CAPTULO I:

1.1

FUNDAMENTOS DE METODOS CUANTITATIVOS PARA

LA TOMA DE DECISIONES

Origen y definicin

Inicialmente a esta disciplina que ahora indistintamente se le conoce como

Mtodos Cuantitativos para la Toma de Decisiones o Ciencia de la
Administracin, se la denominaba Investigacin de Operaciones;
presumiblemente en razn a la actividad desarrollada por un grupo de
cientficos de Gran Bretaa, consistente en investigar operaciones militares
relativas al anlisis de problemas estratgicos y tcticos asociados a la defensa
area y terrestre del pas a fin de optimizar sus recursos militares.
Fueron los norteamericanos, quienes alentados por los logros alcanzados por los
ingleses, optaron por desarrollar actividades similares, alcanzando notables
progresos metodolgicos, extendiendo el campo de accin al mbito industrial, y
con esto, adjudicarse el liderazgo en esta frtil disciplina.
Uno de los aportes ms significativos lo dio el matemtico norteamericano
George Dantzig (1947), al descubrir y desarrollar la tcnica ampliamente
aceptada como lo es el mtodo simplex para la solucin de problemas de
programacin lineal.
En la actualidad, la aplicacin de esta disciplina se extiende no solo al campo
empresarial y militar, sino que est cobrando vigencia en las instituciones
financieras, hospitales, sistemas de transporte e incluso en estudios de
investigacin criminolgica.
Ensayando una definicin podemos decir que, los Mtodos Cuantitativos para la
Toma de Decisiones constituyen un procedimiento cientfico que busca proveer
las bases ms objetivas y cuantitativas que sean posibles, a fin de apreciar
mejor los diversos factores o variables que intervienen en un problema, analizar
su relacin a travs de un modelo y encontrar una solucin ptima entre varias
posibles.
Concepto de Sistema:Es un conjunto de elementos dinmicamente
relacionados en una red de comunicaciones, resultante de la
interaccin de los elementos, formando una actividad (procesamiento),
para
alcanzar
un
objetivo
o
propsito,
operando
sobre
datos/energa/materia (insumos), en una referencia dada de tiempo
(ciclo
de
actividad
del
sistema,
para
suministrar
informacin/energa/materia(resultados o productos del sistema).

1.2

Definicin y Construccin del modelo

Sistema Real

Sistema Real

MODELO

En general, un estudio de mtodos cuantitativos es un proceso de abstraccin

cuyo resultado es la construccin de un modelo, el cual representa un objeto o
aspecto de la vida real (sistema) y cuyo comportamiento queda definido por la
estructura y relaciones entre variables que concentran y cuya identificacin y
simplificacin permiten su anlisis para el mejoramiento de su funcionamiento
(sistema existente), o en su caso, para diversificar su estructura (sistema
futuro).
La reduccin de variables que controlan el sistema a un nmero relativamente
pequeo de variables dominantes y la abstraccin de un modelo del mundo
real supuesto, constituye ms que una ciencia, un arte, puesto que la
validacin de un modelo al representar un sistema real se asienta bsicamente
en la creatividad e imaginacin del analista y del equipo con el cual ste
trabaja. Es por ello que, no existiendo reglas fijas al respecto, se presenta
algunos tipos de modelos que podran ser de utilidad, tales como:
a) Modelos Icnicos: Que son rplicas de objetos reales, ejemplo: modelo a
escala de un avin, maqueta de un complejo habitacional que se
proyecta construir, etc.
b) Modelos Analgicos: Tienen forma fsica pero no tienen el mismo aspecto
fsico del objeto o situacin real al cual representan, ejemplo:
velocmetro de un automvil; la posicin de la aguja sobre la cartula
representa la velocidad del automvil, el nivel de mercurio en la escala
del termmetro representa la temperatura, la pirmide para representar
la distribucin de la sociedad en clases, el organigrama empleado para
mostrar la estructura orgnica de una empresa, etc.

c) Modelo Probabilstico o estocstico: En el cual, cuando menos un insumo

incontrolable es incierto y est sujeto a variacin. Es decir, cuando no es
posible determinar el valor del resultado, aun cuando se conoce los
valores de los insumos controlables, porque se desconocen los valores
especficos de los insumos incontrolables, ejemplo: modelo de
planeacin de la produccin en funcin de la demanda del producto, la
cual puede adoptar una serie de valores.
d) Modelo Determinstico: En el cual todos los insumos incontrolables que
afectan tanto a la funcin objetivo como a las restricciones del modelo
son conocidos previamente y no pueden variar, ejemplo: clculo del
impuesto a la renta a partir de la tasa correspondiente aplicable, clculo
del rendimiento sobre la inversin conociendo la tasa de inters y
modalidad de ste.
e) Modelo Heurstico o de Simulacin: Los cuales imitan el comportamiento
del sistema sobre un periodo, especificando ciertos eventos (puntos en
el tiempo). La informacin que mide el funcionamiento del sistema se
acumula en informaciones estadsticas, las cuales se actualizan en
cuanto cada evento tiene lugar, ejemplo: la simulacin de un choque
automovilstico a travs de la computadora para probar la eficacia de un
sistema de seguridad para el conductor.
f) Modelo Simblico o Matemtico: Aquellos que utilizan smbolos
matemticos para representar variables, las cuales estn relacionadas
mediante las funciones matemticas apropiadas para describir el
comportamiento del sistema o situacin real. Este modelo parte del
supuesto de que todas las variables relevantes son cuantificables.
Entonces la solucin del modelo se logra mediante manipulacin
matemtica.
Un modelo matemtico incluye bsicamente los siguientes elementos:
Variables de Decisin (Xj ); son las incgnitas que deben
determinarse con la solucin del modelo.
Parmetros (aij ); representan las variables controlables del
sistema pudiendo ser stas, probabilsticas o determinsticas.
Restricciones (aij , =, bi); son las limitantes fsicas de las
variables de decisin a sus valores factibles o permisibles.
Funcin Objetivo [F.O.: (MAX) (MIN) X 0 = Cj Xj )]; Acta como
indicador para el logro de la solucin ptima (cuando los valores
de las variables de decisin brindan el mejor valor de la funcin
objetivo, satisfaciendo a la vez todas las restricciones, ejm:
F.O.: (MAX) (MIN) X0 = C1 X1 + C2 X2 + + Cn
Xn
Sujeto a:
a11 X1 + a12 X2 + + a1n Xn , =, b1
a21 X1 + a22 X2 + + a2n Xn , =, b2
.
.
.
.
.
.
.
.
.
.
am1 X1 + am2 X2 + + amn Xn , =, bn

X1 , X2 , ., Xn 0
En la formulacin anterior, los coeficientes C j , aij y bi se interpretan
fsicamente de la siguiente manera:
bi : cantidad disponible del recurso i.
aij : Cantidad del recurso i que debe asignarse a cada unidad de la
actividad j.
Cj : Valor (costo, beneficio) por unidad de la actividad j.

1.3

Fases de un estudio de mtodos cuantitativos

DEFINICION
DEL
PROBLEMA

CONSTRUCCI
ON DEL
MODELO

SOLUCION
DEL
MODELO
VALIDACION DEL
MODELO

MODELO
MODIFICAD
O

IMPLANTACIO
N DE LOS
RESULTADOS
FINALES

An cuando el analista en mtodos cuantitativos posea amplio dominio de

tcnicas de solucin y en modelstica, es recomendable que el trabajo sea
realizado por un equipo de investigacin, el cual deber incluir a ste y a los
miembros de la organizacin cuyas responsabilidades estn directamente
vinculadas al problema-objeto de estudio; esto, aparte de generar un efecto
sinrgico en el grupo, garantiza una eficiente ejecucin e implantacin de la
solucin recomendada.

Dependiendo de la naturaleza del problema y del contexto de investigacin en

el cual ste se encuentra inmerso, puede adoptarse la siguiente secuencia:
a) Definicin del problema; lo cual debe efectuarse considerando los
siguientes aspectos:
Una descripcin de la meta u objetivo del estudio, lo cual debe
reflejar aproximadamente el inters total del sistema. Es decir, el
problema debe abordarse en forma integral.
Una identificacin de las alternativas de decisin del sistema, y;
Un reconocimiento de las restricciones y requisitos del sistema.
a) Construccin del modelo; dependiendo de la naturaleza y complejidad
del sistema en estudio, deber decidirse por aquel que mejor se
adece a ste. Tal modelo deber especificar relaciones cuantitativas
para el objetivo y para las restricciones del problema en funcin de sus
variables de decisin.
Si las relaciones matemticas son
excesivamente complejas que dificulten su anlisis, se puede optar por
los modelos heursticos o de simulacin, o la combinacin de stos
ltimos con los matemticos.
b) Solucin del modelo; En los modelos matemticos, esto se logra a
travs de las tcnicas de optimizacin. En casos que se haga uso de
los modelos heursticos el concepto de optimizacin no est
claramente definido por lo que la solucin se emplea para obtener
evaluaciones aproximadas de las medidas del sistema.
Es importante incluir adems en esta fase, informacin referente a los
cambios en el comportamiento del sistema debido a la variacin de los
parmetros (anlisis de sensibilidad), lo cual permitir hacer reajustes
en el sistema para mejorar su funcionamiento.
c) Validacin del modelo; Un modelo es vlido en tanto proporciona
elementos confiables de prediccin del funcionamiento del sistema.
Usualmente esto se resuelve utilizando datos pasados disponibles del
sistema. Esto encierra cierta dificultad debido a que no existe certeza
de que el funcionamiento futuro del sistema duplique su historia. Por
ello, en algunos casos esto se resuelve utilizando datos de corridas de
ensayo del sistema. Cabe acotar que el citado mtodo no es
apropiado para sistemas que no existen, dado que no se cuenta con
datos para la comparacin, por lo cual, si el modelo original fuera
matemtico podra ser factible construir un modelo heurstico para
efectuar tal comparacin.
d) Implantacin de resultados finales; cuya tarea recae en el equipo de
investigacin. Ello implica la traduccin de los resultados probados del
modelo en instrucciones especficas y detalladas de operaciones a los
individuos que en el futuro administrarn y operarn el sistema. En
esta fase es imperativa la cooperacin mutua entre el equipo de
investigacin y los responsables de la administracin y operacin del
sistema.

CAPITULO II:
2.1

PROGRAMACION LINEAL

Introduccin

La programacin lineal es una clase de modelos de programacin matemtica

destinados a la asignacin eficiente de los recursos limitados en actividades
conocidas, con el objeto de satisfacer las metas deseadas (tal como maximizar
beneficios o minimizar costos). La caracterstica distintiva de los modelos de
programacin lineal es que las funciones que representan el objetivo y las
restricciones son lineales.
2.2

Aplicaciones de la programacin lineal

En la prctica, la programacin lineal ha probado ser uno de los enfoques

cuantitativos ms exitosos para la toma de decisiones en la administracin. Se
han reportado numerosas aplicaciones en las industrias qumica, del
aerotransporte, del acero, del papel, del petrleo y en otras. Los problemas
especficos que han sido estudiados son diversos e incluyen programacin de
la produccin, seleccin de medios publicitarios, planeacin financiera,
presupuestos de capital, transporte, ubicacin de plantas, mezcla de
productos, asignacin de personal, mezclados y muchas otras.
2.3

Definicin general de programacin lineal

Un modelo de programacin lineal, en general, se define como:

F.O.: (MAX) (MIN) X0 = C1 X1 + C2 X2 + + Cn Xn
Sujeto a:
a11 X1 + a12 X2 + + a1n Xn (, = ) b1
a21 X1 + a22 X2 + + a2n Xn (, = ) b2

.
.
.
.
.
.
.
.
.
.
am1 X1 + am2 X2 + + amn Xn (, = ) bn
X1 , X2 , Xn 0
Donde Cj , bi , aij (i=1, 2, , m); j=1, 2, , n) son constantes determinadas por
la tecnologa del problema y Xj son las variables de decisin. nicamente un
signo (, = ) ocurre para cada restriccin. No obstante que todas las
variables son declaradas no negativas, cada variable irrestricta puede
convertirse equivalentemente a variables no negativas. La restriccin de no
negatividad es esencial para el desarrollo del mtodo de solucin para
programacin lineal.
Los modelos de PL a menudo representan problemas de asignacin en los
cuales los recursos limitados se asignan a un nmero de actividades. As, los
coeficientes Cj , bi y aij se interpretan fsicamente como sigue:
Si bi es la cantidad disponible del recurso i, entonces a ij es la cantidad del
recurso i que debe asignarse a cada unidad de la actividad j. El valor por
unidad de la actividad j es igual a C j .
Despus de formular el modelo, el siguiente paso del anlisis es resolver el
modelo. Debido a que estos modelos pueden presentarse en las formas (MAX)
(MIN) para la Funcin Objetivo y (, = ) para las restricciones, es
necesario modificar estas formas a fin de que se ajusten al procedimiento de
solucin adecuado. La forma estndar se utiliza directamente para resolver el
modelo; la forma cannica es particularmente til al presentar la teora de
dualidad.
La forma cannica
(MAX) X0

n
= Cj Xj
j=1

Sujeto a:
n
aij Xj bi ,
j=1

i = 1, 2,, m

Xj j = 1, 2,, n
Las caractersticas de esta forma son:
Todas las variables de decisin son no negativas.
Todas las restricciones son del tipo (menor o igual).
La funcin objetivo es del tipo maximizacin
Un problema de PL puede expresarse en la forma cannica por el uso de cinco
transformaciones elementales:

1. La minimizacin de una funcin, f(X), es matemticamente equivalente a

la maximizacin de la expresin negativa de esta funcin, - f(X). Por
ejemplo, la funcin lineal:
(MIN) X0 = C1 X1 + C2 X2 + + Cn Xn , es equivalente a:
(MAX) g0 = - X0 = - C1 X1 - C2 X2 - - Cn Xn

; con X0 = g0

2. Una desigualdad puede cambiar su direccin multiplicando ambos lados

de la desigualdad por -1. Por ejemplo, la restriccin lineal:
a1 X1 + a1 X1 b es equivalente a: - a 1 X1 - a1 X1 - b
3. Una ecuacin puede ser
reemplazada por dos desigualdades en
direcciones opuestas. Por ejemplo:
a1 X1 + a1 X1 = b ; es equivalente a las dos restricciones simultaneas:
a1 X1 + a1 X1 b

a1 X1 + a1 X1 b

4. Una restriccin de desigualdad con su lado izquierdo en la forma de

valor absoluto puede cambiarse a dos desigualdades regulares. Por
consiguiente, para b 0;
a1 X1 + a1 X1
a1 X1 + a1 X1 b

b; es equivalente a:
y

a1 X1 + a1 X1 - b

De igual manera, para b 0;

a1 X1 + a1 X1
a1 X1 + a1 X1 b

b; es equivalente a:

a1 X1 + a1 X1 - b

5. Una variable que es irrestricta en signo (esto es, positiva, negativa o

cero) es equivalente a la diferencia entre dos variables no negativas. Por
consiguiente si X es irrestricta en signo puede reemplazarse por ( X + X- ) donde X+ 0 y X- 0.
Ejemplo:
Considere el problema de programacin lineal:
(MIN) X0 = 3X1 - 3X2 + 7X3
Sujeto a:
X1
X1
5X1

+ X2
+ 9X2
+ 3X2

+
-

3X3
7X3

40
50
= 20

 5X2 + 8X3
X1 , X2 0;

100
X3 es irrestricta en signo

Efectuando las transformaciones elementales el PL se expresa en su forma

cannica como sigue:
(MAX) g0 = - ( X0 ) = -3X1 + 3X2 - 7 ( X3+ - X3- )
Sujeto a:
X1
- X1
5X1
-5X1

+
X2 + 3 ( X3+ - X3- ) 40
- 9X2 + 7 ( X3+ - X3- ) -50
+ 3X2
20
- 3X2
-20
5X2 + 8 ( X3+ - X3- )
- 5X2 - 8 ( X3+ - X3- )

X1, X2, X3+ , X3-

100
100

La forma estndar
(MAX) X0

n
= Cj Xj
j=1

Sujeto a:
n
aij Xj
j=1
Xj 0,

+ Si

bi ,

i = 1, 2,, m

j = 1, 2,, n

Si 0,
i = 1, 2,, m
Las caractersticas de la forma estndar son:
Todas las restricciones son ecuaciones excepto la restriccin de no
negatividad que permanece como desigualdad ( 0).
Los elementos del lado derecho (bi) de cada ecuacin son no negativos.
Todas las variables son no negativas.
La funcin objetivo es del tipo (MAX) (MIN).
Las restricciones de desigualdad pueden cambiarse a ecuaciones introduciendo
(sumando o restando) en el lado izquierdo de cada una de tales restricciones
una variable no negativa. Estas nuevas variables se conocen como variables

de holgura. Estas ltimas debern incluirse tanto en la funcin objetivo como

en las restricciones con coeficiente cero a fin de no alterar el modelo original.
Tomando como referencia el modelo anterior, este quedara expresado en su
forma estndar como sigue:
(MAX) g0 = - ( X0 ) = -3X1 + 3X2 - 7 ( X3+ +0S5 +0S6
Sujeto a:
X1
X1
5X1
20
5X1
20

+
+
+

X2
9X2
3X2

3X2
5X2
- 5X2

X3- ) + 0S1 + 0S2 +0S3 +0S4

+ 3 ( X3+ - X3- ) + S1
- 7 ( X3+ - X3- )
- S2

= 40
= 50
+ S3

=
- S4

+ 8 ( X3+ - X3- )
- 8 ( X3+ - X3- )

+ S5
= 100
+ S6 = 100

X1 , X2 , X3+ , X3- , S1 , S2 , S3 , S4 , S5 , S6 0
2.4

FORMULACION DEL PROBLEMA (PLANTEAMIENTO)

La optimizacin basada en programacin lineal corresponde a situaciones

reales en las que se pretende identificar y resolver dificultades para aumentar
la productividad respecto a los recursos (principalmente los limitados y
costosos), aumentando as los beneficios.
Los resultados y el proceso de optimizacin se convierten en un respaldo
cuantitativo de las decisiones frente a las situaciones planteadas. Decisiones
en las que sera importante tener en cuenta diversos criterios administrativos
como:

Los hechos
La experiencia
La intuicin
La autoridad

Ejemplo 1:
La Cia. Par Inc., es un pequeo fabricante de equipo y accesorios para golf
cuyos administradores han decidido incursionar en el mercado de las bolsas
para bastones de golf hechas de piel, a precios mediano y alto. El distribuidor
de Par est muy entusiasmado con la nueva lnea de productos y ha aceptado
comprar todas las bolsas de golf que fabrique Par en los tres meses siguientes.
Despus de una investigacin cuidadosa de las etapas necesarias para fabricar
una bolsa, los administradores determinan que cada bolsa que se fabrique
requerir de las siguientes operaciones:
1. Cortar y teir el material

2. Coser
3. Terminar (insertar el portasombrilla, los pasadores de los palos, etc.)
4. Inspeccionar y embalar
El director de manufactura ha analizado cada una de las operaciones y llegado
a la conclusin de que si la compaa fabrica un modelo estndar de precio
medio se requerir 7/10 de hora en el departamento de corte y teido, 1/2 hora
en el departamento de costura, 1 hora en el departamento de terminado, y
1/10 hora en el departamento de inspeccin y embalaje. El modelo de lujo
ms costoso requerir de 1 hora para corte y teido, 5/6 hora para costura, 2/3
hora para terminado y 1/4 hora para inspeccin y embalaje. El departamento
de costos ha analizado estas cifras de produccin, ha asignado todos los costos
pertinentes y llegado a la conclusin de que se obtendra una contribucin a las
utilidades de $. 10 para cada bolsa estndar, y de $. 9 para cada bolsa de lujo
que se fabrique.
Adems, despus de estudiar las proyecciones de las cargas de trabajo en los
departamentos, el director de manufactura estima que para los
departamentos, el director de manufactura estima que para la produccin de la
bolsa de golf en los tres meses siguientes, habr disponibles 630 horas de
tiempo de corte y teido, 600 horas de costura, 708 horas de acabado y 135
horas de inspeccin y embalaje.
El problema de Par es determinar cuntas bolsas estndares y cuntas bolsas
de lujo deben fabricar con el objeto de maximizar la contribucin a las
utilidades. Si estuviera a cargo del programa de produccin para la compaa
Par qu decisin tomara? Es decir, cuntas bolsas estndares y cuntas
bolsas de lujo fabricara en los tres meses siguientes?

Sean:
X1 = n bolsas estndares a fabricar
X2 = n bolsas de lujo a fabricar
Actividad u
operacin
Corte y teido
Costura
Terminado
Inspeccin
embalaje
Utilidad ($.)

Tiempo requerido por

unidad de producto (horas)
Bolsa
Bolsa de lujo
estndar
7/10
1
1/2
5/6
1
2/3
1/10
1/4
10

Capacidad
de operacin
(horas)
630
600
708
135

Contribucin total a las utilidades (Z)

Como el objetivo (maximizar la contribucin total de utilidades) es funcin de
sus variables de decisin (X 1 , X2 ), a 10X1 + 9X2 se le denomina funcin
objetivo (F.O.), quedando planteado el objetivo de la siguiente manera:
F.O.:

(MAX)Z = 10X1 + 9X2

Cualquier combinacin especfica de fabricacin de artculos de tipo estndar y

de lujo se le designa por solucin del problema. Sin embargo slo aquellas
soluciones que satisfacen todas las restricciones se les denomina soluciones
factibles. La combinacin factible especfica que aporta la mayor utilidad se la
denomina solucin ptima.
Para determinar las soluciones factibles es
necesario identificar las restricciones del problema, as:
Tiempo total requerido de corte y teido = 7/10 X 1 + X2 ; lo cual denota que el
nmero de horas que se utilicen para las operaciones de corte y teido en la
fabricacin de X1 bolsas estndares y X2 bolsas de lujo deber ser menor o
igual que la cantidad mxima de tiempo disponible para corte y teido.
Para las dems operaciones se procede del mismo modo. Dado que no es
posible fabricar un nmero negativo de bolsas estndares o de lujo y a fin de
que las variables de decisin no asuman valores negativos, debe aadirse dos
restricciones:
X1 0
X2 0
en forma abreviada: X1 , X2 0 (restricciones de no negatividad), con lo cual
queda el problema completo queda planteado de la siguiente manera:

F.O.:

(MAX)Z = 10X1 + 9X2

Sujeto a:
Corte y teido:
Costura:
Terminado:
Inspeccin y embalaje:
X1 , X2 0

7/10 X1
1/2

X2

630

X1 + 5/6 X2 600
X1 + 2/3 X2 708

1/10 X1 + 1/4 X2 135

Ejemplo 2:
Se procesan cuatro productos sucesivamente en dos mquinas. Los tiempos de
manufactura en horas por unidad de cada producto se tabulan a continuacin
para dos mquinas:
MAQUINA

TIEMPO POR UNIDAD (HORAS)

PROD. 1

PROD. 2

PROD. 3

PROD. 4

El costo total de producir una unidad de cada producto est basado

directamente en el tiempo de mquina. Suponga que los costos por hora para
las mquinas 1 y 2 son $. 10 y $. 15. Las horas totales presupuestadas para
todos los productos en las mquinas 1 y 2 son 500 y 380. Si el precio de venta
por unidad para los productos 1, 2, 3 y 4 es $. 65, $. 70, $. 55 y $. 45. Formule
el problema como un modelo de programacin lineal para maximizar el
beneficio neto total.
Solucin:
Sean:
X1, X2, X3, X4 = n de unidades producidas de los productos 1, 2, 3 y 4.

Se tiene:

TIEMPO POR UNIDAD (HORAS)

MAQUINA
1
2

PROD.
1

PROD. PROD. PROD.

2
3
4

CAPADIDAD
DE
OPERACIN
(HORA)

COSTO
HORA
MAQUINA
($)

500

10

INGRESO
UNITARIO
POR
VENTA
($)

2
3

3
2

4
1

2
2

65

70

55

45

380

15

CONDICION DE CAPACIDAD:
MAQUINA 1: 2X1 + 3X2 + 4X3 + 2X4 500
MAQUINA 2: 3X1 + 2X2 + 1X3 + 2X4 380
FUNCION OBJETIVO: F.O.: UTILIDAD = INGRESOS COSTOS
UTILIDAD = 65X1 + 70X2 + 55X3 + 45X4 - [10 (2X1 + 3X2 + 4X3 + 2X4) + 15
(3X1 + 2X2 + 1X3 + 2X4)]
UTILIDAD = 10X2 - 5X4
Luego:

F.O.: (MAX) U = 10X2 - 5X4

Sujeto a:
MAQUINA 1: 2X1 + 3X2 + 4X3 + 2X4 500
MAQUINA 2: 3X1 + 2X2 + 1X3 + 2X4 380
R.N.N.: X1 , X2 , X3 , X4 0
Ejemplo 3:
Un granjero desea determinar la mezcla ptima para un lote diario de
alimentos de 100 kg de manera tal que satisfaga los requerimientos nutritivos
para sus animales; siendo stos:
Al menos 0.8% pero no ms de 1.2% de Calcio
Al menos 22% de Protenas
A lo ms 5% de Fibras Crudas

Se sabe adems de que los ingredientes de que ste dispone tienen el

siguiente contenido nutritivo:
INGREDIENTE
S

Kgs por Kg de INGREDIENTE

CALCIO

PROTEINA FIBRA

COSTO
por Kg

S
PIEDRA
0.3800
CALIZA
0.0010
MAZ
0.0020
ALIMENTO DE
SOYA

0.0000
0.0900
0.5000

($)
0.0000
0.0200
0.0800

0.0164
0.0463
0.1250

Formule el problema como un modelo de programacin lineal para minimizar el

costo neto total.
Solucin:
Sean: X1 = n kg de Piedra Caliza a comprar
X1 = n kg de Maz a comprar
X1 = n kg de Alimento de Soya a comprar
Luego:

F.O.: (MIN) C = 0.0164X1 + 0.0463X2 + 0.1250X3

Sujeto a:
TAMAO DEL LOTE:
X1 + X2 + X3 = 100
REQUERIMIENTOS NUTRITIVOS:
CALCIO:
0.3800X1 + 0.0010X2 + 0.0020X3 1.20/100X100
0.3800X1 + 0.0010X2 + 0.0020X3 0.80/100X100
PROTENAS:
0.0900X2 + 0.5000X3 22/100X100
FIBRA:
0.0200X2 + 0.0800X3 5/100X100
R.N.N.:
X1, X2, X3 0
Ejemplo 4:
Una fbrica de automviles y camiones consta de los departamentos que a
continuacin se enumeran:
Dpto. 1

Estampado de planchas metlicas

Dpto. 2:

Armado de motores

Dpto. 3:

Montaje de automviles

Dpto. 4:

Montaje de camiones

El departamento 1 puede estampar por mes las planchas necesarias para

25,000 automviles o 35,000 camiones, o las correspondientes combinaciones
de automviles y camiones. El departamento 2 puede armar por mes 33,333
motores de automviles o 16,667 motores de camin, o las correspondientes
combinaciones de automviles y camiones. El departamento 3 puede montar y
terminar 22,500 automviles y 15,000 camiones el departamento 4. Si cada
automvil deja una utilidad de $. 300 y cada camin $. 250. Qu cantidad de

automviles y camiones deben producirse de manera que las utilidades que se

obtengan sean las mximas posibles?
Solucin:
Sean: X1 = n automviles a producir
X2 = n camiones a producir
F.O.: (MAX) U = 300X1 + 250X2
RESTRICCIONES DE CAPACIDAD:
Dpto. 1:
Asumiendo que la capacidad total de este departamento es 100%
= 100/100 = 1; se tiene:
25,000 automviles
X1 automviles

________________

________________

1 (Capacidad total)
?

___________________________________________________________________
? = X1 / 25,000 (Capacidad del Dpto. 1 empleada en automviles)
35,000 camiones

________________

1 (Capacidad total)

X2 camiones

________________

___________________________________________________________________
? = X2 / 35,000 (Capacidad del Dpto. 1 empleada en automviles)
Capacidad empleada en automviles + Capacidad empleada en
camiones = Capacidad total
Capacidad Dpto. 1:X1 / 25,000 + X2 / 35,000 1
Siguiendo el mismo
resumiendo, se tiene:

razonamiento

para

los

F.O.: (MAX) U = 300X1 + 250X2

Sujeto a:
RESTRICCIONES DE CAPACIDAD:
Capacidad Dpto. 1:X1 / 25,000 + X2 / 35,000

Capacidad Dpto. 2:X1 / 33,333 + X2 / 16,667

Capacidad Dpto. 3:X1 / 22,500

Capacidad Dpto. 3:
RN.N.: X1, X2 0

1
X2 / 15,000

dems

departamentos

Ejemplo 5:
Se procesan tres productos a travs de tres operaciones diferentes. Los
tiempos (en minutos) requeridos por unidad de cada producto, la capacidad
diaria de las operaciones (en minutos por da) y el beneficio por unidad vendida
de cada producto (en dlares) son como sigue:

TIEMPO POR UNIDAD

(minutos)
OPERACIO
N

Prod.
1

Prod. 2

Prod.
3

1
2
3

1
3
1

2
0
4

1
2
0

GANANCIA
($.)

CAPACIDAD
DE
OPERACIN
(minutos/d
a)
430
460
420

a. Determinar la produccin diaria ptima para los tres productos que

maximice el beneficio (Z).
b. Supongamos que un cuarto producto debe fabricarse en las mismas
operaciones. Los tiempos por unidad en las tres operaciones son 3, 5
y 1. El beneficio por unidad es igual a $. 6. Vuelva a formular el
modelo de programacin lineal si adems debe utilizarse la
capacidad total de la operacin 3.
Cmo cambiara esto la
formulacin?
c. En el problema original, suponga que la suma de las capacidades no
utilizadas de las tres operaciones no deben exceder de 10 minutos
por da. Muestre como sta restriccin puede ser implantada en la
formulacin.
d. Suponga adems que un estudio de mercado indica que la relacin
del nmero de unidades del producto 1 al nmero de unidades del
producto 2 y 3 debe ser al menos igual a 0.4. Muestre como esta
restriccin puede ser tomada en cuenta en la formulacin del
problema original.
Solucin:
a) Solucin:
Sean: X1 , X2 , X3 = n unidades de los productos 1, 2, 3 a producir
F.O.: (MAX) Z = 3X1 + 2X2 + 5X3

Sujeto a:
Operacin
Operacin
Operacin
X1 , X2 , X3

1:
2:
3:
0

X1 + 2X2
3X1
X1 + 4X2

+ X3 430
+ 2X3 460
420

b) Solucin:
Operacin

1
2
3
Ganancia
por
unidad ($)

Tiempo por unidad (minutos)

Prod. 1 Prod. 2 Prod. 3 Prod. 4

1
3
1
3

2
0
4
2

1
2
0
5

3
5
1
6

Capacidad
de
operacin
(minutos/d
a)
430
460
420

Sean: X1 , X2 , X3 , X4 = n unidades de los productos 1, 2, 3, 4 a producir

F.O.: (MAX) Z = 3X1 + 2X2 + 5X3 + 6X4
Sujeto a:
Operacin 1:
X1 + 2X2 + X3
Operacin 2:
3X1
+ 2X3
Operacin 3:
X1 + 4X2
X1 , X2 , X3 , X4 0

+ 3X4 430
+ 5X4 460
+
X4 = 420

c) Dado que se hace mencin a las capacidades no utilizadas (holguras) de

las operaciones , es menester, previo a la formulacin del problema
explicar el concepto de holgura.
1er caso:
Sea: J:
aij Xj bi
J:
aij Xj + Si = bi
Donde:
aij Xj = cantidad mnima necesaria de recursos para la ejecucin de la
actividad J
bi
= recursos disponibles para la ejecucin de la actividad J
Si
= holgura de la actividad J

aij Xj = 30
hr-h

bi = 50
hr-h

Si = 20
hr-h

En el caso expuesto, la holgura positiva +Si refleja una capacidad ociosa

de recursos (supervit) que no estn siendo utilizados, ante lo cual
podra optarse por rotar personal hacia otras reas deficitarias o en el
peor de los casos prescindir de dicho personal, dado que afectaran los
costos operativos de la empresa.
2do caso:
Sea:

J:

aij Xj bi

J:
aij Xj - Si = bi
Donde:
aij Xj = cantidad mnima necesaria de recursos para la ejecucin de la
actividad J
bi
= recursos disponibles para la ejecucin de la actividad J
Si
= holgura de la actividad J

bi = 30
hr-h
aij Xj = 50
hr-h

Si = 20
hr-h

En el presente caso, la holgura negativa -Si refleja una falta de recursos

(dficit) que de no asignarse, dicha actividad no podra concretarse,
paralizndose temporalmente el proceso productivo y pudiendo

desencadenar colateralmente otros malestares de orden social y

econmico.
3er caso:
Sea:

J:

aij Xj = bi

J:
aij Xj Si = bi ; Si = 0
Donde:
aij Xj = cantidad mnima necesaria de recursos para la ejecucin de la
actividad J
bi
= recursos disponibles para la ejecucin de la actividad J
Si
= holgura de la actividad J

bi = 50

aij Xj = 50
hr-h

hr-h

Este caso, en que la cantidad necesaria de recursos y su disponibilidad

se igualan, es decir, la holgura es nula, S i = 0, se interpreta que se
estara operando a plena capacidad en dicha fase del proceso
productivo.
Aclarado el concepto de holgura, pasamos a formular el programa lineal
correspondiente al problema antecitado como sigue:
Problema original:
Sean: X1 , X2 , X3 = n unidades de los productos 1, 2, 3 a producir
F.O.: (MAX) Z = 3X1 + 2X2 + 5X3
Sujeto a:
Operacin 1: X1

+ 2X2

X3 430

Operacin 2:3X1

+ 2X3 460

Operacin 3: X1 + 4X2

420

X1 , X2 , X3 0
Incorporando variables de holgura:
F.O.: (MAX) Z = 3X1 + 2X2 + 5X3 + 0 S1 + 0 S2 + 0 S3
Sujeto a:
Operacin 1: X1

+ 2X2

Operacin 2:3X1

X3

S1

+ 2X3

= 430
+

S2

Operacin 3: X1 + 4X2

= 460
+

S3

= 420

X1 , X2 , X3 , S1 , S2 , S3 0
Donde:

S1 , S2 , S3 = capacidades no utilizadas

Despejando, se tiene:
S1 = 430

X1

S2 = 460

3X1

S3 = 420

- 2X2

X3

(I)

- 2X 3

(II)

X1 - 4X2

(III)

(I) + (II) + (III):

S1 + S2 + S3 = 1310 - 5X1 - 6X2 - 3X3
Pero: S1 + S2 + S3 10

(IV)

(V)

Luego:
Reemplazando (V) en (IV) y multiplicando por (-1), se tiene:
1310 - 5X1 - 6X2 - 3X3

10

(-1)

5X1 + 6X2 + 3X3 1300

Finalmente, incorporando esta restriccin al modelo original:
F.O.: (MAX) Z = 3X1 + 2X2 + 5X3
Sujeto a:
Operacin 1:
Operacin 2:
Operacin 3:

X1

2X2

3X1
X1

+
+

4X2

X3 430
2X3 460
420

Condicin de capacidad ociosa: 5X1

6X2

+ 3X3

1300

X1 , X2 , X3 0
d) Solucin:
Pauta de produccin: X1 / X1 + X2

0.4

X1 0.4X2 + 0.4X3
X1 -

0.4X2 - 0.4X3

Incluyendo sta restriccin en el problema original:

F.O.: (MAX) Z = 3X1 + 2X2 + 5X3
Sujeto a:
Operacin 1:
Operacin 2:
Operacin 3:
Pauta de produccin:
X1 , X2 , X3 0

X1

2X2

3X1
X1

+
+

4X2
X1

X3

430

2X 3

460
420

0.4X2

- 0.4X3

EJERCICIOS PROPUESTOS
1. Supngase que el Banco de Crdito al Campesino, tiene dos planes de
inversin: el primero en el programa de tierras de riego y el segundo en
el programa de tierras de temporal. El primer programa regresa un 30%
de la inversin anualmente, mientras que el segundo plan regresa un
65% de la inversin, pero al trmino de dos aos. Los intereses
recibidos en ambos planes son reinvertidos de nuevo en cualquiera de
ambos planes. Formule el programa lineal que le permita al Banco
maximizar la inversin total en un sexenio, si la inversin anual es de $.
100,000.
2. La Ca. Petromar ubicada cerca de Piura, suministra gasolina a sus
distribuidores en camiones. La Ca. recientemente recibi un contrato
para iniciar el suministro de 800,000 galones de gasolina por mes a
distribuidores de Lima. La Ca. tiene $. 500,000 disponibles para crear
una flota consistente en tres tipos diferentes de camiones. En la
siguiente tabla se muestra la capacidad relevante, costo de compra,
costo operativo y nmero mximo de viajes por cada tipo de camin:
TIPO DE
CAMION

CAPACIDAD
(gls.)

COSTO DE
COMPRA ($.)

COSTO DE
OPERACIN
$/. por mes

MXIMO DE
VIAJES POR
MES

6,000

50,000

800

20

3,000

40,000

650

25

2,000

25,000

500

30

Sobre la base del mantenimiento y la disponibilidad de conductores, la

compaa no desea comprar ms de diez vehculos para su flota.
Asimismo, la Ca. deseara asegurarse que se compren al menos dos de
los camiones de tipo 3 (se requieren para su uso en las rutas de trayecto
corto/baja demanda). Finalmente, la Ca. no deseara que ms de la
mitad de la flota sea de camiones del tipo 1. Como gerente de
operaciones, formule un modelo para determinar la composicin de la
flota que minimice los costos operativos mensuales al tiempo que
satisfaga las demandas no salindose del presupuesto y satisfaciendo
los requerimientos de las otras compaas.
3. Los socios de INVERSOL, una compaa de inversin de capital de riesgo,
estn considerando invertir en una o ms propuestas que han recibido
de varios negocios empresariales. El departamento de investigacin ha
examinado cada propuesta, y cuatro de los empresarios cumplen con el
requerimiento de INVERSOL de lograr un rendimiento lo suficientemente
alto para el riesgo asociado. Estas compaas son: TELE-MM, CEMENTOS
BETA, EPSILN Y MINSUR. El departamento de investigacin de de
INVERSOL ha estimado el rendimiento total as como las inversiones al
principio de cada uno de los siguientes cuatro aos (en dlares
actuales). El departamento de contabilidad ha estimado los fondos
totales que INVERSOL tiene para invertir a principio de cada uno de los
cuatro aos. Observe que los fondos no usados de cualquier ao no
estn disponibles para su inversin en los aos posteriores. Asimismo,
por acuerdo de los socios se ha decidido no invertir conjuntamente en
CEMENTOS BETA y EPSILN. Formule el modelo que maximice el
rendimiento total de las inversiones.
4. Una fbrica de papel recibi tres pedidos de rollos de papel con los
anchos y longitudes indicadas en la tabla siguiente:
PEDIDO
n

ANCHURA(pi
es)

LONGITUD
(pies)

10,000

30,000

20,000

Los rollos se producen en la fbrica con dos anchos estndar: 10 y 20

(pies), los cuales hay que recortar a los tamaos especificados por los
pedidos. No existe lmite sobre la longitud de los rollos estndar ya que
para propsitos prcticos los rollos de longitud limitada pueden unirse

para proporcionar las longitudes requeridas. El objetivo es determinar el

esquema de produccin (modelo de corte) que minimice la prdida por
ajuste y satisfaga la demanda dada.
5. El fundo El Dorado cuenta con 50 acres de tierra disponibles para la
siembra de maz, soya, lechuga, algodn y brcoli. La siguiente tabla
muestra la informacin relevante perteneciente produccin, el costo de
plantacin, el precio de venta y los requerimientos de agua para cada
cultivo.
CULTIVO

PRODUCCI COSTO ($/

N
kg)
(kg/acre)

PRECIO DE
VENTA
($/kg)

AGUA
REQUERIDA
(litros/kg)

Maz

640

1.00

1.70

8.75

Frijol de
soya

500

0.5

1.30

5.00

Lechuga

400

0.4

1.00

2.25

algodn

300

0.25

1.00

4.25

Brcoli

350

0.60

1.30

3.50

Para la prxima temporada, hay 100,000 litros de agua disponibles y El

Dorado ha contratado vender al menos 5,120 kg de maz. Formule un
programa lineal para determinar una estrategia de plantacin ptima
para El Dorado.
6. Al gerente de AFP PROFUTURO se le pide invertir $. 1000,000 del
Fondo de Pensiones de sus afiliados. El departamento de investigacin
de inversiones ha identificado seis fondos mutuos con estrategias de
inversiones variables, resultando en diferentes rendimientos potenciales
y riesgos asociados como se resume en la tabla siguiente:
RIESGO Y TASA DE RENDIMIENTO DE SEIS FONDOS
DE INVERSIN
FONDO FONDO FONDO FONDO FONDO FONDO
1
2
3
4
5
6
PRECIO
($/Accin)

45

76

110

17

23

22

DEVOLUCIN
ESPERADA (%)

30

20

15

12

10

CATEGORA DE
RIESGO

Alto

Alto

Alto

Median Median
o
o

Bajo

Una forma de controlar el riesgo, es limitar la cantidad de dinero

invertido en los diversos fondos. Para este fin, la administracin de AFP
PROFUTURO ha especificado las siguientes pautas:
La cantidad total invertida en fondos de alto riesgo debe estar
entre 50 y 75% de la cartera.
La cantidad total invertida en fondos de mediano riesgo debe
estar entre 20 y 30% de la cartera.
La cantidad total invertida en fondos de bajo riesgo debe ser al
menos de 5% de la cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es,
esparcir el riesgo invirtiendo en muchas alternativas diferentes. La
gerencia de AFP PROFUTURO ha especificado que la cantidad invertida
en los fondos de alto riesgo 1, 2 y 3, debe estar en la tasa 1:2:3,
respectivamente. La cantidad invertida en los fondos de mediano riesgo
4 y 5 debe ser 1:2.
7. Un industrial desea determinar el programa ptimo para tres mezclas
distintas que hace con diferentes proporciones de pistaches, cacahuates
y avellanas. Las especificaciones de cada una de ellas son: la mezcla 1
debe contener 50% de pistaches como mnimo y 25% de cacahuates
cuando ms, la libra de esta mezcla se vende a 50 centavos. El segundo
tipo debe contener el 25% de pistaches, por lo menos y un 50% de
cacahuates cuando ms, y se vende a 35 centavos la libra. El tercer tipo
no tiene especificaciones y se vende a 25 centavos la libra. Sin
embargo, estn restringidas las cantidades de materias primas que
puede conseguir el industrial, las mximas por periodo son: 100 libras de
pistaches, 100 libras de cacahuates y 60 libras de avellanas. Cada libra
de pistaches le cuesta 65 centavos, la de cacahuates 25 centavos y 35
centavos la de avellanas. Se trata de determinar cuantas libras se
deben preparar de cada mezcla, de manera que se obtengan las
mximas utilidades.
8. Un molino agrcola produce alimento para ganado y alimento para
pollos. Estos productos se componen de tres ingredientes principales, a
saber, maz, cal y harina de pescado. Los ingredientes contienen dos
tipos principales de nutrientes que son protenas y calcio. En la tabla
siguiente se dan los contenidos de nutrientes por libra de cada
ingrediente.
NUTRIENT
ES

Protena
Calcio

INGREDIENTES
Maz

Cal

Harina de
pescado

25
15

15
30

25
20

El contenido de Protena en el alimento para ganado debe estar en el

intervalo [18, 22] por libra. El contenido de Calcio en el mismo alimento
debe ser mayor o igual que 20 por libra. De igual manera, en el alimento
para pollos el contenido de Protenas y el contenido de Calcio debe estar
en los intervalos [20, 23] y [20, 25], respectivamente. Supngase que se
dispone de 3000, 2500 y 100 libras de Maz, Cal y Harina de pescado.
Supngase tambin que se requieren producir 4000 y 2000 libras de
alimentos para ganado y para pollos, respectivamente. El precio por
libra de Maz, la Cal y la Harina de pescado es, respectivamente, de $.
0.10, $. 0.10, y $. 0.08. Formlese el problema de mezclado con el
objeto de minimizar el costo.
9. Bob Frapples empaca frutas exticas envueltas para regalo.
Sus
paquetes son envueltos en dos tiendas diferentes que las envan a cinco
diferentes vendedores. El costo de empacar los productos en las tiendas
1 y 2 es de $. 5.25 y $. 5.70 respectivamente. El pronstico de Bob de la
demanda indica que los envos deben ser como se indica en la tabla 1.
La capacidad de empaque de la tienda 1 es de 20,000 paquetes y la de
la tienda 2 de 12,000. Los costos de distribucin desde las dos tiendas
se dan en la tabla 2. Formule un modelo de programacin lineal para
determinar cuntos paquetes debe enviar Bob desde cada tienda a cada
vendedor.
Demanda de los mayoristas (Tabla 1)
MAYORISTA
1

ENVIOS 4000 6000 2000 1000 8000

0

Costos de distribucin (Tabla 2)

LOCALIDA
D
1
2

VENDEDOR
1

0.06
0.15

0.04
0.09

0.12 0.09
0.05 0.08

5
0.05
0.08

10.Se desea enviar 6 unidades desde el punto 1 al punto 5. En la grfica

adjunta, se detallan las rutas, los costos unitarios y las capacidades; as
por ejemplo para la ruta (1 ,2), cada unidad enviada cuesta 2 dlares y

su capacidad es de 4 unidades. Se desea determinar el mejor esquema

de envo usando para ello un modelo de PL.

4, 4

3, 6
2, 4
f=
6

5, 4

6, 8

5
5, 6

5, 4

11.La Cmara de Industriales de la regin peridicamente promueve

servicios pblicos, seminarios y programas. Actualmente los planes de
promocin para este ao estn en marcha. Los medios alternativos para
realizar la publicidad as como los costos y la audiencia estimados por
unidad de publicidad, adems de la cantidad mxima de unidades de
publicidad en que puede ser usado cada medio se muestran a
continuacin.
Restricciones

Televisi
n
Audiencia por unidad de 100.000
publicidad
Costo por unidad de $ 2.000
publicidad
Uso mximo del medio
10

Radio

Prensa

18.000

40.000

$ 300

$ 600

20

10

Para lograr un uso balanceado de los medios, la publicidad en radio no

debe exceder el 50% del total de unidades de publicidad autorizados.
Adems la cantidad de unidades solicitadas en televisin debe ser al
menos 10% del total autorizado. El presupuesto total para promociones
se ha limitado a $18.500.

12.Chirality Company debe producir al menos 600,000 tornillos pequeos y

400,000 tornillos grandes para satisfacer la demanda de las siguientes 4
semanas. Estos tornillos pueden producirse en dos mquinas distintas,
cada una de las cuales est disponible 40 horas a la semana. Los
requerimientos de costos y tiempo para producir cada tamao de tornillo
en cada mquina y el precio de venta de cada tamao de tornillo se
muestran en la siguiente tabla:
TORNILLOS TORNILLOS
PEQUEOS GRANDES
Precio de venta
($/1000)

27.5

32.5

Costo en la mquina 1
($/1000)

6.25

7.75

Costo en la mquina
2 ($/1000)

8.00

9.25

Tiempo en la mquina
1 (min/lb)

1.5

1.75

Tiempo en la mquina
2 (min/lb)

1.00

1.25

En cada libra hay aproximadamente 60 tornillos pequeos y 40 tornillos

grandes. Como Gerente de Produccin formule el modelo de PL para
maximizar la ganancia, satisfaciendo la demanda y con la disponibilidad
limitada de tiempo de mquina en las siguientes 4 semanas.
13.Una perfumera produce el perfume OXES. Este perfume requiere de
Esencia y Fijador para su produccin. Dos procesos estn disponibles. El
proceso A transforma 1 onza de fijador y 2 onzas de esencia en 3 onzas
de perfume. El proceso B transforma 2 onzas de fijador y 3 onzas de
esencia en 5 onzas de perfume. Cada onza de fijador le cuesta a la
perfumera Bs. 10.000,00 y cada onza de esencia Bs. 15.000,00. Se tiene
una disponibilidad mxima de 200 onzas de fijador y un mximo de 350
onzas de esencia para este perodo de planificacin. Para estimular la
demanda la perfumera ha contratado una publicidad por un costo total
de Bs. 4.000.000,00. El perfume se vende en embases de una onza a Bs.
40.000,00 c/u. Determine la produccin ptima que permita obtener la
mxima utilidad tomando en cuenta que se debe producir nicamente lo
que se va a embasar.

14.La firma DOMENICA S.A., vende cuatro marcas de shampoo para nios:
Bebito, Barney, Caricia y Chicoco. Esta firma vende exclusivamente a
travs de tiendas de departamentos y utiliza un personal de ventas de
dos personas para visitar a sus clientes. El tiempo de ventas necesario
para que cada representante venda una caja de producto vara con la
experiencia y la habilidad. En seguida se presentan los datos sobre el
tiempo promedio para cada uno de los representantes de DOMENICA
S.A.
Vendedor Tiempo promedio
(minutos)
Bebito

de

ventas

Barney Caricia

Chicoc
o

Leonardo 10

15

20

25

Mara

20

15

10

25

Cada vendedor invierte aproximadamente 175 horas por mes en la

venta real de esos productos. Las utilidades por caja de Bebito,
Barney, Caricia y Chicoco, son de $. 8, $. 10, $. 20 y $. 30 (dlares)
respectivamente. Cuntas cajas de cada shampoo deben vender cada
persona durante el prximo mes para maximizar las utilidades de la
empresa? Formule el problema como un modelo de PL.
COMO RESOLVER UN PROBLEMA MEDIANTE PROGRAMACION LINEAL?
EL PROBLEMA
La fbrica de hilados y tejidos Salazar requiere fabricar dos tejidos de calidad
diferente T y T; se dispone de 500 kg de hilo a, 300 kg de hilo b y 108 kg de
hilo c. Para obtener un metro de T diariamente se necesitan 125 gr de a, 150
g de b y 72 gr de c; para producir un metro de T por da se necesitan 200 gr
de a, 100 gr de b y 27 gr de c.
El T se vende a $. 4000 el metro y el T se vende a $. 5000 el metro. Si se
debe obtener el mximo beneficio, Cuntos metros de T y T se deben
fabricar?

El problema se recomienda leer en ms de una ocasin para facilitar el

reconocimiento de las variables, adems es muy recomendable la elaboracin
de tablas o matrices que faciliten una mayor comprensin del mismo.
PASO 1: "FORMULAR EL PROBLEMA"
Para realizar este paso partimos de la pregunta central del problema.
Cuntos metros de T y T se deben fabricar?
Y la formulacin es:
Determinar la cantidad de metros diarios de tejido tipo T y T a fabricar
teniendo en cuenta el ptimo beneficio respecto a la utilidad.
PASO 2: DETERMINAR LAS VARIABLES DE DECISIN
Basndonos en la formulacin del problema nuestras variables de decisin son:
XT: Cantidad de metros diarios de tejido tipo T a fabricar
XT: Cantidad de metros diarios de tejido tipo T a fabricar
PASO 3: DETERMINAR LAS RESTRICCIONES DEL PROBLEMA
En este paso determinamos las funciones que limitan el problema, estas estn
dadas por capacidad, disponibilidad, proporcin, no negatividad entre otras.
De disponibilidad de materia prima:
0,12XT + 0,2XT
<= 500
Hilo a
0,15XT + 0,1XT
<= 300
Hilo b
0,072XT + 0,027XT
<= 108
Hilo c
De no negatividad
XT, XT >= 0
PASO 4: DETERMINAR LA FUNCIN OBJETIVO
En este paso es de vital importancia establecer el contexto operativo del
problema para de esta forma determinar si es de Maximizacin o Minimizacin.
En este caso abordamos el contexto de beneficio por ende lo ideal es
Maximizar.
Funcin Objetivo
ZMAX = 4000XT + 5000XT
PASO 5: RESOLVER EL MODELO UTILIZANDO SOFTWARE O MTODOS
MANUALES
A menudo los problemas de programacin lineal estn constituidos por
innumerables variables, lo cual dificulta su resolucin manual, es por esto que
se recurre a software especializado, como es el caso de WinQSB, STORM o para
modelos menos complejos se hace til la herramienta Solver de Excel.
El anterior ejercicio fue resuelto mediante Solver - Excel, y su resultado fue:

2.5 PROGRAMACIN LINEAL: SOLUCIN DE PROBLEMAS CON

ELMTODO GRFICO
Existen dos metodologas para solucionar un problema
Programacin Lineal: el Mtodo Grfico y el Mtodo Simplex.

modelado

en

El Mtodo Grfi co se utiliza para ilustrar tres conceptos bsicos: la

metodologa para la resolucin de un problema de dos variables de
decisin, la interpretacin de la solucin del problema modelado y la
observacin grfica de cmo afectan los cambios a la solucin del problema. El
Mtodo Grfico es poco poderoso ya que est limitado a resolver
problemas de dos o mximo tres variables de decisin. Sin embargo,
su importancia radica en que permite visualizar los conceptos matemticos
implicados en la Programacin Lineal.
Por su parte, el Mtodo Simplex es utilizado para resolver problemas ms
complejos de Programacin Lineal. Es un mtodo poderoso, utilizado para
resolver problemas de "n" variables de decisin, aunque tambin se
puede emplear para resolver problemas de dos variables como lo hace el
Mtodo Grfico.
El enfoque propuesto aqu, es utilizar la computadora como una herramienta
de apoyo para resolver problemas de Programacin Lineal de cualquier
tamao. Sin embargo, se deben estudiar primero los fundamentos de
estos mtodos de solucin para posteriormente utilizar la computadora para
este fin. El uso de la computadora en la solucin de problemas en

Programacin Lineal, implica utilizar cualquiera de estas dos

alternativas: primera, usar una hoja electrnica como puede ser
Excel, donde el usuario hace directamente la programacin para
solucionar el problema modelado; segunda, el uso de un paquete de
software comercial, que ya est diseado para la resolucin del Mtodo Grfico
y del Simplex.
Algunos de los paquetes de software comercial ms conocidos son: el Storm, el
WinQSB, Lindo, Eureka, etc. Estos tipos de software han evolucionado de
acuerdo a los avances tecnolgicos de la poca, con la tendencia de tener
una herramienta ms poderosa pero con cierta prdida de hacer
usuarios ms pensantes y no solo manipuladores de la misma. Es
obvio que el uso de la computadora permite un gran ahorro de tiempo
en el procesamiento de los datos y que hace posible la solucin de problemas
ms complejos a los que normalmente se hacen dentro del aula. Sin
embargo, el uso de cualquier paquete de software requiere tener el
problema ya modelado, para ser capturado en el formato requerido por
dicho software. En esta forma, se puede obtener la solucin ptima del
problema como un reporte de salida de la computadora pero esta
solucin matemtica requiere de una interpretacin por parte del usuario
para la toma de decisiones.
El ciclo completo a realizar en la solucin de un problema es: modelar
el problema, solucionar el problema modelado e interpretar la solucin
obtenida. De estas tres partes, las que ms desarrollan las habilidades del
pensamiento son la modelacin del problema y la interpretacin de la
solucin encontrada. En este caso, se considera de menor
contribucin a la etapa de la solucin del problema, que se puede
hacer a travs de la computadora.
Sin embargo, el enfoque de este captulo es fundamentar los conceptos bsicos
de la Programacin Lineal a travs del Mtodo Grfico. Para esta finalidad, se
han desarrollado dos ejercicios, el primero est enfocado amostrar "la
metodologa y los conceptos bsicos" del Mtodo Grfico y el segundo,
presenta el "ciclo completo" que se sigue en la solucin de un problema de
Programacin Lineal.

Ejercicio 1. Metodologa y conceptos bsicos del Mtodo

Grfico.
Se presenta la metodologa utilizada por el Mtodo Grfico para encontrar la
solucin ptima de un problema modelado y los conceptos bsicos de la
Programacin Lineal que se pueden visualizar a travs del l. Se
presenta el siguiente problema:
Funcin Objetivo: Mx. Z = 3X1 + 6X2
Restricciones:
a.
b.

X1
X2

10
10

c. X1 + X2
d. 6X1 + 4X2
e.
X1 +
X2
f. 2X1
+ 4X2
g. X1
X2
h. No negatividad:

X1,

16
48
20
16
0
X2 0

2.6 Metodologa.
El Mtodo Grfico utiliza la siguiente metodologa para encontrar la solucin
ptima de un problema:
a. Calcular los puntos para grafi car cada restriccin.
b . G r a fi c a r l a s r e s t r i c c i o n e s .
c. De te rmi n ar l a re g i n f a cti bl e .
d. Calcular las coordenadas de los vrtices de la regin factible.
e. Calcular el valor de la Funcin Objetivo en dichos vrtices.
f. E n c o n t r a r l a s o l u c i n p t i m a d e l p r o b l e m a .
Calcular los puntos para graficar cada restriccin.
Pa r a g r a fi c a r u n a r e s t r i c c i n , p r i m e r o s e l e c o n s i d e r a c o m o
u n a r e c t a , e s d e c i r c o m o s i f u e r a u n a igualdad, y luego se
encuentra el espacio solucin que cumple con la condicin de dicha
restriccin, poniendo una pequea flecha para indicarlo.
En este problema se presentan tres variantes que se pueden encontrar al
graficar una restriccin: cuando es paralela a alguno de los ejes de
coordenadas, cuando cruza los dos ejes de coordenadas y cuando pasa por el
punto de origen (0,0). A continuacin se presentan las variantes:
Las restricciones "a" y "b" del problema son paralelas a los ejes X 1 y
X2. Se reconoce que una restriccin es paralela cuando solo tiene una
de las variables, por ejemplo la restriccin "a" solo tiene la X1 por lo
que es paralela al eje X2.
Otro tipo de restricciones son las que cruzan por los dos ejes como las
restricciones "c", "d", "e" y "f.
Existen tambin restricciones que pasan por el punto (0,0) como la restriccin
"g".
Para grafi car una recta existen diferentes mtodos, uno de ellos es el
"mtodo de los dos puntos". Endicho mtodo se establece que, para
grafi car una recta es necesario conocer al menos dos puntos
pertenecientes a ella.
Para calcular las coordenadas de los dos puntos P1y P2, se elige
arbitrariamente una de las variables de la restriccin, por ejemplo X1 y se hace
igual a cero, calculndose la otra variable X2; luego se proceda a la inversa, se
hace X2= 0 y se calcula X1. Si la restriccin es paralela a uno de los ejes,
simplemente se fi j a l a c o o r d e n a d a y s e t r a z a l a r e c t a . A

continuacin
restriccin:

se

muestra

los

puntos

Restricciones Puntos para graficar la recta:

P1 (X1, 0)
a.
b.
c.
d.
e.
f.
g.

X1 10
X2 10
X1 + X2 16
6X1 + 4X2
X1 +
X2
2X1 + 4X2
X1 X2

48
20
16
0

calculados

para

cada

P2 (0, X2)

10,0
16,0
8,0

0,10
0,16
0,12
20,0

8,0

0,20
0,4

0,0

0,0

Graficar las restricciones.

A continuacin se explica cmo graficar cada una de las variantes de las
restricciones:
Para grafi car una restriccin paralela a uno de los ejes, como lo es
"a", se marca el punto (10,0) que est sobre el eje X1 y se traza
paralelamente al eje X2.
El espacio de solucin es evidente para este tipo de restricciones, que en este
caso, el sentido de la restriccin es hacia la izquierda como se puede ver en el
grfico de la Figura 1.
Para graficar una restriccin que cruza los dos ejes, como sera "d", se marca el
punto uno (8,0) en e l e j e X 1 y e l p u n t o d o s ( 0 , 1 2 ) e n e l e j e X 2 y se
unen trazando una recta. Para determinar el espacio de solucin, se
puede hacer directamente observando el tipo de desigualdad que tiene la
restriccin, sin embargo, se recomienda probar el sentido de la
restriccin con el punto (0,0). Al sustituir estos valores en la
restriccin, se checa si cumple o no con la condicin impuesta
por dicha restriccin.
Si cumple con la condicin, entonces el espacio solucin ser de la recta hacia
el origen (0,0), que fue el punto que se prob. Si no cumple la condicin, el
espacio solucin ser en sentido contrario. Por ejemplo, si sustituimos este
punto en la restriccin "d, se tendr 0 48 que no cumple con la restriccin,
por lo que su sentido ser en direccin contraria al origen (0,0) como se puede
ver en el grfico de la Figura 1.
Para grafi car una restriccin que pasa por el punto de origen (0,0),
como lo es "g", se requiere generar un "punto auxiliar". Este punto
auxiliar, se calcula dando un valor arbitrario a una de las variables
para sustituirla en la ecuacin de la restriccin y poder despejar la
otra variable, por ejemplo, si consideramos
X1 = 2 se tiene que:
2 - X2 = 0
X2 = 2

El punto auxiliar es (2,2). Ahora se tienen dos puntos, el (0,0) y el (2,2) por
donde pasar la recta. Para determinar el espacio solucin es necesario probar
con cualquier punto separado de la recta, ya sea por arriba o por abajo de
ella. Si el punto probado satisface la restriccin, el espacio de
solucin ser en esa direccin sino ser en sentido contrario. Por
ejemplo, si se prueba con el punto (10,2) que est por abajo de la
recta, al sustituir en la restriccin, se tendr 8 0 que no cumple con
la restriccin, por lo que el espacio solucin ser hacia arriba (ver Figura 1), es
decir en sentido contrario al punto probado. Si se hubiera probado un punto por
arriba de la recta como el (2,20) se llegara a la misma conclusin.
Determinar la regin factible.
Para determinar la regin factible en la grfi ca de la Figura 1, es
importante atender el sentido de las r e s t r i c c i o n e s p a r a e n c o n t r a r
e l r e a c o m n a t o d a s . Pa r a h a c e r e s t o , n o s p o d e m o s a u x i l i a r
d e l a s pequeas flechas que indican el sentido de cada restriccin. Cuando
se tienen muchas restricciones graficadas, una forma simple de encontrar la
regin factible, es considerar a cada restriccin como el corte que se
hace en un pastel. Se regala la rebanada que no cumple con el sentido
de la restriccin y dejamos la que si cumple. Al seguir haciendo los dems
cortes, la rebanada que queda se har cada vez ms pequea. La parte que
queda al final ser la regin factible. Esta concepcin propuesta, se puede
visualizar considerando que cada restriccin divide el espacio en dos partes. La
parte que cumple con el sentido de la restriccin est sealada por una
pequea flecha.

A continuacin se presenta la grfica de las restricciones del problema y la

regin factible:

Figura 1. Grfica de las restricciones y de la regin factible.

Calcular las coordenadas de los vrtices de la regin factible. En el

grfi co de la Figura 1, se marcaron los vrtices que forman la regin
factible. La importancia de calcular las coordenadas de estos vrtices, es
que ayudan a calcular el valor de la Funcin Objetivo encada uno de ellos y en
base a este listado, se encuentra la solucin ptima del problema.
Una forma sencilla de calcular las coordenadas de un vrtice, es leerlas
directamente en la grfica, perola precisin de la lectura depender de la
calidad que se tenga en dicha grfi ca. Otra forma que no depende de la
precisin de la grfica, es ver qu restricciones forman al vrtice y solucionar
este sistema d e d o s e c u a c i o n e s p o r a l g n m t o d o a l g e b r a i c o . S i n
e m b a r g o , s e p u e d e n r e d u c i r l o s c l c u l o s s i clasifi camos los
vrtices en dos tipos: los que estn sobre uno de los ejes de
coordenadas y los que estn fuera de los ejes.
Cuando un vrtice est sobre uno de los ejes, se pueden leer directamente sus
coordenadas en el grfico o en los puntos calculados para grafi car la
restriccin.
Si el vrtice est fuera de los ejes, se requiere c a l c u l a r s u s
coordenadas
a
travs
de
un
sistema
de
ecuaciones
si mul tn e as, d ad o p or l as d os re s tri cci on e s q ue se c ru z an p ar a
formar dicho vrtice.
S i u n a d e l a s r e s t r i c c i o n e s e s p a r a l e l a , simplemente se sustituye el
valor de esa variable en la otra restriccin.

Analizando la grfi ca, se ver que todos los vrtices de la regin

factible estn fuera de los ejes. El vrtice "A" est formado por la
interseccin de las restricciones "d" y "g", el vrtice "B" por "b" y "d", el "C" por
"b" y "c" y el "D" por "c" y "g". A continuacin se calculan las coordenadas de
cada vrtice:
Vrtice "A": Restriccin "d"
Restriccin "g"

6X1 + 4X2 = 48
4(X1 - X2 =
0)
____________
10X1
= 48
X1
= 4.8
X2 = 4.8

Vrtice "B": Restriccin "b"

X2 = 10
Sustituyendo en la Restriccin "d" se tiene:
6X1 + 4(10) =
48
X1
=
1.3
Vrtice "C": Restriccin "b"
X2 =
Sustituyendo en la Restriccin "c" se tiene:
X1 + X2 = 16
X1 =
6
Vrtice "D": Restriccin "c"
Restriccin "g"

10

X1 + X2 = 16
X1 - X2 = 0
____________
2X1
=
16
X1 =
8
X2 = 8

Calcular el valor de la Funcin Objetivo en dichos vrtices.

Para calcular el valor de la Funcin Objetivo en un vrtice, simplemente se
sustituye en ella el valor de X1 y X2 dado por las coordenadas de dicho vrtice.
A continuacin se da una tabla con las coordenadas de los vrtices de la regin
factible y el valor de la Funcin Objetivo en cada uno de ellos:
Vrtice
A
B
C
D

Coordenadas(X1, X2)
4.8
1.3
6.0
8.0

4.8
10.0
10.0
8.0

Z = 3X1 + 6X2
43.2
63.9
78.0
72.0

Mx. Z

Encontrar la solucin ptima del problema.

En la tabla anterior, se presentaron los valores de la Funcin Objetivo en cada
uno de los vrtices de la regin factible, de stos se escoge aquel valor que
cumple con lo establecido en la Funcin Objetivo, en este caso la Mx. Z. Al
seleccionar en la tabla el rengln de la Mx. Z, se puede leer directamente los

valores de la solucin ptima del problema y el vrtice donde est. La solucin

ptima del problema est en el vrtice "C" de la regin factible y sus valores
son: X1= 6; X2= 10; Mx. Z = 78. En este problema, si la Funcin Objetivo
hubiera sido de minimizacin, se habra escogido el 43.2 que es el valor
mnimo de la tabla. Entonces, la solucin ptima hubiera sido localizada en el
vrtice "A" con los siguientes valores: X1 = 4.8; X2 = 4.8; mn. Z = 43.2.
Como se ha observado, la solucin ptima del un problema, depende de la
regin factible que se forme con el conjunto de restricciones y de la inclinacin
que tenga la Funcin Objetivo que le permite alcanzar su valor ptimo, as sea
de maximizacin o de minimizacin.
1.2. Conceptos bsicos.
Algunos conceptos bsicos de la Programacin Lineal que se pueden
visualizar a travs del Mtodo Grfi co son:
a.
b.
c.
d.
e.
f.

Regin factible.
Restriccin activa y Restriccin redundante.
Demostrar que: Mx. Z = mn. (-Z)
D e m o s t r a r q u e : "La solucin ptima de cualquier problema de
Programacin Lineal, siempre estar en uno de los vrtices o en todo un
lado de su regin factible".
V r t i c e s f u e r a d e l a r e g i n f a c t i b l e .
Anlisis de cambios que afectan al modelo del problema.

Regin factible.
La regin factible es formada por las restricciones del problema y en alguno(s)
de sus vrtices se localiza la solucin ptima.
La forma de la regin factible depende del tipo de restricciones que
se tengan. An as, se pueden considerar dos tipos bsicos: la regin
factible "cerrada" y la "abierta.
La regin factible cerrada se tiene cuando las restricciones, incluyendo las de
"no negatividad", delimitan la regin factible del problema. En el tipo abierto,
se tiene una regin factible no acotada que solo permite la minimizacin. A
continuacin se presentan los grficos de estos tipos de regin factible:

Figura 2.

Regin factible cerrada:

a. Apoyada en los 2 ejes.
b. Apoyada en un eje.
c. Sin apoyo en los ejes.

Regin factible abierta:

a. Hacia la derecha.
b. Hacia arriba.

Cuando un problema modelado no tiene regin factible, es debido a que

algunas de sus restricciones son contradictorias entre s. Este tipo de
problemas son "infactibles", es decir, que el problema modelado no t i e n e
sol u ci n . En e sto s ca sos e s ne ce s ari o re vi sar el mod el o de l
p r o b l e m a , y a q u e e x i s t e a l g u n a inconsistencia en las restricciones que
no permite tener una regin factible.
Restriccin activa y Restriccin redundante.
Las restricciones que forman parte de la regin factible son las "restricciones
activas" mientras las que no la forman son las "redundantes.
Las restricciones activas son las realmente forman la regin factible donde est
la solucin ptima. Estas restricciones son la esencia del problema
modelado, de tal forma que, si se quita alguna de ellas se cambia la
solucin ptima. Las restricciones activas que se tienen en el problema son "b",
"c", "d" y "g".
Una restriccin redundante no tiene ningn efecto en la solucin ptima del
problema, es una restriccin ficticia que da lo mismo dejarla en el modelo o
quitarla. Las restricciones redundantes que se tienen en el problema son "a",
"e" y "f".
Demostrar que: Mx. Z = mn. (-Z)
Al demostrar que Mx. Z = mn. (-Z), tambin se est demostrando que lo
contrario es verdadero, es decir que mn. Z = Mx. (-Z).

Este principio es muy poderoso en la solucin de problemas de

minimizacin mediante el Mtodo Simplex, mtodo que se estudiar
posteriormente para solucionar problemas de cualquier tamao. Esto permite
que un problema de minimizacin sea transformado y s o l u c i o n a d o c o m o
u n p r o b l e m a d e Maximizacin, cambiando solamente los signos de su
Funcin Objetivo.
Un ejemplo de cmo puede ser transformado un problema
m o d e l a d o d e m i n i m i z a c i n p a r a s e r solucionado a travs del Mtodo
Simplex, es el siguiente:
min. Z = 30X1 + 10X2 Mx. Z = - 30X1 - 10X2
Restricciones

2X1 + 4X2
X1 +
X2 = 25
8X1 + 6X2
120

80

Ahora se tiene un problema modelado de Maximizacin, donde solo se

cambi de signo a la Funcin Objetivo y las restricciones siguieron
iguales. Este problema se soluciona con el Mtodo Simplex para
encontrar la solucin ptima y el valor del Mx. Z, valor que siempre
ser negativo. La solucin al problema original de minimizacin, ser la
misma solucin que se encontr para el problema resuelto de Mx. (-Z) y el
valor de la min. Z ser el mismo que el Mx. Z pero con signo positivo.
Regresando a la demostracin pedida, la podemos hacer en una forma
muy simple. Aprovechando las coordenadas de los vrtices de la
regin factible que se tienen en la tabla, se pueden sustituir en la
Funcin Objetivo que qued transformada como mn. Z = -3X1 - 6X2. A
continuacin se presenta el anlisis que permite hacer la demostracin:
Vrtice
A
B
C
D

Coordenadas
(X1, X2)
4.8

4.8
1.3
10.0
6.0
10.0

8.0

Z = 3X1 +
6X2
43.2
63.9
78.0
72.0

Z = -3X1
6X2

-43.2
-63.9
-78.0
-72.0

Mx. Z

8.0

Comparando los valores de la solucin ptima del problema, se puede concluir

que:
Mx. Z = mn. (-Z) y consecuentemente que mn. Z = Mx. (-Z)
Demostrar que:
"la solucin ptima de cualquier problema de Programacin
Lineal, siempre estar en uno de los vrtices o en todo un lado de
su regin factible".

La solucin ptima de un problema de Programacin Lineal puede ser de dos

tipos: solucin "puntual o nica" y la solucin en forma de "rango".
La solucin del tipo puntual siempre estar en uno de los vrtices de la regin
factible, como consecuencia de la pendiente que tiene la Funcin Objetivo al
cruzar dicha regin. Si se desplaza paralelamente la Funcin Objetivo a travs
de la regin factible, se ver que la solucin ptima estar en uno de los
vrtices.
Cuando la Funcin Objetivo es paralela a una de las restricciones que
forman la regin factible, se provoca un "rango ptimo" de soluciones. Este
rango ptimo es consecuencia de que la Funcin Objetivo cruza la regin
factible por todo un lado, desde un vrtice hasta el otro. Este rango de
soluciones ptimas signifi ca que se puede generar al menos una
"solucin ptima alterna" para el problema, o bien, una gama de
"soluciones ptimas mltiples".
Para demostrar que la solucin ptima est en uno de los vrtices de la regin
factible, se puede ver en la tabla anterior, el listado de valores que adopta la
Funcin Objetivo al cruzar por cada uno de los vrtices y simplemente
seleccionar el mximo valor que es la Mx. Z. Se observar que dicha solucin
ptima est en el vrtice "C".
Otra forma que se tiene de hacer esta demostracin, es que al graficar la
Funcin Objetivo con el valor de la Mx. Z deber pasar por el vrtice "C". El
graficar la recta de la Funcin Objetivo es exactamente igual que graficar la
recta de una restriccin. La ecuacin de la Funcin Objetivo que se debe
graficar es la siguiente:
78 = 3X1 + 6X2.
Con esta ecuacin, se puede calcular los dos puntos sobre los ejes por donde
pasa la Funcin Objetivo quedando P1 (26,0) y P2 (0,13). Al graficar la recta, se
observa que efectivamente pasa por el vrtice "C" como lo muestra la grfica
de las restricciones.
Con la intencin de mostrar un problema que tenga soluciones ptimas
mltiples, se modific ligeramente el problema actual. Se dejaron las mismas
restricciones y se cambi la Funcin Objetivo a:
Mx. Z = 6X1+ 6X2
Como las restricciones no cambiaron, se tiene la misma regin factible con los
mismos vrtices y coordenadas que se pueden utilizar para sacar los valores de
la Funcin Objetivo que se muestran en la siguiente tabla:
Vrtice
A
B
C
D

Coordenadas
(X1, X2)
4.8
4.8
1.3
10.0
6.0

Z = 6X1 +
6X2
57.6
67.8
96.0
96.0

} Rango ptimo

10.0
8.0

8.0

Al buscar en la tabla anterior la solucin ptima del problema, se encuentra

dos soluciones ptimas, es decir una de ellas ser la solucin ptima y la
otra ser una solucin ptima alterna, quedando en la siguiente forma:
Solucin ptima
(Vrtice "C")
X1 = 6
X2 = 10
Mx. Z = 96

Solucin ptima Alterna

(Vrtice "D")
X1 = 8
X2 = 8
Mx. Z = 96

Al tener dos soluciones ptimas se puede calcular el "rango ptimo" para el

problema, quedando en la siguiente forma:
6 X1 8
8 X2 10
Mx. Z = 96
Conociendo el rango ptimo, se pueden generar mltiples soluciones
ptimas para el problema. Por ejemplo, para calcular otra solucin ptima,
que sea diferente a las que ya conocemos, se puede dar un valor arbitrario a
una de las variables siempre y cuando este dentro de su rango. Si
consideramos X1 = 7 entonces, sustituyendo este valor en la Funcin Objetivo,
queda:
96 = 6(7) + 6X2
X2 = 9
Esta nueva solucin ptima del problema fue sacada del rango ptimo,
quedando como:
X1 = 7
X2 = 9
Mx. Z = 96
En esta forma, se pueden generar diferentes soluciones ptimas para
el problema, pero todas ellas tendrn como caracterstica el mismo
valor de Mx. Z = 96. Algunas otras soluciones ptimas que se pueden
sacar del rango ptimo son:
X1= 6
X2= 10
Mx. Z = 96

X1= 8
X2= 8
Mx. Z = 96

Una advertencia, si se fijan las dos variables al mismo tiempo, an con valores
que estn dentro de sus rangos, no necesariamente esto ser una solucin
ptima para el problema. Por ejemplo, considere X1 = 6 y X2 = 9. Esta
solucin no es ptima, ya que sustituyendo en la Funcin Objetivo se tiene una
Mx. Z =90 pero no de 96. La razn se puede ver grfi camente, si se
ubica este punto, se observar que est dentro de la regin factible pero

no sobre la recta que une los vrtices "C" y "D", por lo que este punto es una
solucin factible pero no ptima. Solo los puntos que estn exactamente sobre
la recta que une los vrtices "C" y "D" darn soluciones ptimas.
Vrtices fuera de la regin factible.
Anteriormente, se estableci que la solucin ptima est en algn vrtice de la
regin factible. Tambin se pueden ver en la grfica, vrtices que estn fuera
de la regin factible, por lo que podemos preguntar:
Qu significado tiene el vrtice formado por el cruce de las restricciones "a" y
"c"?
Este vrtice est formado por la restriccin "a" que es redundante y por la
restriccin "c" que es activa ya que forma parte de la regin factible. Adems,
este vrtice est fuera de la regin factible como lo muestra la grfica, lo que
significa, que ese punto no cumple con todas las restricciones del problema
modelado y que tiene algn recurso sobrante. El recurso sobrante estar en la
restriccin redundante por lo que se puede calcular su valor. La restriccin
activa indica que el recurso ha sido utilizado completamente por lo que no hay
sobrantes.
Si quiere conocer todas las restricciones que el vrtice puede cumplir y las que
no, es necesario calcular sus coordenadas para tener un valor de X1 y de X2.
Resolviendo las ecuaciones de las restricciones "a" y "c", se tiene que X1 = 10
y X2 = 6. Al sustituir estos valores en cada una de las restricciones del
problema modelado, se podr decir si cumple o no con la restriccin particular.
Haciendo esto, nos damos cuenta que este vrtice no cumple con la restriccin
"g" pero si con todas las dems.
Adems de identificar la restriccin con la que no cumple el vrtice, tambin se
puede hacer un "anlisis de los recursos". Para hacer este anlisis, se
debe sustituir los valores de la solucin ptima (X 1 = 6 y X2 = 10) en
las restricciones que forman el vrtice. A continuacin se muestra el anlisis:
Restriccin "a":

X1 10
6 10 Sobran 4.

Restriccin "c":

X1 + X2 16
6 + 10 16
6 10
No sobra nada

Se concluye que sobran 4 del recurso utilizado en la restriccin "a" ya

que se gastaron 6 de los 10disponibles. Por otra parte, se gast
totalmente el recurso de la restriccin "c" que forma parte de la regin
factible.
Qu significado tiene el vrtice formado por las restricciones "a" y "e"?
Es un vrtice fuera de la regin factible donde sus dos restricciones son
redundantes ya que no forman parte de la regin factible. Al sustituir los

valores de la solucin ptima en las dos restricciones, se puede hacer el

siguiente anlisis de los recursos:
Restriccin "a":

X1 10
6 10

Sobran 4

Restriccin "e":

X1 + X2 20
6 + 10 20
Sobran 4
Se concluye que, un vrtice fuera de la regin factible siempre tendr
recursos sobrantes en cada restriccin redundante que tenga.
Anlisis de cambios que afectan al modelo del problema.
Un problema modelado de Programacin Lineal, que experimente
algn tipo de cambio, puede o no cambiar su solucin ptima dependiendo
del cambio. Existen dos tipos bsicos de cambio: el cambio de un coeficiente
de contribucin de la Funcin Objetivo o el cambio en la disponibilidad de los
recursos de las restricciones.
Un cambio en alguno de los coeficientes de la Funcin Objetivo, equivale a
rotar dicha Funcin Objetivo. Cuando se quiere provocar una solucin ptima
alterna, se rota la Funcin Objetivo hasta quedar paralela a una restriccin
activa. Dependiendo del sentido de la rotacin que se haga en la Funcin
Objetivo as ser el cambio que tenga su ecuacin.
Anteriormente, se trabaj un problema de rotacin de la Funcin Objetivo
donde se modific la ecuacin de una Mx. Z = 3X1+ 6X2 a Mx. Z =
6X1+6X2. Ms adelante se presentan los pasos que se siguieron para calcular
esta "nueva Funcin Objetivo" que tiene una solucin ptima alterna. S i e l
camb i o re ali z ad o af e cta a l a "d i sp on i bi li d ad de l re cu rs o" d e l a
r e s t r i c c i n , e s d e c i r a l t r m i n o independiente, entonces la recta se
mover paralelamente. Si el trmino independiente aumenta de valor, har
que la recta se mueva paralelamente hacia arriba o hacia la derecha. Por el
contrario, si disminuye de valor, la recta se mover paralelamente hacia abajo
o hacia la izquierda.
Existen otros tipos de cambios que puede experimentar el modelo del
problema, por ejemplo, quitar una restriccin, agregar una nueva restriccin,
cambiar el sentido de una restriccin.
Dependiendo del tipo de c a m b i o s e r e l e f e c t o q u e t e n g a e n l a
solucin ptima del problema. Estos cambios se analizan a
continuacin con las siguientes preguntas:
Qu pasa con la solucin ptima del problema si se "quita" la restriccin "a"?
Como la restriccin "a" es una restriccin redundante, al quitarla del modelo no
afecta en nada a la regin factible por lo que la solucin ptima sigue siendo la
misma.
Se modifica la regin factible del problema al quitar la restriccin "b"?
Si en el modelo del problema se quita solo la restriccin "b" que es una
restriccin activa, si se modifica la regin factible y en consecuencia cambia la
solucin ptima del problema.

Cambia la solucin ptima del problema si se agrega al problema una

nueva restriccin, por ejemplo X 2 <= 7?
Esta nueva restriccin disminuye la regin factible que se tena anteriormente,
consecuentemente cambia la solucin ptima del problema.
Se afecta la solucin ptima del problema si se cambia el "sentido" de la
restriccin "e"?
Al hacer este cambio, el problema modelado no tiene una solucin ptima ya
que se vuelve "infactible" a consecuencia de que no tiene una regin factible
que cumpla con todas las restricciones.
Cmo se puede modifi car la ecuacin de una Funcin Objetivo para
que tenga una solucin ptima alterna?
Es posible hacer intencionalmente que un problema tenga una solucin ptima
alterna como en el caso q u e s e p r e s e n t . Pa r a c a l c u l a r u n a n u e v a
Fu n c i n O b j e t i v o q u e s e a p a r a l e l a a a l g u n a d e l a s restricciones
del problema modelado, es necesario rotar la Funcin Objetivo que se
tiene hasta lograr esto.
La Funcin Objetivo del problema original (Mx. Z = 3X1+ 6X2) se forz a rotar
hasta que fuera paralela a la restriccin "c" para generar una solucin ptima
alterna. U n a c o n d i c i n i n d i s p e n s a b l e p a r a h a c e r q u e d o s r e c t a s
s e a n p a r a l e l a s e s q u e t e n g a n l a m i s m a pendiente.
Uno de los mtodos que existen para calcular la pendiente de una
recta, es ponerla en el formato y = mx + b, donde la "m" es la pendiente
de la recta.
Utilizando este mtodo, se calcula la pendiente de la r e s t r i c c i n " c " y l a
p e n d i e n t e q u e d e b e d e t o m a r l a n u e v a Fu n c i n O b j e t i v o . S e
exp re san amb a s e c u a c i o n e s c o n e l f o r m a t o r e q u e r i d o
d e s p e j a n d o l a m i s m a v a r i a b l e , e n e s t e c a s o X 1 (variable
dependiente). El coefi ciente de la X 1 e n l a Fu n c i n O b j e t i v o
c a m b i a r d e v a l o r , p o r l o q u e s e d e j a expresado como una variable
"a" que es necesario calcular.
A continuacin se presentan los clculos:
Restriccin "c"
X1 + X2= 16
X1 = -X2 + 16

Nueva Funcin Objetivo

Z

= aX1 + 6X2

X1 = (-6/a)X2 + Z/am = -1 m = -6/a

Para hacer estas dos rectas paralelas se igualan sus pendientes quedando:
-1 = -6/a
a = 6

Conociendo que a = 6, se puede sustituir este valor para dar la

ecuacin de la nueva Funcin Objetivo que ser:
Mx. Z = 6X1+ 6X2.
Se puede establecer que, si la rotacin de la Funcin Objetivo es en el sentido
de las manecillas del reloj, el coeficiente de la variable dependiente (en nuestro
caso X1) incrementar su valor. Por el contrario, si la rotacin es en contra de
las manecillas del reloj, el coeficiente de la variable independiente (en nuestro
caso X2) aumentar su valor. En ambos casos se tendr una ecuacin
modifi cada por la rotacin de la Funcin Objetivo.
En el problema desarrollado, el coeficiente de la X1 (Variable dependiente)
pas de 3 a 6, es decir que se rot la Funcin Objetivo en el sentido de
las manecillas del reloj. Esta rotacin se puede visualizar fcilmente en
la grfica.
Ejercicio 2. Modelacin, solucin e interpretacin para un problema de
Programacin Lineal.
Partiendo de un problema, se presenta el desarrollo de cada una de las partes
que conforman el ciclo completo de la solucin de un problema de
Programacin Lineal: la modelacin del problema, la solucin del mismo y la
interpretacin de la solucin ptima obtenida:
Fabricacin de Fertilizantes.
Una empresa de productos qumicos fabrica, entre otros artculos, dos tipos de
fertilizantes que requieren de la combinacin de ciertos ingredientes que
son comprados a proveedores extranjeros. Como cada m e s s e t i e n e
que planear las toneladas que se deben de producir de cada
f e r t i l i z a n t e , s e d e b e d e considerar para hacer el programa de
produccin, el precio de venta de los fertilizantes, el costo de los
ingredientes, cualquier pedido que se deba surtir y las restricciones
propias de la fabrica como son la d i s p o n i b i l i d a d d e m a n o d e o b r a ,
la disponibilidad de materias primas en el almacn y los
t i e m p o s requeridos en el proceso de fabricacin.
Otro aspecto a considerar es, que la empresa est
i m p l e m e n t a n d o u n a n u e v a e s t r a t e g i a d e mercadotecnia que
consiste en vender sus fertilizantes mediante un mayorista en vez de
hacerlo ella misma. Esto ha cambiado la forma normal de programar
la produccin, ya que ahora solo se deben considerar las restricciones de
produccin pero no las de ventas.
Uno de los fertilizante fabricado es el 5-5-10, indicando con estos nmeros, la
mezcla de los ingredientes que utiliza el fertilizante, en este caso es 5% de
Nitrato, 5% de Fosfato, 10% de Potasio y el resto es un estabilizador formado
por un relleno de tierra. El otro fertilizante llamado 5-10-5, tiene 5% de Nitrato,
10%de Fosfato, 5% de Potasio y resto es el relleno de tierra. El mayorista
pagar a $715 la tonelada del 5-5-10 y $690 por el 5-10-5. La disponibilidad y
los costos de las materias primas para el prximo mes son: 1,100 toneladas
de Nitrato a $2000 por tonelada, 1,800 toneladas de Fosfato a $800

cada una y 2,000toneladas de Potasio a $1600 cada una. La tierra est

disponible en cantidades ilimitadas a un costo de$100 por tonelada. Considere
que no hay restricciones por la capacidad de produccin pero si existe un costo
de mezclado de $150 por tonelada para cualquiera de los fertilizantes.
La empresa quiere desarrollar un modelo, que le ayude a utilizar
correctamente los ingredientes que importa, para elaborar su
programa de produccin mensual de tal forma que permita maximizar
su utilidad.
Despus
de
conocer
el
problema,
es
conveniente
organizar los datos que se dan en el mismo para
posteriormente modelarlo. En la siguiente tabla se presentan los datos del
problema ya estructurados:
Tabla de Datos.
Ingredientes
Nitrato
Fosfato
Potasio
Relleno
Precio Venta
($/Ton)

F e r t i l i z a n t e
( % )
5-5-10
5-10-5
5
5
5
10
10
5
80
80
715
690

Disponibilidad
(ton/mes)

Costo
($/Ton)

1,100
1,800
2 ,000
ilimitado

2,000
800
1,600
100

El costo de mezclado de cualquiera de los fertilizantes es de $150 por tonelada.

Modelacin.
Variables de Decisin.
Xi = Toneladas del Fertilizante "i" a fabricarse por mes (ton/mes)
Funcin Objetivo.
Para hacer la Funcin Objetivo, primero se debe calcular el margen de utilidad
por tonelada de cada uno de los fertilizantes en base a la siguiente ecuacin:
Utilidad = Precio Venta - Costo Total
($/ton)
($/ton)
($/ton)
Se calcula el costo total por tonelada de fertilizante en base a la siguiente
ecuacin:
Costo Total = Costo de Materia Prima + Costo de mezclado
($/ton)
($/ton)
($/ton)
Fertilizante 5-5-10:
Costo Materia Prima = 0.05 (2000)+0.05 (800)+0.10 (1600)+0.80 (100)
= $380/ton
Costo de Mezclado
= $150/ton

Costo Total
= $530/ton
Margen de Utilidad = 715 - 530 = $185/ton
Fertilizante 5-10-5:
Costo Materia Prima = 0.05 (2000)+0.10 (800)+0.05 (1600)+0.80 (100)
= $340/ton
Costo de Mezclado
= $150/ton
Costo Total
= $490/ton
Margen de Utilidad = 690 - 490 = $200/ton
La Funcin Objetivo quedar:
Mx. Z = 185X1 + 200X2
$/mes
($/ton)
(ton/mes) = $/mes
Restricciones.
1.
Materia Prima.
Nitrato
0.05X1 + 0.05X2 1,100
Fosfato
0.05X1 + 0.10X2 1,800
Potasio
0.10X1 + 0.05X2 2,000
% (ton/mes) = ton/mes ton/mes
2.

No negatividad.

Xi 0

Anlisis Dimensional: Probado.

Solucin por Mtodo Grfico.
Aplicando la metodologa del Mtodo Grfico tenemos:
Calcular los puntos para graficar cada restriccin.
Puntos a graficar:
(X1 , 0)
22,000
36,000
20,000
Nitrato
Fosfato
Potasio

(0, X2 )
22,000
18,000
40,000
0.05X1 + 0.05X2 1,100
0.05X1 + 0.10X2 1,800
0.10X1 + 0.05X2 2,000

Graficar las restricciones y la regin factible.

Calcular las coordenadas de los vrtices de la regin factible y el valor de la

Funcin Objetivo.
Los vrtices "A" y "D" estn en los ejes por lo que se pueden leer directamente
de la grfica, de la tabla de los puntos para graficar o bien se puede calcular. A
continuacin se ejemplifica el clculo del vrtice "A":
0.05X1 + 0.10 X2 = 1,800
X1 = 0
Como X1
= 0 y a q u e e s t s o b r e e l e j e X 2, entonces
sustituyendo en la ecuacin, se tiene que X2 = 18,000, luego las
coordenadas del vrtice "A" son (0,18000).
Se pueden leer directamente las coordenadas del vrtice "D" que son
(20000,0).
El vrtice "E" tiene de coordenadas (0,0).
Los vrtices "B" y "C" estn fuera de los ejes por lo que es necesario
resolver las dos ecuaciones que forman cada uno de los vrtices y
resolverlas por simultneas.
Vrtice B: Fostato
Nitrato

0.05X1 + 0.10X2 = 1,800

-(0.05X1 + 0.05X2 = 1,100)
____________________
0.05X2 = 700
X2 = 14,000
Sustituyendo X2 en una de las ecuaciones originales se tiene:
Fosfato
0.05X1+ 0.10 (14,000) = 1,800
X1 = 8,000
Las coordenadas del vrtice "B" son (8000,14000)
Vrtice "C": Potasio
Nitrato

0.10X1 + 0.05X2 = 2,000

-(0.05X1 + 0.05X2 = 1,100)
_____________________

0.05X1

= 900
X1 = 18,000

Sustituyendo X1 se tiene: 0.10 (18,000) + 0.05X2 = 2,000

X2 = 4,000
Las coordenadas del vrtice "C" son (18000,4000).
En la siguiente tabla, se tiene un resumen de las coordenadas de cada vrtice
de la regin factible y el valor de la Funcin Objetivo:
Vrtice
A
B
C
D
E

Coordenadas
(X1, X2)
1
8,000
18,000
20,000
0

18,000
14,000
4,000
0
0

Z = 185X1 +
200X2
($/mes)
3600,000
4280,000
4130,000
3700,000
0

MAX. Z

Encontrar la solucin ptima del problema.

Con base en la tabla anterior, se determina que la solucin ptima est en el
vrtice "B" y es:
X1= 8,000
X2= 14,000
Mx. Z = $4280,000
Interpretacin de la Solucin ptima.
En la interpretacin, es importante fijarse en el tipo de variables que maneja el
problema. Las variables pueden ser de dos tipos: discretas y continuas. Las
"variables discretas" se pueden expresar solo en valores enteros, mientras que
las "variables continuas" se pueden expresar en cualquier valor, entero o
fraccionado. Este problema tiene variables continuas por lo que se puede
hacer la siguiente interpretacin:
El programa de produccin para el siguiente mes ser 8,000 toneladas del
fertilizante 5-5-10 (X1= 8,000) y 14,000 toneladas del fertilizante 5-10-5 (X2=
14,000) para tener la mxima utilidad de $4280,000 (Mx. =
4280,000).Despus de hacer este programa de produccin se tendrn 500
toneladas sobrantes de Potasio.

METODO GRAFICO:
1. (MAX) X0 = 4X1 + 3X2
Sujeto a:
2X1 + 3X2 6
-3X1 + 2X2 3
2X2 5
2X1 +
X2 4

PROBLEMAS PROPUESTOS
7. (MAX) X0 = 3X1 + 5X2
Sujeto a:
2X1 + 2X2 230
X1 + 2X2 250
X2 120
X1 , X2 0

X1 , X2 0
2. (MAX) X0 = 3X1 + 5X2
Sujeto a:
2X1 + X2
X1 + 2X2
X2
X1

230
250
120
150

X1 , X2 0
3. (MAX) X0 = 2X1 + X2
Sujeto a:
X1 2X1 -

X2 10
X2 40

X1 , X2 0
4. (MAX) X0 = 4X1 + 14X2
Sujeto a:
2X1 + 7X2 21
7X1 + 2X2 21
X1 , X2 0
5. (MAX) X0 = 3X1 + 2X2
Sujeto a:
2X1 + X2 2
3X1 + 4X2 12
X1 , X2 0

8. (MAX) X0 = 3X1 + 9X2

Sujeto a:
X1 + 4X2 8
X1 + 2X2 4
X1 , X2 0
9. (MAX) X0 = 6X1 - 2X2
Sujeto a:
2X1 X1

X2

2
4

X1 , X2 0
10. (MAX) X0 = 1500X1 + 2000X2
Sujeto a:
X1 +
X2 750
X1
250
3 X1 + 5X2 1350
X1 , X2 0
11. (MIN) X0 = 6X1
Sujeto a:
3X1 +
X1 4X1 +

2X2
X2
X2
X2

X1 , X2 0

12
5
12
9/2

6. (MAX) X0 = 3X1 + 2X2

Sujeto a:
X1 - 2X2 8
-4X1 + 5X2 20
4X1 +
X2 12
X2 9/2
X1
6

12. (MIN) X0 = 4X1 + X2

Sujeto a:
3X1 +
X2 = 3
4X1 + 3X2 6
X1 + 2X2 3
X1 , X2 0

X1 , X2 0

CAPTULO III:

EL MTODO SIMPLEX

3.1 Definicin: Podemos definir el mtodo simplex como un algoritmo

iterativo que converge al ptimo (cuando este existe) en un conjunto finito de
iteraciones.
Aun cuando el mtodo grfico no resulta prctico para resolver programas
lineales, dado que usualmente en la prctica stos incluyen un gran nmero de
variables. Sin embargo este mtodo demuestra los conceptos bsicos para
desarrollar la tcnica algebraica. Como vehculo de explicacin tomemos el
siguiente ejemplo numrico:
(MAX) X0 = 4X1 + 3X2
Sujeto a:
2X1 + 3X2 6
-3X1 + 2X2 3
2X2 5
2X1 +

X2 4

X1 , X2 0
Este ejemplo muestra geomtricamente que a fin de determinar la solucin
ptima es necesario considerar nicamente los puntos extremos (o esquina)
del espacio de soluciones.
El desarrollo del mtodo simplex est basado en el uso de la forma estndar
(en la cual todas las restricciones excepto la restriccin de no negatividad se
convierten en ecuaciones) a fin de hacer la transicin de las representaciones
grficas a las algebraicas. Esto se logra incorporando las variables de holgura
en el orden Xn+1 , Xn+2 , Xn+1 ; en cada restriccin y en la funcin objetivo con
coeficiente cero, donde n = n restricciones. Luego, el programa lineal se
presenta como sigue:

(MAX) X0 = 4X1 + 3X2 + 0X3 + 0X4 + 0X5 + 0X6

Sujeto a:
2X1 + 3X2 + X3
-3X1 + 2X2

= 6
+ X4

2X2
2X1

= 3 . (II)

+ X5
X2

. (I)

= 5. (III)
+ X6

= 4. (IV)

X1 , X2 , X3 , X4 , X5 , X6 0
3.2

Determinacin algebraica de los puntos extremos

El citado ejemplo muestra que el espacio de soluciones del problema (ABCDE)

puede ser representado por las ecuaciones I a IV junto con las restricciones de
no negatividad. Las restricciones de no negatividad sern tomadas en cuenta
implcitamente considerando las soluciones no negativas de las ecuaciones I a
IV. Por consiguiente, poniendo a parte las restricciones de no negatividad, el
sistema se reduce a cuatro ecuaciones con seis incgnitas. La diferencia entre
el nmero de incgnitas y el nmero de ecuaciones (igual a 2 en este ejemplo)
tiene una relacin directa con la caracterstica distintiva de un punto extremo
(comparada con un punto no extremo en el espacio de soluciones).
Especficamente todo punto extremo del espacio ABCDE tiene dos variables (de
seis) iguales a cero. La tabla siguiente muestra las variables cero para los
puntos extremos A, B, C, D y E.
Punto
extremo

Variables
cero

X1 = X2 = 0

X2 = X6 = 0

X3 = X6 = 0

X3 = X4 = 0

X1 = X4 = 0

Las observaciones anteriores indican que los puntos extremos se determinan

directamente de la forma estndar estableciendo dos variables iguales a cero
al mismo tiempo. Por ejemplo, X2 = X6 = 0 reduce las ecuaciones I a IV de la
forma estndar a cuatro ecuaciones con cuatro incgnitas como sigue:
2X1 + X3

= 6

-3X1

+ X4
+ X5

2X1

= 3
= 5
= 4

La solucin (nica) es X1 = 2, X3 = 2, X4 = 9 y X5 = 5. Esto, junto con X2 = X6 = 0 da el

punto B en la Figura N 03.
Figura N 03:

El procedimiento seguido en el ejemplo anterior determina realmente las

soluciones bsicas de las ecuaciones simultneas definidas por la forma
estndar. En general, una solucin bsica para un conjunto de m
ecuaciones lineales con n incgnitas se determina estableciendo n m
variables iguales a cero y luego resolviendo las m ecuaciones con n
incgnitas siempre que la solucin sea nica. En este caso las n m
variables iguales a cero se denominan no bsicas, y las restantes m
variables se llaman bsicas. Si la solucin proporciona todas las
variables bsicas no negativas se conoce como solucin bsica
factible; de otra manera es infactible. Un punto extremo factible, por
consiguiente, se define como una solucin bsica factible.
La discusin anterior lleva al resultado general siguiente.
Propiedad fundamental: Los puntos extremos factibles de un programa
lineal son totalmente determinados por las soluciones bsicas factibles de las
ecuaciones que lo definen.
La propiedad fundamental muestra como la definicin geomtrica de un punto
extremo del espacio de soluciones se traduce algebraicamente como las
soluciones bsicas de las ecuaciones que representan el programa lineal.

3.3 Condiciones de optimidad y factibilidad del mtodo simplex

La solucin ptima de un programa lineal general con m ecuaciones y n
incgnitas puede obtenerse resolviendo nC m = n! / [m! (n m)!] conjuntos de
ecuaciones simultneas.
Este procedimiento es ineficiente.
Primero, el
nmero de soluciones bsicas posibles puede ser demasiado grande. Segundo,
muchas de estas soluciones pueden ser infactibles o no existentes. En el
anterior nicamente 5 de los 15 puntos extremos posibles ( 6C 4) son factibles.
Tercero, la funcin objetivo juega un papel pasivo en el clculo, ya que es
utilizada nicamente despus que todas las soluciones bsicas factibles han
sido determinadas.
El mtodo simplex est diseado especficamente para evitar estas
ineficiencias. El enfoque consiste en partir de una solucin bsica factible (esto
es, un punto extremo factible) y luego pasar sucesivamente a travs de una
sucesin de soluciones bsicas factibles (no redundantes), de tal manera que
cada nueva solucin tenga la facultad de mejorar el valor de la funcin
objetivo.
La base del mtodo simplex que garantiza generar tal sucesin de soluciones
bsicas est formada por dos condiciones fundamentales.
1. La condicin de optimidad asegura que nunca se encontrar una
solucin inferior (relativa al punto de solucin actual).
2. La condicin de factibilidad garantiza que partiendo de una solucin
bsica factible, nicamente se encontrarn durante el clculo soluciones
bsicas factibles.
Para ayudar a desarrollar las dos condiciones, el programa lineal en forma
estndar se presenta en una forma tabular tal como se muestra a continuacin,
donde:
Cj : Coeficientes de las variables en la funcin objetivo.
bi :Constantes del lado derecho.
Xk : Variables bsicas.
Ci : Coeficientes de las variables bsicas en la funcin objetivo.
Zj : Valor alcanzado por la funcin objetivo en cada etapa.
Zj Cj : Rengln de evaluacin neta, mide el nivel de optimidad alcanzado por
la funcin objetivo en cada iteracin.
El mtodo simplex inicia con una solucin bsica factible (o punto extremo) la
cual para este ejemplo debe tener dos variables iguales a cero (de las seis). Se
obtiene as una solucin bsica factible inicial obvia X 1 = X2 =0.
Esto
inmediatamente da (sin ningn clculo adicional) la solucin de inicio con
todas las variables de holgura con valores X 3 =6, X4 =3, X5 =5 y X6 =4. Las
variables de holgura proporcionan una solucin obvia de inicio en este caso
porque (1) sus coeficientes en las restricciones forman una matriz identidad,

donde los elementos diagonales son unos y todos los elementos restantes son
ceros y (2) las constantes del lado derecho de las ecuaciones siempre son no
negativas (propiedad de la forma estndar). Una forma conveniente de
registrar la informacin sobre la solucin de inicio es la tabla siguiente.

Variable
saliente

Ci

Xk

CJ

bi

X3

X4

X5

X6

X1

X2
Variable
entrante

BASE

X3

X4

-3

X5

X6

Zj
Zj

Cj

-4

-3

X3

-1

X4

3/2

7/2

X5

X1

1/2

1/2

4
Zj
Zj

Cj

-1

X2

1/2

-1/2

X4

11/2

-7/4

13/4

X5

-1

X1

3/2

-1/4

3/4

1/2

3/2

Cj

1/2

3/2

Zj
Zj

6/2 =
3

4/2 =
2

2/2 =
1
9/7/2 = 18/7 =
2.57
5/2 = 2.50
2/1/2 =
4

La columna titulada bsica contiene las variables bsicas (actuales) X 3, X4, X5,
X6. La columna solucin da los valores actuales de las variables bsicas; de
tal manera que X3 = 6, X4 = 3, X5 = 5, X6 = 4. Cada ecuacin en la tabla
estar identificada por la variable asociada en la columna marcada bsica. Las
variables no bsicas actuales son aquellas que no aparecen en la columna
bsica y sus valores son cero, esto es X 1 = X2 =0. Los valores asignados a las
variables proporcionan X0 = 0, como se muestra en la columna solucin.
El paso siguiente es determinar una nueva solucin bsica factible (punto
extremo) con un valor mejorado de la funcin objetivo. El mtodo simplex
hace esto eligiendo una variable actual no bsica que se va a aumentar arriba
de cero siempre que su coeficiente en la funcin objetivo tenga la virtud de
mejorar el valor de X0. Ya que un punto extremo (en este ejemplo) debe tener
dos variables no bsicas, una de las variables bsicas actuales debe hacerse
no bsica en el nivel cero siempre que la nueva solucin sea factible. La
variable no bsica actual debe hacerse bsica; usualmente se le conoce como
la variable que entra y est determinada por la condicin de optimidad. Esta
variable se identifica inspeccionando el rengln de evaluacin neta (Z j Cj )
como aquel coeficiente con el menor valor negativo si el caso es de
maximizacin o el mayor valor positivo si el caso es de minimizacin asociado
a esta en la funcin objetivo. La variable bsica actual que va a ser no bsica
se conoce como variable que sale y est determinada por la condicin de
factibilidad. Esta se determina como aquella asociada al rengln cuyo cociente
resulte siendo el menor entre los elementos de la columna b i respecto a los
elementos mayores que cero de la columna asociada a la variable entrante. Si
se presentara el caso de empate en dichos cocientes, se optar por efectuar la
evaluacin respecto a la columna contigua a la columna b i hasta que se rompa
dicho empate. El elemento que surge de la interseccin de la columna que
identifica a la variable entrante con el rengln que identifica a la variable
saliente recibe el nombre de elemento o nmero pivote, los dems elementos
contenidos en la columna del elemento pivote reciben el nombre de
semipivotes. El rengln que contiene al elemento pivote recibe el nombre de
rengln pivote. En cada fase iterativa se deber calcular el nuevo rengln
pivote aplicando la frmula:
Nuevo rengln pivote = Rengln pivote anterior/n pivote
Para el clculo de los dems renglones se aplicar la formula:
Nuevo rengln = rengln anterior (semipivote) (nuevo rengln
pivote)
El valor ptimo se habr alcanzado en el caso de maximizacin, cuando no
exista ningn elemento negativo en el rengln de evaluacin neta (Z j Cj). En
el caso de minimizacin este se alcanzar cuando no exista ningn elemento
positivo en dicho rengln. As; en el presente caso, la solucin se presentar
como:

SX0 = {X1 = 3/2; X2 = 1; X4 = 11/2; X5 = 3; X3 = X6 = 0; (max) X0 = 9}

Generalizacin
El mtodo simplex busca ptimos adyacentes a partir una solucin basal
factible. En todos los ejemplos de resolucin que se han visto hasta ahora se
han empleado en la solucin inicial factible las variables de holgura. Sin
embargo, el empleo de variables de holguras no es posible cuando se tiene
restricciones de tipo o =. En estos casos se recurre al empleo de variables
artificiales para resolver el Pl mediante Simplex. Veamos un ejemplo:
(MIN) Z = 24X1 + 15X2
Sujeto a:
0.5X1 +
X2 12
1.5X1 +
X2 24
24X1 + 20X2 216
X1 , X2 0
La versin estandarizada del problema queda:
(MIN) Z = 24X1 + 15X2 + 0X3 + 0X4 + 0X5
Sujeto a:
1/2X1 +
X 2 + X3
3/2X1 +
X2
+ X4
24X1 + 20X2
- X5
X1 , X2 , X3 , X4 , X5 0

= 12
= 24
= 216

Debido a que el mtodo exige variables positivas, no es aceptable que en la

tercera restriccin la variable de exceso X5 tome un valor negativo. Para
resolver el problema, inventaremos variables basales para cada restriccin que
lo necesite. Debido a que dichas variables no tienen ningn significado para el
problema que se est resolviendo las denominaremos variables artificiales.
Recurriendo a esta opcin, la nueva forma estndar queda:
(MIN) Z = 24X1 + 15X2 + 0X3 + 0X4 + 0X5 + MX6
Sujeto a:
1/2X1 +
X 2 + X3
3/2X1 +
X2
+ X4
24X1 + 20X2
- X 5 + X6
X1 , X2 , X3 , X4 , X5 , X6 0

= 12
= 24
= 216

Reordenando el PL se tiene:
(MIN) Z = 0X3 + 0X4 + MX6 + 0X5 + 24X1 + 15X2
Sujeto a:
12
24
216
X3 ,

= X3
+ 1/2X1 +
X2
=
X4
+ 3/2X1 +
X2
=
X6 - X5
+ 24 X1 + 20X2
X4 , X6 , X5 , X1 , X2 0

Variable
saliente

Ci

Xk

CJ

24

15

bi

X3

X4

X6

X5

X1

X2
Variable
entrante

BASE

X3

12

1/2

X4

24

3/2

X6

216

-1

24

20

216M

-M

24M

20M

Zj
Zj

Cj

-M

24M24

20M15

X3

15/2

-1/48

1/48

7/12

X4

21/2

-1/16

1/16

-1/4

24

X1

1/24

-1/24

5/6

216

-1

24

20

Zj
Zj

Cj

1-M

-1

X3

6/5

-1/20

1/20

-7/10

X4

66/5

-1/20

1/20

3/10

12/1/2 =
24
24/3/2 =
16
216/2 4= 9

15/2/7/12 = 12.85

9/5/6 = 54/5 =
10.80

15

X2

Zj
Zj

54/5

1/20

-1/20

6/5

162

3/4

-3/4

18

15

Cj

3/4-M

-3/4

-6

Para garantizar que el ptimo encontrado sea el correspondiente al problema

original debemos forzar a que el algoritmo deje fuera de la base a las variables
artificiales. La idea consiste en incorporar a la funcin objetivo las variables
artificiales con un coeficiente +M, donde M es una constante positiva lo
suficientemente grande para la escala del problema (en caso de minimizacin
debemos emplear solo +M, si el caso fuera de maximizacin estas variables
artificiales se incorporan con coeficiente -M). Luego, si las variables artificiales
tomaran un valor positivo, la funcin objetivo se vera tremenda mente
castigada en su valor. Por lo tanto, el mtodo se encargara de hacer que las
variables artificiales sean nulas al maximizar (o minimizar) la funcin objetivo.

CAPTULO IV:

MODELOS DE REDES

Los modelos de redes y tcnicas basadas en el anlisis de redes han permitido,

como es el caso de transporte y asignacin, resolver exitosamente muchos
problemas administrativos. Adicionalmente a ello, presentamos tres casos : El
problema de la ruta ms corta, El problema del rbol de extensin mnima y El
problema del flujo mximo, mostrndose en cada caso la forma de desarrollar y
resolver el modelo para obtener la solucin ptima.
4.1

EL PROBLEMA DE LA RUTA MS CORTA

Como su nombre lo indica, el objetivo es determinar la ruta ms corta o el

camino ms reducido a travs de la red. Esto se ilustra refirindonos a la
situacin que enfrenta la Gorman Construccion Company. La Gorman tiene
diversos proyectos de construccin distribuidos en un rea de tres condados.
En ocasiones los sitios de las construcciones se ubican hasta a 50 millas de
distancia de la oficina general de la empresa. Como se efectan varios viajes
al da para llevar personal equipo y suministros, hacia y desde los lugares de
construccin, los costos relacionados con las actividades de transporte son
importantes. Se pueden describir mediante una red de calles, carreteras y
autopistas las alternativas de transporte entre los sitios y la oficina para
cualquier lugar de construccin determinado. En la red que se muestra en la
figura N 01 adjunta se describen las alternativas de viaje entre 6 de los
lugares de construccin ms recientes de la Gorman. Los pequeos crculos o
nodos de la red corresponden a los lugares. Las calles, carreteras y autopistas
son los arcos de la misma. Sobre los arcos correspondientes se indican las
distancias entre los lugares. Obsrvese que la longitud de los arcos no

necesariamente corresponde a la distancia recorrida.

La firma Gorman
pretende determinar las rutas o trayectos que minimizan la distancia total que
se viaja desde la oficina hasta cada sitio.
Figura N 01:
Red de caminos para el problema de ruta ms corta
de la Gorman Company.
Distancia sobre la carretera (en
millas)

17

2
5
[0, I]

15

6
4
6
4

Oficina
de la
Gorma
n

10

2
5

Nota: No necesariamente
la longitud del arco
guarda proporcin con la
distancia correspondiente.

Un algoritmo de ruta ms corta:

La resolucin del problema requiere determinar la va ms corta desde sus
oficinas (el nodo 1) hasta cada uno de los otros nodos de la red. El algoritmo
que se presenta utiliza un procedimiento de rotulacin para encontrar la
distancia ms reducida desde el nodo 1 hasta cada uno de los dems.
Conforme se ejecutan los pasos del procedimiento de rotulacin, se elabora un
rtulo ( etiqueta) para cada nodo, el cual consta de dos nmeros encerrados
entre corchetes. El primer nmero del rtulo de un nodo especfico seala la
distancia desde el nodo 1 hasta ese nodo, en tanto que el segundo indica el
nodo precedente sobre la ruta, desde el nodo 1 hasta ese nodo. Se coloca la
etiqueta para cada nodo directamente encima o abajo del nodo. Por ejemplo,
un rtulo para un nodo especfico podra ser como se muestra en la Figura N
02.
Figura N 02:
Este valor indica que 13 es la distancia desde el nodo 1
hasta l nodo 2.

[13,
3]

Este valor indica que el nodo que precede a este nodo (el
nodo 2) sobre la ruta que viene del nodo 1 es el nodo 3.

En cualquier etapa del procedimiento de rotulacin, se dice que un nodo est

rotulado o no. Un nodo con rtulo es aquel que ya se ha identificado un
camino desde el nodo 1 hasta ese nodo, y un nodo no rotulado es obviamente
el que no tiene todava un camino desde el nodo 1 hasta ese nodo. Para los
nodos rotulados, se dice tambin que el nodo ha sido (rotulado) etiquetado en
forma permanente o en forma tentativa. Es decir, cuando el algoritmo ha
permitido determinar la distancia ms corta desde el nodo 1 hasta cada nodo
especfico, se dice que tal nodo ha sido rotulado en forma permanente, si no se
ha determinado an dicha distancia dicho nodo tendr una marcacin
(rotulacin) tentativa.
El proceso de rotulacin se inicia asociado al nodo 1 la etiqueta permanente [0,
I]. La I seala simplemente que el nodo 1 es el inicial; y el 0, que la distancia
entre el nodo 1 y el mismo nodo es cero. Para diferenciar los nodos con los
rtulos tentativos de los permanentes, se sigue la prctica de sombrear stos
ltimos en la red. Adems, se utiliza una flecha para sealar el nodo con
etiqueta permanente que se investiga en cada uno de los pasos del algoritmo
de rotulacin. La identificacin inicial para la red de la empresa Gorman se
muestra en la Figura N 03. El nico nodo con marcado permanente es el 1.

Figura N 03:
Distancia sobre la carretera (en
millas)

17
2
5
[0, I]

15

6
4
6
4

Oficina
de la
Gorma
n

10

2
5
3
4

Para realizar el primer paso o iteracin del procedimiento de rotulado, se debe

considerar que cada nodo puede alcanzarse en forma directa desde el nodo 1;
por ello, se observan los nodos 2 y 3. Considrese por el momento el nodo 2.
Se observa que la distancia directa desde el nodo 1 al nodo 2 es de 15 millas.
Por tanto, puede asignarse tentativamente la etiqueta [15, 1] al nodo 2. El
primer nmero de la etiqueta seala que se puede llegar al nodo 2 recorriendo
15 millas, y el segundo nmero indica que el nodo que precede al nodo 2 sobre
la ruta es el nodo 1. Considerando ahora el nodo 3, vemos que su etiqueta
correspondiente es [10, 1]. En la figura N 04 se muestran los resultados
obtenidos hasta este punto. Las etiquetas de los nodos 2 y 3 son tentativas.
Figura N 04:

[15,

17

1]
2

5
6

15

[0,

1]

6
4

10
2
5
3

[10,
1]

En referencia a la figura anterior se consideran ahora todos los nodos que

tienen rtulos tentativos y se identifica el que tiene el menor valor de
distancia; as, se elige el nodo 3. Aqu ya se ha identificado la ruta ms corta
o mejor- para llegar al nodo 3 y, por tanto, se etiqueta en forma permanente
tal nodo con una distancia de 10 millas. Sombreando dicho nodo 3 para
sealar que es un nodo con etiqueta permanente y, aadiendo una flecha para
indicar que se utilizar el nodo 3 para iniciar el siguiente paso del proceso de
rotulacin, obtenindose la red siguiente:
Figura N 05:
17

[15,

1]
2
5
6

15
3

6
4
4

10

[0,

1]
6

[10,

1]

Se continan todos los nodos que no tienen etiqueta permanente y que pueden
alcanzarse en forma directa desde el nodo 3. Por ello se evalan los nodos 2 y
5. Obsrvese que la distancia directa del nodo3 a nodo 2 es de 3 millas, y la
distancia directa del nodo 3 al nodo 5 es de 4 millas. Como la etiqueta
permanente para el nodo3 indica que la distancia ms corta para llegar al nodo
3 es de 10 millas, se observa que se puede llegar al nodo 2 en 10 + 3 = 13
millas, y al nodo 5 en 10 + 4 = 14 millas. Por ello, se modifica la etiqueta
tentativa del nodo 2, y se le asigna al nodo 2 [13, 3] para indicar que ya se ha
encontrado ahora una ruta que va del nodo 1 al nodo 2, que tiene una
distancia de 13 millas y que el nodo que precede al nodo 2 en la ruta es el 3.
De manera similar, la etiqueta tentativa para el nodo 5 es [14, 3], en seguida
se evalan todos los nodos con etiquetas tentativas para identificar el que
tenga el menor valor de distancia en su etiqueta. Se observa que ste es el
nodo 2 declarndose permanentemente etiquetado, debido a que se puede
llegar al nodo 2, desde el 1, con la menor distancia posible de 13 millas,
pasando por el 3.
Continuando con este proceso se observa que la ruta ms corta desde el nodo
1 al nodo 7 es : 1-3-5-6-7 mostrada en la red siguiente:

Figura N 06:

[13,

[15,
1]

17

1]

[22, 6]

5
6

15

[0,
1]

4
6

4
10

2
3

[18, 5]
[16, 5]

[10,
1]

[14, 3]

En la tabla siguiente se muestran las rutas ms cortas para la red de transporte

de la Ca. Gorman.
Tabla N 01:
Nod
o
2
3
4
5
6
7
4.2

Ruta ms
corta desde
el nodo 1
1-3-2
1-3
1-3-5-4
1-3-5
1-3-5-6
1-3-5-6-7

Distancia
(en
millas)
13
10
18
14
16
22

EL PROBLEMA DEL RBOL DE EXTENSIN MNIMA

El problema del rbol de extensin (expansin) mnima se refiere a utilizar las

ramas (arcos) de la red para llegar a todos los nodos de la red, de manera que
se minimice la longitud total de las ramas. Para ilustrar dicho problema se
considera el diseo de un sistema de comunicaciones que afronta un centro
regional de cmputo.
El Centro Regional de Cmputo del Suroeste debe instalar lneas especiales
para comunicacin computacional, a fin de conectar a cinco usuarios satlite
con una computadora central. La Ca. Telefnica Local es la que instalar la
nueva red de comunicaciones. Sin embargo, la instalacin es una operacin
costosa. Con el propsito de reducir costos, el grupo de administracin del
centro desea que la longitud total de stas nuevas lneas de comunicacin sea
lo ms pequea posible. Aunque se podra conectar la computadora central en
forma directa a cada usuario, parece que sera ms econmico instalar una
lnea directa hacia algunos usuarios, y permitir que otros se enlacen con el
sistema a travs de los usuarios ya conectados. La determinacin de este
diseo de comunicaciones de longitud mnima constituye un ejemplo del
problema del rbol de extensin mnima. En la figura adjunta se muestra la
red para este problema, con las alternativas de conexin posibles y las
correspondientes distancias. En seguida se explica el algoritmo que puede
utilizarse para resolver este modelo de red.
Figura N 07:

40

2
50

30

20
40
1

3
10

30
4

Centro
Regional
de
Cmputo

40

2
0

Distancia (en millas)

de lneas de
comunicacin que se
requieren entre los
distintos lugares.

Algoritmo para el rbol de Extensin Mnima:

Paso 1:
Comenzar en forma arbitraria en cualquier nodo y conectarlo con
el nodo ms prximo. A stos dos nodos se les denominan nodos conectados o
conexos y a los nodos restantes se les denomina nodos no conectados o
inconexos.
Paso 2:
Identificar el nodo no conectado que est ms cerca de uno de los
conectados. Deshacer los empates en forma arbitraria si son dos o ms los
nodos que califican como nodo ms cercano. Agregar este nodo al conjunto de
nodos conectados. Repetir este paso hasta que se hayan conectado todos los
nodos.
Con referencia a la red mostrada en la Figura N 07 y comenzando
arbitrariamente en el nodo 1, se encuentra que el nodo ms prximo es el nodo
2, con distancia 20. Utilizando lnea gruesa para marcar los enlaces con los
nodos 1 y 2, el paso 1 arroja el siguiente resultado:

Figura N 08:
40
2

50

20

30

40
1

3
4
0

10

30
4
40

3
0

2
0

En el paso 2 se encuentra que el nodo inconexo ms cercano de uno de los

nodos es el 4, con distancia de 30 millas desde el nodo 1. Aadiendo el nodo 4
al conjunto de nodos conexos se obtiene el resultado siguiente:
Figura N 09:
40

2
50

30

20
40
1

3
10

40

30
4
40

3
0

2
0

6
6

Repitiendo el paso de agregar siempre el nodo no conexo que est ms

prximo al conjunto de nodos conexos de la red se obtiene finalmente el rbol
de extensin mnima siguiente:
Figura N 10:
40

2
50

20

30

40
1

3
10

30

4
0

4
40

3
0

2
0

Finalmente debemos sealar que para el problema del rbol de extensin

mnima para el Centro Regional de Cmputo la solucin se presenta como
sigue:
rbol de Extensin
Mnima
Nodo Inicial
1
1
4
4
3

Nodo Final
2
4
3
6
5
Longitud Total

4.3

Distancia
(en millas)
20
30
10
20
30
110

EL PROBLEMA DEL FLUJO MXIMO

Considrese una red con un nodo de entrada, o nodo fuente (nodo que genera
flujo, de manera que ste puede solamente salir del nodo, y no entrar al
mismo), y uno de salida, o nodo antifuente (nodo que absorbe flujo, de manera
que slo puede recibirlo pero no emitirlo). El problema del flujo mximo
pregunta cul es la cantidad mxima de flujo (es decir, vehculos, mensajes,
lquidos, etc), que puede entrar y salir del sistema de red en un periodo
determinado de tiempo? En dicho problema se intenta transmitir flujo sobre
todas las ramas (arcos) de la red en la forma ms eficiente posible. La
cantidad de flujo est limitada debido a restricciones de capacidad en dichas
ramas. Por ejemplo, los tipos de carretera limitan el flujo de vehculos en un
sistema de transporte, en tanto que, los dimetros de las tuberas limitan el
flujo de petrleo en un sistema de distribucin. Al lmite mximo sobre el flujo
de una rama se le denomina capacidad de flujo de la rama. Aunque no se

especifican cantidades para los nodos, se supone que el flujo que sale de un
nodo es igual al flujo que ingresa.
Para ilustracin, tomemos como referencia el sistema interestatal de carreteras
norte-sur que pasa por Cincinnati, Ohio. El flujo de vehculos norte-sur llega a
un nivel de 15000 vehculos por hora en las horas pico. Debido a un programa
de mantenimiento de carreteras en verano, que exige el cierre temporal de
carriles y una reduccin en los lmites de velocidad, un comit de planeacin
del transporte ha propuesto una red de rutas alternativas que pasa por
Cincinnati. Las rutas alternativas incluyen otras carreteras, as como tambin
calles de la ciudad. Debido a diferencias de velocidad y a los patrones de
trfico, las capacidades de flujo varan dependiendo de las calles o carreteras
especficas que se utilizan. En la figura adjunta se muestra la red la red que se
propone, incluyendo las capacidades de flujo sobre las ramas. Las capacidades
de flujo se basan en la direccin del flujo. Por ejemplo, la seccin de carretera,
o rama 1-2 muestra una capacidad de 5000 vehculos por hora en el sentido 12; sin embargo, existe una capacidad de cero en el sentido 2-1. Ello significa
que quienes planearon la red de carreteras no desean que fluyan vehculos del
nodo 2 hacia el nodo 1. En trminos lgicos, como el nodo 1 es la entrada; o
fuente, y un sitio potencial de congestionamiento, sera indeseable permitir
que fluya el trfico hacia la interseccin del nodo 1. En cualquier caso, este
ejemplo muestra que las capacidades de flujo de las ramas pueden depender
de la direccin del flujo. Considera que la red del sistema de carreteras
propuesto puede dar cabida a un flujo mximo, norte-sur, de 15000 vehculos
por hora? Cul es el flujo mximo de vehculos que permite la red cada hora?
Qu tanto flujo se debe canalizar sobre cada rama?
Algoritmo de Flujo Mximo:
Paso 1:
Encontrar cualquier camino que vaya del nodo origen al nodo de
depsito y que tenga capacidades de flujo mayores que cero para todas las
ramas del camino, en el sentido del flujo. Si no hay camino disponible, ya se
ha llegado a la solucin ptima.
Paso 2:
Encontrar la menor capacidad de la rama, P f , sobre el camino que
se eligi en paso 1. Aumentar el flujo sobre la red enviando una cantidad de P f
sobre el camino elegido en el paso 1.
Paso 3:
Para el camino que se eligi en el paso 1, reducir todas las
capacidades de flujo de las ramas en el sentido del flujo, en P f y aumentar las
capacidades de flujo en las ramas en el sentido contrario, en la misma cantidad
Pf . Volver al paso 1.
En seguida se muestran los clculos para la red de flujo en carreteras.

Figura N 11:
Red del Sistema de Carreteras y Capacidades de
Flujo (en miles por hora) para Cincinnati.
0
3
2

0
1

2
5

Salida
de
Cincinna
ti (Sur)

Entrada
de
Cincinna
ti (Norte)

0
0
5

Iteracin 1: El camino seleccionado es: 1-3-6-7; Pf que se determina mediante

la rama 1-3, es 6. La red modificada queda como sigue:

3
0

8
1

2
7

6
5

0
3

2
1
6

0
6

0
0

1
6

1
7

Flujo total
despus de
la iteracin 1

Iteracin 2: El camino seleccionado es: 1-2-5-7; Pf que se determina mediante

la rama 2-5, es 3. La red modificada queda como sigue:

0
5

5
3

2
7
6

2
5

0
3

2
1
0

0
6

1
1
7

Flujo total
despus de
la iteracin
2

0
0

Iteracin 3: El camino seleccionado es: 1-2-3-5-7; Pf

que se determina
mediante la rama 1-2 ( 2-3 , es 2. La red modificada queda como sigue:
3

5
3

5
3

4
3

2
1
6

0
6

0
0

1
1
7

11

Flujo total
despus de
la iteracin
3

Iteracin 4: El camino seleccionado es: 1-4-6-7; Pf que se determina mediante

la rama 6-7, es 1. La red modificada queda como sigue:
3

5
3

5
3

4
3

2
1
6

11

12

0
1
0
1

Flujo total
despus de
la iteracin
4

Iteracin 5: El camino seleccionado es: 1-4-6-5-7; Pf que se determina

mediante la rama 6-5, es 1. La red modificada queda como sigue:
0

5
3

5
3

0
3

4
2
1
6

0
3

1
2

11
13

9
12

0
2

Flujo total
despus de
la iteracin
5

Iteracin 6: El camino seleccionado es: 1-4-6-3-5-7; Pf que se determina

mediante la rama 3-5, es 1. La red modificada queda como sigue:
1

2
3

5
3

3
0

5
1
6

2
7

1
6

4
2
0

7
6

0
6

11

12

13

14

2
0
3

3
4

Flujo total
despus de
la iteracin
6

2
3

Los resultados del anlisis del flujo mximo muestran que el sistema que se
plantea de red de carreteras no puede manejar el flujo pico de 15000 vehculos
por hora. Las personas que estn planeando el transporte tendrn que ampliar
la red de carreteras, aumentar las capacidades actuales del flujo en las ramas,
o prepararse para enfrentar severos problemas de embotellamiento de
vehculos. Si se ampla o modifica la red, otro anlisis de flujo mximo
permitir determinar la magnitud de cualquier aumento en el flujo.
Comparando las capacidades final e inicial de flujo para todas las ramas de la
red se puede determinar el patrn de flujo que se muestra en la figura adjunta.
3

14

2
5
14

3
6

Entrada
de
Cincinna

1
6

Salida
de
Cincinna
ti (Sur)

Rama
inutilizada

3
3

Ci - C f = 7 2
=5

Rama:
3-6

Capacidad Inicial

( Ci )

Capacidad Final

5
6

( Cf )

Patrn de Flujo

(Pf

)
Rama: 56
Capacidad Inicial

Ci - Cf = 1 2 = -1 = |
-1 | = 1
1

( Ci )
Capacidad Final

(Pf )

6
2

0
6

( Cf )

Patrn de Flujo

1
5

CAPITULO V: PROGRAMACION DE PROYECTOS CON PERT CPM

5.1 Antecedentes histricos
Cuando la Marina de los Estados Unidos comenz el proyecto del submarino
atmico Polaris, se dieron cuenta de que no solo deban vencer las dificultades
tcnicas y cientficas, sino tambin el problema de coordinacin y control de
estos enormes esfuerzos.
En este proyecto haba 250 contratistas directos y ms de 9000
subcontratistas, que suponan gran cantidad de recursos y factores humanos
y , por tanto, era preciso encontrar una nueva tcnica para desarrollar el
proyecto con eficacia bajo un nivel razonable de coste y tiempo.
En colaboracin con la Casa Booz Allen y Hamilton, se iniciaron los conceptos
bsicos del Sistema PERT (Proyect Evaluation and Review Technique), como
instrumento de planificacin, comunicacin, control e informacin. El resultado
de la aplicacin de esta nueva tcnica fue el ahorro de dos aos en un proyecto
de cinco de duracin total.
Este xito no solo impresion en el campo militar, sino tambin en otros
sectores, su utilizacin se extendi rpidamente en el campo industrial y
comercial. Hoy prcticamente en los Estados Unidos todas las empresas
utilizan PERT para controlar sus proyectos, especialmente las que estn
vinculadas con el Departamento de Defensa.
En 1957, la casa E. I. Du Pont desarroll un sistema que pudiera mejorar el
mtodo de planificacin y programacin para los programas de construccin.
Bajo la direccin de los seores J. E. Nelly y M. R. Walter, se cre la tcnica CPM
(Critical Path Method).
La tcnica CPM es similar al PERT en muchos aspectos.
La diferencia
fundamental de estos dos sistemas consiste en que, en PERT, estima la
duracin de cada tarea u operacin de los proyectos basndose simplemente
en un nivel de coste, mientras que el CPM relaciona duracin y coste, de lo cual
se deriva una diversidad de duraciones para cada tarea u operacin, y la
eleccin de una duracin adecuada se har de modo que el coste total
proyecto sea mnimo.
PERT y CPM son dos mtodos usados por la direccin para, con los medios
disponibles, planificar el proyecto a fin de lograr su objetivo con xito. Estos
mtodos no pretenden sustituir las funciones de la direccin, sino ayudarla.
PERT y CPM no resuelven los problemas por s solos, sino que relacionan todos
los factores del problema de manera que presentan una perspectiva ms clara
para su ejecucin. Muchas veces las decisiones no son fcilmente tomadas por
la direccin debido a su incertidumbre, pero PERT y CPM ofrecen un medio

eficaz de reducir esta, y que las decisiones tomadas y acciones emprendidas

sean las adecuadas al problema con gran probabilidad de xito.
El mayor problema con quela direccin se enfrenta hoy en un proyecto
complejo, es cmo coordinar las diversas actividades para lograr su objetivo.
Los enfoques tradicionales sobre planificacin y programacin resultan
inadecuados e insuficientes. Generalmente los diferentes grupos que trabajan
para el proyecto tienen sus propios planes de realizacin independientes entre
s. Esta separacin conduce a una falta de coordinacin para el proyecto como
conjunto. En cambio, las tcnicas PERT y CPM preparan el plan mediante la
representacin grfica de todas las operaciones que intervienen en el proyecto
y las relacionan coordinndolas de acuerdo con las exigencias tecnolgicas.
Adems, estas tcnicas proporcionan un mtodo de actuacin por excepcin
para la direccin; esto quiere decir que la direccin slo actuar cuando surjan
desviaciones respecto al plan previsto.

5.2 Aplicaciones de PERT Y CPM

El factor tiempo adquiere cada vez mayor importancia en las industrias. No
slo por la penalidad impuesta por el cliente respecto al plazo de entrega sino
tambin por el concepto de costes. Una empresa mueve miles de dlares al
mes; y si la direccin puede conseguir una reduccin del tiempo de realizacin
del proyecto con los mismos medios existentes y no causa por ello aumento en
los costes, significar un beneficio.
Esta economa indirecta puede ser
conseguida mediante la mejora del mtodo para la planificacin, programacin
y control de proyectos.
En el pasado, la programacin de un proyecto (en el tiempo) se hizo con poca
planeacin. La mejor herramienta conocida de planeacin entonces era el
diagrama de barras de Gantt, el cual especifica los tiempos de inicio y
terminacin de cada actividad en una escala de tiempo horizontal.
Su
desventaja es que la interdependencia entre las diferentes actividades (la cual
controla principalmente el progreso del proyecto) no puede determinarse a
partir del diagrama de barras. Las complejidades crecientes de los proyectos
actuales han demandado tcnicas de planeacin ms sistemticas y ms
efectivas con el objeto de optimizar la eficiencia en la ejecucin del proyecto.
La eficiencia aqu implica efectuar la mayor reduccin en el tiempo requerido
para terminar el proyecto
mientras se toma en cuenta la factibilidad
econmica de la utilizacin de los recursos disponibles.
La aplicacin de PERT se concentra en aquellas tareas en que hay
incertidumbre en cuanto a los tiempos de terminacin. Sin embargo, con CPM
se supone que las experiencias pasadas nos libran de esta incertidumbre de
tiempos, pero s existe la de costes, ya que lo importante es el coste total
mnimo y sobre ste se fijan los tiempos de los trabajos.
El caso de PERT, por ejemplo, es ms indicado para los proyectos de
investigacin, en los cuales existe el problema de la estimacin de los tiempos
de trabajo y, por otro lado, tampoco hay antecedentes para calcular los costes
por unidad de tiempo.

En cambio en CPM es aplicable a las construcciones en general en las cuales

sea fcil estimar los tiempos y los costes, y lo que interesa es saber cul es la
combinacin de coste-duracin de cada tarea para que se pueda lograr el coste
total mnimo del proyecto.
La programacin de proyectos por PERT-CPM consiste en 3 fases bsicas:
planeacin, programacin y control.
La fase de planeacin se inicia descomponiendo el proyecto en actividades
distintas. Las estimaciones de tiempo para estas actividades se determinan
luego y se construye un diagrama de red (o de flechas) donde cada uno de sus
arcos (flechas) representa una actividad. El diagrama de flechas completo da
una representacin grfica de las interdependencias entre las actividades del
proyecto.
La construccin del diagrama de flechas como una fase de
planeacin, tiene la ventaja de estudiar los diferentes trabajos en detalle,
sugiriendo quiz mejoras antes de que el proyecto realmente se ejecute. Ser
ms importante su uso en el desarrollo de un programa para el proyecto.
El objetivo ltimo de la fase de programacin es construir un diagrama de
tiempo que muestre los tiempos de iniciacin y terminacin para cada
actividad, as como su relacin con otras actividades del proyecto. Adems, el
programa debe sealar las actividades crticas (en funcin del tiempo) que
requieren atencin especial si el proyecto se debe terminar oportunamente.
Para las actividades no crticas el programa debe mostrar los tiempos de
holgura que pueden utilizarse con ventaja cuando tales actividades se
demoran o cuando se deben usar eficientemente recursos limitados.
La fase final en la administracin de proyectos es la de control. Esto incluye el
uso del diagrama de flechas y la grfica de tiempo para hacer reportes
peridicos del progreso. La red puede, por consiguiente, actualizarse y
analizarse y si es necesario, determinar un nuevo programa para la porcin del
proyecto.
5.3 Representacin por el Diagrama de Flechas (Red)
El diagrama de flechas muestra en forma grfica el orden de precedencia entre
las actividades del proyecto.
Se utiliza comnmente una flecha para
representar una actividad, y la punta indica el sentido de avance del proyecto.
La relacin de precedencia entre las actividades se especifica utilizando
eventos. Un evento representa un punto en el tiempo y significa la terminacin
de algunas actividades y el comienzo de nuevas. Los puntos inicial y final de
una actividad, por consiguiente, estn descritos por dos eventos usualmente
conocidos como evento de comienzo y evento terminal. Las actividades que se
originan de un cierto evento no pueden comenzar hasta que las actividades
que concluyen en el mismo evento hayan terminado. En la terminologa de la
teora de redes cada actividad est representada por un arco dirigido y cada
evento no necesita ser proporcional a la duracin de la actividad ni tiene que
dibujarse como una lnea recta. La figura N 01 muestra un ejemplo de una
representacin tpica de una actividad (i, j) con su evento de comienzo i y su
evento de terminacin j. La figura N 01 (b) muestra otro ejemplo donde las
actividades (1, 3) y (2, 3) deben terminarse antes que pueda comenzar la
actividad (3, 4). La direccin de avance de cada actividad se especifica

asignando un nmero ms pequeo al evento de comienzo comparado con el

nmero de su evento terminal.
Este procedimiento es especialmente
conveniente para clculos automticos y es el que adoptar en adelante.
Figura N 01:

1
i

3
2

4
b

En seguida se presentan algunas reglas tiles para la confeccin del diagrama

de flechas:
Regla 1: Cada actividad est representada por una y solamente una flecha en
la red. Ninguna actividad puede representarse dos veces en la red.
Regla 2: Dos actividades diferentes no pueden identificarse por los mismos
eventos terminal y de comienzo. Una situacin como sta puede surgir cuando
dos o ms actividades pueden ejecutarse concurrentemente. Un ejemplo se
muestra en la figura N 02 (a) donde las actividades A y B tienen los mismos
eventos finales. El procedimiento consiste en introducir una actividad figurada
o ficticia ya sea entre A y uno de los eventos finales, o entre B y uno de los
eventos finales. Las representaciones modificadas, despus de introducir la
actividad ficticia D se muestran en la figura N 02 (b). Como resultado de usar
D, las actividades A y B pueden ahora identificarse por eventos finales nicos.
Debe notarse que una actividad ficticia no consume tiempo o recursos.
Figura N 02:

2
D

A
1

B
1

3
B

2
1

1
B

D
2

(a)

(b)

Las actividades ficticias son tambin tiles al establecer relaciones lgicas en

el diagrama de flechas, las cuales de otra manera no pueden representarse
correctamente. Suponga que en cierto proyecto los trabajos A y B deben
preceder a C. Por otra parte, el trabajo E est precedido por el trabajo B
solamente. La figura N03 (a) muestra la forma incorrecta ya que aunque la
relacin de A, B y C es correcta, el diagrama implica que E debe estar
precedida tanto por A como B. La representacin correcta usando f 1 ficticia se
muestra en la figura N 03 (b). Ya que f 1 no consume tiempo (o recursos) las
relaciones de precedencia indicadas estn satisfechas.
Figura N 03:
(a)

(b)
A

1
1

f1
B

Regla N 03: A fin de asegurar la relacin de precedencia correcta en el

diagrama de flechas, las siguientes preguntas deben responderse cuando se
agrega cada actividad a la red.
(i)

Qu actividad(es) debe(n) terminarse inmediatamente antes de que

esta actividad pueda comenzar?

(ii)
(iii)

Qu actividad(es) deben seguir a esta actividad?

Qu actividad(es) deben efectuarse concurrentemente con esta
actividad?

Esta regla se explica por s misma. Realmente permite verificar (y volver a

verificar) las relaciones de precedencia cuando se progresa en el desarrollo
de la red.
Ejemplo N 01: Supongamos que tenemos seis actividades bien definidas A,
B, C, D, E y F, siendo las relaciones de precedencia entre ellas las siguientes:
1. A y B pueden comenzar simultneamente despus de la actividad de T.P.
(tiempo de preparacin)*.
2. Actividades C, D y E pueden empezar solamente cuando termine la A.
3. Al terminar la actividad B, se comienza slo la E.
4. Antes de empezar la F, deben estar terminadas las C, D y E.

Generalmente en los modelos de red para proyectos hay un tiempo de

preparacin antes de ejecutarlos. En este tiempo, se realiza una serie
de actividades restrictivas, por ejemplo: peticin de autorizacin, espera
de la ltima decisin para el lanzamiento del proyecto, preparacin de
financiacin, condiciones estacionales, etc.

Ahora podemos dibujar la red paso a paso.

Para el primer paso podemos trazar las siguientes flechas:
Figura N 04:
A

T.P.
0

1
B

Tanto la longitud como la direccin de la flecha no tienen ningn significado

vectorial. Por eso, la forma de dibujar la red es completamente a gusto del
planificador.

El segundo paso es el siguiente:

Figura N 05:

C
D

T.P.
0

B
3

El tercer paso es aadir una actividad E despus del suceso 3, pero unindolo
con la actividad A con una flecha ficticia.
Figura N 06:

C
D
2
A

T.P.
0

f1

B
3

El cuarto paso es dibujar la actividad F detrs de las C, D y E.

Figura N07:

C
4

T.P.
0

f1

f2

B
3

Para facilitar la denominacin de las actividades con los nmeros naturales, es

conveniente crear otra actividad ficticia f 2 para la C o la D, aumentando un
suceso entre (2) y (5) que es, en nuestra Figura N 07, el suceso 4.
Ejercicios:
1. Prisney Productions hace pelculas de animacin y, recientemente ha
firmado un contrato para producir una nueva pelcula que incluye una
pequea caricatura a manera de inicio. Como productor ejecutivo, se le
ha solicitado a usted, elabore la red correspondiente al proyecto,
considerando las tareas que necesitan llevarse a cabo as como el orden
de precedencia entre aquellas. Estas aparecen en la tabla adjunta,
donde tambin se incluye la estimacin de sus tiempos de terminacin.
TAREA

DESCRIPCIN

PREDECES
TIEMPO
OR
DE TAREA
INMEDIATO (SEMANA
S)

Hacer la animacin

Ninguna

12

Preparar los crditos

Ninguna

Instrumentar la msica

Ninguna

Grabar la msica

Mezclar la msica

A, B, D

Mezclar la msica y la animacin

Ninguna

Preparar el avance

Editar

E, F

Hacer las copias

G, H

2. Construya el diagrama de flechas que comprenda las actividades A, B, C,

, L tal que se satisfagan las relaciones siguientes:
A, B, C, las primeras actividades del proyecto pueden comenzar
simultneamente.
A y B preceden a D.
B precede a E, F y H.
F y C preceden a G.
E y H preceden a I y J.
C, D, F y J preceden a K.
K precede a L.
I, G, y L son las actividades terminales del proyecto.
3. Construya el diagrama de flechas correspondiente al proyecto que
comprende las actividades que aparecen en el cuadro adjunto.
Tarea
A
B
C
D
E
F

Predecesoras
inmediatas
Ninguna
Ninguna
A
B
A,B
C, D, E

Duracin
(semanas)
8
7
5
2
4
6

CAPTULO VI: ADMINISTRACION DE PROYECTOS USANDO

TIEMPOS DETERMINSTICOS (CPM)
6.1 Clculos de la Ruta Crtica
La aplicacin de las tcnicas PERT y CPM deben proporcionar un programa,
especificando las flechas de inicio y terminacin de cada actividad. La
construccin del diagrama de flechas constituye el primer paso hacia el logro
de esa meta. La determinacin de los tiempos de inicio y de terminacin de las
diversas actividades de un proyecto requieren clculos especiales, esto; esto
en razn a las interacciones existentes entre aquellas. Estos clculos se
efectan directamente en el diagrama de flechas empleando aritmtica simple.
El resultado final es clasificar las actividades en crticas y no crticas. Se dice
que una actividad es crtica si una demora en su comienzo causar demora en
la fecha de terminacin del proyecto completo. Una actividad no crtica es tal
que el tiempo entre su inicio ms temprano y su terminacin ms tardo (como
se permiten por el proyecto) es ms grande que su duracin actual. En este
caso, se dice que la actividad no crtica tiene un tiempo de holgura.
6.2 Determinacin de la Ruta Crtica

Una Ruta Crtica define una cadena de actividades crticas, las cuales conectan
los eventos de inicio y final del diagrama de flechas. Dicho de otra manera, la
ruta crtica identifica todas las actividades crticas del proyecto. El mtodo
para determinar la Ruta Crtica comprende dos fases: tal como se muestra del
ejemplo numrico a continuacin:

Figura N 01: Red de Proyecto:

6
1

19
D

B
0
3
1

5
F

13
f1

13

A
3

INICIO
C

1
G
TERMINACIO
N

3
E

19

6
1
6

ACTIVIDAD CRTICA

1ra Fase: Paso hacia adelante: Donde los clculos comienzan desde el nodo
de inicio y se mueven al nodo de terminacin. En cada nodo se calcula el
nmero que representa el tiempo de ocurrencia ms temprano del evento
correspondiente. Estos nmeros se muestran en la figura anterior dentro de
los cuadrados. . En el caso citado, sea ES i el tiempo de inicio ms temprano
de todas las actividades que se originan en el evento i. Por consiguiente, ES i
representa el tiempo de ocurrencia ms temprano del evento i. Si i = 1 es el
evento de inicio, entonces convencionalmente, para los clculos de ruta
crtica, ES1 = 0. Sea Dij la duracin de la actividad (i, j). Los clculos del paso
hacia adelante, por consiguiente, se obtienen de la frmula:
ESj = mx. { ESi + Dij }, para todas las actividades (i, j) definidas

i
donde ES1 = 0. Por consiguiente, a fin de calcular ES j para el evento j, ESi
para los eventos de comienzo de todas las actividades (i, j) que entran, deben
calcularse primero.
Los clculos del paso hacia adelante aplicados a la figura anterior proporcionan
ES1 = 0 como se muestra en el cuadrado sobre el evento 1. Ya que existe
solamente una actividad que entra (1, 2) al evento 2 con D 12 = 3.
ES2 = ES1 + D12 = 0 + 3
Esto se anota en el cuadro asociado al evento 2. El siguiente evento que se va
a considerar es el 3. (Note que el evento 4 no puede considerarse en este
punto, ya que ES3 (evento 3) todava no se conoce). Por consiguiente,
ES3 = ES2 + D23 = 3 + 3 = 6
El valor de ES4 se puede obtener ahora. Ya que existen dos actividades que
entran (2, 4) y (3, 4).
ES4 = mx. { ES2 + D24 ; ES3 + D34 } = mx. {3 + 2; 6 + 0 } = 6
i = 2, 3
Esto se escribe en el cuadro asociado con el evento 4.
El procedimiento contina de la misma forma hasta que ES 1 se calcula para
toda j. Por consiguiente:
ES5 = mx. { ES3 + D35 ; ES4 + D45 } = mx. {6 + 3; 6 + 7 } = 13
i = 3, 4
ES6 = mx. { ES3 + D36 ; ES4 + D46 ; ES5 + D56 } = mx. {6 + 2; 6 + 5; 13 +
6 } = 19
i = 3, 4, 5
Estos clculos terminan el paso hacia adelante.
2da Fase: Paso hacia atrs: Comienzan los clculos desde el nodo de
terminacin y se mueven hacia el nodo de inicio. El nmero calculado en
cada nodo (mostrado dentro de un tringulo, ) representa el tiempo de
ocurrencia ms tardo del evento correspondiente.
El paso hacia atrs
comienza desde el evento de terminacin. El objetivo de esta fase es
calcular LCi , el tiempo de terminacin ms tardo para todas las actividades
que estn en el evento i.
Por consiguiente, i = n es el evento de
terminacin, LCn = ESn inicia el paso hacia atrs. En general, para cualquier
nodo i, :
LCi = mn. { LCj - Dij }, para todas las actividades (i, j) definidas
i

Los valores de LCi se determinan de la siguiente manera:

LC6 = ES6 = 19
LC5 = LC6 D56 = 19 6 = 13
LC4 = mn. { LC5 D45 ; LC6 - D46 } = mn. {13 - 7; 19 - 5 } = 6
j = 5, 6
LC3 = mn. { LC4 D34 ; LC5 D35 ; LC6 D36 } = mn. {6 - 0; 13 3; 19 - 2 } = 6
j = 4, 5, 6

LC2 = mn. { LC3 D23 ; LC4 D24 } = mn. {6 - 3; 6 - 2 } = 3

j = 3, 4
LC1 = LC2 D12 = 3 3 = 0
Esto completa los clculos del paso hacia atrs.
Las actividades de ruta crtica pueden ahora identificarse usando los resultados
de los pasos hacia adelante y hacia atrs. Una actividad (i, j) est en la ruta
crtica si satisface las tres condiciones siguientes:
i)
ii)
iii)

ESi = LCi
ESj = LCj
ESj - ESi = LCj - = LCi = Dij

En la grfica, las actividades (1, 2), (2, 3), (3, 4), (4, 5) y (5, 6) definen la ruta
crtica. Este es realmente el tiempo ms corto posible para terminar el
proyecto. Observe que la ruta crtica debe formar una cadena de actividades
conectadas, la cual abarca la red desde el inicio hasta la terminacin.
Determinacin de las holguras
Siguiendo la determinacin de la ruta critica, deben calcularse las holguras de
las actividades no crticas. Naturalmente, una actividad crtica debe tener una
holgura cero. De hecho, es la principal razn para que sea crtica.
Antes de mostrar cmo se determinan las holguras, es necesario definir dos
nuevos tiempos, los cuales estn asociados con cada actividad. Estos son el
tiempo de inicio ms tardo (LS) y el tiempo de terminacin ms temprano (EC),
los cuales estn definidos para la actividad (i, j) por:
LSij = LCi Dij
Existen dos tipos importantes de holgura: Holgura Total (TF) y Holgura Libre
(FF). La Holgura Total TFij para una actividad (i, j) es la diferencia entre el
mximo tiempo disponible para realizar la actividad ( = LC j ESi ) y su duracin
( = Dij ); esto es:

TFij = LCj ESi Dij = LCj ECij = LSij ESj

La Holgura Libre se define suponiendo que todas las actividades comienzan tan
temprano como sea posible. En este caso, FF ij para la actividad (i, j) es el
exceso de tiempo disponible (= ESj ESi ) sobre su duracin ( = Dij ); esto es:
FFij = ESj ESi Dij
Los clculos de ruta crtica junto con las holguras para las actividades no
crticas pueden resumirse en la forma conveniente mostrada en la tabla
adjunta. Las columnas (1), (2), (3) y (6) se obtienen de los clculos de la red
en el ejemplo antecitado. La informacin restante puede determinarse de las
frmulas anteriores.

Tabla N 01: PROGRAMA DE ACTIVIDADES -CPM

Activida
d
(i, j)

Duraci
n
(Dij)

(1)

(2)

Temprano

Tardo

Holgura
Total
TFij = LSij
ESj

Holgura Libre
FFij = ESj ESi
Dij
(8)

(7)
Inicio
ESi
(3)
(1,
(2,
(2,
(3,
(3,
(3,
(4,
(4,
(5,

2)
3)
4)
4)
5)
6)
5)
6)
6)

3
3
2
0
3
2
7
5
6

0
3
3
6
6
6
6
6
13

Terminacin
ECij = ESi + LCj LSij
(4)
3
6
5
6
9
8
13
11
19

Inicio
LSij = LCi
Dij
(5)
0
3
4
6
10
17
6
14
13

Terminaci
n
LCj
(6)
3
6
6
6
13
19
13
19
19

0*
0*
1
0*
4
11
0*
8
0*

0
0
1
0
4
11
0
8
0

Actividad crtica

VII. ADMINISTRACIN DE PROYECTOS USANDO TIEMPOS DE TAREA

PROBABILSTICOS (PERT)
Al revisar proyectos, un gerente a menudo encuentra retrasos imprevistos al
llevar a cabo las diferentes tareas, lo cual tiene como resultado un
correspondiente retraso en el proyecto completo. Una manera de manejar
tales problemas consiste en tomar en cuenta esta variabilidad cuando se
estiman los tiempos de terminacin individuales.
En lugar de suponer que los tiempos de tarea se conocen con certeza, puede
ser ms apropiado estimar los tiempos de tarea, tomando en cuenta la
incertidumbre.
Para revisar tales proyectos se requiere un anlisis
probabilstico, que se describe a continuacin.

Considere el problema de Home Construction, Inc., una compaa que

construye casas para una sola familia. Como en el caso determinstico, el
gerente de construccin debe primero identificar las principales tareas (y sus
predecesores inmediatos) que se necesitan para construir una casa, como se
muestra en la Tabla N 02, adjunta. Segn lo aprendido en la seccin anterior,
estas tareas y sus relaciones de precedencia pueden trazarse en una red de
proyecto, como se ilustra en la Figura N 01.
Tabla N 02: Predecesores inmediatos para el proyecto de Home
Construction, Inc.
TAREA

DESCRIPCIN

A
B
C
D
E
F
G
H
I

Cimientos
Armazn
Techos
Plomera
Cableado
elctrico
Puertas
ventanas
Terminado
interior
Terminado
exterior
Inspeccin

PREDECESO
R INMEDIATO
Ninguna
A
B
A
C
D, E
F
F
G, H

Figura N 01: Red de proyecto para el proyecto de Home Construction,

Inc.

7
H

E
f1

A
0

D
1

F
4

G
5

7.1 Estimacin de los tiempos de terminacin de tareas

Los tiempos de terminacin de estas tareas son bastante variables debido a la

incertidumbre de las condiciones climatolgicas, la obtencin de suministros, el
mantenimiento de las relaciones laborales, etc. As pues, una sola estimacin
del tiempo no es apropiada. Para tomar en cuenta esta variabilidad se requiere
el conocimiento de la distribucin de probabilidad de los tiempos de
terminacin de cada tarea. Esto, a su vez, requiere el conocimiento de los
parmetros de distribucin, entre los que se encuentran la media y la varianza.
La obtencin de la distribucin y de sus parmetros, a menudo, es difcil y
tardada. Sin embargo, un planteamiento que ha resultado ser confiable en la
prctica consiste en aproximar las distribuciones desconocidas mediante una
distribucin beta. El anlisis, en esta seccin no requiere la forma exacta de la
distribucin, sino solamente del conocimiento de tres parmetros: el valor
mnimo, el valor mximo y el valor probable, presentados en la Figura N 02.

Figura N 02: Distribucin Beta de un tiempo de tarea

Tiempo
ms

Tiempo
ms

Tiempo
ms

optimista

probable

pesimista

En el contexto de las tareas de un proyecto, obtenga tres estimaciones de

tiempo para cada tarea:
Tiempo ms optimista (a), es decir, el tiempo ms corto en el que la
tarea puede hacerse.
Tiempo ms pesimista (b), es decir, el tiempo ms largo que se puede
llevar una tarea dentro de lo razonable.
Tiempo ms probable (m), es decir, el tiempo que la tarea requiere con
ms frecuencia en circunstancias normales.
Para una distribucin beta, estas tres estimaciones de tiempo se combinan
para obtener el valor esperado (medio) y la desviacin estndar del tiempo de
terminacin de una tarea, de acuerdo con las siguientes frmulas:
Tiempo medio esperado de tarea te = a + 4m + b/6
Desviacin estndar de tarea t = b a/6
Suponga que la tarea C, colocacin del techo, las tres estimaciones obtenidas
del subcontratista que lo va a colocar son:
a = 3 semanas
b = 11 semanas
m = 5.5 semanas
Utilizando estas tres estimaciones, el tiempo medio esperado y la desviacin
estndar de tarea se calculan de la manera siguiente:
tec = a + 4m + b/6 = 3 + 4(5.5) + 11/6 = 6 semanas
c = b a/6 = 11 3/6 = 1.333 semanas
El gerente de construccin ha obtenido estas estimaciones y ha hecho los
clculos apropiados para cada una de las tareas restantes, el resultado se
muestra en la Tabla N 03
Tabla N 03: Estimacin de los tiempos de terminacin para las tareas
de Home Construction, Inc.
TAREA

DESCRIPCION

A
B
C
D
E
F
G
f1
H
I

Cimientos
Armazn
Techos
Plomera
Cableado elctrico
Puertas y ventanas
Terminado interior
Ficticia
Terminado exterior
Inspeccin

ESTIMACIN DE TIEMPOS
(SEMANAS)
a
2
4
3
2.5
2
3
3
0
2
1

m
3
7.5
5.5
4
3
5
3.5
0
5
1

b
4
8
11
5.5
4
7
7
0
8
1

TIEMPO
MEDIO
ESPERADO DE
TAREA (te)

DESVIACION
ESTNDAR
DE TAREA
(T )

3
7
6
4
3
5
4
0
5
1

0.333
0.667
1.333
0.500
0.333
0.667
0.667
0.000
1.000
0.000

7.4 Clculo del tiempo medio esperado de terminacin del proyecto

Utilizando los tiempos de terminacin medios para las tareas de la tabla N 03,
junto con la red de proyecto de la Figura N 01, se puede calcular el tiempo de
terminacin ms temprano esperado para el proyecto completo en,
exactamente, la misma forma en que se hace para proyectos con tiempos de
tarea determinsticos como se describi en la seccin precedente. De manera
similar, los tiempos ltimos de inicio y terminacin se calculan como fueron
descritos en la seccin precedente. Los resultados se muestran en la Figura N
03.
Figura N 03: Red de proyecto y clculos para obtener la ruta crtica
para el proyecto de Home Construction, Inc.
10

16

10

16

29

30

29

30

6
B

H
5

f1
A
0

D
1

8
1

F
4

G
5

6
4

19

24

29

19

24

28

7.5 Anlisis probabilstico del tiempo de terminacin del proyecto

Recuerde que el tiempo de terminacin del proyecto calculado en la seccin
anterior es el tiempo de terminacin esperado. El tiempo de terminacin real
puede variar debido a que los mismos tiempos de terminacin de las tareas
son variables. Puesto que el tiempo de terminacin esperado de 30 semanas,
hasta cierto grado, no es confiable, el gerente de construccin deber hacerse
preguntas como las siguientes:
a. Cul es la probabilidad de cumplir con una fecha especfica de
terminacin del proyecto? Por ejemplo, cul es la probabilidad de
construir la casa en 32 semanas?
b. Qu fecha de terminacin puede cumplirse con un nivel dado de confianza? Por ejemplo,
cul es la fecha ltima de terminacin en la cual usted tiene una confianza del 95% de
cumplir?

Para responder a preguntas probabilsticas, usted necesita la distribucin de probabilidad para el

tiempo de terminacin del proyecto. Obtener esa distribucin, por lo general, es algo imposible,
debido a las complejas relaciones de precedencia entre las tareas individuales. En la prctica, la
distribucin real del tiempo de terminacin del proyecto se aproxima mediante una distribucin
normal. Para utilizar esta aproximacin se requieren las siguientes suposiciones:
1. Las tareas que se determinaron como crticas utilizando los tiempos de tarea esperados
siguen siendo crticas, incluso si varan los tiempos de terminacin reales de las tareas.
Para el proyecto de Home Construction Inc., esta suposicin puede ser o no verdadera. Por
ejemplo, la suposicin no es verdadera si los tiempos de terminacin reales de todas las
tareas son iguales a sus valores esperados, excepto para G, que necesita ms de cinco
semanas para llevarse a cabo. En este caso, cambian las tareas crticas. La tarea G ahora se
vuelve crtica mientras que la tarea H ya no es crtica.
Sin embargo, si la suposicin es verdadera, el tiempo de terminacin del proyecto es la
suma de los tiempos de terminacin de las tareas crticas individuales a lo largo de una
trayectoria crtica. En este ejemplo, solamente existe una trayectoria crtica, de modo que,
Tiempo medio esperado de terminacin del proyecto = (tiempo medio esperado de
terminacin de la tarea A) + (tiempo medio esperado de terminacin de la tarea B) +
(tiempo medio esperado de terminacin de la tarea C) + (tiempo medio esperado de
terminacin de la tarea E) + (tiempo medio esperado de terminacin de la tarea F) +
(tiempo medio esperado de terminacin de la tarea H) + (tiempo medio esperado de
terminacin de la tarea I).
2. El tiempo de terminacin de cada tarea es independiente del tiempo de
terminacin de cualquier otra tarea, es decir, la cantidad de tiempo que
se lleva completar una tarea no depende del tiempo que se lleva
terminar cualquier otra tarea.
Para el proyecto de Home Construction, Inc., esta suposicin tambin
puede ser o no verdadera. Por ejemplo, suponga que se utiliza la misma
mquina para terminar tanto el interior como el exterior (tareas G y H).
Si una descomposicin de la mquina ocasiona un retraso en el acabado
del interior (tarea G), entonces es muy probable que se presente un
retraso parecido en el acabado del exterior (tarea H). En este caso, las
tareas G y H son dependientes. Sin embargo, si se utilizan dos mquinas
diferentes para llevar a cabo las tareas, la suposicin de independencia
es probablemente vlida. Tal suposicin de independencia, junto con la
suposicin 1, le permite llegar a la conclusin de que para cualquier
trayectoria crtica:
Tiempo medio esperado de terminacin del proyecto = suma de los
tiempos esperados de terminacin de todas las tareas a lo largo de esa
trayectoria crtica.
Para el proyecto de Home Construction, Inc.,
= teA + teB + teC + teE + teF + teH + teI
=3+7+6+3+5+5+1
= 30 semanas

3.

Varianza del tiempo de terminacin del proyecto = suma de las

varianzas de los tiempos esperados de terminacin de las tareas a lo
largo de esa trayectoria crtica.
V = VA + VB + VC + VE + VF + VH + VI y; dado que: V = 2, se tiene:
V = (0.333)2 + (0.667)2 + (1.333)2 + (0.333)2 + (0.667)2 + (1.000)2 +
(0.000)2
V = 3.889 semanas.
En el caso de que una red de proyecto tenga ms de una trayectoria
crtica, calcule el valor esperado y la varianza del tiempo de terminacin
del proyecto a lo largo de cada trayectoria crtica. Entonces, para
clculos posteriores, escoja aquella cuya varianza se la ms grande.
(Todas las trayectorias crticas proporcionarn el mismo tiempo de
terminacin esperado).

4. El tiempo de terminacin del proyecto sigue una distribucin normal con

la media y la varianza calculadas en la suposicin 2.
Esta suposicin es vlida para proyectos que tienen un gran nmero de
tareas individuales a lo largo de una trayectoria crtica, debido al
teorema del lmite central.
Con estas tres suposiciones, el tiempo de terminacin del proyecto de
Home Construction, Inc., tiene una distribucin normal con una media de
30 semanas y una varianza de 3.889 semanas (es decir, una desviacin
estndar de = 3.889 = 1.972 semanas). Utilizando esta informacin, usted puede
responder a las preguntas planteadas anteriormente:
a. Cul es la probabilidad de terminar una casa en 32 semanas?
De su conocimiento de la distribucin normal, la respuesta a esta
pregunta es equivalente a encontrar el rea que se encuentra a la
izquierda del 32 bajo una distribucin normal con una media de 30 y
una desviacin estndar de 1.972, como se ilustra en la Figura N 04.
Se tiene:
X: Terminacin de la casa
= 30 semanas
= 1.972 semanas
p ( X 32 ) = p ( X / 32 30 / 1.972 ) = p ( Z 1.014 )
Revisando la tabla de distribucin normal, se tiene:
0.01
1.1

1.014
0.004

1.02

x
1.3438

0.3461

0.0023
1.1 / 0.0023 = 0.004 / x
x = 0.00092
? = 0.3438 + 0.00092 = 0.34472
p ( X 32 ) = 0.50000 + 0.34472 = 0.84472 = 84.472%
En otras palabras, la probabilidad de construir la casa en 32 semanas es de 84.47%
Figura N 04: Clculo de la probabilidad de cumplir con una
fecha de logro de objetivo

0.50000

0.34472

32

=
30

28.02
8

X
31.97
2

26.05
6

33.94
4

24.08
4

35.916

-3

-2

-1
-1

2
1.01
4

b. Qu fecha de terminacin deber darse de modo que se tenga 95%

de confianza de que la casa estar terminada en ese tiempo?
Para responder a esta pregunta, usted necesita determinar el punto
X donde el rea bajo la distribucin normal que se encuentra a la
izquierda del punto es 0.95, como se muestra en la Figura N 05. En
la tabla normal se obtiene el valor Z de 1.645, para lo cual el rea
que est a la izquierda es de 0.95. Puede, ahora, calcular el valor de
X, a partir de la definicin de Z, de la manera siguiente:
Se tiene:
X: Terminacin de la casa = ?
= 30 semanas
= 1.972 semanas
Nc = 95% = 0.9500 = 0.5000 + 0.4500

0.001
0.4495

0.4500

0.4505

0.0005

x
1.64

?
0.01

0.001 / 0.01 = 0.0005 / x

x = 0.005
? = Z = 1.64 + 0.005
Z = 1.645
Se sabe que:
Z =X- /
1.645 = X 30 / 1.972

1.65

X = 33.24394
En otras palabras, usted puede tener el 95% de confianza de cumplir en una fecha meta con
un tiempo de terminacin de 33.24 semanas.

Figura N 05: Clculo de la fecha de logro de objetivo con un nivel

dado de confianza

0.50000

0.45000

33.2439

28.02
8

26.05
6

24.08
4

=
30

X
31.97
2

33.94
4

35.91
6

-3

-2

-1-1

2
1.64