Professional Documents
Culture Documents
II-321 Investigacin de Operaciones I Tercer Periodo 2012 0011 0010 1010 1101 0001 0100 1011
Horario: Lunes a Jueves 17-18horas
Curso Dictado por el Ing. Oscar Ren Aramb Coello e-mail: oarambu@yahoo.com Mvil: 9600-0785
SISTEMA DE EVALUACIN
La evaluacin del curso comprende todas las actividades que nos permitan determinar el grado de comprensin alcanzado por el estudiante, y estar determinado por:
30% corresponde a la resolucin de los problemas e investigaciones planteados durante el desarrollo del curso. 70% Presentacin de tres (3) exmenes parciales de evaluacin terica.
BIBLIOGRAFA
0011 0010 1010 1101 0001 0100 1011
Gould, F. J. Y Eppen, G. D. (2003) Investigacin de Operaciones en la Ciencia Administrativa. 5ta ed. Mxico: Prentice Hall.
BIBLIOGRAFA
0011 0010 1010 1101 0001 0100 1011
Hiller Frederick y Lieberinan Gerald. (1993) Introduccin a la Investigacin de Operaciones. 5 cd. Mexico: Mc Graw Hill.
BIBLIOGRAFA
0011 0010 1010 1101 0001 0100 1011
Davis Mark, Aquilano Nicholas, Chase Richard (2001) Fundamentos de Direccion de Operaciones 3ra. ed Espaa Mc Graw Hill
CONTENIDO PROGRAMATICO I
0011 0010 1010 1101 0001 0100 1011
LU 1 8 15 22 29
JU 4 11 18 25
VI 5 12 19 26
LU 5 12 19 26
NOVIEMBRE MA MI JU 1 6 7 8 13 14 15 20 21 22 27 28 29
LU 3 10 17 24 31
DICIEMBE MA MI JU 4 5 6 11 12 13 18 19 20 25 26 27
VI 7 14 21 28
VI 2 9 16 23 30
Feriados
Exmenes
Recuperacin Digitalizacion
Entrega Notas
GENERALIDADES
ORGANIGRAMA
Sueldo: Toma de Decisiones
0011 0010 1010 1101 0001 0100 1011
Gerente General
Gerente Operaciones
Gerente Produccin
Gerente Comercial
Gerente Financiero
Jefe de Logstica
Jefe de Mantenimiento
Seccin de Mecnica
Seccin Electricidad
Accin = Reaccin
Decisin Tomada
Responsabilidad
4
CULTURA DEL SILENCIO
Investigacin de Operaciones
0011 0010 1010 1101 0001 0100 1011
La Investigacin de Operaciones se ocupa de la resolucin de problemas relacionados con la conduccin y coordinacin de las operaciones o actividades dentro de una organizacin. Su mbito de aplicacin es muy amplio, aplicndose a problemas de fabricacin, transporte, construccin, telecomunicaciones, planificacin y gestin financiera, ciencias de la salud, servicios pblicos, etc. En general, puede aplicarse en todos los problemas relacionados con la gestin, la planificacin y el diseo.
Definicin
0011 0010 1010 1101 0001 0100 1011
La Investigacin de Operaciones incluye un conjunto muy amplio de tcnicas orientadas a proporcionar una ayuda cuantitativa a la toma de decisiones. El mtodo empleado es el mtodo cientfico, y las tcnicas que se utilizan son, en buena medida, tcnicas matemticas.
La Investigacin de Operaciones
Algunas aplicaciones
MODELO
0011 0010 1010 1101 0001 0100 1011
Representacin de la realidad
MODELO
0011 0010 1010 1101 0001 0100 1011
Representacin de la realidad
Mundo Real
Decisin ptima
Ajustes
Comparacin (+) o ( -)
Resultados
Implementacin
Tipos de Modelos
0011 0010 1010 1101 0001 0100 1011
Un Modelo es
TIPO
CARACTERSTICAS
Fsicos
Tangible Modelos a escala Fcil de comprender de aeroplanos, Difcil de duplicar casas,... y compartir
TIPO
CARACTERSTICAS
EJEMPLOS
Esquemtico
EJEMPLOS
Matemtico Intangible Modelo Difcil de comprender Algebraico Fcil de duplicar Modelo de y compartir la Economa Fcil de manipular Modelo de Muy Alta amplitud Programacin de uso Lineal
Min 20X11 + 30X12 + 10X21 + 40X22 Sujeta a: X11 + X12 = 200 X21 + X22 = 100 X11 + X21 = 150 X12 + X22 = 150 todas Xij 0
MODELAMIENTO MATEMATICO: Representar el sistema, mundo real o el problema a resolver en un lenguaje matemtico. INVESTIGACIN DE PERACIONES: Aplicacin del Mtodo Cientfico para la Toma de Decisiones
Modelo General
0011 0010 1010 1101 0001 0100 1011
Cuando la funcin objetivo y todas las Restricciones Son Lineales tenemos un Modelo de Programacin Lineal.
Para J = 1, 2, 3, . . . n
Ejemplos de Formulacin
1. Seor Gerente de Produccin de Inducalzado. Qu cantidad de cada estilo de calzado fabricar durante el mes de septiembre con el objeto de maximizar las utilidades?
Todos los costos de produccin, de materiales y costos fijos deben cubrirse con el efectivo disponible durante el mes que es de L16,560.
Satisfacer ciertos compromisos de demanda: 30 pares de estilo 1, 55 del estilo 2 y 32 del estilo 3.
Horas requeridas para fabricar cada estilo: 3.5hr de estilo 1, 2.5hr del estilo 2 y 2hr del estilo 3.
Coste de mano de obra = Lps 10.00/hr Unidades de Piel requeridas = Estilo 1, 3.25u; Estilo 2, 4.5u y del Estilo 3, 2u. Coste de la unidad de piel Lps 4.00/u Precio de venta = Estilo 1, Lps 60.00; Estilo 2, Lps 64.00 y del Estilo 3, Lps 50.00.
Variables de decisin
X1 = Nmero de pares de zapatos Estilo 1 que deben fabricarse y venderse durante el mes de septiembre. X2 = Nmero de pares de zapatos Estilo 2 que deben fabricarse y venderse durante el mes de septiembre.
X3 = Nmero de pares de zapatos Estilo 3 que deben fabricarse y venderse durante el mes de septiembre.
Max. Z = C1 X1 + C2 X2 + C3 X3 L = (L/par de zap. estilo 1) x (pares de zap. estilo 1) + (L/par de zap. estilo 2) x (pares de zap. estilo 2) + (L/par de zap. estilo 3) x (pares de zap. estilo 3) Clculo de C1
Max. Z = 12X1 + 21X2 +22X3 3.5X1 + 2.5X2 + 2.0X3 1,200 48X1 + 43X2 + 28X3 16,560
Sujeto a:
X1
X2
30
55 X3 32
X1, X2, X3 0
Algunas reflexiones
Hemos pasado de la definicin del problema a su formulacin matemtica. Error de especificacin, el error ms frecuente consiste en descuidar las limitaciones (restricciones, caractersticas de las variables, etc,)
0011 0010 1010 1101 0001 0100 1011
En el ejemplo anterior:
Las tres consideraciones anteriores nos llevan a lo que denominamos un problema de Programacin Lineal PL
Algunas reflexiones
El ejercicio anterior plantea un PROBLEMA DE 0011 0010 1010 1101 0001 0100 1011 DECISIN
Hemos tomado una situacin real y hemos construido su equivalente matemtico MODELO MATEMTICO
Durante la formulacin del modelo matemtico nosotros consideramos el mtodo cuantitativo que (esperanzadamente) nos permitir resolver el modelo numricamente ALGORITMO El algoritmo es un conjunto de instrucciones que siguiendo de manera gradual producen una solucin numrica
Dificultades
0011 0010 1010 1101 0001 0100 1011
Dificultades de este tipo de enfoques: Identificacin del problema (debemos ignorar partes o tratar el problema entero)
Eleccin del modelo matemtico adecuado as como el algoritmo adecuado para resolverlo (validacin del algoritmo) Dificultades en la implementacin Calidad de la solucin
Programacin Lineal
El seor Martnez tiene un pequeo camin de transporte con capacidad interior de 20pie3. Una reconocida empresa de la ciudad le ha contratado para hacer acarreos de mercaderas desde la planta de produccin a varios puntos de distribucin en la ciudad. La mercadera est empacada en cajas de 3 diferentes tamaos.
La ganancia por transportar cada tipo de caja es: Caja tipo 1 (1. pie3), L. 1,000 c/u Caja tipo 2 (1.2 pie3), L. 1,120 c/u Caja tipo 3 (0.8 pie3). L. 900 c/u
Cmo debe llenar el seor Martnez su camin para maximizar las ganancias en cada viaje que realice, si tiene que transportar como mnimo 8 cajas tipo 1 y 5 cajas tipo 3 en cada viaje ?
Definicin de Variables:
X1: Nmero de cajas tipo 1 transportadas en cada viaje X2: Nmero de cajas tipo 2 transportadas en cada viaje X3: Nmero de cajas tipo 3 transportadas en cada viaje
Medida de la eficiencia:
Funcin Objetivo: Ganancia total en Lempiras por el transporte de los 3 tipos de cajas en cada viaje. Max 1000X1 + 1120X2 + 900X3
Restricciones funcionales
R1: Capacidad del camin: 1X1 + 1.2X2 + 0.8X3 20 R2 : Mnimo de mercanca tipo 1: X1 8 R3 : Mnimo de mercanca tipo 3: X3 5
El Seor Suazo es el presidente de una firam de inversiones personales que maneja carteras de valores de cierto numero de clientes. Un cliente nuevo ha solicitado recientemente que la firma le maneje una cartera de L. 100,000. Al cliente le gustara limitar su cartera a una combinacin de las siguientes tres acciones:
Formule un PL para determinar cuantas acciones de cada clase debe comprar Suazo para su cliente.
2. Seores Fertica Qu cantidad de cada fertilizante fabricar durante el mes con el objeto de maximizar las utilidades? Sujeto a:
No asignar ms de 1,100 toneladas de nitrato, 1,800 toneladas de fosfato y 2,000 toneladas de potasio.
Variables de decisin X1 = Toneladas del fertilizante 5-5-10 que deben fabricarse. X2 = Toneladas del fertilizante 5-10-5 que deben fabricarse. Funcin objetivo Max. Z = C1 X1 + C2 X2
= L71.50
Costo del nitrato/ton. (0.05)($200/ton.) Costo del fosfato/ton. (0.05)($80/ton.) Costo del potasio/ton. (0.10)($160/ton.) Costo del barro/ton. (0.80)($10/ton.) Costo del mezclado/ton.
Costo total
Sujeto a:
No programar ms de 1,500 rims tipo 2 750 rims tipo 1 cualquier combinacin de ellos en el acabado, diariamente. No programar ms de 700 rims tipo 2 400 rims tipo 1 cualquier combinacin de ellos en el tratamiento especial, diariamente. No programar ms de 600 rims de cualquier tipo en el acabado final, diariamente.
Variables de decisin
X1 = Cantidad de rims tipo 1 a fabricar X2 = Cantidad de rims tipo 2 a fabricar Funcin objetivo Max. Z = C1 X1 + C2 X2 Max. Z = 30X1 + 19X2
Restriccin en el acabado
2X1 + X2 1,500
Restriccin en el tratamiento
7X1 + 4X2 2,800 Restriccin en el acabado final X1 + X2 600
Max. Z = 30X1 + 19X2 Sujeto a: 2X1 + X2 1,500 7X1 + 4X2 2,800 X1 + X2 600
X1, X2 0
Sujeto a:
No enviar ms de 150 tons. del distribuidor 1, 175 tons. del distribuidor 2 y 275 tons. del distribuidor 3. Enviar 200 tons. al proyecto 1, 100 tons. al proyecto 2 y 300 tons. al proyecto 3.
Variables de decisin
XIJ = Nmero de toneladas a enviar del distribuidor I al proyecto J. Funcin objetivo
Min. Z = 6X11 + 8X12 + 10X13 + 7X21 + 11X22 + 11X23 + 4X31 + 5X32 + 12X33
Restriccines de disponibilidad X11 + X12 + X13 150 X21 + X22 + X23 175
Sujeto a:
El contenido del elemento bsico A en el nuevo producto no sea menor de 5 lbs/ton. El contenido del elemento bsico B en el nuevo producto no sea menor de 100 lbs/ton. El contenido del elemento bsico C en el nuevo producto no sea menor de 30 lbs/ton.
Funcin objetivo
Min. Z = C1 X1 + C2 X2 + C3 X3 + C4 X4
$ = ($/ton. mina 1) x (% de la mina 1) + ($/ton. mina 2) x (% de la mina 2) + ($/ton. mina 3) x (% de la mina 3) + ($/ton. mina 4) x (% de la mina 4) Min. Z = 800X1 + 400X2 + 600X3 + 500X4
Restriccin de elemento bsico A 10X1 + 3X2 + 8X3 + 2X4 5 Restriccin de elemento bsico B
Ejemplo de la construccin de un modelo matemtico 0011 0010 1010 1101 0001 0100 1011
Una empresa produce dos juguetes: los osos Bobby y Teddy. Cada juguete requiere ser procesado en dos mquinas diferentes. La primer mquina tiene 12 horas de capacidad disponible y la otra tiene 8 horas de capacidad disponible por da.
Ejemplo de la construccin de un modelo matemtico 0011 0010 1010 1101 0001 0100 1011
Cada Bobby requiere 2 horas en cada mquina. Cada Teddy requiere 3 hrs. en la 1er mquina y 1 hr. en la otra. La ganancia incremental es de $6 por cada Bobby y de $7 por cada Teddy. Si puede vender toda su produccin, Cuntas unidades diarias de cada uno debe producir?
Ejemplo de la construccin de un modelo matemtico 0011 0010 1010 1101 0001 0100 1011
Se requiere formular: Variables de decisin y parmetros Restricciones Funcin Objetivo
2 Mq. 2 1 7
4
12 8
Capacidad
Ejemplo de la construccin de un modelo matemtico 0011 0010 1010 1101 0001 0100 1011
Restricciones Capacidad de la 1er. mquina 2B + 3T 12 Capacidad de la 2da. mquina 2B + T 8 Restricciones de no negatividad B 0, T 0
Ejemplo de la construccin de un modelo matemtico 0011 0010 1010 1101 0001 0100 1011
Funcin Objetivo: Maximizar: Z = 6B + 7T
PROCEDIMIENTO DE
RESOLUCIN GRFICA
0011 0010 1010 1101 0001 0100 1011
x2
2
x1
suj.a : - 2 x1 + x2 2
0011 0010 1010 1101 0001 0100 1011
- 2 x1 + x2 2
-1
suj.a: x1 - 2 x2 3
0011 0010 1010 1101 0001 0100 1011
-3/2
4
3
suj.a:
0011 0010 1010 1101 0001 0100 1011
x1 + 2 x2 5
x1 + 2 x2 = 5 Pasa por:
5/2
(0,5/2) y (5,0)
x1 + 2 x2 5
2
5
suj.a : - 2 x1 + x2 2 x1 - 2 x2 3
x1 + 2 x2 5 x1 0, x2 0
Puntos extremos
F
REGIN DE FACTIBILIDAD
z=0 3 x1 + 2 x2 =0
z=4 3 x1 + 2 x2 =4
0011 0010 1010 1101 0001 0100 1011
max z =3 x1 + 2 x2
z=9 3 x1 + 2 x2 =9
z =0
z =4
z =9
PTIMO
max z =3 x1 + 2 x2
0011 z (4, 1/2)=3.4+2 .(1/2)=13 0010 1010 1101 0001 0100 1011
x1 - 2 x2 = 3 x1 + 2 x2 = 5
P (4, 1/2)
PTIMO
max z =3 x1 + 2 x2 suj.a : - 2 x1 + x2 2 x1 - 2 x2 3
x1 + 2 x2 5 x1 0, x2 0
PTIMO
F
(0,0) z =0
(3,0) z =9
z* =13
(4, 1/2)
EJEMPLO 2
max x1 + 2 x2 suj.a : x1 + x 2 5 x1 0, x2 0
max x1 + 2 x2 suj.a : x1 + x 2 5
0011 0010 1010 0, x 0001 0100 1011 x 1101 0
1 2
(0,5)
2
(5,0)
max x1 + 2 x2 suj.a : x1 + x 2 5
0011 0010 1010 0, x 0001 0100 1011 x 1101 0
1 2
PTIMO (mximo)
(0,5)
z*=10 x* =0 x*2 =5 1
2
(5,0)
El mismo problema para el caso de 0011 0010 1010 1101 0001 0100 1011 minimizar la funcin objetivo
min x1 + 2 x2 suj.a : x1 + x 2 5 x1 0, x2 0
min x1 + 2 x2 suj.a : x1 + x 2 5
0011 0010 1010 0, x 0001 0100 1011 x 1101 0
1 2
(0,5)
PTIMO (mnimo)
2
(5,0)
EJEMPLO 3
max x1 + x2 suj.a : 2 x1 + x 2 2
0011 0010 10101 1101 2 1 0100 1011 x + 3x 0001
(0,2)
x1 0, x2 0
4
(1,0)
max x1 + x2 suj.a : 2 x1 + x 2 2
0011 0010 10101 1101 2 1 0100 1011 x + 3x 0001
(0,2)
PTIMO (mximo)
4
(1,0)
El mismo problema para el caso de 0011 0010 1010 1101 0001 0100 1011 minimizar la funcin objetivo
min x1 + x2 suj.a : 2 x1 + x 2 2 x 1 + 3x2 1 x1 0, x2 0
min x1 + x2 suj.a : 2 x1 + x 2 2
0011 0010 10101 1101 2 1 0100 1011 x + 3x 0001
(0,2)
4
(1,0)
EJEMPLO 4
_________________________________
max 4x1 + 2x2 suj.a : 2 x1 +3x 2 12 (0,4) + 4x20001 0100 1011 12 3x1 0011 0010 1010 1101 x1 0, x2 0
F=O
(0,3)
(4,0)
2
(6,0)
El problema no tiene solucin ptima 0011 0010 1010 1101 0001 0100 1011 porque la regin de factibilidad es el conjunto vaco (no hay soluciones factibles, la interseccin de las zonas sombreadas es vaca).
Esta situacin es independiente de la funcin objetivo; por tanto, en el caso de minimizar tampoco hay solucin ptima.
MTODO SIMPLEX
Ejemplo de Simplex:
0011 0010 1010 1101 0001 0100 1011
Vamos a resolver el siguiente problema: Maximizar Sujeto a: Z = f(x1,x2) = 3x1 + 2x2 2x1 + x2 18 2x1 + 3x2 42 3x1 + x2 24
x1 0 , x2 0
FORMA ESTANDAR:
0011 0010 1010 1101 0001 0100 1011
Maximizar 3 x1 + 2 x2 + 0u1 + 0u2 + 0 u3 s.a. 2x1 + x2 + u1 = 18 2x1 + 3x2 + u2 = 42 3x1 + x2 + u3 = 24 x1, x2, u1 , u2 , u3 0
4. Cumplimiento de propiedades
0011 0010 1010 1101 0001 0100 1011 Propiedad 1: Cada restriccin
debe contener una variable no negativa con el coeficiente mas uno (+1) y que esa variable debe aparecer solo en esa restriccin, la cual ser llamada variable marcada Propiedad 2: Seala que los valores del lado derecho de las restricciones de igualdad son no negativos.
Si estas propiedades se cumplen, los valores de las variables bsicas (es decir marcadas) sern el lado derecho y dado que son no negativas tendremos una solucin bsica factible con lo que se podr formular la tabla inicial
X1 3 2 2 3 0 3
X2 2 1 3 1 0 2
u1 0 1 0 0 0 0
u2 0 0 1 0 0 0
u3 Solucin 0 0 0 1 0 0
4
0
1
42 24
18
A. Para escoger la variable de decisin que entra en la base, (FLECHA ROJA PARTE SUPERIOR), observamos la ultima fila, 0011 0010 1010 1101 0001 0100 1011 la cual muestra los costos de oportunidad de las variables de la Funcin Objetivo y escogemos la variable con el coeficiente ms positivo.
En este caso, la variable x1 de coeficiente + 3.
Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige cualquiera de ellos.
0011 0010 1010 1101 0001 0100 1011
Si en la ltima fila no existiese ningn coeficiente positivo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex en caso de maximizacion, es que en los costos de oportunidad no hayan elementos positivos. La columna de la variable que entra en la base se llama columna pivote (en color azulado).
B. Para encontrar la variable de holgura que tiene que salir de la base, (FLECHA ROJA COSTADO IZQUIERDO) se divide cada 0011 0010 1010 1101 0001 0100 1011 trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, u3. Esta fila se llama fila pivote (en color azulado).
4
0
1
24
42
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. C. En la interseccin de la fila 0011 0010 1010 1101 0001 0100 1011 pivote y columna pivote tenemos el elemento pivote operacional, 3, este indica que la variable de decisin X1 entra y la variable de holgura u3 sale. 5. Encontrar los coeficientes para el nuevo tablero de simplex.
Los nuevos coeficientes de la fila pivote se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional 3, ya que este se debe convertir en +1.
A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de la columna pivote, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z.
Iteracin No. 2 (fase 2) X1 V/B u1 u2 X1 Zj Cj-Zj C/B 0 0 3 X2 u1 u2 u3 Solucin 2 26 8 Operacin f(u1) 2 f(X1) f(u2) 2 f(X1)
0
0 1 0 0 0
0
-2/3 -2/3 1/3 1
-1
24
(1/3) X1
Como en los elementos de los costos de oportunidad hay numeros positivos, + 1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:
0011 0010 1010 1101 0001 0100 1011
A. La variable que entra en la base es x2, por ser la columna pivote que corresponde al coeficiente +1 B. Para calcular la variable que sale o la fila pivote, dividimos los trminos de la columna solucin entre los trminos de la nueva columna pivote:
y como el menor cociente positivo es 6, tenemos que la fila pivote y la variable de holgura que sale es u1. C. El elemento pivote, que ahora hay que hacer 1, es 1/3. Y se opera de forma anloga a la anterior iteracin
Iteracin No. 2
X1 3 u1 u2 X1 Zj Cj-Zj 0 0 3 0 0 1 3 0 X2 2 1/3 7/3 1/3 1 1 u1 0 1 0 0 0 0 u2 0 0 1 0 0 0 u3 0 -2/3 -2/3 -1/3 1 -1 Solucin 2 26 8 Operacin 2/(1/3) = 6 26/(7/3) = 78/7
4
24
8/(1/3) = 24
2
0
-7
12
-1
3 0
2 0
3 -3
0 0
-1 1
4
30
Como en los elementos del costo de oportunidad hay uno positivo, +1; significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:
0011 0010 1010 1101 0001 0100 1011
A. La variable que entra en la base es u3, por ser la variable que corresponde al coeficiente +1
B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es u2.
Iteracin No. 3
X1 3 X2 2 u1 0 u2 0 u3 0 Solucin Operacin
No se toma por ser negativo
X2
u2 X1 Zj
2
0 3
0
0 1 3
1
0 0 2
3
-7 -1 3
0
0 0 0
-2
4 1 -1
6
12 6
12/4 = 3 6/1 = 6
Cj-Zj
-3
30
2
0
-1/2
-7/4
1/4
3/4
-1/4
Zj
5/4
1/4
-1
Cj-Zj
-5/4
-1/4
4
33
f(X1) f(S3)
Como todos los coeficientes del costo de 0011 0010 1010 1101 0001 0100 1011 oportunidad son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: X1 = 3 unidades, X2 = 12 unidades, V.O. = 33 unidades monetarias
Optimizacin en Ingeniera
Breve introduccin
El arte de modelar Qu es un modelo? Clases de Modelos 0011 0010 1010 1101 0001 0100 1011 El modelo matemtico: Funciones, variables y constantes Investigacin de Operaciones en Ingeniera Industrial Ejemplos de aplicacin de mtodos cuantitativos
Z = 3X DefinicionesMaxSujeto a:+ 2X
1
Decisiones cuantificables relacionadas unas con otras. Ejemplo: Cunto comprar, vender
La medida de efectividad compuesta expresada como una funcin de las variables de decisin. Puede ser Maximizar o Minimizar
Parmetros:
Valores constantes que actan como coeficientes al lado derecho de las variables tanto en la funcin objetivo como en las restricciones y que se basan en datos tecnolgicos de los problemas. Ejemplo fijar tasa inflacin
Restricciones:
Limitaciones impuestas sobre los valores de las variables de decisin, casi siempre en forma de ecuaciones o desigualdades. Pueden = / /
Modelos de Simulacin
0011 0010 1010 1101 0001 0100 1011
Tcnica en la cual se capturan las relaciones de causa y efecto de un sistema en un modelo realizado con un software, con el cual se puede generar un comportamiento muy cercano al del sistema real.
Simulacin
0011 0010 1010 1101 0001 0100 1011
Ventajas
Desventajas
Requiere recursos Grado entendimiento Requiere mucho dato Simula al hombre en parte Dependencia de datos Ms descriptivos que prescriptivos
Sistemas complejos No interrumpe lo real Estimula creatividad Ahorra dinero Reduce Riesgos Reduce tiempo prueba Facilita otras salidas Anlisis sensibilidad
Introduccin
0011 0010 1010 1101 0001 0100 1011
Ejemplos:
Variables de Decisin:
Medida del Desempeo: Objetivo:
Introduccin
0011 0010 1010 1101 0001 0100 1011
Variables de Decisin:
Objetivo:
Introduccin
0011 0010 1010 1101 0001 0100 1011
Variables de Decisin:
Cantidad de Fondos mantenidos en c/u de varias categorias (Efectivo, bonos, bolsa de valores etc... )
Costo de Oportunidad por mantener Activos Lquidos
Objetivo:
Introduccin
0011 0010 1010 1101 0001 0100 1011
Anlisis conceptual bsico Se hacen conjeturas y simplificaciones 3. Se hace una Formulacin Simblica
Introduccin
0011 0010 1010 1101 0001 0100 1011 Definir las
Variables de Decisin
Funcin Objetivo
x1 , x2 , . . . . xn
Maximizar min f( x1 , x2 , . . . . xn )
Sujeto a:
Restricciones
g1( x1 , x2 , . . . . xn ) b1
g2( x1 , x2 , . . . . . . . gm( x1 , x2 , . . . .
x1 , x2 , . . . . xn 0
4
xn ) b 2 . . . xn ) = b m
Introduccin
Cuando la funcin objetivo 0011 0010 1010 1101 0001 0100 1011 y todas las Restricciones Son Lineales tenemos un Modelo de Programacin Lineal.
Para J = 1, 2, 3, . . . n
PREGUNTAS?
0011 0010 1010 1101 0001 0100 1011
Descripcin general
0011 0010 1010 1101 0001 0100 1011
Conclusin