Inventarios.docx

InventariosGESTIÓN DE INVENTARIOS CLASIFICAIÓN DE LOS INVENTARIOS  Demanda dependiente: Es aquella que es causada por las necesidades de un semiterminado o un artículo de mas alto nivel en el proceso de valor agregado. Por ejemplo: las llantas, los motores, etc. son artículos cuyas necesidades dependen de la demanda de automóviles.  Demanda independiente: Es aquella que surge a partir de decisiones ajenas a la empresa, es decir, es determinada directamente por las necesidades del mercado. Dentro de este grupo, es posible realizar una subdivisión: Demanda Independiente Constante y Demanda Independiente Variable. Teniendo en cuenta la anterior clasificación, se ha procedido a agrupar los diferentes modelos de inventario de demanda dependiente que se han desarrollado. MODELO GENERAL DE INVENTARIO Una política de inventario se encarga de dar respuesta a dos interrogantes básicos: ¿Cuánto pedir? y ¿Cuándo pedir?. Para resolver tales cuestiones basta con hacer uso de una sencilla ecuación:  El Costo de Compra se refiere al precio por unidad del artículo.  El Costo de Preparación es el costo fijo incurrido cuando se coloca un pedido, este costo no tiene relación con la cantidad pedida.  El Costo de Almacenamiento es el costo de mantener una existencia en el inventario.  El Costo de Faltante es la penalización en la que se incurre cuando se terminan las existencias. MODELOS DETERMINÍSTICOS DE INVENTARIO MODELO EOQ SIN FALTANTE Modelo de Calidad Económica de Pedido (CEP) o Modelo EOQ por sus siglas en inglés (Economic Order Quality), fue desarrollado por Ford Harris alrededor del año 1915. La función de este modelo es calcular la cantidad que debe pedirse o producirse minimizando los costos de colocación del pedido para inventario y los costos de manejo de inventario. El modelo EOQ se basa en los siguientes supuestos: 1. La demanda es constante y conocida. La demanda de un producto no influye en la de otro. 2. No existe incertidumbre en la demanda, la oferta y el tiempo de entrega. No se presenta agotamiento de existencias. 3. Se genera un costo por mantener existencias en inventario. 4. Cada vez que se coloca un pedido se incurre en un costo. 5. Los costos por mantener existencias en inventario y por colocar pedidos no se ven afectados por el tamaño del pedido. 6. La reposición es instantánea, no hay entregas parciales. En base a los anteriores supuestos, se puede graficar el comportamiento de las cantidades en función del tiempo. Niveles de inventario en un modelo EOQ sin faltante. Del anterior gráfico se deduce que Q son las cantidades del pedido, d es el índice de demanda y t es el tiempo.Teniendo en cuenta la ecuación que determina el costo total de inventario, se puede deducir una nueva ecuación basada en supuestos geométricos: Es necesario expresar tal ecuación en función del tiempo, para esto se divide en ambos lados de la igualdad por la expresión correspondiente al tiempo: Realizando las operaciones correspondientes a reducción de términos semejantes, se obtiene la siguiente ecuación final: La anterior expresión determina el valor total por tiempo de unidad, pero como lo que se desea obtener es el valor óptimo de tal función, que se representa por el punto en que se interceptan el Costo por mantener existencias en el inventario (Cmi), el Costo por pedir (Cp) y la proyección del punto inferior de la curva que determina el Costo Total Anual (Ctanual). Para obtener el punto óptimo, se procede a minimizar la función Costo Total Anual respecto a Q. Suponiendo que Q es continua, una condición necesaria para encontrar el valor óptimo es: Teniendo esa condición presente, se procede a derivar la función y a realizar el despeje correspondiente para obtener el punto óptimo Q: De la anterior ecuación se deduce que: 1. Cuando la demanda es menor que la óptima, el costo de pedir es mayor que el costo de mantener existencias en el inventario. 2. Si la demanda es la óptima, el costo de pedir y el de mantener en el inventario son iguales. 3. Si la demanda es mayor que la óptima, el costo de pedir es menor que el costo de mantener existencias en el inventario. MODELO EOQ CON FALTANTE En este modelo se admiten todos los supuestos, anteriormente enunciados del EOQ, con la excepción de que en este caso, si se admiten faltantes. Es decir, si el cliente permite que su pedido se satisfaga algún tiempo después, en caso de que no se encuentre disponible algún artículo que éste haya solicitado, entonces la venta no se pierde. Bajo esta condición, el inventario puede reducirse, aunque los costos anuales de inventarios deben considerar entonces los costos por faltante. Teniendo presente lo anterior, es posible graficar el comportamiento del inventario en una empresa de la siguiente forma: Niveles de inventario en un Modelo EOQ sin flatante. Del anterior gráfico, se deduce que Q son las cantidades del pedido, t es el tiempo empleado en satisfacer tal pedido y S es el faltante en que se incurre al no satisfacer la totalidad del pedido. Teniendo en cuenta la ecuación que determina el costo total de inventario, se puede deducir una nueva expresión basada en supuestos geométricos. La ecuación general para el costo total de inventario es: De la anterior gráfica se deduce que: Al reemplazar las anteriores expresiones en la ecuación general, se procede a deducir la nueva expresión que determinará el punto óptimo del modelo: Es necesario expresar la ecuación en función del tiempo, por lo que se divide en ambos lados la de igualdad por el tiempo que se tarda en entregar un pedido: Es necesario obtener el valor óptimo de Q y S, por lo cual se procede a derivar parcialmente la ecuación (6) con respecto a Q y a S. Además, se asume que el valor de esta derivada es igual a 0: MODELO LEP SIN FALTANTE Modelo de Lote Económico de Producción. En este modelo se considera que la tasa de producción (R) es mayor que la demanda (D) y se toma en cuenta que existe un costo por generar una orden de producción.En este caso se prohíben los faltantes estableciendo el costos por faltantes como infinito . Las condiciones para este aprovisionamiento instantáneo de los insumos se modifican ligeramente cuando los suministros se manufacturan al recibir la orden, en vez de que se surtan de existencias de artículos ya manufacturados. Niveles de inventario en un Modelo LEP sin faltante Donde:  t1 es el tiempo positivo de acción en fabricación  t2 es el tiempo en el cual el inventario máximo llega a 0  t = t1 + t2, es el tiempo total en el cual se está produciendo, es decir el tiempo entre corrida. De la anterior gráfica se deduce que: Tomando en cuenta la ecuación general para el costo total de inventario se procede a establecer una expresión que determine el óptimo para este modelo: Para expresar la anterior ecuación en función del tiempo, se divide en ambos lados de la ecuación por la expresión que determina el tiempo en que es entregado un pedido. De dicha ecuación, se procede a derivar con respecto a Q con el fin de obtener el óptimo para el modelo: MODELO LEP CON FALTANTE Esta extensión de EOQ permite que existan faltantes y se cumplan las entregas atrasadas, suponiendo que exista un nivel mínimo de atraso que la administración este dispuesta a tolerar. Los faltantes ocurren en el sistema de producción por falta de material, falta de capacidad o ambas. En este modelo se consideran las siguientes variables:  R: Tasa de producción  D: Demanda  Q: Cantidad de productos del pedido  I: Inventario  S: Faltante  t1: Tiempo que transcurre desde que el inventario esta en 0 hasta alcanzar el inventario máximo.  t2: Tiempo que transcurre en agotarse el inventario máximo.  t1+t2: Tiempo que transcurre en agotarse las existencias.  t3: Tiempo en el cual empieza a acumularse los pedidos pendientes.  t4: Tiempo en el que se enciende la máquina y el sistema se nivela con los pedidos pendientes.  t=t1+t2+t3+t4: Tiempo entre corridas. Nievles de inventario en un Modelo LEP con faltante. De la gráfica anterior se pueden hacer ciertas deducciones geométricas tales como las que se muestran a continuación: Aplicando la fórmula general del costo total de inventario, reemplazando las anteriores deducciones se obtiene la siguiente expresión: Al derivar parcialmente con respecto a Q y a S, se obtiene el óptimo del modelo, que se encuentra representado por las siguientes expresiones: MODELO EOQ PROBABILIZADO El tamaño de las existencias estabilizadoras se determina de modo que la probabilidad de agotamiento de las existencias durante el tiempo de entrega (el periodo entre colocar y recibir un pedido) no exceda un valor predeterminado. Sean: L = tiempo de entrega entre colocar y recibir un pedido. ðL = demanda promedio durante el tiempo de entrega. σL = desviación standard de la demanda durante el tiempo de entrega. B = tamaño de la existencia estabilizadora o stock de seguridad. ð = máxima probabilidad disponible de agotamiento de las existencias durante el tiempo de entrega. (Distribución Normal) XL = variable aleatoria que representa la demanda durante el tiempo de entrega. Curva Normal Las cantidades óptimas se calculan de igual manera que se hace para el modelo EOQ sin faltante: Para más información visita...  http://books.google.es/books?id=9pNkg4eNTOcC&lpg=PP1&pg=PA550#v=on epage&q&f=false  http://books.google.es/books?id=3oHztjMSuL8C&lpg=PR1&dq=inauthor%3A %22Hamdy%20A.%20Taha%22&pg=PA429#v=onepage&q&f=false  http://rmorales.mayo.uson.mx/Mod%20de%20Inventario20061.pdf EJERCICIO 1: Un proveedor le ofrece la siguiente tabla de descuento para la adquisición de su principal producto, cuya demanda anual usted ha estimado en 5.000 unidades. El costo de emitir una orden de pedido es de $49 y adicionalmente se ha estimado que el costo anual de almacenar una unidad en inventario es un 20% del costo de adquisición del producto. ¿Cuál es la cantidad de la orden que minimiza el costo total del inventario?. Valor del Producto Tamaño del Lote (Unidades) Descuento (%) ($/Unidad) 0 a 999 0% 5 1.000 a 1999 4% 4,8 2.000 o más 5% 4,75 Para dar respuesta a esta situación se propone seguir los siguientes pasos: PASO 1: Determinar el tamaño óptimo de pedido (Q*) para cada nivel o quiebre de precios. PASO 2: Ajustar la cantidad a pedir en cada quiebre de precio en caso de ser necesario. En nuestro ejemplo para el tramo 1 Q(1)=700 unidades esta en el intervalo por tanto se mantiene; para el tramo 2 Q(2)=714 está por debajo de la cota inferior del intervalo, por tanto se aproxima a esta cota quedando Q(2)=1.000; finalmente en el tramo 3 Q(3)=718 que también está por debajo de la cota inferior del intervalo, por tanto se aproxima a esta cota quedando Q(3)=2.000 PASO 3: Calcular el costo asociado a cada una de las cantidades determinadas (utilizando la fórmula de costo total presentada anteriormente) Costo Tramo 1 = C(700)=$25.700 Costo Tramo 2 = C(1.000)=$24.725 Costo Tramo 3 = C(2.000)=$24.822 Se concluye que el tamaño óptimo de pedido que minimiza los costos totales es 1.000 unidades, con un costo total anual de $24.725. EJERCICIO 2: Una compañía se abastece actualmente de cierto producto solicitando una cantidad suficiente para satisfacer la demanda de un mes. La demanda anual del artículo es de 1500 unidades. Se estima que cada vez que hace un pedido se incurre en un costo de $20. el costo de almacenamiento por inventario unitario por mes es de $2 y no se admite escasez. a. Determinar la cantidad de pedido optima y el tiempo entre pedidos b. Determinar la diferencia de costos de inventarios anuales entre la política optima y la política actual, de solicitar un abastecimiento de un mes 12 veces al año. Solución: r = 1500 unidades/año C3 =$20 C1 =$2 unidad/mes = $24 unidad/año T=Q*/r = 50/1500 = 1/30 año x 360 días/año = 12 días Política Actual se le agota cada mes o sea 1/12 año 1/12=Q*/1500 Q*=125 (política actual) Política Optima Q*= 50 Diferencia de $540 por lo tanto se ahora más cuando existe la política optima. EJERCICIO 3: Suponga que R & B Beverage Company tiene una bebida refrescante que muestra una tasa de demanda anual constante de 3600 cajas. Una caja de la bebida le cuesta a R & B $3. Los costos de ordenar son $20 por pedido y los costos de mantener son 25% del valor del inventario. R & B tiene 250 días hábiles anuales, y el tiempo de entregar es de cinco días. Identifiquen los siguientes aspectos de la política de inventario. a. Lote económico a ordenar b. Costo anual total SOLUCION a) EJERCICIO 4: Westside Auto compra directamente del proveedor un componente que usa en la manufactura de generadores para automóviles. La operación de producción del generador de Westside, la cual trabaja a una tasa constante, requerirá mil componentes por mes a lo largo del año (12000 unidades anuales). Suponga que los costos de ordenar son $25 por pedido, el costo unitario es $2.50 por componentes y los costos de mantener anuales y un tiempo de entrega de cinco días. Responda las siguientes preguntas sobre la política de inventario. a. ¿Cuál es la EOQ para esta componente? b. ¿Cuál es el tiempo de ciclo? c. ¿Cuáles son los costos totales por pedir y mantener inventario? SOLUCIÓN a) EJERCICIO 5: Una constructora debe abastecerse de 150 sacas de cemento por día, la capacidad de producción de la máquina en la empresa es de 250 sacos al día, se incurre en un costo de $400.00 cada vez que se realiza una corrida de producción, el costo de almacenamiento es de $0.5 unidad por día, y cuando hace falta materia prima existe una perdida de $0.7 unidad por día. a) Cuál seria la cantidad optima a pedir. b) La escasez máxima que se presenta . Solución: Tamaño económico de lote, ciclo productivo, faltantes permitidos. r = 150 sacos/día k = 250 sacos/día C3=$400 C1=$0.5 /día C2=$0.7 /día a) b) Conclusión: La cantidad optima a producir seria de 1,014 o 1,015 sacos por corrida presentándose una escasez máxima de 169 sacos. EOQ Con demanda variable En los modelos de inventario se asumió una demanda conocida y estable, pero la realidad no es así, ya que existe una demanda que varia con respecto al tiempo. Este modelo establece existencias de seguridad adecuadas que permitan proporcionar un nivel especificado de protección para dar servicio a los clientes cuando se desconoce la demanda. Nivel de servicio: Es el porcentaje de demanda del comprador que se satisface con material proveniente del inventario, así un nivel de 100% representa la satisfacción de todos los requerimientos de comprador con material existente en “bodega”. El porcentaje de inexistencia es igual a 100% - el nivel de servicio.(1) Cálculo de Inventario de seguridad: M = Media o Demanda promedio  = Desviación estándar. tL = Desviación estándar con lead time . tL = Lead time o tiempo de entrega. α= 1 (Error o Probabilidad de Inexistencias) N* r = M + z·(Punto de re-orden) Stock de seguridad = z· Ejemplo 1: La empresa de focos NIA desea saber cuando debe ordenar si la demanda es variable, con una media de 154 unds por semestre y una desviación estandar de 25 unds. cada unidad tiene un precio de $6, un costo de mantener en inventario del 20% y el costo de pedir es $12. M = 154 (Sem.) = 8008 (Anual) Cp = 12 Cu = 6 Cmi = 20% = 1,2 Q* = 400 N* = 20 α = 1 = 0,05 20 (de 20 pedidos al año solo 1 es superado por la demanda) z(1- 0,05) = z 0,95 = 1,96 (Valor de tabla de la normal) r=M +z· r = 154 + (1,96)(25) r = 154 + 49 (Stock) r = 194 Unds. La empresa NIA debe pedir un nuevo lote de 400 Unds, cuando queden 194 Unds. en inventario. Ejemplo 2: La demanda diaria de “camotes” se encuentra distribuida normalmente con una media de 50 (unidades/día) una desviación de 5(unidades/día). El abastecimiento tiene un tiempo de espera de 6 (días). El costo de solicitud la orden es de 8 (US$/orden), el costo unitario de cada camote es de 1.2 (US$/unidad) y los costos de manejo son del 20% del precio unitario. Se desea dar un nivel de servicio de 95%. ¿Cuál sería la Política Optima? Supuesto: 365 días al año.(1) M = 50 (Diaria) = 300 (6 Dias) = 18250 (Anual) Cp = 8 Cu = 1.2 Cmi = 20% = 0,24 tL = 12,247 (Desviación para 6 dias) α = 1 - 0,95 = 0,05 z(1- 0,05) = z 0,95 = 1,96 r=M +z· r = 300 + (1,96)(12,247) r = 300 + 24 (Stock) r = 324 Unds. a) La política es ordenar lotes de 1103 unidades b) El punto de orden es de 324 unidades. c) El Inv. Seguridad = 24 Unidad. (1)Teoría de inventarios, CAPITULO 3: CONCEPTOS DE INVENTARIOS. Modelo de inventarios INVENTARIOS Un inventario es un recurso empleado pero útil que posee valor económico. El problema se plantea cuando una empresa expendedora o productora de bienes y servicios no produce en un momento determinado la cantidad suficiente para satisfacer la demanda, por lo que debe realizar un almacenamiento protector contra posibles inexistencias. El objetivo radica en definir el nivel de inventario. Estas decisiones consisten en dar normas que nos precisen en que instante se deben efectuar los pedidos del producto considerado y la cantidad que se debe pedir. En términos generales un inventario es un conjunto de recursos útiles que se encuentran ociosos en algún momento. El objetivo de los problemas de inventario es minimizar los costes (totales o esperados) del sistema sujetos a la restricción de satisfacer la demanda (conocida o aleatoria). Entre los diferentes costes que puede haber en un problema de inventario están: 1.- Costes de fabricación. 2.- Costes de mantenimiento o almacenamiento. 3.- Costes de penalización o rotura por no satisfacer la demanda. 4.- Rendimientos o ingresos. (Puede o no incluirse en el modelo). 5.- Costes de recuperación o salvamento. (El valor de recuperación representa el valor de desecho del artículo para la empresa, quizá a través de una venta con descuento). 6.- Tasa de descuento. La tasa de descuento toma en cuenta el valor del dinero en el tiempo. Cuando una empresa compromete capital en inventarios, no puede usar este dinero para otros fines. Referencia: Investigación de operaciones HANDY TAHA ¿PORQUE TENER INVENTARIOS? Se da la existencia de inventarios debido a que los proveedores que abastecen los insumos a las empresas no pueden dar respuesta inmediata a los requerimientos de esta; puesto que hay una diferencia entre el tiempo de abastecimiento y la demanda interna. Es por esta razón que las empresas mantiene inventarios como colchón de seguridad o un STOCK para que al momento de una necesidad se satisfaga la demanda. INVENTARIO SEGÚN LA DEMANDA Existen dos tipos de demanda: *Demanda probabilística: demanda de un artículo que está sujeta a una cantidad significativa de variabilidad. Ejemplo en un hospital no se sabe cuántos y que tipos de pacientes entraran en la semana que entra, lo que ocasiona una demanda incierta de los suministros médicos. (Demanda independiente: dos o más artículos en los que la demanda de un artículo no afecta la demanda cualquiera de los otros artículos). *Demanda determinìstica: demanda de un artículo que se conoce con certeza. Ejemplo en un proceso de fabricación automatizada, sabe que una maquina inserta 20 chips por minuto en un tablero de circuitos integrados, por lo tanto los chips son los artículos a mantenerse en el inventario y la demanda determinìstica es 20 chips por minuto. (Demanda dependiente: dos o más artículos en los que la demanda de un artículo determina o afecta la demanda de uno o más de los otros artículos). Referencia Investigación de operaciones: el arte de la toma de decisiones; Kamlesh Mathur y Daniel Solow REGLAS O PRINCIPIOS 1) Todo ítem debe estar debidamente codificado y localizado 2) Todo movimiento de inventario ya sea de entrada, de salida o consolidad de datos deben estar documentados (firmados y autorizados) 3) Los documentos de entrada deben diferenciarse de los documentos de salida (se utilizan colores) 4) En cuanto sea posible, el lugar físico de entrada debe ser diferente al lugar físico locativo de salida 5) Los ítem de un mismo código deben estar almacenados en un mismo lugar 6) Si es posible se debe marcar lo contado e inventariado 7) En una auditoria todo ítem debe ser contado tres veces por personas diferentes, consignándolos en tarjetas diferentes y estableciendo las siguientes reglas de registro: ü Si dos tarjetas coinciden en la cantidad se registra ese valor o cantidad ü Si las tarjetas no coinciden se vuelve a contar con otro auditor ü Hay una tarjeta de conteo de inventario y una física 8) Los ítems de mayor peso deben ubicarse en los niveles inferiores y los de menor peso en los niveles superiores 9) Los ítems que tuvieron movimientos en el día deben verificarse sus saldos antes de cerrar el día, es decir verificar la existencia física con la existencia lógica. 10) Nadie del personal de inventario se va antes que no esté cuadrado el movimiento de los ítems de ese día 11) No se debe recibir premios o comisiones de los proveedores 12) Los recortes de inventario máximo son de tres días, después de finalizado el mes deben estar los informes Referencia: Medardo Gonzales, clase de investigación de operaciones. Gestion de inventario View more presentations from GraceDaniela MODELOS CLÁSICO DE CONTROL DE INVENTARIOS Los modelos de control de inventarios los podemos clasificar en: 1. MODELO EOQ (cantidad económica de producción) Es una técnica de administración de inventarios para determinar el tamaño optimo de pedido de un articulo; este modelo considera varios costos de inventario y luego determina que tamaño de pedido minimiza el costo total del inventario. Los costos que se determinan son el costo de mantener inventario y el costo de pedir. el modelo se clasifica en: 1.1 Modelo EOQ sin faltantes supuestos: *Demanda conocida y constante. *Tiempo de reposición son instantáneos *Existencia de dos costos: Costo de pedir y Costo de mantenimiento del inventario *No se admiten faltantes *Los costos no varían en el tiempo *Relación directa costo - volumen 1.2 Modelo EOQ con faltantes supuestos: *Demanda conocida y constante. *Tiempo de reposición son instantáneos *Se aceptan faltantes *Existencia de tres costos: Costo de pedir, Costo de mantenimiento del inventario y Costo de faltante *No se admiten faltantes *Los costos no varían en el tiempo *Relación directa costo - volumen 1.3 Modelo EOQ con descuentos por cantidad Este modelo es idéntico al modelo EOQ anterior, excepto que el articulo en el inventario se puede comprar con un descuento si el volumen de pedido excede un limite dado, es decir el precio de compra por unidad. EJERCICIO Un proveedor le ofrece la siguiente tabla de descuento para la adquisición de su principal producto, cuya demanda anual usted ha estimado en 5.000 unidades. El costo de emitir una orden de pedido es de $49 y adicionalmente se ha estimado que el costo anual de almacenar una unidad en inventario es un 20% del costo de adquisición del producto. ¿Cuál es la cantidad de la orden que minimiza el costo total del inventario?. Tamaño del Lote (Unidades) Descuento (%) Valor del Producto ($/Unidad) 0 a 999 0% 5 1.000 a 1999 4% 4,8 2.000 o más 5% 4,75 Para dar respuesta a esta situación se propone seguir los siguientes pasos: PASO 1: Determinar el tamaño óptimo de pedido (Q*) para cada nivel o quiebre de precios. PASO 2: Ajustar la cantidad a pedir en cada quiebre de precio en caso de ser necesario. En nuestro ejemplo para el tramo 1 Q(1)=700 unidades esta en el intervalo por tanto se mantiene; para el tramo 2 Q(2)=714 está por debajo de la cota inferior del intervalo, por tanto se aproxima a esta cota quedando Q(2)=1.000; finalmente en el tramo 3 Q(3)=718 que también está por debajo de la cota inferior del intervalo, por tanto se aproxima a esta cota quedando Q(3)=2.000 PASO 3: Calcular el costo asociado a cada una de las cantidades determinadas (utilizando la fórmula de costo total presentada anteriormente) Costo Tramo 1 = C(700)=$25.700 Costo Tramo 2 = C(1.000)=$24.725 Costo Tramo 3 = C(2.000)=$24.822 Se concluye que el tamaño óptimo de pedido que minimiza los costos totales es 1.000 unidades, con un costo total anual de $24.725. http://www.investigaciondeoperaciones.net/eoq.html 2. MODELO LEP (lote económico de producción) Este modelo de inventario sugiere que se la empresa lleve a cabo operaciones hasta llegar a un nivel máximo de producción (Inventario máximo), despues de esto se dispone a detener la producción hasta agotar las existencias, y luego que esto suceda deben volver a empezar el proceso de producción. Este modelo se clasifica en: 2.1 Modelo LEP sin faltantes 2.2Modelo LEP con faltantes 3. MODELO PROBABILISTICO (EOQ con demanda variable) Este modelo permite faltantes en la demanda, la política requiere ordenar la cantidad y siempre que el inventario caiga al nivel R. Como en el caso determinista, el nivel de reorden R es una función del tiempo de entrega, entre colocar y recibir un pedido. Los valores óptimos de R, se determinan minimizando el costo esperado por unidad de tiempo que incluye la suma de los costos de preparación, conservación y faltante. El modelo tiene 3 suposiciones *la demanda no satisfecha durante el tiempo de entrega se acumula. *no se permite mas de una orden pendiente. *la distribución de la demanda durante el tiempo de entrega permanece estacionaria (sin cambio) con el tiempo. Referencia Principios de administración financiera, Lawrence J Gitman, Elisa Nuñez Ramos, 2003 http://www.slideshare.net/GraceDaniela/gestion-de-inventario-8031603 WILFRIDO PARETO Sociólogo y economista italiano (París, 1848 - Céligny, Suiza, 1923). De origen aristocrático (era hijo de un marqués exiliado en Francia por pertenecer al movimiento revolucionario de Mazzini), Pareto estudió ingeniería en Turín y desarrolló una carrera brillante como ejecutivo de empresas ferroviarias e industriales. Su vocación por las ciencias sociales fue tardía: hacia 1890 pasó de los aspectos prácticos a los teóricos de la economía, siguiendo la línea de Léon Walras. Rechazado en el mundo académico italiano, encontró acogida en Suiza, sucediendo a su maestro Walras en la cátedra de Economía de Lausana (1893). En los trece años que la desempeñó, hizo aportaciones muy relevantes a la teoría del equilibrio, desarrollando los principios de una teoría utilitarista del bienestar (óptimo de Pareto); a partir de análisis estadísticos llegó a la conclusión de que la distribución de la renta en cualquier sociedad responde siempre a un mismo modelo, por lo que serían inútiles las políticas encaminadas a redistribuir la riqueza (ley de Pareto). En 1906 se retiró de la enseñanza para dedicarse sólo a la investigación, al tiempo que desplazaba su atención de la economía a la sociología. Partiendo de un análisis psicologista de los motivos de la conducta humana (entre los cuales incluyó ampliamente móviles irracionales que no había tenido en cuenta en su pensamiento económico), desarrolló una teoría de las elites que planteaba el carácter inevitable de la desigualdad social y de la dominación de las masas por una minoría selecta. Su esfuerzo por analizar la vida política prescindiendo de las apariencias ideológicas para profundizar en la realidad descarnada de la lucha por el poder hacen que se le considere, junto con Gaetano Mosca, uno de los iniciadores de la «ciencia política»; en todo caso, su análisis refleja una nostalgia por el mundo liberal europeo en crisis frente a los avances de la política de masas. En sus escritos criticó y ridiculizó las ideas de progreso, democracia, igualdad y socialismo, poniendo en primer plano el componente de fuerza y de engaño que existe en la historia de la humanidad. Esta visión le convirtió en un predecesor ideológico del fascismo; efectivamente, Mussolini intentó apropiarse del prestigio intelectual de Pareto, el cual nunca criticó al fascismo italiano e incluso aceptó que le nombraran senador poco antes de morir. Entre las principales obras de Pareto cabe señalar el Curso de Economía Política (1896-97), el Manual de Economía Política (1906) y el Tratado de sociología general (1916). http://www.biografo.info/biografias/ver/48814/Vilfredo-Pareto CLASIFICACIÓN ABC Y LA LEY DE PARETO. En Logística, es habitual hablar de infinidad de tipos de segmentaciones ABC (a veces llamada simplemente AC): ABC de entradas, ABC de Stock, ABC de salidas, de clientes, de roturas...que dicho así, no da mucha información. En este artículo vamos a tratar de aclarar que es una segmentación ABC y como se realiza. Una segmentación ABC es una herramienta que nos sirve para centrarnos en lo que es más importante. Realmente es una aplicación de la ley de Pareto, o la ley 80/20. Esta ley dice que el "20% de algo siempre es responsable del 80% de los resultados" es decir que el 20% de algo es esencial y el 80% es trivial. Por ejemplo, si hablamos de ventas, el 20% de los productos, representan el 80% de las ventas y el otro 80% solo representa el 20% de las ventas. Por tanto ese primer 20% de productos son los que deberían ser más importantes para la empresa. Esta ley se basa en un conocimiento empírico y no siempre se cumple con exactitud. A veces no es 80/20 y es 80/30...depende de cada caso en particular, pero siempre hay un "poco" que representa un "mucho" En el caso de una segmentación ABC, lo que se suele hacer es, definir como: ü Clase A: es el % de ese algo (ej: productos) que representa el 80% de los resultados (ej: ventas) ü Clase B: es el % de ese algo (productos), sin considerar la clase A, que representa el 15% de los resultados restante (ventas) ü Clase C: el resto de % de ese algo (productos) sin considerar las clases A y B que representara el resultado restante: el 5%. Cuando hablamos de clasificación ABC lo que se suele considerar es que la clase C es el conjunto de la clase B y C anterior. Es decir, A representa el 80% de la venta y C el 20% (ley 80/20). http://www.lrmconsultorialogistica.es/blog/feed/9-articulos/42-segmentacion-abc-picking.html LA INVESTIGACIÓN DE OPERACIONES, USO DE MODELOS Y METODOS DE OPTIMIZACION March 16, 2011 by germanjames I. LA INVESTIGACIÓN DE OPERACIONES, USO DE MODELOS Y METODOS DE OPTIMIZACION I.1 INTRODUCCION A LA INVESTIGACIÓN DE OPERACIONES 1. Un poco de Historia Se inicia desde la revolución industrial, en los libros se dice que fue a partir de la segunda Guerra Mundial. La investigación de operaciones se aplica a casi todos los problemas. En 1947, en EE.UU., George Datzing encuentra el método simplex para el problema de programación lineal. En la investigación de operaciones, las computadoras son la herramienta fundamental en la investigación de operaciones. 2. Definición La Investigación de Operaciones, es la aplicación del método científico por un grupo multidisciplinario de personas a un problema, principalmente relacionado con la distribución eficaz de recursos limitados (dinero, materia prima, mano de obra, energía), que apoyados con el enfoque de sistemas (este enfoque, es aquel en el que un grupo de personas con distintas áreas de conocimiento, discuten sobre la manera de resolver un problema en grupo.). Puede considerarse tanto un arte como una ciencia. Como arte refleja los conceptos eficiente y limitado de un modelo matemático definido para una situación dada. Como ciencia comprende la deducción de métodos de cálculo para resolver los modelos. 2.1 Pasos del Método científico en IO 1. Definición del problema.- Desde el punto de vista de la Investigación de operaciones(IO),esto indica tres aspectos principales:(a)Una descripción de la meta o el objetivo del estudio,(b)Una Identificación de las alternativas de decisión y (c) Un reconocimiento de las limitaciones, restricciones y requisitos del sistema 2. Construcción del Modelo._Dependiendo de la definición del problema, el equipo de investigación de operaciones deberá decidir sobre el modelo mas adecuado para representar el sistema (modelo matemático, modelo de simulación; combinación de modelos matemáticos, de simulación y heurísticos) 3. Solución del Modelo.- En modelos matemáticos esto se logra usando técnicas de optimización bien definidas y se dice que el modelo proporciona una solución optima. Si se usan los modelos de simulación o heurísticos el concepto de optimalidad no esta bien definido, y la solución en estos casos se emplea para obtener evaluaciones aproximadas de las medidas del sistema 4.Validación del Modelo.- Un modelo es valido si, independientemente de sus inexactitudes al representar el sistema, puede dar una predicción confiable del funcionamiento del sistema 5. Implantación de los resultados Finales.-La tarea de aplicar los resultados probados del sistema recae principalmente en los investigadores de operaciones. Esto básicamente implicaría la traducción de estos resultados en instrucciones de operación detallada, emitidas en una forma comprensible a los individuos que administraran y operaran el sistema después. La interacción del equipo de investigación de operaciones y el personal de operación llegara a su máximo en esta fase. I.2 TIPOS DE MODELOS DE INVESTIGACION DE OPERACIONES Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal manera que se hacen las suposiciones y restricciones necesarias para representar las porciones más relevantes del mismo. Claramente no habría ventaja alguna de utilizar modelos si estos no simplificaran la situación real. En muchos casos podemos utilizar modelos matemáticos que, mediante letras, números y operaciones, representan variables, magnitudes y sus relaciones. Fig.1.2: Representación de un modelo 1. Modelos Matemáticos Un modelo es producto de una abstracción de un sistema real: eliminando las complejidades y haciendo suposiciones pertinentes, se aplica una técnica matemática y se obtiene una representación simbólica del mismo. Un modelo matemático consta al menos de tres conjuntos básicos de elementos: Ø Variables de decisión y parámetros Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución del modelo. Los parámetros representan los valores conocidos del sistema o bien que se pueden controlar. Ø Restricciones Las restricciones son relaciones entre las variables de decisión y magnitudes que dan sentido a la solución del problema y las acotan a valores factibles. Por ejemplo si una de las variables de decisión representa el número de empleados de un taller, es evidente que el valor de esa variable no puede ser negativo. Ø Función Objetivo La función objetivo es una relación matemática entre las variables de decisión, parámetros y una magnitud que representa el objetivo o producto del sistema. Por ejemplo si el objetivo del sistema es minimizar los costos de operación, la función objetivo debe expresar la relación entre el costo y las variables de decisión. La solución ÓPTIMA se obtiene cuando el valor del costo sea mínimo para un conjunto de valores factibles de las variables. Es decir hay que determinar las variables x1, x2,…, xn que optimicen el valor de Z = f(x1, x2,…, xn) sujeto a restricciones de la forma g(x1, x2,…, xn) £ b. Donde x1, x2,…, xn son las variables de decisión Z es la función objetivo, f es una función matemática. EJEMPLO 1.2.1: Sean X1 y X2 la cantidad a producirse de dos productos 1 y 2, los parámetros son los costos de producción de ambos productos, $3 para el producto 1 y $5 para el producto 2. Si el tiempo total de producción esta restringido a 500 horas y el tiempo de producción es de 8 horas por unidad para el producto 1 y de 7 horas por unidad para el producto 2, entonces podemos representar el modelo como: MinZ = 3X1 + 5X2 (Costo total de Producción) Sujeto a (S.A): 8X1 + 7X2 £ 500 (Tiempo total de producción) X1, X2>= 0 (Restricciones de no negatividad) EJEMPLO 1.2.2: En una empresa se fabrican dos productos, cada producto debe pasar por una máquina de ensamblaje A y otra de terminado B,antes antes de salir a la venta.El producto 1 se vende a $60 y el otro a $50 por unidad. La siguiente tabla muestra el tiempo requerido por cada producto: Producto Maquina A Maquina B 1 2H 3H 2 4H 2H Total disponible 48 H 36 H Para representar el modelo de este problema primero se debe determinar las variables de decisión: Sea Xi: La cantidad a fabricar del producto 1 y 2 (i=1,2), entonces X1: cantidad a fabricar del producto 1, X2: cantidad a fabricar del producto2, luego el modelo quedaría de la siguiente manera: MaxZ = 60X1+ 50X2 (máximo ingreso por ventas) S.A: 2X1+ 4X2 <= 48 (disponibilidad horas _maquina A) 3X1+ 2X2 <= 36 (disponibilidad horas _maquina B) X1, X2 >= 0 (Restricciones de no negatividad) 2. Modelos de Simulación La simulación es una técnica para crear modelos de sistemas grandes y complejos que incluyen incertidumbre. Se diseña un modelo para repetir el comportamiento del sistema. Este tipo de modelamiento se basa en la división del sistema en módulos básicos o elementales que se enlazan entre sí mediante relaciones lógicas bien definidas (de la forma SI / ENTONCES). El desarrollo de un modelo de simulación es muy costoso en tiempo y recursos. II. PROGRAMACION LINEAL II.1 INTRODUCCION A LA PROGRAMACION LINEAL 1. INTRODUCION La programación Lineal (PL) es una técnica de modelado matemático, diseñada para optimizar el empleo de recursos limitados. La programación lineal se aplica exitosamente en el ejercito, en la agricultura, la industria, los transportes, la economía, los sistemas de salud, en el ejercito e incluso en los sistemas conductuales y sociales. La utilidad de esta técnica se incrementa mediante el uso y disponibilidad de programas de computadora altamente eficientes. De hecho la PL, debido a su alto nivel de eficiencia computacional, es la base para el desarrollo de algoritmos de solución de otros tipos (más complejos) de modelos de IO, incluyendo la programación entera, no lineal y estocástica. 2. MODELOS DE PROGRAMACION LINEAL Para formular un problema de programación lineal se debe tener presente que la función objetivo y todas las restricciones deben ser lineales y todas las variables deben ser continuas (pueden asumir valores fraccionales). 2.1 SOLUCIÓN GRAFICA DE PL: Los modelos de PL que se resuelven por el método geométrico o grafico solo son apropiados para casos en que el número de variables son a lo más dos. EJEMPLO 2.1.1: UN PROBLEMA DE MINIMIZACION (Contratación de Personal): El departamento de control de calidad de la empresa Gerconsa S.A que fabrica autopartes, desea contratar personal tanto senior como junior, para las inspecciones de sus productos. El personal senior recibe por su jornada de 8hrs., $188y realiza su labor a una tasa promedio de 30 inspecciones por hora, con un rendimiento del 99%.en cambio el personal junior, recibe $150 por su jornada, realizando 25 inspecciones por hora, con un rendimiento del 95%. La demanda diaria de inspecciones es de 1600 unidades y el personal senior a contratar, no debe ser mayor que el personal júnior. Si las ensambladoras aplican una multa de $5 por cada unidad defectuosa, ¿cuánto de personal senior y júnior, se debe contratar? SOLUCION: La formulación del modelo al problema de minimización seria: Sea Xi: Numero de personal a contratar (i = senior, j = junior o i =1,2) La función objetivo consistiría en minimizar los costos de salario y los de castigo por unidad defectuosa Z = Salario + Multa Salario = 118×1+ 150×2 Multa = (30*8*0.01X1+ 25*8*0.05X2)*5 Luego la función objetivo es: MinZ = 200X1+ 200X2 y sujeta a las restricciones: 30(8) X1+25(8) X2>=1600 (Demanda diaria) X1<= X2 (Relación personal) Finalmente el modelo se reduce a: MinZ = 200X1 + 200X2 S.A.: 6X1+ 5X2 >=40 (1) X1 – X2 <=0 (2) X1, X2 >=0 Gráficamente y después de haber utilizado el amigable software TORA el problema quedaría así: Fig.2.1: Solución grafica (optima) al problema de contratación de personal Este modelo pudo haberse resuelto fácilmente graficando en las coordenadas X1 y X2 y hallando el punto de intersección común a ambas rectas. Se puede ver que la intersección de recta de la función objetivo con las rectas 1 y 2 lo hace dentro de la región factible y en su punto mínimo (punto optimo), después de haber resuelto algebraicamente por sistemas de ecuaciones simultaneas las restricciones 1 y 2 tenemos finalmente el punto optimo mínimo para el problema: X1=3.64 X2=3.64 Z*=1454.55 De los resultados puede verse que tenemos valores fraccionarios para un problema de contratación de personal lo cual es inapropiado dado que se trata del recurso humano, sin embargo solo se ha resuelto para efecto demostrativo grafico (además no olvidemos que en PL las variables son continuas), ya que la programación lineal entera se encarga de darle una solución Optima a este problema. EJEMPLO 2.1.2: UN PROBLEMA DE MAXIMIZACION. Javier Cutipe es un exitoso vendedor de la distribuidora de gaseosas Gerconsa y tiene que decidir como asignar sus esfuerzos entre los diferentes tipos de clientes de las zonas de Moquegua que le han dado (san Antonio, san francisco, la villa los ángeles, samegua, y chen chen).Puede visitar comerciantes y clientes que compran al menudeo. Una visita a un comerciante usualmente le produce S/.400 en ventas, pero la visita en promedio dura 2horas y debe manejar también en promedio, 10 kilómetros. En una visita a un comprador al menudeo le vende S/.500 y requiere de unas 3horas y 20 kilómetros manejando el carro aproximadamente. Javier viaja trabajando como máximo, 600kilometros por semana en su propio carro y prefiere trabajar nomás de 36 horas por semana. Construya un modelo de programación lineal para Javier Cutipe Mamani SOLUCION: Sea: X1: Numero de comerciantes X2: Numero de clientes al menudeo El modelo resultante es: Max Z= 400X1+500X2 (Ingreso por ventas brutas) S.A: 2X1+3X2 <= 36 (restricción de horas semanales) (1) 10X1+20X2<=600 (restricción de distancia recorrida) (2) X1,X2>=0 (Restricción de no negatividad) Fig.2.2: Solución grafica (optima) al problema de Javier Cutipe El modelo anterior se resuelve gráficamente aplicando Tora, también pudo haberse resuelto fácilmente graficando en las coordenadas X1 y X2 y hallando el punto de intersección común a la recta (1) con el eje X1, la recta de la función objetivo alcanza su nivel máximo (punto optimo) en la región factible para X1=18 y X2=0, esto algebraicamente es después de haber resuelto la restriccion1 (ecuacion1) y haciendo x2=0 en la misma ecuación (nótese que la restricción 2 es redundante). Finalmente el punto óptimo mínimo para el problema es de: X1=18 X2=0 Z*= S/.7200 Este resultado nos dice que Javier Cutipe deberá concentrar sus esfuerzos solo en la venta a 18 comerciantes dado que alli maximizara sus ingresos por ventas en S/.7200 2.2 SOLUCIÓN POR COMPUTADORA DE PROBLEMAS DE PL En la practica, donde los modelos típicos de programación Lineal implican cientos, o incluso miles de variables y restricciones, la única forma de resolver estos problemas es utilizando un programa apropiado de computadora. En el mercado informático existen softwares que tienen módulos de programación lineal (PL) tal como el Tora, Storm, Programas como el lindo, lingo, etc. También se puede hacer uso de Solver en Excel para resolver problemas de PL. EJEMPLO 2.2.1: La figura 2.3 presenta la solución de TORA para el problema de contratación de personal del ejemplo 2.1.1 Fig.2.3: Solución óptima usando TORA La información de salida se divide en dos partes principales (1) resumen de la solución óptima (optimum solution sumary) que comprende los valores óptimos de las variables de decisión y el valor optimo de la función Objetivo y (2) Análisis de sensibilidad (Sensitivity análisis) referente a hacer cambios en el lado derecho(right-and sides) y en los coeficientes de la función objetivo EJEMPLO 2.2.2: La figura 2.4 presenta la solución de LINDO para el problema de Javier Cutipe del ejemplo 2.1.2 LP OPTIMUM FOUND AT STEP 1 OBJECTIVE FUNCTION VALUE 1) 7200.000 VARIABLE VALUE REDUCED COST X1 18.000000 0.000000 X2 0.000000 100.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 200.000000 3) 420.000000 0.000000 NO. ITERATIONS= 1 RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE X1 400.000000 INFINITY 66.666664 X2 500.000000 100.000000 INFINITY RIGHTHAND SIDE RANGES ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 36.000000 84.000000 36.000000 3 600.000000 INFINITY 420.000000 Fig.2.4: Solución óptima usando LINDO 2.3 ANALISIS DE ALGUNOS MODELOS DE PL: Se presentan algunos modelos realistas de de PL, en los cuales las definición de variables y la construcción de la función objetivo y de las restricciones no son tan directas como en el caso de los modelos de dos variables. Además la salida de TORA de la computadora para cada modelo permitirá interpretaciones muy claras de las soluciones. EJEMPLO 2.3.1: Un distribuidor de ferretería planea vender paquetes de tuercas y tornillos mezclados. Cada paquete pesa por lo menos 2 libras. Tres tamaños de tuercas y tornillos componen el paquete y se compran en lotes de 200 libras. Los tamaños 1 ,2 y 3 cuestan respectivamente $20, $80 y $12, además: a. El peso combinado de los tamaños 1y 3 debe ser al menos la mitad del peso total del paquete b. El peso de los tamaños 1 y 2 no debe ser mayor que 1,6 libras c. Cualquier tamaño de tornillo debe ser al menos 10 porciento del paquete total ¿Cuál será la composición del paquete que ocasionara un costo mínimo? (formule solamente el modelo de pl.) SOLUCION: Formulación Sea : X1 = peso de las unidades de tamaño 1 X2 = peso de las unidades de tamaño 2 X3 = peso de las unidades de tamaño 3 De este modo se tendrán las siguientes Restricciones: x1+ x2+ x3 >=2 peso mínimo de cada paquete X1 +X3 >= (X1+ X2+ X3)/2 Peso combinado d e l os tamaños 1 y 3 X1+ X2 <=1.6 Peso combinado de 1 y 2 X1>=0.10(X1+ X2+ X3) Condición de peso para cualquier tamaño X2>=0.10(X1+ X2+ X3) X3>=0.10(X1+ X2+ X3) Siendo la función MinZ = 20X1+ 80X2+ 12X3)/200, en resumen se tiene el siguiente modelo: MinZ = 0.1X1+0.04X2+0.06X3 S.A: X1+ X2+ X3 >= 2 X1 – X2+ X3 >=0 X1+ X2 <=1.6 0.9X1-0.1X2-0.1X3 >=0 -0.1X1+0.9X2-0.1X3 >=0 -0.1X1-0.1X2+0.9X3 >=0 X1, X2, X3 >=0 Fig.2.5: Solución óptima usando TORA Del resultado del sotware Tora se puede ver que la solución optima es : X1* = 0.20 X2* = 1.00 X3* = 0.80 Z*= 0.11 EJEMPLO 2.3.2: Al mezclar diferentes hidrocarburos se obtiene gasolina de diferentes grados. En este ejemplo se supone que una refinería dispone sólo de dos tipos de gasolina cuyas características se presentan en la siguiente tabla: Mezclas Octanaje Presión de vapor Cantidad disponible disponibles (Barriles) Tipo 1 104 5 30,000 Tipo 2 94 9 70,000 Con la combinación de estos productos se pueden producir dos tipos de gasolina: para automóvil y aviación. Las cualidades de estos productos aparecen en la siguiente tabla: Producto final Mínimo Máxima presión Máxima venta Precio de octanaje de vapor (Barriles) venta (Barril) Aviación 102 6 20,000 45.10 Automóvil 96 8 Sin tope 32.40 El octanaje y la presión de vapor del producto resultante es proporcional a la cantidad de cada gasolina utilizada en la mezcla. Por ejemplo para partes iguales de ambas gasolinas: Octanaje: 0.5*104 + 0.5*94 = 99 Presión de vapor: 0.5*5 + 0.5*9 = 7 La empresa desea maximizar los ingresos por la venta de gasolina como producto final Formulación Sean x1 el número de barriles de gasolina del tipo 1 para aviación. X2 el número de barriles de gasolina del tipo 2 para aviación. X3 el número de barriles de gasolina del tipo 1 para automóvil. X4 el número de barriles de gasolina del tipo 2 para automóvil. La venta correspondiente a gasolina para aviación es 45.10*(x1 + x2) y la venta correspondiente a gasolina para automóvil es 32.40(x3 + x4) entonces la función objetivo es: Maximizar: Z = 45.10x1 + 45.10x2 + 32.40x3 + 32.40x4 Existen varias restricciones: Demanda de gasolina para aviación: X1 + x2 £ 20,000 Cantidad disponible por tipo de gasolina: X1 + x3 £ 30,000 X2 + x4 £ 70,000 Restricción de octanaje: Aviación: (104x1 + 94x2)/(x1 + x2) ³ 102 Û 2x1 – 8x2 ³ 0 Automóvil: (104x3 + 94x4)/(x3 + x4) ³ 96 Û 8x3 – 2x4 ³ 0 Restricción de presión de vapor: Aviación: (5x1 + 9x2)/(x1 + x2) £ 6 Û -x1 + 3x2 £ 0 Automóvil: (5x3 + 9x4)/(x3 + x4) £ 8 Û -3x3 + x4 £ 0 No negatividad: X1, x2, x3, x4 ³ 0 En Resumen el modelo se presenta de la siguiente manera: MaxZ = 45.10x1 + 45.10x2 + 32.40x3 + 32.40x4 X1 + x2 £ 20,000 Demanda de gasolina para aviación: X1 + x3 £ 30,000 Cantidad disponible por tipo de gasolina X2 + x4 £ 70,000 Cantidad disponible por tipo de gasolina 2x1 – 8x2 ³ 0 Restricción de octanaje aviación 8x3 – 2x4 ³ 0 Restricción de octanaje automóvil -x1 + 3x2 £ 0 Restricción de presión de vapor aviación -3x3 + x4 £ 0 Restricción de presión de vapor automóvil: X1, x2, x3, x4 ³ 0 Restricción de no negatividad Una vez Formulado el modelo matemático hacemos uso del TORA para encontrar una solución óptima: X1*=16000.00 X2*=4000.00 X3*=4666.67 X4*=14000.00 Z*= 1506800.00 Fig.2.6: Solución óptima usando TORA III. EL METODO SIMPLEX La idea general del método Simplex es comenzar en un punto extremo y desplazarse hacia un punto extremo adyacente con el objeto de mejorar el valor de la función objetivo, manteniendo la factibilidad. La manera más sencilla de seleccionar un punto extremo inicial es usar la base B constituida por variables de holgura y/o artificiales. De esta forma la base B inicial es la matriz identidad I que obviamente es una base. Los puntos extremos adyacentes se determinan intercambiando un vector de B con un vector no básico que moverá la solución hacia la optimalidad. Tabla Simplex en forma matricial Expresemos el programa lineal en forma matricial: Max z = CX Sujeto a: (AI)X = b X >= 0 Subdividamos el vector X en XI y XII, entonces el problema estándar se puede escribir de la siguiente manera: (I) 1 –CI –CII z 0 0 A I XI = b XII En una iteración cualquiera, sea XB La representación de las variables básicas y Bsu base asociada, entonces XB representa a m elementos de X y B representa los vectores de (AI) correspondientes a XB, y sea CB el vector de elementos de Casociado a XB. Entonces: B XB = b y z = CBXB o bien: 1 –CB z = 0 0 B XB b La solución se puede expresar: z = 1 CBB-1 0 = CBB-1b XB 0 B-1 b B-1b Por lo tanto, aplicando este resultado, premultiplicando a (I) se obtiene 1 CBB-1 1 –CI –CII Z CBB-1b 0 B-1 0 A I XI = B-1b XII Esta ecuación matricial se resuelve mediante la iteración simplex general (II): Básica XI XII Solución z CBB-1A–CI CBB-1–CII CBB-1b XB B-1A B-1 B-1b Esta tabla muestra los detalles del cálculo del método simplex, es decir, si se conoce B se puede encontrar en cada paso B-1, por lo tanto XB y z. Por ejemplo consideremos el método simplex con variables de holgura, en este caso, CII = 0 la solución básica inicial se identifica como: XB = XII, CB = CII = 0, B = I, B-1 = I Sustituyendo en (II) se obtiene el método simplex general con variables de holgura (III): Básica XI XII Solución z –CI 0 XB A I b Si utilizamos simplex con variables artificiales (variables utilizadas como variables de holgura para las restricciones que no cumplen la forma estándar). En este caso CII = (-M,-M,…, -M) (coeficientes de penalización para la función objetivo). La solución básica inicial se puede expresar como: XB = XII, CB = CII, B = I, B-1 = I Sustituyendo en (II) se obtiene el método simplex general con variables artificiales y de holgura (IV): Básica XI XII Solución z CIIA–CI 0 CIIb XII A I b EJEMPLO 3.1: Max z = 3×1 + 10×2 Sujeto a: X1 + 4×2 <= 8 X1 + 2×2 <= 4 X1, x2 >= 0 Forma típica: Z -3×1 – 10×2 = 0 X1 + 4×2 + h1 = 8 X1 + 2×2 + h2 = 4 X1, x2, h1, h2 >=0 VB x1 x2 h1 h2 Solución Z -3 -10 0 0 0 h1 1 4 1 0 8 8/4=2 h2 1 2 0 1 4 4/2=2 Por inspección entra x2 y puede salir tanto h1 como h2, escojamos arbitrariamente h1 y cambiemos x2 por h1. Primera iteración: VB x1 x2 h1 h2 Solución Z -1/2 0 5/2 0 20 x2 1/4 1 1/4 0 2 h2 1/2 0 -1/2 1 0 La solución básica después de la primera iteración es X1 = 0, x2 = 2, h1 = 0, h2 = 0 Ø Al ser h2, variable básica, h2 = 0, se dice que es solución degenerada, es posible que el método itere sin llegar a la solución optima. Segunda iteración: De la tabla anterior, entra x1 y sale h2: VB x1 x2 h1 h2 Solución Z 0 0 2 1 20 x2 0 1 1/2 -1/2 2 X1 1 0 -1 2 0 La función objetivo no se ha incrementado, un problema puede ser temporalmente degenerado y luego encontrar la solución óptima. EJEMPLO 3.2: Max Z = 3×1 + 5×2 Sujeto a: X1 -2×2 <= 5 2×1 <= 12 X1, x2 >= 0 Forma típica: Z -3×1 – 5×2 = 0 X1 -2×2 + x3 = 5 2×1 + x4 = 12 X1, x2, x3, x4 >= 0 X3, x4 variables de holgura. VB x1 x2 x3 x4 Solución Z -3 -5 0 0 0 X3 1 -2 1 0 5 X4 2 0 0 1 12 X2 es variable entrante, no hay ninguna variable básica saliente, ya que los elementos de la columna pivote son negativos o 0. En este caso se puede observar que el valor óptimo de z es ilimitado, las restricciones en este caso no previenen un aumento ilimitado de la función objetivo. En este caso el problema de optimización se encuentra mal formulado. EJEMPLO 3.3: Múltiples soluciones óptimas Max z = 2×1 + 4×2 Sujeto a: x1 + 2×2 <= 12 2×1 + 2×2 <= 12 x1, x2 >= 0 Forma típica: Z – 2×1 – 4×2 = 0 X1 + 2×2 + x3 = 12 2×1 + x2 + x4 = 12 Primera iteración: VB x1 x2 x3 x4 Solución Z -2 -4 0 0 0 X3 1 2 1 0 12 X4 2 1 0 1 12 Variable no básica entrante x2 Segunda iteración: VB x1 x2 x3 x4 Solución Z 0 0 2 0 24 X2 1/2 1 1/2 0 6 X4 3/2 0 -1/2 1 6 Después de la segunda iteración queda la variable no básica x1 con coeficiente 0, podemos hacer una iteración extra: VB x1 x2 x3 x4 Solución Z 0 0 2 0 24 X2 0 1 2/3 -1/3 4 X1 1 0 -1/3 2/3 4 Siempre que un problema tiene más de una solución óptima, al menos una de las variables no básicas tiene un coeficiente igual a 0 en la ecuación de la función objetivo. EJEMPLO 3.4: Max 2×1 + 3×2 Sujeto a: X1 + 2×2 + x3 = 4 X1 + x2 = 3 X1, x2, x3 >=0. VB x1 x2 x3 x4 Solución Z -2 -3 0 0 0 X3 1 2 1 -1/3 4 ? 1 1 0 2/3 3 No hay variables de holgura para usarla como variable básica inicial en la ecuación (2) por lo que la restricción se reescribe de la siguiente forma: X1 + x2 + x4 = 3 donde x4 es variable artificial, como x4 no se hace 0 necesariamente sobre el plano (2), debemos penalizar este valor en la función objetivo de manera que x4 se reduzca a 0 al optimizar. Para esto se pone un coeficiente -M grande, en la función objetivo (-M al maximizar, +M al minimizar con M > 0). Al modificar la función objetivo queda así: Z = 2×1 + 3×2 – Mx4 VB x1 x2 x3 x4 Solución Z -M-2 -M-3 0 0 -3M X3 1 2 1 0 4 X4 1 1 0 1 3 Primera iteración: VB x1 x2 x3 x4 Solución Z (-M-1)/2 0 (M+3)/2 0 -M+6 X2 1/2 1 1/2 0 2 X4 1/2 0 -1/2 1 1 Segunda iteración: VB x1 x2 x3 x4 Solución Z 0 0 1 M+1 7 X2 0 1 1 -1 1 X1 1 0 -1 2 2 Solución optima: x1 = 2, x2 = 1, z = 7 Ø Para seleccionar la variable que entra en la tabla inicial tomamos el coeficiente más negativo entre –M-2 y –M-3, siendo éste último. Sin embargo si hubiéramos utilizado un número muy grande para M en una computadora, estos coeficientes se habrían considerado como iguales. Para esto se utiliza el método simplex de dos fases. III.1 EL METODO SIMPLEX DE DOS FASES Una desventaja de la técnica M es el posible error de cálculo que puede resultar al asignarse un valor muy grande a la constante M. Aquí se utilizan las variables artificiales, pero el uso de la constante M se elimina resolviendo el problema en dos etapas: FASE I: Agregar variables artificiales para asegurar una solución inicial. Formar una nueva función objetivo para minimizar la suma de las variables artificiales sujeta a las restricciones del problema original con las variables artificiales, si el mínimo es 0 (todas las variables artificiales son 0), el problema original tiene soluciones factibles, entonces seguir con la Fase II, si no detenerse. FASE II: Utilizar la solución básica óptima de la FASE I como solución inicial para el problema original EJEMPLO 3.1.1: Un problema de penalización en dos fases: Min z = 4×1 + x2 Sujeto a: 3×1 + x2 =3 4×1 + 3×2 >= 6 x1 + 2×2 <= 4 x1, x2 >= 0 Forma estándar con variables artificiales: Min z = 4×1 + x2 + MR1 + MR2 Sujeto a: 3×1 + x2 + R1 = 3 4×1 + 3×2 – x3 +R2 = 6 x1 + 2×2 + x4 = 4 x1, x2, x3, R1, R2, x4 >= 0 FASE I: Min r = R1 + R2 Sujeto a: 3×1 + x2 + R1 = 3 4×1 + 3×2 – x3 +R2 = 6 x1 + 2×2 + x4 = 4 x1, x2, x3, R1, R2, x4 >= 0 Como R1 y R2 están en la solución inicial, deben sustituirse en la función objetivo: R = R1 + R2 = (3 – 3×1 – x2) + (6 – 4×1 – 3×2 + x3) = -7×1 – 4×2 + x3 + 9 Tabla inicial: VB x1 x2 x3 R1 R2 x4 Solución r 7 4 -1 0 0 0 9 R1 3 1 0 1 0 0 3 R2 4 3 -1 0 1 0 6 x4 1 2 0 0 0 1 4 La tabla optima se obtiene en dos iteraciones: VB x1 x2 x3 R1 R2 x4 Solución r 0 0 0 -1 -1 0 0 x1 1 0 1/5 3/5 -1/5 0 3/5 x2 0 1 -3/5 -4/5 3/5 0 6/5 x4 0 0 1 1 -1 1 1 Como el mínimo es 0, el problema tiene solución factible y pasamos a la fase II, las variables artificiales sirvieron para encontrar una solución factible básica inicial. Luego en la fase II resolvemos: Min z = 4×1 + x2 Sujeto a: x1 + 1/5 x3 = 3/5 X2 – 3/5 x3 = 6/5 X3 + x4 = 1 Para esto debemos efectuar las transformaciones correspondientes a la función objetivo, es decir encontrar el coeficiente de las variables no básicas, en este caso x3, esto se logra reemplazando en la función objetivo el valor de x1 y x2 de las ecuaciones. Obteniéndose la tabla inicial para la fase II: VB x1 x2 x3 x4 Solución z 0 0 1/5 0 18/5 X1 1 0 1/5 0 3/5 X2 0 1 -3/5 0 6/5 X4 0 0 1 1 1 La tabla no es óptima ya que x3 debe entrar en la solución. III.2 DEFINICION DEL PROBLEMA DUAL El desarrollo de la programación lineal se ha visto reforzado por el descubrimiento de que todo problema de programación lineal tiene asociado otro problema llamado dual. El problema original se llama primal, ambos problemas están relacionados de tal manera que la el valor de la función objetivo en el optimo es igual para ambos problemas, y la solución de uno conduce automáticamente a la del otro. Las relaciones entre ambos problemas facilitan el análisis de sensibilidad de un problema. El dual es un problema de programación lineal se obtiene matemáticamente de un problema primal. La forma del problema dual es única y se define en base a la forma estándar general del problema primal: Optimizar (Max o Min) z = S j =1..ncjxj Sujeto a S j =1..naijxj = bi xj >= 0 con i = 1..m, j = 1..n donde las n variables xj incluyen los excesos y las holguras. El problema dual se construye simétricamente del primal de acuerdo a las siguientes reglas. 1. Para cada restricción primal (m restricciones) existe una variable dual yi (m variables), la función objetivo se construye con los valores libres bi como coeficientes de las variables yi. 2. Para cada variable primal xj (n variables) existe una restricción dual (n restricciones), la restricción se construye con los m coeficientes de las restricciones primales de esa variable. Los valores libres son los n coeficientes cj. 3. Si la optimización primal es una Maximización, el problema dual es una Minimización y las restricciones son >=. (y a la inversa Minimización primal, Maximización dual, restricciones < ). Ø Si consideramos los excesos y holguras las variables duales (yi)no tienen restricciones de signo, en caso contrario en ambos problemas se considera variables >0. Por lo que las variables duales correspondientes a restricciones del tipo = deben ser sin restricciones de signo, recíprocamente cuando una variable en el primal no tiene restricción de signo, la restricción correspondiente en el dual debe ser del tipo =. EJEMPLO 3.2.1: Max z = 3x1 + 5x2 Sujeto a: x1 + 10×2 < 80 2x1 + 3x2 < 45 4x1 – 2x2 < 25 3x2 <60 x1, x2 > 0 Aplicando las reglas : 1. Para cada restricción primal (4 restricciones) existe una variable dual yi (4 variables) y1 y2 y3 y4, la función objetivo se construye con los valores libres bi(80,45,25,60) como coeficientes de las variables yi. 2. Para cada variable primal xj (2 variables sin considerar las variables de holgura) existe una restricción dual (2 restricciones), la restricción se construye con los 4 coeficientes de las restricciones primales de esa variable. Los valores libres son los 2 coeficientes cj (3, 5). 3. la optimización primal es una Maximización, el problema dual es una Minimización y las restricciones son > . Ø No hemos considerado las variables de excesos ni holguras las variables duales por lo que en ambos problemas se considera variables ³ 0, no existen restricciones de =. Problema dual: 1. Min Y = 80y1 + 45y2 + 25y3 + 60y4 Sujeto a: Y1 + 2y2 + 4y3 > 3 10y1 + 3y2 – 2y3 + 3y4 > 5 y1, y2, y3, y4 > 0 2. Max Z = 3x1 + 7x2 Sujeto a: 2x1 + 5x2 = 15 x1 + 8x2 < 30 x1, x2 > 0 1. Para cada restricción primal (2 restricciones) existe una variable dual yi (2 variables) y1 y2, la función objetivo se construye con los valores libres bi (15, 30) como coeficientes de las variables yi. 2. Para cada variable primal xj (2 variables sin considerar las variables de holgura) existe una restricción dual (2 restricciones), la restricción se construye con los 2 coeficientes de las restricciones primales de esa variable. Los valores libres son los 2 coeficientes cj (3, 7). 3. Aplicando las reglas y la nota: 4. Nota: Para la segunda restriccion no hemos considerado las variables de excesos ni holguras las variables duales por lo que en el dual y2 ³ 0, la primera restricción es de igualdad por lo que la primera variable no tiene restricción de signo. Problema dual: Min Y= 15y1 + 30y2 Sujeto a: 2y1 + y2 ³ 3 5y1 + 8y2 ³ 7 y1 sin restricción de signo (irrestricta) y2 ³ 0. III.3 ANALISIS DE SENSIBILIDAD Una vez obtenida la solución de un problema de programación lineal, es deseable investigar cómo cambia la solución del problema al cambiar los parámetros del modelo. Por ejemplo si una restricción de un problema es 4×1 + 6×2 < 80 donde 80 representa la cantidad de recurso disponible. Es natural preguntarse ¿ que pasa con la solución del problema si la cantidad de recurso (por ejemplo Horas) disminuye a 60?. Otras veces podemos preguntarnos que pasa si cambiamos algunos coeficientes de la función objetivo? O bien si agregamos una restricción o una variable. El estudio de la variación de un problema de programación lineal debido a cambios de los parámetros del mismo, se llama análisis de sensibilidad. Una forma de responder estas preguntas sería resolver cada vez un nuevo problema. Sin embargo esto es computacionalmente ineficiente. Para esto es preferible hacer uso de las propiedades del método Simplex y de los problemas primal y dual. Recordemos que una vez que en un problema lineal se conoce B, C B y XB, la tabla simplex se puede calcular utilizando B-1 y los datos originales del problema. El efecto de los cambios en los parámetros del problema del análisis de sensibilidad (posoptimo) se puede dividir en tres categorias: 1. Cambios en los coeficientes C de la función objetivo, solo afecta la optimalidad. 2. Cambios en el segundo miembro b solo pueden afectar la factibilidad. 3. Cambios simultáneos en C y b pueden afectar la optimalidad y la factibilidad. EJEMPLO 3.3.1: 1. Cambios en los coeficientes objetivo: Max z = 3×1 + 2×2 (ganancia) Sujeto a x1 + 2×2 + h1 = 6 (Materia Prima A) 2×1 + x2 + h2 = 8 (Materia prima B) -x1 + x2 + h3 = 1 (demanda) x2 + h4 = 2 (demanda) x1, x2, x3, x4, x5, x6 > 0 Tabla primal Óptima: VB x1 x2 x3 x4 x5 x6 Solución z 0 0 1/3 4/3 0 0 12 2/3 x2 0 1 2/3 -1/3 0 0 1 1/3 x1 1 0 -1/3 2/3 0 0 3 1/3 x5 0 0 -1 1 1 0 3 x6 0 0 -2/3 1/3 0 1 2/3 Supongamos que cambiamos la función objetivo de z = 3×1 + 2×2 por z = 5×1 + 4×2, dado el óptimo XB = (x2, x1, x5, x6) CB = (4, 5) Y = (y1, y2, y3, y4) = CBB-1 = (1, 2, 0, 0) 4 5 0 0 1/3 4/3 0 0 2/3 -1/3 0 0 -1/3 2/3 0 0 -1 1 1 0 -2/3 1/3 0 1 Los nuevos coeficientes de la función objetivo son Y(AI) – C que no es otra cosa que la diferencia entre ambos lados de las restricciones duales. IV. MODELO DE TRANSPORTE Existen dos aplicaciones importantes de la programación lineal que son el modelo de transportes y el de asignación de recursos. Aún cuando la solución de estos modelos puede obtenerse aplicando el método simplex, se estudian algoritmos especiales para la solución de estos problemas. Debido a su estructura especial, hace posible hace posible métodos de solución más eficientes en términos del cálculo. EJEMPLO 4.1: Suponga que una compañía tiene m plantas de producción (i), de capacidad ai (i = 1…m) y n almacenes de distribución (j), con demanda bj (j = 1…n). El costo de transporte entre la planta i y el almacén es conocido como cij. El problema es determinar la cantidad (xij) que debe suministrar la planta i al almacén j, de tal manera que el costo de transporte total sea mínimo. Las consideraciones de costos de producción e inventario se pueden incorporar al modelo básico. El modelo típico tiene cuatro componentes: 1. Un conjunto de m fuentes 2. Un conjunto de n destinos 3. Costos de transporte entre las fuentes y los destinos 4. Cantidades de producto para enviar entre las fuentes y los destinos. El modelo general que representa el modelo de transporte es: Min z = S iS j cijxij Sujeto a: S j xij = ai (fuentes i = 1..m) S i xij = bj (destinos j = 1..n) xij >= 0 IV.1 MODELOS BALANCEADOS Y NO BALANCEADOS IV.1 MODELOS BALANCEADOS Y NO BALANCEADOS: Un modelo de transporte se llama balanceado cuando: S i ai = S j b Esto significa que la suma de los suministros de todas las plantas debe ser igual a la suma de las demandas de todos los almacenes. Sin embargo en problemas de la vida real, esta igualdad rara vez se satisface. Lo que se hace entonces es balancear el problema. Si los requerimientos exceden a los suministros, se agrega una planta ficticia, que suministrará la diferencia. El costo de transporte desde la planta ficticia hacia cualquier almacén es cero. Recíprocamente, si los suministros exceden a los requerimientos, se agrega un almacén ficticio que absorberá el exceso. El costo unitario de transporte desde las plantas al almacén ficticio es cero. Ejemplo 4.1.1 Considere La Empresa Gerconsa productora de automóviles de tres plantas y dos centros de distribución. Las capacidades de las tres plantas durante un trimestre son de 1000, 1500 y 1200 automóviles, la demanda trimestral en los dos centros de demanda son de 2300 y 1400 vehículos. El costo de transporte en dólares es: Planta/Almacén 1 2 1 80 215 2 100 108 3 102 68 Sea xij el número de automóviles transportados desde la fuente i al destino j. Como la oferta total (1000+1500+1200 = 3700) es igual a la demanda total (2300+1400 = 3700) el modelo de transporte está equilibrado. Por lo tanto el siguiente modelo representa la situación descrita: Min z = 80x11 + 215x12 + 100x21 + 108x22 + 102x31 + 68x32 Sujeto a: x11 + x12 = 1000 x21 + x22 = 1500 x31 + x32 = 1200 x11 + x21 + x31 = 2300 x12 + x22 + x32 = 1400 xij >= 0 para toda i, j. Un método más resumido para representar el modelo de transporte consiste en utilizar los que se llama tabla de transporte, esta es una matriz donde las filas representan las fuentes y las columnas el destino. En cada celda se especifica la cantidad xij y el costo cij.: Fuente/destino 1 2 Oferta 1 x11 80 x12 215 1000 2 x21 100 x22 108 1500 3 x31 102 x32 68 1200 Demanda 2300 1400 3700 El método de transporte es un problema clásico dentro de la programación matemática; se analiza la manera de obtener el costo mínimo de transportar una serie de productos desde n fabricas, hasta m almacenes; cada envío tiene un costo particular que estará en función de la distancia, el tipo de carretera, la cantidad y otras variables. Como siempre, se entiende mejor con un ejemplo:  La más famosa empresa dentro de las aulas universitarias, la Empresa Gerconsa, tiene tres fabricas donde manufactura su famosísimo producto P, con capacidades de producción de 25 (unidades por micronanosegundo, por segundo, hora, año… no importa, es lo mismo para todos), 25,10 y debe surtir a 4 almacenes con demandas de 20,15,20,5 (unidades por micronanosegundo, segundos.. o lo que sea, siempre y cuando se maneje la misma unidad temporal en todo el problema). Los costos de enviar desde cualquier fábrica a cualquier almacén se pueden ver en la tabla abajo. Capacidad de Producción (u/t) Fabrica 1 Fabrica 2 Fabrica 3 25 25 10 Demanda de los Almacenes (u/t) Almacén 1 Almacén 2 Almacén 3 Almacén 4 20 15 20 5 Costo de Transporte desde la Fabrica i al almacén j Almacén $/unid Almacén 1 Almacén 2 Almacén 3 4 Fabrica 1 2 2 0 4 Fabrica 2 5 9 8 3 Fabrica 3 6 4 3 2 Ahora la pregunta es cuánto se debe enviar desde cada fábrica a cada almacén con el fin de obtener el mínimo costo. Min Z = 2X11 + 2X12 +0X13 +4X14 +5X21 +9X22 +8X23 +3X24 +6X31+4X32 + 3X33 +2X24 Sujeto a: 1. Satisfacer la demanda de los almacenes: X11+X21+X31 >= 20 X12+X22+X32 >= 15 X13+X23+X33 >= 20 X14+X24+X34 >= 5 2. No sobrepasar la capacidad disponible de las fabricas X11+X12+X13+X14 <= 25 X21+X22+X23+X24 <= 25 X31+X32+X33+X34 <= 10 3. Por supuesto la condición de no negatividad y todas las variables enteras. Bueno, aquí la formulación es un poco diferente a como lo hicimos en los dos ejemplos anteriores. La idea aquí es la de tener dos matrices y dos vectores; una matriz se corresponderá con las variables de decisión, y la otra matriz con los costos. La primera la dejamos simplemente señalada, con algún formato para distinguirla, y la otra la digitamos. La celda objetivo será la suma del producto de cada una de las posiciones de cada matriz con su correspondiente en la otra; esto lo podemos hacer rápidamente con la función “sumaproducto” del Excel. Las restricciones estarán en las columnas de “Consumo” y de “entregado”. Primero preparemos el formato del problema, así: Las variables de decisión están en el rango [B4-E6]. La celda objetivo sería algo así como esto: = B4*B10+ C4*C10+… pero eso sería muy largo. La manera corta es:= SUMAPRODUCTO (B4:E6,B10:E12).La cantidad entregada a cada almacén se ve en la fila 8. Por ejemplo para la celda B8, su fórmula es:=B4+B5+B6. La restricción de la capacidad de las fabricas la escribiremos en función del consumo en la columna G; por ejemplo para la celda G4:=B4+C4+D4+E4. Las restricciones las escribiremos en el cuadro de diálogo como lo entregado debe ser mayor o igual a lo requerido, y lo consumido debe ser menor igual que lo disponible, tal como se puede ver en la captura siguiente: Las variables de decisión deben ser enteras. Luego de introducir los datos en éste cuadro de diálogo y de hacer click en resolver, se hallará la siguiente solución: V. EL PROBLEMA DE LA ASIGNACIÓN El Problema de la Asignación es un problema clásico de la Investigación de Operaciones y es un caso particular del Problema del Transporte. Este problema se trata de asignar una serie de Recursos a una serie de tareas. Tiene una limitante y es que a cada tarea se le puede asignar sólo un recurso, pueden sobrar recursos o podrían sobrar tareas pero no se le puede asignar dos recursos a una misma tarea, o tres… por ejemplo si se tienen tres operarios con diferentes tiempos de operación en cuatro máquinas el modelo nos diría como asignar los tres operarios a tres máquinas (nos sobraría una) de manera que se minimice el tiempo total, pero no nos diría como asignar dos operarios a dos máquinas y el otro operario a las otras dos máquinas Ejemplos de Asignaciones: Operarios a Tareas, Máquinas a Operarios, Nadadores a Estilos,etc. El Problema de la Asignación se basa en una información comparativa para tomar la decisión de que asignar a que, por ejemplo una matriz de costos, una matriz de tiempos, de ingresos, etc. Cuando la matriz no está balanceada, es decir, cuando no es cuadrada, cuando sobran filas o columnas, se debe balancear para que tenga solución mediante la inclusión de filas o columnas ficticias, con valores de cero en dicha matriz. V.1 FORMULACION DE PROGRAMACION LINEAL EJEMPLO 5.1.1: Existen cuatro operarios que se pueden asignar al trabajo con tres máquinas. Un estudio de tiempos y movimientos ha arrojado los siguientes tiempos por operario para las tres máquinas. Indicar que operario debe trabajar en que máquina y cuál de ellos no será asignado a ninguna. Máquina 1 Máquina 2 Máquina 3 Operario 1 10 7 9 Operario 2 7 5 8 Operario 3 9 8 10 Operario 4 8 9 7 Como la matriz no esta balanceada, es necesario incluir una máquina ficticia: (esto es fundamental para asegurar que haya una respuesta. Si la matriz no está balanceada, el problema no será factible de resolver) Máquina 1 Máquina 2 Máquina 3 Máquina Ficticia Operario 1 10 7 9 0 Operario 2 7 5 8 0 Operario 3 9 8 10 0 Operario 4 8 9 7 0 Xij = Se debe asignar el operario i a la máquina j? Sí o no? En matemáticas existen dos números cuyas propiedades hacen que puedan representar estas respuestas son el 1 y el 0, debido a que todo número multiplicado por 1 da el mismo número entonces el 1 se puede reemplazar por la respuesta Sí y como todo número multiplicado por cero da cero entonces se puede reemplazar por la respuesta No. Así por ejemplo: 10X11 + 7X12 + 9X13 + 0X14 Representa el tiempo sumado que emplearía el operario1 en operar las máquinas, pero solo una variable de las tres anteriores puede tomar el valor de Sí, o sea de 1 las demás tendrán que tomar el valor de 0, y eso es debido a que el operario 1 sólo puede ser asignado a una máquina, lo que significaría que el tiempo que utilice el operario 1 puede ser ya sea de “10” de “7” o de “9”. Con base en esto podemos formular la función objetivo: Min Z = 10X11 + 7X12 + 9X13 7X21 + 5X22 + 8X23 9X31 + 8X32 + 10X33 8X41 + 9X42 + 7X43 Restricciones: Como cada operario sólo puede estar asignado a una máquina…. X11 + X12 + X13 + X14 = 1 X21 + X22 + X23 + X24 = 1 X31 + X32 + X33 + X34 = 1 X41 + X42 + X43 + X44 = 1 Y como cada máquina solo puede tener un operario asignado… X11 + X21 + X31 + X41 = 1 X12 + X22 + X32 + X42 = 1 X13 + X23 + X33 + X43 = 1 X14 + X24 + X34 + X44 = 1 Xij = 1 o 0 para toda i,j. Al resolver utilizando Software, por ejemplo el Solver del Excel, la respuesta que se obtiene es la siguiente: Máquina 1 Máquina 2 Máquina 3 Máquina Fic. Operario 0 0 0 1 1 Operario 0 1 0 0 2 Operario 1 0 0 0 3 Operario 0 0 1 0 4 Esto significa que el Operario 1 queda asignado a la Máquina Ficticia (es decir, es el que sobra), el operario 2 se asigna a la máquina 2, el operario 3 se asigna a la máquina 1 y el operario 4 se asigna a la máquina 3. V.2 ALGORITMO HUNGARO El Algoritmo Húngaro sirve para reemplazar los métodos tradicionales de la Programación Binaria, que implican muchos cálculos, aprovechando la forma especial que tienen los problemas de Asignación. Los siguientes pasos que se presentan a continuación son para minimizar, pero con algunas modificaciones se puede emplear también para maximizar. Ø Si la matriz no está balanceada, balancearla incluyendo las filas o columnas ficticias necesarias. Ø De cada elemento de la matriz restar el mínimo valor de cada fila Ø De cada elemento de la matriz restar el mínimo valor de cada columna Ø Realizar la Asignación de la siguiente manera: Ø Cada cero que se encuentre en la matriz significa que se puede asignar esa fila a esa columna, pero una vez hecha esta asignación, ya no se tendrá en cuenta todos los demás ceros de esa misma fila y esa misma columna, debido a que sólo se puede asignar una fila a una columna. Ø Buscar de arriba a abajo la fila que tenga menos ceros, pero que mínimo tenga uno. (Pues si no tiene ninguno significa que esa fila no se puede asignar a ninguna columna) y asignar esa fila a la columna donde esta el cero (puede ser el primer cero que encuentre de izquierda a derecha). Tachar esa fila y esa columna para indicar que ya fueron asignados, para que los demás ceros de esa fila y esa columna no se tengan en cuenta. Repetir este paso hasta que haga todas las asignaciones que más pueda. Si todas las filas quedaron asignadas a todas las columnas el problema ha finalizado y esa es la solución óptima, sino será necesario utilizar el método de Flood (también se llama condición de Köning) que se explica a continuación. V.2.1 MÉTODO DE FLOOD: Ø Señalar todas las filas que no tienen una asignación. (Cuando digo señalar puede ser una pequeña X a la izquierda de la fila o arriba de la columna) Ø Señalar todas las columnas que tengan un cero en la columna señalada. Ø Señalar todas las filas que tienen una asignación en las columnas indicadas. Ø Repetir estos pasos hasta que no pueda señalarse más columnas o filas. Ø Dibujar una línea por cada fila NO señalada y por cada columna SI señalada. Ø Encontrar el mínimo valor de los elementos no cubiertos y restarlo a todos los elementos no cubiertos, y sumar este valor a cada elemento que se encuentre en la intersección de una línea horizontal con una línea vertical. Ø Realizar la Asignación… si no es óptima hacer flood, iterar hasta que se pueda hacer la asignación. V.3 PROGRAMACION BINARIA EN EL PROBLEMA DE ASIGNACION Muchas de las situaciones en la vida exigen una de dos respuestas posibles: si o no. Así es que podemos representar éstas posibilidades con los valores 0 (no) y 1 (si), y aprovechar las matemáticas para que nos den una mano ante decisiones difíciles; a esto es lo que solemos llamar -por obvias razones- Programación Binaria. Una de las muchísimas aplicaciones de la Programación Binaria, es el problema de la Asignación. ¿Se debe asignar el recurso i a la tarea j ? ¿Si o no? EJEMPLO 5.3.1: Se tienen tres personas (recurso) para asignarlos a tres labores diferentes. Cada uno de ellos puede efectuar cualquiera de las tareas existentes, pero con diferente nivel de especialidad. Sus respectivos jefes los han calificado de 1 a 10, para cada tarea en particular. Por supuesto el objetivo es el de asignar a las personas de manera tal que la calificación en conjunto sea la máxima. Ver tabla de calificaciones abajo. También funciona para minimizar. Por ejemplo, en vez de calificación podrían ser tiempos de manufactura de cualquier tipo de productos, y el objetivo sería el de minimizar el tiempo total de manufactura. Calificación de Operario por Tarea Tarea 1 Tarea 2 Tarea 3 Operario 8 6 4 1 Operario 9 7 3 2 Operario 6 5 7 3 Xij = 1 si asignamos el operario i a la tarea j, de lo contrario 0 En éste orden de ideas, nuestro deseo es maximizar la calificación total al asignar los operarios a las diferentes tareas. Max Z = 8X11 + 6 X12 + 4 X13 + 9X21 +7 X22 +3X33 +6X31 +5X32 +7X33 SUJETO A: 1. Cada operario sólo puede tener una tarea asignada X11 +X12 +X13 = 1 (Es decir, sólo se puede responder Si una sóla vez.) X21 +X22 +X23 = 1 X31 +X32 +X33 = 1 2. Cada tarea puede tener un sólo operario asignado X11 + X21 + X31 = 1 X12 + X22 + X32 = 1 X13 + X23 + X33 = 1 3. La obvia: Xij = 0,1 para toda i y toda j. Ahora en Excel… Este puede ser el formato: Las variables de decisión, están localizadas en el rango de celdas B4:D6, como ya habíamos dicho son binarias, van a tomar el valor de 1 si se asigna ese operario a esa tarea, cero de lo contrario. La calificación que se logre está en la celda B2, y es el resultado de sumar el producto de dichas variables con su respectiva calificación en la matriz de abajo. Ya se había dicho que esto se logra fácilmente así: =SUMAPRODUCTO (B4:D6, B9:D11). Como un operario sólo se puede asignar a una tarea, colocamos una columna de Suma (E), ésta es por ejemplo para la celda E4: =B4+ C4 + D4. Cuando agreguemos las restricciones, ésta columna debe ser igual a uno, pues sólo se puede responder que si una vez, ni más, ni menos. De igual manera agregamos una fila (7), para asegurarnos que a una tarea sólo se asigne un operario, por ejemplo la celda B7: =B4+ B5+ B6 Deberá ser igual a 1. Ahora en el cuadro de diálogo de los parámetros de Solver, lo colocamos así: Luego de hacer click en resolver… La calificación máxima lograda es de 22. Y se asignó el operario 1 a la tarea 2, el operario 2 a la tarea 1 y el operario 3 a la tarea 3. Para los programas Lineales enteros es muy importante que Solver, esté debidamente configurado para un número suficiente de iteraciones, de tiempo, de precisión y de convergencia, para esto ver los detalles de Solver VI. BIBLIOGRAFIA 1. Eppen G.D , Gould F.J, Schmidt C.P. Investigaciòn de operaciones en la Ciencia Administrativa 2. Hiller, Frederics.Introduccion a la Investigación de Operaciones, Quinta Edicion, 1991_MC_Graw_Hill 3. Kaufman, Arnold.Metodos y Modelos de Investigacion de operaciones,Quinta Edicion, 1984, CECSA 4. Levin, Richard I. Kirkpatrick, Charles A. Enfoques Cuantitativos a la Administración. Primera Edicion, 1983 5. Lumberger David, Programación Lineal y no Lineal. Wesley ED Addison, Iberoamericana, 1989, EUA. 6. Nagui,Mohammad. Investigación de Operaciones. Interpretación de Modelos y Casos. Editorial Limusa, 1996, México 7. Prawda , Juan. Métodos y Modelos de Investigación de Operaciones, volumen 1: Modelos Deterministicos, Octava Reimpresión, 1989, Limusa Mexico. 8. Taha, Hamdy A., Investigación de Operaciones. Sexta edición 1999, Alfa y Omega S.A. Mexico 9. Web Site: Ø http://www.elprisma.com Ø http://selva.dit.upm.es/ cd/apuntes/tema3/tema3.html Ø http://ekeko.rcp.net.pe/rcp/listas/ioper/iosa.html Advertisements Rate this: 5 Votes Posted in Inv.Operativa I | Leave a Comment Comments RSS Leave a Reply  ARCHIVES o March 2011 (3)  CATEGORIES o Introduccion (1) o Inv. Operativa II (1) o Inv.Operativa I (1)  PAGES o Investigacion Create a free website or blog at WordPress.com. WPThemes. Administración de Inventarios EJEMPLO 1: Toma aproximadamente dos semanas (14 días) para que una orden de tornillos de acero llegue, una vez que la orden se ha colocado. La demanda para los tornillos es casi constante. La administradora ha observado que la tienda de ferretería vende, en promedio, 500 de estos tornillos cada día. Debido a que la demanda es más o menos constante, ella supone que puede evitar completamente el faltante de inventario si ordena los tornillos en el momento correcto. ¿Cuál es el punto de reorden? EJEMPLO 2: El tiempo de entrega para uno de los productos de más movimiento es de 21 días. La demanda durante este periodo promedia 100 unidades por día. ¿Cuál sería un punto de reorden apropiado? EJEMPLO 3: Doug Brauer utiliza 1500 piezas por año de un cierto subensamble que tiene un costo anual de manejo de inventario de 45 dólares por unidad. Cada orden que coloca le cuesta 150 dólares a Doug. Doug opera 300 días por año y ha encontrado que una orden se debe colocar con su proveedor seis días laborales antes de que pueda esperar la recepción de esa orden. Para este subesamble, encuentre: a) La cantidad económica de la orden b) El costo anual de manejo c) El costo anual de ordenar d) El punto de reorden EJEMPLO 4: Jan Kottas es el propietario de una pequeña compañía que produce cuchillos eléctricos que se utilizan para el corte de telas. La demanda anual es de 8000 cuchillos, y Jan produce los cuchillos en lotes. En promedio, Jan puede producir 150 cuchillos diariamente; durante el proceso de producción, la demanda de cuchillos ha sido cerca de 40 cuchillos por día. El costo para preparar el proceso de producción es de 100 dólares, y le cuesta a Jan 80 centavos de dólar manejar el inventario de un cuchillo durante un año. ¿Cuántos cuchillos debe producir Jan en cada lote? EJEMPLO 5: La compañía Yvette Angel manufactura un producto para el cual la demanda anual es de 10000 piezas. La producción promedio es de 200 por día, mientras que la demanda es cercana a 50 piezas por día. El costo de manejo del inventario es de un dólar por unidad al año; los costos de preparación son de 200 dólares. Si usted desea fabricar este producto en lotes, ¿Qué tamaño de lote se debe utilizar? EJEMPLO 6: Christina Reilly, de Reilly Plumbing, utiliza 1200 piezas de una parte suelta que cuesta 25 dólares por cada orden y el costo anual de manejo es de 24 dólares. Calcule el costo total para tamaños de orden de 25, 40, 50, 60 y 100. Identifique la cantidad económica de la orden y considere las implicaciones de cometer un error en el cálculo de la cantidad económica de la orden. https://katos.jimdo.com/cursos/administraciondeoperaciones/