Mtodos Cuantitativos para la Toma de Decisiones

Daniel Serra de La Figuera

Octubre 2002

Prlogo
Este libro se refiere al uso de modelos cuantitativos en la resolucin de problemas de gestin y administracin de sistemas complejos, con especial nfasis en la toma de decisiones. Ha sido escrito para dos tipos de usuarios: el administrador general o administrador en potencia, que puede sacar provecho de su uso en la comprensin y aplicacin de los modelos cuantitativos para la toma de decisiones; o para estudiantes de estudios en donde la toma de decisiones juega un papel fundamental, como son los de gestin y administracin y economa entre otros. El libro no pretende ser exhaustivo en cuanto a las tcnicas existentes, ya que existe un sinfn de excelentes manuales de tcnicas cuantitativas y de investigacin operativa (algunos de ellos se citan al final del libro). La gran diferencia entre este libro y los manuales clsicos radica en que el nivel de complejidad matemtica se mantiene al mnimo nivel posible, y se hace especial nfasis en el planteamiento de modelos y en explicar como algunas de las tcnicas existentes pueden ayudar a solucionar problemas que aparecen en cualquier organizacin. Por ello, para su lectura no se necesita una formacin matemtica previa; incluso se puede decir que en todo el libro no se utilizan mas que las cuatro operaciones aritmticas bsicas: sumar, restar, multiplicar y dividir. Tambin se incluye la posibilidad de obtener todos los problemas resueltos as como una explicacin de cmo resolver cualquier formulacin presentada en este libro con la popular hoja de clculo Microsoft Excel 97 en la direccin electrnica siguiente: http://www.econ.upf.es/~serra/libro.htm Sobre el autor. Daniel Serra de La Figuera es licenciado en Ciencias Econmicas y Empresariales por la Universidad Autnoma de Barcelona, Master en Anlisis de sistemas para la toma de decisiones y Doctor (Phd) por la Universidad Johns Hopkins de EEUU. Actualmente es Catedrtico de Universidad de Organizacin de Empresas del departamento de Economa y Empresa en la Universidad Pompeu Fabra. Ha realizado diversos trabajos para el sector pblico y para el sector privado en el campo de la toma de decisiones y logstica, tanto dentro del mbito sanitario como el de transporte y distribucin. Ha publicado varios artculos en prestigiosas revistas cientficas internacionales e imparte clases en diversos masters y cursos de postgrado relacionados con la gestin y administracin. Actualmente es director del Instituto de Estudios Territoriales de la Universidad Pompeu Fabra, investigador del Centre de Recerca en Economia i Salud y vicerrector de Economa, Promocin y Servicios de la misma universidad.

Agradecimientos Este libro ha recibido el apoyo de la Fundacin Banco Bilbao Vizcaya y del Centre de Recerca en Economia i Salud (CRES) de la Universidad Pompeu Fabra. EL autor tambin agradece a las profesoras Rosa Colom Perales y Helena Ramalhinho Loureno por su ayuda y aportaciones al texto. Prohibida su reproduccin sin el consentimiento del autor. Para entrar en contacto, enviar un mensaje a: daniel.serra@econ.upf.es

Tabla de Contenidos 1
Programacin Lineal I: Formulacin de Problemas ____________________ 9 1.1 1.2 Introduccin _______________________________________________ 9 Orgenes de la Programacin Lineal ___________________________ 10 12 12 13 15 17

1.3 Formulacin de Modelos_____________________________________ 1.3.1 Un Problema de asignacin de personal __________________________ 1.3.2 Un problema de asignacin de recursos __________________________ 1.3.3 Un problema de transporte ____________________________________ 1.3.4 Un problema de Programacin Financiera ________________________

1.4 Tres ejemplos de Aplicacin de la Investigacin Operativa en el mbito Sanitario _______________________________________________________ 19 1.4.1 Planificacin y asignacin de recursos en un sistema de salud mental ____ 19 1.4.2 Programacin de Servicios de Salud a Domicilio ___________________ 20 1.4.3 Fabricacin de Vlvulas Cardiacas ______________________________ 21 1.5 Problemas ________________________________________________ 23

Programacin Lineal II: Mtodos de Resolucin ______________________ 29 2.1 2.2 El mtodo grfico __________________________________________ 29 El Mtodo Simplex _________________________________________ 32 44 44 45 46 47

2.3 Adaptacin a otro tipo de modelos _____________________________ 2.3.1 Restricciones con igualdad ____________________________________ 2.3.2 Restricciones con direccin . _________________________________ 2.3.3 Minimizacin ______________________________________________ 2.3.4 Variables no acotadas ________________________________________ 2.4 2.5 2.6

Situaciones especiales en el mtodo Simplex _____________________ 47 Soluciones con Ordenador ___________________________________ 48 Ejercicios _________________________________________________ 54

Programacin Lineal Entera ______________________________________ 59 3.1 3.2 3.3 3.4 3.5 Introduccin ______________________________________________ 59 El algoritmo de bifurcacin y acotamiento_______________________ 59 Programacin Entera y Solver ________________________________ 62 Programacin Entera Binaria I: El Problema de la Mochila ________ 63 El Problema de Asignacin ___________________________________ 65 67 68 72 74

3.6 Problemas de Localizacin de Servicios _________________________ 3.6.1 Modelos de Cobertura _______________________________________ 3.6.2 Modelo de Localizacin P-Mediano ____________________________ 3.6.3 El Problema de Localizacin de Plantas con Capacidad ______________

3.7 3.8 3.9

Conclusiones ______________________________________________ 75 Problemas ________________________________________________ 77 Anexo: Datos de la red de 20 nodos ____________________________ 79

Programacin Multiobjetivo ______________________________________ 81 4.1 4.2 Introduccin ______________________________________________ 81 Espacio de Decisiones y Espacio de Objetivos ____________________ 81 84 84 87 89

4.3 Mtodos de Resolucin ______________________________________ 4.3.1 El Mtodo de la restriccin____________________________________ 4.3.2 El Mtodo de los Pesos_______________________________________ 4.3.3 Extensiones de la programacin multiobjetivo._____________________ 4.4

Problemas ________________________________________________ 90

Gestin de Colas________________________________________________ 93 5.1 5.2 5.3 Descripcin de un sistema de colas _____________________________ 93 Objetivos de la gestin de colas________________________________ 95 Medidas del sistema_________________________________________ 96 96 96 96 97

5.4 Un sistema de colas elemental: tasa de llegada y de servicio constantes 5.4.1 No hay cola, tiempo ocioso del servidor __________________________ 5.4.2 No hay cola ni tiempo ocioso del servidor. ________________________ 5.4.3 Formacin de cola y sin tiempo ocioso en el servidor ________________

5.5 Las distribuciones de Poisson y Exponencial _____________________ 97 5.5.1 La distribucin de Poisson ____________________________________ 97 5.5.2 La distribucin Exponencial ___________________________________ 98 5.6 Modelo de colas simple: Llegadas en Poisson y tiempos de servicio exponencialmente distribuidos. _____________________________________ 99 5.7 Modelo mltiple de colas: Llegadas en Poisson y tiempos de servicio exponencialmente distribuidos. ____________________________________ 102 5.8 Limitaciones de los modelos de gestin de colas__________________ 104 104 104 105 106 107 5.9 Ejemplo de simulacin de un sistema de colas. __________________ 5.9.1 Recogida de datos__________________________________________ 5.9.2 Simulacin de llegadas. _____________________________________ 5.9.3 Simulacin de los tiempos de servicio __________________________ 5.9.4 Simulacin conjunta del sistema_______________________________ 5.10

Problemas _______________________________________________ 111

Gestin y Administracin de Proyectos (PERT/CPM) __________________ 113 6.1 6.2 Definicin de la Gestin y Administracin de Proyectos ___________ 113 Representacin grfica de un Proyecto ________________________ 115

6.3 Planificacin Temporal del Proyectos (CPM) ___________________ 120 6.3.1 Primera fase: anlisis temporal de los sucesos ____________________ 120

6.3.2 Segunda fase: anlisis temporal de las actividades _________________ 122 6.3.3 Tercera fase: anlisis ms detallado de los mrgenes _______________ 123 6.4 El Grfico Gantt __________________________________________ 124 6.5 El PERT _________________________________________________ 125 6.5.1 Ejemplo de PERT__________________________________________ 126 6.6 6.7 6.8 Planificacin de Recursos: Tiempo-Coste ______________________ 128 Conclusiones _____________________________________________ 129 Problemas _______________________________________________ 131

Bibliografa __________________________________________________ 135

1 Programacin Lineal I: Formulacin de

Problemas
1.1 Introduccin
El desarrollo de la investigacin operativa, segn muchos autores, ha representado uno de los avances cientficos ms importantes desde mediados del siglo XX. Actualmente es una herramienta utilizada en muchos campos de la administracin, de la economa y de la ingeniera. Existen muchos libros de texto sobre el tema y miles de artculos cientficos en revistas especializadas. La investigacin operativa tiene como base el mtodo cientfico para investigar y ayudar a tomar decisiones sobre los problemas complejos de las organizaciones de hoy en da. Bsicamente la investigacin operativa sigue los pasos siguientes: (1) la observacin de un problema, (2) la construccin de un modelo matemtico que contenga los elementos esenciales del problema, (3) la obtencin, en general con la utilizacin de un ordenador, de las mejores soluciones posibles con la ayuda de algoritmos exactos o heursticos y finalmente (5), la calibracin y la interpretacin de la solucin y su comparacin con otros mtodos de toma de decisiones. Un ejemplo simple, el problema de la asignacin, nos puede servir para ilustrar la dificultad esencial de la investigacin operativa. Un hospital tiene 70 trabajadores con calificaciones diferentes (mdicos, enfermeros, ATS, personal de administracin, etc.) que hemos de asignar a 70 actividades tambin diferentes. Si pudiramos determinar un valor que reflejase la asignacin de un trabajador a una tarea determinada, tendramos que escoger una entre 70! formas posibles de permutacin de las asignaciones que maximice el valor total. Cmo que 70! es aproximadamente igual a 10100, necesitaramos un ordenador que ejecutase 1.000.000 de operaciones por segundo durante aproximadamente 1087 aos (muchas veces la vida proyectada del universo) para examinar todas las permutaciones. Problemas de decisin como ste son muy comunes y se tienen que desarrollar modelos de programacin matemtica, mtodos matemticos para obtener soluciones a los modelos, y algoritmos de ordenador (procedimientos paso a paso) muy eficientes. Se dice que la investigacin operativa constituye el 25% del tiempo total utilizado por los ordenadores para resolver problemas cientficos. La investigacin operativa ha tenido un impacto impresionante en la mejora de la eficiencia de numerosas organizaciones en todo el mundo. Existen inmeras aplicaciones con xito en todos los campos en donde la toma de decisiones es compleja y que pueden implicar para la organizacin grandes inversiones o cambios en la organizacin que determinen su futuro. La programacin lineal es la herramienta bsica ms utilizada dentro de la investigacin operativa, debido tanto a su inmenso abanico de aplicaciones como a su simplicidad de implementacin. Efectivamente, el desarrollo de la programacin lineal, segn muchos autores, ha representado uno de los avances cientficos ms importantes desde mediados del siglo XX. Actualmente es una herramienta utilizada en muchos campos de la administracin, de la economa y de la ingeniera. Existen muchos libros de texto sobre el tema y miles de artculos cientficos en revistas especializadas.

La programacin lineal es un caso especial de la programacin matemtica, en donde todas las funciones que hay en el modelo son lineales: siempre tenemos una funcin objetivo lineal a optimizar (maximizar o minimizar), sujeta a restricciones lineales individuales. Las variables del modelo, que son continuas, nicamente pueden coger valores no negativos. Si bien puede parecer que estos supuestos quitan realismo al problema porque el modelador est limitado al uso de ecuaciones que quizs no son frecuentes en el mundo real, las tcnicas de programacin lineal se utilizan en un amplsimo espectro de problemas como, entre otros, de planificacin y gestin de recursos humanos y materiales, de transporte, de planificacin financiera y de organizacin de la produccin. En definitiva, una extensa gama de problemas que aparecen en las reas de tipo industrial, econmico, administrativo, militar... El trmino programacin tiene su origen en la planificacin de las actividades que se realizan en una organizacin tal como una fbrica, un hospital, una compaa area o un organismo pblico, en dnde hay un objetivo a optimizar (maximizacin de beneficios, minimizacin de costes, maximizacin de la cobertura sanitaria, etc.). No tenemos que confundir este trmino con la programacin en referencia a la preparacin de una serie de ordenes e instrucciones de un lenguaje informtico en un ordenador.

1.2 Orgenes de la Programacin Lineal

La programacin lineal, si bien actualmente se utiliza frecuentemente para resolver problemas de decisin, era casi desconocida antes de 1947. Ninguna investigacin significativa fue realizada antes de esta fecha, si bien hay que mencionar que, alrededor de 1823, el matemtico francs Jean Baptiste Joseph Fourier pareca conocer el potencial del tema. Un matemtico ruso, Leonid Vitalievitx Kantorovitx, que public una extensa monografa en 1939, Matematitxeskie Metodi Organisatsi i Planirovaniia Proisvodstva (Mtodos matemticos para la organizacin y planificacin de la produccin) fue el primer investigador en reconocer que una amplia gama de problemas de produccin y distribucin tenan una estructura matemtica y, que por lo tanto, se puedan formular con un modelo matemtico. Desgraciadamente sus propuestas fueron desconocidas tanto en Unin Sovitica como en el occidente durante dos dcadas. Durante este periodo, la programacin lineal experiment un gran desarrollo tanto en Estados Unidos como en Europa. Despus de la segunda guerra mundial, funcionarios del gobierno americano consideraron que la coordinacin de las energas de toda una nacin debido al peligro de una guerra nuclear requerira la utilizacin de tcnicas cientficas de planificacin. Con la aparicin del ordenador esto se hizo posible. Se crearon instituciones como la Corporacin RAND en donde ingenieros y matemticos se pusieron a trabajar intensamente en la formulacin y resolucin de problemas matemticos aplicados a la toma de decisiones. Entre otros, se propuso un modelo de programacin lineal por su simplicidad y aplicabilidad, sin dejar de dar un marco lo suficientemente amplio para representar actividades interdependientes que han de compartir recursos escasos. El sistema (como, por ejemplo, la produccin industrial) se compone de diversas actividades relacionadas entre ellas (formacin, fabricacin, almacenaje, transporte, distribucin y venta). Este fue el primer modelo de programacin lineal conocido.

En qu consiste la Programacin Lineal? La Programacin lineal (PL de ahora en adelante) consiste en encontrar los valores de unas variables que maximizan o minimizan un nico objetivo sujeto a una serie de restricciones. Las principales caractersticas de PL son:

10

1. 2. 3. 4.

Un nico objetivo lineal a optimizar (maximizar o minimizar) Unas variables de decisin que siempre son continuas1 y no negativas Una o ms restricciones lineales Un conocimiento exacto de los parmetros y recursos utilizados en la construccin del modelo.

Si todas estas condiciones se cumplen, existen varios mtodos de obtencin de soluciones que nos dan la solucin ptima con un coste computacional relativamente reducido. Como veremos ms adelante, incluso la ms popular de las Hojas de Clculo, Excel, incorpora una herramienta para resolver programas lineales. A continuacin analizaremos con ms detalles estas caractersticas y lo que ocurre si una o varias de ellas no se cumplen. En primer lugar, cabe destacar que en la PL todas las funciones utilizadas tanto en el objetivo como en las restricciones son lineales. Es decir, las restricciones consisten en la suma de variables multiplicadas por sus respectivos parmetros, siendo esta funcin menor, igual o mayor que un determinado recurso. El objetivo tambin es lineal, si bien desconocemos a priori su valor. En caso de que tanto el objetivo como una o ms restricciones no fueran lineales, sera necesario el introducir mtodos de programacin no-lineal, que son mucho ms complejos de resolver y cuya optimalidad no siempre est garantizada. En segundo lugar, la PL considera que las variables de decisin son continuas. Desde el punto de vista matemtico de obtencin de soluciones, esta caracterstica no ofrece problemas. Ahora bien, en muchas situaciones, la interpretacin econmica de la solucin de un problema de PL no tiene sentido si obtenemos fracciones en las variables. Por ejemplo, si estamos asignando trabajadores a tareas, no tiene sentido un resultado que en un momento determinado asigne 3,4 trabajadores a una determinada tarea. Por otro lado, y como veremos ms adelante, si uno opta por redondear al entero ms prximo se puede cometer un grave error. Para poder obtener soluciones enteras en problemas que lo requieren, se utiliza la Programacin lineal Entera, que ser objeto de estudio en el captulo cuarto de este libro. En tercer lugar, los modelos de PL consideran que hay un nico objetivo a maximizar o minimizar. Muchas veces podemos tener que resolver problemas que tienen ms de un objetivo. Por ejemplo, por un lado podemos querer maximizar la cobertura de un determinado servicio sanitario, mientras que por el otro queremos reducir los costes generales. Ambos objetivos son conflictivos, en el sentido de que aumentar la cobertura significara un aumento en la necesidad de recursos con el consecuente incremento de costes en el sistema. Esta conflictividad se resuelve utilizando mtodos de Programacin Multicriterio o multiobjetiva, presentados en el captulo quinto de este libro. Finalmente, en la PL se considera que los parmetros utilizados en la construccin del modelo se conocen con exactitud, o en trminos ms tcnicos, son determinsticos. Sin embargo, existen situaciones en las que uno o ms parmetros tienen un componente estocstico, o en palabras menos tcnicas, tienen una variabilidad (que en algunos casos puede ser representada por una distribucin estadstica). Si esto acontece, la PL ya no es un buen instrumento para la obtencin de soluciones. Es necesario utilizar tcnicas de Programacin Estocstica, que quedan fuera del alcance de este libro.

Por continuas se entiende que pueden tomar valores fraccionados

11

1.3 Formulacin de Modelos

En esta seccin se presentan algunos ejemplos de los problemas con los cuales se puede encontrar una organizacin y como la programacin lineal puede expresarlos matemticamente.

1.3.1 Un Problema de asignacin de personal

El hospital Optsalud ha decidido ampliar su servicio de urgencias (abierto las 24 horas) con la consiguiente necesidad de nuevo personal de enfermera. La gerencia del hospital ha estimado las necesidades mnimas de personal por tramos horarios para poder cubrir las urgencias que se presenten. Se definieron 6 tramos de 4 horas. La necesidad mnima de personal en cada tramo se indica en el Cuadro 1.1. Por otro lado, el departamento de recursos humanos ha informado a gerencia que los contratos laborales han de ser de ocho horas seguidas, segn el Convenio firmado con los sindicatos, independientemente de los horarios de entrada y salida del personal. El problema es encontrar el nmero mnimo de personal necesario para cubrir la demanda. Cuadro 1.1: Necesidades de personal por tramos horarios
Tramos Horarios J Personal Nj
1 0:00-4:00 2 4:00-8:00 3 8:00-12:00 4 12:00-16:00 5 16:00-20:00 6 20:00-24:00

Formulacin del problema: En primer lugar, se tienen que definir las variables del modelo que queremos desarrollar. Como hemos de controlar en nmero de personal en cada turno, definimos Xj como la cantidad de personal que entra a trabajar en el turno j, en donde j=1,...,6. Es decir, hay una variable para cada turno. Las restricciones del modelo tienen que reflejar la necesidad de que la cantidad de personal que entren en el periodo j ms el nmero de personas que entraron a trabajar en el turno j-1 sean suficientes para cubrir las necesidades del turno j (Nj). Esta situacin queda reflejada en el Cuadro 1.2. En esta tabla, un trabajador que entra a trabajar, por ejemplo, a las 4:00, trabajar en los turnos 2 y 3, y por tanto, contribuir a cubrir las necesidades de estos dos turnos. En otras palabras, el turno j estar siendo atendido por Xj-1 y Xj. En consecuencia, tendremos que Xj-1 + Xj (el personal que trabaja durante el turno j) tiene que ser, como mnimo, igual a Nj, que es el nmero mnimo de personal de enfermera necesario para este turno. En trminos matemticos la restriccin es la siguiente: Xj-1 + Xj Habr una restriccin para cada horario de entrada. El objetivo de la gerencia consiste en la minimizacin del nmero total de personal de enfermera necesario para cubrir las necesidades diarias. Este nmero ser igual a X1 +X2 +X3 +X4 +X5 +X6 que representa la suma del nmero de personal que entra en cada periodo. Finalmente, el modelo matemtico es el siguiente: Nj

12

min Z = X j
j =1

Sujeto a: X6 + X1 9 X1 + X2 5 X2 + X3 3 X3 + X4 7 X4 + X5 5 X5 + X6 6 Xj 0, j= 1,...,6

Cuadro 1.2: Necesidades de personal

Tramos Horarios
1 0:00-4:00 2 4:00-8:00 3 8:00-12:00 4 12:00-16:00 5 16:00-20:00 6 20:00-24:00

0:00 4:00 8:00 12:00 16:00 20:00 Personal Nj

X1

X1 X2

X2 X3

X3 X4

X4 X5

X6 9 5 3 7 5

X5 X6 6

1.3.2 Un problema de asignacin de recursos

El gerente del hospital Muchsalud ha observado que algunos de sus servicios tienen capacidad ociosa. Siguiendo una propuesta realizada por el equipo mdico, esta capacidad ociosa podra aprovecharse para introducir dos tipos nuevos de ciruga, A y B. Tanto los pacientes de tipo A como los de tipo B tienen que pasar primero por una sala de pre-ciruga y, una vez pasado por el quirfano tienen que estar en observacin en una sala postoperatoria, que no existe de momento. El equipo mdico ha estimado el tiempo medio que necesita cada paciente de tipo A y de tipo B en cada uno de los servicios pre-quirrgico (PQ), quirrgico (QI) y postoperatorio (PO). La experiencia en un hospital similar muestra que por cada tres pacientes de tipo A que llegan al hospital como mnimo llega uno de tipo B. Por otra parte, se ha estimado el coste de cada paciente en los diferentes servicios. El Cuadro 2.3 muestra los datos del problema, teniendo en cuenta que la capacidad ociosa es en horas mensuales y el coste por paciente en .

13

Cuadro 2.3: Estimaciones horarias de las cirugas A y B

Horas Necesarias de Ciruga Sala PQ Sala QI Sala PO Coste A 1 3 4 13 B 3 2 2 18 Capacidad Ociosa 144 162

Como el servicio postoperatorio (PO) an no existe, el gerente argumenta que para justificar su creacin tiene que utilizarse durante un mnimo de 135 horas al mes. Por otra parte, el presupuesto mensual asignado a las nuevas cirugas es de 982 . El gerente quiere saber cual ser el nmero mximo de pacientes que podrn ser operados al mes.

Formulacin matemtica del problema: Primero definimos las variables del modelo. Sean X1 y X2 el nmero total de pacientes por mes que pueden ser tratados con la ciruga A y B respectivamente. A continuacin se presentan las restricciones. Se ha establecido que en la sala PQ se disponen de 144 horas. En otras palabras, la utilizacin de esta sala no puede sobrepasar las 144 horas. Como cada uno de los pacientes de tipo A y de tipo B consumen 1 hora y 3 horas en esta sala respectivamente, el nmero total de horas mensuales consumidas en PQ para los dos tipos ser igual a X1 + 3X2. Este nmero tiene que ser inferior o igual a las 144 horas. La restriccin ser la siguiente: X1 + 3X2 144

El mismo razonamiento puede ser utilizado para determinar el nmero lmite de horas en la sala QI. Como el total de horas consumidas ser igual a 3X1 + 2X2, y hay un mximo de 162 horas disponibles, la restriccin sobre QI ser: 3X1 + 2X2 162

El gerente ha determinado que, para viabilizar los nuevos tratamientos, se tiene que ocupar la nueva sala PO durante un mnimo de 135 horas al mes. Como el nmero de horas mensuales que se utilizar en PO es igual a 4X1 + 2X2 , tendremos que: 4X1 + 2X2 135

La experiencia en otros hospitales muestra que, por cada 3 pacientes de tipo A, viene como mnimo un paciente de tipo B. Matemticamente, esto se expresa como: X1/3 que es equivalente a: X1 - 3X2 0 X2

Finalmente, el gasto mensual realizado en las dos cirugas no puede exceder 982 . Como cada paciente de tipo A y de tipo B cuesta 13 Euros y 18 Euros respectivamente, el gasto total mensual ser de 13X1 + 18X2 , cantidad que no puede exceder 982 , tendremos que:

14

13X1 + 18X2

982

Ahora se necesita formular el objetivo. El gerente quiere saber el nmero mximo de enfermos de tipo A y de tipo B que se puede atender cada mes. Simplemente, tendremos que si Z es este nmero, el objetivo se expresar como: Max Z = X1 + X2 En resumen, la formulacin del problema es la siguiente: Max Z = s.a. (1) (2) (3) (4) (5) X1 3X1 4X1 X1 13X1 + 3X2 + 2X2 + 2X2 - 3X2 + 18X2 0 144 162 135 0 982 X1 + X2

X1, X2

1.3.3 Un problema de transporte

El hospital Saludmuch pertenece a la Compaa de Seguros Todosalud SA. Esta sociedad tiene un Centro de Asistencia Primaria (CAP) en n pueblos y ciudades de una regin (un CAP en cada centro urbano). Para obtener un buen funcionamiento global del servicio y poder planificar el nmero de visitas en funcin del personal previsto en cada CAP y de su dimensin, Todosalud S.A. ha decidido organizar el servicio de tal forma que todos sus asegurados tengan un CAP de referencia asignado, pero que sea ste el ms cercano posible a su lugar de residencia. En la regin hay m ciudades y pueblos (siendo m mucho mayor que n) y la compaa sabe cuantos asegurados tiene en cada uno de ellos. Los CAP tienen una capacidad mxima de pacientes que pueden soportar. El objetivo es asignar a los asegurados a los CAPs minimizando el coste o la distancia total. Si no existiera el problema de capacidad, el modelo sera trivial, ya que bastara asignar cada ciudad al CAP ms cercano, obtenindose el coste de transporte ms barato. Al tener lmites en la capacidad, puede ser que no todas las ciudades tengan asignado el centro ms cercano, ya que esto implicara una sobre utilizacin. Entonces, puede ser que alguna ciudad, o parte de ella tenga asignada CAP que no es el ms cercano, en funcin de la disponibilidad o holgura del sistema. En caso de que queramos asignar un nico CAP a cada ciudad, se tiene que formular un problema diferente, El Problema de Asignacin, que se describir en el Captulo 4. En primer lugar se definen los parmetros necesarios para formular el modelo. Sea ai el nmero de asegurados en el centro urbano i, i = 1,...,m. Sea b j el nmero total de asegurados que el CAP j puede tener asignados como mximo, j = 1,...,n. Se define cij como el coste de desplazamiento entre i y j.

15

Como se necesita conocer cuantas personas del centro urbano i sern asignadas al centro j, se define la variable Xij como el nmero de personas que provienen del centro urbano i que sern atendidas por el CAP j. Una vez definidos los parmetros y las variables, necesitamos definir las restricciones del modelo. En este problema hay dos tipos de restricciones. La primera viene definida por la capacidad de atencin mxima de los CAPs. El nmero total de asegurados asignados al CAP j no puede exceder su capacidad bj. Para un CAP determinado j, no podemos asignar las poblacin que la que determina su capacidad mxima X1j + X2j + ... + Xij + ... + Xmj En trminos matemticos: bj

X
j =1

ij

bj

j = 1,K , n

El segundo grupo de restricciones tiene que considerar que hemos de asignar la totalidad de los asegurados de Todosalud SA de cada centro urbano i a los CAPs existentes.

X
j =1

ij

= ai

i = 1,K , m

Finalmente, se tiene que formular el objetivo de minimizacin total de la distancia o coste total del sistema. Este viene definido por: c11X11 + c12X12 + ... + c1n X1n + ... + cijXij + ... + cm1Xm1 + ... + cmnXmn que podemos re-escribir en forma compacta como:

min Z = cij X ij
i =1 j =1

En resumen, la formulacin completa del modelo es la siguiente:

min Z = cij X ij
i =1 j =1

X
j =1 n

ij

bj = ai
Xij 0,

j = 1,K , n i = 1,K , m
i = 1,...,m j = 1,...,n

X
j =1

ij

Se tiene que observar que este problema presenta una peculiaridad que no est en la formulacin. Para que el problema tenga una solucin factible, el nmero total de asegurados no puede exceder la capacidad total de los CAPs. Es decir, existe la siguiente restriccin implcita en el modelo:

16

 a b
i =1 i j =1

Si esto no se verificara, el problema no tendra solucin.

1.3.4 Un problema de Programacin Financiera

La compaa de seguros Todosalud SA est preparando su plan de inversiones para los prximos dos aos. Actualmente, la empresa tiene 1,5 millones de euros para invertir y espera ingresar, gracias a inversiones pasadas, un flujo de dinero al final de los meses, 6 12 y 18 prximos. Por otra parte, la empresa quiere expandirse y tiene dos propuestas sobre la mesa. La primera es asociarse con la empresa Sanimas SA y la segunda con la empresa Buenavida SA. En el Cuadro 2.4 es muestra el flujo de caja de Todosalud SA si entrara con un 100% en cada uno de los proyectos. Cuadro 2.4: Flujo de Caja de Todosalud SA (miles de
Inicial Inversiones Pasadas Sanimas SA Buenavida SA 6 meses 500 -700 500 12 meses 400 1.800 -200 380 400 -700

)
24 meses

18 meses

-1.000 -800

600 2.000

Debido al actual nivel de endeudamiento, a Todosalud SA no se le permite pedir prstamos. Pero si que puede, a cada seis meses, invertir sus fondos excedentes (es decir, aquellos que no ha invertido en ningn proyecto) en un fondo que le dara un 7% cada seis meses. Por otro lado, Todosalud SA puede participar en cada uno de los proyectos con un nivel inferior al 100% y, consecuentemente, el flujo de caja se reducir en la misma proporcin. Es decir, que si decide entrar por ejemplo con el 50% en el proyecto de Buenavida, el flujo correspondiente tambin se reducir en la misma proporcin. El problema que se plantea Todosalud SA es cuanto invertir en cada proyecto para maximizar el dinero en efectivo que tendr la empresa en dos aos.

Formulacin matemtica del problema: Siguiendo nuestro esquema habitual, una vez el problema ha sido identificado y los parmetros del modelo han sido definidos, se tienen que definir las variables. Sea X1 el porcentaje de participacin en el proyecto Sanimas y X2 el porcentaje de participacin en el proyecto Buenavida SA (0 X1 1, 0 X2 1). Por otro lado, sean S 0, S 6, S12 y S 18 el dinero que se depositar en el fondo en los periodos 0, 6 12 y 18 respectivamente. Para formular las restricciones del modelo se utilizar un razonamiento secuencial. La empresa dispone de 1,5 millones de pesetas hoy (periodo 0) y las quiere gastar considerando las opciones siguientes: 1. participar en el proyecto Sanimas, que implicara desembolsar 1.000.000X1 pesetas en el periodo 0; 2. participar en el proyecto Bonavida, teniendo que gastar 800.000X2; 3. depositar el dinero al 7% Estas opciones no son excluyentes entre ellas. Por lo tanto, se tiene que cumplir la siguiente ecuacin de equilibrio:

17

1.500 = 1.000X1 + 800X2 + S0 Al cabo de seis meses, la empresa ingresar 500.000 ptas. gracias a inversiones realizadas anteriormente. Tambin el dinero depositado en el fondo en el periodo anterior estar a disposicin junto con los intereses: S0 + 0,07S 0 . Por otra parte, el proyecto Buenavida dar una entrada de dinero igual a 500.000X2. Con este dinero tendr que hacer frente al compromiso adquirido con Sanimas, 700.000X1, y depositar lo que quede al 7% una vez ms. Matemticamente: 500 + 500X2 + 1,07S0 = 700X1 + S6 En el periodo 12, la empresa recibir 400.000 ptas. de inversiones anteriores, 1.800.000X1 del proyecto Sanimas y el dinero del fondo junto con los intereses. Con estos ingresos tendr que cubrir el compromiso del proyecto Buenavida, 200.000X2 y depositar S 12 ptas. en el fondo. En trminos matemticos: 400 + 1.800X1 + 1,07S 6 = 200X2 + S12 En el periodo 18, los ingresos que tendr la empresa vendrn de inversiones anteriores (380.000 ), del proyecto Sanimas (400.000X1 ) y del depsito realizado en el periodo anterior incluyendo los intereses (1,07 S 12 ). Con este dinero tendr que realizar un gasto de 700.000 X2 en el proyecto Buenavida y el resto puede volver a ponerlo en el fondo (S18). Es decir: 380 + 400X1 + 1,07S12 = 700X2 + S18 Finalmente, al cabo de dos aos (periodo 24), la empresa tendr nicamente ingresos y no tendr ningn gasto. Los ingresos provienen de los dos proyectos (600.000 X1 + 2.000.000 X2) y del dinero depositado en el periodo anterior, 1,07 S18 . Si se define Z como los ingresos realizados en el periodo 24 en miles de , tendremos que: Z = 600X1 + 2.000X2 + 1,07S18 que no es ms que el objetivo del problema: Maximizar los ingresos al cabo de dos aos. Finalmente, como solo se puede invertir un mximo de 100% en cada proyecto, las variables X1 y X2 no pueden exceder la unidad. Por lo tanto, hay que aadir las restricciones siguientes: X1 X2 1 1

En resumen, reordenando los trminos tendremos que el programa lineal se escribe de la forma siguiente: Max Z = 600X1 + 2.000X2 + 1,07S18 s.a. 1000X1 700X1 -1.800X1 -400X1 X1 800X2 -500X2 200X2 700X2 X2 X1, X2, S 0, S 6, S12, S18 0 + S0 -1,07S0 = = = = 1.500 500 400 380 1 1

+ S6 -1,07S 6

+ S12 -1,07S12

+ S18

18

1.4 Tres ejemplos de Aplicacin de la Investigacin Operativa en el mbito Sanitario 1.4.1 Planificacin y asignacin de recursos en un sistema de salud mental2
El organismo responsable del sistema de salud mental de un pas, regin o ciudad tiene, entre otras, la responsabilidad de planificar un programa de apoyo e integracin de enfermos mentales de esa regin, y gestionar los recursos y servicios de tratamiento para este grupo de enfermos. Este ha sido el tema principal del trabajo desarrollado por H. Stephen Leff, Maqbool Dada y Stephen C. Graves (1986) que se ofrece a continuacin. En este estudio se presenta un modelo general para la representacin del problema de planificacin y asignacin de recursos de un sistema de salud mental, basado en tcnicas cuantitativas tales como el relativo a cadenas de Markov y a la programacin lineal y lineal entera. Este modelo es utilizado como una herramienta de ayuda a la decisin para los responsables del sistema de salud mental, permitiendo hacer un uso ms efectivo de los recursos, simular escenarios futuros y dar respuesta a preguntas del tipo qu pasara s...?. Su implementacin se ha realizado a travs de los Sistemas de Apoyo Comunitario (Community Support Systems), responsables del Sistema de Salud Mental, en los Estados Unidos. Las principales respuestas del modelo se dirigen a la planificacin y asignacin de recursos a lo largo del tiempo y a la asignacin de servicios a categoras de enfermos, respetando la cantidad de recursos disponible y que cada enfermo reciba un tratamiento adecuado a su categora. Adems, el modelo permite hacer un seguimiento y evaluacin del programa. La construccin del modelo multi-periodo tiene tres fases: 1. Definir las categoras de enfermos. Se pretende obtener una clasificacin de los enfermos en funcin de sus necesidades y de su respuesta a determinado tratamiento. 2. Definir un conjunto de servicios. Obtener una lista de servicios de acuerdo con las necesidades de los enfermos y con la disponibilidad de los recursos, basada en la experiencia y conocimientos mdicos. 3. Planificar y asignar los recursos. El objetivo es asignar los conjuntos de servicios a las distintas categoras de enfermos a lo largo del tiempo, usando solamente los recursos disponibles en cada periodo y minimizando (o maximizando) un determinado objetivo. La metodologa usada en la primera fase se basa en tcnicas estadsticas, para la recogida de datos y la determinacin del historial del enfermo. Las categoras de los enfermos se definen en base a la experiencia y conocimientos mdicos. A lo largo del tiempo, los enfermos pueden salir del sistema, nuevos enfermos pueden entrar, y tambin los enfermos pueden cambiar de categora como repuesta positiva o negativa a un tratamiento. Las cadenas de Markov son una tcnica estadstica muy estudiada que permite la representacin de estos cambios por medio de las probabilidades de transicin. La segunda fase, se har con base a la experiencia y conocimientos mdicos. En la tercera fase, relativa a la planificacin y asignacin de recursos, la metodologa usada se basa en tcnicas de programacin lineal y programacin lineal entera. La tcnica cuantitativa de programacin lineal es una de las ms usadas para la asignacin ptima de recursos en una organizacin. El problema se formula como un modelo multi-periodo de programacin lineal,
2

H. Stephen Leff, Maqbool Dada y Stephen C. Graves (1986), An LP planning model for a mental health community support system, Management Science, 32, no.2, 139-155.

19

definiendo la funcin objetivo de minimizacin (o maximizacin); por ejemplo, minimizar el nmero de enfermos en determinadas categoras al final del horizonte temporal, construyendo las restricciones relativas a la disponibilidad de los recursos y garantas de que todos los enfermos tengan tratamiento. El paso siguiente es la resolucin del problema mediante un programa informtico para la obtencin de la solucin ptima. Tambin se pueden simular diferentes escenarios cambiando las restricciones y/o la funcin objetivo en el modelo multiperiodo. En el estudio comentado, los autores citan que muchos responsables de sistemas de salud han usado este modelo con xito en la toma de decisiones estratgicas y en la definicin de polticas relacionadas con la planificacin y asignacin de recursos en un sistema de salud. Por ejemplo, con este tipo de modelos se pueden obtener distintos escenarios variando el presupuesto y estudiar el impacto de estos cambios, sabiendo que para cada presupuesto se hace el mejor uso de los recursos disponibles, o analizar las consecuencias de abrir nuevos servicios. Con esta herramienta de ayuda a la decisin, las decisiones son basadas en la mejor asignacin posible de los recursos disponibles, usando tcnicas cuantitativas y simulacin de escenarios, y no simples decisiones subjetivas.

1.4.2 Programacin de Servicios de Salud a Domicilio 3

En la actualidad, existen diversas organizaciones que ofrecen servicios de salud en el domicilio de los pacientes, tales como servicios de enfermera. El principal objetivo de estas organizaciones es hacer un uso eficiente de sus recursos para mejorar la calidad del servicio e incrementar la productividad, pero al mismo tiempo reduciendo costes. El principal recurso de estos servicios de salud es el personal de enfermera que se desplaza al domicilio de los pacientes. De este modo, uno de sus principales problemas es hacer la programacin semanal y diaria de las visitas de cada enfermera disponible al domicilio de los pacientes y determinar el orden de las visitas, minimizando costes y garantizando una determinada calidad de servicio. Begur, Miller & Weaver (1997) presentan un sistema de ayuda a la decisin para la programacin semanal y diaria de las visitas de personal de enfermera a pacientes en su propio domicilio. El proyecto ha sido realizado por la Universidad de Alabama, EEUU, y por la Visiting Nurses Association que est usando el sistema. En los Estados Unidos existen ms de 10.000 organizaciones que ofrecen servicios de enfermera o salud en general a domicilio, y siendo su tendencia la de crecer en el futuro prximo. El sistema de ayuda a la decisin tiene las siguientes componentes: una base de datos, un sistema de informacin geogrfico, un sistema de programacin semanal y diario de visitas, y un sistema de "interface" visual. El sistema de bases de datos incorpora todos los datos relativos al personal, los enfermos, las visitas realizadas y a realizar, y un anlisis de productividad. En algunos casos, tambin se ha incorporado una conexin al sistema informtico de contabilidad de la organizacin. La informacin obtenida en este sistema sirve de base para el sistema de programacin y de interface visual. Una de caractersticas que ms facilitan el uso de todo el sistema es la incorporacin de un Sistema de Informacin Geogrfica (SIG). El software escogido es el MAPINFO. Este sistema permite visualizar la programacin del personal en global o en particular para cada categora de
3

S.V. Begur, D.M. Miller and J.R. Weaver (1997), A Integral Spacial DSS for Scheduling and Routing Home-Health-Care Nurses, Interfaces, 27: 4, 35-48.

20

profesionales, mediante mapas digitalizados de la regin. Adems, la modificacin de los planes se torna muy sencilla y fcil de hacer. El problema de programacin semanal y diario de las visitas se resuelve mediante tcnicas cuantitativas de optimizacin combinatoria, conocidas como heursticas. Estas tcnicas permiten obtener el orden de visitas y el horario para cada enfermero, minimizando los costes de viaje, o sea de trabajo no productivo, y garantizando que se respeta el horario de trabajo de los enfermeros y los requisitos especiales de cada paciente, en trminos de tiempo y servicio de enfermera adecuado. La heurstica implementada se basa en una adaptacin al problema especfico de la conocida heurstica de Clark & Wright para problemas de ruteo de vehculos. Finalmente, el sistema de interface visual permite al usuario ver la programacin diaria en un mapa, y tambin otro tipo de informacin como, por ejemplo, el orden de las visitas a realizar en determinado da para cada enfermera/o, el horario de las visitas y su carga horaria total. Tambin permite al usuario modificar la programacin de una forma muy fcil y sencilla, y hacer anlisis de distintos escenarios. El sistema de ayuda a la decisin para la programacin de las visitas ha sido adoptado por la Visiting Nurses Association y otras instituciones, y ha substituido la programacin manual que era la herramienta ms usada hasta ese momento. Para utilizar este sistema se necesita un PC lo que permite hacer la programacin en muy poco tiempo, de una forma consistente y fiable, y ahorrando tiempo de personal cualificado en la preparacin de los planes. Las soluciones iniciales obtenidas por el sistema reducen de forma significativa los tiempos de viaje. El sistema de informacin geogrfica y el interfase grfico han permitido una fcil aceptacin y aprendizaje del uso del sistema. Adems, permite al usuario hacer anlisis de diferentes escenarios, cambiando la solucin inicialmente propuesta por el sistema. Otra prestacin del sistema es la obtencin de la documentacin de cada enfermero, indicando para cada uno el orden de las visitas, horario y mapas con la ubicacin de los domicilios a visitar, ahorrando de este modo la prdida de tiempo en la bsqueda de los domicilios de los pacientes. Los autores calculan que para un escenario con 7 enfermeros y 40 visitas por da, se ahorra con este sistema cerca de 20.000 dlares al ao en costes de viajes, de personal y preparacin de la documentacin.

1.4.3 Fabricacin de Vlvulas Cardiacas4

En el laboratorio American Edwards fabricaron en 1981 una nueva vlvula cardiaca biolgica para ser utilizada en seres humanos. Las vlvulas se fabricaban utilizando corazones de cerdo comprados a varios distribuidores. Como no siempre las vlvulas cardiacas de cerdo compradas tenan el mismo tamao que las vlvulas humanas, la empresa tena dificultades para mantener un stock suficiente para poder satisfacer la demanda (a veces reciba un envo de corazones de cerdo que era inservible). Sid Hilal y Warren Erikson desarrollaron un programa lineal para seleccionar la combinacin de proveedores que se acercara ms a la medida correcta de las vlvulas cardiacas humanas. Resultado: una reduccin de stock valorada en 1,9 millones de dlares y ahorros anuales de 1,5 millones de dlares. En el laboratorio American Edwards, la disponibilidad del producto era de una importancia capital y la poltica del a empresa descartaba el uso de cualquier mtodo tradicional de gestin de stock para controlar el margen de seguridad de la vlvulas cardiacas almacenadas. El objetivo de la empresa era siempre tener el volumen de demanda de seis a doce meses en stock de seguridad. Conseguir este objetivo era difcil porque no podan comprar las vlvulas con
4

S. Hilal y W. Erikson (1981): Matching supplies to save lives: Linear Programming and the Prodution of Heart Valves. Interfaces 11(6), 48-56.

21

medidas especficas. Se desconoca la medida de una vlvula dentro de una carga hasta que no se procesaba todo en envo en el laboratorio. El resultado es que a veces la carga era inservible. El estudio realizado por Hilal y Erikson mostr que la mayora de los distribuidores entregaban los corazones de cerdo con una distribucin del tamao de las vlvulas bastante estables. Estas distribuciones se utilizaron dentro de un programa lineal para seleccionar la mejor combinacin de distribuidores. La mejor manera de explicar el modelo es utilizando un ejemplo simple. Supongamos que la compaa compra a dos proveedores A y B y en su pedido se pueden encontrar tres tamaos de vlvulas 1,2 y3. Los datos histricos muestran que los envos del proveedor A tienen un 30% de medida 1, un 50% de medida 2 y un 20% de medida 3. La distribucin del proveedor B es 10%, 60% y 30% respectivamente. Supongamos que los costes totales de compra y manipulacin para las medidas 1, 2 y 3 son 10, 14 y 12 dlares respectivamente. El valor esperado del coste de una vlvula del proveedor A es 0,3(10)+0,5(14)+0,2(12)=12,4. El coste esperado para el proveedor B es 0,1(10)+0,6(14)+0,3(12)=13. El objetivo del programa lineal es: Min Z = 12,4A + 13B en donde A y B representan la cantidad de corazones comprados a cada proveedor. demanda para los tres tamaos es igual a 100, 300 y 250 unidades, las restricciones sern: 0,3A 0,5A 0,2A + 0,1B + 0,6B + 0,3B 100 300 250 Si la

El modelo real implementado por los autores tena ms de 20 proveedores y 30 medidas de vlvulas. Pero la estructura del modelo era bsicamente igual a la de nuestro ejemplo. El objetivo era la minimizacin de los costes de compra de los cerdos, con restricciones en el nmero de corazones de cada medida que se tenan que comprar. El programa lineal permiti que la compaa cumpliese la demanda comprado menos corazones que antes. El modelo tambin sirvi para fijar precios, programar la produccin y analizar el diseo de las vlvulas nuevas.

22

1.5 Problemas
1.1. El menu de hoy del hospital Optsalud tiene dos platos de marisco con la siguiente composicin: Plato I: 5 langostinos, 4 gambas y una ostra Plato II: 3 langostinos, 3 gambas y 3 ostras.

El responsable de compras, esta maana ha comprado 30 langostinos, 24 gambas y 18 ostras. El coste del plato I es de 80 y del plato II es de 60 . Cuantos platos se deben preparar para obtener el coste mnimo?

1.2. Una compaa de seguros sanitarios ha decidido atender dos nuevos tipos de pacientes en sus ambulatorios A, B y C que tienen capacidad sobrante. Las previsiones indican que pueden venir un total de 100 pacientes de tipo 1 y 150 de tipo 2. Estos pacientes pueden ser atendidos en cualquier ambulatorio, excepto en el ambulatorio A, en donde no pueden atender a pacientes de tipo 2 por falta de equipos adecuados. La empresa quiere saber a cuantos pacientes podr atender en cada uno de los ambulatorios para minimizar los costes totales de atencin. Los costes de atencin por paciente y ambulatorio se indican en la tabla siguiente: Coste por Paciente Pacientes 1 Pacientes 2 26 28 33 24 28 Capacidad ociosa (ambos pac.) 80 50 120

Ambulatorio A B C

Definir las variables y formular el problema.

1.3. El ministerio de sanidad decide hacer una campaa anti-tabaco mediante anuncios en la radio y la televisin. Su presupuesto limita los gastos de publicidad a 1.000.000 ptas. por mes. Cada minuto de anuncio en la radio cuesta 5.000 ptas. y cada minuto en la televisin cuesta 100.000 ptas. El ministerio deseara utilizar la radio cuando menos dos veces ms que la televisin. La experiencia pasada muestra que cada minuto de publicidad por televisin generar en trminos generales 25 veces ms impacto que cada minuto de publicidad por la radio. Formular el problema que determine la asignacin ptima del presupuesto mensual para anuncios en radio y televisin que maximiza el impacto total.

1.4. Una compaa de productos tecnolgicos mdicos produce dos tipos de equipos de laparoscopia, el ASTRO y el COSMO. Hay dos lneas de produccin, una para cada tipo de aparato, y dos departamentos que intervienen en la produccin de cada aparato. La capacidad de la lnea de produccin ASTRO es de 90 equipos diarios y la de la lnea COSMO es de 60. En el departamento A se fabrican los cinescopios. En este departamento los aparatos ASTRO requieren 1 hora de trabajo y los COSMO, 2 horas. Actualmente, en el departamento A se puede asignar un mximo de 120 horas de trabajo por da a la produccin de ambos tipos de aparato. En el departamento B se construye el chasis. En este departamento los ASTRO requieren 2 horas de trabajo y los COSMOs 1 hora. En la actualidad se puede asignar un mximo de 180 horas de trabajo diario al departamento B para la produccin de ambos tipos de laparoscopios. La utilidad por aparato es de 20 y 15 , respectivamente, por cada aparato ASTRO y COSMO. Si la compaa puede vender todos los aparatos que se produzcan, cul debe ser el plan de produccin diaria de cada aparato?

1.5. Una compaa de motores tiene tres plantas y tres almacenes. Las plantas pueden producir por da 10, 80 y 15 motores respectivamente. Y las necesidades de los almacenes para maana son: 75, 20 y 50 para el almacn 1, 2 y 3 respectivamente. En la tabla siguiente se indican todos los costos de transporte por motor para cada combinacin planta-almacn La compaa desea determinar cuntas motores debe transportar maana de cada planta a cada almacn minimizando los costos.

23

Planta 1 2 3

Costo de embarque por motor: Almacn 1 2 5 1 6 4 3 2

3 7 6 5

1.6. Un laboratorio farmacutico produce en sus laboratorios los medicamentos Gramax (G), Neutroln (N) y Sabatox (S) a partir de dos tipos diferentes de ingredientes C1 y C2. Los laboratorios estn dotados de dos tipos de tecnologas, la tecnologa nueva (Tn) utiliza por cada sesin de mezcla 7 unidades de C1 y 12 de C2 para producir 8 unidades de G, 6 de N y 5 de S, mientras que con la tecnologa antigua (Ta) se obtiene en cada sesin de mezclas 10 unidades de G, 7 de N y 4 de S, con un gasto de 10 unidades de C1 y 8 de C2. Teniendo en cuenta los estudios de demanda de los tres productos para el mes prximo, la compaa estima que debe producir al menos 900 unidades de G, 300 de N y entre 800 y 1700 de S. La disponibilidad del ingrediente C1 es de 1400 unidades y de C2 de 2000 unidades. Los beneficios por unidad producida de los tres productos en unidades monetarios son 4, 6 y 7 por unidad del producto G, N y S respectivamente. El problema que se plantea es, como utilizar ambos los procesos de mezcla y los medicamentos disponibles, para que el beneficio sea lo mayor posible.

1.7. Una fbrica produce tejido para vendas y tiritas de 500 metros de longitud y 1 metro de ancho. Se ha estimado que la demanda para el mes prximo es de (todas bobinas de 500 metros): 500 bobinas de 20 cm de ancho 400 bobinas de 30cm de ancho 250 bobinas de 40 cm de ancho 300 bobinas de 70cm de ancho

El fabricante debe cortar las bobinas de 1 metro de acuerdo con el ancho de las peticiones para satisfacer la demanda, pero tambin desea que el corte sea tal que el nmero de bobinas que fabrique (de 1 metro) sea mnimo (con el objeto de que la produccin de papel sea mnima y as el gasto que este produce).

1.8. El hospital Optsalud ha comprado tres mquinas nuevas de diferentes tipos. Existen cuatro lugares dentro de la planta de quirfanos en donde se podra instalar cada una de estas mquinas. Algunos de ellos son ms adecuados que otros para una mquina en particular por su cercana a las mesas de ciruga que tendran un flujo intenso de trabajo hacia estas mquinas y desde ellas. Por lo tanto el objetivo es asignar las nuevas mquinas a los lugares disponibles de manera que se minimice el costo total del manejo de materiales. En la tabla siguiente se proporciona el coste estimado por unidad de tiempo del manejo de los materiales en cuestin con cada una de las mquinas en los sitios respectivos. El lugar 2 no se considera adecuado para la mquina 2. No habr flujo de trabajo entre las nuevas mquinas. Coste estimado por unidad de tiempo Ubicacin 1 2 3 4 16 12 11 1 13 2 3 15 5 7 13 10 20 6

1.9. EQUISA produce dos lneas de equipo pesado. Una de estas lneas de productos (llamada equipo para remocin de escombros) se destina esencialmente a aplicaciones de construccin. La otra lnea (llamada equipos forestales) est destinada a la industria maderera. El miembro ms grande de la lnea de equipos para remover escombro (el E-9) y el miembro mayor de equipos forestales (el F-9) se producen en el mismo departamento y con el mismo equipo. Haciendo uso de las predicciones econmicas para el

Mquinas

24

prximo mes, el director de marketing de EQUISA juzga que durante ese periodo ser posible vender todos los E-9 y F-9 que la empresa pueda producir. La administracin debe ahora recomendar una meta de produccin para el prximo mes. En la toma de decisin, los principales factores a considerar sol los siguientes: EQUISA tendr una utilidad de 18 M. por cada E-9 que se venda y de 6 M. por cada F -9. Cada producto pasa por operaciones mecnicas tanto en el departamento A como en el departamento B. Para la produccin del prximo mes, estos dos departamentos tienen disponibles 800 y 142 horas, respectivamente. Cada E-9 consume 42,8 horas de operacin mecnica en el departamento A y 20 horas en el departamento B, mientras que cada F-9 consume 100 horas en el departamento A y 6 horas en el departamento B. Con el objetivo de cumplir un compromiso con el Sindicato del sector, el total de horas de trabajo que se dedicarn a la verificacin de los productos acabados del prximo mes no puede ser menor en 10% a una meta establecida de 150 horas. Esta verificacin se realiza en un tercer departamento que no tiene relacin con las actividades de los otros departamentos A y B. Cada E-9 requiere 30 horas de comprobacin y cada F-9, 10 horas. Puesto que el 10% de 150 horas es 15, el total de horas de trabajo destinadas a la verificacin no puede ser de menos de 135. Con el objetivo de mantener su posicin actual en el mercado, la alta gerencia ha decretado es necesario construir al menos un F-9 por cada 3 E-9s. Un consumidor importante ha ordenado un total de por lo menos 4 unidades (en cualquier combinacin de E-9 y F-9) para el prximo mes, as es que por lo menos debe producirse esta cantidad. Dadas las consideraciones, el problema del director de produccin es determinar el plan ptimo de produccin.

1.10. La clnica Coratac ofrece cuatro tipos de servicios: ciruga plstica, dermatologa, ciruga ortopdica y neurociruga. Despus de examinar los archivos contables se ha calculado que cada paciente, en cada una de las especialidades, contribuye al beneficio de la clnica de la manera siguiente: plstica, 100; dermatologa, 200; ortopedia, 150; y neurociruga, 180. Los mdicos estn convencidos de que el nmero de pacientes de cada especialidad que se atienden semanalmente no es el adecuado. La clnica quiere saber cual sera el volumen semanal ptimo de pacientes en cada especialidad teniendo en cuenta los recursos de la clnica. Horas necesarias por paciente Rayos X Terapia Ciruga 2 8 1 5 1 10 0 8 4 8 16 10

Especialidad Plstica Dermatologa Ortopedia Neurociruga Horas Disponibles Semanales

Laborat. 5 5 2 4

Mdicos 10 14 8 12

200

140

110

240

320

La clnica no tiene ningn problema con la demanda de sus servicios y tiene acceso a tantos pacientes como quiera. Adicionalmente, ha decidido que limitar sus servicios de plstica y ortopedia combinados a un mximo de 120 pacientes. Formular el problema.

1.11. El laboratorio MacAsp prepara dos tipos de medicinas para el dolor de cabeza: el fantstico Resacn y el magnfico Jaquecn. Los dos se venden en forma de jarabe en frascos de 100mg y se obtienen mezclando cido acetil-saliclico (A) y paracetamol (P). El laboratorio se permite una cierta flexibilidad en las formulas de estos productos. De hecho, las restricciones son: (1) el Resacn tiene que tener un mximo de 75% de A; (2) el Jaquecn ha de tener un mnimo de 25% de A y un mnimo de 50% de P. El departamento comercial piensa poder vender como mximo 400 frascos de Resacn y 300 de Jaquecn. El precio de venta es de 150 ptas. por un frasco de Resacn y de 200 ptas. por un de Jaquecn.

25

Los costes de los componentes son: 80 ptas. Por 100 mg de A y 120 ptas. por 100 mg de P. El laboratorio quiere maximizar el ingreso neto por venta. Formular el problema.

1.12. La red de hospitales Salutmolt ha detectado que podra atender a ms pacientes y ha decidido ampliar sus servicios con tres nuevas especialidades X, Y y Z en tres hospitales A, B y C. Los beneficios esperados por paciente en cada especialidad X, Y y Z son 420, 360 y 300 euros respectivamente. Los hospitales tienen capacidad de recursos humanos para atender 700, 800 y 450 pacientes independientemente de la especialidad. Un problema grave para el hospital es el nmero de horas disponibles de quirfano. Actualmente, se ha calculado que la capacidad ociosa es de 13, 12 y 5 horas de quirfano por da en A, B y C y cada especialidad necesita un mximo de 2, 1,5 y 1,2 horas por las cirugas X, Y y Z respectivamente. Para poder mantener una carga equilibrada de atencin entre los diferentes hospitales, la gerencia ha decidido que la cantidad de pacientes asignados a cada hospital utilice el mismo porcentaje de capacidad adicional disponible. El gerente quiere saber cuantos pacientes podrn ser atendidos en cada hospital. Formular el problema de decisin.

1.13. El departamento de finanzas de la mutua Hospims ha decidido invertir 10 millones en fondos de inversin y ha considerado 20 fondos diferentes, cada uno de ellos con tipo de inters anual esperado diferente ri, i = 1,...,20. Es decir, si la mutua pone x ptas., recibir al cabo de un ao x(1+ ri ). Para mantener un equilibrio en la inversin y diversificar el riesgo, la mutua ha adoptado las siguientes reglas: 1. 2. No invertir ms de dos millones en un fondo nico Si pone dinero en un fondo, lo tiene que hacer con un mnimo de 0,5 millones de ptas.

El objetivo es la maximizacin del rendimiento anual esperado. Formular el problema definiendo las variables de decisin.

1.14. Una compaa de fabricacin de envases opera una laminadora y dos impresoras. La laminadora fabrica tres tipos de envases de aluminio, que se procesan en su taller de maquinado antes de enviarse a las impresoras. Los envases procesados utilizan las impresoras para manufacturar diversos envases (latas) de bebidas. Al inicio de cada trimestre, la empresa prev sus necesidades de envases y las someten a la consideracin de la laminadora. Despus, el gerente de la laminadora traza un plan de produccin que est restringido fundamentalmente por la capacidad de procesamiento del taller. En caso de falta de materia prima, se realiza la compra a otra empresa a un precio muy elevado. Una comparacin entre el coste por envase cuando se fabrica en la laminadora y su precio de compra en el exterior figura en la tabla que sigue. Sin embargo, la administracin seala que esta escasez no es frecuente, y se puede determinar que ocurrir ms o menos el 5% de las veces. Coste interno de fabricacin (mil unidades) ( ) 90 130 180

Envases

1 2 3

Precio de compra (por mil unidades) ( ) 108 145 194

26

Los tiempos de proceso en las cuatro mquinas herramienta del taller de laminacin son: Horas disponibles por mquina y por mes 320 310 300 310

Tipo de mquina Envase 1 1 2 3 4

Tiempo de proceso Envase 2 1 0 6 3 5 4 3 6 Envase 3 7 6 0 9

Nmero de Mquinas 10 8 9 5

La demanda de envases de las dos laminadoras en los tres meses siguientes es como se aprecia en la tabla siguiente. Demanda en nmero de envases (miles de unidades) Laminadora 1 Laminadora 2 Envase 1 Envase 2 Envase 3 Envases 1 Envases 2 Envases 3 1 50 20 40 20 10 0 2 0 30 50 30 20 20 3 10 0 30 0 40 20

Mes

Elabore un programa de produccin para el taller de procesamiento.

1.15. Un empresa farmacutica tiene m laboratorios. Todos los laboratorios producen el mismo medicamento. La gerencia quiere planificar la produccin para los prximos T trimestres. En cada periodo t, cada laboratorio tiene una capacidad de produccin igual a lit , i = 1,...,m. La compaa enva el medicamento a n almacenes de distribucin. Para poder atender la demanda, los requisitos mnimos de stock en cada almacn j y en cada periodo t son iguales a rjt. Para cada laboratorio, almacn y periodo, la empresa quiere determinar las variables siguientes: Xi t = cantidad producida en i y enviada a los almacenes en el periodo t. Sit = cantidad producida en i y almacenada en el propio laboratorio en el periodo t. Zijt = cantidad transportada del laboratorio i al almacn j en el periodo t. Wjt = cantidad almacenada en el almacn j al final del periodo t.

La empresa quiere que, para la suma de todos los periodos, la produccin total conjunta de los laboratorios 1, 2 y 4 no sea superior a la produccin conjunta de los laboratorios 3, 5 y 6. A causa del lmite en la capacidad de stock de los laboratorios, no se pueden almacenar ms de si medicamentos en cada periodo. Los costes de produccin unitarios de los medicamentos son iguales a pi. Los costes de almacenaje de un medicamento en el laboratorio i al final del periodo t es kit y el coste de almacenaje al final del periodo t es hjt . El coste de transporte por medicamento es igual a cij entre el laboratorio i y el almacn j (suponer que el tiempo de transporte es virtualmente 0 comparado con la duracin de un trimestre o, en otras palabras, lo que sale en el periodo t llega siempre en el mismo periodo t). Disear un programa de planificacin de la produccin y stock de las fbricas y de stocks de almacenes que minimice el coste total de produccin y transporte.

27

28

2 Programacin Lineal II: Mtodos de

Resolucin
Hasta ahora hemos formulado matemticamente algunos problemas de gestin y administracin de recursos y de dinero. Pero un modelo matemtico de decisin, por muy bien formulado que est, no sirve de nada sino podemos encontrar una solucin satisfactoria. Una de las caractersticas de la programacin lineal es que, gracias a sus propiedades matemticas, se consigue la solucin ptima sin muchas dificultades. En esta seccin examinaremos en primer lugar el mtodo grfico, un sistema limitado a problemas con dos variables, y a continuacin el mtodo Simplex, el algoritmo ms comn para solucionar problemas lineales con muchas variables y restricciones.

2.1 El mtodo grfico

Este mtodo es muy simple de utilizar, pero solo puede ser aplicado a problemas con dos variables. Por otro lado, es muy til para entender las propiedades matemticas de la programacin lineal. Consideremos el problema lineal siguiente, correspondiente el problema de asignacin de recursos del apartado 1.2, sin la restriccin del los recursos necesarios mnimos en la sala post-operatoria (PO) y sin la restriccin de la demanda: Max Z = s.a. X1 3X1 + 3X2 + 2X2 144 162 982 Recursos de sala PQ Recursos del QI Presupuesto X1 + X2

13X1 + 18X2 X1, X2 0

En primer lugar, se dibuja en un grfico cartesiano las restricciones del modelo pero con signo de igualdad. Como se puede observar en la figura 2.1, la recta X1 + 3X2 = 144 separa el plano en dos semiplanos. Los puntos que corresponden al semiplano S 1 cumplen la restriccin 2X1 + 3X2 144. Es decir, este semiplano contiene todas las combinaciones de X1 y X2 que satisfacen la restriccin. Si dibujamos todas las restricciones y sus semiplanos correspondientes encontraremos que la regin que forma la interseccin de todos los semiplanos incluye todas las combinaciones de X1 y X2 que satisfacen todas las restricciones del modelo. Esta regin se presenta en la figura 2.2 (el rea entre los puntos A, B, C, D y E) y se conoce como la regin factible o espacio de soluciones y es un conjunto convexo5 . Cualquier problema de optimizacin con restricciones lineales tiene una regin factible convexa. Cualquier solucin de la regin factible es conocida como Solucin factible. Si la regin est vaca no existen soluciones factibles (ver el ejemplo de la figura 2.4). Ahora se tiene que escoger la solucin factible que optimice nuestra funcin objetivo, que es Z = X1 + X2 . Obsrvese que normalmente existen infinitas soluciones factibles y ser la funcin objetivo quin escoja aquella que optimiza su valor. En la programacin lineal la funcin
5

Para cualquier pareja de puntos dentro del espacio factible, el segmento de lnea que los une tambin se encuentra dentro del conjunto.

29

objetivo tambin tiene forma lineal. Se trata de determinar el valor mximo de Z que cumpla todas las restricciones o, en otras palabras, encontrar los valores de X1 y X2, puntos dentro de la regin factible, que maximicen Z. Figura 2.1: Visualizacin de una restriccin

X2

S2

S1 X1 X1 + 3X2 = 144

La mecnica para lograr encontrar el punto ptimo se basa en la linealidad del objetivo. En este ejemplo, el objetivo se puede re-escribir de la forma siguiente: X2 = -X1 + Z A medida que Z aumenta, la recta se desplaza paralelamente hacia fuera, ya que la pendiente es constante (en este caso igual a -1). Se trata de encontrar el valor de Z mximo, pero con la condicin de que tiene que haber como mnimo un punto de la recta que atraviese la regin factible. En el grfico 2.2 esta recta se presenta para el valor de Z = 62, valor ptimo del problema, en donde X1 = 34 y X2 = 30. Para cualquier valor de Z superior a 62, no existir ninguna solucin factible ya que la recta correspondiente a la funcin objetivo se desplaza hacia el exterior, y consecuentemente no tocara ninguna parte de la regin factible. Para valores de Z inferiores a 62, existen muchas soluciones factibles, pero ninguna de ellas es ptima. Intuitivamente se puede ver que la solucin ptima siempre se producir en un punto extremo o vrtice, que en el grfico no es ms que el punto de interseccin de dos o ms restricciones.

30

Figura 2.2: Solucin grfica del ejemplo

X2

3X1 + 2X2 = 162

B C

X1 + 3X2 = 144

13X1 + 18X2 = 982 Z = 64

X1

Ms formalmente, un punto de un conjunto convexo es un punto extremo si no hay ningn par de puntos del conjunto convexo en donde el segmento de lnea que los une pase por el punto en cuestin. Otra forma de obtener el ptimo es calcular el valor del objetivo en cada uno de los puntos extremos y escoger aquel punto extremo que da el mejor valor. Este punto dar el valor ptimo. Existen situaciones en donde no hay una nica solucin, si no que pueden haber infinitas soluciones, o por el contrario, no existir solucin alguna. Examinemos el primer caso con la ayuda de la figura 2.3. La recta correspondiente al objetivo tiene la misma pendiente que una de las restricciones. Es decir, que todas las combinaciones de las dos variables entre los puntos A y B cumplen las restricciones y maximizan el beneficio. Por otro lado, la figura 2.4 muestra una situacin en donde no hay soluciones. La representacin grfica (figura 2.4) corresponde al programa lineal siguiente: Max Z = s.a. X1 X1 X1, X2 0 6 8 X1 + 2X2

31

Figura 2.3: Infinitas Soluciones

X2

Regin Factible

B Max Z

X1

Figura 2.4: Inexistencia de soluciones

X2

X1

El mtodo grfico es sencillo de aplicar para encontrar la solucin ptima de un programa lineal de optimizacin, pero nicamente cuando ste solo tiene dos variables de decisin. Desgraciadamente, la gran mayora de problemas lineales aplicados tienen muchas ms variables (algunos llegan a tener millones de ellas) y por lo tanto se hace inviable su utilizacin. En la seccin siguiente se desarrolla un mtodo bastante eficiente para encontrar soluciones ptimas de programas lineales con muchas variables y restricciones.

2.2 El Mtodo Simplex

El primer mtodo formal para encontrar soluciones ptimas el mtodo Simplex- fue desarrollado por Dantzig en 1947 y mejorado por Charnes entre 1948 y 1952. Actualmente es el mtodo ms utilizado en la bsqueda de soluciones ptimas de programas lineales. En este apartado se examina su funcionamiento de forma simple e intuitiva.

32

En primer lugar recordemos como encontrbamos soluciones con el mtodo grfico. Primero formbamos un conjunto convexo con las restricciones del modelo. Segundo, se dibujaba la funcin objetivo fuera del conjunto convexo dando un valor arbitrario al propio objetivo y se iba desplazando sta paralelamente (ya que su pendiente es siempre constante) hasta encontrarse con un punto extremo. Intuitivamente, podemos ver que sea cual sea la funcin objetivo lineal, la solucin ptima se encontrar en un punto extremo, como mnimo6. Esto reduce bastante el espectro de soluciones del problema, limitando la bsqueda del ptimo a los puntos extremos. An as, pueden haber muchsimos puntos extremos en un problema. Por ejemplo, un problema grande con 2000 variables y 4000 restricciones tiene exactamente 2 2000 puntos extremos, es decir, aproximadamente 10600. Por lo tanto, tenemos que encontrar un mtodo para reducir el nmero de soluciones factibles posibles de ser ptimas. Dantzig hizo estas mismas suposiciones (o eso creemos) y observ primero las caractersticas matemticas siguientes: 1. El conjunto formado por las restricciones es convexo 2. La solucin siempre ocurre en un punto extremo 3. Un punto extremo siempre tiene como mnimo dos puntos extremos adyacentes7 Y a partir de ellas desarroll el mtodo siguiente: Encontrar una solucin inicial factible en uno de los puntos extremos del conjunto convexo y calcular el valor de la funcin objetivo. Examinar un punto extremo adyacente al encontrado en la etapa 1 y calcular el nuevo valor de la funcin objetivo. Si este nuevo valor mejora el objetivo, guardar la nueva solucin y repetir la etapa 2. En caso contrario, ignorar la solucin nueva y volver a examinar otro punto extremo. Regla de parada: cuando no existe ningn extremo adyacente que mejore la solucin, nos hallamos en el ptimo Es decir, que vamos de punto extremo a punto extremo adyacente siempre que podamos mejorar la solucin, hasta llegar a un punto en donde no existe ningn punto extremo adyacente al que nos encontramos. Esta solucin es la ptima. Observemos de nuevo problema lineal presentado en la seccin 2.1 y su correspondiente solucin grfica presentada en la Figura 2.2. Para encontrar una solucin inicial en un punto extremo podemos fijar X1 = 0 y X2 = 0 y el valor del objetivo Z ser igual a 0, solucin que corresponde al punto extremo A en la Figura 2.2. Ahora examinamos el punto extremo adyacente B, que corresponde a los puntos X1 = 0 y X2 = 48 y Z = 48. Como el objetivo ha mejorado, mantenemos esta solucin y volvemos a examinar los puntos extremos adyacentes a B. Como el punto A ya lo hemos visitado (y era claramente inferior), nos queda por ver el punto C. En este punto extremo X1 = 17 , X2 = 42,3 y Z = 59,3. De nuevo la solucin ha mejorado y la guardamos como la mejor hasta ahora encontrada. Finalmente, D es el nico punto extremo que nos queda por examinar y como en este punto X1 = 34 y X2 = 30 y Z = 7,8 el algoritmo se para y estamos en el ptimo, ya que no existe ningn punto extremo adyacente que mejore el objetivo. Dantzig y ms tarde Charnes desarrollaron un mtodo matemtico para poder efectuar estas operaciones, es decir, encontrar los valores de los puntos extremos adyacentes. Para poder ver como funciona, es necesario realizar las consideraciones siguientes: Como hemos visto, un programa lineal est compuesto por una funcin objetivo que queremos optimizar (maximizar o minimizar), unas variables que denominaremos estructurales y un
6

Decimos como mnimo, porque como hemos visto pueden existir (raramente) situaciones en donde hay ms de una solucin ptima; an as, siempre habr un punto extremo que d el valor ptimo. 7 Un punto extremo A es adyacente a un punto extremo B si no existe ningn punto extremo entre ellos. Por ejemplo, en la figura 3.2. los puntos B y D son adyacentes al punto C.

33

conjunto de restricciones. En general, podemos encontrar tres tipos de restricciones en funcin de la direccin de la desigualdad: , =. Toda restriccin con los sentidos pueden transformarse en una restriccin con igualdad aadiendo una variable. Si la desigualdad tiene la direccin , podemos aadir una variable de holgura. Por ejemplo, la restriccin X1 + 3X2 144 se puede transformar en X1 + 3X2 + X3 = 144. Si en la solucin final del modelo la restriccin se cumple con igualdad dados unos valores finales de X1 y X2 entonces la variable de holgura asociada a la restriccin es igual a 0. En otras palabras, la variable de holgura mide la diferencia entre los recursos utilizados realmente y los discursos disponibles. As mismo, si la restriccin tiene la direccin , podemos aadir una variable de exceso para obtener una ecuacin lineal. Por ejemplo, una restriccin de tipo X1 + X2 12 puede transformarse en X1 + X2 X3 = 12. La interpretacin es la misma que en el caso anterior: si en la solucin final X3 = 0, la restriccin se cumplir con igualdad. En este caso, la variable de exceso mide el consumo adicional que realizamos de un recurso disponible. Con estas consideraciones, cualquier programa lineal con restricciones de desigualdad puede transformarse en un problema lineal con todas las restricciones con forma de igualdad sin alterar la naturaleza matemtica del problema. Esta transformacin se denomina la forma cannica o forma aumentada de un programa lineal. Si tenemos n variables y m restricciones con desigualdad, cuando escribimos la forma cannica del problema lineal tendremos m nuevas variables de holgura o exceso, es decir, un total de m + n variables y m restricciones. En resumen, tendremos que el conjunto de restricciones forma un conjunto de ecuaciones lineales con ms variables que ecuaciones. En este caso, existen infinitas soluciones del sistema y nuestro objetivo es escoger entre ellas la que optimice el valor de la funcin objetivo. Por otro lado, si tenemos un programa lineal con n variables, m restricciones con desigualdad y r restricciones con igualdad, tendremos m+n variables y m+r restricciones con igualdad en la forma cannica. En este caso, para que el problema sea factible, se tiene que cumplir lo siguiente: m+n m+r, el nmero de restricciones no puede superar el nmero de variables. Si utilizamos el ejemplo de la seccin 3.1, la forma cannica del problema ser la siguiente: Max Z = s.a. X1 3X1 13X1 + 3X2 + 2X2 + 18X2 + X3 + X4 = 144 = 162 + X5 = 982 X1 + X2

Los valores de las variables en los puntos extremos se presentan en el Cuadro 2.1. Cuadro 2.1: Puntos extremos del ejemplo
X1 X2 X3 X4 X5 Nmero de Variables Positivas 3 3 3 3 3 3 Valor Del Objetivo 0 48 59,2 64 54 0

A B C D E A

0 0 16,8 34 54 0

0 48 42,4 30 0 0

144 0 0 20 90 144

162 66 26,8 0 0 162

982 118 0 0 280 982

34

Diremos que una solucin aumentada es una solucin de la forma cannica del programa lineal. Una solucin bsica factible es una solucin aumentada en un punto extremo. En nuestro ejemplo, los puntos A, B, C, D, y E son soluciones bsicas factibles. A continuacin examinaremos las propiedades algebraicas de las soluciones bsicas. Obsrvese que en nuestro ejemplo tenemos dos variables estructurales X1 y X2 y tres variables de holgura X3 , X4 y X5 , que suman un total de cinco variables, y tres restricciones con igualdad o ecuaciones. Tenemos por lo tanto dos grados de libertad para encontrar soluciones. Para obtener una solucin determinada tenemos que fijar a priori dos variables para determinar entonces un sistema con tres variables y tres ecuaciones, que tendr una solucin nica. En el mtodo Simplex, siempre se fija el valor de dos variables en 0. Estas variables se denominan variables no bsicas y las restantes, variables bsicas. La solucin de este sistema de ecuaciones es una solucin bsica. Si todas las variables bsicas son no-negativas, tenemos una solucin bsica factible. En el ejemplo tenemos que en cualquier punto extremo factible siempre tendremos dos variables iguales a 0 y 3 no-negativas. La explicacin intuitiva de esta situacin es la siguiente: si observamos un punto extremo en la Figura 3.2 veremos que en l pasan dos rectas correspondientes a dos restricciones con signo igual. Por lo tanto, dos variables de holgura asociadas a estas restricciones son iguales a 0. Estas son nuestras variables no-bsicas. Si miramos el Cuadro 2.1, veremos que en cada punto extremo siempre hay tres variables positivas y dos con valor 0. El Cuadro 2.1 nos puede ayudar a entender como funciona el algoritmo Simplex y el vocabulario algebraico definido en este captulo. Escojamos como punto de partida el punto extremo A. Como hemos mencionado anteriormente, el mtodo Simplex se mueve de punto extremo a punto extremo adyacente siempre que el objetivo mejore. El punto A tiene dos puntos extremos adyacentes. Ambos mejoran el objetivo. Escogemos arbitrariamente el punto B. En el punto A tenamos una solucin bsica factible (dos variables con valor 0, X1 y X2 , y las otras con valores positivos). Cuando pasamos al punto extremo B, observamos que una variable estrictamente positiva en A pasa a tener el valor 0 (la variable X3 ) mientras que una de las variables con valor 0 pasa a tener un valor estrictamente positivo (la variable X2 ). Este proceso se repite cada vez que pasamos de punto extremo a punto extremo adyacente: una de las variables bsicas (con valor positivo) pasa a ser no-bsica (valor 0) y una variable no-bsica pasa a ser positiva (variable bsica). En el punto D, dos variables que tenan valor positivo en el punto extremo adyacente anterior pasan a tener un valor 0. En otras palabras, dos soluciones bsicas son adyacentes si todas, menos una de sus variables no-bsicas, son las mismas. Entonces, pasar de una solucin bsica factible a una adyacente implica el cambio del estado bsico de una variable a uno no bsico, y viceversa. En trminos generales, el nmero de variables no bsicas de una solucin bsica siempre es igual a los grados de libertad del sistema de ecuaciones de la forma cannica. El nmero de variables bsicas siempre es igual al nmero de restricciones funcionales.

Propiedades de las soluciones factibles en un punto extremo Si existe una nica solucin ptima, entonces sta tiene que ser obligatoriamente una solucin factible en un punto extremo (una solucin bsica factible). Si hay varias soluciones ptimas, entonces, como mnimo, tiene que haber dos que sean factibles en puntos extremos adyacentes. Existe un nmero finito de soluciones factibles en los puntos extremos

35

Si una solucin en un punto extremo es igual o mejor (segn el valor del objetivo Z) que todas las soluciones de los puntos extremos adyacentes, entonces sta es igual o mejor que todas las otras soluciones en todos los puntos extremos; es decir, es ptima. Ahora que ya conocemos los pasos que efecta el mtodo Simplex para buscar una solucin ptima de un programa lineal, hace falta estudiar cmo se realizan stos. Para entender la mecnica del mtodo, tenemos que dar respuestas a las preguntas siguientes: Paso inicial: Cmo seleccionamos la solucin factible inicial en un punto extremo (la solucin bsica factible inicial)? Paso Iterativo: Cuando buscamos un traslado a una solucin factible en un punto extremo adyacente (una solucin bsica factible adyacente): a) Cmo se selecciona la direccin del traslado? (Qu variable no bsica se escoge para transformarla en bsica?) b) Adnde se realiza el traslado? (Qu variable bsica se transforma en no-bsica?) c) Cmo identificamos la nueva solucin? Prueba de Optimalidad: Cmo determinamos que la solucin factible en un punto extremo (solucin bsica factible) no tiene soluciones factibles en un punto extremo adyacente (soluciones bsicas adyacentes) que mejoren el objetivo? Para responder a estas preguntas, de momento consideraremos nicamente el caso de un programa lineal con restricciones de tipo menor o igual ( ). Ms adelante ampliaremos el anlisis cuando el problema tambin contiene los otros tipos de restricciones. En primer lugar re-escribimos nuestro ejemplo en la forma cannica equivalente: Max Z s.a. (0) (1) (2) (4) Z -X1 X1 3X1 13X1 - X2 + 3X2 + 2X2 + 18X2 + X3 + X4 =0 = 144 = 162 + X5 = 982

Obsrvese que ahora la ecuacin (0) del objetivo est incluida dentro del sistema de ecuaciones y que podemos considerar Z como una variable adicional.

1. Paso Inicial Este paso inicial consiste en encontrar cualquier solucin bsica factible. Una manera fcil de hacerlo es igualando las variables estructurales del modelo a 0. Si observamos la forma cannica equivalente tendremos que igualando X1 y X2 a 0 las variables de holgura automticamente cogen valores no-negativos (X3 = 144, X4 = 162, X5 = 982) correspondiente al punto extremo A. Por lo tanto, la solucin factible ser (0,0,144,162,982). La razn por la cual la solucin encontrada se deduce rpidamente es debido a que cada ecuacin tiene una nica variable bsica con un coeficiente asociado a ella igual a +1, y que esta variable bsica no aparece en ninguna otra ecuacin del sistema. Pronto observaremos que,

36

cuando el conjunto de variables bsicas cambia, el algoritmo Simplex utiliza un mtodo algebraico llamado eliminacin de Gauss para poner las ecuaciones en esta forma tan conveniente para obtener las soluciones bsicas factibles subsecuentes. Esta forma funcional (una variable bsica por ecuacin con coeficiente +1) se denomina forma apropiada de eliminacin gausiana.

2) Paso iterativo: En cada iteracin, el mtodo Simplex se mueve desde una solucin bsica factible a una solucin bsica factible adyacente que mejora el objetivo. Este movimiento consiste en convertir una variable no-bsica (llamada variable bsica entrante) en una variable bsica y, al mismo tiempo, convertir una variable bsica (llamada variable bsica saliente) en variable nobsica, y a identificar la nueva solucin bsica factible. Pregunta a): Cul es el criterio para seleccionar la variable bsica entrante? Las candidatas para la variable bsica entrante son las n variables no bsicas actuales. Esta variable, que escogeremos para pasar de no-bsica a bsica, pasar de tener un valor 0 a tener un valor positivo, mientras que las restantes seguirn con valor 0. Como el mtodo Simplex requiere que este cambio implique una mejora en el objetivo, es necesario que la tasa de cambio en Z al aumentar el valor de la variable bsica entrante, sea positivo. Observemos la ecuacin (0) del sistema. Esta expresin refleja el valor de Z en funcin de las variables no-bsicas, y por lo tanto el coeficiente asociado a estas variables es la tasa de cambio del valor del objetivo. Si, por ejemplo, X2 pasa de ser 0 a ser 1, el objetivo aumentar en una unidad. Como criterio, escogeremos la variable cuyo coeficiente aumente ms el objetivo al pasar a ser bsica8. En nuestro ejemplo, las dos variables no-bsicas son candidatas a entrar en la base ya que aumentaran el valor del objetivo. Escogemos arbitrariamente X2 ya que tiene el mismo coeficiente en la ecuacin (0) que X1. Pregunta b): Cmo identificamos la variable bsica saliente? Si ignoramos las variables de holgura, al aumentar el valor de X2 manteniendo X1 igual a 0 nos desplazamos por el eje de las ordenadas (que corresponden precisamente a los valores de X2 ). La solucin adyacente se alcanza en el punto B, que viene determinada por la restriccin X1 + 3X2 144, que se cumplir con igualdad y por lo tanto acotar en 48 el valor de X2, ya que X1 sigue siendo igual a 0. Cuando escribimos el problema en forma cannica, las soluciones factibles tienen que cumplir tanto las restricciones funcionales como las de no-negatividad de todas las variables, incluidas las de holgura. Cuando vamos aumentando el valor de X2 manteniendo X1 = 0 (variable nobsica), algunas de las variables en la base actual (X3, X4, X5, X6) tambin van cambiando de valor para mantener vlido el sistema de ecuaciones. Algunas de estas variables se reducirn al aumentar X2 . La solucin bsica adyacente se alcanza cuando la primera variable bsica que tena valor positivo pasa a ser igual a cero (recordemos las restricciones de no-negatividad). Esta variable ser la que sale de la base y por lo tanto se transformar en no-bsica. Por lo tanto, una vez escogida la variable que entrar en la base , la variable que sale de la base ser aquella que llegue primero a 0. La variable bsica actual con la cota superior ms pequea junto con la restriccin su no-negatividad ser la escogida.

Este criterio es subjetivo y no implica que la solucin ptima sea alcanzada ms rpidamente

37

Examinemos esta cuestin en nuestro ejemplo. Tenemos que las variables bsicas candidatas a salir de la base (es decir, a ser iguales a 0) son X3 , X4, y X5. En el Cuadro 2.2 Se presentan los clculos para identificar cual es la variable bsica saliente. Recordemos que X1 sigue siendo igual a 0. Cuadro 2.2: Clculos para obtener la variable saliente
Variable Bsica X3 X4 X5 Ecuacin X 3 = 144 - X1 - 3X2 X 4 = 162 - 3X1 - 2X2 X 5 = 982 - 13X1 - 18X 2 X2 X2 X2 Cota Superior Para X2 144/3 = 48 mnimo 162/2 = 81 982/18 = 54,6

Como X1 es una variable no-bsica, tendremos que X1 = 0 en la segunda columna del Cuadro 2.2. La tercera columna indica las cotas superiores para X2 antes de que la variable bsica correspondiente a la primera columna sea negativa. Por ejemplo, X3 = 0 si X2 = 48 (mientras que X3 > 0 si X2 < 48, y X3 < 0 cuando X2 > 48). Como en este caso X3 (la variable de holgura correspondiente a la restriccin X1 + 3X2 144) impone la cota negativa ms pequea sobre X2, la variable bsica saliente ser X3, de manera que en la nueva situacin tendremos que X3 = 0 (no-bsica) y X2 = 48 (bsica), que corresponde al punto extremo B.

Pregunta c): Cmo podemos identificar de manera convincente la nueva solucin bsica factible? Despus de haber identificado las variables entrantes y salientes de la base (incluyendo el valor de la variable bsica entrante), necesitamos conocer cual es el valor nuevo del resto de variables bsicas. Para poder calcular estos valores, el mtodo Simplex utiliza la forma apropiada de eliminacin de Gauss que tenamos en el paso inicial (aquella en la cual cada ecuacin tiene nicamente una variable bsica con coeficiente +1, y esta variable bsica aparece en una nica ecuacin). Se trata de encontrar la nueva forma apropiada despus del cambio de base. Se necesita realizar dos operaciones algebraicas normalmente utilizadas para resolver sistemas de ecuaciones lineales. Estas operaciones son: 1. Multiplicar (o dividir) una ecuacin por una constante diferente de 0. 2. Sumar (o restar) un mltiple de una ecuacin con otra ecuacin Estas operaciones son legtimas porque implican nicamente: 1) multiplicar cosas iguales (los dos lados de la ecuacin) por una constante y 2) sumar cosas iguales con cosas iguales. Por lo tanto, una solucin que cumple un sistema de ecuaciones determinado tambin lo har despus de la transformacin. Vamos a ver como funciona en nuestro ejemplo. Consideremos en sistema de ecuaciones originales, en el cual se muestran las variables bsicas en negrita. El problema se puede escribir de la forma siguiente:

(0) (1) (2) (3)

-X1 X1 3X1 13X1

- X2 + 3X2 + 2X2 + 18X2 + X3 + X4 + X5

=0 = 144 = 162 = 982

38

Ahora X2 ha substituido a X3 como variable bsica el la ecuacin (1). Entonces tenemos que resolver este sistema de ecuaciones para encontrar los valores de las variable bsicas X2 , X4 , X5 (recordemos que ahora X1 y X3 = 0) y de Z. Como que X2 tiene un coeficiente igual a +3 en la ecuacin (2), necesitamos realizar una transformacin para que su coeficiente sea 1. Para ello basta multipliucar ambos lados de la ecuacin por 1/3. Una vez realizada la operacin, la nueva ecuacin (1) es la siguiente: 1/3X1 + X2 + 1/3X3 = 48

El paso siguiente es eliminar X2 de las otras ecuaciones. Comencemos por la ecuacin (0). Tenemos que realizar la operacin siguiente: Ec. (0) nueva = ec. (0) antigua + ec.(2) nueva Es decir:

Z +( Z

-X1 1/3X1 -2/3X1

- X2 + X2

=0 + 1/3X3 = 48) + 1/3X3 = 48

Tenemos que realizar el mismo procedimiento para las ecuaciones (2) y (3). Lo haremos a continuacin para la ecuacin (2). Para eliminar X2 de la ecuacin (2), tenemos que realizar la operacin siguiente: Ec. (2) nueva = ec. (2) antigua 2 [ec.(1) nueva]

3X1 -( 2/3X1 7/3X1

+ 2X2 + 2X2 + 2/3X3 - 2/3X3

+ X4 = 162 = 96) + X4 = 66

Para la ecuacin (3), tenemos que realizar una operacin similar: Ec. (3) nueva = ec. (3) antigua 18 [ec.(1) nueva]

13X1 -( 6X1 7X1

+ 18X2 + 18X2 + 6X3 -6X3

+ X5 = 982 = 864) + X5 = 118

Por lo tanto, la nueva forma gausiana del sistema de ecuaciones es la siguiente:

39

(0) (1) (2) (3)

-2/3X1 1/3X1 7/3X1 7X1

+ 1/3X3 + X2 +1/3X3 - 2/3X3 - 6X3 + X4

= 48 = 48 = 66 + X5 = 118

En negrita figuran las variables bsicas, que aparecen nicamente en una ecuacin y con un coeficiente igual a 1. Por lo tanto, si comparamos este nuevo sistema de ecuaciones con el anterior, veremos que sigue teniendo la forma apropiada de eliminacin de Gauss que permite obtener inmediatamente el valor de las variables en la solucin (recordemos que X1 = 0 y X3 = 0 ya que son las variables no bsicas). Hay que observar que en la ecuacin (0) siempre estn nicamente la variables no-bsicas. Ahora tenemos una nueva solucin bsica factible igual a (0,48,0,96,114) que corresponde al punto extremo B. El valor del objetivo es igual a 48. El siguiente paso es ver si esta nueva solucin es la ptima. Para ello examinamos en la siguiente ecuacin (que corresponde a la ecuacin (0)) los coeficientes de las variables no bsicas: Z = 48 + 2/3X1 1/3X3 Como la variable no-bsica X1 tiene un coeficiente positivo (2/3), si la variable pasa a tener valores positivos, el objetivo aumentar. Por lo tanto no estamos en la solucin ptima y hay que realizar de nuevo el proceso, en donde X1 entrar en la base y otra variable bsica dejar de serlo. Segunda iteracin Paso 1. Como que la ecuacin (0) actual es Z = Z = 48 + 2/3X1 1/3X3, la funcin solo aumentar si X1 aumenta. Ya tenemos la variable que entrar en la base. Paso 2. El lmite superior sobre X1 antes de que las variables bsicas sean negativas est indicado en el Cuadro 2.3: Cuadro 2.3: Clculos para obtener la variable saliente Variable Bsica X2 X4 X5 Cota Superior Para X1 X1 X1 X1 48*3 = 144 66*(3/7)= 198/7 118/7 mnimo

Ecuacin X2 = 48 1/3X1 1/3X3 X4 = 66 7/3X1 + 2/3X3 X5 = 114 7X1 + 6X3

Escogeremos X5 como la variable bsica saliente ya que es la cual que, a medida que aumenta el valor de X1, X5 alcanza primero el valor 0. Paso 3. Ahora hay que eliminar X1 de todas las ecuaciones para encontrar la nueva solucin de todas las variables y del objetivo. Volvemos a realizar la transformacin gausiana.

40

Primero tenemos que transformar la ecuacin correspondiente a la variable entrante, para que tenga un coeficiente 1. Para ello tenemos que dividir la ecuacin (3) por 7. El resultado es el siguiente: (3) X1 - 6/7X3 + 1/7X5 = 118/7

Con esta ecuacin, volvemos a transformar las otras en la forma gausiana apropiada: Ec. (0) nueva = ec. (0) antigua + 2/3 [ec.(3) nueva] Es decir:

Z +( Z

-2/3X1 2/3X1

+ 1/3X3

= 48

- 4/7X3 + 2/21X5 = 236/21) - 5/21X3 + 2/21X5 = 1244/21

Tenemos que realizar el mismo procedimiento para las ecuaciones (1) y (2). Lo haremos a continuacin para la ecuacin (1). Para eliminar X2 de la ecuacin (1), tenemos que realizar la operacin siguiente: Ec. (1) nueva = ec. (1) antigua 1/3 [ec.(3) nueva]

1/3X1 -( 1/3X1

+ X2

+ 1/3X3

= 48

- 2/7X3 + 1/21X5 = 118/21) + X2 + 13/21X3 -1/21X5 = 890/21

Para la ecuacin (2), tenemos que realizar una operacin similar: Ec. (2) nueva = ec. (2) antigua 7/3 [ec.(3) nueva]

7/3X1 -( 7/3X1

- 2/3X3 - 2X3 4/3X3

+ X4

= 66 + 1/3X5 = 118/3)

+ X4

-1/3X5 = 80/3

Por lo tanto, la nueva forma gausiana del sistema de ecuaciones es la siguiente:

(0) (1) (2) (3)

- 5/21 X3 + X2 + 13/21X3 4/3X3 + X4 X1 - 6/7X3

+ 2/21X5 = 1244/21 - 1/21X5 = 890/21 - 1/3X5 = 80/3 + 1/7X5 = 118/7

41

La solucin bsica factible siguiente es (118/7; 890/21; 0; 80/3; 0) y el valor del objetivo es Z = 1244/21.

Prueba de Optimalidad.

Tenemos que verificar si las variables no-bsicas del objetivo tienen coeficientes que permitan aumentar el valor del objetivo si stas cogen valores positivos. El nuevo objetivo es: Z = 1244/21 + 5/21X3 - 2/21X5 Como una de las variables no-bsicas tiene un coeficiente positivo, el valor del objetivo puede aumentar si esta variable pasa a ser bsica. Por lo tanto, an no hemos alcanzado el ptimo, y es preciso realizar una nueva iteracin del algoritmo Simplex. Ahora la variable X3 entrar en la base, y tenemos que escoger una variable bsica para salir de la base. Tercera iteracin Paso 1. Como que la ecuacin (0) actual es Z = 1244/21 + 5/21X3 - 2/21X5, la funcin solo aumentar si X3 aumenta. Ya tenemos la variable que entrar en la base. Paso 2. El lmite superior sobre X3 antes de que las variables bsicas sean negativas est indicado en el Cuadro 2.4: Cuadro 2.4: Clculos para obtener la variable saliente Variable Bsica X1 X2 X4 Cota Superior Para X3 infinita X3 (890/21)*(21/13)= 890/13 X3 (80/3)*(3/4) = 20 mnimo

Ecuacin X1 = 118/7 + 6/7X3 - 1/7X5 X2 = 890/21 13/21X3 + 1/21X5 X4 = 80/3 - 4/3X3 + 1/3X5

Escogeremos X4 como la variable bsica saliente ya que es la cual que, a medida que aumenta el valor de X3, X4 alcanza primero el valor 0. Por otro lado, al aumentar el valor de X3 el valor de X1 tambin aumenta. De aqu que no exista una cota superior. Paso 3. Ahora hay que eliminar X3 de todas las ecuaciones para encontrar la nueva solucin de todas las variables y del objetivo. Volvemos a realizar la transformacin gausiana.

Primero tenemos que transformar la ecuacin correspondiente a la variable entrante, para que tenga un coeficiente 1. Para ello tenemos que multiplicar la ecuacin (2) por 3/4. El resultado es el siguiente: (2) X3 + 3/4X4 - 1/4X5 = 20

Con esta ecuacin, volvemos a transformar las otras en la forma gausiana apropiada: Ec. (0) nueva = ec. (0) antigua + 5/21 [ec.(2) nueva]

42

Es decir:

Z -5/21X3 +( Z 5/21X3 + 5/28X4

+ 2/21X5 = 1244/21 - 5/84X5 = 100/21)

+ 5/28X4 + 1/28X5 = 64

Tenemos que realizar el mismo procedimiento para las ecuaciones (1) y (3). Lo haremos a continuacin para la ecuacin (1). Para eliminar X3 de la ecuacin (1), tenemos que realizar la operacin siguiente: Ec. (1) nueva = ec. (1) antigua 13/21 [ec.(2) nueva]

+ X2 -( + X2

+ 13/21X3 13/21X3

- 1/21X5 = 890/21 + 13/28X4 - 13/84X5 = 435/42) - 13/28X4 + 9/28X5 = 30

Para la ecuacin (3), tenemos que realizar una operacin similar: Ec. (3) nueva = ec. (3) antigua + 6/7 [ec.(2) nueva]

X1 +(

-6/7X3 + 6/7X3 + 9/14X4 + 9/14X4

+1/7X5 = 118/7 - 3/14X5 = 120/7) -1/14X5 = 34

Por lo tanto, la nueva forma gausiana del sistema de ecuaciones es la siguiente:

(0) (1) (2) (3)

Z + X2 X3 X1

+ 5/28X4 + 1/28X5 = 64 -13/28X4 + 3/28X5 = 30 +3/4X4 - 1/4X5 = 20

+ 9/14X4 - 1/14X5 = 34

La solucin bsica factible siguiente es (34; 30; 20; 0; 0) y el valor del objetivo es Z = 64.

Prueba de Optimalidad.

Tenemos que verificar si las variables no-bsicas del objetivo tienen coeficientes que permitan aumentar el valor del objetivo si stas cogen valores positivos. El nuevo objetivo es: Z = 64 - 5/28X4 - 1/28X5

43

Como ninguna de las variables no-bsicas tiene un coeficiente positivo, el valor del objetivo no puede aumentar si cualquiera de las variables no bsicas pasa a ser bsica. Por lo tanto, hemos alcanzado el ptimo, ya que no podemos pasar a un punto extremo adyacente que mejore el valor del objetivo. En resumen, el mtodo Simplex tiene los pasos siguientes: 1. Introducir las variables de holgura para obtener la forma cannica del programa 2. Encontrar una solucin inicial de un punto extremo y realizar la prueba de optimalidad. 3. Si no estamos en el ptimo: a) Determinar la variable bsica entrante: seleccionar la variable no bsica que, al aumentar su valor, aumente ms rpidamente el valor del objetivo. b) Determinar la variable bsica saliente: sta es la que alcanza el valor 0 ms rpidamente a medida que aumentamos la variable entrante. c) Una vez que sabemos cual es la variable bsica que sale de la base, se determina la nueva solucin bsica factible: a partir del conjunto actual de ecuaciones se aslan las variables bsicas y Z en trminos de las variables no-bsicas utilizando el mtodo de eliminacin de Gauss. Las variables no-bsicas se igualan a 0; cada variable bsica junto con Z es igual al nuevo lado derecho de la ecuacin en la cual aparece con coeficiente +1.

4. Examinamos si la nueva solucin encontrada es ptima: nicamente necesitamos examinar

los coeficientes de las variables no bsicas que estn en el objetivo. Si todos los coeficientes son negativos, estamos en el ptimo. Por otro lado, si como mnimo uno de los coeficientes asociados a las variables bsicas es positivo, tenemos que repetir los pasos 2 y 3.

2.3 Adaptacin a otro tipo de modelos

Hasta ahora hemos estudiado el mtodo Simplex para problemas de maximizacin con restricciones con la desigualdad . Pero hay otros casos co mo los problemas de minimizacin y la existencia de restricciones con igualdad o con desigualdad . A continuacin veremos como adaptar la formulacin del modelo con alguna de estas caractersticas para poder utilizar el mtodo Simplex.

2.3.1 Restricciones con igualdad

El problema bsico con las restricciones de igualdad es la obtencin de una solucin bsica factible inicial. Supongamos que, en nuestro ejemplo, tenemos una restriccin adicional que se tiene que cumplir con igualdad (X1 + X2 = 7). En este caso, en principio no hay que introducir una variable de holgura para formar la forma cannica. Si procedemos a encontrar una solucin inicial factible igualando X1 y X2 a 0 nos encontramos con el problema de que esta nueva restriccin no se cumple. Para poder obtener una solucin

44

inicial factible, nos vemos obligados a introducir una nueva variable no-negativa, denominada artificial, S 3 de la siguiente forma: X1 + X2 + S 3 = 7 Gracias a la introduccin de esta variable artificial S3 ya podemos encontrar una solucin inicial factible en donde S3 es una variable bsica igual a 7. De hecho, hemos aumentado el nmero de variables aadiendo una que no tiene ninguna interpretacin econmica, pero que nos sirve para encontrar una solucin inicial factible. Es meramente un artificio matemtico. Pero, en la solucin final, queremos que S3 tenga el valor 0 (sea no bsica), ya que, si esto no es as, el problema no tendra sentido (la restriccin no se cumplira con igualdad).. Para poder conseguirlo, aadimos esta variable artificial en el objetivo, pero con un coeficiente negativo de valor muy elevado (respecto a los otros), que llamaremos M: Z = X1 + X2 - MS3 Como este valor penaliza la variable en el objetivo, el mtodo Simplex escoger esta variable para salir de la base y nunca ms volver a entrar (es decir, se quedar con el valor 0). Por lo tanto, en la solucin final S 3 tendr el valor 0. Si esto no fuera as, el problema sera infactible.

En la prxima seccin veremos como eliminar esta variable del objetivo. 2.3.2 Restricciones con direccin .

Supongamos ahora que aadimos la restriccin (3) del problema de la seccin 2.2.2: 4X1 + 2X2 135

En este caso tenemos que encontrar una solucin inicial de la misma forma que hacamos anteriormente para poder ejecutar el mtodo Simplex. Ahora bien, en este caso aadimos una variable de exceso no-negativa, E3, que mide la diferencia entre el valor del lado izquierdo de la ecuacin (4X1 + 2X2) y el lado derecho (135). Esta variable tendr un signo negativo en la ecuacin: 4X1 + 2X2 - E3 = 135 Ahora bien, al fijar inicialmente X1 y X2 iguales a 0, E3 se igualar a 135, por lo que tendr un valor negativo, incumpliendo las condiciones de no-negatividad de todas las variables en el mtodo Simplex. De nuevo, tenemos que recurrir al artificio de introducir una variable artificial que nos permita obtener una solucin factible inicial S3: 4X1 + 2X2 - E3 + S 3 = 135 En este caso escogemos S3 como variable bsica inicial correspondiente a la restriccin (3). Como en el caso anterior (restricciones con igualdad), aadiremos la variable artificial S3 en el objetivo con un coeficiente M. Si esta variable continua con valor positivo al final del mtodo Simplex, el problema es infactible. El hecho de aadir la variable artificial en el objetivo implica que, al iniciar el mtodo Simplex, el cuadro inicial no est en la forma apropiada de eliminacin gausiana, ya que esta forma requiere que todas las variables bsicas tengan un coeficiente 0 en la ecuacin (0) correspondiente al objetivo, y en este caso la variable bsica S 3 tiene un coeficiente igual a M. Entonces, para poder iniciar el mtodo Simplex, tanto si tenemos restricciones con igualdad o desigualdad , tenemos que transformar esta ecuacin (0) en la forma apropiada de

45

eliminacin de Gauss, para poder as determinar tanto la variable que entrar en la base como el test de optimalidad. De nuevo, el procedimiento es el de siempre: el mtodo de eliminacin de Gauss. En este caso, el procedimiento es muy similar al utilizado hasta ahora en el mtodo Simplex. Tendremos que realizar la operacin siguiente: Ec. (0) nueva = ec. (0) antigua M * ec.(3) Es decir: Z -M( -X1 4X1 Z (-1 4M)X1 - X2 + 2X2 (-1-2M) X2 - E3 +M E3 +M S 3 = 0 + S3 = 135) = - 135M

Ahora ya podemos proceder con el mtodo Simplex ya que todas las variables bsicas en la ecuacin (0) tienen un coeficiente asociado igual a 0. Ahora tenemos que decidir que variable no-bsica tiene que entrar en la base. Escogeremos aquella cuyo coeficiente aumente ms el objetivo. En este caso, escogeramos E3 como variable bsica entrante y procederamos a buscar la variable bsica saliente de la misma forma que lo hicimos anteriormente. Hemos de observar que cuando E3 entra en la base y otra variable sale de la base (es decir, nos desplazamos a un nuevo punto extremo adyacente), el coeficiente de E3 en el objetivo tomar el valor 0. A medida que el procedimiento continua, las variables con el valor M en el objetivo van entrando en la base y llegar un punto en que M desaparecer del sistema. Si en la solucin final an tenemos M en la ecuacin (0), el sistema no tiene solucin. Si tenemos ms de una restriccin con igualdad, el procedimiento es exactamente el mismo. Cada una de las variables artificiales tendr un coeficiente M en el objetivo y tendremos que encontrar la forma apropiada de eliminacin de Gauss.

2.3.3 Minimizacin
Hasta ahora, hemos examinado el mtodo Simplex cuando estamos maximizando el objetivo. Pero, en muchos casos, tenemos que minimizar el objetivo (por ejemplo, minimizar costes, minimizar el grado de contaminacin o minimizar la mortalidad). Lo ms sencillo es multiplicar el objetivo por 1. Por ejemplo: Min Z = 3 X1 + 4X2 es equivalente a: Max -Z = -3X1 - 4X2 Una vez hecha esta transformacin, podemos aplicar el mtodo Simplex descrito en esta seccin. La causa de esta equivalencia es que, cuanto menor es Z, mayor es Z. Otra manera de operar con un objetivo de minimizacin es seleccionar la variable no-bsica entrante que reduzca en mayor grado el valor del objetivo.

46

2.3.4 Variables no acotadas

Puede ocurrir que en algunas formulaciones las variables puedan coger valores negativos. En este caso, hay que modificar el modelo para poder utilizar en mtodo Simplex, ya que ste nicamente permite que las variables tomen valores positivos o cero. Supongamos que la variable Xi no est acotada inferiormente. Para poder resolver el problema, tendremos que sustituir esta variable en todas las ecuaciones por dos variables Xi + y Xi - de la manera siguiente: Xi = Xi + - Xi en donde Xi + 0 y Xi - 0. Como estas dos variables pueden coger cualquier valor no-negativo, su diferencia puede ser cualquier valor (positivo o negativo). Ahora ya podemos aplicar el mtodo Simplex. En la solucin final, debido a las propiedades geomtricas de la solucin factible en un punto extremo, nunca tendremos las dos variables con valores positivos. O nicamente una de ellas tiene valor estrictamente positivo y la otra igual a 0 (o viceversa), o las dos son iguales a 0.

2.4 Situaciones especiales en el mtodo Simplex

Qu pasa cuando vamos a escoger la variable no-bsica entrante y hay un empate en el criterio? Cmo detectamos problemas sin solucin? I si la solucin es infinita? A continuacin examinaremos como el mtodo Simplex lidia con estas situaciones.

Empate en la variable entrante Si hay dos variables que tienen el coeficiente ms grande (en valor absoluto) igual en la ecuacin (0), se escoge arbitrariamente una de ellas para entrar en la base.

Empate en la variable saliente Supongamos que ahora el empate se produce entre dos o ms variables bsicas al examinar el criterio de salida. Si esto sucede, todas las variables alcanzan el valor 0 al mismo tiempo cuando aumenta el valor de la variable entrante. Entonces, las variables bsica que no habamos escogido como salientes de la base tambin tendrn valor 0 en la solucin. Este tipo de soluciones se llaman degeneradas. Incluso, si una de estas variables continua con el valor 0 hasta que se selecciona como variable saliente en una iteracin posterior, la variable no-bsica entrante tambin se quedar con valor 0 y el valor del objetivo no cambiar. Puede pasar que, si Z se queda igual, en vez de mejorar el objetivo en cada iteracin, el mtodo Simplex entre en un ciclo que repite peridicamente las mismas soluciones, en vez de ir cambiando para aumentar el valor del objetivo. De hecho, se han elaborado programas lineales con ciclos infinitos. Por suerte, en la prctica esta situacin es casi inexistente y normalmente los empates se rompe arbitrariamente.

No hay variable bsica saliente: Z no acotado Qu pasa cuando no hay variables bsicas candidatas a salir en la base? O, en otras palabras, qu hacemos cuando todos los cocientes calculados para seleccionar la base son de tal manera que no hay ninguno es positivo? Recordemos que, a medida que aumentbamos el valor de la

47

variable no-bsica entrante, haba como mnimo variable bsica que iba disminuyendo hasta llegar a tener un valor 0, que determinaba automticamente el nuevo valor de la variable entrante. Pues bien, pueden haber situaciones en donde a medida que aumento el valor de la variable entrante todas las variables bsicas tambin aumentan de valor (o no cambian). Simplemente, el problema tiene una solucin infinita, ya que no hay ninguna restriccin que acote el objetivo.

Soluciones ptimas mltiples Como hemos visto, el mtodo Simplex se para cuando encuentra una solucin ptima. Pero, como hemos visto en el mtodo grfico, pueden haber situaciones en las que hay soluciones ptimas mltiples... Siempre que el problema tiene ms de una solucin ptima factible, como mnimo una variable no-bsica tiene el coeficiente igual a 0 en la ecuacin (0) final, de manera que si su valor aumenta, Z no cambia. Si esta situacin aparece, podemos encontrar otra solucin ptima introduciendo esta variable no-bsica en la base. As podemos encontrar otras soluciones que, sin cambiar el valor del objetivo, nos ayuden a tomar una decisin en funcin del valor de las variables en el ptimo.

2.5 Soluciones con Ordenador

Por ahora hemos visto dos mtodos para encontrar soluciones de programas lineales. Pero todos ellos son muy ineficientes si se tiene que hacer los clculos con lpiz y papel incluso para problemas pequeos. Actualmente, existen un sinfn de programas de ordenador que resuelven problemas lineales muy eficientemente, incluso programas con miles de variables y restricciones. Los programas de hoja de clculo tambin estn incorporando mtodos para obtener soluciones de programas lineales. En esta seccin describiremos como programar y solucionar un modelo de programacin lineal en la hoja de clculo Excel 97 de Microsoft9. Utilizaremos mismo ejemplo de las secciones anteriores. Tambin supondremos que se tienen conocimientos bsicos de funcionamiento de este programa. La formulacin del problema de asignacin de recursos de la seccin 2.2.2 es: Max Z = s.a. (1) (2) (3) (4) (5) X1 3X1 4X1 X1 13X1 + 3X2 + 2X2 + 2X2 - 3X2 + 18X2 0 144 162 135 0 982 X1 + X2

X1, X2

En primer lugar reordenamos el conjunto de restricciones en funcin de la direccin del signo ( , =, ). El sistema queda as:

La versin que se utiliza en este apartado corresponde a Office 2000, aunque en versiones anteriores tambin existe el mdulo de programacin lineal

48

Max Z = s.a. (1) (2) (4) (5) (3)

X1

+ X2

X1 3X1 X1 13X1 4X1

+ 3X2 + 2X2 - 3X2 + 18X2 + 2X2 0

144 162 0 982 135

X1, X2

Esto simplificar considerablemente la introduccin de datos en la hoja Excel y en el mdulo solver. Obsrvese que el conjunto de restricciones puede representarse de formal matricial solo con los coeficientes de las variables: X1 1 3 1 13 4 X2 3 2 -3 18 2 Recurso 144 162 0 982 135

La primera columna corresponde a los coeficientes de X1 y la segunda a los coeficientes de X2. Precisamente vamos a escribir esta matriz en las celdas de la hoja de calculo En la Figura 3.5 hemos escrito el planteamiento del problema. En los rangos B12-B16 y C12-C16 hemos escrito los coeficientes de X1 y X2 en las restricciones. En el rango D12-D16 figuran los valores de los recursos (lado derecho de las restricciones y en las celdas B5 y C5 los coeficientes de las variables en el objetivo. Ahora tenemos que escribir las frmulas correspondientes a las restricciones y a la funcin objetivo. Las celdas B8 y C8 representarn los valores de las variables de decisin X1 y X2. La frmula de la funcin objetivo est escrita en la celda E2. La frmula es la siguiente: =B8*$B$5+C8*$C$5. Las formulas del lado izquierdo de las restricciones estn escritas en el rango E12-E16. Estas son: =B12*$B$8+C12*$C$8 =B13*$B$8+C13*$C$8 =B14*$B$8+C14*$C$8 =B15*$B$8+C15*$C$8 =B16*$B$8+C16*$C$8 Ahora ya tenemos preparado el modelo. Obsrvese que por el momento las celdas con frmulas tienen el valor 0. Esto es debido a que por ahora las celdas asociadas a las variables de decisin estn vacas.

49

El siguiente paso es indicar a la hoja de clculo donde est en problema. Entramos en la opcin Herramientas y escogemos en el men el Solver. Entonces aparecer un recuadro como el de la Figura 3.6. Figura 3.5: Ejemplo en Excel

Figura 3.6: Cuadro de la Opcin Solver

50

Ahora tenemos que indicar las celdas en donde estn las frmulas. En la casilla Celda objetivo ponemos la referencia de la celda en donde est la funcin objetivo ($E$2). Luego indicamos que es un problema de maximizacin. Las referencias de las variables se indican en el recuadro Cambiando las celdas (B8;C8). Finalmente tenemos que introducir las restricciones. Para ello entramos en la opcin Agregar y saldr el recuadro de la Figura 3.7. En l tenemos que indicar donde est el lado izquierdo (la frmula) de cada restriccin, el signo de la desigualdad y el lado derecho de cada restriccin. Cada vez que entramos una restriccin adicional escogemos la opcin agregar. Ahora bien, si hemos ordenado las restricciones en funcin de su direccin, no hace falta entrar en el una a una en el recuadro. Basta con seleccionar el rango en funcin de cada una de las agrupaciones realizadas. Despus de haber entrado las restricciones correspondientes, Excel tambin exige poner las restricciones de nonegatividad. Para ello seguimos agregando dos restricciones, una para cada variable. Para ello tenemos que indicar en el lado izquierdo la referencia de la celda correspondiente a la variable de decisin, y en el lado derecho pondremos el valor 0, habiendo escogido previamente el sentido de la desigualdad ( ). La Figura 3.8 muestra el resultado final de introducir el problema.

Figura 3.7.: Introduccin de las restricciones

51

Figura 3.8: Resultado final de la programacin

Ahora ya podemos resolver el problema. Escogemos la opcin Resolver y al cabo de unos breves momentos saldr una pantalla indicando que la solucin ha sido encontrada. La solucin ptima de las variables de decisin y el valor del objetivo ahora aparecen en las celdas (ver Figura 3.10). La opcin Solver tambin permite obtener automticamente informes sobre la solucin final.

52

Figura 3.9: Resultado del Solver

Figura 3.10: Solucin ptima

53

2.6 Ejercicios
Cierto/falso
1. En un programa lineal, todas las funciones que forman el conjunto de restricciones y el objetivo son lineales El mtodo grfico es muy til porque permite encontrar soluciones de cualquier programa lineal Cualquier solucin que cumple, como mnimo, una restriccin de un programa lineal, pertenece a la regin factible Una solucin ptima no utiliza necesariamente todos los recursos disponibles en el problema La interseccin de dos restricciones cualquiera es un punto extremo de la regin factible Una restriccin con igualdad en general acota ms la regin factible que una con desigualdad Una solucin de un programa lineal siempre se encuentra en un punto extremo Si hay ms de una solucin de un programa lineal, entonces hay infinitas soluciones Cualquier restriccin con desigualdad en un programa lineal aade exactamente una variable al mtodo Simplex

2. 3.

4. 5. 6. 7. 8. 9.

10. Cada solucin factible encontrada por el algoritmo Simplex corresponde a un punto extremo 11. Las variables artificiales se aaden al modelo para encontrar una solucin inicial 12. En un programa lineal de maximizacin sin restricciones la solucin es infinita 13. La forma gausiana de un programa lineal es til para encontrar soluciones en puntos extremos 14. Si hay un empate en el criterio de escoger la variable bsica saliente, la solucin es infinita 15. Si no tenemos ninguna variable candidata a salir de la base, la solucin es no acotada 16. Si una variable bsica tiene el coeficiente del objetivo igual a 0 en una iteracin del mtodo Simplex antes de llegar al ptimo, entonces hay infinitas soluciones ptimas 17. En una restriccin con igualdad aadimos una variable de holgura 18. Para identificar una variable bsica saliente, hay que saber antes qu variable no-bsica va a entrar en la base

19. Una variable no-bsica es siempre igual a 0 en cualquier solucin 20. En la solucin final de un programa lineal todas la variables bsicas siempre tienen valores nonegativos

Eleccin Mltiple
1. Qu no es esencial en un programa lineal? a) Tenemos que tener un objetivo bien definido b) Los problemas tienen que ser de maximizacin c) Los recursos tienen que ser limitados d) Las variables son continuas

54

2.

En la programacin lineal, no-negatividad implica que una variable no puede tener: a) Un coeficiente negativo en la funcin objetivo b) Un coeficiente negativo en las restricciones c) Un valor fraccional d) Ninguna de las anteriores Si tenemos un programa lineal de maximizacin con todas las restricciones con direccin a) El problema no es factible b) La solucin es infinita c) El algoritmo Simplex hace tantas iteraciones como variables en el problema d) Ninguna de las anteriores La interseccin de las restricciones de un programa lineal forma: a) Un conjunto convexo b) El espacio factible de soluciones c) Los puntos extremos d) Todas las anteriores Para poder encontrar una solucin inicial de un programa lineal, las restricciones con direccin han de transformar en igualdad aadiendo: a) Una variable de exceso b) Una variable artificial c) Una variable de holgura y una artificial d) Ninguna de las anteriores se :

3.

4.

5.

6.

Supongamos un programa lineal con dos variables y una nica restriccin. Si estamos maximizando y la restriccin es : a) Las dos variables tendrn valores positivos b) En general, una variable ser positiva y la otra cero c) El problema no tiene solucin d) Ninguna de las anteriores Supongamos un programa lineal con dos restricciones , una restriccin con = y tres variables. Cuando construimos la forma cannica para encontrar una solucin inicial, tendremos un total de: a) 3 variables estructurales, 2 de holgura y 1 de exceso b) 3 variables estructurales, 2 de exceso y 1 artificial c) 3 variables estructurales, 2 de holgura y 1 artificial d) Ninguna de las anteriores Si tenemos la solucin ptima de un programa lineal con dos variables de decisin, cul de las opciones es la correcta? a) El problema tiene una nica solucin b) La solucin ptima se encuentra en un punto extremo o a lo largo de una recta que conecta dos puntos extremos c) Todos los recursos se han consumido en la solucin ptima d) Todas las anteriores En una solucin bsica factible: a) Todas las variables son positivas b) Estamos en el ptimo c) Las variables no-bsicas son 0 d) Ninguna de las anteriores

7.

8.

9.

10. En un punto extremo de la regin factible: a) Hay una solucin bsica factible b) Coinciden dos o ms restricciones c) Podemos encontrar el ptimo

55

d) Todas las anteriores 11. En cada iteracin del algoritmo Simplex, tenemos que: a) Como mnimo, una de las variables que tienen un valor positivo en la solucin anterior coge el valor 0 b) Una variable no-bsica se transforma en bsica c) El valor del objetivo mejora d) Todas las anteriores 12. Si en la solucin ptima la variable de holgura X , correspondiente a una restriccin con direccin y lado derecho (recurso) R, est en la base, entonces: a) El problema no es factible b) No se ha consumido todo el recurso R c) Se ha consumido todo el recurso R d) Se puede obtener un solucin mejor si el valor de R aumenta 13. Si tenemos una solucin ptima degenerada: a) Hay soluciones alternativas ptimas b) La solucin no sirve de nada c) La solucin no es factible d) Ninguna de las anteriores 14. Si tenemos que en la ecuacin (0) de la solucin final del mtodo Simplex hay el coeficiente M asociado a una variable artificial, sabemos que el problema es: a) Un problema de maximizacin b) Un problema de minimizacin c) No es factible d) Ninguna de las anteriores 15. Si hay un valor negativo en los coeficientes de la ecuacin (0) del mtodo Simplex, sabemos que: a) La solucin es ptima b) Hemos cometido un error c) El problema no tiene lmites d) Ninguna de las anteriores

Problemas
2.1 Considerar el programa lineal siguiente: Max Z = s.a. 2X 1 X1 + 8X2 + X2 0 16 5 X1 + 2X2

X 1, X2 a) b) c)

Utilizar en mtodo grfico para encontrar una solucin Cambiar la funcin objetivo por Z = X 1 + 6X2 y volver a solucionar el problema Cuntos puntos extremos tiene la solucin factible? Encontrar los valores de X1 y X2 en cada punto extremo

56

2.2 Supongamos el programa lineal siguiente: Max Z = s.a. X1 5X 1 2X 1 + 4X2 - 2X2 + 3X2 X 1, X2 , X 3 Encontrar dos puntos extremos factibles. + X3 + 4X3 + 3X3 0 12 11 20 4X 1 + X2 + X3

2.3 Utilizar el mtodo Simplex algebraico para solucionar el problema siguiente: Max Z = s.a. 2X 1 -2X 1 2X 1 + 8X2 + 4X2 + 3X2 X 1, X2 , X 3 - X3 + 2X3 + X3 0 20 60 50 -X 1 + X2 + 2X3

2.4 Considerar el problema siguiente: Max Z = s.a. X1 X1 3X 1 + 3X2 - X2 + 5X2 X 1, X2 , X 3 Sabemos que, en la solucin ptima, X 1, X2 , X3 > 0. a) Describir como se puede utilizar esta informacin para adaptar el mtodo Simplex de manera que el nmero de iteraciones sea mnimo (comenzando en la solucin bsica factible inicial normal). No vale hacer ninguna iteracin. Utilizar el procedimiento desarrollado para solucionar el problema. + 2X3 + X3 + 3X3 0 30 24 60 2X 1 + 4X2 + 3X3

b)

57

2.5 Considerar el problema siguiente: Max Z = s.a. X1 + X2 X3 X1 , X2 , X3 , X4 0 + X4 3 2 X1 + X2 + X3 + X4

Utilizar el mtodo Simplex para encontrar todas las soluciones factibles ptimas.

2.6 Considerar el programa siguiente: Max Z = s.a. X1 - X1 + 4X2 + 2X2 - 2X3 + 3X3 0 + 8X4 + 4X4 3 2 2X 1 - 4X2 + 5X3 - 6X4

X1, X2 , X 3 , X 4

Determinar el nmero mximo de soluciones bsicas posibles y la solucin bsica factible ptima.

2.7 Formular y encontrar la solucin ptima del problema 1.1 2.8 Formular y encontrar la solucin ptima del problema 1.2. 2.9 Formular y encontrar la solucin ptima del problema 1.3. 2.10 Formular y encontrar la solucin ptima del problema 1.4. 2.11 Formular y encontrar la solucin ptima del problema 1.5.

58

3 Programacin Lineal Entera

3.1 Introduccin
Los modelos de programacin lineal consideran que las variables de decisin son continuas, es decir, que pueden tomar en la solucin final valores fraccionados. Pero, en muchos casos, una solucin ptima de un programa lineal puede ser inservible si presenta fracciones. Supongamos, por ejemplo, que hemos construido un modelo para asignar personal mdico a departamentos dentro de un hospital. En este caso, las variables de decisin (asignar personas a departamentos) tienen que ser enteras en la solucin final. No tendra sentido una solucin en la cual 2,3 mdicos fuesen asignados a la seccin de dermatologa! Para poder encontrar soluciones de problemas en los cuales algunas o todas las variables tienen que ser enteras, se utiliza la programacin entera, que no es ms que una extensin de la programacin lineal. Otro tipo de modelos entran dentro de la programacin entera binaria, que es un caso especial en donde todas o algunas de las variables representan acciones binarias, es decir, hacer o no hacer. En este caso, las variables nicamente pueden adoptar los valores 0 1. Este tipo de problemas es muy comn en la toma de decisiones, en donde muchas veces tenemos que decidir si, por ejemplo, tenemos que construir un nuevo centro, si tenemos que invertir en un nuevo departamento, o si tenemos que modificar una estrategia de planificacin de un servicio. Cuando nos encontramos con este tipo de problemas, la formulacin matemtica no se ve alterada; nicamente en las restricciones de no-negatividad hay que indicar qu variables tienen que tomar valores enteros. El problema reside en encontrar soluciones que sean factibles, ya que el algoritmo Simplex no garantiza una solucin adecuada al problema. En este captulo, examinaremos en primer lugar como podemos modificar el algoritmo Simplex para poder obtener soluciones ptimas. A continuacin, examinaremos algunos problemas de programacin entera cuyas variables de decisin son binarias (decisiones hacer o no hacer).

3.2 El algoritmo de bifurcacin y acotamiento

El Algoritmo de Bifurcacin y Acotamiento10 (ABA) se basa en el algoritmo Simplex para poder obtener soluciones enteras. En primer lugar, se aplica el algoritmo Simplex para obtener una solucin inicial. Si en la solucin obtenida al final del algoritmo Simplex todas las variables especificadas como enteras tienen valores enteros, no hace falta seguir ya que se ha obtenido el ptimo; en caso contrario, es necesario aplicar el ABA. Bsicamente, en cada iteracin del ABA se escoge una variable que presenta una solucin no-entera y se divide el problema en dos sub-problemas, aadiendo en cada uno de ellos una nueva restriccin que acota esta variable por su valor entero superior en un caso, y por el valor su valor inferior entero por el otro. Cada sub-problema se resuelve con el mtodo Simplex y se verifica si la solucin es entera. En caso, contrario, se vuelve a bifurcar el sub-problema en otros dos y se sigue procediendo hasta que se encuentra una solucin entera. El proceso se realiza en todas las ramificaciones del rbol. Aunque este algoritmo pueda parecer complejo, el proceso es bastante sencillo. A continuacin examinaremos con un ejemplo el ABA.

10

en ingls, branch and bound algorithm

59

Supongamos que tenemos que encontrar la solucin al problema lineal siguiente: Max Z = s.a. X1 0,5X1 X1 1,4X1 + 0,5X2 + X2 + X2 + X2 6 5,5 6,8 9 X1 + 1,4X2

X1, X2 enteras En primer lugar utilizamos el mtodo Simplex para obtener una solucin del programa lineal relajado (sin considerar las restricciones que fijan las variables como enteras). La solucin obtenida es Z = 8,5; X1 = 2,6 y X2 = 4,2. Tenemos que las dos variables ofrecen soluciones fraccionadas. Hay que aplicar el ABA. Definamos el problema original como P0. Escogemos X1 y creamos dos sub-problemas P1 y P2 a partir del programa original. El primer sub-problema, P1, consistir en el programa original P0 ms la restriccin X1 2. El segundo sub-problema, P2, consistir en el programa original ms la restriccin X1 3. Es decir, estamos diciendo que X1 no puede coger valores entre dos y tres. Solucionamos P1 y P2. P1 = P0 + X1 P2 = P0 + X1 2. Solucin: Z1 = 8,3; X1 = 2 y X2 = 4,5 3. Solucin: Z2 = 8,3; X1 = 3 y X2 = 3,8

Los dos sub-problemas obtienen el mismo valor del objetivo que, como era de esperar, es inferior al objetivo inicial Z. Sin embargo, ambos problemas siguen incumpliendo las condicin de soluciones enteras. Tenemos que seguir ramificando. Cogemos el problema P1 y lo subdividimos en dos nuevos sub-problemas P11 y P12 aadiendo las restriccin X2 4 en uno y X2 5 (manteniendo todas las restricciones anteriores, incluida X1 2). Los resultados son los siguientes: P11 = P1 + X2 P12 = P1 + X2 4. Solucin: Z11 = 7,6; X1 = 2 y X2 = 4 5. Solucin: Z12 = 8,0; X1 = 1 y X2 = 5

En estos dos sub-problemas hemos encontrado soluciones enteras. Como Z11 es inferior a Z12 podemos descartar P11 como solucin vlida. Por ahora ya hemos encontrado una solucin que tiene valores enteros con el problema P12, cuyo objetivo es igual a 8,0. Sin embargo, an no hemos acabado el algoritmo. Recordemos que habamos subdividido el problema original en dos sub-problemas. An no hemos explorado el segundo sub-problema P2. El valor del objetivo al solucionar P2 era 8,3, aunque la variable X2 segua sin ofrecer un valor entero. Como estamos maximizando, podra ser que ramificando P2 en dos sub-problemas se encontrara una solucin entera superior a la que hemos encontrado con el sub-problema P12. La ramificacin es la siguiente: P21 = P2 + X2 P22 = P2 + X2 3. Solucin: Z21 = 8,0; X1 = 3,8 y X2 = 3 4. Sin Solucin.

El problema P22 queda descartado por no tener una solucin factible. Los problemas que an estn activos son P12 y P21 y ambos tienen el mismo valor del objetivo. Pero mientras que P12 tiene soluciones enteras, P21 sigue con soluciones fraccionadas. Por lo tanto, podemos descartar P21 ya que, si ramificramos este problema, al aadir una nueva restriccin el valor

60

del objetivo sera inferior (o igual), pero nunca superior. En otras palabras, nunca podramos encontrar una solucin mejor que la que tenemos con P12. Como P12 es la nica rama activa, ya tenemos la solucin ptima de nuestro problema. Si P21 hubiera dado un valor del objetivo superior a 8,0 con alguna solucin fraccionada, tendramos que seguir bifurcando este subproblema. El flujo del algoritmo se muestra en la Figura 3.1. Figura 3.1: rbol del ABA aplicado al ejemplo
P0 Z = 8,5; X1 = 2,6 X2 = 4,2

P1

P2

P0 + X1

P0 + X1

Z1 = 8,3 X1 = 2 X2 = 4,5

Z2 = 8,3 X1 = 3 X2 = 3,8

P11

P12

P21

P22

P1 + X2

P1 + X2

P2 + X2

P1 + X2

Z11 = 7,6 X1 = 2 X2 = 4 Descartado Z12 < Z11

Z12 = 8,0 X1 = 1 X2 = 5 ptimo

Z21 = 8,0 X1 = 3,8 X2 = 3 Descartado Sol. no entera

Descartado Sol. no factible

En realidad, con este proceso lo que se est haciendo es seccionar en cada ramificacin el espacio de soluciones para explorar si existe una solucin entera. Este proceso puede ser observado en la Figura 3.2, en donde, para cada sub-problema, se muestra el segmento del espacio de soluciones explorado. El algoritmo de bifurcacin y acotamiento tambin se utiliza para resolver los problemas de programacin entera binaria.. La nica diferencia es que las variables estn acotadas por 0 y 1. Si en un sub-problema una variable tericamente binaria X es igual a 0,6, ste se subdivide en dos problemas: el primero aadir la restriccin X = 0 y el segundo la restriccin X = 1.

61

Figura 3.2: Espacio de soluciones de los sub-problemas

X2 4,2 P0

2,6

X1

X2 4,5

P1

X2 3,8

P2

X1

X1

X2 4

P11

X2 5

P12

X2

P21

X2

P22 No factible

X1

X1

3,8 X1

X1

3.3 Programacin Entera y Solver

Por suerte, hoy en da cualquier programa de ordenador para resolver problemas de programacin lineal incluyen un modulo para resolver situaciones en donde una o ms variables tienen que ser enteras o enteras binarias en la solucin final. Este es el caso del mdulo Solver incluido en la hoja de clculo Excel de Microsoft. Supongamos que las variables de ejemplo del captulo anterior tinen que ser enteras (ver Seccin 3.5) . Cuando se introducen las restricciones, tenemos que aadir una en donde se escoge las variables en cuestin y se indica que seon enteras, seleccionando int11 en el men de opciones de la direccin de la restriccin (ver Cuadro 3.1). En caso de que tengan que ser binarias, se escoge la opcin Bin.

11

Int vinen de integer, que en ingles quiere decir Entero.

62

Cuadro 3.1: Soluciones enteras con Excel

3.4 Programacin Entera Binaria I: El Problema de la Mochila

El problema de la mochila es un clsico de la investigacin operativa. En esencia, el problema consiste en llenar una mochila con objetos con pesos diferentes y con valores tambin diferentes. El objetivo es la maximizacin del valor total de la mochila con la restriccin de que el peso de sta no puede sobrepasar un lmite predeterminado. Este problema ha sido utilizado en muchas aplicaciones diferentes. Una de ellas consiste en la asignacin de pacientes a una unidad (un ambulatorio, un quirfano, etc.) que tiene una capacidad lmite. Cada paciente tiene asociado dos parmetros: el primero mide la gravedad del paciente respecto a los otros en trminos relativos, y el segundo mide el tiempo de utilizacin del servicio. El problema consiste en encontrar qu pacientes podrn ser atendidos y cuales habr que derivar a otro centro. Es evidente que en este problema el nmero de pacientes a ser atendidos es ms elevado que la capacidad del centro. En este tipo de problemas nos encontramos con la disyuntiva de tenemos que, por un lado, dar prioridades para intentar atender el mximo de pacientes, y por el otro lado atender a aquellos que presentan ms gravedad.

Formulacin del problema Supongamos que tenemos m pacientes a ser programados en un centro. Los parmetros que tenemos que conocer a priori son: gi = valor cardinal de la gravedad del paciente i ti = duracin en minutos de la intervencin del paciente i T = tiempo total disponible en el centro

y las variables de decisin son:

63

Xi = 1, si se atiende al paciente i; 0, si no se le atiende.

En este caso todas la variables son binarias y tendremos una para cada paciente. Una vez definidos los parmetros y las variables, podemos construir en modelo. Este modelo tiene una nica restriccin que, bsicamente, define que el total de minutos que los pacientes atendidos en el centro consumirn no puede exceder el tiempo total disponible T. Como Xi solo puede ser igual a 0 1, el tiempo total consumido por el paciente i ser igual a ti Xi . Si sumamos ti Xi para todos los pacientes, tendremos el tiempo total consumido por ellos, que no puede ser superior a T. En trminos matemticos:

t
i =1

Xi T

El objetivo consiste en la maximizacin de la gravedad total del sistema. En otras palabras, queremos atender a aquellos pacientes ms necesitados. Tenemos que observar que el problema no es tan trivial, ya que no vale ordenar los pacientes en funcin de la gravedad e ir llenando la mochila del centro hasta agotar la capacidad, porque un paciente j que presenta un nivel de gravedad g j puede tener asociado un tiempo de atencin tj muy superior al tiempo conjunto de dos pacientes k y l (tj > tk + tl ), que tienen una menor gravedad, pero cuya gravedad conjunta es superior a la del primero (g j < gk + gl ). En este caso, sera mejor incluir a los dos pacientes k y l y no al paciente j. El objetivo vendr definido por la funcin lineal siguiente: En definitiva, la formulacin final del modelo ser:

Max Z =
s.a.

g
i =1

Xi

t X
i =1 i

T
i = 1,..., m

Xi = (0,1)

Este problema es fcil de resolver utilizando el algoritmo ABA ya que nicamente tiene una restriccin. Supongamos ahora que algunos tratamientos son incompatibles con otros. Por ejemplo, si se trata de un quirfano, podramos tener que si operamos al paciente i tambin podremos operar al paciente j porque tendremos recursos disponibles (quirfano preparado, personal adecuado), pero si no se opera a ningn paciente de tipo i entonces no se podr operar al paciente j. Para poder introducir esta consideracin tendramos que aadir la siguiente restriccin:

Xi

Xj

Es decir, si operamos al paciente i, Xi = 1, lo que implica que Xj quedar libre para coger el valor 0 1 (ser el modelo quien lo decida). Por otro lado, si Xi = 0, la variable Xj ser siempre igual 0, y por lo tanto el paciente j no podr ser operado.

64

Supongamos ahora que el paciente j nicamente podr ser operado si tanto el paciente i como el k son operados. En cualquier otro caso el paciente j no podr ser atendido. Para formular este tipo de restricciones a veces es muy til la utilizacin de la tabla de la verdad. En esta tabla se introduce las combinaciones de las X que son factibles. Esta tabla se representa en el Cuadro 3.2. Cuadro 3.2: Tabla de la Verdad
Xi 0 1 0 1 Xk 0 0 1 1 Xj 0 0 0 1

La ecuacin de esta restriccin que tendr que aadirse al modelo es:

Xi + Xk

2 Xj

Si Xi y Xk son ambas iguales a 1, Xj podr ser igual a 0 1. En cualquier otro caso, Xj siempre ser igual a 0. Como hemos visto en este ejemplo, el uso de variables binarias puede ser muy til para modelizar situaciones en donde la decisin es hacer o no hacer.

3.5 El Problema de Asignacin

El problema de asignacin es otro clsico en los modelos de decisin. En esencia, consiste en asignar recursos a tareas en funcin de un objetivo ligado a la eficiencia del sistema. Un ejemplo tpico es el de asignacin de personas a turnos horarios. Otro ejemplo es el de asignar personas a mquinas, o el de asignar regiones a Centros de Atencin Primaria. En este apartado se presenta el Problema de asignacin como una variante del Problema de Transporte examinado en el Apartado 2.2.3. Como vimos anteriormente (apartado 1.2.3) la Compaa de Seguros Todosalud S.A. tiene Centros de Asistencia Primaria (CAPs) distribuidos en m pueblos y ciudades de una regin (un CAP en cada centro urbano). Para obtener un buen funcionamiento global del servicio y poder planificar el nmero de visitas en funcin del personal previsto en cada CAP y de su dimensin, Todosalud S.A. ha decidido organizar el servicio de tal forma que todos sus asegurados tengan un CAP de referencia asignado, pero que sea ste el ms cercano posible a su lugar de residencia. En la regin hay m ciudades y pueblos (siendo m bastante mayor que n) y la compaa sabe cuantos asegurados tiene en cada uno de ellos. El objetivo es asignar cada una de las m ciudades a un nico CAP, minimizando el coste o la distancia total. La diferencia bsica entre este problema y el Problema de Transporte es que en este caso cada pueblo o ciudad (con la totalidad de sus habitantes) es asignado a un nico CAP, mientras que en el otro problema podra darse lugar a que una parte de la poblacin de una ciudad estuviera asignada a un CAP y la otra a otro diferente. A continuacin examinados los parmetros y variables necesarios para la formulacin. En primer lugar se definen los parmetros necesarios para formular el modelo. Sea: ai : nmero de asegurados en el centro urbano i, i = 1,...,m.

65

bj : nmero total de asegurados que el CAP j puede tener asignados como mximo, j = 1,...,n. cij :coste de desplazamiento entre i y j.

Las variables que se utilizar son de tipo binario: Sea Xij =1, si el rea i est asignada al CAP j; y 0 en caso contrario.

Una vez definidos los parmetros y las variables, necesitamos definir las restricciones del modelo. Como en el Problema de Transporte, en esta formulacin hay dos tipos de restricciones. La primera viene definida por la capacidad de atencin mxima de los CAPs. El nmero total de asegurados asignados al CAP j no puede exceder su capacidad b j. Para un CAP determinado j, no podemos asignar las poblacin que la que determina su capacidad mxima a 1X1j + a2X2j + ... + ai Xij + ... + a mXmj Para todos los CAPs, tendremos que: bj

a X
i =1 i

ij

bj

j = 1,K, n

El segundo grupo de restricciones tiene que considerar que hemos de asignar la totalidad de los asegurados de Todosalud SA de cada centro urbano i a un nico CAP. Para cada rea, tendremos que: Xi1 + Xi2 + ... + Xij + ... + Xin = 1 Es decir, una nica variable asociada a cada rea i puede ser igual a 1. Para todas las reas:

X
j =1

ij

=1

i = 1, K, m

Finalmente, se tiene que formular el objetivo de minimizacin total de la distancia o coste total del sistema. Este viene definido por: c11 X11 + c12X12 + ... + c1nX1n + ... + cijXij + ... + cm1Xm1 + ... + cmnXmn que podemos re-escribir en forma compacta como:

min Z = cij X ij
i =1 j =1

En resumen, la formulacin completa del modelo es la siguiente:

66

min Z = cij X ij
i =1 j =1

a X
i =1 i

ij

bj =1

j = 1,K, n i = 1, K, m
i = 1,...,m j = 1,...,n

X
j =1

ij

Xij = (0, 1)

Se tiene que observar que este problema presenta la misma peculiaridad que el problema de Transporte. Para que el problema tenga una solucin factible, el nmero total de asegurados no puede exceder la capacidad total de los CAPs. Es decir, existe la siguiente restriccin implcita en el modelo:

bi a j
i =1 j =1

Si esto no se verificara, el problema no tendra solucin.

3.6 Problemas de Localizacin de Servicios

Cuntas ambulancias se necesitan en una rea geogrfica, y dnde deberan ubicarse para asegurar un buen servicio a las llamadas por urgencias? En dnde deberan localizarse las Centros de atencin Primaria en una regin para minimizar el tiempo de desplazamiento de los usuarios? En dnde tenemos que localizar almacenes para optimizar la distribucin de productos farmacuticos en un pas? Estas cuestiones, relacionadas con el diseo y la operacin de los servicios de.atencin y de distribucin, han sido estudiadas durante los ltimos 25 aos por un gran nmero de investigadores. Los planificadores tienen que responder a preguntas como stas cuando se enfrentan al diseo o a la reconfiguracin de los servicios de urgencias mdicas, de ambulatorios, de operaciones de distribucin, o de redes hospitalarias. Por ejemplo, la velocidad de reaccin de un sistema de emergencia a una llamada es el criterio principal para juzgar el desempeo de los servicios de emergencia. Otra medida es la habilidad del personal para lidiar efectivamente con la situacin una vez llegado a la escena. La localizacin inicial de los servidores (parques de bomberos, garajes de ambulancias, etc.) influencia poderosamente la eficiencia de la respuesta. Esto se refleja en la gran cantidad de modelos desarrollados para ayudar a los planificadores de servicios de urgencias. El problema bsico trata de localizar servicios que van a permanecer en su ubicacin por un largo tiempo una vez decidida su localizacin. En otras palabras, su ubicacin ser, sino definitiva, constante durante un largo periodo de tiempo. La localizacin de estos servicios puede ser determinante en la evaluacin de la eficiencia de su "desempeo" en la oferta del servicio en cuestin.

67

Efectivamente, el auge de la investigacin operativa en los aos sesenta provoc la aparicin de un campo especifico dedicado a la localizacin de servicios de en regiones y en zonas urbanas. En general, estos modelos optimizan uno o varios objetivos en funcin de unos recursos limitados y/o criterios de cobertura y de atencin. Estos modelos se pueden agrupar en tres categoras en funcin del objetivo principal. La primera categora corresponde a modelos cuyo objetivo principal es la maximizacin de la cobertura de la poblacin siguiendo un criterio ``estndar'' (per ejemplo, maximizar la poblacin cubierta por el servicio de ambulancias en un tiempo mximo de 10 minutos). El segundo grupo corresponde a modelos de localizacin cuyo objetivo es la minimizacin de la distancia o tiempo medio de acceso a la poblacin. El tercero consiste en la minimizacin los de costes de transporte de mercancas o de personas y de localizacin de centros. Entre estos modelos se han realizado diversas variaciones para intentar reflejar algunos aspectos especficos del problema de localizacin. Por ejemplo, hay modelos que no tan solo localizan ambulancias, sino que tambin determinan para cada estacin cual es la combinacin ptima de vehculos, materiales y recursos humanos. Otros modelos estudian el problema de la localizacin teniendo en cuenta el grado de congestin del servicio, intentando obtener un conjunto de localizaciones que no tan solo optimice la cobertura, sino que de alguna forma considere la situacin de que un servicio est ocupado atendiendo una llamada y en su estacin se produzca otra llamada (modelos de ``backup'' o servicios auxiliares). Otra lnea de trabajo estudia la situacin en donde la demanda de servicio tiene elementos probabilsticos en funcin de la hora del da. En esta seccin formularemos tres modelos bsicos de localizacin de servicios.

3.6.1 Modelos de Cobertura

Los modelos de cobertura suelen fijar una distancia estndar D entre un servicio y la poblacin usuaria. Esta distancia (o tiempo de desplazamiento) se considera como la distancia mxima entre usuario y servicio para ofrecer una atencin correcta. Esta distancia estndar se utiliza como criterio bsico para obtener la ubicacin ptima de servicios. El Problema de Localizacin de Servicios con Cobertura 12 El Problema de Localizacin de Servicios con Cobertura (PLSC), en palabras, es el siguiente: Cul es el nmero mnimo de centros y dnde tenemos que localizarlos para que toda la poblacin est cubierta dentro de la distancia estndar D? El PLSC puede ser formulado de la siguiente forma. Supongamos una red de transporte en donde existen m nodos o reas, cada uno con una demanda (o poblacin) determinada del servicio, y conectados entre ellos por "arcos" (carreteras, calles, etc.), cada uno de ellos con un tiempo de desplazamiento o una distancia asociados. La localizacin de los servicios se realiza exclusivamente en los nodos. En otras palabras, nicamente los nodos de la red son candidatos a obtener una localizacin de los servicios, y por otro lado, los nodos tambin representa los centros de demanda de los servicios. Muchas veces, en algunas aplicaciones, no todos los nodos de demanda son candidatos a obtener un centro de servicio (a veces en un nodo se encuentra un edificio de inters cultural, o simplemente no existe terreno disponible para ubicar un servicio); por ello siempre en la formulacin del modelo se diferencia entre la demanda (nodos que requieren del servicio) y la oferta (nodos candidatos a recibir el servicio). En la Figura 3.3 se
12

En ingls: Location Set Covering Problem

68

representa ejemplo de red de 20 nodos con la cual formularemos algunos modelos de localizacin. Figura 3.3.: Red de 20 nodos

9 1 5 6 2 8,5 7,5 3 5 6,2 5,2 7,5 8,7 4 11 8,2 7 8 8 5 6

9 10 8 7 11 6,5 9 6 6,8 4 9 12 13 12 7 15 5 11 9 10 7 16 10 13 8 14 6 9 17

14

20 10,5 13,5 10

13 12,2 12 11,2

19 10 18 11

En esta Figura, los nodos estn representados por crculos y tambin se indican las distancias entre los nodos que estn directamente conectados. El Cuadro A3.1 del anexo 3.A. contiene la matriz de distancias dij entre todos los pares de nodos (i,j) de la red. Esta matriz es fundamental en los modelos de localizacin. En general, esta matriz se obtiene calculando, para cada par de nodos, el camino ms corto entre ellos, es decir, la distancias ms corta que los une. Ahora es necesario conocer, para cada nodo de demanda, cules son las ubicaciones potenciales donde, si se abre un centro en ellas, el nodo de demanda estar cubierto dentro de la distancia estndar D. Por ejemplo, si D = 10, el centro de demanda 4 tiene, como ubicaciones potenciales de cubrirlo, los nodos 3, 4 y 7. En el Cuadro 3.3. se indican, para cada nodo, las ubicaciones potenciales de cobertura. Cuadro 3.3.: Ubicaciones potenciales de cobertura por nodo. D = 10
Nodo a Cubrir 1 2 3 4 5 6 7 8 9 10 Ubicaciones Potenciales 1,2,8,10 1,2,3,5,8 2,3,4,5 3,4,17 2,3,5,6,8,11 5,6,7,11,12 4,6,7,9 1,2,5,8,10,11 7,9,12 1,8,10,11,14 Nodo a Cubrir 11 12 13 14 15 16 17 18 19 20 Ubicaciones Potenciales 5,6,8,10,11,13,14 6,9,12,15,16 11,13,14,16,17 10,11,13,14,17 12,15 12,13,16 13,14,17,19 18,19 17,18,19 20

Por ejemplo, si ubicamos un centro en el nodo 8, los nodos 1, 2, 5, 8, 10 y 11 estarn cubiertos, ya que l est incluido en el conjunto de ubicaciones potenciales de cada uno de estos nodos de demanda. Definamos Xj como una variable binaria (0 1) que, si es igual a 1, indicar que estamos abriendo un centro en el nodo j, y que, en caso contrario (igual a 0), el nodo j estar vaco.

69

Tendremos tantas variables como ubicaciones potenciales. Podemos utilizar estas variables para formular el modelo. Por ejemplo, tenemos que, para el nodo 4, podemos escribir la siguiente restriccin: X3 + X4 + X7 1

que indica que como mnimo una de las tres variables tiene que ser igual a 1, o, en otras palabras, que para que el nodo 4 est cubierto tenemos que abrir como mnimo un centro en 3, 4, 7. Si definimos N i como el conjunto de ubicaciones potenciales que cubrirn el nodo i dentro de la distancia estndar D, (Ni = {j / dij D}, para cada nodo demanda i podemos escribir la restriccin siguiente:

j= Ni

i = 1,...,20

Este conjunto de restricciones forzarn a que cada nodo est cubierto. Ahora falta formular el objetivo. Como queremos minimizar en nmero de centros a ubicar, cuantas menos Xj sean igual a 1, mejor. Por lo tanto, el objetivo lo podemos formular de la siguiente forma:

Min Z =

X
j =1

20

Si definimos m como el nmero total de nodos de demanda y n como el nmero de total de ubicaciones potenciales, la formulacin final del Problema de Localizacin con Cobertura es:

Min Z = X j
j =1

s.a.
j= Ni

i = 1,..., m

Xj = (0,1) j = 1,...,n

En el archivo mlcp.xls est formulado el problema para nuestro ejemplo, y tambin se incluye la matriz de distancias. Se puede utilizar el mdulo Solver de Excel para resolver el problema con distancias estndar diferentes. En el Cuadro 3.4 se presentan algunos resultados para coberturas diferentes: Cuadro 3.4: Resultados con diferentes coberturas
Distancia Estndar D 15 12 11 10 9 8 Nmero mnimo De Centros 3 4 5 6 8 9 Ubicaciones Finales 8,9,19 3,8,15,17 3,10,12,18,20 4,8,12,17,18,20 4,8,12,15,17,18,19,20 4,5,8,9,13,15,18,19,20

70

Este problema suele tener a veces bastante soluciones ptimas alternativas. El PLSC puede modificarse para considerar, por ejemplo, la minimizacin del presupuesto. Si cada nodo potencial de obtener un servicio tiene asociado un coste fijo de apertura fj , podemos reformular el objetivo del problema de la siguiente forma:

Min Z = f j X j
j =1

20

En este caso estamos minimizando el coste total de apertura de centros. Es muy improbable que aparezcan soluciones alternativas ptimas. En este problema, la fijacin de la distancia estndar D es determinante de los resultados, por lo que hay ir con mucho cuidado al determinarla. Supongamos que, en nuestro ejemplo, la distancia estndar est fijada en 10. Al resolver el PLSC encontramos que la solucin ptima es igual a 6 centros, ubicados en los nodos 4, 8, 12, 17, 18 y 20. Pero el sistema no tiene suficiente presupuesto para construir 6 centros. nicamente tiene un presupuesto para 4 centros. Como el nmero mnimo de centros para cubrir la poblacin es igual a 6, con 4 centros no podremos cubrirla por completo. En este caso, si fijamos en nmero de centros, podemos intentar encontrar sus ubicaciones de forma a maximizar la cobertura de la poblacin. Este problema es conocido como el Problema de Localizacin con Cobertura Mxima (PLCM).

El Problema de Localizacin con Cobertura Mxima (PLCM). Este problema puede ser descrito de la siguiente forma: Dnde tenemos que localizar p centros para maximizar la cobertura de la poblacin dentro de la distancia estndar D? Este problema es una extensin del PLSC. Para formular el modelo tenemos que aadir un nuevo grupo de variables binarias Yi , que denominaremos de cobertura, que sern igual a 1 si el nodo i est cubierto por un centro dentro de la distancia estndar D; e igual a 0 si no lo est. Como en la solucin final algunos nodos de demanda quedarn descubiertos (ya que no tenemos suficientes centros para cubrir toda la poblacin), algunas de estas variables sern 0. Cojamos de nuevo como ejemplo el nodo 4. Para que el est cubierto se tiene que localizar como mnimo un centro en uno de los nodos 3, 4 o 7. Ahora tendremos que escribir la restriccin siguiente: X3 + X4 + X7 Y4

Si como mnimo una de las variables de localizacin X es igual a 1, la variable Y4 podr ser tambin igual a 1, y por lo tanto el nodo de demanda 4 estar cubierto. Si, en cambio, todas las variables X de la restriccin son iguales a 0, la variable de cobertura Y4 ser forzosamente igual a 0 y el nodo 4 no estar cubierto. Para cada nodo de demanda escribiremos la siguiente restriccin:

j= Ni

Yi

i = 1,...,20

Otra restriccin es la limitacin del nmero de centros a localizar. En nuestro ejemplo hemos fijado el nmero de centros en 4. Esto quiere decir que nicamente cuatro variables de ubicacin Xj podrn ser igual a 1. LA restriccin, en trminos matemticos, es:

71

X
j =1

20

=4

Finalmente, el objetivo consiste en la maximizacin de la cobertura de la poblacin de la regin en cuestin. En el modelo PLSC todos los nodos quedaban cubiertos, por lo que no haca falta preocuparse de la poblacin. En el nuevo modelo, como algunos nodos de demanda quedarn descubiertos, tenemos que considerar la poblacin de cada uno de ellos. El modelo intentar cubrir, en primer lugar, aquellos nodos con mayor poblacin (o demanda). El objetivo se formula matemticamente de la forma siguiente:

Max Z =

a Y
i =1

20

i i

En donde a i es un parmetro que denota el volumen de demanda (en nuestro ejemplo, poblacin) asociada al nodo i. Contra ms Yi sean igual a 1, ms cobertura obtendremos. La formulacin final del problema es:

Max Z =
s.a.

a Y
i =1

i i

j= Ni

X
n j =1

Yi =p

i = 1,..., m

Xj, Yi = (0,1) j = 1,...,n i = 1,...,m En el archivo plcm.xls est formulado el problema de mxima cobertura para nuestro ejemplo, con D = 10 y p = 4. Las poblaciones de cada uno de los nodos se indica en el Cuadro 3A.1 del anexo. El resultado final se presenta en el Cuadro 3.5. Cuadro 3.5: Resultados del PLCM en el ejemplo
Nmero de Centros Distancia estndar Poblacin Cubierta Ubicaciones Nodos no cubiertos 4 10 88% 4,8,12,17 18,20

Vemos que con 4 centros pasamos a cubrir el 88% de la poblacin. En otras palabras, mientras que el nmero mnimo de centros necesarios para cubrir toda la poblacin era igual a 6, con 4 centros cubrimos el 88% de ella y nicamente dos nodos no estn cubiertos.

3.6.2 Modelo de Localizacin P-Mediano

El modelo P-Mediano de localizacin (MPML) tienen que objetivo principal la minimizacin de la distancia media entre los nodos de demanda y los centros. El problema, en palabras, es el siguiente: Dnde se ubicarn p centros de forma a minimizar la distancia media entre stos y los nodos de demanda?

72

Para formular este problema necesitamos conocer, como en el problema anterior, la matriz de distancias y la demanda que se genera en cada uno de los nodos. En este caso no se utiliza una distancia estndar. Las variables de modelo sern: Xij = 1, si el nodo de demanda i es atendido por el centro ubicado en j; 0, en caso contrario Wj = 1; si ubicamos un centro en j; 0, en caso contrario

A continuacin definimos las restricciones. En primer lugar, un nodo de demanda tiene que estar asignado a un nico centro. Para forzar esta situacin, para cada nodo de demanda i, la suma de las Xij con respecto a l ndice j tiene que ser igual a 1. En trminos matemticos:

X
j =1

ij

=1

i = 1,..., m

Ahora bien, el nodo i no podr ser asignado al nodo j si no existe un centro en j. Como la variable Wj indica si existe un centro en j o no, tendremos que:

X ij W j

i = 1,..., m

j = 1,..., n

Si no existe ningn centro en j, Wj = 0, lo que implica que ningn nodo de demanda podr ser asignado a j. En este caso, todas las variables Xij sern igual a 0. Finalmente, tenemos que fijar el nmero de centros a abrir. La siguiente restriccin tiene que ser aadida al modelo:

W
j =1

=p

Finalmente, tenemos que formular el objetivo de distancia media. Tenemos que a i d ij ser la distancia total entre la poblacin (o demanda) en i y el centro en j. Si sumamos ai dij para todas las i tendremos toda la demanda asignada a j. Luego tenemos que sumar para todas las j, y tendremos la distancia total del sistema. El objetivo es:

Min Z =

a d
i =1 j =1 i

ij

X ij

Una vez obtenido el valor de Z, tenemos que dividirlo por la demanda (o poblacin) total del sistema para obtener la distancia media entre la demanda y los centros. En resumen, la formulacin del problema P-mediano es:

Min Z =
s.a.

a d
i =1 j =1 i

ij

X ij

X
j =1

ij

=1

i = 1,..., m i = 1,..., m j = 1,..., n

X ij W j

W
j =1

=p 73

Esta formulacin suele tener muchas variables y restricciones. Por ejemplo, si m=n=100 tendremos 10.100 variables y 10.101 restricciones. Existen varias formas de reducir el nmero de variables y restricciones, pero an as este modelo suele ser bastante grande. Se han desarrollado varios mtodos heursticos para poder encontrar soluciones del MPML. Una excelente referencia se encuentra en el libro de Daskin (1995).

3.6.3 El Problema de Localizacin de Plantas con Capacidad

En muchos casos el objetivo principal es encontrar una serie de ubicaciones que minimicen tanto los costes de transporte como el coste de apertura de los centros. El modelo de Localizacin de Plantas con Capacidad (MLPC) se describe de la forma siguiente: Cuntos centros se necesitan y dnde hay que ubicarlos para minimizar los costes totales del servicio sin exceder su capacidad? Para poder formular el modelo, necesitamos los siguientes parmetros: ai = demanda en el nodo i dij = distancia entre el nodo de demanda i y el nodo de ubicacin potencial j. fj = coste de apertura de un centro en el nodo j cij = coste de transporte por unidad de demanda y unidad de distancia Cj = capacidad de un centro si se ubica en j

y las variables que a continuacin se describen: Xij = demanda del nodo i atendida por el centro en j Wj = 1, si ubicamos un centro en j; 0, en caso contrario. Un vez definidos los parmetros y las variables del modelo, se tienen que formular las restricciones. En primer lugar, no podemos exceder la capacidad de cada centro. Para que esto se cumpla, la demanda asignada a cada uno de los centros potenciales j no puede exceder su capacidad. En trminos matemticos:

X
i =1

ij

Cj

j = 1,..., n

Por otro lado, la demanda de cada uno de los nodos tiene que ser atendida. Es decir:

X
j =1

ij

= ai

i = 1,..., m

Finalmente, un nodo de demanda i no puede ser servido por j si no existe un centro en j. Matemticamente,

X
i =1

ij

MW j

j = 1,..., n

en donde M es un parmetro con un valor muy elevado (por ejemplo, 1010 ). Si Wj es igual a 0, forzosamente todas las Xij sern igual a 0. En caso contrario, si Wj es igual a 1, las variables Xij podrn tomar cualquier valor, ya que no tendrn ninguna cota superior.

74

Ahora falta definir el objetivo. Por un lado tenemos los costes de apertura, o costes fijos. Por otro lado, tenemos que minimizar los costes de distribucin o transporte. Estos dos tipos de costes juegan un papel opuesto en relacin al nmero de centros a ubicar. Mientras que, contra ms centros abramos, menor ser el coste de transporte al reducirse las distancias, por otro lado los costes de apertura aumentarn considerablemente. El modelo buscar el nmero de centros que minimice los costes totales. El objetivo se define matemticamente como:

Min Z =

f W + c d
j =1 j j i =1 j =1 ij

ij

X ij

El primer trmino de del lado derecho de la ecuacin refleja los costes de apertura. El segundo trmino formula los costes totales de transporte. En resumen, el modelo se formula de la siguiente forma:

Min Z =
s.a.

f W + c d
j =1 j j i =1 j =1 ij

ij

X ij

X
i =1

ij

Cj = ai

j = 1,..., n i = 1,..., m

X
j =1

ij

X
i =1

ij

MW j

j = 1,..., n i = 1,..., m j = 1,..., n

X ij 0; W j = (0,1)

Este problema es de programacin lineal entera mixta, ya que mientras que algunas de las variables son enteras (en este caso las Wj son binarias), otras son continuas (las Xij pueden tomar cualquier valor no-negativo). Este problema es muy utilizado para ubicar plantas de produccin y depsitos de distribucin. Existe un sinfn de problemas de localizacin basados en este modelo.

3.7 Conclusiones
En este captulo hemos examinado como formular algunos problemas de programacin entera mixta y binaria y como resolverlos con el algoritmo de bifurcacin y acotamiento. Mientras que algunos problemas son relativamente fciles de resolver con este algoritmo, otros pueden ser extremadamente caros en trminos de tiempo de ordenador, ya que la ramificacin es exponencial, y en cada rama del rbol del algoritmo tenemos que resolver un programa lineal. La mayora de programas lineales incorporan un modulo de programacin entera por lo que no hay que realizar el algoritmo; el propio programa se encarga del proceso. En la hoja de clculo Excel, para resolver programas con algunas o todas las variables enteras, basta declararlas como

75

enteras o binarias (si procede) dentro de la ventana de restricciones (ver archivos de ejemplo plcm.xls y plsc.xls).

76

3.8 Problemas
3.1 Resolver el problema siguiente con el algoritmo de bifurcacin y acotamiento: Max Z = s.a. 2.1X 1 X1 + 8X2 + 1,2X2 0 15,5 5,6 X1 + 2X2

X 1, X2

Programar el problema en la hoja de clculo Excel y resolverlo.

3.2 Resolver el problema siguiente con el algoritmo de bifurcacin y acotamiento. En cada iteracin del algoritmo, utilizar la hoja de calculo Excel para resolver el sub-problema correspondiente. Max Z = s.a. X1 5X 1 2,1X 1 + 4X2 - 2X2 + 3X2 + X3 + 4X3 + 3X3 0 11,5 10,2 20 4X 1 + X2 + X3

X 1, X2 , X 3

3.3 Resolver el problema siguiente con el algoritmo de bifurcacin y acotamiento. En cada iteracin del algoritmo, utilizar la hoja de calculo Excel para resolver el sub-problema correspondiente. Max Z = s.a. X1 X1 -2X 1 2X 1 + 4X2 + X2 + 4X2 + 3X2 X 1, X2 , X 3 20 + X3 > 10 + 2X3 + X3 0 60 50 X1 - X2 + X3

3.4. Una red de atencin sanitaria tiene m ambulatorios y que atienden a n pueblos de una regin rural. La gerencia no est satisfecha con la asignacin actual entre pueblos y ambulatorios, y quiere reorganizar la asignacin de forma a minimizar los costes de desplazamiento totales del sistema, siempre que no se exceda la capacidad de cada uno de los centros. Sean cij el coste de transporte entre el pueblo i y el ambulatorio j, ai la poblacin del pueblo i, y aj la capacidad del ambulatorio j Formular un modelo de programacin entera que asigne cada pueblo a un nico ambulatorio sin exceder la capacidad.

3.5. Una ciudad quiere redisear su sistema de ambulancias y mejorar el servicio, sobre todo en lo que se refiere a tiempos de atencin. Para ello ha decidido reubicar los garajes. Se tiene la siguiente informacin: la ciudad est dividida en 20 reas. En el Cuadro A3.1 del anexo se presentan los tiempos de desplazamiento entre todas las reas y la frecuencia de llamadas por semana en cada una de ellas

77

(archivo pob.). Por ahora se dispone de 4 ambulancias ubicadas actualmente en los nodos 5, 7, 16 y 17, y no se pueden comprar ms. El alcalde considera que se tendra que maximizar la cobertura en un tiempo de 10 minutos, pero tambin que toda la ciudad tendra que estar cubierta en 15 minutos. Formular el problema y resolverlo con ayuda del ordenador. En cunto a mejorado la cobertura respecto a la situacin inicial? Suponer ahora que solo se tiene presupuesto para reubicar dos de las cuatro ambulancias. Reformular el problema para que el modelo escoja cuales se tienen que reubicar.

78

3.9 Anexo: Datos de la red de 20 nodos

Cuadro 3A.1.: Poblacin de cada nodo y distancias entre nodos
1 Pob. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 34 0,0 5,0 12,5 21,2 13,0 18,2 23,5 8,0 27,5 9,0 15,0 25,0 21,5 18,0 35,0 28,5 27,0 40,5 37,0 32,0 2 65 5,0 0,0 7,5 16,2 8,5 13,7 18,5 6,0 22,5 12,0 13,0 20,5 19,5 21,0 30,5 26,5 27,5 38,5 37,5 35,0 3 99 12,5 7,5 0,0 8,7 6,2 11,4 11,0 11,2 15,0 17,2 15,2 18,2 21,7 25,2 27,0 27,2 29,7 38,0 39,4 39,2 4 85 21,2 16,2 8,7 0,0 14,9 15,7 8,2 19,9 12,2 25,9 20,7 19,2 27,2 30,7 24,2 28,2 35,2 35,2 40,4 44,7 5 95 13,0 8,5 6,2 14,9 0,0 5,2 12,7 5,0 16,7 11,0 9,0 12,0 15,5 19,0 22,0 21,0 23,5 33,0 33,2 33,0 6 75 18,2 13,7 11,4 15,7 5,2 0,0 7,5 10,2 11,5 13,0 5,0 6,8 11,5 15,0 16,8 15,8 19,5 27,8 28,0 29,0 7 32 23,5 18,5 11,0 8,2 12,7 7,5 0,0 17,7 4,0 20,5 12,5 11,0 19,0 22,5 16,0 20,0 27,0 27,0 32,2 36,5 8 34 8,0 6,0 11,2 19,9 5,0 10,2 17,7 0,0 21,7 6,0 7,0 17,0 13,5 15,0 27,0 20,5 21,5 32,5 31,5 29,0 9 28 27,5 22,5 15,0 12,2 16,7 11,5 4,0 21,7 0,0 24,5 16,5 7,0 18,0 24,0 12,0 16,0 26,0 23,0 28,2 36,5 10 53 9,0 12,0 17,2 25,9 11,0 13,0 20,5 6,0 24,5 0,0 8,0 23,0 14,5 9,0 33,0 21,5 18,0 33,5 28,0 23,0 11 52 15,0 13,0 15,2 20,7 9,0 5,0 12,5 7,0 16,5 8,0 0,0 11,8 6,5 10,0 21,8 13,5 14,5 25,5 24,5 24,0 12 21 25,0 20,5 18,2 19,2 12,0 6,8 11,0 17,0 7,0 23,0 11,8 0,0 11,0 17,0 10,0 9,0 19,0 21,0 21,2 29,5 13 39 21,5 19,5 21,7 27,2 15,5 11,5 19,0 13,5 18,0 14,5 6,5 11,0 0,0 6,0 18,2 7,0 8,0 19,0 18,0 18,5 14 98 18,0 21,0 25,2 30,7 19,0 15,0 22,5 15,0 24,0 9,0 10,0 17,0 6,0 0,0 24,2 13,0 9,0 25,0 19,0 14,0 15 69 35,0 30,5 27,0 24,2 22,0 16,8 16,0 27,0 12,0 33,0 21,8 10,0 18,2 24,2 0,0 11,2 24,2 11,0 21,0 34,5 16 67 28,5 26,5 27,2 28,2 21,0 15,8 20,0 20,5 16,0 21,5 13,5 9,0 7,0 13,0 11,2 0,0 13,0 12,0 12,2 23,5 17 22 27,0 27,5 29,7 35,2 23,5 19,5 27,0 21,5 26,0 18,0 14,5 19,0 8,0 9,0 24,2 13,0 0,0 20,0 10,0 10,5 18 54 40,5 38,5 38,0 35,2 33,0 27,8 27,0 32,5 23,0 33,5 25,5 21,0 19,0 25,0 11,0 12,0 20,0 0,0 10,0 23,5 19 76 37,0 37,5 39,4 40,4 33,2 28,0 32,2 31,5 28,2 28,0 24,5 21,2 18,0 19,0 21,0 12,2 10,0 10,0 0,0 13,5 20 90 32,0 35,0 39,2 44,7 33,0 29,0 36,5 29,0 36,5 23,0 24,0 29,5 18,5 14,0 34,5 23,5 10,5 23,5 13,5 0,0

79

80

4 Programacin Multiobjetivo
4.1 Introduccin
Como bien cita Romero (1993), el gran economista de la escuela de Chicago Milton Friedman, en el primer captulo de su libro Teora de los Precios (1962), enfatiza el carcter multicriterio de los problemas econmicos al considerar como econmicos slo los problemas en los que subyace la existencia de criterios mltiples. Por el contrario, cuando el problema de decisin se establece en base a un solo criterio, nos encontramos ante lo que Friedman llama un problema tecnolgico, en el que no existen problemas de eleccin propiamente dichos. Efectivamente, en muchas ocasiones, el tomador de decisiones se enfrenta a situaciones en donde existen varios objetivos a maximizar o minimizar. Por ejemplo, en una organizacin sanitaria, por un lado se puede querer maximizar una medida del bienestar de la poblacin y por el otro minimizar los costes de implantacin del servicio. O una empresa farmacutica puede querer maximizar beneficios, aumentar cuota de mercado, aumentar la tasa de retorno y minimizar el volumen de stocks. Cuando tenemos ms de un objetivo en un problema, podemos utilizar la programacin multiobjetivo. En este caso, como la optimizacin simultnea de todos los objetivos es normalmente imposible, - ya que en la vida real entre los objetivos que pretende optimizar un centro decisor suele existir un cierto grado de conflicto- el enfoque multiobjetivo , en vez de intentar determinar un no existente ptimo, pretende establecer el conjunto de soluciones eficientes o Pareto ptimas.

4.2 Espacio de Decisiones y Espacio de Objetivos

Supongamos el programa lineal bicriterio siguiente: Max Z1 = Max Z2 = s.a. X1 - X1 X1 X2 X1, X2 0 + X2 + 2X2 8 7 6 4 2X1 -X1 - X2 + 5X2

El conjunto de restricciones sigue formando, como en el caso monocriterio, una regin factible convexa, que nos indica todas las combinaciones de las variables de decisin X1 y X2 que cumplen todas las restricciones del problema. Este conjunto convexo es conocido como el espacio de decisiones. Los puntos extremos tambin pertenecen al espacio de decisiones. Como explicamos en el captulo 3, el valor ptimo del objetivo siempre corresponder al valor de las variables en uno de estos puntos extremos. En el cuadro 4.1 se presentan los valores de las variables y de los objetivos en cada uno de los puntos extremos del ejemplo.

81

Cuadro 4.1: Valores de las variables y objetivos en los puntos extremos Puntos Extremos X1 X2 Z1 Z2 A 0 0 0 0 B 0 3 -3 15 C 1 4 -2 19 D 4 4 4 16 E 6 2 10 4 F 6 0 12 -6 En la Figura 4.1 tenemos dibujado el espacio de decisiones del ejemplo. Los puntos A, B, C D y F corresponden a los puntos extremos del problema, y el punto G es una solucin factible. . Como para cada valor de X1 y de X2 podemos encontrar el valor de los objetivos, podemos tambin representar en un grfico los valores de los objetivos que corresponden a cada uno de estos valores de X1 y X2 que son factibles para el problema. En la Figura 5.2 se representa la regin factible en el espacio de objetivos. Por ejemplo, cada punto extremo en el espacio de decisiones corresponde tambin a un punto extremo en el espacio de objetivos. Si estuvieramos nicamente maximizando el primer objetivo, ste sera igual a 10 y X1 = 6 y X2 = 2, que corresponde a punto extremo E. En este punto extremo el valor del segundo objetivo no es ptimo, ya que es igual a 4, mientras que el valor ptimo se alcanza en el punto extremo C, y es igual a 19. Por lo tanto, una solucin ptima para uno de los objetivos nos da una solucin muy deficiente para el segundo. Pero, por otro lado, tenemos que encontrar una solucin nica de las variables de decisin que a su vez determinar el valor de los dos objetivos. En este caso, tenemos que encontrar una solucin de compromiso para los dos objetivos. Esta solucin puede no dar un resultado ptimo de los objetivos, pero tiene que ser una solucin satisfactoria para ambos. Para ello se define el concepto de no-inferioridad o de eficiencia. Diremos que una solucin es no-inferior (o eficiente) si no existe ninguna otra solucin del problema que de un valor mejor de los objetivos, o que mejore un objetivo dejando al otro igual. Observemos las Figuras 4.1 y 4.2. El punto H sera el punto ideal, ya que es donde ambos objetivos alcanzan su valor ptimo. Sin embargo, este punto no es factible. El punto G es factible pero es un punto inferior porque podemos encontrar otro punto factible que da un mayor valor de ambos objetivos (por ejemplo, el punto extremo D). Por otro lado, el punto D es noinferior, porque no podemos encontrar otra solucin factible del problema sin tener que empeorar uno de los objetivos. Recordemos que estamos maximizando ambos objetivos. Ahora podemos definir el conjunto de puntos no-inferiores. Grficamente, este conjunto corresponde al borde de la regin factible en el espacio de decisiones entre los puntos extremos C-D-E-F. Cualquier valor de Z1 y de Z2 situado sobre esta frontera corresponde a un punto noinferior. Cualquier punto situado en el interior del conjunto ser una solucin inferior, y por lo tanto no nos interesa considerarla.

82

Figura 4.1: Espacio de decisiones

X2 - X1 + X2 X1 6 X2 4 Regin factible en el espacio de decisiones

C B G

E
X1 + X2 8

X1

Figura 4.2: Espacio de objetivos

Z2 Punto ideal

C D B G
Regin factible en el espacio de objetivos

A
Puntos no-inferiores

Z1

Una vez obtenido el conjunto de puntos no-inferiores en el espacio de objetivos, tenemos que escoger uno que nos d la solucin final del problema. Aqu es donde entran las consideraciones subjetivas del decisor ya que, en muchos casos, las unidades de los objetivos son diferentes, El decisor comparar los diferentes puntos eficientes y los intercambios que se producen al pasar de un punto no-inferior a otro punto. En otras palabras, al pasar del punto D al punto E en nuestro ejemplo, el decisor valorar la diferencia entre el beneficio adicional que obtiene al aumentar Z1 con la reduccin del valor de Z2. Esta es una de las grandes ventajas de la programacin multiobjetivo, ya que ofrece al decisor diferentes soluciones alternativas eficientes. El decisor escoger aquella que crea mejor y se puede apoyar en otros mtodos para poder discriminar entre las diferentes soluciones. Hasta ahora hemos examinado el problema de maximizacin de dos objetivos. Pero en muchas situaciones tenemos que maximizar un objetivo y minimizar el otro, o minimizar los dos

83

objetivos. En este caso, la frontera de eficiencia adopta formas diferentes en funcin de la caracterstica de los objetivos. En la Figura 4.3 se muestran estas formas diferentes.

Figura 4.3: Fronteras de eficiencia Max Max

Min

Max Min

Min

Max

Max

4.3 Mtodos de Resolucin

Existen dos mtodos clsicos para poder generar las soluciones no-inferiores de un problema multiobjetivo: el mtodo de los pesos y el mtodo de las restricciones. Ambos mtodos intentan generar todos los puntos no inferiores del espacio de objetivos, si bien que, una vez aplicados, no garantizan la obtencin de todos ellos.

4.3.1 El Mtodo de la restriccin

El mtodo de la restriccin consiste bsicamente en la transformacin del problema multiobjetivo en un problema con un nico objetivo a maximizar o minimizar, para poder as utilizar los mtodos de resolucin clsicos como el Simplex. En esencia, todos los objetivos del problema, menos uno, se introducen en el conjunto de restricciones fijando arbitrariamente el lado derecho de cada nueva restriccin (una por objetivo) Marglin (1967) demostr que la solucin de este nuevo problema tambin da una solucin eficiente. El procedimiento paso a paso es el siguiente para un problema bi-objetivo en donde los dos objetivos son de maximizacin: En primer lugar, solucionamos el problema con el primer objetivo Z1 y, una vez obtenido el valor de las variables de decisin, calculamos el valor del segundo objetivo Z2 . A continuacin, solucionamos el problema con el segundo objetivo Z2 y una vez obtenido el valor de las variables de decisin, calculamos el valor del primer objetivo Z1 . Por ahora ya tenemos dos puntos eficientes del espacio de objetivos. El siguiente paso es escoger una de las funciones objetivo (por ejemplo, escogemos Z2) y ponerla como restriccin. Supongamos que L2 corresponde al valor de Z2 cuando maximizamos Z1 . Si aadimos la restriccin Z2 L2 y solucionamos el problema, volveramos a obtener la misma solucin para Z1 . Pero si aadimos la siguiente restriccin Z2 L2 + , en donde es un valor positivo relativamente pequeo, y

84

solucionamos el problema, es posible que la nueva solucin de Z1 sea inferior o igual, pero obviamente nunca superior, ya que al aadir una nueva restriccin, estamos reduciendo el espacio de decisiones factible. Por lo tanto, a medida que vamos incrementando el valor de y resolviendo nuevas instancias del problema, vamos generando nuevas soluciones de Z1 . El proceso se para cuando el lado derecho de la restriccin, L2 + , alcanza el valor ptimo de Z2. El problema reside en encontrar el valor de adecuado para poder generar el mximo nmero de puntos eficientes en el espacio de objetivos. En otras palabras, se trata de encontrar el nmero adecuado de problemas lineales a resolver. A continuacin vamos a exponer como se resuelve el ejemplo multiobjetivo de este captulo. El modelo original es el siguiente:

Max Z1 = Max Z2 = s.a.

2X1 -X1

- X2 + 5X2

X1 - X1 X1

+ X2 + 2X2

8 7 6

X2 X1, X2 0

Si resolvemos el problema nicamente con el primer objetivo, Z1 , tendremos que la solucin de las variables de decisin correspondiente es X1, = 6 , X2 = 0, Z1 = 12 y, Z2 = -6, que corresponde al punto extremo E. Por el contrario, si resolvemos el problema nicamente con el segundo objetivo, Z2 , tendremos que la solucin de las variables de decisin correspondiente ser X1, = 1 , X2 = 4, Z1 = -2 y, Z2 = 19, correspondiente al punto extremo D. Ya tenemos dos punto extremos eficientes. Ahora se trata de generar otros puntos extremos eficientes del problema. Siguiendo lo expuesto anteriormente, introducimos la ecuacin del segundo objetivo como restriccin adicional del modelo, con el lado derecho igual a 6+ , de la siguiente forma: -X1+ X2 -6+

que, multiplicando ambos lados por 1, es equivalente a: X1 - X2 6-

Supongamos ahora que vamos aumentando arbitrariamente el valor de en cinco unidades ( = 5,10,15,20,..) hasta llegar a = 25, ya que en este punto el lado derecho ser igual al valor ptimo de Z2 (19). Para cada valor de resolvemos el problema utilizando el mtodo Simplex. En el Cuadro 4.2 se exponen los resultados:

85

Cuadro 4.2: Resultados del mtodo de la restriccin, ejemplo 4.2 0 5 10 15 20 25 6- 6 1 -4 -9 -14 -19 X1 6 6 6 5,7 4,3 1 X2 0 1 2 2,8 3,7 4 Z1 12 11 10 7,5 5 -2 Z2 -6 1 4 9 14 19
Puntos de la frontera

F T E U V C

Como podemos ver en esta tabla, a medida que incrementamos el valor de , el valor del primer objetivo se va reduciendo debido a la nueva restriccin, que cada vez ms acota el espacio factible de decisiones. Por otro lado, como es de esperar, el segundo objetivo aumenta al incrementar , hasta alcanzar su valor ptimo cuando incluimos la restriccin X1 - X2 -25, que es equivalente a -X1 + X2 25. La pregunta que a continuacin nos hacemos es: hemos escogido unos valores aceptables de ? O, en otras palabras, hemos generado todos los puntos extremos eficientes en el espacio de objetivos? La respuesta, en este caso, es negativa. Esto lo podemos observar en la Figura 4.4. Como podemos ver, hemos generado todos los puntos extremos que conocamos anteriormente, excepto el punto D. Esto es debido a que el incremento de aplicado al lado derecho de la restriccin cuando estbamos en el punto V ha sido superior al valor del segundo objetivo en el punto D. Efectivamente, en el punto V, Z2 = 14 y al aumentar en cinco unidades, estbamos acotando por debajo en 19 la restriccin correspondiente al segundo objetivo. En este caso, nunca podramos encontrar el valor de Z2 correspondiente al punto D.

Figura 4.4: Puntos eficientes del ejemplo 4.2

Z2

C D V B U

Solucin eficiente no encontrada

T A
Z1

F
Puntos no-inferiores

Como hemos visto, el mtodo de la restriccin no garantiza la obtencin de todos los puntos extremos en el espacio de objetivos. Es importante escoger valores de adecuados para poder generar el mximo de puntos eficientes posibles.

86

Si el objetivo que escogemos para incluirlo en el conjunto de restricciones es de minimizacin, tendremos que cambiar la direccin de la desigualdad. En este caso tendremos que acotar la ecuacin de la siguiente forma: Z2 L- .

4.3.2 El Mtodo de los Pesos

El mtodo de los pesos es otro procedimiento similar al de la restriccin para generar los puntos eficientes del espacio de objetivos. Tambin se trata de transformar el programa multiobjetivo en un programa con un nico objetivo para poder utilizar el mtodo Simplex y generar as soluciones eficientes. En este caso, bsicamente se forma un nico objetivo sumando los dos objetivos del modelo ponderados por unos pesos relativos. Para obtener diferentes puntos eficientes estos pesos relativos se van modificando. En cada modificacin se resuelve el problema con el nuevo objetivo resultante. Volvamos al ejemplo de la seccin anterior. Los objetivos son los siguientes: Max Z1 = Max Z2 = 2X1 -X1 - X2 + 5X2

Ahora tenemos que formar un nico objetivo. Si definimos w1 y w2 como los pesos asociados al primer y segundo objetivo respectivamente, podemos escribir el nuevo objetivo de la siguiente forma: Max Z = w1 Z1 + w2Z2 Si fijamos w1=1 y w2=0 estaremos resolviendo nicamente el problema con el primer objetivo. Si, al contrario, fijamos w1=0 y w2=1 encontraremos la solucin del problema de maximizacin con el segundo objetivo exclusivamente. Si fijamos valore intermedios, iremos obteniendo soluciones intermedias eficientes. Esto es debido a que, al cambiar los pesos relativos, estamos modificando la pendiente del nuevo objetivo, y podemos ir encontrando puntos extremos diferentes en el espacio de decisiones. Una vez obtenida la solucin de las variables de decisin, podemos calcular el valor de cada uno de los objetivos. Como la nueva funcin objetivo tambin encuentra su mximo en un punto extremo (propiedad bsica que hemos visto en el captulo de mtodos de solucin), los puntos obtenidos en el espacio de objetivos tambin sern eficientes. A continuacin resolveremos nuestro ejemplo con el mtodo de los pesos. En primer lugar formamos la nueva funcin objetivo: Max Z = w1(2X1 X2)+ w2(-X1 + 5X2) que es equivalente a: Max Z = (2w1 w2) X1 + (-w1 + 5w2 ) X2 sujeto al conjunto de restricciones original. Ahora se trata de ir fijando valores a los pesos arbitrariamente para ir encontrando soluciones diferentes del problema. En el Cuadro 4.5 se presentan los resultados obtenidos. Como podemos ver, a medida que aumentamos el valor de w2 y reducimos el valor de w1 vamos dando ms importancia al segundo objetivo en detrimento del primero. Los valores obtenidos para los objetivos son eficientes, como podemos observar en la Figura 4.5, si bien que no hemos

87

conseguido generar todos los puntos eficientes del espacio de objetivos. Como en el mtodo anterior, el procedimiento de los pesos no garantiza la obtencin de todos los puntos eficientes. Cuadro 4.5: Resultados del mtodo de la restriccin, ejemplo 4.1 W1 1 0.80 0.60 0.4 0.2 0 w2 0 0.2 0.4 0.6 0.8 1 X1 6 6 4 4 1 1 X2 0 2 4 4 4 4 Z1 12 10 4 4 -2 -2 Z2 -6 4 16 16 19 19
Puntos de la frontera

F E D D C C

Un problema adicional de este mtodo es el fijar unos valores relativos de los pesos, debido a que las unidades de los objetivos suelen ser diferentes. Por ejemplo, si por un lado estamos maximizando la cobertura de la poblacin y por el otro maximizamos los beneficios, los pesos relativos que apliquemos tienen que reflejar la relacin de estas unidades. Si la cobertura de la poblacin en cuestin est en torno a 10.000 de personas y los beneficios entorno a 10.000.000 de pesetas, tenemos que la relacin es de 1 a 1.000. En este caso, el valor del peso asociado al primer objetivo tiene que reflejar esta relacin, ya que si no el segundo objetivo siempre tendr una importancia muy superior y pesar siempre mucho ms que el primer objetivo cuando utilizamos este mtodo. En este caso fijaramos valores de w1 cercanos a 1.000 y de w2 cercanos a 1.

Figura 4.5: Solucin obtenida con el mtodo de los pesos

Z2

C D B
Solucin eficiente no encontrada

Z1

F Si tenemos que Z1 es de maximizacin y Z2 es de minimizacin, el nuevo objetivo sera el siguiente: Max Z = w1Z1 - w2Z2 Por el contrario, si ambos objetivos son de minimizacin, tendremos que minimizar el siguiente objetivo: Min Z = w1Z1 + w2Z2

88

4.3.3 Extensiones de la programacin multiobjetivo.

Hasta ahora nos hemos ocupado del caso de problemas con dos objetivos; pero en muchas situaciones podemos tener ms de dos objetivos. Los mtodos de la restriccin y de los pesos siguen siendo vlidos, aunque dejan de ser bastante eficientes ya que el nmero de combinaciones que tenemos que realizar aumenta exponencialmente. Por ejemplo, si utilizamos el mtodo de los pesos en una formulacin con cuatro objetivos, tendremos que definir cuatro pesos y asignarles muchas combinaciones de valores diferentes. Lo mismo sucede con el mtodo de la restriccin. Existen otras tcnicas, como la programacin por metas, que permite definir prioridades entre los diferentes objetivos y as eliminar muchas combinaciones diferentes de problemas a solucionar. En la programacin multiobjetivo es muy importante que exista una gran interaccin entre el decisor y el problema. El decisor tiene que escoger una nica solucin eficiente entre muchas y es por esto que la curva de intercambio (o de eficiencia) es muy til, porque permite realizar un anlisis marginal, preguntndose cuestiones del tipo si voy del punto D al punto E, me compensa el aumento del primer objetivo la prdida que pasa en el segundo? Esta interaccin puede ser muy til tambin en situaciones con mltiples objetivos. El decisor puede fijar a priori algunos de los pesos, o dar algn lmite inferior o superior para acotar as el campo de soluciones diferentes en el espacio de objetivos. Otro problema de la programacin multiobjetivo es la representacin del espacio de decisiones. Como hemos visto en este cpitulo, en problemas bi-objetivos esta representacin es relativamente sencilla, ya que se puede realizar en un simple grfico cartesiano. Si pasamos a tener tres objetivos, al querer realizar una representacin cartesiana, tendramos que definir un grfico de tres dimensiones, que complica bastante el asunto. Con ms de tres objetivos, este tipo de representaciones ya no es factible. Sin embargo, existe otro tipo de representaciones que pueden ser tiles para mostrar el espacio de objetivos. En las Figura 4.6 se muestran dos de estos tipos de representaciones para tres soluciones diferentes de un problema con cinco objetivos. Figura 4.6: Representaciones grficas de soluciones Z1 Z2 Z1 Z2 Z3 Z4 Z5

Z5

Z3 Z4 Tela de araa Barras verticales

89

4.4 Problemas
4.1 Considerar el programa lineal bi-objetivo siguiente: Max Z = Max Z = s.a. X1 X1 + 4X2 + X2 0 8 5 -2X 1 3X 1 + X2 - 2X2

X 1, X2

Utilizar en mtodo grfico para encontrar el espacio dedecisiones y el espacio de objetivos. Sealar cuales son las soluciones eficientes.

4.2 Supongamos el programa lineal bicriterio siguiente: Max Z1 = Max Z2 = s.a. X1 5X 1 2X 1 + 4X2 - 2X2 + 3X2 X 1, X2 , X 3 + X3 + 4X3 + 3X3 0 12 11 20 X1 -X 1 + 2X2 + 4X2 - X3 + X3

Solucionar el problema bi-objetivo con el mtodo de los pesos y encontrar todas las soluciones eficientes.

4.3 Utilizar el mtodo de los pesos para solucionar el problema siguiente: Max Z1 = Min Z2 = s.a. 2X 1 -X 1 2X 1 + 8X2 + X2 + 3X2 X 1, X2 , X 3 - X3 + X3 + X3 0 20 30 50 -X 1 X1 + X2 +5X2 + 2X3 + -X3

90

4.4 Considerar el programa lineal bi-objetivo siguiente: Max Z = Max Z = s.a. X1 3X 1 2X 1 X1 + 4X2 + 2X2 + X2 + X2 0 8 9 8 5 -3X 1 X1 +2X2 - 2X2

X 1, X2 Solucionar el problema con el mtodo de las restricciones

4.5 Utilizar el mtodo de los pesos para solucionar el problema siguiente: Min Z1 = Min Z2 = s.a. 2X 1 -X 1 2X 1 7X 1 2X 1 + 8X2 + X2 + 3X2 - 3X2 + 9X2 X 1, X2 , X 3 - X3 + X3 + X3 + 2X3 - X3 0 20 30 50 54 37 2X 1 4X 1 + 3X2 -5X2 - 2X3 + 7X3

91

92

5 Gestin de Colas
En la mayora de las organizaciones existen ejemplos de procesos que generan colas de espera. Estas colas suelen aparecer cuando un usuario, un empleado, una mquina o una unidad tiene que esperar a ser servidas debido a que la unidad de servicio, operando a plena capacidad, no puede atender temporalmente a este servicio. Un tpico ejemplo de colas de espera que ilustra el problema es un viaje en avin. Primero, para comprar el billete podemos tener que hacer cola en la ventanilla correspondiente. Una vez obtenido el billete, tendremos que hacer cola para facturar el equipaje y obtener las tarjetas de embarque. Despus hacemos cola para pasar por el detector de metales y finalmente esperamos en cola en la sala de embarque. Una vez dentro del avin, tendremos que esperar a que los pasajeros coloquen sus bolsas de mano para poder llegar a nuestro asiento. Cuando el avin se dirige hacia la pista de despegue puede encontrar con una cola de aviones esperando su turno para despegar. Cuando llega a su destino, puede dar unas cuantas vueltas antes de tener permiso para aterrizar. Y finalmente, cuando se asigna una puerta de desembarque para el avin, tendremos que esperar a que lleguen las maletas. En este viaje, es posible que hayamos sido miembros de por lo menos diez colas. Y eso sin considerar la experiencia en colas de la propia compaa area para este mismo viaje. El avin en el cual viajbamos tiene que esperar en cola para repostar, ser inspeccionado, asignarle una puerta determinada, una tripulacin, una carga de comidas, una ruta especfica, etc. De ah que las compaas areas se preocupan de gestionar sus operaciones lo ms eficientemente posible, y tratar de reducir al mnimo el tiempo de espera en realizar dichas operaciones. Los sistemas sanitarios tambin se enfrentan a este tipo de problemas. Las listas de espera son muy comunes en muchos procesos quirrgicos dentro de una red sanitaria, y a nivel ambulatorial es muy comn la existencia de personas esperando a ser atendidas en un Centro de Asistencia Primaria. Los sistemas de urgencias muchas veces se ven congestionados siendo el tiempo de espera crucial. Los modelos de gestin de colas intentan simular el sistema en donde puede existir congestin (y por lo tanto, colas) y generan una serie de parmetros que veremos en este captulo- que permiten evaluar el sistema actual y evaluar la realizacin de modificaciones en el servicio en cuestin.

5.1 Descripcin de un sistema de colas

Un sistema de colas tiene dos componentes bsicos: la cola y el mecanismo de servicio. En la figura 5.1 se presenta un esquema de una cola simple. Figura 5.1: Esquema de Cola Simple

Llegadas

Sistema de colas Cola de espera Servidor (mecanismo de servicio)

Pueden existir varias configuraciones de colas ms complejas. En la Figura 5.2 se exponen otros tipos de configuraciones de sistemas de colas.

93

Figura 5.2: Configuraciones de colas

Sistema de colas en paralelo

Sistema de colas en serie

Sistema complejo de colas

El proceso bsico en la mayora de los sistemas de colas es el siguiente. Los clientes que vienen a procurar un determinado servicio se generan a travs del tiempo en una fuente de entrada. Estos clientes entran dentro del sistema y se unen a una cola. En un determinado momento, se selecciona uno de los clientes para poder proporcionarle el servicio en cuestin, mediante lo que se denomina la disciplina de servicio. Esta disciplina es la que rige el mecanismo de atencin. Una vez seleccionado el cliente, este es atendido por el mecanismo de servicio. Una vez terminado el servicio, el cliente sale del sistema. En general, un sistema de colas tiene una poblacin potencial infinita. Es decir, que el tamao de la cola es muy pequeo respecto al potencial de usuarios del sistema. Por ejemplo, un ambulatorio de urgencias en general cubre una regin con poblacin grande comparado con las posibles urgencias que se puedan generar. Ahora bien, existen casos en donde la poblacin es finita respecto del tamao de la cola. Esto puede suceder en la farmacia de un hospital, en donde la poblacin potencial la forma las enfermeras y ATS. En un momento dado puede formarse una cola considerable. Como los clculos son mucho ms sencillos para el caso infinito, esta suposicin se emplea casi siempre. Otro factor a tener en cuenta es el patrn estadstico mediante el cual se generan los clientes a travs del tiempo. La suposicin normal es que el proceso se genere siguiendo un proceso de Poisson, que veremos ms adelante en este captulo. Si el proceso de llegada es Poisson, el tiempo entre cada una de las llegadas sigue una distribucin exponencial. Otro factor importante a tener en cuenta en un sistema de colas es la fuga de algn cliente. Al modelizar la cola hay que considerar si una persona que lleva dentro de la cola un rato, desiste de ser atendida, cansada de esperar, abandonando la cola.

94

Como hemos mencionado anteriormente, la disciplina de la cola rige el sistema de entrada en el mecanismo de servicio. La mayora de los sistemas utiliza el mtodo First In First Out, conocido como FIFO. Otros sistemas pueden ser de tipo aleatorio, o de acuerdo con un sistema de prioridad previamente establecido. El mecanismo de servicio consiste en una o ms instalaciones de servicio, con cada una de ellas con uno o ms canales de servicios, llamados servidores. Los clientes son atendidos en estos servidores. El tiempo que transcurre desde el inicio del servicio para un cliente hasta su terminacin se llama el tiempo de servicio (o duracin del servicio). Un modelo de sistema de colas tiene que especificar la distribucin de probabilidad de los tiempos de servicio de cada servidor (y tal vez para distintos tipos de clientes), aunque normalmente se supone la misma distribucin para todos los servidores. Una vez ms, la distribucin exponencial es la ms empleada en los tiempos de servicio.

5.2 Objetivos de la gestin de colas

En los modelos de colas existen dos objetivos: por un lado la minimizacin del tiempo de espera y por el otro la minimizacin de los costes totales de funcionamiento del sistema. Estos objetivos suelen ser conflictivos, ya que para reducir el tiempo de espera se necesitan poner ms recursos en el sistema, con el consiguiente aumento de los costes de produccin. En muchos casos el tiempo de espera es difcil de determinar, sobretodo cuando se trata de un sistema en donde seres humanos estn implicados. En la Figura 5.3 podemos ver la disyuntiva entre el coste de espera y el coste de produccin. Figura 5.3: Costes de un sistema de colas
Costes de espera Costes de produccin Costes totales

Nivel de servicio

Nivel de servicio

H
Nivel de servicio

Si pudiramos sumar ambos costes, el coste total alcanzara su mnimo en el punto H. En este punto el nivel de servicio es ptimo. Sin embargo, en muchos casos la obtencin objetiva de este resultado puede ser muy complicada ya que, como se ha indicado anteriormente, la cuantificacin del tiempo de estera en valores monetarios puede ser harto complicada y subjetiva. Por lo tanto, en general se intenta llegar a una solucin que sea lgica en funcin de los valores que adopten los diferentes parmetros del modelo. En la seccin siguiente se examinan estos parmetros.

95

5.3 Medidas del sistema

Existen dos tipos de medidas para poder valorar un sistema en donde pueden aparecer colas: medidas duras y medidas blandas. Estas ltimas estn relacionadas con la calidad del servicio. Por ejemplo, no es lo mismo esperar 15 minutos de pie haciendo cola en un ambulatorio sin refrigeracin y poco ventilado que esperar el mismo tiempo en una sala de espera con butacas confortables, revistas, aire acondicionado y msica clsica de fondo. El paciente valorar mucho ms 1 minuto de espera en el primer caso ya que representa un coste mucho ms elevado en trminos de confort. En otras palabras, seguramente un minuto de cola en el ambulatorio equivale a muchos minutos de espera en la sala de espera confortable. La gestin cuantitativa de las colas no se ocupa de estos aspectos cualitativos (que no por ello dejan de ser importantes) sino que da valores a una serie de medidas fras o duras. Las medidas duras ms utilizadas en los modelos de gestin de colas y su notacin estndar son las siguientes: Tasa media de llegada, Tasa media de servicio, Tiempo medio de espera en la cola, Wq Tiempo medio de estancia en el sistema, Ws Nmero medio de personas en la cola, Lq Nmero medio de personas en el sistema, Ws Porcentaje de ocupacin de los servidores, Pw Probabilidad de que hayan x personas en la en el sistema, Px

En los siguientes apartados iremos examinando estos conceptos.

5.4 Un sistema de colas elemental: tasa de llegada y de servicio constantes

Supongamos que tenemos un sistema en donde tanto la tasa de llegada (en personas por unidad de tiempo) como el tiempo de servicio son constantes. En este caso, podemos tener las tres situaciones siguientes:

5.4.1 No hay cola, tiempo ocioso del servidor

Supongamos que tenemos un sistema en donde cada 6 minutos, exactamente, llega una persona a un ambulatorio. O, en otras palabras, la tasa de llegada es exactamente de 10 personas por hora. Supongamos que la tasa de servicio del mdico (del servidor en trminos tcnicos) es de 12 personas por hora siempre, ni una ms ni una menos. En esta situacin nunca se formar una cola porque el servidor puede manejar perfectamente las llegadas. Incluso ya sabemos que el servidor estar ocioso un 16,6% de su tiempo, ya las llegadas necesitan nicamente de 10/12, o 83,33% de la capacidad de servicio.

5.4.2 No hay cola ni tiempo ocioso del servidor.

Siguiendo el ejemplo anterior, supongamos que la tasa de servicio pasa a ser igual a 10 personas por hora, es decir, exactamente igual que la tasa de llegada. En esta situacin es imposible que se forme una cola, pero por otro lado el servidor estar ocupado 100% de su tiempo y trabajar a plena capacidad.

96

5.4.3 Formacin de cola y sin tiempo ocioso en el servidor

Ahora supongamos que la tasa de servicio pasa a ser igual a 8 personas por hora, mientras que siguen llegando pacientes cada 6 minutos exactamente. En esta situacin se formar una cola que ir creciendo, ya que el servidor no puede absorber toda la demanda de servicio y los pacientes se irn acumulando . La cola de llegadas no servidas inmediatamente ir creciendo a una tasa de 2 personas por hora, el es decir el exceso de llegadas partido por las personas servidas. Por ejemplo, al cabo de ocho horas, tendramos 16 personas en la cola. El hecho de que hayamos asumido unas tasas de llegada y de servicio constantes hasta ahora facilita los clculos para obtener informacin sobre el sistema. Pero la situacin se complica si nos trasladamos a la situacin ms realista, en donde las tasas de llegada y de servicio no son constantes, sino que siguen una determinada distribucin probabilstica. Por ejemplo, si las llegadas y los tiempos de servicio estuviesen distribuidos aleatoriamente a lo largo de la jornada, aunque la capacidad de los servidores sea suficiente para absorber la demanda, puede pasar que un grupo de pacientes llegue en bloque y formen durante un tiempo una cola. Y, por otro lado, si durante un tiempo no llegan ms pacientes, la cola puede ser reducida por el mecanismo de servicio. En las siguientes secciones examinaremos algunos de estos casos.

5.5 Las distribuciones de Poisson y Exponencial

5.5.1 La distribucin de Poisson

Esta distribucin es muy frecuente en los problemas relacionados con la investigacin operativa, sobre todo en el rea de la gestin de colas. Suele describir, por ejemplo, la llegada de pacientes a un ambulatorio, las llamadas a una centralita telefnica, la llegada de coches a un tnel de lavado, el nmero de accidentes en un cruce, etc. Todos estos ejemplos tienen un punto en comn: todos ellos pueden ser descritos por una variable aleatoria discreta que tiene valores nonegativos enteros (0,1,2,3,4). El nmero de pacientes que llegan al ambulatorio en un intervalo de 15 minutos puede ser igual, a 0, 1, 2 3 Sigamos con el ejemplo del ambulatorio. La llegada de pacientes se puede caracterizar de la forma siguiente: 1. El nmero medio de llegadas de los pacientes para cada intervalo de 15 minutos puede ser obtenido a travs de datos histricos. 2. Si dividimos el intervalo de 15 minutos en intervalos mucho ms pequeos (por ejemplo, 1 segundo), podemos afirmar que: 2.1 La probabilidad de que exactamente un nico paciente llegue al ambulatorio por segundo es tiene un valor muy reducido y es constante para cada intervalo de 1 segundo. 2.2 La probabilidad de que 2 o ms pacientes lleguen dentro del intervalo de 1 segundo es tan pequea que podemos decir que es igual a 0. 2.3 El nmero de pacientes que llegan durante el intervalo de 1 segundo es independiente de donde se sita este intervalo dentro del periodo de 15 minutos. 2.4 El nmero de pacientes que llegan en un intervalo de 1 segundo no depende las llegadas que han sucedido en otro intervalo de 1 segundo Si al analizar un proceso de llegada este cumple estas condiciones, podemos afirmar que su distribucin es de Poisson.

97

La frmula para obtener la probabilidad de que un evento ocurra (que lleguen 3 pacientes, por ejemplo) es la siguiente:

P( x) =

x e x!

En donde x representa en nmero de llegadas, la tasa media de llegadas y P(x) la probabilidad de que el nmero de llegadas sea igual a x.

5.5.2 La distribucin Exponencial

Mientras que la distribucin de Poisson describe las llegadas por unidad de tiempo, la distribucin exponencial estudia el tiempo entre cada una de estas llegadas. Si las llegadas son de Poisson, el tiempo entre ellas es exponencial. Mientras que la distribucin de Poisson es discreta, la distribucin exponencial es continua, porque el tiempo entre llegadas no tiene por qu ser un nmero entero. Esta distribucin se utiliza mucho para describir el tiempo entre eventos, ms especficamente, la variable aleatoria que representa el tiempo necesario para servir a la llegada. Ejemplos tpicos de esta situacin son el tiempo que un mdico dedica a una exploracin, el tiempo de servir una medicina en una farmacia, o el tiempo de atender a una urgencia. El uso de la distribucin exponencial supone que los tiempos de servicio son aleatorios, es decir, que un tiempo de servicio determinado no depende de otro servicio realizado anteriormente, ni de la posible cola que pueda estar formndose. Otra caracterstica de este tipo de distribuciones es que no tienen edad, o en otras palabras, memoria. Por ejemplo, supongamos que el tiempo de atencin de un paciente en una sala quirrgica sigue una distribucin exponencial. Si el paciente ya lleva 5 horas siendo operado, la probabilidad de que est una hora ms es la misma que si hubiera estado 2 horas, o 10 horas o las que sea. Esto es debido a que la distribucin exponencial supone que los tiempos de servicio tienen una gran variabilidad. A lo mejor el prximo paciente operado tarda 1 hora porque su ciruga era mucho ms simple que la del anterior. La funcin de densidad de la distribucin exponencial es la siguiente:

p (t ) = e

En donde t representa el tiempo de servicio y la tasa media de servicio (pacientes servidos por unidad de tiempo). La densidad exponencial se presenta en Figura 5.4. En general nos interesar encontrar P(T < t), la probabilidad de que el tiempo de servicio T sea inferior o igual a un valor especfico t. Este valor es igual al rea por debajo de la funcin de densidad.

98

Figura 5.4: Distribucin Exponencial

P(T<t)

Si, por ejemplo, queremos saber cual es la probabilidad de que el tiempo de servicio sea de 2 o menos horas cuando el tiempo medio es de 3 horas (una tasa de servicio de 1/3), podemos aplicar la frmula siguiente:

p (T t ) = 1 e t
En este caso, P(T 2) = 0,486, casi un 50% de probabilidad.

5.6 Modelo de colas simple: Llegadas en Poisson y tiempos de servicio exponencialmente distribuidos.
El modelo que presentaremos a continuacin tiene que cumplir las condiciones siguientes: 1. 2. 3. 4. 5. 6. 7. El nmero de legadas por unidad de tiempo sigue una distribucin de Poisson Los tiempos de servicio siguen una distribucin exponencial La disciplina de la cola es de tipo FIFO La poblacin potencial es infinita Existe un nico canal de servicio La tasa media de llegadas es menor que la tasa media del servicio El tamao potencial de la cola es infinito

Si estas condiciones se cumplen y si conocemos la tasa media de llegada , y la tasa media de servicio , las ecuaciones para obtener valores de las medidas descritas anteriormente son: Nmero medio en la cola:

Lq =
Nmero medio en el sistema:

2 ( )

Ls =
Tiempo medio de espera en la cola:

( )

Wq =

( ) 99

Tiempo medio en el sistema:

Ws =
Factor de utilizacin:

1 ( )

Pw = Un ejemplo

Consideremos el caso de un gran laboratorio farmacutico que tiene en su almacn un nico estacionamiento de carga de que sirve a todas las farmacias de una regin, y existe un nico trabajador para buscar los medicamentos del pedido de cada furgoneta y cargarlos en ella. Se observa que de vez en cuando las furgonetas de transporte se acumulan en el estacionamiento formando cola, y de vez en cuando el trabajador est ocioso. Despus de un estudio del sistema observamos que ste cumple las condiciones expuestas anteriormente. Despus de examinar las llegadas de las camionetas durante varias semanas, se determina que la tasa media de llegada es de 4 camionetas por hora, y que la tasa de servicio es de 6 camionetas por hora. Los gestores del almacn estn considerando el aadir un trabajador adicional, o incluso dos de ellos, para aumentar la tasa de servicio. El problema consiste en evaluar estas opciones diferentes. Si se aade un trabajador, el sistema seguir siendo de cola simple, porque una nica camioneta puede cargarse a la vez. Si usamos dos trabajadores, la tasa de servicio ser igual a 12. Si utilizamos tres trabajadores, la tasa de servicio ser igual a 18. En el Cuadro 5.1 se han utilizado las ecuaciones expuestas anteriormente para obtener las medidas de eficiencia del sistema. Hemos supuesto que la capacidad de trabajo es proporcional al nmero de trabajadores. Cuadro 5.1: Resultados del modelo simple de colas
Trabajadores 1 2 Nmero medio de camionetas en la cola Nmero medio de camionetas en el sistema Tiempo medio de la camioneta en cola Tiempo medio de la camioneta en el sistema Ocupacin del servicio Lq Ls Wq Ws Pw 1,333 2,000 0,333 0,500 0,667 0,167 0,500 0,042 0,125 0,333 3 0,063 0,286 0,016 0,071 0,222

Supongamos que los costes de operacin de cada camioneta por hora son de 2000 ptas y los trabajadores cobran 1800 ptas por hora de trabajo y que estos trabajan 8 horas al da. En el Cuadro 5.2 se presentan los costes asociados. Al interpretar los tiempos, hay que ir con cuidado ya que estos estn en fracciones de hora.

100

Cuadro 5.2: Costes de operacin del sistema

Trabajadores 1 2 3 Coste de Camioneta por dia 320.000 80.000 46.000 Coste de mano de obra por dia 144.000 288.000 432.000 Coste total Por dia 464.000 368.000 478.000

Los gestores tendran que aadir un nuevo trabajador al sistema ya que esto representar una reduccin de los costes totales operacionales, aunque el factor de utilizacin pasar a ser de 33%. Es decir, que los dos trabajadores tendrn 5 horas y 20 minutos para dedicarse a otras tareas dentro del laboratorio farmacutico.

Extensin del modelo simple a colas con capacidad limitada

Existen casos en los que el sistema (cola ms servicio) tiene una cierta capacidad. Si un cliente llega cuando hay M o ms personas en el sistema, el cliente se va inmediatamente y no vuelve. Este tipo de modelo es caracterstico de los problemas de colas que se pueden encontrar en algunos servicios. Por ejemplo, un restaurante con un estacionamiento limitado. En este caso, las ecuaciones del modelo son:

Probabilidad de 0 personas en el sistema:

P0 =
Factor de utilizacin:

1 ( )

1 ( )
M +1

Pw = 1 P0
Proporcin de clientes perdidos porque el sistema est lleno:

PM = ( ) P0
M

Nmero medio en el sistema:

Ls =

Pw M ( )PM 1 ( )

Nmero medio en la cola:

Lq = Ls

(1 PM )

101

Tiempo medio de espera en el sistema:

Ws =
Tiempo medio en la cola:

Ls (1 PM )

Wq = Ws

5.7 Modelo mltiple de colas: Llegadas en Poisson y tiempos de servicio exponencialmente distribuidos.
En muchos casos podemos tener situaciones en donde existe ms de un servidor en el sistema. A medida que van llegando los clientes, los servidores se van ocupando y cada vez que un de ellos acaba su servicio, el primero de la cola lo vuelve a ocupar. El sistema est representado en la Figura 5.5.

Figura 5.5: Sistema mltiple de colas

En este tipo de modelos la tasa de llegada siempre tiene que ser inferior a la tasa agregada de servicio, que no es ms que la tasa de servicio individual multiplicada por el nmero de canales. En este modelo se supone, adems de las condiciones expuestas anteriormente, que la tasa individual de cada canal es la misma. Las expresiones matemticas para la obtencin de las medidas de eficiencia del sistema dependen de P0 que es la probabilidad de que no haya nadie en el sistema (cola ms servicio). En el disquete (archivo colas.xls) se pueden calcular los valores de P0 .Los valores de las medidas de eficiencia son funcin de P0 y se obtienen a partir de las siguientes frmulas:

Factor de utilizacin:

1 k Pw = k P0 k!
Nmero medio en el sistema:

Ls =

(k 1)!(k )

( )

k 2

P0 +

102

Nmero medio en la cola:

Lq = Ls
Tiempo medio de espera en el sistema:

Ws =
Tiempo medio en la cola:

Ls

Wq =

Lq

Tenemos que tener presente que en estas ecuaciones representa la tasa de servicio por canal. En la pgina web (archivo colas.xls) se pueden calcular estos valores tanto para sistemas mltiples de colas con capacidad infinita como con capacidad limitada.

Un ejemplo El ambulatorio de una regin tiene dos mdicos de cabecera que atienden a los pacientes que van llegando. En general los pacientes tienen que esperar a ser atendidos y la gerencia est estudiando la posibilidad de contratar un nuevo mdico para aligerar el sistema. Como es muy difcil estimar en trminos monetarios el coste de espera de los pacientes, la gerencia realizar la nueva contratacin si se consiguen reducir los tiempos totales del servicio (espera ms atencin) a la mitad. Despus de observar y recoger datos sobre las llegadas y sobre el tiempo de servicio, la gerencia calcula que en media llegan 8 pacientes por hora, y que cada uno de los mdicos puede atender 5 pacientes por hora. En el cuadro 5.3 se presentan los resultados despus de aplicar las frmulas del modelo con dos y tres mdicos.

Cuadro 5.3: Resultados del modelo mltiple de colas

Mdicos 2 Probabilidad de que todos los mdicos esten libres Probabilidad de que todos los mdicos esten ocupados Nmero medio de pacientes en el sistema Nmero medio de pacientes en cola Tiempo medio de un paciente en el sistema Tiempo medio de un paciente en cola P0 Pw Ls Lq Ws Wq 0,111 0,710 4,442 2,842 0,555 0,355 3 0,190 0,278 1,918 0,318 0,240 0,040

En el cuadro podemos observar que si aadimos un mdico adicional el tiempo de espera de cada paciente en el sistema pasa de 0,555 horas a 0,240 horas. Por lo tanto, el objetivo de la gerencia se cumple al aadir un nuevo mdico. Tambin se puede observar que con tres mdicos el tiempo de espera en la cola es insignificante.

103

5.8 Limitaciones de los modelos de gestin de colas

Los dos modelos que hemos presentado en este captulo son los ms comunes cuando se trata de sistemas en donde estn implicados seres humanos. Sin embargo, pueden existir casos en donde la poblacin potencial del sistema es finita, la cola de la disciplina no es FIFO, la tasa de servicio depende de las personas en la cola, y las distribuciones de las llegadas no son de Poisson. En estos casos estos modelos son inservibles. Las distribuciones juegan un papel esencial en estos modelos. Los sistemas en donde las variaciones de las llegadas en diferentes horarios son muy grandes no pueden ser examinados con las formulaciones presentadas. Cuando tenemos sistemas ms complejos se utiliza la simulacin como mtodo de anlisis. En la siguiente seccin simularemos un sistema de colas.

5.9 Ejemplo de simulacin de un sistema de colas.

La farmacia de un hospital tiene dos personas para atender a 10 enfermeras que vienen a buscar medicamentos para los pacientes. La gerencia observa que de vez en cuando se forman colas para recoger las medicinas y que el servicio resulta un tanto ineficiente. Por otro lado, la poblacin potencial es bastante reducida y no puede considerarse como infinita. Por otro lado la distribucin del nmero de llegadas no es Poisson ni el tiempo de servicio exponencial. Por lo tanto no se puede aplicar el modelo mltiple de gestin de colas.

5.9.1 Recogida de datos

La gerencia observ el funcionamiento de la farmacia durante periodos de 1 hora distribuidos a lo largo de un mes. Estos periodos de una hora fueron aleatoriamente escogidos durante el da para obtener una muestra representativa de la actividad. Los resultados de la observacin se muestran en el Cuadro 5.4.

Cuadro 5.4: Resultados de la muestra Duracin del tiempo Nmero de de servicio (minutos) Observaciones 8 9 10 11 Total de llegadas 15 30 45 60 150

Adems, la gerencia dividi el tiempo de observacin en intervalos de 5 minutos y anot las llegadas de enfermeras que llegaron durante estos intervalos. Se observ que en promedio llegaba una enfermera cada 5 minutos. Al final del periodo de observacin, la gerencia present los resultados obtenidos de la siguiente forma:

104

Distribucin porcentual de los tiempos de servicio: 15/150 = 10% 30/150 = 20% 45/150 = 30% 60/150 = 40% (8 min) (9 min) (10 min) (11 min)

Media ponderada de los tiempos de servicio: 10% 8 min = 20% 9 min = 30% 10 min = 40% 11 min = Tiempo medio de servicio: 0,8 min 1,8 min 3,0 min 4,4 min 10,0 min

Con esta informacin, la gerencia pudo empezar a realizar la simulacin con la ayuda de nmeros aleatorios (ver anexo 2)

5.9.2 Simulacin de llegadas.

En primer lugar la gerencia simula las llegadas de las enfermeras a la farmacia. sta sabe que las llegadas son aleatorias, aunque en promedio llega una cada cinco minutos. Como los nmeros aleatorios tienen 10 dgitos (0,1,2,3,4,5,6,7,8,9,10), la gerencia escoge (aleatoriamente) el 7 como representativo de una llegada. Si cogemos al azar un nmero de la tabla, la cantidad de sietes que contenga el nmero indicar la cantidad de llegadas en un intervalo de 5 minutos. La gerencia simula las llegadas a la farmacia durante 24 periodos de 5 minutos. Quizs no sea una cantidad muy representativa en este caso, pero para efectos de explicacin de la simulacin es suficiente. En un caso real simularamos el sistema con muchos ms periodos, pero la mecnica seguira siendo la misma. Para ilustrar el procedimiento de simulacin de llegadas, hemos escogido los 12 primeros nmeros aleatorios del apndice (por columna) y contado las veces que sale el nmero 7. 1239650125 1370937859 0926561938 1639438732 0 2 0 1 6749281769 8912349495 9172674928 9916253764 2 0 2 0 0178780337 9128374452 4412773934 0112378549 3 1 2 1

En el Cuadro 5.5 se muestran los resultados para los 24 periodos.

105

Cuadro 5.5: Simulacin del nmero de llegadas en cada intervalo Cantidad de Cantidad de Periodo Llegadas Periodo llegadas 0 13 0 1 2 14 0 2 0 15 1 3 1 16 4 4 2 17 1 5 0 18 1 6 2 19 1 7 0 20 0 8 3 21 0 9 1 22 1 10 2 23 0 11 1 24 2 12

5.9.3 Simulacin de los tiempos de servicio

Despus de obtener los resultados de la simulacin de las llegadas, la gerencia tiene que realizar la simulacin de los tiempos de servicio. Recordemos la distribucin de los tiempos de servicios observada anteriormente: Minutos 8 9 10 11 Porcentaje 10 20 30 40

Como seguimos utilizando los nmeros aleatorios de 10 dgitos, consideraremos que el 0 representa un tiempo de servicio de 8 minutos, el 1 y el 2 un tiempo de 9 minutos, el 3, 4 y el 5 un tiempo de 10 minutos, y el 6, 7, 8 y 9 un tiempo de 11 minutos. De esta forma podemos representar exactamente la probabilidad de los tiempos de llegada. Por ejemplo, observamos en el Cuadro 5.5 que en el segundo periodo hubieron dos llegadas al servicio. Para simular el tiempo de servicio, escogemos la ltima fila de nmeros aleatorios de la tabla comenzando por la izquierda. El primer nmero es 9 y el segundo 8. Esto quiere decir que la primera y la segunda llegada tendrn asociadas un tiempo de atencin de 11 minutos. Este proceso se repite para todos los periodos en los que hay llegadas. El resultado se presenta en el Cuadro 5.6.

106

Cuadro 5.6: Resultados de la simulacin de los tiempos de servicio Nmero Nmero de de periodo Llegadas Tiempo de servicio de cada una
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 2 0 1 2 0 2 0 3 1 2 1 0 0 1 4 1 1 1 0 0 1 0 2 (1) 11min, (2) 11 min (3) 10 min (4) 11 min, (5) 10 min (6) 9 min, (7) 10 min (8) 10 min, (9) 10 min, (10) 11 min (11) 11 min (12) 10 min, (13) 8 min (14) 11 min

(15) 11 min (16) 10 min, (17) 11 min, (18) 11 min, (19) 11 min (20) 9 min (21) 8 min (22) 11 min

(23) 11 min (24) 9 min, (25) 11 min

5.9.4 Simulacin conjunta del sistema

Ahora ya podemos simular el sistema. El objetivo de la gerencia es encontrar el nmero ptimo de trabajadores en la farmacia de forma a minimizar el coste total del servicio. Se considera que el sistema es FIFO, es decir, primer en llegar, primero en ser atendido. Ahora se tienen que definir los criterios de cada llegada dentro de cada periodo. Se definen los criterios siguientes: 1. Si en un periodo llega una nica enfermera, sta lo har al principio del periodo 2. Si en un periodo llegan 2 enfermeras, la primera lo hace al principio y la segunda en el tercer minuto 3. Si en un periodo llegan 3 enfermeras, la primera llega al principio, la segunda en el minuto 3, y la tercera en el minuto 5 4. Si en un periodo llegan 4 enfermeras, se asume que llegan en los minutos 2, 3, 4 y 5 respectivamente. En la Figura 5.6 se presenta el patrn de llegadas de los 24 periodos. Cada llegada viene indicada por un cuadro conteniendo su correspondiente nmero de orden, y encima del recuadro se indica el tiempo de espera correspondiente. Por ejemplo, si examinamos el periodo entre las 10:15 y las 10:20, vemos que se producen 5 llegadas (de la 16 a la 20), y, como veremos ms adelante, seguramente se producir una cola considerable. El comportamiento del sistema simulado con dos trabajadores atendiendo a los clientes (nivel de congestin, personas en cola, duracin del tiempo de espera) puede representarse tal como se muestra en la Figura 5.7. En la Figura 5.8 se representa la simulacin con tres trabajadores. Si se comparan las dos figuras, visualmente se puede observar que el tiempo de espera se reduce considerablemente.

107

Si se examina desde un punto de vista econmico, con dos trabajadores atendiendo a las enfermeras, stas esperaran un total de 213 minutos, un tiempo medio de espera igual a 8,52 minutos. Para obtener un valor monetario del tiempo de espera, la gerencia considera que el coste por hora de cada trabajador es igual a 7 euros y el coste de cada enfermera es de 12 euros. Si recordamos que el tiempo medio entre cada llegada era de 5 minutos, en media las enfermeras realizaran 96 viajes por da (8 horas diarias por 12 viajes por hora). Y si el tiempo medio de espera es de 8,52 minutos por viaje, el tiempo total de espera es igual a 817,9 minutos (13,63 horas perdidas), lo que representa un coste total de espera de 163,56 euros. Si aadimos el coste de los dos trabajadores (112 euros), el coste diario total es igual a 275,56 euros. Si realizamos el mismo ejercicio pero modificando el nmero de trabajadores atendiendo a las enfermeras (Figura 7.6) el tiempo total de espera es igual a 47 minutos, o 1,88 minutos de espera por llegada. Si tenemos 96 llegadas por da, el tiempo total perdido es igual a 180,48 minutos (3 horas diarias). El coste de la espera es igual a 36 euros y el sueldo de los trabajadores igual a 168 euros, lo que da un coste total igual a 204 euros. Por lo tanto, la operacin con tres trabajadores parece ser ms eficiente en trminos monetarios. Qu pasara si contratramos un cuarto trabajador que eliminara completamente el tiempo de espera de las enfermeras? En este caso el nico coste sera el sueldo de los trabajadores, que sera igual a 224 euros, superior al coste con tres trabajadores.

108

Figura 5.6: Representacin de las llegadas

11 1
9:00 9:05

11 2
9:10 9:15

10 3
9:15

11 4
9:20

10 5
9:25 9:30

9 6
9:30

10 7
9:35

10 8
9:40

10 9

11 10
9:45

11 11
9:45

10 12
9:50

8 13

11 4
9:55 10:00

11 15
10:00 10:05 10:10 10:15

10 11 11 11 9 16 17 18 19 20
10:15 10:20

11 21
10:25 10:30

11 22
10:30 10:35 10:40 10:45

11 23
10:45 10:50

11 24
10:55

11 25
11:00

109

Figura 5.7: Operacin de la farmacia con dos trabajadores

Duracin del servicio Tiempo de espera
1

Llegada

9:00 1 2 9:10 3

9:40

8 9 10 11 12 13 14

10:20

20

9:05

9:45

10:25

21

9:50

10:30

22

9:15

9:55 4 5

10:35

9:20

10:00

10:40 23

9:25 6 7

10:05 15 16 17

10:45

9:30

10:10

10:50 24 25 19 11:00 14 16 18 20 22 24

9:35

10:15 18

10:55

9:40

10:20

11 13 15 17 19

Figura 5.8: Operacin de la farmacia con tres trabajadores

9:00 1 2 9:40 8 9 10 9:45 11 12 13 14 10:25 10:20 20

9:05

21

9:10 3

9:50

10:30

22

9:15

9:55 4 5

10:35

9:20

10:00

10:40 23

9:25 6 7

10:05 15 16 17

10:45

9:30

10:10

10:50 24 25 19 11:00 14 16 18 20 22 24

9:35

10:15 18

10:55

9:40

10:20

11 13 15 17 19

110

5.10

Problemas

5.1. En un ambulatorio se reciben una media de tres pacientes por hora, siguiendo una distribucin de Poisson. El nico mdico que est en el ambulatorio atiende una media de 6 pacientes por hora. Los tiempos de atencin siguen una distribucin exponencial. La pregunta que se plantea el gestor es si vale la pena contratar a un nuevo mdico o no (considerando que ste realizar el mismo nmero de pacientes).

5.2. La llegada de enfermeras a una farmacia del hospital Todosalud puede describirse a travs de una distribucin de Poisson. Los tiempos de servicio utilizan una distribucin exponencial. La tasa de llegada es de 45 enfermeras por hora, mientras que cada farmacutico puede atender a 50 enfermeras por hora. El coste de cada enfermera es de 15 euros por hora, mientras que cada farmacutico gana 10 euros por hora. Encontrar el nmero ptimo de farmacuticos a contratar.

5.3. Un centro de atencin primaria tiene que administrar la vacuna de poliomelitis a los nios de un barrio. El centro est organizado de forma que los padres van llegando con los nios, formando una cola y siendo atendidos 40 por hora, con una distribucin exponencial, por cualquiera de las enfermeras que estn de servicio. Este servicio de vacunacin se ofrece una vez a la semana, y en este da las llegadas se realizan con una tasa igual a 40 nios por hora. El director del centro sabe que la mayora de los padres vienen durante sus horas de trabajo y por ello quiere limitar el tiempo total de administracin de la vacuna a 15 minutos (incluyendo la espera). Cuntas enfermeras tendr que utilizar el gerente?

5.4. Un fisioterapeuta tiene un pequeo consultorio en donde trabaja con pacientes operados de rodilla. Son en media 8 los pacientes que llegan por las tardes siguiendo una distribucin de Poisson. El tiempo de servicio del fisioterapeuta sigue una distribucin exponencial con una tasa media de servicio de 9 pacientes por hora. Por las maanas no est nada ocupado, porque la mayora de pacientes prefiere venir por las tardes. Despus de varios aos de experiencia, el fisioterapeuta sabe que, en general, si un paciente llega a su clnica y hay tres otros esperando a ser atendidos, ste cambiar de fisioterapeuta. Para intentar convencer a algunos de sus pacientes a venir por la maana, decide dar vales para almorzar en el bar de la esquina. Con esta tctica, cree que podr reducir la tasa de llegadas de la tarde a 5 pacientes por hora. Si la prdida de un paciente significa una prdida de 20 euros, cunto estara dispuesto a pagar por cada vale considerando que cada maana y cada tarde es de 4 horas?

111

Apndice 5.1: Tabla de nmeros aleatorios

1239650125 1370937859 0926561938 1639438732 6749281769 8912349495 9172674928 9916253764 0178780337 9128374452 4412773934 0112378549 6484118917 7485396877 4449420399 4931720558 7019256915 7088642561 1322899809 7644596455 4350250689 3969625810 9867466169 2336529609 8497899420 1383109138 9755836769 9459378972 1156270803 4281042330 1142160902 8611794741 1497952703 2405306350 7502962776 7679203454 7759918425 2363211025 8652658498 9615307086 5251827422 2562566485 4127133914 1398185872 3106053098 5644540248 8735782233 3802788585 8411711735 7727801919 5583998402 7127183350 3959776552 8083742448 6831646060 8248598021 8902846338 9605697733 1745774801 4927846359 4527058366 9815467859 8609672743 7914214780 9671479586 9981241957 7230206493 6282095638 7424574963 3542787227 3399383961 6582696326 3687936583 1298594465 5647103564 8583519254 9315124105 4015059652 3383210443 2425499018 8094153554 4809003690 8642913942 1499051196 7649824834 5880393712 9965787689 1001598997 1544226029 3928115864 1430875177 9902648765 4339955985 4677121705 9093449703 4032184023 2581236968 3001769692 5185675861 6735835540 9764534919 1089265935 8363383157 5141064723 4730042272 5956489316 6211324018 3577040333 1558138811 9548164500 7641705754 2376632426 3395147232 8052499450 3614066579 1869970313 7335817518 2998482807 7718016727 5928523182 2821660618 8411668944 7272012830 7791648017 5368210111 4683141252 3177342357 8059067287 9919589016 6005786976 7108528926 7552101346 9380150844 5658307618 9397192556 6647190158 2835893430 5596749322 8636254576 3705900236 1338635552 7457842856 1594796171 8186045265 5186204268 3950714593 7384119119 2873138839 7240282667 1770087219 8377041005 7446544112 1644676720 8176854669 4339625930 2008225353 9568401934 4185944112 7193770252 1738020959 2628877567 6433830583 2984673476 3659683979 6329548442 6024106022 3460537007 6100976968 9483732238 1713960284 7597030515 6287196405 6959239675 1772149893 3416788948 7974854777 3462832927 7637508522 6018667991 1465417792

112

6 Gestin y Administracin de Proyectos

(PERT/CPM)
Grandes proyectos han existido desde el inicio de las civilizaciones en nuestro planeta. Cuando pensamos en la construccin de las pirmides egipcias o mayas, de los templos romanos o de las catedrales gticas, en enviar astronautas a la luna, en conocer planetas inexplorados hasta hoy en da, en descubrir el secreto del genoma humano, etc., nos viene a la cabeza miles de personas trabajando en innumeras tareas y actividades durante aos, e incluso siglos, coordinando las actividades con un nico fin: el conseguir acabar una obra maestra. En general, los proyectos suelen ser grandes y caros. Construir un hospital, desarrollar un nuevo medicamento, realizar una campaa masiva de vacunacin en frica son proyectos que necesitan una buena coordinacin y utilizacin de los recursos disponibles para obtener una eficiencia en trminos de tiempo y de coste. Completar estos proyectos en un periodo determinado y cumpliendo las expectativas presupuestarias no es tarea fcil. Si, por ejemplo, falla el suministro de un material determinado en una fecha concreta, el proyecto puede sufrir retrasos que implican un aumento considerable del coste. Una buena gestin y administracin del proyecto es crucial. Normalmente los proyectos estn divididos en muchas tareas, dependientes entre ellas. En muchos casos no podemos empezar una tarea sin haber finalizado otra. Es posible que en grandes proyectos existan muchsimas actividades interdependientes, por lo que los administradores tienen que encontrar mtodos y mecanismos para poder gestionar eficientemente ellas. En este captulo examinamos los mtodos actuales utilizados para la gestin y administracin de proyectos que tienen muchas tareas.

6.1 Definicin de la Gestin y Administracin de Proyectos

Un proyecto puede ser definido como una serie de tareas relacionadas entre ellas con un claro objetivo y que adems requiere una larga duracin temporal. La Gestin y Administracin de Proyectos consiste en la planificacin, direccin y control de recursos (personal, equipos, materiales) necesarios para satisfacer las necesidades tcnicas, econmicas y temporales del proyecto. Un proyecto empieza por lo que se denomina Declaracin Del Trabajo13 (DDT). Bsicamente, el DDT es una declaracin escrita de las intenciones del proyecto en cuestin y la agenda prevista indicando el inicio y la finalizacin de ste. A veces tambin se especifica datos tcnicos sobre los costes, el presupuesto y las diferentes etapas14 del proyecto. Una tarea (o actividad) es una subdivisin determinada del proyecto. En general tiene una duracin de algunos meses y es realizada por un grupo o unidad de trabajo. Una sub-tarea no es ms que una divisin de una tarea, ya que a veces es necesario dividir las tareas en porciones ms significativas. Normalmente un proyecto tiene una estructura jerarquizada de tareas y subtareas (ver Cuadro 6.1.) Las tareas tienen asociados en general una serie de atributos, cuya funcin es la de facilitar la definicin perfecta de cada tarea en el marco de la planificacin y gestin del proyecto. Estos atributos pueden ser los siguientes, entre otros:
13 14

En ingls, statement of work En ingls, milestones

113

Atributos de identificacin: o Cdigo: conjunto de caracteres alfanumricos que permite identificar la actividad. o Designacin: descripcin breve de la actividad o Ejecutor: sirve para identificar la entidad o la persona responsable de la tarea. Atributos temporales: o Duracin de la tarea: nmero de periodos previstos para llevar a cabo segn una asignacin previa de recursos. o Fechas previstas: las ms destacables son las de inicio y finalizacin previstos para la tarea. o Fechas reales: El control sobre el proyecto permitir fijar las fechas reales de inicio y finalizacin de les tareas una vez realizadas; y tambin el grado de realizacin de una tarea, que puede ser medido en funcin del porcentaje del trabajo realizado sobre el total previsto. Atributos de necesidades de recursos: o Tipo de recurso: atributo cualitativo que determina qu elementos son necesarios en cada actividad o Cantidad de recurso: atributo cuantitativo que establece cuantas unidades se necesitan de cada recurso

Cuadro 6.1: Jerarqua De tareas

Programa
.

Proyecto 1 Tarea 1.1

Proyecto 2 Tarea 1.2

Sub tarea 1.1.1 Paquete de Trabajo 1.1.1.1

Sub tarea 1.1.2 Paquete de Trabajo 1.1.1.2

Un paquete de trabajo15 consiste en un grupo de actividades combinadas que pueden asignarse a un nico grupo o unidad de trabajo u organizacin. En este paquete se determina la descripcin de las tareas a realizar, cuando se tienen que iniciar y finalizar, el presupuesto, algunas medidas sobre el rendimiento y eventos o etapas especficas a ser alcanzadas. Algunos ejemplos pueden ser la produccin de un prototipo, el teste de una mquina en concreto o la puesta en funcionamiento de una campaa de mercado. El objetivo principal de la planificacin y gestin de un proyecto consiste en el establecimiento de:
15

En ingls, work package

114

o o

Un calendario de la realizacin de las actividades (tareas), que implica el establecimiento de unas fechas de inicio y de finalizacin de todas las ellas Una asignacin de recursos a las actividades, que implica el escoger una modalidad para llevar a cabo cada actividad en funcin de los recursos disponibles.

Ms concretamente, la gestin y administracin de proyectos pretende contestar a las siguientes preguntas16: o o o o o o Cul es la fecha de finalizacin de proyecto? Cul es la variabilidad esperada de esta fecha? Cules son las fechas programadas del principio y terminacin de cada actividad especfica? Cules actividades son crticas en el sentido de que deben terminar con exactitud como fueron programadas para llegar a la meta de la finalizacin de l proyecto? Cunto se pueden demorar las actividades no crticas antes de provocar un retraso en la fecha de conclusin del proyecto? Qu controles se deben ejercer en el flujo de recursos financieros para las diversas actividades durante el proyecto?

Actualmente existen dos grandes mtodos para poder responder a estas preguntas: el PERT17 y el CPM18. Ambos mtodos son similares. El primero fue desarrollado a finales de la dcada de los 50 para construir el misil Polaris, un complejo proyecto con ms de 250 contratistas primarios y 9000 subcontratistas. El segundo fue diseado tambin a finales de los aos 50 por DuPont y Remington Rand para la gestin de grandes proyectos.

6.2 Representacin grfica de un Proyecto

La representacin grfica de un proyecto es importante, ya que permite analizarlo de forma eficiente, identificando las actividades crticas y, por otro lado, simplifica las tareas de control y de actualizacin de la evolucin del proyecto. La representacin grfica se realiza a travs de una red. Una red es un conjunto de nodos conectados por arcos. Los arcos vienen representados por los nodos con los cuales est asociado. Por ejemplo, supongamos la red siguiente:

2 1 3

4 5

el conjunto de nodos viene representado por N={1,2,3,4,5}, y el conjunto de arcos A es el siguiente: A={(1,2),(1,3),(2,3),(2,4);(5,4),(5,2),(3,5)}. Un camino entre dos nodos consiste en una secuencia de arcos conectados, en donde el nodo final de un arco coincide con el nodo inicial del arco siguiente. Por ejemplo, el camino entre los
Ver Eppen y Gould (1999) En ingls, PERT: Program Evaluation and Review Technique 18 En ingls, CPM: Critical Path Method
17 16

115

nodos 1 y 4 es: (1,2);(2,3),(3,5),(5,4). Un ciclo (o circuito) es un camino en donde los extremos coinciden. Por ejemplo, la secuencia (2,3),(3,5),(5,2) es un ciclo. Existen dos tipos de representaciones de los proyectos: las redes ANA (actividades en los arcos) , en donde las actividades se representan por los arcos de la red, o las redes ANN, en donde las actividades se representan en los nodos, si bien que las redes ANA son las ms comunes. Ms concretamente, las redes ANA tienen las caracterstica siguientes: o o o o o las actividades se representan en los arcos las relaciones de precedencia se definen a partir del orden de los arcos los sucesos se representan en los nodos el nodo inicial representa el inicio del proyecto el nodo final representa su finalizacin

Por otro lado, las redes ANN tienen las caractersticas siguientes: o o o las actividades se representan en los nodos las relaciones de precedencia vienen definidas por los arcos los sucesos son actividades con una duracin nula

Redes ANA. Las redes ANA tiene una serie de convenciones que hay que seguir para su diseo grfico. Estas son: o o Las actividades secuenciales son aquellas que estn en el mismo camino (y por tanto, son de alguna manera dependientes) Las actividades paralelas son las que se encuentran en caminos diferentes (y por tanto son independientes).

Limpiar paredes

Pintar paredes

2 1.1.1 Actividades secuenciales

Quitar papel viejo Empapelar

3 2
Comprar papel nuevo

1.1.2 Actividades paralelas

La convencin ANA indica que la red tiene que dibujarse de izquierda a derecha. Consecuentemente, la numeracin de los sucesos se realizar en el mismo sentido, aumentando

116

a medida que nos desplazamos hacia la derecha. Cada actividad se representa por un nico arco (no podemos tener actividades que tengan los mismos sucesos de inicio y finalizacin).

Empapelar

3
Pintar techo

La construccin de una red tiene que realizarse por fases, aadiendo las actividades una a una. Para proyectos grandes, es ms fcil empezar la construccin de la red desde el final e ir retrocediendo. De vez en cuando, al construir la red, ser necesario introducir actividades ficticias para respetar correctamente las relaciones de precedencia y tambin para evitar que dos actividades compartan el mismo nodo de salida y de llegada. Estas actividades ficticias tienen una duracin igual a cero y no consumen ningn recurso. A continuacin se ilustra el uso de las actividades ficticias. Caso 1: Representacin correcta de las relaciones de precedencia Supongamos las siguientes relaciones de precedencia: A C, B C, B E. No se puede representar esta relacin son la utilizacin de una actividad ficticia, ya que tendramos la figura siguiente:

117

En la cual se comente el error de relacionar la actividad E con la actividad A, cuando en realidad no hay ninguna relacin de precedencia entre ellas. Por eso es necesario el introducir una actividad ficticia para evitar este error.

Actividad ficticia

En este caso, las relaciones de precedencia se mantienen. La actividad ficticia une a las actividades B y C y a su vez impide que las actividades A y E estn relacionadas. Caso 2: Evitar que dos actividades tengan el mismo nodo de origen y destino. En este caso, las actividades B y C tienen los mismos nodos de origen y destino (nodos 3 y 4) i tenemos que aadir una actividad ficticia para que esto no ocurra. La representacin incorrecta es la siguiente:

3
C

Al aadir una actividad ficticia, podemos obtener dos situaciones correctas diferentes:

4 B 3 C

4
Actividad ficticia Actividad ficticia

B 5

3 C

Ambas situaciones implican el mismo resultado de relacin de precedencia, al no tener las actividades ficticias ni utilizacin de recursos ni coste temporal. Como veremos ms adelante, el impedir que dos actividades tengan el mismo nodo de origen y destino es bsico para poder determinar las actividades que son crticas para la buena ejecucin del proyecto.

118

Una vez que se ha construido la red, se tiene que verificar si se cumplen las condiciones siguientes: o Se han representado todas las actividades o Todas las relaciones de precedencia tambin estn representadas o La red no tiene relaciones de precedencia inexistentes o Hay unos nicos nodos inicial y final Finalmente, se han de enumerar los nodos de la red, utilizando el mtodo explicado anteriormente, asociando un valor que identifique cada suceso. Ejemplo:

Actividad A B C D E F G H I J K L

Actividad Precedente A A C C B E,F D D G H,I K

Duracin de la actividad 1 1 2 7 4 4 3 2 1 1 5 3

La red ANA correspondiente es la siguiente:

F G

3
B A E

7
J K H L 10 11

2
C

6
I

Actividad ficticia

Como hemos mencionado anteriormente, la red ANA tambin se puede transformar en red ANN. En este ejemplo, la configuracin ANN sera la siguiente:
A B F G J K L

119

6.3 Planificacin Temporal del Proyectos (CPM)

El mtodo CPM19 consiste e una metodologa simple para poder gestionar cada una de las actividades que componen el proyecto. Para cada actividad, el CPM determina unos tiempos de inicio y de finalizacin y tambin la posible existencia de holguras temporales que determinen en nivel crtico de su importancia para la consecucin del proyecto en el menor tiempo posible. Ms concretamente, los objetivos del CPM son: o o o o Determinar la duracin mnima del proyecto Determinar las fechas de inicio de cada una de las actividades que lo componen Identificar las actividades que son crticas20 Determinar que atrasos posibles pueden sufrir las actividades sin afectar la duracin mima del proyecto.

El CPM utiliza como base las redes ANA y realiza las siguientes hiptesis: o Las actividades tienen una duracin determinada conocida (determinista) o Se tienen que ejecutar todas las actividades o No hay repeticin de actividades o No hay restricciones significativas de recursos En principio, el CMP determina el momento ms avanzado y el momento ms retardado de realizar cada suceso. Estos valores se utilizarn posteriormente para calcular las fechas de inicio, fin, ms avanzadas y ms retardadas de cada actividad. A continuacin veremos como se obtienen estos parmetros.

6.3.1 Primera fase: anlisis temporal de los sucesos

Notacin: o o o o o i, j = sucesos (i=1 inicio del proyecto, j=n final del proyecto) (i,j) = actividad tij = duracin de la actividad (i,j) Ei = Momento ms avanzado posible para realizar el suceso i (nodo i), suponiendo que no se han realizado retrasos en las actividades anteriores. Li = Momento ms atrasado posible para realizar el suceso i (nodo i), sin que la duracin mnima se vea afectada.

El proceso se desarrolla de la forma siguiente: 1. Para cada nodo j calcular Ej : 1. E1 = 0; 2. Para j = 2,..., n, Ej = max(i,j) { Ei + tij} 3. En = duracin mnima del proyecto. 2. Para cada nodo j calcular Lj : o Ln = E n ; 4. Para i = n-1, ..., 2, Li = min(i,j) { Lj - tij} o Notar que Li = 0 y que tij = Lj - Ei
19 20

Critical Path Method Una actividad crtica del proyecto es aquella que se tiene que realizar exactamente en el mismo intervalo de tiempo igual a su duracin.

120

3. Calcular el margen Fi para cada suceso i, es decir el retraso que cada suceso puede sufrir sin modificar la duracin mnima del proyecto. o Fi = Li - Ei o Notar que los elementos crticos tienen un margen nulo. Utilizando el ejemplo anterior, y aplicando las frmulas descritas, tenemos que los tiempos de los sucesos son los siguientes: Suceso 1 2 3 4 5 6 7 8 9 10 11 Ej 0 1 2 3 7 10 10 11 12 17 20 0 1 4 3 8 10 11 12 12 17 20 Li 0 0 2 0 1 0 1 1 0 0 0 Fi

A veces, un proyecto puede tener una fecha de finalizacin fijada de antemano, que no tiene porque coincidir necesariamente con la mnima. En este caso el proceso se modifica de la siguiente forma: Para cada nodo j calcular Lj : o o Ln = Fecha de finalizacin ; Para i = n-1, ..., 2, Li = min(i,j) { Lj - tij}

3. Calcular el margen Fi para cada suceso i, es decir el retraso que cada suceso puede sufrir sin modificar la duracin mnima del proyecto. o Fi = Li - Ei o Notar que los elementos crticos son los que tienen un margen mnimo. Supongamos que en el ejemplo anterior se fija a priori el tiempo de ejecucin del proyecto en 25 semanas. En este caso, el anlisis temporal de los sucesos es el siguiente: Suceso 1 2 3 4 5 6 7 8 9 10 11 Ej 0 1 2 3 7 10 10 11 12 17 20 Li 5 6 9 8 13 15 16 17 17 22 25 Fi 5 5 7 5 6 5 6 6 5 5 5

Los sucesos crticos son los mismos que en el caso anterior.

121

6.3.2 Segunda fase: anlisis temporal de las actividades

1. Para cada actividad (i,j) calcular las fechas siguientes: o o o o o Fecha de inicio ms avanzada (FIA) = Ei Fecha de inicio ms retardada (FIR) = Lj - tij Fecha de finalizacin ms avanzada (FFA) = Ei + tij Fecha de finalizacin ms retardada (FFR) = Lj Margen total de la actividad (i,j) = Lj - Ei - tij

Las actividades crticas son aquellas que tienen un margen total igual a 0. El camino crtico es el camino ms largo entre el origen (1) y el nodo final (n); por lo tanto, es el camino con el margen mnimo total (el camino compuesto por las actividades crticas). En una red puede existir ms de un camino crtico. En nuestro ejemplo, el anlisis temporal de las actividades es el siguiente: Arco (1,2) (2,3) (2,4) (4,6) (4,5) (3,5) (5,7) (6,9) (6,8) (8,9) (7,9) (9,10) (10,11) Actividad A B C D E F G H I Ficticia J K L Duracin 1 1 2 7 4 4 3 2 1 0 1 5 3 FIA 0 1 1 3 3 2 7 10 10 11 10 12 17 FIR 0 3 1 3 4 4 7 10 11 12 11 12 17 FFA 1 2 3 10 7 6 10 12 11 11 11 17 20 FFR 1 4 3 10 8 8 11 12 12 12 12 17 20 Margen 0 2 0 0 1 2 1 0 1 1 1 0 0

El tiempo de ejecucin mnimo del proyecto es de 20 semanas. No se podr nunca realizar en menos tiempo. Ahora tambin podemos analizar las actividades individualizadamente. Por ejemplo, la actividad E tiene una duracin de 4 semanas, se puede iniciar en la tercera semana lo ms temprano posible (FIA), aunque tenemos un margen, ya que si empieza en la cuarta semana (FIR) el proyecto no se ve afectado en su conjunto, debido al margen total de una semana. Por otro lado, la actividad D no tiene margen, por lo que se tiene que empezar obligatoriamente en la tercer a semana, ya que si se retrasa, aunque sea un poco, el conjunto del proyecto se ver afectado y no podr ser realizado en las 20 semanas. Por lo tanto la actividad D es crtica en el proyecto. El camino crtico est formado por las actividades con margen nulo. En este caso, el camino es: A C D H K L

122

Grficamente, el camino crtico es el siguiente:

F G

3
B A E

7
J K H L 10 11

2 9
C D

6
I

Actividad ficticia

6.3.3 Tercera fase: anlisis ms detallado de los mrgenes

A continuacin examinaremos con ms detalle el margen total de cada una de las actividades (i,j), desglosndolo en varios apartados. Margen Total = Lj - Ei - tij Representa el atraso mximo permitido en la duracin de una actividad sin afectar a la duracin total del proyecto. Se supone que las actividades precedentes empiezan lo ms pronto posible y que las actividades posteriores se inician lo ms tarde posible. Margen de seguridad = Lj - Li - tij Consiste en el atraso mximo permitido en la ejecucin de una actividad sin imponer restricciones temporales en las actividades precedentes. En este caso las actividades precedentes pueden acabar lo ms tarde posible y las posteriores empiezan lo ms tarde posible. Margen libre = Ej - Ei - tij Representa el atraso mximo permitido en la duracin de una actividad sin imponer restricciones temporales en las actividades posteriores. Aqu las actividades precedentes finalizan lo ms pronto posible y las posteriores pueden empezar lo ms pronto posible. Margen independiente = Ej - Li - tij Representa el atraso mximo que puede tener una actividad sin afectar a las precedentes y a las posteriores. En este caso, las actividades precedentes pueden acabar lo ms tarde posible y las posteriores se pueden iniciar lo ms pronto posible sin que afecte por ello al proyecto. Ejemplo de aplicacin: Actividad F (arco(3,5)) o Margen total = 2. Si esta actividad se retrasa 2 semanas, el proyecto se puede acabar en el tiempo mnimo previsto si ninguna de las actividades precedentes y posteriores sufren retrasos. Margen de seguridad = 0. Nos indica que no tenemos margen si las actividades anteriores y posteriores se ejecutan lo ms tarde posible. Margen libre = 1. En este caso, si la actividad se retrasa en una semana, el proyecto puede finalizarse en el tiempo previsto siempre que las actividades precedentes se ejecuten lo ms pronto posible. Margen independiente = 0. Nos indica que cualquier retraso de la actividad F tendr efecto en las otras actividades.

o o

123

Por lo tanto, la actividad F (5,7) est formada por los sucesos 5 (E=2, L=4) y 7 (E=7, L=8). Si las actividades precedentes han sufrido retrasos, las actividades posteriores no pueden compensar este retraso porque su margen es inferior.

6.4 El Grfico Gantt

El diagrama o grfico Gantt es una manera sencilla y sinttica de representacin de las actividades de un proyecto. Se compone de un eje de abcisas que representa la escala temporal y de un eje de ordenadas que representa las actividades. En este caso se supone que todas las actividades se inician en su fecha de inicio ms avanzada, aunque no necesariamente sea esto obligatorio (por ejemplo, podra suponerse que todas las actividades se inician lo ms tarde posible). El grfico Gantt puede construirse una vez se ha realizado el CPM (o el PERT, que veremos ms adelante). La duracin de cada actividad y los mrgenes se presentan en el grfico en forma de barra horizontal, y a medida que avanza la ejecucin del proyecto se va modificando la configuracin de cada barra (por ejemplo, el color) para indicar su estado.
Ejemplo de grfico Gantt

A B C D E F G H I J K L

1 1 2 7 4 4 3 2 1 1 5 3 20 Actividades crticas Actividades no crticas Margen total

124

6.5 El PERT
El PERT21 es un mtodo similar al CPM. La gran diferencia estriba en que los tiempos de las actividades no son determinsticos, sino que tienen un componente aleatorio. La versin original del PERT se basa en el conocimiento, para cada actividad, de tres estimaciones de su duracin: o o o La estimacin ms probable (m) que es la estimacin ms realista de la moda de la distribucin de la probabilidad para el tiempo de la actividad. La estimacin optimista (a) procura ser el tiempo poco probable pero posible si todo sale bien, o sea, una estimacin de la cota inferior de la distribucin de probabilidad La estimacin pesimista (b) se basa en una estimacin poco probable de que todo vaya mal. Es decir, una estimacin de la cota superior de la distribucin de probabilidad.

Para poder operar y calcular el tiempo total mnimo del proyecto, necesitamos conocer el valor esperado y la varianza de cada una delas actividades. Se supone en general que la dispersin entre a (el valor ms optimista) y b (el ms pesimista) es de 6 desviaciones estndar, es decir 6 = b a. Por lo tanto, la varianza del tiempo de cada actividad es: 2 = [1/6(b a)] 2 Esta suposicin se basa en que las colas de muchas distribuciones de probabilidad estn a 3 desviaciones estndar de la media, y por lo tanto las colas estn a 6 desviaciones estndar. Por otro lado, tambin se tiene que conocer qu tipo de distribucin de probabilidad sigue el tiempo de las actividades. En general, se asume que los tiempos siguen una distribucin Beta. Este tipo de distribucin tiene un rango entre dos valores a y b determinados y representa la variabilidad dentro de este rango. La distribucin tiene la forma siguiente:

Y el tiempo esperado de cada actividad se obtiene de la siguiente forma: t = 1/3[2m + 0,5(a + b)] Para poder calcular el tiempo esperado mnimo del proyecto y la probabilidad de que el proyecto finalice en una fecha determinada necesitamos que se cumplan las condiciones siguientes: o que los tiempos de las actividades sean variables aleatorias estadsticamente independientes, es decir, que el punto de distribucin en que ocurra el tiempo de una actividad en particular no influya en el punto de su distribucin en que los tiempos de otras variables ocurrirn.

21

En ingles, Program Evaluation and Review Technique

125

o o

que la ruta crtica siempre requiera un tiempo mayor total que cualquier otra trayectoria. que la distribucin de probabilidad del tiempo del proyecto sea (aproximadamente) una distribucin normal.

Esta ltima hiptesis se basa en que la distribucin de probabilidad de una suma de muchas variables aleatorias independientes es aproximadamente normal bajo una amplia variedad de condiciones 22. Una vez conocido el tiempo esperado para cada una de las actividades, se utiliza ste en el CPM para obtener el camino crtico y las actividades crticas. Una vez se saben stas, si sumamos sus tiempos medios, obtenemos el tiempo medio mnimo esperado del proyecto. Tambin obtenemos la varianza del tiempo medio mnimo sumando las varianzas de las actividades crticas. En caso de que haya varios caminos crticos, se escoge aquel con la mayor varianza total. Para saber que la probabilidad de que un proyecto se realice en la fecha D, tenemos que buscar la media y desviacin estndar en base a las Tablas (0,1) de la distribucin normal. Si Z es una variable aleatoria normal (0,1), tenemos que calcular la frmula siguiente: K = (D M)/ Y consultar el valor de la probabilidad correspondiente en una Tabla de la normal.

6.5.1 Ejemplo de PERT

Supongamos el proyecto siguiente: Ms optimista a 1 2 1 1 0,5 1 1 6 3 4 Ms probable m 2 2 2 1,5 1 2,5 2 7 4 6 Ms pesimista b 3 8 3 11 7,5 7 3 8 11 8 Actividades precedentes A B B C,D C,D C,D,E C,D,E F,H

Actividad A B C D E F G H I

22

Esto se conoce como el Teorema del Lmite Central

126

Primer paso: encontrar el tiempo medio esperado y la varianza de cada actividad: Valor esperado 2 3 2 3 2 3 2 7 5 6

Actividad A B C D E F G H I J

Varianza 0,11 1.00 0,11 2,78 1,36 1,00 0,11 0,11 1,78 0,44

Segundo paso: Encontrar el camino crtico. La red del proyecto es la siguiente:

E

5
H I J

3
B D

1
A

6
F

2
C

Y el CPM se presenta en la tabla siguiente: Actividad A B C D E F G H I J Duracin 2 3 2 3 2 3 2 7 5 6 FIA 0 0 2 3 3 6 6 6 6 13 FIR 2 3 4 6 5 9 8 13 11 19 D H FFA 2 0 4 3 4 10 17 6 14 13 FFR 4 3 6 6 6 13 19 13 19 19 Margen 2 0 2 0 1 4 11 0 8 0

El camino crtico del proyecto es B semanas y su varianza es igual a 4,33.

J y el tiempo med io esperado es de 19

Supongamos que queremos calcular la probabilidad de que el proyecto finalice en 20 das. Tendremos que: K = (D M)/ = (20-19) / 4,33 = 0,48 Por lo tanto, y despus de consultar una tabla Normal (0,1) hay una probabilidad de 68,44% de que el proyecto finalice en un periodo de 20 das.

127

6.6 Planificacin de Recursos: Tiempo-Coste

Como hemos visto hasta ahora, tanto el CPM como el PERT se dedican bsicamente a gestionar el tiempo relacionado con la ejecucin de cada una de las actividades que componen el proyecto. Sin embargo, a veces los tiempos de las actividades se ven afectados por la cantidad recursos que empleamos en su ejecucin. Por lo tanto, existe un intercambio entre el tiempo de ejecucin del proyecto y el coste de realizarlo. Aqu supondremos que esta relacin es lineal, como muestra la figura siguiente:

Coste mximo

Coste mnimo

Tiempo mnimo

Tiempo mximo

En este caso, la pregunta que intentamos resolver es la siguiente: Qu tiempos de actividad conviene elegir para que se produzca el tiempo deseado de terminacin del proyecto con un coste mnimo? Para poder responder a esta pregunta, necesitamos conocer la informacin siguiente de cada actividad: o o o o Tiempo de ejecucin normal, Tn Coste de ejecucin normal, Cn Tiempo de ejecucin acelerada, Ta Coste de ejecucin acelerada, Ca

Tenemos que la relacin [C a Cn]/[Ta - Tn] representa la pendiente de la recta del grfico anterior. En otras palabras, en cuando se reduce el coste si incrementamos el tiempo de ejecucin en una unidad. Es decir, el coste marginal del tiempo. Esta relacin es muy til conocerla para las actividades crticas. Esto es debido a que, como vimos anteriormente, las actividades crticas son las que determinan el tiempo mnimo de ejecucin del proyecto. Un pequeo retraso en una de ellas provoca inexorablemente un aumento del tiempo de ejecucin, y al contrario, si ponemos ms recursos en las actividades crticas, su tiempo de ejecucin puede reducirse y con ello se podra realizar el proyecto en un tiempo menor. En general, primero se realiza el CPM con los tiempos normales de las actividades para obtener el camino crtico, la duracin mnima del proyecto y el coste total normal. Una vez se obtienen estos datos, se fija un objetivo de reduccin del tiempo de ejecucin del proyecto. Si existe un nico camino crtico, se escoge la actividad del camino crtico que tiene el coste marginal ms pequeo para acelerarla. Cuando hay ms de un camino crtico, si queremos acelerar el proyecto, para cada camino reducimos la actividad con el menor coste marginal hasta conseguir el objetivo de reduccin. Al realizar este proceso hay que ir con cuidado ya que la reduccin de

128

la duracin de una actividad puede crear la aparicin de nuevos caminos crticos. continuacin ilustraremos el mtodo tiempo-coste con un ejemplo. Supongamos el proyecto siguiente: Actividades (1,2) (1,3) (2,4) (2,5) (3,4) (4,5) Normal Duracin 8 4 2 10 5 3 Acelerado Duracin 6 2 1 5 1 1 Coste Marginal 50 100 40 60 25 10

Coste 100 150 50 100 100 80

Coste 200 350 90 400 200 100

1 3

Suceso 1 2 3 4 5

Ej 0 8 4 10 18 0 8 10 15 18

Li 0 0 6 5 0

Fi

En condiciones normales, el proyecto tiene una duracin de 18 das y un coste de 580 . El camino crtico es (1,2),(2,5). Ahora aplicamos la regla de reduccin de tiempos escogiendo las actividades crticas que tienen un coste marginal menor. o o Reducir la duracin de la actividad (1,2) en 2 unidades: duracin = 16 y coste = 680 Reducir la actividad (2,5) en 4 unidades: duracin = 12 y coste =920

Debido a estas reducciones ha aparecido un camino crtico nuevo (1,3),(3,4),(4,5). o Reducir la duracin de las actividades (2,5) y (4,5) en una unidad: duracin = 11 y coste = 990

En este punto ya no podemos realizar ms reducciones , ya que todas las actividades de los caminos crticos han llegado a su lmite de reduccin.

6.7 Conclusiones
En este captulo hemos examinado varios mtodos que nos ayudan a gestionar y planificar proyectos complejos. Los mtodos PERT y CPM son relativamente sencillos de aplicar, pero

129

permiten obtener mucha informacin importante para la planificacin y control de grandes proyectos. Debido a su aplicacin en situaciones reales, la gestin de proyectos es una de las reas ms importantes de los mtodos cuantitativos para la toma de decisiones en la industria, en los servicios y en la formacin de profesionales. Una de las principales razones de su xito es la facilidad de obtener diferentes escenarios de un proyecto y de actualizarlo a lo largo de su ejecucin. Existen varios programas de ordenador dedicados a la gestin de proyectos. destacan el Microsoft Project y el Superproject. Entre ellos,

130

6.8 Problemas
6.1 La empresa responsable de la realizacin de un proyecto ha recibido un fax con la red de un proyecto indicando las actividades, sus duraciones, las dos rutas criticas y la duracin del proyecto, que es de 60 semanas. Debido a la mala calidad del fax, no se entenda bien la duracin de las actividades E y D. Pero conociendo la duracin mnima del proyecto es posible saber la duracin de estas actividades, que son:

25 15 A D 20 F C Encontrar la duracin de las actividades D y E. B E

10

6.2 Un proyecto tiene una duracin mnima de 8 meses. El retraso de un proveedor en una actividad crtica ha provocado un retraso de 1 mes en la finalizacin de esta actividad. Que consecuencias tiene este retraso en el trmino del proyecto? A. B. C. D. El proyecto no se retrasa porque se reduce el tiempo de otras actividades no crticas. El proyecto se retrasa un mes, porque la actividad es crtica. Nunca ms se contrata a este proveedor. Como la actividad es crtica, el proyecto no se retrasa.

6.3 En la tabla siguiente se exponen las estimaciones de los tiempos necesarios para realizar cada actividad de un determinado proyecto, as como las actividades precedentes

Actividad A B C D E F G H I J 1. 2.

Actividades precedentes A B B B D E,G E,G C,F,H

Tiempo de ejecucin 28 22 26 14 32 40 12 16 26 12

Construir el diagrama utilizando el sistema PERT (las actividades son arcos de la red) Calcular el tiempo mnimo de ejecucin del proyecto y la ruta crtica.

131

6.4 En la tabla siguiente se exponen las estimaciones de los tiempos necesarios para realizar cada actividad de un determinado proyecto, as como las actividades precedentes

Actividad A B C D E F G H I J

Actividades precedentes A A B B C D E,G E,G C,F,H

Tiempo de ejecucin 12 12 23 12 12 10 32 11 16 11

Construir el diagrama (considerad que las actividades son arcos de la red). Calcular el tiempo mnimo de ejecucin del proyecto y la ruta crtica.

6.5 A continuacin se muestran las actividades que forman parte de un proyecto: Actividades Actividades Precedentes A, B B C, B D, E, F F G, H Tiempo (semanas) 8 6 3 10 6 9 6 4 2

A B C D E F G H I

a)

Dibujar la red.

b) Determinar el camino crtico, el margen de las actividades y la duracin mnima del proyecto. c) La empresa responsable de la actividad B nos indica que no podr empezar la actividad hasta el momento 2 y que sta durar 8 semanas en lugar de 6. Afectar esto a la duracin total del proyecto? En cunto y porqu? Cambiaran las actividades crticas del proyecto?

132

6.6 A continuacin se muestra las actividades que forman parte de un proyecto de implantacin de un Sistema de Calidad en una empresa : Tiempo (semanas) Actividad A B C D E F G H I J Presentacin de objetivos y alcance del proyecto. Diagnstico de la situacin actual. Definicin del Sistema de Calidad. Revisin del Manual de Calidad. Redaccin escrita del Manual de Calidad Seguimiento del Manual de Procedimientos Redaccin escrita del Manual de Procedimientos. Formacin de la Plantilla Implantacin del Sistema de Calidad. Auditora Final 1 2 2 4 5 15 16 1 10 2 A B C C D,E D,E E F,G,H I Actividades Precedentes

Dibuje la red. Cul es la ruta crtica? Indicar todos los clculos y la tabla de los momentos ms temprano y ms tardo de inicio y finalizacin. Cunto tiempo es necesario para concluir el proyecto?

6.7 La Compaa de Seguros Salutmolt est planeando la mudanza de sus oficinas principales a Barcelona para atender su crecimiento empresarial. El traslado es complicado debido al tamao de la empresa y de sus divisiones administrativas. En primer lugar se tiene que determinar el nuevo local. El departamento de Recursos Humanos tiene que establecer el nmero de empleados a contratar debido a la expansin de la empresa y los planes de formacin. El departamento de diseo, junto con el gerente ha de determinar la estructura de los nuevos espacios y las necesidades de mobiliario y equipos informticos. Evidentemente todas estas actividades son interdependientes. Por ejemplo, no se puede determinar la estructura interior del edificio sin antes haberlo escogido! En primer lugar es necesario establecer la lista de actividades para la realizacin del proyecto. Lista de Actividades Antecesor Inmediato B A,C D C F F B H,E,G Tiempo de Ejecucin 3 5 3 4 8 2 4 2 5 3

Actividad A B C D E F G H I J

Descripcin Elegir local de oficinas Crear el plan financiero y organizativo Determinar las necesidades de personal Disear medios Construir el interior Elegir personal a mudar Contratar nuevos empleados Mudar registros y archivos Ejecutar el plan financiero Entrenar al nuevo personal

En la lista de actividades figuran los antecesores inmediatos de cada actividad. Por ejemplo, no se puede construir el interior (actividad E) sin haberlo antes diseado (actividad D). Y este no se puede disear sin haber escogido el nuevo local (actividad A) y sin conocer el nmero total de empleados (actividad C). En la ltima columna se indican los tiempos esperados de ejecucin de cada actividad. Dibujar la red del proyecto y encontrar en camino crtico, las actividades crticas y la duracin total del proyecto.

133

6.8 La red y los datos ms relevantes de un proyecto logstico se presentan a continuacin:

B
1

H
5

I
6 9 10

C
4

G F
8

Actividades A B C D E F G H I

Tiempo (semanas) Normal Lmite 4 2 3 2 2 1 5 3 1 1 3 2 4 2 4 1 6 5

Coste ( ) Normal 10.000 6.000 4.000 14.000 9.000 7.000 13.000 11.000 20.000

Lmite 11.000 9.000 6.000 18.000 9.000 8.000 25.000 18.000 29.000

Se pide: a. b. Determinar el camino crtico, la duracin mnima del proyecto y el coste del proyecto (en condiciones normales). Si se quiere reducir la duracin del proyecto en tres semanas, qu actividades han de reducirse y cual ser el coste del nuevo proyecto?

134

7 Bibliografa
En este apartado damos algunas referencias de libros que pueden ser muy tiles para complementar los temas abordados en este texto. Los astericos entre parntesis indican el grado de dificultad matemtica.

Bazaraa M. (1994): Programacin Lineal y flujo en redes. Limusa (***) Bronson R. (1992): Investigacin de Operaciones. McGraw Hill. (**) Daskin M. (1995): Network and Discrete Location. Wiley Interscience. (****) Drezner Z., editor (1995): Facility Location: A survey of Applications and Methods. Springer (*****) Eppen G. y F. Gould (2000): Investigacin de Operaciones en la Ciencia Administrativa.. Prentice Hall (**) Fernndez R. y Castrodeza C. (1989): Programacin Lineal. Ariel Economa.(**) Guerras, L. (1989): Gestin de Empresas y Programacin Multicriterio. Esic.(**) Hillier F. y G. Lieberman (1997): Hill.(***) Introduccin a la Investigacin Operativa. McGraw

Puerto J., editor (1994): Lecturas en Teora de Localizacin. Universidad de Sevilla (*****) Romero, C. (1993): Teora de la Decisin Multicriterio: Conceptos, Tcnicas y Aplicaciones. Alianza Universidad.(**) Prawda J. (1990): Mtodos y Modelos de Investigacin de Operaciones. Limusa (***) Taha H. (1991): Investigacin de Operaciones. Alfaomega.(***) Villalba D. y Jerez M. (1990): Sistemas de Optimizacin para la Planificacin y Toma de Decisiones. Pirmide.(**)

135