UNIVERSIDAD REAL

ANALISIS DE DECISIONES
ORIGENES

 La Revolución industrial hace la empresa

aumente de tamaño y se vuelva mas
compleja.
 Así los nuevos entes de la empresa tienden a
ser autónomos :

Lo que es mejor para un ente no

necesariamente lo es para otro.
 ORIGENES

 Se vuelve difícil asignar RR escasos a

diferentes actividades de manera eficaz y
eficiente:

 Este tipo de problemas originan la IO; es

aplicar el método científico a la
administración de empresas.
 ORIGENES

 Durante la 2da guerra mundial se vuelve

clave el saber asignar recursos en
operaciones militares, actividades deben
llevarse a cabo de forma eficaz y eficiente.
 Inglaterra y EEUU toman la delantera
Ej. código enigma, aviación, radares.
Teoría de juegos, etc.
 ORIGENES

 El problema de una guerra es básicamente lo

mismo que los enfrentados en actividades
industriales-empresariales; pero en diferente
contexto.
 Distribuir, balancear: obj1
 Soldados
Costos,
 Municiones distancias, obj3
posiciones
 Barcos
 Aviones obj 2
 ORIGENES

 Avances técnicos:

a) Simplex 1947 George Dantzing, muchas

técnicas de manejo de inventarios, líneas de
espera, programación dinámica adquirieron
sentido y aplicación practica
b) El advenimiento de la computación facilito
estos avances
c) Software curso
 ORIGENES

 Ámbito de aplicación:
 Manufactura
 Construcción
 Telecomunicaciones
 Planeación financiera
 Cuidado de la salud
 Milicia
 Servicios públicos, etc.
 ORIGENES

 Uso del método Científico:

 Observación
 Formulación del problema
 Recolección de datos
 Construcción del modelo matemático
 Hipótesis y conclusiones que se puedan
aplicar al problema real
 Experimentación para validar el modelo
 FINALIDAD IO

Busca resolver los conflictos

dentro la empresa, intereses de
sus componentes para que todo
esfuerzo sea consistente con TODA
LA ORGANIZACIÖN y no solo con
un solo componente, todo el
conjunto debe mejorar.
 ANALISIS DE DECISIONES

BUSCA LA SOLUCION OPTIMA, IDENTIFICA

EL MEJOR CURSO DE ACCION POSIBLE

BUSQUEDA DE OPTIMALIDAD
Y ENFOQUE DE EQUIPO
 IMPACTO IO

 Mejoramiento dela eficiencia

 Incremento de la productividad
 Analistas de IO ( profesión nueva,
especialidad)
 Busque empresas que hayan aplicado
investigación de operaciones analice sus
impactos en términos de eficiencia,
ganancias.
DEFINICION

 La Investigación de Operaciones (IO) o

Investigación Operativa, es una rama de
las matemáticas que utiliza modelos y
algoritmos matemáticos, con el objetivo
de tomar decisiones de manera efectiva y
eficiente dentro de una organización.
MODELOS DE INVESTIGACION DE
OPERACIONES
La IO dentro de las Organizaciones

Recurs Recurs
os os
Financi Human
eros os

Planes
de
OPTIMIZA:
Marketi
ng

Asigna
ción de
Recurs
os
La IO dentro de las Organizaciones

Administra, coordina y controla

La IO dentro de las Organizaciones

Determina las unidades a

producir, a partir de una
disponibilidad en tiempo y
materia prima.

Determina el correcto sistema de

distribución de los productos
desde las fábricas (origen) hacia
las sucursales (destinos).
La IO dentro de las Organizaciones

Elabora un plan de producción, balanceando la oferta y la

demanda, de manera que se satisfaga adecuadamente
las variables que intervienen en los mismos procesos
para así aumentar la utilidad y producción.
Conclusión

La IO se enfoca principalmente en determinar la mejor

solución para un problema de decisión, con la restricción
de recursos limitados. La toma de decisiones en problemas
reales dentro de una organización es altamente compleja
sobre todo porque en algunas ocasiones se involucran un
gran número de variables.

El propósito de la Investigación de Operaciones consiste

en preparar y capacitar al profesional para decidir entre
diferentes medios, técnicas y/o métodos disponibles una
mejor solución, de modo que se alcance un resultado
óptimo de producción y distribución que genere mayores
utilidades dentro de la empresa u organización.
 TEMA 1 MODELADO

1. DEFINICION DEL PROBLEMA

2. FORMULACION DEL MODELO
3. DESARROLLO DEL PROCEDIMIENTO
4. PRUEBA DEL MODELO Y
MEJORAMIENTO
5. PREPARACION PARA SU APLICACIÓN
6. PUESTA EN MARCHA
DEFINICION DEL PROBLEMA
 Se debe identificar que es lo que se va a
resolver cual es el problema real que impide
la unificación de esfuerzos dentro la empresa.
 Se debe buscar maximizar ganancias a largo
plazo.
 Si algo se puede medir y observar se puede
mejorar, se debe tener especial cuidado en
identificar el problema.
FORMULACION DEL MODELO
 Un modelo es un representación de la
realidad, idealiza la realidad:
 Ej.: Un modelo de avión, prototipos
 Un modelo debe facilitar su estudio, su
análisis.
 Se debe tener en cuenta que al modelar se
debe recolectar información relevante,
suponer algunos parámetros y no perder de
vista el objetivo global.
 MODELADO

En IO se tendrán:
 Variables de decisión x1, x2, x3, x4,…….xn
 Medida de desempeño adecuada:
Maximización o minimización
 Función objetivo: ecuación a maximizar o
minimizar : Max Z= 3x1+5x2
 Restricciones: son las limitaciones del
problema: como ser mano de obra, materia
prima, demanda mínima 3x1+5x2≤ 300 hrs
 MODELADO

 Parámetros del modelo: son las constantes

de las inecuaciones que se forman al elaborar
las restricciones.

 Los parámetros son los números que verifican

las limitaciones del problema y su análisis se
denomina “análisis de sensibilidad”.
 Estos son las restricciones de tiempo,
espacio, dinero, personal, materia prima, etc.
Ej. MODELADO
 DESARROLLO DEL PROCEDIMIENTO

 Consiste en desarrollar un algoritmo es decir

un proceso iterativo de solución, la IO busca
esa solución optima.
 Se debe satisfacer y optimizar
 “ optimizar es la ciencia de lo absoluto;
satisfizar es el arte de lo factible”.
 Satisfizar= satisfacer y optimizar al mismo
tiempo
 PRUEBA DEL MODELO Y MEJORAMIENTO

 Es análogo al desarrollo de un programa de

computación, al hacerlo correr se hallan
fallas, parámetros mal estimados, así el
modelo debe probarse y corregir dichas
fallas.
 Al realizar esto se corrige el modelo se
resuelven inconsistencias.
PREPARACION PARA SU APLICACIÓN

 Este paso da lugar a la inserción de la

informática y ofimática para aplicar estos
avances por medio de programas integrados,
bases de datos, sistemas de información
administrativa, interfaz.
 IBM utiliza el Optimizer
 Módulos: pronósticos, sistemas de
decisiones, sistema de administración de
inventarios, etc.
 PUESTA EN MARCHA

 Se evalúa los beneficios del estudio.

 La gerencia operativa debe:
√ Capacitar al personal involucrado
√ Documentar
√ Seguimiento
√ Sigilo industrial
 DIAGRAMA
MODELO
MODIFICADO

N
O

DESARROLL
O DEL
¿ES
DEF. MDELO RESOLUC VALIDA
SOLUCIO
PROBLEM MATEMATIC ION DEL LA
O- N
A MODELO SOLUCIO
RECOLECCIO
N DE DATOS N?

S
I

IMPLEMENTACION
 Ejemplo Modelado

 Mark un graduado de adm. De empresas que

ingreso a trabajar en una compañía de Wall
Street.
 Uno de los beneficios es su plan de retiro al
que el empleado pone el 5% de su ingreso
mensual.
 Así la compañía invierte este dinero en dos
fondos, uno de acciones y otro de bonos
 Ejemplo Modelado

 El depto. De beneficios le indica a Mark que

especifique la fracción de dinero que
destinara a cada fondo.
 Mark analizo el rendimiento de dichos fondos
y evidencia que el fondo de acciones crece al
10% anual frente a un 6% del fondo de bonos.
 Para diversificar su cartera y controlar el
riesgo, no va poner todo en una sola opción
así que se identifica 2 pautas:
 Ejemplo Modelado

1. Ninguno de los fondos debe tener mas del

75% de la in versión total.
2. La cantidad invertida en el fondo de
acciones no debe exceder el doble invertido
en el fondo de bonos.
bajo esas condiciones se dan múltiples
combinaciones posibles 50-50; 60%
acciones y 40% en bonos, etc.
Se pide hallar la mejor forma de inversión.
 Ejemplo Modelado

1. Definir variables de decisión

Cantidades cuyo valor se puede
controlar y se deben determinar para
hallar la solución al problema, son las
incógnitas a hallar.
Xa =fracción por invertir en acciones
Xb =fracción por invertir en bonos
son variables controlables
 Ejemplo Modelado

Como se busca maximizar el retorno anual y

satisfacer las pautas de inversión, se pasa a
construir nuestra función objetivo.
2. Función Objetivo: objetivo global del
problema de decisión expresado en forma
matemática en términos de datos y de las
variables de decisión.
 Maximizar ganancias
 Minimizar costos
 función objetivo

 Maximizar

 Max Z= ganancia en acciones mas ganancias

en bonos
Max Z= Xa + Xb
Aun el modelo no esta completo falta incluir el
rédito que se tiene como dato del problema

Max Z= 0,1 Xa + 0,06 Xb

 Ejemplo Modelado

3. Restricciones o limitantes
Son restricciones sobre las variables en un
modelo matemático, impuesto por
condiciones externas:
a) Ningún fondo debe tener mas del 75% de la
cantidad total invertida, así Xa y Xb deben
ser cada una menor o igual A 0,75, así:
Xa ≤ 0,75 (fondo de acciones)
Xb≤0,75 (fondo de bonos)
 Ejemplo Modelado

b) La cantidad invertida en el fondo de acciones no

debe exceder del doble de la fracción invertida en
el fondo de bonos.
Xa≤ 2 Xb (mezcla de cartera)
Xa -2 Xb≤O
Por ultimo se define que todas las variables
deben ser mayores a cero, es decir no
pueden ser valores negativos
Xa, Xb ≥ O
 Ejemplo Modelado

 Esto se resume en:

 Max Z= 0,1 Xa + 0,06 Xb
 Sujeto a:
Xa ≤ 0,75 (fondo de acciones)
Xb≤0,75 (fondo de bonos)
Xa -2 Xb≤ O (mezcla de cartera)
Xa, Xb ≥ O
4. Datos o Parámetros: información conocida en el
problema, que no se puede controlar.
 Ejemplo Modelado

 Usando el software

Xa = 0,75 fracción por invertir en acciones

Xb = 0,75 fracción por invertir en
bonos

Esta solución no tiene sentido no podemos

invertir 75% al mismo tiempo.
 Ejemplo Modelado

 Validación: es revisar la solución del modelo

para asegurar que los valores tengan sentido
y que las decisiones resultantes puedan
llevarse a cabo.
1. El modelo debe captar todas las limitaciones
del problema real
2. Se puede haber omitido ciertos aspectos
3. Los datos pueden haberse estimado
erróneamente.
 Ejemplo Modelado

 En el ejemplo no se puede invertir 75% de

nuestras disponibilidades al mismo tiempo en
ambos fondos.
 Se concluye que OMITIMOS una restricción:

X a + Xb = 1
La cantidad emitida en acciones y en bonos
debe totalizar la cantidad total invertida
como es una fracción %+%= 100%
 Ejemplo Modelado

 Modificado:
 Max Z= 0,1 Xa + 0,06 Xb
 Sujeto a:
Xa ≤ 0,75 (fondo de acciones)
Xb≤0,75 (fondo de bonos)
Xa -2 Xb≤ O (mezcla de cartera
Xa + Xb = 1
Xa, Xb ≥ O
Solución: Xa = 0,667 y Xb = 0,3333
 TEMA 2

COSTRUCCION
DE MODELOS
CONSTRUCCION DE MODELOS

 La formulación del problema es el proceso de

convertir la descripción cualitativa de un
problema (enunciado) a una forma
matemática bajo 4 pasos:
1. Identificar variables de decisión
2. Identificar los datos del problema
3. Identificar la función objetivo
4. Identificar las restricciones
 Construcción de modelos

El modelo de programación lineal, como en

cualquier modelo de investigación de
operaciones, tiene tres componentes básicos.
 1. Las variables de decisión que se trata de
determinar.
 2. El objetivo (la meta) que se trata de
optimizar.
 3. Las restricciones que se deben satisfacer.
Ejemplo 1

Reddy Mikks produce pinturas para

interiores y exteriores, M1 y M2.
Una encuesta de mercado indica que
la demanda diaria de pintura para
interiores no puede ser mayor que 1
tonelada más que la de pintura para
exteriores.

También, que la demanda máxima

diaria de pintura para interiores es de
2 toneladas.

Reddy Mikks desea determinar la

mezcla óptima (la mejor) de
productos para exteriores y para
interiores que maximice la utilidad
diaria total.
 Reddy Mikks

 Para el problema de Reddy Mikks, se necesita

determinar las cantidades a producir de
pinturas para exteriores e interiores. Así, las
variables del modelo se definen como sigue:
x1 = Toneladas producidas diariamente, de
pintura para exteriores
x2 = Toneladas producidas diariamente, de
pintura para interiores
 Reddy Mikks

 Para formar la función objetivo, la empresa

desea aumentar sus utilidades todo lo
posible.
Si Z representa la utilidad diaria total (en miles
de dólares), el objetivo de la empresa se
expresa así:

Maximizar z = 5x1 + 4x2

 Reddy Mikks

 A continuación se definen las restricciones

que limitan el uso de las materias primas y la
demanda. Las restricciones en materias
primas se expresan verbalmente como sigue:
Según los datos del problema:

Uso de una materia prima Disponibilidad máxima

para ambas pinturas ≤ de materia prima
 Reddy Mikks

 Uso de la materia prima M1, por día = 6x1 +

4x2 toneladas
 Uso de la materia prima M2, por día = 1x1 +
2x2 toneladas
 Ya que la disponibilidad de las materias
primas M1 y M2 se limita a 24 y 6 toneladas,
respectivamente, las restricciones
correspondientes se expresan como sigue:
 Reddy Mikks

6x1 + 4x2 ≤ 24 (Materia prima M1)

x1 + 2x2 ≤6 (Materia prima M2)
 La primera restricción de la demanda indica que la
diferencia entre la producción diaria de pinturas para
interiores y exteriores, x2 - x1, no debe ser mayor
que 1 tonelada, y eso se traduce en x2 - x1 ≤ 1.
 La segunda restricción de la demanda estipula que la
demanda máxima diaria de pintura para interiores se
limita a 2 toneladas, y eso se traduce como x2 ≤ 2 .
 Reddy Mikks

 Una restricción implícita (o “que se

sobreentiende”) es que las variables y no
pueden asumir valores negativos. Las
restricciones de no negatividad expresan
ese requisito.

x1 ≥ 0, x2≥ 0
Reddy Mikks
1. Problema de producción
 Un taller tiene tres (3) tipos de máquinas A, B y C;
puede fabricar dos (2) productos 1 y 2, todos los
productos tienen que ir a cada máquina y cada uno
va en el mismo orden: Primero a la máquina A, luego
a la B y luego a la C. La tabla siguiente muestra:
 1. Las horas requeridas en cada máquina, por unidad
de producto
 2. Las horas totales disponibles para cada máquina,
por semana
 3. La ganancia por unidad vendida de cada producto
Problema de producción
 Problema de producción

 bbgh
Problema de producción
Problema clásico del transporte

 Un fabricante tiene tres centros de distribución

en: Bogotá, Medellín y Cali. Estos centros tienen
disponibilidades de: 20, 40 y 40 unidades
respectivamente. Sus detallistas requieren los
siguientes cantidades: Pereira 25, Tulúa 10,
Anserma 20, Ibagué 30 y Armenia 15. El costo de
transporte por unidad en pesos entre cada
centro de distribución y las localidades de los
detallistas se dan en la siguiente tabla:
Problema clásico del transporte
Problema clásico del transporte
Problema clásico del transporte
 El problema de asignaciones

 Se usan cuatro barcos cargueros para transportar

bienes de un puerto a otros cuatro puertos
(numerados 1,2,3 y 4). Se puede usar cualquier
barco para hacer cualquiera de los cuatro viajes.
Sin embargo, dadas algunas diferencias entre los
barcos y las cargas, el costo total de cargar,
transporte y descargue de bienes para las
distintas combinaciones de barcos y puertos varia
mucho. Estos costos se muestran el la siguiente
tabla:
El problema de asignaciones
El problema de asignaciones
 PROTRAC, INC.
 PROTRAC, Inc. produce dos líneas de maquinaria pesada. Una de sus
líneas de productos, llamada equipo de excavación, se utiliza de manera
primordial en aplicaciones de construcción. La otra línea, denominada
equipo para la silvicultura, está destinada a la industria maderera. Tanto
la máquina más grande de la línea de equipo de excavación (la E-9),
como la mayor de toda la línea de equipo para la silvicultura (la F-9) son
fabricadas en los mismos departamentos y con el mismo equipo.
Empleando las proyecciones económicas correspondientes al siguiente
mes, el gerente de mercadotecnia de PROTRAC ha considerado que
durante ese periodo será posible vender todas las E-9 y F-9 que la
compañía sea capaz de producir. La gerencia tiene que recomendar
ahora una meta de producción para el mes próximo. Es decir, ¿cuántas E-
9 y F-9 deberán fabricar si la dirección de PROTRAC desea maximizar la
contribución del mes entrante a las ganancias
 PROTRAC, INC. datos
1. El margen de contribución unitaria de PROTRAC es de
$5000 por cada E-9 vendida y de $4000 por cada F-9.
2. Cada producto pasa por las operaciones de maquinado, tanto
en el departamento A como en el B.
3. Para la producción correspondiente al mes próximo, estos
dos departamentos tienen tiempos disponibles de 150 y 160
horas, respectivamente.
La fabricación de cada E-9 requiere 10 horas de maquinado en
el departamento Ay 20 horas en el departamento B, mientras
que la de cada F-9 requiere 15 horas en el departamento A y
10 en el B. Estos datos aparecen resumidos en la tabla 3.1.
 PROTRAC, INC.

4. Para que la administración cumpla un acuerdo

concertado con el sindicato, las horas totales de trabajo
invertidas en la prueba de productos terminados del siguiente
mes no deben ser más allá del 10% inferior a una meta
convenida de 150 horas. Estas pruebas se llevan a cabo en
un tercer departamento y no tienen nada que ver con las
actividades de los departamentos A y B. Cada E-9 es
sometida a pruebas durante 30 horas y cada F-9 durante 10.
Dado que el 10% de 150 es 15, las horas destinadas a las
pruebas no pueden ser menores que 135.
Esta información se resume en la tabla 3.2.
 PROTRAC, INC.

5. Con el fin de mantener su posición actual en el

mercado, la alta gerencia ha decretad como
política operativa que: deberá construirse cuando
menos una F-9 por cada tres E-9 que sean
fabricadas.
6. Uno de los principales distribuidores ha ordenado
un total de cuando menos cinco E-9 y F-9 (en
cualquier combinación) para el próximo mes, por
lo cual tendrá que producirse por lo menos esa
cantidad.
PROTRAC, INC.
 PROTRAC, INC.

 E = cantidad de E-9 por producir

 F = cantidad de F-9 por producir
 ASTRO Y COSMO (UN PROBLEMA
DE MEZCLA DE PRODUCTOS)
 Una compañía fabricante de TV produce dos
modelos de aparatos televisores, el Astro y el
Cosmo.
 Hay dos líneas de producción, una para cada
modelo, e intervienen dos departamentos en
la producción de cada modelo. La capacidad
de la línea de producción del Astro es de 70
aparatos de TV por día.
 ASTRO Y COSMO

 La capacidad de la línea Cosmo es de 50

televisores diarios. En el departamento A se
fabrican los cinescopios. En este departamento,
se requiere una hora de trabajo para cada
modelo Astro y dos horas de trabajo para cada
aparato Cosmo.
 En la actualidad, puede asignarse un máximo de
120 horas de trabajo diarias para la producción de
ambos tipos de aparato en el departamento A.
 ASTRO Y COSMO

 En el departamento B se construye el chasis.

Aquí se requiere una hora de trabajo para
cada televisor Astro y también una hora para
cada modelo Cosmo. Actualmente se pueden
asignar 90 horas de trabajo al departamento
B para la producción de ambos modelos. La
contribución a las ganancias es de 20 y 10
dólares, respectivamente, por cada televisor
Astro y Cosmo.
 ASTRO Y COSMO

 Si la compañía sabe que podrá vender todos

los aparatos Astro y Cosmo que sea capaz de
fabricar,
¿cuál deberá ser el plan de producción por día
(es decir, la producción diaria) para cada
modelo?
ASTRO Y COSMO
ASTRO Y COSMO
MEZCLA DE ALIMENTOS
(UN PROBLEMA DE MEZCLA)

 Una lata de 16 onzas de alimento para perro debe contener,

cuando menos, las siguientes cantidades de proteínas,
carbohidratos y grasas: proteínas, 3 onzas; carbohidratos, 5
onzas; grasas, 4 onzas.
 Es necesario mezclar distintas proporciones de 4 tipos de
alimentos a fin de producir una lata de comida para perro, con el
mínimo costo, que satisfaga este requerimiento. La tabla 3.8
muestra el contenido y precio de 16 onzas de cada una de las
diferentes mezclas de alimentos.
Formule este problema de mezcla de alimentos SUGERENCIA:
haga que Xi represente la proporción de alimento i por cada lata de
 comida para perro, i = 1, 2, 3, 4.
MEZCLA DE ALIMENTOS
MEZCLA DE ALIMENTOS
TEMA 3 ENFOQUE GRAFICO

INTRODUCCIÓN
 La geometría en dos dimensiones puede usarse
como un sistema gráfico para ilustrar muchos
elementos importantes de los modelos de PL y la
forma en que son optimizados con algún software.
 Aun cuando la geometría en dos dimensiones
representa un caso muy especial, es fácil trabajar con
ella y muchos conceptos generales que se aplican a
modelos de mayor número de dimensiones pueden
expresarse con imágenes bidimensionales.
 ENFOQUE GRAFICO

GRAFICACIÓN DE DESIGUALDADES
 Paso 1: Gráfico de la igualdad
 Paso 2: Escoja un punto de prueba
 Paso 3: Resuelva la expresión del lado
izquierdo
 Paso 4: Determine si el punto de prueba
satisface la desigualdad.

 Ej.: 2x2- x1= -2

ENFOQUE GRAFICO
 ENFOQUE GRAFICO

 Este método consiste en graficar las

restricciones que constituyen en desigualdades.
 Ya graficadas se analiza el área en común donde
todas las restricciones se cumplen.
 Ver el polígono formado y analizar los vértices.
 Este método solo funciona con 2 variables de
decisión es decir en el plano de 2 dimensiones,
es decir con 2 incógnitas.
ENFOQUE GRAFICO ejemplo
ENFOQUE GRAFICO
 ENFOQUE GRAFICO
 Región Factible
El conjunto de todos los valores no negativos de las
variables de decisión que satisfacen todas las
restricciones en forma simultánea se conoce como
el conjunto restringido o la región factible.
 Solución factible o decisión factible.
Cualquier plan de producción (es decir, cualquier par
de valores de [E, F]) que satisfaga todas las
restricciones, incluidas las condiciones de no
negatividad.
ENFOQUE GRAFICO

REGION FACTIBLE
 ENFOQUE GRAFICO

 Los vértices que forman parte de la región

factible son los puntos extremos que
debemos estudiar, uno de ellos será un punto
que maximice o minimice la función objetivo;
también se llaman puntos extremos que son
las esquinas de una región factible, hallar
esas esquinas es solo resolver un sistema de
lineal de 2 ecuaciones.
 ENFOQUE GRAFICO

 1. Cambie la desigualdad por una igualdad.

 2. Trace el gráfico de la igualdad.
 3. Identifique el lado correcto para la
desigualdad original.
Una vez que haya realizado los pasos 1, 2 y 3
para cada restricción, podrá observar que el
conjunto factible es la región que s encuentra
simultáneamente en el lado correcto de todas
las rectas.
 ENFOQUE GRAFICO

Como éste es un modelo para maximizar las ganancias, debemos

encontrar una alternativa de producción válida que asigne el más alto
valor posible a la función objetivo
contribución a las ganancias = 5000E +4000F
 ENFOQUE GRAFICO
Observe el comportamiento de la recta de ganancia que la movemos
arbitrariamente desde 20000 a 32000, son líneas paralelas
 ENFOQUE GRAFICO

 BÚSQUEDA DE LA SOLUCIÓN ÓPTIMA

 ENFOQUE GRAFICO

 En la figura usted podrá ver que la solución

óptima se presenta en la intersección de las
dos rectas de restricción.

 Resolviendo tenemos E = 4.5. Este valor de E

puede introducirse, a su vez, en cualquiera de
las ecuaciones originales, con lo cual se
obtiene F = 7.
 ENFOQUE GRAFICO

 máxima contribución a las ganancias :

Z= 5000E* +4000F*
5000(4.5) +4000(7) =22,500+ 28,000= 50,500
 Éste es el valor del contorno de ganancia
máxima que se conoce como el valor objetivo
óptimo o simplemente, a veces, el valor óptimo.
En el modelo PROTRAC, el plan de producción
óptimo (E* = 4.5, F* = 7) es la solución; la
ganancia óptima de $50,500 es el optimo.
MAXIMIZACION- MINIMIZACION
 Modelo no acotado
Un modelo así no tiene solución porque la función objetivo no
está acotada. Esto es que para cualquier conjunto de valores
permisibles de las variables de decisión, siempre podemos
encontrar otros valores permisibles que mejoren el valor objetivo.
Conjunto restringido no acotado con sólo
una solución en PL

se refiere a una región factible donde por lo menos una variable de decisión
puede adoptar un valor arbitrariamente grande. El modelo tiene tres
restricciones y un conjunto restringido no acotado, pero existe una solución
óptima.
 Modelo no Factible

la infactibilidad depende solamente de las restricciones y no tiene nada que ver con
la función objetivo. Obviamente una PL no factible carece de solución, pero esta
patología no se presentará si el modelo ha sido formulado correctamente
A tener en cuenta:
 Todo programa lineal corresponde a alguna de las tres
siguientes categorías, en las que no puede haber
superposiciones:
1. El modelo tiene una solución óptima
2. No existe solución óptima porque el modelo no está
acotado.
3. No existe solución óptima porque el modelo no es factible.
 En la práctica, una PL correctamente formulada del mundo
real siempre tiene una solución.
 Las situaciones 2 y 3 sólo pueden presentarse a causa de (1)
errores en la formulación del modelo o (2) errores al
introducir el modelo en el GLP o en la hoja de cálculo.
TEMA 4 PROGRAMACION LINEAL
 El problema de la industria de
juguetes “Galaxia”.

 Galaxia produce dos tipos de juguetes:

* Space Ray
* Zapper

 Los recursos están limitados a:

* 1200 libras de plástico especial.
* 40 horas de producción semanalmente.
 El problema de la industria de juguetes
“Galaxia”.
 Requerimientos de Marketing.

* La producción total no puede exceder de 800 docenas.

* El número de docenas de Space Rays no puede exceder al
número de docenas de Zappers por más de 450.

 Requerimientos Tecnológicos.

* Space Rays requiere 2 libras de plástico y 3 minutos de

producción por docena.
* Zappers requiere 1 libra de plástico y 4 minutos de producción
por docena.
 El problema de la industria de juguetes
“Galaxia”.
 Plan común de producción para:

* Fabricar la mayor cantidad del producto que deje mejores

ganancias, el cual corresponde a Space Ray ($8 de utilidad
por docena).
* Usar la menor cantidad de recursos para producir Zappers,
porque estos dejan una menor utilidad ($5 de utilidad por
docena).

 El plan común de producción consiste en:

Space Rays = 550 docenas

Zappers = 100 docenas

Utilidad = $4900 por semana

 EL MODELO DE
PROGRAMACIÓN LINEAL
PROVEE UNA SOLUCIÓN
INTELIGENTE OPTIMA
PARA ESTE PROBLEMA
Solución

 Variables de decisión

* X1 = Cantidad producida de Space Rays (en docenas por

semana).
* X2 = Cantidad producida de Zappers (en docenas por
semana).

 Función objetivo

* Maximizar la ganancia semanal.

  Modelo de Programación Lineal

 Modelo de Programación Lineal

Max 8X1 + 5X2 (ganancia semanal)

Sujeto a:

2X1 + 1X2 <= 1200 (Cantidad de plástico)

3X1 + 4X2 <= 2400 (Tiempo de producción)
X1 + X2 <= 800 (Limite producción total)
X1 - X2 <= 450 (Producción en exceso)
Xj >= 0 , j= 1, 2. (Resultados positivos)
Conjunto de soluciones factibles para el
modelo lineal.
 El conjunto de puntos que satisface todas las
restricciones del modelo es llamado:

REGION FACTIBLE
USANDO UN GRAFICO SE
PUEDEN REPRESENTAR
TODAS LAS
RESTRICCIONES, LA
FUNCION OBJETIVO Y LOS
TRES TIPOS DE PUNTOS DE
FACTIBILIDAD.
 X2

1200 Restricción del plástico:

2X1+X2<=1200
The Plastic constraint

Restricción del total de producción:

X1+X2<=800

600 No Factible

Restricción del
exceso de producción:
Horas de Factible X1-X2<=450
Producción
3X1+4X2<=2400
X1
600 800
Punto Inferior
Punto Medio
Punto Extremo
Resolución gráfica para encontrar la
solución óptima.
 ANALISIS
comenzar con DE LA GANACIA
una ganancia dada de = $2,000...

Entonces aumente la ganancia...

X2
1200
...y continúe hasta que salga de la región factible

4,
Utilid. = $ 0003,
800
Ganancia 2, =$5040

600

X1

400 600 800

1200 X2
Se toma un valor cercano al punto óptimo

800 Región no
factible

600

Feasible
Región
region
Factible

X1
400 600 800
  RESUMEN DE LA SOLUCIÓN
ÓPTIMA

 Resumen de la solución óptima

Space Rays = 480 docenas

Zappers = 240 docenas
Ganancia = $5040

* Esta solución utiliza todas las materias primas (plástico) y

todas las horas de producción.
* La producción total son 720 docenas (no 800).
* La producción de Space Rays excede a la de Zappers por solo
240 docenas y no por 450.
ANALISIS DE SENSIBILIDAD
TEMA 5 ALGORITMO SIMPLEX

 MÉTODO ALGEBRAICO PARA RESOLVER

PROBLEMAS DE PROGRAMACIÓN LINEAL
EN UN NUMERO FINITO DE PASOS EN UNA
COMPUTADORA

 ITERACIÓN: serie de pasos en un algoritmo

que se repiten cuando la rutina entra en
funcionamiento.
 INTRODUCCIÓN

 A modo de introducción el método Simplex

fue desarrollado por George Bernard Dantzig
(8 de noviembre de 1914 - 13 de mayo de
2005) en 1947. Este método se basa en la
conversión del problema con restricciones
con desigualdades en un problema cuyas
restricciones son ecuaciones lineales. Es un
método matricial.
 FORMA ESTANDAR

 Un modelo de PL se dice que esta en su

forma estándar si cada restricción es una
igualdad y las restricciones de signo para
cada variable son del tipo mayor o igual que
cero.
 Muchos de nuestros modelos recién
construidos no están en su forma matricial.
No esta en la forma estándar:
Este modelo no esta en la forma
estándar:
 CONVERSIÓN

El algoritmo Simplex para resolver modelos de

programación lineal requiere que el modelo
este en su forma estándar.
Esto se logra introduciendo nuevas variables,
algunas de las cuales reemplazaran a las
variables originales.
A continuación se determina las opciones de
introducción de variables:
CONVERSIÓN
SOLUCIÓN BÁSICA:
SOLUCIÓN BÁSICA FACTIBLE
EJ. X1=0; x2= 0; S1= 40; S2= 60
Correspondencia:
ALGORITMO SIMPLEX
 METODO SIMPLEX
 PLANTEAMIENTO

Maximizar Z
Z=3X1+5X2

Restricciones:
X1<= 4
2X2<=12
3X1+2X2<=18

X1,X2>=0
 METODO SIMPLEX

FORMA AUMENTADA

Z=3X1 + 5X2 + 0X3+ 0X4 + 0X5

Restricciones
1 X1 + X3 =4
2 2x2 + X4 = 12
3 3x1 + 2x2 + X5 = 18
 METODO SIMPLEX

Se trata a Z como si fuera una de las restricciones

originales, como se encuentra en forma de
igualdad no necesita variables de holgura, pero se
agrega Z con la finalidad de obtener su valor.

Z- 3X1 - 5X2 = 0

La solución BF ( solución básica factible) si y solo si

todos los coeficientes del renglón 0 son negativos
 METODO SIMPLEX

Paso inicial: Se introducen las variables de

holgura, se seleccionan las variables de
decisión como no básicas iníciales
Variable Ec. Coeficientes de: Razon
básica Z X1 X2 X3 X4 X5

Z (0) 1 -3 -5 0 0 0 0
X3 (1) 0 1 0 1 0 0 4
X4 (2) 0 0 2 0 1 0 12
X5 (3) 0 3 2 0 0 1 18
 METODO SIMPLEX
 Paso 1: Se determina la variable básica, con la selección
de la variable con el coeficiente negativo que tiene el
mayor valor absoluto de la ecuación FUNCION OBJ.
Variable Ec. Coeficientes de: Razon
básica
Z X1 X2 X3 X4 X5

Z (0) 1 -3 -5 0 0 0 0
X3 (1) 0 1 0 1 0 0 4
X4 (2) 0 0 2 0 1 0 12

X5 (3) 0 3 2 0 0 1 18
 columna pivote
 METODO SIMPLEX

 Paso 2: Determinar la variable basica que sale

con la prueba del cociente minimo
Variable Ec. Coeficientes de: Razon
básica Z X1 X2 X3 X4 X5

Z (0) 1 -3 -5 0 0 0 0
X3 (1) 0 1 0 1 0 0 4
X4 (2) 0 0 2 0 1 0 12
12/2=6 Mínimo
X5 (3) 0 3 2 0 0 1 18
18/2=9
 METODO SIMPLEX

1. Elija coeficientes estrictamente positivos (>0) en

la columna pivote
2. Divida cada coeficiente entre el elemento del
lado derecho del mismo renglón
3. Identifique el renglón que tiene el menor de estos
cocientes
4. La variable básica de ese renglón es la variable
básica que sale; sustitúyala por la variable básica
entrante en la columna de la variable básica de la
tabla siguiente.
 METODO SIMPLEX
Paso 3: Se despeja a nueva solución BF
mediante operaciones elementales con
renglones.

1. Divida el renglón pivote entre el numero

pivote. Use este nuevo renglón pivote en los
pasos 2 y 3
 METODO SIMPLEX
Variable Ec. Coeficientes de: Razon
básica Z X1 X2 X3 X4 X5

Z (0) 1 -3 -5 0 0 0 0
X3 (1) 0 1 0 1 0 0 4
X4 (2) 0 0 2 0 1 0 12
12/2=6
X5 (3) 0 3 2 0 0 1 18
18/2=9

Z (0) 1
X3 (1) 0
x2 (2) 0 0 1 0 ½ 0 6
X5 (3) 0
 METODO SIMPLEX
Variable Ec. Coeficientes de: Razon
básica Z X1 X2 X3 X4 X5

Z (0) 1 -3 -5 0 0 0 0
X3 (1) 0 1 0 1 0 0 4
X4 (2) 0 0 2 0 1 0 12
12/2=6
X5 (3) 0 3 2 0 0 1 18
18/2=9

Z (0) 1
X3 (1) 0
x2 (2) 0 0 1 0 ½ 0 6
X5 (3) 0
 METODO SIMPLEX
Variable Ec. Coeficientes de: Razon
básica Z X1 X2 X3 X4 X5

Z (0) 1 -3 -5 0 0 0 0
S3 (1) 0 1 0 1 0 0 4
S4 (2) 0 0 2 0 1 0 12
12/2=6
S5 (3) 0 3 2 0 0 1 18
18/2=9

Z (0) 1 -3 0 0 5/2 0 30
X3 (1) 0 1 0 1 0 0 4
X2 (2) 0 0 1 0 ½ 0 6
X5 (3) 0 3 0 0 -1 1 6
 METODO SIMPLEX

 X1 ENTRA Y X5 SALE
Variable Ec. Coeficientes de: Razon
básica Z X1 X2 X3 X4 X5

Z (0) 1 -3 0 0 5/2 0 30
X3 (1) 0 1 0 1 0 0 4 4/1=4
x2 (2) 0 0 1 0 ½ 0 6
X5 (3) 0 3 0 0 -1 1 6 6/3 =2
 METODO SIMPLEX
Variable Ec. Coeficientes de: Razon
básica Z X1 X2 X3 X4 X5

Z (0) 1 -3 0 0 5/2 0 30
S3 (1) 0 1 0 1 0 0 4 4/1=4
x2 (2) 0 0 1 0 ½ 0 6
S5 (3) 0 3 0 0 -1 1 6 6/3 =2

Z (0) 1 0 0 0 3/2 1 36
X3 (1) 0 0 0 1 1/3 -1/3 2
x2 (2) 0 0 1 0 ½ 0 6
x1 (3) 0 1 0 0 -1/3 1/3 2
 METODO SIMPLEX

La nueva solución es (2,6,2,0,0) con Z=36

Al hacer la prueba de optimalidad, se encuentra que

la solución es optima porque no hay coeficientes
negativos en el renglón 0, de manera que el
algoritmo termina.

Solución es X1=2
X2=6
TEMA 6 MODELOS DE TRANSPORTE
 MODELOS DE TRANSPORTE
 Se tienen m lugares de origen.
Cada lugar de origen tiene una capacidad de producción
Si (disponibilidades)

 Se tienen n destinos.
Cada destino j demanda Dj

*Objetivo:
Minimizar el costo de transporte de la carga al lugar
de destino cumpliendo con la restricciones de los
lugares de origen.
 Introducción
El problema de transporte está enfocado principalmente
para determinar la manera óptima de transportar bienes de
un punto de destino a un punto de origen, optimizando los
recursos y encontrando el costo mas bajo.

Para lo cual es necesario obtener modelos matemáticos

que permitan una buena toma de decisiones, los cuales
pueden ser resueltos mediante el método de la esquina
noroeste, método de Vogel, método de costo mínimo
para el problema de transporte.
 Propósito de los métodos de
transporte
El objetivo principal de los modelos de transporte es la
minimización de los costos totales al enviar un producto
desde el punto o puntos de origen, hasta el punto o
puntos de destino.

Bajo las siguiente premisas:

• La función objetivo y las restricciones deben ser lineales.

• Las mercancías para distribuir deben ser uniformes.
• La suma de la capacidad de todos los orígenes. deben ser
iguales a la capacidad de los destinos; es decir oferta igual
a demanda.
Propósito de los métodos de transporte

Identificación de las restricciones:

• El embarque total de cada punto de origen no debe exceder su

capacidad.
• El embarque total recibido por punto de demanda debe
satisfacer sus requerimientos.
 MODELOS DE TRANSPORTE

 Es un caso especial de problema de

programación Lineal, en el que todos los
coeficientes de las variables en las
restricciones tienen coeficiente uno (1), esto
es:
ai,j = 1 ; para todo i , para todo j
GRAFICAMENTE
FORMULACIÓN
FORMULACIÓN RESTRICCIONES
FORMULACIÓN
EQUILIBRIO
METODOLOGIA
EJEMPLO
 Chícharos enlatados es uno de los productos más
importantes de la compañía P & T. Los chícharos se
preparan en tres enlatadoras (cercanas a Bellingham,
Washington; a Eugene, Oregón y a Albert Lea,
Minnesota) y después se mandan por camión a cuatro
almacenes de distribución (en Sacramento, California;
Salt Lake City, Utah; Rapid City, South Dakota y
Alburquerque, New Mexico) en el oeste de Estados
Unidos. Puesto que los costos de embarque constituyen
un gasto importante, la gerencia ha iniciado un estudio
para reducirlos lo más posible que se pueda.
EJEMPLO
 Se ha hecho una estimación de la producción de cada
enlatadora para la próxima temporada y se ha asignado a
cada almacén una cierta cantidad de la producción total
de chícharos. En la siguiente tabla se proporciona esta
información (en unidades de carga de camión), junto con
el costo de transporte por camión cargado para cada
combinación de enlatadora-almacén. Como se ve hay un
total de 300 cargas de camión que se deben transportar.
El problema es determinar el plan de asignación de estos
embarques a las distintas combinaciones de enlatadora-
almacén que minimice el costo total de transporte.
EJEMPLO
 FUNCION OBJETIVO

Este, de hecho, es un problema de programación lineal del tipo de los

problemas de transporte. Para formularlo, sea Z el costo total de
transporte y sea xij (i = 1, 2, 3;  j = 1, 2, 3, 4) el número de cargas de
camión que se mandan de la enlatadora i al almacén j. Entonces el
objetivo es seleccionar los valores de estas 12 variables de decisión (las
xij) para:
RESTRICCIONES
SOLUCIÓN

 Entre paréntesis, la solución óptima para este

problema es x11 = 0, x12 = 20, x13 = 0, x14 = 55,
x21 = 80, x22 = 45, x23 = 0, x24 = 0, x31 = 0, x32 = 0,
x33 = 70, x34 = 30. Cuando se conozca la prueba
de optimalidad se podrá verificar este
resultado.
 Verificar con el software incluido.
 MERCADO IMPERFECTO

 Como se vio en el anterior ejemplo las

disponibilidades eran iguales a las demandas
de almacenes, es decir el sistema estaba
equilibrado.
 Que ocurriría si este equilibrio no se da?
 Como resolvemos este desequilibrio?
 Recordar que se pueden añadir variables
artificiales
EJEMPLO 2

 Tres (3) fábricas envían su producto a cinco (5)

distribuidores. ¿Qué cantidad del producto se
debe enviar desde cada fábrica a cada distribuidor
para minimizar los costos del transporte?
 NOTA: La “X” significa que desde la fábrica 3 es
imposible enviar unidades al distribuidor 5.
 Las disponibilidades, los requerimientos y costos
unitarios de transporte, se dan en la siguiente
tabla.
EJEMPLO 2
 RESOLUCIÓN

 Observe que el modelo no es perfecto: La

oferta es diferente a la demanda. Se adiciona
una fábrica de relleno con costos de
transporte igual a cero (0) y que ofrezca justo
lo que le hace falta a la oferta para ser igual a
la demanda.
 POR LO TANTO DEBEMOS AGREGAR UNA
FABRICA O DESTINO FICTICIO.
EQUILIBRIO
FORMULACIÓN
RESTRICCIONES
SOLUCIÓN
 SOLUCIÓN

 Solución óptima
 Variables básicas:
 X15* = 40
 X21* = ε = 0
 X23* = 50
 X25* = 10
 X31* = 30
 X32* = 40
 X54* = 40
 X55* = 10
 Z* = 40(16)+0(15)+50(13)+10(16)+30(18)+40(15)+
 40(0) +10(0) = 2.590
 INTERPRETACIÓN DE LA SOLUCIÓN

La forma óptima de hacer los envíos desde las fábricas (1,2,3) a los
distribuidores (1,2,3,4,5) para que los costos totales del transporte sean
mínimos es:
 Desde la fábrica 1 al distribuidor 5 enviar 40 unidades, a un costo de: $
640
 Desde la fábrica 2 al distribuidor 3 enviar 50 unidades, a un costo de: $
650
 Desde la fábrica 2 al distribuidor 5 enviar 100 unidades, a un costo de: $
160
 Desde la fábrica 3 al distribuidor 1 enviar 30 unidades, a un costo de: $
540
 Desde la fábrica 3 al distribuidor 2 enviar 40 unidades, a un costo de: $
600
 Total de unidades enviadas 170, a un costo total de $2.590
 SOLUCIÓN
 Observe que el distribuidor 4 se quedará sin sus 40 unidades y que
el distribuidor 5 sin sus 10 unidades, en total quedará una
demanda insatisfecha de 50 unidades (Información que conocimos
desde el principio), lo relevante aquí, es que ahora sabemos a
quien no enviarle las 50 unidades que no tienen los distribuidores y
que podemos tomar decisiones administrativas referentes a la
demanda no cubierta, tales como:
 1. Conseguir las 50 unidades a través de la competencia
agremiada, como consecuencia de acuerdos previamente
establecidos.
 2. Acordar con el distribuidor 4 y 5 cubrir dicha demanda en el
periodo de producción siguiente.
 3. Otras decisiones podrán ser tomadas en concordancia con la
situación real.
SOLUCION BASICA FACTIBLE
El problema de transporte está enfocado principalmente
para determinar la manera óptima de transportar bienes de
un punto de destino a un punto de origen, optimizando los
recursos y encontrando el costo mas bajo.

Para lo cual es necesario obtener modelos matemáticos

que permitan una buena toma de decisiones, los cuales
pueden ser resueltos mediante el método de la esquina
noroeste, método de Vogel, método de costo mínimo
para el problema de transporte.
 Método de la esquina noroeste

Es un método que permite encontrar una solución inicial (sbf),

una vez que se tenga la tabla del modelo de transporte
balanceado o “equilibrado”, es decir la oferta es igual a la
demanda.

Este método es uno de los mas sencillos para encontrar una

solución inicial factible. Sin embargo es considerado uno de los
métodos menos probables para obtener una buena solución de
“bajo costo” porque ignora la magnitud relativa de los costos.
Procedimiento del método de la esquina
Procedimiento del método de la esquina
noroeste
noroeste
• Seleccionar la celda de la esquina noroeste (esquina
superior izquierda) y cubra la demanda solicitada de
manera que se cubra en su totalidad o hasta agotar
completamente la disponibilidad de recursos.

• En caso que la totalidad de la oferta no haya cubierto la

demanda solicitada continuar con el proceso de
asignación de recursos hasta cumplir con la demanda. A
este procedimiento o paso se le llama con frecuencia
saturar.

• Corrija los números del suministro y requerimiento para

reflejar lo que va quedando de suministro y vuelva al paso
uno.
 Procedimiento del método de la esquina
Procedimiento del método de la esquina
noroeste
noroeste
Reglas para el desarrollo del método esquina
noroeste:
 
• Los envíos son indicadores dentro de cada celda.
• Los suministros y requerimientos que quedan
pueden ser registrados a la derecha de los números
originales.
• Las filas correspondientes a los orígenes pueden
ser eliminadas o señaladas, después de que sus
requerimientos estén completamente llenos.
 PROBLEMA DE TRANSPORTE: MÉTODO DE ESQUINA
NOROESTE

Ejemplo

La Able Company tiene 3 plantas cada una de las cuales puede

fabricar los 3 productos de la compañía. Los precios de venta son
independiente de la planta de origen, pero los costos variables
difieren debido a las distintas edades de la maquinaria y a los
costos de la mano de obra. La Able Company quiere saber qué
cantidad de cada producto debe fabricarse en cada planta.
Costo por demanda del producto

Planta Capacidad Producto Demanda

1 500 Estándar 1500
2 3000 De lujo 2000
3 3500 De super lujo 2500

Costo por producto y planta

Planta Estándar De lujo De super lujo
1 $4 $7 $5
2 6 8 7
3 5 4 4

• Plante el problema como un problema de transporte

• Encuentra una solución inicial
• Encuentra la solución óptima que maximice las ganancias de Able
Company
 Construir de la tabla inicial y balanceo de
oferta y demanda
Estándar De Lujo Super lujo Oferta

Planta 1 $4 $7 $5 500

Planta 2 6 8 7 3000

Planta 3 5 4 4 3500

Demanda 1500 2000 2500

Oferta= 500+3000+3500=7000
Demanda=1500+2000+2500=6000

En este caso la oferta es mayor a la demanda por lo que es necesario balancear la oferta
y demanda agregando en este caso una demanda ficticia
Construir de la tabla inicial y balanceo de
oferta y demanda

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 $7 $5 ----- 500

Planta 2 6 8 7 ----- 3000

Planta 3 5 4 4 ----- 3500

Demanda 1500 2000 2500 1000

Seleccionar la celda de la esquina noroeste y
cubrir la demanda

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 500
500
0

Planta 2 3000

Planta 3 3500

Demanda 1500
1000 2000 2500 1000
Seleccionar la celda de la esquina noroeste y
cubrir la demanda

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 500 0

Planta 2 ----- 3000

2000
1000

Planta 3 3500

Demanda 1000
0 2000 2500 1000
Seleccionar la celda de la esquina noroeste y
cubrir la demanda

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 500 0

Planta 2 1000 2000

0
2000

Planta 3 3500

Demanda 0 2000
0 2500 1000
Seleccionar la celda de la esquina noroeste y
cubrir la demanda

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 500 ----- 0

Planta 2 1000 2000 ----- 0

Planta 3 -----
2500 1000
3500

Demanda 0 0 2500
0 1000
Seleccionar la celda de la esquina noroeste y
cubrir la demanda

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 500 0
$4
Planta 2 1000 2000 0
$6 $8
Planta 3 2500 1000 0
1000
$4
Demanda 0 0 0 0
1000

Al cubrirse la totalidad de demandas y oferta se llega a una solución básica inicial,

sin embargo no es óptima
Costo inicial = 500(4)+1000(6)+2000(8)+2500(4)=$34000
 Método de costo mínimo
Es un método intuitivo que busca subsanar la deficiencia del
método de la esquina noroeste en donde se toman en
consideración los costos y consiste en detectar las casillas de menor
coste y una forma simple de lograrlo es hacerlo de forma ordena.
 Método de costo mínimo
El procedimiento para su aplicación es el siguiente:

Paso 1. Localizar la celda menos costosa de la matriz, se deben

ignorar las celdas ficticias

Paso 2. Se cubre la demanda de la celda seleccionada al

máximo permitido por la oferta. Se eliminan las demás celdas
en el reglón o columna que se agota

Paso 3. Se repiten los pasos 1 y 2 para las celdas restantes hasta

que llegue a una solución completa.

Nota: Para la aplicación del método de costo mínimo se debe

obtener la tabla inicial balanceada
 Método de costo mínimo
Ejemplo de aplicación
Continuando con el ejemplo de La Able Company, una vez
obtenida la tabla inicial balanceada
Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 $7 $5 ----- 500

Planta 2 6 8 7 ----- 3000

Planta 3 5 4 4 ----- 3500

Demanda 1500 2000 2500 1000

 Método de costo mínimo
Paso 1. Localizar la celda menos costosa de la matriz, se deben ignorar las
celdas ficticias
Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 $7 $5 ----- 500

Planta 2 6 8 7 ----- 3000

Planta 3 5 4 4 ----- 3500

Demanda 1500 2000 2500 1000

En este caso se tienen tres posibles opciones, siendo indistinta la celda que se
seleccione, por lo que seleccionaremos la primera opción (1,1)
 Método de costo mínimo

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 $7 $5 ----- 500

500
Planta 2 6 8 7 ----- 3000

Planta 3 5 4 4 ----- 3500

Demanda 1500 2000 2500 1000

1000

Paso 2. Se cubre la demanda de la celda seleccionada al

máximo permitido por la oferta. Se eliminan las demás celdas
en el reglón o columna que se agota
 Método de costo mínimo
Paso 3. Se repiten los pasos 1 y 2 para las celdas restantes hasta
que llegue a una solución completa.

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 $7 $5 -----
500

Planta 2 6 8 7 ----- 3000

Planta 3 5 4 4 ----- 3500

Demanda 1000 2000 2500 1000

En este caso se tienen dos opciones, se selecciona la celda (3,2)

 Método de costo mínimo

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 -----
500

Planta 2 6 8 7 ----- 3000

Planta 3 5 4 4 -----
3500
1500
2000
Demanda 1000 2000 2500 1000
 Método de costo mínimo

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 -----
500

Planta 2 6 7 ----- 3000

Planta 3 5 4 4 ----- 1500

2000
1500
Demanda 1000 2500 1000
1000
 Método de costo mínimo

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 -----
500

Planta 2 6 8 7 -----
2000
3000
1000
Planta 3 4 4 -----
2000 1500

Demanda 1000 1000

1000
 Método de costo mínimo

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 -----
500

Planta 2 6 8 7 -----
1000 2000
1000
1000
Planta 3 4 4 -----
2000 1500

Demanda 1000
1000
 Método de costo mínimo

Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 -----
500

Planta 2 6 8 7 -----
1000 1000

Planta 3 4 4
2000 1500 1000 1000

Demanda
1000

Costo inicial= 4(500)+6(1000)+4(2000)+7(1000)+4(1500)=$29000

 Método de Vogel

Este es un método heurístico que proporciona un a mejor

solución inicial en comparación con los dos métodos anteriores,
ya que genera una solución inicial óptima o cercana al mismo.
 Método de Vogel

Procedimiento para su
solución:
 Método de Vogel
Ejemplo de aplicación
Continuando con el ejemplo de La Able Company, una vez
obtenida la tabla inicial balanceada, se obtienen las penalidades
para cada fila y columna.
Estándar Lujo Super Lujo Ficticia Oferta

Planta 1 $4 $7 $5 ----- 500

Planta 2 6 8 7 ----- 3000

Planta 3 5 4 4 ----- 3500

Demanda 1500 2000 2500 1000

 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 $7 $5 ----- 500
5-4=1

Planta 2 6 8 7 ----- 3000

7-6=1

Planta 3 5 4 4 ----- 3500

4-4=0
Demanda 1500 2000 2500 1000
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 $7 $5 ----- 500 5-4=1

Planta 2 6 8 7 ----- 3000 7-6=1

Planta 3 5 4 4 ----- 3500 4-4=0

Demanda 1500 2000 2500 1000

Penalizaci
ón 5-4=1 7-4=3 5-4=1
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 $7 $5 ----- 500 5-4=1

Planta 2 6 8 7 ----- 3000 7-6=1

Planta 3 5 4 4 ----- 3500 4-4=0

Demanda 1500 2000 2500 1000

Penalizaci 5-4=1 7-4=3 5-4=1

ón
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 $7 $5 ----- 500 5-4=1

Planta 2 6 8 7 ----- 3000 7-6=1

Planta 3 5 4 4 ----- 1500

3500 4-4=0
2000
Demanda 1500 2000 2500 1000

Penalizaci 5-4=1 7-4=3 5-4=1

ón

Al agotarse la demanda de la columna 3, se eliminan los costos y se recalculan las

penalizaciones.
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 $5 ----- 500 5-4=1

Planta 2 6 7 ----- 3000 7-6=1

Planta 3 5 4 4 ----- 1500 5-4=1

2000
Demanda 1500 2500 1000

Penalizaci
ón
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 $5 ----- 500 5-4=1

Planta 2 6 7 ----- 3000 7-6=1

Planta 3 5 4 4 ----- 1500 5-4=1

2000
Demanda 1500 2500 1000

Penalizaci 5-4=1
ón 5-4=1
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 $5 ----- 500 5-4=1

Planta 2 6 7 ----- 3000 7-6=1

Planta 3 5 4 4 ----- 1500 5-4=1

2000
Demanda 1500 2500 1000

Penalizaci 5-4=1 5-4=1

ón

Al ser todas las penalizaciones iguales, se selecciona el costo menor fila o columna
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 ----- 500 5-4=1
$5

Planta 2 6 7 ----- 3000 7-6=1

Planta 3 4 4 ----- 1500 4-4=0

5 2000 1500
Demanda 1500 1000
2500 1000

Penalizaci 5-4=1
6-4=2 5-4=1
7-5=2
ón

Se vuelven a recalcular las penalizaciones en las celdas restantes

 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 $5 ----- 500 5-4=1

Planta 2 6 7 ----- 3000 7-6=1

Planta 3 4 4 -----
2000 1500
Demanda 1500 1000 1000

Penalizaci 6-4=2 7-5=2

ón
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 5 ----- 500 5-4=1
500
Planta 2 6 7 ----- 3000 7-6=1

Planta 3 4 4 -----
2000 1500
Demanda 1000
1500 1000 1000

Penalizaci 6-4=2 7-5=2

ón

Como únicamente quedan dos opciones se cubre la demanda

 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 -----
500
Planta 2 6 7 ----- 3000
2000
1000
Planta 3 4 4 -----
2000 1500
Demanda 1000 1000 1000

Penalizaci
ón
 Método de Vogel

Estándar Lujo Super Ficticia Oferta Penalizaci

Lujo ón
Planta 1 $4 -----
500
Planta 2 6 7 ----- 1000
2000
1000 1000
Planta 3 4 4 -----
2000 1500
Demanda
1000 1000

Penalizaci
ón

Costo inicial=4(500)+6(1000)+4(2000)+7(1000)+4(1000)=$27000
TEMA 7 ASIGNACIONES

“La mejor persona para

el puesto”
TEMA 7 ASIGNACIONES

 Un caso particular del modelo de transporte

es el modelo de asignación, que tiene como
propósito asignar personas u objetos a tareas
de tal forma que se optimice algún objetivo,
por ejemplo:
 MINIMIZAR:
 Tiempos de producción
 Costos
 Defectos de producción
 ASIGNACIONES

 EN EL FONDO ES UN PROBLEMA DE
TRANSPORTES PERO SU SOLUCION POR
ESE CAMINO RESULTA SER MUY
DISPENSIOSA

 METODO HUNGARO ES UN ALGORITMO

MAS EFICIENTE PARA SU RESOLUCIÓN
 ASIGNACIONES

Se requiere asignar de manera óptima objetos

o personas “ indivisibles” a ciertas tareas, por
ejemplo:
 En una textil se debe asignar personal hábil
en cada máquina (recta, zigzag, ojales, etc.)
para minimizar tiempos de producción.
 En una universidad se debe asignar aulas para
cada materia7grupo, pensando en optimizar
los espacios disponibles.
 ASIGNACIONES

Por lo tanto, se debe asignar a la

persona óptima en cada puesto de
trabajo para minimizar costos.
El problema clásico de asignación
consiste en asignar n objetos o
personas indivisibles a m tareas de
una manera óptima.
ASIGNACIONES: PROPIEDADES
ASIGNACIONES: MODELO
 ASIGNACIONES

 Las variables que se utilizan en el modelo de

asignación son variables binarias, es decir,
variables que sólo pueden tomar los valores 0
o 1.
 Matemáticamente se escribe:
ASIGNACIONES: MODELO
ASIGNACIONES: MODELO
 ASIGNACIONES

 El modelo de asignación es en realidad

un caso especial del modelo de
transporte, en el cual los trabajadores
representan las fuentes y los puestos
representan los destinos. La cantidad de
oferta en cada fuente, y la cantidad de
demanda en cada destino son
exactamente iguales a 1.
 ASIGNACIONES: EJEMPLOS DE
ENUNCIADO
 Una empresa contrata a cuatro personas para
cubrir los siguientes puestos: supervisor de
acabado, supervisor de empaque, supervisor de
producción, supervisor de materia prima.
 A cada uno se aplica un examen de aptitudes para
determinar sus habilidades. A partir del resultado
de los exámenes se determina el costo
 que tiene su capacitación para cada uno de los
puestos. Los costos se presentan en la siguiente
tabla.
ASIGNACIONES: EJEMPLOS DE
ENUNCIADO
ASIGNACIONES: EJEMPLOS DE
ENUNCIADO
ASIGNACIONES: EJEMPLOS DE
ENUNCIADO
ASIGNACIONES: METODO HUGARO

 Para iniciar la aplicación del algoritmo, se debe igualar

el número de fuentes al número de destinos, con
fuentes ó destinos ficticios, si ello es necesario.
Algoritmo para Minimizar
1. Construya una tabla de costos en la que el número de
filas sea igual al número de columnas y en cada casilla
figure el costo de asignar cada fuente (Filas) a cada
destino (Columnas).
2. Reste el valor del elemento mínimo (Costo Mínimo) de
cada fila a cada elemento de la fila. Con la tabla
resultante, haga lo mismo pero para cada columna..
ASIGNACIONES: METODO HUGARO

3. Examinar las filas y las columnas sucesivamente.

Para cada fila (Columna) que tenga exactamente uno y solo un cero,
resérvelo para asignarlo (enciérrelo en un cuadrado), y no
considere (Tache), los otros elementos cero de la correspondiente
columna (Fila). Éste proceso se debe repetir hasta que todos loa
elementos cero estén reservados ó eliminados (Tachados). En caso
de que sistemáticamente queden ceros no reservados ni tachados,
después de recorrer repetitivamente las filas y las columnas, elija
un cero al azar y resérvelo ó táchelo y proceda con el resto de los
ceros, reservándolos ó tachándolos.
Si los elementos reservados para asignar, representan una asignación
completa (A cada fuente le corresponde un destino y a cada
destino le corresponde una fuente), se ha encontrado la solución
óptima; de lo contrario pase al punto cuatro (4).
ASIGNACIONES: METODO HUGARO

4. Cubrir todos los ceros (Reservados ó Tachados),

con un número de líneas horizontales y verticales,
igual al número de ceros reservados para asignar.
5. Examinar todos los elementos no cubiertos por
una línea, escoger el mínimo de éstos y restarlo de
todos los elementos no cubiertos; luego sumarlo a
cada elemento que se encuentre en la intersección
(Si la hay) de dos (2) líneas.
6. Ir al punto tres (3), para tratar de encontrar un
solución completa.
ASIGNACIONES: METODO HUGARO

 Joe Klyne, John, Karen y Terri, postulan a un

trabajo de limpieza , el contratista debe
asignar a los tres según la oferta que hicieron
ASIGNACIONES: METODO HUGARO

 Paso 1. En la matriz original de costo,

identificar el mínimo de cada renglón y restarlo
de todos los elementos del renglón.
 Paso 2. En la matriz que resulte del paso 1,
identificar el mínimo de cada columna, y
restarlo de todos los elementos de la columna.
 Paso 3. Identificar la solución óptima como la
asignación factible asociada con los elementos
cero de la matriz obtenida en el paso 2.
EJEMPLO
 EJEMPLO
Las celdas con elementos cero subrayados son la solución
óptima. Eso quiere decir que John va a pintar la cochera,
Karen podará el pasto y Terry lavará los autos. El costo
total para el contratista será 9 +10 + 8 =$27.
 EJEMPLO 2

 Un taller a comprado 3 máquinas nuevas de

usos distintos. Hay 4 sitios posibles para éstas
máquinas, pero algunos de éstos sitios son más
preferibles que otros, por razón de costo de
manejo de materiales, el objetivo es asignar las
máquinas en los sitios, para minimizar el costo
total de manejo de materiales.
 Los costos de manejo de materiales, según se
coloque cada máquina en cada sitio, son:
EJEMPLO 2
 EJEMPLO 2

El menor elemento de cada fila ha sido restado de todos los

elementos de cada fila, en la fila 1 el menor costo es 10,
luego los nuevos elementos de la fila 1 son: 13 – 10 = 3 ; 10 –
10 = 0 ; 12 – 10 = 2 ; 11 – 10 = 1 ; Al menos en cada fila debe
quedar un cero (0), el del elemento más pequeño.
 EJEMPLO 2

Teniendo como referencia la tabla anterior, el

menor elemento de cada columna ha sido
restado de todos los elementos de cada
columna. Como en cada columna hay un cero, la
tabla queda igual a la anterior.
EJEMPLO 2
 EJEMPLO 2
 Solución Óptima
 La máq. A es asignada al sitio 2, a un costo de manejo de materiales de $10
 La máq. B es asignada al sitio 3, a un costo de manejo de materiales de $13
 La máq. C es asignada al sitio 1, a un costo de manejo de materiales de $ 5
 La máq. D es asignada al sitio 4, a un costo de manejo de materiales de $ 0

 La última asignación corresponde a la máquina de holgura D,

colocada para hacer igual el número de máquinas al número
de sitios; lo anterior significa que el sitio 4 quedará vacío y por
el momento no se usará, al menos para colocar alguna de las
máquinas disponibles de que trata el problema.
 El costo óptimo de manejo de materiales es de $28; que se
logra asignando las máquinas a los sitios señalados.
EJEMPLO 3
 EJEMPLO 3

 Solución
 Aquí, el número de fuentes es igual al número
de destinos (El número de filas es igual al
número de columnas) ó dicho de otra forma,
el número de trabajos es igual al número de
obreros, luego no se hace necesario ninguna
variable de holgura.
EJEMPLO 3
 EJEMPLO 3

No se logro una asignación completa, ya que al trabajador

4, no le fue asignado ningún trabajo. Entonces, con un
número de líneas, horizontales y / ó verticales iguales al
número de ceros reservados , tachamos todos los ceros.
Número de líneas = Número de ceros reservados = 4
 EJEMPLO 3
De los elementos no tachados, escogemos el menor (2), lo
restamos de todos los elementos no tachados y lo sumamos
en las intersecciones que forman las líneas horizontales con
las verticales. Si no hay intersecciones, no se suma.
Con la tabla resultante, intentamos nuevamente hacer una
asignación completa.
 EJEMPLO 3

Aquí, hemos logrado una asignación completa. A

cada trabajo le hemos asignado un trabajador y a
cada trabajador le hemos asignado un trabajo.
 EJEMPLO 3
 Solución
 Al trabajo A, le asignamos el trabajador 1, quien empleará 11
horas.
 Al trabajo B, le asignamos el trabajador 4, quien empleará 6
horas.
 Al trabajo C, le asignamos el trabajador 5, quien empleará 16
horas.
 Al trabajo D, le asignamos el trabajador 3, quien empleará 17
horas
 Al trabajo E, le asignamos el trabajador 2, quien empleará 10
horas.
 El tiempo total para ejecutar los 5 trabajos es de 60 horas.
 EJEMPLO 4

IMAGINE QUE EN EL PROBLEMA DE

ASIGNACION DE TRABAJOS SE TENGA UN
CUARTO POSTULANTE
 EJEMPLO 4
Realizando la resta del mínimo por cada fila y cada
columna se obtiene:

Los lugares de los elementos cero no permiten asignar una tarea

por operario. Por ejemplo, si se asigna al operario 1 a la tarea 1,
se eliminará la columna 1, y el operario 3 no tendrá elemento
cero en las tres columnas restantes.
 EJEMPLO 4

 Paso 2a. Si no se puede asegurar una asignación factible (con todos los
elementos cero) con los pasos 1 y 2,

 i) Trazar la cantidad mínima de líneas horizontales y verticales en la última

matriz reducida que cubran todos los elementos cero.

 ii) Seleccionar el elemento mínimo no cubierto, restarlo de todo elemento no

cubierto y a continuación sumarlo a todo elemento en la intersección de
dos líneas.

 iii) Si no se puede encontrar una asignación factible entre los elementos

cero que resulten, repetir el paso 2a.

 En caso contrario, seguir en el paso 3 para determinar la asignación

óptima.
 EJEMPLO 4
APLICANDO LO ANTERIOR SE OBTIENE

La celda de valor mínimo no sombreada (que se muestra

subrayado) es igual a 1. Este elemento se resta de todas las
celdas no sombreadas y se suma a las celdas de las
intersecciones, para producir la matriz de la tabla donde
veremos si es posible la asignación
 EJEMPLO 4

La solución óptima, que se indica con los ceros

subrayados, dice que se debe asignar el OPERARIO 1 a
la tarea 1, el OPERARIO 2 a la tarea 3, el OPERARIO 3 a
la tarea 2 y el OPERARIO 4 a la tarea 4 .
El costo asociado óptimo asociado es 1 + 10+ 5+ 5= $21.
TEMA 8 TEORIA DE COLAS
DEFINICIÓN
Teoría de cola es el estudio matemático del
comportamiento de líneas de espera. Estas se
presentan cuando los “clientes” llegan a un lugar
demandando un servicio a un “servidor” el cual tiene
cierta capacidad de atención. Si el servidor no está
disponible inmediatamente y el cliente decide esperar
entonces se forma la línea de espera.
OBJETIVOS DE LA TEORÍA DE COLAS

Los objetivos de la Teoría de Colas consisten en:

Identificar el nivel óptimo de capacidad del sistema que
minimiza el coste global del mismo.
Evaluar el impacto que las posibles alternativas de
modificación de la capacidad del sistema tendrían en el coste
total del mismo.
Establecer un balance equilibrado (“óptimo”) entre las
consideraciones cuantitativas de costes y las cualitativas de
servicio.
Hay que prestar atención al tiempo de permanencia en el
sistema o en la Cola: la “paciencia” de los clientes depende del
tipo de servicio específico considerado y eso puede hacer que
un cliente “abandone” el sistema.
 TIPOS DE COLAS
Según el tipo de sistema de colas, tenemos varios tipos de
éstas, las cuales son:
Una línea, un servidor : El primer sistema que se muestra se
llama un sistema de un servidor y una cola o puede describir una
consulta de un médico.
Una línea, múltiples servidores: El segundo, una línea con
múltiples servidores, es típico de una peluquería o una panadería
en donde los clientes toman un número al entrar y se les sirve
cuando les llega el turno.
Varias líneas, múltiples servidores: El tercer sistema, en que
cada servidor tiene una línea separada, es característico de los
bancos y las tiendas de autoservicio. Para este tipo de servicio
pueden separarse los servidores y tratarlos como sistemas
independientes de un servidor y una cola. Esto sería válido sólo si
hubiera muy pocos intercambios entre las colas. Cuando el
intercambio es sencillo y ocurre con frecuencia, como dentro de
un banco, la separación no sería válida.
TEORIA DE COLAS

COLAS MAS COMUNES

SITIO ARRIBOS EN COLA SERVICIO
Supermercado Compradores Pago en cajas
Peaje Vehículos Pago de peaje
Consultorio Pacientes Consulta
Sistema de Cómputo Programas a ser Proceso de datos
corridos
Compañía de teléfonos Llamadas Efectuar comunicación
Banco Clientes Depósitos y Cobros
Mantenimiento Máquinas dañadas Reparación
Muelle Barcos Carga y descarga

252
 OTROS CONCEPTOS SOBRE COLAS

La cola del sistema está formada por las unidades

que llegan al sistema y no pueden recibir el
servicio de manera inmediata, por encontrarse
todos los servidores ocupados.
Una población de clientes, que es el conjunto de
los clientes posibles.
Un proceso de llegada, que es la forma en que
llegan los clientes de esa población
Un proceso de servicios, que es la forma y la
rapidez con la que es atendido el cliente
 TEORIA DE COLAS
Características de una LINEA DE ESPERA

:
1. CARACTERISTICAS DE ARRIBO

 DISTRIBUCION DE POISSON:

e   x
P x   para _ x  0,1,2,3,4,...
x!

 P(x) = Probabilidad de x arribos

 .x= número de arribos por unidad de tiempo
= TASA promedio de arribo
.e = 2.71828
254
 TEORIA DE COLAS
DISTRIBUCION DE POISSON
 TEORIA DE COLAS
DISTRIBUCION DE POISSON
TEORIA DE COLAS
Configuraciones Básicas de Sistemas de Colas
3.1. Configuraciones básicas para el Servicio

COLA

ARRIBOS SERVIDOR SALIDAS

SISTEMA UN CANAL, UNA FASE

COLA
ARRIBOS SERVICIO SERVICIO SALIDAS
FASE 1 FASE 2

UN SOLO CANAL, MULTIFASE

257
TEORIA DE COLAS
Configuraciones Básicas de Sistemas de Colas
3.1. Configuraciones básicas para el Servicio

CANAL 1
COLA

CANAL 2 SALIDAS
ARRIBOS

CANAL 3

SISTEMA MULTICANAL UNA FASE

258
TEORIA DE COLAS
Configuraciones Básicas de Sistemas de Colas
3.1. Configuraciones básicas para el Servicio

COLA FASE 1 FASE 2

CANAL 1 CANAL 1

ARRIBOS SALIDAS

FASE 1 FASE 2
CANAL 2 CANAL 2

SISTEMA MULTICANAL MULTIFASE

I.G. Andrade D. I.O. II - I.S. - U.D.A. 259

TEORIA DE COLAS
Configuraciones Básicas de Sistemas de Colas
3.2. Distribución del Tiempo de Servicio

 Los patrones de servicio son similares a los patrones de

llegada. Pueden ser constantes o aleatorios.
I. Si el tiempo de servicio es constante, toma la misma
cantidad de tiempo atender a cada cliente. Es común con
servicios dados por medio de máquinas (Lavadora
automática de carros).
II. Si el tiempo de servicio es distribuído aleatoriamente – que
es el caso más común – se lo representa por la
DISTRIBUCION DE PROBABILIDAD EXPONENCIAL
NEGATIVA de la forma e-x para x  0. Esta es una hipótesis
matemática muy conveniente, cuando los arribos siguen la
distribución de Poisson.
260
TEORIA DE COLAS
Medición del Rendimiento de las Colas
 Los modelos de colas ayudan a los administradores a tomar decisiones
para balancear los costos de servicio deseables con los costos de
espera en la línea.
 Los principales factores que se evalúan en estos modelos son:
1. Tiempo promedio que cada cliente u objeto permanece en la cola
2. Longitud de cola promedio
3. Tiempo promedio que cada cliente permanece en el sistema
(tiempo de espera + tiempo de servicio).
4. Número de clientes promedio en el sistema.
5. Probabilidad de que el servicio se quede vacío
6. Factor de utilización del sistema
7. Probabilidad de la presencia de un específico número de clientes en
el sistema.

261
TEORIA DE COLAS
Notación de los Modelos de Colas
 Reconociendo la diversidad de los sistemas de colas, Kendall
(1953) propuso un sistema de notación para sistemas de
servidores paralelos que ha sido adoptado universalmente.
 Una versión resumida de esta convención está basada en el
formato A/B/c/N/K. Estas letras representan las siguientes
características del sistema:
 A = Distribución de tiempo entre arribos.
 B = Distribución del tiempo de servicio.
Los siguientes son símbolos comunes para A y B:
M = exponencial o Markov (1)
D = constante o determinística

262
TEORIA DE COLAS
Notación de los Modelos de Colas
▪ Ek = Erlang de orden k
▪ P H = Tipo fase
▪ H = Hiperexponencial
▪ G = Arbitrario o general
▪ GI = General independiente
 .c = número de servidores paralelos
 N = Capacidad del sistema
 K = Tamaño de la población.
Nota(1): A causa de las suposiciones de distribución
exponencial en los procesos de arribo, estos
modelos son llamados MARKOVIANOS
263
TEORIA DE COLAS
Notación de los Modelos de Colas
 Por ejemplo: M/M/1// significa un solo
servidor, capacidad de cola ilimitada y
población infinita de arribos potenciales. Los
tiempos entre arribos y los tiempos de
servicio son distribuídos exponencialmente.
 Cuando N y K son infinitos, pueden ser
descartados de la notación. M/M/1// es
reducido a M/M/1.

264
TEORIA DE COLAS
Modelo A: M/M/1
 Asumimos que existen las siguientes condiciones:
1. Los clientes son servidos con una política PEPS y cada arribo
espera a ser servido sin importar la longitud de la línea o
cola.
2. Los arribos son independientes de arribos anteriores, pero el
promedio de arribos, no cambia con el tiempo.
3. Los arribos son descritos mediante la distribución de
probabilidad de Poisson y proceden de una población muy
grande o infinita.
4. Los tiempos de servicio varían de cliente a cliente y son
independientes entre sí, pero su TASA promedio es
conocida.
265
FÓRMULAS PARA COLAS
MODELO A: SISTEMA SIMPLE O M/M/1

  Número promedio de arribos por período de tiempo

  Número promedio de gente o cosas servidos por período de tiempo
n  número de unidades en el sistema

LS  Número promedio de unidades (clientes)en el sistema LS 
 

  Factor de utilización del sistema 

WS  Tiempo promedio que una unidad permanece en el sistema 
(tiempo de espera  tiempo de servicio)
1
WS 
 

266
FÓRMULAS PARA COLAS
MODELO A: SISTEMA SIMPLE O M/M/1

2
Lq  Número promedio de unidades en la cola     LS
    

Wq  Tiempo promedio que una unidad espera en la cola     WS
    
Pn  Probabilid ad de que " n" clientes estén en el sistema 
n
  
Pn  1       1      n
  
Po  Probabilid ad de cero unidades en el sistema (la unidad de servicio está vacía) 

Po  1   1   

Pn  k  Probabilid ad de que más de " k" unidades estén en el sistema 
k 1
 
Pn  k   


267
EJEMPLO
 Con el fin de prestar un mejor servicio en la Biblioteca de la
Facultad Nacional de Salud Pública, se realizó un estudio de
Teoría de Colas, con el método (M/M/1), donde el mecanismo
de servicio en la biblioteca es el de Primero en Entrar
Primero en Salir y donde se considero que la población de
entrada es infinita. Los resultados son los siguientes:
 El tiempo promedio que se demora el encargado de atender
un usuario es de 5 minutos y las llegadas tienen un promedio
de =4.2 usuarios/hora que es el número promedio de
arribos por período de tiempo.

268
 EJEMPLO

En esta evaluación nos interesa saber:

Número promedio de usuarios en el
sistema: Ls = /- = 4.2/12-4.2 = 0.54

Factor de utilización del sistema: P= / =

4.2/12 = 0.35

269
 EJEMPLO

Tiempo promedio que una unidad permanece

en el sistema esto es (Tiempo de espera +
Tiempo de servicio): Ws = 1/(-)= 1/(12-4.2)=
0.13

Número promedio de unidades en la cola:

Lq= 2/(-)=P*Ls= 0.189
 EJEMPLO
 Tiempo promedio que una unidad espera en
la cola: Wq= /(-)=P*Ws= 0.045

 Probabilidad de que no haya ningún usuario

en el sistema: P0= (1-P)= 1-0.35 =0.75
EJEMPLO EL PROBLEMA DE COLAS DE SOBOCE

SOBOCE tiene un número de estaciones para el pesado de

camiones a lo largo de su área de despacho para verificar
que el peso de los vehículos cumple con los pesos de salida
en producto.
La administración esta considerando mejorar la calidad del
servicio en sus estaciones de pesado y ha seleccionado una
de las instalaciones como modelo a estudiar, antes de
instrumentar los cambios. La administración desea analizar
y entender el desempeño del sistema actual de las horas
pico, cuando llega a la báscula el mayor número de
camiones suponiendo que el sistema puede desempeñarse
bien durante este periodo, el servicio en cualquier otro
momento será aun mejor.
EJEMPLO 2

El gerente de operaciones siente que el sistema actual cumple con

las condiciones...:
 Una población de clientes finita.
 Un proceso de llegada en el que los clientes se presentan de
acuerdo con un proceso de Poisson con una tasa promedio de l
clientes por unidad de tiempo.
 Un proceso de colas que consiste en una sola línea de espera de
capacidad infinita, con una disciplina de colas de primero en
entrar primero en salir.
 Un proceso de colas que consiste en un solo servidor que atiende
a los clientes de acuerdo con una distribución exponencial con
un promedio de m clientes por unidad de tiempo.
EJEMPLO 2
 Su siguiente paso debe ser estimar las tasas promedio
de llegada y de servicio en dicha estación.
De los datos disponibles, suponga que la gerencia
determina que los valores son:
λ = Numero promedio de camiones que llegan por hora =
60.
μ = Numero promedio de camiones que pueden ser
pesados por hora = 66.
El valor de μ=66 es mayor que el de λ= 60, de modo que es
posible hacer el análisis de estado estable de este
sistema
EJEMPLO 2

 CALCULO DE LAS MEDIDAS DE

RENDIMIENTO.
 M / M / 1. intensidad del trafico “ρ”
 Ρ que es el cociente de λ entre μ . Para el
problema , esta intensidad de trafico es ρ= λ / μ =
60 / 66 = 0.9091.
 Mientras mas cerca esté ρ de 1 más cargado
estará el sistema, lo cual tiene como resultado
colas mas largas y tiempos de espera mas
grandes.
Probabilidad de que no haya clientes en el sistema ( P 0)

P0 = 1 – ρ= 1 – 0.9091 = 0.0909
Este valor indica que aproximadamente 9 % del
tiempo, un camión que llega no tiene que
esperar a que se le proporcione el servicio
porque la estación de pesado esta vacía.
Dicho de otra manera, aproximadamente 91
% del tiempo un camión que llega tiene que
esperar.
Numero promedio en la fila ( Lq )

 Lq = ρ 2 / (1 - ρ) = (0.9091)2 / ( 1 – 0.9091)
Lq= 9.0909

 En otras palabras en el estado estable, en

promedio, la estación de pesado puede
esperar tener aproximadamente 9
camiones esperando para obtener servicio
( sin incluir al que se esta pesando )
Tiempo promedio de espera en la cola (
Wq )

Wq = Lq / λ = 9.0909 / 60 = 0.1515.

Este valor indica que, en promedio,

un camión tiene que esperar
0.1515 horas, aproximadamente
9 minutos, en la fila antes que
empiece el proceso de pesado.
 Tiempo promedio de espera en el
sistema ( W )

W = Wq + 1/ μ = 0.1515 + 1/66 = 0.1667.

Ester valor indica que, en promedio, un camión

invierte 0.1617 horas , 10 minutos, desde
que llega hasta que sale
Numero promedio en el sistema (L)

L = λ * W = 60 * 0.1617 = 10

Este valor indica que, en promedio,

existe un total de 10 camiones en la
estación de pesado, ya sea en la
bascula o esperando a ser
atendidos.
 Probabilidad de que un cliente que
llega tenga que esperar ( P(T>0)

P(T>0) = 1 – P0 = ρ = 0.9091.

 Este valor como se estableció en el paso 1,

indica que aproximadamente 91 % del
tiempo un camión que llega tiene que
esperar.
Probabilidad de que haya n clientes en
el sistema ( Pn)
 Pn = ρ n * P0
 Al utilizar esta formula se obtiene las siguientes
probabilidades:Muestra la distribución de probabilidad para el
n Pn numero de camiones que se encuentra en el
sistema. Los números que aparecen en la tabla
0 0,0909
se pueden utilizar para responder una
1 0,0826 pregunta como:
2 0,0751 ¿ Cual es la probabilidad de que no haya mas
3 0,0683 de tres camiones en el sistema ?
… …. En este caso, la respuesta de 0.3169 se
obtiene mediante la suma de los 4 primeras
probabilidades de la tabla, para n = 0, 1, 2, 3
 Calculo de la utilización

U = ρ = 0.9091.
 Este valor indica que aproximadamente 91
% del tiempo las instalaciones de pesado
están en uso ( un camión esta siendo
pesado ). De manera equivalente,
aproximadamente 9 % del tiempo la
estación esta sin funcionar, sin que
haya camiones que se estén pesando.
 CONCLUSIONES

 Hecho el estudio se concluye que los

indicadores están en intervalos razonables,
así un tiempo de espera de 10 min (W=10min)
para que un chofer pueda pasar al proceso de
pesado es razonable
 CONCLUSIONES

 Se tiene también que un promedio de Lq=9

camiones esperando para ser pesados es
razonable, pues la rampa de salida tiene
espacio para 15 camiones, pero la gerencia
esta preocupada puesto se dan veces donde
la cola llega a colapsar el espacio
 CONCLUSIONES

 Para calcular la probabilidad de que ese

colapso ocurra, se calcula la probabilidad de
que el numero de camiones en el sistema sea
17 o más (siendo uno atendido y 16 o más
esperando en la rampa), ese numero se
obtiene sumando las probabilidades Pn, de
que “n” camiones se encuentren en el
sistema, cuyo resultado será 0,20 o sea el
20% del tiempo los camiones sobrepasaran la
rampa y se colapsará.
 CONCLUSIONES

 De todos modos a nivel general el

sistema no presenta un nivel optimo de
desempeño, la gerencia planea mejorar la
eficiencia del sistema, no solo por la
razón anterior sino por que un estudio
técnico les indica que se prevé un
incremento 70 camiones por hora de
llegada pico.
RESUMEN DE FORMULAS M/M/1
 EJEMPLO M/M/2
   EL PROBLEMA DE COLAS SOBOCE
 La administración esta considerando mejorar la calidad
del servicio en sus estaciones de despacho y ha
seleccionado una de las instalaciones como modelo a
estudiar, antes de instrumentar los cambios. La
administración desea analizar y entender el desempeño
del sistema actual delas horas pico, cuando llega a la
báscula el mayor número de camiones suponiendo que
el sistema puede desempeñarse bien durante este
periodo, el servicio en cualquier otro momento será aun
mejor.
 EJEMPLO M/M/2
 Recuerde la última propuesta de construir una segunda
báscula en la estación de pesado. Esta propuesta tiene como
resultado un sistema de dos servidores, dos básculas y la
siguiente estimación de llegada, utilizando el personal actual.

 C= 2 Servidores
 λ = 70 Camiones por hora
 μ = 40 Camiones por hora en cada báscula

E l valor de c* μ = 2* 40 = 80, es mayor que λ= 70 de

modo que el ejercicio se puede desarrollar con un
análisis estable para el sistema.
 Intensidad de trafico
ρ= λ / μ = 70 / 40 = 1,75.

1. Probabilidad de que ningún cliente este

en el sistema P(o):
Este valor indica que
aproximadamente 7%
del tiempo, la estación
de pesado esta vacía s=c
2. Número promedio en la fila( Lq) s=c

En promedio la estación de pesado, puede esperar tener

aproximadamente 6 camiones esperando a ser
atendidos, sin incluir al que ya esta en la bascula