INVOPER2011

INVESTIGACIN OPERATIVA II
Profesor Asociado:
Roberto Jimnez Ramrez
Magister en Ingeniera Industrial
Doctor (c) en Administracin y Direccin
de Empresas
2011
13
Contenido
CAPITULO I : PROGRAMACIN LINEAL ENTERA ............................................... 6
Introduccin ................................................................................................ 6
Tipos de modelos ....................................................................................... 6
Interpretacin grafica .................................................................................. 7
Ejemplo N 1 Solucin Entera ...................................................................... 7
Comentarios ........................................................................................... 10
Soluciones redondeadas ........................................................................ 10
Ejemplo N 2: Solucin Entera ................................................................. 11
Enumeracin .......................................................................................... 12
Aplicaciones a la variable 0-1 ................................................................ 12
Ejemplo N 3: Problema de Presupuesto de Capital de la Protrac ............. 12
Formulacin de un modelo de PLE. ........................................................ 13
Aproximacin de la PL: Uso de Software WinQSB ................................. 14
Solucin entera pura: Uso de Software winQSB ........................................ 15
Condiciones lgicas ................................................................................... 16
No ms de k de entre n alternativas ...................................................... 16
Decisiones dependientes ....................................................................... 16
Restricciones de aportaciones ............................................................... 17
Ejemplo N 4 : Problema de ubicacin de los almacenes Steco. ............... 18
Consideraciones sobre la formulacin del modelo ................................. 20
Un modelo de PLEM ............................................................................... 21
Modelo final ........................................................................................... 22
Mtodos de programacin entera ............................................................. 24
Algoritmo de bifurcacin y acotamiento ................................................... 24
CAPITULO II : REDES PERT/CPM .................................................................... 38
INTRODUCCIN ......................................................................................... 39
ASPECTOS GENERALES PERT .................................................................... 39
TERMINOLOGIA PERT/CPM ......................................................................... 40
ANALISIS DE UNA RED PERT/CPM .............................................................. 44
PROBLEMAS A DESARROLLAR ................................................................... 52
(Problema N 5 Listado de Problema PERT/CPM) ....................................... 52
(Problema N 9 Listado de Problema PERT/CPM) ....................................... 53
(Problema N 11 Listado de Problema PERT/CPM) ..................................... 54
RESUMEN DE LOS CALCULOS PERT/CPM ................................................... 56
INCERTIDUMBRE EN UNA RED PERT/CPM .................................................. 57
VARIABILIDAD EN LOS TIEMPOS DE LAS ACTIVIDADES ............................. 59
PROBLEMAS A DESARROLLAR ................................................................... 64
(Problema N 12 Listado de Problema PERT/CPM) ..................................... 64
CAPITULO III .............................................................................................. 66
MODELOS DE INVENTARIO ........................................................................ 66
INTRODUCCION ......................................................................................... 67
LA FUNCIN DE INVENTARIOS ................................................................... 67
DECISIONES BSICAS EN INVENTARIOS .................................................... 69
CARACTERISTICAS DE LOS SISTEMAS DE INVENTARIO .............................. 69
MODELO CLASICO DE CANTIDAD ECONMICA DE PEDIDO (CEP). ............. 74
MODELO CEP CUANDO SE PERMITEN FALTANTES ..................................... 76
13
INVENTARIO DE VARIOS PRODUCTOS CON DEMANDA CONSTANTE,
REVISIN CONTINUA Y CADA ITEM CONSIDERADO INDIVIDUALMENTE. .... 81
REVISIN CONTINUA Y LAS ORDENES INCLUYEN A TODOS LOS ITEMS. .... 82
REVISION CONTINUA Y LIMITACION DE ESPACIO DE ALMACENAMIENTO
(RESTRICCION). ......................................................................................... 84
MODELO DEL TAMAO DEL LOTE DE PRODUCCION .................................. 87
EJEMPLO N 1 ............................................................................................ 90
EJEMPLO N 2 ............................................................................................ 91
EJEMPLO N 3 ............................................................................................ 92
EJEMPLO N 4 ............................................................................................ 94
CAPITULO IV ............................................................................................ 102
PROGRAMACIN DINMICA ..................................................................... 102
INTRODUCCIN ...................................................................................... 103
PROBLEMA DE LA DILIGENCIA ................................................................. 104
EJEMPLO 1 ............................................................................................... 104
CARACTERISTICAS DE LOS PROBLEMAS DE PROGRAMACIN DINMICA.
................................................................................................................ 109
PROGRAMACIN DINAMICA DETERMINSTICA ......................................... 111
EJEMPLO 2 ............................................................................................... 111
EJEMPLO 3 ............................................................................................... 116
CAPITULO V ............................................................................................. 136
CADENAS DE MARKOV ............................................................................ 136
INTRODUCCIN ....................................................................................... 137
CADENA DE MARKOV .............................................................................. 137
PROBLEMA ADMINISTRATIVOS DE LA CAJA DEL TESORERO .................... 138
LA MATRIZ DE TRANSICIN DEL TESORERO ............................................ 140
CADENAS DE MARKOV ............................................................................ 145
MATRIZ DE TRANSICIN .......................................................................... 146
ECUACIONES DE CHAPMAN KOLMOGOROV .......................................... 150
....................................................................................................... 157
EJEMPLO DE INVENTARIO ........................................................................ 158
CLASIFICACION DE ESTADOS EN UNA CADENA DE MARKOV ................... 159
PROPIEDADES A LARGO PLAZO DE LAS CADENAS DE MARKOV .............. 161
EJEMPLO PARA EL INVENTARIO ............................................................ 163
COSTO PROMEDIO ESPERADO POR UNIDAD DE TIEMPO ......................... 164
EJEMPLO ............................................................................................... 165
Tabla de contenido
CAPITULO I : PROGRAMACIN LINEAL ENTERA ............................. 6
Introduccin .............................................................................. 6
Tipos de modelos ..................................................................... 6
Interpretacin grafica ................................................................ 7
Ejemplo N 1 Solucin Entera .................................................... 7
Comentarios ......................................................................... 10
Soluciones redondeadas ...................................................... 10
Ejemplo N 2: Solucin Entera ............................................... 11
Enumeracin ........................................................................ 12
Aplicaciones a la variable 0-1 .............................................. 12
Ejemplo N 3: Problema de Presupuesto de Capital de la
Protrac .................................................................................... 12
Formulacin de un modelo de PLE. ...................................... 13
Aproximacin de la PL: Uso de Software WinQSB ............... 14
Solucin entera pura: Uso de Software winQSB ...................... 15
Condiciones lgicas ................................................................. 16
No ms de k de entre n alternativas .................................... 16
Decisiones dependientes ..................................................... 16
Restricciones de aportaciones ............................................. 17
Ejemplo N 4 : Problema de ubicacin de los almacenes Steco.
................................................................................................ 18
Consideraciones sobre la formulacin del modelo ............... 20
Un modelo de PLEM ............................................................. 21
Modelo final ......................................................................... 22
Mtodos de programacin entera ........................................... 24
Algoritmo de bifurcacin y acotamiento ................................. 24
CAPITULO II : REDES PERT/CPM .................................................. 38
INTRODUCCIN ....................................................................... 39
ASPECTOS GENERALES PERT .................................................. 39
TERMINOLOGIA PERT/CPM ....................................................... 40
ANALISIS DE UNA RED PERT/CPM ............................................ 44
PROBLEMAS A DESARROLLAR ................................................. 52
(Problema N 5 Listado de Problema PERT/CPM) ..................... 52
(Problema N 9 Listado de Problema PERT/CPM) ..................... 53
(Problema N 11 Listado de Problema PERT/CPM) ................... 54
RESUMEN DE LOS CALCULOS PERT/CPM ................................. 56
INCERTIDUMBRE EN UNA RED PERT/CPM ................................ 57
VARIABILIDAD EN LOS TIEMPOS DE LAS ACTIVIDADES ........... 59
PROBLEMAS A DESARROLLAR ................................................. 64
(Problema N 12 Listado de Problema PERT/CPM) ................... 64
CAPITULO III ............................................................................ 66
MODELOS DE INVENTARIO ...................................................... 66
INTRODUCCION ....................................................................... 67
LA FUNCIN DE INVENTARIOS ................................................. 67
DECISIONES BSICAS EN INVENTARIOS .................................. 69
CARACTERISTICAS DE LOS SISTEMAS DE INVENTARIO ............ 69
MODELO CLASICO DE CANTIDAD ECONMICA DE PEDIDO
(CEP). ...................................................................................... 74
MODELO CEP CUANDO SE PERMITEN FALTANTES ................... 76
INVENTARIO DE VARIOS PRODUCTOS CON DEMANDA
CONSTANTE, REVISIN CONTINUA Y CADA ITEM CONSIDERADO
INDIVIDUALMENTE. ................................................................. 81
CONSTANTE, REVISIN CONTINUA Y LAS ORDENES INCLUYEN A
TODOS LOS ITEMS. .................................................................. 82
CONSTANTE, REVISION CONTINUA Y LIMITACION DE ESPACIO
DE ALMACENAMIENTO (RESTRICCION). ................................... 84
MODELO DEL TAMAO DEL LOTE DE PRODUCCION ................ 87
EJEMPLO N 1 .......................................................................... 90
EJEMPLO N 2 .......................................................................... 91
EJEMPLO N 3 .......................................................................... 92
EJEMPLO N 4 .......................................................................... 94
CAPITULO IV .......................................................................... 102
PROGRAMACIN DINMICA ................................................... 102
INTRODUCCIN .................................................................... 103
PROBLEMA DE LA DILIGENCIA ............................................... 104
EJEMPLO 1 ............................................................................. 104
CARACTERISTICAS DE LOS PROBLEMAS DE PROGRAMACIN
DINMICA. ............................................................................. 109
PROGRAMACIN DINAMICA DETERMINSTICA ....................... 111
EJEMPLO 2 ............................................................................. 111
EJEMPLO 3 ............................................................................. 116
CAPITULO V ........................................................................... 136
CADENAS DE MARKOV .......................................................... 136
INTRODUCCIN ..................................................................... 137
CADENA DE MARKOV ............................................................ 137
PROBLEMA ADMINISTRATIVOS DE LA CAJA DEL TESORERO . . 138
LA MATRIZ DE TRANSICIN DEL TESORERO .......................... 140
CADENAS DE MARKOV .......................................................... 145
MATRIZ DE TRANSICIN ........................................................ 146
ECUACIONES DE CHAPMAN KOLMOGOROV ........................ 150
..................................................................................... 157
EJEMPLO DE INVENTARIO ...................................................... 158
CLASIFICACION DE ESTADOS EN UNA CADENA DE MARKOV . 159
PROPIEDADES A LARGO PLAZO DE LAS CADENAS DE MARKOV
.............................................................................................. 161
EJEMPLO PARA EL INVENTARIO .......................................... 163
COSTO PROMEDIO ESPERADO POR UNIDAD DE TIEMPO ....... 164
EJEMPLO ............................................................................. 165
CAPITULO I : PROGRAMACIN LINEAL ENTERA
Introduccin
En este captulo veremos problemas que se podran formular y
resolver como problemas de programacin lineal, excepto por la
desagradable circunstancia de que se requiere que algunas o
todas las variables tomen valores enteros.
Dichos problemas se llaman PE (Programacin Entera).
La programacin entera ha llegado a ser un rea muy
especializada de la ciencia de la administracin.
En este curso slo la tocaremos en forma superficial, veremos
la importancia del tema y algunos mtodos de resolucin ms
tiles.
Vimos en los captulos anteriores que las variables podan
tomar valores fraccionados, tales como 6.34. Pero hay casos en
el mundo real que no es posible esto y deben ser enteros.
En el fondo es que existen muchos problemas administrativos
importantes que serian de programacin lineal si no fuera por el
requerimiento de que sean enteros los valores de algunas
variables de decisin, en los que no se pueden encontrar una
buena solucin mediante el uso del mtodo simplex seguido del
redondeo de los valores ptimos resultantes para las variables
de decisin. Estos problemas deben ser resueltos mediante
algoritmos especialmente diseados para resolver problemas
de programacin entera.
Tipos de modelos
Programacin entera es un trmino general para los modelos
de programacin matemtica que presentan condiciones de ser
enteros (condiciones que estipulan que algunas o todas las
variables de decisin deben tener valores enteros). Existen
diversas clasificaciones de esta categora de modelos.
Un modelo entero puro (PEP) es, como su nombre lo indica, un
problema en el que se exige que todas las variables de decisin
tengan valores enteros. Por ejemplo
Minimizar 6X
1
+ 5X
2
+ 4X
3
Sujeto a 108X
1
+ 92X
2
+ 58X
3
576
7X
1
+ 18X
2
+ 22X
3
83
X
1
, X
2
, X
3
enteros
es un modelo entero puro.
Un problema en el que slo se requiere que algunas variables
tengan valores enteros mientras que otras pueden asumir
cualquier nmero no negativos (es decir, cualquier valore
continuo) se llama programacin lineal entera-mixta (PLEM)
Por ejemplo, supngase que en el problema anterior solo X
1
y
X
2
deben ser enteros y X
3
no.
El problema resultante es
Minimizar 6X
1
+ 5X
2
+ 4X
3
Sujeto a 108X
1
+ 92X
2
+ 58X
3
576
7X
1
+ 18X
2
+ 22X
3
83
X
1
, X
2
, X
3
0 ; X
1
y X
2
enteros.
En algunos casos se restringe el valor de las variables a 0 1.
Dichos problemas se llaman binarios o programacin lineal
entera 0-1. Son de inters debido a que se pueden usar las
variables 0-1 para representar decisiones dicotmicas (s o no).
Diversos problemas de asignacin, ubicacin de planta, planes
de produccin y de construccin, son de programacin lineal
entera 0-1. Las variables 0-1 se pueden encontrar tanto en
problemas de PEP como PLEM.
A menudo se consideran problemas de programacin lineal (PL)
que se comienzan como PEP o PLEM, ignorando las
restricciones enteras. A estos problemas de PL se les llama
aproximaciones en las PEP o PLEM correspondientes.
Interpretacin grafica
Ejemplo N 1 Solucin Entera
Considrese el siguiente problema
Maximizar 18E + 6F
Sujeto a E + F 5 (1)
42.8E + 100F 800 (2)
20E + 6F 142 (3)
30E + 10F 132 (4)
E 3F 0 (5)
E y F 0, enteros
En el anlisis, E es el numero de los E-9 y F el de los F-9
que la empresa Protrac produce, la Protrac produce equipo pesado
para la construccin.
Para resolver este problema con el tratamiento grfico,
prescribimos tres pasos:
1.- Encuntrese el conjunto factible para la aproximacin de la
PL del problema de PLE.
2.- Identifique los puntos enteros del inferior del conjunto
determinado en el paso 1.
3.- Encuntrese, entre los puntos determinados en el paso 2, el
que optimiza la funcin objetivo.
Grfico N 1
Fuente: Elaboracin propia
La regin demarcada es el conjunto factible de aproximacin
en la programacin lineal y los puntos rojos son los puntos enteros
contenidos en este conjunto.
Y estos son (3,6); (4,6); (3,5), (4,5); (5,5); (4,4); (5,4); (4,3);
(5,3), (6,3); (4,2); (5,2) y (6,2)
Para resolver este problema, debemos determinar ahora cual de
los puntos factibles produce el valor mayor para la funcin
objetivo.
Se procede como en el problema de PL, o sea moviendo el
contorno de la funcin objetivo cuesta arriba (dado que estamos
trabajando con un modelo para maximizar) hasta que ya no sea
posible hacerlo ms sin abandonar el conjunto factible.
Grafico N 2
Podemos observar que la solucin optima de PLE es el punto E
= 6, F = 3. Y como la funcin objetivo es 18E + 6F, la solucin
obtenida para sta es un valor optimo de 18(6) + 6(3) = 126.
Aqu tambin se ilustran algunos hechos en relacin con la
aproximacin de la PL. La solucin optima con la aproximacin
de la PL ocurre en la interseccin de las rectas 42,8E + 100F =
800 y 20E+ 6F = 142. Puesto que la interseccin de las dos
restricciones no se presenta en un punto entero, la solucin
ptima de la aproximacin con la PL no es factible para la PLE.
E* = 5.28 y F* = 5.74 con valor optimo (Vo) Vo = 129.48.
Al agregar cualquier restriccin o un problema de programacin
matemtica no puede mejorar, y s empeorar, el valor optimo de
la funcin objetivo.
Por lo tanto, nuestro valor ptimo disminuye sumando las
restricciones de enteros.
Comentarios
1.- En un problema de maximizacin, el valor ptimo de la
aproximacin PL produce siempre una cota superior para el
valor ptimo del PLE o PLEM original. Si se agregan
restricciones de enteros el valor optimo de la PL, o bien
empeorar, o bien quedar igual. En un problema de
maximizacin, empeorar el valor ptimo significa
desminuirlo.
2.- En un problema de minimizacin, el valor ptimo de la
aproximacin de PL siempre proporciona una cota inferior
para el valor ptimo de la PLE o PLEM original.
Nuevamente, el agregado de restricciones entera o bien
empeora o bien deja igual el valor ptimo de la PL. En un
problema de minimizacin, empeorar el valor ptimo significa
aumentarlo.
Soluciones redondeadas
Observamos que la solucin ptima de la aproximacin de PL
es E* = 5.28 y F* = 5.74. Cada una de esas variables puede ser
redondeada al entero superior o inferior, con lo que resultarn
cuatro soluciones redondas [(5,5),(5,6),(6,5),(6,6)] vecinas a la
solucin optima de la aproximacin de PL.
El hecho general es que con dos variables de decisin hay
cuatro soluciones vecinas redondeadas; con n variable de
decisin habr 2
n
de tales puntos.
Dificultades potenciales que pueden surgir cuando se usan
soluciones redondeadas. Como vimos al resolver la
aproximacin de PL para redondear cada variable al entero ms
prximo, obtenemos (5,6), que es infactible. En este caso, (5,5)
es el nico punto factible que se puede obtener redondeando
(5.28, 5.74). Las dems soluciones, (5,6), (6,6) y (6,5) son
infactibles todas.
Aqu hay dos hechos importantes.
1.- Una solucin redondeada no es necesariamente ptima. En
este caso, el valor de la funcin objetivo en la nica solucin
redondeada factible es
18(5) + 6(5) = 120
Comparando este con el valor optimo 126 de la PLE. Entonces
vemos que se produjo una prdida relativa de 6/126, casi del
5%, el usar la solucin redondeada en lugar de la optima.
2.- Una solucin redondeada no necesariamente est cerca de
la solucin de PE ptima.
Se tiene la idea intuitiva de que aun cuando una solucin
redondeada no sea optima, deba estar cerca de la solucin
PE optima.
En nuestro ejemplo solo cuatro puntos del conjunto factible
[(3,6), (4,6), (3,5) y (4,5)] estn ms lejos de la solucin
optima que la solucin redondeada.
Ejemplo N 2: Solucin Entera
Aqu la regin factible es la regin sombreada da el conjunto
factible de la aproximacin de PL, los puntos son los enteros y el
punto encerrado en un circulo es la nica solucin factible de la
PLE.
La solucin optima es la aproximacin de PL se indica como
el vrtice del conjunto factible en forma de cua.
Si comenzramos con la solucin optima de la PL
[aproximadamente (3.3,4.7)] y redondesemos despus esto a
cualquiera de los cuatro puntos enteros vecinos, obtendramos un
punto no factible. Para este ejemplo, ningn redondeo produce
factibilidad.
Vemos que este procedimiento puede producir ciertos
problemas:
1.- Puede ser que ninguno de los puntos enteros
prximos sea factible.
2.- Aun cuando uno o ms de los puntos enteros
prximos sean factibles.
a) No necesariamente sern ptimos para la PE.
b) No necesariamente estarn cerca de la
solucin ptima de PE.
Enumeracin
Quizs con el ejemplo dado quede la impresin de que es
posible realizar la enumeracin de todas las soluciones factibles.
Por desgracia, la enumeracin completa no es una forma razonable
de resolucin para la mayora de la PLE. Por ejemplo, supngase
que tenemos un PLE con un centenar de variables 0-1, en este
caso los puntos factibles son 2
100
= 1.27x10
3
puntos.
Aplicaciones a la variable 0-1
Las variables binarias o 0-1 juegan un importante papel en la
aplicacin de las PLE y de la PLEM. Estas variables hacen posible
incorporar decisiones de si o no, llamadas a veces decisiones
dicotmicas, el formato de una programacin matemtica.
Dos ejemplos ilustran lo que decimos:
1.- En un problema de ubicacin de una planta pondremos X
j
=
1 si decidimos ubicar la planta en la localidad j y X
j
= 0 si
decidimos no hacerlo.
2.- En un problema de asignacin de rutas escribimos X
ijk
= 1 si
el camin k va de la ciudad i a la ciudad j o X
ijk
= 0 si no lo
hace.
Ejemplo N 3: Problema de Presupuesto de Capital de la
Protrac
Una decisin sobre expansin. Muchas firmas toman
decisiones sobre inversiones anuales de capital. En forma simple,
las decisiones sobre presupuestos del capital es cuestin de
escoger entre n alternativas para maximizar el rdito, con sujecin
a restricciones sobre el monto del capital invertido a plazos.
Como ejemplo, supngase que la mesa de directores de la
Protrac afronta el problema que se resume a continuacin
Alternativa (j)
Valor Actual
del Rdito
neto
Capital requerido en el ao i
para la alternativa j
1 2 3 4 5
Expansin de la planta
en Blgica
40 10 5 20 10 0
Expansion de la cap.
de maq. pq. en E.U.
70 30 20 10 10 10
Establecimiento de una
nueva planta en Chile
80 10 20 27 20 10
Expansin de la cap.
de maq. gr. en E.U.
100 20 10 40 20 20
Capital disponible en el
ao i
bi 50 45 70 40 30
Las cantidades de dlares estn en millares.
La mesa directiva ha de elegir una o ms de las alternativas.
Si deciden expandir la planta Belga, el valor actual del reingreso
neto para la firma es de $40000. Este proyecto requiere $10000 de
capital el primer ao, $5000 el segundo, etc. La mesa directiva ha
presupuestado con anterioridad hasta $50000 como inversiones de
capital totales para el ao 1, hasta $45000 en el ao 2, etc.
Formulacin de un modelo de PLE.
Este problema puede ser formulado como modelo de PLE en
el que todas las variables son del tipo 0-1. Esto se llama PLE 0-1.
En concreto, ser X
i
= 1 si el proyecto se acepta y X
i
= 0 si se
rechaza.
El problema, entonces ser
Maximizar 40X
1
+ 70X
2
+ 80X
3
+ 100X
4
VALOR
PRESENTE
DE LOS
PROYECTOS
ACEPTADOS
Sujeto a 10X
1
+ 30X
2
+ 10X
3
+ 20X
4
50
5X
1
+ 20X
2
+ 20X
3
+ 10X
4
45
Capital requerido 20X
1
+ 10X
2
+ 27X
3
+ 40X
4
70
Capital disponible
en el ao 3 en el
ao 3
10X
1
+ 10X
2
+ 20X
3
+ 20X
4
40
10X
2
+ 10X
3
+ 20X
4
30
X
i
= 0 1 ; i = 1, 2, 3, 4.
Aqu la funcin objetivo es el valor total actual de los reingresos
netos y cada restriccin controla la cantidad de capital que se usar
en cada uno de los cinco periodos.
Aproximacin de la PL: Uso de Software WinQSB
Nos acercaremos a este problema resolviendo primero la
aproximacin de PL. Resolviendo a travs del programa
computacional WinQSB se tiene:
VALOR FUNCION OBJETIVO = 200
X
1
= 0.7222
X
2
= 0.6389
X
3
= 0.2778
X
4
= 1.0417
Aqu hemos pasado por alto las restricciones X
i
= 0 o 1. En su lugar
agregamos las restricciones X
i
1, i = 1, 2, 3, 4. Por supuesto, en
una PL todas las X
i
son siempre no negativas.
Por lo tanto, en vez de X
i
= 0 o 1, tenemos en la aproximacin a X
i
restringida en el intervalo (que es 0 X
i
1).
Seria deseable que en la solucin optima cada X
i
, en forma fortuita,
tomase uno u otro de los valores extremos del intervalo admisible
(0 o 1) para que la PLE original quedase resuelto.
Por desgracia, como se muestra en la formulacin y resultado
anterior, esto slo sucedi con X
4
; los valores de X
1
, X
2
y X
3
son
fraccionarios.
Ya que X
3
debe ser igual a 1 si la Protrac establece una planta en
Chile y 0 si no, el resultado X
3
= 0.33 carece de significado.
Al tratar de encontrar una solucin al problema de PLE resolviendo
la aproximacin de PL y redondeando despus los resultados no
funciona bien. Si redondeamos se produce lo siguiente
X
1
= 1, X
2
= 1, X
3
= 0, X
4
= 1 y esta es una solucin infactible
ya que viola la restriccin 1.
Solucin entera pura: Uso de Software winQSB
Utilizando el programa WinQSB y usando cdigos de
programacin entera se tiene el siguiente resultado
VALOR FUNCION OBJETIVO = 190.0
X
1
= 1
X
2
= 1
X
3
= 1
X
4
= 0
Condiciones lgicas
Un importante uso de las variables 0-1 consiste en imponer
restricciones que surgen de condiciones lgicas veamos algunos
ejemplo.
No ms de k de entre n alternativas
Supngase X
i
= 0 o 1, para i = 1,..,n
La restriccin
X
1
+ X
2
+ .. + X
n
k
Implica que cuando ms k alternativas de n posibilidades
pueden ser seleccionadas. Es decir, ya que cada X
i
puede ser
solamente 0 o 1, la restriccin anterior dice que no ms de k de
ellas pueden ser iguales a 1. Supongamos que para el caso de
la Protrac, que no ms de un proyecto extranjero ser aceptado.
Por esta razn, la mesa directiva quiere descartar una
decisin que incluya la expansin en Blgica y una nueva planta
en Chile. Agregar la restriccin
X
1
+ X
3
1
Decisiones dependientes
Se pueden usar variables 0-1 para forzar una relacin de
dependencias entre dos o mas decisiones. Supongamos, por
ejemplo, que el administrador no desea elegir la opcin k a
menos que se elija primero la opcin m.
La restriccin
X
k
X
m
(*)
X
k
X
m
0
da vigencia a esta condicin.
Ntese que si m no es seleccionada, entonces X
m
= 0. La
ecuacin (*) obliga entonces a que X
k
sea igual a cero (o sea
que la opcin k no ser seleccionada).
Por otra parte, si m es seleccionada, X
m
= 1; entonces, por la
expresin (*) tendremos que X
k
1. Esto deja al programa en
libertad de elegir X
k
= 1 o X
k
= 0.
Por ejemplo, supngase que el administrador de la
Protrac piensa que, si van a expandirse dentro de los
Estados Unidos, su posicin competitiva implica que
definitivamente deben expandir la capacidad en
maquinas grandes.
Agregando la restriccin
X
2
X
4
0
a la PLE se asegura que el modelo no puede optar por
expandir la capacidad en mquinas pequeas a menos
que haya elegido expandir la capacidad en maquinas
grandes.
En forma anloga, supngase que la mesa directiva
decide: si vamos a expandir nuestra capacidad
domestica, debemos expandir ambas lneas. Agregando
la restriccin
X
4
X
2
= 0
a la PLE, ya que implica que X
4
y X
2
deben tener el mismo
valor.
Restricciones de aportaciones
Considere a un administrador financiero que tiene las
siguientes restricciones
(1)Si compra la obligacin j, debe comprar al menos 20
acciones.
(2)No puede comprar mas de 100 acciones de la
obligacin j. Sea X
j
el nmero de acciones de la
obligacin j que compra. La restriccin si se compra j
debern comprarse al menos 20 acciones se llama
cantidad mnima de aportacin o cantidad de la
tanda.
Hagamos hincapi que este tipo de restriccin no se
puede construir en un modelo de PL.
La restriccin 20 X
j
100 no funciona puesto que
insiste en que X
j
debe ser, por lo menos, 20.
Queremos que sea o bien X
j
= 0 o 20 X
j
100. Para
lograr esto necesitamos usar una variable 0-1, digamos
y
j
, para la obligacin j.
La variable y
j
tiene la siguiente interpretacin:
Si y
j
= 1, se comprar la obligacin j.
Si y
j
= 0 no se comprar la obligacin j.
Considrese ahora las dos restricciones
X
j
100y
j
(**)
X
j
20y
j
(***)
Vemos que si y
j
= 1, entonces (**) y (***) implican que 20
X
j
100.
Por otra parte si y
j
= 0, entonces (**) implica que X
j
0.
Las dos desigualdades juntas implican que X
j
= 0.
Entonces, si y
j
= 1, con lo que se compra j, y 0 cuando
no, tenemos la condicin apropiada para X
j
.
Ejemplo N 4 : Problema de ubicacin de los almacenes Steco.
Con el objeto de ahorrar capital, la Steco, comerciante al por
mayor de acero, alquila sus almacenes regionales. El alquiler
mensual del almacn i es F
i
. Adems, el almacn i puede manejar
un mximo de T
i
camiones al mes.
Hay cuatro distritos de ventas y la demanda mensual
acostumbrada del distrito j es de d
j
camiones cargados. El costo
medio de enviar un camin del almacn i al distrito j es C
ij
. La
Steco quiere saber cules almacenes alquilar y cuantos camiones
enviar de cada almacn a cada distrito.
En la figura siguiente se ilustra una representacin
esquemtica del problema
FIGURA N 1
Los datos del problema se presentan en la figura siguiente:
A
1
C B
3 4 2
F
A
T
A
F
B
F
C
T
B
T
C
DISTRITOS
DEMANDA MENSUAL
d
1
d
2
d
3
d
4
ALMACENES
COSTO MENSUAL DE
ALQUILER DE ALMACENES
CAPACIDAD (EN CAMIONES
CARGADOS)
Tabla N 1: Costos Unitarios
Almacn
Costo por camin
(C
ij
)
Distrito de ventas
Capacidad
Mensual
(numero de
camiones)
Costo
mensual del
alquiler 1 2 3 4
A 170 40 70 160 200 7750
B 150 195 100 10 250 4000
C 100 240 140 60 300 5500
Demanda
mensual
(camiones
cargados)
100 90 110 60
Por ejemplo, vemos en la tabla que alquilar el almacn A
cuesta $7750 el mes y que desde l se pueden despachar hasta
200 camiones en ese lapso. Adems la demanda mensual en el
distrito de venta 1 es de 100 camiones. Los nmeros del cuerpo de
la tabla representan los costos de enviar un camin del almacn i al
distrito de ventas j. Por ejemplo, el costo de enviar un camin de B
a 3 de $100.
Consideraciones sobre la formulacin del modelo
Si se que abordan este problema mediante un modelo de
programacin matemtica, se debe decidir primero cuales
variables (si existen se trataran como enteras y cuales (si
hay algunas) se tratarn como continuas.
La decisin de alquilar o no un almacn en
particular parece requerir una variable 0-1, puesto que
el costo de alquilar un almacn i no varia con el nivel
de la actividad (por ejemplo, con el numero de
camiones enviados desde l)
y
i
= 1 si se alquila el almacn i
y
i
= 0 si no
En primera instancia parece adecuado
considerar el nmero de camiones enviados del
almacn al distrito como una variable entera. Hay
varios factores que indican considerar el numero de
camiones como una variable continua, a saber:
1.- Este es un modelo de planeacin, no un sistema
detallado de operacin. En este caso, el nmero
de camiones que indique la solucin de nuestro
problema de programacin matemtica que vayan
del almacn i al distrito j es slo una aproximacin
de lo que realmente ocurra en un da dado.
2.- Considerar el nmero de camiones como variable
entera hara el problema mucho ms difcil de
resolver.
3.- Claro est que cuesta mucho ms el alquiler de
un almacn que el envi de un camin desde el
almacn al distrito de ventas. La magnitud relativa
de estos costos implica otra vez que es
relativamente ms importante la decisin de
alquilar o no alquilar considerada como variable
entera, en oposicin a lo de los camiones.
Un modelo de PLEM
Para elaborar el modelo del problema de la Steco, hagamos
y
i
= 1 si se alquila el almacn i
y
i
= 0 si no se alquila el almacn i
i = A, B, C.
X
ij
= numero de camiones enviados del almacn i al distrito j
i = A, B, C ; j = 1,.., 4.
Construyamos ahora el modelo mediante el desarrollo de cada una
de sus partes.
Para empezar, la funcin objetivo
La expresin
170X
A1
+ 40X
A2
+ 70X
A3
+ 160X
A4
+ 150X
B1
+ 195X
B2
+
100X
B3
+ 10X
B4
+ 100X
C1
+ 240X
C2
+ 140X
C3
+ 60X
C4
es el
costo total asociado a los camiones y
7750y
A
+ 4000y
B
+ 5500y
C
es el costo de los alquileres.
Por lo tanto, la funcin objetivo es
Minimizar 7750y
A
+ 4000y
B
+ 5500y
C
+ 170X
A1
+ ..+ 60X
C4
.
Consideremos ahora las restricciones. Se debe tomar en cuenta
tanto la demanda como la capacidad.
Para el distrito de venta 1
X
A1
+ X
B1
+ X
C1
= 100
X
A2
+ X
B2
+ X
C2
= 90
X
A3
+ X
B3
+ X
C3
= 110
X
A4
+ X
B4
+ X
C4
= 60
La restriccin
X
A1
+ X
A2
+ X
A3
+ X
A4
200 y
A
O
X
A1
+ X
A2
+ X
A3
+ X
A4
- 200 y
A
0
Cumple dos propsitos. Garantiza que la capacidad del
almacn A no ser excedida y obliga a alquilar el almacn A si se
quiere enviar algo de l.
Las dems restricciones son
X
B1
+ X
B2
+ X
B3
+ X
B4
250 y
B
X
C1
+ X
C2
+ X
C3
+ X
C4
300 y
C
Anlisis

de la salida computada
Modelo final
Minimizar 7750y
A
+ 4000y
B
+ 5500y
C
+ 170X
A1
+ 40X
A2
+ 70X
A3
+
160X
A4
+ 150X
B1
+ 195X
B2
+ 100X
B3
+ 10X
B4
+ 100X
C1
+ 240X
C2
+ 140X
C3
+ 60X
C4
.
Sujeto a
2.- X
A1
+ X
B1
+ X
C1
= 100
3.- X
A2
+ X
B2
+ X
C2
= 90
4.- X
A3
+ X
B3
+ X
C3
= 110
5.- X
A4
+ X
B4
+ X
C4
= 60
6.- - 200 y
A
+ X
A1
+ X
A2
+ X
A3
+ X
A4
0
7.- - 250 y
B
+ X
B1
+ X
B2
+ X
B3
+ X
B4
0
8.- - 300 y
C
+ X
C1
+ X
C2
+ X
C3
+ X
C4
0
yi 1 i = A, B, C
VARIABLES ENTERAS = 3
Demanda en 1
Restriccin de
la oferta del
almacn A
Esto significa que las
tres primeras variables
de la funcin objetivo
(Y
A
, Y
B
, Y
C
) tienen
valores 0 o 1.
VALOR DE LA FUNCION OBJETIVO = 38150
VARIABLES VALOR VARIABLE VALOR
Y
A
1.00 X
B1
0.00
Y
B
0.00 X
B2
0.00
Y
C
1.00 X
B3
0.00
X
A1
0.00 X
B4
0.00
X
A2
90.00 X
C1
100.00
X
A3
110.00 X
C2
0.00
X
A4
0.00 X
C3
0.00
X
C4
60.00
Una rpida observacin al resultado muestra que los valores
ptimos de todas las asignaciones de camiones son nmeros
enteros, aun cuando habamos decidido en la formulacin dejar que
las variables fuesen continuas.
Fue una simple coincidencia?
NO. La razn es que se empez con un problema de
ubicacin de almacenes. Y una vez que se decidi qu almacn
alquilar, el problema de encontrar la asignacin ptima de los
camiones es una PL llamado problema de transporte. Como ya
vimos cuando se estudio el mtodo de transporte, que si la oferta
disponible en cada almacn y la demanda de cada distrito son
enteros, entonces la solucin optima del problema de transporte
ser entera.
MORALEJA: NUNCA PAGUES POR UNA MERCANCIA
GRATUITA
Minimizar 7750A + 4000B + 5500C + 170D +40E + 70F + 160G
+ 150H + 195I + 100J + 10K + 100L + 240M + 140N +
60P
(2) D + H + L = 100
(3) E + I + M = 900
(4) F + J + N =110
(5) G + K + P = 60
(6) -200A + D + E + F + G 0
(7) -250B + H + I + J + K 0
(8) -300C + L + M + N + P 0
(9) A 1
(10) B 1
(11) C 1
Mtodos de programacin entera
Los mtodos de programacin entera se pueden clasificar
como
(11mtodos de corte
(11mtodos de bsqueda
Los mtodos de corte, que se desarrollan principalmente
para problemas lineales enteros, comienzan con el ptimo
continuo. Sumando sistemticamente restricciones secundarias
especiales, que representan bsicamente condiciones necesarias
de integridad, el espacio de soluciones continuo se modifica de
manera gradual hasta que su punto extremo optimo continuo
satisface las condiciones enteras.
Los mtodos de bsqueda se originan a partir de la idea
directa de enumerar todos los puntos enteros factibles. La idea
bsica es la de desarrollar pruebas sutiles que consideren solo
una (pequea) porcin de los enteros factibles en forma explicita
pero que tomen en cuenta automticamente los puntos restantes
de manera implcita. El mtodo de bsqueda ms sobresaliente es
la tcnica de ramificar y acotar. Tambin comienza con el optimo
continuo, pero parte sistemticamente el espacio de soluciones
en subproblemas suprimiendo partes que no contengan puntos
enteros factibles.
Un caso especial de los mtodos de bsqueda se aplica
cuando todas las variables enteras son binarias. La propiedad
binaria de las variables simplifica mucho el procedimiento de
bsqueda.
Algoritmo de bifurcacin y acotamiento
Enfoque general
El tratamiento de bifurcacin y acotamiento es en la
actualidad el mtodo de propsitos generales ms eficiente
para resolver problemas de PLE y PLEM.
En realidad, el algoritmo de bifurcacin y acotamiento no es
un algoritmo especfico diseado para resolver un problema
concreto.
Ms bien es un enfoque general del problema por resolver,
un tratamiento que debe ser adaptado al escenario
especifico.
La idea general es hacer una particin del conjunto de
soluciones factibles de un problema dado en subconjuntos
menores que no se traslapen.
Entonces, se calculan lmites para el valor de la mejor
solucin.
Despus, el algoritmo de bifurcacin y acotamiento con
destreza nos permite eliminar del anlisis ciertos
subconjuntos.
De esta manera se enumera parcialmente entre todas las
soluciones factibles existentes.
EJEMPLO DE PLE
Comencemos con un problema especifico, el cual
llamaremos (P1)
Paso 1
El primer paso consiste en resolver la aproximacin de PL
del (P1). Si la suerte nos acompaa, obtendremos directamente
una solucin ptima, ya que siempre ser cierto que si la solucin
de la aproximacin de PL satisface la restriccin de enteros, ser la
solucin optima.
Usando la tcnica de resolucin grafica para la aproximacin
de la (P1).
Maximizar X
1
+ 5X
2
Sujeto a 11X
1
+ 6X
2
66
5X
1
+ 50X
2
225
X
1
, X
2
0 enteros
(P1)
En la figura podemos ver el conjunto factible de dicha
aproximacin. Los puntos negros son los que satisfacen la
condicin de enteros. (hay 27 de dichos puntos).
La solucin aproximada es
X
1
* = 3.750 X
2
* = 4.125
Funcin objetivo = 24.375
Como estos valores no son enteros no se ha resuelto (P1). Solo
tenemos alguna informacin
(11El valor ptimo de PL es una cota superior para el
(P1). Llamemos U a esta cota.
Sabemos entonces que:
Vo para (P1) 3.75 + 5(4.125) = 24.375 = U
(11Si tomamos la solucin ptima de PL y redondeamos
a X
1
= 3, X
2
= 4 obtendremos una solucin factible del
problema (P1). Si evaluamos ahora la funcin objetivo
para este punto (o para cualquier otro punto factible).
Tendremos una cota inferior del valor ptimo del
problema (P1).
Llamemos F a ese valor. Por lo tanto
Valor optimo (P1) 3 + 5(4) = 23 = F
El valor de F puede ser o no el valor optimo del problema
(P1). No se puede decir por ahora.
Lo que sabemos es que 23 Vo 24.375.
Tenemos que descubrir si se puede hallar una solucin
mejor. Para hacerlo bifurquemos.
La informacin relativa a la resolucin bifurcacin y
acotamiento se sintetiza en su forma tpica en un diagrama de
rbol.
El primer nodo es
Mejor cota superior actual (MCSA) = 24.375
Mejor cota inferior actual (MCIA) = 23.000
Numero de
nodo
PASO 2
Procedemos a dividir el problema (P1) en dos mas cortos.
En este caso, bifurquemos X
1
. sta es una eleccin arbitraria. El
proceso de bifurcacin aprovecha la circunstancia de que en la
solucin optima del problema (P1), o bien X
1
3 o bien X
1
4.
Por qu es cierto esto?
Por que no hay valores enteros en la regin que se elimina al
obligar a X
1
que sea 3 o 4.
Y dado que X
1
debe ser entero, no habremos eliminado
ningn punto del conjunto factible del problema (P1).
No obstante, habremos eliminado puntos (o sea, valores no
enteros) del conjunto factible por aproximacin de PL del problema.
En realidad, vemos que el valor optimo de X
1
, en el problema
aproximado de (P1), no es ni 3 ni 4 y, por lo tanto, el punto
optimo actual ha sido (intencionalmente eliminado mediante el
proceso de ramificacin).
Este proceso crea dos nuevos problemas.
U = 24.375
F = 23.000
X
1
* = 3.75
X
2
* = 4.125
1
Maximizar X
1
+ 5X
2
Sujeto a 11X
1
+ 6X
2
66
5X
1
+ 50X
2
225
X
1
3
X
1
, X
2
0 enteros
(P2)
Maximizar X
1
+ 5X
2
Sujeto a 11X
1
+ 6X
2
66
5X
1
+ 50X
2
225
X
1
4
X
1
, X
2
0 enteros
(P3)
Esta figura revela dos hechos interesantes
1.- Hemos partido en dos piezas el conjunto factible de (P1) y
eliminado una regin que no contiene puntos enteros. (La
regin eliminada esta diagonalizada. Las rectas de
acotamiento no pertenecen a la regin eliminada).
2.- Todas las soluciones enteras factibles de (P1) estn
contenidas ahora o bien en (P2) o en (P3). Dado que las
funciones objetivos de (P1), (P2) y (P3) son idnticas, se
sigue que la solucin ptima de (P2) o la de (P3) deben ser
la solucin ptima de (P1), el problema original de la PLE.
Entonces podemos olvidar (P1) y considerar solamente (P2)
y (P3).
El tratamiento de bifurcacin y acotamiento procede a
resolver las aproximaciones de los problemas (P2) y (P3). Las
soluciones ptimas son:
(P2) (P3)
U = 24.00 U = 22.333
Ya indicamos que la solucin optima de (P1) est en (P2) o
en (P3); as es que el valor ptimo de (P1) debe ser al mximo
de los valores de U proporcionados por estos dos nodos. Y ya que
el nodo 2 produce un U = 24 y el nodo 3 un U = 22.333 nuestra
mejor cota actual es 24.00
Dado que ni el nodo 2 ni el 3 tienen solucin entera, no
hemos obtenido una nueva solucin factible.
Para decidir qu haremos en seguida consideremos los
nodos del pie de nuestro rbol, en este caso los nodos 2 y 3.
Observemos que la cota superior del nodo 3 es 22.333 y que
el valor actual de la MCIA es 23.00. Por lo tanto, hemos encontrado
ya una mejor solucin que la que hubiramos podido obtener en el
conjunto factible para (P3). Por lo tanto, podemos ignorar a (P3) y
concentrar nuestros esfuerzos en (P2).
Para continuar consideremos ahora (P2). Todava no
conocemos la solucin optima de (P2), ya que an no tenemos un
U = 24.375
F = 23.00
X
1
* = 3.75
X
2
* = 4.125
1
U = 22.33
X
1
* = 4.00
X
2
* = 3.667
3
U = 24.00
X
1
* = 3.00
X
2
* = 4.20
2
MCSA = 24.00
MCIA = 23.00
X
1
3
X
1
4
T
FIGURA # 3
valor entero para X
2
*, lo abordaremos con el mtodo rama-limite,
por lo que debemos ramificar otra vez. La variable X
1
es entera en
la solucin ptima del problema (P2). Por lo tanto, debemos
ramificar a X
2
, lo que haremos usando las restricciones X
2
4 o X
2
5. Al hacerlo, reemplazaremos el problema (P2) por lo siguiente.
Maximizar X
1
+ 5X
2
Sujeto a 11X
1
+ 6X
2
66
5X
1
+ 50X
2
225
X
1
3
X
2
4
X
1
, X
2
0 enteros
(P4)
Maximizar X
1
+ 5X
2
Sujeto a 11X
1
+ 6X
2
66
5X
1
+ 50X
2
225
X
1
3
X
2
5
X
1
, X
2
0 enteros
(P5)
Al comparar las figuras # 2 y # 1 se advierten varios hachos
importantes.
1.- El problema (P3) se conserva sin cambios (exactamente
como estaba en al figura # 1).
2.- No se ha tenido en cuenta un conjunto adicional de puntos
no enteros, incluso la solucin ptima de la aproximacin de
PL del problema (P2).
(La nueva rea eliminada que perteneca al conjunto factible
de la aproximacin de PL del problema (P1) tiene doble
diagonalizado).
3.- El conjunto restringido de la aproximacin de PL del
problema (P5) est vaco. No hay puntos que satisfagan las
restricciones 5X
1
+ 50X
2
225, X
1
0, X
2
5. Esto significa
tambin que (P5) no tiene solucin factible, por lo que
podemos olvidarnos ahora de l. (Esto se indica poniendo
una T bajo el nodo correspondiente, en este caso el # 5).
Podemos ver aqu que un modelo termina cuando:
1.- Su U es MCIA, o
2.- Representa un problema infactible.
ARBOL COMPLETO
Ahora, solo necesitamos concentrarnos en el problema (P4)
y resolver su aproximacin de PL, como se muestra en la figura 4.
Se revela que la solucin optima de sta, en concreto (X
1
* = 3, X
2
*
= 4), es entera. Esto significa que (X
1
* = 3, X
2
* = 4) es la solucin
optima de (P4). Por esta razn, (P4) es otro nodo terminal de
nuestro rbol y en la figura 4 se ha colocado una T bajo ese nodo.
Entonces hay una tercera causa de terminacin
1.- Su U es MCIA
2.- Representa un problema infactible, o
3.- La aproximacin de PL produce una solucin para el
problema entero representado por ese nodo.
U = 24.375
F = 23.00
X
1
* = 3.75
X
2
* = 4.125
1
U = 22.33
X
1
* = 4.00
X
2
* = 3.667
3
U = 24.00
X
1
* = 3.00
X
2
* = 4.20
2
MCSA = 23.00
MCIA = 23.00
X
1
3
X
1
4
T
FIGURA # 4
U = 23.00
X
1
* = 3
X
2
* = 4
4
Infactible
5
T
T
X
2
5
X
2
4
Observando la figura #4, vemos que el valor de la MCSA ha
cambiado del que tena en la figura # 3.
La rama del nodo 2 produjo un problema infactible (nodo 5) y
un problema con U = 23.00 (nodo 4). De modo que la mejor cota
superior actual (MCSA) se reduce de 24.00 a 23.00.
En el nodo 4 tenemos tambin una solucin entera. Por lo
tanto, este punto es una solucin factible del problema (P1).
Produce un valor de 23.00 para la funcin objetivo. Como la mejor
cota inferior actual es 23.00, no cambiamos la MCIA.
En general, cuando han sido terminados todos los
nodos, el mtodo de bifurcacin y acotacin estar
completado.
Problemas para desarrollar
1.- Problema de cargo fijo
He sido abordado por tres compaas de
telfonos para que me suscriba a su servicio
de larga distancia. Abell cobrar una tarifa fija
de 16 dlares al mes, ms 0.25 centavos por
minutos. Bbell cobrar 25 dlares al mes, pero
reducir el costo por minuto a 0.21 centavos.
En cuanto a Cbell, la tarifa mensual fija es de
18 dlares y el costo por minuto es de 0.22
centavos. Generalmente hago un promedio de
200 minutos de llamadas de larga distancia al
La solucin ptima del problema original (P1) ser la que establezca la
MCIA. En este caso, la MCIA es 23.00 y en consecuencia (X
1
* = 3, X
2
* =
4) ser la solucin optima para el (P1). A la terminacin, como en la
figura # 4 siempre ser el caso de que MCIA = MCSA.
mes. Suponiendo que no pague la tarifa fija, a
menos de que haga las llamadas y de que
pueda dividir mis llamadas entre las tres
compaas, segn me parezca, cmo debo
utilizar los servicios de las tres compaas
para minimizar mi cuenta mensual de telfono?
2.- Problema del vendedor viajero
El programa de produccin diaria de la
compaa Arcoiris incluye lotes de pinturas
blanca (B), amarilla(A), roja (R) y negra (N).
Debido a que Arcoiris utiliza las mismas
instalaciones para los cuatro tipos de pinturas,
es necesaria una limpieza a fondo de los lotes.
La siguiente tabla resume el tiempo de
limpieza en minutos cuando el color designado
en el regln va seguido del color designado en
la columna. Por ejemplo, cuando el blanco va
seguido por el amarillo, el tiempo de limpieza
es de 10 minutos. Debido a que un color no se
puede seguir a s mismo, se asigna a las
entradas correspondientes un tiempo de
preparacin infinito. Determine la secuencia
ptima para la produccin diaria de los cuatro
colores, que minimizar el tiempo total de
limpieza asociada.
El tiempo de limpieza dado para la siguiente pintura es
Pintura actual Blanca Amarilla Negra Roja
Blanca 10 17 15
Amarilla 20 19 18
Negra 50 44 25
Roja 45 40 20
3.- Problema de cobertura de conjunto
Con el fin de promover la seguridad de los
estudiantes, el Departamento de Seguridad de
la Universidad de A se encuentra en proceso
de instalar telfonos de emergencia en
ubicaciones selectas dentro de sus
instalaciones. El departamento quiere instalar
un nmero mnimo de telfonos, siempre y
cuando cada una de las principales calles del
campus cuente por lo menos con un telfono.
En la Figura se proporciona el mapa de las
principales (A-K) en la universidad.
Calle F
7
Calle H
Calle I Calle A Calle B
Calle E
Calle D
1
2
6
8
3
5
4
Calle C
C
a
l
l
e

G
Calle K
Calle J
Calle F
CAPITULO II : REDES PERT/CPM
INTRODUCCIN
Se han resuelto con xito diversos problemas industriales, y
administrativos con la ayuda de modelos y tcnicas cuantitativas
los cuales se conocen como redes. Estos problemas incluyen la
construccin de una presa; la determinacin de la ruta de
transporte ms econmica o ms corta entre dos lugares; la
construccin de un avin; la planeacin, programacin y control de
la construccin de armas militares; la determinacin poltica de flujo
mximo y de expansin optima para un sistema de gasoductos; el
implante de un nuevo sistema de computacin; y el diseo,
introduccin y comercializacin de un producto nuevo. Aqu
centraremos el estudio en problemas que pueden clasificarse como
administracin de proyectos.
PERT: Program Evaluations and Review Technique. (Tcnica
de revisin y evaluacin de programas)
CPM: Critical Path Method (Mtodo de la ruta critica).
Veremos en forma especfica como se utiliza el PERT para
determinar:
1.- Fecha general esperada de terminacin de un proyecto.
2.- Fechas necesarias de inicio o trmino de tareas especificas
que conforman un proyecto.
3.- Identificar las tareas crticas.
Veremos en forma especfica como se utiliza el CPM para
Determinar la forma en que puede reducirse el tiempo
general de terminacin de un proyecto.
ASPECTOS GENERALES PERT
PERT se desarrollo en la dcada de 1950 y se utiliz en
forma amplia en la administracin de proyectos militares de
investigacin y desarrollo.
Su primera aplicacin importante fue en el proyecto de los
misiles Polaris para la U.S. Navy.
El PERT fue desarrollado especficamente por el
Departamento de la Defensa de los Estados Unidos de
Norteamrica para dar apoyo a la planeacin, programacin y
control de una gran cantidad de trabajos (actividades) asociados
con el proyecto.
PERT tambin se ha implementado y utilizado en la industria
de la construccin, empresas industriales, instalaciones de activos
fijos, el diseo de plantas, la planeacin y la administracin de
programas de investigacin y desarrollo, etc.
Una caracterstica principal del PERT es que puede manejar
las incertidumbres que existen en los pronsticos de tiempos para
determinar diversas tareas.
ASPECTOS GENERALES CPM
CPM fue desarrollado independientemente de PERT, pero
est estrechamente relacionado con ste, se refiere bsicamente a
los intercambios entre el costo de un proyecto y su fecha de
terminacin.
Se aboca a la reduccin del tiempo necesario parta concluir
una tarea o actividad, utilizando ms trabajadores y/o recursos, lo
cual, en la mayora de los casos significa mayores costos.
Con CPM, se supone que el tiempo necesario para concluir
las diversas actividades del proyecto se conoce con certidumbre, al
igual que la cantidad de recursos que se utilizan.
Al principio ambas tcnicas se utilizan en forma
independiente, pero, en la actualidad, ha desaparecido en gran
medida la distincin de uso entre PERT y CPM. La mayora de las
versiones computarizadas de las tcnicas incluyen opciones para
manejar incertidumbres en los tiempos de las actividades, as como
tambin anlisis de intercambios de tiempos y costos. Adems gran
parte de la literatura actual se refiere a la tcnica en forma colectiva
como PERT/CPM.
TERMINOLOGIA PERT/CPM
Definicin de actividades y relacin de procedencia
La primera parte del proceso PERT/CPM consiste en
identificar todas las tareas o actividades asociadas con el proyecto
y sus interrelaciones. Veamos un ejemplo, un proyecto de un ajuste
general de un motor.
Cdigo de
actividad
Descripcin de la actividad Predecesores
inmediatos
A Sacar y desarmar motor ------
B Limpiar y pintar la base A
C Rebobinar la armadura A
D Reemplazar anillos A
E
Ensamblar e instalar el motor en la
base B, C, D.
Para el ejemplo se requieren de 5 actividades; es evidente
que el nmero de actividades variar segn el tipo de proyecto.
En cualquier caso, el punto clave es tener, en esta etapa de
planeacin, una lista precisa y exhaustiva de actividades (y las
relaciones correctas de precedencia entre ellas).
Adems cabe destacar en el ejemplo anterior se tiene una
columna de Predecesores inmediatos. Para cada actividad
determinada, deben terminarse todas las precedentes inmediatas
antes que poder comenzar esa actividad. En el ejemplo, las
actividades B, C y D no pueden comenzar sino hasta que la
actividad A se haya terminado.
Estructura de red.
Una vez que se ha elaborado una lista completa y precisa de
actividades y de sus predecesoras, es posible ilustrar en forma
grafica sus relaciones. Antes del desarrollo de PERT se utilizaban
diagramas de barras que fueron diseados por H.L. Gantt, y a los
que con frecuencia se denominaba grafica o carta Gantt.
Ejemplo
Caractersticas
Conceptualmente correcta
Poco clara la relacin de precedencia (ejemplo las
actividades E y F dependen de B o D? la actividad D depende de
que se termine A y C, slo A, solo C o ninguna de ellas?
Diagrama de red
Ejemplo
1 3 4 5 2 6 7 8 9
A
C
D
E
F
G
H
B
TIEMPO (SEMANAS)
ACTIVIDADES
Caractersticas
La red consta de diversos crculos (1 al 6) e
interconectadotes por flechas (A, B, C, D y E). En terminologa de
redes, los crculos se denominan nodos, y las flechas que los
conectan se denominan ramas o arcos. En una red particular como
la PERT/CPM, las flechas o ramas representan actividades y los
crculos o nodos se denominan eventos. Las actividades implican
tiempo y por lo general consumen recursos como mano de obra,
material o dinero. Los eventos no consumen ni tiempo ni recursos
sino que, mas bien, sirven como puntos de referencia del proyecto
y representan los puntos lgicos de conexin para asociar las
diversas actividades.
Si realizamos una comparacin de la carta Gantt y la red,
vemos claramente que en esta ltima las precedencias estn
representadas apropiadamente.
Elaboracin de la red
(Observando la tabla en que se listan las actividades y sus
relaciones de precedencia, y el diagrama de red podemos inferir
que su elaboracin es bastante simple. CORRECTO!)
No existe procedimiento secreto para elaborar con xito una
red adecuada; sin embargo, existen diversas reglas que deben
tomarse en cuenta, al igual que algunas sugerencias que pueden
facilitar la tarea de elaborar la red.
1.- Antes de que pueda comenzar una actividad, todas las
actividades precedentes deben haber terminado.
2.- Las flechas indican slo precedencia lgica; ni su longitud ni
su direccin tienen significado.
3.- Cada flecha (actividad) debe comenzar y terminar en un
nodo de evento.
3
2 5 6
4
REBOBINAR LA
ARMADURA
FICTICIA
ENSAMBLAR
E INSTALAR
EL MOTOR
EN LA BASE
SACAR
Y
DESARMAR
EL MOTOR
LIMPIAR
Y PINTAR
BASE
D
C A
B
E
1
FICTICIA
Reemplazar
los anillos
4.- Ningn par de nodos de la red puede estar directamente
conectado por ms de una flecha.
5.- Cuando se enumeran los nodos es aconsejable, y en
particular en una red grande, utilizar mltiplos de 10 para
que sea fcil incorporar cualquier cambio o adicionen
futuros.
6.- Todas las flechas de la red deben estar dirigidas, mas o
menos, de izquierda a derecha.
7.- La clasificacin de las actividades no debe ser ms detallado
que lo que se requiere para representar un plan de accin
lgico y claramente definido.
Uno de lo errores comunes que se cometen en la lgica de
las redes es colocar las actividades en la red con base en
algn sentido del tiempo.
Ejemplo (Evolutivo)
3 2 4
7
PONER LA
DIRECCION EN
LOS SOBRES
INSERTAR LOS
CHEQUES EN
LOS SOBRES
PONER EN
EL CORREO
EXAMINAR LAS
FACTURAS
ELABORAR
LOS CHEQUES
1
COLOCAR LAS
ESTAMPILLAS
6 5
DIAGRAMA SECUENCIAL DE RED PARA PAGAR FACTURAS
Actividades ficticias
Si observamos el diagrama anterior tenemos dos
actividades ficticias, las cuales se representan por flechas
punteadas, estas consumen cero tiempo y cero recursos. Se
utilizan las actividades ficticias para mostrar relaciones correctas
entre actividades y/o para evitar tener que conectar en forma
directa dos nodos a travs de ms de una flecha.
ANALISIS DE UNA RED PERT/CPM
Sharp Company.
Tiempo esperado
3
2
4
7
PONER
DIRECCION EN
SOBRES
INSERTAR
CHEQUES EN
SOBRES
PONER
SOBRE CORREO
EXAMINAR LAS
FACTURAS
ELABORAR
CHEQUES
1
PONER
ESTAMPILLA
6
5
ARTIFICIAL
ARTIFICIAL
3 2 4
ENSAMBLAR E
INSTALAR EL
MOTOR EN LA
BASE
SACAR Y
DESARMAR MOTOR
LIMPIAR Y PINTAR LA BASE
1
REEMPLAZAR LOS ANILLOS
REBOBINAR LA ARMADURA E
D
C
B
A
Cdigo de
actividad
Descripcin de la
actividad
Predecesores
inmediatos
para terminar
(semanas)
A Disear producto --- 6
B Disear el envase --- 2
C Ordenar y recibir
los materiales para
el producto
A 3
D Ordenar y recibir
los materiales para
el envase
B 3
E Fabricar el
producto
C 4
F Fabricar el envase D 3
G Prueba de
mercado del
producto
E 6
H Prueba de
mercado del
envase
F 4
I Envasar el
producto G, H 1
J Entregar a los
distribuidores
I 2
Clculos bsicos de la programacin
Una vez elaborada la red PERT/CPM, puede concentrarse la
atencin en determinar la fecha esperada de terminacin para el
proyecto y el programa de actividades.
[E]
[ ]
[D]
[B]
[A]
[H]
[F]
[G]
[3]
[I]
[ ]
ENTREGA
[J]
[ ]
PRUEBA
MERCADO
[ ]
[C]
[ ]
2
1
3
9
5
4
7 6
1
0
8
DISEAR
PROD.
[CODIGO]
DESCRIPCION
ENVASAR
PROD.
FABR.
ENV.
ORD. Y REC.
DISEAR
ENVASE
FABR.
PROD.
PRUEBA
PROD.
ORD. Y REC.
DURACION
D
ij
CLAVE:
Importancia de conocer la fecha de trmino
Competencia entre varias empresas
Si se opera en base a incentivos por fecha de trmino.
Si sumamos todos los tiempos esperados de las actividades
de la tabla, se tiene 34 semanas como duracin del
proyecto.
Ruta critica
Se calcula la duracin del proyecto determinando la ruta
crtica (camino crtico) para la red.
Toda red tiene dos o ms rutas, una o ms de las cuales
sern crticas.
Analicemos el caso de la Sharp Company
Las actividades A, C, E, G, I y J forman una ruta que
conecta los nodos 1, 2, 3, 4, 8, 9 y 10 de la red.
Las actividades B, D, F, H, I y J, forman una ruta que
conecta los nodos 1, 5, 6, 7, 8, 9 y 10 de la red.
Puesto que la terminacin de un proyecto requiere que se
terminen todas las rutas de la red, la duracin de la ruta ms larga
de la red es la ruta critica.
Para el caso de la Sharp Company.
La ruta ACEGIJ requiere 22 semanas (RUTA CRITICA)
La ruta BDFHIJ requiere 15 semanas.
Si se demora cualquier actividad sobre la ruta critica, se
demora el proyecto completo. Por lo tanto, las actividades que se
encuentran sobre la ruta critica, se les llama actividades crticas.
Cmo reducir el tiempo total del proyecto? en este caso
son 22 semanas.
Se deben reducir la duracin de una o ms de las
actividades crticas.
Veamos en forma general, para cualquier red:
(11 Identificar todas las rutas de la red.
(11 Calcular la duracin de cada una de ellas.
(11Elegir la ruta ms larga (critica).
Este procedimiento es muy poco eficiente de analizar una red.
Otro mtodo ms eficiente es calcular lmites de tiempo para
cada actividad tiempos:
1.- Prximos de iniciacin
2.- Lejanos de iniciacin
3.- Prximos de terminacin
4.- Lejanos de terminacin
y a partir de estos datos calcular la ruta crtica.
Los lmites de los tiempos prximos de iniciacin y prximos
de terminacin se pueden calcular haciendo una revisin hacia
adelante de la red.
Los limites de los tiempos lejanos de iniciacin y de
terminacin se determinan utilizando una revisin hacia atrs en la
red.
Revisin hacia delante:
Calculo de los tiempos prximos de iniciacin y prximos de
terminacin.
Definicin de terminacin y notacin
1.- Tiempo prximo de iniciacin:
El tiempo prximo de iniciacin de una actividad es el tiempo
ms prximo posible en que una actividad puede comenzar, el cual
se denotara por ES
ij
donde i y j representan los nodos inicial y final
asociados con la actividad.
2.- Tiempo prximo de terminacin:
El tiempo prximo de terminacin para cada actividad, el
cual se denota por EF
ij
, es el tiempo prximo de iniciacin ms el
tiempo que se requiere para completar la actividad.
Ejemplo para la actividad A de la Sharp Company.
EF
12
= ES
12
+ D
12
En donde D
12
= 6, el tiempo esperado para la actividad. Si el tiempo
prximo de la iniciacin de la actividad A es 0, es decir, ES
12
= 0,
entonces EF
12
= 0 + 6 = 6.
En la red se utiliza la siguiente clave:
En la red se tendra la siguiente apariencia
El procedimiento normal para analizar una red consiste en
comenzar en el nodo inicial y suponer que se tiene un tiempo inicial
de cero.
Se supone que todas las actividades comienzan tan pronto
como es posible, es decir, tan pronto como han terminado todas las
actividades precedentes asociadas.
Como en nuestro caso (caso Sharp) las actividades A y B no
tiene predecesoras, ES
12
= 0 y ES
15
= 0; por lo tanto, sus
correspondientes tiempos de terminacin son EF
15
= 0 + 2 = 2 y
EF
12
= 0 + 6 = 6.
Una vez calculado el tiempo prximo de terminacin para la
actividad A, puede calcularse el tiempo prximo de iniciacin de la
actividad C; la actividad C no puede comenzar sino hasta que la
actividad A ha sido terminada. dem para la actividad D.
El tiempo ms prximo de iniciacin de la actividad C, ES
23
,
es igual al tiempo ms prximo de terminacin de la actividad A,
que es EF
12
= 6.
El tiempo mas prximo de terminacin para la actividad C es
su tiempo prximo de iniciacin ms su tiempo de duracin, o EF
23
= ES
23
+ D
23
= 6 + 3 = 9.
[ES
ij
, D
ij
, EF
ij
]
CODIGO DE
LA ACTIVIDAD
j i
1
5
[B]
CODIGO DE LA ACTIVIDAD
TIEMPO MAS PROXIMO DE INICIO
[0, 2, 2]
TIEMPO DE DURACION DE LA ACTIVIDAD
TIEMPO MAS PROXIMO DE TRMINO
Para la actividad D los tiempos prximos de iniciacin y de
terminacin son
ES
56
= EF
15
= 2
EF
56
= ES
56
+ D
56
= 2 + 3 =5
Realizamos el anlisis completo hacia adelante.
En los casos en que existen varias actividades precediendo
a otra, el tiempo ms prximo de iniciacin para esta actividad es
igual al mayor de los tiempos prximos de terminacin para todas
las actividades precedentes.
Revisin hacia atrs:
Calculo de los tiempos lejanos de iniciacin y lejanos de
terminacin.
Este anlisis permitir responder preguntas como
Cunto puede demorarse cada actividad, si es que es
posible?
Qu tan tarde puede comenzarse una actividad especfica
sin prolongar la duracin total del proyecto?
Definicin de trminos y notacin
1.- Tiempo ms lejano de iniciacin
El tiempo ms lejano de iniciacin para una actividad, LS
ij
es
el tiempo ms lejano o ms tarde en el que una actividad
puede comenzar sin demorar la fecha de terminacin del
proyecto.
[E]
[0,6,6]
[D]
[B]
[A]
[H]
[F]
[G]
[2,3,5]
[I] [J]
[6,3,9]
[19,1,20]
[C]
[9,4,13]
2
1
3
9
5
4
7 6
1
0
8
[8,4,12 ]
[13,6,19]
[20,2,22 ]
[0,2,2]
[5,3,8]
2.- Tiempo ms lejano de terminacin
El tiempo ms lejano de terminacin para una actividad, LF
ij
es el tiempo ms lejano de iniciacin ms el tiempo que dura
la actividad D
ij
En forma simblica, estas relaciones son: LF
ij
= LS
ij
+ D
ij
sin
embargo es ms apropiado LS
ij
= LF
ij
D
ij
.
Para nuestro caso (caso Sharp)
Para comenzar los clculos, se comienza con el evento final
(el nodo 10 en nuestro caso) y se fija el tiempo ms lejano de
terminacin para la ltima actividad como el tiempo total de
duracin calculado en la revisin hacia adelante, LF
9 10
= 22.
Debido a que se requieren dos das para terminar la
actividad J, el tiempo ms lejano de iniciacin para la actividad J es
igual al tiempo ms lejano de terminacin menos el tiempo de
duracin
LS
9 10
= LF
9 10
D
9 10
LS
9 10
= 22 2 = 20
Para la actividad I, el tiempo ms lejano de terminacin es
20, LF
89
= 20 y el tiempo ms lejano de iniciacin es
LS
89
= LF
89
D
89
LS
89
= 20 1 = 19
Continuando con el anlisis
Si un nodo determinado tiene ms de una actividad que sale
de l, entonces el tiempo ms lejano de terminacin para cada
actividad que entra al nodo es igual al menor valor de los tiempos
ms lejanos de iniciacin para todas las actividades que salen del
nodo.
[E]
[0,6,6]
[D]
[B]
[A]
[H]
[F]
[G]
[2,3,5]
[I] [J]
[6,3,9]
[19,1,20]
[C]
[9,4,13]
2
1
3
9
5
4
7 6
1
0
8
[8,4,12 ]
[13,6,19]
[20,2,22 ]
[0,2,2]
[5,3,8]
[0,0,6]
[7,7,9]
[9,7,12] [12,7,15]
[15,7,19]
[19,0,20] [20,0,22]
[6,0,9] [9,0,13]
[13,0,19]
Tiempo de holgura (flotante)
Despus de que se han determinado los lmites de tiempo
para toda la red, puede determinarse el tiempo de holgura para
cada actividad.
Se define como tiempo de holgura como la longitud de
tiempo en la que puede demorarse una actividad sin ocasionar que
la duracin del proyecto general exceda su tiempo programado de
terminacin.
La cantidad de tiempo de holgura de una actividad se calcula
tomando la diferencia entre sus tiempos ms lejanos de iniciacin y
ms prximos de iniciacin, o entre su tiempo ms lejano de
terminacin y el tiempo ms prximo de terminacin.
En forma de ecuacin:
F
ij
= LS
ij
Es
ij
O F
ij
= LF
ij
EF
ij
Ejemplo
Para la actividad B
F
15
= LF
15
EF
15
= 9 2 = 7
O F
15
= LS
15
ES
15
= 7 0 = 7
Ejemplo
A Genetalized PERT/CPM Implementation in a Spreadsheet
http://archive.ite.journal.informs.org/Vol2No1/Seal/Seal.php
CLAVE:
CODIGO DE LA
ACTIVIDA
[ES
ij
, D
ij
, EF
ij
]
[LS
ij
, F
ij
, LF
ij
]
PROBLEMAS A DESARROLLAR
(Problema N 5 Listado de Problema PERT/CPM)
A continuacin se presenta una lista de las actividades implicadas
en la construccin de un patio de ladrillo. Desarrolle el diagrama de
PERT/CPM adecuado.
a.- Pueden comenzar en forma simultnea tres
actividades al inicio del proyecto:
(1) Cortar tiras de pino para las orillas.
(2) Identificar el rea.
(3) Traer ladrillos de la banqueta.
b.- A la identificacin del rea le siguen dos actividades,
en el siguiente orden:
(4) Colocar la base de arena.
(5) Nivelar y compactar la base de arena.
c.- Despus de que se han terminado las actividades (3)
y (5),
(6) comenzar a colocar ladrillos.
d.- Despus de que se ha realizado la actividad (1),
(7) hacer un corte tentativo de las tiras de madera de
acuerdo con la longitud necesaria.
e.- Pueden comenzar dos actividades en forma
simultnea despus que se ha terminado la actividad
(6):
(8) comenzar la alineacin y nivelacin de los ladrillos.
(9) terminar con la colocacin de los ladrillos.
f.- Despus de que se han realizado tanto (8) como (9),
puede llevarse a cabo la actividad (10):
(10) terminar la alineacin y nivelacin de los ladrillos.
g.- Antes de que pueda comenzar la actividad (11),
deben haberse terminado las actividades (7) y (8):
(11) Comenzar a afinar las orillas de madera de pino.
h.- Antes de la actividad (12), debe haberse terminado la
actividad (8) (12) Comenzar a llenar de arena las
juntas.
i.- La actividad (13) va despus de terminar las
actividades (10) y (12):
(13) Terminar de llenar de arena las juntas.
j.- Despus de terminar las actividades (10) y (11),
puede comenzar la actividad (14):
(14) Terminar de fijar las tiras de madera.
k.- La actividad final puede comenzar despus de que se
han terminado (13) y (14):
(15) Limpiar.
La tabla P6-9 muestra las actividades, las relaciones de
precedencia y los tiempos para un proyecto ampliado para la
Randell Company..
TABLA P6-9
Actividad
Cdigo
Predecesor
inmediato
Tiempo de la
Actividad
(das)
Reunir al equipo para el trabajo A -- 10
Utilizar la lnea antigua para inventario B -- 28
Medir y trazar la lnea antigua C A 2
Desarrollar una lista de materiales D C 1
Construir el andamio E D 2
Obtener los ductos F D 30
Obtener vlvulas G D 45
Desactivar la lnea antigua H B, D 1
Quitar la lnea antigua I E, H 6
Prefabricar los nuevos ductos J F 5
Colocar las vlvulas K E, G, H 1
Colocar los nuevos ductos L I, J 6
Soldar los ductos M L 2
Conectar las vlvulas N K, M 1
Aislar O K, M 4
Hacer una prueba de presin P N 1
Quitar el andamio Q N, O 1
Limpiar y entregar al equipo de operacin R P, Q 1
a.- Elabore un diagrama de proyecto de PERT/CPM.
b.- Determine la ruta crtica (tiempo del proyecto)
c.- Determine el tiempo de holgura para cada una de las
actividades que no se encuentran sobre la ruta crtica.
Dado el diagrama de red de la figura P6-11
FIGURA P6-11
a.- Identifique los tiempos ms prximos de iniciacin y
de terminacin para cada actividad.
b.- Identifique la ruta crtica para la red.
c.- Cunto tiempo de holgura existe para la actividad J?
Para la actividad N?
[8]
[E]
[2]
[D
]
[4]
[3]
[B
]
[A
]
[6]
[I]
[H
]
[F
]
[G
]
[3]
4 5 2
1
0
3
1
6
7
8
[5]
[L]
[7]
[7]
[N
]
[2]
[K
]
[J]
9
1
1
1
2 [4]
[3] [4]
[C
]
[2]
[Q
]
[M
]
[9]
Problema PERT/CPM
La tabla resume las actividades para reubicar 1700 pies de una
lnea elctrica primaria de 13.8 KW debido al ensanchamiento de la
seccin del camino en la cual est instalada la lnea actualmente.
Trace el modelo de la red y realice los clculos de ruta crtica.
Actividad Descripcin Precedentes(s)
inmediato(s)
Duracin
(das)
A Revisin del trabajo - 1
B Consejo a clientes de interrupcin
temporal
A 0.5
C Almacenes de requisicin A 1
D Reconocimiento del trabajo A 0.5
E Obtencin de postes y materiales C,D 3
F Distribucin de postes E 3.5
G Coordinacin de la ubicacin de los
postes
D 0.5
H Preparacin G 0.5
I Cavar agujeros H 3
J Preparar y colocar postes F,I 4
K Cubrir conductores antiguos F,I 1
L Colocar nuevos conductores J,K 2
M Instalacin de material restante L 2
N Colgamiento del conductor L 2
O Poda de rboles D 2
P Desenergizacin y conmutacin de
lneas
B,M,N,O 0.1
Q Energizacin y puesta en fase de la
nueva lnea
P 0.5
R Limpieza Q 1
S Remocin del conductor anterior Q 1
T Remocin de postes anteriores S 2
U Devolucin de material a los
almacenes
I 2
RESUMEN DE LOS CALCULOS PERT/CPM
1.- Identificar todas las tareas o actividades asociadas con el
proyecto.
2.- Identificar las relaciones de precedencias inmediatas para
todas las actividades.
3.- Dibujar la red bsica para el proyecto, mostrando todas las
relaciones de precedencia.
4.- Estimar el tiempo esperado de duracin para cada actividad.
5.- Empleando una revisin hacia adelante de la red, calcular el
tiempo prximo de iniciacin y el tiempo prximo de
terminacin para cada actividad.
6.- Utilizando el trmino esperado de terminacin del proyecto,
calculado en la revisin hacia adelante en la red, usar el
procedimiento de revisin hacia atrs para calcular el tiempo
ms lejano de iniciacin y el tiempo ms lejano de
terminacin para cada actividad.
7.- Calcular el tiempo de holgura asociado a cada actividad.
8.- Identificar la ruta crtica para la red. Las actividades criticas
son las que tienen un tiempo holgura de cero.
INCERTIDUMBRE EN UNA RED PERT/CPM
Estimacin de los tiempos de las actividades
Al aplicar PERT/CPM a proyectos de construccin y
mantenimiento, es posible contar con estimaciones bastante
precisas de los tiempos de las actividades ya que es probable que
se disponga de datos histricos y dado que la tecnologa que se
utiliza es ms o menos estable.
En los proyectos del tipo investigacin y desarrollo, en los
que la tecnologa cambia con rapidez y los productos no son
comunes, es posible que sea difcil contar con estimaciones
precisas de los tiempos de las actividades.
Con el fin de tener en cuenta la incertidumbre, las personas que
desarrollaron PERT permitieron a los usuarios utilizar tres
estimadores para los tiempos de cada una de las actividades:
1.- El tiempo ms probable (tm):
El tiempo que se requiere para terminar la actividad
bajo condiciones normales.
2.- El tiempo pesimista (tp):
El tiempo mximo que se necesitara para terminar la
actividad si se encontraran demoras considerables en
el proyecto.
3.- El tiempo optimista (to):
El tiempo mnimo que se requiere para terminar la
actividad si todo ocurre en forma ideal.
Utilizando estas tres estimaciones, puede calcularse un
tiempo esperado para la duracin de una actividad de acuerdo
con la siguiente frmula:
Veamos que ocurre con el tiempo con el caso Sharp en el
cual se proporcionan tres estimaciones de los tiempos que se
requieren para terminar cada una de las actividades del proyecto.
te =
6
to + 4tm + tp
TABLA
Cdigo de
la actividad
Tiempo
optimista(to)
Tiempo mas
probable(tm)
Tiempo
pesimista(tp)
A 3.0 5.5 11.0
B 1.0 1.5 5.0
C 1.5 3.0 4.5
D 1.2 3.2 4.0
E 2.0 3.5 8.0
F 1.8 2.8 5.0
G 3.0 6.5 7.0
H 2.0 4.2 5.2
I 0.5 0.8 2.3
J 0.8 2.1 2.8
Si utilizamos la actividad F como ejemplo, estos datos
indican que se estima que la actividad fabricar envases requerir
entre 1.8 semanas (estimacin optimista) y 5.0 semanas
(estimacin pesimista), siendo su estimacin ms probable 2.8
semanas. El valor que sera probable que ocurriera si la actividad
se repitiera varias veces en el tiempo esperado.
Comentarios
A pesar que en la mayora de las aplicaciones de
PERT/CPM, las actividades no se repiten un nmero grande de
veces; ms bien, por lo general ocurren solo una vez. te sigue
siendo el mejor estimador nico del tiempo que se requiere para
una actividad y es el que tradicionalmente se utiliza.
te =
6
= 3.0
1.8 + 4(2.8) + 5.0
VARIABILIDAD EN LOS TIEMPOS DE LAS ACTIVIDADES
Si aplicamos la frmula para te a las tres estimaciones para
cada actividad de la tabla anterior, los te resultantes son iguales a
los valores de tiempo esperado de terminacin, que vimos al
principio en el caso Sharp.
Cdigo de
actividad
Tiempo
esperado
para terminar
(semanas)
A 6
B 2
C 3
D 3
E 4
F 3
G 6
H 4
I 1
J 2
Antes de continuar debemos respondernos algunas
interrogantes
Qu se gana al hacer tres estimaciones?
Por qu no simplemente estimar los valores esperados y
hacer los clculos de PERT/CPM con base en stos?
La respuesta es:
Se necesita saber qu tan confiables son las estimaciones
de los tiempos esperados.
Lo cual se puede hacer teniendo las tres estimaciones.
Si el tiempo requerido para terminar una actividad es muy
grande, entonces tendremos menos confianza en el tiempo
esperado que si el intervalo fuera menor. Por ejemplo: si las tres
estimaciones para la actividad fabricar el producto fueran 2, 3 y 4
en vez de 1.8, 2.8 y 5.0 en ambos casos el tiempo promedio sera
3.0 das; pero en el primer caso tendramos ms confianza en que
estas cifras modificadas fueran ms precisas puesto que tiene
menor variabilidad. Un intervalo amplio de las estimaciones
representa una mayor incertidumbre y, por ello, menor confianza en
el tiempo esperado que se calcula.
A menor confianza, la probabilidad de terminar el proyecto
hacia una fecha dada se reduce.
La ventaja de tener tres estimaciones de tiempos es que
puede calcularse la dispersin de los tiempos de las actividades y
puede utilizarse esta informacin para evaluar la incertidumbre de
que el proyecto se termine de acuerdo con el programa.
Se utiliza la varianza como medida para describir la
dispersin o variacin de las estimaciones de los tiempos de las
actividades.
La formula de la varianza es:
Si la aplicamos al caso Sharp se tiene:
Cdigo de la
actividad
Varianza
t
2
A 1.78
B 0.44
C 0.56
D 0.22
E 1.00
F 0.28
G 0.44
H 0.28
I 0.09
J 0.11
A partir de estos datos, se tiene, que la actividad A tiene un
mayor grado de incertidumbre que la J. (1.78 comprada con 0.11).
Varianza de los
tiempos de actividad
=
t
2
=
(tp to)
2
36
Variabilidad en la fecha de terminacin del proyecto.
Al calcular la ruta critica se utilizaron los tiempos esperados
de duracin para los tiempos de las actividades; lo que se obtuvo
fue una duracin esperada para el proyecto.
Como es probable que cada actividad vare en duracin en
vez de ser fija. El tiempo de terminacin del proyecto ser variable,
y en particular si existen variaciones considerables en las
actividades de la ruta critica.
Es probable que el tiempo de duracin del proyecto vare
positivamente como negativamente.
La influencia en el tiempo de duracin del proyecto no solo
es de las actividades de la ruta crtica, sino que se puede generar
otra ruta crtica debido a la variabilidad de las actividades.
Puesto que la varianza de una actividad da una medida de la
variacin en la incertidumbre, puede utilizarse para calcular la
variacin total en el tiempo esperado del trmino del proyecto.
Al calcular el tiempo esperado de terminacin del proyecto,
se toman las varianzas (
t
2
), de las actividades que forman la ruta
critica. Al igual que con una calcular la varianza del tiempo de
terminacin del proyecto (
t
2
) simplemente se suman las varianzas
(
t
2
) de las actividades que forman la ruta critica.
Caso Sharp: recordemos que la ruta crtica era la que inclua
las actividades A, C, E, G, I y J, con un tiempo esperado de
terminacin de 22 semanas.
La varianza del proyecto es:
2
= t
A
2
+ t
C
2
+ t
E
2
+ t
G
2
+ t
I
2
+ t
J
2
2
= 1.78 + 0.56 + 1.00 + 0.44 + 0.09 + 0.11
2
= 3.98 semanas
Sabemos de la estadstica bsica que la desviacin estndar
es igual a la raz cuadrada de la varianza ; por tanto, la desviacin
estndar para la terminacin del proyecto es
= (
2
)
1/2
= (3.98)
1/2
2 semanas
En estadstica, se sabe que los tiempos de terminacin de
un proyecto no estn descritos por una distribucin beta sino que
siguen una distribucin aproximadamente normal o en forma de
campana.
(En el desarrollo del PERT se utilizaron una distribucin beta
para describir las variaciones en los tiempos de actividades)
Si hacemos una grafica se tiene.
Utilizando la distribucin normal podemos hacer
planteamientos de probabilidades con respecto a fecha de trmino
del proyecto; dada una fecha especifica de terminacin, puede
calcularse la probabilidad de que el proyecto se termine en esa
fecha o antes.
Ejemplo se desea saber cul es la probabilidad de que el
proyecto termine antes de 6 meses (26 semanas).
Primero.-
Convertir 26 semanas a un valor de Z. (X = 26, = 22 y
= 2)

Segundo.-
Con el valor Z = 2 y una tabla de distribucin normal, se
encuentra que la probabilidad asociada es 0.9772. La
probabilidad de que el proyecto se termine en 26 semanas o
menos es 0.9772; por tanto, se puede tener bastante
confianza en que el proyecto pueda terminarse hacia esa
fecha.
Z =
Z =
2
= 2
26 22 X -
PROBLEMAS A DESARROLLAR
Un proyecto pequeo est compuesto por siete actividades, cuyas
estimaciones de tiempo se listan en la tabla P6-12. Las relaciones
de precedencia entre las actividades se identifican comenzando
con los nmeros de nodo (i) y terminando con (j).
TABLA P6-12
a.- Dibuje la red de proyecto PERT/CPM apropiada.
b.- Calcule los tiempos de ocurrencia prximos y lejanos
para cada nodo. Cul es la duracin esperada del
proyecto?
c.- Calcule la holgura para cada actividad.
d.- Cul es la probabilidad de terminar el proyecto 3
semanas despus del tiempo estimado para el
proyecto?
Nodo Duracin estimada (semanas)
Actividad
i j Optimista
Ms
probable Pesimista
A 1 2 1 1 7
B 1 3 1 4 7
C 1 4 2 2 8
D 2 5 1 1 1
E 3 5 2 5 14
F 4 6 2 5 8
G 5 6 3 6 15
Problema PERT/CPM
Las actividades de reubicar una lnea elctrica primaria debido al
ensanchamiento de la seccin del camino en la cual est instalada
la lnea actualmente.
a) Desarrolle el Diagrama de red correspondiente
b) Determine los tiempos ms prximos de inicio y de trmino
para cada actividad.
c) Cul es el tiempo de termino del proyecto?
d) Cul es la probabilidad que el proyecto se termine en 23
das?
e) Indique claramente la ruta crtica.
f) Cul es la holgura de las actividades G y P?
g) Si la actividad K se demora 5 das en terminar qu ocurre
con el tiempo de termino del proyecto.
Actividad Descripcin Precedentes(s)
inmediato(s)
Tiempo
optimista
(das)
Tiempo
ms
probable
(das)
Tiempo
pesimista
(das)
Tiempo
estimado
(te)
A Revisin del trabajo - 0.4 1.1 1.7
B Consejo a clientes de
interrupcin temporal
A 0.2 0.55 0.7
C Almacenes de requisicin A 0.55 0.95 1.5
D Reconocimiento del trabajo A 0.32 0.48 0.9
E Obtencin de postes y
materiales
C,D 2 3.2 4
F Distribucin de postes E 3 3.7 4.2
G Coordinacin de la ubicacin
de los postes
D 0.31 0.47 0.8
H Preparacin G 0.29 0.53 0.7
I Cavar agujeros H 2 2.8 6
J Preparar y colocar postes F,I 2.5 3.7 6.8
K Cubrir conductores antiguos F,I 0.5 1.1 1.5
L Colocar nuevos conductores J,K 1.8 2.1 2.5
M Instalacin de material
restante
L 1.5 2.3 2.7
N Colgamiento del conductor L 1.3 2 2.4
O Poda de rboles D 1.5 2.4 2.5
P Desenergizacin y
conmutacin de lneas
B,M,N,O 0.08 0,11 0.12
Q Energizacin y puesta en fase
de la nueva lnea
P 0.3 0.48 0.52
R Limpieza Q 0.5 1.1 1.3
S Remocin del conductor
anterior
Q 0.7 0.9 1.5
T Remocin de postes
anteriores
S 1.8 2.1 2.4
U Devolucin de material a los
almacenes
I 1.9 2 2.4
CAPITULO III
MODELOS DE INVENTARIO
INTRODUCCION
A diferencia de los tpicos anteriores, que se orientaron a la
tcnica, este se dedica a reas de aplicacin. El tpico de este
capitulo tiene que ver con modelos de inventario bajo demanda
determinstica.
Una de las primeras aplicaciones de los mtodos
cuantitativos a la toma de decisiones gerenciales han sido los
modelos de inventarios. Esto no es sorpresa, pues los inventarios
generalmente representan un porcentaje considerable del capital
total invertido en una organizacin de negocios, a menudo un 25%.
Adems, los inventarios proporcionan la flexibilidad de
operacin que asegura que las operaciones de una organizacin se
realicen sin obstculos y eficientemente.
Con tantos miles de millones de dlares invertidos en
inventarios hoy da, el control adecuado y la administracin de
ellos puede traer ahorros considerables a una compaa o en forma
ms global a la economa mundial.
El desarrollo del primer modelo de inventario se le acredita a
Harris(1915). Raymond(1931) extendi el trabajo de Harris a
comienzos de los aos 1930. Desde all, particularmente desde la
segunda guerra mundial, el desarrollo de la teora y modelos de
inventarios ha proliferado a un punto de alto desarrollo. Los
modelos de inventaro cubren prcticamente cualquier situacin
imaginable de negocios.
Las decisiones bsicas de inventario comprenden:
Cuntas unidades se deben pedir?
Cundo se debe pedir?
En este capitulo veremos cmo se pueden desarrollar y
utilizar modelos cuantitativos para la toma de decisiones.
LA FUNCIN DE INVENTARIOS
Los inventarios pueden definirse ampliamente como la
cantidad de artculos, mercancas y otros recursos econmicos que
son almacenados o se mantienen inactivos en un instante de
tiempo dado.
Los recursos econmicos varan en cantidad con el tiempo
en respuesta al proceso de demanda que opera para reducir el
nivel de inventario y el proceso de abastecimiento que opera para
elevarlo.
Normalmente la demanda es una variable no controlable,
pero la magnitud y frecuencia del abastecimiento es controlable.
Los inventarios por ejemplo, pueden comprender:
1) Inventarios de materias primas: son materias que esperan
para ser utilizadas en la produccin de artculos.
2) Inventario de trabajo en proceso: productos semi
terminados o productos en proceso almacenados
temporalmente durante el proceso de produccin.
3) Inventario de productos terminados: productos
terminados que esperan embarque desde la fabrica,
distribuidores al por mayor o detallistas.
Para ilustrar las funciones del inventario, consideremos el
sistema produccin-distribucin. Aqu, los inventarios existen
continuamente en el sistema completo, llenando algunas de las
siguientes funciones bsicas.
1. Inventarios en Trnsito o de Conducto.
Estos inventarios estn formados por suministros para cubrir
retardos en el manejo y el trnsito.
2. Inventario Ciclo o de Tamao de Lote.
Estos son inventarios que pedimos en tamao de lote porque
es ms econmico hacerlo as que pedirlo cuando sea
necesario satisfacer la demanda.
3. Inventarios de Amortiguacin (material de seguridad)
Estos son inventarios para prevenir faltantes debido a
fluctuaciones inciertas de la demanda.
4. Inventarios de Desacople.
Estos inventarios tienen como funcin desacoplar
operaciones, por ejemplo, en el sistema completo
produccin-distribucin. Esto permite que las diversas
actividades de produccin operen ms independientemente,
sin tener que confiar completamente en la programacin de
salida de actividades previas en el proceso de produccin.
5. Inventarios Estacinales.
Los inventarios utilizados con este fin se disean para
cumplir ms econmicamente la demanda estacional
variando los niveles de produccin para satisfacer
fluctuaciones en la demanda.
Los inventarios tambin se pueden utilizar con otros fines.
Por ejemplo, los inventarios en vitrina sirven como instrumento
promocional. Los inventarios de materias primas y productos
terminados se acumulan frecuentemente para prevenir incrementos
de precios, inflacin y huelgas. Los inventarios sirven para suavizar
irregularidades en la demanda.
El solo hecho de que estos inventarios cumplen esas
funciones implica que son de gran valor para la administracin.
Necesariamente no necesitan minimizarse. Las organizaciones que
mantienen niveles de inventario mnimos, pueden incurrir en costos
de produccin y distribucin extremadamente altos.
Se requiere determinar niveles ptimos de inventario en
una situacin dada. Esto requiere balancear un conjunto de
costos que suben con los niveles altos de inventarios contra un
conjunto de costos, que bajan con niveles altos de inventarios.
DECISIONES BSICAS EN INVENTARIOS
Las decisiones bsicas en inventarios (variables de decisin)
de cada problema de inventario son las siguientes:
1. Qu cantidad se debe pedir?
2. Cundo se debe pedir?
El gerente se enfrenta a un compromiso, l deseara producir
en grandes lotes para minimizar el costo de produccin y por otro le
gustara tener el menor inventario para minimizar costos.
CARACTERISTICAS DE LOS SISTEMAS DE INVENTARIO
Aqu describimos las caractersticas de un sistema de inventarios.
Costos de Inventario
El criterio usual considerado en un anlisis de inventarios (es
decir, cunto y cundo pedir es la minimizacin de una funcin de
costo que balancea los costos de (1) pedido (2) mantenimiento y
(3) quedarse corto de inventario.
Costo de Pedir (o alistar)
Los costos de pedir (o alistar si se produce en casa) son
todos los costos incrementales asociados con el reabastecimiento
del inventario. Estos costos varan con el nmero de pedidos
colocados. Estos costos tpicos que ocurren cada vez que se
coloca un pedido comprenden los costos de requisicin, los costos
de emitir y seguir la orden de compras, los costos de inspeccin al
recibir y colocar los artculos en inventario, pago al proveedor,
costos contables y costos administrativos tales como suministros y
papeleras, etc.
Los salarios de los individuos involucrados en tales
actividades constituyen la mayor parte de los costos de pedir.
Costos de Mantenimiento
Estos costos son los asociados con mantener un nivel dado
de inventario disponible y vara con el nivel y periodo de tiempo que
se mantiene el inventario.
Los costos de mantenimientos comprenden:
1. Costos de oportunidad en la inversin
comprometida en el inventario (basados en costo de
capital).
2. Costos de almacenamientos (arriendo, calefaccin,
refrigeracin, vigilancia, etc.)
3. Deterioro del producto u obsolecencia
4. Impuestos, depreciacin y seguros.
Los costos de mantenimiento se expresan como el costo en
dlares de mantener 1 unidad en inventario por unidad de tiempo
(usualmente 1 ao).
Otra forma es como porcentaje del valor del inventario
promedio (es decir, 10% del valor del inventario medio).
Costos de quedarse Corto (agotado).
Estos son los costos de penalizacin en que se incurre
cuando se queda sin la mercadera cuando sta se necesita.
Generalmente comprende costos debido a perdida de clientes,
prestigio y perdida potencial de utilidad debido a prdidas en
ventas. En el caso en donde la demanda insatisfecha puede
satisfacerse en una fecha posterior (por medio de pedidos
pospuestos), estos costos generalmente varan directamente con la
cantidad faltante y el retardo de tiempo.
Precio de Compra
Este parmetro es de inters especial cuando se puede
asegurar descuentos en cantidades o intervalos de precios, o
cuando la produccin en grandes lotes se traduce en la reduccin
de costos de produccin. Bajo estas condiciones, la cantidad
pedida debe ajustarse para aprovechar estos intervalos de precios.
DEMANDA
El patrn de demanda de una mercadera puede ser
determinstico o probabilstico. Por determinstico entendemos que
las cantidades pedidas sobre los periodos subsiguientes se
conocen con certeza. La demanda sobre periodos iguales de
tiempo puede ser constante o puede variar as, como tambin ser
determinstica. Estos dos casos se denominan demanda esttica y
dinmica, respectivamente.
La demanda probabilstica ocurre cuando la demanda sobre
un periodo dado de tiempo es incierta, pero puede describirse en
trminos de una distribucin de probabilidad. Anlogas a las
demandas estticas y dinmicas en el caso determinstico, la
distribucin de probabilidad puede ser estacionaria o no
estacionaria sobre el tiempo.
La demanda para un periodo de tiempo dado puede
satisfacerse instantneamente al principio del periodo o
uniformemente durante el periodo. Como ustedes lo vern las
demandas instantneas y uniformes afectan los niveles de
inventarios y los costos de mantenimiento del inventario.
Ciclo de Pedido
Un ciclo de pedido se identifica por el periodo de tiempo
entre la colocacin de dos pedidos sucesivos. Este puede iniciarse
como sigue:
1. Revisin Continua.
El registro de nivel de inventario se monitorea
continuamente hasta que se alcanza un punto de
disparo (o de nuevo pedido) especificado en donde se
coloca un nuevo pedido. A esto se le conoce como el
sistemas de dos cajones.
Este nombre se deriva del hecho de que el monitoreo
continuo puede efectuarse utilizando dos cajones para
el inventario. Los artculos se retiran solamente de
uno de ellos y cuando ste queda vaco, se coloca un
nuevo pedido.
2. Revisin Peridica
Los pedidos se colocan a intervalos regulares de
tiempo.
Tiempos de Anticipacin
Cuando se coloca un pedido, puede que se reciba
inmediatamente o puede que tome algn tiempo antes de que se
reciba. El tiempo entre la colocacin y la recepcin se conoce como
el tiempo de anticipacin.
Reabastecimiento del Inventario
El reabastecimiento actual de la mercadera puede ocurrir
instantneamente o uniformemente sobre le tiempo. El
reabastecimiento instantneo resulta cuando los artculos se
compran a fuentes externas. El reabastecimiento uniforme,
usualmente ocurre cuando el artculo es producido localmente
dentro de la organizacin.
Horizonte de Tiempo
El horizonte de tiempo define el periodo sobre el cual el nivel
de inventario debe ser controlado. El horizonte puede ser finito o
infinito dependiendo de la naturaleza de la demanda.
Nmero de Artculos
Un sistema de inventario usualmente comprende muchas
mercaderas diferentes. Generalmente estas mercaderas compiten
por recursos tan limitados como espacio o capital. Cuando esto
sucede, existe interaccin entre los artculos diferentes y los
modelos de inventario deben desarrollarse para esta clase de
situacin.
Los atributos discutidos antes representan los elementos
bsicos que se necesitan considerar al modelar situaciones de
inventario, siendo la demanda quizs el ms importante.
Tambin es virtualmente imposible formular un modelo de
inventario general que tenga en cuenta todas las variaciones que
se encuentran en un sistema real de inventarios.
Por consiguiente, intentaremos presentar un conjunto de
modelos que se han encontrado tiles e ilustrativos de algunos de
los diversos tipos de sistemas de inventarios.
Los modelos siguientes se discutirn, procediendo del caso
ms simple al ms complejo.
1. Modelo clsico CEP (no se permiten faltantes).
2. Modelo CEP (se permiten faltantes).
3. Modelo CEP con descuentos por cantidad.
4. Modelo CEP para lotes de produccin: un solo
producto.
5. Modelo CEP para lotes de produccin: productos
mltiples.
6. Modelo CEP con restriccin de recursos.
CEP: CANTIDAD ECONMICA DE PEDIDO O TAMAO
ECONMICO DEL LOTE.
MODELO CLASICO DE CANTIDAD ECONMICA DE PEDIDO
(CEP).
Definicin de trminos usados:
Variable Significado Otra
Notacin
a Tasa de extraccin de artculos, de tipo continua; [unidades/tiempo] D
Q Pedido o (producto) de artculos y todos los artculos llegan a la vez;
[unidades]
Y
K Costos de preparacin y son los nicos que se consideran en este
modelo, los cuales se cargan al hacer el pedido (o al momento de
producir). [$/pedido]
Cp
C Costo de compra (o de produccin) por articulo; [$ / unidad]
h Costo de mantener el inventario; [$ / unidad/tiempo]
El problema del inventario es determinar la frecuencia con la
que debe hacerse una serie de produccin y cul debe ser el
tamao del lote, de modo que el costo por unidad de tiempo
sea mnimo.
Nivel de
Inventario
Q
Q - at
0 Q/a 2Q/a
3Q/a
tiempo, t
El costo por unidad de tiempo se obtiene como sigue:
1. Costo de produccin por ciclo.
0 , s Q = 0
K + cQ , s Q > 0
2. Costo de almacenamiento por ciclo.
El nivel promedio de inventario durante un ciclo es
(Q + 0)/2 = Q/2; artculos/tiempo
y el costo correspondiente es
h (Q/2); $/tiempo
Y como la longitud de ciclo es Q / a, el costo de almacenamiento
por ciclo es:
h (Q/2) x (Q/a)
Por lo tanto, el costo total por ciclo es
costo total por ciclo = K + cQ + (hQ
2
/ 2a)
Y el costo total por unidad de tiempo es:
T = (K + cQ + hQ
2
/ 2a) / (Q / a)
Cul es el valor de Q que minimiza el costo total por unidad de
tiempo?
T/Q = - aKQ
-2
+ h/2 = 0
Q* =
h
aK 2

Cul es el valor del tiempo que se requiere para obtener este
valor ptimo de Q*?
t* = Q*/a =
ah
K 2
N=1/t* Nro. de Ciclos para el periodo
Cul es el costo total por unidad de tiempo para Q*?
T = aK/Q + ac + hQ / 2
T = aKh 2 + ac
MODELO CEP CUANDO SE PERMITEN FALTANTES
(DEFICIT PERMITIDO)
Puede que resulte beneficioso permitir que ocurra algn
dficit porque puede incrementarse la longitud del ciclo con un
ahorro resultante en los costos de preparacin. Sin embargo, este
beneficio puede ser neutralizado por el costo en el que se incurre
cuando se presenta algn dficit y, por consiguiente, se requiere un
anlisis detallado.
Si se permite un dficit y se establece su precio a un costo
de p $ por cada unidad demanda no satisfecha para cada unidad
de tiempo, se pueden obtener resultados semejantes al caso en el
que no se permite dficit.
Denotemos por S la existencia con la que se cuenta al
principio de un ciclo.
Nivel de
Inventario
S
S - at
S
Q
0 Q/a
S/a
tiempo, t
El costo por unidad de tiempo se obtiene como sigue:
1. Costo de Produccin por Ciclo
0 , s Q = 0
K + cQ , s Q > 0
2. Costo de Almacenamiento
Ntese que el nivel de inventario es positivo para un
tiempo S/a y el nivel promedio de inventario durante este
tiempo es
(S + 0)/2 = S/2; artculos / tiempo
y el costo de almacenamiento
h (S/2); $/tiempo
Por lo tanto, el costo total de almacenamiento en el que se
incurre durante el tiempo en que el inventario es positivo es;
(hS / 2) (S/a) = (hS
2
/2a)
Anlogamente, los dficit se presentan para un tiempo
(Q S)/a
El monto promedio de dficit durante este tiempo es
[0 + (Q S)] / 2; artculos/tiempo.
Y el costo correspondiente es
p (Q S)/2; $/tiempo
Y el costo total del dficit es
(p(Q S) /2) ((Q S)/a) = p(Q S)
2
/2a
Por lo tanto, el costo total por ciclo es
T = K + cQ + hS
2
/2a + p(Q S)
2
/2a
Y el costo total por unidad de tiempo
T = K + cQ + hS
2
/2a + (p(Q-S)
2
/ 2a)
(Q / a)
T = aK/Q + ac + hS
2
/2Q + p(Q S)
2
/2Q
Este modelo tiene dos variables de decisin S y Q, de modo
que se encuentran los valores ptimos S* y Q* igualando a cero las
derivadas parciales T/S y T/Q
Q* =
h
aK 2
p
p h ) ( +
S* =
h
aK 2

p h
p
+
La longitud optima del periodo, t*
t* = Q*/a
t* =
ah
K 2
p
p h ) ( +
El dficit mximo
Q* - S* =
h
aK 2

h p
h
+
Fraccin de tiempo en la que no existe dficit
(S*/a) / (Q*/a) = p / (p + h)
DESCUENTO POR CANTIDADES
(NO SE PERMITE DEFICIT)
En los modelos considerados se ha supuesto que el costo
unitario de un artculo era el mismo, independiente de la cantidad
producida. Esto condujo a las soluciones ptimas que son
independientes de este costo unitario.
Supongamos, que existen costos diferenciados, es decir, el
costo unitario varia con la cantidad pedida (o producida).
Desarrollemos esto a travs de un ejemplo.
Supongamos que el costo unitario de producir un
altoparlante es c
1
= $11, si se producen menos de 10.000
altoparlantes, c
2
= $10, si la produccin cae entre 10.000 y 80.000
altoparlantes y c
3
= $ 9,5, si la produccin es mayor que 80.000
altoparlantes Cul es la poltica ptima en este caso?
Retomemos el resultado del modelo del tamao econmico
del lote, considerado con anterioridad (no se permite dficit), el
costo total por unidad de tiempo, si el costo de produccin es c
j
,
est dado por:
T
j
= aK/Q + a c
j
+ hQ/2 para j = 1, 2, 3.
Los valores de K = 12000 [$] h = 0,3 [$/unidad/tiempo] y
a = 8000 [unidad/tiempo]
T
j
= (96 x 10
6
/Q) + 8000c
j
+ 0,15Q [$/tiempo]
Costo total
por unidad
de tiempo
T
j
110
105

T
1
(c
1
= 11)
100
95
T
2
(c
2
= 10)
90
T
3
(c
3
= 9,5)
85
T
4
(c
4
=9,0)
80
1 2 3 4 5 6 7 8 9
10

Q x10
4
Para cada curva, se encuentra que el valor de Q que minimiza a
T
j
es:
Q* = 25.298 unid.
Si evaluamos T
j
en Q* = 25.298 unid.
T
1
= $95.589
T
2
= 87.589 nico valor factible
T
3
= $83.589
Si evaluamos T
3
en Q = 80.000 se tiene:
T
3
= $89.200
Es evidente que es mejor producir lote de 25.298 (a un costo de
$87.589).
Analicemos el caso en que C
3
= $9 (en lugar de $9,5), cuando la
produccin es mayor que 80.000 unid. Se tiene:
T
3
= $85.200
Por supuesto que ahora la cantidad ptima es 80.000 unid. (En
vez de los 25.298 unid. (A un costo total de 85.200)).
CONSTANTE, REVISIN CONTINUA Y CADA ITEM
CONSIDERADO INDIVIDUALMENTE.
La funcin de costo se puede obtener a partir del costo total para un
solo producto (sin desagregacin). c
T = aK/Q + hQ/2
Para varios tems se tiene
T
i
= a
i
K
i
/ Q
i
+ h
i
Q
i
/2 con i= 1,...., n
Por lo tanto, el tamao del lote econmico es:
Q*
i
=
i
i i
h
K a 2
Y el costo total por unidad de tiempo queda de la siguiente manera.
T
i
=
i i i
a h K 2
Y el tiempo del ciclo de cada uno de los tems es:
t* = Q*
i
/ a
i
CONSTANTE, REVISIN CONTINUA Y LAS ORDENES
INCLUYEN A TODOS LOS ITEMS.
n
T = (a
i
k
i
/Q
i
+ h
i
Q
i
/2)
i =1
t = Q
i
/a
i
= t
n
T = (K
i
/t + h
i
a
i
t)
i =1
n n
T = 1/t K
i
+ t h
i
a
i
i =1 i =1
pero como es una sola orden que incluye a todos los tems
se tiene:

n
K = k
i
i = 1
n
T = 1/t K + t h
i
a
i
i=1
Calculemos los valores que hacen mnimo el valor de T.

n
T/ t = - (1/t
2
) K + h
i
a
i
= 0
i =1
n
h
i
a
i
= (1 / t
2
) K
i=1

n
t
2
= 2K / h
i
a
i
i=1
t
i
* =
n
i
i i
a h
K
1
2
Y el costo mnimo es el siguiente.
T(t*) =
n
i
i i
a h k
1
2
La cantidad econmica es:
Q* = t*a
i
Q*
i
= a
i

n
i
i i
a h
K
1
2
CONSTANTE, REVISION CONTINUA Y LIMITACION DE
ESPACIO DE ALMACENAMIENTO (RESTRICCION).
Para este modelo se consideran n productos (n > 1), cuya
demanda es constante y que compiten por un espacio limitado de
almacenamiento de capacidad A.
Sean estos n productos Q
1
, Q
2
,....,Q
n
.
Cada producto tiene un costo fijo K
i
(i = 1,...,n), un costo de
almacenamiento h
i
(i = 1, ...., n) y una demanda constante a
i
(i
= , ....,n).
Adems se supone que la produccin o el pedido es
instantneo, que no existen descuentos en los precios y que no se
permiten demandas diferidas.
La funcin de costo total puede obtenerse a partir del costo
total para un solo producto.
No vamos a considerar
T = hQ/2 + Ka/Q desagregacin de
costos de produccin.
Ahora bien, para n productos Q
i
= 1,...., n la funcin anterior
se transforma en
T =
,
_
+
n
i
i i
i
i i
Q h
Q
K a
1
2
Si cada producto Q
i
tiene un volumen V
i
(i = 1,...., n), y
sabiendo que el espacio de almacenamiento tiene una capacidad
finita A, se tienen las siguientes restricciones:
n
i
i i
A Q V
1
Q
i
0 i = 1,...., n
El problema se reduce a calcular los valores de Q
i
, i = 1,....n
de modo que
Funcin Objetivo Min T =
,
_
+
n
i
i i
i
i i
Q h
Q
K a
1
2
1
Sujeta a
n
i
i i
A Q V
1
Q
i
0 i = 1,...., n
Podemos resolver este problema, por el mtodo de
Lagrange. De este modo se tiene:
L(Q
i
, ) =
n
i
i i
Q h
1
+
n
i i
i i
Q
K a
1
-
,
_
A Q V
n
i
i i
1
Podemos encontrar los Q
i
y que minimizan la ecuacin
anterior, resolviendo el siguiente sistema
L(Q
i
, )/ = A -
n
i
i i
Q V
1
= 0(1)
L(Q
i
, )/Q
j
= h
j
a
j
K
j
/ Q
j
2
- V
j
= 0 (2)
j = 1,...., n
De la ecuacin (2) podemos obtener Q*
j
h
j
- V
j
= a
j
K
j
/Q
j
2
Q*
j
=
j j
j j
V h
K a
2
2
(3)
El valor de , que debe ser menor a cero se encuentra por
iteracin.
Forma de operar:
1. Se da un valor de (negativo)
2. Se calcula un valor Q*
j
de la ecuacin (3) con j = 1,...., n
3. Se calcula la ecuacin (1) y se ve si cumple la igualdad, si no
es as (no satisface) se modifica el valor de por otro valor
y se repite el procedimiento, hasta lograr una aproximacin
de la igualdad (1).
Ver Ejemplo N 1
Si = 0 se tiene el lote econmico
Q*
j
=
j
j j
h
K a 2
MODELO DEL TAMAO DEL LOTE DE PRODUCCION
Se tiene una tasa de produccin = b
b > a
Se tiene una tasa de consumo = a
Q A (b a) = pendiente
de la recta
Q
1
N
- a =
pendiente de la recta
0 C B
t
1
t
t
1
: tiempo en que se producen las Q unidades.
t : tiempo en que se consumen las Q unidades.
Q
1
: representan las unidades que quedan en inventario.
S b = a; consumo igual a produccin no hay inventario
Funcin de costo
T = Costo fijo + costo variable
T = K + h (cantidad a mantener en inventario)
Del grfico:
__
AC: representa la cantidad mxima producida.
__
NC: representa la mxima cantidad que se mantiene en
inventario.
__
(Cantidad a mantener en inventario) = rea bajo la curva = NC * t
Por lo tanto
__
T = K + h ( NC * t)
Pero __
NC = Q
1
La ecuacin de la recta ON es en general y = a` + b`t
Reemplazamos valores (t
1
, Q
1
) y (0,0) se tiene
(Q
1
0) = 0 + (b a) (t
1
0)
Q
1
= 0 + (b a) t
1
Como t
1
= Q/b
__
NC = Q
1
= (b a) Q / b
Reemplazamos en T:
T = K + h (1/2 (b a/b) Q) t /: t
Costo por unidad de tiempo
T`= K/t + h(1/2 (1 a/b) Q)
t = Q/a
T` = aK/Q + h (1 a/b) Q
Derivando para obtener el valor del lote econmico de
produccin se tiene:
T`/ Q = -aK/Q
2
+ h (1 a/b) = 0
Q*=
,
_
b
a
h
aK
1
2
Como
Q
1
= (b - a)Q/b
Reemplazamos el valor Q*
Q
1
= (b - a)/b
,
_
b
a
h
aK
1
2
Q
1
=
hb
a b aK ) ( 2
Q
1
=
,
_
b
a
h
aK
1
2
EJEMPLO N 1
(Limitacin de espacio de almacenamiento)
Espacio de almacenamiento A = 25 m
3
ITEM k
i
a
i
h
i
V
i
(m
3
)
1 10 2 0,3 1
2 5 4 0,1 1
3 15 3 0,2 1
SOLUCIN
ITERACION
Q*
i
V
i
Q
i
= - 0,1
8.944
11.547 =
15.000
35.491 25
= - 0,4
6.030
6.667 =
9.487
22.184 25
= - 0,3
6.667
7.559 =
10.607
24.833 25
Por lo tanto, los lotes ptimos son:
Q*
1
= 6.667 unid.
Q*
2
= 7.559 unid.
Q*
3
= 10.607 unid.
EJEMPLO N 2
(Produccin y consumo a la vez)
Un contratista tiene que proveer de 10.000 cojinetes por da
a un fabricante de automviles. Encuentra que iniciar un lote de
produccin, puede producir 25.000 cojinetes por da. El costo de
mantener un cojinete en el almacn por un ao es de 2 centavos, y
el costo de arranque de un lote de produccin es de $18. Qu tan
frecuentemente deben fabricarse los lotes de produccin?
SOLUCION
a: Nmero de cojinetes requeridos por da.
b: Nmero de cojinetes producidos por da.
h: Costo de mantener un cojinete en inventaro por da.
K: Costo de arranque de un lote de produccin.
Q: Nmero de cojinetes producidos por lote de
produccin.
t: Intervalos entre periodos de produccin.
Para este caso en que existe produccin y consumo
simultneamente, la representacin del costo total por unidad de
tiempo es:
CT = aK/Q + h (1 - a/b)Q
cT/Q = - aK/Q
2
+ h (1-a/b) = 0
Q
2
= 2aK/h(1 - a/b)
Q* =
,
_
b
a
h
aK
1
2
t* = Q*/a =
Valores para el problema.
a = 10.000 coj./da b = 25.000
coj./da
h = 2 c/ao /100 x 365 = 0,0000547 $/da K = $18
Q* =
,
_

25000
10000 1
) . / ($ 0000547 . 0
$ 18 * / 000 . 10 * 2
dia coj
da coj
Q* = 104.732 cojinetes.
t* = 104.732 cojinetes/10.000 coj./dia = 10,47 das.
N=1/(10,47 das x Ao/365das) aprox 35 ciclos en el
ao
EJEMPLO N 3
(Inventario con dficit)
Un contratista se compromete a surtir motores Diesel a un
fabricante de camiones, a razn de 25 por da. Hay una clusula en
el contrato que lo multa con $10 por motor, por da en que no
cumpla con la fecha predeterminada de entrega. El contratista
encuentra que el costo de mantener un motor completo en su
almacn es de $16 por mes. Su proceso de produccin es tal que
cada mes (30 das) inicia la produccin un grupo de motores en los
talleres, y todos estos motores quedan disponibles para entrega en
cualquier ocasin despus del final del mes. Cul debera ser su
nivel de inventario al principio de cada mes (i,e, inmediatamente
despus de haber llevado al almacn los motores hechos en el mes
anterior, y luego de surtir los motores para cubrir la demanda no
satisfecha del mes anterior)?
SOLUCION
En el caso de inventario con dficit el costo total por unidad
de tiempo es
CT = aK/Q + ac + hS
2
/2Q + p(Q-S)
2
/2Q
Nivel de
Inventario
S -
S S/a
S-at
Q
0
t
Q/a
30 dias
t = 30 = Q/a => Q = 30a
El costo total por ciclo (sin considerar costos fijos y
variables)
CT = hS
2
/2a + p(Q S)
2
/2a
CT = hS
2
/2a + p(30a - S)
2
/2a
CT/S = hS/a - p(30a - S)/a = 0
S* = 30a p/(h + p)
DATOS:
a = 25 motores / da
h = 16 $ / motores / 30 = 0,533 $ / motor da
p = 10 $ / motor da
S* = 30 da x 25 (motor / da) x 10 ($ /motor da)
(0,533 ($/motor da) + 10 ($/motor da))
S* = 712 motores
EJEMPLO N 4
(Inventario con dficit)
Tmese el problema anterior, suponga que la produccin se
lleva cabo por lotes, y cada vez que se inicia un lote hay costos de
arranque de $ 10.000. Que tan frecuentemente deben iniciarse los
lotes de produccin, y cual debe ser el nivel inicial de inventario al
tiempo en que se completa cada lote?
Ahora el costo total por unidad de tiempo es:
CT = aK/Q + ac + hS
2
/2Q + p(Q S)
2
/2Q
De donde se obtiene que
S* =
h
aK 2
p h
p
+
Q* =
h
aK 2
/
p h
p
+
t* = Q*/a
Calculando de tiene:
S* =
) / ($ 533 , 0
10000 $ ) / ( 25 . 2
dia motores
x dia motor
10 533 , 0
) / ($ 10
+
motordia
S* = 968,276 x 0,9743 = 943,44
Q* = 968,276 / 0,9743 = 993,817
t* = 993,817 motores / 25 (motores/da) = 39,75 das
OBSERVACIONES
Se puede hacer varias observaciones sobre los modelos de
lote econmico:
1. Si se supone que el costo de produccin (o de compra) de
un artculo es constante a travs del tiempo, no aparece en
la solucin optima.
2. Se supuso antes que Q, el nmero de unidades producidas,
era constante de un ciclo a otro. Un poco de reflexin sobre
esto revelar que en realidad esta suposicin es mas bien un
resultado.
3. Estos modelos se pueden ver como un caso especial de una
poltica (s,S). Casi siempre se usa una poltica (s,S) en el
contexto de una poltica de revisin peridica en donde, en el
momento de la revisin, se coloca una orden para hacer que
el nivel de inventario llegue a S si el nivel actual es menor o
igual a s. De otra manera se ordena. El smbolo S denota el
nivel de orden y s denota el punto de reorden.
En los modelos de lote econmico, s significa el nivel del
inventario en el que se ordena, de manera que cuando no se
permiten faltantes, s es igual al negativo del mximo faltante; es
decir,
S = -
p aK / 2 h p h + /
Como los modelos del lote econmico son modelos de
revisin continua, cuando el nivel de inventario es igual a s se
coloca una orden para reabastecerlo hasta el nivel de reorden S. La
cantidad a ordenar es Q = S s.
4. A partir del anlisis presentado, resulta obvio que el punto de
reorden nunca ser positivo. Una poltica que requiera s > 0
no puede ser optima porque est dominada por una poltica
que pide que se ordene la misma cantidad Q, pero solo
cuando el punto de reorden llega a cero. Est dominada en
el sentido de que esta ltima poltica tiene los mismos costos
fijos y de compra pero un costo ms pequeo de mantener el
inventario.
5. Se puede incluir con facilidad un costo de entrega fijo y
conocido. Dentese por el tiempo que transcurre en entre
colocar y recibir una orden. Se supone que es constante
en el tiempo e independiente del tamao de la orden. Es
evidente que si se desea que la orden llegue en le momento
en que el nivel de inventarios llega a s, entonces debe
colocarse periodos antes. As, el punto de reorden es
S + a
en donde s se determina para la situacin que no incluye
tiempos de entrega
Nivel
inventario
Q - at
S + a
S

Tiempo
Q / a
PROBLEMAS PARA RESOLVER
Problema N 1
Una compaa que fabrica televisores produce sus propios
parlantes para usarlos en la fabricacin de los aparatos. Los
televisores se ensamblan en una lnea de produccin continua a
una tasa de 8.000 al mes. Los parlantes se producen por lotes,
pues no justifican toda una lnea de produccin y se pueden
producir cantidades relativamente grandes en un tiempo corto. La
compaa est interesada en determinar cuando y cuantos
parlantes debe producir. Deben tomarse en cuenta varios costos:
1. Cada vez que se produce un lote, se incurre en un costo de
preparacin de $12.000. Este costo incluye el costo de
preparar las maquinas y herramientas, los costos
administrativos, los de registro, etc.
2. La produccin de lotes grandes de parlantes conduce a
inventarios grandes. El costo estimado de mantener un
parlante en almacn es de 30 centavos / mes. Este costo
incluye el costo de capital invertido, el espacio de
almacenamiento, seguros, impuestos, proteccin, etc. La
existencia de un costo de mantener el inventario es un
motivo para producir lotes pequeos.
3. El costo de produccin de un solo parlante (excluyendo el
costo de preparacin) es de $10 y puede suponerse que es
un costo unitario independiente del tamao del lote
fabricado. (En general, el costo unitario de produccin no
necesita ser constante y puede decrecer con el tamao del
lote)
4. La poltica de la compaa prohibe la planeacin deliberada
de faltantes de cualquiera de sus componentes. Sin
embargo, en ocasiones ocurre un faltante de parlantes y se
ha estimado que cada parlante que falta cuando se necesita
cuesta $1.10 / mes. Este costo incluye el costo de instalar
los parlantes una vez que el televisor est totalmente
ensamblado, el espacio de almacn, el ingreso retrasado, los
registros, etc.
Problema N 2
Una compaa manufacturera de aviones utiliza remache a razn
de 5.000 libras al ao, aproximadamente constante. Los remaches
cuestan $2 por libra, y el personal de la empresa estima que cuesta
$20 hacer un pedido de estos remaches, y que el costo de llevar
inventario es de 10% por ao.
a) Qu tan frecuentemente deben hacerse
pedidos de remaches y qu cantidades deben
ordenarse?
b) Si los costos reales son $50 por hacer un
pedido y 15% del costo de inventario, el ptimo cambia
Cunto est perdiendo la compaa anualmente debido
a una informacin incorrecta sobre costos?
Problema N 3
Un fabricante recibe un pedido por 6.890 artculos que deben
surtirse en un periodo de un ao como sigue:
Al terminar la semana 1: 5 artculos.
Etc.
El costo de mantener inventario es de $2,6 por elemento por
ao, y el costo de arranque es de $450 por lote de produccin.
Problema N 4
Don Ricodulce produce chocolates caseros con una
velocidad de 4.000 unidades de diferentes modelos, el ritmo de
consumo de chocolates por parte de los clientes Ricodulce es de
2.850 unidades por semana, Don Ricodulce estima que producir
cada lote tiene un valor de $250, con un costo unitario de 7 pesos;
Don Ricodulce paga por almacenaje la suma de 8 pesos por
unidad por mes.
Don Ricodulce lo (la) ha contratado a Ud. para que le indique
cuanto es el tiempo que tiene que producir para obtener el costo
mnimo y calcule este costo.
Problema N 5
Demuestre que el lote econmico queda representado por
Q* =
,
_
b
a
h
aK
1
2
Cuando existe una tasa de produccin b y una tasa de
consumo a, donde b > a.
Calcule los costos de las siguientes polticas:
1) Fabricar todos los 6890 artculos al principio del ao.
2) Fabricar 3445 ahora y 3445 en 6 meses.
3) Fabricar 1/12 del pedido cada mes.
4) Fabricar 1/52 del pedido cada semana.
Problema N 6
Una empresa manufacturera tiene una demanda cclica fija, con un
periodo de una semana, como sigue:
Lunes 9
Martes 17
Mircoles 2
Jueves 0
Viernes 19
Sbado 9
Domingo 14
Una poltica de la compaa es mantener constante la
produccin diaria. Los departamentos de produccin y de
embarque trabajan siete das a la semana, y la produccin de un
da queda disponible para su embarque al da siguiente.
Si un dficit cuesta cuatro veces mas que un exceso de la
misma magnitud por da. Qu tanta existencia debe estar
disponible al iniciarse las operaciones el lunes?
Problema N 7
Una industria de detergentes tiene un conjunto de cinco
productos qumicos que utiliza en la casi totalidad de los productos
que fabrica. La demanda anual a
i
y el costo por unidad c
i
son los
siguientes
Producto a
i
c
i
1 600 3
2 900 10
3 2400 5
4 12000 5
5 18000 1
El costo fijo de ordenar es de $10 y es igual para todos los
productos. El costo anual de inventario para cada producto es igual
al 12% del costo unitario.
Suponga que la industria tiene una limitacin en el capital de
trabajo y puede mantener a lo ms $ 3000 como inventario
promedio en el periodo (por producto).
Calcule la cantidad a ordenar en $ y el nmero de rdenes al
ao para cada producto.
Problema N 8
Los siguientes datos se refieren a la compra de un artculo
con una lista de descuentos:
Cantidad Precio/Unidad
0 99 100
100 999 85
1000 9999 75
10000 - + 65
Los costos fijos por pedidos son de $100 y el costo de
conservacin de los inventarios est medido como una fraccin del
valor del inventario, es de un 20%. Los requerimientos anuales
podran variar ampliamente segn se obtenga a no ciertos
contratos. La direccin desea conocer la Q optima de compra bajo
tres condiciones diferentes de contrato: 24, 1000 y 60000 unidades
por ao.
Cuales son la Q ptima de compra para los tres valores
alternativos de la demanda?
CAPITULO IV
PROGRAMACIN DINMICA
INTRODUCCIN
La programacin dinmica es una tcnica matemtica que
resulta til para tomar una sucesin de decisiones
interrelacionada.
Proporciona un procedimiento sistemtico para determinar la
combinacin de decisiones que maximice la efectividad
global.
S la comparamos con la programacin lineal, no existe un
planteamiento matemtico estndar del problema de
programacin dinmica.
La programacin dinmica es un tipo general de enfoque
para resolver problemas y las ecuaciones particulares
usadas deben desarrollarse para que se ajusten a cada
situacin individual.
Se requiere un cierto grado de ingenio y de visin de la
estructura general de los problemas de programacin
dinmica, a fin de reconocer cundo un problema se puede
resolver mediante los procedimientos de esta programacin
y cmo se hara.
PROBLEMA DE LA DILIGENCIA
EJEMPLO 1
Este problema se refiere a un vendedor mtico que tuvo que viajar
hacia el oeste por diligencia, a travs de tierras indias hostiles,
aproximadamente hace 125 aos. Aun cuando su punto de partida y
destino eran fijos, tena un nmero considerable de opciones para elegir
qu estados recorrer en su ruta.
Aqu vemos las posibles rutas a seguir, cada estado esta
representado por un bloque numerado. Adems se requieren cuatro etapas
para viajar desde su punto de embarque en el estado 1 hasta su destino en
el estado 10.
Continuando con el cuento......
Este vendedor era un hombre prudente, que se preocupaba bastante
respecto a la seguridad de su viaje. Despus de reflexionar un poco
se le ocurri una forma un tanto ingeniosa de determinar la ruta
ms segura.
Se ofrecan seguros de vida a los pasajeros de las diligencias.
Como el costo de cada pliza se basaba en una evaluacin
1
2
3
4
5
6
7
8
9
10
cuidadosa de la seguridad de ese recorrido, la ruta ms
segura deba ser aquella con la pliza de seguro de vida
ms barata.
Los costos de la pliza estndar para el viaje en
diligencia del estado i al j , el cual se denotar C
ij
, es
Cul
sera la ruta que minimiza el costo total de la pliza?
Un primer impulso podra conducirnos a elegir. Al recorrido ms
barato ofrecido en cada etapa sucesiva.
Ejemplo
Ruta 1 2 6 9 10
Costo 2 + 4 + 3 + 4 = 13 costo total
Sin embargo, sacrificando un poco en una etapa es posible que se
obtengan ahorros mayores de all en adelante.
Ejemplo
Ruta 1 4 6
Costo 3 + 1 = 4
Comparado con la eleccin anterior
2 3 4
1 2 4 3

5 6 7
2 7 4 6
3 3 2 4
4 4 1 5

8 9
5 1 4
6 6 3
7 3 3

10
8 3
9 4

Ruta 1 2 6
Costo 2 + 4 = 6
Globalmente es ms barata la primera opcin.
Una forma de resolver este problema es por tanteo. Pero el nmero
de rutas posibles es muy alto (en este caso 18) y por lo tanto son
muchos los clculos a realizar.
La programacin dinmica suministra una solucin con mucho
menos esfuerzo que la numeracin exhaustiva
La programacin dinmica parte de una pequea porcin del
problema y encuentra la solucin ptima para este problema ms
pequeo. Entonces gradualmente agranda el problema, hallando la
solucin ptima en curso a partir de la anterior, hasta que se
resuelve por completo el problema original.
Veamos los detalles involucrados en la implementacin general.
Considrese que las variables de decisin X
n
(n = 1, 2, 3, 4) son el
destino inmediato en la etapa n.
As, la ruta seleccionada sera 1 X
1
X
2
X
3
X
4
, en
donde X
4
= 10.
Sea f
n
(s, X
n
) el costo total de la mejor poltica global para las
etapas restantes, dado que el vendedor se encuentra en el estado s
listo para iniciar la etapa n y selecciona a X
n
como destino
inmediato.
Dados s y n, denotemos por
*
n
X
el valor de X
n
que minimiza a f
n
(s, X
n
) y sea
*
n
f
(s) el valor mnimo correspondiente de f
n
(s, X
n
).
Por tanto,
*
n
f
(s) = f
n
(s,
*
n
X
)
El objetivo es hallar ) 1 (
*
1
f y la poltica correspondiente.
La programacin dinmica hace esto, hallando sucesivamente
) (
*
4
s f , ) (
*
3
s f , ) (
*
2
s f y, a continuacin, ) 1 (
*
1
f .
Cuando el vendedor tiene solamente una etapa ms por recorrer, su
ruta queda completamente determinada por su destino final.
La solucin inmediata al problema de una etapa es
Si somos rigurosos con la notacin, deberamos escribir la tabla
anterior de la siguiente forma:
*
4
f (s, X
4
) = C
s
x
4
+ ) (
4
*
5
x f
S X
4
10
*
4
f (s)
*
4
X
8 3 + 0 = 3 3 10
9 4 + 0 = 4 4 10
Se define
) (
4
*
5
x f
= 0
Cuando el vendedor tiene dos etapas ms por recorrer, la solucin
requiere de unos cuantos clculos.
s ) (
*
4
s f
*
4
X
8 3 10
9 4 10

Ejemplo si el vendedor est en el estado S = 5. El puede ir al estado 8 9 con
costos 1 y 4 respectivamente. Si elige el estado 8, el costo adicional mnimo
despus de llegar all est dado en la tabla anterior como 3, el costo total de esta
decisin es 1 + 3 = 4. Y el otro caso sera 4 + 4 = 8. Por lo tanto se elegira el
estado 8
*
3
X
= 8 con
*
3
f
(s) = 4
*
3
f (s, X
3
) = C
s
x
3
+
) (
3
*
4
x f
S X
3
8 9
*
3
f (
s)
*
3
X
5 1+3 = 4 4 + 4 = 8 4 8
6 6 + 3 = 9 3 + 4 = 7 7 9
7 3 + 3 = 6 3 + 4 = 7 6 8
-
- La solucin para tres etapas se obtiene de igual forma
2
f (s, X
2
) = C
s
x
2
+
) (
2
*
3
x f
S X
2
5 6 7
*
2
f (
s)
*
2
X
2 7 +4 = 11 4 + 7 = 11 6 + 6 = 12 11 5 o 6
3 3 + 4 = 7 2 + 7 = 9 4 + 6 = 10 7 5
4 4 + 4 = 8 1 + 7 = 8 5 + 6 = 11 8 5 o 6

8
9
5
Movindose al problema de cuatro etapas, el costo de la poltica
ptima, dado el destino inmediato, nuevamente es la suma del
costo de la primera etapa ms el costo mnimo de all en adelante.
1
f (s, X
1
) = C
s
x
1
+ ) (
1
*
2
x f
S X
1
2 3 4
*
1
f (s
)
*
1
X
1 2 + 11 = 13 4 + 7 = 11 3 + 8 = 11 11 3 o 4
Si se elige 1 3 5 8 10
Si se elige 1 4 5 8 10
1 4 6 9 10
CARACTERISTICAS DE LOS PROBLEMAS DE PROGRAMACIN
DINMICA.
1. El problema puede dividirse en etapas, con una decisin de la
poltica requerida en cada etapa.
2. Cada etapa tiene cierto nmero de estados asociados a ella.(finitos
o infinitos).
Todas estas rutas son
ptimas con un costo
total = 11 (mnimo)
3. El efecto de la decisin de una poltica en cada etapa es transformar
el estado actual en un estado asociado con la etapa siguiente.
4. Dado el estado actual, una poltica ptima para las etapas restantes
es independiente. De la poltica adoptada en las etapas previas.
5. El procedimiento de resolucin empieza por hallar la poltica
ptima para cada estado de la ltima etapa.
6. Se dispone de una relacin recursiva que identifica la poltica
ptima para cada estado en la etapa n, dada la poltica ptima para
cada estado en la etapa (n + 1).
Para el problema de la diligencia, esta relacin recursiva que
) (
*
s f
n
=
n x
mn
{C
s
x
n
+
) (
*
1
n
n
x f
+
}
7. Usando esta relacin recursiva el procedimiento de resolucin se
mueve hacia atrs, etapa por etapa hallando en cada ocasin la
poltica ptima para cada estado de esa etapa hasta que se
encuentra la poltica ptima cuando parte de la etapa inicial.
PROGRAMACIN DINAMICA DETERMINSTICA
Estructura bsica
Estado:
EJEMPLO 2
El consejo Mundial de la salud se dedica a mejorar el cuidado de la
salud en los pases subdesarrollados del mundo. Ahora cuenta con cinco
equipos mdicos para asignar entre tres de esos pases a fin de mejorar su
cuidado mdico, su educacin sanitaria y sus programas de entrenamiento.
Por lo tanto, el Consejo necesita determinar cuntos equipos asignar a cada
uno de estos pases para maximizar la efectividad total de los cincos
equipos. La medida de efectividad que se est usando es los aos de vida
adicionalmente del hombre. (Para un pas particular, esta medida es igual
a la esperanza incrementada de vida del pas, en aos multiplicada por su
poblacin) La tabla siguiente da los aos de vida adicionales del hombre
(en mltiplos de 1000) para cada pas, para cada asignacin de equipos
mdicos.
S
n
Contribucin de
X
n
S
n
+1
n + 1 n
) , ( n n n X S f
) , (
*
1
n n
n
X S f
+
Tablas Datos para el consejo Mundial de la Salud.
SOLUCIN
- Se requiere tomar tres decisiones interrelacionadas
Cuntos equipos mdicos asignar a cada uno de los tres pases?
Es necesario identificar: 1) Etapas
2) Variables de decisin
3) Estados
4) Funcin de efectividad
5) Objetivo
N de equipos mdicos
Miles de aos de vida adicionales del hombre
1
Pas
2 3
0 0 0 0
1 45 20 50
2 70 45 70
3 90 75 80
4 105 110 100
5 120 150 130

1) Son tres los pases a los cuales hay que asignar equipos mdicos.
Aun cuando no se tiene una secuencia fija, estos tres pases pueden
considerarse como las tres etapas.
2) Las variables de decisin X
n
(n =1, 2, 3) seran el nmero de
equipos por asignar a la etapa (pas) n.
3) Para identificar los estados es necesario identificar lo que cambia
de una etapa a la siguiente.
Utilizando la misma notacin empleada en el primer problema
(caso diligencia).
f
n
(s, X
n
) = p
n
(x
n
) + mximo
+
3
1
) (
n i
i i x p
tal que
3
, 5
n i
i x
las
x
i
son enteros no negativos. Para n = 1, 2, 3.
Adems
) (
*
s f
n
= mx. ) , ( n n x s f x
n
= 0, 1,.....,s
Por lo tanto
f
n
(s, X
n
) = p
n
(x
n
) +
) (
*
1
n
n
x s f
+
definimos
*
4
f como cero.
Esquemticamente queda como sigue
Estado:
Dado que se han tomado las decisiones en las etapas previas,
S
Pn(Xn)
S-
X
n
n + 1 n
) (
*
1
n n
n
X S f
+
f
n
(s, X
n
) = p
n
(x
n
) + ) (
*
1
n
n
x s f
+
Cmo puede describirse la condicin de la situacin en la etapa
actual?
Qu informacin acerca del estado actual de las cosas se necesita
para determinar la poltica ptima de aqu en adelante?
Cul ser el estado del sistema?
Es el nmero de equipos mdicos que todava quedan disponible para ser
asignados (el nmero que no haya sido ya asignado en las etapas previas).
4) Sea p
i
(x
i
) la medida de efectividad de asignar x
i
equipos mdicos al
pas i.
5) Por lo tanto, el objetivo es elegir X
1
, X
2
, X
3
, tal que se Maximice
3
1
) (
i
i i x p
Sujeta a
5
3
1

i
i x
y los x
i
son enteros no negativos.
Relacin recursiva
La relacin recursiva que conecta a las funciones
*
1
f ,
*
2
f ,
*
3
f
es
) (
*
s f
n
= mx. {p
n
(X
n
) +
) (
*
1
n
n
x s f
+
} para n = 1, 2 para la
ltima etapa (n = 3)

*
3
f
(s) = mx. p
3
(x
3
) X
3
= 0, 1, , s
Realicemos los clculos
Empezando con la ltima etapa (n =3) y
retrocediendo hasta la primera etapa (n =1):
n = 3
s
*
3
f (
s)
*
3
X
0 0 0
1 50 1
2 70 2
3 80 3
4 100 4
5 130 5

n = 2
X
2
2
f (s, X
2
) = p
2
(x2) +
) ( 2
*
3
x s f
S 0 1 2 3 4 5
*
2
f (s)
*
2
X
0 0 - - - - -
1 50 20 - - - -
2 70 70 45 - - -
3 80 90 95 75 - -
4 100 100 115 125 110 -
5 130 120 125 145 160 150
n = 1
X
1
1 f
(s, X
1
) = p
1
(x
1
) +
) ( 1
*
2
x s f
S 0 1 2 3 4 5
*
1
f (s
)
*
1
X
5 160 170 165 160 155 120 170 1
Solucin optima ) 5 (
*
1
f = 170
*
1
X = 1
*
2
X = 3
*
3
X
= 1
EJEMPLO 3
Un proyecto espacial del gobierno est conduciendo la
investigacin sobre un cierto problema de ingeniera que debe resolverse
antes de que el hombre pueda volar con seguridad a Marte. Tres equipos
de investigadores estn tratando actualmente tres procedimientos
diferentes para resolver este problema. Se ha hecho la estimacin de que,
bajo las circunstancias presentes, la probabilidad de los equipos
respectivos llammoslos 1, 2 y 3 no tengan xito es 0.40, 0.60, 0.80,
respectivamente. Por tanto, la probabilidad actual de que los tres equipos
fallen es (0.40) (0.60) (0.80) = 0.192. Dado que el objetivo es minimizar
esta probabilidad, se ha tomado la decisin de asignar dos cientficos
destacados ms entre los tres equipos para disminuirla tanto como sea
posible.
En la tabla siguiente se da la probabilidad estimada de que los
equipos respectivos fallen cuando a cada uno de ellos se les asigna 0, 1 o 2
cientficos ms. El problema determinar cmo asignar los dos cientficos
adicionales para minimizar la probabilidad de que los tres equipos fallen.
Tablas Datos sobre el problema del proyecto espacial del gobierno.
SOLUCIN
1- ETAPAS - corresponden a los equipos de investigacin
2- VARIABLES DE DECISIN X
n
(n = 1, 2, 3) son el nmero de
cientficos adicionales asignados a la etapa (equipo) n.
3- ESTADO el estado s es el nmero de cientficos nuevos que
todava estn disponibles para ser asignados en esa etapa.
4- P
i
(x
i
) la probabilidad de falla para el equipo i, si se le asignan X
i
cientficos adicionales.
5- Objetivo
Minimizar
3
1
) (
i
i i x p
= p
1
(x
1
) p
2
(x
2
) p
3
(x
3
)
Sujeto a
3
1 i
i x
= 2 y los x
i
son enteros no negativos
N de cientficos nuevos
Probabilidad de falla
1
Equipo
2 3
0 0.40 0.60 0.80
1 0.20 0.40 0.50
2 0.15 0.20 0.30

Como consecuencia
f
n
(s, X
n
) = p
n
(x
n
) . mnimo
+
3
1
) (
n i
i i x p
tal que
3
1 i
i x
= s, las x
i
son enteros no negativos, para n = 1, 2, 3.
) (
*
s f
n
=
s n x
mn
.
) , ( n
n
x s f
De donde
f
n
(s, X
n
) = p
n
(x
n
) *
) (
*
1
n
n
x s f
+
se define
4
f
como uno.
Esquemticamente queda como sigue
Estado:
La relacin recursiva que conecta a las funciones
*
1
f ,
*
2
f ,
*
3
f
en este
caso es
) (
*
s f
n
=
s n x
mn
.
{p
n
(X
n
) *
) (
*
1
n
n
x s f
+
} para n = 1, 2 para la
ultima etapa (n = 3)

*
3
f
(s) =
s x
mn
3
.
p
3
(x
3
)
Realicemos los clculos
S
Pn(Xn)
S-
X
n
n + 1 n
) (
*
1
n n
n
X S f
+
f
n
(s, X
n
) = p
n
(x
n
) * ) (
*
1
n
n
x s f
+
n = 3
n = 2
2
f (s, X
2
) = p
2
(x
2
) *
) (
2
*
3
x s f
S X
2
0 1 2
*
2
f (
s)
*
2
X
0 0.48 - - 0.48 0
1 0.30 0.32 - 0.30 0
2 0.18 0.20 0.16 0.18 2
n = 1
1 f
(s, X
1
) = p
1
(x
1
) *
) ( 1
*
2
x s f
S X
1
0 1 2
*
1
f (s
)
*
1
X
2 0.064 0.060 0.072 0.060 1
Solucin optima
*
1
X = 1

*
2
X = 0
*
3
X
= 1
s
*
3
f (
s)
*
3
X
0 0.80 0
1 0.50 1
2 0.30 2

La probabilidad de que los tres equipos fallen es 0.060.
EJEMPLO 4
La compaa leche industrializada CONASUPO S.A. (LICONSA),
va a comprar 6 carros-tanques para transportar leche, cada uno con
capacidad de 10.000 lt. Hay 4 zonas productoras de leche que abastecen al
Distrito Federal, localizadas en las siguientes entidades: Edo de Mxico,
La laguna (Coahuila), Veracruz y Chiapa. Se han hecho ciertas
estimaciones sobre los ahorros que LICONSA tendra en su distribucin
mensual de la leche al Distrito Federal, al no tener que contratar los
servicios de carros-tanque particulares. La siguiente tabla proporciona una
estimacin del ahorro, en millones de pesos mensuales, en funcin de la
asignacin de pipas a las zonas productoras.
Nmeros de carros
tanque
Edo de Mxico La Laguna Veracruz Chiapas
0 0 0 0 0
1 4 2 6 2
2 6 4 8 3
3 6 7 8 4
4 8 8 9 5
5 9 9 9 6
6 10 10 10 6
Cuntos carros-tanque se deberan asignar a cada lugar a fin de
maximizar al ahorro mensual estimado para LICONSA?
n = 4
n =3
3
f
(s, X
3
) = p
3
(x
3
) + ) ( 3
*
4
x s f
S X
3
0 1 2 3 4 5 6
*
3
f (s
)
*
3
X
0 0 - - - - - - 0 0
1 2 6+0=6 - - - - - 6 1
2 3 6+2=8 8+0=8 - - - - 8 1 2
3 4 6+3=9 8+2=10 8+0=8 - - 10 2
4 5 6+4=10 8+3=11 8+2=10 9+0=9 - - 11 2
5 6 6+5=11 8+4=12 8+3=11 9+2=11 9+0=9 - 12 2
6 6 6+6=12 8+5=13 8+4=12 9+3=12 9+2=11 10 13 2
n = 2
2
f (s, X
2
) = p
2
(x
2
) +
) ( 2
*
3
x s f
S X
2
0 1 2 3 4 5 6
*
2
f (s
)
*
2
X
0 0 - - - - - - 0 0
s
*
4
f (s)
*
4
X
0 0 0
1 2 1
2 3 2
3 4 3
4 5 4
5 6 5
6 6 5 6

1 6 2+0=2 - - - - - 6 0
2 8 2+6=8 4+0=4 - - - - 8 0 o 1
3
1
0
2+8=10 4+6=10 7+0=7 - - - 10 0 1 2
4
1
1
2+10=12 4+8=12 7+6=13 8+0=8 - - 13 3
5
1
2
2+11=13 4+10=14 7+8=15 8+6=14 9+0=9 - 15 3
6
1
3
2+12=14 4+11=15 7+10=17 8+8=16 9+6=15 10 17 3
n = 1
1
f (s, X
1
) = p
1
(x
1
) +
) (
1
*
3
x s f
S X
1
0 1 2 3 4 5 6
*
1
f (s
)
*
1
X
6 17 4+15=19 6+13=19 6+10=16 8+8=16 9+6=15 10+0=10 19 1 o 2
A) 1 3 1 1
B) 1 3 2 0
C) 2 3 1 0
RECAPITULEMOS
Estructura de la programacin dinmica
Conceptos
- VARIABLES DE ESTADO: Sus valores especifican las
condiciones del proceso. Los valores de esas variables nos
dicen todo lo que necesitamos saber sobre el sistema, a fin
de tomar decisiones.
- DECISIN: Es una oportunidad para cambiar las variables
de estado en una forma probabilstica, lo que se relaciona
con condiciones de incertidumbre.
- RETRIBUCIN: Las retribuciones generadas por cada
decisin dependen de los estados de principio y de fin de la
misma, y de ese modo se convierten en una secuencia de
decisiones. La tarea inmediata consiste en tomar decisiones
que aumenten al mximo las retribuciones totales.
- ETAPAS: Este ltimo concepto esta relacionado a la
estructura de programacin dinmica, y es la capacidad de
toma decisiones relacionadas con el problema en diversas
etapas o puntos en el tiempo. En cada paso del problema
se toma una decisin para cambiar el estado y, de ese modo,
para aumentar al mximo las ganancias. En el paso
siguiente se toman decisiones utilizando los valores de las
variables de estado que resulten de la decisin precedente y
as sucesivamente.
- La componente de tiempo slo se considera de dos modos: el presente,
y su periodo inmediatamente precedente. Ese mtodo es el siguiente:
Periodo 1 precedente , presente

Periodo n precedente , presente
- RECURSIN: El enfoque que anterior se basa en la nocin
matemtica de recursin, que se encuentra en las fracciones
continuas.
EJEMPLO DE FRACCIN CONTINUA
.
5
4
4
3
3
2
2
1
etc
b
a
b
a
b
a
b
a
+
+
+
+
- Con programacin dinmica se han resuelto problemas de
las siguientes ndole:
1. Programacin de la produccin
2. Congestin de produccin
3. compras de equipos
4. estabilizacin de empleo
5. inventarios ptimos
6. control de ingeniera
7. reinversin de utilidades
8. publicidad
9. dividendos
10. almacenamiento
PROBLEMA
Se supone que una camioneta tipo Vannete de 900 kilos de capacidad de la
Distribuidora CONASAPO S.A. (DICONSA), visita un determinado
nmero de poblados rurales, cada uno en su da de tianguis. La camioneta
puede llevar caf, maz, frijol y arroz. El caf viene empaquetado en un
saco de 200 Kg. El maz en uno de 400 Kg., el frjol en uno de 500 Kg. Y
el arroz en uno de 300Kg. Como esos productos se venden subsidiados a
las poblaciones rurales, el ahorro para el consumidor rural, ya estimado por
producto, es el siguiente:
$ 50 por 200 Kg. de caf
$ 120 por 400 Kg. de maz
$ 170 por 500 Kg. de frijol
$ 80 por 300 Kg. de arroz
Como los paquetes de los productos agrcolas son indivisibles (o sea no se
puede tener por ejemplo un bulto de 53 Kilos de arroz, o 327 Kilos de
maz), a 900 Kilos, se pregunta, Cul debe ser el cargamento que
maximiza el ahorro estimado para el consumidor rural?
Matemticamente se tiene que si:
Y
i
: Es el nmero de unidades del producto i, i = 1, 2, 3, 4.
Wi. Es el paso del producto i, i = 1, 2, 3, 4.
V
i
: Es el ahorro del producto i, i = 1, 2, 3, 4.
k : Es la capacidad de carga de la camioneta entonces el problema es:
Entonces el problema es:
Mx
4
1 i
i iY V
Sujeto a
4
1 i
i i k Y W
Y
i
0 , entero i = 1, 2, 3, 4
Cada producto constituye una etapa, por lo que se tiene cuatro
etapas
El vector de entrada X
i
a la etapa i, i =1, 2, 3, 4, representa la
capacidad de carga an disponible en la camioneta.
Se define como
1
]
1
i
i
W
X
al nmero entero ms grande menor que el
numero
,
_
i
i
W
X
, i = 1, 2, 3, 4
Ejemplo aclaratorio
1
]
1
4
9
=2, por que 2 es el entero ms grande menor que 2.25, que es
el cociente exacto de nueve entre cuatro.
La eficiencia y /o efectividad parcial del sistema en cada etapa es
V
i
Y
i
, donde
Y
i
= 0, 1, 2, ...,
1
]
1
i
i
W
X
, i =1,2,3,4
La funcin de transferencia entre la entrada y salida de una etapa es
X
i-1
= X
i
W
i
Y
i
La funcin recursiva es:
g
i
(X
i
) = Mx { V
i
Y
i
+ g
i-1
(X
i-1
)}, i = 1, 2, 3, 4.
Y
i
= 0, 1, .,
1
]
1
i
i
W
X
.
Sujeto a
0 X
i
k
X
i-1
= X
i
W
i
Y
i

Con g
0
(X
0
) 0 como condicin inicial.
Otra forma de expresar la funcin recursiva es:
g
i
(X
i
) = Mx { V
i
Y
i
+ g
i-1
(X
i
W
i
Y
i
)}, i = 1, 2, 3, 4
Y
i
= 0, 1, ,
1
]
1
i
i
W
X
. Sujeto a 0 X
i
k g
0
(X
0
)
0.
Optimizacin de una sola etapa

g
1
(X
1
) = Mx { V
1
Y
1
+ g
0
(X
0
) }
Y
1
= 0, 1, ...,
1
]
1
i
i
W
X
1
X
1
X
0
V
1
Y
1
Sujeto a 0 X
1
900 g
0
(X
0
) 0
Se tiene para esta etapa que
1
]
1
i
i
W
X
=
1
]
1
200
900
= 4
Por lo que existen cinco alternativas.
En forma tabular se tiene: (CAF)
Alternativa Y
1
= 0 Y
1
= 1 Y
1
= 2 Y
1
= 3 Y
1
= 4
X
1
en unidades de 100 Kg. 0.V
1
1.V
1
2. V
1
3. V
1
4. V
1
g
1
(X
1
)
Alternativa
optima
0 0 - - - - 0 Y
1
= 0
100 0 - - - - 0 Y
1
= 0
200 0 50 - - - 50 Y
1
= 1
300 0 50 - - - 50 Y
1
= 1
400 0 50 100 - - 100 Y
1
= 2
500 0 50 100 - - 100 Y
1
= 2
600 0 50 100 150 - 150 Y
1
= 3
700 0 50 100 150 - 150 Y
1
= 3
800 0 50 100 150 200 200 Y
1
= 4
900 0 50 100 150 200 200 Y
1
= 4

Optimizacin en dos etapas
g
2
(X
2
) = Mx { V
2
Y
2
+ g
1
(X
2
W
2
Y
2
)}
Y
2
= 0, 1,....,
1
]
1
2
2
W
X
Sujeto a 0 X
2
900
1
]
1
400
900
= 2
o sea existen tres alternativas (MAZ)
Alternativa Y
1
= 0 Y
1
= 1 Y
1
= 2
X
2
en unidades de 100
Kg.
0.V
1
+
g
1
(X
2
-0x400)
1.V
1
+
g
1
(X
2
-400)
2. V
1
+
g
1
(X
2
-800)
g
2
(X
2
)
Alternativa
optima
0 0 + 0 = 0 - - 0 Y
2
= 0
100 0 + 0 = 0 - - 0 Y
2
= 0
200 0 + 50 = 50 - - 50 Y
2
= 0
300 0 + 50 = 50 - - 50 Y
2
= 0
400 0 + 100 = 100 120 + 0 = 120 - 120 Y
2
= 1
500 0 + 100 = 100
120 + 0 =
120
- 120 Y
2
= 1
600 0 + 150 = 150
120+50 =
170
- 170 Y
2
= 1
700 0 + 150 = 150
120+ 50 =
170
- 170 Y
2
= 1
800 0 + 200 = 200
120+100=
220
240+0=240 240 Y
2
= 2
900 0 + 200 = 200
120+100=
220
240+0=240 240 Y
2
= 2

Optimizacin de tres etapas
g
3
(X
3
) = Mx { V
3
Y
3
+ g
2
(X
3
W
3
Y
3
)}
Y
3
= 0, 1,....,
1
]
1
3
3
W
X
Sujeto a 0 X
3
900
1
]
1
500
900
= 1, por lo que solo existen dos
alternativas que son cargas un solo saco de frijol de 500 Kg. o no cargar
frijol. (FRIJOL)
Alternativa
Y
3
= 0 Y
3
= 1
X
3
en unidades de 100
Kg.
0.V
3
+
g
2
(X
3
-0x500)
1.V
3
+
g
2
(X
3
-500)
g
3
(X
3
)
Alternativa
optima
0 0 + 0 = 0 - 0 Y
3
= 0
100 0 + 0 = 0 - 0 Y
3
= 0
200 0 + 50 = 50 - 50 Y
3
= 0
300 0 + 50 = 50 - 50 Y
3
= 0
400 0 + 120 = 120 - 120 Y
3
= 1
500 0 + 120 = 120
170 + 0 =
170
170 Y
3
= 1
600 0 + 170 = 170
170 + 0 =
170
170 Y
3
= 0 o Y
3
= 1
700 0 + 170 = 170
170 + 50 =
220
220 Y
3
= 1
800 0 + 240 = 240
170 + 50 =
220
240 Y
3
= 0
900 0 + 240 = 240
170 + 120 =
290
290 Y
3
= 1

Optimizando de cuatro etapas
g
4
(X
4
) = Mx { V
4
Y
4
+ g
3
(X
4
W
4
Y
4
)}
Y
4
= 0, 1,....,
1
]
1
4
4
W
X
Sujeto a 0 X
4
900
1
]
1
300
900
= 3, por lo que existen cuatro
alternativas, a saber: cargar un costal de arroz de 300 Kg. , o dos , o tres o
bien no cargar arroz en la camioneta (ARROZ)
Alternativa Y
4
= 0 Y
4
= 1 Y
4
= 2 Y
4
= 3
X
4
en
unidades
de 100 Kg.
0.V
4
+
g
3
(X
4
-0x300)
1.V
4
+
g
3
(X
4
-300)
2. V
4
+
g
3
(X
4
-600)
3. V
4
+
g
3
(X
4
-900)
g
4
(X
4
)
Alternativa
optima
0 0 + 0 = 0 - - - 0 Y
4
= 0
100 0 + 0 = 0 - - - 0 Y
4
= 0
200 0 + 50 = 50
-
- - 50 Y
4
= 0
300 0 + 50 = 50 0 + 80 = 80 - - 80 Y
4
= 1
400
0 + 120 =
120
0 + 80 = 80
-
- 120 Y
4
= 0
500
0 + 170 =
170
80 + 50 =
130
-
- 170 Y
4
= 0
600
0 + 170 =
170
80 + 50 =
130
0 + 160 =
160
-
170 Y
4
= 0
700
0 + 220 =
220
80 + 120 =
200
0 + 160 =
160
-
220 Y
4
= 0
800
0 + 240 =
240
80 + 170 =
250
160 + 50 =
210
-
250 Y
4
= 1
900
0 + 290 =
290
80 + 170 =
250
160 + 50 =
210
0 + 240 =
240
290 Y
4
= 0

La solucin ptima se deduce de la siguiente manera: la camioneta
tiene una capacidad de 900 Kilos, o sea X
4
= 0 (es decir, no se debe
llevar arroz).
Se tiene entonces que X
3
= 900 0 = 900, por lo que Y
3
= 1 (se
lleva un bulto de 500 Kg. de frijol).
Eso origina que X
2
= 900 500 = 400, y por lo tanto Y
2
= 1 ( se
lleva un bulto de 400 kilos de maz).
Finalmente X
1
= 400 400 = 0 y Y
1
= 0 ( no se lleva caf).
El ahorro mximo que se logra es de $ 120 por maz y $ 170 del
frijol, por lo que el ahorro total arroja la cantidad de $290
CAPITULO V
CADENAS DE MARKOV
INTRODUCCIN
- Son modelos dinmicos estocsticos as como dependientes
del tiempo.
Los procesos de Markov se utilizan para describir diversas
situaciones.
- En particular, los procesos de Markov son descriptivos
porque buscan determinar en forma secuencial las
probabilidades de que ocurran o no ocurran ciertos eventos.
- El nombre de procesos de Markov o en particular cadena de
Markov es en honor del matemtico Ruso A.A. Markov,
quien formaliz por primera vez la teora que se refiere a
eventos cuya condicin actual depende tan solo de su
condicin un periodo antes.
CADENA DE MARKOV
Las cadenas de Markov han encontrado aplicaciones en la
biologa, la fsica, la demografa, la economa y, lo que es ms
importante para nuestros propsitos, en la administracin.
La caracterstica fundamental de una cadena de Markov es:
la probabilidad de que el sistema bajo estudio est en una
condicin particular depende slo de su condicin actual.
Por ejemplo:
1. La probabilidad de que haya 6 personas esperando para usar la
mquina Xerox dentro de 30 minutos depende slo de cuantos
hay esperando ahora.
2. La probabilidad de que llueva dentro de 1 hora depende slo de
las actuales condiciones del clima.
3. La probabilidad de que cierto porcentaje de la prxima
generacin de ratas de laboratorio tenga enfermedad hereditaria
depende slo del porcentaje de ratas que tiene la enfermedad
en la generacin actual.
La motivacin de estudiar cadenas de Markov, son las mismas
que impulsan a estudiar programacin lineal.
1. El ajuste entre los problemas reales y los modelos de cadenas
de Markov es suficiente para que los administradores
encuentren tiles e interesantes los resultados.
2. Las matemticas subyacentes en los modelos estn bien
desarrolladas y ellas mismas permiten la solucin numrica de
los problemas individuales.
3. Los programas de clculo necesarios para encontrar las
soluciones mencionadas en el inciso 2 se encuentran
disponibles en forma conveniente. Veremos que los paquetes
de programacin lineal se pueden usar con ventaja en la
resolucin de problemas particulares de cadenas de Markov.
PROBLEMA ADMINISTRATIVOS DE LA CAJA DEL TESORERO
Sam Provaloni es el tesorero de la PROTAC. La
administracin de la caja es una de sus responsabilidades.
Sistema para la administracin de la caja.
Compra de inversiones
(costo de transaccin)
Venta de
inversiones
(costo de
transaccin)
Efectivos recibidos Gastos en efectivo
en ventas, etc. para compras, etc.
Contabilidad
de
efectivo
(costo de
oportunidad)
Cartera
De
inversiones
La pregunta fundamental:
Cunto dinero puede mantener la PROTAC en su cuenta de caja?
Hay un costo de oportunidad por retener efectivo.
El dinero que se tiene en caja pudo haberse colocado en la
cartera de inversiones de la PROTAC, donde producira un retorno
a la empresa.
Sam no desea que el balance de la cuenta de efectivo sea
demasiado alto.
Por otro lado, l tiene un acuerdo con el banco de que no se
permite que la contabilidad del efectivo baje de cierto nivel.
Sam ajusta el nivel de la contabilidad de efectivo sacando
dinero de sta e ingresndolo a la cartera de inversiones y
viceversa.
Por desgracia, sacar dinero de la cuenta de efectivo y
meterlo en la cartera de inversiones (o viceversa) no es gratuito.
Entonces, a Sam le gustara minimizar el nmero de transacciones.
El problema se complica porque el flujo de dinero que entra y
sale de la contabilidad de efectivo es variable. El nivel de la cuenta
de caja aumenta si los ingresos son mayores que los egresos. En
forma anloga, disminuye el nivel de la cuenta en caja si los
egresos son mayores que los ingresos. En definitiva, el cambio
neto de la contabilidad de efectivo es entonces el resultado
acumulado de miles de decisiones individuales.
Sam ha definido cuando mover dinero de la cuenta de caja
a la cartera de inversiones y cuando tomar la accin opuesta.
En la figura siguiente, se ilustra su esquema de operacin.
Cota Superior
Balance de caja
Punto de retorno
Cota inferior
1 2 3 4
5 das
FIGURA # 1
- Cada maana, Sam inspecciona el balance de caja. Si
alcanza o excede la cota superior (como en el da 2) lo
reduce al punto de retorno pasando dinero a la cartera de
inversiones.
- De forma anloga, si el balance de caja toca o disminuye por
debajo de la cota inferior (dia4), lo aumenta hasta el punto
de retorno, pasando dinero de la cartera a la caja.
- En la realidad estas transacciones son instantneas. Dichas
transacciones se efectan mediante un intercambio
electrnico de datos entre diversas cuentas. (EDI).
LA MATRIZ DE TRANSICIN DEL TESORERO
Construyamos ahora el modelo para el problema de
administracin de Sam mediante una cadena de Markov.
Supongamos que la siguiente matriz describe el
comportamiento del balance de caja de la PROTRAC si l no
interfiere en ella. Los datos del cuerpo de la tabla son
probabilidades. Los nmeros de la columna vertical (-3,....,5), son la
capacidad de efectivo (medidos de intervalos de a $10.000) en la
contabilidad de caja en la maana del da t.
Balance de
efectivo en la
maana
(Unidades de a
$10.000)
-3 -2 -1 0 1 2 3 4 5
-3
-2 0.2 0.5 0.3
-1 0.2 0.5 0.3
0 0.2 0.5 0.3
1 0.2 0.5 0.3
2 0.2 0.5 0.3
3 0.2 0.5 0.3
4 0.2 0.5 0.3
5
Balance de efectivo en la maana t + 1
(Unidades de a $10.000)
EJEMPLO
Supngase que se conoce este valor, y que el balance de
caja es 2 ($20.000). Los nmeros del regln superior de la matriz (-
3,....,5) son el balance de caja (tambin en intervalos de a $10.000)
en la maana del da t+1. Esto es lo que nos gustara conocer.
La tabla dice que si el balance de caja es 2 ($20.000) en el
da t, ser 1 el da t+1 con probabilidad 0.2.
En forma anloga, si el balance de caja es 2 en el da t, ser
2 el da t+1 con una probabilidad de 0.5 y 3 con probabilidad 0.3.
- El rtulo del regln indica el estado del sistema en un
momento dado.
- El rtulo de la columna identifica el estado del sistema a la
siguiente vez que sea inspeccionado.
- Y los datos de la tabla indican la probabilidad de que el
sistema se mueva de un estado al otro.
- La suma de las probabilidades a lo largo de un regln es
igual a 1.
- Cualquier matriz cuadrada en la cual todos los datos del
cuerpo de la tabla sean no negativos (esto es, >= 0) y la
suma de los datos de cada regln sean igual a 1 se llamar
Matriz Estocstica.
Consideremos ahora el sistema de control de la figura # 1.
Supngase que Sam pone una cota superior de 5 y una cota
inferior de 1, con el punto de retorno igual a 2. La matriz de
transicin para este modelo es:
1 2 3 4 5
1
2
3
4
5
0.2 0.5 0.3
0.2 0.5 0.3
0.2 0.5 0.3
0.2 0.5 0.3
0.2 0.5 0.3
Para deducir los nmeros del estado 1, recurdese que si Sam
llega el da t y encuentra el sistema en el estado 1, inmediatamente
lo transfiere al estado 2.
- La matriz estocstica de la figura anterior es la matriz de
transicin de un paso para este problema. Da la
probabilidad de que el sistema se mueva de un estado a otro
en un paso (o sea en una transicin).
- Tambin puede usarse para especificar la probabilidad de
que el sistema se mueva de un estado a otro en cualquier
numero de pasos o transiciones si las probabilidades de un
paso no cambian con el tiempo.
- Por ejemplo, se puede usar para contestar la pregunta: si el
sistema comienza en el estado 2, cual es la probabilidad de
que se encuentre en el estado 3 despus de dos etapas?
Analicemos esta figura: El nmero asociado con cada flecha
representa la probabilidad de tomar ese paso particular.
Por Ejemplo, considrese la ruta superior. El sistema va de 2 a
1 y luego de 1 a 3. La probabilidad del primer paso es 0.2 y la
del segundo 0.3 entonces multiplicamos las dos probabilidades
para encontrar la probabilidad de que el sistema viaje por esa
ruta. Entonces, 0.2 x 0.3 = 0.06. La probabilidad de cualquier
otra ruta posible puede ser calculada de una manera semejante.
Si p
2.3
(2)
es la probabilidad de que el sistema pase del estado
2 al estado3 en dos pasos, encontrando entonces la probabilidad
de cada ruta y sumando los productos, se obtiene.
P
2.3
(2)
= (0.2 x 0.3) + (0.5 x 0.3)+(0.3 x 0.5)
+(0 x 0.2) + (0 x 0.3) = 0.36
En trminos generales, si p
ij
es la probabilidad de que el
sistema vaya del estado i al estado j en un paso, y p
ik
(2)
es la
p
21
=
0.2
p
22
=
0.5
p
23
=
0.3
p
24
=
0
p
23
=0
.3
p
33
=0.
5
p
43
=0
.2
p
25
=
0
p
53
=0
.3
p
13
=0
.3
1 1
2 2
Estados Estados
3 3
4 4
5 5
Estado Estado
inicial inicial
Despus Despus
de un de un
paso paso
Despus Despus
de dos de dos
pasos pasos
probabilidad de que el sistema vaya de i a k en dos pasos,
entonces
p
ik
(2)
= (p
i,j
)(p
j,k
)

toda j
Puede usarse esta ecuacin para calcular p
ik
(2)
para todas las
combinaciones posibles de i y k. Pueden presentarse despus
los valores en forma matricial y se habr construido una matriz
de transicin de dos pasos.
PROCESOS ESTOCSTICOS
NOCIONES GENERALES
Podemos decir que un proceso estocstico es una secuencia
o coleccin de variables aleatorias definidas por medio de una
cierta regla o ley. Tal secuencia la designaremos X(t), en la que t
hace el papel de un parmetro (normalmente tiempo).
X
t
= variable aleatoria que depende del tiempo
Por ejemplo {X
t
/ t T}
T = conjunto de ndices posibles.
Por ejemplo, el proceso estocstico X
1
, X
2
, X
3
,.... puede
representar la coleccin de niveles semanarios (o mensuales) de
inventario de un producto dado, o bien, puede representar la
coleccin de demandas semanales (o mensuales) de ese
producto.
Existen muchos procesos estocsticos interesantes. La
consideracin del comportamiento de un sistema que opera
durante un cierto periodo a menudo conduce al anlisis de un
proceso estocstico con la estructura que se describe a
continuacin.
En puntos particulares del tiempo t, denominados 0,1,2,....,
el sistema se encuentra exactamente en uno de un numero finito
de categoras o estados mutuamente exclusivas y exhaustivas,
denominadas 0,1,2, ..., M. Los puntos en el tiempo pueden estar
igualmente espaciados, o bien, su espaciamiento puede
depender del comportamiento global del sistema fsico en que el
proceso estocstico est empotrado.
Por ejemplo, el tiempo entre ocurrencias de algn fenmeno
de inters. Aun cuando los estados pueden constituir una
caracterizacin cualitativa, as como cuantitativa, del sistema, no
se ocasiona perdida de generalidad alguna por las
denominaciones numricas 0,1,....,M que usaremos de aqu en
adelante para denotar los estados posibles del sistema. Por lo
tanto, la representacin matemtica del sistema fsico es el de
un proceso estocstico {X
t
}, en el que se observan las variables
aleatorias en t = 0,1,2,.... y en el que cada variable aleatoria
puede tomar cualquier valor entre los (M+1) enteros 0,1,2,...,M.
Estos enteros son una caracterizacin de los (M+1) estados del
proceso.
EJEMPLO:
Considrese el siguiente problema de inventarios.
Una tienda de cmaras tiene en almacn un modelo especial de
cmara que se puede ordenar cada semana. Sean D
1
, D
2
,...., las demandas de
esta cmara durante la primera, segunda,...., semanas, respectivamente. Se
supone que los Di son variables aleatorias independientes e idnticamente
distribuidas que tiene una distribucin de probabilidad conocida.
Sea X
0
el numero de cmaras que se tiene en el momento de
iniciar el proceso, X
1
el numero de cmaras que se tiene al final de la semana
uno, X
2
el numero de cmaras al final de la semana dos, etc. Supngase que
X
0
= 3. El sbado en la noche la tienda hace un pedido que le entregan en el
momento de abrir la tienda el lunes.
La tienda utiliza la siguiente poltica (s, S) para ordenar: si el
numero de cmaras en inventario al final de la semana es menor que s=1 (no
hay cmaras), ordena(hasta) S=3. De otra manera, no coloca la orden (si se
cuenta con una o mas cmaras en el almacn, no se hace pedido).
Se supone que las ventas se pierden cuando la demanda excede el
inventario.
Entonces, {X
t
} para t=0,1,... es un proceso estocstico de la forma
que se acaba de describir. Los estados posibles del proceso son los enteros
0,1,2,3 que representan el numero posibles de cmaras en inventario al final de
la semana. De hecho, es claro que las variables aleatorias X
t
son dependientes
y se pueden evaluar en forma iterativa por medio de la expresin
Max. {(3 - D
t+1
), 0}, s
X
t
< 1
X
t+1
=
Max. {(X
t
- D
t+1
), 0}, s X
t
>= 1
Para t= 0,1,2,3,....
CADENAS DE MARKOV
Hiptesis de Markov: Se dice que un proceso estocstico {Xt} tiene
la propiedad markoviana si
P{X
t+1
= j/X
0
= k
0
, X
1
= k
1
,..,X
t+1
= k
t-1
,X
t
= i}
= P{X
t+1
= j/X
t
= i}
Para t = 0,1,.... y toda sucesin i, j, k
0
, k
1
, k
2
,.... k
t-1
Todo esto equivale a decir que la probabilidad condicional de
cualquier evento futuro, dado cualquier evento pasado y el
estado presente X
t
= i, es independiente del evento pasado y
depende tan solo del estado presente del proceso.
Las probabilidades condicionales P{X
t +1
= j / X
t
= i} se
conocen como probabilidades de transicin.
Si para cada i y j,
P{X
t +1
= j / X
t
= i} = P{X
1
= j / X
0
= i}
Para todo t = 0,1,.... entonces se dice que las probabilidades
de transicin (en un paso) son estacionarias y, comnmente se
denotan por pij. As entonces, el tener probabilidades
estacionarias de transicin (de un paso) tambin implica que, para
cada i, j y n(n= 0,1,2,....)
P{X
t+n
= j / X
t
= i} = P{X
n
= j / X
0
= i}
Para todo t = 0,1,....,
Por lo comn estas propiedades condicionales se denotan
por p
(n)
ij
y reciben el nombre de probabilidad de transicin en n
pasos.
Por tanto, p
(n)
ij
es simplemente la probabilidad condicional
de que la variable aleatoria X, partiendo del estado i, se encuentra
en el estado j despus de n pasos (unidades de tiempo)
exactamente.
Por lo tanto
P{X
t + 1
= j / X
n
= i} = p
(n)
ij
.
Como las p
(n)
ij
son probabilidades condicionales deben
satisfacer las propiedades.
P
(n)
ij
>= 0, para toda i y j, y n= 0, 1, 2,....
M
p
(n)
ij
= 1, para toda i, y n = 0, 1, 2,....
j=0
- Una notacin conveniente para representar las
probabilidades de transicin es la forma matricial.
Estado 0 1 M futuro
0 p
(n)
00
............... p
(n)
0 M
P
(n)
1 , para
n 0,1,2,....
:
:
:
M p
(n)
M0
............... p
(n)
MM
ACTUAL
MATRIZ DE TRANSICIN
o, en forma equivalente
p
(n)
00
.... p
(n
)
0M
: :
P
(n)
= : :
: :
p
(n)
M0
.... p
(n)
MM
- Ahora es posible definir una cadena de Markov.
Se dice que un proceso estocstico {Xt} (t = 0, 1,....) es una
cadena de Markov de estado finito se tiene las siguientes
caractersticas:
1. Un numero finito de estados.
2. La propiedad markoviana.
3. Probabilidad de transicin estacionarias.
4. Un conjunto de probabilidades iniciales
P {X
0
= i} para todo i.
Retomemos el ejemplo del inventario desarrollado
anteriormente, es fcil ver que {X
t
}, es donde X
t
es el numero de
cmaras en el almacn al final de la semana t (antes de que se
rebisara un pedido), es una cadena de Markov.
Considrese ahora la manera de obtener las probabilidades
de transicin (en un paso), es decir, los elementos de la matriz de
transicin (en un paso).
p
00
p
01
p
02
p
03
p
10
p
11
p
12
p
13
P = p
20
p
21
p
22
p
23
P
30
p
31
p
32
p
33
- Suponiendo que cada D
t
tiene una distribucin de Poisson
con parmetro = 1.
Para obtener p
00
es necesario evaluar P{X
t
= 0 / X
t - 1
= 0}
(X = numero de cmaras en existencia).
Si X
t+1
= 0 entonces X
t
= max { (3 D
t
), 0 } si X
t-1
< 1
Por lo tanto, si X
t
= 0, entonces la demanda durante la
semana tiene que ser 3 o ms.
De donde, p
00
= P {D
t
>= 3}, esta es precisamente la
probabilidad de que una variable aleatoria de Poisson con
parmetro = 1 tome un valor de 3 o ms.
P
00
= P { D
t
>= 3 } = 1 P { D
t
= 2 }
de tabla
= 1 0.920 = 0.08
- Puede obtener de manera semejante
p
10
= P {X
t
= 0 / X
t-1
= 1}
SI X
t - 1
= 1 entonces X
t
= max { (1- D
t
), 0 }
Para tener X
t
=0, la demanda durante la semana tiene que
ser 1 o ms.
De donde
P
10
= P {D
t
>= 1} 1 P {D
t
= 0}
de tabla
= 1 0.368 = 0.632
Con el fin de hallar p
21
= P {X
t
= 1 / X
t-1
= 2}
Si X
t-1
= 2
Entonces X
t
= max { (2 D
t
), 0 } para tener X
t
= 1, la demanda
durante la semana tiene que ser exactamente igual a 1, de donde:
P
21
= P {D
t
= 1} = P {D
t
>= 0}
de tabla = 0.368
Poisson
P {x = k} = P
x
(k) =
k
e
-
/ k!
P {x = 1} = 1
1
e
-1
/ 1! = 0.368
Los elementos restantes se obtienen en forma similar, lo que lleva
a la siguiente matriz de transicin (de un paso):
p
10
P
03
0.080 0.184 0.368 0.368
p
12
P= 0.632 0.368 0 0
p
13
0.264 0.368 0.368 0
p
23
0.080 0.184 0.368 0.368
p
33
y
p
30
P
(2)
= P x P = P
2
ECUACIONES DE CHAPMAN KOLMOGOROV
Vimos anteriormente la probabilidad de transicin en n
pasos, p
(n)
ij
. Esta probabilidad de transicin puede resultar til
cuando el proceso se encuentra en el estado i y se desea la
probabilidad de que el proceso se encuentre en el estado j despus
de n periodos. Las ecuaciones de Chapman-Kolmogorov
proporcionan un mtodo para calcular estas probabilidades de
transicin en n pasos:

M
P
(n)
ij
= p
(
)
ik
p
kj
(n - 2)
= 1, para todos los i, j, n y 0 < =
< = n
k=0
Estas ecuaciones simplemente sealan que al pasar del
estado i al estado j en n pasos, el proceso se encontrar en algn
estado k, despus de (menor que n) pasos exactamente. Por
tanto, p
(
)
ik
x p
(n - 2)
kj
es simplemente la probabilidad condicional
de que, partiendo del estado i, el proceso pase al estado k despus
de pasos y, a continuacin, al estado j en n - pasos. Por lo
tanto, sumando estas probabilidades condicionales sobre todos los
k posibles, debe llegarse a p
(n)
ij
.
Los casos especiales de = 1 y = n 1 conduce a las
expresiones

M
P
(n)
ij
= p
ik
p
(n - 1)
kj

k = o
Y

M
P
(n)
ij
= p
(n-1)
ik
p
kj
K=0
para todos los i y j, n.
Entonces resulta evidente que pueden obtenerse las
probabilidades de transicin en n pasos, a partir de las
probabilidades de transicin en un paso, de manera recurrente.
Se explica mejor esta relacin de recurrencia en notacin
matricial.
Para n=2, estas expresiones quedan
M
P
(2)
ij
= p
ik
p
kj
, para todos los i, j
K= 0
Ntese que los P
(2)
ij
son los elementos de la matriz P
(2)
.
- Sin embargo, tambin debe hacerse notar que se obtienen
estos elementos
M
p
ik
p
kj
multiplicando la matriz de las probabilidades de transicin
en un solo
K=0
paso por si misma; es decir,
P
(2)
= P x P = P
2
De manera ms general, se deduce que es posible obtener
la matriz de las probabilidades de transicin en n pasos a partir de
la expresin
P
(n)
= P x P....... = P
n
P
(n)
= P x P
(n-1)
= P
(n-1)
P
Por consiguiente, se puede obtener la matriz de las
probabilidades de transicin en n pasos, calculando la n-sima
potencia de la matriz de transicin en un paso. Para valores de n
que no sean demasiado grandes, se puede calcular la matriz de
transicin en n pasos en la manera anterior.
No obstante, cuando n es grande, tales clculos con
frecuencia son tediosos y, adems, los errores por redondeo
pueden provocar inexactitudes.
Regresando al ejemplo del inventario, la matriz de transicin
en dos pasos est dada por
0 1 2 3
0 0.080 0.184 0.368 0.368 0.080 0.184 0.368
0.368
1 0.632 0.368 0 0 0.632 0.368 0
0
P
(2)
= P
2
= 2 0.264 0.368 0.368 0
0.264 0.368 0.368 0
3 0.080 0.184 0.368 0.368 0.080 0.184 0.368 0.368

1 0
0 1 2
0 1 2 3
0 0.249 0.286 0.300 0.165
1 0.283 0.252 0.233 0.233
P
(2)
= 2 0.351 0.319 0.233 0.097
3 0.249 0.286 0.300 0.165
Por lo tanto, dado que queda una cmara en existencia, al
final de una semana, la probabilidad de que no se tenga cmara
alguna en existencia 2 semanas ms tarde es de 0.283 (p
(2)
10
=
0.283).
Anlogamente, dado que quedan 2 cmaras en existencia al
final de una semana, la probabilidad de que se tengan 3 cmaras
en existencia 2 semanas ms tarde es de 0.097; esto es, p
(2)
23
=
0.097.
Tambin puede obtenerse la matriz de transicin en cuatro pasos
como sigue:
P
(4)
= P
4
= P
(2)
x P
(2)
0 1 2 3
0.249 0.286 0.300 0.165 0.249 0.286 0.300
0.165
0.283 0.252 0.233 0.233 0.283 0.252 0.233
0.233
P
(4)
= 0.351 0.319 0.233 0.097 0.351 0.319 0.233
0.097
0.249 0.286 0.300 0.165 0.249 0.286 0.300
0.165
0 1 2 3
0 0.289 0.286 0.261 0.164
1 0.282 0.285 0.268 0.166
P
(4)
= 2 0.284 0.283 0.263 0.171
3 0.289 0.286 0.261 0.164
Por lo tanto, dado que queda en existencia una cmara al final de
una semana, la probabilidad de que no se tengan cmaras en
existencia 4 semanas ms tarde es de 0.282; esto es; P
(4)
10
= 0.282.
De manera anloga dado que quedan 2 cmaras en existencia al
final de una semana, la probabilidad de que se tengan 3 cmaras 4
semanas ms tarde es de 0.171 (p
(4)
23
= 0.171).
La matriz de transicin de cuatro pasos tambin se puede
obtener de la siguiente manera:
P
(4)
= P
4
= P
(2)
x P
(2)
0 1 2 3
0.249 0.286 0.300 0.165 0.249 0.286 0.300
0.165
0.283 0.252 0.233 0.233 0.283 0.252 0.233
0.233
= 0.351 0.319 0.233 0.097 0.351 0.319 0.233
0.097
0.249 0.286 0.300 0.165 0.249 0.286 0.300
0.165
0 1 2 3
0.289 0.286 0.261 0.164
0.282 0.285 0.268 0.166
= 0.284 0.283 0.263 0.171
0.289 0.286 0.261 0.164
TIEMPOS DE PRIMERA PASADA
Anteriormente hemos encontrado las probabilidades de
transiciones de n pasos (esto es, dado que el proceso se encuentra
en el estado i, determinar la probabilidad (condicional) de que el
proceso se encuentra en el estado j despus de n periodos).
Con frecuencia es conveniente poder hacer afirmaciones en
trminos de probabilidades sobre el numero de transiciones que
hace el proceso al ir de un estado i a un estado j.
Cuando j = i, este tiempo de primera pasada es justo el
numero de transiciones hasta que el proceso regresa al estado
inicial i. En este caso, el tiempo de primera pasada se llama
tiempo de recurrencia para el estado i.
EJEMPLO
Recordemos que el inventario inicial (X
0
) contiene tres
cmaras. Supngase que resulta que hay dos cmaras al final de la
primera semana (X
1
toma el valor 2), una cmara al final de la
segunda semana (X
2
toma el valor de 1), cero cmaras al final de la
tercera (X
3
vale 0), tres cmaras al final de la cuarta semana (X
4
vale 3) y una cmara al final de la quinta semana (X
5
vale 1).
En este caso, el tiempo de primera pasada para ir del estado
3 al estado 0 es tres semanas y el tiempo de recurrencia del estado
3 es de cuatro semanas.
En general, los tiempos de primera pasada son variables
aleatorias y por lo tanto, tienen una distribucin asociada a ellos.
Estas distribuciones de probabilidad dependen de las
probabilidades de transicin del proceso.
En particular, si f
(n)
ij
denota la probabilidad de que el tiempo
de primera pasada del estado i al j sea igual a n, se puede
demostrar que estas probabilidades satisfacen las siguientes
relaciones recursivas:
f
(1)
ij
= p
(1)
ij
= p
ij
f
(2)
ij
= p
(2)
ij
f
(1)
ij
p
jj
:
:
:
f
(n)
ij
= p
(n)
ij
f
(1)
ij
p
(n-1)
jj
f
(2)
ij
p
(n-
2)
jj
...... f
(n-1)
ij
p
jj
Entonces se puede calcular la probabilidad de un tiempo de
primera pasada del estado i al j en n pasos de manera recursiva a
partir de las probabilidades de transicin de un paso.
PARA EL EJEMPLO DEL INVENTARIO
f
(1)
30
= 0.080
f
(2)
30
= (0.249) (0.080) (0.080) = 0.243
:
- Para i y j fijos, los f
(n)
ij
son nmeros negativos tale que

f
(n)
ij
<= 1

n=1
- Desafortunadamente, esta suma puede ser estrictamente
menor que 1, lo que significa que un proceso que al iniciar se
encuentra en el estado i puede nunca llegar al estado j.
- Cuando la suma s es igual a 1, la f
(n)
ij
(pasa n=1,2,....)
pueden considerarse como una distribucin de
probabilidades para la variable aleatoria, el tiempo de
primera pasada.
- Si i = j y

f
(n)
ij
= 1

n=1
Entonces el estado i se llama estado recurrente, ya que
esta condicin implica que una vez que el proceso se encuentra en
el estado i, regresar al estado i.
- Un caso especial de un estado recurrente es un estado
absorbente. Esto se da si la probabilidad de transicin (de
un paso) p
ii
es igual a 1. As, si un estado es absorbente, el
proceso nunca lo dejar una vez que entra a l.
Si
f
(n)
ij
< 1
n=1
Entonces el estado i se llama estado transitorio, pues esta
condicin implica que una vez que el proceso est en el estado i
existe una probabilidad estrictamente positiva de que nunca
regresar a l.
EN GENERAL
No es posible calcular las probabilidades del tiempo de
primera pasada para toda n, por lo que no siempre queda claro si
un estado debe clasificarse como recurrente o transitorio.
EJEMPLO
Supngase que un proceso de Markov tiene la siguiente
matriz de transicin:
0 1 2 3 4
0 1/4 3/4 0 0 0
E 1 1/2 1/2 0 0 0 p
ii
S
T 2 0 0 1 0 0
P = A
D 3 0 0 1/3 2/3 0
O
4 1 0 0 0 0
- Es evidente que el estado 2 es un estado absorbente (y por
ende un estado recurrente) porque una vez que el proceso
llega ah, nunca saldr.
- Los estados 3 y 4 son transitorios, ya que, una vez que el
proceso se encuentra en el estado 3, existe una probabilidad
positiva de que nunca regresar.
- La probabilidad de que el proceso cambie de estado 3 al
estado 2 en el primer paso es de 1/3. Una vez que llega al
estado 2, permanece ah.
- Una vez que el proceso deja el estado 4, no puede regresar.
- Los estados 0 y 1 son estados recurrentes para demostrar
esto, es necesario que

f
(n)
00
= 1 y f
(n)
11
= 1
n=1 n=1
Esto, casi siempre es difcil.
Una condicin necesaria y suficiente para que el estado i
sea recurrente es que

f
(n)
ii
sea una serie divergente.

n=1
Este criterio es difcil de aplicar.
De todas maneras, obsrvese que la matriz de transicin de
n pasos en el ejemplo anterior siempre tiene la forma.
* * 0 0 0
P
(n)
= * * 0 0 0
0 0 1 0 0

0 0 * * 0
* * 0 0 0

En forma intuitiva, se vuelve evidente que una vez que el
proceso se encuentra en el estado 0, regresar a l (tal vez
pasando por el estado 1) despus de un cierto nmero de pasos.
Al mismo tiempo que resulta difcil calcular las f
(n)
ii
para toda
n, es relativamente sencillo obtener el tiempo esperado de
primera pasada del estado i al estado j.
Dentese esta esperanza por ij, que se define por las
expresiones

, si f
(n)
ij
< 1
n=1
ij
=
n f
(n)
ij
, si f
(n)
ij
= 1

n=1

n=1
siempre que

f
(n)
ij
= 1

n=1

entonces
ij
satisface, de manera nica, la ecuacin
ij
= 1 + p
ik

kj

k
j
EJEMPLO DE INVENTARIO
Podemos usar estas ecuaciones para calcular el tiempo
esperado hasta que ya no se tengan cmaras en el almacn,
suponiendo que el proceso inicia cuando se tiene tres cmaras; es
decir, se puede obtener el tiempo esperado de primera pasada
30
.
Si se considera que todos los estados son recurrentes, el
sistema de ecuaciones conduce a las ecuaciones
30
= 1 + p
31
10
+ p
32
20
+ p
33
30
20
= 1 + p
21
10
+ p
22
20
+ p
23
30
10
= 1 + p
11
10
+ p
12
20
+ p
13
30
o
30
= 1 + 0.184
10
+ 0.368
20
+ 0.368
30
20
= 1 + 0.368
10
+ 0.368
20
10
= 1 + 0.368
10
Resolviendo este sistema se tiene:
10
= 1.58 semanas
20
= 2.51 semanas
30
= 3.50 semanas
El tiempo esperado hasta que la tienda queda sin cmaras
en 3.50 semanas.
- Cuando j = i el tiempo esperado de primera pasada se llama
tiempo esperado de recurrencia.
- Si
ii
= , el estado recurrente se llama estado recurrente
nulo.
- Si
ii
< se llama estado recurrente positivo.
- En cadenas de Markov de estado finito no existen estados
recurrente nulos.
CLASIFICACION DE ESTADOS EN UNA CADENA DE MARKOV
- Estado accesible.- se dice que un estado j es accesible
desde el estado i si p
(n)
ij
> 0 para algn n >= 0.
(recordemos que p
(n)
ij
es solo la probabilidad condicional de
llegar al estado j despus de n pasos, al comenzar en el
estado i).
- En el ejemplo de inventario, p
(2)
ij
> 0 para todo i, j, de
manera que todo estado es accesible desde cualquier
estado.
- Si el estado j es accesible desde el estado i, y adems, el
estado i es accesible desde el estado j, entonces se dice
que los estados i y j se comunican.
- En el ejemplo de inventario, todos los estados se comunican.
EN GENERAL
1. Cualquier estado se comunica consigo mismo
[Porque p
(0)
ii
= P {X
0
= i / X
0
= i} = 1]
2. Si el estado i se comunica con el estado j, entonces el
estado j se comunica con el estado i.
3. Si el estado i se comunica con el estado j y el estado j se
comunica con el estado k, entonces el estado i se comunica
con el estado k.
Como resultado de estas propiedades de comunicacin, se
puede hacer una particin del espacio de estados en clases
ajenas.
Si existe una sola clase, es decir, si todos los estados se
comunican, se dice que la cadena de Markov es irreducible.
- En el ejemplo de inventario, la cadena de Markov es
irreducible.
Para la siguiente matriz
* * 0 0 0
P = * * 0 0 0
0 0 1 0
0

0 0 * * 0
* * 0 0 0
Esta contiene cuatro clases. * Los estados 0 y 1,
recurrentes, forman una clase, ya que se comunican entre s. * El
estado 2 es un estado absorbente (y recurrente) y, por tanto, forma
una clase, pues se comunica consigo mismo. * El estado 3,
transitorio, se comunica consigo mismo y tambin forma una clase.
* El estado 4, tambin transitorio forma la ltima clase.
- En una cadena de Markov de estado finito, los miembros de
una clase son todos transitorios o todos recurrentes
positivos.
- Muchas cadenas de Markov que surgen en la practica
consisten por completo en estados que se comunican todos
entre s.
- Para determinar si todos los estados de una cadena se
comunican entre s, es suficiente con demostrar que existe
un valor de n que no depende de i y j, para el que p
(n)
ij
> 0
para todo i y j. Este es un criterio alternativo para determinar
si los estados son recurrentes.
- En el ejemplo de inventario p
(2)
ij
es positivo para todo i y j,
de forma que todos los estados se comunican y por ende
constituyen una cadena de Markov irreducible. Entonces,
todos los estados que contiene esta cadena deben ser
recurrentes positivos.
- Una ultima propiedad de las cadenas de Markov es la de
periodicidades. Se dice que un estado i tiene un periodo t(t
> 1) si p
(n)
ij
= 0 siempre que n no sea divisible entre t, y t es
el entero ms grande con esta propiedad.
Por ejemplo, es posible que un proceso llegue a el estado i
slo en los tiempos 0,2,4,...., en cuyo caso este estado tiene
periodo 2.
Si existen dos nmeros consecutivos, s y (s + 1), tales que
el proceso pueda encontrarse en el estado i en los tiempos s y (s +
1), se dice que el estado tiene periodo 1 y se llama estado
aperidicos.
Si el estado i en una clase es aperidico, todos los estados
en esa clase sern aperidicos.
PROPIEDADES A LARGO PLAZO DE LAS CADENAS DE
MARKOV
Anteriormente se obtuvo la matriz de transicin de cuatro pasos
para el ejemplo de inventario. Veamos las probabilidades de
transicin de ocho pasos
0.286 0.285 0.264 0.166
0.286 0.285 0.264 0.166
P
(8)
= P
8
= P
4
x P
4
= 0.286 0.285 0.264 0.166
0.286 0.285 0.264 0.166
Se desprende de sta matriz, que la probabilidad de estar en
el estado j de despus de ocho semanas parece ser independiente
del nivel de inventario inicial.
En otras palabras existe una probabilidad limite de que el
sistema se encuentre en el estado j despus de un numero grande
de transiciones, y esta probabilidad es independiente del estado
inicial.
- Se puede demostrar que para una cadena de Markov
irreducible ergdica el
Lim p
(n)
ij
n

existe y es independiente de i.
Ms aun.
Lim p
(n)
ij
=
j
n
en donde las
j
`s satisfacen de manera nica al siguiente
sistema de ecuaciones:
j
> 0

M
j
= i p
ij
, para j= 0,1,....,M

i = 0

M

j
= 1

j=0
Las
j
`s se llaman probabilidades de estado estable de
la cadena de Markov y son iguales al inverso del tiempo esperado
de recurrencia, es decir
j
= 1 /
jj
, para j= 0,1,....,M.
El termino probabilidad de estado estable significa que la
probabilidad de encontrar el proceso en un cierto estado, por
ejemplo j despus de un numero grande de transiciones, tiende al
valor
j
, y es independiente de la distribucin de probabilidad
inicial definida para los estados.
- Es importante hacer notar que la probabilidad de estado
estable no significa que el proceso se establezca en un
estado. Por el contrario, el proceso contina haciendo
transiciones de un estado a otro y en cualquier paso n la
probabilidad de transicin del estado i al estado j es todava
p
ij
.
EJEMPLO PARA EL INVENTARIO
Las ecuaciones de estado estable se pueden expresar como
0

0
p
00
+
1
p
10
+
2
p
20
+
3
p
30
1

0
p
01
+
1
p
11
+
2
p
21
+
3
p
31
2

0
p
02
+
1
p
12
+
2
p
22
+
3
p
32
3

0
p
03
+
1
p
13
+
2
p
23
+
3
p
33
1
0
+
1
+
2
+
3
Sustituyendo los valore de p
ij
se tiene:
0
(0.080)
0
+ (0.632)
1
+ (0.264)
2
+
(0.080)
3
1
(0.184)
0
+ (0.368)
1
+ (0.368)
2
+
(0.184)
3

2
(0.368)
0
+ (0.368)
2
+
(0.368)
3

3
(0.368)
0
+
(0.368)
3
1
0
+
1
+
2
+
3
Como se puede observar, se tienen cinco ecuaciones pero
tan solo cuatro incgnitas, lo que implica que existe una ecuacin
redundante.
Eliminando la primera ecuacin y resolviendo el sistema
formado por las cuatro ltimas ecuaciones, se tiene el siguiente
resultado.
0
0.285
1
0.285
2
0.264
3
0.166
As, despus de muchas semanas, la probabilidad de
encontrar cero, una, dos y tres cmaras en el almacn tiende a
0.285, 0.285, 0.264 y 0.166, respectivamente.
Los tiempos esperados de recurrencia correspondientes son:
00
1/
0
3.51 semanas
11
1/
1
3.51 semanas
22
1/
2
3.79 semanas
33
1/
3
6.02 semanas
COSTO PROMEDIO ESPERADO POR UNIDAD DE TIEMPO
El siguiente limite siempre existe: para una cadena de
Markov irreducible con estados recurrentes positivos, es decir, una
cadena de estado finito, se tiene que
Lim 1/n p
(k)
ij

j

n--
>
En donde las
j
`s satisfacen las ecuaciones de estado
estable que se presentaron antes.
Este resultado es en extremo importante al calcular el costo
promedio a la larga por unidad de tiempo, asociado a una cadena
de Markov.
Supngase que se incurre en un costo (u otra funcin de
penalizacin) C(X
t
) cuando el proceso se encuentra en el estado X
t
en el tiempo t, para t= 0, 1, 2,....
C(X
t
) es una variable aleatoria que toma cualquiera de los
valores C(0), C(1),.... C(M), y que la funcin C( . ) es independiente
de t.
El costo promedio esperado en el que se incurre a lo largo
de los primeros n periodos est dado por la expresin
n
E 1/n C(X
t
)

t
1
Sabiendo que
n
Lim 1/n p
(k)
ij

j
n--
>
K

1
Se puede demostrar que el costo promedio esperado por
unidad de tiempo (a la larga), est dada por

n

M
Lim E 1/n C(X
t
)
C(j)
j

n--
>
t
1 j
0
EJEMPLO
Supngase que en el almacn de cmaras se asignan los
siguientes costos por almacenamiento al final de semana: si X
t
=0,
entonces C(0)=0. Si X
t
=1, entonces C(1)=2. Si X
t
=2, entonces
C(2)=8. Por ultimo, si X
t
=3, C(3)=18.
El costo promedio esperado por semana, a la larga, por
mantener el inventario se puede obtener de la ecuacin anterior;
esto es,

N

Lim E 1/n C(X
t
)

n--
>
t
1
0(0.285) + 2(0.285) + 8(0.264) + 18(0.166)
5.67

INVOPER2011

Cargado por

Copyright:

Formatos disponibles

INVOPER2011

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

INVOPER2011

Cargado por

Copyright:

Formatos disponibles

INVESTIGACIN OPERATIVA II

También podría gustarte