Descarga la aplicación para disfrutar aún más
Esta es una vista previa del archivo. Inicie sesión para ver el archivo original
deOPERACIONES 7 a. e d i c i ó n INVESTIGACIÓN 7 a. e d i c i ó n deO PERA CIO N ES IN V ESTIG A C IÓ N HAMDY A. TAHA TA H A Visítenos en: www.pearsoneducacion.net Visítenos en: www.pearsoneducacion.net La séptima edición de esta reconocida obra ofrece una cobertura equilibrada de la teoría, las aplicaciones y el cálculo en la investigación de operaciones, e incluye situaciones prácticas completamente analizadas. Cada capítulo contiene ejemplos y aplicaciones tomadas de estudios de casos ya publicados. Para destacar la efectividad de la investigación de operaciones para la toma de decisiones, esta edición hace énfasis en las herramientas de cálculo modernas —los programas de cómputo. Prácticamente cada algoritmo es respaldado y explicado por medio de una herramienta de software apropiada, lo que facilita considerablemente la comprensión de los conceptos. La obra incluye los siguientes apoyos tecnológicos: • Poderoso software TORA, con características tutoriales nuevas y únicas. • Las plantillas Excel©, diseñadas para resolver problemas generales cambiando simplemente en una plantilla los datos de entrada. • Excel© Solver para resolver problemas de transportación, de red y de programación lineal y no lineal. Investigación de operaciones Investigación de operaciones Séptima edición Hamdy A. Taha University of Arkansas, Fayetteville TRADUCCIÓN: Virgilio González Pozo Ingeniero Químico Universidad Nacional Autónoma de México REVISIÓN TÉCNICA: M. en C. Guillermo Martínez del Campo Varela Universidad Iberoamericana Bonifacio Román Tapia Ingeniero Mecánico Electricista Universidad Nacional Autónoma de México Heriberto García Reyes Director Asociado del Departamento de Ingeniería Industrial y de Sistemas Instituto Tecnológico y de Estudios Superiores de Monterrey Campus Monterrey Datos de catalogación bibliográfica TAHA, HAMDY A. Investigación de operaciones, 7a. edición PEARSON EDUCACIÓN, México, 2004 ISBN: 970-26-0498-2 Área: Universitarios Formato: 18.5 × 23.5 cm Páginas: 848 Authorized translation from the English language edition, entitled Operations Research: An Introduction, Seventh Edition, by Hamdy A. Taha, published by Pearson Education, Inc., publishing as PRENTICE HALL, INC., Copyright © 2003. All rights reserved. ISBN 0-13-032374-8 Traducción autorizada de la edición en idioma inglés, titulada Operations Research: An Introduction, Seventh Edition, por Hamdy A. Taha, publicada por Pearson Education, Inc., publicada como PRENTICE HALL, INC., Copyright © 2003. Todos los derechos reservados. Esta edición en español es la única autorizada. Edición en español Editor: Guillermo Trujano Mendoza e-mail: guillermo.trujano@pearsoned.com Supervisor de desarrollo: Jorge Bonilla Talavera Supervisor de producción: Enrique Trejo Hernández Edición en inglés Editor-in-Chief: Denise J. Clinton Vice President and Editorial Director, ECS: Marcia J. Horton Acquisitions Editor: Dorothy Marrero Editorial Assistant: Erin Katchmar Vice President and Director of Production and Manufacturing, ESM: David W. Riccardi Executive Managing Editor: Vince O’Brien Managing Editor: David A. George Production Editor: Ann Imhof Director of Creative Services: Paul Belfanti Creative Director: Carole Anson Art Director: Jayne Conte Cover Designer: Bruce Kenselaar Art Editor: Greg Dulles Manufacturing Manager: Trudy Pisciotti Manufacturing Buyer: Lynda Castillo Marketing Manager: Holly Stark SÉPTIMA EDICIÓN, 2004 D.R. © 2004 por Pearson Educación de México, S.A. de C.V. Atlacomulco No. 500-5° piso Col. Industrial Atoto 53519, Naucalpan de Juárez, Edo. de México E-mail: editorial.universidades@pearsoned.com Cámara Nacional de la Industria Editorial Mexicana. Reg. Núm. 1031. Prentice Hall es una marca registrada de Pearson Educación de México, S.A. de C.V. Reservados todos los derechos. Ni la totalidad ni parte de esta publicación pueden reproducirse, registrarse o transmitirse, por un sistema de recuperación de información, en ninguna forma ni por ningún medio, sea electrónico, mecánico, fotoquímico, magnético o electroóptico, por fotocopia, grabación o cualquier otro, sin permiso previo por escrito del editor. El préstamo, alquiler o cualquier otra forma de cesión de uso de este ejemplar requerirá también la autorización del editor o de sus representantes. ISBN 970-26-0498-2 Impreso en México. Printed in Mexico. 1 2 3 4 5 6 7 8 9 0 - 05 04 03 02 A Karen Los ríos no llevan agua, el sol las fuentes secó… ¡Yo sé dónde hay una fuente que no ha de secar el sol! La fuente que no se agota es mi propio corazón… —V. Ruiz Aguilera (1862) vi Contenido abreviado Prefacio xv Acerca del autor xvii Capítulo 1 ¿Qué es la investigación de operaciones? 1 Capítulo 2 Introducción a la programación lineal 11 Capítulo 3 El método símplex 71 Capítulo 4 Análisis de dualidad y sensibilidad 115 Capítulo 5 Modelo de transporte y sus variantes 165 Capítulo 6 Modelos de redes 213 Capítulo 7 Programación lineal avanzada 289 Capítulo 8 Programación de metas 347 Capítulo 9 Programación lineal entera 361 Capítulo 10 Programación dinámica determinística 401 Capítulo 11 Modelos determinísticos de inventarios 429 Capítulo 12 Repaso de probabilidad básica 463 Capítulo 13 Modelos de pronósticos 491 Capítulo 14 Análisis de decisiones y juegos 503 Capítulo 15 Programación dinámica probabilística 547 Capítulo 16 Modelos probabilísticos de inventario 559 Capítulo 17 Sistemas de colas 579 Capítulo 18 Modelado de simulación 639 Capítulo 19 Proceso de decisión markoviana 675 Capítulo 20 Teoría clásica de la optimización 701 Capítulo 21 Algoritmos de programación no lineal 731 Apéndice A Repaso de vectores y matrices 765 Apéndice B Introducción a TORA 779 Apéndice C Tablas estadísticas 785 Apéndice D Respuestas parciales de problemas seleccionados 789 Índice 825 vii Contenido Prefacio xv Acerca del autor xvii Capítulo 1 ¿Qué es la investigación de operaciones? 1 1.1 Modelos de investigación de operaciones 1 1.2 Solución del modelo de investigación de operaciones 4 1.3 Modelos de colas y simulación 5 1.4 El arte del modelado 5 1.5 Más que sólo matemáticas 6 1.6 Fases de un estudio de investigación de operaciones 8 1.7 Acerca de este libro 9 Capítulo 2 Introducción a la programación lineal 11 2.1 Modelo de programación lineal con dos variables 11 2.2 Solución gráfica de la programación lineal 14 2.2.1 Solución de un modelo de maximización 15 2.2.2 Solución de un modelo de minimización 18 2.2.3 Solución gráfica con TORA 20 2.3 Análisis gráfico de sensibilidad 23 2.3.1 Cambios en los coeficientes de la función objetivo 24 2.3.2 Cambio en disponibilidad de recursos 27 2.3.3 Valor por unidad de un recurso 28 2.4 Soluciones de problemas de programación lineal en computadora 33 2.4.1 Solución de programación lineal con TORA 33 2.4.2 Solución de programación lineal con Solver de Excel 36 2.4.3 Solución de programación lineal con LINGO y AMPL 38 2.5 Análisis de modelos seleccionados de programación lineal 47 Referencias seleccionadas 66 Problemas integrales 67 Capítulo 3 El método símplex 71 3.1 Espacio de soluciones en forma de ecuación 71 3.1.1 Conversión de desigualdades a ecuaciones 71 3.1.2 Manejo de variables no restringidas 73 3.2 Transición de solución gráfica a solución algebraica 75 3.3 El método símplex 80 3.3.1 Naturaleza iterativa del método símplex 80 3.3.2 Detalles de cálculo del algoritmo símplex 83 3.3.3 Iteraciones símplex con TORA 92 3.4 Solución artificial de inicio 94 3.4.1 Método M 94 3.4.2 Método de dos fases 98 3.5 Casos especiales de aplicación del método símplex 103 3.5.1 Degeneración 103 3.5.2 Óptimos alternativos 106 3.5.3 Solución no acotada 109 3.5.4 Solución no factible 110 Referencias seleccionadas 112 Problemas integrales 112 Capítulo 4 Análisis de dualidad y sensibilidad 115 4.1 Definición del problema dual 115 4.2 Relaciones primal-dual 120 4.2.1 Repaso de operaciones matriciales sencillas 120 4.2.2 Planteamiento de la tabla símplex 122 4.2.3 Solución dual óptima 122 4.2.4 Cálculos con la tabla símplex 126 4.2.5 Valor objetivo primal y dual 130 4.3 Interpretación económica de la dualidad 132 4.3.1 Interpretación económica de las variables duales 132 4.3.2 Interpretación económica de las restricciones duales 135 4.4 Otros algoritmos símplex para programación lineal 137 4.4.1 Método dual símplex 137 4.4.2 Algoritmo símplex generalizado 143 4.5 Análisis postóptimo o de sensibilidad 144 4.5.1 Cambios que afectan la factibilidad 145 4.5.2 Cambios que afectan la optimalidad 155 Referencias seleccionadas 161 Problemas integrales 162 Capítulo 5 Modelo de transporte y sus variantes 165 5.1 Definición del modelo de transporte 165 5.2 Modelos no tradicionales de transporte 172 5.3 El algoritmo de transporte 177 5.3.1 Determinación de la solución de inicio 178 5.3.2 Cálculos iterativos del algoritmo de transporte 182 5.3.3 Solución del modelo de transporte con TORA 187 5.3.4 Explicación del método de los multiplicadores con el método símplex 195 5.4 El modelo de asignación 196 5.4.1 El método húngaro 197 5.4.2 Explicación del método húngaro con el método símplex 202 viii Contenido 5.5 El modelo de transbordo 203 Referencias seleccionadas 208 Problemas integrales 208 Capítulo 6 Modelos de redes 213 6.1 Definiciones para redes 214 6.2 Algoritmo de árbol de expansión mínima 215 6.3 Problema de la ruta más corta 220 6.3.1 Ejemplos de aplicaciones de ruta más corta 220 6.3.2 Algoritmos de ruta más corta 224 6.3.3 Formulación del problema de la ruta más corta en programación lineal 234 6.3.4 Solución del problema de la ruta más corta con hoja de cálculo Excel 237 6.4 Modelo de flujo máximo 239 6.4.1 Enumeración de cortes 240 6.4.2 Algoritmo de flujo máximo 241 6.4.3 Formulación del problema de flujo máximo con programación lineal 250 6.4.4 Solución del problema de flujo máximo con hoja de cálculo Excel 250 6.5 Problema del flujo capacitado con costo mínimo 252 6.5.1 Representación en red 252 6.5.2 Formulación con programación lineal 254 6.5.3 Algoritmo símplex de red capacitada 259 6.5.4 Solución del modelo de flujo capacitado con costo mínimo con hoja de cálculo Excel 265 6.6 Métodos CPM y PERT 266 6.6.1 Representación en red 267 6.6.2 Cálculos para la ruta crítica (CPM) 272 6.6.3 Construcción del cronograma 275 6.6.4 Formulación del método de la ruta crítica con programación lineal 281 6.6.5 Redes de PERT 283 Referencias seleccionadas 286 Problemas integrales 286 Capítulo 7 Programación lineal avanzada 289 7.1 Fundamentos de método símplex 289 7.1.1 Desde puntos extremos hasta soluciones básicas 290 7.1.2 Tabla símplex generalizada en forma matricial 294 7.2 Método símplex modificado 297 7.2.1 Desarrollo de las condiciones de optimalidad y factibilidad 298 7.2.2 Algoritmo símplex modificado 300 7.3 Algoritmo de variables acotadas 305 Contenido ix 7.4 Algoritmo de descomposición 312 7.5 Dualidad 322 7.5.1 Definición matricial del problema dual 322 7.5.2 Solución dual óptima 322 7.6 Programación lineal paramétrica 326 7.6.1 Cambios paramétricos en C 327 7.6.2 Cambios paramétricos en b 329 7.7 Método del punto interior de Karmarkar 332 7.7.1 Idea básica del algoritmo del punto interior 332 7.7.2 Algoritmo del punto interior 334 Referencias seleccionadas 344 Problemas integrales 344 Capítulo 8 Programación de metas 347 8.1 Una formulación de programación de metas 347 8.2 Algoritmos de programación de metas 352 8.2.1 El método de factores de ponderación 352 8.2.2 El método por jerarquías 354 Referencias seleccionadas 359 Problemas integrales 359 Capítulo 9 Programación lineal entera 361 9.1 Aplicaciones ilustrativas 361 9.2 Algoritmos de programación entera 372 9.2.1 Algoritmo de ramificación y acotamiento (B&B) 373 9.2.2 Árbol de ramificación y acotamiento generado con TORA 379 9.2.3 Algoritmo del plano cortante 384 9.2.4 Consideraciones computacionales en programación lineal entera 389 9.3 Solución del problema del agente viajero 390 9.3.1 Algoritmo de solución con ramificación y acotamiento 393 9.3.2 Algoritmo del plano de corte 396 Referencias seleccionadas 397 Problemas integrales 397 Capítulo 10 Programación dinámica determinística 401 10.1 Naturaleza recursiva de los cálculos en programación dinámica 401 10.2 Recursión en avance y en reversa 404 10.3 Aplicaciones de programación dinámica 406 10.3.1 Problema de la mochila/equipo de vuelo/carga del contenedor 407 10.3.2 Modelo del tamaño de la fuerza de trabajo 415 10.3.3 Modelo de reposición de equipo 418 10.3.4 Modelo de inversión 421 10.3.5 Modelos de inventario 425 x Contenido Contenido xi 10.4 Problema de dimensionalidad 425 Referencias seleccionadas 428 Problema integral 428 Capítulo 11 Modelos determinísticos de inventarios 429 11.1 Modelo general de inventario 429 11.2 Modelos estáticos de cantidad económica de pedido (CEP, o EOQ) 430 11.2.1 Modelo clásico de cantidad económica de pedido 430 11.2.2 Cantidad económica de pedido con discontinuidades de precio 435 11.2.3 Cantidad económica de pedido de varios artículos con limitación de almacén 439 11.3 Modelos dinámicos de cantidad económica de pedido 443 11.3.1 Modelo sin costo de preparación 444 11.3.2 Modelo con preparación 448 Referencias seleccionadas 460 Problemas integrales 460 Capítulo 12 Repaso de probabilidad básica 463 12.1 Leyes de la probabilidad 463 12.1.1 Ley aditiva de las probabilidades 464 12.1.2 Ley de la probabilidad condicional 465 12.2 Variables aleatorias y distribuciones de probabilidades 467 12.3 Expectativa de una variable aleatoria 469 12.3.1 Media y varianza de una variable aleatoria 470 12.3.2 Media y varianza de variables aleatorias conjuntas 471 12.4 Cuatro distribuciones comunes de probabilidades 474 12.4.1 Distribución binomial 474 12.4.2 Distribución de Poisson 476 12.4.3 Distribución exponencial negativa 477 12.4.4 Distribución normal 478 12.5 Distribuciones empíricas 480 Referencias seleccionadas 489 Capítulo 13 Modelos de pronóstico 491 13.1 Técnica del promedio móvil 491 13.2 Suavización exponencial 495 13.3 Regresión 497 Referencias seleccionadas 501 Problema integral 502 Capítulo 14 Análisis de decisiones y juegos 503 14.1 Toma de decisiones bajo certidumbre: proceso de jerarquía analítica (AHP) 503 xii Contenido 14.2 Toma de decisiones bajo riesgo 513 14.2.1 Criterio del valor esperado 514 14.2.2 Variaciones del criterio del valor esperado 519 14.3 Decisión bajo incertidumbre 527 14.4 Teoría de juegos 532 14.4.1 Solución óptima de juegos de dos personas con suma cero 532 14.4.2 Solución de juegos con estrategia mixta 536 Referencias seleccionadas 543 Problemas integrales 543 Capítulo 15 Programación dinámica probabilística 547 15.1 Un juego aleatorio 547 15.2 Problema de inversión 550 15.3 Maximización del evento de lograr una meta 554 Referencias seleccionadas 558 Problema integral 558 Capítulo 16 Modelos probabilísticos de inventario 559 16.1 Modelos de revisión contínua 559 16.1.1 Modelo “probabilizado” de cantidad económica de pedido 559 16.1.2 Modelo probabilista de cantidad económica de pedido 562 16.2 Modelos de un periodo 567 16.2.1 Modelo sin preparación 567 16.2.2 Modelo con preparación (política s-S) 571 16.3 Modelos de varios periodos 573 Referencias seleccionadas 576 Problemas integrales 576 Capítulo 17 Sistemas de colas 579 17.1 ¿Por qué estudiar sistemas de colas? 579 17.2 Elementos de un modelo de cola 581 17.3 Papel de la distribución exponencial 582 17.4 Modelos con nacimientos y muertes puras (relación entre las distribuciones exponencial y de Poisson) 585 17.4.1 Modelo de nacimientos puros 586 17.4.2 Modelo de muertes puras 590 17.5 Modelo generalizado de cola de Poisson 593 17.6 Colas especializadas de Poisson 597 17.6.1 Medidas de desempeño en estado estacionario 599 17.6.2 Modelos con un servidor 602 17.6.3 Modelos con varios servidores 611 17.6.4 Modelo de servicio a máquinas—(M/M/R) : (DG/K/K), R� K 621 17.7 (M/G/1) : (DG/∞/∞)—Fórmula de Pollaczek-Khintchine (P-K) 624 Contenido xiii 17.8 Otros modelos de cola 627 17.9 Modelos de decisión con colas 627 17.9.1 Modelos de costo 627 17.9.2 Modelo de nivel de aspiración 632 Referencias seleccionadas 634 Problemas integrales 634 Capítulo 18 Modelado de simulación 639 18.1 Simulación Monte Carlo 639 18.2 Tipos de simulación 644 18.3 Elementos de simulación de evento discreto 645 18.3.1 Definición genérica de eventos 645 18.3.2 Muestreo a partir de distribuciones de probabilidades 647 18.4 Generación de números aleatorios 656 18.5 Mecánica de la simulación discreta 657 18.5.1 Simulación manual de un modelo con un servidor 657 18.5.2 Simulación del modelo con un servidor basado en hoja de cálculo 663 18.6 Métodos para reunir observaciones estadísticas 666 18.6.1 Método del subintervalo 667 18.6.2 Método de réplica 669 18.6.3 Método regenerativo (ciclo) 669 18.7 Lenguajes de simulación 672 Referencias seleccionadas 674 Capítulo 19 Proceso de decisión markoviana 675 19.1 Alcance del problema de decisión markoviana: el problema del jardinero 675 19.2 Modelo de programación dinámica con etapas finitas 677 19.3 Modelo con etapas infinitas 681 19.3.1 Método de enumeración exhaustiva 681 19.3.2 Método de iteración de política sin descuento 684 19.3.3 Método de iteración de política con descuento 687 19.4 Solución con programación lineal 690 19.5 Apéndice: repaso de las cadenas de Markov 693 19.5.1 Procesos de Markov 694 19.5.2 Cadenas de Markov 694 Referencias seleccionadas 700 Capítulo 20 Teoría clásica de la optimización 701 20.1 Problemas sin restricción 701 20.1.1 Condiciones necesarias y suficientes 702 20.1.2 El método de Newton-Raphson 706 20.2 Problemas con restricciones 708 20.2.1 Restricciones de igualdad 708 20.2.2 Restricciones de desigualdad 723 Referencias seleccionadas 730 xiv Contenido Capítulo 21 Algoritmos de programación no lineal 731 21.1 Algoritmos sin restricción 731 21.1.1 Método de búsqueda directa 731 21.1.2 Método del gradiente 735 21.2 Algoritmos con restricción 738 21.2.1 Programación separable 739 21.2.2 Programación cuadrática 747 21.2.3 Programación geométrica 752 21.2.4 Programación estocástica 757 21.2.5 Método de combinaciones lineales 761 21.2.6 Algoritmo SUMT 763 Referencias seleccionadas 764 Apéndice A Repaso de vectores y matrices 765 A.1 Vectores 765 A.1.1 Definición de un vector 765 A.1.2 Suma (resta) de vectores 765 A.1.3 Multiplicación de vectores por escalares 766 A.1.4 Vectores linealmente independientes 766 A.2 Matrices 766 A.2.1 Definición de una matriz 766 A.2.2 Tipos de matrices 766 A.2.3 Operaciones aritméticas de matrices 767 A.2.4 Determinante de una matriz cuadrada 768 A.2.5 Matrices no singulares 770 A.2.6 Inversa de una matriz no singular 770 A.2.7 Métodos para calcular la inversa de una matriz 771 A.3 Formas cuadráticas 775 A.4 Funciones convexas y cóncavas 777 Referencias seleccionadas 777 Problemas 777 Apéndice B Introducción a TORA 779 B.1 Menú principal 779 B.2 Modo y formato de ingreso de datos 780 B.3 Pantalla de ingreso de datos 780 B.4 Menú Solve/Modify 781 B.5 Formato de los resultados 782 B.6 Pantalla de resultados 782 Apéndice C Tablas estadísticas 785 Apéndice D Respuestas parciales de problemas seleccionados 789 Índice 825 Prefacio Es gratificante saber que durante más de 30 años, cientos de miles de estudiantes en todo el mundo han conocido la investigación de operaciones a través de las varias ediciones de este libro. Este éxito conlleva la responsabilidad de cumplir con las necesidades de futuras gene- raciones de alumnos. La séptima edición es el resultado de un esfuerzo dirigido a cumplir con esta responsabilidad. El principal impulso para la séptima edición es el extenso respaldo de programación que se usa en el libro: 1. TORA basado en Windows. 2. Plantillas de hoja de cálculo de Excel. 3. Ejemplos de aplicaciones de LINGO y de AMPL. El programa TORA tiene módulos para inversión de matrices, solución de ecuaciones li- neales simultáneas, programación lineal, modelos de transporte, modelos de redes, programa- ción entera, modelos de colas, planeación de proyectos con CPM y PERT, y teoría de juegos. TORA puede ser ejecutado en modo automático o tutorial. En el modo automático presenta la solución final del problema, por lo general en el formato normal que usan los paquetes comer- ciales. El modo tutorial es una función única que proporciona retroalimentación inmediata para probar el conocimiento de los detalles de cálculo de cada algoritmo por parte del lector. Como en su predecesor para DOS, las distintas pantallas en TORA se presentan en una manera lógica y no ambigua, y eliminan esencialmente la necesidad de contar con un manual de usuario. Las plantillas de la hoja de cálculo de Excel complementan los módulos de TORA. Esas plantillas incluyen programación lineal, programación dinámica, proceso analítico de jerarquías (AHP), modelos de inventario, histogramas de datos sin procesar, teoría de deci- siones, colas de Poisson, fórmula P-K, simulación y modelos no lineales. Algunas de las plantillas son hojas de cálculo directas. En otras se usa el Solver de Excel o macros de VBA (Visual Basic). Independientemente del diseño, todas las plantillas ofrecen la particularidad única de estar equipadas con una sección de entrada de datos que permite resolver problemas diferentes sin necesidad de modificar las fórmulas ni la distribución de la hoja de cálculo. De esta manera, el usuario puede experimentar, probar y comparar distintos conjuntos de datos en una forma cómoda. Donde fue posible, se protegieron las fórmulas y la distribución de las hojas de cálculo para reducir al mínimo la posibilidad de alterarlas en forma inadvertida. Este libro contiene ejemplos de los paquetes comerciales LINGO y AMPL, para resol- ver problemas de programación lineal. El objetivo es familiarizar al lector con la forma en que se resuelven en la práctica modelos matemáticos de programación muy grandes. El programa TORA y las hojas de cálculo de Excel se integraron al texto en una forma que facilita el presentar y probar conceptos que de otra manera no se hubieran podido presen- tar con eficiencia. De acuerdo con mi experiencia personal, he visto que el módulo tutorial de TORA y las hojas de cálculo de Excel son muy efectivos en las presentaciones en clase. Se xv xvi Prefacio pueden demostrar muchos conceptos al instante, sólo cambiando los datos del problema. Ci- tando algunos ejemplos, se puede usar TORA para demostrar el extraordinario comporta- miento del algoritmo de ramificación y acotamiento, aplicándolo a un problema pequeño de programación entera, en el que la solución se encuentra en nueve iteraciones, pero su optima- lidad se comprueba en más de 25,000 iteraciones. Sin el programa y el diseño especial de TO- RA, sería imposible demostrar esta situación en una forma efectiva. Otro ejemplo es el diseño único de las hojas de cálculo de programación dinámica y de AHP (proceso analítico de jerar- quías), donde el ingreso interactivo por parte del usuario debe ampliar la comprensión efecti- va de los detalles de esos dos tópicos. Un tercer ejemplo tiene que ver con la explicación del método congruente multiplicativo para generar números pseudoaleatorios 0-1. Con la hoja de cálculo de inmediato se puede demostrar el efecto de seleccionar la semilla y los parámetros, sobre la “calidad” del generador, en especial respecto a la longitud del ciclo de la secuencia del número aleatorio y, por tanto, advertir al alumno sobre el peligro de una implementación “causal” del método congruente multiplicativo dentro de un modelo de simulación. Además del apoyo de los programas en el libro, todos los capítulos han sido revisados (mu- chos se han vuelto a escribir) para presentar el material en una forma concisa. Entre el material nuevo está una introducción a la investigación de operaciones (capítulo 1); el método símplex ge- neralizado (Capítulo 4); la representación de todos los modelos de redes, incluyendo la ruta críti- ca, en forma de programas lineales (Capítulo 6); las redes PERT (Capítulo 6); la solución del problema del agente viajero (Capítulo 9), y el método de la sección dorada (Capítulo 21). Al igual que en la sexta edición, el libro está organizado en tres partes: modelos determinís- ticos, modelos probabilísticos y modelos no lineales. Los apéndices A a D contienen un repaso de álgebra de matrices, una introducción a TORA (a pesar de que el diseño de TORA hace innecesa- rio un manual), tablas estadísticas básicas y respuestas parciales de problemas seleccionados. RECONOCIMIENTOS Agradezco a muchos de mis colegas, y a cientos de estudiantes, sus comentarios y apoyo. En particular, deseo reconocer la ayuda extraordinaria que recibí de los profesores R. Michael Harnett (Kansas State University), Yasser Hosni (University of Central Florida), Guy L. Curry (Texas A&M University), Rafael Gutiérrez (University of Texas at El Paso), Robert Lewis (United States Army Management Engineering College), Allen C. Schuermann (Oklahoma State University) y Steven L. VanDrew (Mercer University). Mis colegas de ingeniería industrial en la Universidad de Arkansas, los profesores Ri- chard Cassady, Mike Cole, Erhan Kutanoglu, Scott Mason, Heather Nachtmann y Manuel Rossetti, me han ayudado en muchas formas, y aprecio su apoyo. Estoy especialmente agradecido a los profesores José Ventura de Pennsylvania State University, Jorge Valenzuela de Auburn University, Burak Eksioglu de la Universidad de Flo- rida, Michael Harnett de Kansas State University y a Steven L. VanDrew, de Mercer Univer- sity, por sus valiosas revisiones de la sexta edición. Deseo expresar mi aprecio a la editora de producción, Ann Imhoff de Carlisle Commu- nications, y a Dorothy Marrero y Lynda Castillo de Prentice Hall, por su apoyo durante la pro- ducción del libro. Sus conocimientos fueron una ayuda inmensa para mí. HAMDY A. TAHA hat@engr.uark.edu xvii Acerca del autor Hamdy A. Taha es profesor de Ingeniería Industrial en la Universidad de Arkansas, donde enseña e investiga en el área de investigación de operaciones y simu- lación. Es el autor de otros tres libros sobre programa- ción entera y simulación, y sus obras se han traducido al chino, coreano, español, japonés, ruso, turco e indone- sio. Sus artículos han sido publicados en las revistas Management Science, Operations Research and Inter- faces [Institute for Operations Research and Manage- ment Science], Naval Research Logistics [John Wiley & Sons], European Journal of Operations Research [International Federation of Operations Research So- cieties] y en AIIE Transactions. El profesor Taha fue nombrado becario Fullbright Senior en la Universidad Carlos III en Madrid, Espa- ña. Recibió un premio Alumni por excelencia en investigación, y el premio de enseñanza Na- dine Baum, ambos de la Universidad de Arkansas, así como muchos otros premios de investigación y enseñanza por parte del Colegio de Ingeniería, Universidad de Arkansas. Domina tres idiomas, y ha desempeñado puestos en México y en el Medio Oriente. 1 C A P Í T U L O 1 ¿Qué es la investigación de operaciones? Las primeras actividades formales de investigación de operaciones se dieron en Inglaterra du- rante la Segunda Guerra Mundial, cuando se encomendó a un equipo de científicos ingleses la toma de decisiones acerca de la mejor utilización de materiales bélicos. Al término de la gue- rra, las ideas formuladas en operaciones militares fueron adaptadas para mejorar la eficiencia y la productividad en el sector civil. Hoy en día, la investigación de operaciones es una herra- mienta dominante e indispensable para tomar decisiones. Un elemento principal de la investigación de operaciones es el modelado matemático. Aunque la solución del modelo matemático establece una base para tomar una decisión, se deben tener en cuenta factores intangibles o no cuantificables, por ejemplo el comportamiento humano, para poder llegar a una decisión final. 1.1 MODELOS DE INVESTIGACIÓN DE OPERACIONES Imagine usted que tiene un compromiso de negocios por cinco semanas entre Fayetteville (FYV) y Denver (DEN). Vuela hacia FYV el lunes y regresa el miércoles. Un boleto normal de viaje redondo cuesta $400 dólares, pero se ofrece el 20% de descuento si las fechas del bo- leto abarcan un fin de semana. Un boleto de viaje en cualquier dirección cuesta 75% del pre- cio normal. ¿Cómo debe comprar los boletos para el periodo de cinco semanas? Se puede considerar que el caso es un problema de toma de decisiones, cuya solución requiere identificar tres componentes. 1. ¿Cuáles son las alternativas de decisión? 2. ¿Bajo qué restricciones se toma la decisión? 3. ¿Cuál es el criterio objetivo adecuado para evaluar las alternativas? Se consideran tres alternativas: 1. Comprar cinco boletos normales FYV-DEN-FYV. 2. Comprar uno FYV-DEN, cuatro DEN-FYV-DEN que abarquen fines de semana, y uno DEN-FYV. 2 Capítulo 1 ¿Qué es la investigación de operaciones? 3. Comprar uno FYV-DEN-FYV que abarque el lunes de la primera semana y el miérco- les de la última, y cuatro DEN-FYV-DEN que cubran los viajes restantes. Cada boleto de esta alternativa abarca un fin de semana. La restricción para estas opciones es que debe usted poder salir de FYV el lunes y regresar el miércoles de la misma semana. Un criterio objetivo obvio para evaluar cada alternativa es el precio de los boletos. La alternativa que tenga el costo mínimo es la mejor. En forma específica, Costo de la alternativa 1 � 5 � $400 � $2000 Costo de la alternativa 2 � 0.75 � $400 � 4 � (0.8 � $400) � 0.75 � $400 � $1880 Costo de la alternativa 3 � 5 � (0.8 � $400) � $1600 Entones, debería usted escoger la alternativa 3. Aunque en el ejemplo anterior se ilustran los tres componentes principales de un mode- lo de investigación de operaciones, que son: alternativas, objetivo y restricciones, los casos difieren por los detalles de la construcción de cada componente. Para ilustrar este punto, ima- gine la formación de un área rectangular que tenga área máxima con un trozo de alambre de L centímetros de longitud. ¿Cuál será el ancho y la altura del rectángulo? En contraste con el ejemplo de los boletos, la cantidad de alternativas en este ejemplo no es finito; es decir, el ancho y la altura del rectángulo pueden tener una cantidad infinita de posibilidades. Para formalizar esta observación, las alternativas en el problema se identifican definiendo el ancho y la altura como variables (algebraicas) continuas. Sean w � ancho del rectángulo, en centímetros h � altura del rectángulo, en centímetros Con base en estas definiciones, las restricciones del caso se pueden expresar verbalmente co- mo sigue: 1. Ancho del rectángulo � altura del rectángulo � la mitad de la longitud del alambre. 2. El ancho y la altura no pueden ser negativos. Estas restricciones se traducen al álgebra como sigue: 1. 2. El último componente que ahora resta es el objetivo del problema: maximizar el área del rectángulo. Si se define a z como el área del rectángulo, el modelo es Maximizar z � wh sujeta a w, h Ú 0 21w + h2 = L w Ú 0, h Ú 0 21w + h2 = L 1.1 Modelos de investigación de operaciones 3 La solución óptima de este modelo es , que equivale a formar un cuadrado. Los dos ejemplos anteriores demuestran las variaciones en los detalles de los modelos de investigación de operaciones. En general, el primer paso crucial de cualesquiera de esos modelos es la definición de las alternativas o las variables de decisión del problema. A con- tinuación, se usan las variables de decisión para construir la función objetivo y las restric- ciones del modelo. Terminados los tres pasos, el modelo de investigación de operaciones se suele organizar con el siguiente formato general: w = h = L 4 Una solución del modelo es factible si satisface todas las restricciones. Es óptima si, además de ser factible, produce el mejor valor (máximo o mínimo) de la función objetivo. En el ejemplo de los boletos, el problema presenta tres alternativas factibles, y la tercera es la que produce la solución óptima. En el problema del rectángulo, una solución factible debe satisfa- cer la condición , y w y h deben tener valores no negativos. Esto conduce a una in- finidad de soluciones factibles y, a diferencia del problema de los boletos, la solución óptima se determina con un método matemático adecuado, que en este caso es el cálculo diferencial. Aunque los modelos de investigación de operaciones deben “optimizar” determinado criterio objetivo sujeto a un conjunto de restricciones, la calidad de la solución que se obtenga depende de la exactitud del modelo para representar el sistema real. Por ejemplo, en el mo- delo de los boletos, si uno no puede identificar todas las alternativas dominantes para com- prarlos, entonces la solución resultante sólo es óptima en relación con las alternativas que se representaron en el modelo. En forma específica, si en el modelo falta la alternativa 3, la solu- ción “óptima” resultante diría que hay que gastar $1880 como mínimo en compra de boletos, y con ello sólo se obtiene una solución subóptima del problema. La conclusión es que “la” solución óptima de un modelo sólo es la mejor para ese problema. Si sucede que el modelo representa al sistema real en forma razonablemente buena, su solución también será óptima para el caso real. CONJUNTO DE PROBLEMAS 1.1A 1. En el ejemplo de los boletos, identifique una cuarta alternativa factible. 2. En el problema del rectángulo, identifique dos soluciones factibles, y a continuación determine la mejor (la que tenga el área mayor). 3. Determine la solución óptima del problema del rectángulo. (Sugerencia: use la restricción para expresar la función objetivo en términos de una variable, y a continuación use cálculo diferencial.) 4. Ana, Jaime, Juan y Pedro están en la orilla oriente de un río, y desean cruzarlo en canoa hasta la orilla opuesta. La canoa puede llevar cuando mucho dos personas en cada viaje. Ana es la más w + h = L 2 Maximizar o minimizar la función objetivo Sujeta a restricciones 4 Capítulo 1 ¿Qué es la investigación de operaciones? vigorosa y puede cruzar el río en 1 minuto. Jaime, Juan y Pedro tardan 2, 5 y 10 minutos, respectivamente. Si hay dos personas en la canoa, la persona más lenta es la que determina el tiempo de cruce. El objetivo es que los cuatro estén en la orilla opuesta en el mínimo tiempo posible. a) Identifique al menos dos planes factibles para cruzar el río. Recuerde que la canoa es el único medio de transporte, y que no puede viajar vacía. b) Defina el criterio para evaluar las alternativas. c) ¿Cuál es el tiempo mínimo para pasar a los cuatro hasta la otra orilla del río? 5. En un juego de béisbol, Juan es el lanzador y José el bateador. Suponga que Juan puede lanzar una bola rápida o una curva, al azar. Si José adivina que viene una curva, puede mantener un promedio de bateo de .500. Si no, cuando Juan lanza una curva y José se prepara para una bola rápida, su promedio de bateo baja a .200. Por otro lado, si José adivina bien una bola rápida, mantiene un promedio de bateo de .300; si no, su promedio de bateo sólo es .100. a) Defina las alternativas para este caso. b) Defina la función objetivo para el problema, y describa en qué difiere de la optimización co- mún (maximización o minimización) de un criterio. 1.2 SOLUCIÓN DEL MODELO DE INVESTIGACIÓN DE OPERACIONES En la investigación de operaciones no se tiene una sola técnica general con la que se resuel- van todos los modelos matemáticos que surgen en la práctica. En lugar de ello, la clase y la complejidad del modelo matemático determina la naturaleza del método de solución. Por ejemplo, en la sección 1.1, la solución del problema de los boletos requiere una clasificación sencilla de las alternativas, basada en el precio de compra total, mientras que la solución del problema del rectángulo usa cálculo diferencial para determinar el área máxima. La técnica más importante de investigación de operaciones es la programación lineal. Se diseña para modelos con funciones objetivo y restricciones estrictamente lineales. Hay otras técnicas, como la programación entera, en la que las variables toman valores enteros; la programación dinámica, en la que el modelo original se puede descomponer en subproble- mas más pequeños; la programación de red, en la que el problema se puede modelar como una red, y la programación no lineal, en la que las funciones del modelo son no lineales. Las técnicas mencionadas no son más que una lista parcial de la gran cantidad de herramientas dis- ponibles en la investigación de operaciones. Una peculiaridad de la mayor parte de las técnicas de investigación de operaciones es que en general las soluciones no se obtienen en formas cerradas, es decir, parecidas a fórmu- las. En lugar de ello, se determinan mediante algoritmos. Un algoritmo proporciona reglas fi- jas de cómputo que se aplican en forma repetitiva al problema, y cada repetición (llamada iteración) obtiene una solución cada vez más cercana a la óptima. Como los cálculos asocia- dos con cada iteración suelen ser tediosos y voluminosos, es necesario ejecutar esos algorit- mos en una computadora. Algunos modelos matemáticos pueden ser tan complicados que es imposible resolverlos con cualesquiera de los algoritmos disponibles de optimización. En esos casos se podrá necesi- tar abandonar la búsqueda de la solución óptima para sólo buscar una solución buena usando heurísticas o reglas simples. 1.4 El arte del modelado 5 Modelo Mundo real Mundo real supuesto FIGURA 1.1 Niveles de abstracción en el desarrollo de un modelo 1.3 MODELOS DE COLAS Y SIMULACIÓN Las colas o líneas de espera, y la simulación, tratan de estudiar las líneas de espera. No son técnicas de optimización; más bien determinan medidas de eficiencia de las líneas de espera, como pueden ser el tiempo promedio de espera en la cola, tiempo promedio para el servicio y la utilización de las instalaciones de servicio. Los modelos de colas usan a su vez modelos de probabilidad y estocásticos para anali- zar las líneas de espera, y la simulación estima las medidas de eficiencia al imitar el compor- tamiento del sistema en la realidad. En cierto modo, se puede considerar que la simulación es casi lo mejor para observar un sistema real. La diferencia principal entre colas y simulación es que los modelos de colas sólo son matemáticos, y en consecuencia, están sujetos a hipóte- sis específicas que limitan el alcance de la aplicación. Por otro lado, la simulación es flexible y con ella se puede analizar prácticamente cualquier caso de colas. El uso de la simulación no carece de inconvenientes. El proceso de desarrollar modelos de simulación es costoso, tanto en tiempo como en recursos. Además, la ejecución de los modelos de simulación suele ser lenta, aun con la computadora más rápida. 1.4 EL ARTE DEL MODELADO Los modelos ilustrativos que se desarrollaron en la sección 1.1 son representaciones exactas de los casos reales, porque no se usan aproximaciones. Esto es raro en la investigación de ope- raciones, porque la mayor parte de las aplicaciones suelen implicar diversos grados de aproxi- mación. La figura 1.1 ilustra los niveles de abstracción que caracterizan al desarrollo de un modelo en investigación de operaciones. El mundo real supuesto se abstrae del caso real, con- centrándolo en las variables principales que controlan el comportamiento del sistema real. El modelo, como es una abstracción del mundo real supuesto, expresa en una forma adecuada las funciones matemáticas que representan el comportamiento del sistema supuesto. Para ilustrar los niveles de abstracción en el modelado, veamos el caso de la Tyko Manu- facturing, que produce una variedad de recipientes de plástico. Cuando se emite una orden de producción al departamento de producción, se adquieren las materias primas necesarias en los almacenes de la empresa, o se compran a proveedores externos. Una vez terminado un lote de producción, el departamento de ventas se hace cargo de distribuir el producto entre los consu- midores. 6 Capítulo 1 ¿Qué es la investigación de operaciones? Una pregunta lógica al analizar el caso de Tyko es la determinación del tamaño de un lote de producción. ¿Cómo se puede representar este caso en un modelo? Al considerar el sistema en general, se ve que algunas variables influyen en forma di- recta sobre el nivel de producción, entre las que están las de la siguiente lista (parcial), clasifi- cada por departamentos. 1. Departamento de producción: Capacidad de producción expresada en función de las horas máquina y mano de obra disponibles, inventario en proceso y normas de control de calidad. 2. Departamento de materiales: Existencia disponible de materias primas, programas de entrega de sus proveedores y limitaciones de almacenamiento. 3. Departamento de ventas: Pronóstico de ventas, capacidad de las instalaciones de dis- tribución, eficacia de la campaña publicitaria y efecto de la competencia. Cada una de esas variables afecta el nivel de producción en Tyko. Sin embargo, es realmente difícil establecer relaciones funcionales explícitas entre ellas y el nivel de producción. Un primer nivel de abstracción requiere la definición de las fronteras del mundo real supuesto. Pensando un poco, se puede aproximar el sistema real mediante dos variables do- minantes: 1. Tasa de producción. 2. Tasa de consumo. La determinación de la tasa de producción implica variables como la capacidad de produc- ción, las normas de control de calidad y la disponibilidad de las materias primas. La tasa de consumo está determinada por las variables asociadas al departamento de ventas. En esencia, se logra la simplificación del mundo real al mundo supuesto “agrupando” varias variables del mundo real en una sola variable para el mundo real supuesto. Ahora es más fácil abstraer un modelo del mundo real supuesto. A partir de las tasas de producción y de consumo se pueden establecer medidas de exceso o carencia de inventario. El modelo abstraído se puede definir de modo que equilibre los costos contrapuestos de exce- so y de carencia de inventario; es decir, que minimice el costo total del inventario. 1.5 MÁS QUE SÓLO MATEMÁTICAS Debido a la naturaleza matemática de los modelos de investigación de operaciones, hay una tendencia a pensar que un estudio de investigación de operaciones siempre tiene en su raíz al análisis matemático. Aunque las matemáticas son esenciales en la investigación de operacio- nes, no debe uno recurrir de inmediato a los modelos matemáticos, sino hasta después de ha- ber investigado métodos más sencillos. En algunos casos se podrá encontrar una solución “de sentido común” mediante observaciones sencillas. En realidad, como el elemento humano afecta en forma invariable la mayor parte de los problemas de decisiones, podría ser clave un estudio de la psicología de las personas para resolver el problema. A continuación describire- mos tres ejemplos que respaldan este argumento. 1. Al atender quejas sobre un servicio lento de elevadores en un edificio de oficinas grande, se percibió al principio que la situación era un problema de línea de espera, que po- 1.5 Más que sólo matemáticas 7 dría requerir el uso de análisis matemáticos de colas o de simulación. Sin embargo, después de estudiar el comportamiento de las personas que se quejaban, el psicólogo del equipo de in- vestigación de operaciones sugirió instalar espejos de cuerpo entero en la entrada de los ele- vadores. Como por milagro, desaparecieron las quejas, porque se mantuvo ocupada a la gente examinándose a sí misma y a los demás mientras esperaban al elevador. 2. En un estudio del registro en las instalaciones en un gran aeropuerto inglés, un equi- po de consultores de Estados Unidos y Canadá aplicaron la teoría de colas para investigar y analizar la situación. Parte de la solución recomendó usar letreros bien ubicados, si la salida de los pasajeros fuera en los próximos 20 minutos, pasaran a la cabeza de la cola y pidieran servicio de inmediato. La solución no tuvo éxito porque los pasajeros, al ser ingleses en su mayoría, estaban “condicionados a un comportamiento muy estricto en las colas” y en conse- cuencia se rehusaban a pasar frente a otros que esperaban en la fila. 3. En una fundidora de acero, primero se producen lingotes a partir del mineral, que se usan a continuación para producir diversas clases de barras y perfiles de acero. El gerente de la instalación notó que había una gran demora entre el momento en que se producían los lin- gotes y cuando eran transferidos a la siguiente fase (donde se fabrican los productos finales). En el caso ideal, la siguiente fase debería comenzar tan pronto como los lingotes salen de los hornos, para reducir los costos de recalentamiento. Al principio se percibió que el problema era de un caso de balanceo de líneas de producción, que se debía resolver reduciendo la capa- cidad de producción de los hornos, o aumentando la capacidad del siguiente proceso. Sin em- bargo, como parte de la comprensión del problema, el equipo de investigación de operaciones elaboró tablas sencillas para resumir la producción de los hornos durante los tres turnos del día, y descubrieron que, aun cuando el tercer turno comenzaba a las 11:00 P.M., la mayor par- te de la producción salía entre las 2:00 y las 7:00 A.M. Investigando más a fondo se vio que los operadores del tercer turno preferían tener prolongados descansos al comenzar el turno, para después compensar, durante las horas de la madrugada, la producción perdida. El problema se resolvió “nivelando” la producción de los lingotes en el turno. De las ilustraciones anteriores se pueden sacar tres conclusiones: 1. Antes de embarcarse en un modelado matemático complicado, el equipo de investiga- ción de operaciones debe aplazar la posibilidad de usar ideas “agresivas” para revolver la si- tuación. La solución del problema del elevador con la instalación de espejos tiene más base en el estudio del comportamiento humano que en el modelado matemático. También es más sencillo y menos costoso que cualquier otra recomendación que se pudiera haber obtenido con un modelo matemático. Quizá sea ésta la razón por la que los equipos de investigación de operaciones sue- len incluir los conocimientos de “gente de fuera”, procedente de otros campos no matemáticos (en el caso del problema del elevador, la psicología). Esto fue reconocido e implementado por el primer equipo inglés de investigación de operaciones durante la Segunda Guerra Mundial. 2. Las soluciones tienen su base en las personas, y no en la tecnología. Toda solución que no tenga en cuenta al comportamiento humano, probablemente fallará. Aun cuando la so- lución matemática del problema del aeropuerto británico pudiera haber sido razonable, el hecho de que el equipo de consultores no percibió las diferencias culturales entre Estados Unidos e Inglaterra (los estadounidenses y canadienses tienden a ser menos formales) produ- jo una recomendación ineficaz. 3. Nunca debería iniciarse un estudio de investigación de operaciones si se tiene el pre- juicio de usar determinado modelo matemático, antes de poder justificar su uso. Por ejemplo, 8 Capítulo 1 ¿Qué es la investigación de operaciones? 1Decidir acerca de determinado modelo matemático antes de usarlo es como “poner la carroza frente al ca- ballo”, y me recuerda la historia de un viajero frecuente de aerolínea, paranoico aterrado por la posibilidad de una bomba terrorista a bordo. Calculó la probabilidad de ocurrencia de ese evento que, aunque fue muy pequeña, no lo fue lo suficiente como para calmar su ansiedad. En adelante siempre llevaba una bomba al avión, dentro de su portafolio, porque de acuerdo con sus cálculos, ¡la posibilidad de tener dos bombas a bor- do era prácticamente cero! como la programación lineal es una técnica efectiva, hay una tendencia a aplicarla como la adecuada para modelar “cualquier” situación. Ese proceder suele conducir hacia un modelo matemático muy apartado de la situación real. En consecuencia, es imperativo analizar pri- mero los datos disponibles, con las técnicas más sencillas posibles (por ejemplo, promedios, tablas e histogramas), con objeto de determinar la fuente del problema. Una vez definido el problema, se puede tomar una decisión acerca de la herramienta más adecuada para llegar a la solución.1 En el problema de la fundidora, todo lo que se necesitó para rectificar la situación fue elaborar tablas sencillas. 1.6 FASES DE UN ESTUDIO DE INVESTIGACIÓN DE OPERACIONES Un estudio de investigación de operaciones se basa en la labor de equipo, donde los analistas de investigación de operaciones y el cliente trabajan hombro con hombro. Los analistas, con sus conocimientos de modelado, deben complementarse con la experiencia y la cooperación del cliente para quien hacen el estudio. Como herramienta de toma de decisiones, la investigación de operaciones es una ciencia y un arte. Es una ciencia por las técnicas matemáticas que presenta, y es un arte porque el éxito de todas las fases que anteceden y siguen a la resolución del modelo matemático depende mu- cho de la creatividad y la experiencia del equipo de investigación de operaciones. Willemain (1994) aconseja que “la práctica efectiva [de la investigación de operaciones] requiere algo más que la competencia analítica. También requiere, entre otros atributos, el juicio (por ejem- plo, cuándo y cómo usar determinada técnica) y la destreza técnica en comunicaciones y en su- pervivencia organizacional”. Es difícil recetar cursos específicos de acción (parecidos a los que establece la teoría precisa de los modelos matemáticos) para esos factores intangibles. Sólo se pueden ofrecer li- neamientos generales para implementar la investigación de operaciones en la práctica. Las fases principales de la implementación de la investigación de operaciones en la práctica comprenden: 1. La definición del problema. 2. La construcción del modelo. 3. La solución del modelo. 4. La validación del modelo. 5. La implementación de la solución. De las cinco fases, sólo la número tres de la solución del modelo es la que está mejor definida y es la más fácil de implementar en un estudio de investigación de operaciones, porque mane- ja principalmente modelos matemáticos precisos. La implementación de las demás fases es más un arte que una teoría. 1.7 Acerca de este libro 9 La definición del problema implica definir el alcance del problema que se investiga. Es una función que se debe hacer entre todo el equipo de investigación de operaciones. Su resulta- do final será identificar tres elementos principales del problema de decisión, que son: 1) la des- cripción de las alternativas de decisión; 2) la determinación del objetivo del estudio, y 3) la especificación de las limitaciones bajo las cuales funciona el sistema modelado. La construcción del modelo implica traducir la definición del problema a relaciones matemáticas. Si el modelo que resulte se ajusta a uno de los modelos matemáticos normales, como puede ser la programación lineal, se puede llegar a una solución empleando los algorit- mos disponibles. En forma alternativa, si las relaciones matemáticas son demasiado complejas como para permitir el cálculo de una solución analítica, puede ser que el equipo de investiga- ción de operaciones opte por simplificar el modelo y usar un método heurístico, o que el equi- po pueda recurrir al uso de una simulación, si es aproximada. En algunos casos se podrá necesitar una combinación de modelos matemáticos, de simulación y heurísticos para resolver el problema de decisiones. La solución del modelo es, con mucho, la fase más sencilla de todas las de la investiga- ción de operaciones, porque supone el uso de algoritmos bien definidos de optimización. Un aspecto importante de la fase de solución del modelo es el análisis de sensibilidad. Tiene que ver con la obtención de información adicional sobre el comportamiento de la solución óptima cuando el modelo sufre ciertos cambios de parámetros. Se necesita en especial el análisis de sensibilidad cuando no se pueden estimar con exactitud los parámetros del modelo. En esos casos es importante estudiar el comportamiento de la solución óptima en las proximidades de los parámetros estimados. La validación del modelo comprueba si el modelo propuesto hace lo que se quiere que haga, esto es, ¿predice el modelo en forma adecuada el comportamiento del sistema que se es- tudia? Al principio, el equipo de investigación de operaciones se debe convencer que el resul- tado del modelo no incluya “sorpresas”. En otras palabras, ¿tiene sentido la solución? ¿Se pueden aceptar intuitivamente los resultados? Desde el lado formal, un método frecuente para comprobar la validez de un modelo es comparar su resultado con datos históricos. El modelo es válido si, bajo condiciones de datos semejantes, reproduce el funcionamiento en el pasado. Sin embargo, en general no hay seguridad de que el funcionamiento en el futuro continúe re- produciendo los datos del pasado. También, como el modelo se suele basar en un examen cui- dadoso de los datos históricos, la comparación propuesta debería ser favorable. Si el modelo propuesto representa un sistema nuevo, no existente, no habrá datos históricos para las com- paraciones. En esos casos se podrá recurrir a una simulación, como herramienta independien- te para verificar los resultados del modelo matemático. La implementación de la solución de un modelo validado implica la traducción de los resultados a instrucciones de operación, emitidas en forma comprensible para las personas que administrarán al sistema recomendado. La carga de esta tarea la lleva principalmente el equipo de investigación de operaciones. 1.7 ACERCA DE ESTE LIBRO Morris (1967) dijo que “la enseñanza de modelos no equivale a la enseñanza del modelado”. He tomado nota de esta importante afirmación al preparar la séptima edición. Se ha hecho un esfuerzo consciente para presentar el arte del modelado en investigación de operaciones. Los 10 Capítulo 1 ¿Qué es la investigación de operaciones? modelos realistas que se presentan en el libro, los numerosos problemas (en palabras) de apli- cación y los casos detallados que se presentan al final de los capítulos permiten tener una pers- pectiva del análisis de casos en la práctica. Debido a la importancia de los cálculos en la investigación de operaciones, el libro contiene muchas herramientas para llevar a cabo esta ta- rea, que van desde tutoriales hasta paquetes de programas comerciales y hojas de cálculo de Excel. El autor cree que un primer curso de investigación de operaciones debe proporcionar al alumno una buena base de las matemáticas de esta disciplina, así como una idea de las aplica- ciones y cálculos en el campo. De este modo se proporciona a los usuarios de investigación de operaciones la clase de confianza que faltaría, normalmente, si el adiestramiento principal se concentrara sólo en los aspectos filosóficos y artísticos de la investigación de operaciones. Una vez establecido un conocimiento fundamental de las bases matemáticas, el lector podrá aumentar sus posibilidades en el lado artístico de modelado, revisando los casos que se ven en diversas revistas y publicaciones. El autor recomienda en particular Interfaces (publicada por INFORMS) como una rica fuente de aplicaciones interesantes de la investigación de opera- ciones. REFERENCIAS SELECCIONADAS Altier, W. J., The Thinking Manager’s Toolbox: Effective Processes for Problem Solving and Decision Making, Oxford University Press, Nueva York, 1999. Checkland, P., Systems Thinking, System Practice, Wiley, Nueva York, 1999. Evans, J., Creative Thinking in the Decision and Management Sciences, South-Western Publishing, Cincinnati, Ohio, 1991. Gass, S., “Model World: Danger, Beware the User as a Modeler”, Interfaces, vol. 20, núm. 3, págs. 60-64, 1990. Morris, W., “On the Art of Modeling”, Management Science, vol. 13, págs. B707-B717, 1967. Paulos, J. A., Innumeracy: Mathematical Illiteracy and its Consequences, Hill and Wang, Nueva York, 1988. Taha, H., “Guide to Optimization Models”, capítulo 11.3 en Maynard’s Industrial Engineering Hand- book, 5a. ed., Kjel Zandon, editor, McGraw-Hill, Nueva York, 2001, págs. 11.45-11.65. Willemain, T. R., “Insights on Modeling from a Dozen Experts”, Operations Research, vol. 42, núm. 2; págs. 213-222, 1994. 11 C A P Í T U L O 2 Introducción a la programación lineal La programación lineal se aplica a modelos de optimización en los que las funciones objetivo y restricción son estrictamente lineales. La técnica se aplica en una amplia variedad de casos, en los campos de agricultura, industria, transporte, economía, salud, ciencias sociales y de la con- ducta, y militar. También produce algoritmos eficientes de cómputo para problemas con miles de restricciones y variables. En realidad, debido a su tremenda eficiencia de cálculo, la progra- mación lineal forma la columna vertebral de los algoritmos de solución para otros modelos de investigación de operaciones, como las programaciones entera, estocástica y no lineal. Este capítulo comienza con el caso de un modelo de dos variables, y presenta su solu- ción gráfica. Esta solución gráfica permite tener una perspectiva del desarrollo del método símplex, técnica algebraica general (véase el capítulo 3). También presenta ideas concretas para el desarrollo y la interpretación de análisis de sensibilidad en programación lineal. El ca- pítulo termina con la formulación y la interpretación de la solución de varias aplicaciones rea- listas. 2.1 MODELO DE PROGRAMACIÓN LINEAL CON DOS VARIABLES Esta sección explicará la solución gráfica de una programación lineal con dos variables. Aunque en la práctica casi no existen problemas con dos variables, la presentación aportará ideas con- cretas para el desarrollo del algoritmo de solución general que se presentará en el capítulo 3. 12 Capítulo 2 Introducción a la programación lineal Ejemplo 2.1-1 (La compañía Reddy Mikks) Reddy Mikks produce pinturas para interiores y exteriores, M1 y M2. La tabla siguiente pro- porciona los datos básicos del problema. Ton de materia prima de Pinturas para Pinturas para Disponibilidad diaria exteriores interiores máxima (ton) Materia prima, M1 6 4 24 Materia prima, M2 1 2 6 Utilidad por ton (miles de $) 5 4 Una encuesta de mercado indica que la demanda diaria de pintura para interiores no pue- de ser mayor que 1 tonelada más que la de pintura para exteriores. También, que la demanda máxima diaria de pintura para interiores es de 2 toneladas. Reddy Mikks desea determinar la mezcla óptima (la mejor) de productos para exteriores y para interiores que maximice la utilidad diaria total. El modelo de programación lineal, como en cualquier modelo de investigación de opera- ciones, tiene tres componentes básicos. 1. Las variables de decisión que se trata de determinar. 2. El objetivo (la meta) que se trata de optimizar. 3. Las restricciones que se deben satisfacer. La definición correcta de las variables de decisión es un primer paso esencial en el desarrollo del modelo. Una vez hecha, la tarea de construir la función objetivo y las restricciones se ha- ce en forma más directa. Para el problema de Reddy Mikks, se necesita determinar las cantidades a producir de pinturas para exteriores e interiores. Así, las variables del modelo se definen como sigue: x1 = Toneladas producidas diariamente, de pintura para exteriores x2 = Toneladas producidas diariamente, de pintura para interiores Para formar la función objetivo, la empresa desea aumentar sus utilidades todo lo posible. Si z representa la utilidad diaria total (en miles de dólares), el objetivo de la empresa se expresa así: Maximizar z = 5x1 + 4x2 A continuación se definen las restricciones que limitan el uso de las materias primas y la demanda. Las restricciones en materias primas se expresan verbalmente como sigue: Según los datos del problema, Uso de la materia prima M1, por día = 6x1 + 4x2 toneladas Uso de la materia prima M2, por día = 1x1 + 2x2 toneladas Ya que la disponibilidad de las materias primas M1 y M2 se limita a 24 y 6 toneladas, respec- tivamente, las restricciones correspondientes se expresan como sigue: a Uso de una materia prima para ambas pinturas b … a Disponibilidad máxima de materia prima b 2.1 Modelo de programación lineal con dos variables 13 6x1 + 4x2 ≤ 24 (Materia prima M1) x1 + 2x2 ≤ 6 (Materia prima M2) La primera restricción de la demanda indica que la diferencia entre la producción diaria de pinturas para interiores y exteriores, , no debe ser mayor que 1 tonelada, y eso se tradu- ce en . La segunda restricción de la demanda estipula que la demanda máxima diaria de pintura para interiores se limita a 2 toneladas, y eso se traduce como . Una restricción implícita (o “que se sobreentiende”) es que las variables y no pueden asumir valores negativos. Las restricciones de no negatividad, , , expresan ese requisito. El modelo de Reddy Mikks completo es sujeta a Cualquier valor de y que satisfaga todas las restricciones del modelo es una solución factible. Por ejemplo, la solución toneladas diarias y tonelada diaria es facti- ble, porque no viola alguna de las restricciones, incluyendo las de no negatividad. Para com- probar este resultado se sustituye en el lado izquierdo de cada restricción. Por ejemplo, en la primera restricción, , que es menor que 24 en el lado derecho. El valor de la función objetivo correspondiente a la solución es (miles de dólares). Desde el punto de vista de todo el modelo, nos interesa determinar la solución óptima factible que produzca la utilidad total máxima y al mismo tiempo satisfaga todas las restric- ciones. No se acepta enumerar las soluciones factibles, porque el modelo tiene una cantidad infinita de ellas. En su lugar, se necesita un procedimiento sistemático que ubique con eficien- cia la solución óptima. El método gráfico de la sección 2.3, y su generalización algebraica en el capítulo 3, resuelven este punto. En el ejemplo anterior, las funciones objetivo y restricciones son lineales, todas. La linea- lidad implica que la programación lineal debe satisfacer dos propiedades: proporcionalidad y aditividad. 1. La proporcionalidad requiere que la contribución de cada variable de decisión en la función objetivo, y sus requerimientos en las restricciones, sea directamente proporcional al valor de la variable. Por ejemplo, en el modelo de Reddy Mikks, las cantidades 5x1 y 4x2 ex- presan las utilidades por producir x1 y x2 toneladas de pintura para exteriores y para interiores, respectivamente, y las utilidades unitarias por tonelada son 5 y 4, que definen las constantes de proporcionalidad. Si, por otra parte, Reddy Mikks ofrece alguna clase de descuentos por canti- dad cuando las ventas son mayores que ciertas cantidades, la utilidad ya no será proporcional a las cantidades producidas x1 y x2. z = 5 * 3 + 4 * 1 = 191x1 = 3, x2 = 12 6x1 + 4x2 = 6 * 3 + 4 * 1 = 22 1x1 = 3, x2 = 12 x2 = 1x1 = 3 x2x1 x1, x2 Ú 0 -x1 + 2x2 … 2 -x1 + 2x2 … 1 x1 + 2x2 … 6 6x1 + 4x2 … 24 Maximizar z = 5x1 + 4x2 x2 Ú 0x1 Ú 0 x2x1 x2 … 2 x2 - x1 … 1 x2 - x1 14 Capítulo 2 Introducción a la programación lineal 2. La aditividad estipula que la contribución total de todas las variables en la función objetivo y sus requerimientos en las restricciones, sean la suma directa de las contribuciones o requerimientos individuales de cada variable. En el modelo de Reddy Mikks, la utilidad total es igual a la suma de dos componentes individuales de utilidad. Sin embargo, si los dos pro- ductos compiten por la misma parte de mercado en forma tal que un aumento de ventas de uno afecte negativamente al otro, ya no se satisface la propiedad de aditividad. CONJUNTO DE PROBLEMAS 2.1A 1. Para el modelo de Reddy Mikks, defina cada una de las siguientes restricciones y exprésela con una constante del lado derecho: a) La demanda diaria de pintura para interiores es mayor que la de pintura para exteriores en al menos 1 tonelada. b) El uso diario de la materia prima M2 es 6 toneladas cuando mucho, y 3 toneladas cuando menos. c) La demanda de pintura para interiores no puede ser menor que la demanda de pintura para exteriores. d) La cantidad mínima que se debe producir de pinturas para interiores y para exteriores es de 3 toneladas. e) La proporción de pintura para interiores entre la producción total de pinturas para interiores y para exteriores no debe ser mayor que 0.5. 2. Determine la mejor solución factible entre las siguientes soluciones (factibles y no factibles) del modelo de Reddy Mikks: a) b) c) d) e) 3. Para la solución factible x1 = 2, x2 = 2, del modelo de Reddy Mikks, determine a) La cantidad no usada de la materia prima M1. b) La cantidad no usada de la materia prima M2. 4. Suponga que Reddy Mikks vende su pintura para exteriores a un mayorista, con un descuento por volumen. La utilidad por tonelada es $5000 si el mayorista no compra más de 2 toneladas diarias, y de $4500 en los demás casos. ¿Se puede traducir esta situación a un modelo de programación lineal? 2.2 SOLUCIÓN GRÁFICA DE LA PROGRAMACIÓN LINEAL El procedimiento de solución gráfica comprende dos pasos: 1. Determinación del espacio de soluciones que define todas las soluciones factibles del modelo. 2. Determinación de la solución óptima, entre todos los puntos factibles del espacio de so- luciones. Usaremos dos ejemplos en el procedimiento, para mostrar cómo se manejan las funcio- nes objetivo de maximización y de minimización. x1 = 2, x2 = -1 x1 = 2, x2 = 1 x1 = 3, x2 = 1.5 x1 = 2, x2 = 2 x1 = 1, x2 = 4 2.2 Solución gráfica de la programación lineal 15 5 1 16x1 � 4x2 � 24 Restricciones: 2x1 � 2x2 � 6 3�x1 � x2 � 1 4x2 � 2 5x1 � 0 6x2 � 0 3 2 4 6 6 5 4 3 2 1 0 1 2 3 D Espacio de soluciones E F A B C 4 5 6 x1 x2 FIGURA 2.1 Espacio factible del modelo de Reddy Mikks 2.2.1 Solución de un modelo de maximización Ejemplo 2.2-1 En este ejemplo se resolverá el modelo de Reddy Mikks, de la sección 2.1. Paso 1. Determinación del espacio de soluciones factibles: Primero, se tendrán en cuenta las restricciones de no negatividad y . En la figura 2.1, el eje horizontal x1 y el eje vertical x2 representan las variables pintura para exteriores y pintura para interiores, respectivamente. En consecuencia, las restricciones de no negatividad limitan el área del espacio de soluciones al pri- mer cuadrante: arriba del eje x1 y a la derecha del eje x2. Para tener en cuenta las otras cuatro restricciones, primero se sustituye cada de- sigualdad con una ecuación, y a continuación se grafica la recta resultante, ubicando dos puntos diferentes de ella. Por ejemplo, después de sustituir 6x1 � 4x2 � 24 con la recta 6x1 � 4x2 � 24, se pueden determinar dos puntos distintos, primero igualan- do x1 � 0 para obtener y después igualando x2 � 0 para obtener . De este modo, la recta que pasa por los dos puntos (0, 6) y (4, 0) es la que se identifica con (1) en la figura 2.1. A continuación consideraremos el efecto de la desigualdad. Todo lo que hace la desigualdad es dividir al plano (x1, x2) en dos semiespacios que en este caso son semi- planos, uno a cada lado de la línea graficada. Sólo una de esas dos mitades satisface la desigualdad. Para determinar cuál es el lado correcto, se elige cualquier punto de refe- rencia en el primer cuadrante. Si satisface la desigualdad, el lado en el que está es el semiplano factible. En caso contrario, quiere decir que es el otro lado. Desde el punto x1 = 24 6 = 4 x2 = 24 4 = 6 x2 Ú 0x1 Ú 0 16 Capítulo 2 Introducción a la programación lineal 1 2 3 2 1 0 1 2 3 4 x1 x2 DE F (Maximizar z � 5x1 � 4x2) In cre mento de z z � 10 z � 15 z � 21 x1 � 2x2 � 6 x1 � 3 tonÓptimo: x2 � 1.5 ton z � $21,000 A B C 6x1 � 4x2 � 24 FIGURA 2.2 Solución óptima del modelo de Reddy Mikks de vista de los cálculos, es cómodo seleccionar a (0, 0) como el punto de referencia, a menos que la recta pase por el origen; si así fuera, se debería elegir otro punto. El uso del punto de referencia (0, 0) se ilustra con la restricción . Como es menor que 24, el semiplano que representa la desi- gualdad incluye al origen (lo que se indica con la flecha en la figura 2.1). Para de- mostrar el uso de otros puntos de referencia, investigaremos (6, 0). En este caso , que es mayor que el lado derecho de la primera restricción, y eso indica que el lado en el que está (6, 0) no es factible para la desigualdad. Este re- sultado es consistente con el que se obtuvo usando (0, 0) como punto de referencia. Con la aplicación del procedimiento del punto de referencia a todas las restric- ciones del modelo se obtiene el espacio factible que se indica en la figura 2.1. Paso 2. Determinación de la solución óptima: El espacio factible de la figura 2.1 está delimitado por los segmentos de recta que unen a los vértices A, B, C, D, E y F. Todo punto dentro o en la frontera del espacio ABCDEF es factible, porque satisface todas las restricciones. Ya que el espacio fac- tible ABCDEF está formado por una cantidad infinita de puntos, es obvio que se necesita un procedimiento sistemático para identificar la solución óptima. Para identificar la solución óptima se requiere identificar la dirección en la que aumenta la función utilidad (recuérdese que se está maximizando a z). Para hacerlo se asignan valores arbitrarios crecientes a z. Por ejemplo, si y equivaldría a graficar las dos rectas y . En consecuencia, la dirección de aumento en z es la que se ve en la figura 2.2. La solu- ción óptima se encuentra en C, que es el punto, en el espacio de soluciones, más allá del cual cualquier aumento en z saca a uno de las fronteras de ABCDEF. 5x1 + 4x2 = 155x1 + 4x2 = 10z = 15 z = 10 z = 5x1 + 4x2 6 * 6 + 4 * 0 = 36 6 * 0 + 4 * 0 = 0 6x1 + 4x2 … 24 2.2 Solución gráfica de la programación lineal 17 Los valores de x1 y x2 correspondientes al punto óptimo C se calculan resolvien- do las ecuaciones asociadas a las rectas (1) y (2), esto es, resolviendo La solución es y y en ese caso . Eso equivale a una mezcla de productos de 3 toneladas de pintura para exteriores y 1.5 toneladas de pintura para interiores. La utilidad diaria correspondiente es $21,000. No es por accidente que la solución óptima se encuentre en un punto de esqui- na del espacio de soluciones, donde se cruzan dos líneas. En realidad, si se cambia la pendiente de la función utilidad z (cambiando sus coeficientes), se verá que la so- lución óptima siempre se encuentra en esos puntos de esquina. Esta observación es clave para desarrollar el algoritmo símplex general que se presenta en el capítulo 3. CONJUNTO DE PROBLEMAS 2.2A 1. Determine el espacio factible para cada una de las siguientes restricciones independientes, cuan- do x1, x2 � 0. a) b) c) d) e) 2. Identifique la dirección de aumento de z, en cada uno de los casos siguientes: a) Maximizar z = x1 – x2 b) Maximizar z = –5x1 – 6x2 c) Maximizar z = –x1 � 2x2 d) Maximizar z = –3x1 � x2 3. Determine el espacio de soluciones y la solución óptima del modelo de Reddy Mikks para cada uno de los siguientes cambios independientes: a) La demanda diaria máxima de pintura para exteriores es de 2.5 toneladas. b) La demanda diaria de pintura para interiores es por lo menos de 2 toneladas. c) La demanda diaria de pintura para interiores es exactamente 1 tonelada más que la de pintura para exteriores. d) La disponibilidad diaria de la materia prima M1 es cuando menos 24 toneladas. e) La disponibilidad diaria de la materia prima M1 es cuando menos 24 toneladas, y la demanda diaria de pintura para interiores es mayor que la de pintura para exteriores en al menos 1 tonelada. 4. Para el modelo original de Reddy Mikks, identifique el o los puntos de esquina que defina(n) la solución óptima para cada una de las siguientes funciones objetivo: a) b) c) ¿En qué difiere la solución de c), de las de a) y b)? z = 6x1 + 4x2 z = x1 + 3x2 z = 3x1 + x2 -x1 + x2 Ú 0 x1 - x2 … 0 2x1 - 3x2 … 12 x1 - 2x2 Ú 5 -3x1 + x2 … 6 z = 5 * 3 + 4 * 1.5 = 21x2 = 1.5x1 = 3 x1 + 2x2 = 6 6x1 + 4x2 = 24 18 Capítulo 2 Introducción a la programación lineal 5. Juan acaba de entrar a la universidad, y se da cuenta que si sólo estudia y no juega, su personali- dad será gris. Desea repartir su tiempo disponible, aproximadamente de 10 horas por día, entre juego y estudio. Estima que el juego es doblemente divertido que el estudio. También desea es- tudiar cuando menos un tiempo igual al que pasa jugando. Sin embargo, se da cuenta que si debe hacer todas sus tareas escolares, no puede jugar más de 4 horas diarias. ¿Cómo debe repartir Juan su tiempo, para maximizar su placer de estudiar y jugar? 2.2.2 Solución de un modelo de minimización Ejemplo 2.2-2 (Problema de la dieta) En Granjas Modelo se usa diariamente un mínimo de 800 libras (lb) de un alimento especial, que es una mezcla de maíz y soya, con las composiciones siguientes: lb por lb de alimento Alimento Proteínas Fibras Costo ($/lb) Maíz 0.09 0.02 0.30 Soya 0.60 0.06 0.90 Las necesidades dietéticas del alimento especial son un mínimo de 30% de proteínas y un máximo de 5% de fibras. Granjas Modelo desea determinar las proporciones de alimento que produzcan un costo diario mínimo. Como la mezcla de alimentos consiste en maíz y soya, las variables de decisión del mo- delo se definen como sigue: x1 = lb de maíz en la mezcla diaria x2 = lb de soya en la mezcla diaria La función objetivo trata de minimizar el costo (en dólares) diario total de la mezcla de alimentos, y en consecuencia se expresa como sigue: minimizar z = 0.3x1 � 0.9x2 Las restricciones del modelo reflejan la cantidad diaria necesaria y los requerimientos dietéticos. Como Granjas Modelo necesita un mínimo de 800 lb diarias de alimento, la res- tricción correspondiente se puede expresar como sigue: x1 � x2 � 800 En cuanto a la restricción dietética de necesidades de proteína, la cantidad de proteína que contienen x1 lb de maíz y x2 lb de soya es (0.09x1 � 0.6x2) lb. Esta cantidad debe ser cuando menos igual al 30% de la mezcla total de alimentos, (x1 � x2) lb; esto es 0.09x1 � 0.6x2 � 0.3(x1 � x2) De manera similar, la restricción de la fibra se define como 0.02x1 � 0.06x2 � 0.05(x1 � x2) Las restricciones se simplifican agrupando todos los términos en x1 y x2 y pasándolos al lado izquierdo de cada desigualdad, para que sólo quede una constante en el lado derecho. Así, el modelo completo viene a ser minimizar z = 0.3x1 � 0.9x2 2.2 Solución gráfica de la programación lineal 19 1500 1000 500 0 500 1000 1500 x1 x2 x1 � 470.6 lbÓptimo: 0.21x 1 � 0.3x 2 � 0 0. 03 x 1 � 0 .0 1x 2 � 0 Minimizar z � 0.3x1 � 0.9x2 x 1 � x 2 � 800 x2 � 329.4 lb z � $437.64 FIGURA 2.3 Solución gráfica del modelo de la dieta sujeta a La figura 2.3 muestra la solución gráfica del modelo. A diferencia del modelo de Reddy Mikks (Ejemplo 2.2-1), la segunda y la tercera restricciones pasan por el origen. Para graficar las rectas correspondientes sólo se necesita un punto adicional, que se puede obtener asignan- do un valor a una de las variables y despejando la otra. Por ejemplo, en la segunda restricción x1 � 200 produce 0.21 � 200 – 0.3x2 � 0, es decir, x2 � 140. Eso quiere decir que la recta 0.21x1 – 0.3x2 � 0 pasa por (0, 0) y (200, 140). También obsérvese que no se puede usar (0, 0) como punto de referencia en las restricciones 2 y 3, porque ambas rectas pasan por el origen. En lugar de ellos se puede usar cualquier otro punto, por ejemplo (100, 0) o (0, 100) para ese propósito. Ya que en este modelo se busca minimizar la función objetivo, necesitamos reducir todo lo posible el valor de z, en la dirección que muestra la figura 2.3. La solución óptima es la in- tersección de las dos rectas, x1 � x2 � 800 y 0.21x1 – 0.3x2 � 0; así se obtienen x1 � 470.6 lb y x2 � 329.4 lb. El costo mínimo correspondiente, de la mezcla de alimentos, es z � 0.3 � 470.6 + 0.9 � 329.4 � $437.64 diarios. x1, x2 Ú 0 0.03x1 - 0.01x2 Ú 0 0.21x1 - 0.30x2 … 0 x1 + x2 Ú 800 20 Capítulo 2 Introducción a la programación lineal CONJUNTO DE PROBLEMAS 2.2B 1. Identifique la dirección de decrecimiento de z en cada uno de los siguientes casos: a) Minimizar z � 4x1 – 2x2 b) Minimizar z � –3x1 � x2 c) Minimizar z � –x1 – 2x2 2. Para el modelo de la dieta, suponga que la disponibilidad diaria del maíz se limita a 450 lb. Iden- tifique el nuevo espacio de soluciones y determine la nueva solución óptima. 3. Para el modelo de la dieta, ¿qué clase de solución óptima produciría el modelo si la mezcla de alimentos no debe exceder de 800 lb por día? ¿Tiene sentido esa solución? 4. Juan debe trabajar cuando menos 20 horas a la semana para complementar sus ingresos, y al mis- mo tiempo asistir a la escuela. Tiene la oportunidad de trabajar en dos tiendas al menudeo: en la tienda 1 puede trabajar entre 5 y 12 horas por semana, y en la tianda 2 le permiten trabajar entre 6 y 10 horas. Ambas tiendas le pagan el mismo sueldo por hora. En consecuencia, Juan quiere basar su decisión acerca de cuántas horas trabajar en cada tienda en un criterio distinto: el factor de ten- sión en el trabajo. Con base en las entrevistas con otros empleados, Juan estima que en una escala de 1 a 10, los factores de tensión son 8 y 6 en las tiendas 1 y 2, respectivamente. Como la tensión aumenta cada hora, supone que la tensión total al final de la semana es proporcional a la cantidad de horas que trabaja en las tiendas. ¿Cuántas horas debería trabajar Juan en cada tienda? 5. OilCo construye una refinería para elaborar cuatro productos: diesel, gasolina, lubricantes y com- bustible para aviones. Las demandas (en barriles/día) de esos productos son 14,000, 30,000, 10,000 y 8000, respectivamente. Irán y Dubai tienen contrato para enviar crudo a OilCo. Debido a las cuo- tas de producción que especifica la OPEP (Organización de Países Exportadores de Petróleo) la nue- va refinería puede recibir al menos el 40% de su crudo de Irán, y el resto de Dubai. OilCo pronostica que estas cuotas de demanda y de crudo permanecerán estables durante los 10 años siguientes. Las distintas especificaciones de los dos crudos determinan dos proporciones distintas de productos: un barril de crudo de Irán rinde 0.2 barril de diesel, 0.25 barril de gasolina, 0.1 barril de lubricante y 0.15 barril de combustible para avión. Los rendimientos correspondientes del crudo de Dubai son: 0.1, 0.6, 0.15 y 0.1, respectivamente. OilCo necesita determinar la capacidad mínima de la refinería, en barriles de crudo por día. 6. Ahorros S.A. desea invertir una suma que genere un rendimiento anual mínimo de $10,000. Dis- pone de dos grupos accionarios: acciones selectas y alta tecnología, con un rendimiento anual promedio de 10 y 25%, respectivamente. Aunque las acciones de alta tecnología dan más rendi- miento, son más arriesgadas, y Ahorros desea limitar la cantidad invertida en ellas a un máximo de 60% del total. ¿Cuál es la cantidad mínima que debe invertir Ahorros en cada grupo de acciones para al- canzar la meta de inversión? 2.2.3 Solución gráfica con TORA El diseño del programa TORA le permite usarlo en modo tutorial o en modo automático (o si lo desea, una combinación de los dos). Se maneja con menús, y en consecuencia no requiere un manual del usuario. Sin embargo, para su comodidad, se presenta una introducción a TORA en el apéndice C. La solución gráfica de problemas de programación lineal con TORA requiere los pasos siguientes: 1. Seleccione (programación lineal) del menú (menú principal). MAIN menu Linear Programming 2.2 Solución gráfica de la programación lineal 21 FIGURA 2.4 Resultado gráfico del modelo de Reddy Mikks obtenido con TORA 2. Especifique el modo de captura (archivo existente o problema nuevo) y el formato de captura. 3. En problemas nuevos, use la tabla de captura para ingresar
Compartir