, cualquiera de las que lo hacen en el 1,3 no podrán
empezar antes de la fecha 19 (max[ 9 + 10;7 + 2] = 19
Fig. 5.3.3 O tiempo en que se encuentra concluida la tarea que
determinan los nodos 2,2 y 1,3).
A partir de haber "fechado" los nodos, calculando el lapso hasta la terminación,
lf (fig. 5.3.2), así como la fecha temprana o próxima, fp (fig. 5.3.3) se pueden
determinar, para cada tarea, lo que se conoce con el nombre de fecha tardía ft,
plazo último para concluirla sin que se retrase el conjunto y, en relación con ésta,
el margen de flotación m, que representa el mayor lapso de demora admisible.
230
Investigación Operativa II – Lucio Malásquez Ruiz
1,2 9 0 14 5
2,1 2,2 7 0 12 5
2,3 10 0 10 0
1,3 10 9 26 7
1,2
2,3 5 9 19 5
1,3 2 7 26 17
2,2
2,3 3 7 19 9
3,3 7 7 19 5
2,3 9 10 19 0
3,2
3,3 2 10 19 7
1,3 2 19 28 7
2,3 2,4 9 19 28 0
3,3 9 14 28 5
No se puede terminar este acápite sin advertir que, primero, los casos reales que
son abordados mediante PERT o CPM presentan diagramas (grafos en la
terminología técnica) totalmente irregulares lo que, sin embargo, no invalida la
aplicación de todo lo visto6 y, segundo, que, si bien la técnica básica es la
expuesta, se abordan otras cuestiones tales como costos, asignación de recursos,
duraciones indeterminadas, etc., cuyo tratamiento escapa a la intención de esta
obra.
231
Investigación Operativa II – Lucio Malásquez Ruiz
DIAGRAMA DE RUTAS
IV
EQUIVALENTES
Del mismo modo en que antes se vinculaba un diagrama de flujo de información
a uno de rutas es posible realizar la operación inversa, generando un diagrama
de rutas equivalente, sobre el que será factible la aplicación de las técnicas ya
vistas, resolviendo el problema original en forma aproximada.
En la figura 5.4.1 se esquematiza una etapa genérica de un diagrama de flujo
de información. Uno de rutas con el que estuviese vinculado tendría determinados
valores para los estados Si+1 y Si.
Si por un momento se omite la consideración del estado a la entrada de la etapa
-para quien actúa, en todos los casos, como un dato del problema- un diagrama
de rutas con el que estuviese vinculado el de información, debería tener fijados
un cierto número de posibles estados Si los que, conectados con los
correspondientes a Si+1, han de generar las rutas o transiciones posibles.
Para fijar un estado en Si es preciso darle valores a todas las variables que lo
definen, reiterando que en tal definición solo
se incluyen las que interconectan etapas.
Tales valores pueden ser fijados dentro de
ciertos márgenes razonables o habrán de
surgir por cálculos en la etapa.
En la primera de las alternativas, fijar valores
para las variables de salida, admitiendo
siempre que el estado a la entrada es un dato
conocido, ha de ser necesaria una inversión
del flujo de información, transformando en
variables de estado tantas decisiones como
salidas se pretenda fijar.
Fig. 5.4.1
232
Investigación Operativa II – Lucio Malásquez Ruiz
di
S i+1 i Si S i+1 i Si S i+1 i
Si- d i
S i d i- S i di di
Fig. 5.4.2
7
Podría decirse que se está en condiciones de fijar, por ejemplo, la latitud del punto de
destino, pero la longitud depende de aquella y del cual sea el punto de origen.
233
Investigación Operativa II – Lucio Malásquez Ruiz
Además, se han marcado con un punto las transiciones sobre las cuales el cálculo
del aporte a la función objetivo requiere de un proceso de optimización.
Puede advertirse que en los tramos que corresponden a la etapa 2 aparecen
repetidos los valores fijados de la variable de salida, un par para cada valor
del estado S3.
Como quedase dicho, esta ramificación aparece toda vez que resulta imposible
fijar la totalidad de las variables que determinan el estado S2.
Merece un comentario final lo que sucede al aplicar esta metodología en la
última etapa. Allí las variables de salida no se interconectan con nada y, por
consiguiente, no existe un estado, tal como se ha expuesto para los restantes
casos. No se requiere, necesariamente, invertir el flujo de información ni tiene
importancia cuántas variables definen el estado y cuántas la decisión.
No obstante, por conveniencia en el cálculo, se ha de mantener en la última etapa
el concepto de estado a la salida, fijando valores (discretizando) para las
variables que se hayan elegido, en el número corresponda, estén éstas
integradas al estado de salida o a la decisión. Por todo lo dicho resulta claro
que las transiciones en este punto nunca podrán presentarse en un esquema
ramificado.
La precisión que se puede alcanzar por esta vía depende, como es obvio, de la
cantidad de estados intermedios que se generan. Si bien cuando el problema
está formulado en términos de variables continuas el número posible para los
mismos es infinito, no resulta conveniente, en aras de una mayor exactitud, aplicar
la estrategia expuesta sobre un número grande de estados intermedios.
En su lugar, es más efectivo proceder a una primera búsqueda que permita
acotar un ámbito donde reiterar el procedimiento y, así, todas las veces que
resulte necesario.
234
Investigación Operativa II – Lucio Malásquez Ruiz
T '1 T21
Fig. 5.4.4
235
Investigación Operativa II – Lucio Malásquez Ruiz
236
Investigación Operativa II – Lucio Malásquez Ruiz
PROGRAMACIÓN DINÁMICAEN
V
SISTEMAS RAMIFICADOS
Hasta el momento sólo se han considerado, para la aplicación de las técnicas de
Programación Dinámica, solo aquellos problemas cuyos diagramas de flujo de
información cumpliesen estrictamente las características de seriados multietapas,
tal como fuera definido al iniciar el tratamiento del tema.
Cabría preguntarse si son ellos los únicos sobre los que puede ser aplicada la
técnica o si resulta posible adecuar los diagramas, de modo tal que pueda
hacérselo.
La respuesta que Programación Dinámica extiende su aplicación, en forma directa,
a problemas cuyos diagramas de flujo de información son algo más complejos que
lo vistos, así como resulta posible usarla en otros, adaptando el respectivo
diagrama.
Algunos de ellos serán vistos en este capítulo; como ser los sistemas ramificados,
donde existen, en algún sector del flujo de información, al menos dos ramas o vías
independientes, que surgen de un punto común (sistemas divergentes) o concurren
a uno determinado (sistemas convergentes). Los diagramas con reciclo de
información será otro caso a considerar.
En la figura 5.5.1 se muestra la estructura
A básica de un sistema ramificado divergente,
donde puede apreciarse la existencia de dos
S kA
ramas, A y B, que se separan a partir de la
N k+1 k
S
S k+1 etapa k. Cada una de ellas está constituida
S kB
por un sistema seriado multietapas como el
dN d k+1 dk B que se indicara al principio de este capítulo
(Por simplicidad, esto no se ha indicado en el
Fig. 5.5.1 dibujo).
237
Investigación Operativa II – Lucio Malásquez Ruiz
238
Investigación Operativa II – Lucio Malásquez Ruiz
Una vez que lo anterior ha sido completado -sin duda, el paso computacionalmente
más engorroso- el procedimiento continúa con la obtención de
FON 1 ( S N 2 ) opt rN 1 FON ( S N 1 ), de acuerdo a lo visto.
d N 1
Si se cumple que Si+1 + di > Si y Si+1 < Si ; i = M...N+1 es posible aplicar otra vía
de solución: invertir por completo el sentido del flujo de información en la rama
superior, con lo que el sistema, ahora, será divergente a partir de la etapa k.
En el caso de querer aplicar esta estrategia para un diagrama donde existen más
de dos ramas que convergen en un punto, la condición anterior deberá verificarse,
al menos, para todas ellas menos una.
Otro de los casos donde es posible aplicar Programación Dinámica es sobre
sistemas que presentan una derivación paralela (bypass), como el que se muestra
en la figura 5.5.3.
La respuesta general a esta situación es modificar el diagrama, mediante la
creación de variables interetapas, de forma que se elimine la rama lateral, como
se muestra a la derecha de la figura. Esto significa el crecimiento de la
dimensionalidad en los estados, cuestión que, como se verá, aumenta la dificultad
en la aplicación de la técnica.
k1 km
S jk S kp S jk S kp
j e1 ex p
j l1 ln p S jl S lp
S jl S lp
Fig. 5.5.3
Por esta razón se suele acudir al artificio de modificar el
k1 km
diagrama, mediante un corte de la derivación lateral, de
modo de obtener un sistema divergente. Esto se logra
S jk S kp adoptando el estado Skp como una decisión e invirtiendo
el flujo de información, con la salvedad de mantener el
j l1 ln p
S lp
carácter divergente requerido para el nuevo diagrama
S jl
(Se debe privilegiar la inversión de las decisiones por
Fig. 5.5.4
sobre los estados, lo que en la figura se representa en el
cambio de sentido en dkm).
Debe advertirse que la vía de solución expuesta requiere el sostenimiento de Skp
a lo largo del proceso de optimización de ambas ramas divergentes generadas;
esto es, en la etapa p se tiene FOp(Slp, Skp) y en ese momento se asigna el
subesquema ya tratado a la rama l1...ln, manejando Skp como un dato (Numérica-
mente, habrá que resolver para varios valores de Skp).Al final se tendrá FOl1(Sjl,
Skp), punto en el cual se comienza el tratamiento de la rama k, comenzando por la
etapa km, dejando a Skp como dato hasta obtener FOk1(Sjk,Skp).
239
Investigación Operativa II – Lucio Malásquez Ruiz
kr k1 kr k1
S kj S jk S kj S jk
j1 jp j1 jp
S j+1 S j+1
Fig. 5.5.5
La elección de Skj no es arbitraria, ya que se busca que el sistema ramificado
resultante sea divergente (Lo es en la etapa jp), por su mayor simplicidad en el
tratamiento posterior. De aquí que la inversión a la que se hiciese referencia
deberá privilegiar, otra vez y por la misma razón que antes, las decisiones por
sobre los estados.
El procedimiento a seguir en la optimización del esquema modificado presenta la
particularidad de que, por actuar Skj en dos puntos diferentes del mismo, el
tratamiento de la rama k1...kr deberá hacerse manteniendo a Skj como un dato;
más aún, esta caracterización se ha de prolongar hasta el momento de considerar
la etapa j1, punto en el cual, recién, se podrá tratar a Skj como una decisión.
El estudio de las técnicas de optimización es importante no sólo por la posibilidad
de resolver problemas que presentan determinadas características sino -lo que tal
vez sea más importante- porque su conocimiento permite estructurar los problemas
de forma tal que puedan ser utilizadas determinadas técnicas.
En la figura 5.5.6 se muestra la estructura de la red de intercambio analizada en
el capítulo de ordenamiento de cálculo.
240
Investigación Operativa II – Lucio Malásquez Ruiz
241
Investigación Operativa II – Lucio Malásquez Ruiz
242
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMAS DE CÁLCULO EN
VI
PROGRAMACIÓN DINÁMICA
Hasta ahora se han podido apreciar las ventajas de Programación Dinámica, al
reducir la dimensionalidad de los problemas y, consecuentemente, la
complejidad numérica de su tratamiento.
Pero esto no es gratuito: tal reducción exige resolver, repetidamente, cada uno
de los subproblemas que genera la estrategia de optimización.
Si el número de veces que hay que repetir la solución de los problemas es muy
grande, aun cuando el número de grados de libertad de cada uno, esto es, su
dimensionalidad, sea pequeño, bien podría suceder que resultase más sencillo
"olvidar" la estructura del diagrama de flujo de información, no aplicar
Programación Dinámica y resolver el caso por búsqueda simultánea, entendiendo
por esto el uso de cualquier técnica que aborde el tratamiento conjunto de las
variables de decisión.
Para lograr enfocar la cuestión desde un punto de vista analítico se requiere
contar con algún tipo de funcionalidad que vincule la dimensionalidad de un
problema con la dificultad de optimizarlo. Tales expresiones son, en rigor, de
dudosa generalidad para los métodos más difundidos.
Resulta posible, en cambio, establecer una cota superior a esta dificultad: basta
con tomar un método ineficiente de optimización, para el que sea posible
encontrar una funcionalidad del tipo buscado.
Un método que reúne estas características es el número de oro extendido a
multivariables, donde el número de cálculos a realizar para obtener el óptimo
de una función de t variables puede expresarse bajo la forma bt, siendo b una
constante que depende de la exactitud deseada.
rN r N -1 r2 r1
Volviendo al esquema general de la figura
5.1.1, supóngase que todas las etapas tienen
decisiones y estados de interconexión
S N +1 SN S N -1 S3 S2 S1 definidos por D y S variables,
respectivamente, estando fijo el estado a la
entrada al sistema.
dN d N -1 d2 d1
243
Investigación Operativa II – Lucio Malásquez Ruiz
PD b D ( N 1)a S 1 ; BS b ND
simultánea ΦBS han de ser siendo la relación entre ambos
PD
BS
b D ( N 1) ( N 1)a S 1
Fig. 5.6.1
Nótese que aquí no hay constancia en el número de variables por etapa, lo que
obliga a un análisis caso por caso.
244
Investigación Operativa II – Lucio Malásquez Ruiz
Pero estas dos no son las únicas estructuras posibles. Existe la alternativa de
apelar a estrategias mixtas: agrupar, por ejemplo, solo las dos primeras etapas,
o las dos últimas, como se indica en 5.6.1 (c) y (d). Para estos casos se tendrá
Φ1-[2-3] = 82 81 + 84 = 83 + 84
Φ [1-2]-3 = 83 83 + 82 = 86 + 82
lo que lleva a la conclusión de que la mejor estrategia resulta de considerar en
forma conjunta las etapas 2 y 3, agrupamiento que ha de formar parte de un
diagrama seriado con la etapa 1.
Resulta obvia la imposibilidad de efectuar este análisis en detalle para todos los
casos, donde, con seguridad, habrá que vérselas con diagramas de flujo, y
alternativas, por ende, de mayor complejidad.
Sería deseable contar con un criterio simple, que no se viese
afectado por las características estructurales del flujo de la
información. Es posible contar con tal criterio, al menos en lo
que concierne al agrupamiento de etapas.
En la figura 5.6.2 (a) se esquematiza un segmento, etapas i
y j, del diagrama de flujo genérico. Allí Si y di indican el
número de variables que componen el estado y la decisión
de la etapa, respectivamente.
Para estas dos etapas solamente, las estrategias posibles
son tratarlas en forma separada o agruparlas.
Fig. 5.6.2
Este análisis focalizado puede efectuarse, y sus conclusiones son válidas para
cuando se considera el segmento dentro del sistema total, por la estructura
matemática (suma de monomios) que posee la expresión que permite el cálculo
del grado de dificultad.
245
Investigación Operativa II – Lucio Malásquez Ruiz
Si d j
.. j i.. 8 8 S i 1 d i
S i 1 d i d j
. j i . 8
rel 8S i S i 1 d i 8 j
d
S j di
..k j i.. 8 8 S i1 d i
S i1 d i d j
k j i 8
S j dk
k . j i 8 8 S i1 d i
k j i 8 S i d k 8 S i1 d i
con lo que, como puede verse, siempre resulta conveniente el agrupamiento de j
con una etapa contigua, por lo menos para eliminar el estado de interconexión
definido por el mayor número de variables, Si o Sj, con independencia de que
convenga el tratamiento unificado de las tres etapas, lo que puede analizarse,
luego, con el criterio expuesto anteriormente.
El último caso de agrupamiento a considerar es el de pequeños reciclos.
Ya se ha visto que es posible aplicar Programación Dinámica a este tipo de
diagramas, aunque resulte bastante engorroso hacerlo.
De aquí que se pudiera pensar en un tratamiento conjunto de las etapas que se
encuentran involucradas en un reciclo de información.
246
Investigación Operativa II – Lucio Malásquez Ruiz
La dificultad relativa del tratamiento por separado de las, ahora, N-1 etapas
con respecto al enfoque simultáneo será
81 ( N 2)811 81
rel
8N
donde se ha tenido en cuenta la búsqueda para un solo valor del estado a la
entrada de la etapa N, en razón de ser algo común para ambas estrategias.
La expresión anterior resulta ser menor que la unidad para N mayor o igual que
4, por lo que, extendiendo el criterio a otros diagramas de flujo de información,
se puede plantear que reciclos con menos de cuatro variables involucradas
en las decisiones deben ser resueltos por búsqueda simultánea.
Estos criterios de agrupamiento de etapas deben constituir un paso previo a la
optimización efectiva del sistema, el que, en definitiva, debería realizarse de
acuerdo al siguiente esquema:
1.- Formulación matemática del problema
2.- Determinación de una estrategia de cálculo
3.- Construcción del diagrama de flujo de información
4.- Análisis de agrupamiento de etapas en el diagrama.
5.- Optimización efectiva del sistema.
En el desarrollo de la estrategia mixta, que presupone el quinto y último paso,
está implícita la selección del o de los métodos que resulten más adecuados para
llevar a cabo el proceso de optimización.
247
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 1
Encuentre el camino más corto desde el nodo 1 hasta el nodo 10 en la red mostrada en
la figura siguiente:
2 5
8
1 3 6
10
4 7
Descomponemos en etapas:
2 2 5 5
1 3 3 6 6 10
9
4 4 0
7 7
Etapa 4:
d(x4,x5) Solución
Óptima
X4 X5= 10 f4 (X4) X5*
8 3 3 10
9 4 4 10
248
Investigación Operativa II – Lucio Malásquez Ruiz
Etapa 3:
d(x3,x4)+f4(x4)
X3 X4= 8 X4= 9 f3(x3) X4*
5 1+3=4 3+4=7 4 8
6 6+3=9 3+4=7 7 9
7 3+3=6 3+4=7 6 8
Etapa 2:
min{d(x2,x3)+f3(x3)}
X X3=5 X3=6 X3=7 f2( X
2 x2 3
) *
2 7+4 4+7 6+6 11 5
=11 =11 =12 ,
6
3 0+4 0+7 0+6 4 5
=4 =7 =6
4 6+4 6+7 5+6 10 5
=10 =13 =11
Etapa 1:
min{d(x1,x2)+f2(x2)}
X X2=2 X2= X2=4 f1( X
1 3 x1 3
) *
1 2+11 4+4 3+10 8 3
=13 =8 =13
249
Investigación Operativa II – Lucio Malásquez Ruiz
EJERCICIOS
VII
PROBLEMA Nº 1
S1 = 4
S2 = S1-X1
S3 = S2-X2
250
Investigación Operativa II – Lucio Malásquez Ruiz
• ETAPA 3:
• ETAPA 2
• ETAPA 3
0 = P1(0) + f2*(4) = 55
4 3 = P1(3) + f2*(1) = 70
4 = P1(4) + f2*(0) = 50
251
Investigación Operativa II – Lucio Malásquez Ruiz
X1*= 2 S2 = S1 – X1 = 4 – 2 = 2
X2*= 1 S3= S2 – X2 = 2 – 1 = 1
X1*= 1
Por lo tanto, se asignara 2 operadores a la fábrica 1, 1 operador a la fábrica 2,
1 operador a la fábrica 3.
Se tiene una lista de ciudades con sus respectivas distancias en kilómetros, se nos pide
encontrar el camino mínimo o el camino con menor longitud entre la ciudad 1 y la 8.
Xn: ciudades que se pueden visitar
dn: ciudad que se decide visitar
rn: distancia en kilómetros
E3 E2 E1
9
15
2 10 5
7 5
8 7
9
3 7
1 6 8
8 14 14
5
4
7
Identificamos 3 etapas.
Etapa 1
X1 d1 r1 d1* r1*
5 8 15 8 15
6 8 7 8 7
7 8 14 8 14
252
Investigación Operativa II – Lucio Malásquez Ruiz
Etapa 2
X2 5 6 7 d2* r2*
2 9+15=24 10+7=17 5+14=19 6 17
3 8+15=23 7+7=14 6 14
4 14+7=21 5+14=19 7 19
Etapa 3
X3 2 3 4 d3* r3*
1 7+17=24 9+14=23 8+19=27 3 23
SOLUCIÓN:
Entonces la solución sería:
1 3 6 8
7 + 7 + 9 = 23 km
253
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
254
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 4
Cierto estudiante desea destinar los siete días de la semana próxima a estudiar cuatro
cursos. Necesita al menos un día para cada curso y el puntaje que puede lograr se da en
la siguiente tabla:
¿Cuantos días debe estudiar cada curso para lograr un puntaje?
255
Investigación Operativa II – Lucio Malásquez Ruiz
256
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 5
Una compañía ha recibido un pedido para surtir un solo artículo muy especial y de una
calidad tan rigurosa que es posible que el fabricante tenga que producir más de un
artículo para obtener uno aceptable. La probabilidad estimada para que sea aceptable
es 1/3 y de que sea defectuoso sin posibilidad de reparación 2/3. Por lo tanto la
probabilidad de producir cero artículos aceptables en un lote de tamaño L es (2/3)L.
Los costos marginales de producción son de $ 100 por artículo, incluso si es defectuoso
(los artículos en exceso no tienen valor). El costo de preparación es $ 200, cada vez que
se monte el proceso de producción de este artículo, el cual puede hacerlo como máximo
3 veces. Si no se ha obtenido un artículo aceptable al final de la tercera serie de
producción, el costo por ventas perdidas y de penalización será de $ 1500. El objetivo
es determinar la política referente al tamaño del lote para las series de producción de
manera de minimizar el costo total esperado.
SOLUCIÓN:
Dónde:
f*n (0) = 0 y S = 0 , cuando se ha obtenido en la etapa anterior un artículo aceptable,
por lo tanto f*n (0) = 0, en esta etapa no es necesario que se incurra en gastos
adicionales.
(Prob. de 0 art. acept. ( prob de 1 art. Acept.)
f*n (Sn,Xn) = K + Xn + (2/3)Xn fn + 1 (1) + ( 1- (2/3)Xn) fn + 1 (0)
257
Investigación Operativa II – Lucio Malásquez Ruiz
Dónde:
(1- (2/3)Xn) fn + 1 (0) = 0 costo marginal
Luego
f*n (1,Xn) = K + Xn + (2/3)Xn f*n + 1 (1).
Considerando $ 100 como unidad monetaria y definiendo
0 Si Xn = 0
K=
2 Si Xn 0 (costo de preparación)
Para n = 2:
F2(1, X2) = K + X2 + (2/3)X2 8 26/27
S2
0 1 2 3 4 f*2(1) X*2
/X2
0 0
8 8 7 7 7 7
1 3
26/27 79/81 239/243 478/729 1685/2187 478/729
Para n = 1
f1(1, X1) = K + X1 + (2/3)X1 7 478/729
S1 /X1 0 1 2 3 4 f*1(1) X*1
1 7.655 8.1 7.4 7.27 7.51 7.27 3
258
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 6
Una empresa ha contratado a tres personas para tres tareas, el máximo número de
personas asignadas por tarea son 2.
La utilidad de los trabajadores en cada tarea es:
Se nos pide a cuantas personas se debe asignar a cada tarea para maximizar la utilidad.
Tabla de 0 1 2
Utilidades personas persona personas
TAREA A 0 3 8
TAREA B 0 4 5
TAREA C 0 5 7
SOLUCIÓN:
1.- DEFINICIÓN DEL PROBLEMA:
Las Etapas: Son la asignación de trabajadores a cada tarea.
1° Etapa (n=1) Asignación de trabajadores a la TAREA A.
2° Etapa (n=2) Asignación de trabajadores a la TAREA B.
3° Etapa (n=3) Asignación de trabajadores a la TAREA C.
Los Estados: Número de trabajadores que todavía se pueden asignar en una etapa.
✓ en=0, No hay trabajadores disponibles en la tarea n.
✓ en=1, Hay un trabajador disponible en la tarea n.
✓ en=2, Hay dos trabajadores disponibles en la tarea n.
✓ en=3, Hay tres trabajadores disponibles en la tarea n.
Las Variables de Decisión: Número de trabajadores a asignar en cada Tarea.
▪ Xn=0, Asignar cero trabajadores en la tarea n.
▪ Xn=1, Asignar un trabajador en tarea n.
▪ Xn=2, Asignar dos trabajadores en tarea n.
259
Investigación Operativa II – Lucio Malásquez Ruiz
0 personas
1 persona
Estado
2 personas
3 personas
Análisis Etapa 3:
Para el caso de que dispongamos de 0 personas para asignar a la tarea “C” el beneficio
(ver tabla de utilidades para la tarea “C”) es “0”, por otro lado, es imposible asignar 1
o 2 personas si se dispone de 0 personas.
Para el caso de que dispongamos de 1 persona para asignar a la tarea “C”, la variable
de decisión puede tomar el valor “0” ó “1” y los beneficios (Ver tabla de utilidades para
la tarea “C”) serán “0” y “5” respectivamente, por otro lado si se dispone tan sólo de 1
persona para asignar es imposible asignar “2”.
De la misma manera se rellena el resto del cuadro.
0 personas 0 - -
1 persona 0 5 -
Estado
2 personas 0 5 7
3 personas 0 5 7
260
Investigación Operativa II – Lucio Malásquez Ruiz
1 persona 0 5 - 1 5
2 personas 0 5 7 2 7
Estado
3 personas 0 5 7 2 7
261
Investigación Operativa II – Lucio Malásquez Ruiz
2 personas 7 9 5 1 9
3 personas 7 11 10 1 11
262
Investigación Operativa II – Lucio Malásquez Ruiz
Análisis Etapa 1:
La etapa se caracteriza por tener la disponibilidad de las 3 personas ya que es el inicio
del proceso, al igual que en la etapa 2 debemos de considerar las etapas posteriores
que se resumen en la tabla anterior.
Como se dispone de tres personas para la realización de la tarea “A” tendremos tres
escenarios en total:
Primer escenario: si se decide asignar “0” personas para la tarea “A” se seguiría
disponiendo de 3 personas para la realización de la tarea “B” esto quiere decir
que debemos considerar el beneficio que nos reporta la asignación de “0”
personas en la tarea “A” (ver tabla de utilidades para la tarea “A”) y el beneficio
de asignar 3 persona a la tarea “B” (considérese la cantidad óptima y el beneficio
óptimo).
Segundo escenario: si se decide asignar “1” persona para la tarea “A” se seguiría
disponiendo de 2 personas para la realización de la tarea “B” esto quiere decir
que debemos considerar el beneficio que nos reporta la asignación de “1”
personas en la tarea “A” (ver tabla de utilidades para la tarea “A”) y el beneficio
de asignar 2 persona a la tarea “B” (considérese la cantidad óptima y el beneficio
óptimo).
Tercer escenario: si se decide asignar “2” persona para la tarea “A” nos quedaría
1 persona para la realización de la tarea “B” esto quiere decir que debemos
considerar el beneficio que nos reporta la asignación de “2” personas en la tarea
“A” (ver tabla de utilidades para la tarea “A”) y el beneficio de asignar 1 persona
a la tarea “B” (considérese la cantidad óptima y el beneficio óptimo).
Estos tres escenarios posibles se muestran en la siguiente tabla:
Variables de Decisión
Personas Rendimiento
Etapa 1
Óptimas Óptimo
0 personas 1 persona 2 personas
Variables de Decisión
Personas Rendimiento
Etapa 1
Óptimas Óptimo
0 personas 1 persona 2 personas
263
Investigación Operativa II – Lucio Malásquez Ruiz
Estado 3 personas 11 12 13 2 13
Estado 3 personas 11 12 13 2 13
0 personas 0 - - 0 0
1 persona 5 4 - 0 5
2 personas 7 9 5 1 9
Estado
3 personas 7 11 10 1 11
264
Investigación Operativa II – Lucio Malásquez Ruiz
0 personas 5 - - 0 0
1 persona 0 5 - 1 5
Estado
2 personas 0 5 7 2 7
3 personas 0 5 7 2 7
Tarea A 2
Tarea B 0
Tarea C 1
PROBLEMA Nº 7
El no asignar las cargas de fresas a un supermercado tiene valor asociado de cero dólares
al horizonte, porque se perderán.
265
Investigación Operativa II – Lucio Malásquez Ruiz
Etapa 3:
S \ X3 0 1 2 3 4 5 F3 X3
0 0 - - - - - 0 0
1 0 - - - - 4 1
2 0 4 9 - - - 9 2
3 0 4 9 13 - - 13 3
4 0 4 9 13 18 - 18 4
5 0 4 9 13 18 20 20 5
Etapa 2
S\X2 0 1 2 3 4 5 F2 X2
0 0+0=0 - - - - - 0 0
1 0+1=1 6+0=6 - - - - 6 1
Etapa 1
S\X1 0 1 2 3 4 5 F1 X1
5 0+24=24 5+20=25 6+15=21 14+11=25 17+6=23 21+0=21 25 1;3
266
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN ÓPTIMA:
SUPERMERCADO 1 SUPERMERCADO 2 SUPERMERCADO 3
1 2 2
3 2 0
PROBLEMA Nº 8
Suponga que hay 30 cerillas sobre una mesa. Yo empiezo eligiendo 1,2, ó 3 cerillas.
Luego mi contrincante debe recoger 1,2, ó 3 cerillas. Continuamos así hasta que la última
cerilla es recogida. El jugador que toma la última cerilla es el perdedor. ¿Puedo estar
seguro de mi victoria? Si es así ¿Cómo puedo hacerlo? Utilice el concepto de recursión
hacia atrás.
SOLUCIÓN:
Total, de cerillas = 30
Actividad
A 1
B 2,3,4
A 5
B 6,7,8
A 9
B 10,11,12
A 13
B 14,15,16
A 17
B 18,19,20
A 21
B 22,23,24
a 25
b 26,27,28
a 29
b 30
267
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 9
Un estudiante está llevando 3 cursos este semestre, y la fecha de los exámenes se acerca.
Él debe de planificar el tiempo que dedicará al estudio de cada curso de manera que
minimice la probabilidad de reprobar los cursos. La tabla muestra la probabilidad de
reprobar un curso dado el número de horas que ha dedicado al estudio de cada curso.
Horas Cálculo Estadística Optimización
0 0,80 0,75 0,90
1 0,70 0,70 0,70
2 0,65 0,67 0,60
3 0,62 0,65 0,55
4 0,60 0,65 0,50
SOLUCIÓN:
X0
X1
X2
X3= 4 Calculo Estatal Optimización
R3 R1
R2
268
Investigación Operativa II – Lucio Malásquez Ruiz
Etapa 1:
D1 0 1 2 3 4
r1(X1, D1) .1 g1(x1) D1*
0 0,9 - - - - 0,9 0
1 - 0,7 - - - 0,7 1
2 - - 0,6 - - 0,6 2
3 - - - 0,55 - 0,55 3
4 - - - - 0,50 0,50 4
Etapa 2:
D 0 1 2 3 4
2
R2(X2, D2) . g(X2 – D2) g2(x2 D2
) *
0 0,75*0,9 = - - - - 0,67 0
0,675 5
1 0,75*0,7 = 0,70*0,9=0, - - - 0,52 0
0,525 163 5
2 0,75*0,6=0,4 0,70*0,7= 0,67*0,9=0, - - 0,45 0
5 0,49 603
3 0,75*0,55=0, 0,70*0,6=0, 0,67*0,7=0, 0,63*0,9=0, - 0,41 0
4125 42 469 585 25
4 0,75*0,50=0, 0,70*0,55 0,67*0,60 0,65*0,7 0,65* 0,37 0
775 =0,395 =0,402 =0,455 0,9 5
=0,58
5
Etapa 3:
D 0 1 2 3 4
3
R3(X3, D3) . g(X3 – D3) g3(x D3
3) *
0 0,8*0,375= 0,7*0,412 0,65*0,45=0, 0,62*0,52 0,6*0,6 0,28 1
0,3 5= 0,288 29 5= 0,3255 75 = 8
0,405
• Cálculo = 1, Estadística = 0, Optimista= 3
269
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 10
Encuentre el camino más corto desde el nodo 1 hasta el nodo 10 en la red mostrada en
la figura siguiente:
2 5
8
1 3 6
10
4 7
Descomponemos en etapas:
2 2 5 5
8
8
1 3 3 6 6 10
9
9
4 4 0
7 7
Etapa 4:
d(x4,x5) Solución Óptima
X4 X5= 10 f4 (X4) X5*
8 3 3 10
9 4 4 10
270
Investigación Operativa II – Lucio Malásquez Ruiz
Etapa 3:
d(x3,x4)+f4(x4)
X3 X4= 8 X4= 9 f3(x3) X4*
5 1+3=4 3+4=7 4 8
6 6+3=9 3+4=7 7 9
7 3+3=6 3+4=7 6 8
Etapa 2:
min{d(x2,x3)+f3(x3)}
X2 X3=5 X3=6 X3=7 f2(x2) X3*
2 7+4=11 4+7=11 6+6=12 11 5,6
3 0+4=4 0+7=7 0+6=6 4 5
4 6+4=10 6+7=13 5+6=11 10 5
Etapa 1:
min{d(x1,x2)+f2(x2)}
X1 X2=2 X2=3 X2=4 f1(x1) X3*
1 2+11=13 4+4=8 3+10=13 8 3
PROBLEMA Nº 11
Jenny necesita aprobar por lo menos una de las 3 materias que está cursando este
semestre para graduarse en la universidad. Los cursos que toma son Francés, Alemán y
estadística. El horario tan apretado de las actividades extracurriculares de Jenny solo le
permite 4 horas de estudio a la semana. La probabilidad de que Jenny apruebe todos
los cursos depende de la cantidad de horas que ella ocupa en estudiar (ver tabla).
Determine cuantas horas por semana debe estudiar Jenny.
271
Investigación Operativa II – Lucio Malásquez Ruiz
SOLUCIÓN:
Etapas: hay 3 etapas
✓ Variables de decisión: xk= número de horas de estudio asignadas en cada curso.
✓ Variables de estado: yk = número de horas de estudio disponibles.
✓ Función de transformación: 𝑦𝑘+1 = 𝑦𝑘 − 𝑥𝑘
✓ Función de recursión = 𝐹𝑘 (𝑦𝑘 ) = 𝑀á𝑥{ 𝑔𝑘 (𝑥𝑘 ) ∗ 𝐹𝑘+1 (𝑦𝑘+1 ) }
✓ Condición de borde=
▪ 𝐹4 (𝑦4 ) = 1 𝐹4 (𝑦4 ) = 1
Etapa 3
y3 0 1 2 3 4 f3(y3) x3*
0 0.1 - - - - 0.1 0
1 0.1 0.3 - - - 0.3 1
2 0.1 0.3 0.4 - - 0.4 2
3 0.1 0.3 0.4 0.44 - 0.44 3
4 0.1 0.3 0.4 0.44 0.5 0.5 4
Etapa 2
y2 0 1 2 3 4 f2(y2) x2*
0.25*0.1 = - - - -
0 0.025 0.025 0
0.25*0.3 = 0.3*0.1= - - -
1 0.075 0.03 0.075 0
0.25*0.4= 0.3*0.3= 0.3*0.1= - -
2 0.1 0.09 0.033 0.1 0
0.25*0.44= 0.3*0.4= 0.33*0.3= 0.35*0.1= -
3 0.11 0.12 0.099 0.035 0.12 1
0.25*0.5= 0.3*0.44= 0.33*0.4= 0.35*0.3= 0.38*0.1=
4 0.125 0.132 0.132 0.105 0.038 0.132 1
ó
2
Etapa 1
y1 0 1 2 3 4 f1(y1) x1*
0.2*0.132= 0.3*0.12= 0.35*0.1= 0.38*0.07= 0.4*0.025=
4 0.0264 0.036 0.035 0.0285 0.01 0.036 1
Por lo tanto:
X1= 1, debe estudiar 1 hora de francés.
X2= 1, debe estudiar 1 hora de alemán.
X3= 2, debe estudiar 1 hora de estadística.
272
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 12
Se tiene el siguiente diagrama con las distancias en kilómetros y los caminos para ir de
una ciudad a otra, Determinar la ruta más corta para ir de la ciudad 1 a la 12 y realizar
el diagrama de las ciudades que debería visitar.
Solución:
273
Investigación Operativa II – Lucio Malásquez Ruiz
274
Investigación Operativa II – Lucio Malásquez Ruiz
PROBLEMA Nº 13
Un estudiante debe elegir diez cursos optativos de cuatro departamentos diferentes. Debe
seleccionar al menos un curso de cada departamento. Su objetivo es “repartir” sus diez
cursos en los cuatro departamentos, de tal manera que maximice sus “conocimientos” en
los cuatro campos. Comprende que si toma un cierto número de cursos en un departamento,
su experiencia sobre la materia no aumentara apreciablemente porque el material será
demasiado complicado para que lo comprenda o porque los cursos se repiten. Por
consiguiente, mide su capacidad de aprendizaje como una función del número de cursos
que toma en cada departamento en una escala de 100 puntos y produce el diagrama
siguiente. (Se supone que los agrupamientos de cursos satisfacen los prerrequisitos para
cada departamento.) Formule el problema como un modelo de programación dinámica
utilizando las ecuaciones recursivas de avance y de retroceso.
Número de cursos
Departamento 1 2 3 4 5 6 7 8 9 10
I 25 50 60 80 100 100 100 100 100 100
II 20 70 90 100 100 100 100 100 100 100
III 40 60 80 100 100 100 100 100 100 100
IV 10 20 30 40 50 60 70 80 90 100
SOLUCIÓN:
Datos:
✓ Total de cursos a seleccionar:10
✓ Objetivo: Maximizar conocimientos
✓ Restricción: debe seleccionar al menos un curso por departamento
Definiendo etapas:
▪ Etapa 1: Departamento IV
▪ Etapa 2: Departamento III
▪ Etapa 3: Departamento II
▪ Etapa 4: Departamento I
275
Investigación Operativa II – Lucio Malásquez Ruiz
ETAPA 1 Departamento IV
En esta etapa solo se toma los beneficios alcanzado, al elegir cuantos cursos se quiere
llevar en el departamento IV, pues no hay etapa anterior.
1 2 3 4 5 6 7 F(Xi) Xi
1 10 - - - - - - 10 1
2 10 20 - - - - - 20 2
3 10 20 30 - - - - 30 3
4 10 20 30 40 - - - 40 4
5 10 20 30 40 50 - - 50 5
6 10 20 30 40 50 60 - 60 6
7 10 20 30 40 50 60 70 70 7
ETAPA 3 Departamento II
Se toma en cuenta los beneficios de la primera segundo y tercera etapa, de manera
acumulativa, hasta el momento el beneficio máximo es 210.
Estos cuadros se han realizado tomando en cuenta el grafico inicial, en el cual se puede
observar que la cantidad máxima de cursos disponibles 7, y la cantidad mínima es 3, pues
se necesita como mínimo I en el departamento I, I en el departamento II, I en el
departamento III.
1 2 3 4 5 6 7 F(Xi) Xi
3 70 - - - - - - 70 1
4 90 120 - - - - - 120 2
5 110 140 120 - - - - 140 2
6 130 160 140 150 - - - 160 2
7 140 180 160 170 150 - - 180 2
8 150 190 180 190 170 150 - 190 2o4
9 160 200 190 210 190 170 150 210 4
276
Investigación Operativa II – Lucio Malásquez Ruiz
ETAPA 4 Departamento I
Aquí se obtiene el beneficio máximo, teniendo en cuenta todas las restricciones anteriores.
1 2 3 4 5 6 7 F(Xi) Xi
10 236 240 240 240 240 240 170 240 2,3,4
o5
Haciendo un análisis hacia atrás, vemos que existen 5 alternativas distintas que dan el
mayor grado de satisfacción.
DEPARTAMEN ALTERNATI ALTERNATI ALTERNATI ALTERNATI ALTERNATI
TOS VA 1 VA 2 VA 3 VA 4 VA 5
I 2 2 3 4 5
II 2 4 2 2 2
III 4 3 4 3 2
IV 2 1 1 1 1
PUNTAJE 240 240 240 240 240
TOTAL
Dando como resultado un puntaje máximo de 240 y para este resultado existen 5
alternativas distintas, mostradas en la tabla anterior.
PROBLEMA Nº 14
Cierto estudiante desea destinar los 7 días de la semana próxima a estudiar cuatro cursos.
Necesita al menos un día para cada curso y el puntaje que puede lograr se da en la
siguiente tabla.
¿Cuántos días debe dedicar a cada curso para lograr el mayor puntaje posible? Y ¿Cuál
sería ese puntaje?
Días Curso Curso Curso Curso
1 2 3 4
1 13 15 12 16
2 15 15 12 16
3 16 16 17 19
4 17 19 18 19
277
Investigación Operativa II – Lucio Malásquez Ruiz
Etapa 4:
1 2 3 4 X4* f4(S4)
1 16 - - - 16 1
2 16 16 - - 16 1,2
3 16 16 19 - 19 3
4 16 16 19 19 19 3,4
Etapa 3:
1 2 3 4 X3* f3(S3)
2 12 + 16 - - - 28 1
3 12 + 16 12 + 16 - - 28 1,2
4 12 + 19 12 + 16 17 + 16 - 33 3
5 12 + 19 12 + 19 17 + 16 18 + 16 34 4
Etapa 2:
1 2 3 4 X2* f2(S2)
3 15 + 28 - - - 43 1
4 15 + 28 15 + 28 - - 43 1,2
5 15 + 33 15 + 28 16 + 28 - 48 1
6 15 + 34 15 + 33 16 + 28 19 + 28 49 1
Etapa 1:
1 2 3 4 X1* f1(S1)
7 13 + 49 15 + 48 16 + 43 17 + 43 63 2
SOLUCIÓN:
El estudiante deberá dedicar al Curso 1: 2 días, al Curso 2: 1 día, Curso 3: 3 días y al
Curso 4: 1 día.
Teniendo como puntaje: 63 (promediado en 4 cursos 15,75 puntos)
278