Librodeinvestigacion Francisco Chediak

1
Francisco Alfonso Chediak Pinzn

Ingeniero Industrial
Investigacin De Operaciones
Volumen I
Segunda Edicin
Introduccin
Formulacin
Mtodo Grfico
Mtodo Algebraico
Mtodo Simplex
Mtodo de las dos fases
El problema Dual y el Mtodo Dual Simplex
Anlisis Post-ptimo y Sensibilidad
Transporte y Transbordo
Asignaciones
Programacin Lineal Entera y Binaria
. Administracin de proyectos PERT, CPM
2
Esta publicacin no se puede reproducir,
en un sistema computarizado ni transmitirse
en cualquier forma o por cualquier medio,
ya sea electrnico, fotocopiado mecnico,
grabacin o cualquier otro, sin la
autorizacin expresa del autor.
Impreso en Colombia Printed in the Colombia
Esta obra se termin de imprimir el 15 de Enero de 2004
ISBN: 958-8028-21-3
Impreso por:
Len Grficas
Calle 14 No. 6-25 Ibagu - Colombia
Tel. (8) 2625018 Fax (8)2616202
Corporacin Universitaria de Ibagu
c
c
Corporacin Universitaria de Ibagu - Coruniversitaria
Apartado 487 Conmutador (8) 2750011 Fax: 2750148
Barrio Ambal, Ibagu, Colombia.
3
Dedicatoria
As dijo Jehov: No se alabe el sabio en su sabidura, ni en
su valenta se alabe el valiente, ni el rico se alabe en sus
riquezas.
Mas albese en esto el que se hubiere de alabar: en enten-
derme y conocerme, que yo soy Jehov, que hago misericor-
dia, juicio y justicia en la tierra; porque estas cosas quiero,
dice Jehov.
Jeremas 9: 23, 24
4
5
Prlogo
Consciente de la importancia asumida en los tiempos modernos de los
Mtodos Cuantitativos como la ciencia del arte de la toma de decisio-
nes, el presente libro est escrito bajo la ptica de hacer fcil el apren-
dizaje y la aplicacin en pregrado de los temas asignados a la ctedra
de Investigacin de Operaciones I y Mtodos Cuantitativos en los Pro-
gramas de Ingeniera Industrial, Ingeniera de Sistemas, Administra-
cin Financiera y Negocios Internacionales de la Corporacin Univer-
sitaria de Ibagu.
Durante el desarrollo de los temas que lo ameritan, se ilustrar el uso
del software WinQsb, INVOP y la herramienta Solver de Excel; Pro-
gramas especializados en la investigacin de operaciones. Es de vital
importancia el aprendizaje, manejo e interpretacin de la informacin
suministrada por el software, en atencin al impulso que la invencin
del computador, trajo al desarrollo de la Investigacin de Operacio-
nes.
Se recomienda al lector enfatizar su atencin a la formulacin de
modelos, labor sta primordial para la aplicacin en la prctica de los
mtodos de solucin, que sin una perfecta modelacin acarrea un es-
truendoso fracaso y prdida de recursos. Juicioso es tener como meta,
estudiar todos los modelos posibles en los diferentes textos, revistas
y trabajos de grado en donde se formulen problemas de investigacin
de operaciones, la experiencia har fluir la inventiva que enfrentar
el reto de formular el nuevo problema de optimizacin que en el desa-
rrollo de nuestra profesin, con certeza nos brindar la oportunidad
de resolverlo y tomar la mejor decisin posible.
El primer captulo trata de manera introductoria los temas de: La toma
de decisiones, La Investigacin de Operaciones, La Ingeniera Indus-
trial y la Investigacin de Operaciones, y una breve resea histrica
de la Investigacin de Operaciones, recomendando al lector efectuar
la lectura del apndice 1 que recopila lecturas de diferentes autores
que tratan los siguientes temas: Historia de la investigacin de Ope-
raciones, Definicin de la Investigacin de Operaciones, Resea del
6
fundador de la programacin Lineal George Dantzing, La naturaleza
del trabajo, condiciones de trabajo, Empleo y perspectivas futuras de
trabajo de un analista de Investigacin de Operaciones, La investiga-
cin de Operaciones en la Prctica, Estadsticas de las tcnicas ms
usadas de Investigacin de Operaciones y una visualizacin general
de los modelos de Investigacin de Operaciones. La lectura de stos
artculos tiene como finalidad, responder la pregunta: para qu sirve
la Investigacin de Operaciones?
El captulo segundo est dedicado a la formulacin de problemas de
programacin lineal, es una coleccin de modelos clsicos, debidamen-
te resueltos y explicados. Tiene como objetivo capacitar al lector para
enfrentarse a nuevos problemas. Al inicio del captulo se define mate-
mticamente su forma general y sus caractersticas, adems se inclu-
yen los artculos sobre Pautas y comentarios para la formulacin de
modelos y Aprendiendo a formular Modelos. Se recomienda al lec-
tor enriquecerse, estudiando la mayor cantidad de modelos posibles
en los textos de la bibliografa.
Atendiendo a la pregunta de cmo solucionar los problemas formula-
dos en el captulo segundo, el captulo tercero ofrece la metodologa
para solucionar problemas de dos menos variables. Se ofrece en este
captulo una coleccin de ejemplos resueltos y explicados, que ilus-
tran todos los casos posibles de solucin que se pueden presentar. Se
recomienda al lector resolver los problemas propuestos al final del
captulo, ello le dar la certeza del aprendizaje logrado y le preparar
para comprender las tcnicas de solucin que se explican en los cap-
tulos posteriores.
El captulo cuarto resuelve la pregunta: cmo solucionar problemas
de ms de dos (2) variables?. Aqu se presenta el mtodo algebraico,
fundamental para la total comprensin del Mtodo Simplex, el Dual
Simplex y el Anlisis Post ptimo.
Mtodo Simplex, que resuelve lo dispendioso de la aplicacin del mto-
do algebraico, se explica en el captulo quinto. Varios de los problemas
formulados en el captulo segundo, son resueltos aqu mediante el M-
todo Simplex. Al final del captulo se ilustra el uso del software Win-
Qsb y la herramienta Solver del Excel.
El Mtodo Algebraico y el Mtodo simplex, segn las caractersticas
del problema, hacen uso de variables artificiales que se acompaan en
7
la funcin objetivo con un coeficiente de valor muy grande y que se
representa con una M, ello hace que los clculos sean dispendiosos;
para evitar usarla se dise el Mtodo de las dos Fases, cuyo objetivo
es eliminar el uso de la gran M durante el proceso de solucin, siendo
ste mtodo el objetivo del captulo sexto.
Los captulo sptimo y octavo presentan la formulacin del problema
Dual, el Mtodo Dual Simplex, el anlisis post ptimo y de sensibilidad,
herramienta fundamental para el tomador de decisiones quien podr
analizar alternativas y generar estrategias, posteriores a la solucin
del problema.
Los captulos noveno y dcimo presentan Mtodos especficos para la
solucin de problemas particulares de programacin lineal como lo son
el problema del transporte, transbordo y asignaciones. Se ilustra en
cada uno de estos captulos el uso del software WinQsb e INVOP.
El captulo dcimo primero presenta Mtodos de solucin para aten-
der aquellos problemas que por su naturaleza, exigen valores enteros
para sus variables variables de carcter binario (0,1). Tambin se
muestra el uso del software WinQsb para atender estos casos.
En el ltimo captulo, el dcimo segundo, se estudia el apacionante tema
del control de proyectos, se consideran las herramientas del diagrama
GANTT, PERT y CPM, muy usados en nuestro medio y con los cuales el
lector queda capacitado para usar stas herramientas en propuestas
comerciales tales como las licitaciones.
Para terminar esta presentacin, motivo a los lectores al uso de las
tcnicas que ofrecen los Mtodos Cuantitativos para la toma de deci-
siones en su vida profesional, el hacerlo beneficiar grandemente a la
sociedad, tal como ha ocurrido en otros pueblos que lo han hecho.
8
9
Contenido
Pgina
CAPTULO 1: Introduccin
La toma de decisiones 15
La Investigacin de Operaciones 16
La Ingeniera Industrial y la Investigacin de Operaciones 16
Resea histrica de la Investigacin de Operaciones 17
CAPTULO 2: Formulacin
Objetivo 21
Programacin Lineal Problema General 21
Caractersticas de la Programacin Lineal 22
Pautas y comentarios para la formulacin de modelos 23
Aprendiendo a formular modelos 24
Problema de produccin 24
. El problema de las joyas 27
. El problema de las bodegas 29
Optimizacin del corte de madera 31
Corridas de produccin 33
El problema de los paquetes de tuercas 34
Problema clsico de transporte 35
El problema del transbordo 37
El problema de localizacin de planta 39
El problema de asignaciones 41
Problema de la mezcla 43
El problema del financiero 45
El problema de distribucin de buses 47
Problema de inventarios 49
10
El problema de los manteles 50
Sistema operativo de produccin 51
. Problemas propuestos 53
CAPTULO 3: Mtodo grfico
Introduccin y Conjunto convexo 59
Problema de nica solucin 60
Problema de mltiples soluciones 64
Problema de solucin indeterminada 65
Problema sin solucin 66
Problema de programacin Lineal 66
Un caso de produccin 68
Un caso de produccin 71
Regla de equivalencia y constante en la funcin objetivo 73
Un caso especial del Mtodo Grfico 76
Ejercicios propuestos 77
CAPTULO 4: Mtodo Algebraico
Introduccin 81
Ejemplo 1 82
Algoritmo del Mtodo Algebraico 82
Ejemplo 2 89
Notas Importantes 94
Ejemplo 3 95
CAPTULO 5: Mtodo Simplex
Introduccin 101
Ejemplo 1 : Solucin nica 102
Ejemplo 2 : Gran M 105
Ejemplo 3 : Mltiples soluciones 106
Ejemplo 4 : Variables irrestrictas 108
Ejemplo 5 : Nmero de variables v.s. Nmero de iteraciones 110
Ejemplo 6: Solucin al problema de los paquetes con tuercas 111
Conclusin 113
WinQsb : Generalidades 113
WinQsb : Mdulo de Programacin Lineal 114
Problemas propuestos 115
11
CAPTULO 6: Mtodo de las dos fases
Introduccin 121
Fase I, Ejemplo 121
Fase II, Ejemplo 122
CAPTULO 7: El problema Dual y el Mtodo Dual Simplex
Introduccin 125
Formulacin del problema Dual 126
El Mtodo Dual Simplex 127
Algoritmo para maximizar en el Mtodo Dual Simplex 128
CAPTULO 8: Anlisis Post-ptimo y Sensibilidad
Introduccin 135
Cambio en C
j
cuando X
j
* es no bsica 137
Anlisis de sensibilidad 138
Cambio en C
j
cuando X
j
* es bsica 139
Cambio en b
i
141
Cambio en a
ij
cuando X
j
* es no bsica 144
Cambio en a
ij
cuando X
j
* es bsica 146
Adicin de una restriccin 148
Adicin de una variable 150
El WinQsb y el Anlisis de Sensibilidad 152
CAPTULO 9 : Transporte y Transbordo
Introduccin 163
Modelo general del problema del transporte 164
Metodologa General 165
Ejemplo 166
12
Solucin Bsica Factible 167
Mtodo de la esquina noroeste 168
Mtodo del costo mnimo 170
Mtodo de Vogel 171
Mtodo Algebraico 173
Mtodo heurstico 174
Mtodo Modificado de Distribucin (Modi) 175
Problema de transporte con costos de produccin 180
El Problema del Transbordo 183
Sistema Operativo de Produccin 185
Software WinQsb para transporte 188
Software INVOP para transporte 190
CAPTULO 10: Asignaciones
Introduccin y caractersticas del modelo 199
Algoritmo para minimizar 200
Algoritmo para maximizar 201
Ejemplo 1 201
Ejemplo 2 204
Software WinQsb 205
Software INVOP 207
CAPTULO 11: Programacin Lineal Entera y Binaria
Introduccin y Mtodo grfico 215
Mtodo de los planos cortantes de Gomory 216
Mtodo de Bifurcacin y Acotacin (Branch And Bound) 219
Mtodo aditivo de Egon Balas Para problemas binarios 220
Ejemplo 1 221
Ejemplo 2 223
Software WinQsb para programacin lineal entera y binaria 226
13
CAPTULO 12: Administracin de proyectos PERT, CPM
Introducci 231
PERT determinstico 232
Diagrama Gantt 234
PERT probabilstico 239
CPM 243
Ejemplo 1 245
Ejemplo 2 249
Apndice 1 253
Historia de la Investigacin de Operaciones, Algunas defini-
ciones de Investigacin de Operaciones, George Dantzing: Fun-
dador de la Programacin Lineal, The College Mathematical
Journal: Entrevista a George Bernard Dantzing, Analista de
Investigacin de Operaciones: Naturaleza del trabajo, condi-
ciones de trabajo, empleo y perspectivas futuras de trabajo.
La Investigacin de Operaciones en la prctica, Mtodos que
se usan con mayor frecuencia, Implicaciones para el uso de la
ciencia de la administracin, Modelos de Investigacin de Ope-
raciones.
Apndice 2 275
Complemento indispensable para el captulo 12 es la tabla de
distribucin normal acumulada, Aqu aparece la formula para
estandarizar en trminos estadsticos y en trminos propios
para el mtodo PERT probabilstico, tambin aparece la fun-
cin de densidad de la distribucin de probabilidad normal y
por supuesto la tabulacin de los valores acumulados de dicha
distribucin.
14
15
Captulo 1
Introduccin
La Toma de Decisiones
La Investigacin de Operaciones
La Ingeniera Industrial y la Investigacin de
Operaciones
Resea histrica de la Investigacin de Operaciones
La toma de decisiones
La toma de decisiones estratgicas para la vida de una empresa, es la
principal responsabilidad indelegable de un gerente. El inicio de la toma
de una decisin, generalmente empieza cuando se detecta un proble-
ma. Conocido el problema, el gerente debe proceder a definirlo de
manera clara y formular el objetivo, seguidamente identifica las res-
tricciones, evala las alternativas y seguramente el mejor curso de
accin que lo llevar al la solucin ptima. Este proceso lo realiza de
manera cualitativa o cuantitativa. Si lo hace bajo el enfoque cualitati-
vo, el gerente est confiando en su juicio personal o en su experiencia
pasada en situaciones similares. Si lo hace bajo el enfoque cuantitati-
vo, no necesariamente debe tener experiencia en casos similares, pero
si debe hacer un anlisis exhaustivo, especialmente si la decisin
involucra una gran cantidad de dinero, un conjunto de variables muy
grande se trata de un problema altamente repetitivo, en cuyo caso,
el desarrollo de un procedimiento cuantitativo ahorrar tiempo valio-
so al gerente.
La habilidad para resolver problemas mediante el anlisis cuantitati-
vo, es propio de cada gerente, pero puede adquirirse aumentarse con
la experiencia; Esta habilidad puede adquirirse mediante el estudio de
las herramientas matemticas que ofrece la investigacin de opera-
ciones, ellas le permitirn maximizar la efectividad en la toma de deci-
16
siones, pudiendo comparar y combinar informacin cualitativa y cuan-
titativa.
La Investigacin de Operaciones (I.O.)
Ofrece a los gerentes herramientas cuantitativas para la toma de de-
cisiones que resuelven los problemas diarios de un negocio sirven
para tomar decisiones en la planeacin a corto o largo plazo, sea el
negocio de carcter gubernamental, de produccin, de servicios, gre-
mial cooperativo.
En el uso de la investigacin de operaciones se aplican los siguientes
seis pasos metodolgicos cientficos a saber:
1. Anlisis y definicin del problema.
2. Desarrollo del modelo.
3. Seleccin de datos de entrada.
4. Obtencin de una solucin.
5. Limitaciones del modelo y la solucin.
6. Utilizacin del modelo.
La Ingeniera Industrial y la Investigacin de Operaciones
La humanidad ha logrado muchos de sus progresos en los siglos ms
recientes, como consecuencia de la aplicacin del mtodo cientfico a
la administracin (Planeacin, Organizacin y Control de Operacio-
nes).
La Ingeniera Industrial naci cuando el hombre aplic el mtodo cient-
fico a los problemas administrativos. Ejemplo antiguo sobre organiza-
cin, el que se narra en La Biblia en el libro de xodo, cuando Moiss,
atendiendo el concejo de su suegro Jetro procede a nombrar los jue-
ces que resolvern los problemas del pueblo de Israel. Otro ejemplo
antiguo lo constituye la reparacin de los antiguos barcos en Venecia,
mediante una lnea de ensamble sobre la que trabajadores expertos
efectuaban trabajos especializados. Para 1832, Charles Babbage es-
cribi sobre la economa de la maquinaria y los fabricantes, demos-
trando conocimientos en Ingeniera Industrial. Para finales del siglo
XIX Frederick W. Taylor, convirti la Ingeniera Industrial en una
profesin, merecindole el ttulo de padre la de administracin cient-
fica, mediante su trabajo que maximiz el rendimiento de los mineros,
determinando que la nica variable realmente significativa era el peso
combinado de la pala y su carga, diseando diferentes palas para di-
Introduccin
17
ferentes tipos de materiales. Otro hombre importante en los princi-
pios de la administracin cientfica fu Henry L. Gantt quien trabaj
en resolver el problema de la planeacin de la produccin. Mientras
que Taylor se enfocaba en resolver un problema nico, Gantt adopt
un punto de vista ms amplio al observar los diferentes pasos en una
operacin completa. ste cambio de inters alejndose de lo particu-
lar de la administracin hacia aspectos ms amplios fu en realidad
una transferencia de nfasis de la Ingeniera Industrial a la Investi-
gacin de Operaciones con un enfoque multidisciplinario a problemas
complejos, reconocindose la necesidad de tener especialistas, reuni-
dos para trabajar en equipos de investigacin con sistemas completos
en vez de partes del sistema.
Resea histrica de la Investigacin de Operaciones
Arqumedes en el ao 212 antes de Jesucristo, cuando tena 75 aos,
fu contratado por la ciudad de Siracusa para idear un mtodo de
romper el sitio naval a la ciudad, que estaba bajo el ataque de los ro-
manos.
El concepto de Investigacin de Operaciones naci durante la primera
guerra mundial en Inglaterra entre los aos 1914 1915, cuando F. W.
Lanchester intent tratar cuantitativamente las operaciones milita-
res, obteniendo ecuaciones que relacionaban el resultado de una ba-
talla en funcin de la fuerza numrica relativa de los combatientes y
de su capacidad relativa de fuego. Lanchester model una situacin
que involucraba opciones estratgicas, y despus prob ese modelo
contra la situacin real. ste procedimiento es el que los Investigado-
res de Operaciones han venido practicando desde entonces.
Toms Alva Edison en los Estados Unidos de Amrica, estudi el pro-
ceso de la guerra antisubmarina. Efectu un anlisis estadstico para
desarrollar maniobras mediante las cuales los barcos pudieran evadir
y destruir a los submarinos.
En 1917, el matemtico Dans A. K. Erlang, que trabajaba en la compa-
a telefnica de Copenhage, public el trabajo Soluciones a algunos
problemas en la teora de probabilidades importantes en las cen-
trales telefnicas automticas , contena frmulas de tiempo de es-
pera que ms tardes fueron empleadas por la Oficina Postal Britnica
para calcular el nmero de circuitos necesarios.
Introduccin
18
En 1915 Ford W. Harris describi el primer modelo sobre el tamao de
lote econmico de inventario, posteriormente contribuyeron al desa-
rrollo de modelos de control de inventarios H. S. Owen (1925), Benja-
mn Cooper (1926), R.H. Wilson (1926) y W. A. Mueller (1927). Las tc-
nicas matemticas del control de inventarios son de las ms antiguas
herramientas de la Investigacin de Operaciones.
El desarrollo de la Programacin Lineal ocurri hacia 1760 cuando los
economistas empezaron a describir sistemas econmicos en trminos
matemticos. El profesor de Harvard Wassily Leontieff desarroll un
modelo de programacin Lineal que representaba la totalidad de la
economa de los Estados Unidos de Norte Amrica.
Como consecuencia del ingreso de Inglaterra a la segunda guerra mun-
dial dos aos antes que Estados Unidos, en 1939 exista un ncleo de
una organizacin Britnica de Investigacin de Operaciones y sus prin-
cipales aportes fueron: El mejoramiento del sistema de radar, el cao-
neo antiareo, en la guerra antisubmarina, en la defensa de la pobla-
cin civil, en el diseo del tamao de los convoy y en la conduccin de
ataques de bombardeo sobre Alemania.
El grupo de Investigacin de Operaciones con mayor publicidad fu el
denominado El circo de blackett dirigido por el profesor P.M.S.
Blackett de la Universidad de Manchester, ministro de la Royal
Society, laureado nobel y ex-oficial naval. El grupo estaba conforma-
do por 3 Fisioligistas, 2 Fsicos matemticos, 1 Astrofsico, 1 Oficial
del ejrcito, 1 Topgrafo, 1 Fsico general y 2 Matemticos. El valor
del enfoque del equipo Heterogneo fu de xito notorio.
Al ingresar los Estados Unidos a la segunda guerra mundial, cre gru-
pos de anlisis de operaciones en la fuerza area y en la armada, sta
ltima cre grupos de Investigacin de Operaciones en el Laboratorio
de municiones naval y en la dcima flota.
Despus de la segunda guerra mundial, tanto el ejrcito como la fuer-
za area de los Estados Unidos de Norte Amrica, continuaron con los
grupos de Investigacin de Operaciones pero las tcnicas desarrolla-
das empezaron a ser usadas en la planeacin de los negocios. La indus-
tria deba renovar su produccin y organizacin para servir rpida-
mente a las necesidades en tiempos de paz. En 1950 se organiz la
Operations Research Society of Amrica (ORSA) y The Institute of
Management Science (TIMS). Desde 1952 ORSA publica la revista
Operations Research y desde 1953 TIMS publica su revista
Management Science. Desde la dcada de los 70 (s) las dos socieda-
Introduccin
19
des publican la revista trimestral Interfases con trabajos y artculos
relacionados con los problemas operacionales del uso de la ciencia ad-
ministrativa y la investigacin de Operaciones. En Inglaterra se form
en 1948 el Operational Research Club quien cambi su nombre poste-
riormente a la Operational Research Society of the United Kingdom y
para 1950 crearon la revista Operational Research Quarterly. Ms
recientemente se han formado sociedades de Investigacin de Ope-
raciones en Francia, Italia, Israel y Austria.
En Colombia, existe desde el ao 2000 la Sociedad Colombiana de In-
vestigacin de Operaciones Socio, cuya sede se encuentra actual-
mente en las instalaciones de la Universidad de la Sabana, en el edifi-
cio A, oficina 9, telfono (+57 1) 861 5555 extencin 2518 y su pgina
web es: www.socio.org.co
Se recomienda al lector leer la totalidad del apndice 1, en donde se
coleccionan varias lecturas interesantes sobre el tema.
Introduccin
20
21
Captulo 2
Formulacin
Max Min Z = C X
C.S.R.
A X < B
X
J
> 0 ; j = 1, 2, ..., n
Objetivo
El presente captulo es una recopilacin de problemas representativos
de programacin lineal, en donde se muestra al lector la solucin a
diferentes modelos, buscando desarrollar la capacidad inventiva para
formular problemas de optimizacin de recursos.
Programacin Lineal - Problema General
La Programacin Lineal resuelve un tipo muy especial de problema, uno
en el cual todas las relaciones entre las variables son lineales, tanto en
las restricciones como en la Funcin Objetivo.
Definicin: Dado un conjunto de m desigualdades lineales ecuaciones
lineales, con n variables, se requiere hallar valores no negativos de s-
tas variables que satisfagan las restricciones y maximicen minimicen
alguna funcin lineal de las variables llamada Funcin Objetivo.
Matemticamente:
Hallar X
J
, J = 1, 2, . . . . . n Para:
Maximizar Minimizar Z = C
1
X
1
+ C
2
X
2
+
. . . . . .
+ C
n
X
n
con las siguientes restricciones:
22
a
11
X
1
+ . . . . . +

a
1j
X
j
+ . . . . . + a
1n
X
n
< > b
1
a
i1
X
1
+ . . . . . +

a
ij
X
j
+ . . . . . + a
in
X
n
< > b
i
a
m1
X
1
+ . . . . . +

a
mj
X
j
+ . . . . . + a
mn
X
n
< > b
m
X
j
> 0 ; j = 1, 2, . . . . . . n
Caractersticas de la Programacin Lineal
1. Linealidad asume que no pueden haber trminos as:
X
1
X
2
a
14
X
3
2
Log X
4
2. Asume las propiedades aditivas y multiplicativas.
Si una unidad tipo 1 necesita 2 horas en la Mquina A y una unidad
tipo 2 necesita 2 horas, entonces ambas necesitan 4 horas.
Si una unidad tipo 3 necesita 1 hora en la mquina B, entonces 10
unidades necesitan 10 horas.
3. La funcin que se va a optimizar (maximizar minimizar) se llama
funcin objetiva, fjese que no aparece ningn trmino indepen-
diente constante. Los valores de las X
j
son independientes de
cualquier constante.
4. Cuando se dice que hay m restricciones, no estn incluidas las con-
diciones X
j
> 0 (condicin de no negatividad).
5. a) Cualquier conjunto de X
j
que satisface las m restricciones se
llama una solucin al problema.
b) Si la solucin satisface la condicin de no negatividad X
j
> 0 , se
llama una solucin factible
c) Una solucin factible que optimiza la funcin objetiva se llama
una solucin factible ptima
Usualmente hay un nmero infinito de soluciones factibles al proble-
ma, de todas estas, tiene que hallarse una ptima
Formulacin
23
Pautas y comentarios para la formulacin de modelos
En la conversin de modelos verbales a modelos formales, ser muy
til describir primero con palabras un modelo que corresponda al pro-
blema dado. Es decir, se puede proceder de la siguiente forma:
1. Exprese cada restriccin en palabras; al hacer esto, ponga cuida-
dosa atencin en si la restriccin es un requerimiento de la forma >
(mayor igual que, al menos, por lo menos, como mnimo), una limi-
tacin de la forma < (menor igual que, no mayor que, como mxi-
mo), = (igual a, exactamente igual a).
2. Despus expresar el objetivo en palabras.
3. Identificar verbalmente las variables de decisin: Con frecuencia,
una cuidadosa lectura del contenido del problema le revelar que
las variables de decisin y el objetivo se le dan en la forma exacta
que necesita. Es imperativo e importante que estn definidas en
forma correcta sus variables de decisin. En ocasiones encontrar
que hay varias elecciones posibles. Una gua til es hacerse a si
mismo la pregunta: Qu decisin debe tomarse para optimizar la
funcin objetivo ? . La respuesta a esta pregunta le ayudar a
llegar a identificar correctamente las variables de decisin.
4. Expresar la funcin objetivo mediante smbolos, es decir en trmi-
nos de las variables de decisin.
5. Expresar las restricciones mediante smbolos, es decir, en trmi-
nos de las variables de decisin.
En esta etapa es necesario e imperativo comprobar si las unidades
son consistentes. Por ejemplo, si los coeficientes de una funcin
objetivo estn dados por pesos por libra, las variables de decisin
que aparezcan en la funcin objetivo deben resultar en libras, no
en toneladas ni onzas. De manera anloga, compruebe que para cada
restriccin las unidades del lado derecho son las mismas que las
del lado izquierdo. Por ejemplo, si una de las restricciones es una
limitante de la forma < de horas de trabajo, el lado derecho debe
ser de horas de trabajo. Dicho de otra forma ms simple, no puede
tener unidades de horas en el lado izquierdo de la restriccin y en
el otro lado minutos segundos libras toneladas.
Es conveniente comentar que las restricciones en programacin li-
Formulacin
24
neal no pueden tener una desigualdad estricta, con los signos < >
. La razn de esto es de naturaleza matemtica para que asegure
que un problema bien formulado tenga solucin ya que cualquier
situacin del mundo real que uno pueda imaginar y que implique des-
igualdades de restriccin es casi seguro que la representacin con
los signos < o > captar por completo el significado del mundo real.
Aprendiendo a Formular Modelos
Este capitulo contiene ejemplos de formulacin que le servirn para
cimentar su habilidad al traducir problemas del mundo real a modelos
matemticos. Esta transicin, o modo en que se ha de elaborar el mo-
delo, la forma en que se definir las variables y se formularn las res-
tricciones y la funcin objetivo es de primordial importancia.
Intente resolver los siguientes problemas por si mismo. Formlelos con
la rapidez que le sea posible y no lea en un problema ms de lo que
se le da. Por ejemplo, no introduzca restricciones adicionales o mati-
ces lgicos o datos imaginarios que en su opinin podran hacer ms
realista el modelo. Por ejemplo, no se preocupe por lo que ocurra la
semana siguiente si el problema nunca se refiere a la semana siguien-
te. Los problemas que se muestran han sido escogidos para facilitarle
el desarrollo del aprendizaje de la formulacin. Para lograr esto y que
pueda comprobar su trabajo y calibrar su progreso dentro del con-
texto descrito, la formulacin correcta, debe carecer por completo
de ambigedad. En otras palabras, que haya una respuesta correcta.
Ms tarde, cuando tenga experiencia, la amplitud de las dudas en la
interpretacin y las sutilezas del mundo real sern mayores. Debido a
que el tema de la formulacin es tan importante y como la prctica es
el nico camino para dominarlo, se recomienda hacer un nmero de
problemas grande. Como ltimo consejo: No lea simplemente el proble-
ma y despus vaya de inmediato a la solucin. Esa sera la mejor forma
de engaarse a si mismo sobre lo que ha comprendido. No lea la solu-
cin hasta que est seguro de haber solucionado en forma correcta el
problema por si mismo o est totalmente convencido que se encuentra
en un callejn sin salida.
1. Problema de produccin
Un taller tiene tres (3) tipos de mquinas A, B y C; puede fabricar dos
(2) productos 1 y 2, todos los productos tienen que ir a cada mquina
y cada uno va en el mismo orden: Primero a la mquina A, luego a la B y
Formulacin
25
luego a la C. La tabla siguiente muestra:
1. Las horas requeridas en cada mquina, por unidad de producto
2. Las horas totales disponibles para cada mquina, por semana
3. La ganancia por unidad vendida de cada producto
Que cantidad de cada producto (1 y 2) se debe manufacturar cada
semana, para obtener la mxima ganancia ?
Cuantas horas semanales sobran en cada departamento ?
Formulacin
1. Definicin de las variables:
X
j
= Unidades semanales a producir del articulo j-simo ( j=1 y 2)
2. Funcin objetivo:
Maximizar Z = X
1
+ 3/2 X
2
Con las siguientes restricciones (c.s.r.):
3. Restricciones:
2X
1
+ 2X
2
< 16 Restriccin debida a las horas disponibles por sema-
na de la MQ A
X
1
+ 2X
2
na de la MQ B
4X
1
+ 2X
2
na de la MQ C
4. Condicin de no negatividad:
X
j
> 0 ; j = 1 y 2
5. Solucin Mediante el mtodo grfico:
Preparamos analticamente las restricciones para graficarlas
Formulacin
Tipo de Mquina Producto 1 Producto 2
Horas disponibles
por semana
1 1,50 Ganancia por unidad
A 2 2 16
B 1 2 12
C 4 2 28
26
2X
1
+ 2X
2
< 16 X
1
+ 2X
2
< 12 4X
1
+ 2X
2
< 28 Z = X
1
+ 3/2 X
2
2X
1
+ 2X
2
= 16 X
1
+ 2X
2
= 12 4X
1
+ 2X
2
= 28 Z = X
1
+ 3/2 X
2
= 3
X
1
= 0 X
2
= 0 X
1

= 0 X
2
= 0 X
1

= 0 X
2
= 0 X
1

= 0 X
2
= 0
X
2
= 8 X
1
= 8 X
2
= 6 X
1
= 12 X
2
=14 X
1
= 7 X
2
= 2 X
1
= 3
P(0,0) => 0 < 16 P(0,0) => 0 < 12 P(0,0) => 0 < 28
Verdad Verdad Verdad
Fjese que la funcin objetivo X
1
+ 3/2 X
2
= Z es la ecuacin de una
familia de rectas paralelas (curvas de nivel), las que se generan cada
vez que cambiemos el valor de Z, aqu hemos dado el valor arbitrario a
Z de 3. Como observar en la grfica siguiente, la recta que represen-
ta a sta funcin objetivo, la desplazaremos a izquierda o derecha
para encontrar el ltimo punto que intercepta a la derecha del rea de
soluciones factibles, para encontrar la solucin factible ptima.
X
1
+ 3/2 X
2
= 3 X
1
+ 3/2 X
2
= 9
X
1
= 0 X
2
= 0 X
1
= 0 X
2
= 0
X
2
= 2 X
1
= 3 X
2
= 6 X
1
= 9
Formulacin
Observando la grfica se deduce que convie-
ne tomar la funcin objetivo que ms se en-
cuentre desplazada a la derecha, pero que to-
que el rea de soluciones factibles.
27
Tiempo sobrante de cada mquina:
Mquina A
2X
1
*+2X
2
* < 16
2(4) +2(4) < 16
16 < 16
Se usan todas las horas
semanales disponibles.
Mquina B
X
1
*+2X
2
* < 12
(4) +2(4) < 12
12 < 12
Se usan todas las horas
semanales disponibles.
Mquina C
4X
1
*+2X
2
* < 28
4(4) +2(4) < 28
24 < 28
A la Mquina C le sobran
4 horas Semanales.
Formulacin
2. El problema de las joyas
Una joyera produce dos tipos de joyas: La tipo 1 y la tipo 2. Cada joya
tipo 1 contiene 2 rubies y 4 diamantes y se vende a $10/Unidad y tiene
un costo de produccin de $5/Unidad. Cada joya tipo 2 contiene 1
rub y 1 diamante, se vende a $6/Unidad y tiene un costo de produc-
cin de $4/Unidad. La joyera dispone de 30 rubes y 40 diamantes
para producir las joyas. Por la situacin del mercado, se deben produ-
cir al menos 10 joyas del tipo 2.
a) Formule el problema de programacin lineal para maximizar
la utilidad neta de la joyera (ventas - costos).
b) En un plano carteciano, grafique las restricciones y sombree
el rea de soluciones factibles.
c) Grafique la funcin objetivo y determine en que direccin (izquier-
da derecha) se debe desplazar para que su valor aumente
(maximice).
d) Cuntas joyas de cada tipo se deben producir, para maximizar la
utilidad neta?.
e) Cul es la mxima utilidad neta?
f) Cuntos rubes y diamantes sobran?
X
j
= Nmero de joyas a fabricar y vender, del tipo j-simo (j=1=Joya
tipo 1, j=2=Joya tipo 2)
Maximice Z=(10-5)X
1
+(6-4)X
2
= 5X
1
+2X
2
C.S.R.
2X
1
+ X
2
< 30 Restriccin debida a la cantidad de rubes disponibles.
4X
1
+ X
2
< 40 Restriccin debida a la cantidad de diamantes disponibles.
X
2
> 10 Restriccin debida a las condiciones del mercado.
28
X
j
> 0 , j = 1 y 2 Condicin de no negatividad.
2X
1
+ X
2
< 30
2X
1
+ X
2
= 30
X
1
= 0 X
2
= 0
X
2
=30 X
1
=15
P(0,0)=>0<30
Verdad
4X
1
+ X
2
< 40
4X
1
+ X
2
= 40
X
1
= 0 X
2
= 0
X
2
=40 X
1
=10
P(0,0)=>0<40
Verdad
X
2
> 10
X
2
= 10
P(0,0)=>0>10
Falso
5X
1
+ 2X
2
= 100
X
1
= 0 X
2
= 0
X
2
=50 X
1
=20
Z* = 5X
1
* + 2X
2
* = 5(5) + 2(20) = 65 ; Adems:
2X
1
+ X
2
= 30
4X
1
+ X
2
= 40
Formulacin
29
2X
1
* + X
2
* < 30
2(5) + (20) < 30
30 < 30
No sobran rubies
4X
1
* + X
2
* < 40
4(5) + (20) < 40
40 < 40
No sobran diamantes
X
2
* > 10
20 > 10
Se producen 10
joyas tipo 2 de ms.
3. El problema de las bodegas
Un barco de carga tiene tres bodegas: Proa, Popa y centro cuya capa-
cidad mxima de peso a transportar en cada una de ellas es: 2.000,
1.500, y 3.000 toneladas respectivamente; Cada bodega tiene un volu-
men de: 100.000, 300.000 y 135.000 pies cbicos respectivamente. Se
ofrecen tres tipos de carga denominadas A, B y C en las siguientes
cantidades: 6.000, 4.000 y 2.000 toneladas respectivamente; si cada
tonelada de los productos A, B y C ocupa 60, 50 y 25 pies cbicos y el
capitn del barco tiene como poltica de seguridad, cargar el mismo
porcentaje de toneladas en cada bodega, de tal forma que maximice
las utilidades de la carga, sabiendo que por cada tonelada de los pro-
ductos A, B y C obtiene una utilidad de $6, $8 y $5 respectivamente.
Solucin
Proa Popa Centro
X
1A
X
1B
X
1C
X
2A
X
2B
X
2C
X
3A
X
3B
X
3C
2.000 Tn. 1.500 Tn. 3.000 Tn.
300.000 pies
3
135.000 pies
3
6.000 Tn.
4.000 Tn.
2.000 Tn.
60 pies
3
/Ton.
50 pies
3
/Ton.
25 pies
3
/Ton.
100.000 pies
3
$6/Tn.
$8/Tn.
$5/Tn.
X
ij
= Toneladas a transportar en la bodega i-sima (i=1=Proa,
i=2=Ppopa, i=3=Centro) con el producto j-simo (j=A=Producto A,B=
Producto B, C=Producto C)
Max Z = 6(X
1A
+X
2A
+X
3A
) + 8(X
1B
+X
2B
+X
3B
) + 5(X
1C
+X
2C
+X
3C
)
Con las siguientes restricciones:
Formulacin
30
X
1A
+ X
1B
+ X
1C
< 2.000
X
2A
+ X
2B
+ X
2C
< 1.500
X
3A
+ X
3B
+ X
3C
< 3.000
Restricciones debidas a la capa-
cidad en toneladas de las bode-
gas 1,2 y 3, respectivamente.
60X
1A
+ 50X
1B
+ 25X
1C
< 100.000
60X
2A
+ 50X
2B
+ 25X
2C
< 300.000
60X
3A
+ 50X
3B
+ 25X
3C
< 135.000
X
1A
+ X
2A
+ X
3A
< 6.000
X
1B
+ X
2B
+ X
3B
< 4.000
X
1C
+ X
2C
+ X
3C
< 2.000
(X
1A
+ X
1B
+ X
1C
)/2.000 = (X
2A
+ X
2B
+ X
2C
)/1.500 = (X
3A
+ X
3B
+ X
3C
)/3.000
Empleando el WinQsb, se obtiene la siguiente solucin ptima:
La anterior restriccin, con base en que dos cosas iguales a una terce-
ra son iguales entre s, se remplaza con las siguientes dos igualdades,
debidamente simplificadas.
3X
1A
+ 3X
1B
+ 3X
1C
- 4X
2A
- 4X
2B
- 4X
2C
= 0
3X
1A
+ 3X
1B
+ 3X
1C
- 2X
3A
- 2X
3B
- 2X
3C
= 0
X
ij
> 0 ; i = 1,2,3 ; j = A,B,C
X
1A
= 285,7143 Ton.
X
1B
= 1.600 Ton.
X
1C
= 114,2875 Ton.
X
3A
= 0 Ton.
X
3B
= 2.400 Ton.
X
3C
= 600 Ton.
X
2A
= 1.500 Ton.
X
2B
= 0 Ton.
X
2C
= 0 Ton.
Z* = $46.285,71
Restricciones debidas a la capa-
cidad en volumen de las bodegas
1,2 y 3, respectivamente.
Restricciones debidas a la ofer-
ta en toneladas de cada tipo de
carga A, B, C respectivamente.
Restriccines debidas a la polti-
ca de seguridad, de cargar el
mismo porcentaje de toneladas
en cada bodega.
Formulacin
31
4. Optimizacin del corte de madera
En una marquetera se fabrican cuadros, cuyos marcos se obtienen de
cortar varillas para perfil moldura, cuya longitud original es de 300
cms. El Departamento de ventas tiene pedido para el siguiente mes
175 cuadros de 119 x 90 cm. El Jefe de produccin ordena que se
corten 350 molduras de 119 cms. Y 350 molduras de 90 cms. (Cada
cuadro lleva 2 molduras de cada dimensin).
Con sta manera de cortar la madera, la Fbrica necesita el capital
para comprar 292 varillas para molduras de 300 cms. cada una y gene-
ra 14.450 cms. De desperdicio.
Formule un problema de programacin lineal que minimice el desperdi-
cio, la compra de materia prima y optimice la productividad.
Mtodo de corte actual y su valoracin:
Total de varillas de 300 cms a comprar: 175 + 117 = 292 varillas
Total de centmetros de desperdicio: 10.850+3.600=14.450 cms.
Varillas que se compran para obtener las molduras de 119 cms.:
Varillas que se compran para obtener las molduras de 90 cms.:
Formulacin
Materia Prima: Varilla de madera
para moldura de 300 cm de larga.
300 cms.
Nmero de molduras para
175 cuadros: 175 x 2 = 350
119 cms. 90 cms.
(175 x 2) / 2 = 175 varillas
Desperdicio: 175 x 62 = 10.850 cms.
cms.
119
cms.
119
cms.
62
(175 x 2) / 3 = varillas
Desperdicio: 117 x 30 + 90 = 3.600 cms.
cms.
90
cms.
90
cms.
90
cms.
30
32
Formulacin
X
j
= Nmero de varillas a cortar de la forma j-sima (j = 1, 2 y 3)
Formas posibles de cortar la varilla
cms
119
cms
119
cms
62
cms
119
cms
90
cms
90
cms
1
Forma Variable
1
2
3
X
1
X
2
X
3
cms
90
cms
90
cms
90
cms
30
Minimizar Z = 62X
1
+ X
2
+ 30X
3
Minimizar el desperdicio
C.S.R. 2X
1
+ X
2
= 350 Restricciones debidas a la necesidad
2X
2
+ 3X
3
= 350 De Boceles de cada tamao
X
J
> 0 ; J = 1, 2 y 3 Enteros Restriccin de no negatividad
Resolviendo por el mtodo de Branch and Bound el mtodo de los
planos cortantes de Gomory usando el software WINQSB, se ob-
tiene la siguiente solucin:
X
1
*
= 89 Cortar 89 veces de la manera 1
X
2
*
X
3
*
Z
*
= 5.750 centmetros de desperdicio mnimo.
Nmero de varillas a comprar: 89 + 172 + 2 = 263 varillas de 300 cms
de largo cada una.
Cuadro comparativo de los ahorros:
Conceptos Materia prima Desperdicio (cms.)
Antes 292 14.450
Despus 263 5.750
Diferencia 29 8.700
% disminuido 9,93 % 60,20 %
Formulacin
33
5. Corridas de produccin
Una empresa produce un artculo cuya unidad est compuesta por 4
unidades de componente A y 3 unidades de componente B que se pro-
ducen por corrida de produccin a partir de las materias primas 1 y 2
y en tres diferentes departamentos. La produccin por corrida de pro-
duccin se muestra en la siguiente tabla:
Elabore un plan de produccin para maximizar la cantidad de artculo
a producir.
Materia Prima
1
Materia Prima
2
Componente
A
Componente
B
Departamento 1
Departamento 2
Departamento 3
Disponibilidad
8
5
3
100
6
9
8
200
7
6
8
5
9
4
Formulacin:
X
J
= Nmero de corridas de produccin en el departamento j-simo (j = 1,2 y 3)
Nmero de componentes A: 7X
1
+ 6X
2
+ 8X
3
Nmero de componentes B: 5X
1
+ 9X
2
+ 4X
3
Nmero de artculos completos con los componentes A:
(7X
1
+ 6X
2
+ 8X
3
) / 4
Nmero de artculos completos con los componentes B:
(5X
1
+ 9X
2
+ 4X
3
) / 3
Unidad completa
del Producto
Maximizar {Mnimo entero entre{ (7X
1
+ 6X
2
+ 8X
3
) / 4 , (5X
1
+ 9X
2
+ 4X
3
) / 3 }}
C.S.R. 8X
1
+ 5X
2
+ 3X
3
< 100
6X
1
+ 9X
2
+ 8X
3
< 200
X
J
> 0 J = 1, 2 y 3 Enteros
Usando la tcnica de la programacin por metas y usando el WinQsb
para programacin lineal entera en 43 iteraciones se encuentra la si-
guiente solucin ptima:
Formulacin
Restricciones debidas a la disponibilidad
De materias primas tipo 1 y 2
Restriccin de no negatividad
34
X
1
*
= 1 Hacer la corrida de produccin en el departamento 1, 1 vez
X
2
*
= 7 Hacer la corrida de produccin en el departamento 2, 7 veces
X
3
*
=16 Hacer la corrida de produccin en el departamento 3, 16 veces
Z
*
= 44 Unidades completas del producto
Partes A a producir: 7X
1
*
+ 6X
2
*
+ 8X
3
*
= 7(1) + 6(7) + 8(16) = 177
unidades de A
Partes B a producir: 5X
1
*
+ 9X
2
*
+ 4X
3
*
= 5(1) + 9(7) + 4(16) = 132
unidades de B
Con 177 unidades de A se fabrican 177/4 = 44 unidades enteras del
articulo
Con 132 unidades de B se fabrican 132/3 = 44 unidades enteras del
articulo
8X
1
*
+ 5X
2
*
+ 3X
3
*
< 100 ; 8(1) + 5(7) + 3(16) < 100 ; 91 < 100 Sobran 9
unidades de materia prima 1
6X
1
*
+ 9X
2
*
+ 8X
3
*
< 200 ; 6(1) + 9(7) + 8(16) < 200 ; 197 < 200 Sobran
3 unidades de materia prima 2
6. El problema de los paquetes de tuercas
Un distribuidor de ferretera planea vender paquetes de tuercas y
tornillos mezclados. Cada paquete pesa por lo menos 2 libras. Tres ta-
maos de tuercas y tornillos componen el paquete y se compran en
lotes de 200 libras. Los tamaos 1, 2 y 3 cuestan respectivamente $20,
$8 y $12, adems:
a) El peso combinado de los tamaos 1 y 3 debe ser al menos la mitad
del peso total del paquete.
b) El peso de los tamaos 1 y 2 no debe ser mayor que 1,6 libras
c) Cualquier tamao de tornillo debe ser al menos el 10% del paquete
total
Cul ser la composicin del paquete que ocasionar un costo mni-
mo?
Vende bolsas de al
menos 2 Libras cada una
Formulacin
35
X
j
= Peso en libras de las tuercas y tornillos del tamao j-simo
(j=1,2 y 3) en la bolsa
Observe que:
20/200 es lo que vale una libra de tornillos tipo 1
Minimizar Z = 20/200 X
1
+ 8/200 X
2
+ 12/200 X
3
C.S.R. X
1
+ X
3
> (X
1
+ X
2
+ X
3
) / 2 Los tamaos 1 y 3 al menos la mitad del peso
X
1
+ X
2
< 1,6 Los tamaos 1 y 2 no deben ser mayor de 1,6 lbs
X
1
> 0,1 (X
1
+ X
2
+ X
3
) El tamao 1 debe ser al menos el 10% del total
X
2
> 0,1 (X
1
+ X
2
+ X
3
X
3
> 0,1 (X
1
+ X
2
+ X
3
X
1
+ X
2
+ X
3
> 2 El paquete debe ser al menos de 2 libras
X
J
= 0 J = 1, 2 y 3 Condicin de no negatividad
Solucin:
Minimizar Z = 0,1X
1
+ 0,04X
2
+ 0,06X
3
C.S.R. X
1
- X
2
+ X
3
> 0
X
1
+ X
2
< 1,6
0,9X
1
-0,1X
2
- 0,1X
3
> 0
-0,1X
1
+0,9X
2
- 0,1X
3
> 0
-0,1X
1
-0,1X
2
+ 0,9X
3
> 0
X
1
+ X
2
+ X
3
> 2
X
J
> 0 J = 1, 2 y 3
Usando el WINQSB se encuentra que la solucin ptima es:
X
1
*
= 0,2 Libras del tamao 1
X
2
*
X
3
*
Z
*
= $0,108 Costo mnimo del paquete
7. Problema clsico del transporte
Un fabricante tiene tres centros de distribucin en: Bogot, Medelln
y Cali. Estos centros tienen disponibilidades de: 20, 40 y 40 unidades
respectivamente. Sus detallistas requieren los siguientes cantidades:
Formulacin
36
Pereira 25, Tula 10, Anserma 20, Ibagu 30 y Armenia 15. El costo de
transporte por unidad en pesos entre cada centro de distribucin y
las localidades de los detallistas se dan en la siguiente tabla:
Tula Anserma Ibagu Armenia
Centros de
distribucin
Bogot 55 30 40 50 40
Medelln 35 30 100 45 60
Cali 40 60 95 35 30
Cuanto unidades debe mandar el fabricante desde cada centro de dis-
tribucin a cada detallista, de manera que los costos totales de trans-
porte sean mnimos?
= Cantidad de unidades a enviar desde el centro de distribucin i-
simo (i = 1 = Bogot, i = 2 = Medelln, i = 3 = Cali), al detallista j-simo
(j = 1 = Pereira, j = 2 = Tula, j = 3 = Anserma, j = 4 = Ibagu, j = 5 =
Armenia)
Minimizar Z = 55X
11
+ 30X
12
+ 40X
13
+ 50X
14
+ 40X
15
+ 35X
21
+ 30X
22
+
100X
23
+ 45X
24
+ 60X
25
+ 40X
31
+ 60X
32
+ 95X
33
+ 35X
34
+ 30X
35
C.S.R. X
11
+ X
12
+ X
13
+ X
14
+ X
15
< 20
X
21
+X
22
+ X
23
+ X
24
+ X
25
< 40
X
31
+X
32
+ X
33
+ X
34
+ X
35
< 40
Restricciones debidas a la dis-
ponibilidad de unidades en los
respectivos centros de distri-
bucin 1, 2 y 3
X
11
+ X
21
+ X
31
> 25
X
12
+ X
22
+ X
32
> 10
X
13
+ X
23
+ X
33
> 20
X
14
+ X
24
+ X
34
> 30
X
15
+ X
25
+ X
35
> 15
Restricciones debidas a los requeri-
mientos de unidades, de los detallis-
tas respectivos 1, 2, 3, 4 y 5
X
ij
> 0 ; i = 1, 2 y 3 ; j = 1, 2, 3, 4 y 5
Empleando el WinQSB el INVOP obtenemos la siguiente solucin fac-
tible ptima:
X
*
11
= 0 X
*
21
= 25 X
*
31
= 0 Z
*
= $ 3.525
X
*
12
= 0 X
*
22
= 10 X
*
32
= 0
X
*
13
= 20 X
*
23
= 0 X
*
33
= 0
X
*
14
= 0 X
*
24
= 5 X
*
34
= 25
X
*
15
= 0 X
*
25
= 0 X
*
35
= 15
Formulacin
D e t a l l i s t a s
Pereira
37
8. El problema del transbordo
Una empresa fabrica monitores de alta resolucin en dos plantas de
produccin P
1
y P
2
. Las capacidades de produccin por semana son de
80 y 60 unidades, respectivamente. Los monitores se llevan a cuatro
centros de ventas V
i
, i = 1, 2, 3 Y 4 que solicitan para la prxima sema-
na 30 unidades para V
1
, 20 para V
2
y 40 para V
4
. V
3
no ha cuantificado
su demanda indicando que va a ser muy alta y aceptara toda la pro-
duccin.
La legislacin vigente obliga a la empresa a transportar los monitores
de las plantas a los puntos de venta a travs de alguno de los dos cen-
tros de control de calidad existentes C
1
y C
2
en los que se controlan
los monitores y cuya capacidad es muy grande. El costo de control por
unidad en C
1
es de $4.000 y en C
2
es de $6.000.
Los costos en miles de pesos del transporte unitario de las plantas a
los centros de control y de estos a los puntos de venta, aparecen en la
tabla siguiente:
C e n t r o s d e v e n t a
Centros de
control de calidad
C
1
12 10 22 20 24 -
C
2
11 9 20 - 19 23
Plantas de
produccin
P
1
P
2
V
1
V
2
V
3
V
4
La empresa desea distribuir toda la produccin para la semana en-
trante, sin mostrar preferencia por la utilizacin de un determinado
centro de control o punto de venta, pues su inters reside en minimi-
zar el costo global de transporte. Cual debe ser la distribucin de las
plantas a los puntos de venta?
Formulacin:
Formulacin
38
X
ij
= Unidades a enviar desde el nodo i-simo (i = 1,2,3 y 4) al nodo
j-simo (j = 3,4,5,6,7 y 8)
Minimizar Z = 12X
13
+ 11X
14
+ 10X
23
+ 9X
24
+ 4(X
13
+ X
23
) + 6(X
14
+ X
24
)
+ 22X
35
+ 20X
36
+ 24X
37
+20X
45
+ 19X
47
+ 23X
48
C.S.R.
X
13
+ X
14
< 80
X
23
+ X
24
< 60
X
13
+ X
23
= X
35
+ X
36
+ X
37
X
14
+ X
24
= X
45
+ X
47
+ X
48
X
35
+ X
45
> 30
X
36
> 20
X
37
+ X
47
> 140
X
48
> 40
X
ij
> 0 ; Enteros
Restricciones debidas a la disponibilidad
de monitores en las plantas p
1
y p
2
Restricciones debidas a que la suma de
monitores entrante debe ser igual a la
suma de monitores saliente de cada cen-
tro C
1
y C
2
Restricciones debidas a la demanda de
monitores en cada centro de venta V
1
,
V
2
, V
3
y V
4
Restriccin de no negatividad
Otra manera de formularlo es, convirtindolo en un problema clsico
de transporte, as: Construimos una tabla de costos mnimos, desde
cada origen P
i
a cada destino V
j
sealando el centro de control de
calidad C
k
, usado en dicha ruta de mnimo costo.
Ejemplo: Para enviar monitores desde la planta P
1
al centro de ventas
V
1
existen dos alternativas:
1) P
1
=> C
1
=> V
1
con costos por unidad de: $12 + $4 + $22 = $38
2) P
1
=> C
2
=> V
1
con costos por unidad de: $11 + $6 + $20 = $37 *
Inscribimos el menor costo de estas dos alternativas en la tabla, espe-
cificando que se hace a travs del centro de investigacin C
2
Formulacin
V
1
V
2
V
3
V
4
P
1
37 (C
2
)* 36 (C
1
) 36 (C
2
) 40 (C
2
)
P
2
35 (C
2
) 34 (C
1
) 34 (C
2
) 38 (C
2
)
39
X
ij
= Cantidad de monitores de alta resolucin a enviar desde la planta
i-sima (i=1, i=2) al centro de venta j-simo (j=1, 2, 3 y 4)
Min Z = 37X
11
+36X
12
+36X
13
+40X
14
+35X
21
+34X
22
+34X
23
+38X
24
C.R.S.
X
11
+ X
12
+ X
13
+ X
14
< 80
X
21
+ X
22
+ X
23
+ X
24
< 60
Restricciones debidas a la disponibi-
lidad de monitores en las plantas P
1
y
P
2
X
11
+ X
21
> 30
X
12
+ X
22
> 20
X
13
+ X
23
> 140
X
14
+ X
24
> 40
Restricciones debidas a la demanda de
monitores, encada centro de ventas
V
1
, V
2
, V
3
y V
4
X
ij
> 0 ; i = 1 y 2 ; j = 1, 2 , 3
y 4 Enteros
Condicin de no negatividad
Solucin: Empleando cualquiera de las dos formulaciones, se ob-
tiene mediante el WinQsb o el INVOP la siguiente solucin:
De la planta de produccin P
1
enviar 20 monitores al centro de con-
trol de calidad C
1
1
enviar 60 monitores al centro de con-
trol de calidad C
2
2
enviar 60 monitores al centro de
control de calidad C
2
Del centro de control de calidad C
1
enviar 20 monitores al centro
de ventas V
2
Del centro de control de calidad C
2
enviar 120 monitores al centro
de ventas V
3
Costo total Mnimo del trasporte y revisin de calidad $4.920
9. Problema de localizacin de planta
Una empresa del sector textil, que opera en todo el pas, dispone de la
siguiente configuracin: Dos plantas de fabricacin en Pereira e
Ibagu, con capacidades de 900 y 1.500 unidades respectivamente.
Cuatro almacenes regionales de distribucin que sirven a los clientes
de sus respectivas zonas en: Neiva, Medelln, Cali y Bogot, con de-
mandas de: 700, 800, 500 y 400 unidades respectivamente.
Formulacin
40
En los prximos aos, la empresa espera un crecimiento de la demanda
del orden del 25%, lo cual ha llevado a la direccin de la misma a plan-
tearse la apertura de una nueva fbrica. A la vista de los criterios que
la empresa estima importantes para la localizacin de la nueva planta,
existen dos alternativas a considerar: Pasto (alternativa 1) y
Villavicencio (Alternativa 2). La eleccin recaer en aquella que pro-
voque los menores costos de transporte entre las fbricas y los alma-
cenes, dado que ambas parecen ser igualmente convenientes respecto
a otros factores. La tabla siguiente muestra los costos de transporte
unitarios entre cada origen y destino.
Pereira 6 4 2 6
Ibagu 2 3 7 5
Pasto 6 4 4 8
Villavicencio 6 3 4 2
Plantas de
fabricacin
Medelln Neiva Cali
Bogot
Almacenes regionales de distribucin
Formulacin:
(a) Considerando establecer la nueva planta en Pasto
X
ij
= Unidades a enviar desde la planta i-sima (i = 1 = Pereira, i = 2 =
Ibagu, i = 3 Pasto) al almacn j-simo (j = 1 = Neiva, j = 2 = Medelln,
j = 3 = Cali, j = 4 = Bogot)
Min Z = 6X
11
+ 4X
12
+ 2X
13
+ 6X
14
+ 2X
21
+ 3X
22
+ 7X
23
+ 5X
24
+ 6X
31
+
4X
32
+ 4X
33
+ 8X
34
X
11
+ X
12
+ X
13
+ X
14
= 900
X
21
+ X
22
+ X
23
+ X
24
= 1.500
X
31
+ X
32
+ X
33
+ X
34
= 600
X
11
+ X
21
+ X
31
= 700 + 175 = 875
X
12
+ X
22
+ X
32
= 800 + 200 = 1.000
X
13
+ X
23
+ X
33
= 500 + 125 = 625
X
14
+ X
24
+ X
34
= 400 + 100 = 500
Restricciones debidas a la dispo-
nibilidad de unidades en las plan-
tas 1, 2 y 3 respectivamente
Restricciones debidas a los reque-
rimientos de unidades de los al-
macenes regionales de distribu-
cin 1, 2, 3 y 4
C.S.R.
X
ij
> 0 ; i = 1,2 y 3 ; j = 1,2,3 y 4
Empleando el WinQsb o el INVOP, se obtiene la siguiente solucin p-
tima:
Formulacin
41
X
*
13
= 625 X
*
21
= 875 X
*
32
= 600
X
*
14
= 275 X
*
22
= 400
X
*
24
= 225 Z
*
= $9.375
(b) Considerando establecer la nueva planta en Villavicencio:
X
ij
= Unidades a enviar desde la planta i-sima (i = 1 = Pereira, i = 2 =
Ibagu, i = 3 Villavicencio) al almacn j-simo (j = 1 = Neiva, j = 2 =
Medelln, j = 3 = Cali, j = 4 = Bogot)
Min Z = 6X
11
+4X
12
+2X
13
+6X
14
+2X
21
+3X
22
+7X
23
+5X
24
+6X
31
+3X
32
+4X
33
+2X
34
C.S.R.
X
11
+ X
12
+ X
13
+ X
14
= 900
X
21
+ X
22
+ X
23
+ X
24
= 1.500
X
31
+ X
32
+ X
33
+ X
34
= 600
Restricciones debidas a la disponibi-
lidad de unidades en las plantas 1, 2 y
3 respectivamente
X
11
+ X
21
+ X
31
= 875
X
12
+ X
22
+ X
32
= 1.000
X
13
+ X
23
+ X
33
= 625
X
14
+ X
24
+ X
34
= 500
Restricciones debidas a los requeri-
mientos de unidades de los almacenes
regionales de distribucin 1, 2, 3 y 4
X
ij
> 0 ; i = 1,2 y 3 ; j = 1,2,3 y 4
Empleando el WinQsb el INVOP, la solucin ptima es:
X
*
12
= 275 X
*
21
= 875 X
*
32
= 100 Z
*
= $7.275
X
*
13
= 625 X
*
22
= 625 X
*
34
= 500
De los resultados obtenidos se deriva que Villavicencio es la mejor
localizacin bajo el criterio de minimizar los costos del transporte.
10. El problema de asignaciones
Se usan cuatro barcos cargueros para transportar bienes de un puer-
to a otros cuatro puertos (numerados 1,2,3 y 4). Se puede usar cual-
quier barco para hacer cualquiera de los cuatro viajes. Sin embargo,
dadas algunas diferencias entre los barcos y las cargas, el costo total
de cargar, transporte y descargue de bienes para las distintas combi-
naciones de barcos y puertos varia mucho. Estos costos se muestran el
la siguiente tabla:
Formulacin
42
P U E R T O
Barco
1 5 4 6 7
2 6 6 7 5
3 7 5 7 6
4 5 4 6 6
1 2 3 4
El objetivo es asignar los barcos a los puertos en una correspondencia
uno a uno, de manera que se minimice el costo total de los cuatro bar-
cos.
X
ij
= 0, No asigne el barco i-simo (i = 1,2,3 y 4) al puerto j-simo(j = 1,2,3 y 4)
X
ij
= 1, Si asigne el barco i-simo (i = 1,2,3 y 4) al puerto j-simo(j = 1,2,3 y 4)
Minimice Z = 5X
11
+ 4X
12
+ 6X
13
+ 7X
14
+ 6X
21
+ 6X
22
+ 7X
23
+ 5X
24
+
7X
31
+ 5X
32
+ 7X
33
+ 6X
34
+ 5X
41
+ 4X
42
+ 6X
43
+ 6X
44
X
11
+ X
12
+ X
13
+ X
14
= 1
X
21
+X
22
+ X
23
+ X
24
= 1
X
31
+X
32
+ X
33
+ X
34
= 1
X
41
+X
42
+ X
43
+ X
44
= 1
X
11
+ X
21
+ X
31
+ X
41
= 1
X
12
+ X
22
+ X
32
+ X
42
= 1
X
13
+ X
23
+ X
33
+ X
43
= 1
X
14
+ X
24
+ X
34
+ X
44
= 1
C.S.R.
Restricciones que aseguran que un solo
barco es asignado a un solo puerto
Restricciones que aseguran que un solo
puerto es asignado a un solo barco
X
ij
= 0,1 ; i = 1,2,3 y 4 ; j = 1,2,3 y 4
Empleando el WinQsb en su mdulo: Network Modeling (Modelo de
redes) assignment problem (Problema de asignaciones) se obtiene la
siguiente solucin ptima y factible.
X
*
11
= 1
X
*
12
= 0
X
*
13
= 0
X
*
14
= 0
X
*
21
= 0
X
*
22
= 0
X
*
23
= 0
X
*
24
= 1
X
*
31
= 0
X
*
32
= 1
X
*
33
= 0
X
*
34
= 0
X
*
41
= 0
X
*
42
= 0
X
*
43
= 1
X
*
44
= 0
Z
*
= 21
Formulacin
43
Barco 1 al Puerto 1 : Costo $ 5
Costo total mnimo: $21
11. Problema de la mezcla
Una compaa de petrleos produce tres tipos de gasolina: Super, Nor-
mal y Euro. Se obtienen por mezcla de tres calidades de crudo (A,B,C),
que contienen tres componentes (1,2,3) . La participacin de estos com-
ponentes en la composicin de cada crudo es:
A 80 10 5
B 45 30 20
C 30 40 25
CRUDOS
COMPONENTES (%)
1 2 3
Las especificaciones de los tres tipos de gasolina son:
GASOLINA
C O M P O N E N T E S (%)
1 2 3
SUPER > 60 < 25 > 10
NORMAL > 50 < 30 < 15
EURO < 40 > 35 > 20
Los costos por barril de crudo A, B y C son: $650, $500 y $450, res-
pectivamente.
El presupuesto diario de compra es de $50 Millones.
La disponibilidad diaria de crudos B y C se limita, respectivamente, a
3.000 y 7.000 barriles.
Ciertos acuerdos obligan a comprar al menos 2.500 barriles de A.
Las demandas de gasolina Super y Normal son de 2.000 y 2.500 barri-
les diarios, que deben satisfacerse. La compaa desea maximizar la
produccin de gasolina Euro.
Formule un modelo de programacin lineal que de respuesta al proble-
ma planteado por la compaa.
Formulacin:
Formulacin
44
X
ij
= Cantidad de barriles diarios del crudo i-simo (i = A, B, C) dedicado al tipo
de gasolina j-sima (j = S, N, E).
Maximizar Z = X
AE
+ X
BE
+ X
CE
C.S.R.
650(X
AS
+X
AN
+X
AE
) + 500(X
BS
+X
BN
+X
BE
) + 450(X
CS
+X
CN
+X
CE
) < 500000.000
Restriccin debida a la limitacin de disponibilidad de capital.
X
AS
+ X
AN
+ X
AE
> 2.500
X
BS
+ X
BN
+ X
BE
< 3.000
X
CS
+ X
CN
+ X
CE
> 7.000
Restricciones debidas a las limitaciones
de crudo y al acuerdo comercial
X
AS
+ X
BS
+ X
CS
> 2.000
X
AN
+ X
BN
+ X
CN
> 2.500
Restricciones debidas a la demanda de ga-
solina Super y Normal, respectivamente
0,80X
AS
+0,45X
BS
+0,30X
CS
> 0,60(X
AS
+X
BS
+X
CS
)
0,10X
AS
+0,30X
BS
+0,40X
CS
< 0,25(X
AS
+X
BS
+X
CS
)
0,05X
AS
+0,20X
BS
+0,25X
CS
> 0,10 (X
AS
+X
BS
+X
CS
)
Restricciones debidas al
porcentaje de cada com-
ponente en la gasolina
Super
0,80X
AE
+0,45X
BE
+0,30X
CE
< 0,40(X
AE
+X
BE
+X
CE
)
0,10X
AE
+0,30X
BE
+0,40X
CE
> 0,35(X
AE
+X
BE
+X
CE
)
0,05X
AE
+0,20X
BE
+0,25X
CE
> 0,20(X
AE
+X
BE
+X
CE
)
Euro
X
ij
> 0 ; i = A, B, C ; j = S, N, E
Formulacin
0,80X
AN
+0,45X
BN
+0,30X
CN
> 0,50(X
AN
+X
BN
+X
CN
)
0,10X
AN
+0,30X
BN
+0,40X
CN
< 0,30(X
AN
+X
BN
+X
CN
)
0,05X
AN
+0,20X
BN
+0,25X
CN
< 0,15 (X
AN
+X
BN
+X
CN
)
Normal
45
12. El problema del financiero
Un inversionista tiene la intencin de hacer varias inversiones, las cua-
les se extendern por un periodo de cinco aos, al final del cual nece-
sitar de todo el capital. Las inversiones se hacen el 1 de Enero de
cada ao y son:
Inversin A: Disponible el 1 de Enero de cada ao y produce el 15% de
inters al final de cada ao.
Inversin B: Disponible en dos aos a partir de ahora (Comienzo del 3
ao), y produce un retorno del 25% al final del 3 ao y lo mximo que
el inversionista considerar son $40.000
Inversin C: Disponible en un ao a partir de ahora (Comienzo del 2
ao), y produce el 40% al final del cuarto ao. Esta inversin ser de
$30.000 como mximo.
El inversionista tiene $100.000 disponibles para las inversiones.
Cul debe ser el portafolio de inversin que le permita obtener la mxi-
ma cantidad de dinero al final del ao quinto?
Formulacin:
X
ij
= Cantidad de dinero a invertir en la alternativa i-sima (i=A, B y C)
al principio del ao j-simo (j = 1, 2, 3, 4 y 5 ).
Capital Inicial: $100.000
Formulacin
46
Maximizar Z = 100.000 + 0,15 (X
A1
+ X
A2
+ X
A3
+X
A4
+ X
A5
) + 0,25X
B3
+ 0,4X
C2
Para construir las restricciones piense, que al principio de cada ao va
a tener disponibles algunas alternativas de inversin para las que no
podr invertir ms de lo tenga disponible en ese momento. El lado iz-
quierdo de las restricciones, representa la cantidad de dinero que el
inversionista invertir en las alternativas disponibles al principio de
cada ao y el lado derecho representa la cantidad de dinero disponi-
ble para invertir, que es la suma de: El capital inicial + La suma de todos
los intereses recibidos hasta la fecha - Los capitales que estn inver-
tidos en ese momento y que no han retornado.
C.S.R.
X
A1
< 100.000
X
A2
+ X
C2
< 100.000+0,15X
A1
X
A3
+ X
B3
< 100.000+0,15(X
A1
+X
A2
)-X
C2
X
A4
< 100.000+0,15(X
A1
+X
A2
+X
A3
)+0,25X
B3
-X
C2
X
A5
< 100.000+0,15(X
A1
+X
A2
+X
A3
+X
A4
)+0,25X
B3
+0,4X
C2
X
B3
< 40.000
X
C2
< 30.000
Restricciones debi-
das a la cantidad de
dinero disponible al
principio de cada
uno de los cinco aos
Formulacin
X
ij
> 0 ; i = A, B y C ; j = 1, 2, 3, 4 y 5
47
Empleando el WinQsb se obtiene la siguiente solucin ptima factible:
X
*
A1
= $100.000 X
*
A3
= $ 92.250 X
*
A5
= $179.500,6 X
*
C2
= $0
X
*A2
= $115.000 X
*
A4
= $156.087,50 X
*
B3
= $ 40.000
Z
*
= $206.425,7
13. Problema de distribucin de buses
Transporte y Trnsito del Tolima estudia la factibilidad de introducir
un sistema de autobuses de transporte masivo que aliviar el problema
del smog al reducir el trnsito en la ciudad. El estudio inicial busca
determinar el mnimo nmero de autobuses que pueden suplir las nece-
sidades de transporte en la ciudad. El estudio inicial busca determinar
el nmero mnimo de autobuses que pueden suplir las necesidades de
transporte. Despus de recolectar la informacin necesaria, el inge-
niero de la entidad advierte que el nmero mnimo de autobuses que se
necesitan para cubrir la demanda flucta segn la hora del da. Estu-
diando los datos ms a fondo descubri que el nmero requerido de
autobuses se puede suponer constante en intervalos sucesivos de 4
horas cada uno. En la figura se resumen los hallazgos del ingeniero. Se
decidi que para hacer el mantenimiento diario requerido, cada auto-
bs podra operar solo 8 horas sucesivas al da.
X
j
= Nmero de buses a signar en el turno j-simo (j = 1, 2, 3, 4, 5 y 6) de 8 horas
Formulacin
48
J = 1 = Turno que empieza a las 12 a.m.
J = 4 = Turno que empieza a las 12 meridiano
J = 5 = Turno que empieza a las 4 p.m.
J = 6 = Turno que empieza a las 8 p.m.
De 12 a.m. a 8 a.m.
De 4 a.m. a 12 meridiano
De 8 a.m. a 4 p.m.
De 12 Meridiano a 8 p.m.
De 4 p.m. a 12 p.m.
De 8 p.m. a 4 a.m.
Horario
de la
demanda
Turnos de 8 horas, empezando a las 12 de la noche
12 - 4
4 - 8
8 - 12
12 - 4
4 - 8
8 - 12
Nmero
de buses
necesarios
X
1
12 - 8
X
2
4 - 12
X
3
8 - 4
X
4
12 - 8
X
5
4 - 12
X
6
8 - 4
4
8
10
7
12
4
a a
a a
a a
a a
a a
a a
Minimizar Z = X
1
+ X
2
+ X
3
+ X
4
+ X
5
+ X
6
C.S.R.
X
1
+ X
6
> 4
X
1
+ X
2
> 8
X
2
+ X
3
> 10
X
3
+ X
4
> 7
X
4
+ X
5
> 12
X
5
+ X
6
> 4
Restricciones debidas a la
demanda de buses cada
cuatro horas
X
j
> 0 ; j = 1, 2, 3, 4, 5 y 6 ; y enteros
Empleando la programacin lineal entera y el software WinQsb, se
encuentra la solucin ptima factible siguiente:
X
*
1
= 4 X
*
4
= 4
X
*
2
= 10 X
*
6
= 0
X
*
3
= 0 Z
*
= 26 buses
X
*
4
= 8
Interpretacin
X
*
1
= 4
X
*
2
= 10
X
*
3
= 0
X
*
4
= 8
Asignar 4 buses en el turno de 12 de la noche a 4 a.m.
Asignar 10 buses en el turno de 4 a.m. a 8 a.m.
No asignar buses en el turno de 8 a.m. a 12 meridiano
Asignar 8 buses en el turno de 12 meridiano a 4 p.m.
Formulacin
49
X
*
4
= 4
X
*
6
= 0
Asignar 4 buses en el turno de 4 p.m. a 8 p.m.
No asignar buses en el turno de 8 p.m. a 12 de la noche
14. Problema de inventarios
Un producto de la firma XYZ tiene la siguiente demanda pronosticada
para los prximos cuatro meses: Mes 1: 2.800 unidades, Mes 2: 2.200
unidades, Mes 3: 3.200 unidades y Mes 4: 2.500 unidades.
La compaa puede producir 2.700 unidades del artculo por mes en
sus turnos normales. Utilizando tiempo extra es posible fabricar 300
unidades adicionales. La produccin en tiempo extra tiene un sobre
costo de $10 por unidad. La administracin ha estimado que se incurre
en un costo de almacenamiento de $2 por unidad que se produzca en
un mes determinado y no se venda en el mismo.
Se trata de determinar un programa ptimo de produccin que minimi-
ce los costos totales de produccin y almacenamiento. Supngase que
la cantidad en existencia es cero y se desea un inventario final del
periodo igual a cero.
X
i
= Unidades a producir en el mes i-simo (i = 1, 2, 3 y 4) en tiempo normal.
Y
i
= Unidades a producir en el mes i-simo (i = 1, 2, 3 y 4) en tiempo extra.
I
i
= Unidades a almacenar al final del mes i-simo (i = 1, 2, 3 y 4).
Minimizar Z = 10Y
1
+ 10Y
2
+ 10Y
3
+ 10Y
4
+ 2I
1
+ 2I
2
+ 2I
3
C.S.R.
X
1
+ Y
1
= I
1
+ 2.800
I
1
+ X
2
+ Y
2
= I
2
+ 2.200
I
2
+ X
3
+ Y
3
= I
3
+ 3.200
I
3
+ X
4
+ Y
4
= 2.500
X
i
< 2.700 ; i = 1, 2, 3 y 4
Y
i
< 300 ; i = 1, 2, 3 y 4
X
i
> 0 ; Y
i
> 0 ; I
i
> 0 ; i = 1, 2, 3 y 4
Restricciones debidas a que el
inventario inicial ms lo que se
produce en tiempo normal mas lo
que se produce en tiempo extra,
debe ser igual a la demanda mas
el inventario final.
Formulacin
50
Solucin usando el WinQsb
X
*
1
= 2.700 X
*
4
= 2.500 Y
*
3
= 0 I
*
2
= 500
X
*
2
= 2.700 Y
*
1
= 100 Y
*
4
= 0 I
*
3
= 0
X
*
3
= 2.700 Y
*
2
= 0 I
*
1
= 0 Z
*
= 2.000
15. El problema de los manteles
En un saln de banquetes se tienen programados banquetes durante
los siguientes cinco das. Los requisitos de manteles por banquete son:
Banquete 1 2 3 4 5
Nmero de manteles 80 60 100 130 200
El problema del administrador es que se requieren manteles diferentes
a los que se usan, por lo que tendr que comprar ese tipo de manteles.
El costo de cada mantel es de $40 y el costo de mandarlo a la lavandera
bajo servicio urgente para tenerlo listo a los dos das es de $10 por
mantel.
Cul es el modelo que le permitir al administrador cumplir con sus
requisitos y adems minimizar el costo total?
X
i
= Nmero de manteles a comprar para el banquete i-simo (i = 1, 2,
3, 4 y 5)
Y
i
= Nmero de manteles a mandar a lavar despus del banquete i-
simo (i = 1, 2 y 3)
I
i
= Nmero de manteles limpios al final de cada banquete i-simo (i =
1, 2, 3 y 4)
Minimizar Z = 40(X
1
+ X
2
+X
3
+X
4
+X
5
) + 10(Y
1
+ Y
2
+ Y
3
)
Formulacin
51
X
1
= 80 + I
1
I
1
+X
2
= 60 + I
2
Y
1
+ I
2
+ X
3
= 100 + I
3
Y
2
+ I
3
+ X
4
= 130 + I
4
Y
3
+ I
4
+ X
5
= 200
Y
1
< 80
Y
2
< 60
Y
3
< 100
X
i
> 0 ; i = 1, 2, 3, 4 y 5
I
i
> 0 ; i = 1, 2, 3 y 4
Y
i
> 0 ; i = 1, 2 y 3
Empleando el WinQsb se obtiene la siguiente solucin ptima factible:
X
*
1
= 80 X
*
3
= 20 X
*
5
= 100 Y
*
2
= 60 I
*
i
= 0 ; i = 1, 2, 3 Y 4
X
*
2
= 60 X
*
4
= 70 Y
*
1
= 80 Y
*
3
= 100 Z
*
= $15.600
16. Sistema Operativo de Produccin
La compaa Wetski Water Ski es la ms grande productora de skis
para agua, como Usted sospecha, existe una estimacin de alta de-
manda, con un mximo en los meses de verano y un mnimo en los meses
de invierno. Conociendo los costos y el pronstico por trimestre; For-
mule un programa de programacin lineal que minimice los costos y sa-
tisfaga la demanda. Cules son los costos de ese plan?
Trimestre
(Unidades)
Pronstico de ventas
1
2
3
4
50.000
150.000
200.000
52.000
Costo de llevar inventario $3,00 Por par de skis/trimestre
Produccin por empleado 1.000 par de skis/trimestre
Fuerza de trabajo regular 50 trabajadores
Capacidad en horas extras 50.000 pares de skis
Capacidad de subcontratar (Maquila) 40.000 pares de skis
Costo de produccin regular $50,00 por par de skis
Costo de produccin en horas extras $75,00 por par de skis
Costo de produccin subcontratada $85,00 por par de skis
Solucin:
Produccin mxima por trimestre con la fuerza de trabajo regular:
1.000 (Pares /Empleado) * 50 (Empleados) = 50.000 skis
Xj = Pares de skis a fabricar con la fuerza de trabajo regular en el
trimestre j-simo.
Formulacin
52
Hj = Pares de skis a fabricar en horas extras en el trimestre j-simo.
Mj = Pares de skis a fabricar con subcontratos en el trimestre j-simo
Ij = Unidades en inventario al final del trimestre j-simo
J = 1, 2, 3, 4
Es trivial pensar que Io = 0 y I
4
= 0 , para minimizar los costos.
C.S.R. X
1
+ H
1
+ M
1
= 50.000 + I
1
I
1
+ X
2
+ H
2
+ M
2
= 150.000 + I
2
I
2
+ X
3
+ H
3
+ M
3
= 200.000 + I
3
I
3
+ X
4
+ H
4
+ M
4
= 52.000
X
J
< 50.000 ; J=1,2,3,4
H
J
< 50.000 ; J=1,2,3,4
M
J
< 40.000 ; J=1,2,3,4
X
J
> 0 ; J=1,2,3,4
H
J
> 0 ; J=1,2,3,4
M
J
> 0 ; J=1,2,3,4
I
J
> 0 ; J=1,2,3,4
Empleando el WinQsb, la solucin para ste problema es:
X
1
* = 50.000 H
1
* = 50.000 M
1
* = 20.000 I
1
* = 70.000
X
2
* = 50.000 H
2
* = 50.000 M
2
* = 40.000 I
2
* = 60.000
X
3
* = 50.000 H
3
* = 50.000 M
3
* = 40.000 I
3
* = 0
X
4
* = 50.000 H
4
* = 2.000 M
4
* = 0 Z* = 30290.000
Interpretacin:
Con la fuerza de trabajo regular, debemos producir 50.000, 50.000,
Formulacin
Min Z=50(X
1
+X
2
+X
3
+X
4
)+75(H
1
+H
2
+H
3
+H
4
)+85(M
1
+M
2
+M
3
+M
4
)+. . . +3(I
1
+I
2
+I
3
)
53
50.000 y 50.000 pares de skis durante cada trimestre, respectiva-
mente.
Usando la capacidad en horas extras, debemos producir 50.000, 50.000,
50.000 y 2.000 pares de skis durante cada trimestre, respectivamen-
te.
Debemos subcontratar la elaboracin de 20.000, 40.000, 40.000 y 0
pares de skis durante cada trimestre, respectivamente.
El inventario final para cada trimestre es: 70.000 para el primer tri-
mestre, 60.000 para el segundo trimestre y 0 para el tercer trimestre.
Fjese que los costos de produccin e inventarios para cada trimestre
son:
Trimestre 1 50.000(50)+50.000(75)+20.000(85) = 7950.000
Trimestre 2 70.000(3)+50.000(50)+50.000(75)+40.000(85) = 9860.000
Trimestre 3 60.000(3)+50.000(50)+50.000(75)+40.000(85) = 9830.000
Trimestre 4 50.000(50) + 2.000(75) = 2650.000
Total = 30290.000
Nota: En el captulo de transporte, se formula y resuelve ste
problema, como un problema de transporte.
Formulacin
Problemas propuestos
Formule cada uno de los siguientes problemas de programacin lineal y
mediante el software WinQsb la herramienta Solver del Excel, halle
la solucin ptima.
54
Formulacin
1. Un frutero necesita al menos 16 cajas de naranja, como mnimo 5
cajas de pltano y al menos 20 cajas de manzanas. Dos mayorista
(A y B) le pueden suministrar sus necesidades, pero solo venden la
fruta en contenedores completos. El mayorista A enva en cada
contenedor 8 cajas de naranja, una de pltano y 2 de manzana El
mayorista B enva en cada contenedor 2 cajas de naranja, una de
pltano y 7 de manzanas. Sabiendo que el mayorista A se encuen-
tra a 150 Km. de distancia y el mayorista B a 300 Km., Calcular
cuntos contenedores habr de comprar a cada mayorista, con el
objetivo de ahorrar tiempo y dinero, reduciendo al mnimo la dis-
tancia recorrida. Sol.: X
1
*
=3, X
2
*
=2, Z
*
=1.050
2. Una compaa tiene dos mina: La mina A produce diariamente una
tonelada de carbn de antracita de alta calidad, dos toneladas de
carbn de calidad media y cuatro toneladas de carbn de baja
calidad; la mina B produce dos toneladas de cada una de las tres
clases. La compaa necesita al menos 70 toneladas de carbn de
alta calidad, 130 toneladas de carbn de calidad media y 150 to-
neladas de carbn de baja calidad. Los gastos diarios son de 150 y
200 dlares respectivamente. Cuntos das debern trabajar en
cada mina para que los costos sean mnimos?. Sol.: X
1
*
=60, X
2
*
=5,
Z
*
=$10.000.
3. Supongamos que las necesidades mnimas semanales de una perso-
na en protenas, hidratos= de carbono y grasas son, respectiva-
mente: 8, 12 y 9 unidades. Supongamos que debemos obtener un
preparado con esa composicin mnima, mezclando dos productos
A y B, cuyos contenidos por Kg. son los que se indican en la siguien-
te tabla:
Productos Protenas Hidratos Grasas Costo/Kg.
A 2 6 1 600
B 1 1 3 400
a) Cuntos kilogramos de cada producto debern comprarse se-
manalmente para que el costo de preparar la dieta sea mnimo?.
Sol.: X
1
*
=3, X
2
*
=2, Z
*
=$2.600
b) Cuntos kilogramos de cada producto debern comprarse se-
manalmente si el precio de A subiera a $1.000/kilogramo?. Sol.:
X
1
*
=1, X
2
*
=6, Z
*
=$3.400
4. En una encuesta realizada por la televisin local, se ha detectado
que un programa con 20 minutos de variedades y un minito de pu-
blicidad capta 30.000 espectadores, mientras que otro programa
55
Formulacin
con 10 minutos de variedades y un minuto de publicidad capta
20.000 espectadores. Para un determinado periodo, la direccin
de la red decide dedicar como mximo 80 minutos de variedades y
6 minutos de publicidad. Cuntas veces deber aparecer cada pro-
grama con el objeto de captar el mximo nmero de espectado-
res?. Sol: X
1
*
=2, X
2
*
=4, Z
*
=140.000
5. Una empresa tiene dos fbricas A y B. En ellas fabrica un mismo
producto, a razn de 500 y 400 unidades por da respectivamente.
El producto ha de ser distribuido posteriormente a tres centros
de distribucin (1, 2, 3), que requieren, respectivamente, 200, 300
y 400 unidades. Los costos de transportar cada unidad del pro-
ducto desde cada fbrica a cada distribuidor son los indicados en
la siguiente tabla:
Cuntas unidades deben ser enviadas desde cada fbrica a cada
distribuidor, para que los costos totales del transporte sean mni-
mos?. Sol.: X
12
*
=100, X
13
*
=400, X
21
*
=200, X
22
*
=200, Z
*
=$23.000
6. Una multinacional farmacutica desea fabricar un compuesto nu-
tritivo a base de dos productos: A y B. El producto A contiene el
30% de protenas, un 1% de grasas y un 10% de azcares. El pro-
ducto B contiene un 5% de protenas, un 7% de grasas y un 10% de
azcares. El compuesto tiene que tener, al menos 25 g. de prote-
nas, como mximo 6 g. de grasas y como mnimo 30 g. de azcares.
El costo del producto A es de $ 0,6/g. y el de B es de $ 6/g. Cun-
tos gramos de cada producto debe tener el compuesto para que el
costo total sea mnimo?. Sol.: X
1
*
=300, X
2
*
=0, Z
*
=$180
7. Una compaa tiene dos minas M
1
y M
2
desde las cuales transporta
carbn a dos grupos G
1
y G
2
de una central trmica. De la Mina 1
salen diariamente para la central 800 T de antracita y de la mina 2
300 T. De las 1.100 T., 500 tienen que ir al grupo 1 y 600 Toneladas
hasta el el grupo 2. El costo de cada tonelada transportada de la
mina 1 al grupo 1 es de $60, el de la mina 1 al grupo 2 es de $80, el
de la mina 2 al grupo 1 es de $40 y el de la mina 2 al grupo 2 es de
$50. Cuntas toneladas hay que transportar desde cada mina has-
ta cada grupo para que el costo total sea mnimo?. Sol.: X
11
*
=500,
X
12
*
=300, X
22
*
=300, Z
*
=$69.000
Demanda
Fbricas
Distribuidores
200
Disponibilidad
1 2 3
A
B
300 400
500
400
50
25
60
40
10
20
56
8. Una asociacin agrcola tiene dos fincas: La finca 1 tiene 400 Ha.
de tierra utilizable para la siembra y dispone de 500 m
3
de agua,
mientras que la finca 2 tiene 900 Ha. de tierra utilizable para la
siembra y dispone de 1.200 m
3
de agua. Los cultivos aconsejados
son: Caf y pltano. El caf consume 3 m
3
de agua por Ha. y tiene
un beneficio por Ha. de $700 y el pltano consume 2 m
3
de agua
por Ha. y tiene un beneficio por Ha. de $500. Se ha establecido
una cuota mxima por cada cultivo: 800 Ha. para el caf y 600 Ha.
para el pltano, siendo el porcentaje de terreno cultivado el mis-
mo en cada finca.Cuntas hectreas hay que sembrar en cada fin-
ca de cada tipo de cosecha para que el beneficio sea mximo? Sol.:
X
11
*
=28,2051, X
12
*
=207,6923, X
21
*
=138,4615, X
22
*
=392,3077,
Z
*
=$416.666,7
9. Una empresa constructora dispone de dos tipos de camiones C
1
y
C
2
y quiere transportar 100 T. de arena a una obra. sabiendo que
dispone de 6 camiones tipo C
1
con capacidad para 15 T. y con un
costo de $4.000 por viaje y de 10 camiones tipo C
2
con una capaci-
dad de 5 T. y con un costo de $3.000 por viaje. Cul es el nmero
de camiones de cada tipo que debe usar para minimizar los costos
de transporte?.Sol.: X
1
*
=6, X
2
*
=2, Z
*
=$30.000,00
10. Un puesto de prensa vende bolgrafos a $20 y cuadernos a $30.
Llevamos $240 y pretendemos comprar los mismos cuadernos que
bolgrafos por lo menos. Cul ser el nmero mximo de piezas (bo-
lgrafos mas cuadernos) que podemos comprar?. Sol.: X
1
*
=3 bol-
grafos, X
2
*
=6 cuadernos, Z
*
= 9 piezas (Solucin entera).
11. Una compaa area dispone de dos tipos de aviones A
1
y A
2
para
cubrir un determinado trayecto. El avin A
1
debe hacer ms veces
el trayecto que el avin A
2
pero no puede sobrepasar de 120 via-
jes. Entre los dos aviones deben hacer ms de 60 vuelos, pero me-
nos de 200. En cada vuelo, A
1
consume 900 litros de combustible y
A
2
700 litros. En cada viaje del avin A
1
la empresa gana $30.000
y $20.000 por cada viaje del avion A
2
.
a) Cuntos viajes debe hacer cada avin para obtener la mxima
ganancia?. Sol.: X
1
*
=120 vuelos, X
2
*
=80 vuelos, Z
*
=$5200.000
b) Cuntos vuelos debe hacer cada avin para que el consumo de
combustible sea mnimo?. Sol.: X
1
*
=30 vuelos, X
2
*
=30 vuelos,
Z
*
=48.000 litros.
Formulacin
57
12. Un joyero fabrica dos tipos de anillos: El anillo A
1
precisa 1 gr. de
oro y 5 gr. de plata, vendiendo la unidad a $40. Para el anillo tipo
A
2
emplea 1,5 gr. de oro y 1 gr. de plata y los vende a $50 la unidad.
El joyero dispone en su taller de 750 gr. de cada metal. Cuntos
anillos debe fabricar de cada clase para obtener la mximo
venta?.Sol.: X
1
*
=57, X
2
*
=462, Z
*
=$25.380 (Solucin entera).
13. Un inversionista dispone de un capital de $6.000,00 para invertir
en dos actividades denominadas A y B. La inversin A exige un
aporte de $5.000,00 y 400 horas de trabajo y su ganancia estima-
da es de $4.500,00 (sin tener en cuenta el valor del dinero en el
tiempo). La invesin B exige un aporte de $4.000,00 y 500 horas
de trabajo y su ganancia estimada es de $4.500,00. Ambas inver-
siones son flexibles y permiten participar con cualquier fraccin
que se quiera. Si se elige una participacin parcial, todas las cifras
mencionadas: Inversin, tiempo y ganancia se deben multiplicar
por esa fraccin. Si el inversionista dispone de 600 horas como
mximo, en que proporcin debe participar en cada tipo de inver-
sin para maximizar su ganancia?.Sol.: X
1
*
=1, X
2
*
=0, Z
*
=$4.500
14. Una empresa de bienes raices, analiza 5 proyectos de desarrollo
posibles. La siguiente tabla muestra las ganancias estimadas a lar-
go plazo (valor presente neto), que generara cada proyecto y la
inversin requerida para emprenderlo, en millones de dlares.
Los propietarios de la empresa, reunieron $20 millones de capital
de inversin para estos proyectos. Ellos quieren elegir la combina-
cin de proyectos que maximice la ganancia total estimada a largo
plazo (valor presente neto) sin invertir ms de $20 millones.
Formule un modelo de programacin lineal entera binaria (PEB) para
ste problema y resuelvalo empleando el WinQsb. Sol.: X
1
*
=1, X
2
*
=0,
X
3
*
=1, X
4
*
=1, X
5
*
=0, Z
*
=$3,4 millones de dlares. Se eligen los con-
tratos 1, 3 y 4.
Ganancia estimada
Capital requerido
Proyectos de desarrollo
1 2 3 4 5
1 1,8 1,6 0,8 1,4
6 12 10 4 8
Formulacin
58
59
Captulo 3
Mtodo Grfico
Introduccin
En el presente captulo se muestra la solucin a varios tipos de proble-
mas de programacin lineal que solamente tienen en su formulacin
dos variables, empleando el mtodo grfico.
Conjunto convexo
Un conjunto C es un conjunto convexo si el segmento rectilneo que
une cualquier par de puntos de C se encuentra completamente en C.
Conjunto convexo Conjunto no convexo
60
1. Problema de nica solucin
Maximice Z = 2X
1
+ X
2
C.S.R. 2X
1
- X
2
< 8
X
1
- X
2
< 3
X
1
+ 2X
2
< 14
X
1
+ 4X
2
< 24
Xj > 0 ; j = 1, 2
Clculos analticos para graficar el sistema de inecuaciones lineales,
incluyendo la condicin de no negatividad (Xj > 0 ; j = 1, 2), que nos
indica que solamente trabajaremos en el primer cuadrante del plano
cartesiano, cuadrante en donde X
1
y X
2
son positivas.
1 Restriccin 2 Restriccin 3 Restriccin 4 Restriccin Funcin Objetivo
2X
1
- X
2
< 8
2X
1
- X
2
= 8
X
1
= 0 X
2
= 0
X
2
= -8 X
1
= 4
P(0,0) => 0 < 8
Verdad
X
1
- X
2
< 3
X
1
- X
2
= 3
X
1
= 0 X
2
= 0
X
2
= -3 X
1
= 3
P(0,0) => 0 < 3
Verdad
X
1
+ 2X
2
< 14
X
1
+ 2X
2
= 14
X
1
= 0 X
2
= 0
X
2
= 7 X
1
= 14
P(0,0) => 0 < 14
Verdad
X
1
+ 4X
2
< 24
X
1
+ 4X
2
= 24
X
1
= 0 X
2
= 0
X
2
= 6 X
1
= 24
P(0,0) => 0 < 24
Verdad
Z = 2X
1
+ X
2
2X
1
+ X
2
= 2
X
1
= 0 X
2
= 0
X
2
= 2 X
1
= 1
Restricciones
Fjese que para cada inecuacin, primero suponemos que es una igual-
dad y luego tabulamos dos puntos fciles de calcular, como lo son las
intersecciones de la recta con los ejes cartesianos abcisa y ordenada,
esto siempre que el trmino independiente (Lado derecho de la
inecuacin) sea diferente de cero, es decir siempre y cuando la recta
no pase por el origen de coordenadas P(0,0).
A continuacin con un punto de prueba cualquiera P(X
1
, X
2
), (Aseg-
rese que se encuentre al lado derecho izquierdo de la recta, NO
sobre ella, es decir, el punto de prueba NO puede pertenecer a la rec-
ta), Aqu, como ya sabemos que la recta no pasa por el origen de coor-
denadas (Trmino independiente diferente de cero), usamos como
punto de prueba P(0,0), es decir X
1
= 0, X
2
= 0 que nos facilita los
clculos cuando lo remplacemos en la inecuacin y observamos si la
hace una verdad una falsedad; Averiguar esto nos permite conocer
si el rea solucin de la inecuacin est al lado derecho izquierdo
(Por supuesto, incluyendo los puntos sobre la recta, ya que todas las
inecuaciones son menor igual ( < )); Si el punto de prueba hace verdad
la inecuacin lineal, entonces, todos los puntos que se encuentran al
Mtodo Grfico
61
mismo lado del punto de prueba la harn verdad, si el punto de prueba
no hace verdad la inecuacin lineal, los puntos que la harn verdad
estn al lado contrario en donde se encuentra el punto de prueba. Esto
es, si el punto de prueba se encuentra al lado izquierdo de la recta y
hace verdad la inecuacin, entonces el rea de soluciones para sta
inecuacin, son todos los puntos que pertenecen a la recta y los que se
encuentran al lado izquierdo de ella. Si el punto de prueba situado a la
izquierda de la recta, no hace verdad la inecuacin, entonces el rea
de soluciones para sta inecuacin, son todos los puntos que pertene-
cen a la recta y los que se encuentran al lado derecha de ella.
Funcin objetivo
La funcin objetivo Z = 2X
1
+ X
2
expresada como 2X
1
+ X
2
= Z tiene
la estructura de una lnea recta, solo que no conocemos su trmino
independiente. Graficando sta ecuacin con diferentes valores para
Z, observamos que la funcin objetivo, representa una familia de rec-
tas paralelas, que al aumentar el valor de Z la recta se desplaza hacia
el lado derecho, por lo que concluimos que Z aumenta cuando la recta
se desplaza paralelamente hacia la derecha, esto se cumple siempre
que la ecuacin de la funcin objetiva tenga pendiente negativa, es
decir inclinada al lado izquierdo. Para funciones objetivo con pendien-
te positiva (Inclinadas al lado derecho), se recomienda dar varios va-
lores a Z y graficar para observar si al desplazarse a la derecha Z
aumenta o por el contrario disminuye.
2X
1
+ X
2
= 2 2X
1
+ X
2
= 4 2X
1
+ X
2
= 6
X
1
= 0 X
2
= 0 X
1
= 0 X
2
= 0 X
1
= 0 X
2
= 0
X
2
= 2 X
1
= 1 X
2
= 4 X
1
= 2 X
2
= 6 X
1
= 3
Aqu se le ha dado a Z el valor arbitrario de 2, ya que solo necesitamos
graficar una de las rectas que pertenece a la familia de rectas parale-
las, para facilitar la tabulacin de la funcin objetivo, se recomienda
dar el valor arbitrario de Z como un mltiplo de los coeficientes de las
variables, que se consigue fcilmente, multiplicando el coeficiente de
X
1
por el coeficiente de X
2
. Es conveniente fijarse en los valores de
las coordenadas para graficar la funcin objetivo observando que sean
parecidos en magnitud a los hallados para graficar las restricciones
Mtodo Grfico
62
(Observe que puede dar el valor adecuado a Z), esto har que la grfi-
ca quede convenientemente presentada para el anlisis.
Existen dos procedimientos para encontrar la solucin factible pti-
ma:
1. Evaluar la funcin objetivo Z en cada una de las esquinas del rea
de soluciones factibles. La debilidad de este procedimiento se pre-
senta cuando se tienen muchas restricciones que por supuesto ge-
neran un rea con muchas esquinas, volvindose dispendiosa la con-
secucin de sus coordenadas, que implica la solucin de muchos
sistemas de ecuaciones lineales.
2. Usando la funcin objetivo para determinar la esquina del rea de
soluciones factible que la optimiza. La debilidad de ste procedi-
miento se presenta cuando la funcin objetiva es aproximadamen-
te paralela a uno de los lados del rea de soluciones factible, origi-
nando la duda visual sobre la grfica, de cual de los dos extremos
(esquinas) es el que hace que la funcin objetivo se optimice.
Se recomienda usar el segundo procedimiento y en caso de dudas vi-
suales sobre la grfica, recurrir al primer procedimiento para dirimir
la duda respecto al par de esquinas.
Primer procedimiento: Evaluar la funcin objetivo Z en cada una de
las esquinas del rea de soluciones factibles.
Mtodo Grfico
63
El valor de la funcin objetivo en cada una de las esquinas del rea de
soluciones factible es:
Z
(0,0)
= 2(0) + 0 = 0
Z
(0,6)
= 2(0) + 6 = 6
Z
(4,5)
= 2(4) + 5 = 13
Z
(6,4)
= 2(6) + 4 = 16 La funcin objetivo se maximiza cuan-
do Z
(5,2)
= 2(5) + 2 = 12
X
1
= 6 y X
2
= 4
Z
(3,0)
= 2(3) + 0 = 6
Segundo procedimiento: Usando la funcin objetivo para determinar
la esquina del rea de soluciones factible que la optimiza.
Fjese que al desplazar la funcin objetivo Z hacia la derecha, el lti-
mo punto a la derecha del rea de soluciones factible que toca es: X1
= 6 , X
2
= 4. Para encontrar las coordenadas debemos interceptar las
ecuaciones de las restricciones X
1
+ 2X
2
= 14 con 2X
1
- X
2
= 8 Una
manera de hacer esto es empleando el mtodo de los determinantes,
que para un sistema de dos ecuaciones y dos variables es:
Mtodo Grfico
64
2. Problema de mltiples soluciones
Maximice Z = 5/2X
1
+ X
2
C.S.R. 3X
1
+ 5X
2
< 15
5X
1
+ 2X
2
< 10
Xj > 0 ; j = 1, 2
Observe que la solucin ptima recae sobre un lado del rea de solu-
ciones factible, o sea que todos los puntos que pertenecen a la recta
5X
1
+2X
2
=10 entre los puntos (2,0) y (20/19, 45/19), maximizan la
funcin objetivo, esto es, existen mltiples soluciones, dos de ellas
son: X
1
*=2, X
2
*=0, Z*=5 X
1
*=20/19, X
2
*=45/19, y por supuesto Z*=5
Una forma ms tcnica de expresar la solucin es: La solucin son to-
das las parejas de puntos que pertenecen a la recta 5X
1
+2X
2
=10, en el
intervalo 20/19 < X
1
< 2 en el intervalo 0 < X
2
< 45/19 ; Cualquiera de
estos dos puntos hace que Z valga 5
Z*
20/19,45/19
= 5/2X
1
*
+ X
2
*
= 5/2(20/19) + (45/19) = 5
Z*
2,0
= 5/2X
1
*
+ X
2
*
= 5/2(2) + (0) = 5
Mtodo Grfico
3X
1
+ 5X
2
= 15
X
1
= 0 X
2
=0
X
2
= 3 X
1
= 5
P(0,0) => 0 < 15
Verdad
1 Restriccin 2 Restriccin Funcin Objetivo
5X
1
+ 2X
2
< 10
5X
1
+ 2X
2
= 10
X
1
= 0 X
2
= 0
X
2
= 5 X
1
= 2
P(0,0) => 0 < 10
Verdad
Z = 5/2X
1
+ X
2
5/2X
1
+ X
2
= 5/2
X
1
= 0 X
2
= 0
X
2
= 5/2 X
1
= 1
3X
1
+ 5X
2
< 15
65
3. Problema de solucin indeterminada
Minimice Z = - X
1
+ X
2
C.S.R. X
1
> X
2
- 0,5X
1
+ X
2
< 1
Xj > 0 ; j = 1, 2
X
1
- X
2
> 0
X
1
- X
2
= 0
X
1
= 0 X
2
= 5
X
2
= 0 X
1
= 5
P(3,0) => 3 > 0
Verdad
-1/2X
1
+ X
2
< 1
-1/2X
1
+ X
2
= 1
X
1
= 0 X
2
= 0
X
2
= 1 X
1
= -2
P(0,0) => 0 < 1
Verdad
Z = - X
1
+ X
2
- X
1
+ X
2
= 3
X
1
= 0 X
2
= 0
X
2
= 3 X
1
= -3
Fjese que para tabular la ecuacin de la primera restriccin, cuyo
trmino independiente es igual a cero, es una ecuacin que pasa por el
origen de coordenadas P(0,0) y por lo tanto corta el eje de la abcisa y
la ordenada en el mismo punto P(0,0), esto hace necesario tabular un
segundo punto, que para el presente caso se uso X
2
= 5 y se despej X
1
obteniendo el valor de 5, con lo que obtenemos un segundo punto P(5,5),
que delimita la lnea recta.
- X
1
+ X
2
= 3 - X
1
+ X
2
= 5
X
1
= 0 X
2
= 0 X
1
= 0 X
1
= 0
X
2
= 3 X
1
= - 3 X
2
= 5 X
2
= -5
Fjese que al desplazar la funcin ob-
jetivo hacia la derecha, siempre en-
contrar un punto ms a la derecha
del rea de soluciones factible que la
minimice. Entre ms a la derecha se
encuentre un punto (X
1
, X
2
) que per-
tenezca al rea de soluciones facti-
bles, ms pequeo ser el valor de la
funcin objetivo, pero siempre habr
una alternativa de encontrar un pun-
to (X
1
, X
2
) ms a la derecha, por ser
una rea abierta. Se dice entonces
que el problema tiene solucin inde-
terminada.
Mtodo Grfico
66
Si se est modelando sobre un problema real y ocurre ste caso, falta
considerar una restriccin, que justamente cierre el rea de solucio-
nes factibles por el lado derecho. Se ha dejado de considerar la res-
triccin de algn recurso, ya que los valores de las variables en la
realidad no pueden crecer de manera ilimitada, irrestrictamente.
4. Problema sin solucin
Este caso se presenta cuando entre las restricciones existen al me-
nos dos de ellas que sean excluyentes, tal como: X
1
< 2 y X
1
> 4 . Aqu
nunca podremos encontrar un nmero que al mismo tiempo sea menor
igual a 2 y mayor igual a 4, las dos restricciones son excluyentes y
por lo tanto no existe rea de soluciones factible, grficamente se
observa de la siguiente manera:
Si esto ocurre al formular sobre un caso de la
vida real, revise la lgica de las restricciones
involucradas, en especial el sentido de las des-
igualdades. Generalmente un par de variables
de la vida real no tienen este comportamien-
to.
5. Problema de programacin lineal
Para el siguiente problema de programacin lineal: Z = 3X
1
5X
2
con
las siguientes restricciones: 5X
1
4X
2
> -20 ; X
1
< 8 ; X
2
< 10 ; X
2
> 3
; 5X
1
+ 4X
2
> 20 y Xj > 0 ; j =1,2
a) En un plano cartesiano grafique las restricciones y la funcin obje-
tivo, sealando claramente el rea de soluciones factible.
b) Calcule las coordenadas de los vrtices del rea de soluciones fac-
tibles.
c) Calcule el valor de la funcin objetivo Z en cada vrtice del rea de
soluciones factibles.
d) Cul es el valor de X
1
y X
2
que maximiza, y el que minimiza la fun-
cin objetivo Z.
Mtodo Grfico
67
1 Restriccin 2 Restriccin 3 Restriccin 4 Restriccin 5 Restriccin
5X
1
4X
2
> -20
5X
1
4X
2
= -20
X
1
= 0 X
2
= 0
X
2
= 5 X
1
= -4
P(0,0) => 0 > -20
Verdad
X
1
< 8
X
1
= 8
P(0,0) => 0 < 8
Verdad
Perpendicular
al eje X
1
X
2
< 10
X
2
= 10
P(0,0) => 0 < 10
Verdad
Perpendicular
al eje X
2
X
2
> 3
X
2
= 3
P(0,0) => 0 > 3
Falso
Perpendicular
al eje X
2
5X
1
+ 4X
2
> 20
5X
1
+ 4X
2
= 20
X
1
= 0 X
2
= 0
X
2
= 5 X
1
= 4
P(0,0) => 0 > 20
Falso
Funcin Objetivo
Z = 3X
1
5X
2
3X
1
5X
2
= 15
X
1
= 0 X
2
= 0
X
2
= -3 X
1
= 5
Para encontrar las coordenadas de algunas esquinas del rea de solu-
ciones factibles, que no se observan a simple vista en la grfica, se
hace necesario resolver los siguientes sistemas de ecuaciones:
El valor de la funcin objetivo Z = 3X
1
5X
2
en cada uno de los vrtices
es:
Z
8/5, 3
= 3(8/5) 5(3) = 25/4 60/4 = -35/4
Z
8, 3
= 3(8) 5(3) = 24 15 = 9 Mximo: X
1
*
= 8 ; X
2
*
= 3 ; Z
*
= 9
Z
8, 10
= 3(8) 5(10) = 24 50 = -26
Z
4, 10
= 3(4) 5(10) = 12 50 = -38 Mnimo: X
1
*
= 4 ; X
2
*
= 10 ; Z
*
= -38
Z
0, 5
= 3(0) 5(5) = 0 25 = - 5
Mtodo Grfico
5X
1
+ 4X
2
= 20 5X
1
+ 4(3) = 20
X
2
= 3 X
1
= 8/5
5X
1
4X
2
= -20 5X
1
4(10) = -20
X
2
= 10 X
1
= 4
P(8/5,3)
P(4,10)
68
Fjese que la funcin objetivo del presente ejercicio, tiene pendiente
positiva (est inclinada hacia la derecha), y que al desplazarse parale-
lamente hacia la derecha el valor de Z aumenta y hacia la izquierda el
valor de Z disminuye. Al remplazar los valores de las variables (tanto
del mximo como del mnimo) en las restricciones, estas deben cum-
plirse. Adicionalmente observe que el punto que hace que Z sea mni-
mo, es la interseccin de las rectas 5X
1
4X
2
= -20 y X
2
= 10 , a
estas restricciones se les denomina activas de estricto cumplimien-
to, el resto de restricciones se les denomina no activas o de no estric-
to cumplimiento. Igualmente para el caso de maximizar en el que las
restricciones activas o de estricto cumplimiento son: X
1
< 8 y X
2
> 3 .
Para observar esto remplazamos tanto el punto mximo como el mni-
mo en cada una de las restricciones.
X
1
*
= 4 ; X
2
*
= 10 Valor que hace a Z
*
Mnimo
= -30
5X
1
*
4X
2
*
> -20
5(4)-4(10) > -20
20 40 > -20
-20 > -20
Verdad
Activa De
estricto
cumplimiento
X
1
*
< 8
4 < 8
Verdad
Inactiva
De no estricto
cumplimiento
X
2
*
< 10
10 < 10
Verdad
Activa
De estricto
cumplimiento
X
2
*
> 3
10 > 3
Verdad
Inactiva
De no estricto
cumplimiento
5X
1
*
+ 4X
2
*
> 20
5(4)+4(10) > 20
20+40 > 20
60 > 20
Verdad
Inactiva
De no estricto
cumplimiento
X
1
*
= 8 ; X
2
*
= 3 Valor que hace a Z
*
Maximo
= 9
5X
1
*
4X
2
*
> -20
5(8)-4(3) > -20
40 12 > -20
28 > -20
Verdad
Inactiva
De no estricto
cumplimiento
X
1
*
< 8
8 < 8
Verdad
Activa
De estricto
cumplimiento
X
2
*
< 10
3 < 10
Verdad
Inactiva
De no estricto
cumplimiento
X
2
*
> 3
3 > 3
Verdad
Activa
De estricto
cumplimiento
5X
1
*
+ 4X
2
*
> 20
5(8)+4(3) > 20
40+12 > 20
52 > 20
Verdad
Inactiva
De no estricto
cumplimiento
6. Un caso de produccin
La corporacin XYZ fabrica dos modelos de producto Z-1.200 y Z-
1.500 Los requerimientos de produccin y las disponibilidades estn
mostradas a continuacin.
Mtodo Grfico
69
Los beneficios unitarios logrados a la venta de los modelos Z-1.200 y
Z-1.500 son de $50 y $40 , respectivamente. Encuentre el nmero p-
timo de cada producto que va a producir.
Si la corporacin XYZ est produciendo actualmente 30 unidades del
modelo Z-1.200 y 20 unidades del modelo Z-1.500, Cunto est de-
jando de ganar?
Solucin
X
j
= Unidades a producir y vender del producto j-simo (j = 1 = Modelo
Z-1.200, j = 2 = Modelo Z-1.500).
Maximice Z = 50X
1
+ 40X
2
C.S.R. 20X
1
< 2.300
30X
2
< 1.540
25X
1
+ 23X
2
< 2.440
11X
1
+ 11X
2
< 1.300
Xj > 0 ; j = 1, 2
1 Restriccin 2 Restriccin 3 Restriccin 4 Restriccin
20X
1
< 2.300
20X
1
= 2.300
X
1
= 115
P(0,0)=>0 < 2.300
Verdad
30X
2
< 1.540
30X
2
= 1.540
X
2
= 51,3
P(0,0)=>0 < 1.540
Verdad
25X
1
+23X
2
< 2.440
25X
1
+23X
2
= 2.440
X
1
= 0 X
2
= 0
X
2
= 106,08 X
1
= 97,6
P(0,0) => 0 < 2.440
Verdad
11X
1
+ 11X
2
< 1.300
11X
1
+ 11X
2
= 1.300
X
1
= 0 X
2
= 0
X
2
= 118,18 X
1
= 118,18
P(0,0) => 0 < 1.300
Verdad
Funcin Objetivo
Z = 50X
1
+ 40X
2
50X
1
+40X
2
=4.000
X
1
= 0 X
2
= 0
X
2
= 100 X
1
= 80
Mtodo Grfico
Departamento
Requisitos de mano de obra
Modelo Z-1.200 Modelo Z-1.500
Capacidad
Horas / da
1
2
3
4
20
0
25
11
0
30
23
11
2.300
1.540
2.440
1.300
70
Fjese en la grfica que la cuarta
restriccin: 11X
1
+ 11X
2
< 1.300
es redundante, si la retiramos de
la grfica, el rea de soluciones
factible sigue siendo la misma y el
ptimo tambin.
Si actualmente X
1
= 30 y X
2
= 20
entonces Z = 50(30) + 40(20) =
2.300 , luego se estn dejando de
ganar:
$4.880 $2.300 = $2.580
Interpretacin:
Para obtener el beneficio total mximo de $4.880, se deben producir
y vender 97,6 unidades del modelo Z-1.200 y no producir el modelo Z-
1.500. El modelo Z-1.200 contribuye al beneficio total con: 50(97,6) =
$4.880, y el modelo Z-1.500 contribuye al beneficio total con: 40(0) =
$0 . Un anlisis sobre las restricciones, empleando la solucin ptima
nos permite conocer la siguiente informacin:
El departamento 1 trabajar 1.952 horas /
da de las 2.300 horas disponibles. Luego ten-
dr (2.300 1.952) 348 horas por da en que
no produce ninguno de los dos modelos.
20X
1
< 2.300
20(97,6) < 2.300
1.952 < 2.300
30X
2
< 1.540
30(0) < 1.540
0 < 1.540
En el departamento 2, todas las horas dis-
ponibles no sern usadas. No se producirn
unidades de ninguno de los dos modelos.
25X
1
+23X
2
< 2.440
25(97,6)+23(0)< 2.440
2.440 < 2.440
Todas la horas disponibles en el departamen-
to 3, sern utilizadas, produciendo el mode-
lo Z-1.200
11X
1
+ 11X
2
< 1.300
11(97,6)+ 11(0) <
1.300
1.073,6 < 1.300
En el departamento 4 se trabajarn 1.073,6
horas / da de las 1.300 disponibles, se ten-
drn 226,4 horas / da ociosas.
Mtodo Grfico
71
7. Un caso de produccin
Una compaa automotriz produce automviles y camiones. Cada veh-
culo tiene que pasar por un taller de pintura y por un taller de montaje
de la carrocera. Si el taller de pintura pintara solamente camiones, se
podran pintar 40 camiones al da, y si pintara solamente automviles,
se podran pintar 60 automviles. Si el taller de carroceras ensambla-
ra solamente camiones, podra ensamblar 50 camiones al da y si en-
samblara solamente automviles, podra ensamblar 50 automviles al
da. Cada camin aporta $300 a la utilidad y cada automvil, $200
Solucin
Fjese que aqu nos han dado las coordenadas por donde cada restric-
cin corta los ejes cartesianos abcisa y ordenada, por lo tanto debe-
mos conseguir las ecuaciones de cada restriccin, conociendo dos pun-
tos que pertenecen a la recta.
Xj = Unidades a producir del j-simo tipo de vehculo (j = 1 = Autom-
viles, j = 2 = Camiones)
Taller de Pintura
Si X
1
= 0 => X
2
= 40
Si X
2
= 0 => X
1
= 60
m = Y
2
Y
1
/ X
2
X
1
m = -40 / 60 = -2/3
Y = mX + b = -2/3X + 40
3Y=-2X+120 =>2X+3Y=120
2X
1
+3X
2
= 120 =>
2X
1
+3X
2
< 120
Taller de ensamble de la carrocera
Si X
1
= 0 => X
2
= 50
Si X
2
= 0 => X
1
= 50
m = Y
2
Y
1
/ X
2
X
1
m = -50 / 50 = - 1
Y = mX + b = - X + 50
X + Y = 50 =>
X
1
+ X
2
< 50
Mtodo Grfico
72
Maximice Z = 200X
1
+ 300X
2
C.S.R. 2X
1
+ 3 X
2
< 120 Restriccin debida a las horas dispo
nibles en el taller de pintura.
X
1
+ X
2
< 50 Restriccin debida a las horas dispo
nibles en el taller de ensamble de la
carrocera.
Xj > 0 ; j = 1, 2
Z
*
= 200X
1
*
+ 300X
2
*
= 200(30) + 300(20) = 6.000 + 6.000 = 12.000
Z
*
= 200X
1
*
+ 300X
2
*
= 200 (0) + 300(40) = 0 + 12.000 = 12.000
Interpretacin:
El problema tiene mltiples soluciones, dos de ellas son las mostradas
sobre la grfica, analizando la solucin X
1
*
= 30 ; X
2
*
= 20 sobre las
restricciones, el departamento de pintura y el departamento de en-
samble de la carrocera utilizarn todo el tiempo disponible.
2X
1
+3X
2
< 120
2(30)+3(20)< 120
60 + 60 < 120
120 < 120
Todas la horas disponibles en el departamento
de pintura, sern utilizadas as: 60 horas pin-
tando automviles y 60 horas pintando camio-
nes.
Mtodo Grfico
2X
1
+ 3X
2
< 120
2X
1
+ 3X
2
= 120
X
1
= 0 X
2
= 5
X
2
= 40 X
1
= 60
P(0,0) => 0 < 120
Verdad
X
1
+ X
2
< 50
X
1
+ X
2
= 50
X
1
= 0 X
2
= 0
X
2
= 50 X
1
= 50
P(0,0) => 0 < 50
Verdad
Z = 200X
1
+ 300X
2
200X
1
+ 300X
2
= 6000
X
1
= 0 X
2
= 0
X
2
= 20 X
1
= 30
73
X
1
+ X
2
< 50
30 + 20 < 50
50 < 50
Todas la horas disponibles en el departamento
de ensamble de carrocera, sern utilizadas as:
30 horas ensamblando carroceras en automvi-
les y 20 horas ensamblando carroceras en ca-
miones.
8. Regla de equivalencia y constante en la funcin objetivo
Una planta ensambladora de radios produce dos modelos, HiFi-1 y HiFi-
2, en la misma lnea de ensamble. La lnea de ensamble consta de tres
estaciones. Los tiempos de ensamble en las estaciones son:
Estacin de
trabajo
Radios HiFi-1 Radios HiFi-2
Minutos por unidad de producto producido
1 6 4
2 5 5
3 4 6
Cada estacin de trabajo tiene una disponibilidad mxima de 480 mi-
nutos por da. Sin embargo, las estaciones de trabajo requieren man-
tenimiento diario, que constituye el 10%, 14% y 12% de los 480 minu-
tos totales de que se dispone diariamente para las estaciones 1, 2 y 3
respectivamente. La compaa desea determinar las unidades diarias
que se ensamblarn de HiFi-1 y HiFi-2 a fin de minimizar la suma de
tiempos inactivos en las tres estaciones.
Solucin
X
j
=Cantidad de radios a producir del modelo j-simo (j=1=HiFi-1 ; j=2=HiFi-2)
Estacin
de trabajo
Disponibilidad
Mxima en minutos
Tiempo que se usar
Cada estacin de
trabajo en minutos
Tiempo inactivo de
Cada estacin de
trabajo en minutos
1 (1-0,10)480=432,0 6X
1
+ 4X
2
432,0 - 6X
1
+ 4X
2
2 (1-0,14)480=412,8 5X
1
+ 5X
2
412,8 - 5X
1
+ 5X
2
3 (1-0,12)480=422,4 4X
1
+ 6X
2
422,4 - 4X
1
+ 6X
2
Z = 432,0 - 6X
1
+ 4X
2
+ 412,8 - 5X
1
+ 5X
2
+ 422,4 - 4X
1
+ 6X
2
Z = -15X
1
15X
2
+ 1.267,2
Para facilitar la solucin del problema,
hacemos los siguientes cambios:
Mtodo Grfico
74
Z = -15X
1
15X
2
Como el trmino independiente 1.267,2 es
constante, lo podemos obviar y al final lo su-
mamos a la solucin optima
Max Z = 15X
1
+ 15X
2
Podemos multiplicar la funcin objetivo por
(-1) y maximizar, al final volvemos a multipli-
car a Z por (-1), esto se llama la regla de equi-
valencia: Min (-Z) = Max(+Z) Min (Z) = Max
(-Z)
Z = 15X
1
+ 15X
2
C.S.R. 6X
1
+ 4X
2
< 432,0
5X
1
+ 5X
2
< 412,8
4X
1
+ 6X
2
< 422,4
Restricciones debidas a la disponi-
bilidad de tiempo en cada una de las
estaciones de trabajo 1, 2 y 3 res-
pectivamente.
Xj > 0 ; j = 1, 2
1 Restriccin 2 Restriccin 3 Restriccin Funcin Objetivo
6X
1
+ 4X
2
< 432
6X
1
+ 4X
2
= 432
X
1
= 0 X
2
= 0
X
2
= 108 X
1
= 72
P(0,0) => 0 < 432
Verdad
5X
1
+ 5X
2
< 412,8
5X
1
+ 5X
2
= 412,8
X
1
= 0 X
2
= 0
X
2
= 82,56 X
1
= 82,56
P(0,0) => 0 < 412,8
Verdad
4X
1
+ 6X
2
< 422,4
4X
1
+ 6X
2
= 422,4
X
1
= 0 X
2
= 0
X
2
= 70,4 X
1
= 105,6
P(0,0) => 0 < 14
Verdad
Z = 15X
1
+ 15X
2
15X
1
+15X
2
= 600
X
1
= 0 X
2
= 0
X
2
= 40 X
1
= 40
5X
1
+ 5X
2
= 412,8 5X
1
+ 5X
2
= 412,8
6X
1
+ 4X
2
= 432 4X
1
+ 6X
2
= 422,4
Mtodo Grfico
75
Tiempo inactivo mnimo bajo las dos soluciones consideradas
Z
50,88 ; 31,68
= -15X
1
*
15X
2
*
+ 1.267,2 = -15(50,88) 15(31,68) + 1.267,2
= 28,8 minutos
Z
36,48 ; 46,08
= -15X
1
*
15X
2
*
+ 1.267,2 = -15(36,48) 15(46,08) + 1.267,2
= 28,8 minutos
Bajo cada una de las dos soluciones ofrecidas, de las mltiples, pode-
mos saber en las restricciones el tiempo inactivo de cada estacin de
trabajo.
Estacin de trabajo 1
6X
1
*
+ 4X
2
*
< 432
6(36,48) + 4(46,08) < 432
403,2 < 432
Tiempo inactiva: 28,8
minutos
5X
1
*
+ 5X
2
*
< 412,8
5(36,48) + 5(46,08)
< 412,8
412,8 < 412,8
No estar inactiva
4X
1
*
+ 6X
2
*
< 422,4
4(36,48) + 6(46,08) < 422,4
422,4 < 422,4
No estar inactiva
La estacin de trabajo 2, nunca tendr tiempo inactivo, siempre es-
tar trabajando todo su tiempo disponible, 412,8 minutos.
Mtodo Grfico
Bajo la solucin X
1
*
= 36,48 ; X
2
*
= 46,08
6X
1
*
+ 4X
2
*
< 432
6(50,88) + 4(31,68) < 432
432 < 432
No estar inactiva
5X
1
*
+ 5X
2
*
< 412,8
5(50,88) + 5(31,68)
< 412,8
412,8 < 412,8
No estar inactiva
4X
1
*
+ 6X
2
*
< 422,4
4(50,88) + 6(31,68)
< 422,4
393,6 < 422,4
Tiempo inactiva: 28,8
minutos
Bajo la solucin X
1
*
= 50,88 ; X
2
*
= 31,68
76
9. Un caso especial del mtodo grfico
Hallar el mximo y el mnimo, mediante el mtodo grfico, al siguiente
problema de programacin lineal.
Z = 3X
1
+ X
2
C.S.R. X
1
< 3
X
2
< 3
X
1
+ X
2
> 4
3X
1
+ 2X
2
= 12
Xj > 0 ; j = 1, 2
Solucin:
1 Restriccin
X
1
< 3
X
1
= 3
P(0,0) => 0 < 3
Verdad
2 Restriccin
X
2
< 3
X
2
= 3
P(0,0) => 0 < 3
Verdad
3 Restriccin
X
1
+ X
2
> 4
X
1
+ X
2
= 4
X
1
= 0 X
2
= 0
X
2
= 4 X
1
= 4
P(0,0) => 0 > 4
Falso
4 Restriccin
3X
1
+ 2X
2
= 12
X
1
= 0 X
2
= 0
X
2
= 6 X
1
= 4
Funcin
Objetivo
Z = 3X
1
+ X
2
3X
1
+ X
2
= 3
X
1
= 0 X
2
= 0
X
2
= 3 X
1
= 1
Mnimo
X
2
*
= 3
3X
1
+ 2X
2
= 12
3X
1
+ 2(3) = 12
X
1
*
= 2
Z
*

2,3
= 3X
1
*
+X
2
*
=3(2)+3=9
Mximo
X
1
*
= 3
3X
1
+ 2X
2
= 12
3(3) + 2X
2
= 12
X
2
*
= 3/2
Z
*

3,3/2
= 3X
1
*
+X
2
*
=3(3)+3/2=21/2=10,5
Mtodo Grfico
77
Fjese que aqu, el rea de soluciones factible es un segmento de la
recta 3X
1
+ 2X
2
= 12
Y sus extremos el mnimo y mximo respectivamente.
Nota: Puede darse el caso en que el rea de soluciones factible, se
reduzca a un punto, en cuyo caso el mximo = mnimo.
Ejercicios propuestos
1. Identifique el rea de soluciones factible para cada una de las
siguientes inecuaciones lineales, de forma independiente. Suponga
que todas las variables son positivas.
a) 3X
1
+ X
2
< 7 b) X
1
2X
2
> 5 c) 2X
1
3X
2
< 8
d) X
1
X
2
< 0 e) X
1
+ X
2
> 0 f) X
1
< 4
2. Identifique la direccin del crecimiento o decrecimiento de Z en
cada uno de los siguientes casos:
a) Maximizar Z = X
1
- X
2
b) Minimizar Z = -3X
1
+ X
2
c) Minimizar Z = - X
1
2X
2
d) Maximizar Z = 5X
1
- 6X
2
3. Determine el rea de soluciones factibles para el siguiente siste-
ma de inecuaciones lineales:
X
1
+ X
2
< 4
4X
1
+ 3X
2
< 12
-X
1
+ X
2
> 1
X
1
+ X
2
< 6
X
1
, X
2
> 0
Qu restricciones son redundantes ?
Reduzca el sistema al menor nmero de res-
tricciones que definirn el mismo espacio de
soluciones
4. Escriba las restricciones asociadas con el espacio de soluciones
que se presenta en la grfica e identifique todas las restricciones
redundantes.
Mtodo Grfico
78
5. Considere el siguiente problema:
Maximizar Z = 6X
1
- 2X
2
C.S.R. X
1
X
2
< 1
3X
1
- X
2
< 6
X
j
> 0 ; j = 1, 2
Demuestre en forma grfica y analtica
que en la solucin ptima, las variables X
1
y X
2
pueden aumentarse en forma indefi-
nida en tanto que el valor de la funcin
objetivo Z se mantiene constante.
6. Resuelva grficamente el siguiente problema:
Maximizar Z = 5X
1
+ 6X
2
C.S.R. X
1
2X
2
> 2
-2X
1
+ 3X
2

> 2
X
1
, X
2
irrestrictas en signo
7. Considere el siguiente problema:
Maximizar Z = 3X
1
+ 2X
2
C.S.R. 2X
1
+ X
2
< 2
3X
1
+ 4X
2
> 12
X
j

> 0 ; j = 1, 2
Demuestre grficamente que el proble-
ma no tiene puntos extremos factibles.
Qu se puede concluir en relacin con
la solucin al problema?
8. Resolver grficamente:
Maximizar Z = 5X
1
+ 2X
2
C.S.R. X
1
+ X
2
< 10
X
1
= 5
X
j

> 0 ; j = 1, 2
9. Considere el espacio de soluciones del punto 4; Determine la solu-
cin ptima, suponiendo que la funcin objetivo es la siguiente:
a) Min Z = 2X
1
+ 6X
2
b) Max Z = -3X
1
+ 4X
2
c) Min Z = 3X
1
+ 4X
2
d) Min Z = X
1
2X
2
e) Min Z = X
1
f) Max Z = X
1
Mtodo Grfico
79
Maximizar Z = 3X
1
+ 4X
2
C.S.R. -2X
1
+ 4X
2
< 16
2X
1
+ 4X
2
< 24
-6X
1
- 3X
2
> -48
X
j
> 0 ; j = 1, 2
a) Use el mtodo grfico para encon-
trar la solucin ptima (X
1
, X
2
) y el va-
lor de la funcin objetivo Z
*
b) Encuentre los valores de holgura o
excedente de cada restriccin.
11. Considere el siguiente problema de programacin lineal:
Minimice Z = 5X
1
+ 2X
2
C.S.R. 3X
1
+ 6X
2
> 18
5X
1
+ 4X
2
> 20
8X
1
+ 2X
2
> 16
7X
1
+ 6X
2
< 42
X
j

> 0 ; j = 1, 2
a) Use el mtodo grfico para encon-
trar la solucin ptima y Z
*
b) Cules restricciones son activas?
c) Cules son los valores de holgura o
excedente de cada restriccin?
d) Cuntos puntos extremos tiene la
regin factible?
Mtodo Grfico
80
81
Captulo 4
Mtodo Algebraico
Introduccin
En la necesidad de desarrollar un mtodo para resolver problemas de
programacin lineal de ms de dos variables, los matemticos
implementaron el mtodo algebraico, el que ms tarde se convertira
en el tan afamado mtodo simplex.
Como su nombre lo indica, el mtodo usa como su principal herramien-
ta, el lgebra, que ligada a un proceso de lgica matemtica dio como
resultado el mtodo algebraico.
Con el siguiente ejemplo se ilustra el algoritmo del mtodo algebraico;
El ejercicio que se usa para ello es de dos variables X
1
, X
2
, con el
propsito de observar lo que el mtodo realiza sobre la grfica en el
plano cartesiano, ofrecindonos sta metodologa la ventaja de com-
parar paso a paso el mtodo grfico con el mtodo algebraico.
82
Maximizar Z = X
1
+ X
2
C.S.R.
5X
1
+ 3X
2
< 15
3X
1
+ 5X
2
< 15
Xj > 0 ; j = 1, 2
Todo problema de programacin lineal que se
formule de la forma Maximice, con todas sus
restricciones < y con la condicin de no
negatividad, se le llama Forma Estndar
Forma Normal
El rea de soluciones factible, las coordenadas de cada esquina y el
valor de la funcin objetivo Z en cada una de ellas, se muestra en la
grfica siguiente:
Algoritmo del Mtodo Algebraico
1) Hallar una solucin bsica y factible (Solucin inicial)
a) Expresar las inecuaciones (desigualdades) como ecuaciones
(igualdades)
b) Hallar una variable bsica para cada ecuacin
c) Organizar el sistema de ecuaciones lineales
2) Escoger la variable que entra
3) Escoger la variable que sale
4) Reorganizar el sistema de ecuaciones
Mtodo Algebraico
Ejemplo 1
83
5) Repetir los pasos 2, 3 y 4 hasta encontrar la solucin
1) Hallar una solucin bsica factible
a) Expresar todas la inecuaciones como ecuaciones lineales, para
ello y en ste caso usamos variables de relleno, tambin llama-
das de holgura, para igualar el lado izquierdo al lado derecho
de la inecuacin; as:
5X
1
+ 3X
2
< 15 3X
1
+ 5X
2
< 15
5X
1
+ 3X
2
+ X
3
= 15 3X
1
+ 5X
2
+ X
4
= 15
Aqu X
3
y X
4
son las variables de holgura o relleno, que al adi-
cionarlas al lado izquierdo, establecen la igualdad con el lado
derecho de la inecuacin lineal.
La variables X
1
y X
2
se denominan variables de decisin o varia-
bles reales, las variables de relleno o holgura, se usan para con-
vertir una inecuacin en una ecuacin, esto es, igualar el lado
izquierdo al lado derecho. Las variables de holgura o de relleno,
se suman o restan al lado izquierdo de la inecuacin, segn con-
venga para establecer la igualdad.
b) Escoger en cada ecuacin una variable que sirva como solucin
inicial al problema y que tome un valor positivo ( > 0), NO son
elegibles las variables de decisin o variables reales. Entonces,
las variables de holgura o relleno (si las hay), son las primeras
opcionadas a ser escogidas como variables bsicas y factibles,
lo que significa que deben tomar un valor mayor o igual a cero (
> 0), dicho de otra forma, las variable bsicas factibles, deben
cumplir con la condicin de no negatividad. De no conseguirse
una variable de holgura que sea factible, se utiliza el recurso de
las variables de sper-avit o artificiales, pero de ste caso nos
ocuparemos en el segundo ejemplo, para el que usaremos el de-
nominado mtodo de la gran M.
Aqu tanto X
3
como X
4
, variables de holgura, son escogidas como
variables bsicas factibles, ya que ambas asumen valores positi-
vos al ser X
1
y X
2
variables no bsicas e iguales a cero (0), esto
es:
5X
1
+ 3X
2
+ X
3
= 15 3X
1
+ 5X
2
+ X
4
= 15
X
1
= X
2
= 0 , entonces X
1
= X
2
= 0 , entonces
X
3
= 15 , valor > 0 X
4
= 15 , valor > 0
Mtodo Algebraico
84
Organizamos el sistema de ecuaciones de la siguiente manera:
En la ecuacin ( 0 ) siempre Z
es la variable bsica.
Fjese que en cada ecuacin existe una y solo una variable bsica con
coeficiente ( 1 ), lo que permite leer su valor de manera automtica al
lado derecho; esto es:
Z = 0 ; X
3
= 15 y X
4
= 15 ; esto es una SOLUCIN BSICA FACTIBLE.
Una lista clasificada de las variables es:
X
1
= 0 Variable de decisin variable real, Variable no bsica
X
2
= 0 Variable de decisin variable real, Variable no bsica
X
3
= 15 Variable de holgura relleno, Variable bsica
X
4
= 15 Variable de holgura relleno, Variable bsica
Z = 0 Variable de decisin variable real, Variable bsica,Siempre !!
2) Escoger la variable que entra
Aqu analizamos si existe una solucin mejor que la solucin bsica
factible, para ello despejamos de la ecuacin (0) del sistema de
ecuaciones inmediatamente anterior a Z y hacemos la siguiente
pregunta:
CUL ES LA VARIABLE QUE AL CRECER HACE QUE Z CREZCA MS?
Aqu la velocidad de crecimiento, tanto de X
1
como de X
2
es uno
(1), coeficiente de las variables X
1
y X
2
, luego se presenta un em-
pate, el cual se dirime al azar, escogemos como variable para en-
trar a X
1
. Como regla general, la variable para entrar es aquella
que al crecer haga que Z crezca ms, ya que el objetivo es Maximizar
el valor de Z, Dicho de otra forma, entrar la variable que tenga el
coeficiente ms positivo, si estuvisemos minimizando se escoge la
variable que haga que Z disminuya ms, o sea la que tenga el coefi-
ciente ms negativo. Si no hubiese variable para entrar, ello indica
que nos encontramos en la solucin ptima.
Mtodo Algebraico
85
(1) X
3
= 15 5X
1
3X
2
(2) X
4
= 15 3X
1
5X
2
Como de las variables no bsicas X
1
y X
2
ya fue escogida X
1
para entrar a la
base, entonces X
2
seguir siendo varia-
ble no bsica e igual a cero (0), esto sim-
plifica las ecuaciones as:
(1) X
3
= 15 5X
1
(2) X
4
= 15 3X
1
Fjese que para todos los casos, siem-
pre quedarn despejadas las variables
bsicas en funcin de la variable esco-
gida para entrar.
Aqu la pregunta es:
CUL ES LA VARIABLE BSICA QUE RESTRINGE MS EL
CRECIMIENTO DE LA VARIABLE QUE ENTRA?
Para averiguarlo, hacemos que las variables bsicas X
3
y X
4
asuman su
menor valor factible o sea cero (0) y observamos el valor que asume la
variable escogida para entrar (X
1
).
(1) 15 5X
1
= X
3
(1) 15 5X
1
= 0
X
1
= 3
X
3
deja crecer a X
1
, como mxi-
mo hasta 3
(2) 15 3X
1
= X
4
(2) 15 3X
1
= 0
X
1
= 5
X
4
deja crecer a X
1
, como mxi-
mo hasta 5
Resumiendo:
La variable bsica que debe salir es aquella que restringa ms el creci-
miento de la variable que entra, en caso de empate, se dirime arbitra-
riamente. Aqu se est cuidando la factibilidad de las variables, esto
es, que todas sean positivas ( > 0 ) . En el caso de ser un problema de
minimizacin, la presente regla de seleccin es la misma.
Mtodo Algebraico
3) Escoger la variable que sale
Despejamos de la ecuacin ( 1 ) y ( 2 ) las variables bsicas.
86
Para nuestro problema, la variable que sale es X
3
ya que como mxi-
mo dejar crecer a X
1
hasta 3, mientras que X
4
la deja crecer como
mximo hasta 5.
4) Reorganizar el sistema de ecuaciones
Observe que al entrar X
1
y salir X
3
, el sistema de ecuaciones ya no
tendr una sola variable bsica en cada fila con coeficiente uno (1),
esto es:
Fjese que en la ecuacin (1) se encuentra la variable que entra X
1
y la
variable que sale X
3
por ello en sta fila solo queda como variable b-
sica X
1
, lo molo aqu es que tiene coeficiente diferente de uno (1), por
ello multiplicamos toda la fila por el inverso del coeficiente de X
1
(1/
5) y la ecuacin resultante la llamamos Fila Pivote ya que posterior-
mente servir para eliminar a X
1
de las ecuaciones (0) y (2).
(1) 5X
1
+ 3X
2
+ X
3
= 15 (1/5)
(1) X
1
+ 3/5X
2
+ 1/5X
3
= 3 Fila pivote
Para encontrar el nuevo sistema de ecuaciones en el que en cada fila
figure una y solo una variable bsica con coeficiente uno (1), de tal
forma que se pueda leer automticamente su valor en el trmino inde-
pendiente de cada ecuacin, multiplicamos la fila pivote por el coefi-
ciente de X
1
(multiplicado por 1), de cada una de las otras ecuaciones
y sumamos la fila pivote con cada una de las otras ecuaciones para
encontrar las nuevas ecuaciones del sistema. Para nuestro problema,
esto es:
Multiplicamos la fila pivote, fila (1) por uno (1) y le sumamos la fila
(0). El resultado es la nueva fila (0).
(1) X
1
+ 3/5X
2
+ 1/5X
3
= 3 (1) (0) Z X
1
- X
2
= 0
(1) X
1
+ 3/5X
2
+ 1/5X
3
= 3
Nueva fila (0) Z - 2/5X
2
+ 1/5X
3
= 3
Mtodo Algebraico
87
Fjese que hemos eliminado a X
1
de la ecuacin (0)
Multiplicamos la fila pivote por (-3) y le sumamos la fila (2), el resul-
tado es la nueva ecuacin (2)
Fjese que hemos eliminado a X
1
de la ecuacin (2)
El nuevo sistema de ecuaciones es:
Una lista clasificada de variables para sta iteracin es:
X
1
= 3
X
2
= 0
X
3
= 0
X
4
= 6
Z = 3
Variable de decisin variable real
Variable de holgura relleno
Variable de holgura relleno
Variable bsica
Variable no bsica
Variable no bsica
Variable bsica
Variable bsica
Fjese en las siguientes caractersticas que siempre debe tener el sis-
tema de ecuaciones
En cada fila hay una y solo una variable bsica con coeficiente
uno (1)
En la funcin objetivo, ecuacin cero (0), la variable bsica siem-
pre es Z y estar acompaada por las variables no bsicas.
Los trminos independientes, siempre sern los valores de las va-
riables bsicas para cada ecuacin.
Observe en la grfica, que lo que ha hecho el mtodo algebraico es
saltar de una esquina del rea de soluciones factible a otra esquina
contigua y ha empezado por la peor solucin bsica factible posible.
Mtodo Algebraico
(1) X
1
+ 3/5X
2
+ 1/5X
3
= 3 (-3) (2) 3X
1
+ 5X
2
+ X
4
= 15
(1) -3X
1
- 9/5X
2
- 3/5X
3
= -9
Nueva fila (2) 16/5X
2
- 3/5X
3
+ X
4
= 6
88
Ahora la pregunta es:
ES STA LA SOLUCIN PTIMA?
La respuesta la hallamos, si encontramos una variable que al entrar
haga que la funcin objetivo crezca ms, lo anterior significa que de-
bemos repetir los pasos 2, 3 y 4 hasta que no se encuentre una variable
que haga que Z crezca, cuando ello ocurra estamos en el ptimo.
II Iteracin
Variable que entra
Z = 2/5X
2
1/5X
3
+ 3 ; variable que entra: X
2
Variable que sale
X
1
= 3 3/5X
2
X
2
< 5
X
4
= 6 16/5X
2
X
2
< 15/8 = 1,875 ; variable que sale X
4
Nuevo sistema de ecuaciones
ltimo sistema de ecuaciones
(0) Z - 2/5X
2
+ 1/5X
3
= 3
(1) X
1
+ 3/5X
2
+ 1/5X
3
= 3
(2) + 16/5X
2
- 3/5X
3
+ X
4
= 6 (5/16)
Mtodo Algebraico
89
(0)
(1)
(2)
Z +
+
-
1/8X
3
5/16X
3
3/16X
3
+
-
+
1/8X
4
3/16X
4
5/16X
4
=
=
=
15/4
15/8
15/8 (2/5) (-3/
5)
X
1
X
2
III Iteracin
Variable que entra
(0) Z +1/8X
3
+ 1/8X
4
= 15/4
Z = 15/4 1/8X
3
1/8X
4
Ninguna variable al crecer hace que Z crezca, luego estamos en la
solucin ptima.
Solucin ptima
Variables de decisin reales Variables de holgura relleno
X
1
*
= 15/8 = 1,875 X
3
* = X
4
* = 0
X
2
*
= 15/8 = 1,875
Z
*
= 15/4 = 3,75
Fjese que X
3
= X
4
= 0 significa, que los recursos que representan las
restricciones 1 y 2 se usarn en su totalidad, ambas restricciones son
activas, de estricto cumplimiento.
Ahora resolveremos un segundo ejemplo que tiene las siguientes ca-
ractersticas.
El criterio de optimizacin en la funcin objetivo es de Minimizacin
Ms de 2 variables, de hecho tendr tres (3) variables de decisin rea-
les.
Se consideran en las restricciones las inecuaciones del tipo < , = y >
Aprenderemos en ste ejemplo, cmo el mtodo algebraico nos indica que
el problema tiene mltiples soluciones.
Ejemplo 2
Minimizar Z = 6X
1
+ 4X
2
+ 2X
3
C.S.R.
6X
1
+ 2X
2
+ 6X
3
> 6
6X
1
+ 4X
2
= 12
2X
1
- 2X
2
< 2
Xj > 0 ; j = 1, 2, 3
Mtodo Algebraico
90
I Iteracin
El objetivo de la primera iteracin es conseguir la solucin bsica fac-
tible y lograr el primer sistema de ecuaciones, para esto conseguire-
mos en cada una de las restricciones una variable bsica factible, as:
Primera restriccin: 6X
1
+ 2X
2
+ 6X
3
> 6
Aqu para establecer la igualdad, se hace necesario restar una varia-
ble al lado izquierdo en atencin a que es mayor igual al lado dere-
cho, para ello empleamos la variable X
4
, resultando la siguiente igual-
dad: 6X
1
+ 2X
2
+ 6X
3
X
4
= 6 . Ahora escogemos una variable en sta
ecuacin para ser variable bsica factible, la candidata es X
4
, pero
ella toma el valor de X
4
= -6 (recuerde que X
1
= X
2
= X
3
son Variables
de decisin reales, no bsicas e iguales a cero (0)), en atencin a que
X
4
asume un valor no factible (negativo, no cumple con la condicin de
no negatividad), se hace necesario emplear una nueva variable, que
adicionada convenientemente asuma un valor factible y nos sirva como
variable bsica, sta variable la llamamos X
5
y se denomina variable de
Super-avit variable artificial, quedando la ecuacin de la siguiente
manera: 6X
1
+ 2X
2
+ 6X
3
X
4
+ X
5
= 6 ; Aqu escogemos como variable
bsica a X
5
quien asume el valor de X
5
= 6, las dems variables son no
bsicas iguales a cero (0). Lo nico malo es que al adicionar X
5
al lado
izquierdo de la ecuacin, la hemos desbalanceado, a no ser que nos
aseguremos que X
5
al final valga cero (0), esto se logra, castigando
adicionando a X
5
en la funcin objetivo con un coeficiente muy grande
en comparacin con el resto de coeficientes de las dems variables,
de tal forma que nunca sea escogida para entrar a la base y termine
siendo variable no bsica igual a cero (0), este artificio matemtico es
conocido como mtodo de la gran M. Aqu como nuestra funcin obje-
tivo tiene como criterio de optimizacin minimizar, la variable que en-
tra ser aquella que tenga el coeficiente ms negativo, por ello debe-
mos adicionar a X
5
como +MX
5
, de sta manera jams ser escogida
para entrar a la base. La funcin objetivo queda de la siguiente mane-
ra: Minimizar Z = 6X
1
+ 4X
2
+ 2X
3
+ MX
5
Segunda restriccin: 6X
1
+ 4X
2
= 12
Aqu la igualdad ya est hecha, luego no se necesita variable de holgu-
ra relleno, pero al escoger variable tenemos el inconveniente de no
encontrar ninguna variable como candidata ya que inicialmente X
1
=
X
2
= X
3
son Variables de decisin reales, no bsicas e iguales a cero
(0). Debemos entonces hacer uso de la variable artificial Super-avit
Mtodo Algebraico
91
X
6
adicionndola convenientemente en la igualdad de tal manera que
asuma un valor factible ( > 0 ), quedando as: 6X
1
+ 4X
2
+ X
6
= 12 , por
supuesto la adicionamos a la funcin objetivo como +MX
6
, quedando la
funcin objetivo as: Minimizar Z = 6X
1
+ 4X
2
+ 2X
3
+ MX
5
+ MX
6
.
Nota: Siempre que se adiciona una variable artificial de Super-avit, se
debe adicionarla en la funcin objetivo. Si la funcin objetivo es Maximice la
adicionamos como MXj y si la funcin objetivo es Minimice la adicionamos
como +MXj.
Tercera restriccin: 2X
1
- 2X
2
< 2
Para sta restriccin solo necesitamos una variable de holgura relle-
no X
7
que asume como variable bsica factible en razn a toma un
valor de X
7
= 2
El problema queda expresado de la siguiente manera:
Minimizar Z = 6X
1
+ 4X
2
+ 2X
3
+ MX
5
+ M
6
C.S.R.
6X
1
+ 2X
2
+ 6X
3
X
4
+ X
5
= 6
6X
1
+ 4X
2
+ X
6
= 12
2X
1
- 2X
2
+ X
7
= 2
Xj > 0 ; j = 1, 2, 3, 4, 5, 6, 7
El sistema de ecuaciones es:
(0) Z - 6X
1
- 4X
2
- 2X
3
- MX
5
- MX
6
= 0
(1) 6X
1
+ 2 X
2
+ 6X
3
- X
4
+ X
5
= 6 (M)
(2) 6X
1
+ 4X
2
+ X
6
= 12 (M)
(3) 2X
1
- 2 X
2
+ X
7
= 2
Antes de empezar a iterar, debemos asegurar que en cada ecuacin
exista una y solo una variable bsica con coeficiente uno (1) y que en
la ecuacin (0), la variable bsica sea Z. Como en la ecuacin (o) exis-
ten adicionalmente a Z dos variables bsicas X
5
y X
6
, debemos tratar
la ecuacin (0) con las ecuaciones (1) y (2) para eliminar a X
5
y X
6
de la
ecuacin (0), ello se logra sumndole a la ecuacin (0) el resultado de
multiplicar las ecuaciones (1) y (2) por M. La nueva ecuacin (0) por
supuesto solo tendr como variable bsica a Z.
Mtodo Algebraico
92
(0) Z - 6X
1
- 4X
2
- 2X
3
- MX
5
- MX
6
= 0
(1) 6MX
1
+ 2MX
2
+ 6MX
3
- MX
4
+ MX
5
= 6M
(2) 6MX
1
+ 4MX
2
+ MX
6
= 12M
(0) Z + (12M-6)X
1
+ (6M-4)X
2
+ (6M-2)X
3
- MX
4
= 18M
El nuevo sistema de ecuaciones es:
(0)
(1)
(2)
(3)
Z + (12M-6)X
1
6X
1
6X
1
2X
1
+
+
+
-
(6M-4)X
2
2 X
2
4X
2
2 X
2
+
+
(6M-2)X
3
6X
3
-
-
MX
4
X
4
-
+
= 18 M
= 6
= 12
= 2
-
X
5
-
+
-
X
6
-
+
-
X
7
En sta primera iteracin el valor de las variables es:
X
1
= NB = 0 X
5
= VB = 6 Solucin: X
1
= 0
X
2
= NB = 0 X
6
= VB = 12 X
2
= 0
X
3
= NB = 0 X
7
= VB = 2 X
3
= 0
X
4
= NB = 0 Z = VB = 18M Z = 18M
II iteracin
Variable que entra: Z = 18M(12M6)X
1
(6M-4)X
2
(6M-2)X
3
+ MX
4
Variable que entra: X
1
Variable que sale:
X
5
= 6 6X
1
X
1
< 1
X
6
= 12 6X
1
X
1
< 2
X
7
= 2 2X
1
X
1
< 1
Aqu se presenta un empate entre X
5
y
X
7
, arbitrariamente se escoge como
variable para salir a X
5
.
Mtodo Algebraico
(0)
(1)
(2)
(3)
Z + (12M-6)X
1
6X
1
6X
1
2X
1
+
+
+
-
(6M-4)X
2
2 X
2
4X
2
2 X
2
+
+
(6M-2)X
3
6X
3
-
-
MX
4
X
4
-
+
-
X
5
-
-
X
6
-
-
X
7
=
=
=
=
18 M
6 (1/6)
12
2
(0)
(1)
(2)
(3)
X
1
Z +(2M-2)X
2
+ 1/3X
2
2X
2
- 8/3X
2
-(6M-4)X
3
+ X
3
- 6X
3
- 2X
3
+(M-1)X
4
- 1/6X
4
+ X
4
+ 1/3X
4
-(2M-1)X
5
+ 1/6X
5
- X
5
- 1/3X
5
+X
6
+X
7
=
=
=
=
6M+6
1
6
0
[-(12M-6)], (-6), (-2)
93
En sta segunda iteracin el valor de las variables es:
X
1
= VB = 1 X
5
= NB = 0 Solucin: X
1
= 1
X
2
= NB = 0 X
6
= VB = 6 X
2
= 0
X
3
= NB = 0 X
7
= VB = 0 X
3
= 0
X
4
= NB = 0 Z = VB = 6M + 6 Z = 6M + 6
III iteracin
Variable que entra: Z=(6M+6)-(2M-2)X
2
+(6M-4)X
3
(M1)X
4
+(2M-1)X
5
2
Variable que sale:
X
1
= 1 1/3X
2
X
2
< 3
X
6
= 6 2X
2
X
2
< 3
X
7
= 8/3X
2
No restringe
Aqu se presenta un empate entre
X
1
y X
6
, arbitrariamente se escoge
como variable para salir a X
6
.
Observe que para cualquier valor positivo de la variable que entra X
2
,
X
7
permanecer positiva, esto quiere decir que X
7
no restringe el cre-
cimiento de la variable que entra X
2
(0)
(1)
(2)
(3)
Z
X
1
+
+
-
(2M-2)X
2
1/3 X
2
2X
2
8/3 X
2
+
+
-
-
(6M-4)X
3
X
3
6X
3
2X
3
+
-
+
+
(M-1)X
4
1/6X
4
X
4
1/3X
4
-
+
-
-
(2M-1)X
5
1/6X
5
X
5
1/3X
5
+ X
6
+ X
7
=
=
=
=
6M+6
1
6
0
(1/2)
(0)
(1)
(2)
(3)
Z
[-(2M-2)] (-1/3) (8/3)
X
1
X
2
-
+
-
-
2X
3
2X
3
3X
3
10X
3
-
+
+
1/3X
4
1/2X
4
5/3X
4
-
+
-
-
MX
5
1/3X
5
1/2X
5
5/3X
5
-
-
+
+
(M-
1)X
6
1/6X
6
1/2X
6
4/3X
6
+ X
7
=
=
=
=
12
0
3
8
En sta tercera iteracin el valor de las variables es:
X
1
= VB = 0 X
5
= NB = 0 Solucin:X
1
= 0
X
2
= VB = 3 X
6
= NB = 0 X
2
= 3
X
3
= NB = 0 X
7
= VB = 8 X
3
= 0
X
4
= NB = 0 Z = VB = 12 Z = 12
Variable que entra: Z = 12 + 2X
3
+ MX
5
+ (M-1)X
6
Mtodo Algebraico
94
No hay variable que al crecer haga que Z disminuya (Minimizar), en-
tonces estamos en la solucin ptima.
El mtodo algebraico da una seal de que el problema tiene mltiples
soluciones, cuando el coeficiente en la funcin objetivo (Ecuacin (0))
de una variable no bsica es cero (0). Aqu el coeficiente de la variable
no bsica X
4
en la funcin objetivo es cero (0).
Solucin: El problema tiene mltiples soluciones, una de ellas es:
Fjese que las variables artificiales X
5
* y X
6
* terminaron siendo no
bsicas iguales a cero (0), de acuerdo con el artificio matemtico ini-
cial mtodo de la gran M.
Al reemplazar la solucin ptima en las restricciones se obtiene que:
6X
1
+ 2X
2
+ 6X
3
> 6
5(0) + 2(3) + 6(0) > 6
6 > 6
Restriccin activa
Se usa el mnimo recurso
6X
1
+ 4X
2
= 12
6(0) + 4(3) = 12
12 = 12
Restriccin activa
Se usa todo el recurso
2X
1
- 2X
2
< 2
2(0) 2(3) < 2
-6 < 2
Restriccin no activa
Se usa menos del recurso
Notas importantes:
Cuando en la solucin ptima, al menos una de las variables bsicas
sea variable artificial de Super-avit, el problema no tiene solu-
cin, a no ser que valga cero ( 0 )
Cuando al decidir cul es la variable para entrar a la base, todas
las variables bsicas no restringen a la variable que entra, enton-
ces es un problema de solucin indeterminada.
Cuando en una iteracin se escoge una variable para entrar y otra
para salir y en la siguiente iteracin se escoge como variable para
entrar la que sali y como variable para salir la que entro, se dice
que el problema se ha degenerado y por lo tanto no tiene una solu-
Mtodo Algebraico
Variables de decisin Variables de holgura Variables artificiales
X
1
* = 0
X
2
* = 3 X
4
* = 0 X
5
* = 0
X
3
* = 0 X
7
* = 8 X
6
* = 0
Z* = 12
95
cin, ya que en las iteraciones siguientes se repetirn
sistemticamente los sistemas de ecuaciones.
Un resumen para las reglas de decisin del mtodo algebraico es:
Criterio a decidir Maximizar Minimizar
Gran M -M +M
Variable que entra La ms positiva (+) La ms negativa (-)
Variable que sale La menos (+) La menos (+)
ptimo Todos los Cj < 0 Todos los Cj > 0
Ejemplo 3
La empresa Laminas S.A. produce lminas de 180 x 30 cm. ; ha recibido
los siguientes tres (3) pedidos: 5.000 lminas de 60 x 30 cm. ; 15.000
lminas de 70 x 30 cm. Y 5.000 lminas de 50 x 30 cm. La empresa
desea cumplir exactamente con los pedidos, no quiere tener existen-
cias en inventario y desea saber cul debe ser su programacin de
corte, de tal manera que minimice el desperdicio.
Xj = Nmero de lminas a cortar de la forma j-sima
(j=1,2,3,4,5,6,7)
Minimizar Z = 10X
2
+30X
3
+40X
4
+10X
5
+20X
7
C.S.R. = Con las siguientes restricciones:
3X
1
+ 2X
2
+ X
6
+ X
7
= 5.000
2X
4
+ X
5
+ X
6
= 15.000
X
2
+ 3X
3
+ 2X
5
+ X
6
+ 2X
7
= 5.000
Xj > 0 ; j = 1,2,3,4,5,6,7
Min
Z=10X
2
+30X
3
+40X
4
+10X
5
+20X
7
+MX
8
+MX
9
+MX
10
C.S.R.
3X
1
+ 2X
2
+ X
6
+ X
7
+ X
8
= 5.000
2X
4
+ X
5
+ X
6
+ X
9
= 15.000
X
2
+ 3X
3
+ 2X
5
+ X
6
+ 2X
7
+ X
10
= 5.000
Xj > 0 ; j = 1,2,3,4,5,6,7,8,9,10
Variables bsicas X
8
, X
9
y X
10
Mtodo Algebraico
96
I Iteracin
II Iteracin
1
Variable que sale : X
8
X
8
= 5.000 3X
1
X
1
< 5.000/3
X
9
= 15.000 No Restringe
X
10
= 5.000 No Restringe
III Iteracin
5
10
X
1
= 5.000/3 No restringe
X
9
= 15.000 X
5
X
5
< 15.000
X
10
= 5.000 2X
5
X
5
< 2.500
IV Iteracin
4
9
X
1
= 5.000/3 No restringe
X
9
= 12.500 2X
5
X
4
< 6.250
X
5
= 2.500 No restringe
Mtodo Algebraico
97
V Iteracin
Variable que entra:
X
6
1
X
1
= 5.000/3 1/3X
6
X
6
< 5.000
X
4
= 6.2500 1/4X
6
X
6
< 25.000
X
5
= 2.500 - 1/2X
6
X
6
< 5.000
Variable que entra: No hay variable para entrar, estamos en el ptimo.
Solucin:
Variables de decisin
o
Variables reales
X
1
*=X
2
*=X
3
*=X
5
*=X
7
*=0
X
4
* = 5.000
X
6
* = 5.000
Z* = 200.000
Variables artificiales
o
Variables de Super avit
X
8
* = X
9
* = X
10
* = 0
Interpretacin: Para que halla un mnimo de desperdicio de 200.000
cm de lmina y cumplir exactamente con los pedidos, hay que cortar
5.000 lminas de la forma 4 y 5.000 lminas de la forma 6
Resolver empleando el mtodo grfico, si el problema es de dos (2)
variables y mediante el mtodo algebraico, los siguientes ejercicios:
1) Maximizar Z = 3X
1
+ 5X
2
C.S.R.
X
1
< 4
3X
1
+ 2X
2
< 18
Xj > 0 ; j = 1, 2
Respuesta:
X
1
* = 0
X
2
* = 9
Z* = 45
2) Maximizar Z = 3X
1
+ 5X
2
C.S.R.
X
1
< 4
X
2
< 6
3X
1
+ 2X
2
< 18
Xj > 0 ; j = 1, 2
Respuesta:
X
1
* = 2
X
2
* = 6
Z* = 36
Mtodo Algebraico
98
3) Minimizar Z = 4X
1
+ X
2
C.S.R.
3X
1
+ X
2
= 3
4X
1
+ 3X
2
> 6
X
1
+ 2X
2
< 4
Xj > 0 ; j = 1, 2
Respuesta:
X
1
* = 2/5 = 0,4
X
2
* = 9/5 = 1,8
Z* = 17/5 = 3,4
4) Minimizar Z = X
1
+
2X
2
C.S.R.
3X
1
+ X
2
> 3
4X
1
+ 3X
2
> 6
X
1
+ X
2
< 3
Xj > 0 ; j = 1, 2
Respuesta:
X
1
* = 3/2 = 1,5
X
2
* = 0
Z* = 3/2 = 1,5
5) Maximizar Z = X
1
+ X
2
C.S.R.
X
1
+ 2X
2
< 6
2X
1
+ X
2
> 9
Xj > 0 ; j = 1, 2
Respuesta:
X
1
* = 6
X
2
* = 0
Z* = 6
6) Maximizar Z = 2X
1
+
3X
2
C.S.R.
X
1
+ 3X
2
< 6
3X
1
+ 2X
2
< 6
Xj > 0 ; j = 1, 2
Respuesta:
X
1
* = 0,8571
X
2
* = 1,7143
Z* = 6,8571
7) Max Z = 6X
1
+ 4X
2
+ 2X
3
C.S.R.
6X
1
+ 2X
2
+ 6X
3
< 6
6X
1
+ 4X
2
= 12
2X
1
- 2X
2
< 2
Xj > 0 ; j = 1,2,3
Respuesta:
X
1
* = 0
X
2
* = 3
X
3
* = 0
Z* = 12
8) Max Z = 4X
1
- 2X
2
+ 2X
3
C.S.R.
2X
1
+ 2X
2
+ 2X
3
+ 2X
4
< 16
4X
2
2X
3
< 8
4X
1
- 2X
2
- X
4
< 4
Xj > 0 ; j = 1,2,3,4
Respuesta:
X
1
* = 1
X
2
* = 0
X
3
* = 7
X
4
* = 0
Z* = 18
Mtodo Algebraico
99
9) Max Z = 5X
1
- 2X
2
+ 3X
3
C.S.R.
2X
1
+ 2X
2
- X
3
> 2
3X
1
- 4X
2
< 3
X
2
+ 3X
3
< 5
Xj > 0 ; j = 1,2,3
Respuesta:
X
1
* = 23/3 = 7,6
X
2
* = 5
X
3
* = 0
Z* = 85/3 = 28,3
10) Max Z = 6X
1
- 2X
2
C.S.R.
X
1
- X
2
< 1
3X
1
- X
2
< 6
Xj > 0 ; j = 1,2
Respuesta:
X
1
* = 5/2 = 2,5
X
2
* = 3/2 = 1,5
Z* = 12
11) Min Z = 3X
1
- 9X
2
- 5X
3
+ 4X
4
C.S.R.
X
1
+ 4X
2
+ 5X
3
+ 8X
4
< 8
X
1
+ 2X
2
+ 6X
3
+ 4X
4
< 4
Xj > 0 ; j = 1,2,3,4
Respuesta:
X
1
* = 0
X
2
* = 2
X
3
* = 0
X
4
* = 0
Z* = -18
12) Min Z = 2X
1
+ 9X
2
+ 6X
3
+ 8X
4
C.S.R.
X
1
+ X
2
+ X
3
- X
4
= 1
X
1
+ 2X
2
- X
3
+ 2X
4
= 0
Xj > 0 ; j = 1,2,3,4
Respuesta:
X
1
* = 1/2 = 0,5
X
2
* = 0
X
3
* = 1/2 = 0,5
X
4
* = 0
Z* = 4
13) Min Z = 0,5X
1
+ 1,5X
2
0,5X
3
C.S.R.
-0,5X
1
0,5X
2
+ X
3
< 2,5
X
1
0,5X
2
+ 0,5X
3
< 3,0
0,5X
1
1,5X
2
+ 2,5X
3
> 10,0
Xj > 0 ; j = 1,2,3
Respuesta:
X
1
* = 4
X
2
* = 13
X
3
* = 11
Z* = 16
14) Max Z = X
1
+ 2X
2
- X
3
+ 4X
4
C.S.R.
X
1
+ 2X
2
- 3X
3
+ X
4
= 4
X
1
+ 2X
2
+ X
3
+ 2X
4
= 4
Xj > 0 ; j = 1,2,3,4
Respuesta:
X
1
* = 0
X
2
* = 2
X
3
* = 0
X
4
* = 0
Z* = 4
Soluciones mltiples
Mtodo Algebraico
100
101
Captulo 5
Mtodo Simplex
Introduccin
El mtodo algebraico es muy dispendioso, en razn a que trabaja con
todos los datos de las ecuaciones, para mejorar ste aspecto se cre
el mtodo simplex cuya gran virtud es su sencillez, mtodo muy prc-
tico, ya que solo trabaja con los coeficientes de la funcin objetivo y
de las restricciones. Ilustraremos su funcionamiento mediante un ejem-
plo, pero previamente mostraremos las reglas de decisin para deter-
minar la variable que entra, la que sale, la gran M, y cmo determinar
que estamos en el ptimo; Todas stas reglas de decisin fueron dedu-
cidas del mtodo algebraico, solamente que aqu se han acomodado
para ser usadas en el tipo de tablero simplex que se usar.
Gran M en la funcin
objetivo
Criterio de decisin
Maximizar Minimizar
- MXj +MXj
Variable que entra
La ms negativa de los
Zj - Cj
La ms positiva de los
Zj - Cj
Variable que sale
La menos positiva de los
b/a , Siendo a > 0 , de lo
contrario no restringe
La menos positiva de los
b/a , Siendo a > 0 , de lo
contrario no restringe a
la variable que entra
Solucin ptima
Cuando todos los
Zj Cj > 0
Cuando todos los
Zj Cj < 0
102
Adicionalmente se presentan las siguientes notas a tener en cuanta:
Si en el tablero simplex de la solucin ptima queda al menos una
variable de Super avit artificial dentro de las variables bsicas,
con un valor > 0 , el problema no tiene solucin, esto quiere decir
que al menos existen dos restricciones excluyentes, por lo tanto
no existe rea de soluciones factible y menos una solucin , en ste
caso se debe revisar la formulacin del problema.
Si al escoger la variable que sale, ninguna de las variables bsicas
restringe el crecimiento de la variable no bsica escogida para en-
trar, el problema tiene solucin indeterminada y se debe revisar la
formulacin en busca de una nueva restriccin que no se tuvo en
cuenta en la formulacin inicial.
Si en el tablero simplex del ptimo, al menos una de las variables no
bsicas tiene coeficiente cero (0) en la funcin objetivo, esto es
su Zj Cj = 0, el problema tiene mltiples soluciones y se nos est
ofreciendo una de ellas.
Ejemplo 1: Solucin nica
Maximizar Z = X
1
+ X
2
C.S.R.
5X
1
+ 3X
2
< 15
3X
1
+ 5X
2
< 15
Xj > 0 ; j = 1, 2
Todo problema de programacin lineal que
se formule de la forma Maximice, con todas
sus restricciones < y con la condicin de no
negatividad, le llamaremos Forma Estndar
Forma Normal.
Aqu, al igual que en el mtodo algebraico, debemos conseguir una so-
lucin bsica factible, empleando las variables de holgura y/o artifi-
ciales, quedando el sistema de ecuaciones as:
Maximizar Z = X
1
+ X
2
C.S.R.
5X
1
+ 3X
2
+ X
3
= 15
3X
1
+ 5X
2
+ X
4
= 15
Xj > 0 ; j = 1,2,3,4
Las variables bsicas son X
3
y X
4
y por su
puesto en la funcin objetivo Z.
Este ejercicio es el ejemplo 1 del capitu-
lo de mtodo algebraico. Compare los re-
sultados entre los dos mtodos.
A continuacin construimos la siguiente tabla:
Mtodo Simplex
103
El valor de la funcin objetiva Z, se encuentra frente a la casilla de Zj
Cj , en ste caso vale cero (0) y se calcula multiplicando el vector fila
(en la tabla es la columna inmediatamente anterior a la de las variables
bsica V.B.) que contiene los coeficientes de las variables bsicas en
la funcin objetiva original por el vector columna de los trminos in-
dependientes b
C
XB
= Vector fila de los coeficientes en la funcin objetivo original de
las variables bsicas actuales, sus valores se encuentran en la primera
columna del tablero.
b = Vector columna de los trminos independientes de las restriccio-
nes, que al mismo tiempo son los valores de las variables bsicas actua-
les, sus valores se encuentran bajo la columna denominada b
El valor de los Zj Cj se calcula multiplicado el vector fila C
xB
por el
vector apuntador a
j
de la columna de la variable j-sima, menos el Cj,
esto es:
Zj Cj = C
xB
a
j
Cj ; Los clculos se efectan as:
Mtodo Simplex
104
Variable que entra X
1
Variable que sale X
3
Recuerde que la columna de b/a se calcula, siempre y cuando el deno-
minador sea a > 0 ; de lo contrario la variable bsica respectiva no
restringe el valor de la variable escogida para entrar, los valores de a,
estn en el respectivo vector apuntador de la variable j-sima escogi-
da para entrar, en sta iteracin son 5 y 3 y el calculo respectivo 15/
5 = 3 y 15/3 = 5; Lo que significa que la variable bsica X
3
restringe el
crecimiento de la variable que entra X
1
hasta 3 (no la deja tomar valo-
res superiores a 3) y la variable bsica X
4
restringe el crecimiento de
la variable que entra X
1
hasta 5 (no la deja tomar valores superiores a
5). Por supuesto la variable bsica que restringe ms el crecimiento de
la variable que entra X
1
es X
3
por lo tanto es la variable bsica escogi-
da para salir.
La fila de la variable bsica escogida para salir se divide por el elemen-
to que se encuentra en la interseccin de dicha fila con la columna de
la variable que entra, la fila resultante es la fila pivote y se coloca en
un nuevo tablero, desde el que se suman mltiplos de la fila pivote a las
dems filas del tablero anterior de tal forma que se eliminen de cada
una de ellas la variable escogida para entrar, en nuestro caso X
1
, este
procedimiento se denomina, hacer un uno (1) en la interseccin y el
resto de la columna ceros (0), por lo tanto en dicha columna aparecer
un vector unitario, el procedimiento se repite en cada iteracin, hasta
que todos los Zj Cj sean mayores iguales a cero en el caso de
maximizar menores iguales a cero en el caso de minimizar.
A continuacin se muestran todas las iteraciones y en cada fila los
valores por los cuales fueron multiplicadas para ser sumadas a otras
filas, ello se expresa como sumar mltiplos de una fila a otra.
Fjese que se suman mltiplos de las restricciones a la funcin objeti-
vo para eliminar las variables bsicas de ella.
Mtodo Simplex
(1/5)
C
j 1 1 0 0
V.B.
-->
-
-
>
_
b
X
1
X
2
X
3
X
4
b/a
a > 0
X
3
X
4
Z
j
- C
j
0
0
0 0 0
0 15
15
5
5
3
3
0
1
1
-1 -1
15/5=3
15/3=5
105
(-3)
(5/16)
2
Variable que sale X
4
Solucin ptima:
X
1
* = 15/8
X
2
* = 15/8
Z * = 15/4
Conclusiones:
La solucin es nica: X
1
*
= 15/8 ; X
2
*
= 15/8 ; Z* = 14/4
El mtodo simplex es ms prctico que el mtodo algebraico
Ejemplo 2: La gran M
Minimizar Z = 6X
1
+ 4X
2
+
2X
3
C.S.R.
6X
1
+ 2X
2
+ 6X
3
> 6
6X
1
+ 4X
2
= 12
2X
1
- 2X
2
< 2
Xj > 0 ; j = 1, 2, 3
Minimizar Z = 6X
1
+ 4X
2
+ 2X
3
+ MX
5
+ M
6
C.S.R.
6X
1
+ 2X
2
+ 6X
3
X
4
+ X
5
= 6
6X
1
+ 4X
2
+ X
6
= 12
2X
1
- 2X
2
+ X
7
= 2
Xj > 0 ; j = 1, 2, 3, 4, 5, 6, 7
Las variables bsicas son
X
5
= 6 , X
6
= 12 , X
7
= 2
Este ejercicio es el ejem-
plo 2 del capitulo de m-
todo algebraico. Compare
los resultados entre los
dos mtodos, en cada ite-
racin.
Mtodo Simplex
(1/6)
106
(-6) (-2)
(1/2)
El problema tiene mltiples soluciones, una de ellas es:
Variables de decisin:
X
1
* = 0 , X
2
* = 3 , X
3
* = 0 , Z* = 12
Variables de holgura : X
4
* = 0 , X
7
* = 8
Variables artificiales: X
5
* = 0 , X
6
* = 0
Ejemplo 3: El problema del corte
Aqu, se muestra el mtodo simplex aplicado al ejemplo 3 del captulo
de mtodo algebraico.
Minimizar Z = 10X
2
+ 30X
3
+ 40X
4
+ 10X
5
+ 20X
7
C.S.R. = Con las siguientes restricciones:
3X
1
+ 2X
2
+ X
6
+ X
7
= 5.000
2X
4
+ X
5
+ X
6
= 15.000
X
2
+3X
3
+ 2X
5
+ X
6
+ 2X
7
= 5.000
Xj > 0 ; j = 1,2,3,4,5,6,7
Adicionando las variables artificiales necesarias para obtener una so-
lucin bsica factible, el problema queda expresado de la siguiente
forma:
Mtodo Simplex
107
3X
1
+ 2X
2
+ X
6
+ X
7
+ X
8
= 5.000
2X
4
+ X
5
+ X
6
+ X
9
= 15.000
X
2
+ 3X
3
+ 2X
5
+ X
6
+ 2X
7
+ X
10
= 5.000
Xj > 0 ; j = 1,2,3,4,5,6,7,8,9,10
Variables bsicas X
8
, X
9
y X
10
Mtodo Simplex
(1/3)
(1/2)
Min Z = 10X
2
+ 30X
3
+ 40X
4
+ 10X
5
+ 20X
7
+ MX
8
+ MX
9
+ MX
10
C.S.R.
-
-
>
-
-
>
-
-
>
-
-
>
(1/2)
(3)
108
Solucin:
Variables de Decisin: X
1
* = X
2
* = X
3
* = X
5
* = X
7
* = 0 ; X
4
* = X
6
* = 5.000
Z* = 200.000
Variables Artificiales: X
8
* = X
9
* = X
10
* = 0
Interpretacin: Para que halla un mnimo de desperdicio de 200.000
cm de lmina y cumplir exactamente con los pedidos, hay que cortar
5.000 lminas de la forma 4 y 5.000 lminas de la forma 6
Ejemplo 4: Variables irrestrictas
En este ejemplo se muestra como resolver un problema en donde no
todas las variables deben cumplir la condicin de no negatividad, di-
cho de otra manera, con variables irrestrictas. Aqu el secreto consis-
te en reemplazar cada una de las variables irrestrictas por la diferen-
cia de dos variables que si deban cumplir la condicin de no negatividad.
Maximizar Z = 4X
1
+ 5X
2
+ 2X
3
X
4
C.S.R.
X
1
+ X
2
+ 2X
3
X
4
> 1
2X
1
+ 2X
2
- 3X
3
+ X
4
< 3
X
1
+ 4X
2
+ 3X
3
+ 2X
4
< 5
Xj > 0 ; j = 1, 2, 4
Aqu X
3
tiene libertad en el sig-
no, esto es, puede tomar valo-
res positivos negativos. Hace-
mos X
3
= K W , en donde K y W
son positivas, K > 0 y W > 0
Fjese que si K > W => X
3
ser positiva, si K = W => X
3
ser igual a cero
(0) y si K < W => X
3
ser negativa.
Lo que hemos conseguido es convertir un problema que es irrestricto
en su variable X
3
en uno que es restringido en todas sus variables, el
problema queda as:
Maximizar Z = 4X
1
+ 5X
2
+ 2K 2W X
4
C.S.R.
X
1
+ X
2
+ 2K 2W X
4
> 1
2X
1
+ 2X
2
- 3K + 3W + X
4
< 3
X
1
+ 4X
2
+ 3K 3W + 2X
4
< 5
Xj > 0 ; j = 1, 2, 4 ; K > 0 ; W > 0
Fjese que este problema, es uno
clsico de programacin lineal.
procedemos a resolverlo em-
pleando el mtodo simplex. Adi-
cionamos las variables de holgu-
ra y artificiales que sean nece-
sarias para conseguir la solucin
bsica factible.
Mtodo Simplex
109
Maximizar Z = 4X
1
+ 5X
2
+ 2K 2W X
4
MX
6
C.S.R.
X
1
+ X
2
+ 2K 2W X
4
X
5
+ X
6
= 1
2X
1
+ 2X
2
- 3K + 3W + X
4
X
7
= 3
X
1
+4X
2
+ 3K 3W + 2X
4
+ X
8
< 5
Xj > 0 ; j = 1, 2, 4 ; K > 0 ; W > 0
Aqu las varia-
bles bsicas
son:
X
6
, X
7
, y X
8
(2) (-5)
(7/18)
Mtodo Simplex
(1/2)
(3) (-3) (2)
(-7/2) (-5/2)
(-1/7)
110
(3)
(-2/7) (3/
7)
(2/3)
(-1/2) (7/6)
(3) (7/2)
Aqu todos los Zj Cj son > 0 , entonces estamos en la solucin ptima.
La solucin, mostrando las variables clasificadas es:
Ejemplo 5: Nmero de variables v.s. Nmero de iteraciones
En este ejemplo observaremos que a pesar de que el sistema tiene 4
variables, el nmero de iteraciones es apenas de 2
Mtodo Simplex
Variables de
decisin
Variables de
holgura
Variables
artificiales
X
1
* = 8/3
X
2
* = 0
X
3
* = K* - W* = 7/9 0 = 7/9
X
4
* = 0
Z * = 110/9 = 12,22
X
5
* = 29/9
X
7
* = 0
X
8
* = 0
X
6
* = 0
111
Min Z = 3X
1
- 9X
2
- 5X
3
4X
4
C.S.R.
X
1
+ 4X
2
+ 5X
3
+ 8X
4
< 8
X
1
+ 2X
2
+ 6X
3
+ 4X
4
< 4
Xj > 0 ; j = 1, 2, 3, 4
Min Z = 3X
1
- 9X
2
- 5X
3
4X
4
C.S.R.
X
1
+ 4X
2
+ 5X
3
+ 8X
4
+ X
5
= 8
X
1
+ 2X
2
+ 6X
3
+ 4X
4
+ X
6
= 4
Xj > 0 ; j = 1, 2, 3, 4, 5, 6
(1/4)
Solucin:
X
1
* = 0 X
5
* = 0
X
2
* = 2 X
6
* = 0
X
3
* = 0 X
4
* = 0
Z * = -18
Ejemplo 6: El problema de los paquetes de tuercas
Solucin al problema nmero 4) El problema de los paquetes de tuercas,
del captulo 2, formulacin.
Min Z = 0,1X
1
+ 0,04X
2
+0,06X
3
C.S.R.
X
1
- X
2
+ X
3
> 0
X
1
+ X
2
< 1,6
0,9X
1
0,1X
2
0,1X
3
> 0
-0,1X
1
+ 0,9X
2
0,1X
3
> 0
-0,1X
1
0,1X
2
+ 0,9X
3
> 0
X
1
+ X
2
+ X
3
> 2
Xj > 0 ; j = 1, 2, 3
Min Z = 1/10X
1
+ 1/25X
2
+ 3/50X
3
C.S.R.
X
1
- X
2
+ X
3
> 0
X
1
+ X
2
< 8/5
9/10X
1
1/10X
2
1/10X
3
> 0
-1/10X
1
+ 9/10X
2
1/10X
3
> 0
-1/10X
1
1/10X
2
+ 9/10X
3
> 0
X
1
+ X
2
+ X
3
> 2
Xj > 0 ; j = 1, 2, 3
Las variables bsicas son:

X
4
, X
5
, X
6
, X
7
, X
8
, X
10
Min Z = 1/10X
1
+ 1/25X
2
+ 3/50X
3
+MX
10
C.S.R.
- X
1
+ X
2
- X
3
+ X
4
= 0
X
1
+ X
2
+ X
5
= 8/5
- 9/10X
1
+ 1/10X
2
+ 1/10X
3
+ X
6
= 0
1/10X
1
- 9/10X
2
+ 1/10X
3
+ X
7
= 0
1/10X
1
+ 1/10X
2
- 9/10X
3
+ X
8
= 0
X
1
+ X
2
+ X
3
- X
9
+ X
10
= 2
Xj > 0 ; j = 1, 2, 3
Mtodo Simplex
112
(1)
(-1)(-1/10)(9/10)
(-1/10)(-1)
(5)
(1)(-1)
(4/5)(-2)
(1/10)
(5)(-2)(4)
(4)(3)
Mtodo Simplex
113
Variables de decisin
Variables de
holgura
Variables
artificiales
X
1
* = 1/5
X
2
* = 1
X
3
* = 4/5 = 0,8
Z * = 27/250 = 0,108
X
4
* = 0
X
5
* = 2/5 = 0,4
X
6
* = 0
X
7
* = 4/5 = 0,8
X
8
* = 3/5 = 0,6
X
9
* = 0
X
10
* = 0
Conclusin
El mtodo simplex es ms prctico que el mtodo algebraico, pero para
problemas de un mediano nmero de variables y restricciones, fcil-
mente se vuelve dispendioso por el nmero de iteraciones y demorado
para obtener la solucin ptima, es aqu donde el uso del computador
se hace indispensable y til en trminos de eficiencia, para ello existe
el software adecuado, los ms conocidos son:
Winqsb de Yih-Long Chang, distribuido por John Wiley & Sons. Inc
N.Y.
Solver de Frontline Systems Inc. , que viene integrado con el Excel
de Microsoft.
Lindo de Lindo Systems Inc. Que viene integrado con Visicalc.
El AD, Ayuda a la decisin de la Universidad Cienfuegos de Cuba.
Se sugiere consultar las siguientes pginas en Internet:
www.cui.edu.co/industrial/SOF01.html
http://members/tripod.com/~operativa
www.lindo.com
De estos lugares se puede bajar software gratuito en demostracin,
manuales y adems se dispone de interesantes enlaces.
El Winqsb es un software muy completo para resolver problemas de
Mtodos Cuantitativos, tiene los siguientes mdulos:
1) Anlisis de aceptacin.
2) Planeacin agregada.
3) Anlisis de decisin.
4) Programacin dinmica.
5) Localizacin y distribucin.
6) Series de tiempo.
11) Procesos de Markov.
12)Planeacin del requerimiento
de materiales.
13)Modelos de redes.
14)Programacin no lineal.
15)PERT CPM
Mtodo Simplex
114
7) Programacin meta.
8) Sistemas y teora de
inventarios.
9) Programacin del trabajo.
10)Programacin lineal y entera.
16)Programacin cuadrtica.
17)Grficas de control de calidad.
18)Anlisis de colas.
19) Sistemas de simulacin de co-
las.
A continuacin se presentan las principales ventanas del mdulo de
programacin lineal y entera.
Fjese que hay que darle un nombre al problema, los datos de entrada
se pueden almacenar en un archivo que tendr el nombre del problema,
esto es til cuando el problema es grande.
El resto de la ventana se explica por si sola, debido a la claridad de las
preguntas. Fjese en la variedad en el tipo de variables.
A continuacin se muestra un ejemplo de cmo se introducen los datos
de un pequeo problema.
Mtodo Simplex
115
Fjese que se puede cambiar el tipo de variable, de forma individual, al
igual que el sentido de la desigualdad cambiarla por una igualdad.
El software resuelve problemas de dos variables por el mtodo grfi-
co, resuelve el problema mostrando todos los tableros (paso a paso)
muestra la solucin de inmediato; Tambin efecta anlisis de sensibi-
lidad, hace grficas y trabaja con el problema de la dualidad. La solu-
cin final se muestra a continuacin:
El precio sombra es lo que se incrementa la funcin objetivo por uni-
dad adicional de recurso, aqu si el recurso de la restriccin uno, que
es 180 unidades, se incrementara a 181 unidades, la funcin objetivo
crece en 16 unidades monetarias.
1. Suponga que una persona acaba de heredar $6.000 y desea inver-
tirlos. Al or sta noticia, dos amigos distintos le ofrecen la opor-
tunidad de participar como socio en dos negocios, cada negocio
planteado por cada amigo. En ambos casos, la inversin significa
dedicar un poco de tiempo el siguiente verano, al igual que invertir
Mtodo Simplex
116
efectivo. Con el primer amigo, al convertirse en socio completo,
tendra que invertir $5.000 y 400 horas, y la ganancia estimada
(ignorando el valor del tiempo) sera de $4.500. Las cifras corres-
pondientes a la proposicin del segundo amigo son $4.000 y 500
horas, con una ganancia estimada de $4.500. Sin embargo, ambos
amigos son flexibles y le permitiran entrar en el negocio con cual-
quier fraccin de la sociedad; la participacin en las utilidades se-
ra proporcional a esa fraccin. Como de todas maneras, sta per-
sona est buscando un trabajo interesante para el verano (600
horas a lo sumo), ha decidido participar en una ambas propues-
tas, con la combinacin que maximice la ganancia total estimada.
Formule y resuelva el problema.
Solucin: X
1
* = 1 ; X
2
* = 0 ; Z* = $4.500
2. Una compaa manufacturera descontinu la produccin de cierta
lnea de productos no redituable. Esto cre un exceso considerable en
la capacidad de produccin. La gerencia quiere dedicar sta capaci-
dad a uno o ms de tres productos; llmense productos 1, 2 y 3. En la
siguiente tabla se resume la capacidad disponible de cada mquina que
puede limitar la produccin:
El nmero de horas-mquina que se requiere para cada producto es:
Mtodo Simplex
117
El departamento de ventas ha indicado que las ventas potenciales para
los productos 1 y 2 exceden la tasa mxima de produccin y que las
ventas potenciales del producto 3 son a20 unidades por semana. La
ganancia unitaria sera $50, $20 y $25, respectivamente, para los pro-
ductos 1, 2 y3 . El objetivo es determinar cuntos productos de cada
tipo debe producir la compaa para maximizar la ganancia.
Solucin:
X
1
*
=26,1905 unidades del producto 1
X
2
*
=54,7619 unidades del producto 2
X
3
*
=20 unidades del producto 3
Mxima ganancia
Z
*
= $2.904,762
Contribucin del producto 1 a la ganancia: $1.309,5240
Contribucin del producto 2 a la ganancia: $1.095,2380
Contribucin del producto 3 a la ganancia: $500
La fresadora ser usada todo el tiempo disponible; 500 horas
El torno ser usado todo el tiempo disponible; 350 horas
La rectificadora ser usada 118,5714 horas y quedar ociosa durante
31,4286 horas
Toda la demanda potencial del producto 3 ser fabricada.
Por cada hora adicional de la fresadora, la ganancia aumentar en
$4,7619
Por cada hora adicional de torno, la ganancia aumentar en $1,4286
El aumento de 1 hora adicional en la rectificadora no aumentar la
ganancia.
Por cada unidad potencial de demanda del producto 3, la ganancia au-
mentar en $1,1905 para mantener la solucin ptima actual, el bene-
ficio por unidad de cada producto, debe estar entre:
25 < Ganancia por unidad del producto 1 < 51,25
19 < Ganancia por unidad del producto 2 < 40
25,8095 < Ganancia por unidad del producto 3 < infinito
3. Se ha concedido permiso a una empresa de turismo para realizar
vuelos entre Ibagu y las islas de San Andrs e interinsulares. para
ello, debe comprar turborreactores con los que cubrir los vuelos entre
Ibagu y las islas, as como aviones de hlice y/o helicpteros con los
que atender los vuelos interinsulares. El presupuesto de compra es de
2.800 millones de pesos. Las caractersticas de los aparatos que puede
comprar se resumen en la tabla.
Mtodo Simplex
118
Se pueden contratar hasta 20 pilotos y 16 azafatas. Se desea emplear
al menos a 3 copilotos. El trfico entre Ibagu y San Andrs se estima
en 8.000 pasajeros por mes y el interinsular en 500 pasajeros por mes.
El permiso concedido requiere que el nmero mnimo de aparatos sea
15. La compaa desea operar con costo de mantenimiento mnimo.
a) Formule un problema de programacin lineal que proporcione al plan
ptimo de compra.
b) Resolverlo e interpretar la solucin.
Solucin:
Se deben comprar 2 turborreactores, 3 aviones de hlice y 10 helicp-
teros, siendo el costo de mantenimiento diario mnimo $720.000
4. Un empresario pretende fabricar dos tipos de congeladores deno-
minados A y B. Cada uno de ellos debe pasar por tres operaciones an-
tes de su comercializacin: Ensamblaje, pintado y control de calidad.
Los congeladores requieren, respectivamente, 2,5 y 3 horas de ensam-
blaje, 3 y 6 Kg. De esmalte para su pintado y 14 y 10 horas de control
de calidad. Los costos totales de fabricacin por unidad son, respec-
tivamente, 30 y 28, y los precios de venta 52 y 48, todos ellos en miles
de pesos.
El empresario dispone semanalmente de 4.500 horas para ensamblaje,
de 8.400 Kg. De esmalte y 20.000 horas para control de calidad. Los
estudios de mercado muestran que la demanda semanal de congelado-
res no supera las 1.700 unidades y que, en particular, la de tipo A es
de, al menos, 600 unidades. Se desea:
a) Formular un modelo de programacin lineal que indique cuntos con-
geladores deben fabricarse de cada tipo para que el beneficio sea
mximo, teniendo en cuenta el estudio de demanda.
b) Resolverlo mediante el mtodo simplex. Interpretar la solucin p-
tima incluyendo las variables de holgura.
Mtodo Simplex
119
c) Determinar los precios sombra de las horas de ensamblaje y control
de calidad. Al fabricante le ofrecen disponer de 200 horas ms para
ensamblaje con un costo adicional total de $750.000 pesos. Debera
aceptar la oferta?
Solucin:
Debe producir 882 congeladores tipo A y 764 congeladores tipo B con
un beneficio ptimo de $34684.000
En el departamento de ensamblaje sobran 3 horas, no se consumirn
295,6 Kg. De esmalte, sobrarn 12 horas de control de calidad, se de-
jarn de producir 54 congeladores, se fabricarn 282 congeladores
tipo A por encima del lmite de 600
Por cada hora de ensamble adicional (dentro del intervalo 4.268,5 ;
4.725) el beneficio aumentar en $3.530
5. En un laboratorio se fabrican 4 productos P
1
, P
2
, P
3
, P
4
que consu-
men un da por unidad en su proceso completo de produccin, aunque
se pueden producir varias unidades simultneamente. El espacio (m
2
)
en el almacn y la mano de obra (nmero de trabajadores) disponibles
limitan la produccin. La siguiente tabla contiene los datos relevantes
del proceso de produccin, as como los costos de fabricacin y pre-
cios de venta (en miles de pesos).
a) Encontrar el plan de produccin de beneficio mximo
b) Interpretar los valores de los precios sombra
c) Cul es el rango de los recursos del programa construido para el que
se mantiene la optimalidad de tales valores?
d) La firma podra alquilar 150 m
2
ms de superficie de almacn a un
costo de $70.000 por da. Debera alquilar ste espacio? Si es as,
Cul es el nuevo plan de produccin?
Mtodo Simplex
120
Solucin:
De producto 1 debe producir 10 unidades y de producto 4, 20 unida-
des; de los productos 2 y 3 no debe producir.
Por cada m
2
adicional de bodega el beneficio aumenta en $680
Por cada trabajador adicional el beneficio aumenta en $1.600
Mtodo Simplex
121
Captulo 6
Cmo evitar usar la gran M
Introduccin
Como en el computador se usa la gran M, Un nmero muy grande,
existe un efecto de error en los clculos, ya que la gran M tiende a
infinito, para evitar usar la gran M, se diseo el Mtodo de las dos
fases.
Fase I
Minimizar la sumatoria de las variables de Super-Avit Artificiales,
usadas en el problema.
Si Z = 0 , proceder con la fase II
Si Z es diferente de cero, el problema no tiene solucin
Fase II
Use la solucin de la fase I como solucin inicial factible de la fase II,
teniendo en cuenta que todas las variables de Super-Avit Artificia-
les son iguales a cero.
122
Min Z = 4X
1
+ X
2
C.S.R.
3X
1
+ X
2
= 3
4X
1
+ 3X
2
> 6
X
1
+ 2X
2
< 4
X
J
> 0 ; J = 1,2
Min Z = 4X
1
+ X
2
+ MX
3
+ MX
5
C.S.R.
3X
1
+ X
2
+ X
3
= 3
4X
1
+ 3X
2
X
4
+ X
5
= 6
X
1
+ 2X
2
+ X
6
= 4
X
J
> 0 ; J = 1,2,3,4,5,6
Fase I
Min Z = X
3
+ X
5
C.S.R.
3X
1
+ X
2
+ X
3
= 3
4X
1
+ 3X
2
X
4
+ X
5
= 6
X
1
+ 2X
2
+ X
6
= 4
X
J
> 0 ; J = 1,2,3,4,5,6
Fjese Que en la fase I , siempre ser Minimizar la suma de todas las
variables Artificiales que tenga el problema.
A continuacin procedemos a solucionar el problema planteado, usan-
do el mtodo simplex, ya sea manualmente mediante el software
Winqsb. De forma manual, los resultados son los siguientes:
(1/3)
(-4)(-1)
(-1/3)(-5/3)
Fjese que aqu Z* = 0
Fase II
Con la solucin ptima de la fase I, planteamos el siguiente problema:
Ejemplo
(3/5)
123
Min Z = 4X
1
+ X
2
C.S.R.
X
1
+ 3/5X
3
+ 1/5X
4
1/5X
5
= 3/5
X
2
4/5X
3
3/5X
4
+ 3/5X
5
= 6/5
X
3
+ X
4
X
5
+X
6
= 1
X
J
> 0 ; J = 1,2,3,4,5,6
En la fase I, es-
tablecimos que
X
3
= X
5
= 0
Luego las elimi-
namos de las res-
tricciones
Min Z = 4X
1
+ X
2
C.S.R.
X
1
+ 1/5X
4
= 3/5
X
2
3/5X
4
= 6/5
+ X
4
+X
6
= 1
X
J
> 0 ; J = 1,2,4,6
Fjese que el nuevo problema no tiene la gran M, ya que han dejado de
figurar las variables Artificiales, en atencin a que ya sabemos que
efectivamente son iguales a cero. La solucin al nuevo problema se ha-
lla mediante el mtodo simplex. As:
(1)
(-1/5)(3/5)
Solucin
X
1
* = 2/5 X
4
* = 1 X
3
* = X
5
* = 0
X
2
* = 9/5 X
6
* = 0
Z * = 17/5
Nota: El lector debe resolver el ejemplo, empleando el mtodo simplex
con la gran M y comparar los tableros con los del mtodo de las dos
fases, para observar que el mtodo de las dos fases, lo que hace es
evitar los tableros en donde figura la gran M.
Resolver empleando el mtodo de las dos fases, todos los ejercicios
resueltos y propuestos de los captulos 4 y 5 que usen la gran M.
(3/5)
124
125
Captulo 7
El problema Dual y
el Mtodo Dual Simplex
Introduccin
En el desarrollo de la programacin Lineal, se descubri la existencia
de un problema que se encuentra estrechamente relacionado con un
problema de Programacin Lineal dado: Dicho problema se denomin
PROBLEMA DUAL. Cada problema dado (Problema principal, Proble-
ma primo, Problema primero), de programacin lineal, se encuentra en
dualidad con otro problema que tiene las siguientes muy interesantes
caractersticas:
1. En problemas de un gran nmero de restricciones, resolver el pro-
blema dual en la computadora es ms eficiente que resolver el pro-
blema principal.
2. En algunas ocasiones resulta ms sencilla la resolucin del proble-
ma dual que la del problema principal, en trminos de menor nme-
ro de iteraciones.
3. Los valores ptimos de las variables del dual, proporcionan una in-
terpretacin econmica del problema principal, interesante.
4. Algunas veces se puede evitar el uso de las variables artificiales
(Super-Avit), mediante la aplicacin del mtodo de solucin deno-
minado Dual Simplex, sobre el problema dual.
5. Facilita el estudio del impacto sobre la optimalidad por cambios en
el problema original.
126
El presente captulo tiene como objetivo principal, formular el proble-
ma dual y mostrar el mtodo de solucin para el problema dual, deno-
minado Mtodo Dual-Simplex, para problemas de maximizacin, ya que,
por medio de la regla de equivalencia (Min(z) = Max(-z))Toda formu-
lacin de un problema de programacin lineal se puede expresar de la
forma estndar: Maximice (z), con todas las restricciones <
Si tenemos un problema de programacin lineal as:
Existe otro problema, el
Dual, que se expresa as:
Problema Principal Problema Dual
En donde
El siguiente ejemplo numrico ilustra lo anterior:
Fjese que cada restriccin del problema principal est representada
por una variable en el dual.
Max Z = 4X
1
+ 3X
2
C.S.R.
X
1
+ 2X
2
< 7
3X
1
+ 2X
2
< 15
X
j
> 0 ; j = 1,2
Min Z = 7Y
1
+ 15Y
2
C.S.R.
Y
1
+ 3Y
2
> 4
2Y
1
+ 2Y
2
> 3
Y
j
> 0 ; j = 1,2
127
Otro ejemplo numrico es el siguiente:
Max Z
X
= 3X
1
2X
2
c.s.r.
X
1
< 4 (Y
1
)
X
2
< 6 (Y
2
)
X
1
+ X
2
< 5 (Y
3
)
- X
2
< -1 (Y
4
)
X
j
> 0 ; J = 1, 2
Min Z
Y
= 4Y
1
+ 6Y
2
+ 5Y
3
- Y
4
c.s.r.
Y
1
+ Y
3
> 3
Y
2
+ Y
3
- Y
4
> -2
Y
J
> 0 ; J = 1, 2, 3, 4
El problema principal tiene cuatro (4) restricciones, entonces el dual
tendr cuatro (4) variables. Cada uno de los recursos del problema
principal estar representado por una variable en el problema dual.
Entre el problema principal y el problema dual existen las siguientes
relaciones:
1. El dual del dual, tiene como resultado el problema principal.
2. Una restriccin que es una igualdad en el problema principal, gene-
ra una variable en el dual sin restriccin en el signo
3. Una variable del problema principal, sin restriccin en el signo, ge-
nera una restriccin de igualdad en el problema dual.
4. El nmero de restricciones del problema principal es igual al nme-
ro de variables en el problema dual.
5. El nmero de variables del problema principal es igual al nmero de
restricciones en el problema dual.
EL MTODO DUAL SIMPLEX
Una vez formulado el problema dual, debemos encontrar su solucin,
el mtodo a emplear ser el denominado Mtodo Dual-Simplex el cul
empieza con una solucin ptima o mejor que ptima (Z
j
C
j
> 0 ;
j
),
pero no factible (Algunos b
i
son < 0), y se mueve hacia el ptimo me-
diante iteraciones que mejoran su factibilidad conservando su
optimalidad. Fjese que es lo contrario al mtodo Simplex, en donde se
empieza mediante una solucin factible pero no ptima y mediante
iteraciones se mejora la optimalidad, conservando la factibilidad. Esto
se ilustra mediante la siguiente grfica:
128
Mtodo Simplex
Solucin Factible
Pero NO ptima
Mtodo Dual Simplex
Solucin NO Factible
Pero ptima
Solucin Optima
y Factible
Mtodo Simplex
Mejora la Optimalidad
Conservando la Factibilidad
Mtodo Dual Simplex
Mejora la Factibilidad
Conservando la Optimalidad
ALGORITMO PARA MAXIMIZAR EN EL
MTODO DUAL SIMPLEX
Se requiere que el problema est expresado en trminos de Maximizar
la Funcin objetivo y todas sus restricciones con mayor igual ( > )
Variable que sale de la Base: Aquella que tenga el valor menos facti-
ble sea la ms negativa, matemticamente: X
B,r
= Mnimo i X
B,i
;
X
B,i
< 0 implica que la solucin es NO factible. Variable que entra a
la Base: Aquella variable que tenga el valor menos negativo en su ex-
presin: ( Z
j
- C
j
) / a
r,j
, matemticamente: (Z
K
- C
K
) / a
r,k
= Mximo
j (Z
j
- C
j
) / a
r,j
; Siendo a
r,j
< 0 . El siguiente ejemplo ilustra un
paralelo entre el Mtodo Simplex y el Mtodo Dual Simplex en donde
se resalta para cada iteracin, la relacin entre los dos (2) Mtodos.
Hallar la solucin ptima al problema siguiente:
Max Z(x) = 3X
1
+ 5X
2
c.s.r.
X
1
< 4
X
2
< 6
3X
1
+ 2X
2
< 18
X
J
> 0 ; J = 1,2
Max Z(x) = 3X
1
+ 5X
2
c.s.r.
X
1
+ X
3
= 4
X
2
+ X
4
= 6
3X
1
+ 2X
2
+ X
5
= 18
X
J
> 0 ; J = 1,2,3,4,5
Min Z(y) = 4Y
1
+ 6Y
2
+ 18Y
3
c.s.r.
Y
1
+ 3Y
3
> 3
Y
2
+ 2Y
3
> 5
Y
J
> 0 ; J = 1,2,3
Max Z(y) = - 4Y
1
- 6Y
2
- 18Y
3
c.s.r.
- Y
1
- 3Y
3
+ Y
4
= - 3
- Y
2
- 2Y
3
+ Y
5
= - 5
Y
J
> 0 ; J = 1,2,3,4,5
129
X
1
= 0 X
4
= 6 Y
1
= 0 Y
4
= -3
X
2
= 0 X
5
= 18 Y
2
= 0 Y
5
= -5
X
3
= 4 Z
X
= 0 Y
3
= 0 Z
Y
= 0
X
1
= 0 X
4
= 0 Y
1
= 0 Y
4
= - 3
X
2
= 6 X
5
= 6 Y
2
= 5 Y
5
= 0
X
3
= 4 Z
X
= 30 Y
3
= 0 Z
Y
= 30
X
1
= 2 X
4
= 0 Y
1
= 0 Y
4
= 0
X
2
= 6 X
5
= 0 Y
2
= 3 Y
5
= 0
X
3
= 2 Z
X
= 36 Y
3
= 1 Z
Y
= 36
Y
1
= 0 Y
4
= -3 X
1
= 0 X
4
= 6
Y
2
= 0 Y
5
= -5 X
2
= 0 X
5
= 18
Y
3
= 0 Z
Y
= 0 X
3
= 4 Z
X
= 0
Y
1
= 0 Y
4
= - 3 X
1
= 0 X
4
= 0
Y
2
= 5 Y
5
= 0 X
2
= 6 X
5
= 6
Y
3
= 0 Z
Y
= 30 X
3
= 4 Z
X
= 30
Y
1
= 0 Y
4
= 0 X
1
= 2 X
4
= 0
Y
2
= 3 Y
5
= 0 X
2
= 6 X
5
= 0
Y
3
= 1 Z
Y
= 36 X
3
= 2 Z
X
= 36
130
Observe que en el Dual Simplex se hizo uso de la regla de equivalen-
cia, multiplicando la funcin objetiva por (-1), y al final, nuevamente
se multiplic el valor de Z por (-1).
En cada iteracin del Mtodo Simplex se muestra que:
1. Los Z
j
C
j
de las variables de holgura X
3
,X
4
,X
5
(Z
3
-C
3
, Z
4
-C
4
, Z
5
-
C
5
) son los valores de las variables reales del Dual (Y
1
,Y
2
,Y
3
)
2. Los Z
j
C
j
de las variables reales X
1
,X
2
(Z
1
-C
1
, Z
2
-C
2
) son los valo-
res de las variables de holgura del Dual (Y
4
,Y
5
)
En cada iteracin del Mtodo Dual Simplex se muestra que:
1. Los Z
j
C
j
de las variables de holgura Y
4
,Y
5
(Z
4
-C
4
, Z
5
-C
5
) son los
valores de las variables reales del problema principal (X
1
,X
2
)
2. Los Z
j
C
j
de las variables reales Y
1
,Y
2
,Y
3
(Z
1
-C
1
, Z
2
-C
2
, Z
3
-C
3
)
son los valores de las variables de holgura del problema principal
(X
3
,X
4
,X
5
)
En el siguiente captulo, denominado ANLISIS POST-PTIMO Y
SENSIBILIDAD, el Mtodo Dual Simplex es herramienta fundamental
para lograr la informacin necesaria que permita hacer el anlisis pos-
terior, despus de haber encontrado la solucin ptima.
1. Una fbrica hace tres productos: Mesas, sillas y libreros, que se
procesan a travz de los departamentos de ensamble, acabados y
empaque. El departamento de ensamble tiene 60 horas disponibles;
El departamento de acabados puede manejar hasta 40 horas de
trabajo y el departamento de empaque hasta 80 horas. La fabrica-
cin de una mesa requiere 3 horas de ensamble, 2 horas en el de-
partamento de acabados y 1 hora en el departamento de empaque.
La fabricacin de una silla requiere 4 horas en el departamento de
ensamble, 1 hora en el departamento de acabados y 3 horas en el
departamento de empaque. La fabricacin de un librero requiere 2
horas en cada uno de los tres departamentos. Si la utilidad es de
$2 por mesa producida y vendida, $4 por silla producida y vendida
y $3 por librero producido y vendido, cul es la mejor combinacin
posible de mesas, sillas y libreros a producir y vender para obtener
la mxima utilidad?
131
a) Formule el problema como uno de programacin lineal y
resuelvalo empleando el mtodo simplex. Lea la solucin al
problema dual en el tablero ptimo del simplex.
b) Formule el problema dual y resuelvalo empleando el mtodo
dual simplex. Lea la solucin al problema principal en el
tablero ptimo del simplex dual.
2. Un fabricante de telas en Ibagu se puso en contacto con los
estudiantes de Investigacin de Operaciones de Coruniversitaria
en busca de ayuda en una situacin donde picos estacionales en la
demanda excedan la capacidad de produccin corriente. El fabri-
cante sabe que para satisfacer la demanda estacional, tiene que
programar la produccin anticipadamente y despus almacenarla.
Adems tiene la opcin, tanto de tiempo normal como de tiempo
extra, con un costo de mano de obra ms alto para el tiempo extra.
En la tabla siguiente se muestra la demanda pronosticada (En ho-
ras de la planta) y la capacidad disponible (En horas de la planta)
tanto para la temporada de demanda alta (Los ltimos 6 meses del
ao) y la temporada baja (Los primeros 6 meses del ao).
Tomando en cuenta el costo por hora de mano de obra para produc-
cin en tiempo normal o tiempo extra y el costo de almacenar una hora
de produccin por longitudes variables de tiempo, los contadores de
costos de la compaa llegaron a la cifra de costos aplicables siguien-
tes:
132
3. En una compaa que fabrica hilos se tiene el problema tpico llama-
do balance del telar, que se origina en dos operaciones primarias:
El cardado, que es el proceso que hace que las fibras de algodn
queden arregladas en la misma direccin y el hilado que convierte
una grea suelta de algodn en un hilo fuerte al jalar y doblar
simultaneamente en un huso. Cuando la fbrica produce hilos grue-
sos el proceso de cardado no puede dar abasto a la hilatura, cada
huso produce tantas yardas de hilo por hora que la operacin de
cardado simplemente se atrasa, debido a la limitacin de produc-
cin de la seccin de cardado. De forma contraria, cuando la f-
brica produce hilos finos, la cantidad de hilo producida por hora
por huso es tan pequea, que la operacin de cardado puede abas-
tecer suficiente algodn para hilar en slo dos horas al da y como
consecuencia las mquinas se paran una buena parte del da. La
situacin desde el punto de vista de los trabajadores, produce ho-
rarios irregulares de trabajo y desde el punto de vista de la geren-
cia la incapacidad de determinar que clase de hilos producir para
maximizar la contribucin a la utilidad. La fbrica produce y vende
seis tipos de hilo, de diferente grosor (Llamado nmeros); Cada
uno de stos hilos tiene su propia contribucin a las utilidades y se
produce una cantidad diferente de hilo por hora por huso.
Formule el problema como uno de programacin lineal y resuelvalo em-
pleando el mtodo simplex. Lea la solucin al problema dual en el table-
ro ptimo del simplex.
Sugerencia: Defina la variable como la cantidad de unidades de pro-
ducto a producir en el trimestre i-simo en el tipo de tiempo j-simo
para ser vendida en el el trimestre k-simo.
Solucin: Costo Mnimo: $1.185
133
Para resolver el problema se reuni la siguiente informacin. La ca-
pacidad mxima de la seccin de cardado en libras de algodn por
hora, las libras por hora que los seis diferentes nmeros de hilo de
algodn produciran en un huso, La contribucin ganada por cada
uno de los seis nmeros de hilos y el nmero de husos que la compa-
a tiene en operacin en sus mquinas de hilado.
Capacidad mxima de la seccin de cardado: 20.000 Libras/ Turno de
8 horas
Husos actuales en operacin: 15.000
Formule el problema como uno de programacin lineal y resuelvalo em-
pleando el mtodo simplex. Lea la solucin al problema dual en el table-
ro ptimo del simplex.
Sugerencia: Defina la variable como la cantidad de libras a producir
por tipo de hilo j-esimo, siendo j = 1,2,3,4,5,6
134
135
Captulo 8
Cambio en C
j
cuando X
j
* es no bsica
Cambio en C
j
cuando X
j
* es bsica
Cambio en b
i
Cambio en a
i,j
cuando X
j
* es no bsica
Cambio en a
i,j
cuando X
j
* es bsica
Adicin de una restriccin
Adicin de una variable
Introduccin
En todo modelo cuantitativo los distinto coeficientes pueden estar
sujetos a cambios, fluctuaciones o errores. Por ello, su conocimiento
no siempre es preciso y pueden cambiar en muchas ocasiones. Un uso
tpico es el caso en el que hemos obtenido la solucin ptima y desea-
mos encontrar la nueva solucin ptima cuando hayan cambiado, por
ejemplo, las disponibilidades de los recursos (b
i
), los precios costos
unitarios por unidad (C
j
), cambio en los coeficientes tecnolgicos (a
i,j
),
incorporacin de una nueva variable (Nuevo producto X
j
) y adicin de
una nueva restriccin. Necesario para el tomador de decisiones cono-
cer en que rango se puede mover los distintos coeficientes menciona-
dos, mantenindose la presente solucin ptima; ello le da una ventaja
competitiva frente a otro tomador de decisiones, de incalculable va-
lor en dependencia con la situacin problema particular.
En ste captulo se consideran siete (7) posibles cambios en las condi-
ciones iniciales del problema original, uno a la vez, con su respectivo
anlisis de sensibilidad, presentando los argumentos para cada caso y
una metodologa prctica y rpida en su aplicacin; para ello se usa el
siguiente ejemplo, al que inicialmente encontramos la solucin ptima
mediante el mtodo simplex, colocando al frente de cada tablero su
respectivo sistema de ecuaciones del mtodo algebraico.
136
Problema Principal Adicin de variables de Holgura
Maximizar Z = 3X
1
+ 5X
2
c.s.r.
X
1
< 4
3X
1
+ 2X
2
< 18
X
J
> 0 ; J = 1,2
Maximizar Z = 3X
1
+ 5X
2
c.s.r.
X
1
+ X
3
= 4
3X
1
+ 2X
2
+ X
4
= 18
X
J
> 0 ; J = 1,2,3,4
(0) Z
X
3X
1
5X
2
= 0
(1) X
1
+ X
3
= 4
(2) 3X
1
+ 2X
2
+ X
4
= 18
X
1
= 0 X
3
= 4 Z
X
= 0
X
2
= 0 X
4
= 18
(0) Z
X
+ 9/2X
1
+ 5/2X
4
= 45
(1) X
1
+ X
3
= 4
(2) 3/2X
1
+ X
2
+ 1/2X
4
= 9
X
1
= 0 X
3
= 4 Z
X
= 45
X
2
= 9 X
4
= 0
Solucin ptima y factible:
X
1
* = 0 X
4
* = 0
X
2
* = 9 Z
X
* = 45
X
3
* = 4
Y
1
* = 0 Y
4
* = 0
Y
2
* = 5/2 Z
Y
* = 45
Y
3
* = 9/2
Sobre la presente solucin ptima, consideraremos los siguientes cam-
bios, uno a la vez para cada caso, con su respectivo anlisis de sensibi-
lidad y metodologa abreviada.
1. Cambio en C
j
cuando X
j
* es no bsica
2. Cambio en C
j
cuando X
j
* es bsica
3. Cambio en b
i
4. Cambio en a
i,j
cuando X
j
* es no bsica
137
5. Cambio en a
i,j
cuando X
j
* es bsica
6. Adicin de una restriccin
7. Adicin de una variable
Los casos 1 y 2 se generalizarn bajo una metodologa nica que haga
fcil su aplicacin, al igual que en los casos 4 y 5 en los que
adicionalmente se mostrar su relacin con el concepto de productivi-
dad, tema importante del estudio del trabajo.
En el caso 3 se encontrar el significado de los valores de las variables
del Dual, denominado EL PRECIO SOMBRA y el COSTO REDUCIDO,
valores stos importantes para el anlisis econmico y la toma de deci-
siones.
1.CAMBIO EN C
J
CUANDO X
J
* ES NO BSICA
Aqu se propone que la funcin objetivo original sea cambiada de la
siguiente manera:
Z
X
= 3X
1
+ 5X
2
Z
X
= 6X
1
+ 5X
2
; Se ha modificado el valor de
C
1
= 3 por C
1
= 6 ; Siendo C
1
el coeficiente de X
1
variable que en el
ptimo es NO-Bsica
ste cambio tiene un efecto sobre el valor de Z
1
* - C
1
en el ptimo
actual, que tiene un valor de 9/2, valor que ahora podr tener las si-
guientes opciones:
Si el nuevo valor de Z
1
* - C
1
> 0 ; Entonces la solucin ptima se
mantiene igual en el problema principal y en el dual solo cambia el valor
de la variable de holgura Y
3
*
1
* - C
1
= 0 ; Entonces la solucin ptima se
mantiene igual en el problema principal pero de soluciones mltiples y
en el dual solo cambia el valor de la variable de holgura Y
3
* cuyo valor
ser cero (0)
1
* - C
1
< 0 ; La solucin deja de ser ptima
haciendo necesario el empleo del mtodo simplex, escogiendo X
1
como
la variable que entra a la base
El problema aqu, es encontrar el nuevo valor de Z
1
* - C
1
, que en trmi-
nos generales se deduce as:
138
Z
J
* - C
J
= Z
J
* - C
J
+ C
J
C
J
= (Z
J
* - C
J
) (C
J
C
J
) ; Quedando en
definitiva que el nuevo valor es igual a: El valor actual de (Z
1
C
1
)
restndole la diferencia entre el nuevo valor y el actual valor de C
1
,
as:
(Z
1
C
1
) = 9/2 (6-3) = 3/2 ; valor ste mayor que cero, por lo tanto la
solucin actual sigue siendo ptima y se mantiene para todos los valo-
res de X
j
* y de Z
x
* cambiando solo el valor de la variable del dual Y
3
*
que ahora toma el valor de 3/2
Una manera abreviada de efectuar ste procedimiento, consiste en
realizar los cambios directamente sobre el tablero simplex de la solu-
cin ptima y recalcular el valor de Z
1
C
1
que nos indicar si la solu-
cin presente conserva su optimalidad por el contrario la pierde,
quedando en ste caso el tablero listo para efectuar la iteracin si-
guiente.
X
1
= 0 Y
1
* = 0
X
2
= 9 Y
2
* = 5/2
X
3
= 4 Y
3
* = 3/2 Lo nico que cambi
X
4
= 0 Y
4
* = 0
Z
X
= 45 Z
Y
* = 45
Anlisis de sensibilidad
Ahora la pregunta es: Entre que valores puede variar C
1
, de tal forma
que el tablero simplex ptimo actual se mantenga ptimo y factible ?
Para contestar sta pregunta, basta con plantear la ecuacin que
recalcula el valor de (Z
1
C
1
) , colocando en el tablero ptimo como
valor para C
1
, un valor cualquiera que cumpla con la condicin de que su
Z
1
C
1
debe ser > 0 para mantener la respuesta actual ptima y facti-
ble
(5)(3/2) + (0)(1) C
1
> 0
Entonces C
1
< 15/2
para mantener la solucin actual
ptima y factible; el valor de C
1
debe estarcomprendido entre el

rango:
- < C
1
< 15/2
139
Si C
j
es el precio unitario de venta del artculo uno (1), entonces su
precio de venta puede estar entre cero (0) y $7,50 sin alterar la solu-
cin ptima actual, fjese que en la solucin actual X
1
* = 0 o sea no se
producen ni venden unidades del producto uno (1)
Tan pronto C
1
tome un valor mayor de $7,50 , la solucin actual no se
mantendr y habr que efectuar nuevas iteraciones empleando el m-
todo simplex para encontrar la nueva solucin ptima, un ejemplo de
ello es el caso de C
1
= 8 , para el que Z
1
C
1
valdr:
(Z
1
C
1
) = (5)(3/2) + (0)(1) 8 = - 1/2 = - 0,5
La consecucin de la nueva solucin ptima para cuando C
1
= 8 , se
deja al lector, quien debe efectuar la iteracin sobre el tablero pti-
mo, escogiendo como variable que entra a X
1
2.CAMBIO EN C
J
CUANDO X
J
* ES BSICA
Para ste caso se propone que la funcin objetivo sea cambiada de la
siguiente manera:
Z
X
= 3X
1
+ 5X
2
Z
X
= 3X
1
+ X
2
; Se ha modificado el valor de C
2
= 5 por C
2
= 1 ; Siendo C
2
el coeficiente de X
2
, variable que en el
ptimo es variable Bsica.
Aqu el nuevo valor de Z
j
* - C
j
es:
Z
J
* - C
J
= Z
J
* - C
J
+ C
J
C
J
= (Z
J
* - C
J
) (C
J
C
J
) ; Como el (Z
J
* - C
J
)
pertenece a una variable bsica, su valor siempre ser igual a cero (0),
quedando la expresin simplificada a:
Z
J
* - C
J
= - (C
J
C
J
) ; Quedando en definitiva que el nuevo valor es
igual a menos la diferencia entre el nuevo valor y el actual valor de C
j
,
as:
Z
2
* - C
2
= - (1 5) = 4 ; Esto implica que en la ecuacin (0) del mtodo
algebraico aparecer la variable bsica X
2
con el coeficiente 4, even-
to que obliga a modificar el sistema de ecuaciones, eliminando a X
2
de
la ecuacin (0) ya que en ella solo puede figurar como variable bsica
Z. El sistema de ecuaciones queda as:
140
(0) Z
X
+ 9/2X
1
+ 4X
2
+ 5/2X
4
= 45
(1) X
1
+ X
3
= 4
(2) 3/2X
1
+ X
2
+ 1/2X
4
= 9
(0) Z
X
3/2X
1
+ 1/2X
4
= 9
(1) X
1
+ X
3
= 4
(2) 3/2X
1
+ X
2
+ 1/2X
4
= 9
Multiplicando la ecuacin
(2) por (- 4) y sumndole la
ecuacin (0), eliminamos a
X
2
de la funcin objetivo,
quedando el sistema as:
Observe que el coeficiente
de X
1
es negativo, lo que in-
dica que la solucin no es
ptima y que hay que iterar
empleando el mtodo
simplex.
Nueva solucin ptima:
X
1
* = 4 X
4
* = 0 Y
1
* = 3/2 Y
4
* = 0
X
2
* = 3 Z
X
* = 15 Y
2
* = 1/2 Z
Y
* = 15
X
3
* = 0 Y
3
* = 0
Una manera abreviada de efectuar ste procedimiento, consiste en
realizar los cambios directamente sobre el tablero simplex de la solu-
cin ptima y recalcular todos los valores de los Z
j
C
j
que nos indica-
r si la solucin presente conserva su optimalidad por el contrario la
pierde, quedando en ste caso el tablero listo para efectuar la itera-
cin siguiente, si ello es necesario.
Z = (1)(9) + (0)(4) = 9
Z
1
C
1
= (1)(3/2) + (0)(1) 3 = - 3/2
Z
2
C
2
= (1)(1) + (0)(0) 1 = 0
Z
3
C
3
= (1)(0) + (0)(1) 0 = 0
Z
4
C
4
= (1)(1/2) + (0)(0) 0 = 1/2
Fjese que aqu, el tablero simplex ha quedado automticamente listo
para iterar, ya que se observa en l, que su solucin es factible ( b
i
> 0
) pero no ptima, en atencin a que el valor de (Z
1
C
1
) < 0 sea 3/2
(-3/2)
141
; Los valores del tablero simplex para la siguiente iteracin son los
mismos que se hallaron anteriormente.
Ahora la pregunta es: Entre que valores puede cambiar C
2
, de tal for-
ma que se mantenga la solucin actual ptima y factible.
Para contestar sta pregunta, basta con plantear las ecuacin que
j
C
j
) de cada una de las variables no bsicas,
colocando en el tablero ptimo como valor para C
2
, un valor cualquiera
que cumpla con la condicin de que su Z
j
C
j
debe ser > 0 para mante-
ner la respuesta actual ptima y factible.
(3/2) C
2
+ (0)(1) 3 > 0 para Z
1
C
1
C
2
> 2
(1/2) C
2
+ (0)(0) 0 > 0 para Z
4
C
4
C
2
> 0
Para mantener la solucin actual ptima; el valor de C
2
debe estar com-
prendido dentro del rango: 2 < C
2
< + ; Esto se puede apreciar
grficamente as:
3.CAMBIO EN b
i
El anlisis de ste caso nos revelar el significado de las variables del
dual, dando origen a dos conceptos de interpretacin econmica de-
nominados el precio sombra y el costo reducido. En las aplicaciones
prcticas, es muy aplicado, ya que se trata de cambios efectuados
sobre la disponibilidad de los recursos.
Un cambio en un b
i
afecta los valores de las variables bsicas en la
solucin ptima, haciendo que sta siga factible o no, por ello se dice
que afecta la factibilidad del problema.
Si al efectuar el cambio, al menos un b
i
se hace < 0; Entonces se hace
necesario aplicar el mtodo dual simplex.
142
El coeficiente de la variable de holgura de la ecuacin donde ocurre el
cambio, nos indica el nmero de veces que cada ecuacin ha sido suma-
da restada de las dems ecuaciones sea el nmero de veces que
ocurre el cambio, siendo el cambio la diferencia entre el nuevo y el
actual valor de b
i
Para ste caso se propone cambiar la segunda restriccin de la si-
guiente forma:
3X
1
+ 2X
2
< 18 a 3X
1
+ 2X
2
< 14
Ecuacin donde ocurre el cambio: La segunda restriccin
Variable que inicia con coeficiente uno (1), la variable artificial: X
4
(0) 45 + 5/2 (14-18) = 35
(1) 4 + 0 (14-18) = 4
(2) 9 + 1/2( 14-18) = 7
45,4,9 = Trminos independientes de la
solucin ptima actual.
5/2,0,1/2 = Nmero de veces que ocu-
rre
el cambio en cada fila
(14-18) = El cambio, el nuevo b
i
menos el
actual bi
Como todos los b
i
nuevos son > 0 ; Entonces b
1
= 4 ; b
2
= 7 ; La nueva
solucin es:
X
1
* = 0 X
4
* = 0 Y
1
* = 0 Y
4
* = 0
X
2
* = 7 Z
X
* = 35 Y
2
* = 5/2 Z
Y
* = 35
X
3
* = 4 Y
3
* = 9/2
Si al menos un b
i
nuevo fuese < 0 (negativo, NO factible); Entonces se
modifica el tablero simplex ptimo con los nuevos b
i
y se aplica el m-
todo dual simplex para efectuar las iteraciones y encontrar el nuevo
ptimo.
Ahora la pregunta es: Entre que valores pueden cambiar los bi (Recur-
sos) , de tal forma que se mantenga la solucin actual factible.
Para contestar sta pregunta, basta con plantear las ecuaciones que
Los coeficientes de X
4
en cada fila, indican el nmero de
veces que ocurri el cambio en cada fila; sobre el trmino
independiente.
143
calculan los valores de los b
i
nuevos, remplazando el nuevo bi, por un
valor cualquiera que cumpla con la condicin de que el nuevo valor de
las variables bsicas sea > 0 que mantenga la respuesta actual facti-
ble.
Anlisis de sensibilidad para b
1
(1) 4 + 1 (b
1
- 4) >
0
b
1
> 0
(2) 9 + 0(b
1
- 4) > 0
No restringe
Luego b
1
debe tomar
valores entre 0 < b
1
< para que el ta-
blero simplex ptimo
actual se mantenga
factible
Anlisis de sensibilidad para b
2
(1) 4 + 0 (b
2
- 18) > 0
No restringe
(2) 9 + 1/2 (b
2
-18) > 0
b
2
> 0
Luego b
2
debe tomar
valores entre 0 < b
2
< para que el ta-
blero simplex ptimo
actual se mantenga
factible
Es interesante observar que le sucede al valor actual de Z* cuando se
hace un cambio de una unidad (1) en b
i
Cambio en b
1
de 4 a 5
(0) 45 + 0 (5-4) = 45 + 0 (1) = 45
(1) 4 + 1 (5-4) = 4 + 1 (1) = 5
(2) 9 +0 (5-4) = 9 + 0 (1) = 9
Aqu, Z* no aument. Observe que
la primera variable del dual Y
1
vale cero (0)
Cambio en b
2
de 18 a 19
(0) 45 + 5/2 (19-18) = 45 + 5/2 (1) = 95/2
(1) 4 + 0 (19-18) = 4 + 0 (1) = 4
(2) 9 + 1/2 ( 19-18) = 9 + 1/2 (1) = 19/2
Aqu, Z* aument 5/2,
Observe que la segunda
variable del dual Y
2
vale
5/2
Lo anterior significa que las variables reales del dual (Y
1
* , Y
2
*) son el
incremento de Z* por unidad de recurso aumentado, siempre y cuando
ste aumento de los recursos se mantenga dentro del rango de sensi-
144
bilidad (0 < b
1
< ) y (0 < b
2
< ). Por ello, el valor de las variables reales
del dual es llamado el precio sombra.
De manera similar, las variables de holgura del dual (Y
3
* , Y
4
*) indican
lo que Z* disminuye por cada unidad que se decida hacer crecer a una
variable NO bsica, esto se llama el costo reducido.
4.CAMBIO EN a
ij
CUANDO X
j
* ES NO-BSICA
Aqu se efecta el cambio sobre el coeficiente tecnolgico de las
variables, para muchos problemas ste coeficiente tecnolgico a
i,j
es
el valor inverso de la productividad, concepto ste de vital importan-
cia para el tomador de decisiones.
Productividad Coeficiente tecnolgico Q = Unidades
P = Q / t a
i,j
= t / Q t = Tiempo
Para ste cambio y los siguientes, de nuevo se aplica el principio de que
el coeficiente de la variable de holgura de la ecuacin donde ocurre el
cambio, nos indica el nmero de veces que cada ecuacin ha sido suma-
da restada de las dems ecuaciones sea el nmero de veces que
ocurre el cambio, siendo el cambio la diferencia entre el nuevo y el
actual valor de a
i,j
Se propone hacer el cambio en la segunda restriccin de la siguiente
forma:
3X
1
+ 2X
2
< 18 por X
1
+ 2X
2
< 18 ; El a
2,1
a cambiado de 3 a 1 y es el
coeficiente de X
1
que en el ptimo es variable NO bsica.
El cambio ocurre en la ecuacin (2), que tiene la variable de holgura X
4
que inici con coeficiente (1), luego su coeficiente en cada ecuacin
indica el nmero de veces que ocurre el cambio en cada ecuacin. Ma-
temticamente:
En el ptimo:
(0) Z
X
+ 9/2X
1
+ 5/2X
4
= 45
(1) X
1
+ X
3
= 4
(2) 3/2X
1
+ X
2
+ 1/2X
4
= 9
El coeficiente de X
4
indica
el nmero de veces que ocu-
rre el cambio en cada fila,
siendo el cambio (1 3)
145
(0) Z
X
+ [9/2 + 5/2(1 3)] X
1
+ 5/2X
4
= 45
(1) [ 1 + 0(1 3)] X
1
+ X
3
= 4
(2) [ 3/2 + 1/2(1 3)] X
1
+ X
2
+ 1/2X
4
= 9
(0) Z
X
- 1/2X
1
+ 5/2X
4
= 45
(1) X
1
+ X
3
= 4
(2) 1/2X
1
+ X
2
+ 1/2X
4
= 9
El coeficiente de X
1
en la
ecuacin (0) que es el (Z
1

C
1
) se ha vuelto negativo, in-
dicando que la solucin NO es
ptima, luego debemos iterar.
Solucin:
X
1
* = 4 X
4
* = 0 Y
1
* = 1/2 Y
4
* = 0
X
2
* = 7 Z
X
* = 47 Y
2
* = 5/2 Z
Y
* = 47
X
3
* = 0 Y
3
* = 0
Entre que valores puede cambia a
21
(Coeficiente tecnolgico) , de tal
forma que se mantenga la solucin actual ptima.
Para contestar sta pregunta, basta con replantear la ecuacin que
1
C
1
), remplazando el nuevo a
2,1
, por un valor
cualquiera que cumpla con la condicin de que el nuevo valor de (Z
1
C
1
) sea > 0 , que mantenga la respuesta actual ptima.
9/2 + 5/2 ( a
2,1
3 ) > 0 ; Despejando a
2,1
se encuentra que a
2,1
> 6/
5 ; Luego el rango de sensibilidad para a
2,1
es: 6/5 < a
2,1
<
146
5. CAMBIO EN a
ij
CUANDO X
j
* ES BSICA
Como el cambio se efecta sobre el coeficiente de una variable que en
el ptimo es Bsica, ello har que aparezca dicha variable con coefi-
ciente diferente de cero (0) en la funcin objetivo, teniendo que ser
eliminada. ste proceso ocasionar cambios en los Z
j
- C
j
de las varia-
bles NO bsicas que en caso de tomar valores menores que cero (0),
no mantienen la optimalidad y habr que iterar empleando el mtodo
simplex; Tambin pueden ocurrir cambios en los b
i
convirtiendo la so-
lucin en NO factible, en cuyo caso debe emplearse el mtodo Dual
Simplex
Se propone cambiar el a
22
de 2 a 4 , coeficiente de X
2
en la segunda
restriccin, variable que en el ptimo actual es variable bsica.
3X
1
+ 2X
2
< 18 cambiar por 3X
1
+ 4X
2
< 18
La ecuacin en donde ocurre el cambio es la segunda, y en ella la varia-
ble que empez con coeficiente uno (1) es X
4
, luego los coeficientes
de X
4
en cada ecuacin indican las veces que ocurre al cambio en cada
ecuacin, matemticamente:
(0) Z
X
+ 9/2X
1
+ 5/2X
4
= 45
(1) X
1
+ X
3
= 4
(2) 3/2X
1
+ X
2
+ 1/2X
4
= 9
El coeficiente de X
4
indica
el nmero de veces que ocu-
rre el cambio en cada fila,
siendo el cambio (4 2)
(0) Z
X
+ 9/2X
1
+ [0 + 5/2 (4 2)] X
2
+ 5/2X
4
= 45
(1) X
1
+ [0 + 0 (4 2)] X
2
+ X
3
= 4
(2) 3/2X
1
+ [1 + 1/2 (4 2)] X
2
+ 1/2X
4
= 9
(0) Z
X
+ 9/2X
1
+ 5X
2
+ 5/2X
4
= 45
(1) X
1
+ X
3
= 4
(2) 3/2X
1
+ 2X
2
+ 1/2X
4
= 9
5X
2
debe eliminarse
de la funcin objetivo
(2X
2
)debe tener co-
eficiente (1), luego
multiplicamos toda la
fila por (1/2)
147
(0) Z
X
+ 9/2X
1
+ 5X
2
+ 5/2X
4
= 45
(1) X
1
+ X
3
= 4
(2) 3/4X
1
+ 1X
2
+ 1/4X
4
= 9/2
(0) Z
X
+ 3/4X
1
+ 5/4X
4
= 45/2
(1) X
1
+ X
3
= 4
(2) 3/4X
1
+ X
2
+ 1/4X
4
= 9/2 (-5)
Optimalidad
El nuevo Z
1
* - C
1
= 3/4 ;
Valor que es > 0
El nuevo Z
4
* - C
4
= 5/4 ;
Valor que es > 0
Factibilidad
b
1
= X
3
* = 4 ; Valor que es > 0
b
2
= X
2
* = 9 ; Valor que es > 0
Solucin:
X
1
* = 0 X
4
* = 0 Y
1
* = 0 Y
4
* = 0
X
2
* = 9/2 Z
X
* = 45/2 Y
2
* = 5/4 Z
Y
* = 45/2
X
3
* = 4 Y
3
* = 3/4
Entre que valores puede cambia a
22
(Coeficiente tecnolgico) , de tal
forma que se mantenga la solucin actual ptima y factible.
Para ste caso el anlisis es ms complejo ya que ocurren cambios tan-
to en los (Z
j
-C
j
), como en los b
i
poniendo en peligro tanto la optimalidad
como la factibilidad de la solucin. Como en todos los casos anterio-
res, se reconstruyen las ecuaciones que dan origen a los cambios tanto
de los (Z
j
-C
j
), como de los b
i
Anlisis de sensibilidad, cuidando la optimalidad, ( Z
j
-C
j
) > 0 para las
variables No Bsicas.
para (Z
1
C
1
)
148
para (Z
4
C
4
)
Anlisis de sensibilidad, cuidando la factibilidad, b
i
> 0 para todas las
restricciones.
para b
1
: [0 + 0 ( a
22
2 )] (9/2) + 4 > 0 ; NO altera la factibilidad
para b
2
: [1 + ( a
22
2 ) > 0 ; a
22
> 0
Concluyendo; El valor de a
22
debe estar dentro del siguiente rango:
0 < a
22
< 4
6. ADICIN DE UNA RESTRICCIN
ste caso plantea la posibilidad de aadir una restriccin, que se halla
olvidado, en la formulacin inicial del problema, como en el caso de los
problemas de solucin indeterminada, en los que se presume el no ha-
ber tenido en cuenta la restriccin de un recurso que afecta la solu-
cin del problema.
Supongamos que se ha olvidado tener en cuenta la siguiente tercera
(3) restriccin: X
2
< 6
Observamos si la nueva restriccin cumple con la solucin ptima ac-
tual; Si cumple, la solucin actual se mantiene, si no, aadimos la nueva
restriccin.
La solucin actual es: X
1
*
= 0 ; X
2
*
= 9 ; Remplazando en la nueva res-
triccin X
2
< 6 ; 9 < 6 ; Aseveracin sta que es falsa, luego debemos
proceder a aadir la nueva restriccin, as:
149
(3) X
2
< 6
(3) X
2
+ X
5
= 6 ; X
5
nueva variable de holgura y variable bsica de sta
ecuacin, luego debemos eliminar a X
2
porque tambin es variable b-
sica en la solucin ptima actual; Recordemos que en cada ecuacin
solo debe aparecer una variable bsica, con coeficiente (1), para lo-
grarlo, tratamos la ecuacin (3) con la (2), eliminando X
2
y obteniendo
la nueva ecuacin (3), as:
(2) 3/2 X
1
+ X
2
+ 1/2 X
4
= 9
(3) - X
2
- X
5
= -6
(3) 3/2 X
1
+ 1/2 X
4
X
5
= 3 Multiplicando por (-1)
(3) - 3/2 X
1
- 1/2 X
4
+ X
5
= -3 El nuevo sistema de ecuaciones es:
(0) Z + 9/2 X
1
+ 5/2 X
4
= 45
(1) X
1
+ X
3
= 4
(2) 3/2 X
1
+ X
2
+ 1/2 X
4
= 9
(3) - 3/2 X
1
- 1/2 X
4
+ X
5
= -3
En donde X
5
= -3 ; valor no factible. Introducimos los datos al tablero
simplex y aplicamos el mtodo dual simplex para eliminar la
infactibilidad generada por la adicin de la nueva restriccin.
Mtodo Dual - Simplex
(- 2/3 )
150
Nueva solucin:
X
1
* = 2 X
4
* = 0 Y
1
* = 0 Y
4
* = 0
X
2
* = 6 X
5
* = 0 Y
2
* = 1 Y
5
* = 0
X
3
* = 2 Z
X
* = 36 Y
3
* = 3 Z
Y
* = 36
7. ADICIN DE UNA VARIABLE
Aqu se considera la adicin de una variable, que en la vida real puede
ser un producto nuevo, entonces estamos midiendo los efectos de
sta decisin y sus implicaciones sobre la solucin actual.
El cambio que se propone es el siguiente:
Max Z = 3X
1
+ 5X
2
C.S.R. X
1
< 4
3X
1
+ 2X
2
< 18
X
J
> 0 ; J = 1,2
Max Z = 3X
1
+ 5X
2
+ 7X
5
C.S.R. X
1
X
5
< 4
3X
1
+ 2X
2
+ 2X
5
< 18
X
J
> 0 ; J = 1,2,5
Fjese que es la combinacin de un cambio en un C
j
y el cambio de a
i,j
en
dos (2) restricciones, al mismo tiempo.
El C
5
ha cambiado de (0) a (7) en la funcin objetivo.
El coeficiente de X
5
en la 1 restriccin cambi de (0) a (1); El cambio
fue de (1 0) = 1
El coeficiente de X
5
en la 2 restriccin cambi de (0) a (2); El cambio
fue de (2 0) = 2
El objetivo se reduce a reconstruir toda la columna de la nueva varia-
ble X
5
en cada una de las ecuaciones del simplex. Aplicamos nuevamen-
te el concepto de que la variable que inicia con coeficiente 1 (General-
mente las variables de holgura), Su coeficiente en el ptimo nos indi-
ca, el nmero de veces que ocurri el cambio en cada ecuacin.
Hay que tener en cuenta que en el mtodo algebraico todos los trmi-
nos se trasladan al lado izquierdo, cambiando su signo, por eso aqu, el
coeficiente de X
5
empez con un coeficiente de ( -7); Matemtica-
mente:
151
(0) Z
x
+ 9/2 X
1
+ 5/2 X
4
+ [ -7 + (0)(1) + (5/2)(2) ] X
5
= 45
(1) X
1
+ X
3
+ [ ( 1)(1) + ( 0 )(2) ] X
5
= 4
(2) 3/2 X
1
+ X
2
+ 1/2 X
4
+ [ (0)(1 ) + (1/2)(2) ] X
5
= 9
Fjese que los nuevos coeficientes de X
5
para cada ecuacin estn
afectados por tres (3) trminos: La primera columna corresponde al
efecto producido por la aparicin de X
5
en la funcin objetiva, por ello
solo afecta la ecuacin cero (0), la segunda columna refleja el efecto
producido por un cambio de un a
i,j
en la primera restriccin y por lti-
mo, la tercera columna refleja el efecto producido por un cambio de
un a
i,j
en la segunda restriccin.
Efectuando los clculos aritmticos, el sistema de ecuaciones queda
as:
(0) Z + 9/2 X
1
+ 5/2 X
4
- 2 X
5
= 45
(1) X
1
+ X
3
+ X
5
= 4
(2) 3/2 X
1
+ X
2
+ 1/2 X
4
+ X
5
= 9
Fjese que la optimalidad se ha afectado ya que el Z
5
C
5
es igual a 2,
por lo que hay que iterar, empleando el mtodo simplex
Fjese en el orden
Nueva solucin:
X
1
* = 0 X
4
* = 0 Y
1
* = 2 Y
4
* = 0
X
2
* = 5 X
5
* = 4 Y
2
* = 5/2 Y
5
* = 0
X
3
* = 0 Z
X
* = 53 Y
3
* = 13/2 Z
Y
* = 53
152
El WinQsb y el Anlisis de Sensibilidad
Por ltimo nos ocuparemos de ilustrar el uso del Software WinQsb en
lo que se relaciona con la solucin de problemas de programacin lineal
y el anlisis de Sensibilidad.
A continuacin ilustraremos la ventana inicial, en donde introducimos
los datos generales del problema, luego, la ventana de captura de los
datos correspondientes a la funcin objetiva y las restricciones y por
ltimo la ventana que nos muestra los resultados de la solucin ptima;
El problema que se usa, es el mismo que se ha utilizado como ejemplo
durante todo el captulo.
Max Z = 3X
1
+ 5X
2
C.S.R. X
1
< 4
3X
1
+ 2X
2
< 18
X
J
> 0 ; J = 1,2
Fjese que el problema debe tener un nombre, el cual ser usado en los
informes escritos y de pantalla.
El nmero de restricciones no incluye las restricciones de NO-
NEGATIVIDAD.
El software le ofrece cuatro (4) tipo de variables: Continua positiva,
Entera positiva, Binaria (0,1) e irrestricta (Que puede tomar cualquier
valor).
Se recomienda el formato de matriz de hoja de clculo por ser la
ms didctica.
153
Con doble clic del ratn se puede cambiar el sentido de la desigual-
dad convertirla en igualdad, y el tipo de variable. Tambin se puede
restringir el valor de cada variable, cambiando su valor mnimos y
mximo.
Para solucionar el problema se da clic sobre el icono que aparece en la
parte superior y que se seala en la grfica siguiente:
El programa anuncia, mediante una ventana, que el problema ha sido
solucionado y que la solucin ptima ha sido archivada, se acepta
dando clic sobre el botn de aceptar, siguiente:
En la siguiente ventana se nos ofrece la solucin ptima y algunos da-
tos del anlisis de sensibilidad, cuyo significado, entramos a explicar.
Para efectos de una interpretacin que guarde mayor relacin con la
realidad, supondremos que las variables X
1
y X
2
representan las canti-
dades a producir de los artculos 1 y 2. Las restricciones representan
la cantidad de recursos disponibles del tipo A y B y la funcin objetiva
son las utilidades logradas.
En el encabezado de sta ventana se muestra la hora y la fecha en que
la que se logr la presente solucin.
154
La ventana la hemos dividido en dos, mediante una lnea de color rojo,
en la parte superior de dicha lnea, se encuentra la informacin rela-
cionada con las variables bsicas, y la funcin objetivo. En sta rea,
el significado para la fila 1, de los datos de izquierda a derecha es:
Del artculo 1 (X
1
*) debemos producir cero (0) unidades. Su utilidad
por unidad (C
1
) es de $3 y su contribucin a al utilidad total es de cero
(0) pesos (0)(3)=0. Si decidiramos llevar la contraria a sta solucin
ptima y decidiramos producir unidades del producto 1, entonces por
cada unidad producida, perderamos $4,50 de nuestras utilidades, esto
se denomina el costo reducido del producto 1. En la siguiente casilla a
la derecha, se nos informa que sta variable est en su valor lmite
posible (X
1
> 0). Por ltimo, en las dos ltimas casillas de sta fila, se
muestra el anlisis de sensibilidad para C
1
que nos indica que la utili-
dad por unidad del artculo 1 debe estar en el rango de: - < C
1
<
15/2 para que la solucin actual se mantenga ptima.
El significado para la fila 2, de los datos de izquierda a derecha es:
Del artculo 2 (X
2
*) debemos producir 9 unidades. Su utilidad por uni-
dad (C
2
) es de $5 y su contribucin a al utilidad total es de $45
[(5)(9)=45]. Aqu el costo reducido es de $0 en atencin a que s se
van a producir unidades del artculo 2. En la siguiente casilla a la dere-
cha, se nos informa que sta variable es bsica. En las dos ltimas ca-
sillas de sta fila, se muestra el anlisis de sensibilidad para C
2
que nos
indica que la utilidad por unidad del artculo 2 debe estar en el rango
de:
2 < C
2
< + para que la solucin actual se mantenga ptima.
En la siguiente fila se muestra el valor total de la contribucin valor
mximo de la funcin objetivo Z* = $45
155
En la parte inferior de la lnea roja, se encuentra la informacin refe-
rente a cada una de las restricciones y su interpretacin es la siguien-
te:
La fila 1 corresponde a la restriccin 1, referente a la disponibilidad
del recurso A , para el que se muestra el valor del lado izquierdo, eva-
luado con la solucin optima y que indica que del recurso A no se utili-
zar ninguna unidad, de las 4 disponibles, por ello la holgura exce-
dente de dicho recurso es de 4 unidades. El precio sombra nos indica
que si se dispone de una unidad adicional del recurso A, ello ocasiona-
r un incremento en la utilidad de $0 ;Siempre y cuando el valor del
recurso se encuentre entre los lmites de sensibilidad 0 < b
1
< ; que
son los valores que hacen que la solucin actual permanezca factible.
La fila 2 corresponde a la restriccin 2, referente a la disponibilidad
del recurso B , para el que se muestra el valor del lado izquierdo, eva-
luado con la solucin optima y que indica que del recurso B se utilizan
18 unidades, de las 18 disponibles, por ello la holgura excedente de
dicho recurso es de 0 unidades. El precio sombra nos indica que si se
dispone de una unidad adicional del recurso B, ello ocasionar un in-
cremento en la utilidad de $2,50 siempre y cuando el valor del recurso
se encuentre entre los lmites de sensibilidad 0 < b
2
< ; que son los
valores que hacen que la solucin actual permanezca factible.
1. Considere el siguiente problema de programacin lineal
Maximice Z = - X
1
+ 3X
2
2X
3
C.S.R.
3X
1
X
2
+ 2X
3
< 7 Recurso A
-2X
1
+ 4X
2
< 12 Recurso B
-4X
1
+ 3X
2
+ 8X
3
< 10 Recurso C X
j
> 0 ; j = 1,2,3
a) Cul es la solucin ptima ? Z
X
* , X
1
*, X
2
*, X
3
*, X
4
*, X
5
*
^
X
6
*
en donde X
4
, X
5
*
^
X
6
son variables de holgura de las restriccio-
nes correspondientes a los recursos A,B,C respectivamente.
b) Formule el Dual.
c) Cul es la solucin ptima del dual.
d) Si consideramos que Z es ganancia en pesos. Cul seria la con-
tribucin a la ganancia si hubiese una unidad ms de recurso A ?, lo
156
2. Se ha concedido licencia a una nueva empresa de turismo, para rea-
lizar vuelos entre Bogot y las Islas de San Andrs y Providencia e
Interinsulares (Vuelos entre las islas del archipilago). para ello,
debe comprar turborreactores con los que cubrir los vuelos entre
Bogot y las Islas, as como Aviones de Hlice y/o helicpteros con
los que servir los vuelos interinsulares. El presupuesto de compra
es de $2.800000.000. Las caractersticas de los aparatos que pue-
de comprar la empresa de turismo son:
3X
1
X
2
+ 2X
3
+ X
7
< 7 Recurso A
-2X
1
+ 4X
2
- 2X
7
< 12 Recurso B
-4X
1
+ 3X
2
+ 8X
3
- X
7
< 10 Recurso C
X
j
> 0 ; j = 1,2,3,7
Es la antigua solucin
con X
7
= 0 an ptima?
Si no, encuentre el nue-
vo ptimo.
Nota: No son necesarios clculos largos para ninguno de los
encisos del problema
La solucin ptima actual es:
mismo para B, lo mismo para C.
e)Supngase que datos mas recientes nos dicen que la funcin objeti-
va es: Z = -X
1
+ 3X
2
+ X
3
. Es la vieja solucin todava ptima ? si no,
encuentre la nueva solucin ptima.
f)Suponga que queremos investigar el efecto de cambiar la funcin
objetiva a Z = -X
1
+ X
2
2X
3
. An ser ptima la antigua solucin ? si
no, encuentre el nuevo ptimo.
g)Haga un anlisis se sensibilidad para cada uno de los C
j
h)Si uno encuentra que solo hay 10 unidades disponibles del recurso B,
el ptimo ser el mismo? Si no, encuentre el nuevo ptimo.
i)Haga un anlisis de sensibilidad para cada uno de los b
i
j)Cambiara la solucin ptima si aadimos la nueva restriccin X
1
+ X
2
+ X
3
< 8 . Si s, encuentre el nuevo ptimo.
k)Supngase que se ha descubierto que una cuarta actividad, denota-
da por X
7
, es relevante y que el nuevo modelo matemtico es:
Maximice Z = - X
1
+ 3X
2
2X
3
+ X
7
C.S.R.
157
Se pueden contratar como mximo 10 pilotos y 16 azafatas. Se
desea contratar al menos 3 copilotos. El trfico entre Bogot y las
Islas de San Andrs se estima en 8.000 pasajeros por mes; y el
interinsular en 500 pasajeros por mes. El permiso concedido re-
quiere que el nmero mnimo de aparatos sea de 15. La Empresa de
Turismo desea operar con costos de mantenimiento mnimos.
a) Formular un modelo de programacin Lineal que proporcione el
plan ptimo de compra.
b) Resolver e interpretar al solucin, manualmente y con el Soft-
ware WinQsb.
c) Si existe la posibilidad de contratar 10 pilotos ms, Cul ser
la nueva solucin?
d) Un cambio en el contrato reduce el nmero mnimo de aparatos
a 14, Cul es el efecto econmico a sta modificacin?
3. Un Empresario pretende fabricar dos tipos diferentes de congela-
dores denominados A y B . Cada uno de ellos debe pasar por tres
operaciones antes de su comercializacin: Ensamblaje, pintura y
control de calidad. Los congeladores requieren, 2,5 y 3 horas de
ensamblaje respectivamente, 3 y 6 kilogramos de esmalte para su
pintura respectivamente y 14 y 10 horas de control de calidad res-
pectivamente. Los costos totales de fabricacin por unidad son:
$30.000 y $28.000 respectivamente, y los precios de venta $52.000
y $48.000 respectivamente.
El Empresario dispone semanalmente de 4.500 horas para ensam-
blaje, 3.400 kilogramos de esmalte y de 20.000 horas para control
de calidad. Los estudios de mercado muestran que la demanda se-
manal de congeladores no supera las 1.700 unidades y que, la de-
manda del congelador tipo A, es de al menos, 600 unidades. Se de-
sea:
a) Formular un modelo de programacin lineal que indique cuntos
congeladores deben fabricarse de cada tipo para que el bene-
158
ficio sea mximo, teniendo en cuenta el estudio de demanda.
b) Resolverlo mediante el mtodo simplex. Interpretar la solucin
ptima incluyendo las variables de holgura (Redondear la solu-
cin al valor entero por defecto). Resolverlo empleando el Win-
Qsb, escogiendo como tipo de variable, la opcin de ENTERA.
c) Determinar los precios sombra de las horas de ensamblaje y
control de calidad. Al fabricante le ofrecen disponer de 200
horas ms para ensamblaje con un costo adicional total de
$750.000. Debera aceptar la oferta?
4. Una editorial dispone para impresin de 4.500 horas y para encua-
dernacin de 4.000 horas. La tabla que sigue da los tiempos, en
horas, empleados en ambas tareas para cuatro libros L
i
; i = 1,2,3,4
, as como sus beneficios, en miles de pesos.
a) Formule un modelo de programacin lineal que proporcione el
mximo beneficio y resulvalo.
b) Suponga que el departamento comercial de la Editorial no en-
cuentran la solucin razonable, y creen que, a lo sumo, se podrn
vender 5.000 copias del libro L
4
a ese precio. para vender 10.000,
su precio deber bajar en $2.000 por copia. Qu consecuen-
cias tiene sta hiptesis?. Obtener la mejor solucin.
c) Al director de la Editorial le gustara imprimir el libro L
2
. De-
seara saber las consecuencias sobre el beneficio, as como la
produccin de los libros L
1
y L
4
si se producen 2.000 copias de
L
2
.
d) Si adems en c) se propone que el libro L
2
lo encuaderne otra
editorial que carga $500 ms por copia, Merece la pena sta
propuesta?
5. Una compaa vende dos tipos de fertilizantes que son fabricados
en dos departamentos. El tipo A contribuye con $3 y el tipo B con-
tribuye con $4 por tonelada.
159
A cul departamento debe dar prioridad en los fondos para la
expancin de la planta?
6. Del problema principal, sabemos que una unidad de X
1
contribuye
con $6 por unidad a la utilidad, requiere 2 horas en el departamen-
to A y 1 hora en el departamento B. Una unidad de x
2
contribuye
con $7 por unidad a la utilidad y requiere 1 hora en el departamen-
to A y 3 horas en el departamento B. La capacidad mxima para
cada departamento es de 40 horas.
Formule el dual e indique el valor que se incrementa la utilidad por
cada hora adicional en cada departamento.
7. Un taller de artesanas fabrica dos productos en dos departamen-
tos. El producto X
1
contribuye con $6 por unidad a la utilidad y
toma 6 horas en el departamento 1 y 6 horas en el departamento 2.
El producto X
2
contribuye con $14 por unidad a la utilidad y toma
8 horas en el departamento 1 y 2 horas en el departamento 2. El
departamento 1 tiene una capacidad de 38 horas y el departamen-
to 2 42 horas. Indique el nmero mximo de produccin en unida-
des y el nivel de produccin para maximizar la utilidad y muestre la
diferencia en la contrinucin a la utilidad de los dos.
8. Una compaa requiere vendedores entrenados, las ventas del pro-
ducto tienden a ser estacionales. La compaa rquiere el siguiente
nmero mnimo de vendedores durante cada mes del ao.
Despus de contratar un vendedor, se le enva a una escuela de
entrenamientodurante 4 meses; despus de su entrenamiento, el ven-
dedor empieza a vender activamente. Aunque los miembros de la fuer-
za de venta reciben un buen salario, el trabajo es bastante pesado y la
empresa ha observado que cada mes, aproximadamente el 10% del per-
sonal activo renuncia a la empresa. Construya la funcin objetivo y las
restricciones que le permita a la compaa determinar el nmero de
160
a. Comente sobre el valor adicional para la compaa al aadir capa-
cidad adicional en cada uno de los tres departamentos.
b. Determine el rango sobre el cual los precios marginales para las
variables de holgura sern vlidos.
c. Determine el rango sobre el cual los coeficientes de X
2
y X
3
pue-
den variar sin afectar la solucin ptima.
d. Cul tendra que ser la contribucin por unidad de X
1
para que
est en la solucin ptima?
e. Cules son las implicaciones de mercado de las respuestas que
encontr en la parte c) y d) anteriores?
10. Del problema principal sabemos que una unidad del producto 1 con-
candidatos a vendedores que deben admitirsen al entrenamiento cada
mes por los prximos 12 meses. La compaa desea contratar el menor
nmero de personas pero manteniendo los requerimientos mnimos de
la fuerza de venta para cada mes. Al principio de enero, la fuerza de
venta consta de 50 vendedores activos y 90 en entrenamiento de los
cuales 30 se convertirn en vendedores activos el 1 de marzo y 60 en
vendedores activos el 1 de abril.
Use el WinQsb y haga un completo anlisis post-ptimo a la solucin
ptima de ste problema.
9. He aqu la funcin objetivo, las restricciones y la tabla simplex
final para un problema de mezcla de productos de programacin
lineal:
Funcin objetivo: Maximizar Z = 2X
1
+ 5X
2
+ 8X
3
con las siguientes restricciones:
6X
1
+ 8X
2
+ 4X
3
< 96 Departamento 1
2X
1
+ X
2
+ 2X
3
< 40 Departamento 2
5X
1
+ 3X
2
+ 2X
3
< 60 Departamento 3
X
J
> 0 ; j = 1,2 y 3
161
tribuye a la utilidad con $7 y que requiere 3 unidades de entrada
1 (1 ingrediente) y 2 horas de mano de obra. Una unidad del pro-
ducto 2 contribuye a la utilidad con $5 y requiere 1 unidad de
entrada 1 y 1 hora de mano de obra. La capacidad de las entradas
es actualmente de 48 unidades y hay 40 horas de mano de obra.
Formule el dual de este problema e indique el valor para la firma
de otra unidad de entrada 1 y otra hora de mano de obra.
11. He aqu la funcin objetivo, las restricciones, y la table simplex
final de un problema de programacin lineal de mezclas que
involucra 4 productos y 3 departamentos.
Funcin objetivo: Maximice Z = 2X
1
+ 4X
2
+ X
3
+ X
4
con las
siguientes restricciones:
X
1
+ 3X
2
+ X
4
< 4 Departamento 1
2X
1
+ X
2
< 3 Departamento 2
X
2
+ 4X
3
+ X
4
< 3 Departamento 3
X
j
> 0 ; j = 1,2,3 y 4
a) Comente sobre el valor que tiene para esta compaa el aadir ca-
pacidad adicional en cada uno de estos tres departamentos.
b) Determine el rango sobre el cual cada uno de los precios margina-
les para las variables de holgura sern vlidos.
c) Determine el rango sobre el cual cada uno de los coeficientes de
X
1
, X
2
y X
3
puede variar sin afectar la solucin ptima.
d) Cul tendra que ser la contribucin de X
4
para que estuviera en
la solucin ptima?
e) Cules son las implicaciones de mercado de las respuestas que en-
contr para las partes c) y d) anteriores?
162
Maximice Z = C
1
X
1
+ C
2
X
2
C.S.R. 2X
1
- X
2
< b
1
Recurso A
X
1
- X
2
< b
2
Recurso B
X
j
> 0 ; j = 1,2
Sean X
3
y X
4
las variables de holgura para las restricciones respec-
tivas. Cuando C
1
= 3, C
2
= -2 y b
1
= 30 y b
2
= 10, el mtodo simplex
llev a la siguiente tabla final.
1. Formule el problema dual.
2. Escriba la solucin al problema principal
3. Escriba la solucin al problema dual.
4. En cuanto se incrementa Z por unidad adicional de recurso A? . En
cunto se incrementa Z por unidad adicional de recurso B?
5. En cuanto se reduce Z por unidad adicional del producto X
1
?. En
cunto se reduce Z por unidad adicional del producto X
2
?
6. Haga un anlisis de sensibilidad para la disponibilidad del recurso
A (b
1
). Haga un anlisis de sensibilidad para la disponibilidad del
recurso B (b
2
)
7. Haga un anlisis de sensibilidad para C
1
. Haga un anlisis de sensi-
bilidad para C
2
.
8. Si se ofrecen 5 unidades adicionales del recurso A por un valor
total de 25 unidades monetarias. Usted las comprara? Explique la
respuesta claramente.
9. Hasta cunto pagara Usted como mximo por una unidad adicio-
nal de recurso B?. Explique su respuesta.
10. Si el recurso B se incrementa en 10 unidades. El tablero ptimo
actual se mantiene?, si no, encuentre el nuevo ptimo y escriba la
nueva solucin para todas las variables del principal y del dual.
C
j
V.B. b
X
1
X
2
X
3
X
4
-2 X
2
10 0 1 1 -2
3 -2 0 0
3 X
1
20 1 0 1 -1
Z
J
- C
J
40 0 0 1 1
163
Captulo 9
Introduccin
En ste captulo estudiaremos un modelo particular de problema de
programacin lineal, uno en el cual su resolucin a travs del mtodo
simplex es dispendioso, pero que debido a sus caractersticas especia-
les ha permitido desarrollar un mtodo ms prctico de solucin.
El modelo de transporte se define como una tcnica que determina un
programa de transporte de productos o mercancas desde unas fuen-
tes hasta los diferentes destinos al menor costo posible.
Tambin estudiaremos el problema del transbordo en el que entre fuen-
tes y destinos, existen estaciones intermedias. Por ltimo estudiare-
mos el software WinQsb y el Invop.
164
Modelo General del Problema del Transporte
Es un caso especial de problema de programacin Lineal, en el que to-
dos los coeficientes de las variables en las restricciones tienen coefi-
ciente uno (1), esto es:
a
i,j
= 1 ; para todo i , para todo j
Grficamente:
X
ij
= Unidades a enviar desde la fuente i-sima (i=1,...,m) al destino j-
simo (j=1,...,n).
C
i,j
= Costo de enviar una unidad desde la fuente i-sima (i=1,...,m) al
destino j-simo (j=1,...,n)
a
i
= Disponibilidad (oferta) en unidades, de la fuente i-sima (i=1,...,m)
b
j
= Requerimiento (demanda) en unidades, del destino j-simo (j=1,...,n)
Lo disponible = Lo requerido

Oferta = Demanda Mercado Perfecto
Matemticamente:
Minimizar Z = C
1,1
X
1,1
+...+ C
1,j
X
1,j
+...+ C
1,n
X
1,n
+...+ C
i,1
X
i,1
+...+ C
i,j
X
i,j
+...+
C
i,n
X
i,n
+...+ C
m,1
X
m,1
+...+ C
m,j
X
m,j
+...+ C
m,n
X
m,n
165
C.S.R.
X
11
++ X
1j
++ X
1n
= a
1
: : : :
X
i1
++ X
ij
++ X
in
= a
i
: : : :
X
m1
++ X
mj
++ X
mn
= a
m
Todo lo disponible es enviado
X
11
++ X
ij
++ X
mn
= b
1
: : : :
X
1j
++ X
ij
++ X
mj
= b
j
: : : :
X
m1
++ X
mj
++ X
mn
= b
n
Todo lo enviado fue requerido
X
ij
> 0
i
,
j
!No se pierde nada!
AA
Otra manera de formularlo
Minimice Z=
C.S.R.
Todo lo enviado fue requerido
Observacin:
Disponibilidad = Requerimiento
Oferta = Demanda
Mercado Perfecto
Metodologa General

Modelo
Imperfecto
Modelo
Perfecto
Mtodo de
Solucin
Solucin
Interpre-
tacin
Generalmente es
lo que ocurre en
la vida real.
Igualamos la
oferta a la de-
manda, median-
te fuentes o
destinos de hol-
gura
- Hallar una so-
lucin bsica y
factible.
- Hallar la solu-
cin ptima
Interpretar la
solucin teri-
ca v.s. la reali-
dad.
166
Metodologa de solucin
Solucin Bsica Factible Optimizacin Solucin ptima Interpretacin
Mtodos
Esquina Noroeste
Costo Mnimo
Vogel
Mtodos
Algebraico
Heurstico
Modi
Ejemplo
Tres (3) fbricas envan su producto a cinco (5) distribuidores. Las
disponibilidades, los requerimientos y costos unitarios de transporte,
se dan en la siguiente tabla.
Qu cantidad del producto se debe enviar desde cada fbrica a cada
distribuidor para minimizar los costos del transporte?
NOTA: La X significa que desde la fbrica 3 es imposible enviar uni-
dades al distribuidor 5
Solucin
Observe que el modelo no es perfecto: La oferta es diferente a la
demanda. Se adiciona una fbrica de relleno con costos de transporte
igual a cero (0) y que ofrezca justo lo que le hace falta a la oferta
para ser igual a la demanda.
NOTA: Adicionamos la fbrica
cuatro (4) con una oferta de 50
unidades, para igualar la ofer-
ta a la demanda, dicha fbrica
es de holgura.
ai Fbricas Distribuidores bj
40 1 1 30
60 2 2 40
70 3 3 50
170 4 40
50 4 5 60
220 220
Modelo Imperfecto Modelo de mercado perfecto
167
Formulacin
X
ij
= Unidades a enviar desde la fbrica i-sima (i=1,2,3,4) al distri-
buidor j-simo (j=1,2,3,4,5)
Minimizar Z = 20X
11
+ 19X
12
+ 14X
13
+ 21X
14
+ 16X
15
+ 15X
21
+ 20X
22
+
13X
23
+ 19X
24
+ 16X
25
+ 18X
31
+ 15X
32
+ 18X
33
+ 20X
34
+
MX
35
>>

Valor muy grande en comparacin con los dems C
ij
Nota: A X
35
se le castiga con un coeficiente muy grande Gran M ya
que Z nunca se minimizar mientras X
35
> 0 ; Luego X
35
termina-
r siendo variable NO-Bsica, igual a cero (0) para que Z se
minimice.
Con Las siguientes restricciones:
X
11
+ X
12
+ X
13
+ X
14
+ X
15
= 40
X
21
+ X
22
+ X
23
+ X
24
+ X
25
= 60
X
31
+ X
32
+ X
33
+ X
34
+ X
35
= 70
X
41
+ X
42
+ X
43
+ X
44
+ X
45
= 50
X
11
+ X
21
+ X
31
+ X
41
= 30
X
12
+ X
22
+ X
32
+ X
42
= 40
X
13
+ X
23
+ X
33
+ X
43
= 50
X
14
+ X
24
+ X
34
+ X
44
= 40
X
15
+ X
25
+ X
35
+ X
45
= 60
X
ij
> 0 ; i = 1,2,3,4 ; j = 1,2,3,4,5
Todo lo requerido fue enviado
Solucin Bsica Factible
Como cada variable figura dos (2) veces en el sistema de ecuaciones,
entonces tiene m+n-1 grados de libertad y el nmero de variables bsi-
cas debe ser igual al nmero de grados de libertad del sistema. Lo
anterior nos asegura una solucin bsica factible no degenerada.
NMERO DE VARIABLES BSICAS = m + n 1
168
Mtodo de la esquina noroeste
Caractersticas
. Sencillo y fcil de hacer
. No tiene en cuenta los costos para hacer las asignaciones
. Generalmente nos deja lejos del ptimo
Algoritmo
1. Construya una tabla de ofertas (disponibilidades) y demandas (re-
querimientos).
2. Empiece por la esquina noroeste.
3. Asigne lo mximo posible (Lo menor entre la oferta y la demanda,
respectivamente)
4. Actualice la oferta y la demanda y rellene con ceros el resto de
casillas (Filas Columnas) en donde la oferta la demanda halla
quedado satisfecha.
5. Muvase a la derecha o hacia abajo, segn halla quedado disponibi-
lidad para asignar.
6. Repita los pasos del 3 al 5 sucesivamente hasta llegar a la esquina
inferior derecha en la que se elimina fila y columna al mismo tiem-
po.
Nota: No elimine fila y columna al mismo tiempo, a no ser que sea
la ltima casilla. El romper sta regla ocasionar una solucin en
donde el nmero de variables bsicas es menor a m+n-1, produ-
ciendo una solucin bsica factible degenerada.
En nuestro problema de ejemplo:
Aqu, asignamos en la fila 1, columna 1 lo
mximo posible entre 40 y 30 o sea 30
unidades; X
11
=30 variable bsica. Actua-
lizamos la oferta y la demanda, quedando
stas en: 10 y 0 y rellenamos con cero el
resto de la columna 1, ya que la demanda
de 30 unidades qued satisfecha. Termi-
nando el mtodo, el tablero aparecer as:
169
X
11
= 30 X
12
= 10 X
22
= 30 X
23
=
30 X
33
= 20 X
34
= 40
X
35
= 10 X
45
= 50
Nota: Es una solucin bsica fac-
tible no degenerada, porque se sa-
tisface todas las demandas y
ofertas, todas las X
ij
> 0 y el n-
mero de variables bsicas es m+n-
1 = 4+5-1 = 8
Como evitar eliminar fila y columna al mismo tiempo, sin estar
en la ltima casilla, uso de
Supongamos que nuestro problema es:
El a
1
= 40 y a
2
= 60 se han cambiado por
a
1
= 30 y a
2
= 70 produciendo un empate
entre la oferta y la demanda de la casilla
1,1 de 30 unidades
Para ste caso, procedemos as: Escoger satisfacer la fila o la columna
(oferta o demanda), para nuestro ejemplo escogemos satisfacer la
oferta, entonces decidimos que a la demanda le queda una cantidad
muy pequea por satisfacer, llamada (epsilon) cuyo valor es aproxi-
madamente igual a cero (0), 0 y para efectos de clculos futuros
epsilon = 0.
Fjese que el nmero de variables
bsicas es m+n-1=8
X
11
= 30 X
21
= = 0 X
22
= 40
X
23
= 30 X
33
= 20
X
34
= 40 X
35
= 10 X
45
= 50
170
Mtodo del costo mnimo
Caractersticas
. Es ms elaborado que el mtodo de la esquina noroeste
. Tiene en cuenta los costos para hacer las asignaciones
. Generalmente nos deja alejados del ptimo
Algoritmo
1. Construya una tabla de disponibilidades, requerimientos y costos
2. Empiece en la casilla que tenga el menor costo de toda la tabla, si
hay empate, escoja arbitrariamente (Cualquiera de los empatados).
3. Asigne lo mximo posible entre la disponibilidad y el requerimiento
(El menor de los dos).
4. Rellene con ceros (0) la fila o columna satisfecha y actualice la
disponibilidad y el requerimiento, restndoles lo asignado.
Nota: Recuerde que no debe eliminar satisfacer fila y columna al
mismo tiempo, caso en que la oferta sea igual a la demanda, en tal caso
recuerde usar la (Epsilon).
5. Muvase a la casilla con el costo mnimo de la tabla resultante (Sin
tener en cuenta la fila o columna satisfecha).
6. Regrese a los puntos 3,4,5 sucesivamente, hasta que todas las casi-
llas queden asignadas.
En nuestro ejemplo, la tabla queda as:
Fjese que el menor costo de toda la tabla es cero (0), pero hay 5
celdas con costo cero (0), Escogemos al azar la fila 4, columna 1 y
asignamos lo mximo posible entre 50 y 40 o sea 30, rellenamos la co-
lumna 1 con ceros (0) ya que qued satisfecha y actualizamos la ofer-
ta de 50 a 20 (50 30 = 20).
Ahora escogemos el menor costo en la tabla que queda, volvindose a
presentar un mltiple empate, el cual dirimimos escogiendo la casilla
171
de la fila 4, columna 2, y asignamos lo mximo posible entre 40 y 20.
Diligenciando todo el tablero obtenemos:
Fjese que el nmero de variables bsicas es m+n-1=8
X
15
= 40 X
23
= 50 X
25
= 10
X
32
= 20 X
34
= 40 X
35
= 10
X
41
= 30 X
42
= 20
Nota: Es una solucin bsica factible no degenerada, porque se satis-
facen todas las demandas y ofertas, todas las X
ij
> 0 y el nmero de
variables bsicas es m+n-1=8
Mtodo de vogel
Caractersticas
. Es ms elaborado que los anteriores, ms tcnico y dispendioso.
. Tiene en cuenta los costos, las ofertas y las demandas para hacer las
asignaciones.
. Generalmente nos deja cerca al ptimo.
Algoritmo
1. Construir una tabla de disponibilidades (ofertas), requerimientos
(demanda) y costos.
2. Calcular la diferencia entre el costo mas pequeo y el segundo cos-
to ms pequeo, para cada fila y para cada columna.
3. Escoger entre las filas y columnas, la que tenga la mayor diferen-
cia (en caso de empate, decida arbitrariamente).
4. Asigne lo mximo posible en la casilla con menor costo en la fila o
columna escogida en el punto 3.
5. asigne cero (0) a las otras casillas de la fila o columna donde la
disponibilidad el requerimiento quede satisfecho.
172
6. Repita los pasos del 2 al 5, sin tener en cuenta la(s) fila(s) y/o
columna(s) satisfechas, hasta que todas las casillas queden asig-
nadas.
Nota: Recuerde que no debe satisfacer filas y columnas al mismo tiem-
po; caso en que la disponibilidad sea igual al requerimiento; en tal caso
use el (epsilon).
Fjese que la mayor diferencia la tiene la columna 4 con un valor de 19,
escogido entre 2,2,3,0,15,13,19 y 16.
El menor costo de la columna 4 es cero (0), se asigna lo mximo posi-
ble entre 50 y 40, que es 40, se satisface la columna y se actualiza
la oferta y la demanda.
Ahora recalculamos las diferencias, sin tener en cuenta la columna 4,
que est satisfecha.
Una vez ejecutado todo el algoritmo hasta asignar todas las casillas,
obtenemos la siguiente asignacin bsica y factible inicial.
173
Fjese que el nmero de variables bsicas es: m+n-1=8
Solucin bsica factible no degenerada:
X
15
=40 ; X
21
=30 ; X
23
=20 ; X
25
=10 ; X
32
=40 ; X
33
=30 ; X
44
=40 ; X
45
=10
Z = 16(40)+15(30)+13(20)+16(10)+15(40)+18(30)+0(40)+ 0(10) = 2.650
Conclusin: Hemos conseguido tres (3) soluciones bsicas factibles
no degeneradas (# de variables bsicas = m+n-1=8) por medio de tres
(3) mtodos: El de la esquina noroeste, el del costo mnimo y el de
Vogel. Pero ninguna de ellas nos garantiza que la solucin encontrada
es la ptima. Para saberlo, debemos estar seguros que ninguna de las
variables no bsicas pueda entrar a la base haciendo que la funcin
objetivo disminuya. Para discernir un mtodo que nos evale el efecto
de introducir una unidad de cada variable no bsicas, recurrimos al
mtodo algebraico que posteriormente se convertir en el mtodo
MODI.
Fjese que en la ecuacin (0) apa-
rece Z (Variable bsica) acompa-
ada de todas las variables bsicas
escogidas inicialmente.
Como en la ecuacin (0) la variable
bsica debe ser Z, debemos sumar
mltiplos de las restricciones a la
funcin objetivo, de tal forma que
se eliminen las variables bsicas
X
15
, X
21
, X
23
, X
25
, X
32
, X
33
, X
44
, X
45
.
Una forma de lograr esto, es multi-
plicar cada restriccin por las cons-
tantes que aparecen entre parn-
tesis, frente a cada restriccin.
(0) Z-20X
11
-19X
12
-14X
13
-21X
14
-16X
15
-15X
21
-20X
22
-13X
23
-19X
24
-16X
25
-18X
31
-15X
32
-18X
33
-20X
34
-MX
35
= 0
(1) X
11
+ X
12
+ X
13
+ X
14
+ X
15
= 40 (0)
(2) X
21
+ X
22
+ X
23
+ X
44
+ X
15
= 60 (0)
(3) X
31
+ X
32
+ X
33
+ X
34
+ X
35
= 70 (5)
(4) X
41
+ X
42
+ X
43
+ X
44
+ X
45
= 50 (-16)
(5) X
11
+ X
21
+ X
31
+ X
41
= 30 (15)
(6) X
12
+ X
22
+ X
32
+ X
42
= 40 (10)
(7) X
13
+ X
23
+ X
33
+ X
43
= 50 (13)
(8) X
14
+ X
24
+ X
34
+ X
44
= 40 (16)
(9) X
15
+ X
25
+ X
35
+ X
45
= 60 (16)
Mtodo algebraico
El sistema de ecuaciones iniciales es:
Importante: A partir de cualquiera de stas tres (3) soluciones
bsicas factibles no degeneradas, debemos comenzar a iterar,
para encontrar el ptimo.
174
Z-20X
11
-19X
12
-14X
13
-21X
14
-16X
15
-15X
21
-20X
22
-13X
23
-19X
24
-16X
25
- 18X
31
-15X
32
-18X
33
-20X
34
- MX
35
- 0X
41
- 0X
42
- 0X
43
- 0X
44
- 0X
45
= 0
5X
31
+ 5X
32
+ 5X
33
+ 5X
34
+ 5X
35
-16X
41
-16X
42
-16X
43
-16X
44
-16X
45
= 360-800
15X
11
+10X
12
+13X
13
+16X
14
+16X
15
+15X
21
+10X
22
+13X
23
+16X
24
+16X
25
+15X
31
+10X
32
+13X
33
+16X
34
+ 16X
35
+15X
41
+10X
42
+13X
43
+16X
44
+16X
45
= 450+400+650+640+960
Z- 5X
11
- 9X
12
- X
13
- 5X
14
-10X
22
- 3X
24
+ 2X
31
+ X
34
-(M-21)X
35
- X
41
- 6X
42
- 3X
43
- 0X
44
- 0X
45
= 2.650
Observe que la nueva funcin objetiva es:
Z=5X
11
+9X
12
+X
13
+5X
14
+10X
22
+3X
24
-2X
31
-X
34
+(M-21)X
35
+X
41
+6X
42
+3X
43
+2.650
Fjese que se han eliminado todas las variables bsicas de la funcin
objetivo, siendo solamente Z la variable bsica con un valor de 2.650
Si nos preguntamos: Cual es la variable que al aumentar hace que Z
disminuya ms, la respuesta es X
31
(Tiene el coeficiente ms negati-
vo), luego es la mejor candidata para ser la variable que entra ya que
por cada unidad que aumente, los costos totales del transporte se dis-
minuyen en 2 unidades monetarias.
Nota: ste proceso es muy dispendioso !! y por lo tanto vamos a consi-
derar otro.
Mtodo de heurstico
Partiendo de la solucin bsica factible obtenida mediante el mtodo
de Vogel.
Analizamos que efecto causa sobre el va-
lor de la funcin objetivo actual
(Z=2.650) el intentar enviar 1 unidad des-
de la fbrica 1 al distribuidor 1 (X
11
=1).
ste cambio causa un desequilibrio en la
oferta y la demanda; La primera fila suma
41 en lugar de 40 y la primera columna
suma 31 en lugar de 30.
Esto se arregla sumando 1 y restado 1 en sitios estratgicos, de tal
forma que la oferta y la demanda se vuelvan a cumplir.
El nuevo valor de Z es: Z = 20(1) + 16(39)
+ 15(29) + 13(20) + 16(11) + 15(40) +
18(30) + 0(40) + 0(10) = 2.655
El valor de Z se increment en: 2.655-
2.650 = 5. Observe que 5 es el coefi-
ciente de X
11
en la nueva ecuacin de Z
obtenida mediante el mtodo
algebraico.
175
Conclusin: Mediante ste mtodo podemos analizar todos los efec-
tos, de considerar enviar una unidad desde las fbricas a los distri-
buidores, en las casillas de las variables no-bsicas (X
ij
= 0) , para
observar si existen variables no-bsicas que al entrar a la base, hagan
que Z disminuya; Por supuesto, los resultados coincidirn con los co-
eficientes de la funcin objetiva lograda mediante el mtodo algebraico.
Conclusin: El presente mtodo es muy dispendioso, aunque un poco
menos que el mtodo algebraico; Si se efecta en su totalidad, el re-
sultado es:
Aqu, al igual que en el mtodo algebraico la
variable a escoger para entrar a la base es:
X
31
ya que por cada unidad que crezca, hace
que Z disminuya 2 unidades monetarias.
Ahora se describe un mtodo ms prctico para encontrar ste ltimo
tablero en donde podemos escoger la variable que entra de forma r-
pida. Primero se muestra la deduccin matemtica del mtodo y des-
pus su aplicacin prctica. El procedimiento recibe el nombre del
Mtodo Modificado de distribucin (Modi), ya que lleva a escoger la
variable que entra, la variable que sale y la nueva solucin mejorada en
donde Z disminuye su valor.
Mtodo Modificado de distribucin (Modi)
Variable que entra
El problema original es:
176
Al haber escogido una solucin bsica factible (Con cualquiera de los
tres (3) mtodos estudiados: Esquina noroeste, mnimo costo Vogel),
aparecen en la funcin objetivo algunas de las variables bsicas, y cual-
quier mltiplo de las restricciones puede sumarse o restarse de la fun-
cin objetiva para eliminarlas, llamamos stos mltiplos u
i
y v
j
; Luego:
Escogemos los u
i
y los v
j
de tal
manera que al restar los mltiplos
de las restricciones a la funcin
objetivo, se eliminen las variables
bsicas de sta.
Para las VARIABLES BSICAS, se debe cumplir que C
ij
u
i
v
j
= 0
Para las VARIABLES NO BSICAS, su coeficiente es C
ij
u
i
v
j
Partiendo de la solucin bsica factible encontrada por el mtodo de
vogel, aplicamos el mtodo de modi, para averiguar cual es la variable
no bsica que debe entrar y cual la variable bsica que debe salir. para
ello efectuamos los siguientes pasos:
1. Construimos una tabla de costos para las variables bsicas y en
ella calculamos los u
i
y los v
j
que cumplan C
ij
u
i
v
j
= 0
2. Construimos una tabla de costos coeficientes en la funcin obje-
tiva para las variables no bsicas cuyo valor es C
ij
u
i
v
j
177
Z = 2.650
Solucin bsica factible no de-
generada lograda mediante el
mtodo de vogel, con m+n-1=8
variables bsicas.
Tabla de costos para las
variables bsicas
Calculamos los u
i

^
v
j
de tal forma que C
ij
u
i
v
j
= 0. Asignamos el primer valor de u
i
de
v
j
arbitrariamente, Preferentemente 0
(Puede ser cualquier valor) en la fila co-
lumna, que tenga la mayor cantidad de asig-
naciones (Variables Bsicas), para nuestro
caso, fila 3 columna 5. Con base en ste
primer valor, calculamos todos los u
i
y v
j
,
aplicando C
ij
u
i
v
j
= 0, para u
i
= C
ij
v
j
v
j
= C
ij
u
i
, as:
V
1
= C
21
u
2
= 15 - 0 = 15
V
3
= C
23
u
2
= 13 - 0 = 13
V
5
= C
25
u
2
= 16 - 0 = 16
u
1
= C
15
v
5
= 16 - 16 = 0
u
3
= C
33
v
3
= 18 -13 = 5
u
5
= C
45
v
5
= 0 16 = -16
V
2
= C
32
u
3
= 15 - 5 = 10
V
5
= C
45
u
5
= 0 (-16) = 16
Observe que el clculo para cualquier u
i
,es el costo menos el
respectivo v
j
y para cualquier v
j
, es el costo menos el respectivo u
i
Tabla de costos para las variables no bsicas
C
ij
-u
i
-v
j
, as:
C
11
u
1
v
1
= 20 0 15 = 5
C
12
u
1
v
2
= 19 0 10 = 9
C
13
u
1
v
3
= 14 0 13 = 1
C
14
u
1
v
4
= 21 0 16 = 5
C
22
u
2
v
2
= 20 0 10 = 10
C
24
u
2
v
4
= 19 0 16 = 3
C
31
u
3
v
1
= 18 5 15 = -2
C
34
u
3
v
4
= 20 5 16 = -1
C
35
u
3
v
5
= M 5 16 = M-21
C
41
u
4
v
1
= 0 (-16) 15 = 1
C
42
u
4
v
2
= 0 (-16) 10 = 6
C
43
u
4
v
3
= 0 (-16) 13 = 3
Observe que stos clculos se pueden hacer directamente sobre la tabla,
aplicando para las casillas de las variables no bsicas C
ij
u
i
v
j
178
Fjese que en sta ltima tabla, estn todos los coeficientes de las
variables no bsicas en la funcin objetiva, despus de haber sumado
mltiplos de las restricciones a la funcin objetivo para eliminar las
variables bsicas. La nueva funcin objetivo es:
Z=5X
11
+9X
12
+X
13
+5X
14
+10X
22
+3X
24
-2X
31
-X
34
+(M-21)X
35
+X
41
+6X
42
+ 3X
43
+2.650
La variable que al crecer hace que Z disminuya ms es X
31
, luego esco-
gemos sta variable para entrar a la base.
Observe que en la tabla de costos para las variables no bsicas se
encuentran los valores en que aumenta disminuye Z por cada unidad
de crecimiento de las variables no bsicas.
Identificada la variable para entrar (X
31
), debemos determinar la va-
riable para salir, que debe ser aquella que primero se vuelva cero (0) a
medida que la variable que entra crezca. para ello, construimos un cir-
cuito cerrado de (+) y (-), empezando, sumando en la casilla de la va-
riable que entra X
31
. Observe que el circuito de (+) y (-) tiene como
objetivo preservar la suma de las filas y de las columnas, esto es, se-
guir satisfaciendo la oferta y la demanda, conservando la factibilidad
del problema.
Z=2.650 ; Variable que entra X
31
. F-
jese que a medida que X
31
crece, X
21
y X
33
decrecen en la misma cantidad.
Aqu X
21
y X
33
llegan a cero al mismo
tiempo. Escogemos arbitrariamente
a X
33
como variable que sale y a X
21
al restarle 30 quedar con un valor
de 0
Z=(40)(16)+(0)(15)+(50)(13)+(10)(16)+
(30)(18)+(40)(15)+(40)(0)+(10)(0)
= 2.590
. Fjese que m+n-1=8
. X
21
es variable bsica = 0
. La oferta es igual a la demanda.
. Z disminuye en 60 unidades; 2(30)=60
2.650 60 = 2.590
179
La pregunta aqu es: sta es la solucin ptima?, la respuesta la cono-
ceremos cuando calculemos la nueva tabla de costos para las variables
no bsicas.
Tabla de costos para las variables bsi-
cas: C
ij
u
i
v
j
= 0
Tabla de costos para las variables no b-
sicas: C
ij
u
i
v
j
Fjese que todos son > 0 Estamos en la solucin ptima.
Solucin ptima
Variables bsicas:
X
15
* = 40
X
21
* = = 0
X
23
* = 50
X
25
* = 10
X
31
* = 30
X
32
* = 40
X
54
* = 40
X
55
* = 10
Z* = 0(16)+0(15)+50(13)
+10(16)+30(18)+40(15)+
40(0) +10(0) = 2.590
Interpretacin de la solucin
La forma ptima de hacer los envos desde las fbricas (1,2,3) a los
distribuidores (1,2,3,4,5) para que los costos totales del transporte
sean mnimos es:
Desde la fbrica 1 al distribuidor 5 enviar 40 unidades, a un costo de:
$ 640
$ 650
Desde la fbrica 2 al distribuidor 5 enviar 100 unidades, a un costo
de: $ 160
$ 540
$ 600
180
Total de unidades enviadas 170, a un costo total de $2.590
Observe que el distribuidor 4 se quedar sin sus 40 unidades y que el
distribuidor 5 sin sus 10 unidades, en total quedar una demanda insa-
tisfecha de 50 unidades (Informacin que conocimos desde el princi-
pio), lo relevante aqu, es que ahora sabemos a quien no enviarle las 50
unidades que no tienen los distribuidores y que podemos tomar deci-
siones administrativas referentes a la demanda no cubierta, tales como:
1. Conseguir las 50 unidades a travs de la competencia agremiada,
como consecuencia de acuerdos previamente establecidos.
2. Acordar con el distribuidor 4 y 5 cubrir dicha demanda en el pe-
riodo de produccin siguiente.
3. Otras decisiones podrn ser tomadas en concordancia con la si-
tuacin real.
Problema de transporte con costos de produccin
Una compaa tiene 4 fbricas (F
1
, F
2
, F
3
, F
4
), que envan su produc-
cin a 4 almacenes (A
1
, A
2
, A
3
, A
4
). Los costos y capacidades de
produccin, en cada una de las 4 fbricas son:
Las demandas mensuales del producto en cada uno de los 4 puntos de
distribucin son:
Los costos del transporte, en $/Unidad, entre las diversas combina-
ciones de fbricas y almacenes son:
181
X
ij
= Unidades de producto a enviar desde la fbrica i-sima (i=1,2,3,4),
al almacn j-simo(j=1,2,3,4)
Minimizar Z = 40(X
11
+X
12
+X
13
+X
14
+) + 43(X
21
+X
22
+X
23
+X
24
) +
39(X
31
+X
32
+X
33
+X
34
) + 45(X
41
+X
42
+X
43
+X
44
) + 48X
11
+ 60X
12
+ 56X
13
+
58X
14
+ 47X
21
+ 57X
22
+ 53X
23
+ 59X
24
+51X
31
+ 63X
32
+ 61X
33
+ 63X
34
+ 51X
41
+ 63X
42
+ 55X
43
+ 61X
44
Simplificando la funcin objetivo, queda as:
Minimice Z = 88X
11
+ 100X
12
+ 96X
13
+ 98X
14
+ 90X
21
+ 100X
22
+ 96X
23
+ 102X
24
+ 90X
31
+ 102X
32
+ 100X
33
+ 102X
34
+ 96X
41
+ 108X
42
+ 100X
43
+ 106X
44
Evaluamos las oferta frente a la demanda, de no ser iguales, la iguala-
mos mediante variables de holgura.
Creamos el almacn artifi-
cial A
5
con una demanda de
170 unidades.
Fbricas a
i
Distribuidores b
j
F
1
140 A
1
180
F
2
260 A
2
280
F
3
360 A
3
150
F
4
220 A
4
200
980 810
A
5
170
980
Formule Un problema de programacin lineal para minimizar los costos
de transporte y produccin, y encuentre la solucin ptima.
C.S.R.
X
11
+ X
12
+ X
13
+ X
14
< 140
X
21
+ X
22
+ X
23
+ X
24
< 260
X
31
+ X
32
+ X
33
+ X
34
< 360
X
41
+ X
42
+ X
43
+ X
44
< 220
X
11
+ X
21
+ X
31
+ X
41
> 180
X
12
+ X
22
+ X
32
+ X
42
> 280
X
13
+ X
23
+ X
33
+ X
43
> 150
X
14
+ X
24
+ X
34
+ X
44
> 200
X
ij
> 0 ; i = 1,2,3,4
J = 1,2,3,4
182
X
11
+ X
12
+ X
13
+ X
14
+ X
15
= 140
X
21
+ X
22
+ X
23
+ X
24
+ X
25
= 260
X
31
+ X
32
+ X
33
+ X
34
+ X
35
= 360
X
41
+ X
42
+ X
43
+ X
44
+ X
45
= 220
X
11
+ X
21
+ X
31
+ X
41
= 180
X
12
+ X
22
+ X
32
+ X
42
= 280
X
13
+ X
23
+ X
33
+ X
43
= 150
X
14
+ X
24
+ X
34
+ X
44
= 200
X
15
+ X
25
+ X
35
+ X
45
= 170
X
ij
> 0 ; i = 1,2,3,4
J =
1,2,3,4,5
Nmero de variables bsicas: m + n 1 = 4 + 5 1 = 8
Partiendo de sta solucin bsica factible no degenerada encontra-
da por el mtodo de aproximacin de vogel, aplicamos el mtodo de
modi, para efectuar las iteraciones y encontrar la solucin ptima.
X
14
* = 140
X
22
* = 160
X
23
* = 100
X
31
* = 180
X
32
* = 120
X
34
* = 60
X
43
* = 50
X
45
* = 170
La fbrica 4 se quedar
con 170 unidades en su
bodega, ya que el desti-
natario 5 es artificial.
Z* = 140(98) + 160(100) + 100(96) +
180(90) + 120(102) + 60(102) +
50(100) + 170(0) = $78.880
Z = 78.880
140
160 100
180 120 60
50 170
98 -4
100 96 -2
90 102 102 0
100 2
90 102 98 102 -2
2 2 2 6
2 2 4
2 2
4 4 2
u
i
183
El problema del transbordo
Este problema corresponde al enunciado del problema nmero 8 del
captulo de formulacin. All se convirti un problema de transbordo
en un problema clsico de transporte, construyndose la siguiente
matriz de costos.
Igualamos la oferta y la demanda mediante la creacin de una planta
de produccin ficticia.
Aplicamos el mtodo aproximativo de Vogel
Nmero de variables
Bsicas:
m+n-1 = 3+4-1 = 6
184
Z = 20(36) + 60(36) + 60(34) + 30(0)
+ 20(0) = 4.920
Solucin ptima:
X
12
* = 20
X
13
* = 60
X
23
* = 60
X
31
* = 30
X
33
* = 20
X
34
* = 40
Z* = $4.920
Z = 4.920
20 60
60
30 20 40
36 36 36
34 34
0 0 0 0
0 0 0 0
1 4
1 0 4
0
De acuerdo a la matriz de costos y al grfico presentado en el proble-
ma 6 del captulo de formulacin, las unidades debern ser despacha-
das as:
Desde la planta de produccin P
1
, enviar 20 monitores de alta resolu-
cin al centro de ventas V
2
, a travs del centro de control de calidad
C
1
.
1
, enviar 60 unidades al centro de ven-
tas V
3
, a travs del centro de control de calidad C
2.
.
2
, enviar 60 unidades al centro de ven-
tas V
3
, a travs del centro de control de calidad C
2
.
Grficamente:
185
Sistema Operativo de Produccin
captulo de formulacin. All se resolvi mediante el mtodo simplex;
Aqu construimos una tabla de costos, disponibilidades y requerimien-
tos. Usaremos la tcnica del problema del transporte para resolver
ste problema de produccin.
Costos Totales: 20(12) + 20( 4) + 20(20) = 720
60(11) + 60( 6) + 60(19) = 2.160
60( 9) + 60( 6) + 60(19) = 2.040
$4.920
186
X
ij
= Unidades a fabricar mediante la fuerza de trabajo regular en el
trimestre i-simo (i=1,2,3,4), para atender la demanda del trimestre
j-simo (j=1,2,3,4).
H
ij
= Unidades a fabricar mediante la fuerza de trabajo en horas ex-
tras en el trimestre i-simo (i=1,2,3,4), para atender la demanda del
trimestre j-simo (j=1,2,3,4).
M
ij
= Unidades a fabricar mediante la fuerza de trabajo subcontratada
en el trimestre i-simo (i=1,2,3,4), para atender la demanda del tri-
mestre j-simo (j=1,2,3,4)
Siendo j = i, ... ,n ; Ya que no es lgico producir unidades para atender
demandas pasadas.
En la parte superior derecha de cada casilla aparece el costo unitario
por unidad producida, es as como una unidad producida durante el
primer trimestre con la fuerza de trabajo normal, para suplir la de-
manda del segundo trimestre, tiene un costo de $53, distribuidos as:
$50 de produccin ms $3 de inventario.
187
Empezamos por la esquina noroeste y asignamos lo mximo posible para
atender la demanda de 50.000 unidades, produciendo lo mximo posi-
ble en tiempo normal, cubrimos la demanda.
Nos movemos a la fila del segundo trimestre con produccin en tiempo
normal y asignamos lo mximo posible (50.000), hacindose necesario
producir lo mximo posible en horas extras, (50.000) y en trabajo
suplementario (40.000), para un total de 140.000 unidades a producir,
quedando sin cubrir la demanda de 10.000 unidades, ya que la totali-
dad de la demanda para el segundo trimestre es de 150.000 unidades.
Lo anterior obliga a recurrir a unidades (lo ms baratas posibles) pro-
ducidas en el trimestre inmediatamente anterior, luego asignamos
10.000 unidades a producir en el primer trimestre en tiempo extra
para cubrir la demanda del segundo trimestre; Este movimiento se
muestra en la tabla parcial siguiente:
Completando la tabla, los datos aparecen as:
188
En la ltima columna queda diseado el plan de produccin por tipo de
fuerza de trabajo y por trimestre; En la ltima fila se muestran los
costos de las unidades producidas por trimestre. Los inventarios tri-
mestrales se observan sobre cada columna, anteriores al trimestre
observado y ellos son: 10.000 y 60.000 unidades para los trimestres 2
y 3 respectivamente, todas unidades producidas durante el primer se-
mestre.
Problema clsico del transporte
captulo de formulacin. Aqu, se mostrar la aplicacin del software
WinQsb e Invop para encontrar la solucin ptima.
Software WinQsb
El WinQsb maneja el problema del transporte en su mdulo de Mode-
los de Redes, el cual en su inicio nos muestra la siguiente ventana, que
se debe diligenciar as:
189
Fjese que ste mdulo tambin resuelve otros modelos de redes, que
se especifican en la parte izquierda de la ventana.
Los datos se pueden ingresar de dos formas: En una matriz tablero
de doble entrada (recomendado) de forma grfica.
A continuacin se ilustra el ingreso de datos en la tabla de doble en-
trada
El modo de edicin del men principal permite cambiar los rtulos de
las fuentes y los destinos. No es necesario que la oferta sea igual a la
demanda, el software se encarga de agregar fuentes destinos de
holgura, segn sea la necesidad.
Para solucionar el problema, se da clic sobre el icono que aparece en la
parte superior y que se seala en la figura siguiente:
190
El WinQsb le ofrecer entonces una ventana con la res-
puesta ptima del problema, indicando cuntas unidades
enviar desde cada una de las ciudades de origen a cada
una de las ciudades de destino, con su costo por envo y el
costo total de la operacin.
Si se usa ste icono, el WinQsb nos ilustrar mediante una
red la respectiva respuesta ptima al problema.
Observe que en ste problema la
oferta de los Centros de distri-
bucin es igual a los requerimien-
tos de los detallistas, por lo tan-
to no hubo necesidad de adicio-
nar ni fuentes, ni destinos ficti-
cios y se trata de un problema de
mercado perfecto.
A continuacin se ilustra el mis-
mo problema; Pero bajo el soft-
ware del INVOP (Investigacin
de Operaciones), Software crea-
do por Beatriz Loubet y Sandra
Segura de la Facultad de Ciencias
Econmicas de la Universidad del
Cuyo en Argentina; El software est hecho en lenguaje Delphi y puede
ser adquirido gratuitamente de la siguientes direcciones en internet:
http//members.tripod.com/~operativa
www.cui.edu.co/industrial/SOF01.html
Software INVOP
Este software maneja las siguientes aplicaciones: Asignaciones, Trans-
191
porte, Distancias en redes (Ruta ms corta, rbol de mnimo recorri-
do, Agente viajero), Flujo de redes.
El invop est en Espaol y su metodologa dirigido a la enseanza, ofre-
ciendo al usuario tanto la parte terica de fundamento matemtico
como la parte prctica de solucin de problemas con sus respectivos
ejemplos.
El Invop presenta una ventana principal, en la que hace una breve, pero
til resea de sus aplicaciones, de ellas seleccionamos la de transpor-
te, como se muestra en la figura siguiente:
Al escoger la opcin de transporte, el INVOP nos ofrece una ventana
en donde captura los datos del problema y en un recuadro situado en
la parte inferior derecha, donde nos ofrece la solucin ptima. Colo-
cando el cursor sobre algunos sitios de inters de sta ventana, se
ofrece un rtulo en fondo amarillo con la respectiva instruccin de
ayuda.
En la parte inferior izquierda de la ventana se especifica el criterio de
optimizacin y la cantidad de fuentes y destinos, en la parte superior
derecha se introducen los costos por unidad a transportar y habili-
tando el cuadro de control, se editan los encabezados de fila y colum-
192
na, al igual que las ofertas y las demandas de fuentes y desti-
nos.
Cuando la informacin del problema est introducida, se proce-
de a solucionar el problema, haciendo clic sobre el icono del men su-
perior, que tiene la figura de una calculadora,
Entonces se llena el cuadro en la parte inferior derecha con la solu-
cin ptima. En la figura siguiente se ilustra sta ventana.
Se recomienda al Usuario del Software leer la ayuda (Help), en la que
se explica toda la parte conceptual y matemtica del algoritmo del
transporte al igual que se ilustran varios ejemplos de muy buena cali-
dad.
Problemas Propuestos
1. Formular, Resolver manualmente, e interpretar la solucin, de todos
los problemas de ejemplo de la Ayuda del Software INVOP.
2. Desarrolle un algoritmo para el caso de Maximizacin de un proble-
ma de transporte; Tanto para encontrar la solucin bsica inicial
por el mtodo de vogel, como para hallar la solucin ptima por el
mtodo MODI. (Sugerencia: Use la regla de equivalencia Max(Z) =
Min(-Z)).
3. Una cadena de cinco (5) Almacenes, ubicados en diferentes partes
193
del pas, requieren cierta mercanca para cada uno de sus almace-
nes. Las Empresas abastecedoras han informado que disponen de la
mercanca solicitada, pero en tres (3) diferentes fbricas. La esca-
sez del producto hace que la cadena de almacenes deba transportar
la mercanca. En base a los costos del transporte por unidad, a los
requerimientos de los almacenes y a la disponibilidad de las fbri-
cas, que se muestra en el siguiente cuadro; Formule el problema de
programacin lineal que minimice los costos totales del transporte y
resulvalo.
4. Una Compaa desea saber, que poltica de distribucin minimizar
sus costos totales, se cuenta con tres (3) fbricas y cuatro (4) clien-
tes, la produccin de las fbricas es de: 550,300 y 260 unidades
respectivamente; y las necesidades de los cuatro (4) clientes son:
250,300,200, y 160 unidades respectivamente. Los costos de enviar
una (1) unidad entre cada fbrica y los clientes se da a continua-
cin:
5. Considere el problema de transporte que tiene la siguiente tabla
de costos y requerimientos.
Solucin:
X
11
= 1.000 ; X
22
= 700
X
25
= 300 ; X
32
= 100
X
33
= 600 ; X
34
= 800
Z*=84.000
Solucin:
X
12
=300 ; X
13
= 190
X
24
=160 ; X
31
= 250
X
33
= 10 ; Z* =2.510
Solucin:
X
15
=50 ; X
21
=40
X
23
=20 ; X
34
=40
X
42
=30 ; X
43
=30
X
44
=10 ; X
54
=10
Z*=2.530
194
a) Use el mtodo de la esquina noroeste para obtener una solucin
bsica factible.
b) Use el mtodo del costo mnimo para obtener una solucin bsi-
ca factible.
c) Use el mtodo de vogel para obtener una solucin bsica facti-
ble.
d) Obtenga la solucin ptima, partiendo de la solucin bsica ob-
tenida por el mtodo de vogel.
6. Considere el problema del transporte que tiene la siguiente tabla
de costos y requerimientos:
a) Use el mtodo de la esquina noroeste para obtener una solucin
bsica factible.
b) Use el mtodo del costo mnimo para obtener una solucin bsi-
ca factible.
c) Use el mtodo de vogel para obtener una solucin bsica facti-
ble.
d) Obtenga la solucin ptima, partiendo de la solucin bsica ob-
tenida por el mtodo de vogel.
7. Una compaa tiene un programa de embarque. La empresa tiene 3
fbricas y 4 bodegas. A continuacin se dan los datos necesarios
en trminos de costo del transporte, capacidad de cada fbrica y
los requerimientos de cada bodega. Busque un programa ptimo de
embarque de tal manera que los costos sean mnimos.
Solucin:
X
12
=50 ; X
21
=20
X
23
=20 ; X
31
=10
X
34
=39 ; X
36
=11
X
44
= 1 ; X
45
=30
Z*=330
Solucin:
X
11
= 400 ; X
13
= 200
X
14
=1000 ; X
21
=1200
X
32
= 400 ; X
33
= 200
Z*=34.000
195
Una compaa tiene 4 almace-
nes y 6 tiendas. Los almacenes
juntos tienen un exceso de 22
unidades de un producto dado,
que se divide entre ellos como
sigue:
Las 6 tiendas juntas necesitan
22 unidades del producto. Los
requerimientos individuales son:
Los costos de enviar una unidad
del producto del almacn i-
simo a la tienda j-sima son:
9. Se tiene que distribuir un producto desde 3 fbricas (A, B, C),
hasta 5 almacenes (d, e, f, g, h), la siguiente tabla muestra: Costos,
demandas y ofertas.
Qu cantidad de
producto se debe
enviar de cada f-
brica a cada alma-
cn, si se quiere mi-
nimizar los costos?
8.
Cuntas unidades se deben en-
viar de cada almacn a cada
tienda, para minimizar los cos-
tos? Cul es el costo total m-
nimo?
Solucin: X
13
=5 ; X
22
=3 ; X
23
=1 ; X
26
=2 ; X
31
=1 ; X
32
=1 ; X
41
=3 ; X
44
=2 ; X
45
=4
Z* = 112
Solucin: X
12
=2 ; X
14
=17 ; X
21
=11 ; X
22
=10 ; X
23
=7 ; X
32
=1 ; X
35
=24 ;
Z*=2.986
196
10. Se envan automviles en camin desde 3 centros de distribucin a
5 distribuidores. El costo de envo est basado en la distancia re-
corrida entre las fuentes y destinos. El costo es independiente de
si el camin hace el recorrido con una carga parcial o completa. La
tabla que sigue, hace un resumen de las distancias a recorrer entre
los centros de distribucin y los distribuidores y tambin las ci-
fras mensuales de oferta y demanda calculadas en nmero de au-
tomviles. Cada camin puede transportar un mximo de 18 vehcu-
los. Dado que el costo de transporte por kilmetro recorrido es de
$10; Formule el problema como un modelo de transporte, resulva-
lo e interprete la solucin.
11. FIBRATOLIMA ha transportado desde su planta en Ibagu, 400
Toneladas de tela al puerto de Santa Marta, 200 Toneladas al puer-
to de Cartagena y 150 Toneladas al puerto de Barranquilla; para
atender sus pedidos de exportacin as: Panam requiere 200 To-
neladas que pagar a $120.000 Tonelada; Honduras requiere 300
Toneladas que pagar a $110.000 Tonelada y Venezuela desea 250
Toneladas que pagar a $100.000 Tonelada.
A Fibratolima le cuesta $50.000 traer cada tonelada de su planta
en Ibagu hasta Santa Marta, $40.000 Tonelada a Cartagena y
$30.000 Tonelada a Barranquilla.
La siguiente tabla muestra el costo por tonelada de transportar la
tela desde cada puerto de embarque al sitio de pedido.
Solucin:
X
11
=6 ; X
14
=9
X
15
=8 ; X
22
=3
X
23
=9 ; X
32
=9
Z* = $37.000
Z* = 3.700 Km.
Se requiere:
197
12. Tres plantas generadoras de energa elctrica, con capacidades
de 25,40 y 30 millones de kilowatts-hora (KWH), suministra elec-
tricidad a 3 ciudades cuyas demandas son: 30, 35 y 25 millones de
KWH. El costo en unidades monetarias (u.m.) de la venta de co-
rriente elctrica a las diferentes ciudades, por milln de KWH es:
a) Formular el problema.
b) Use el mtodo de vogel para obtener una solucin inicial.
c) Obtenga la solucin ptima.
Solucin: X
11
=150 ; X
13
=250 ; X
22
=200 ; X
31
=50 ; X
32
=100 ; Z*=$34250.000
a) Formule el problema como uno de transporte, con el fin de esta-
blecer el plan de distribucin ms econmico, desde el punto de
vista de la compaa elctrica.
b) Utilizando el mtodo de vogel, encuentre una solucin bsica
factible.
c) Encuentre la solucin ptima e interprete la solucin.
Durante el siguiente mes, se incrementa
un 20% la demanda en cada una de las
tres ciudades. para satisfacer el exce-
so de demanda, la compaa elctrica
debe comprar electricidad adicional de
otra red a 100 u.m. por milln de KWH.
13. Una compaa produce motores elctricos pequeos en cada una
de sus tres plantas, para 4 fabricantes de instrumentos. Los cos-
tos de produccin por unidad varan segn las ubicaciones, debido
a diferencias en el equipo de produccin y en el rendimiento de los
trabajadores. Los costos de produccin por unidad y la capacidad
mensual (Oferta) se presentan en la siguiente tabla
Solucin: X
13
=25 ; X
22
=40 ; X
31
=23 ; X
32
=2 ; X
33
=5 ; X
41
=13 ; Z*=$4.971
Tabla de
costos por
u n i d a d
transporta-
da.
Los pedidos de los clientes que deben producirse el siguiente mes,
se muestran en la tabla siguiente:
A
B
C
17
20
24
800
600
700
PLANTA
Costo de
Produccin
por Unidad
Capacidad de
Produccin
Mensual
198
La empresa debe decidir cuntas unidades se producirn en cada
planta y qu porcin de la demanda de cada cliente se surtir des-
de cada una de ellas. Se desea minimizar la produccin total y los
costos de transporte. Formule el problema
como uno de transporte y resulvalo, indi-
cando claramente cuntas unidades se de-
ben enviar y producir desde cada planta a
cada cliente y cul es el costo mnimo.
Cul es la cantidad de unidades que hay que despachar desde cada
centro de distribucin a cada cliente con el fin de que los costos
totales del transporte sean mnimos y todos los clientes queden
satisfechos.
15. Una firma dedicada al alquiler de automviles, tiene escasez de
coches en una serie de ciudades ubicadas en Colombia. Las Ciuda-
des de Bogot, Medelln, Cali y Barranquilla disponen de 20,35,15 y
10 coches menos de los que se necesitan para los alquileres espera-
dos. El director de la firma se entera que en Ibagu, Armenia y
Pereira tienen 40, 25 y 30 coches de ms respectivamente. Los cos-
tos en pesos, del transporte de un coche entre las distintas ciuda-
des queda reflejado en la siguiente tabla.
El problema consiste
en minimizar el costo
total de transporte
para solucionar el pro-
blema de escasez.
14. Una empresa tiene 3 centros de distribucin: Bogot, Barranquilla
y Medelln, con una capacidad de despacho de 9.000, 11.000 y 5.000
unidades por semana. Los clientes estn clasificados por zonas:
Occidente, Costa, Oriente y Viejo Caldas; Cuyas demandas por se-
mana son: 6.000, 5.000, 8.500 y 4.500 unidades respectivamente.
En la siguiente tabla se muestran los costos de despachar 100 uni-
dades desde cualquier centro de distribucin a cualquier zona.
Solucin: X
11
=300 ; X
12
=100 ; X
13
=400 ; X
24
=600 ; X
32
=400 ; Z*=$40.500
Solucin: X
11
=15 ; X
14
=10 ; X
21
=5 ; X
22
=5 ; X
23
=15 ; X
32
=30 ; Z*=$1.470
199
Captulo 10
Asignaciones
Introduccin
El problema de asignaciones es un caso especial del problema del trans-
porte, uno en el cual, todas las variables son de carcter binario (0,1)
y a cada fuente se le debe asignar uno y solo un destino, y a cada
destino una y solo una fuente. Al final del captulo, se ilustra el uso del
software WinQsb e Invop para resolver ste tipo de modelo.
Caractersticas del modelo
X
ij
= 0 = No asigne la fuente i-sima al destino j-simo
X
ij
= 1 = Si asigne la fuente i-sima al destino j-simo
200
a
i
= 1 , para todo i a
ij
= 1 , para todo i y para todo j
b
j
= 1 , para todo j m = n , Nmero de fuentes igual a nmero
de destinos
C
ij
= Costo de asignar la fuente i-sima al destino j-simo
Grficamente
El presente modelo de asignacin, se puede resolver mediante el mto-
do simplex, pero al resultar dispendiosa su solucin, los Hngaros de-
sarrollaron un mtodo ms efectivo y prctico, el cual se ilustra a con-
tinuacin.
Para iniciar la aplicacin del algoritmo, se debe igualar el nmero de
fuentes al nmero de destinos, con fuentes destinos ficticios, si ello
es necesario.
Algoritmo para Minimizar
1. Construya una tabla de costos en la que el nmero de filas sea igual
al nmero de columnas y en cada casilla figure el costo de asignar
cada fuente (Filas) a cada destino (Columnas).
2. Reste el valor del elemento mnimo (Costo Mnimo) de cada fila a
cada elemento de la fila. Con la tabla resultante, haga lo mismo
pero para cada columna.
Asignaciones
201
3. Examinar las filas y las columnas sucesivamente.
Para cada fila (Columna) que tenga exactamente uno y solo un cero,
resrvelo para asignarlo (encirrelo en un cuadrado), y no consi-
dere (Tache), los otros elementos cero de la correspondiente co-
lumna (Fila). ste proceso se debe repetir hasta que todos loa ele-
mentos cero estn reservados eliminados (Tachados). En caso de
que sistemticamente queden ceros no reservados ni tachados, des-
pus de recorrer repetitivamente las filas y las columnas, elija un
cero al azar y resrvelo tchelo y proceda con el resto de los
ceros, reservndolos tachndolos.
Si los elementos reservados para asignar, representan una asigna-
cin completa (A cada fuente le corresponde un destino y a cada
destino le corresponde una fuente), se ha encontrado la solucin
ptima; de lo contrario pase al punto cuatro (4).
4. Cubrir todos los ceros (Reservados Tachados), con un nmero de
lneas horizontales y verticales, igual al nmero de ceros reserva-
dos para asignar.
5. Examinar todos los elementos no cubiertos por una lnea, escoger
el mnimo de stos y restarlo de todos los elementos no cubiertos;
luego sumarlo a cada elemento que se encuentre en la interseccin
(Si la hay) de dos (2) lneas.
6. Ir al punto tres (3), para tratar de encontrar un solucin comple-
ta.
Algoritmo para Maximizar
Restar del mayor de toda la tabla, todos los elementos de la tabla y
proceda a minimizar con la tabla resultante.
Ejemplo 1
Un taller a comprado 3 mquinas nuevas de usos distintos. Hay 4 sitios
posibles para stas mquinas, pero algunos de stos sitios son ms pre-
feribles que otros, por razn de costo de manejo de materiales, el
objetivo es asignar las mquinas en los sitios, para minimizar el costo
total de manejo de materiales.
Los costos de manejo de materiales, segn se coloque cada mquina en
cada sitio, son:
Asignaciones
202
X = La mquina B no cabe
en el sitio 2
Como m n (m = 3 y n = 4), adicionamos una mqui-
na ficticia (Fila 4, Variables de holgura), que tienen
coeficiente cero (0) en la funcin objetiva. Para
evitar que la mquina B sea asignada al sitio 2, cas-
tigamos en la funcin objetiva con un costo muy alto
(M) a la variable X
22
, variable artificial.
Solucin
El menor elemento de cada fila ha sido restado de
todos los elementos de cada fila, en la fila 1 el me-
nor costo es 10, luego los nuevos elementos de la
fila 1 son: 13 10 = 3 ; 10 10 = 0 ; 12 10 = 2 ; 11 10
= 1 ; Al menos en cada fila debe quedar un cero (0),
el del elemento ms pequeo.
Teniendo como referencia la tabla anterior, el me-
nor elemento de cada columna ha sido restado de
todos los elementos de cada columna. Como en cada
columna hay un cero, la tabla queda igual a la ante-
rior.
Ahora, intentamos hacer una asignacin completa, para ello hacemos
la siguiente pregunta clave para cada fila.
HAY UN SOLO CERO (0) EN LA FILA ?, SI S, RESRVE-
LO PARA ASIGNARLO Y TACHE TODOS LOS CEROS DE
LA COLUMNA RESPECTIVA.
Una vez recorridas todas la filas, hacemos la misma pregunta para
cada columna.
HAY UN SOLO CERO (0) EN LA COLUMNA ?, SI S, RE-
SRVELO PARA ASIGNARLO Y TACHE TODOS LOS CEROS
DE LA FILA RESPECTIVA.
Asignaciones
3 0 2 1
2 M-13 0 7
0 2 5 1
0 0 0 0
3 0 2 1
2 M-13 0 7
0 2 5 1
0 0 0 0
13 10 12 11
15 M 13 20
5 7 10 6
0 0 0 0
203
Hay un solo cero
en la fila 1?: Si, en
la columna 2, enton-
ces lo reservamos y
tachamos todos los
ceros de la colum-
na 2.
Hay un solo cero
ces lo reservamos y
tachamos todos los
ceros de la columna
3.
Hay un solo cero
ces lo reservamos y
tachamos todos los
ceros de la columna
1.
Hay un solo cero en
la fila 4?: Si, en la
columna 4, entonces
lo reservamos y ta-
chamos todos los ce-
ros de la columna 4.
Fjese que en el ltimo tablero, todos los ceros han quedado, reser-
vados tachados, no se hizo necesario recorrer las columnas.
Aqu existe una asignacin completa, en atencin a que a cada mquina
le a sido asignado un sitio y a cada sitio le hemos asignado una mquina,
los sitios reservados los sealizamos con ceros encerrados en un cua-
dro.
Solucin ptima
La mquina A es asignada al sitio 2, con un costo de manejo de mate-
riales de $10
La mquina B es asignada al sitio 3, con un costo de manejo de materia-
les de $13
La mquina C es asignada al sitio 1, con un costo de manejo de mate-
riales de $ 5
La mquina D es asignada al sitio 4, con un costo de manejo de mate-
riales de $ 0
La ltima asignacin corresponde a la mquina de holgura D, colocada
para hacer igual el nmero de mquinas al nmero de sitios; lo anterior
significa que el sitio 4 quedar vaco.
El costo ptimo de manejo de materiales es de $28; que se logra asig-
nando las mquinas a los sitios sealados.
Otra manera de calcular el costo mnimo consiste en sumar las canti-
dades que han sido restadas en cada fila y columna, esto es: 10 (el
menos de la fila 1)+13 (el menor de la fila 2)+5 (el menor de la fila 3)=
$28
Asignaciones
204
Ejemplo 2
El jefe de un departamento, tiene 5 obreros y 5 trabajos para hacer,
los obreros difieren en su eficiencia y los trabajos difieren en su difi-
cultad intrnseca. El estimado de los tiempos que cada hombre tomar
para hacer cada trabajo, est dado en la siguiente tabla.
Cmo debern asignarse los tra-
bajos, uno a cada obrero, para mi-
nimizar el total de horas hombre?
Cada trabajo debe ser ejecutado
por uno y solo un obrero y a cada
obrero solo le debe ser asignado
uno y solo un trabajo.
Solucin
Aqu, el nmero de fuentes es igual al nmero de destinos (El nmero
de filas es igual al nmero de columnas) dicho de otra forma, el n-
mero de trabajos es igual al nmero de obreros, luego no se hace nece-
sario ninguna variable de holgura.
Restar el elemento ms pequeo de cada fila a to-
dos los elementos de cada fila.
Restar el elemento ms pequeo de cada columna a
todos los elementos de cada columna.
Asignaciones
205
No se logro una asignacin completa, ya que al
trabajador 3, no le fue asignado ningn trabajo.
Entonces, con un nmero de lneas, horizontales
y / verticales iguales al nmero de ceros re-
servados , tachamos todos los ceros.
N de lneas = Nmero de ceros reservados = 4
De los elementos no tachados, escogemos el me-
nor (2), lo restamos de todos los elementos no
tachados y lo sumamos en las intersecciones que
forman las lneas horizontales con las verticales.
Si no hay intersecciones, no se suma.
Con la tabla resultante, intentamos nuevamente
hacer una asignacin completa.
Aqu, hemos logrado una asignacin completa. A
cada trabajo le hemos asignado un trabajador y
a cada trabajador le hemos asignado un trabajo.
Solucin
Al trabajo A, le asignamos el trabajador 1, quien emplear 11 horas.
Al trabajo B, le asignamos el trabajador 4, quien emplear 6 horas.
Al trabajo C, le asignamos el trabajador 5, quien emplear 16 horas.
Al trabajo D, le asignamos el trabajador 3, quien emplear 17 horas
Al trabajo E, le asignamos el trabajador 2, quien emplear 10 horas.
El tiempo total para ejecutar los 5 trabajos es de 60 horas. Si suma
todos los elementos restados durante el proceso, tmbien encontrar
el valor mnimo: (8+6+12+17+10)+(1+4)+2 = 60
Para ilustrar el uso del software WinQsb e Invop, usaremos los datos
numricos del ejemplo 2.
Software WinQsb
El problema de asignaciones en el WinQsb, forma parte del mdulo de
redes y el ingreso de datos se efecta mediante la siguiente ventana:
Asignaciones
206
Los datos requeridos son los mismos que para el problema del trans-
porte.
Los datos se pueden ingresar de dos formas: En una matriz tablero
de doble entrada de forma grfica.
A continuacin se ilustra el ingreso de datos en la matriz tabla de
doble entrada. Fjese que la siguiente tabla en comparacin con la ofre-
cida en el problema del transporte, carece de disponibilidades y re-
querimientos.
Para solucionar el problema, se da clic sobre el icono que apa-
rece en la parte superior, hacia el centro de la ventana; en-
tonces el WinQsb le ofrecer una ventana con la respuesta
ptima del problema, mostrando en ella , que trabajador se
debe asignar a cada uno de los cinco trabajos, las horas que emplear
cada trabajador y el tiempo total de realizacin de todos los traba-
jos.
Asignaciones
207
Si se usa ste icono, el WinQsb nos ilustrar mediante una
red la respectiva respuesta ptima al problema.
Software INVOP
En la ventana principal del INVOP, escogemos la opcin de asignacio-
nes, y el programa nos ofrece una ventana en la que en la parte infe-
rior izquierda se selecciona el criterio de optimizacin, en la parte
superior derecha introducimos los datos, teniendo la opcin de cam-
biar los rtulos de las filas y las columnas. A continuacin damos clic
sobre el icono que
Representa una calculadora y en la misma ventana, en la parte inferior
derecha el programa nos ofrece la solucin ptima.
Asignaciones
208
Se recomienda leer todo el tutorial de ste programa, en ella se ofre-
cen ejemplos prcticos y todo el respaldo matemtico del algoritmo
del problema.
1. El gerente de una empresa, tiene 4 trabajadores y 4 trabajos para
ejecutar, por su experiencia y el nivel de dificultad de cada uno de
los trabajos, los tiempos de ejecucin de cada trabajador, se mues-
tran en la siguiente tabla.
El gerente desea que cada trabajo sea ejecutado por un solo tra-
bajador y a cada trabajador, solo se le asigne un trabajo.
Que trabajador se debe asig-
nar a cada trabajo, de tal ma-
nera que la duracin total de
todos ellos sea la mnima?
Asignaciones
Solucin: X
11
=X
23
=X
32
=X
44
=1 ; Z=41
209
2. Considere el problema de asignacin, cuya matriz de costos es la
siguiente:
3. El entrenador de un equipo de natacin debe asignar competidores
para la prueba de 200 metros combinados por equipos, para en-
viarlos a las olimpiadas juveniles.
Como muchos de sus nadadores son rpidos en ms de un estilo, no
le es fcil decidir a que estilo asignar a cada uno.
Los cuatro mejores nadadores y sus mejores tiempos (En segun-
dos), en cada estilo son:
El entrenador quiere determinar como asignar los cuatro nadado-
res a los cuatro tipos de nado, para minimizar la suma de los mejo-
res tiempos correspondientes.
4. Un corredor de bienes races, planea la venta de 5 lotes de terreno
y ha recibido ofertas individuales de cuatro clientes. Debido a la
cantidad de capital que se requiere, stas ofertas se han hecho en
el entendimiento de que ninguno de los cuatro clientes comprar
ms de un lote. Las ofertas se muestran en la siguiente tabla:
El corredor de bienes races
quiere maximizar su ingre-
so total a partir de esas
ofertas. Resuelva ste pro-
blema mediante el mtodo
Hngaro.
Asignaciones
Solucin: X
14
=X
22
=X
33
=X
41
=1 ; Z*=97
Solucin:
X
13
=X
24
=X
32
=X
41
=1
Z*=126,2 Segundos
Solucin: X
13
=X
25
=X
32
=X
41
=1 ; Z* = $54
210
5. Una empresa va a decidir cul de cuatro vendedores debe asignar
a cada uno de sus cuatro distritos de ventas. Cada vendedor est
en condiciones de lograr ventas diferentes en cada distrito. En la
tabla siguiente se muestran las estimaciones de ventas para dife-
rentes combinaciones de vendedor y distrito.
A la empresa le gustara
maximizar el volumen de ven-
tas total. Sin embargo, es im-
posible asignar al vendedor B
para el distrito 1 y al vendedor
A para el distrito 2, ya que esas
decisiones violaran las polti-
cas de rotacin de personal. Use el mtodo Hngaro para resolver
ste problema. Establezca el valor ptimo de la funcin objetivo.
Solucin: X
14
=X
23
=X
31
=X
42
=1 ; Z* = 320
6. Una compaa de contadores, tiene tres nuevos clientes. Se asig-
narn a los tres clientes, tres jefes de proyecto. Con base en los
distintos antecedentes y experiencia de los citados, las diversas
asignaciones entre jefes de proyecto y clientes, vara en funcin
de los tiempos esperados de terminacin. Se muestra a continua-
cin las posibles asignaciones y los tiempos esperados de termina-
cin.
Resuelva el problema y
determine que jefe de
proyecto se le asigna
a cada cliente.
Solucin:
X
12
=X
21
=X
33
=1 ; Z* = 64
7. Se tienen 4 trabajadores que deben ser asignados a 4 trabajos,
con base en los tiempos empleados por cada uno de ellos en cada
trabajo, cul es la asignacin ptima que permite, en conjunto, ob-
tener el tiempo mnimo?.
Solucin:
X
11
=X
23
=X
32
=X
44
=1 ; Z* = 42
Asignaciones
211
8. Cuatro personas acaban de terminar el curso de ventas de la com-
paa y se les va a asignar a cuatro distritos diferentes. Basndo-
se en su experiencia, actuacin en el curso, conocimiento del pro-
yecto y los clientes potenciales, la administracin a hecho estima-
ciones del xito esperado de cada uno en cada distrito. Las estima-
ciones en la escala de 1 (Bajo) al 10 (Alto), son:
Solucin:
X
13
=X
24
=X
32
=X
41
=1
Z* = 35
9. El gerente de una agencia de publicidad, debe decidir, cul de
cuatro ejecutivos de contabilidad debe asignar a cada uno de sus
cuatro clientes principales. En la tabla se presentan los costos
estimados de la asignacin de cada ejecutivo. Use el mtodo
Hngaro para encontrar la solucin ptima del problema y
establezca el valor de la funcin objetivo.
Solucin:
X
11
=X
24
=X
33
=X
42
=1
Z* = 68
10. Coruniversitaria recibe ofertas para las 4 rutas de buses escolares
de la ciudad. Cuatro compaas presentaron las ofertas que se
muestran en la tabla siguiente:
Suponga que se
puede asignar
solamente una ruta
a cada licitador.
Utilice el mtodo
de asignacin para
minimizar el costo de Coruniversitaria para operar las 4 rutas de
buses.
Solucin: X
11
=X
22
=X
33
=X
44
=1 ; Z* = 15.000
Asignaciones
212
11. Container, Inc., fabrica contenedores de muchos tamaos y formas.
Recientemente ha recibido pedidos para producir diversas
cantidades de contenedores de cocina de 5 diferentes tamaos.
Cada tamao de contenedor puede producirse en cualquiera de
cuatro mquinas. Debido a las distintas tecnologas y tiempos de
disposicin, el nmero total de horas, incluyendo el tiempo de
disposicin, necesarias para procesar cada tamao de contenedor
en cada mquina vara, como se muestra en la siguiente tabla:
Adecuar una mquina
para que cambie el
tamao de un contenedor
toma largo tiempo, as que
la gerencia ha decidido
que cada mquina
producir contenedores
de un solo tamao. Por tanto, solo se producirn 4 de los 5 tamaos
en las 4 mquinas disponibles dentro de la fecha lmite asignada.
Como los ingresos por cada tamao de contenedor son
aproximadamente iguales, la gerencia de Container, Inc., es
indiferente en cuanto a cual de los 5 pedidos no satisfacer. Como
gerente del departamento de produccin, se le ha pedido
determinar cules 4 de los 5 pedidos aceptar y desarrollar un plan
de produccin que minimice el tiempo de procesamiento total para
satisfacer esos pedidos.
Solucin: X
12
=X
21
=X
34
=X
53
=1 ; Z* = 98
12. La empresa cauchos del Tolima, necesita realizar 4 proyectos, por
falta de personal se va a subcontratar a 4 empresas para que cada
una realice un proyecto. Todas las empresas estn en condiciones
de realizar cualquiera de los proyectos. El gerente general no sabe
como distribuir los proyectos. Usted, como ayuda idnea del
gerente, Qu le aconsejara?
Solucin:
X
12
=X
24
=X
33
=X
41
=1
Z* = 52
Asignaciones
213
13. Se cuenta con 4 aviones que deben fumigar 4 campos sembrados.
Por las caractersticas de los aviones y de los sembrados, cada avin
emplea tiempos distintos en la fumigacin de cada campo, como se
ve en el siguiente cuadro:
Se trata de determinar que
avin debe fumigar cada uno de
los campos, de tal manera que
las horas de vuelo sean las
mnimas posibles. Hallar dos
soluciones.
Solucin: X
14
=X
21
=X
33
=X
42
=1 ; Z* = 8
14. En la Universidad, cuatro contratistas diferentes, proponen
construir cuatro edificios. Cada contratista ha remitido propuestas
para la construccin de los cuatro edificios. El problema consiste
en determinar que edificio debe adjudicarse a cada contratista
para lograr el mnimo costo de la construccin de los cuatro
edificios. En la tabla siguiente se muestran los costos de cada
propuesta en millones de
pesos.
Solucin:
X
14
=X
21
=X
33
=X
42
=1
Z* = 234
15. Una compaa transportadora dispone de cinco camiones situados
en las ciudades A, B, C, D, E. Se requiere un camin en las ciudades
1, 2, 3, 4, 5, 6. En la tabla siguiente se muestra el kilometraje entre
las ciudades. El problema consiste en determinar la asignacin de
camiones que minimiza el kilometraje recorrido por los camiones.
Asignaciones
Solucin:
X
12
=X
26
=X
33
=X
41
=X
54
=1
Z* = 55 Km.
214
215
Captulo 11
Introduccin
Muchos de los problemas de la vida real exigen soluciones con nmeros
entero, por lo tanto las variables de dicho problema deben ser defini-
das como variables enteras. Los mtodos de solucin que contemplare-
mos en ste capitulo son: Mtodo grfico, Mtodo de los planos cor-
tantes de Gomory, Mtodo de Bifurcacin y Acotacin (Branch And
Bound), el Mtodo de Egon Balas en donde las variables son de carc-
ter binario (0,1). Por ltimo se ilustra el uso del software WinQsb para
atender ste tipo de problema.
Mtodo Grfico
Es idntico al mtodo grfico de programacin lineal continua, solo
que aqu, se seleccionan solo las soluciones enteras dentro del rea de
soluciones factibles.
216
Ejemplo
Aqu, las intersecciones de la cua-
drcula, contenida en el rea
sombreada, conforma las solucio-
nes factibles.
Entonces, el punto ms a la dere-
cha del rea, que se intercepte con
el barrido de la funcin objetivo,
es la solucin ptima.
ste mtodo es eficaz slo para
problemas de dos (2) variables
menos. para problemas de ms de
2 variables, estudiaremos el M-
todo de los planos cortantes de
Gomory y el Mtodo de Bifurca-
cin acotacin, denominado tam-
bin Branch And Bound.
Mtodo de los planos cortantes de Gomory
ste mtodo sirve para solucionar problemas de ms de dos (2) varia-
bles.
Algoritmo
1. Encontrar la solucin, empleando el mtodo simplex.
2. Si la solucin es entera, entonces estamos en el ptimo.
3. Si no es entera, introducir una restriccin nueva para la variable
217
no entera, que tenga la mayor parte fraccional (Quebrar empa-
tes arbitrariamente) y resolver el nuevo problema mediante el m-
todo dual simplex.
Nueva restriccin a partir de la restriccin actual que tenga la varia-
ble cuyo valor en su parte fraccional sea mayor.
a) Escriba cada constante como la suma de: Un nmero entero de cual-
quier signo y una fraccin no negativa, menor que uno (1).
b) Cambiar la ecuacin trasladando los coeficientes enteros al lado
derecho.
Ejemplo
Max:
C.S.R.
X
j
> 0
Z = X
1
+ 5X
2
X
1
+ 10X
2
< 20
X
1
< 2
y enteros para toda j
Max:
C.S.R.
X
j
> 0
Z = X
1
+ 5X
2
X
1
+ 10X
2
+ X
3
= 20
X
1
+ X
4
= 2
y enteros para toda j
A continuacin solucionamos el problema por el mtodo simplex, tal

como se hara si el problema fuese de programacin lineal continua.
2
Variable que sale X
3
1
Variable que sale X
4
(1/10)
218
Solucin ptima pero no ente-
ra: X
1
= 2 ; X
2
= 9/5 ; X
3
= 0 ;
X
4
= 0 ; Z* = 11
Ecuacin 1 (Fila 1) para cons-
truir la nueva restriccin; ya
que tiene la variable (X
2
),
cuyo valor en su parte
fraccional es mayor.
Clculo de la nueva restriccin, a partir de la ecuacin 2.
X
2
+ 1/10X
3
1/10X
4
= 9/5
Remplazamos cada constante por la suma de un nmero entero de cual-
quier signo y una fraccin no negativa menor que uno (1).
(1+0)X
2
+ (0+1/10)X
3
+ (-1+9/10)X
4
= (1+4/5) Simplificando
X
2
+ 1/10X
3
X
4
+ 9/10X
4
= 4/5 + 1 ;Trasladamos los trminos con
coeficiente entero, al lado derecho.
1/10X
3
+ 9/10X
4
= 4/5 + 1 X
2
+ X
4
; Fjese que el lado izquierdo subra-
yado debe ser positivo y el lado derecho subrayado, debe ser entero,
luego podemos asegurar que:
1/10X
3
+ 9/10X
4
> 4/5 ; Multiplicando por (-1): -1/10X
3
9/10X
4
< -4/
5; y Adicionando una variable de holgura:
-1/10X
3
9/10X
4
+ X
5
= -4/5 ; Ecuacin sta que adicionamos, as:
X
1
= 10/9 = 1 + 1/9 ; X
2
= 17/9 = 1 + 8/9 ; X
3
= 0 ; X
4
= 8/9 ; X
5
= 0
Z = 95/9 = 10, 5
Escogemos la variable bsica con mayor parte fraccionaria, en caso
de empate, se escoje al azar. Elegimos X
4
219
1/9X
3
+ X
4
10/9X
5
= 8/9 (0+1/9)X
3
+ (1+0)X
4
+ (-2+8/9)X
5
= 8/9
1/9X
3
+ 8/9X
5
= 8/9 X
4
+ 2X
5
Positivo Entero
1/9X
3
+ 8/9X
5
> 8/9 -1/9X
3
8/9X
5
< -8/9 -1/9X
3
8/9X
5
+ X
6
= -8/9
Solucin factible, ptima y entera
Mtodo de Bifurcacin y Acotacin (Branch And Bound)
Es una estrategia sistemtica, que reduce mucho el nmero de combi-
naciones que se deben examinar.
Algoritmo
1. Encontrar la solucin mediante el Mtodo Simplex. Si la solucin
no es entera, pase al segundo punto.
2. Elija una variable con valor no entero y actela por encima y por
debajo del valor entero ms prximo, sto da lugar a dos nuevas
restricciones, con cada una de ellas se generan dos nuevos proble-
mas de Programacin Lineal; que se deben resolver.
3. Si ninguna solucin es entera, con la rama de mayor valor de Z, se
crean nuevas ramas y se resuelven nuevos problemas por progra-
macin lineal. Deseche los ramales cuyo valor de Z est por debajo
del valor de Z calculado con la solucin ptima no entera inicial,
redondeada hacia abajo (cota inferior).
4. Se repite el punto 3, Hasta encontrar la solucin entera ptima.
X
1
* = 0 Y
1
* = 3/8
X
2
* = 2 Y
2
* = 0
X
3
* = 0 Y
3
* = 0
X
4
* = 2 Y
4
* = 5/8
X
5
* = 1 Y
5
* = 0
X
6
* = 0 Y
6
* = 0
Z
x
* = 10 Z
Y
* = 10
220
Observe que la primera acotacin se realiz sobre la variable X
2
, pero
pudo haber sido sobre X
1
, de todas formas el mtodo es dispendioso,
en especial si se hace manualmente.
Mtodo Aditivo de Egon Balas para problemas binarios (0,1)
No confundir ste mtodo para solucionar problemas de asignaciones,
aqu el problema de programacin lineal tiene la forma general y lo
diferente es que las variables solo pueden tomar valores binarios (0,1).
La filosofa del mtodo se basa en pensar que si se tiene una funcin
objetiva minimizando y todos sus trminos son positivos, entonces,
entre menos variables tomen el valor de uno (1), la funcin objetiva
ser mnima.
Algoritmo
1. La funcin objetivo se minimiza, en caso de maximizacin, use la re-
gla de equivalencia: Maximizar (Z) = Minimizar (-Z).
2. Se requiere que C
j
> 0 , para todo j. En caso de que Cj < 0 , entonces
X
j
se sustituye por: 1 - X
J
, es decir: X
j
= 1 - X
J
Ejemplo: Min Z = 3X
1
- 2X
2
=> X
2
= 1 - X
2
Remplazando Z = 3X
1
- 2(1 - X
2
) = 3X
1
- 2 + 2X
2
Max: Z = 5X
1
+ 2X
2
C.S.R. 2X
1
+ 2X
2
< 9
3X
1
+ X
2
< 11
X
J
> 0 ; j=1,2 y enteros
INICIO
X
1
= 3,25
X
2
= 1,25
Z = 18,75
X
1
= 3,33
X
2
= 1,00
Z = 18,67
X
1
= 2,50
X
2
= 2,00
Z = 16,50
X
1
= 3
X
2
= 1
Z = 17
No hay
Solucin
Factible
Max: Z = 5X
1
+ 2X
2
C.S.R. 2X
1
+ 2X
2
< 9
3X
1
+ X
2
< 11
X
2
< 1
X
J
>0 ; j=1,2 y enteros
Max: Z = 5X
1
+ 2X
2
C.S.R. 2X
1
+ 2X
2
< 9
3X
1
+ X
2
< 11
X
2
< 1
X
1
< 3
X
J
> 0 ; j = 1, 2 y Enteros
Max: Z = 5X
1
+ 2X
2
C.S.R. 2X
1
+ 2X
2
< 9
3X
1
+ X
2
< 11
X
2
< 1
X
1
> 4
X
J
>0 ; j=1,2 y enteros
Max: Z = 5X
1
+ 2X
2
C.S.R. 2X
1
+ 2X
2
< 9
3X
1
+ X
2
< 11
X
2
> 2
X
J
> 0 ; j = 1, 2 y Enteros
X
2
< 1 X
2
> 2
El Mayor Z
X
1
< 3 X
1
> 4
Cota inferior Z=5(3)+2(1)=17
La solucin con
valores redondeados
no garantiza el ptimo
221
Min Z = 3X
1
+ 2X
2
- 2 , que para el caso queda: Min Z = 3X
1
+ 2 X
2
Nota: El cambio de variable, tambin se debe aplicar a todas las res-
tricciones.
Ejemplo 1
Para apreciar la utilidad del mtodo, resolveremos el siguiente ejem-
plo, primero, contemplando todas las posibles soluciones y a continua-
cin aplicando el mtodo aditivo de Egon Balas, que reduce el nmero
de soluciones posibles a contemplar.
Minimice Z = 8X
1
+ 7X
2
+ 6X
3
+ 5X
4
+ X
5
-6X
1
3X
2
+ 2X
3
4X
4
X
5
< -3
-4X
1
5X
2
4X
3
3X
4
+ 3X
5
< -7
El nmero posible de soluciones es de 2
n
, en donde n es el nmero de
variables. En el ejemplo, el nmero posible de soluciones es 2
5
= 32
En el siguiente diagrama se muestran todas las 32 posibles soluciones.
Algunas de stas soluciones no son factibles, ya que no satisfacen las
restricciones. Aquellas que satisfagan las restricciones, debern ser
remplazadas en la funcin objetivo y la que la haga ms pequea, ser
la solucin ptima. ste procedimiento es dispendioso, tanto en la con-
secucin de todas las soluciones como en su evaluacin para todas las
restricciones y en su evaluacin final sobre la funcin objetiva.
Aplicacin del Mtodo de Egon Balas
Evaluamos cada restriccin, primeramente suponiendo que todas las
variables valgan cero, y despus, alternativamente a cada variable le
asignamos el valor de uno (1) y al resto de variables el valor de cero
(0). Cada vez que una solucin no satisfaga una restriccin, el que tan
lejos est de satisfacerla, lo llamamos infactibilidad.
X
j
= 0,1 ; j = 1,2,3,4,5
222
Ejemplo: Si X
1
= 1 y X
2
= X
3
= X
4
= X
5
= 0
Remplazando en la restriccin uno (1), establecemos que: -3 < 0 , luego
aqu la infactibilidad es cero (0), ya que la solucin evaluada, satisfa-
ce la restriccin, convirtindola en una afirmacin verdadera.
Remplazando en la restriccin dos (2), establecemos que: 3 < 0 , luego
aqu la infactibilidad es tres (3), ya que la solucin evaluada, no satis-
face la restriccin, convirtindola en una afirmacin falsa. El que tan
lejos est de ser una verdad, es lo que llamamos infactibilidad.
En total, la solucin evaluada tiene una infactibilidad de 0 + 3 = 3
Si en sta primera iteracin, encontramos una solucin cuya
infactibilidad sea cero (0), hemos encontrado la solucin factible y
ptima. Si encontramos que varias soluciones tienen la infactibilidad
igual a cero (0), remplazamos todas stas soluciones en la funcin ob-
jetivo y la solucin ptima ser aquella que haga que Z sea mnima.
Si no hay ninguna solucin con su infactibilidad igual a cero (0), Esco-
gemos la solucin que menor infactibilidad tenga y de ella la variable
que est valiendo uno (1). Remplazamos en las restricciones dicha va-
riable y sobre dichas restricciones iniciamos la segunda iteracin. ste
procedimiento se repite hasta encontrar la solucin ptima factible.
223
Primera Iteracin Segunda Iteracin (X
2
= 1)
-6X
1
3X
2
+ 2X
3
4X
4
X
5
+ 3 < 0
-4X
1
5X
2
4X
3
3X
4
+ 3X
5
+ 7 < 0
X
1
= X
2
= X
3
= X
4
= X
5
= 0
3 < 0
7 < 0 Infactibilidad = 10
X
1
= 1 ; X
2
= X
3
= X
4
= X
5
= 0
-3 < 0
X
2
= 1 ; X
1
= X
3
= X
4
= X
5
= 0
0 < 0
2 < 0 Infactibilidad = 2 ; La menor
X
3
= 1 ; X
1
= X
2
= X
4
= X
5
= 0
5 < 0
X
4
= 1 ; X
1
= X
2
= X
3
= X
5
= 0
-1 < 0
X
5
= 1 ; X
1
= X
2
= X
3
= X
4
= 0
2 < 0
Aqu concluimos, que lo menos malo es
fijar la primera variable con valor de
uno (1) a X
2
ya que presenta la menor
infactibilidad, remplazamos a X
2
= 1 en
las dos restricciones e iniciamos la 2
iteracin.
Z=12
Z=15
-6X
1
+ 2X
3
4X
4
X
5
< 0
-4X
1
4X
3
3X
4
+ 3X
5
+ 2 < 0
X
1
= 1 ; X
3
= X
4
= X
5
= 0
-6 < 0
-2 < 0 Infactibilidad = 0 ;
X
3
= 1 ; X
1
= X
4
= X
5
= 0
2 < 0
-2 < 0 Infactibilidad = 2
X
4
= 1 ; X
1
= X
3
= X
5
= 0
-4 < 0
-1 < 0 Infactibilidad = 0
X
5
= 1 ; X
1
= X
3
= X
4
= 0
-1 < 0
En sta iteracin hay dos soluciones
con infactibilidad igual a cero (0), eva-
luado la funcin objetivo con ambas
soluciones, encontramos la solucin
ptima con Z = 12
Solucin: X
1
* = 0 ; X
2
* = 1 ; X
3
* = 0 ;
X
4
* = 1
X
5
* = 0 ; Z* = 12
Solamente se hizo necesario escudri-
ar 10 de las 32 soluciones posibles.
Podemos asegurar que el mtodo hace
una bsqueda sistemtica que evita pro-
bar todas las combinaciones posibles.
Ejemplo 2
Una empresa de bienes raices, analiza 5 proyectos de desarrollo posi-
bles. La siguiente tabla muestra las ganancias estimadas a largo plazo
(valor presente neto), que generara cada proyecto y la inversin re-
querida para emprenderlo, en millones de dlares.
224
Los propietarios de la empresa, reunieron $20 millones de capital de
inversin para estos proyectos. Ellos quieren elegir la combinacin de
proyectos que maximice la ganancia total estimada a largo plazo (va-
lor presente neto) sin invertir ms de $20 millones.
Formule un modelo de programacin lineal entera binaria (PEB) para
ste problema y resuelvalo empleando el mtodo aditivo de Egon Ba-
las.
Ganancia estimada
Capital requerido
Proyectos de desarrollo
1 2 3 4 5
1 1,8 1,6 0,8 1,4
6 12 10 4 8
X
J
= 0 , NO elegir el proyecto j-simo (j = 1,2,3,4,5)
X
J
= 1 , SI elegir el proyecto j-simo (j = 1,2,3,4,5)
Max Z = X
1
+ 1,8X
2
+ 1,6X
3
+ 0,8X
4
+ 1,4X
5
C.S.R. 6X
1
+ 12X
2
+ 10X
3
+ 4X
4
+ 8X
5
< 20
X
J
= 0,1
Min Z = -X
1
- 1,8X
2
- 1,6X
3
- 0,8X
4
- 1,4X
5
Min Z = -(1-X
1
) - 1,8(1-X
2
) - 1,6(1-X
3
) - 0,8(1-X
4
) - 1,4(1-X
5
)
Min Z = X
1
+ 1,8X
2
+ 1,6X
3
+ 0,8X
4
+ 1,4X
5
- 6,6
X
1
= 1-X
1
; X
2
= 1-X
2
; X
3
= 1-X
3
; X
4
= 1-X
4
; X
5
= 1-X
5
C.S.R
6(1-X
1
) + 12(1-X
2
) + 10(1-X
3
) + 4(1-X
4
) + 8(1-X
5
) < 20
-6X
1
- 12X
2
- 10X
3
- 4X
4
- 8X
5
+ 20 < 0
Luego el problema queda as:
Min Z = X
1
+ 1,8X
2
+ 1,6X
3
+ 0,8X
4
+ 1,4X
5
C.S.R. -6X
1
- 12X
2
- 10X
3
- 4X
4
- 8X
5
+ 20 < 0
Regla de equivalencia
Max Z = Min (-Z)
225
1 Iteracin
2 Iteracin
X
1
= X
2
= X
3
= X
4
= X
5
= 0
20 < 0 ; I = 20
X
1
= 1 , X
2
= X
3
= X
4
= X
5
= 0
14 < 0 ; I = 14
X
2
= 1 , X
1
= X
3
= X
4
= X
5
= 0
8 < 0 ; I = 8 * Mnima Infactibilidad
X
3
= 1 , X
1
= X
2
= X
4
= X
5
= 0
10 < 0 ; I = 10
X
4
= 1 , X
1
= X
2
= X
3
= X
5
= 0
16 < 0 ; I = 16
X
5
= 1 , X
1
= X
2
= X
3
= X
4
= 0
12 < 0 ; I = 12
Con X
2
= 1 ; la restriccin se
simplifica a:
-6X
1
- 10X
3
- 4X
4
- 8X
5
+ 8 < 0
X
1
= 1 , X
3
= X
4
= X
5
= 0
2 < 0 ; I = 2
X
3
= 1 , X
1
= X
4
= X
5
= 0
-2 < 0 ; I = 0
Solucin factible, Z = 3,2 No ptima
X
4
= 1 , X
1
= X
3
= X
5
= 0
4 < 0 ; I = 4
X
5
= 1 , X
1
= X
3
= X
4
= 0
0 < 0 ; I = 0
Solucin factible, Z = 3,4 ptima
Luego:
X
1
* = 1
X
2
* = 0
X
3
* = 1
X
4
* = 1
X
5
* = 0
Se eligen los contratos:
1,3 y 4 para obtener la
mayor ganancia espera-
da de 3,4 millones de d-
lares
Lo mejor es: X
2
= 1
226
Dando doble clic sobre la casilla de tipo de variable, se ofrece conse-
cutivamente las variables tipo continua, entera, binaria e irrestricta,
ste ltimo tipo de variable es la que no tiene restriccin en el signo y
puede tomar valores tanto negativos como positivos. Tambin pode-
mos fijar lmites para los valores de las variables, siendo un problema
de programacin lineal restringido, en el ejemplo se exige que X
1
pue-
de tomar valores enteros entre 3 y 50.
La solucin se muestra en ventanas idnticas a las ya explicadas en
programacin lineal continua y se ofrece el mismo tipo de informacin.
Una conclusin relevante es la utilidad del computador y del software
Software WinQsb
El software WinQsb en su mdulo de programacin lineal y entera,
presenta en su ventana inicial las opciones respectivas, incluyendo la
de programacin lineal binaria, de la siguiente manera:
En sta ventana se se-
lecciona una de las op-
ciones encerradas en
la elipse de color rojo.
El resto de las venta-
nas se tramita de igual
manera que para un
problema de programa-
cin lineal continua.
En la siguiente venta-
na, el WinQsb permite
establecer el tipo de
variable de manera in-
dividual; de ah que podemos tener un problema de programacin lineal
con variables mezcladas, como se muestra en el siguiente ejemplo.
227
a) Max : Z = X
1
+ 5X
2
C.S.R. X
1
+ 10X
2
< 20
X
1
< 2
X
j
> 0 j = 1, 2 y enteros
b) Max : Z = 3X
1
+ X
2
C.S.R. X
1
+ 2X
2
< 8
3X
1
4X
2
< 12
X
j
> 0
j
y enteros
c) Max : Z = 5/2X
1
+ X
2
C.S.R. 3X
1
+ 5X
2
< 15
5X
1
+ 2X
2
< 10
X
j
> 0
j
y enteros
A
A
para la solucin de problemas de programacin lineal, que sin dicha
herramienta es supremamente dispendiosa la consecucin de la solu-
cin ptima para problemas de tamao mediano y grande, que son los
que en la vida real se presentan.
1. Resolver grficamente los siguientes ejercicios de programacin
lineal entera.
2. Resolver manualmente empleando el mtodo de los planos cortan-
tes de Gomory y mediante el software WinQsb los siguientes ejer-
cicios de programacin lineal entera.
Solucin:
X
1
*=5 ; X
2
*=1 ; Z*= 16
Solucin:
X
1
*=3 ; X
2
*=1 ; Z*= 17
Solucin:
X
1
*=3 ; X
2
*=3/2
X
3
*=0 ; X
4
*=1/2
Z*= 18
Solucin:
a) X
1
* = 0 ; X
2
* = 2 ; Z* = 10
b) X
1
* = 5 ; X
2
* = 1 ; Z* = 16
c) X
1
* = 2 ; X
2
* = 0 ; Z* = 5
c) Max : Z = 5X
1
+ 2X
2
C.S.R. 2X
1
+ 2X
2
+ X
3
= 9
3X
1
+ X
2
+ X
4
= 11
X
j
> 0
j
y X
1
, X
3
enteros
A
b) Max : Z = 5X
1
+ 2X
2
C.S.R. 2X
1
+ 2X
2
+ X
3
= 9
3X
1
+ X
2
+ X
4
= 11
X
j
> 0
j
y enteros
A
a) Max : Z = 3X
1
+ X
2
C.S.R. X
1
+ 2X
2
< 8
3X
1
4X
2
< 12
X
j
> 0
j
y enteros
A
228
a) Min: Z = 5X
1
+ 7X
2
+ 10X
3
+ 3X
4
+ X
5
C.S.R. -X
1
+ 3X
2
- 5X
3
X
4
+ 4X
5
< -2
2X
1
- 6X
2
+ 3X
3
+ 2X
4
2X
5
< 0
X
2
- 2X
3
+ X
4
+ X
5
< -1
X
j
= 0,1 j = 1,2,3,4,5
b) Max: Z = 3X
1
+ 2X
2
- 5X
3
- 2X
4
+ 3X
5
C.S.R. X
1
+ X
2
+ X
3
+ 2X
4
+ X
5
< 4
7X
1
+ 3X
3
- 4X
4
+ 3X
5
< 8
11X
1
6X
2
+ 3X
4
- 3X
5
> 3
X
j
= 0,1 j = 1,2,3,4,5
5. Una Compaa se especializa en la preparacin de programas de
computadora para el gobierno y la industria. Estos programas se
escriben en uno de cuatro lenguajes de programacin: Fortran,
3. Resolver manualmente empleando el mtodo de Bifurcacin y Aco-
tacin (Branch And Bound) y mediante el software WinQsb los si-
guientes ejercicios de programacin lineal entera.
4. Resolver manualmente empleando el mtodo aditivo de Egon Balas
y mediante el software WinQsb los siguientes ejercicios de pro-
gramacin lineal binaria.
Solucin:
X
1
* = 3,3 ; X
2
* = 1 ; X
3
* = 0,3
X
4
* = X
5
* = 0 ; Z* = 18,67
Solucin:
X
1
* = 9 ; X
2
* = 14 ; Z*= 1.240
a) Max : Z = 5X
1
+ 2X
2
C.S.R. 2X
1
+ 2X
2
< 9
3X
1
+ X
2
< 11
X
j
> 0 ;
j
y X
2
entero
A
b) Max : Z = 60X
1
+ 50X
2
C.S.R. 2X
1
+ 4X
2
< 80
3X
1
+ 2X
2
< 55
X
1
< 16
X
2
< 18
X
j
> 0
j
y enteros
A
Solucin:
X
2
* = X
3
* = 1
X
1
* = X
4
* = X
5
* = 0
Z* = 17
Solucin:
X
1
* = X
2
* = 1
X
3
* = X
4
* = X
5
* = 0
Z* = 5
229
En la siguiente tabla se muestra el tiempo que necesita el programador
para terminar cada trabajo y el tiempo de que dispone despus de
realizar sus dems tareas.
Qu trabajos debe aceptar realizar la compaa para maximizar la
utilidad?
Formule el problema como uno de programacin lineal binaria, emplee
el mtodo manual de egon balas y el software WinQsb para solucio-
narlo.
Solucin: Aceptar los trabajos 3, 4 y 5 para una utilidad mxima de
$350
assambler, cobol y apl. La compaa tiene un programador que rea-
liza sta labor y existen cinco trabajos de programacin que de-
ben terminarse lo ms pronto posible. La utilidad de cada tarea se
muestra en la siguiente tabla.
230
231
Captulo 12
Administracin de proyectos
Gantt - PERT - CPM
Introduccin
En ste captulo se muestran las herramientas bsicas para la adminis-
tracin de proyectos, tales como el diagrama Gantt, el PERT
determinstico, el PERT probabilstico y el mtodo CPM.
En la historia de la humanidad, el hombre se ha enfrentado al reto de
elaborar proyectos cada vez ms grandes y complejos, de tal forma
que surge la necesidad de coordinar numerosas actividades en toda la
organizacin. Entre 1958 y 1959 se desarrolla en Estados Unidos, el
proyecto de construccin del cohete polaris, durante el cul se empie-
zan a aplicar las novedosas tcnicas de control de proyectos PERT y
CPM.
Algunas de las aplicaciones ms frecuentes de stas tcnicas son: Pro-
yectos de construccin, programacin de computadoras, programa-
cin y propuestas de licitaciones, la planeacin de mantenimiento y la
instalacin de sistemas de computadoras.
A 5
B 1 C 2 F 3
E 6
D 4
0 5
0 5
0 1
2 3
1 3
3 5
5 11
5 11
5 9
7 11
11 14
11 14
0
0
0
2
2
2
232
PERT: Program Evaluation and Review Technique
Tcnica de evaluacin y revisin de programas.
Usos pricipales
1. Para determinar la duracin mnima de un proyecto si la duracin de
sus actividades es constante su variacin es tan pequea que se
puede asumir como constante, entonces recibe el nombre de PERT
determinstico. Si la duracin de sus actividades es variable recibe
el nombre de PERT probabilstico y estaremos interesados en de-
terminar la probabilidad de que el proyecto se termine dentro del
tiempo predeterminado.
2. Para identificar las actividades que pueden ser cuello de botella y
que conforman la ruta crtica. El conocer dichas actividades tiene
un efecto directo sobre la agenda del tomador de decisiones y so-
bre la eleccin del personal responsable del cumplimiento del
cronogram de dichas actividades, que puede causar consecuencias
econmicas graves para la empresa e inclusive para su existencia.
3. Evaluar los efectos de cambios en el programa del proyecto.
El primer paso para aplicar el sistema PERT CPM a un proyecto, es
representar el proyecto en forma de una red, para lo cual es til la
construccin de un diagrama Gantt, que identifica claramente los di-
ferentes tipos de tiempos a tener encuenta para la representacin
grfica de la red PERT CPM.
Existen dos tcnicas para representar los proyectos, una denominada
ACTIVIDAD - RAMAL, en la cual, las actividades van sobre los rama-
les de la red y los nodos representan los sucesos; y otra llamada ACTI-
VIDAD - NODO, en la que, las actividades van sobre los nodos y los
ramales indican la precedencia de las actividades. Emplearemos la se-
gunda tcnica, ACTIVIDAD - NODO, tambin denominada MTODO
DE ROY, por ofrecer mayor facilidad en la representacin grfica de
las actividades y de sus precedencias.
Aqu se asume que el tomador de decisiones administrador del pro-
yecto, conoce suficientemente las actividades, tanto, que puede ase-
gurar que su duracin se puede considerar constante.
Pert determinstico
Administracin de Proyectos: Gantt, PERT, CPM
233
Se ilustra el mtodo PERT con el siguiente ejemplo:
Se proporciona la siguiente informacin sobre un proyecto que est
compuesto por seis (6) actividades:
Actividad
Actividades
precedentes
Tiempo estimado
(Semanas)
A Ninguna 5
B Ninguna 1
C B 2
D A, C 4
E A, C 6
F D, E 3
a) Construya un diagrama Gantt.
b) Construya la red del proyecto.
c) Encuentre el tiempo de inicio ms pronto, el tiempo de inicio ms
tarde, el tiempo de finalizacin ms temprano, el tiempo de finali-
zacin ms tarde y el tiempo de holgura, para cada una de las acti-
vidades del proyecto.
d) Si todas las dems actividades se llevan el tiempo estimado, Cul
es el tiempo mximo que puede atrasarse la actividad D sin retra-
sar la terminacin del proyecto?
Solucin
a) Diagrama Gantt: Consiste bsicamente en una tabla de doble entra-
da, en donde las actividades se representan sobre las filas y el tiempo
transcurrido del proyecto sobre las columnas. Para cada actividad
se asignan dos filas: En la primera se reprenta mediante barras ho-
rizontales la duracin de cada actividad, teniendo en cuenta la pre-
cedencia y empezando cada actividad lo ms pronto posible. Sobre
la segunda fila de cada actividad se representa mediante barras
horizontales la duracin de cada actividad, teniendo en cuenta la
precedencia pero empezando cada actividad lo ms tarde posible,
sin alterar la duracin total mnima del proyecto.
234
Diagrama Gantt
Aqu, sobre el diagrama Gantt se han colocado, las barras en la prime-
ra fila de cada actividad, teniendo en cuenta las precedencias e ini-
ciando cada actividad, lo ms pronto posible. El resultado final indica
que el proyecto se puede realizar en un tiempo mnimo de 14 semanas.
Ahora colocamos el segundo juego de barras, sobre la segunda fila de
cada actividad, teniendo en cuenta las precedencias e iniciando cada
actividad lo ms tarde posible, sin perjudicar la duracin mnima total
del proyecto de 14 semanas.
Actividades
Observaciones
Duracin en semanas
1 2 3 4 5 6 7 8 9 10 11 12 13 14
A
B
C
D
E
F
Fjese que las actividades A, E y F, su inicio no se puede posponer, sin
alterar la duracin total mnima del proyecto de 14 semanas, ello obli-
ga a que se ejecuten de manera precisa, cualquier atraso en alguna
en varias de ellas tiene un efecto directo sobre la duracin total del
proyecto. Si la actividad A aumenta su duracin en una semana, la du-
racin total del proyecto aumentar en una semana. stas actividades
reciben el nombre de ACTIVIDADES CRTICAS y deben ser supervi-
sadas por el tomador de decisiones dueo del proyecto, de manera
exhaustiva, disponer del mejor personal, que garantice su realizacin
sin demoras. Igualmente se debe supervisar el arribo a tiempo de las
materias primas para stas actividades y todo aspecto que tenga que
ver con ellas que pueda directa indirectamente ocacionar duracio-
nes adicionales.
Actividades
Observaciones
Duracin en semanas
1 2 3 4 5 6 7 8 9 10 11 12 13 14
A
B
C
D
E
F
Actividad Crtica
Holgura de 2 semanas
Actividad Crtica
Actividad Crtica
235
Cualquier aumento en la duracin total del proyecto, ocasiona aumen-
to en los costos, cobro del de seguro de cumplimiento y deterioro de la
imagen de la empresa.
Fjese que las actividades B, C y D tienen una holgura de 2 semanas, lo
cual quiere decir que su inicio ms pronto se puede retrazar como mxi-
mo 2 semanas, sin que afecte la duracin mnima total del proyecto de
14 semanas.
Del grfico Gantt se deduce que cada actividad tiene cuatro tiempos
significativos a tener en cuenta, y son:
TIEMPO DE INICIO MS TEMPRANO: Es la fecha ms pronta posi-
ble para iniciar las labores de la actividad.
TIEMPO DE INICIO MS TARDE: Es la fecha ms tarde posible para
iniciar las labores de la actividad, sin alterar la duracin total mnima
del proyecto.
TIEMPO DE TERMINACIN MS TEMPRANO: Es la fecha ms pronta
posible para finalizar las labores de la actividad.
TIEMPO DE TERMINACIN MS TARDE: Es la fecha ms tarde po-
sible para finalizar las labores de la actividad, sin alterar la duracin
total mnima del proyecto.
HOLGURA: Es el tiempo mximo que una actividad puede retrasarse
sin alterar la duracin total mnima del proyecto. Es la diferencia en-
tre el tiempo de inicio ms tarde y el tiempo de inicio ms temprano
la diferencia entre el tiempo de terminacin ms tarde y el tiempo de
terminacin ms temprano.
HOLGURA = TIEMPO DE INICIO MS TARDE - TIEMPO DE INICIO MS TEMPRANO
HOLGURA = T. DE TERMINACIN MS TARDE - T. DE TERMINACIN MS TEMPRANO
Actividad
Duracin en semanas
Observaciones
1 2 3 4 5 6 7 8 9 10 11 12 13 14
D
Tiempo de terminacin ms tarde
Tiempo de terminacin ms temprano Tiempo de inicio ms tarde
Tiempo de inicio ms temprano
7-5=2 11-9=2
236
Representacin del proyecto mediante una red
El paso siguiente consiste en representar el proyecto mediante una
red, empleando la tcnica ACTIVIDAD - NODO. En los nodos coloca-
mos las actividades, teniendo en cuenta las presedencias, para lo cual
usamos los ramales flechas que unen cada par de nodos. La simbologa
que se usar para los nodos es la siguiente:
Nombre de la actividad
T. de inicio ms temprano
Tiempo de inicio ms tarde
T. de finalizacin ms temprano
Tiempo de finalizacin ms tarde
Duracin de la actividad
Holgura
A 5 B 1 C 2 F 3
E 6
D 4
0 5
0 5
0
0 1
2 3
2
1 3
3 5
2
5 11
5 11
0
5 9
7 11
2
11 14
11 14
0
Observaciones:
1. No espere lograr en el primer intento una red perfecta, lo normal es
hacer varios intentos, dibujando solamente los nodos , el nombre de
la actividad que representa y las flechas ramales (sin colocar los
tiempos), cuando logre una red que cumpla con las precedencias y
que su presentacin sea lo ms clara y sencilla, evitando en lo posi-
ble los cruces de nodos, y de preferencia en orden lgico de izquier-
da a derecha de arriba hacia bajo; solamente entonces dibuje la
red sobre la que va a colocar los tiempos.
2. Fjese que pueden existir varios nodos origen varios nodos finales
3. Al menos debe tener un nodo origen y un nodo destino con holgura
cero.
4. La unin de los nodos que tengan holgura cero, conforman una cade-
na que se denomina LA RUTA CRTICA. En una red pueden haber
237
varias rutas crticas; En nuestro caso la ruta crtica la conforman
las actividades A-E-F y el tiempo mnimo del proyecto es de 14 se-
manas.
Explicacin de los clculos
1. Las actividades A y B, por carecer de precedencias, pueden iniciar
lo ms pronto posible, y, esto lo denominamos el tiempo de inicio
ms temprano sea cero (0). A dicho tiempo de inicio ms temprano,
le sumamos la duracin de la respectiva actividad, obteniendo el tiem-
po de finalizacin ms temprano. Para el caso de la actividad A:
Tiempo de finalizacin ms temprano de A = 0 + 5 = 5.
Fjese que si al tiempo de finalizacin mas temprano le restamos el
tiempo de inicio ms temprano el resultado es: 5 - 0 = 5, que es la
duracin de la actividad. Si como tiempo de inicio ms temprano, se
hubiera colocado uno (1), sta resta hubiese dado: 5 - 1 = 4, que no
corresponde a la duracin de la actividad, por ello el tiempo de inicio
ms temprano para todas las actividades que no tienen precedencia
es cero (0).
2. Para calcular el tiempo de inicio ms temprano de la actividad E,
debemos tener en cuenta el tiempo de terminacin ms temprano de
todas las actividades que la preceden, para ste caso, las activida-
des A y C cuyos tiempos de terminacin ms temprano son: 5 y 3
semanas respectivamente, luego, como la actividad E no puede ini-
ciar hasta que las actividades precedentes A y C hayan terminado
no puede empezar hasta que la actividad A, que tiene el mayor tiem-
po de terminacin mas temprano, finalice; por ello el tiempo de inicio
ms temprano de la actividad E es 5 semanas.
Tiempo de inicio
ms temprano de
una actividad con
precedencias
=
Al mayor tiempo de
terminacin ms tem-
prano de las activida-
des precedentes
3. Fjese que la duracin mnima del proyecto es igual al mayor tiempo
de terminacin ms temprano de las actividad que finalizan, que no
son precedentes de otras, para nuestro caso solo hay una, la activi-
dad F, cuyo tiempo de terminacin ms temprano es de 14 semanas,
luego sta es la menor duracin del proyecto.
238
4. Fjese que los clculos siguen una secuencia lgica de izquierda a
derecha, igual a la secuencia lgica de la red.
5. Para el clculo de los tiempos de inicio y de terminacin ms tarde
es conveniente hacerlo de derecha a izquierda.
6. El tiempo de finalizacin ms tarde de todos los nodos finales, es
igual al tiempo total mnimo del proyecto. Para nuestro caso 14 se-
manas, por ello la actividad F (nodo terminal = no es precedente de
ninguna otra actividad) tiene como tiempo de terminacin ms tar-
de, 14 semanas.
7. El tiempo de inicio ms tarde es igual al tiempo de terminacin ms
tarde menos la duracin de la actividad. Para la actividad F el clcu-
lo correspondiente es: 14 - 3 = 11 semanas.
8. Fjese que el tiempo de terminacin ms tarde de la actividad C
depende del tiempo de inicio ms tarde de las actividades E y D
cuyos valores respectivos son 5 y 7 semanas, debemos escoger el
menor de los dos en atencin a que las actividades E y D no pueden
iniciar hasta que la actividad C termine. Para nuestro caso, el tiempo
ms tarde de terminacin de la actividad C es igual al min{5,7} = 5
semanas.
Tiempo total minimo
del proyecto
=
Al mayor tiempo de terminacin ms
temprano de las actividades que no son
precedentes de otras
(Nodos terminales)
Tiempo de inicio
ms tarde
=
Tiempo de terminacin
ms tarde
-
Duracin de
la actividad
Tiempo de
finalizacin
ms tarde
Al menor tiempo de inicio
mas tarde de las activida-
des que precede
=
9. Fjese que nunca pueden aparecer HOLGURAS NEGATIVAS, todas
deben ser > 0
239
Luego la respuesta a las pregntas a) y b) de nuestro problema han
sido contestadas y explicadas en detalle.
Respuesta a la pregnta C): Si todas las actividades se llevan el tiempo
estimado, el tiempo mximo que puede atrasarce la actividad D es igual
a su HOLGURA, sto es dos (2) semanas.
PERT PROBABILSTICO
Aqu el tiempo de duracin de cada actividad es una variable aleatoria,
la cual sigue una distribucin de probabilidad. En la mayora de la lite-
ratura sobre el tema, se usa la distribucin de probabilidad beta
unimodal, llamada tambin, distribucin de probabilidad de tres tiem-
pos estimados, cuyos parmetros son:
a = Tiempo optimista, si tido va bien, bajo condiciones ideales
m = Tiempo ms probable, si todo marcha dentro de lo normal
b = Tiempo pesimista, si todo va mal, bajo condiciones psimas
El tiempo esperado y la varianza de la
distribucin de probabilidad beta
unimodal son:
Ejemplo
Como administrador de un proyecto, se enfrenta a la red de activida-
des que se muestra en la figura y a los estimados de tiempo optimista,
ms probable y pesimsta de las actividades.
a) Represente el proyecto mediante una red ACTIVIDAD - NODO
b) Calcule el tiempo esperado y la varianza de cada actividad, supo-
niendo una distribucin beta unimodal de probabilidad.
c) Calcule el tiempo de inicio esperado ms temprano, el tiempo de
inicio esperado ms tarde, el tiempo de finalizacin esperado ms
240
temprano, el tiempo de finalizacin esperado ms tarde y la holgura
esperada para cada una de las actividades del proyecto.
d) Especifique la ruta crtica, el tiempo esperado de conclusin del
proyecto y su varianza esperada.
e) Encuentre la probabilidad de que las actividades de la ruta crtica
concluyan dentro de 27 semanas, dentro de 25 semanas, dentro de
23 semanas, en ms de 27 semanas, entre 25 y 27 semanas.
f) Cuntas semanas permitir una probabilidad del 90% de concluir
la ruta crtica a tiempo?
5 1 2
3
4
6
7 8
A
B
C
D
E
F
G
H
I
Actividad Ficticia
Solucin
Para representar el proyecto como una red ACTIVIDAD - NODO,
observamos en la red ACTIVIDAD - FLECHA que suministra el enun-
ciado del problema, cules son las precedencias de cada actividad,
con sta informacin reescribimos la tabla de datos y efectuamos los
clculos del tiempo esperado y la varianza para cada actividad.
Tiempo optimista
a
i
(Semanas)
Actividades
Tiempo ms probable
m
i
(Semanas)
Tiempo pesimista
b
i
(Semanas)
A
B
C
D
E
F
G
H
I
1
1
4
1
7
4
4
7
1
3
3
5
4
8
6
5
9
3
5
5
6
7
9
8
6
11
5
241
a
i
m
i
3
3
5
4
8
6
5
9
3
Actividades
A
B
C
D
E
F
G
H
I
Actividades
Predecesoras
Ninguna
A
B
B
A
D,E
C,F
E
G,H
b
i
5
5
6
7
9
8
6
11
5
(1+5+4(3))/6=3
(1+5+4(3))/6=3
(4+6+4(5))/6=5
(1+7+4(4))/6=4
(7+9+4(8))/6=8
(4+8+4(6))/6=6
(4+6+4(5))/6=5
(7+11+4(9))/6=9
(1+5+4(3))/6=3
((5-1)/6)
2
=4/9
((5-1)/6)
2
=4/9
((6-4)/6)
2
=1/9
((7-1)/6)
2
=1
((9-7)/6)
2
=1/9
((8-4)/6)
2
=4/9
((6-4)/6)
2
=1/9
((11-7)/6)
2
=4/9
((5-1)/6)
2
=4/9
1
1
4
1
7
4
4
7
1
Ahora podemos representar el proyecto sobre una red ACTIVIDAD -
NODO y tabajando con el tiempo esperado, efectuar los clculos ne-
cesarios para hallar los tiempos solicitados.
D 4
6 10
7 11
1
F 6
11 17
11 17
0
I 3
22 25
22 25
0
E 8
3 11
3 11
0
H 9
11 20
13 22
2
G 5
17 22
17 22
0
C 5
6 11
12 17
6
B 3
3 6
4 7
1
A 3
0 3
0 3
0
Tiempo esperado (t
e
)
Las preguntas a), b) y c) han quedado resueltas.
d) La ruta crtica est conformada por las actividades: A-E-F-G-I, el
tiempo esperado mnimo de conclucin del proyecto es de 25 sema-
nas y su varianza del tiempo esperado del proyecto, es la sumatoria
de las varianzas que pertenecen a la ruta crtica.
242
e) Estandarizamos usando la frmula de la distribucin normal de pro-
babilidad, que escrita en trminos propios del PERT probabilstico
se expresa as:
Tiempo Predeterminado - Tiempo Esperado Mnimo del Proyecto
Z =
Desviacin estndar del tiempo mnimo esperado del proyecto
De manera abreviada: Z = (T
p
- t
e
)/s
Para los tres casos solicitados, tenemos:
Para T
p
=27
Z = (27-25)/
Z = 1,60
P(Z < 1,60) = 0,9452
Para T
p
=25
Z = (25-25)/
Z = 0
P(Z < 0) = 0,5
Para T
p
=23
Z = (23-25)/
Z = -1,60
P(Z < -1,60) = 0,0548
La probabilidad de que el proyecto se termine en 27 semanas me-
nos es 0,9452
nos es 0,5
nos es 0,0548
La probabilidad de que el proyecto se realice en ms de 27 semanas
es de 1 - 0,9452 = 0,0548
La probabilidad de que el proyecto se realice entre 25 y 27 sema-
nas es de 0,4452
f) Aqu, primero averiguamos cul es el valor de Z que tiene una proba-
bilidad de 0,9, para ello buscamos en el interior de la tabla de
distrucin normal acumulada el valor ms aproximado a 0,9, siendo
ste 1,28 y planteamos la siguiente ecuacin, que resolviendola nos
ofrece un tiempo predeterminado de 26,596. En la eventualidad de
exigirse semanas completas, la aproximacin siempre de debe ha-
cer al siguiente entero, para nuestro caso 27 semanas.
243
T
p
= 26,596 Semanas
Z = (T
p
- 25)/ 1,28 = (T
p
- 25)/ T
p
= 1,28 + 25
Mtodo de la ruta crtica, CPM
Caractersticas
1. Supone que los tiempos de las actividades son determinsticos, es
decir se pueden predecir de manera confiable, sin incertidumbre
significativa.
2. En lugar de dar una importancia primordial al tiempo, el CPM asigna
la misma importancia al tiempo y al costo.
Comportamiento de los costos directos
En la grfica siguiente se ilustra el comportamiento de los costos di-
rectos de un proyecto, en la cual se deduce la frmula de la pendiente
que nos indica lo que se incrementa el costo directo total por unidad
de tiempo reducido en el proyecto.
C
C
= Costo directo a duracin mnima crtica
C
n
= Costo directo a duracin normal
D
c
= Duracin mnima crtica de la actividad
D
n
= Duracin normal de la actividad
Pendiente = (C
c
- C
n
)/(D
n
-D
c
)
Costos
directos
Duracin
C
c
C
n
D
c
D
n
C
c
- C
n
D
n
-D
c
A menor duracin los costos
directos se incrementan
244
Pendiente = (C
c
- C
n
)/(D
c
-D
n
)
A menor duracin los costos
indirectos se reducen
Costos
indirectos
Duracin
C
c
C
n
D
c
D
n
C
c
- C
n
D
c
-D
n
Lo anterior a nivel infinitesimal, ahora, si sumamos punto a punto obte-
nemos la grfica de los costos totales que se ilustra a continuacion.
Costos
Duracin
Costos Totales
Costos Directos
Costos Indirectos
Costo
Total
Mnimo
Duracin a Costo
Total Mnimo
Procedimiento
1. Se calcula la RUTA CRTICA y se colocan los costos directos a du-
racin normal asociados a ella.
2. Considerar la reduccin en la duracin del proyecto.
a) La atencin se debe centrar sobre las actividades de la RUTA
CRTICA a fin de lograr una reduccin en la duracin al mnimo
costo posible.
b) Se debe comprimir tanto como sea posible la actividad crtica
que tenga la pendiente tiempo - costo ms pequea. Se recomien-
da hacer sta operacin por unidad de tiempo ya que durante la
reduccin, la ruta crtica puede variar.
c) El nuevo programa debe considerarse ahora para reduccin, se-
leccionando la actividad crtica con la mnima pendiente.
245
El procedimiento se repite hasta que todas las actividades crticas
estn en su tiempo de duracin mnima hasta que estemos en el tiem-
po requerido por el dueo del proyecto.
Ejemplo 1
Considere el proyecto que tiene las actividades, sus precedencias,
duracin y costos, normales y crticos que se muestran en la siguiente
tabla:
Reduzca el proyecto a su duracin mnima al menor costo directo posi-
ble.
Solucin
El costo total del proyecto a duracin normal es:
100 + 150 + 50 + 100 + 100 + 80 = 580
Clculo de la pendiente de cada actividad:
Actividad
Actividada
precedente
Duracin Costo
Normal
Duracin Costo
Mnimo
A
B
C
D
E
F
Ninguna
Ninguna
A
A
B
C,E
8
4
2
10
5
3
100
150
50
100
100
80
6
2
1
5
1
1
200
350
90
400
200
100
Actividad
A
B
C
D
E
F
Pendiente
(200 - 100)/( 8 - 6) = 50
(350 - 150)/( 4 - 2) = 100
( 90 - 50)/( 2 - 1) = 40
(400 - 100)/(10 - 5) = 60
(200 - 100)/( 5 - 1) = 25
(100 - 80)/( 3 - 1) = 10
Luego la duracin a tiempo normal, el costo normal y la ruta crtica se
ilustran en la siguiente red del proyecto:
246
0 8
0 8
0
D 10
8 18
8 18
0
B 4
0 4
6 10
6
C 2
8 10
13 15
5
E 5
4 9
10 15
6
F 3
10 13
15 18
5
A 8
Duracin: 18 Semanas
Costos directos: $580
Ruta crtica: A-D
Actividad a Disminuir en 1 semana: A, con
la menor pendiente de $50/Semana
Fjese que hay dos nodos terminales: D y
F, el tiempo mnimo del proyecto es el
mayor tiempo de finalizacin ms pronto
de las dos actividades, esto es el mximo
entre {13,18}, siendo 18 el correspondiente
a la actividad D
0 7
0 7
0
D 10
7 17
7 17
0
B 4
0 4
5 9
5
C 2
7 9
12 14
5
E 5
4 9
9 14
5
F 3
9 12
14 17
5
A 7
Duracin: 17 Semanas
Costos directos: 580+50= $630
Ruta crtica: A-D
Actividad a Disminuir en 1 semana: A, con
la menor pendiente de $50/Semana
Fjese que la actividad A de 7 semanas se
puede reducir a 6 semanas, que es su
duracin mnima.
0 6
0 6
0
D 10
6 16
6 16
0
B 4
0 4
4 8
4
C 2
6 8
11 13
5
E 5
4 9
8 13
4
F 3
9 12
13 16
4
A 6
Duracin: 16 Semanas
Ruta crtica: A-D
Actividad a Disminuir en 1 semana: D, con
pendiente de $60/Semana
Fjese que la actividad A que posee la
menor pendiente, no se puede disminuir
mas por haber llegado a su duracin
mnima, luego consideramos la siguiente
actividad de la ruta crtica con menor
pendiente D y la disminuimos en 1 semana.
247
0 6
0 6
0
D 9
6 15
6 15
0
B 4
0 4
3 7
3
C 2
6 8
10 12
4
E 5
4 9
7 12
3
F 3
9 12
12 15
3
A 6
Duracin: 15 Semanas
Ruta crtica: A-D
Aqu la pregunta es: Se puede disminuir la
duracin de la actividad D de 9 semanas a
su duracin mnima de 5 semanas de una
vez?. La respuesta es NO, porque en el
proceso de disminuir de semana en semana,
la ruta crtica puede cambiar y ser otra
actividad diferente la que se debe dismi-
nuir .
0 6
0 6
0
D 8
6 14
6 14
0
B 4
0 4
2 6
2
C 2
6 8
9 11
3
E 5
4 9
6 11
2
F 3
9 12
11 14
2
A 6
Duracin: 14 Semanas
Ruta crtica: A-D
Duracin: 13 Semanas
Ruta crtica: A-D
0 6
0 6
0
D 7
6 13
6 13
0
B 4
0 4
1 5
1
C 2
6 8
8 10
2
E 5
4 9
5 10
1
F 3
9 12
10 13
1
A 6
248
Duracin: 12 Semanas
Rutas crticas: A-D y B-E-F
Actividades a Disminuir en 1 semana: D,
con pendiente de $60/Semana
Fjese que existen dos rutas crticas inde-
pendientes (sin actividades en comn para
ambas rutas). Si disminuimos en 1 semana
la actividad D la ruta crtica B-E-F subsis-
tir y en la siguiente grfica tendremos que
disminuir en 1 semana la actividad F, de
menor pendiente ($10/semana), en dicha
ruta, todo ello para lograr disminuir el proyecto de 12 a 11 semanas. Para ste
caso podemos hacer la disminucin simultaneamente sobre las actividades D y F,
como se muestra a continuacin.
0 6
0 6
0
D 6
6 12
6 12
0
B 4
0 4
0 4
0
C 2
6 8
7 9
1
4 9
4 9
0
F 3
9 12
9 12
0
A 6
E 5
0 6
0 6
0
D 5
6 11
6 11
0
B 4
0 4
0 4
0
C 2
6 8
7 9
1
4 9
4 9
0
F 2
9 11
9 11
0
A 6
E 5
Duracin: 11 Semanas
Costos directos: 920+60+10= $990
Rutas crticas: A-D y B,E,F
Actividad a Disminuir en 1 semana: No hay
Fjese que en la ruta crtica A-D todas sus
actividades han llegado a su duracin
mnima, luego por ms que disminuyamos
cualesquiera de las actividades de la ruta
crtica B,E,F siempre prevalecer como
ruta crtica A-D con su duracin de 11
semanas, por lo cual el proyecto ha llegado
a su mnima reduccin.
Conclucin
El proyecto como mximo se puede reducir a 11 semanas con un costo
directo total de $990
El mtodo CPM es una negociacin trueque de duracin y costos di-
rectos, pero de manera inteligente.
A continuacin presenta un ejemplo an ms completo, en donde se
tienen en cuenta los costos indirectos, los costos directos, los costos
totales del proyecto y adicionalmente se grafican, obteniendo la du-
racin del proyecto para que los costos totales sean mnimos.
249
Ejemplo 2
Para un proyecto que tiene los tiempos en semanas, los costos direc-
tos, los costos indirectos y los costos de acortamiento en millones de
pesos que se muestran en la tabla, calcule:
a) Los costos totales directos de terminar el proyecto en 9,10,11,12 y
13 semanas.
b) Para los costos indirectos que se muestran; grafquese los costos
totales, directos e indirectos y determine el tiempo de conclucin
de menor costo total.
500
900
800
400
1200
700
600
A
B
C
D
E
F
G
No tiene
No tiene
No tiene
A
C
B,D,E
C
2
5
4
1
3
6
8
1
3
3
1
2
4
4
Actividad
Actividad
precedente
Tiempo
normal
Tiempo
crtica
Costo
normal
Costo
crtico
800
1300
1000
400
1800
900
1200
Total 5100
Duracin del proyecto
Costos indirectos 6.000 6.150 6.200 6.500 7.100
9 10 11 12 13
Solucin
Clculo de las pendientes Construccin de la red
A
B
C
D
F
E
G
Fjese que la red
tiene tres activida-
des iniciales (A,B,C)
y dos actividades
terminales (F,G)
Actividad Pendiente
A
B
C
D
E
F
G
300/1 = 300
400/2 = 200
200/1 = 200
No tiene
600/1 = 600
200/2 = 100
600/4 = 150
La actividad D no tiene pendiente, quiere decir ello que su duracin
normal es irreductible.
250
Duracin: 13 Semanas
Costos directos: $5.100
Ruta crtica: C-E-F
Actividad de la ruta crtica a Disminuir en
1 semana: F, con la menor pendiente de
$100/Semana.
0
4 12
5 13
1
G 8
0 2
4 6
2
A 2
2 3
6 7
4
D 1
7 13
7 13
0
F 6
0 5
2 7
2
B 5
4 7
4 7
0
E 3
0 4
0 4
C 4
Duracin: 12 Semanas
Costos directos: 5.100+100=$5.200
Rutas crticas: C-E-F y C-G
Actividad a disminuir en 1 semana: C
Aqu hay dos rutas crticas, fjese que tie-
nen en comn la actividad C cuya pendien-
te es $200/semana. Si disminuimos la acti-
vidad F en 1 semana, por tener la menor
pendiente en su ruta, la ruta crtica C-G
sobrevivir y disminuiremos la actividad G
en 1 semana, por tener la menor pendiente
en su ruta de $150/semana, luego para dis-
minuir la duracin del proyecto de 12 a 11
semanas nos cuesta 100+150= $250. mejor
opcin es disminuir en 1 semana la activi-
dad comn C que causa de inmediato la re-
duccin de 1 semana en la duracin total
del proyecto y pasar de 12 a 11 semanas
nos costar $200 en vez de $250
0
4 12
4 12
0
G 8
0 2
4 6
2
A 2
2 3
6 7
4
D 1
7 12
7 12
0
F 5
0 5
2 7
2
B 5
4 7
4 7
0
E 3
0 4
0 4
C 4
251
0
3 11
3 11
0
G 8
0 2
3 5
3
A 2
2 3
5 6
3
D 1
6 11
6 11
0
F 5
0 5
1 6
1
B 5
3 6
3 6
0
E 3
0 3
0 3
C 3
Duracin: 11 Semanas
Costos directos: 5.200+200=$5.400
Rutas crtica: C-E-F y C-G
Aqu la actividad comn C ha llegado a su
mnima duracin, luego para reducir en 1
semana todo el proyecto debemos conside-
rar las actividades F y G, mnimas y reduci-
bles cada una en su ruta crtica respectiva,
los costos totales se incrementaran en
100+150= $250
0
3 10
3 10
0
G 7
0 2
3 5
3
A 2
2 3
5 6
3
D 1
6 10
6 10
0
F 4
0 5
1 6
1
B 5
3 6
3 6
0
E 3
0 3
0 3
C 3
Duracin: 10 Semanas
Costos directos: 5.400+100+150= $5.650
Rutas crtica: C-E-F y C-G
Aqu, persisten las dos rutas crticas, en C-
E-F la nica que se puede reducir es E con
una pendiente de $600/semana y en la ruta
crtica C-G la nica reducible es G, con una
pendiente de $150/semana, luego reducir
el proyecto en 1 semana cuesta 600+150=
$750
252
Duracin: 9 Semanas
Costos directos: 5.650+600+150= $6.400
Rutas crtica: B-F, C-E-F y C-G
Aqu, ya hemos conseguido los costos direc-
tos para 9,10,11,12 y 13 semanas.
0
3 9
3 9
0
G 6
0 2
2 4
2
A 2
2 3
4 5
2
D 1
5 9
5 9
0
F 4
0 5
0 5
0
B 5
3 5
3 5
0
E 2
0 3
0 3
C 3
9 10 11 12 13
6.000 6.150 6.200 6.500 7.100
6.400 5.650 5.400 5.200 5.100
Duracin del proyecto
Costos indirectos
Costos directos
Costos Totales
Tabla resumen
12.400 11.800 11.600 11.700 12.200
En la tabla resumen se observa que el proyecto se debe hacer en 11
semanas para lograr un costo total mnimo de $11.600
Costos
($)
Duracin
(Semanas)
Costos Totales
Costos Directos
Costos Indirectos
Costo
Total
Mnimo
11
Duracin a Costo
Total Mnimo
$11.600
253
Apndice 1
Lecturas
Historia de la Investigacin de Operaciones
Definiciones de Investigacin de Operaciones
Biografa de George Bernard Dantzig
El analsta de Investigacin de Operaciones
La Investigacin de Operaciones en la prctica
Modelos de Investigacin de Operaciones
Historia de la Investigacin de Operaciones
Desde el advenimiento de la Revolucin Industrial, el mundo ha sido
testigo de un crecimiento sin precedentes en el tamao y la compleji-
dad de las organizaciones. Los pequeos talleres artesanales se con-
virtieron en las actuales corporaciones de miles de millones de dla-
res. Una parte integral de este cambio revolucionario fue el gran au-
mento de la divisin del trabajo y en la separacin de las responsabili-
dades administrativas en estas organizaciones. Los resultados han sido
espectaculares. Sin embargo, junto con los beneficios, el aumento en
el grado de especializacin cre nuevos problemas que ocurren hasta
la fecha en muchas empresas. Uno de estos problemas es la tendencia
de muchos de los componentes de la organizacin a convertirse en im-
perios relativamente autnomos, con sus propias metas y sistemas de
valores, perdiendo con esto la visin de cmo sus actividades y objeti-
vos encajan con los de toda la organizacin. Lo que es mejor para un
componente, puede ir en detrimento de otro, de manera que pueden
terminar trabajando con objetivos opuestos. Un problema relaciona-
do con esto es que, conforme la complejidad y la especializacin cre-
cen, se vuelve ms difcil asignar los recursos disponibles a las dife-
rentes actividades de la manera ms eficaz para la organizacin como
un todo. Este tipo de problemas, y la necesidad de encontrar la mejor
forma de resolverlos, proporcionaron el ambiente adecuado para el
surgimiento de la investigacin de operaciones.
Las races de la investigacin de operaciones se remontan a muchas
dcadas, cuando se hicieron los primeros intentos para emplear el en-
foque cientfico en la administracin de una empresa. Sin embargo, el
inicio de la actividad llamada investigacin de operaciones, casi siem-
254
pre se atribuye a los servicios militares prestados a principios de la
Segunda Guerra Mundial. Debido a los esfuerzos blicos, exista una
necesidad urgente de asignar recursos escasos a las distintas opera-
ciones militares y a las actividades dentro de cada operacin, en la
forma ms efectiva. Por todo esto, las administraciones militares ame-
ricana e inglesa hicieron un llamado a un gran nmero de cientficos
para que aplicaran el enfoque cientfico a ste y a otros problemas de
estrategia y tctica. De hecho, se les pidi que hicieran investigacin
sobre operaciones militares. Estos equipos de cientficos fueron los
primeros equipos de investigacin de operaciones. Sus esfuerzos con-
tribuyeron de una manera definitiva al triunfo del combate areo in-
gls en la isla de Campaa en el Pacfico, de la batalla del Atlntico
Norte y de muchas otras.
Estimulados por el evidente xito de la investigacin de operaciones
en lo militar, los industriales comenzaron a interesarse en este nuevo
campo. Como la explosin industrial segua su curso al terminar la gue-
rra, los problemas causados por el aumento de la complejidad y espe-
cializacin dentro de las organizaciones pasaron a primer plano. Co-
menz a ser evidente para un gran nmero de personas, incluyendo a
los consultores industriales que haban trabajado con o para los equi-
pos de investigacin de operaciones durante la guerra, que estos pro-
blemas eran bsicamente los mismos que los enfrentados por la milicia,
pero en un contexto diferente. De esta forma, la investigacin de
operaciones comenz a introducirse en la industria, los negocios y el
gobierno. Para 1951, ya se haba introducido por completo en Gran Bre-
taa y estaba Estados Unidos en proceso de hacerlo.
Se pueden identificar por lo menos otros dos factores que jugaron un
papel importante en el desarrollo de la investigacin de operaciones
durante este periodo. Uno es el gran progreso que ya se haba hecho
en el mejoramiento de las tcnicas disponibles en esta rea. Despus
de la guerra, muchos cientficos que haban participado en los equipos
de investigacin de operaciones o que tenan informacin sobre este
trabajo, se encontraban motivados a buscar resultados sustanciales
en este campo; de esto resultaron avances importantes. Un ejemplo
sobresaliente es el mtodo simplex para resolver problemas de pro-
gramacin lineal, desarrollado en 1947 por George Dantzig. Muchas de
las herramientas caractersticas de la investigacin de operaciones,
como programacin lineal, programacin dinmica, lneas de espera y
teora de inventarios, fueron desarrolladas casi por completo antes
del trmino de la dcada de 1950. Adems del rpido desarrollo teri-
co, el segundo factor que dio un gran mpetu a la investigacin de ope-
raciones fue el advenimiento de las computadoras. Para manejar de
una manera efectiva los complejos problemas inherentes a esta disci-
Apndice
255
plina, por lo general se requiere un gran nmero de clculos; llevarlos a
cabo a mano puede resultar casi imposible. Entonces el desarrollo de
la computadora electrnica digital, con su capacidad para realizar
clculos aritmticos, miles o tal vez millones de veces ms rpido que
los seres humanos, fue una gran ayuda para la investigacin de opera-
ciones.
Hillier F.S., Lieberman G. J., Introduccin a la Investigacin de Ope-
raciones, M
c
Graw Hill, Quinta Edicin.
Los inicios de lo que hoy se conoce como Investigacin de Operacio-
nes se remontan a los aos 1759 cuando el economista Quesnay empie-
za a utilizar modelos primitivos de programacin matemtica. Ms tar-
de, otro economista de nombre Walras, hace uso, en 1874, de tcnicas
similares. Los modelos lineales de la Investigacin de Operaciones tie-
nen como precursores a Jordan en 1873, Minkowsky en 1896 y a Farkas
en 1903. Los modelos dinmicos probabilsticos tienen su origen con
Markov a fines del siglo pasado. El desarrollo de los modelos de
inventarios, as como el de tiempos y movimientos, se lleva a cabo por
los aos veintes de este siglo, mientras que los modelos de lnea de
espera se originan con los estudios de Erlang, a principios del siglo XX.
Los problemas de asignacin se estudian con mtodos matemticos por
los hngaros Konig y Egervary en la segunda y tercera dcadas de
este siglo. Los problemas de distribucin se estudian por el ruso
Kantorovich en 1939. Von Neuman cimienta en 1937 lo que aos ms
tarde culminara como la Teora de Juegos y la Teora de Preferencias
(esta ltima desarrollada en conjunto con Morgenstern). Hay que ha-
cer notar que los modelos matemticos de la Investigacin de Opera-
ciones que utilizaron estos precursores, estaban basados en el Clculo
Diferencial e Integral (Newton, Lagrange, Laplace, Lebesgue, Leibnitz,
Reimman, Stieltjes, por mencionar algunos), la Probabilidad y la Esta-
dstica (Bernoulli, Poisson, Gauss, Bayes, Gosset, Snedecor, etc.).
No fue sino hasta la Segunda Guerra Mundial, cuando la Investigacin
de Operaciones empez a tomar auge. Primero se le utiliz en la logs-
tica estratgica para vencer al enemigo (Teora de Juegos) y, ms tarde
al finalizar la guerra, en la logstica de distribucin de todos los re-
cursos militares de los aliados dispersos por todo el mundo. Fue debi-
do precisamente a este ltimo problema, que la fuerza area norte-
americana, a travs de su centro de investigacin Rand Corporation,
comision a un grupo de matemticos para que resolviera este proble-
ma que estaba consumiendo tantos recursos humanos, financieros y
materiales. Fue el doctor George Dantzig, el que en 1947, resumiendo
el trabajo de muchos de sus precursores, inventara el mtodo Simplex,
Apndice
256
con lo cual dio inicio a la Programacin Lineal. Con el avance de las
computadoras digitales se empez a extender la Investigacin de Ope-
raciones, durante la decena de los cincuenta en las reas de Progra-
macin Dinmica (Bellman), Programacin No Lineal (Kuhn y Tucker),
Programacin Entera (Gomory), Redes de Optimizacin (Ford y
Fulkerson), Simulacin (Markowitz), Inventarios (Arrow, Karlin, Scarf,
Whitin), Anlisis de Decisiones (Raiffa) y Procesos Markovianos de
Decisin (Howard). La generalizacin de la Investigacin de Opera-
ciones ha tratado de darla Churchman, Ackoff y Arnoff.
Prawda Juan, Mtodos y Modelos de Investigacin de Operaciones,
Ed. Limusa
Algunas Definiciones De Investigacin De Operaciones
La Investigacin de Operaciones es la aplicacin, por grupos
interdisciplinarios, del mtodo cientfico a problemas relacionados con
el control de las organizaciones o sistemas a fin de que se produzcan
soluciones que mejor sirvan a los objetivos de toda organizacin.
Ackoff, R. L. y Sasieni M. W. Fundamentals of Operations Research,
John Wiley & Sons,1968
Qu es la investigacin de operaciones? Una manera de tratar de
responder a esta pregunta es dar una definicin. Por ejemplo, la
investigacin de operaciones puede describirse como un enfoque
cientfico de la toma de decisiones que requiere la operacin de sistemas
organizacionales. Sin embargo, esta descripcin, al igual que los intentos
anteriores de dar una definicin, es tan general que se puede aplicar a
muchos otros campos. Por lo tanto, tal vez la mejor forma de entender
la naturaleza nica de la investigacin de operaciones sea examinar
sus caractersticas sobresalientes.
Como su nombre lo dice, la investigacin de operaciones significa hacer
investigacin sobre las operaciones. Esto dice algo tanto del enfoque
como del rea de aplicacin. Entonces, la investigacin de operaciones
se aplica a problemas que se refieren a la conduccin y coordinacin
de operaciones o actividades dentro de una organizacin. La naturaleza
de la organizacin es esencialmente inmaterial y, de hecho, la
investigacin de operaciones se ha aplicado en los negocios, la indus-
tria, la milicia, el gobierno, los hospitales, etc. As, la gama de
aplicaciones es extraordinariamente amplia. El enfoque de la
investigacin de operaciones es el mismo del mtodo cientfico. En par-
ticular, el proceso comienza por la observacin cuidadosa y la
formulacin del problema y sigue con la construccin de un modelo
Apndice
257
cientfico (por lo general matemtico) que intenta abstraer la esencia
del problema real. En este punto se propone la hiptesis de que el modelo
es una representacin lo suficientemente precisa de las caractersticas
esenciales de la situacin como para que las conclusiones (soluciones)
obtenidas sean vlidas tambin para el problema real. Esta hiptesis
se verifica y modifica mediante las pruebas adecuadas. Entonces, en
cierto modo, la investigacin de operaciones incluye la investigacin
cientfica creativa de las propiedades fundamentales de las
operaciones. Sin embargo, existe ms que esto. En particular, la
investigacin de operaciones se ocupa tambin de la administracin
prctica de la organizacin. As, para tener xito, deber tambin
proporcionar conclusiones positivas y claras que pueda usar el tomador
de decisiones cuando las necesite.
Una caracterstica ms de la investigacin de operaciones es su amplio
punto de vista. Como qued implcito en la seccin anterior, la
investigacin de operaciones adopta un punto de vista organizacional.
Puede decirse que intenta resolver los conflictos de intereses entre
los componentes de la organizacin de forma que el resultado sea el
mejor para la organizacin completa. Esto no significa que el estudio
de cada problema deba considerar en forma explcita todos los
aspectos de la organizacin sino que los objetivos que se buscan deben
ser consistentes con los de toda ella. Una caracterstica adicional,
que se mencion incidentalmente, es que la investigacin de operaciones
intenta encontrar la mejor solucin, o la solucin ptima, al problema
bajo consideracin. En lugar de contentarse con slo mejorar el estado
de las cosas, la meta es identificar el mejor curso de accin posible.
Aun cuando debe interpretarse con todo cuidado, esta bsqueda de
la optimalidad es un aspecto muy importante dentro de la investigacin
de operaciones.
Todas estas caractersticas llevan de una manera casi natural a otra.
Es evidente que no puede esperarse que un solo individuo sea un experto
en todos los mltiples aspectos del trabajo de investigacin de
operaciones o de los problemas que se estudian; se requiere un grupo
de individuos con diversos antecedentes y habilidades. Entonces,
cuando se va a realizar un estudio de investigacin de operaciones
completo de un nuevo problema, por lo general es necesario organizar
un equipo. ste debe incluir individuos con antecedentes firmes en
matemticas, estadstica y teora de probabilidades, al igual que en
economa, administracin de empresas, computacin electrnica,
ingeniera, ciencias fsicas y del comportamiento y, por supuesto, en
las tcnicas especiales de investigacin de operaciones. El equipo
tambin necesita tener la experiencia y las habilidades necesarias para
permitir la consideracin adecuada de todas las ramificaciones del
Apendice
258
problema a travs de la organizacin y para ejecutar eficientemente
todas las fases del estudio.
En resumen, la investigacin de operaciones se ocupa de la toma de
decisiones ptima y del modelado de sistemas determinsticos y
probabilsticos que se origina en la vida real. Estas aplicaciones, que
ocurren en el gobierno, en los negocios, en la industria, en ingeniera,
en economa y en las ciencias naturales y sociales, se caracterizan, en
gran parte, por la necesidad de asignar recursos escasos. En estas
situaciones, se puede obtener un conocimiento profundo del problema
a partir del anlisis cientfico que proporciona la investigacin de
operaciones. La contribucin del enfoque de investigacin de
operaciones proviene principalmente de:
1.- La estructuracin de una situacin de la vida real como un modelo
matemtico, con lo que se logra una abstraccin de los elementos
esenciales para que pueda buscarse una solucin que concuerde con
los objetivos del tomador de decisiones. Esto implica tomar en cuenta
el problema dentro del contexto del sistema completo.
2.- El anlisis de la estructura de tales soluciones y el desarrollo de
procedimientos sistemticos para obtenerlas.
3.-El desarrollo de una solucin, incluyendo la teora matemtica, si es
necesario, que lleve al valor ptimo de la medida de lo que se espera del
sistema (o quiz que compare los cursos de accin alternativos
evaluando esta medida para cada uno).
Hillier, F. S. y Lieberman G J. Introduccin a la Investigacin de
Operaciones, M
c
Graw Hill, 1994
El ramo de la investigacin operacional desciende - bajo ciertos
aspectos- de la administracin cientfica, incrementada por mtodos
ms refinados (principalmente matemticos): la tecnologa
computacional y de una orientacin rumbo a los problemas ms amplios.
La Investigacin de Operaciones adopta el mtodo cientfico como
estructura para la solucin de los problemas, dando mayor nfasis al
juicio objetivo que al juicio subjetivo. Los autores de la escuela
matemtica, provienen la mayora de la matemtica, de la estadstica,
de la ingeniera y de la economa y poseen una orientacin ntidamente
tcnico-econmica y estrictamente racional y lgica.
Las definiciones de I.O. (Investigacin de Operaciones) varan desde
tcnicas matemticas especficas hasta el mtodo cientfico en s.
Muchas de las definiciones incluyen tres aspectos bsicos al enfoque
de I. O. Para la toma de decisiones administrativas:
Apendice
259
1.- Una visin sistemtica del problema a ser resuelto.
2.-Una concordancia en cuanto al uso de mtodo cientfico en la
resolucin de problemas.
3.- La utilizacin de tcnicas especficas de estadstica, probabilidad
y modelos matemticos para ayudar a quien toma las decisiones a
resolver el problema.
La I.O. es considerada simplemente una teora de la decisin aplicada
: la investigacin operacional utiliza cualquier mtodo cientfico,
matemtico o lgico, para hacer frente a los problemas que se presentan
cuando el ejecutivo busca un raciocinio eficaz para enfrentar sus
problemas de decisin. En su sentido ms amplio, la I.O. puede ser
caracterizada como la aplicacin de mtodos cientficos, tcnicas
cientficas e instrumentos cientficos a problemas que involucran
operaciones de sistemas, de modo que provean a los ejecutivos
responsables de las operaciones, soluciones ptimas para los
problemas.
El enfoque de I.O. incorpora el enfoque sistemtico al reconocer que
las variables internas en los problemas decisoriales son
interdependientes e interrelacionadas.
La investigacin operacional es la aplicacin de mtodos, tcnicas e
instrumentos cientficos a los problemas que envuelven las operaciones
de un sistema, de modo que proporcione, a los que controlan el sistema,
soluciones ptimas para el problema observado. Esta se ocupa
generalmente de operaciones de un sistema existente..., esto es,
materiales, energas, personas y mquinas ya existentes. El objetivo
de la investigacin operacional es capacitar la administracin para re-
solver problemas y tomar decisiones.
Los principales campos de aplicacin de la I.O. son:
a. Relativa a personas:
1.- Organizacin y gerencia.
2.- Ausentismo y relaciones de trabajo.
3.- Economa.
4.- Decisiones individuales.
5.- Investigaciones de mercado.
b. Relativa a personas y mquinas:
1.- Eficiencia y productividad.
2.- Organizacin de flujos en fbricas.
3.- Mtodos de control de calidad, inspeccin y muestreo.
4.- Prevencin de accidentes.
5.- Organizacin de cambios tecnolgicos.
c. Relativa a movimientos:
Apendice
260
1.- Transporte.
2.- Almacenamiento, distribucin y manipulacin.
3.- Comunicaciones.
Chiavenato Idalberto, Introduccin a la Teora General de
Administracin, M
c
. Graw Hill, 1989
George Dantzig: Fundador de la Programacin Lineal
SIAM News, Noviembre de 1994
A pesar de los grandes adelantos en la optimizacin computacional
ocurridos durante los ltimos 20 aos (por ejemplo, los avances en los
mtodos de punto interior), el mtodo Simplex inventado por George
B. Dantzig en 1947 es an la herramienta principal en casi todas las
aplicaciones de la programacin lineal.
Dantzig es considerado como uno de los tres fundadores de la progra-
macin lineal, compartiendo dicho honor con Von Neumann y
Kantorovich. A travs de su investigacin en teora matemtica, com-
putacin, anlisis econmico y aplicaciones de problemas industriales
ha logrado contribuir ms que cualquier otro investigador al desarro-
llo de la programacin lineal.
El trabajo de Dantzig ha sido reconocido con numerosos honores, de
entre los cuales sobresalen: La Medalla Nacional de la Ciencia (1975),
el Premio John Von Neumann de la Sociedad Americana de Investiga-
cin de Operaciones y el Instituto de Ciencias Administrativas (1974),
la membresa en la Academia Nacional de Ciencias, la Academia Nacio-
nal de Ingeniera y la Academia Americana de Ciencia y Arte.
La programacin lineal y sus derivados (tales como la optimizacin no
lineal con restricciones y la programacin entera) han sido capaces de
pasar la prueba del tiempo sin debilitarse, y en nuestros das afectan
las prcticas econmicas de las organizaciones y sus administracio-
nes. El cientfico computacional Laszolo Lovasz dijo en 1980, Si se
tomaran estadsticas acerca de cul problema matemtico usa la ma-
yora del tiempo computacional en el mundo (sin incluir problemas de
manejo de bases de datos, como la bsqueda y ordenamiento), segura-
mente la respuesta sera la programacin lineal. En ese mismo ao
Eugene Lawler de Berkeley dijo lo siguiente: La programacin lineal
se usa para asignar recursos, planear la produccin, planear el horario
de trabajadores, planear la cartera de inversin y formular estrate-
gias de mercado (y militares). La versatilidad e impacto econmico de
la programacin lineal en el mundo industrial actual es realmente im-
presionantes.
En palabras del propio Dantzig: El tremendo poder del mtodo Simplex
Apendice
261
me sorprende constantemente. Citando el simple ejemplo del proble-
ma de asignacin (70 personas para 70 tareas) y el enorme poder
computacional que se requerira para analizar todas las permutaciones
y seleccionar la solucin ptima, observ lo siguiente: slo toma un
momento encontrar la solucin ptima usando una computadora per-
sonal y un paquete que maneje el mtodo simplex estndar.
Dantzig escribi en 1991: es interesante notar que el problema origi-
nal que ocasion mi investigacin est todava pendiente, es decir, el
problema de la planeacin dinmica a travs del tiempo, particular-
mente bajo condiciones de incertidumbre. Si este tipo de problemas
pudieran resolverse satisfactoriamente, se podra contribuir (tras una
buena planeacin) al mejoramiento de este mundo y del ser humano.
La contribucin de Dantzig, segn sus explicaciones, naci de su expe-
riencia en el Pentgono durante la Segunda Guerra Mundial, en donde
se convirti en experto en programacin (mtodos de planeacin he-
chos con calculadoras). En 1946, como consejero matemtico de la Fuer-
za Area Norteamericana, tuvo el reto de mecanizar los procesos de
planeacin. En aquellos tiempos de computadoras pre-electrnicas,
mecanizar quera decir usar aparatos analgicos o mquinas de tarje-
tas perforadas. (Programar era un trmino militar que no se refera
a las instrucciones usadas por la computadora para resolver proble-
mas, sino a los planes o calendarizaciones propuestas para el entrena-
miento, logstica, o despliegue de unidades de combate. El nombre de
programacin lineal, que ha confundido a mucha gente, est basado
en la definicin militar de programa).
Los que mandan generalmente mueven las manos y dicen He conside-
rado todas las alternativas. Pero eso es casi siempre basura. Lo ms
probable es que no pudiesen estudiar todas las combinaciones.
George Bernard Dantzig naci el 8 de Noviembre de 1914 en Prtland,
Oregon, USA. Actualmente es profesor emrito en el departamento
de Investigacin de Operaciones de la Universidad de Stanford. Se
recomienda consultar la siguiente direccin en internet
www.stanford.edu/dept/eesor/people/faculty/dantzig/
George B. Dantzig , el creador de la programacin lineal, en una entre-
vista publicada en The College Mathematical Journal, Marzo de 1986.
Se presenta a continuacin, parte de esta entrevista:
Considere el problema de asignar 70 hombres a 70 empleos. Una ac-
tividad consiste en asignar el isimo hombre al j-simo empleo. Las
restricciones son dos: en primer lugar hay 70 hombres, cada uno de los
cuales debe asignarse a un puesto, y en segundo lugar, cada uno de los
Apendice
262
70 puestos existentes debe estar ocupado. El nivel de una actividad
puede ser 1, lo cual indica que est siendo usada, o 0, lo cual significa
que no. En consecuencia hay 2 x 70 =140 restricciones y 70 x 70 =
4900 actividades con 4900 variables correspondientes de decisin uno-
cero. Por desgracia tambin hay factorial de 70 permutaciones o for-
mas de hacer las asignaciones. El problema consiste en comparar estas
factorial de 70 formas y elegir la que sea la ptima o mejor segn
algn criterio previamente establecido.
En el ejemplo anterior, factorial de 70 es un nmero muy grande. A
fin de tener una idea de qu tan grande es, supngase que se hubiese
tenido una computadora IBM del tipo main-frame en el instante en el
que ocurri el Big Bang hace quince millones de aos. Habra podido,
entre ese entonces y ahora, examinar todas las soluciones posibles?
No! No obstante, supngase que se hubiese tenido una computadora
aun ms poderosa, una que pudiese examinar mil millones de asignacio-
nes por segundo. La respuesta seguira siendo negativa. Aun si la Tie-
rra se llenase con computadoras cuyas rapideces fueran de
nanosegundos, todas ellas trabajando en paralelo, la
respuesta aun sera no. Sin embargo, si existiesen diez
Tierras, todas llenas con computadoras del tipo men-
cionado, todas programadas en paralelo desde el ins-
tante del Big Bang hasta que el Sol fuese una esfera
fra, entonces quizs la respuesta podra ser s. Lo
notable es que el mtodo Simplex, con la ayuda de
una computadora moderna, puede resolver este pro-
blema en una fraccin de segundo.
Cuando el problema de la planeacin fue formulado inicialmente para
la Fuerza Area, no exista la nocin exacta de una funcin objetivo,
la idea de una meta claramente definida. Por supuesto, tenamos slo
un falso respeto hacia el concepto de objetivo. En el discurso de los
militares escuch a menudo decir, nuestro objetivo es ganar la gue-
rra. En el mundo de los negocios se escuchara quizs nuestro objeti-
vo es obtener ganancias. Sin embargo, era imposible hallar alguna re-
lacin directa entre la meta establecida y las acciones emprendidas
para tal fin.
Si se estudiaba con cuidado el paso siguiente, se poda ver que algn
lder haba promulgado un montn de reglas bsicas que, en su concep-
to, llevaran a la meta. Esto distaba mucho de lo que sera honestamen-
te estudiar todas las combinaciones alternativas de las acciones a se-
guir para elegir la mejor combinacin. Los que mandan generalmente
mueven las manos y dicen He considerado todas las alternativas. Pero
eso es casi siempre basura. Lo ms probable es que no pudiesen estu-
diar todas las combinaciones. Antes de 1947 era inconcebible pensar
Apendice
263
en la existencia de una herramienta como la programacin lineal que
permitiese examinar millones de combinaciones. No haba algoritmo o
herramienta computacional que pudiera hacer eso.
No descubr el modelo de la programacin lineal en un instante, sino
que tuvo un proceso de evolucin. Se dedic casi un ao completo a la
tarea de decidir si mi modelo podra ser utilizado en la formulacin de
problemas prcticos de distribucin de tiempos. Como usted sabe, la
planeacin y la distribucin de tiempos se llevaron a una escala inmen-
sa durante la guerra. El funcionamiento de la Fuerza Area fue equi-
valente al funcionamiento de la economa de toda una nacin. En el
proceso intervinieron cientos de miles de personas. La logstica tuvo
una magnitud difcil de entender para alguien que no haya estado all.
Mi colega Marshall Wood y yo revisamos miles de situaciones tomadas
de nuestra experiencia durante la guerra.
Las reglas bsicas empleadas en la planeacin se expresaban en un
formato completamente distinto del que se emplea en la actualidad
para formular un programa lineal. Lo que hicimos fue revisar estas re-
glas una por una y demostrar que casi todas ellas podan reformularse
aceptablemente en un formato de programacin lineal. Pero no todas.
En algunos casos era necesario tomar en cuenta el carcter discreto
de las variables y las no convexidades.
Cuando formul por primera vez mi modelo de programacin lineal, lo
hice sin una funcin objetivo. Estuve luchando por algn tiempo con la
adicin de reglas bsicas para elegir de entre las soluciones factibles
la que en algn sentido fuese ptima. Pero pronto abandon esta idea
y la sustitu por la de una funcin objetivo a ser maximizada. El modelo
que formul no estaba hecho especficamente para fines militares. Poda
aplicarse a toda clase de problemas de planeacin; todo lo que tena
que hacerse era cambiar los nombres de las columnas y los renglones, y
entonces era aplicable a un problema de planeacin econmica lo mis-
mo que a un problema de planeacin industrial.
Biografa de George Bernard Dantzig
George Dantzig studied mathematics at the University of Maryland,
receiving his A.B. in 1936. The following year he received an M.A. in
mathematics from the University of Michigan.
Dantzig worked as a Junior Statistician in the U.S. Bureau of Labor
Statistics from 1937 to 1939, then, from 1941 to 1946, he was head
of the Combat Analysis Branch, U.S.A.F. Headquarters Statistical Con-
trol. He received his doctorate in mathematics from the University of
California, Berkeley in 1946. In that year he was appointed Mathemati-
Apendice
264
cal Advisor for USAF Headquarters.
In 1947 Dantzig made the contribution to mathematics for which he
is most famous, the simplex method of optimization. It grew out of his
work with the U.S. Air Force where he become an expert on planning
methods solved with desk calculators. In fact this was known as pro-
gramming, a military term that, at that time, referred to plans or
schedules for training, logistical supply or deployment of men.
Dantzig mechanized the planning process by introducing linear pro-
gramming, where programming has the military meaning explained
above. The importance of linear programming methods was described,
in 1980, by Laszlo Lovasz who wrote:-
If one would take statistics about which mathematical
problem is using up most of the computer time in the
world, then ... the answer would probably be linear pro-
gramming.
Also in 1980 Eugene Lawler wrote:-
[Linear programming] is used to allocate resources, plan
production, schedule workers, plan investment portfo-
lios and formulate marketing (and military) strategies.
The versatility and economic impact of linear program-
ming in todays industrial world is truly awesome.
Dantzig however modestly wrote:-
The tremendous power of the simplex method is a con-
stant surprise to me.
Dantzig became a research mathematician with the RAND Corpora-
tion in 1952, then in 1960 he was appointed professor at Berkeley and
Chairman of the Operations Research Center. While there he wrote
Linear programming and extensions (1963). In 1966 he was appointed
Professor of Operations Research and Computer Science at Stanford
University.
His work in a wide range of topics related to optimization and opera-
tions research over the years has been of major importance. How-
ever, writing in 1991, Dantzig noted that:-
... it is interesting to note that the original problem that
started my research is still outstanding - namely the
problem of planning or scheduling dynamically over time,
particularly planning dynamically under uncertainty. If
Apendice
265
such a problem could be successfully solved it could
eventually through better planning contribute to the
well-being and stability of the world.
Dantzig has received many honours including the Von Neumann Theory
Prize in Operational Research in 1975. His work is summarized by
Stanford University as follows:-
A member of the National Academy of Engineering, the
National Academy of Science, the American Academy
of Arts and Sciences and recipient of the National
Medal of Science, plus eight honorary degrees, Profes-
sor Dantzigs seminal work has laid the foundation for
much of the field of systems engineering and is widely
used in network design and component design in com-
puter, mechanical, and electrical engineering.
Article by: J J OConnor and E F Robertson
El Analista de Investigacin de Operaciones
Naturaleza del Trabajo
Dirigir una organizacin u operacin compleja, tal como una extensa
planta manufacturera, una aerolnea, o un despliegue militar requiere
coordinacin precisa de materiales, mquinas y gente. Los analistas de
investigacin de operaciones ayudan a las organizaciones a coordinar
y operar de la manera ms eficiente aplicando mtodos cientficos y
principios matemticos a los problemas organizacionales. Los
administradores pueden evaluar alternativas y escoger el curso de
accin ptimo para la organizacin.
Los analistas de investigacin de operaciones, tambin llamados
analistas de las ciencias administrativas, son solucionadores de
problemas. Los problemas que atacan estn en su mayora relacionados
con las grandes organizaciones de negocios: estrategia, pronsticos,
distribucin de recursos, disposicin de medios, control de inventarios,
calendarizacin de personal, y sistemas de distribucin. El mtodo que
usan generalmente involucra un modelo matemtico (conjunto de
ecuaciones) que explica la manera en que ocurren las cosas dentro de
la organizacin. Dicho modelo es una representacin simplificada que
permite al analista dividir los sistemas en partes, asignar valores
numricos a cada componente, y examinar las relaciones matemticas
entre ellos. Estos valores pueden ser alterados para determinar qu
ocurrira bajo diferentes circunstancias. Los principales tipos de
modelos son: simulacin, optimizacin lineal, redes, lneas de espera, y
Apendice
266
teora de juegos.
Los analistas de investigacin de operaciones hacen uso extensivo de
los recursos computacionales en su trabajo. Generalmente son expertos
en el manejo de bases de datos, programacin, y desarrollo de soft-
ware sofisticado. La mayora de los modelos realizados por los analistas
de investigacin de operaciones son tan complicados que slo una
computadora los puede resolver eficientemente.
Los problemas que manipulan varan segn la industria. Por ejemplo, un
analista para una aerolnea coordinar la calendarizacin de vuelos y
mantenimiento, estimados de nivel de pasajeros, y consumo de com-
bustible para producir un calendario que optimice todos estos factores
y as asegure la seguridad y producir la mayor ganancia posible. Por
otro lado, un analista empleado en un hospital se concentrar en
diferentes problemas, como el control de admisin de pacientes, el
manejo del flujo de pacientes, la asignacin de turnos, monitoreo de
uso de servicios de farmacia y laboratorios, o el pronstico de la
demanda para nuevos servicios del hospital.
El papel del analista de investigacin de operaciones vara de acuerdo
a la estructura y filosofa administrativa de la compaa. Algunas
empresas centralizan la investigacin de operaciones en un
departamento; otras dispersan el personal de investigacin de
operaciones a travs de todas las divisiones. Algunos analistas de
investigacin de operaciones se especializan en un tipo de aplicacin;
otros se generalizan.
El grado de supervisin vara segn la estructura y experiencia de la
organizacin. En algunas empresas los analistas tienen un grado muy
alto de independencia profesional; en otras, los analistas son
supervisados celosamente. Los analistas de investigacin de
operaciones tienen una relacin muy cercana con los administradores
de alto nivel, quienes tienen una gran variedad de requerimientos de
soporte. Los analistas deben adaptar su trabajo para cubrir estas
necesidades.
Sin considerar la estructura de la organizacin o la industria, la
investigacin de operaciones vincula un conjunto similar de
procedimientos. Los administradores comienzan el proceso describiendo
los sntomas del problema al analista. El analista define entonces el
problema, el cual algunas veces es de naturaleza general y otras es
especfico. Por ejemplo, un analista de una manufacturera automotriz
querr determinar el nivel ptimo de inventario de cada uno de los
materiales para un nuevo proceso de produccin o, ms especficamente,
para determinar cunto acero debe ser almacenado.
Despus de que el analista define el problema, aprende todo lo que se
puede acerca de l. Investiga el problema, despus lo divide en pequeos
Apendice
267
componentes. Entonces acumula informacin acerca de cada una de
esas partes. Generalmente esto involucra consultar a un gran nmero
de personal. Por ejemplo, para determinar la cantidad ptima de acero
a ser almacenado, el analista podra hablar con los ingenieros acerca
de los niveles de produccin; discutir arreglos de adquisicin con los
compradores industriales; Y examinar los datos de los costos de
almacenamiento provistos por el departamento de contabilidad.
Con esta informacin, el analista de investigacin de operaciones est
listo para seleccionar la tcnica analtica ms apropiada. Puede haber
muchsimas tcnicas que se adapten al problema, aunque tambin puede
ser que slo una se ajuste a nuestras necesidades. En algunos casos, el
analista debe construir un modelo original para examinar y explicar el
sistema. En casi todos los casos, el modelo seleccionado debe de ser
modificado para reflejar las circunstancias especficas de la situacin.
Un modelo para la calendarizacin de vuelos de una aerolnea, por
ejemplo, puede tomar en cuenta la cantidad de combustible requerido
para las rutas de vuelo, varios niveles de demanda de los pasajeros,
diferentes precios de los boletos, calendarizacin de los pilotos, y
costos de mantenimiento. El analista selecciona los valores para estas
variables, alimenta con ellos a la computadora, la cual ha sido
programada para hacer los clculos requeridos, y corre el programa
para producir el calendario ptimo de vuelos.
En este punto, el analista presenta el trabajo final a la administracin
adems de ciertas recomendaciones basadas en los resultados de los
anlisis. Para la toma final de decisiones se requerirn corridas
adicionales basadas en diferentes suposiciones. Una vez que se toma
una decisin, el analista trabaja para asegurar su instrumentacin.
Condiciones de trabajo
Los analistas de investigacin de operaciones generalmente trabajan
horas regulares en ambiente de oficina. Debido a que trabajan en
proyectos que son de inters inmediato para la alta administracin,
los analistas trabajan constantemente bajo presin y por lo general
ms de 40 horas por semana. El trabajo es de naturaleza sedentaria, y
se requiere muy poca fuerza fsica.
Empleo
El campo para los analistas de investigacin de operaciones fue de
57,000 empleos en 1990 en Estados Unidos. Se requieren en la mayora
de las industrias. Las empresas que ms necesitan los servicios de un
analista de investigacin de operaciones son las manufactureras de
qumicos, maquinaria y equipo de transporte; empresas que proveen
servicios de transporte y telecomunicaciones; bancos; agencias de
Apendice
268
seguros; empresas de servicios pblicos; y agencias gubernamentales
de todos los niveles. Algunos analistas trabajan en agencias de
consultora administrativa que desarrollan aplicaciones de investigacin
de operaciones para empresas que no tienen personal de este tipo.
La mayora de los analistas en el gobierno trabajan para las fuerzas
armadas. Adems, varios analistas que trabajan en la industria privada
trabajan tambin directa o indirectamente para la Defensa Nacional.
Perspectivas futuras de trabajo
Se espera que las oportunidades de trabajo para los analistas de
investigacin de operaciones crezcan mucho ms rpido que el promedio
de las ocupaciones hasta el ao 2005 debido a la importancia que est
cobrando el anlisis cuantitativo en la toma de decisiones y la cada
vez mayor disponibilidad de recursos computacionales.
Cada vez ms organizaciones estn usando tcnicas de investigacin
de operaciones para mejorar la productividad y reducir los costos.
Adems, hoy en da se pueden encontrar computadoras con las
capacidades requeridas para correr aplicaciones de investigacin de
operaciones a muy bajos costos. Esto permite que hasta las empresas
pequeas se interesen por la investigacin de operaciones. Esta
tendencia estimular en gran medida la demanda de analistas de
investigacin de operaciones en los prximos aos.
Se espera que el mayor crecimiento de la demanda de trabajo ocurra
en los sectores de transporte, manufactura, finanzas y servicios. Las
empresas en estos sectores reconocen que el anlisis cuantitativo puede
ocasionar mejoras sustanciales en la eficiencia operativa y las
utilidades. Cada vez ms aerolneas, por ejemplo, estn usando
investigacin de operaciones para determinar la calendarizacin ptima
de vuelos y mantenimiento, seleccionar las mejores rutas de servicio,
analizar las caractersticas de los clientes, y controlar el consumo de
combustible, entre otras cosas. Las cadenas de moteles estn
comenzando a utilizar la investigacin de operaciones para mejorar su
eficiencia. Por ejemplo, analizan los patrones de trfico de automviles
y las actitudes de los clientes para determinar la localizacin, tamao
y estilo de los nuevos moteles.
La Investigacin De Operaciones en la prctica
En esta seccin se presenta un breve panorama de las tcnicas de la
Investigacin de Operaciones. Despus se presentan los resultados
de algunas investigaciones que muestran cules tcnicas se han
utilizado con mayor frecuencia en la prctica y qu es necesario hacer
para permitir al lector utilizar con xito la Investigacin de
Apendice
269
Operaciones a lo largo de su carrera.
Tcnicas de la ciencia de la Investigacin de Operaciones
En este texto se describen las siguientes tcnicas de la ciencia de la
Investigacin de Operaciones.
Programacin lineal: es un mtodo de solucin de problemas que se ha
desarrollado para situaciones que implican la maximizacin o la
minimizacin de una funcin lineal sujeta a restricciones lineales que
limitan la medida en la que se puede tender hacia la funcin objetivo.
Programacin lineal con nmeros enteros: Es un mtodo que se utiliza
para problemas que pueden ser planteados como programas lineales,
con el requisito adicional de que algunas o todas las decisiones
recomendadas deben asumir valores enteros.
Modelos de redes: Es una representacin grfica de un problema que
consiste en pequeos crculos, a los que se denomina nodos,
interconectados por lneas a las que se denomina arcos. Existen
procedimientos de solucin especializados para este tipo de proble-
mas que permiten resolver rpidamente muchos problemas gerenciales
en reas como diseo de sistemas de transporte, diseo de sistemas
de informacin y programacin de proyectos.
Administracin de proyectos PERT/CPM: En muchos casos los
administradores asumen la responsabilidad de la planeacin, la
programacin y el control de proyectos que constan de numerosas
tareas o trabajos que son llevados a cabo por diversos departamentos,
personas, etc. PERT y CPM son tcnicas que ayudan a los
administradores a cumplir con sus responsabilidades en la
administracin de proyectos.
Modelos de inventarios: Estos modelos se utilizan para auxiliar a
administradores que enfrentan los problemas duales de mantener
suficientes inventarios para satisfacer la demanda de bienes y, al mismo
tiempo, de incurrir en los menores costos posibles por el mantenimien-
to de esos inventarios.
Modelos de lneas de espera (teora de colas): Se han desarrollado
los modelos de lneas de espera (colas o filas) para ayudar a los
administradores a comprender y a tomar mejores decisiones con
respecto a la operacin de sistemas que implican lneas de espera.
Apendice
270
Simulacin en computadora: Esta es una tcnica que se utiliza para
ensayar modelos de la operacin de un sistema en el tiempo. Tal tcnica
emplea un programa computacional para modelar la operacin y realizar
clculos sobre la simulacin.
Anlisis de decisiones: El anlisis de decisiones puede servir para
determinar estrategias ptimas en situaciones en las que existen varias
alternativas de decisin y un patrn de eventos incierto o llenos de
riesgo.
Programacin de metas: Esta es una tcnica que se utiliza para re-
solver problemas de decisiones con criterios mltiples, por lo general
dentro de una estructura de programacin lineal. Proceso analtico de
jerarquizacin. Es una tcnica de toma de decisiones con criterios mlti-
ples que permite la inclusin de factores subjetivos para llegar a la
decisin que se recomienda.
Pronsticos: Los mtodos de pronstico se pueden emplear para
predecir aspectos futuros de una operacin de negocios.
Modelos de procesos de Markov: Los modelos de procesos de Markov
son tiles para estudiar la evolucin de ciertos sistemas despus de
varias repeticiones. Por ejemplo, se han usado procesos de Markov para
describir la probabilidad de que una mquina que est funcionando en
un periodo contine funcionando o se descomponga en otro periodo.
Programacin dinmica: Esta programacin es una tcnica que permite
descomponer un problema grande de manera que, una vez que se han
resuelto los problemas ms pequeos obtenidos en la descomposicin,
se tiene una solucin ptima para el problema completo.
Mtodos que se usan con mayor frecuencia
Un estudio realizado por Forgionne acerca de ejecutivos de empresas
indica la frecuencia con la que se utilizan diversas tcnicas de la ciencia
de la Investigacin de Operaciones. Como se muestra en la Tabla
siguiente, los mtodos que se usan con mayor frecuencia son los mtodos
estadsticos, la simulacin en computadora, PERT/CPM, programacin
lineal y teora de colas.
Frecuencia de uso en % de respuestas
Nunca Moderada Frecuente
Estadstica 1.6 38.7 59.7
Simulacin en computadora 12.9 53.2 33.9
Apendice
271
PERT/CPM 25.8 53.2 21.0
Programacin lineal 25.8 59.7 14.5
Teora de las colas 40.3 50.0 9,7
Programacin no lineal 53.2 38.7 8.1
Programacin dinmica 61.3 33.9 4.8
Teora de los juegos 69.4 27.4 3,2
Estudio de Ledbetter y Cox apoya estas conclusiones al jerarquizar,
en orden de uso, regresin (anlisis estadstico), programacin lineal,
simulacin, modelos de redes (PERT/CPM), filas o colas, programacin
dinmica y teora de juegos.
Una investigacin de Thomas y DaCostaS mostraba que el 88% de to-
das las empresas grandes utilizan los pronsticos y que ms de 50%
hacen uso de mtodos cuantitativos para programacin de la produc-
cin, control de inventarios, presupuestos de capital y transporte. Un
estudio realizado por Gaither sobre las aplicaciones de la ciencia de
la administracin en empresas manufactureras apoya tambin la ele-
vada frecuencia de utilizacin del anlisis estadstico, la simulacin y
la programacin lineal. Sin embargo, PERT/CPM es el mtodo que se
identifica como el ms frecuentemente empleado en las empresas
manufactureras investigadas. Las empresas manufactureras reportan
tambin una utilizacin superior al promedio de la teora de colas, la
programacin no lineal y la programacin segn enteros.
Como parte de una investigacin sobre practicantes en el gobierno, la
industria y la academia, Shannon, Long y Buckles pidieron a adminis-
tradores en ejercicio que sealaran si estaban familiarizados con los
diversos mtodos cuantitativos y si haban utilizado o no esos mtodos
en aplicaciones especficas. Los resultados, que se muestran en la si-
guiente Tabla, ofrecen apoyo adicional en el sentido de que es proba-
ble que las tcnicas de la ciencia de la administracin que ms se cono-
cen y utilizan son programacin lineal, simulacin, anlisis de redes y
teora de colas.
Implicaciones para el uso de la ciencia de la administracin
Recientemente, Morgans revis 12 investigaciones sobre empresas y
3 investigaciones sobre practicantes que se han realizado en los lti-
mos 30 aos, incluyendo todos los estudios mencionados antes.
Mtodo Rango de Conocinmiento Uso(%)
Programacin Lineal 1 83,8
Simulacin 2 80,3
Anlisis de redes 3 58,1
Apendice
272
Su anlisis apoya tambin el dato de que PERT/CPM, Programacin
lineal y simulacin se encuentran entre los mtodos que se utilizan con
mayor frecuencia. Sin embargo, y esto es ms importante, despus de
realizar un estudio cuidadoso de los resultados de todas las empresas,
concluy que (1) cualquier empresa que est empezando a servirse de
tcnicas de ciencia de la administracin debe ubicar a los analistas en
las reas funcionales y no en unidades centralizadas; (2) el uso inicial
de la ciencia de la Investigacin de Operaciones se debe concentrar
en las tcnicas que se utilizan con mayor frecuencia y en las ms ti-
les; y (3) la mejor manera de eliminar las barreras que se oponen al uso
de la ciencia de la administracin es haciendo que los administradores
comprendan mejor las tcnicas de la ciencia de la administracin. Ade-
ms, para lograr la confianza y el apoyo de los administradores de
primer nivel, el analista de CA/IO debe aprender a vender sus m-
todos y soluciones, haciendo especial nfasis en el mejoramiento de la
comunicacin con los administradores.
Tomado de: Introduccin a los Mtodos Cuantitativos para adminis-
tracin, por David R. Anderson, Dennis J. Sweeney, Thomas A. Williams.
Grupo Editorial Iberoamericano.
Lneas de espera 4 54,7
rboles de decisin 5 54,7
Programacin entera 6 38,5
Anlisis de reposicin 7 38,5
Programacin Dinmica 8 32,5
Procesos de Markov 9 31,6
Programacin no lineal 10 30,7
Programacin de metas 11 20,5
Teora de juegos 12 13,7
Apndice
273
Apndice
Modelos de la Investigacin de Operaciones
Hbridos Estocsticos Determinsticos
Modelos de Investigacin
de Operaciones
Optimizacin
no lineal
Optimizacin
lineal
Mtodos
Clsicos
Mtodos
de bsqueda
Programacin
no Lineal
Programacin
Lineal
Transporte y
Asignacin
Programacin
Entera y 0,1
Redes
Programacin
Dinmica
Inventarios
Simulacin
PERT
CPM
Mtodos
Heursticos
Programacin
Estocstica
Lneas de
espera
Procesos
Estocsticos
Teora de
decisiones
y juegos
274
275
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Distribucin de Probabilidad Normal Acumulada (0,1)
Apendice 2
Estandarizacin Funcin de densidad
0 Z
276
277
Bibliografa
BAZARAA, Mokhtar S., JARVIS, John J., SHERALI, Hanif D., Pro-
gramacin Lineal y flujo de redes. Editorial Limusa S.A. de C.V. Grupo
Noriega Editores, Balderas 95, Mxico D. F. Segunda edicin. 1.998
CHANG, Yih-Long. WinQsb, Soporte para el software. John Wiley &
Sons, Inc. 1.998
EPPEN D. G., GOULD F. J., SCHMIDT C. P. Investigacin de operaciones
en la ciencia administrativa., Editorial Prentice Hall Hispanoamericana
S.A., Mxico. Tercera edicin 1.992
GALLEGHER Charles A., HUNG, J. Watson. Mtodos cuantitativos para
la toma de decisiones en la administracin. Editorial McGraw-Hill
Interamericana, Mxico. Primera edicin 1.982
GONZALEZ ARIZA, Angel Len. Manual prctico de investigacin de
operaciones. Segunda edicin 1.998. Ediciones Uninorte.
HILLIER, Frederick S.; LIEBERMAN, Gerald J. Introduccin a la
investigacin de operaciones. Sptima edicin. Editorial McGraw-Hill
Interamericana, Mxico. 2001
LEVIN, Richard., KIRKPATRICK, Charles A., Enfoques cuantitativos a
la administracin. Compaa editorial continental, S. A. Mxico. No-
vena reimpresin 1.997
MATHUR, Kamlesh., SOLOW Daniel., Investigacin de Operaciones :
El arte de la toma de decisiones. Editorial Prentice Hall
Hispanoamericana S.A. 1.996
SASIENI, Maurice., YASPAN, Arthur., FRIEDMAN, Lawrence.
Investigacin de Operaciones, Mtodos y problemas. Editorial Limusa,
Mxico, 1.978
278
MOSKOWITZ, Herbert; WRIGHT, Gordon P., Investigacin de
operaciones. Editorial Prentice Hall Internacional, Londres. Primera
edicin 1.982
NAMAKFOROOSH, Mamad Naghi. Investigacin de operaciones. Edi-
torial Limusa
PRAWDA WITENBERG, Juan. Mtodos y modelos de investigacin de
operaciones. Volumen 1. Editorial Limusa 1.995
ROS INSUA, Sixto; ROS INSUA David; MATEOS, Alfonso;
MARTN, Jacinto. Programacin lineal y aplicaciones. Editorial
Alfaomega S.A. 1.997
SHAMBLIN, James E.; STEVENS Jr. G. T. Investigacin de
operaciones: Un enfoque fundamental. Editorial McGraw-Hill
Interamericana, Mxico.
SOLOW, Daniel; KAMLESH, Mathur. Investigacin de operaciones.
Editorial Prentice Hall Hispanoamericana S.A., Mxico.
STEPHEN B. Bergen. Apuntes de los cursos de investigacin de
operaciones de la Universidad se Stanford. Universidad Tecnolgica
de Pereira .
TAHA, Handy A. Investigacin de operaciones: Una introduccin. Edi-
torial Prentice Hall, Mxico. Sexta edicin 1.998
VARELA, Jaime Enrique. Introduccin a la investigacin de
operaciones. Editorial Fondo Educativo Interamericano S.A., Colom-
bia. Primera edicin 1.982
WINSTON, Wayne L. Operations Research, Applications And Algo-
rithms. Duxbury Press And Imprint of Wadsworth Publishing Company,
Belmont, California. Tercera edicin 1.994
279
Software
A continuacin damos una lista de programas informticos con la
direccin Web, en las que el lector podr obtener informacin reciente
y detallada del software, incluyendo en muchos casos una versin de
evaluacin.
ARSHAM, Hossein Dr. www.brave.as/arsham
AIMMS, Paragon Decisin Technology, Haarlem, Holanda, http://
www.paragon.nl
BOGAZII UNIVERSITY ISTANBUL-TURKEY, Departamento de
sistemas., http://mis.boun.edu.tr/erdem/winqsb.html
CORPORACIN UNIVERSITARIA DE IBAGU, Programa de
Ingeniera Industrial., www.cui.edu.co/industrial/io.htm
CPLEX for AMPL, MINOS for AMPL, Compass Modeling Solutions, Reno,
Nevada, http://www.modeling.com
FORT MP, Numerical Algorithms Group., http://www.nag.com
GAMS, Gams Development Corporation, Washington, http://
www.gams.com
INVESTIGACIN OPERATIVA., http://members.tripod.com/
~operativa
LINDO, LINGO, WHATS BEST, Lindo Systems, Chicago, http://
www.lindo.com
LP/MIPSolvers, PREMIUM SOLVER for EXCEL, frontline Systems,
http://www.frontsys.com
LPS-867, Applied Automated Engineering Corporation, Pennington, N.
J., http://www.aae.com
280
MPL Modeling System, Maximal Software, Arlington, Va., http://
www.maximal-usa.com
SAS Software, SAS Institute, Cary N.C., http://www.sas.com
DSPims, Aspen Technology, http://www.aspentech.com
XPRESS-MP, Dash Associates Ltd., Blisworth, UK, http://www.
Dash.co.uk

Librodeinvestigacion Francisco Chediak

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Librodeinvestigacion Francisco Chediak

Cargado por

Copyright:

Formatos disponibles

1

Francisco Alfonso Chediak Pinzn

Las variables bsicas son:

debe estarcomprendido entre el

A continuacin solucionamos el problema por el mtodo simplex, tal

También podría gustarte