Investigacion de Operaciones I

Unidad 1 Metodologa de la investigacin de operaciones (I.
O) y
formulacin de modelos
1.1 Definicin Desarrollo y Modelos 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 la organizacin. El origen de
esta materia se remonta a la segunda guerra mundial, cuando el coronel Sanders, junto con un
dedicado grupo de cientficos, se propusieron encontrar la cuadratura del crculo, para de esta
forma simplificar el horario militar y que le permitiese al Teniente G. Dann ganar la guerra en un
rpido ataque en contra de los aliados. La investigacin de operaciones es la aplicacin de la
metodologa cientfica a travs de modelos matemticos, primero para representar al problema
y luego para resolverlo La complejidad de los problemas que se presentan en las
organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por
especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje
comn.
Modelos de la Investigacin de Operaciones.
La forma convencional en que la investigacin de operaciones realiza esto es construyendo un
modelo matemtico que represente la esencia del problema.
Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin
abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el
problema y permiten evaluar eficientemente las alternativas de solucin. Resolver un modelo
consiste en encontrar los valores de las variables dependientes, asociadas a las componentes
controlables del sistema con el propsito de optimizar, si es posible, o cuando menos mejorar la
eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las
restricciones del problema.
La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los
procedimientos de solucin pueden ser clasificados en tres tipos:
a) analticos, que utilizan procesos de deduccin matemtica
b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y
error
c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo.
1.2 Fases Estudio Investigacin de Operaciones
Nacida durante la Segunda Guerra Mundial, la investigacin de operaciones es una ciencia que
modela problemas complejos haciendo uso de las matemticas y la lgica. La investigacin de
operaciones permite el anlisis de la toma de decisiones teniendo en cuenta la escasez de
recursos, para determinar cmo se pueden maximizar o minimizar los recursos. El mtodo ms
popular es el smplex (George Dantzing, 1947) dentro de la rama de programacin lineal. El

algoritmo smplex ha sido elegido como uno de los diez de mayor influencia en el desarrollo y la
prctica de la ciencia y la ingeniera en el siglo XX.
Entre algunos de los mtodos utilizados tenemos el mtodo de la ruta crtica y a la tcnica de
revisin y evaluacin de programas.
En la ciencia de la administracin la cual tambin es conocida como investigacin de
operaciones, los administradores utilizan las matemticas y las computadoras para tomar
decisiones racionales en la resolucin de problemas. Aunque estos administradores pueden
resolver algunos problemas con su experiencia pero en el complejo mundo en que vivimos
muchos problemas no pueden ser resueltos basados en experiencia.
Las tcnicas de la administracin se aplican a dos categoras bsicas de problemas, las cuales
son las siguientes:
Problemas Deterministicos: son en los que la informacin necesaria para obtener una solucin
se conoce con certeza.
Problemas Estocsticos: son los que parte de la informacin necesaria no se conoce con
certeza como es el caso de los deterministicos, sino que ms bien se comporta de una manera
probabilstica.
La investigacin operacional (conocida tambin como teora de la toma de decisiones, o
programacin matemtica.
El objetivo y finalidad de la Investigacin operacional es la de encontrar la solucin ptima
para un determinado problema (militar, econmico, de infraestructura, logstico, etc. Esta
constituida por un acercamiento cientfico a la solucin de problemas complejos, tiene
caractersticas intrnsecamente multidisciplinares y utiliza un conjunto diversificado de
instrumentos, prevalentemente matemticos, para la modelizacin, la optimizacin y el control
de sistemas estructurales. En el caso particular de problemas de carcter econmico, la funcin
objetivo puede ser el mximo rendimiento o el menor costo.
La investigacin operacional tiene un rol importante en los problemas de toma de decisiones
porque permite tomar las mejores decisiones para alcanzar un determinado objetivo respetando
los vnculos externos, no controlables por quien debe tomar la decisin.
La elaboracin del problema esta subdividida en fases obligatorias, las principales son:
-Examen de la situacin real y recoleccin de la informacin
-Formulacin del problema, identificacin de las variables controlables y las externas (no
controlables) y la eleccin de la funcin objetivo, a ser maximizada o minimizada
-Construccin del modelo matemtico, destinado a dar una buena representacin del problema;
debe ser fcil de usar; representar el problema, dando toda la informacin para poder tomar
una decisin lo ms idnea posible, tal es el caso del modelo matemtico EUE
-Resolucin del modelo (mediante diferentes modalidades), modalidad de abierto-cerrado
-Anlisis y verificacin de las soluciones obtenidas: se controla si la funcin objetivo ofrece las
ventajas esperadas; se verifica la representatibilidad del modelo y, se efectan anlisis de
sensibilidad de la solucin obtenida.
1.3 Principales Aplicaciones Investigacin de Operaciones
La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos
inicialmente de una manera vaga.
Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y
el desarrollo de un resumen bien definido del problema que se va a analizar.
Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer,
las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes
cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de
definir el problema es crucial ya que afectar en forma significativa la relevancia de las
conclusiones del estudio. Es difcil extraer una respuesta correcta a partir de un problema
equivocado!
Algunas personas se veran tentadas a aplicar mtodos matemticos a cuanto problema se
presente, pero es que Acaso siempre es necesario llegar al ptimo? Podra ser ms caro el
modelar y el llegar al ptimo que a la larga no nos d un margen de ganancias muy superior al
que ya tenemos. Tmese el siguiente ejemplo: La empresa EMX aplica I.O. y gasta por el
estudio y el desarrollo de la aplicacin $100 pero luego de aplicar el modelo observa que la
mejora no es muy diferente a la que actualmente tenemos. Luego, podramos indicar que la
investigacin de operaciones slo se aplicar en los problemas para los cuales el buen sentido
se revela impotente:
En el dominio combinatorio, muchas veces la enumeracin es imposible. Por ejemplo,

si tenemos 200 trabajos por realizar, los que toman tiempos distintos y solo cuatro
personas que pueden hacerlo, enumerar cada una de las combinaciones podra ser
ineficiente (aparte de desanimante). Luego los mtodos de secuenciacin sern los
ms apropiados para este tipo de problemas.
De igual manera, la I.O. es til cuando en los fenmenos estudiados interviene el azar.
La nocin de esperanza matemtica y la teora de procesos estocsticos suministran la
herramienta necesaria para construir el cuadro en el cual se optimizar la funcin
econmica. Dentro de este tipo de fenmenos se encuentran las lneas de espera, los
inventarios con demanda probabilstica.
Con mayor motivo, la investigacin de operaciones se muestra como un conjunto de

instrumentos precioso cuando se presentas situaciones de concurrencia. La teora de
juegos no permite siempre resolverlos formalmente, pero aporta un marco de reflexin
que ayude a la toma de decisiones.
Cuando observamos que los mtodos cientficos resultan engorrosos para nuestro
conjunto de datos, tenemos una opcin adicional, simular tanto el comportamiento
actual as como las propuestas y ver si hay mejoras sustanciales. Las simulaciones son
experiencias artificiales.
Finalmente debe ponerse la mxima atencin en no considerar la investigacin de operaciones

como una coleccin de recetas heterogneas y aplicables sistemticamente en unas
situaciones determinadas. Si se cae en este error, ser muy difcil captar en condiciones reales
los problemas que puedan deducirse de los mltiples aspectos de esta disciplina.
1.4 Formulacin Problemas Lineales

La programacin lineal son modelos destinados a la asignacin eficiente de los recursos
limitados en actividades conocidas con el objetivo de satisfacer las metas deseadas (maximizar
beneficios o minimizar costos).
La caracterstica distintiva de los modelos es que las funciones que representan el objetivo y
las restricciones son lineales. (No se permite multiplicacin de variables ni variables elevadas a
potencias). Algunas de las siguientes restricciones no se pueden emplear en un modelo de
programacin lineal.
Un modelo de programacin lineal se define usualmente como sigue:
Maximizar o minimizar
Sujeto a:
EJEMPLO 1.
Un fabricante de muebles tiene 6 unidades de maderas y 28 horas disponibles, durante las
cuales fabricar biombos decorativos. Con anterioridad, se han vendido bien 2 modelos, de
manera que se limitar a producir estos 2 tipos. Estima que el modelo uno requiere 2 unidades
de madera y 7 horas de tiempo disponible, mientras que el modelo 2 requiere una unidad de
madera y 8 horas. Los precios de los modelos son 120 dls. y 80 dls., respectivamente.
Cuntos biombos de cada modelo debe fabricar si desea maximizar su ingreso en la venta?
OBJETIVO : Maximizar el ingreso por ventas
RESTRICCIONES : Unidades de madera
Tiempo disponible
VARIABLE DE DECISION:
X1 = Cantidad de biombos tipo I a fabricar
X2 = Cantidad de biombos tipo II a fabricar
1.5 Formulacin de problemas ms comunes Por ejemplo: Dieta, Inversin, Transporte,

Mezcla, Recorte, Asignacin, Reemplazo, Ruta mas corta
PROBLEMA
Una firma de contadores pblicos especializados en preparar liquidaciones y pago de

impuestos y tambin auditoras en empresas pequeas. El inters es saber cuantas auditoras
y liquidaciones pueden realizar mensualmente, de tal manera que obtengan los mximos
ingresos. Se dispone de 800 horas para trabajo directo y direccin y 320 horas para revisin.
Una auditora en promedio requiere de 40 horas de trabajo directo y direccin y 10 horas de
revisin, adems aporta un ingreso de 300 dls. Una liquidacin de impuestos requiere de 8
horas de trabajo directo y direccin y 5 horas de revisin y produce un ingreso de 100 dls. Se
pueden realizar tantas auditoras como se desee, pero el mximo de liquidaciones mensuales
disponibles es de 60.
OBJETIVO : Maximizar los ingresos totales
VARIABLE DE DECISION:
X1 = Cantidad de auditoras
X2 = Cantidad de liquidaciones
RESTRICCIONES : Tiempo disponible para trabajo directo
Tiempo disponible para trabajo de revisin
Nmero mximo de liquidaciones
Maximizar
PROBLEMA 3.
Una empresa manufacturera est considerando dedicar su capacidad a fabricar 3 productos;
llammoslos productos 1, 2 y 3. La capacidad disponible de las mquinas que podra limitar la
produccin se resume en la siguiente tabla:
Tipo de Mquina
Tiempo Disponible (horas mquin)
Fresadora
500
Torno
350
Rectificadora
150
El nmero de horas requeridas por cada unidad de los productos respectivos es:
Tipo de Mquina
Producto 1
Producto 2
Producto 3
El departamento de ventas indica que el potencial de ventas para los productos 1 y 2 es mayor
que la tasa de produccin mxima y que el potencial de ventas para el producto 3 es de 20
unidades por semana. La utilidad unitaria sera de 30, 12 y 15 dls., respectivamente, para los
productos 1, 2 y 3.
Formlese el modelo de programacin lineal para determinar cuanto debe producir la empresa
de cada producto para maximizar la utilidad.
OBJETIVO : Maximizar la utilidad
VARIABLE DE DECISION: Cantidad a fabricar del producto 1. (X1).
Cantidad a fabricar del producto 2. (X2).
Cantidad a fabricar del producto 3. (X3).
RESTRICCIONES : Capacidad disponible para produccin de cada mquina (3 restricciones)
Potencial de ventas para el producto 3. (1 restriccin)
Maximizar
Unidad 2 El mtodo Simplex
2.1 Solucin Grafica Problema Lineal
Muchos problemas de administracin y economa estn relacionados con la optimizacin

(maximizacin o minimizacin) de una funcin sujeta a un sistema de igualdades o
desigualdades. La funcin por optimizar es la funcin objetivo.
Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de
igualdades o desigualdades a las que est sujeta la funcin objetivo reflejan las restricciones
(por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la
solucin (o soluciones) del problema. Los problemas de esta naturaleza se llaman problemas
de programacin matemtica. En particular, aquellas donde la funcin objetivo y las
restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de
programacin lineal
Un problema de programacin lineal consta de una funcin objetivo lineal por maximizar o
minimizar, sujeta a ciertas restricciones en la forma de igualdades o desigualdades lineales.
Solucin Grfica
Los problemas de programacin lineal en dos variables tienen interpretaciones geomtricas
relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un
problema de programacin lineal bidimensional- si no es inconsistente- define una regin plana
cuya frontera est formada por segmentos de recta o semirrectas, por lo tanto es posible
analizar tales problemas en forma grfica.
Si consideremos el problema del granjero Lpez, es decir, de maximizar P = 40x+ 30y sujeta
a
2x+y<800
x+y<480
x>0, y>0
(7)
El sistema de desigualdades (7) define la regin plana S que aparece en la figura 5. Cada
punto de S es un candidato para resolver este problema y se conoce
como solucin factible. El conjunto S se conoce como conjunto factible. El objetivo es

encontrar entre todos los puntos del conjunto S- el punto o los puntos que optimicen la
funcin objetivo P. Tal solucin factible es una solucin ptima y constituyen la solucin del
problema de programacin lineal en cuestin.
Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solucin ptima
del problema en cuestin, por ejemplo, es fcil ver que el punto (200, 150) est en S y, por lo
tanto, entra en la competencia. El valor de la funcin objetivo P en el punto (200,150) est dado
por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P correspondiente a
cada punto de S, entonces el punto (o los puntos) en S que proporcione el valor mximo de P
formar el conjunto solucin buscado. Por desgracia, en la mayora de los problemas, la
cantidad de candidatos es demasiado grande o, como en este problema, es infinita. As este
mtodo no es adecuado. Es mejor cambiar de punto de vista: en vez de buscar el valor de la
funcin objetivo P en un punto factible, se asignar un valor a la funcin P y se buscarn los
puntos factibles que correspondieran a un valor dado de P. Para esto supngase que se
asigna a P el valor 6000. Entonces la funcin objetivo se convierte en 40x+ 30y = 6.000,una
ecuacin lineal en x e y; por lo tanto, tiene como grfica una lnea recta L1 en el plano.
Est claro que a cada punto del segmento de recta dado por la interseccin de la lnea
recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso, pero
ahora asignando a P el valor de 12.000, se obtiene la ecuacin 40x+ 30y =12.000 y la recta L2
lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de P.
Obsrvese que la recta L2 es paralela a L1, pues ambas tienen una pendiente igual a 4/3. Esto
se comprueba con facilidad escribiendo las ecuaciones en explcita de la recta. En general, al
asignar diversos valores a la funcin objetivo, se obtiene una familia de rectas paralelas, cada
una con pendiente igual a 4/3. Adems, una recta correspondiente a un valor mayor de P est
ms alejada del origen que una recta con un valor menor de P. El significado es claro. Para
obtener las soluciones ptimas de este problema, se encuentra la recta perteneciente a esta
familia que se encuentra ms lejos del origen y que interseque al conjunto factible S. La recta
requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de modo que la solucin de
este problema est dado por x=320, y=160 ( es decir que el granjero Lpez deber sembrar
320 hectreas de maz y 160 hectreas de trigo), lo que produce el valor mximo
P=40(320)+30(160)=17.600.
No es casualidad que la solucin ptima de este problema aparezca como vrtice del
conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema bsico de la
programacin lineal, que se enuncia sin demostracin.
Teorema 1
Si en problema de programacin lineal tiene una solucin, entonces sta debe aparecer en un
vrtice, o esquina, del conjunto factible S asociado con el problema. Adems, si la funcin objetivo
P se optimiza en dos vrtices adyacente de S, entonces se optimiza en todos los puntos del
segmento de recta que une estos vrtices, en cuyo caso existe una infinidad de soluciones al
problema
En nuestro ejemplo los nicos vrtice del conjunto factible S son los puntos coordenados:
(0,0); (400,0); (320,160); (0,480), llamados tambin puntos esquinas (Fig. 6).
Un ejemplo en el que tendramos infinitas soluciones, es:
VERTICE P=40x+40y Supngase que la utilidad por hectreas es de $40 para ambos, maz y trigo.
La tabla para este caso muestra la misma utilidad total en los vrtices(0,480)
(0,0)
0
y (320,160). Esto significa que la lnea de utilidad en movimiento abandona la
regin sombreada por el lado determinado por esos vrtices (adyacentes) ,
(0,480)
19.200
as todo punto en ese lado da una utilidad mxima. Todava es vlido, sin
embargo, que la utilidad mxima ocurre en un vrtice.
(320,160)
19.200
(400,0)
16.000
El teorema 1 dice que la bsqueda de las soluciones a un problema de programacin lineal se

puede restringir al examen del conjunto de vrtices del conjunto factible S relacionado con el
problema. Como un conjunto factible S tiene un nmero finito de vrtices, el teorema sugiere
que las soluciones a un problema de programacin lineal se puedan hallar inspeccionando los
valores de la funcin objetivo P en los vrtices.
Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solucin de un
problema de programacin lineal, no indica cundo tiene solucin. El siguiente teorema
establece ciertas condiciones que garantizan la existencia de la solucin de un problema de
programacin lineal.
Teorema 2:
Existencia
de una
solucin
Supngase un problema de programacin lineal con un conjunto factible S y una funcin

objetivo P = ax + by.
1. Si S est acotado, entonces P tiene u valor mximo y n valor mnimo en S.
2. Si S no est acotado y tanto a como b son no negativos, entonces P tiene un valor
mnimo en S, si las restricciones que definen a S incluyen las desigualdades x 0 e y 0.
3. Si S es el conjunto vaco, entonces el problema de programacin lineal no tiene
solucin; es decir, P no tiene un valor mximo ni uno mnimo
El mtodo utilizado para resolver el problema del granjero Lpez recibe el nombre de mtodo
de las esquinas. Este mtodo sigue un procedimiento muy sencillo para resolver los
problemas de programacin lineal basado en el teorema1.
Mtodo de 1.
Se grafica el conjunto factible.
las
2.
Se encuentran las coordenadas de todas las esquinas (vrtices) del
esquinas
conjunto factible.
3. Se evala la funcin objetivo en cada esquina.
4. Se halla el vrtice que proporcione el mximo (mnimo) de la funcin objetivo.
Si slo existe un vrtice con esta propiedad, entonces constituye una solucin
nica del problema. Si la funcin objetivo se maximiza (minimiza) en dos
esquinas adyacentes de S, entonces existe una infinidad de soluciones ptimas
dadas por los puntos del segmento de recta determinado por estos dos vrtices.
Aplicaremos los conceptos antes emitidos al siguiente problema de nutricin, basado en los
requerimientos, en el cual hay que minimizar la funcin objetivo
2.2 Teora Mtodo Simplex
EL METODO SIMPLEX PARA SOLUCIN DE PROBLEMAS DE PROGRAMACIN LINEAL

Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso
concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la
funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro
vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono
(o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices
(y de aristas) es finito, siempre se podr encontrar la solucin.
El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su
valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f
aumenta.
El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig .
El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en
los que intervienen tres o ms variables.
El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del mtodo simplex.
Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el
siguiente problema:
Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 18
2x + 3y 42
3x + y 24
x0 , y 0
Se consideran las siguientes fases:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24
2. Igualar la funcin objetivo a cero
- 3x - 2y + Z = 0
3. Escribir la tabla inicial simplex
En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de
las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la
funcin objetivo:
Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin
xyhsd
h 2 1 1 0 0 18 s 2 3 0 1 0 42 d 3 1 0 0 1 24 Z 3 2 0 0 0 0
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la
base
Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los
coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor
(en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms
coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de
ellos.
Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la
solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo
del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable
que entra en la base se llama columna pivote (En color azulado).
Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de
la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote,
siempre que estos ltimos sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de
que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin
no acotada y no se puede seguir.
El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo,
el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se
llama fila pivote (En color azulado).
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables
correspondientes pueden salir de la base. En la interseccin de la fila pivote y columna pivote
tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que convertir en 1.
A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su
columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la
funcin objetivo Z.
Tambin se puede hacer utilizando el siguiente esquema:
Fila del pivote:
Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X
(Nueva fila del pivote)
Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Vieja fila de s 2 3 0 1 0 42
-----Coeficiente 2 2 2 2 2 2
xxxxxx
Nueva fila pivote 1 1/3 0 0 1/3 8
======
Nueva fila de s 0 7/3 0 1 2/3 26
Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin
xyhsd
h 0 1/3 1 0 2/3 2 s 0 7/3 0 1 2/3 26 x 1 1/3 0 0 1/3 8 Z 0 1 0 0 1 24

Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado
todava a la solucin ptima. Hay que repetir el proceso:
La variable que entra en la base es y, por ser la variable que corresponde al coeficiente 1
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y
como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. El
elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior
obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura
Valores solucin
xyhsd
y 0 1 3 0 2 6 s 0 0 7 0 4 12 x 1 0 1 0 1 6 Z 0 0 3 0 1 30
La variable que entra en la base es d, por ser la variable que corresponde al coeficiente 1
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote: 6/(2) [=3] , 12/4 [=3], y 6:1 [=6] y
como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. El
elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del
proceso Base Variable de decisin Variable de holgura Valores solucin
xyhsd
y 0 1 1/2 0 0 12 d 0 0 7/4 0 1 3 x 1 0 3/4 0 0 3 Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la
solucin ptima.
Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en
nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza,
observando las filas correspondientes a las variables de decisin que han entrado en la base:
D(3,12)
Si en el problema de maximizar apareciesen como restricciones inecuaciones de la

forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma ax - by - c y estamos en el caso anterior
Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo
proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige
la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se
finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo
son negativos
Interpretacin geomtrica del mtodo del simplex
Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin objetivo
en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables iniciales y de
holgura.
En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha
calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0. A continuacin se
desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla
II. En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0):
Z=f(8,0) = 24 . Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de
la Tabla III. En esta tercera iteracin se ha calculado el valor que corresponde al vrtice C(6,6) :
Z=f(6,6)=30.
Continua haciendo clculos a travs de la arista CD, hasta llegar al vrtice D. Los datos que se
reflejan son los de la Tabla IV. Concluye con esta tabla, advirtiendo que ha terminado (antes ha
comprobado que la solucin no mejora al desplazarse por la arista DE) El valor mximo de la
funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice D). Si calculas el valor de la
funcin objetivo en el vrtice E(0,14), su valor no supera el valor 33.
2.3 Forma Tabular Mtodo Simplex
EL METODO SIMPLEX El mtodo del simplex fue creado en 1947 por el matemtico George
Dantzig . El mtodo del simplex se utiliza, sobre todo, para resolver problemas de
programacin lineal en los que intervienen tres o ms variables.
El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del mtodo simplex.
Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso
concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la
funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro
vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono
(o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices
(y de aristas) es finito, siempre se podr encontrar la solucin.
El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su
valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f
aumenta. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a
resolver el siguiente problema:
Maximizar Z= f(x,y)= 3x + 2y
sujeto a: 2x + y 18
2x + 3y 42
3x + y 24
x0,y 0
Se consideran las siguientes fases:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18
2x + 3y + s = 42
3x +y + d = 24
2. Igualar la funcin objetivo a cero
- 3x - 2y + Z = 0
3. Escribir la tabla inicial simplex
En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de
las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la
funcin objetivo: Tabla I . Iteracin n 1 . Base Variable de decisin Variable de holgura Valores
solucin
x
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 3 1 0 0 1 24
Z 3 2 0 0 0 0
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la
base
A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de
los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo
mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3.
Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se
elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo,
significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del
proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos
negativos. La columna de la variable que entra en la base se llama columna pivote (En color
azulado). B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada
trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna
pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de
que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin
no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d
lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura
que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los
cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes
pueden salir de la base. C. En la interseccin de la fila pivote y columna pivote tenemos el
elemento pivote operacional, 3.
5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que convertir en 1.
A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su

columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la
funcin objetivo Z.
Tambin se puede hacer utilizando el siguiente esquema:
Fila del pivote:
Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X
(Nueva fila del pivote)
Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Vieja fila de s 2 3 0 1 0 42
-
Coeficiente 2 2 2 2 2 2
x
Nueva fila pivote 1 1/3 0 0 1/3 8

=
Nueva fila de s 0 7/3 0 1 2/3 26

Tabla II . Iteracin n 2
Base Variable de decisin Variable de holgura Valores solucin
x
h 0 1/3 1 0 2/3 2
s 0 7/3 0 1 2/3 26
x 1 1/3 0 0 1/3 8
Z 0 1 0 0 1 24
A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente 1
B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:
2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8]
y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h.
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma anloga a la anterior obtenemos la tabla:
Tabla III . Iteracin n 3
x
y 0 1 3 0 2 6
s 0 0 7 0 4 12
x 1 0 1 0 1 6
Z 0 0 3 0 1 30
A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente 1
B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:
6/(2) [=3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s.
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Tabla IV . Final del proceso
x
y 0 1 1/2 0 0 12
d 0 0 7/4 0 1 3
x 1 0 3/4 0 0 3
Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la
solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores
solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se
alcanza, observando las filas correspondientes a las variables de decisin que han entrado en
la base: D(3,12)
2.4 El Mtodo de Dos Fases
ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que trata
de minimizar la suma de las variables artificiales. Una vez resuelto este primer problema y
reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el mtodo
Simplex normal.
FASE 1
En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal,
excepto la construccin de la primera tabla, la condicin de parada y la preparacin de la tabla
que pasar a la fase 2.
- Construccin de la primera tabla: Se hace de la misma forma que la tabla inicial del mtodo
Simplex, pero con algunas diferencias. La fila de la funcin objetivo cambia para la primera
fase, ya que cambia la funcin objetivo, por lo tanto aparecern todos los trminos a cero
excepto aquellos que sean variables artificiales, que tendrn valor -1 debido a que se est
minimizando la suma de dichas variables (recuerde que minimizar F es igual que maximizar
F(1)).
La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora tendremos
que hacer el clculo de la siguiente forma: Se sumarn los productos CbPj para todas las filas
y al resultado se le restar el valor que aparezca (segn la columna que se ste haciendo) en
la fila de la funcin objetivo.
Tabla
C0 C1 C2 Cn-k Cn
Base Cb P0 P1 P2 Pn-k Pn Pi1 Ci1 bi1 a11 a12 a1n-k a1n Pi2 Ci2 bi2 a21 a22
a2n-k a2n Pim Cim bim am1 am2 amn-k amn Z Z0 Z1 Z2
Z2 Zn
Siendo Zj = (CbPj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de
decisin, holgura y exceso), y Cj = 1 para todo j comprendido entre n-k y n (variables
artificiales).
- Condicin de parada: La condicin de parada es la misma que en el mtodo Simplex normal.
La diferencia estriba en que pueden ocurrir dos casos cuando se produce la parada: la funcin
toma un valor 0, que significa que el problema original tiene solucin, o que tome un valor
distinto, indicando que nuestro modelo no tiene solucin.
- Eliminar Columna de
problema original tiene
Deberemos eliminar las
objetivo por la original, y
1.
variables artificiales: Si hemos llegado a la conclusin de que el

solucin, debemos preparar nuestra tabla para la segunda fase.
columnas de las variables artificiales, modificar la fila de la funcin
calcular la fila Z de la misma forma que en la primera tabla de la fase
FASE 1. Formule un nuevo problema reemplazando la funcin objetivo por la suma de las
variables artificiales. La nueva funcin objetivo se minimiza sujeta a las restricciones del
problema original. Si el problema tiene un espacio factible el valor mnimo de la funcin objetivo
ptima ser cero, lo cual indica que todas las variables artificiales son cero. En este momento
pasamos a la fase 2.
Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no

tiene solucin y termina anotndose que no existen soluciones factibles
FASE 2. Utilice la solucin ptima de la fase 1 como solucin de inicio para el problema
original. En este caso, la funcin objetivo original se expresa en trminos de las variables no
bsicas utilizando las eliminaciones usuales Gauss-Jordan.
2.5 El Metodo Simplex Revisado
METODO SIMPLEX REVISADO (FORMA MATRICIAL)

El mtodo del simplex expuesto, que se denomina bsico, se desarrolla a travs de cada
iteracin transformando completamente una sucesin de tableros al ir cambiando de base.
Teniendo en cuenta que muchos de estos clculos no hacen falta para la determinacin de
cada nueva base y basados en el algoritmo del simples revisado, el cual es realmente un
esquema de ordenacin de los clculos que se llevan a cabo con el mtodo del simplex bsico,
prescindiendo y evitando aquellos que sean innecesarios en relacin con la solucin final del
problema. El inconveniente de este mtodo es que por la forma en que se lleva a cabo induce
ms fcilmente a errores en los clculos a mano que el simplex bsico, aspecto que
evidentemente no ocurre si est implementado en computador. En el mtodo del simplex
revisado partimos como en el bsico, del problema lineal en forma estandar:
MAX Z = c x
Sujeta a: A x = b
x
Dada la base factible B, hay que evaluar si alguna variable no bsica Xj puede entrar a la base
para mejorar la funcin objetivo; para ello utilizamos el costo reducido:
Zj Cj =CB B aj Cj
El vector CB est formado por los coeficientes de la funcin objetivo de las variables y B aj
representa el vector aj en trminos de la actual base. El mtodo del simplex revisado no cambia
los vectores yj en cada tabla como el bsico, sino que utiliza siempre el vector aj inicial con los
multiplicadores del simples: S= CB B
que si cambian con la base. Es claro que se alcanza una solucin ptima cuando:
S aJ-CJ
0 para todo j
La seleccin de la variable de salida se hace con el mismo criterio que en el simplex bsico: si
Xk es la variable seleccionada para entrar a la base, la columna pivote es B ak y los valores
actuales de las variables bsicas B b. Se aplica la regla de la mnima razn a estos elementos,
que dando as determinada la variable Xr que sale de la base. Finalmente, la nueva matriz
bsica se obtiene sustituyendo la columna ar por la ak en la anterior matriz B. Ejemplo:
MAX Z = 2 X1 + X2 + 3 X3
Con sus restricciones:
Resolver el anterior problema de Programacin Lineal aplicando el Mtodo Simplex Revisado.

Solucin analtica:
Agregamos variables de holgura X4 y X5 a cada restriccin con coeficientes cero (0) en la
funcin objetivo para tener el problema en la forma estandar; la base inicial B y el vector CB
son:
Z1 C1 = 2; Z2 C2 = 1; Z3 C3 = 3
El valor que ms se aleja de cero (0) por la izquierda es Z3 C3: X3 es la variable que entra a
la base; la razn mnima es 8/2, luego S2 es la variable que sale de la base.
Las variables bsicas son ahora (S1, X3) con matriz bsica (sustituyendo a5 por a3):
CB = (0 3); S = (0, 3/2) y los indicadores de las variables no bsicas son:

Z1 C1 = 3/2 2 = 1/2; Z2 C2 = 9/2 1 = 7/2; Z3 C3 = 3/2 0 = 3/2 y X1 es la variable
que entra a la base; para determinar la variable de salida calculamos: B b = (3,4) y B a1 =
(5/2,1/2); la razn mnima es 6/5, luego X4 es la variable que sale de la base. Las variables
bsicas son ahora (X1, X3) y la nueva matriz bsica (reemplazando en la anterior a4 por a1)
es:
CB = (2 3); S = (1/5, 7/5) y los indicadores de las variables no bsicas son:

Z2 C2 = 23/5 1 = 18/5; Z4 C4 = 1/5 0 = 1/5; Z5 C5 = 7/5 0 = 7/5 y al ser todos
positivos se ha alcanzado la optimalidad. La solucin ptima es:
XB = ( X1, X3 ) = B b = ( 1.2, 3.4)
Solucin Optima Unica:
X*1= 1,2; X*2= 0; X*3= 3,4;S*1 = 0; S*2 = 0; Z* = 12,6.
2.6 Casos Especiales Mtodo Simplex
El Mtodo simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada

paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin o
cuando esta es ptima. Este mtodo, permite analizar cada variable del problema planteado,
sus variaciones, para determinar cual es la decisin ms acertada a tomar en cualquiera que
sea el rea de la empresa sobre la cual se presente la incertidumbre. Existen casos especiales
de solucin de problemas por medio del simplex, tales como:
Soluciones Mltiples
Solucin Degenerada
Solucin Infactible
Sin Solucin
A continuacin se presenta un anlisis detallado de cada caso especial de solucin con un
ejemplo prctico.
CASO DE SOLUCIONES MLTIPLES
Cuando la funcin objetivo es paralela a una restriccin que se satisface en el sentido de la
igualdad a travs de la solucin ptima, la funcin objetivo tomar el mismo valor ptimo en
ms de un punto de la solucin. Por esta razn reciben el nombre de Mltiples alternativas
ptimas.
CASO DE SOLUCIN DEGENERADA
La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe un empate en la
seleccin de la variable que sale. Este empate se rompe arbitrariamente. En este caso decimos
que la nueva solucin es degenerada. Sin embargo, cuando suceda esto una o ms veces de
las variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En el mtodo
simplex, la presencia de una variable bsica igual a cero, no requiere ninguna accin especial;
en todo caso, es necesario no descuidar las condiciones de degeneracin. En trminos
geomtricos, la degeneracin ocurre cuando un vrtice est definido por demasiadas
restricciones.
CASO DE SOLUCIN INFACTIBLE
En un modelo de Programacin Lineal, cuando las restricciones no se pueden satisfacer en
forma simultnea, se dice que este no tiene solucin factible. Esta situacin nunca puede
ocurrir si todas las restricciones son del tipo MENOR O IGUAL ( ), esto, suponiendo valores
positivos en el segundo miembro, ya que las variables de holgura producen siempre una
solucin factible. Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos
al uso de variables artificiales, que por su mismo diseo no ofrecen una solucin factible al
modelo original. Aunque se hacen provisiones (a travs del uso de penalizaciones) para hacer
que estas variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo
tiene una espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la
iteracin ptima. Desde el punto de vista prctico, un espacio infactible, apunta a la posibilidad
de que el modelo no se haya formulado correctamente, en virtud de que las restricciones estn
en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en forma
simultnea. En este caso, quizs se necesite una estructura del modelo totalmente diferente
que no admita todas las restricciones al mismo tiempo.
CASO DE NO SOLUCIN
En algunos modelos de Programacin Lineal, los valores de las variables, se pueden aumentar
en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin
solucin cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puede
crecer (Maximizacin) o decrecer (Minimizacin) en forma indefinida. En este caso, decimos
que el espacio en el cual se espera sea resuelto el modelo, y el valor ptimo de la funcin
objetivo no tiene solucin. La falta de explicacin de un modelo puede sealar solo una cosa,
que este se encuentra mal construido. Evidentemente resulta irracional hacer que un modelo
produzca una ganancia infinita. Las irregularidades ms probables en este modelo son: 1. No
se toman en cuenta una o ms restricciones redundantes
2. No se determinan adecuadamente los parmetros (constantes) de alguna restriccin.
Unidad 3 Teora de la dualidad y Anlisis de sensibilidad
Todo problema de Programacin Lineal tiene asociado un segundo problema, conocido como
su problema Dual. Ambos estn relacionados estrechamente, hasta el punto de que el modelo
de uno puede obtenerse a partir del modelo del otro y la solucin ptima del modelo del primero
proporciona informacin completa acerca de la solucin ptima del segundo.
Una de las ventajas de la existencia del problema dual es la posibilidad de reducir el esfuerzo
computacional al resolver ciertos modelos de Programacin Lineal. Pero ms importante an
es la relacin que existe entre la dualidad y el anlisis de sensibilidad, tema del prximo
capitulo, el cual estudia el efecto que las variaciones en los parmetros de un modelo tienen en
la solucin ptima de este. Adems, los valores ptimos de las variables del modelo dual
suministran informacin econmica muy importante acerca del valor implcito de los recursos
que se utilizan en el problema que se esta resolviendo.
El matemtico norteamericano John Von Neumann fue el primero en destacar la existencia de
la dualidad en la programacin lineal y a partir de all el concepto se ha usado en una gran
variedad de reas tericas y prcticas de la misma. Para comprender el concepto de dualidad
analicemos los dos casos siguientes.
CONCEPTUALIZACION DE LA DUALIDAD - CASO 1
Una compaa produce dos tipos de artculo; la unidad del tipo 1 se vende a $106 y la del tipo 2
a $144.
Para el presente mes la empresa cuenta con 2000 minutos de mano de obra en el
departamento de ensamble, 1800 en el departamento de revisin y con 1000 en el
departamento de empaque.
El nmero de minutos requeridos en cada departamento para la fabricacin de una unidad de
cada uno de los artculos se da en la siguiente tabla:
Tipo de producto Operacin
Ensamble Revision Empaque
Tipo 1 3 2 1
Tipo 2 2 3 2
El pago por minuto es de $10 a los trabajadores del departamento de ensamble, $8 a los de
revisin y de $20 a los del departamento de empaque.
El administrador de la empresa desea determinar cul es el programa de produccin que
maximiza la utilidad total en el mes.
Construccin del modelo
Definamos a Xi como el nmero de artculos de tipo i que se deben producir mensualmente.
Para plantear la funcin del objetivo calculemos primero la utilidad unitaria de cada tipo de
artculo, as:
Tipo de producto
Tipo 1
Tipo 2
Precio de venta 106 144

- Costo de produccion 66 84
Costo de ensamble 3(10)=30 2(10)=20
Costo de revisin 2(8)=16 3(8)=24
Costo de empaque 1(20)=20 2(20)
66
84
Utilidad Unitaria $40 $60

de manera que el modelo de programacin lineal para este problema es:
Maximizar Utilidad = 40X1 + 60X2
Sujeto a : 3X1 +2X2 < 2000 (Minuto de ensamble)
con
2X1
+3X2
<
1800
(Minuto de revision)
1X1
+2X2
<
1000
(Minutos de empaque)
X1,X2
Si utilizamos el winqsb para resolver el modelo obtenemos el siguiente reporte combinado

lo cual indica que el programa ptimo consiste en producir mensualmente 500 unidades del
producto tipo 1 y 250 del producto tipo 2, obteniendo una ganancia de $35 000 mensuales.
Observamos que hay 50 minutos de holgura en la operacin de revisin (slack = 50), mientras
que no hay sobrante en los minutos disponibles para las otras operaciones, ya que las
variables de holgura de las restricciones correspondientes valen cero; por lo cual concluimos
que en este programa de produccin se consumen todos los minutos de ensamble y en
empaque que tiene disponibles la empresa. Precisamente el agotamiento de los minutos
disponibles en esas operaciones es el que impide que las variables X1 y X2 puedan tomar un
valor superior, para maximizar an mas el valor de la funcin del objetivo.
Efectuando el balance entre los ingresos por ventas y los costos de produccin, podemos
verificar que la utilidad obtenida es efectivamente de $35 000:
Ingresos por ventas 500(106) + 250(144) = 89.000
- Costos de produccion 2000(10) + 1750(8) +1000(20) =54.000
= Utilidad
=35.000
Como se acaba de decir no se pueden fabricar ms artculos ya que se agotaron los recursos,
pero aparece entonces la inquietud de que si fuera posible disponer de minutos adicionales en
alguno de los departamentos del proceso, se pudieran fabricar ms artculos aumentando as
las utilidades del periodo.
Con el fin de conocer cmo vara la utilidad (y la solucin) al aumentar la disponibilidad de cada
recurso, vamos a efectuar clculos para tres situaciones diferentes. Primera, cuando
consideramos que se aumenta en un minuto la capacidad de ensamble mientras los minutos de
revisin y de empaque permanecen constantes, segunda cuando aumentamos en un minuto la
capacidad de empaque, pero mantenemos invariable la capacidad de revisin y de ensamble y
finalmente cuando aumentamos en uno los minutos de revisin, dejando invariable la cantidad
de minutos de ensamble y de empaque.
Aumento en la capacidad de ensamble
Al aumentar en un minuto la capacidad de ensamble, el modelo queda:
Sujeto a : 3X1 +2X2 < 2001
2X1
+3X2
<
1800
1X1
+2X2
<
1000
El reporte combinado del winqsb es

La cual corresponde a una utilidad de $35 005 pesos, que es superior en $5 a la obtenida
anteriormente.
El aumento que tiene la funcin objetivo (ac se llama utilidad) cuando se incrementa en una
unidad un determinado recurso, es lo que se conoce en economa como la utilidad marginal del
recurso.Entonces la utilidad marginal de los minutos adicionales de ensamble es de 5
($/minuto).
Notamos que se aument la produccin de los artculos tipo 1 en media unidad ( X1 = 550.50),
mientras que se disminuy la de los artculos tipo 2 en un cuarto de unidad. ( X2 = 249.75).
Adems, el sobrante de minutos en revisin es ahora de 49.75 o sea que se rebaj en un
cuarto de minuto. De nuevo se estn utilizando totalmente los minutos disponibles en ensamble
y en empaque. Estos nuevos valores de las variables bsicas los aprenderemos a calcular en
forma rpida al estudiar ms adelante el tema de anlisis de sensibilidad.
Calculemos ahora las utilidades marginales de los minutos de terminado y de revisin.
Aumento en la capacidad de terminado
Si los minutos disponibles en terminado se aumentan en uno, el modelo es
Sujeto a : 3X1 +2X2 < 2000
2X1
+3X2
<
1800
1X1
+2X2
<
1001
Cuyo reporte combinado del winqsb es

Ahora la utilidad es de $30025, que resulta ser superior en $25 a la obtenida con la cantidad
inicial de recursos. As pues la utilidad marginal de los minutos de empaque es de 25
($/minuto). Observamos que se disminuy en meda unidad el nmero de artculos de tipo 1
( X1 = 299.50) mientras que se aument en tres cuartos el nmero de unidades de tipo 2 ( X2 =
250.75) y el sobrante en la operacin de revisin se rebaj en 1.25 minutos. De nuevo se estn

consumiendo todos los minutos disponibles en ensamble y en empaque. Aumento en la
capacidad de revisin
Si los minutos disponibles en revisin se aumentan en uno, el modelo es
3X1
+2X2
<
2000
2X1
+3X2
<
1801
1X1
+2X2
<
1000
Cuyo reporte combinado del winqsb es

Observamos que la utilidad conserva el valor de $35 000, as pues la utilidad marginal de los
minutos de revisin es de $0 ($/minuto). Notamos tambin que las cantidades producidas de
los artculos conservan su valor (X1= 500, X2 = 250), utilizando la totalidad de minutos
disponibles en ensamble y en empaque, pero ahora el sobrante de minutos en la operacin de
revisin aument de 50 a 51.
Los resultados obtenidos en este ultimo cambio son de esperarse, puesto que en la solucin
ptima del modelo inicial tenemos que hay un sobrante de 50 minutos de revisin, y si
aumentamos en uno la disponibilidad, es lgico que lo nico que ocurra es que el sobrante de
ese recurso se aumente en uno, sin producir cambios en el programa ptimo de produccin y
por consiguiente tampoco en la utilidad. Por ello la utilidad marginal es cero. Tal como lo
hicimos con el modelo inicial, verifiquemos mediante un balance de ingresos y costos que las
utilidades totales y marginales estn correctamente calculadas en cada caso.
Cuando hay aumento de un minuto en ensamble
Ingreso por ventas (500.5)(106) + (249.75)(144) = 89 017
- costo de produccion (2001)(10) + (1750.25)(8) + (1000)(20) = 54 012
=utilidad 35 005
-utilidad anterior 35 000
=utilidad marginal $5*
Cuando hay aumento de un minuto en terminado
Ingreso por ventas (499.5)(106) + (250.75)(144) = 89 055
- costo de produccion (2000)(10) + (1751.25)(8) + (1001)(20) = 54 030
=utilidad 35 025
Cuando hay aumento de un minuto en revisin
Ingreso por ventas (500)(106) + (250)(144) = 89 000

- costo de produccion (2000)(10) + (1750)(8) + (1000)(20) = 54 000
=utilidad 35 000
En el calculo de los costos se destacan en negrilla (2001)(10), para los minutos de ensamble,
(1001)(20), para los minutos de terminado, y (1750)(8), para minutos de revisin; para llamar la
atencin sobre el hecho de que se estn- valorando todos las 2001 minutos utilizados en
ensamble a $10, lo cual supone que el minuto adicional vali los mismos $10 que costaban
los 2000 utilizados inicialmente. Similarmente sucede con los 1001 minutos de empaque,
valorados a $20, con lo cual se toma que el minuto adicional tambin se paga a $20, y con los
1750 minutos de revisin valorados a $8. Pero veamos qu pasa por, ejemplo, si el precio que
hay que pagar por un minuto extra en ensamble es de $12 ($$2 de recargo sobre el precio
normal de $10). El costo de produccin se incrementara en $2, con lo cual la utilidad marginal
neta de ese minuto extra de ensamble sera apenas de $3.
Algo similar sucede cuando debemos pagar dinero extra por el minuto adicional en empaque.
Si por ejemplo pagamos $28 (un 40% de recargo sobre $20) por un minuto extra, los costos se
aumentan en $8 y la utilidad marginal neta se rebaja a $17 hora.
Naturalmente que si podemos adquirir los minutos extras de ensamble al mismo precio de los
iniciales, obtendremos una utilidad marginal adicional de $5, pero si debemos pagar algn
recargo por ellos, la utilidad adicional se ver reducida en la misma cantidad. Podemos concluir
fcilmente que el mximo recargo que estaremos dispuestos a pagar por un minuto adicional
en ensamble es el equivalente a la utilidad marginal de ese minuto extra, o sea los $5. Ntese
que si el precio del minuto extra fuera por ejemplo $16, estaremos perdiendo $1 por cada
minuto adicional adquirido.
Para el tercer recurso, minutos del departamento de empaque, podemos efectuar una discusin
similar, as: Si conseguimos los minutos extras al precio original, la utilidad marginal es de $25,
pero si pagamos un recargo disminuye la utilidad, por lo cual deducimos que el mximo recargo
que podemos pagar es igual a los $25 de la utilidad marginal de ese recurso. O sea que el
mximo precio que estaremos dispuestos a pagar (obteniendo utilidad marginal neta de $0) es
$45. Al pagar menos de $45 tendremos utilidad marginal y al pagar ms obtendremos una
perdida marginal.
Para el departamento de revisin, en el cual tenemos una capacidad no utilizada de 50
minutos, es obvio que no desearamos ampliar la capacidad y por el contrario estaramos
interesados en vender este recurso sobrante. Su mnimo precio de venta sera $8, es decir no
buscaramos utilidad en la venta de estas unidades, pues basta con recibir el precio que
pagamos por ellas para recuperar su costo Podemos concluir que el clculo de la utilidad
marginal de los recursos es de gran importancia para decidir la negociacin de unidades
adicionales de esos recursos cuando ellos estn agotados (utilizados el mximo) en un
programa ptimo de produccin.
Pero debemos saber que la utilidad marginal de un recurso agotado no se mantiene constante
al incrementar la disponibilidad de este, sino que disminuye a partir de cierto valor, relacionado
con el nivel de disponibilidad que conduzca a que el recurso ya empiece a sobrar por ser otro
recurso diferente el que se est utilizado al mximo. Precisamente, el recurso sobrante de
minutos de revisin puede disminuirse hasta un valor tal que ya empiece a escasear (Para
nuestro problema este valor es de 1750 que es el uso real) y a partir de ese valor el recurso
deber tener utilidad marginal positiva, pues estara agotado y ya seria alguno de los otros
recursos el que tendra sobrante. El fenmeno mencionado se conoce en Economa como el
concepto de los rendimientos decrecientes, tema que estudiaremos en detalle en el capitulo

dedicado al anlisis de la sensibilidad, tambin llamado anlisis de las soluciones post ptimas.
OTRO ENFOQUE DEL MISMO PROBLEMA
Reflexionemos un poco sobre la situacin hipottica de vender los minutos disponibles en los
tres departamentos, en lugar de utilizarlos para producir unidades de los productos. Nuestra
inters se centrar en la determinacin del precio al cual debemos vender un minuto de cada
operacin para obtener la misma ganancia que obtenemos en el proceso productivo, o ms
exactamente estaremos interesados en hallar la utilidad unitaria que debo fijar a cada recurso,
para ganarme igual dinero que utilizndolos en el proceso de produccin.Naturalmente que
debemos aspirar a unas utilidades razonables para que el precio del recurso sea competitivo en
el mercado, o sea que debemos determinar el mnimo valor de la utilidad al vender o arrendar
los recursos disponibles.
Construyamos un modelo de Programacin lineal para este problema.
Sean
Yi = utilidad unitaria que debo fijar en el precio de venta del recurso i Como estamos dispuestos
a vender toda la cantidad disponible de los recursos (minutos de ensamble, de revisin y de
empaque), el objetivo ser minimizar la siguiente funcin
Utilidad = 2000Y1 + 1800Y2 + 1000Y3
En el proceso productivo se utilizan 3 minutos de ensamble, 2 de revisin y uno de empaque,
para fabricar una unidad del producto tipo 1,que da utilidad de $40, por lo cual es lgico pensar
que la venta combinada de esas cantidades de los recursos debe arrojar al menos igual
utilidad. La consideracin anterior da lugar a la siguiente restriccin en el modelo:
3Y1 + 2Y2 + 1Y3 = 40 ($) Utilidad unitaria del artculo tipo uno.
Haciendo una reflexin similar para las unidades de tipo 2, notemos que la venta de 2 minutos
de ensamble, mas 3 de revisin, mas 2 de empaque deben aportar una utilidad mnima de $60,
que es la que se obtiene actualmente fabricando con esos recursos una unidad del artculo 2.
La restriccin derivada de este anlisis es:
2Y1 + 3Y2 + 2Y3 = 60 ($) Utilidad unitaria del artculo tipo dos.
Si a todo lo anterior le agregamos el detalle de que los valores de las variables Y1, Y2, Y3
deben ser mayores o iguales que cero (la mnima utilidad neta puede ser cero), podemos
plantear el siguiente modelo de programacin lineal, para el problema en estudio:
Minimizar Utilidad = 2000Y1 + 1800Y2 + 1000Y3
Sujeto a : 3Y1 + 2Y2 + 1Y3 2000 $/unidad del P1
2Y1
3Y2
con
Y1,Y2, Y3
+ 2Y3
1800
$/unidad del P2
Al resolver este modelo utilizando el winqsb, obtenemos el siguiente reporte combinado:

Hemos obtenido que la utilidad mnima que debe obtenerse al vender un minuto de ensamble
es de $5, al vender un minuto de revisin debe ser de $0, y al vender un minuto de empaque
debe ser de $25, para as obtener una utilidad de $35 000. El valor de la utilidad mnima no
debe asombrarnos, ya que el planteamiento del problema lo sugera, pero s son novedad los
valores ptimos de las variables de este nuevo modelo, puesto que coinciden con los valores
de las utilidades marginales de los recursos del problema de mezcla de produccin, analizado
en primera instancia.
El administrador de la empresa sabe ahora que si otro empresario desea comprarle sus
recursos, lo mnimo que debe cobrarle es $15 por cada minuto de ensamble (= 10 + 5; suma de
lo que debe pagar a sus operarios y lo que debe obtener de utilidad), $45 por cada minuto de
empaque (= 20 + 25). En cambio, por cada minuto de revisin solo debe cobrar los mismos $8
(= 8 + 0; suma de lo que debe pagar a sus operarios y lo que debe obtener de utilidad). Pero
recordemos que estos precios solo son vlidos para cierto intervalo, que conoceremos en el
prximo capitulo, por fuera del cual cambia la mezcla ptima de productos y tambin el valor de
las utilidades marginales. (Una vez obtenidos estos nuevos valores, tanto de las variables
bsicas, como de la utilidades marginales, se puede hacer un balance de ingresos y costos
similar al que hicimos para el problema presentado como ejemplo. Para la situacin actual, si
los precios en el mercado son inferiores a $15, a $45, o a $8, no es conveniente vender los
recursos, pero tericamente cuando son superiores, resultara mas rentable venderlos a otro
que utilizarlos en el proceso productivo.
EL MODELO DUAL
Consideremos conjuntamente los modelos correspondientes a los dos enfoques del problema
que estamos analizando.
El primero busca determinar cuntas unidades producir de cada tipo de artculo para maximizar
la ganancia al utilizar unos recursos:
Sujeto a : 3X1 +2X2 < 2000
2X1
+3X2
<
1800
1X1
+2X2
<
1000
X1,X2
con
El segundo pretende hallar la ganancia mnima que debo fijar por unidad de cada recurso, para
obtener la mnima ganancia total que sea aceptable en lugar de producir artculos con los
recursos.
Minimizar Utilidad = 2000Y1 + 1800Y2 + 1000Y3
Sujeto a : 3Y1 + 2Y2 + 1Y3 40 $/unidad del P1
2Y1
3Y2
con
Y1,Y2, Y3
+ 2Y3
60
$/unidad del P2
Hemos observado que ambos problemas tienen soluciones ptimas que producen igual valor
de la funcin objetivo. Adems mientras que uno enfoca el problema desde el punto de vista de
los artculos (variables de decisin Xi), el otro lo analiza desde el punto de vista de los recursos
(variables de decisin Y). Adems la solucin ptima del segundo coincide con las utilidades
marginales de los recursos calculadas en el punto ptimo del primero.
El primer enfoque da lugar al llamado modelo primo, mientras el segundo origina el modelo
conocido como modelo dual. Entre estos modelos existen mltiples relaciones que nos
permiten, por ejemplo, plantear uno de ellos a partir del otro u obtener la solucin ptima de
uno conociendo la solucin optima del otro. Pero como se mencion antes, quizs lo ms
importante es el significado econmico de las variables del problema dual, cuyos valores
ptimos representan las utilidades marginales de los recursos del problema primal.
Relaciones entre las modelos PRIMO y DUAL
Observando la estructura de ambos modelos podemos citar las siguientes relaciones entre
ellos.
1. Los coeficientes objetivo de uno son los coeficientes recurso del otro.
2. Los coeficientes recurso de uno son los coeficientes objetivo del otro.
3. La matriz de coeficientes tecnolgicos de uno es la transpuesta de la matriz de coeficientes
tecnolgicos del otro.
4. Ambos problemas estn en formato cannico, como lo comprueban ms en detalle las
siguientes caractersticas
4.1 El objetivo del primo es maximizar en cambio el objetivo del dual es minimizar.
4.2 Las restricciones del Primo son del tipo = , mientras que las del dual son del tipo =.
4.3 Las variables de ambos problemas estn restringidas a ser mayores o iguales que cero
CONCEPTUALIZACION DE LA DUALIDAD - CASO 2
Cierta dietista necesita preparar una comida que contenga determinados nutrientes, al menos
en las cantidades que se indican en la siguiente tabla. Dispone de tres ingredientes cuyos
costos y contenidos de cada nutriente (unidades por gramo de ingrediente) se dan en la misma
tabla.
3.1 Formulacin Problema Dual
Hemos visto como la programacin lineal puede ser usada para resolver una extensa variedad
de problemas propios de los negocios, ya sea para maximizar utilidades o minimizar costos.
Las variables de decisin en tales problemas fueron, por ejemplo, el nmero de productos a
producir, la cantidad de pesos a emplear, etc. En cada caso la solucin ptima no explic cmo
podran ser asignados los recursos (ejemplo: materia prima, capacidad de las mquinas, el
dinero, etc.) para obtener un objetivo establecido. En este captulo veremos que a cada
problema de programacin lineal se le asocia otro problema de programacin lineal, llamado el
problema de programacin dual. La solucin ptima del problema de programacin dual,
proporciona la siguiente informacin respecto del problema de programacin original: 1. La
solucin ptima del problema dual proporciona los precios en el mercado o los beneficios de los
recursos escasos asignados en el problema original. 2. La solucin ptima del problema dual
aporta la solucin ptima del problema original y viceversa. Normalmente llamamos al
problema de programacin lineal original el problema de programacin primal.
3.2 Relacin Primal Dual
Relacin de la solucin ptima del problema dual con la solucin ptima del problema primo.La
relacin principal entre ellos es que tanto el problema primal como el dual buscan el valor
ptimo del sistema.
DUALIDAD
El dual es un problema de PL que se obtiene matemticamente de un modelo primal de PL
dado. Los problemas dual y primal estn relacionados a tal grado, que la solucin smplex
ptima de cualquiera de los dos problemas conduce en forma automtica a la solucin ptima
del otro. El mtodo smplex adems de resolver un problema de PL llegando a una solucin
ptima nos ofrece ms y mejores elementos para la toma de decisiones. La dualidad y el
anlisis de sensibilidad son potencialidades de ste mtodo.
En la mayora de los procedimiento de PL, el dual se define para varias formas del primal,
dependiendo de los tipos de restricciones, de los signos de las variables y del sentido de la
optimizacin. La experiencia nos indica que en ocasiones, los principiantes se confunden con
los detalles de esas definiciones. Ms importante an es que el uso de esas definiciones
mltiples puede conducir a interpretaciones inconsistentes de los datos en la tabla smplex,
sobre todo en lo que respecta a los signos de las variables.
El concepto de dualidad indica que para cada problema de PL hay una asociacin y una
relacin muy importante con otro problema de programacin lineal, llamado precisamente dual.
La relacin entre el problema dual y su asociado, es decir el problema original llamado

primal, presenta varias utilidades:
Aporta elementos que aumentan sustancialmente la compresin de la PL.
El anlisis de dualidad es una herramienta til en la solucin de problemas de PL, por

ejemplo: ms restricciones que variables.
El problema dual tiene interpretaciones e informaciones importantes que muestran que

los anlisis marginales estn siempre involucrados implcitamente al buscar la solucin ptima
a un problema de PL.
La forma estndar general del primal se defina como; para maximizar o minimizar.
sujeto a;
Cmo convertir un problema primal a dual?
Un problema dual se formula de un problema primal de la siguiente forma:

1. Si el primal es un problema de maximizacin su dual ser un problema de minimizacin
y viceversa.
2. Los coeficientes de la funcin objetivo del problema primal se convierten en los
coeficientes del vector de la disponibilidad en el problema dual.
3. Los coeficientes del vector de disponibilidad del problema original se convierten en los
coeficientes de la funcin objetivo (vector de costo o precio) en el problema dual.
4. Los coeficientes de las restricciones en el problema primal, ser la matriz de los
coeficientes tecnolgicos en el dual.
5. Los signos de desigualdad del problema dual son contrarios a los del primal.
6. Cada restriccin en un problema corresponde a una variable en el otro problema. Si el
primal tiene m restricciones y n variables, el dual tendr n restricciones y m variables.
As, las variables Xn del primal se convierte en nuevas variables Ym en el dual.
3.3 Interpretacion Economica del Dual
Precio Sombra.- Se define como la proporcin con que mejora el valor de la funcin objetivo a
partir de la i - sima restriccin, dependiendo si se trata de maximizacin tiende a aumentar y a
disminuir cuando es de minimizacin. La interpretacin econmica de la dualidad se basa
directamente en la interpretacin ms frecuente del problema primal ( 16 ). Interpretacin del
problema dual. Para ver cmo la interpretacin del problema primal conduce a una
interpretacin econmica del problema dual. Notese el valor de Z como: Z = W1b1 + W2b2 +
W3b3 + + Wmbm donde cada bi Wi puede interpretarse como la contribucin a la ganancia
por disponer de bi unidades del recurso i.
Wi se interpreta como la contribucin a la ganancia por unidad del recurso i ( i = 1 , 2, . . . ,
m), cuando se usa el conjunto actual de variables bsicas para obtener la solucin primal.
Si le preguntaramos a un contador - uno que no tenga ni la menor idea de PL- que a partir de
la solucion al problema del enunciado I nos respondiera cual es el costo unitario de producir (y
vender) el bien 1 y el 2 muy probablemente nos mirara primero con cierta desconfianza - pero
si no hay precio de los insumos!!! - para luego , mas cautamente contestarnos que el costo de 1
, dado que se requiere una unidad del insumo A y una de B el costo unitario ( Cua) se
calcularia como Pa + Pb mientras que el costo unitario (Cub) del bien 2 se calcularia como 2Pa
+ Pb , toda vez que se requieren dos unidades de A y una de B por unidad de 2. Eso si se
conocieran los precios de los insumos A y B cosa que se desconoce. Con la misma
desconfianza nos responderia a que el costo total de producir ambos bienes seria igual a:
APa + BPb ( es decir 150Pa + 100Pb). Si finalmente le preguntamos si puede obtener esos
precios de los insumo si se asume que producir y vender 1 y 2 son actividades competitivas en
las cuales o bien no hay beneficio alguno o bien si hubiere perdidas no se produciria el bien, la
respuesta que daria seria : los precios que resuelven el siguiente conjunto de ecuaciones y V el
costo total resultante:
1 = Pa + Pb
1,6 = 2Pa + Pb
V = 150Pa + 100Pb
Hecho esto , nuestro contador nos diria que lo que acaba de hacer no es otra cosa que
imputar precios a los factores productivos , lo que determina que el costo total V sea igual al
ingreso total Z. Resolviendo el sistema anterior obtendria Pa = 0,6 , Pb = 0,4 y V = 130
Si ahora formulamos el problema dual del enunciado I de referencia obtendremos :

min V = 150Pa + 100Pb
sujeto a 1 <= Pa + Pb
1,6<= 2Pa + Pb
y Pa,Pb>=0
Reconocemos inmediatamente que este problema es el problema de minimizacion No 1 cuya

respuesta encontramos arriba y es Pa =0,6 , Pb =0,4 y V= 130. Teniendo en cuenta los
comentarios de nuestro contador arriba, la interpretacion a nuestro problema dual es la
siguiente : Lo que se busca es minimizar el valor imputado a los insumo sujeto a que el
costo (unitario) de produccion de cada bien sea igual o mayor al precio unitario del
mismo. Y aqui nos apresuramos a sacar a relucir el Teorema de Dualidad II para senalar que
si el costo excediera al ingreso de cualquiera de los bienes este no seria producido.
Si le hubieramos preguntado a un economista , en cambio, acerca del costo de producir los

bienes 1 y 2, este nos hubiera contestado algo como sigue: " El costo de oportunidad de una
unidad del factor A - o su precio sombra- en la empresa de referencia se obtiene averiguando
cual es el mejor uso para una unidad adicional de dicho insumo; en este caso , si dejaramos de
producir una unidad del bien 1, se liberarian 1 unidad del factor A y otra de B con lo que
sumados a la unidad de A adicionada se podria producir una unidad del bien 2. O sea que en
terminos de valor se pierde $1 por un lado pero se adiciona $ 1,6 por el otro , es decir se
adicionan $ 0,6 neto como resultado de adicionar una unidad de A - y ajustar optimamente la
produccion-. Este seria el costo o beneficio de oportunidad del insumo A. En terminos analogos
se razonaria para establecer el costo de oportunidad - precio sombra -de una unidad del factor
B. Si se deja de producir una unidad del bien dos - y en consecuencia se liberan 2 unidades de
A y una de B - al adicionar una unidad de B es possible producir 2 unidades del bien 1. En
terminos de valor se pierden $ 1,6 -por la perdida de la unidad del bien 2 -pero se ganan $ 2 por la produccion de dos unidades del bien 1- o sea se obtiene un neto de $ 0,4 por la
incorporacion de una unidad adicional de B .El costo de oportunidad de B seria pues $ 0,4."
Comparando los precios sombra de los insumos obtenidos por el economista y los precios
imputados por el contador vemos que estamos describiendo el mismo fenomeno pero de
angulos diferentes. Notemos en este problema que si alguno de los factores no constituyera
restriccion a la produccion -por ejemplo si B fuera igual a 400- la adicion - o para el caso
sustraccion de una unidad de dicho insumo- no modificaria en absoluto el nivel optimo de
produccion- por lo que no adicionaria o sustraeria valor a la actividad desde el punto de vista
del economista o sea que el valor de este insumo pasaria a ser 0. Bajo estas circumstancias exceso o superabundancia de B si se prefiere-, el maximo ingreso se obtiene produciendo
solamente el bien 2 - con lo que se obtienen $ 150- . Desde la perspectiva de la PL si la
restricion 2da - la que corresponde a B - se cumple con desigualdad , de acuerdo al Teorema II
de Dualidad , la segunda variable del dual sera igual a 0 , esto es el precio de B - tal como lo
habria previsto el razonamiento economico. En cuanto a nuestro contador , al solamente
producirse el bien 1, ante igual interrogante que el efectuado arriba , este concluiria tambien
que Pb resultaria igual a 0 por cuanto el costo sin beneficios de la actividad 1, la no obtencion
de beneficios en las actividades restantes y la imputacion de todo el costo al ingreso generado
implicaria :
Pa + pb = 1 , 2Pa + Pb >= 1,6 y 150Pa +400Pb = 150
El unico conjunto de precios -no negativos- de los insumos que imputa correctamente- es decir
cumple con las tres condiciones anteriores es Pa = 1 y Pb =0 , el mismo resultado del
economista y del programador lineal.
3.4 Condiciones Khun Tucker

Para identificar puntos estacionarios de un problema restringido no lineal sujeto a restricciones
de desigualdad.
Estas condiciones tambin son suficientes bajo ciertas reglas. Una condicin necesaria para la
optimizacin es que sea no negativa (no positiva) para problemas de maximizacin
(minimizacin).
Esto se justifica como sigue. Considere el caso de maximizacin. Como mide la taza de
variacin de F con respecto a g.
3.5 Dual Simplex

En el algoritmo dual smplex, el problema empieza optimo y no factible. Las iteraciones
sucesivas estn diseadas para avanzar haca la factibilidad, sin violar la optimalidad. En
iteracin, cuando se restaura la factibilidad, el algoritmo termina.
El mtodo dual smplex contrasta con el mtodo regular (primal simplex), en el sentido de que
las iteraciones empiezan factibles y no optimas y no continan siendo factibles hasta que se
logra la factibilidad.
En el mtodo dual smplex, el cuadro simplex inicial debe tener un rengln objetivo optimo por
lo menos con una variable bsica no factible (< 0). Para mantener la optimalidad y,
simultneamente, avanzar hacia la factibilidad en cada nueva iteracin, se emplearan las dos
condiciones siguientes: Condicin Dual de Factibilidad: La variable de salida, x, es la variable
bsica que tiene el valor ms negativo, con empates que se rompen arbitrariamente. Si todas
las variables bsicas son no negativas, el algoritmo termina.
Condicin Dual de Optimalidad : La variable de entrada esta determinada entre las variables no
bsicas como la correspondiente a min {zj - cj , rj < 0} no bsicas rj Donde rj es el coeficiente
de restriccin de la tabla smplex asociada con el rengln de la variable de salida x, y la
columna de la variable de entrada Xj. Los empates se rompen arbitrariamente. Ejemplo:
Minimice z = 31 + 22 Sujeta a 31 + x2 3 41 + 32 6 x1 + x2 3 x1, x2 0 La tabla
smplex inicial para el problema se da como Solucin bsica factible X1 X2 X3 X4 X5 Solucin

z 3 2 0 0 0 0 X3 3 1 1 0 0 3 X4 4 3 0 1 0 6 X5 1 1 0 0 1 3 Las variables X3 y X4 son
supervit, mientras que X5, es una holgura
3.6 Cambios en Vector Costos Cj
Fundamentalmente cuando se trabaja en Programacin Lineal es importante realizar un

anlisis de postoptimalidad para observar por medio de simulacin si los cambios que le vamos
a introducir al modelo original, en qu aspectos nos benefician o nos afectan en las variables
y/o parmetros.Es importante tener en cuenta que los cambios que se realizan en el modelo
original deben ser factibles y deben responder a situaciones reales que la empresa puede
llegar a vivir en un momento determinado. Los cambios en los vectores b, c y en la matriz A
pueden suceder en forma discreta o continua; el cambio discreto indica que una o varias
componentes originales de los vectores o de la matriz son reemplazados por nuevas
cantidades; el cambio continuo en los vectores aj, b y c se da cuando se presentan cambios
as:
donde b, c y aj son vectores respectivamente con las mismas dimensiones que los
vectores b, c, aj; , , son escalares que pueden tomar cualquier valor real. El anlisis de
sensibilidad que estudia los cambios continuos se denomina Programacin Paramtrica.
Para observar las variaciones que ocurren o no, vamos a ilustrar las diversas situaciones con el
siguiente ejemplo:
MAX Z = 50 X1+ 120 X2
Sujeta a:
Cambio en un Cj cuando Xj es no bsica:
Va a cambiar un nmero en la fila de Zj - Cj, desde Z*j - Cj hasta Z*j hasta C'j; la nueva
solucin sigue siendo factible ya que no se han cambiado las restricciones, ni los
recursos.Cuando hay un cambio en un Cj del primal, solamente cambia el lado derecho de la jsima restriccin del dual; puede ocurrir que la solucin ya no sea factible (una de las variables
bsicas ser menor que cero).La funcin objetivo va a asegurar una solucin ptima, porque
los recursos del primal no se han cambiado. Ejemplo:
Se cambia la funcin objetivo de:
MAX Z = 50 X1+ 120 X2
a:
MAX Z = 80 X1+ 120 X2
El cambio en la funcin objetivo en la variable X1 es 50 por 80. Este cambio tiene un efecto
sobre el valor de Z*j - Cj en el ptimo actual
Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 40; Z*= 2400
Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400 , valores que se pueden convertir en:
Si el valor actualizado de Z*j - Cj > 0 , la solucin ptima permanece igual a la del problema
inicial y en el problema dual solo cambia el valor de la variable de holgura S*1. Si el nuevo valor
de Z*j - Cj = 0, la solucin ptima permanece igual a la del problema inicial cuando se
presentan soluciones mltiples y en el problema dual solo cambia el valor de la variable de
holgura S*1 cuyo valor ser cero (0). Si el valor actualizado de Z*j - Cj < 0 la solucin deja de
ser ptima por lo cual se requiere la utilizacin del simplex, tomando X1 como la variable que
se convertir en variable bsica.
La solucin ptima actual es:
Primal: X*1 = 16; X*2 = 12; S*1 = 0; S*2 = 0; Z*= 2720
Dual: Y*1 = 28; Y*2 = 8; S*1= 0; S*2 = 0; W* = 2720
Para que se mantenga la solucin actual ptima y factible basta con plantear y resolver la
ecuacin que recalcula el valor de Z1 -C1, sabiendo que en el tablero ptimo el valor de C1
debe cumplir con la condicin que Z1 -C1 0, por lo cual C1 60.
Cambio en un Cj cuando Xj es bsica:
Si Xj es bsica Z*j - Cj = 0 y Z*j - C'j 0, con lo cual se debe modificar la fila de Z -C en el ltimo
tablero y en algunos casos se debe variar toda la tabla, si la solucin del primal dej de ser la
ptima.En algunos casos cuando Z*j - C'j > 0, la solucin es an ptima.
La nueva solucin en el ptimo debe ser ptima o mejorar, pero en algunos casos puede no ser
factible. Ejemplo:
Cambiando la funcin objetivo de:
MAX Z = 50 X1+ 120 X2
a:
MAX Z = 50 X1+40 X2
El nuevo valor de Z*j - Cj corresponde a una variable bsica, cuyo valor ser cero (0).
La solucion Optima es:
Primal: X*1 = 16; X*2 = 12; S*1 = 0; S*2 = 0; Z*= 1280
Dual: Y*1 = 7; Y*2 = 12; S*1= 0; S*2 = 0; W* = 2720
Para que permanezca la solucin actual ptima y factible basta con plantear y resolver la
ecuacin que recalcula el valor de Z*j - Cj de cada una de las variables no bsicas, sabiendo
que en el tablero ptimo el valor de C1 debe cumplir con la condicin que Z*j - Cj 0, por lo
cual 4 C2 + .
3.7 Cambio en Bi de las Restricciones
Cambio en un bi (recurso):
Los nicos cambios posibles son en los lados derechos de las restricciones, porque estos lados
dan los valores de las variables de la base y stas se pueden volver negativas; cuando no hay
cambios en los Z*j - Cj, la solucin encontrada sigue siendo ptima.En el caso en que un bi se
vuelva negativo se debe emplear el dual simplex para solucionar el primal. Adems es posible
en el problema dual encontrar e interpretar el precio sombra (marginal) y los costos reducidos.
Ejemplo:
Cambiando la segunda restriccin de:
3 X1+X2
60
3 X1+X2
50
a:
La solucin ptima actual es:

Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 30; Z*= 2400
Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400
Para que se mantenga la solucin actual factible basta con plantear y resolver las ecuaciones
para encontrar los valores de los nuevos bi, de tal manera que las variables bsicas sean 0,
por lo cual -70 b1 170 y 20 b2 +
3.8 Cambio en Coeficientes Xj
Cambio en aij cuando Xj es no bsica:
En estos casos cambian los coeficientes de Xj en todas las filas del tablero; como Xj no es
bsica, si la fila Z -C > 0, la solucin sigue siendo ptima.
Es ms fcil investigar si la solucin anterior es todava ptima con el dual, ya que el nico
cambio es en la j-sima restriccin:
, porque los valores ptimos de las variables
originales Y*1 = Z
no cambian; la solucin anterior es factible y an ptima si la nueva
restriccin no se viola. Ejemplo:
Cambiando la segunda restriccin de:
3 X1+X2
60
a:
X1+X2
60
La solucin actual es:

Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 40; Z*= 2400
Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400

Para que permanezca la solucin actual ptima basta con plantear y resolver la ecuacin que
recalcula el valor de Z1 - C1 con la condicin que Z1 - C1
0, por lo cual
3.9 Adicion de Nueva Variable
Muchas veces es necesario analizar la sensibilidad de la solucin ptima, cuando se agrega al

modelo una restriccin que no se considero inicialmente, ya sea por olvido o por decisin de
quien plante el modelo.
El primer paso en el anlisis de los cambios que sufre la solucin ptima actual al considerar
una nueva restriccin, es determinar si esta se cumple para la solucin ptima.
Para ello deben reemplazarse los valores ptimos de las variables en la nueva restriccin y
determinar si se cumple la condicin expresada.
En caso afirmativo concluimos que la solucin actual no se altera, pues la nueva restriccin
tambin se cumple para ella. Tal caso ocurre en situaciones como la que podemos observar en
la grafica 1, en donde la nueva restriccin A no altera la regin de factibilidad. Otra situacin del
mismo caso es la que se muestra en la grfica 2 para la nueva restriccin B, que s altera la
regin de factibilidad, pero sin modificar el punto ptimo.
Pero cuando los valores ptimos no satisfacen la nueva restriccin, concluimos que la solucin
ptima actual es infactible. La grfica 3 nos permite entender como lo que ocurri fue que la
nueva restriccin afect la regin de factibilidad del problema, eliminando de ella el sector que
incluye la solucin ptima actual. Debemos entonces encontrar la nueva solucin ptima que
corresponda a la nueva regin factible.
Efectuemos un anlisis del efecto. Supngase que agregamos al modelo la restriccin
am+1 , 1 X1 + am+1 , 2 X2 + ... + am+1 , nXn < bm+1
Para simplificar, definamos el vector fila Tm+1 que contenga todos los coeficientes tecnolgicos
am+1,j de la restriccin m+1 y escribamos la nueva restriccin como el siguiente producto escalar
Tm+1 < X bm+1

Separando los coeficientes de las variables bsicas y de las no bsicas y agrupndolos en dos
vectores que las contengan, podemos expresar la restriccin como:
TBXB + TNXN + Hn+1 = bm+1

Ya que XN = 0, despejando a Hn+1 llegamos a que:
Hn+1 = bm+1 - TBXB

Cuando bm+1 > TBXB, tendremos que Hn+1 ser no negativa lo cual implica que la nueva
restriccin se cumple en el punto ptimo y la actual solucin no cambia.
Pero cuando bm+1< aBXB, tendremos que Hn+1 toma valor negativo,, implicando que la restriccin
no se satisface en el ptimo y por ello la solucin ptima actual es infactible y debemos hallar la
nueva solucin ptima, que cumpla la restriccin adicional.
El procedimiento para determinar la nueva solucin ptima es:
1. Escribir la nueva restriccin al final de la tabla ptima. Considerando a Hn+1 como
variable bsica.
2. Efectuar los ajustes necesarios para que los vectores de sustitucin de
las
variables
bsicas,
sean
vectores
unitarios.
Al lograr lo anterior, se obtiene un valor negativo para la variable de
holgura que se acaba de adicionar como nueva variable bsica, lo cual significa que la
solucin actual es infactible, al considerar la restriccin adicional
3. Utilizar el algoritmo Dual Simplex, para intercambiar la variable bsica negativa por
una positiva y obtener as una solucin ptima factible para el modelo aumentado con
la nueva restriccin.
3.10 Adicion de Nueva Restriccion
El ltimo caso es aquel en el que debe introducirse al modelo una nueva restriccin despus de
que ya se ha resuelto. Este caso puede ocurrir porque se pas por alto la restriccin en un
principio o porque surgieron nuevas consideraciones despus de la formulacin original. Otra
posibilidad es que a propsito se haya eliminado la restriccin para disminuir el esfuerzo
computacional por parecer menos restrictiva que otras ya planteadas en el modelo, pero ahora
es necesario verificar esta impresin con la solucin ptima que se obtuvo. Para ver si la nueva
restriccin afecta a la solucin ptima actual, todo lo que tiene que hacerse es verificar
directamente si esa solucin ptima satisface la restriccin. Si es as, todava sera la mejor
solucin bsica factible (es decir, sera la solucin ptima), aun cuando se agregara la
restriccin al modelo. La razn es que una nueva restriccin slo puede eliminar algunas de las
soluciones factibles anteriores sin agregar ninguna. Si la nueva restriccin elimina la solucin
ptima actual, y si se quiere encontrar la nueva solucin, se introduce esta restriccin a la tabla
simplex final (como un rengln adicional) como si fuera la tabla inicial, en la que se designa la
variable usual (de holgura o artificial) como la variable bsica que corresponde a este nuevo
rengln. Como ste tal vez tenga coeficientes distintos de cero para algunas otras variables
bsicas, se debe aplicar la conversin a la forma apropiada de eliminacin de Gauss y despus
cl resto del procedimiento general. Igual que para algunos de los casos anteriores, este
procedimiento para el caso de una adicin de una nueva restriccin es una versin simplificada
del procedimiento general resumido anteriormente. La nica pregunta que hay que hacerse en
este caso es si la solucin ptima anterior es todava factible as que la prueba de optimalidad
se ha eliminado. La prueba de factibilidad se ha reemplazado por una prueba de factibilidad
mucho ms rpida (la solucin ptima anterior satisface la nueva restriccin?) que debe
realizarse justo despus de la revisin del modelo. Slo cuando la respuesta a esta prueba es
negativa y se quiere reoptimizar, se usan los siguientes pasos; revisin de la tabla simplex final,
conversin a la forma apropiada de eliminacin de Gauss, y reoptimizacin. EJEMPLO. Como
ejemplo de este caso, supngase que se introduce la nueva restriccin,
21 + 32 24,
Al modelo dado en la tabla 20. El efecto grfico se muestra en la figura 5. La solucin ptima
anterior (0, 9) viola la nueva restriccin, por lo que la solucin ptima cambia a (0, 8). Para
analizar este ejemplo algebraicamente, obsrvese que (0, 9) lleva a que 21 + 32 = 27 > 24,
entonces esta solucin ptima anterior ya no es factible. Para encontrar la nueva solucin
ptima, se agrega esta restriccin a la tabla simplex final actual, tal como se describi, con la
variable de holgura x6 como su variable bsica inicial. Esto lleva a la primera tabla que se
muestra en la tabla 23. El paso de conversin a la forma apropiada de eliminacin de Gauss
requiere restar el rengln 2 multiplicado por 3 del nuevo rengln, con lo que se identifica la
solucin bsica actual: x3 = 4, x2 = 9, x4 = 6, x6 = 3 (xl = 0, x5 = 0), como se muestra en la
segunda tabla. Cuando se aplica el mtodo dual simplex se obtiene en una sola iteracin
(algunas veces se necesitan ms) la nueva solucin ptima en la tabla final de la tabla |23.
Figura 5 Regin factible
Tabla23 Procedimiento de anlisis de sensibilidad
Unidad 4 Transporte y asignacin

4.1 Definicion Problema de Transporte
Problema del transporte
Un problema particular
que se resuelve con los
procedimientos de la
programacin lineal es la
situacin conocida como
problema del transporte o
Una empresa dedicada a la fabricacin de componentes de problema de la
ordenador tiene dos fbricas que producen, respectivamente, distribucin de
800 y 1500 piezas mensuales. Estas piezas han de ser mercancas.
transportadas a tres tiendas que necesitan 1000, 700 y 600
piezas, respectivamente. Los costes de transporte, en pesetas Se trata de encontrar los
por pieza son los que aparecen en la tabla adjunta. Cmo caminos para trasladar
debe organizarse el transporte para que el coste sea mnimo? mercanca, desde varias
plantas (orgenes) a
diferentes centros de
almacenamiento
(destinos), de manera que
se minimice el costo del
transporte.
Para que un problema
Tienda A
Tienda B
Tienda C
pueda ser resuelto por el
Fbrica I
3
7
1
mtodo del transporte
Fbrica II
2
2
6
debe cumplir:
1) La funcin objetivo y
las restricciones deben
ser lineales.
2) El total de unidades
que salen en origen debe
ser igual al total de
unidades que entran en
destino.
En este tipo de problemas se exige que toda la produccin sea distribuida a los centros de
ventas en las cantidades que precisa cada uno; por tanto, no pueden generarse inventario del
producto ni en las fbricas ni en los centros de ventas.
En consecuencia, los 800 artculos producidos en la fbrica I deben distribuirse en las
cantidades x, y, z a A, B y C, de manera que x + y + z = 800. Pero, adems, si desde I se
envan x unidades a A, el resto, hasta las 1000 necesarias en A, deben ser enviadas desde la
fbrica II; esto es, 1000 - x unidades sern enviadas desde II a A.
Del mismo modo, si desde I a B se envan y, el resto necesario, 700 - y, deben enviarse desde
II. Y lo mismo para C, que recibir z desde I y 600 - z desde II.
En la siguiente tabla de distribucin se resume lo dicho:
Envos
a la tienda A (1000) a la tienda B (700) a la tienda C (600)
Desde la fbrica I ( 800)
800 - x - y
Desde la fbrica II (1500)
1000 - x
700 - y
x + y - 200
La
ltima
columna
la
hemos
obtenido
de
la
siguiente
forma:
Como x + y + z = 800 , se tiene que z = 800 - x - y, de donde, 600 - z = 600 - (800 - x - y) = x +
y - 200.
Ahora bien, todas las cantidades anteriores deben ser mayores o iguales que cero. Por tanto,
se obtienen las siguientes desigualdades:
x
0 ; 1000 - x
0;y
0; 700 - y
0 ; 800 - x - y
0 ; x + y - 200
Simplificando las desigualdades anteriores, se obtienen las siguientes inecuaciones:

1000
0 ; 700
0 ; 800
x+y
Recordemos que nuestro objetivo es abaratar al mximo los costes de transporte. Estos costes
se hallan multiplicando las cantidades enviadas a desde cada fbrica a cada tienda por los
respectivos
costes
de
transporte
unitario.
Se obtiene:
Z = f(x,y) = 3x + 2(1000 - x) + 7y + 2(700 - y) + (800 - x - y) + 6(x + y - 200) = 6x + 10y + 3000
En definitiva, el programa lineal a resolver es :
Minimizar: Z = 6x + 10y + 3000
sujeto a:
1000 x 0
700 y 0
800 x + y 0
La regin factible se da en la imagen del margen.
Sus vrtices son A(200,0) ; B(800,0) ; C(100,700) ; D(0,700) y
E(0,200).
El coste, el valor de Z en cada uno de esos puntos, es:
en A, 4200
en B, 7800
en C, 10600
en D, 10000
en E, 5000
El mnimo se da en A , cuando x = 200 e y = 0.

Luego, las cantidades a distribuir son:
Envos
a la tienda A (1000) a la tienda B (700) a la tienda C (600)
Desde la fbrica I ( 800)
200
600
Desde la fbrica II (1500)
800
700
4.2 Metodo de Aproximacion de Vogel
Mtodo de Aproximacin de Vogel: para cada rengln y columna que queda bajo
consideracin, se calcula su diferencia, que se define como la diferencia aritmtica entre el
costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese rengln o columna.
(Si se tiene un empate para el costo ms pequeo de los restantes de un rengln o columna,
entonces la diferencia es 0). En el rengln o columna que tiene la mayor diferencia se elige la
variable que tiene el menor costo unitario que queda. (Los empates para la mayor de estas
diferencias se pueden romper de manera arbitraria).
Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando el
mtodo de aproximacin de Vogel
para resolver el ejemplo presentado anteriormente y que fue resuelto por la regla de la esquina
noroeste:
Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna. De las
diferencias que obtuvimos nos fijamos
en la mayor (Por qu?), que resulta ser para la
tercera columna. En esa columna encontramos el costo unitario (cij) menor y en esa celda
realizamos la primera asignacin:
7
4
2
4
Recursos
5
1
22 0
53
DIF.
10
Demanda
DIF.
3
1
4
1
2 0
3 1
1
2
10
Nota: Marcaremos a la mayor de las diferencias seleccionada encerrndola en un crculo

y escribindole como superndice el nmero que le corresponda en la secuencia de
seleccin.
Observemos en la figura anterior que nicamente eliminamos el segundo rengln ya
que la tercera columna nos servir despus para hacer la asignacin de una variable bsica
degenerada. Continuando con la aplicacin del mtodo, tenemos que calcular nuevamente las
diferencias de las columnas ya que hemos eliminado un rengln y sto puede ocasionar que
las diferencias aritmticas entre el costo unitario ms pequeo y el que le sigue ya no sean las
mismas:
3
2
7
4
3
Recursos
5
1
22 0
DIF.
53 0
1
10
Demanda
DIF.
3
1
4 1
1
2 0
3 1
1
2
10
Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya
que solamente queda un rengln dentro de las posibilidades (sto no significa que solamente
un rengln quede bajo consideracin ya que podemos observar que ninguna de las cuatro
columnas (destinos) ha sido eliminada y todas quedan todava bajo consideracin), no es
posible encontrar la diferencia aritmtica entre el costo menor y el que le sigue, por lo tanto
vamos tomando una a una las celdas que quedan comenzando con la de menor costo unitario
hasta que todas hayan sido asignadas.
4
4
Recursos DIF.
5 2 1 0 1
22 0
53 0
1
10
Demanda
DIF.
3 0
1
4 1 0
1
2 0
3 1
1 0
2
10
La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica degenerada),
x14=1, x23=2 y x32=3 y el costo total de transporte asociado a esta primera Poltica de
Transporte factible es de:
Costo =
x11 c11
x12 c12
x13 c13
x14 c14
x23 c23
x32 c32
3 (3) + 1 (7) + 0 (6) + 1 (4) + 2 (3) + 3 (3) = 35 unidades
Es necesario aclarar que sta puede o no ser la solucin final del problema, es
necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir
una mejor poltica de transporte que minimice todava ms el costo total.
4.3 Metodo de Modi
Este mtodo reproduce exactamente las mismas iteraciones del mtodo de banquillo. La
principal diferencia ocurre en la forma en que las variables no bsicas se evalan en cada
iteracin. Asociados a cada rengln i de la tabla existen multiplicadores Ui similarmente se
asocia un multiplicador Vj a cada columna de la tabla j. Para cada variable bsica Xij de la
solucin actual, se escribe la ecuacin Ui +Vj = Cij. Esas ecuaciones proporcionan m+n-1
relaciones con m+n incgnitas.
Los valores de los multiplicadores pueden ser determinados a partir de las ecuaciones
suponiendo un valor arbitrario para cualquiera de los multiplicadores (usualmente se establece
U1=0) y resolviendo el sistema de ecuaciones para encontrar los multiplicadores desconocidos.
Una vez que se hace esto, la evaluacin de cada variable no bsica X pq est dada como: El
criterio que se utiliza para seleccionar la variable que entra es el mismo que el mtodo de
banquillo (la mayor negativa).
Ejemplo:
Una compaa est considerando una demanda de 5 clientes utilizando artculos que tienen
disponibles en 2 almacenes. Los almacenes cuentan con 800 y 1000 unidades
respectivamente. Los clientes necesitan 200, 150, 200, 180 y 500 unidades respectivamente.
Los costos de embarque por artculo de los almacenes de los clientes son:
Resuelva el modelo de transporte empleando.

a) Una solucin inicial por el mtodo de aproximacin de vogel.
b) La solucin ptima por el mtodo de multiplicadores.
DESTINO FICTICIO = 570 ARTCULOS
4.4 Procedimiento de Optimizacion
Una solucin BF es optima si y solo si Cij-Ui-Vj=>0 para toda (ij)tal que Xij es no basica. Es la
reducion de costos.
Pasos para la optimizacion:
1.- se determina la variable basica entrante; se elige la variable no basica Xij que tiene el valor
negativo mas grande(en terminos absolutos)para Cij-Ui-Vj.
2.- se determina la varible basica que sale: se identifica la reaccion en cadena que se necesita
para conservar la factibilidad cuando aumenta el valor de la variable basica entrante. Entre las
celdas donadoras se selecciona la variable basica que tiene el menor valor.
3.- se determina la nueva solucion BF; se suma el valor de la variable basica que sale a las
asignaciones de las celdas receptoras y se resta a las asignaciones de las celdas donadoras.
4.5 Definicin Problema de Asignacin
Definicin del problema.

Sean un conjunto de fragmentos F = {F1, F2, ..., Fn} y una red formada por el conjunto de sitios
S = {S1, S2, ..., Sm} en la cual un conjunto de aplicaciones Q = {q1, q2, ..., qq} se ejecutan. El
problema de la asignacin implica encontrar la distribucin ptima de F sobre S.
Uno de los problemas ms importantes que necesita discusin es el significado de distribucin
ptima. La distribucin ptima puede definirse con respecto a dos medidas:
1. Coste mnimo. La funcin de coste consiste en el coste de almacenamiento de cada Fi
2.
en un sitio Sj, el coste de practicar una consulta en Fi en el sitio Sj, el coste de

actualizar Fi en todos los sitios donde se almacene y el coste de las comunicaciones de
datos. El problema de la asignacin, entonces, intenta encontrar un esquema de
asignacin tal que minimice esta funcin de coste combinado.
Rendimiento. La estrategia de asignacin se disea para mantener una medida del
rendimiento. Dos medidas habituales de este rendimiento son el tiempo de respuesta y
la salida del sistema en cada sitio. Evidentemente, se debe intentar minimizar la
primera y maximizar la segunda.
Se han propuesto modelos de asignacin que enfocan el concepto de distribucin ptima

desde diferentes puntos de vista. Sin embargo, no resulta descabellado pensar en la inclusin,
tanto del rendimiento como de los factores de coste, dentro del concepto. En otras palabras,
deberamos buscar un esquema de asignacin tal que, por ejemplo, la respuesta a las
consultas de los usuarios se realizase en el menor tiempo posible mientras que el coste de
procesamiento fuese mnimo. Una afirmacin similar podra hacerse respecto a la
maximizacin de la salida del sistema.
Consideremos ahora una formulacin del problema muy simple. Definamos F y S como se hizo
anteriormente. Por el momento, consideraremos nicamente un fragmento sencillo, Fk.
Daremos un nmero de definiciones que nos permitan modelar el problema de la asignacin.
1. Asumiremos que Q puede modificarse de tal manera que sea posible identificar las
consultas de actualizacin de las de lectura, y definiremos lo siguiente para ese
fragmento simple Fk:
donde ti es el trfico de lectura que se genera en el sitio Si para Fk, y
donde ui es el trfico de actualizacin que se genera en el sitio Si para Fk.
2. Asumiremos que el coste de comunicaciones entre un par de sitios Si y Sj es fijo para

una unidad de transmisin. Adems, asumiremos que ste es diferente para
actualizaciones y para lecturas, por lo que definimos:
donde cij es el coste de la unidad de comunicacin para las peticiones de lectura entre
los sitios Si y Sj y c'ij es el coste de la unidad de comunicacin para las peticiones de
lectura entre los sitios Si y Sj.
3. Sea di el coste de almacenar el fragmento en el sitio Si. Entonces definimos D = {d1,

d2, ..., dm} como el coste de almacenar Fk en todos los sitios.
4. Asumiremos que no existen restricciones de capacidad en los sitios o en los enlaces de
comunicaciones.
Entonces el problema de asignacin puede especificarse como un problema de minimizacin
de costes por el cual se intenta encontrar el conjunto I S que especifique el lugar donde han
de ubicarse las copias de los fragmentos. La expresin matemtica hace uso de la variable de
decisin para la ubicacin xj es,
xj
=
1
si
xj = 0 en otro caso
el
fragmento
Fk
se
asigna
al
sitio
Sj
entonces, definida xj,
El segundo trmino de la funcin calcula el coste total de almacenar todas las copias
duplicadas del fragmento. El primer trmino corresponde al coste de transmisin de las
actualizaciones a todos los sitios que mantienen rplicas de un fragmento y al coste de
ejecucin de las peticiones de lectura en el sitio, lo cual resultar un coste mnimo de
transmisin de datos. Esta es una formulacin muy simple que no es vlida para el diseo de
bases de datos distribuidas. Pero en el caso que lo fuera, existira un problema. Para un gran
nmero de fragmentos y de sitios, obtener soluciones ptimas resultara probablemente
totalmente inviable. Las investigaciones, por tanto, deben girar en torno a la bsqueda de
buenos heursticos que proporciones soluciones parcialmente ptimas.
Hay un nmero de razones del porqu de formulaciones tan simples que no sirven para el
diseo de bases de datos distribuidas. Generalmente, se heredan de los modelos de
asignacin de archivos para redes, pero
1. No se pueden tratar los fragmentos como archivos individuales que se asignen
aisladamente. La ubicacin de un fragmento generalmente tiene influencia sobre las
decisiones de asignacin de los otros fragmentos, a los cuales se acceden a la vez,
puesto que el coste de acceso de los fragmentos restantes puede variar. Por tanto, las
relaciones entre fragmentos deben tenerse en consideracin.
2. El acceso de las aplicaciones a los datos se modela muy sencillamente. Una peticin
de usuario se resuelve en un sitio y todos los datos necesarios se transfieren a ese
sitio. En los sistemas de bases de datos distribuidos, el acceso a los datos es ms
complicado que el simple acceso a archivos remotos. Por tanto, la relacin entre la
asignacin y el procesamiento de consultas debera tambin tenerse en cuenta.
3. Estos modelos no tienen en cuenta el coste de mantenimiento de la integridad, an
localizando dos fragmentos implicados con las mismas restricciones de integridad en
dos sitios diferentes podra resultar costoso dicho mantenimiento.
4. Igualmente, el coste derivado del control de concurrencia debera tenerse en cuenta.
En resumen, debemos distinguir entre el problema tradicional de asignacin de archivos de la
asignacin de fragmentos en los sistemas de bases de datos distribuidos. No existen modelos
heursticos generales que tomen como entrada un conjunto de fragmentos y produzcan una
asignacin cercana a lo ptimo que adems est influenciada por los tipos de restricciones
descritas antes. Los modelos desarrollados realizan una serie de simples suposiciones y
pueden aplicarse a ciertas formulaciones especficas. Por tanto, presentaremos un modelo
general y discutiremos una serie de posibles heursticos que puedan emplearse para resolver el
problema. Posteriormente, describiremos un algoritmo concreto de asignacin.
Informacin necesaria.
En esta etapa de la asignacin, necesitaremos datos cuantitativos sobre la base de datos, las
aplicaciones que funcionan sobre ella, la red de comunicaciones, las caractersticas de
proceso, y el lmite de almacenamiento de cada sitio de la red. Procederemos a discutirlos en
detalle.Informacin de la base de datos. Para desarrollar la fragmentacin horizontal, definimos
la selectividad de los mintrminos. Ahora, necesitamos extender esta definicin a los
fragmentos y definir la selectividad de un fragmento Fj con respecto a una consulta qi. Es el
nmero de tuplas de Fj a las que se necesita acceder para procesar qi. Este valor lo notaremos
como seli(Fj). Otro elemento informativo de los fragmentos de la base de datos es su tamao.
El tamao de un fragmento Fj viene dado por tamao(Fj) = card(Fj)*long(Fj), donde long(Fj) es
la longitud (en octetos) de una tupla del fragmento Fj.
Informacin de las aplicaciones. Mucha de la informacin relativa a las aplicaciones se recoge
durante el proceso de fragmentacin, pero se necesita un poco ms para el modelo de
asignacin. Las dos medidas ms importantes son el nmero de accesos de lectura que una
consulta qi realiza sobre un fragmento Fj durante su ejecucin (llamada RRij), y el nmero de
accesos de actualizacin que una consulta qi realiza sobre un fragmento Fj durante su
ejecucin (llamada URij). Tambin necesitamos definir dos matrices UM y RM, con elementos
uij y rij, respectivamente, que se especifican como sigue:
uij = 1 si la consulta qi actualiza el fragmento Fj
uij = 0 en otro caso
rij = 1 si la consulta qi lee del fragmento Fj
rij = 0 en otro caso
Tambin debe definirse un vector O de valores o(i), donde o(i) especifica el sitio origen de la
consulta qi. Finalmente, especificaremos las restricciones impuestas por el tiempo de
respuesta, asignando a cada aplicacin el mximo tiempo de respuesta permitido.
Informacin de los sitios. Sobre cada ordenador necesitamos conocer sus capacidades de
procesamiento y almacenamiento. Obviamente, estos valores pueden calcularse a travs de
funciones elaboradas o por simples estimaciones. La unidad de coste de almacenar datos en el
sitio Sk ser denotada como UCAk. As mismo, especificaremos como medida de coste UPTk
al coste de procesar una unidad de trabajo en el sitio Sk. La unidad de trabajo debera ser
idntica a aquella utilizada en las medidas RR y UR. Informacin sobre la red. En nuestro
modelo asumiremos la existencia de una red simple donde el coste de comunicaciones se
define respecto a una trama de datos. Entonces gij nota el coste de comunicacin por trama
entre los sitios Si y Sj. Para permitir el clculo del nmero de mensajes, usaremos ftamao
como el tamao (en octetos) de una trama. Es evidente que existen modelos de red mucho
ms elaborados que toman en cuenta las capacidades del canal, las distancias entre sitios, las
caractersticas del protocolo, etc. Sin embargo, se cree que la derivacin de estas ecuaciones
se sale fuera de este documento.
4.6 El Mtodo Hngaro de Asignacin
Este algoritmo se usa para resolver problemas de minimizacin, ya que es ms eficaz que el
empleado para resolver el problema del transporte por el alto grado de degeneracin que
pueden presentar los problemas de asignacin. Las fases para la aplicacin del mtodo
Hngaro son:
Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz de costos m*m;
se debe construir una nueva matriz al restar de cada costo el costo mnimo de cada fila;
encontrar para esta nueva matriz, el costo mnimo en cada columna. A continuacin se debe
construir una nueva matriz (denominada matriz de costos reducidos) al restar de cada costo el
costo mnimo de su columna. Paso 2: (En algunos pocos textos este paso se atribuye a Flood).
Consiste en trazar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente
de esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos
reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene una solucin ptima
entre los ceros cubiertos de la matriz. Si se requieren menos de m lneas para cubrir todos los
ceros, se debe continuar con el paso 3. El nmero de lneas para cubrir los ceros es igual a la
cantidad de asignaciones que hasta ese momento se pueden realizar. Paso 3: Encontrar el
menor elemento diferente de cero (llamado k) en la matriz de costos reducidos, que no est
cubierto por las lneas dibujadas en el paso 2; a continuacin se debe restar k de cada
elemento no cubierto de la matriz de costos reducidos y sumar k a cada elemento de la matriz
de costos reducidos cubierto por dos lneas (intersecciones). Por ltimo se debe regresar al
paso 2.
Notas:
1. Para resolver un problema de asignacin en el cual la meta es maximizar la funcin objetivo,
se debe multiplicar la matriz de ganancias por menos uno (1) y resolver el problema como uno
de minimizacin.
2. Si el nmero de filas y de columnas en la matriz de costos son diferentes, el problema de
asignacin est desbalanceado. El mtodo Hngaro puede proporcionar una solucin
incorrecta si el problema no est balanceado; debido a lo anterior, se debe balancear primero
cualquier problema de asignacin (aadiendo filas o columnas ficticias) antes de resolverlo
mediante el mtodo Hngaro.
3. En un problema grande, puede resultar difcil obtener el mnimo nmero de filas necesarias
para cubrir todos los ceros en la matriz de costos actual. Se puede demostrar que si se
necesitan j lneas para cubrir todos los ceros, entonces se pueden asignar solamente j trabajos
a un costo cero en la matriz actual; esto explica porqu termina cuando se necesitan m lneas.
Unidad 5 Programacin Entera Introduccin y casos de

aplicacin
5.2 Definicin y Modelos de Programacin Entera
Programacin Entera es un termino general para los modelos de programacin matemtica que
presentan condiciones de integridad (condiciones que estipulan que algunas o todas las
variables de decisin deben tener valores enteros). Ya hemos apuntado que los modelos de
programacin lineal entera son modelos de programacin lineal que tienen la caracterstica
adicional de que algunas de las variables de decisin deben tener valores enteros. Existen
diversas clasificaciones de esta categora de modelos.
Programas Enteros Puros
Un modelo entero puro (PLE) es, como su nombre lo indica, un problema en el que se exige
que todas las variables de decisin tengan valores enteros. Por ejemplo
Min 61 + 52 + 43
s.a. 1081 + 922 + 583 >= 576
71 + 182 + 223 >= 83
x1, x2, x3 ><0 y enteros
Es un modelo entero puro. Sin las restricciones adicionales de que x1, x2, x3 sean enteros (o
sea las condiciones de integralidad) seria un problema de programacin lineal
Programas Enteros Mixtos
Un problema en el que solo se requieren que algunas variables tengan valores enteros
mientras que otras pueden asumir cualquier numero no negativo (es decir, cualquier valor
continuo) se llama programacin lineal entera mixta (PLEM). Por ejemplo, supngase que en el
problema anterior solo x1 y x2 deben ser enteros y x3 no. El problema resultante es:
Min 61 + 52 + 43
s.a. 1081 + 922 + 583 >= 576
71 - 182 + 223 >= 83
x1, x2, x3 >=0; x1 y x2 enteros
Programas Enteros 01
En algunos problemas se restringe el valor de las variables a 0 o 1. Dichos problemas se
llaman binarios o programas lineales enteros 01. Son de particular inters debido a que se
pueden usar las variables 01 para representar decisiones dicotmicas (s o no). Diversos
problemas de asignacin, ubicacin de plantas, planes de produccin y elaboracin de cartera,
son de programacin lineal entera 01.
Existen dos mtodos para generar las restricciones especiales que fuercen la solucin ptima
del problema, hacia la solucin ptima entera deseada:
- Mtodo de ramificar y acotar.
- Mtodo de planos de corte.
En ambos mtodos las restricciones agregadas eliminan partes del espacio de soluciones, pero
nunca alguno de los puntos enteros factibles. Desafortunadamente, ninguno de los dos
mtodos es efectivo en la solucin de problemas de programacin lineal entera. No obstante
los mtodos de ramificar y acotar son mucho mejores en cuanto al calculo se refiere que los
mtodos de plano de corte. Por esta razn, la mayora de los cdigos comerciales se basan en
el procedimiento de ramificar y acotar.
5.3 Metodo Ramificar y Acotar
En este momento ser ms conveniente explicar los fundamentos del algoritmo de ramificar y
acotar (R y A), por medio de un ejemplo numrico:
Consideremos el siguiente problema de Programacin lineal Entera:
Max z = 51 + 42
Sujeto a
x1 + x2 <=5
101 + 62 <=45
x1, x2 >= 0 y entero
En la siguiente figura se muestra el espacio de soluciones de la programacin lineal entera
representado por los puntos. El espacio de soluciones de programacin lineal asociado,
programacin lineal ptima, se define por cancelacin de las restricciones enteras. La solucin
programacin lineal ptima se da como x1 = 3,75, x2 = 1,25 y z = 23,75.
El procedimiento de Ramificar y Acotar se basa en tratar solo con el problema programacin
lineal. Como la solucin ptima (x1 = 3,75, x2 = 1,25 y z = 23,75) pero no satisface la
necesidad de valores enteros, el algoritmo de R y A exige modificar el espacio de soluciones
lineales de forma tal que nos permita identificar, finalmente, para conseguir la solucin ptima
entera.
Primero seleccionaremos una de las variables cuyo valor corriente en la solucin ptima no
cumple el requisito de valor entero. Seleccionando x1=3,75 arbitrariamente, observamos que la
regin ( 3 < x1 < 4 ) del espacio de soluciones lineales, no puede incluir ninguna espacio
solucin factible entera. Entonces podemos modificar el espacio de soluciones lineales
eliminando esta regin no prometedora, lo que, en realidad, es equivalente a reemplazar el
espacio original por dos espacios los PL1 y PL2, definidos de la manera siguiente:
1. Espacio PL1 = espacio PLO + (x1 <= 3)
2. Espacio PL2 = espacio PLO + (x1 >= 4)
Esta figura muestra los espacios PL1 y PL2 en forma grafica. Se ve que los dos espacios
contienen los mismos puntos enteros factibles del modelo PLE. Esto significa que, desde el
punto de vista del problema original de PLE, tratar con PL1 y PL2 es igual que tratar con el
original PLO. La diferencia principal es que la seleccin de las nuevas restricciones e
acotamiento ( x1 >= 3 y x1 <= 4 ) mejoraran la oportunidad de forzar a los puntos extremos
ptimos de PL1 y PL2 hacia la satisfaccin del requisito de valor entero. Adems el hecho que
las restricciones de acotamiento estn en la vecindad inmediata del optimo continuo del PLO,
incrementara las posibilidades de producir buenas soluciones enteras.
Las nuevas restricciones x1 >= 3 y x1 <= 4 son mutuamente excluyentes, PL1 y PL2 deben
tratarse como dos programas lineales separados. Esta dicotoma da lugar al concepto de
ramificacin en el algoritmo de R y A. En efecto, ramificar significa subdividir un espacio de
soluciones corrientes en subespacios mutuamente excluyentes.
Aqu vemos las ramas PL1 y PL2 y x1 llamada variable de ramificacin
Sabemos que la solucin ptima entera debe encontrarse en PL1 o PL2. Sin embargo, en
ausencia del espacio grafico de soluciones, no tenemos manera de determinar donde puede
encontrarse la solucin ptima, por lo que nuestra nica opcin es investigar ambos problemas.
Hacemos esto trabajando con un problema a la vez (PL1 o PL2). Supongamos que escogemos
a PL1 asociado con x1 <= 3. En efecto, debemos resolver el siguiente problema:
Max z = 51 + 42
Sujeto a
x1 + x2 <=5
101 + 62 <=45
x1 <=3
x1, x2 >= 0
Como se indico antes PL1 es el mismo que el PLO con la restriccin adicional de acotamiento
superior, x1 <= 3. as podemos aplicar el algoritmo primal de acotamiento superior para
resolver el problema. Esto da la nueva solucin ptima.
X1 = 3, x2 = 2 y z = 23
Como esta solucin satisface el requisito de valor entero, se dice que el PL1 esta agotado,
vaci, lo que significa que el PL1 no puede producir ninguna solucin mejor y no necesita
investigarse mas a fondo.
Determinar una solucin factible entera en una etapa temprana de los clculos es crucial para
incrementar la eficiencia del algoritmo R y A. Tal solucin fija una cota inferior al valor objetivo
optimo, que a su vez se puede usar para descartar automticamente cualquier subproblema no
explorado (como el PL2) que no dan mejor solucin entera. En este ejemplo el PL1 produce la
cota inferior z = 23. Esto significa que cualquier solucin entera mejorada debe tener el valor de
z mayor 23. Sin embargo, como la solucin ptima del problema PLO tiene z = 23,75 y como
todos los coeficientes de la funcin objetivo son enteros, se infiere que ningn subproblema
que proceda del PLO puede producir un valor de z mejor que 23. En consecuencia, podemos
descartar al PL2 porque no puede dar una mejor solucin entera.
Del anlisis anterior vemos que un subproblema esta agotado si no satisface una de las
siguientes condiciones:
1. El subproblema da una solucin factible entera

2. El subproblema no puede dar una mejor solucin que la mejor cota inferior disponible (valor
z) del problema (Un caso especial de esta condicin es que el subproblema no tendr ninguna
solucin factible en absoluto)
Pero si en nuestro ejemplo decidimos investigar PL2 primero la solucin resultante ser: x1 = 4,
x2 = 0,8333, z = 23,3333. Como x2 no es entero el PL2 debe investigarse mas a fondo
crendose el PL3 y PL4 y usando las respectivas ramas x2 >=0 y x2 >=1. Esto significa que
Espacio PL3 = espacio PLO + (x1 >= 4) + (x2 <=0)
Espacio PL4 = espacio PLO + (x1 >= 4) + (x2 >=1)
En este momento para escoger tres subproblemas, el PL1, PL3 y PL4. (Observe nuevamente
que estos tres subproblemas incluyen todas las soluciones enteras factibles del problema
original PLE.) Si seleccionamos arbitrariamente el PL4, descubrimos que no tiene solucin
factible y por ello esta agotado. A continuacin seleccionamos el PL3 para investigarlo. Su
solucin la da x1 = 4,5, x2 = 0 y z = 22,5. Como x1 = 4,5 no es entero, creamos dos
subproblemas, el PL5 y PL6 del PL4, usando las restricciones x1 <= 4 y x1 >= 5
respectivamente.
Obtenemos entonces:
Espacio PL5 = espacio PLO + (x1 >= 4) + (x2 <=0) + (x1 <= 4)
Espacio PL6 = espacio PLO + (x1 >= 4) + (x2 <=0) + (x1 >= 5)
Escogemos ahora el PL6, para investigarlo. Como el PL6 no tiene solucin factible, esta
agotado. A continuacin escogemos el PL5 cuya solucin ptima (x1 = 4, x2 = 0, z = 20)
satisface el requisito de valor entero. Finalmente, hemos encontrado una solucin entera que
fija una cota inferior (z = 20) a la solucin entra ptima. Desafortunadamente, esta cota inferior
es muy dbil y muy tarda para ser til. El nico nodo restante, PL1, queda agotado a
continuacin con z = 23, lo que fija una nueva cota inferior. Como no quedan ya subproblemas
por investigar, la ultima cota inferior asocia la solucin ptima del PLE con PL1.
La pero secuencia posible de solucin, mostrada en al figura siguiente, se ha escogido
intencionalmente para evidenciar una de las principales debilidades del algoritmo de R y A.
Esto es, un subproblema especifico, cmo seleccionamos a la variable de ramificacin? Y, de
entre todos los subproblemas no explorados, Cul debe investigarse a continuacin? Observe
que en la figura, encontramos una buena solucin en el primer subproblema PL1, lo que nos
permiti declarar agotado al PL2 sin ninguna investigacin posterior. Bsicamente, el problema
PLE se resolvi investigando solo un subproblema. En el siguiente caso tuvimos que resolver
seis subproblemas antes de alcanzar la optimidad. Este caso no es raro y puede encontrarse
situaciones reales. Aunque existen muchos mtodos para aumentar l habilidad del algoritmo de
R y A de ver adelante y hacer una buena conjetura, respecto a s una rama dada conducir
a una solucin mejorada del PLE, no existe una teora consistente que produzca resultados
concretos uniformes para la solucin del problema general de PLE.
Resumiremos ahora los pasos del algoritmo de R y A. Suponiendo un problema de
maximizacin, definiremos z como la cota inferior de la solucin entera ptima del problema.
Hacemos inicialmente z = - e i = 0.
Paso 1: Agotamiento y ramificacin. Seleccione PLi como el prximo subproblema por
investigarse. Resolvemos el PLi y trataremos de agotarlo usando las condiciones apropiadas.
(a) Si el PLi se declara agotado (solucin inferior, infactible o entera), ponga al da la cota
inferior z si se encuentra una mejor solucin del PLE; si no es as, seleccione un nuevo
subproblema i y repita el paso 1. Si todos los subproblemas se han investigado, la solucin

ptima del PLE esta asociada con la ultima cota inferior z en caso de que exista, si no es as
(b) Si el PLi no esta agotado, siga con el paso 2 para efectuar la ramificacin del PLi.
Paso 2: Ramificacin. Seleccione una de las variables xj cuyo valor optimo en la solucin del
PLi no satisfaga la restriccin del valor entero. Elimine la regin creando dos subproblemas PL
que correspondan a las dos siguientes restricciones mutuamente excluyentes, vuelva al paso 1.
5.4 Metodo Planos Cortantes
El concepto de plano de corte lo ilustraremos primero con un ejemplo. Considere el problema

de progrmacion lineal entera:
Maximizar z = 71 + 92
Sujeto a:
-x1 + 32 <=6
71 + x2 <=35
x1, x2 enteros no negativos
La solucin ptima (ignorando la condicin discreta)se demuestra grficamente en la siguiente
figura.
Esta dada por z = 63, x1 = 9/2 y x2 = 7/2, la cual no es entera.
La idea del algoritmo de planos de corte es cambiar el conjunto convexo del espacio de
soluciones, de tal manera que los puntos extremos apropiados lleguen a ser todos enteros.
Tales cambios en las fronteras del espacio de soluciones, deben proporcionar todava
conjuntos convexos. Tambin este cambio deber hacerse sin partir ninguna de las
soluciones enteras factibles del problema original. La figura muestra como dos restricciones
secundarias (arbitrariamente elegidas) se agregan al problema proporcionando la solucin
ptima entera en el punto extremo nuevo (4, 3). Note que el rea cortada del espacio de
soluciones original no incluye ningn valor entero.
5.5 Algoritmo Aditivo de Balas

METODO ADITIVO (ENUMERACION) DE EGON BALAS
Este mtodo es un procedimiento de enumeracin que encuentra el ptimo en forma ms
rpida; en el mtodo de Balas, la eficacia consiste en la evaluacin solo de unas soluciones. El
mtodo empieza poniendo todas las variables iguales a cero y luego por medio de un
procedimiento sistemtico de forma consecutiva se asigna a una por una de las variables el
valor 1. Luego se reemplaza en cada una de las restricciones y se averigua la infactibilidad. Por
esta razn el mtodo es algunas veces llamado el algoritmo aditivo.
Para describir el algoritmo, se considera la forma general siguiente de un problema de

Programacin Lineal con variables cero uno:
Paso 1. La funcin objetivo debe ser del tipo minimizacin, con todos los coeficientes no
negativos.
Paso 2. Todas las restricciones deben ser del tipo , con los lados derechosnegativosde ser
necesario. Luego, estas restricciones se convierten a ecuaciones, usando las variables
auxiliares en el lado izquierdo de las restricciones. Ejemplo:
MAX Z = 3 Y1 + 2 Y2 5 Y3 2 Y4 + 3 Y5
Sujeta a:
MIN W = 3 Y1 2 Y2 + 5 Y3 + 2 Y4 3 Y5
Reemplazamos: Y1 = 1 X1; Y2 = 1 X2; Y3 = X3; Y4 = X4; Y5 = 1 X5
MIN W = 3 X1 + 2 X2 + 5 X3 + 2 X4 + 3 X5 8
Sujeta a:
Sustituimos W + 8 = W
MIN W = 3 X1 + 2 X2 + 5 X3 + 2 X4 + 3 X5
Siempre el problema nuevo a resolver consiste en la minimizacin de la funcin objetivo,
teniendo en cuenta la medida de la no factibilidad de la holgura. Cuando la infactibilidad da el
menor valor, continuamos con el siguiente paso; en el caso de una infactibilidad cero, sta
corresponde a la solucin ptima; si encontramos varias infactibilidades iguales a cero,
reemplazamos en la funcin objetivo y la respuesta ser la que haga esta funcin mnima.
o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 1; 0 2; 0 1; Infactibilidad 3 o X1 = 0; X2 = 0; X3 =
0; X4 = 0; X5 = 0 0 2; 0 5; 0 12; Infactibilidad 12 o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 2;
0 2; 0 5; Infactibilidad 2 o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 0; 0 5; 0 1; Infactibilidad
6 o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 1; 0 2; 0 2; Infactibilidad 1 o X1 = 0; X2 = 0; X3 =
0; X4 = 0; X5 = 0 0 2; 0 1; 0 2; Infactibilidad 0
Solucin Optima Unica:
X*1 = 0; X*2 = 0; X*3 = 0; X*4 = 0; X*5 = 1; W* = 3
Solucin Optima Unica para el problema original:
Y*1 = 1; Y*2 = 1; Y*3 = 0; Y*4 = 0; Y*5 = 0; Z* = 5
Algunos autores emplean el algoritmo de Balas modificado, el cual consiste en introducirle al
modelo una restriccin denominada de filtro, la cual no es otra que la funcin objetivo con una
cota inferior del valor ptimo. Histricamente es muy importante, ya que ha demostrado que
algoritmos eficaces de programacin en nmeros enteros podran emplear la enumeracin
implcita
5.6 Programacin Dinmica
La programacin dinmica es un enfoque general para la solucin de problemas en los que es

necesario tomar decisiones en etapas sucesivas. Las decisiones tomadas en una etapa
condicionan la evolucin futura del sistema, afectando a las situaciones en las que el sistema
se encontrar en el futuro (denominadas estados), y a las decisiones que se plantearn en el
futuro.
Conviene resaltar que a diferencia de la programacin lineal, el modelado de problemas de
programacin dinmica no sigue una forma estndar. As, para cada problema ser necesario
especificar cada uno de los componentes que caracterizan un problema de programacin
dinmica. El procedimiento general de resolucin de estas situaciones se divide en el anlisis
recursivo de cada una de las etapas del problema, en orden inverso, es decir comenzando por
la ltima y pasando en cada iteracin a la etapa antecesora. El anlisis de la primera etapa
finaliza con la obtencin del ptimo del problema.
10.1 MODELOS DE PROGRAMACIN DINMICA
Existen tres modelos diferentes manejados por WINQSB.
Problema de la diligencia (Stagecoach Problem)

Problema de la mochila (Snapsack Problem)
programacin de produccin e inventarios (Production and Inventory Scheduling)

Investigacion de Operaciones I

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

Investigacion de Operaciones I

Cargado por

Copyright:

Formatos disponibles

Unidad 1 Metodologa de la investigacin de operaciones (I.

1.1 Definicin Desarrollo y Modelos Investigacin de Operaciones

La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo

1.2 Fases Estudio Investigacin de Operaciones

popular es el smplex (George Dantzing, 1947) dentro de la rama de programacin lineal. El

1.3 Principales Aplicaciones Investigacin de Operaciones

En el dominio combinatorio, muchas veces la enumeracin es imposible. Por ejemplo,

Con mayor motivo, la investigacin de operaciones se muestra como un conjunto de

Finalmente debe ponerse la mxima atencin en no considerar la investigacin de operaciones

1.4 Formulacin Problemas Lineales

1.5 Formulacin de problemas ms comunes Por ejemplo: Dieta, Inversin, Transporte,

Una firma de contadores pblicos especializados en preparar liquidaciones y pago de

Unidad 2 El mtodo Simplex

2.1 Solucin Grafica Problema Lineal

Muchos problemas de administracin y economa estn relacionados con la optimizacin

como solucin factible. El conjunto S se conoce como conjunto factible. El objetivo es

El teorema 1 dice que la bsqueda de las soluciones a un problema de programacin lineal se

Supngase un problema de programacin lineal con un conjunto factible S y una funcin

2.2 Teora Mtodo Simplex

EL METODO SIMPLEX PARA SOLUCIN DE PROBLEMAS DE PROGRAMACIN LINEAL

h 0 1/3 1 0 2/3 2 s 0 7/3 0 1 2/3 26 x 1 1/3 0 0 1/3 8 Z 0 1 0 0 1 24

Si en el problema de maximizar apareciesen como restricciones inecuaciones de la

2.3 Forma Tabular Mtodo Simplex

A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su

Nueva fila pivote 1 1/3 0 0 1/3 8

Nueva fila de s 0 7/3 0 1 2/3 26

2.4 El Mtodo de Dos Fases

variables artificiales: Si hemos llegado a la conclusin de que el

Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no

2.5 El Metodo Simplex Revisado

METODO SIMPLEX REVISADO (FORMA MATRICIAL)

Resolver el anterior problema de Programacin Lineal aplicando el Mtodo Simplex Revisado.

CB = (0 3); S = (0, 3/2) y los indicadores de las variables no bsicas son:

CB = (2 3); S = (1/5, 7/5) y los indicadores de las variables no bsicas son:

2.6 Casos Especiales Mtodo Simplex

El Mtodo simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada

Unidad 3 Teora de la dualidad y Anlisis de sensibilidad

Precio de venta 106 144

Utilidad Unitaria $40 $60

Si utilizamos el winqsb para resolver el modelo obtenemos el siguiente reporte combinado

El reporte combinado del winqsb es

Cuyo reporte combinado del winqsb es

250.75) y el sobrante en la operacin de revisin se rebaj en 1.25 minutos. De nuevo se estn

Cuyo reporte combinado del winqsb es

Ingreso por ventas (500)(106) + (250)(144) = 89 000

concepto de los rendimientos decrecientes, tema que estudiaremos en detalle en el capitulo

Al resolver este modelo utilizando el winqsb, obtenemos el siguiente reporte combinado:

3.1 Formulacin Problema Dual

3.2 Relacin Primal Dual

La relacin entre el problema dual y su asociado, es decir el problema original llamado

Aporta elementos que aumentan sustancialmente la compresin de la PL.

El anlisis de dualidad es una herramienta til en la solucin de problemas de PL, por

El problema dual tiene interpretaciones e informaciones importantes que muestran que

Cmo convertir un problema primal a dual?

Un problema dual se formula de un problema primal de la siguiente forma:

3.3 Interpretacion Economica del Dual

Si ahora formulamos el problema dual del enunciado I de referencia obtendremos :

Reconocemos inmediatamente que este problema es el problema de minimizacion No 1 cuya

Si le hubieramos preguntado a un economista , en cambio, acerca del costo de producir los

3.4 Condiciones Khun Tucker

3.5 Dual Simplex

smplex inicial para el problema se da como Solucin bsica factible X1 X2 X3 X4 X5 Solucin

3.6 Cambios en Vector Costos Cj

Dual: Y1 = 30; Y2 = 0; S1= 10; S2 = 0; W* = 2400