1

CAPITULO I

NOCIONES Y ORIGEN DE LA INVESTIGACIN OPERATIVA.

La Investigacin Operativa estudia modelos los cuales aplican tcnicas matemticas y

analizan problemas para tomar decisiones.

A la I.O. se debe visualizarse como ciencia y como arte. Como ciencia radica en ofrecer
tcnicas y algoritmos matemticos para resolver problemas de decisin adecuados. Es
un arte, debido a que el xito que se alcanza en todas las fases anteriores y posteriores a
la solucin de un modelo matemtico depende en forma apreciable de la creatividad y
habilidad personal de los analistas encargados de tomar decisiones. Por lo tanto, la
obtencin de los datos para la construccin de un modelo, la validacin de ste y la
implantacin de la solucin obtenida dependern de la habilidad del equipo de I.O., para
establecer lneas de comunicacin ptimas con las fuentes de informacin, y tambin
con los individuos responsables de implantar las soluciones recomendadas.

Uno de los campos que hasta en pocas recientes no se haba aplicado la ciencia, fue el
de la administracin y organizacin de las empresas, al contrario de lo que ocurri con
ciencias tales como la mecnica, la qumica, las mismas que dieron nacimiento a las
ingenieras mecnica, qumica, etc. Esto ocurri debido a que las empresas, en sus
orgenes, no sobrepasaron la dimensin de pequeas y medianas artesanas, en las que el
empresario o artesano tena bajo su absoluto control todas las actividades de su
corporacin; el es el que planifica la produccin, recluta el personal, hace las veces de
operario, de vendedor, etc.

A medida que la empresa crece, es imposible que una sola persona trate de controlar de
por s sola a toda una organizacin, lo que di lugar a la aparicin de teoras sobre
organizacin y administracin de empresas complejas por sus dimensiones y por el
campo de las operaciones que abarcan.

De entre las teoras de organizacin empresarial que aparecieron, podramos citar las
siguientes:

1.

Clsica: Sus grandes tericos fueron Taylor y Fayol. En resumen consideran que
todas las organizaciones complejas tienen ciertas funciones comunes que les son
bsicas tales como la planeacin, la ejecucin, control; considera que la
organizacin es un arte, ms o menos sujeto a ciertos principios.

2.

Emprica: Aquella que se reduce a la observacin de las organizaciones a las que se

podra considerlas como modelo; as por ejemplo ver que empresas han tenido xito
en su gestin para que en lo posible tratar de imitar sus procedimientos. Como
contrapartida igualmente observar a las organizaciones que han fracasado a fin de
evitar las causas que acarrearon a su ruina.

3.

Psicolgica: Esta corriente se ocupa principalmente de las relaciones dentro de la

empresa y trata de hallar la persona o personas que poseen capacidad de mando a fin
de que sean ellas las que dirijan a la empresa hacia el objetivo fijado.

4.

Moderna: Puesta en boga a partir de los inicios de la dcada de 1940, los

propulsores son los considerados o llamados ingenieros de sistemas, se resume a

indicar que la empresa es un conjunto de gente que trabaja por una parte, y otro
grupo que es el que dirige o toma las decisiones.

Esta corriente filosfica se preocupa por estudiar la teora de las decisiones, lo que
estiman que es el problema fundamental de la empresa y que caminos o herramientas
existen para una mejor decisin en un momento dado.

La Investigacin de Operaciones o Investigacin Operativa es una enfoque cientfico a

la toma de decisiones, se hace necesaria esta disciplina para integrar la extremada
especializacin de la actualidad, y es por eso que se lo ha calificado como una materia
interdisciplinaria; sirve de apoyo para los administradores ya que interviene en la
solucin de diferentes problemas. Adems es considerada como escuela matemtica,
pues se vale de mtodos matemticos, del uso de computadores, aplicacin de la
Estadstica, y comprende aspectos tales como: la programacin lineal, mtodo del
camino crtico, teora de colas e inventarios, rboles, etc.

DESARROLLO DE LA I.O.

Siendo el objetivo principal de maximizar la operacin de bienes y servicios, al igual

que la minimizacin de los insumos requeridos para la produccin, siendo este el fin
primordial de la empresa, es innegable que las bases de lo que hoy se denomina I.O. se
comenzaron aplicar desde que hizo su aparicin un simple artesano, hecho que data de
tiempos remotos.

Pero podra considerarse a Taylor y a Fayol como sus precursores, quienes dieron inicio
a su sistematizacin, debido al crecimiento y complejidad que experiment la empresa
por la Revolucin Industrial.

Casi la totalidad de los autores coinciden en afirmar que la actividad llamada I.O. se
desarroll durante la II Guerra Mundial, pero sus orgenes pueden remontarse a muchos
aos atrs.

Concluida la guerra, muchos especialistas en I.O. que prestaban sus servicios en la rama
militar pasaron a colaborar en la reconstruccin de la industria desbastada por la guerra.

En 1950 aparecen diversas organizaciones mundiales especialistas en I.O, en el caso de

Ecuador se le empieza a estudiar en 1984, cuando se crea en la Escuela Politcnica
Nacional un grupo de profesionales dedicados a esta actividad.

Se la ha denominado con diferentes nombres, as en Gran Bretaa como "Investigacin

Operacional"; en Estados Unidos como "Anlisis Operacional", "Evaluacin de
Operaciones", "Investigacin de Sistemas", "Ciencias de la Administracin",
"Investigacin Operativa e Investigacin de Operaciones".

CONCEPTOS I.O.

Hctor Espinoza Berriel dice: "Es un grupo de tcnicas cuyo principal objetivo es la
determinacin de la soluciones ptimas de los problemas econmicos, mediante
mtodos matemticos y estadsticos".

Ackkoff y Sasieni dicen: " I.O. es, de hecho, el uso de la investigacin cientfica
para ayudar al ejecutivo".

Spilman, nos dice "I.O. es un mtodo cientfico para el estudio de las decisiones que
permiten la localizacin y la evaluacin cuantitativa de todos los factores
interesados".

Podramos mencionar otros conceptos de diferentes autores, pero vamos a

resumirlos en el siguiente concepto: "Es el conjunto de herramientas de tipo
matemtico que tienden a lograr la ptima utilizacin de los recursos y
procedimientos en una organizacin compleja.

APLICACIN.
La aplicacin de la I.O. es infinita en cualquier campo de la actividad humana, si bien
en sus inicios se lo aplic en el campo militar hoy se lo utiliza para resolver problemas
dietticos, de personal, mejor utilizacin de los insumos en la industria, para realizar
itinerarios mas cortos y ptimos, etc.

Se estudia en las ramas de Economa, Administracin Pblica y Privada, Psicologa,

Trabajo Social, Matemticas, Estadstica, y en casi todas las ramas de la Ingeniera.

CARACTERISTICAS I.O.

Se mencionan tres caractersticas:

ORIENTADORA DE SISTEMAS: Consiste en analizar las partes ms importantes y

relacionarlas con otras para descubrir los verdaderos problemas y dar soluciones
verdaderas.

ACTUACION DE GRUPOS INTERDISCIPLINARIOS: De acuerdo a este enfoque

se establece que casi todos los problemas empresariales tienen aspectos de orden
econmico, psicolgico, sociolgico, estadstico, matemtico, contables, etc. Y por
tanto es obvio suponer que s en la solucin de los mismos intervienen especialistas de
diversas disciplinas; existirn mayores enfoques y criterios sobre los mismos, los cuales
a su vez coadyuvarn positivamente a la bsqueda de la solucin.

UTILIZACION DEL METODO CIENTIFICO COMO DE LOS MATEMATICOS: Bsicamente la I.O. al igual que otras ciencias, emplea el mtodo cientfico, el
mismo que comprende las etapas de observacin, definicin del problema, formulacin
de hiptesis, experimentacin y verificacin.

ETAPAS DE UN PROYECTO DE I.O.

Generalmente se consideran las siguientes fases:

DEFINICION DEL PROBLEMA.- Precisa una definicin clara y concreta del

problema a ser analizado, lo cual implica aspectos tales como: el establecimiento de las
metas y objetivos del estudio; la identificacin de decisiones alternativas para el sistema
e igualmente un claro reconocimiento tanto de los requerimientos , limitaciones y
restricciones a considerar dentro del sistema.

CONSTRUCCION DEL MODELO.- Esta fase depende en gran manera de la

complejidad y naturaleza del sistema que se halla sujeto a investigacin. A su vez el
modelo contendr expresiones cuantitativas tanto para la funcin objetivo, as como
para las restricciones, expresadas a travs de las correspondientes variables de decisin.

SOLUCION DEL MODELO.- Definido el modelo se proceder a encontrar la

solucin adecuada al mismo; al respecto existen diversas tcnicas matemticas, todas
estas por lo general tratan que el modelo libere una solucin ptima, la misma que

como ya se expres anteriormente podra Maximizar o Minimizar una funcin objetivo

determinada.

VALIDACION DEL MODELO.- Decimos que un modelo es vlido, si a pesar de las

limitaciones con que podra representar al sistema, ofrecen una estimacin confiable del
comportamiento del sistema. Una barrera muy difundida de probar la validez, de un
modelo consiste en comparar su comportamiento y rendimiento con cierta informacin
estadstica previa, que se hallare disponible al respecto.

IMPLEMENTACION DE LOS RESULTADOS.- Se traslada los resultados

obtenidos del modelo a una serie de instrucciones operativas, las cuales deben estar
expresadas en un lenguaje claro y comprensible para todas aquellas personas que
administran y operan el sistema analizado, tambin en esta fase es donde la interaccin
y coordinacin del personal dedicado a la I.O. y aquel correspondiente del rea
operativa debe ser ms intensa.

10

CAPITULO II.

11

MODELOS PROTOTIPOS DE I.O.

Para resolver los problemas se lo realiza mediante la experimentacin, por cuanto sera
muy costoso y riesgoso hacerlo en la misma empresa, es por esto que se utiliza los
modelos, que no es sino una representacin o una abstraccin de la realidad.

En I.O. se analizan los siguientes modelos prototipos:

Modelo del Simplex.
Modelo de Transporte.
Modelo de Insumo Producto (Matriz de anlisis administrativo).
Modelo de Bsqueda.
Modelo de Trayectoria.
Modelo de reemplazo de equipo, etc.

MODELO DEL SIMPLEX.

MODELO.- En I.O. un modelo podra concebirse como una representacin idealizada

de un sistema existente en la realidad. Este sistema a su vez podra tratarse de algo que
ya existe o que se est concibiendo para ser implementado en lo futuro.

El Modelo del Simplex, es un modelo prototipo de I.O. que utiliza la programacin

lineal para resolver sistema de ecuaciones de primer grado o sistemas de ecuaciones
lineales. Es un mtodo repetitivo que mediante la solucin del sistema de ecuaciones,

12

optimiza la respuesta, maximiza las utilidades o beneficios y minimiza las prdidas o

costos.

Para resolver un problema de I.O. se recomienda plantearse lo que se llama: El Modelo

General de Programacin Lineal, el cual consta de tres partes:

FUNCION OBJETIVO.- Define la efectividad del sistema como una funcin

matemtica de las variables de decisin. Al respecto se dice que la solucin ptima, se
obtiene en el momento en el cual las variables de decisin del modelo alcanzan el
mximo valor de la funcin objetivo. En trminos generales podramos sealar que
optimizar la funcin objetivo podra significar tanto maximizar utilidades o beneficios,
o minimizar costos o prdidas.

Se representa: MAX Z o MIN Z.

RESTRICCIONES O DESIGUALDADES.- A efectos de registrar las limitaciones

fsicas del sistema, el modelo deber incluir restricciones que limiten las variables de
decisin anotadas anteriormente a sus valores factibles o permisibles. Este aspecto
normalmente es expresado a travs de desigualdades o inecuaciones matemticas.

Estas restricciones son las limitaciones del problema y estn constituidos por recursos
escasos como son: capital, tierra, trabajo, energa, materia prima, mercado, horashombre, horas-mquina, etc. Y utiliza los smbolos de y .

13

LA CONDICION DE NO NEGATIVIDAD DE LAS VARIABLES DE

DECISION.- Las variables de decisin son aquellas incgnitas que son determinadas
de la solucin del modelo, estas son siempre positivas o cuando ms cero, este aspecto
obedece que los modelos de I.O. representan sistemas reales y concretos en los que no
tiene sentido hablar de produccin negativa. Representacin:

X1 0
X2 0

X1, X2 0

14

PLANTEAMIENTO DE PROBLEMAS.

EJERCICIO 1.
Una empresa planea una campaa de publicidad para un nuevo producto. Se establecen
como metas el que la publicidad llegue por lo menos a 320.000 individuos audiencia
(IA), de los cuales al menos 120.000 tengan un ingreso mnimo anual de 300.000
unidades monetarias y al menos 80.000 sean solteros. Se desea nicamente la radio y la
televisin como medios de publicidad. Un anuncio de TV cuesta 10.000 unidades
monetarias y se estima que llega a un promedio de 40.000 (IA) de los cuales un 25%
tienen ingresos superiores a 300.000 unidades monetarias y un 20% son solteros. Un
anuncio por radio FM cuesta 6.000 unidades monetarias y llega a un auditorio promedio
de 10.000 oyentes (IA), de los cuales el 80% tienen ingresos superiores a los 300.000
u.m. y 4.000 son solteros. Hallar el nmero de anuncios por cada medio para minimizar
el costo.
X1 # nmero de anuncios en TV.
X2 # nmero de anuncios en radio.
Costo Unitario
Tipos de audiencia
De alto ingreso
Solteros
Global

Televisin
10.000
Alcance unitario
10.000
8.000
40.000

Radio
6.000
Alcance unitario
8.000
4.000
10.000

Meta mnima
120.000
80.000
320.000

15

F.O.

MIN Z = 10X1+6X2

Rest. 1. 10X1+8X2 120

2. 8X1+4X2 80
3. 40X1+10X2 320
Cond: X1 0
X2 0

EJERCICIO 2.
Una fbrica de calzado produce 3 tipos de zapatos: deportivos, formales y botines,
producir un par de cada tipo cuesta 10, 20, y 30 dlares respectivamente. El precio de
venta de los zapatos deportivos es de $20, zapatos formales $40, y botines $60, dicha
empresa recibe una orden de entrega de 150 pares de zapatos, en la que se especifica
que no se desea recibir ms de 50 pares de botines.
Cuntos pares de zapatos de cada tipo debe producir la fbrica a fin de maximizar las
ganancias.
X1 # pares zapatos deportivos
X2 # pares zapatos formales
X3 # pares zapatos botines
Recursos
Orden entrega
No mas 50 p.
Por deduccin
Ganancia

Deportivos
1

Formales
1

1
10

1
20

F.O.: MAX Z = 10X1 + 20X2 + 30X3

Rest. 1. X1 + X2 + X3 150

Botines
1
1
30

Disponibilidad
150
50
100

16

2. X3 50
3. X1 + X2 100
Cond: X1 0
X2 0
X3 0

EJERCICIO 3.
La compaa Work Company es propietaria de un taller de fabricacin de cermica. En
ese taller se fabrica 3 tipos de cermica A,B,C con cada cermica se requiere
determinado tiempo para realizar la pieza y pintar la pieza terminada, Work podr
vender todas las cermicas que fabrique. Work emplea a varias personas para realizar
cada una de las actividades la cual es variable de uno a otro mes. A partir de los
siguientes datos formule un modelo de programacin lineal que ayude a Work a
determinar la mezcla de productos que permitir maximizar la ganancia.
X1 # unidades de producto A
X2 # unidades de producto B
X3 # unidades de producto C

Modelo
A
B
C
Capacidad

Realizar Pieza
3
1
4
120

Pintura Pieza
4
5
4
200

Ganancia
22
18
50

17

F.O.: MAX Z = 22X1 + 18X2 + 50X3

Rest. 1. 3X1 + X2 + 4X3 120
2. 4X1 + 5X2 + 4X3 200
Cond: X1 0
X2 0
X3 0

EJERCICIO 4.
La empresa Tubasec necesita producir planchas para cubrir techo los cuales estn
diseadas con 5 y 10 canales. En conjunto los 2 tipos de planchas tienen asignadas para
su produccin 10 m3 de asbesto y 5m3 de cemento.
Las planchas de 5 canales debern contener 1.5 m3 de asbesto y 0.5 m3 de cemento. Las
planchas de 10 canales debern contener 2 m3 de asbesto y 1 m3 de cemento. Para
cumplir con la norma ISO a la cual la empresa est certificada como un aval de que los
productos fabricados son de calidad.
Cual es la combinacin ptima de los dos tipos de planchas que minimice el costo total
de produccin si se sabe que el costo unitario para producir las planchas de 5 canales es
de $3 y de la de 10 canales es de $4

X1 # planchas de 5 canales
X2 # planchas de 10 canales.
Recursos
Asbesto

Planchas 5 canales
1.5

Planchas 10 canales
2

Disponibilidad
10

18

Cemento
Costo

0.5
3

1
4

F.O.: MIN Z = 3X1 + 4X2

Rest.: 1. 1.5X1 + 2X2 10
2. 0.5X1 + X2 5
Cond: X1 0
X2 0

EJERCICIO 5.
Dos productos se elaboran al pasar en forma sucesiva por tres mquinas. El tiempo por
mquina asignado a los dos productos est limitado a 10 horas por da.

El tiempo de produccin y la ganancia por unidad de cada producto son:

PRODUCTO
1
2

MINUTOS POR UNIDAD

MAQUINA 1
MAQUINA 2
10
6
5
20

MAQUINA 3 GANANCIA
8
2
15
3

Determine la solucin ptima de los dos productos?

RESOLUCION:
RECURSOS
MAQUINA 1
MAQUINA 2
MAQUINA 3
GANANCIA

PRODUCTO 1
10
6
8
2

PRODUCTO 2
5
20
15
3

DISPONIBILIDAD
10
10
10

19

X1, Nmero de unidades de producto 1

X2, Nmero de unidades de producto 2

F.0. MAX Z = 2X1 + 3X2

Rest.

10X1 + 5X2 10

1.

6X1 + 20X2 10

1.

3.

8X1 + 15X2 10

Cond. X1 0
X2 0

20

EJERCICIO 6.
La produccin de una fbrica debe ser programada para dos tipos de mquina A y B,
para la mquina A pueden ser programadas 100 horas de trabajo, y para la mquina B
60 horas de trabajo, la produccin durante el periodo est destinado a dos productos X y
Y, cada unidad del producto X requiere 3 horas de proceso en la mquina A, y 3 horas
en la mquina B, cada unidad de producto Y requiere 2 horas en la mquina A y 1 en la
mquina B, el margen de ganancia es de 80 unidades monetarias por X y 100 por
unidad de producto Y. Ambos productos pueden ser vendidos inmediatamente y en
consecuencia la produccin puede ser programada con el objeto de maximizar las
ganancias

RECURSOS

PRODUCTO X PRODUCTO Y

MAQUINA A 3
MAQUINA B 3
GANANCIA 80

2
1
100

X1 = UNIDADES DE PRODUCTO X
X2 = UNIDADES DE PRODUCTO Y

F.O.

MAX Z = 80X1 + 100 X2

Rest. 1.
2.

Cond.

3X1 + 2X2 100

3X1 + X2 60

X1 0

DISPONIBILIDAD DE LOS
RECURSOS
100
60

21

X2 0
EJERCICIO 7.
Una fbrica de alimentos debe enviar 500 mt3 de alimentos que necesitan refrigeracin y
600 mt3 , que no necesitan ser refrigerados, para ello va a contratar los servicios de una
compaa que renta camiones refrigeradores de 2 tipos A y B.

Los camiones tipo A tienen un espacio de refrigeracin de 10 mts3 y un espacio sin

refrigeracin de 15 mts3 y renta a 5 unidades monetarias por kilmetro.

Los camiones tipo B tienen un espacio de refrigeracin de 15 mts3 y un espacio sin

refrigeracin de 10 mts3, siendo su renta de 8 unidades monetarias por kilmetro.

El problema consiste en determinar cuntos camiones de carga tipo debe contratar la

fbrica, si quiere minimizar el costo de enviar los alimentos.

RECURSOS
REFRIGERADOS
NO REFRIGERADOS
COSTO (km)

TIPO A
10
15
5

X1 = CAMIONES TIPO A
X2 = CAMIONES TIPO B

F.O.

MIN Z = 5X1 + 8X2

Rest. 1.

10X1 + 15X2 500

2.

15X2 + 10X2 600

TIPO B
15
10
8

DISPONIBILIDAD
100
600

22

Cond. X1 0
X2 0

EJERCICIO 8.
Un taller produce 2 clases de cinturones de tipo A y B, en cada cinturn de alta calidad
gana 80 unidades monetarias, y en cada cinturn B de baja calidad gana 60. El taller
puede producir diariamente 1000 cinturones de tipo B o bien 500 cinturones de tipo A,
slo se dispone de piel para 800 cinturones diarios (A y B combinados), y de 400
hebillas elegantes para el cinturn A y de 700 hebillas diarias para el cinturn B. Qu
produccin maximiza la ganancia ?.

RECURSOS
PIEL
HEBILLAS ELEGANTES
HEBILLAS NORMALES
GANANCIA

CINTURON
A
1
1
0
80

X1 = CINTURON TIPO A
X2 = CINTURON TIPO B

F.O.

MAX Z = 80X1 + 60 X2

Rest. 1.
2.
3.

X1 + X2 800
X1

400
X2 700

CINTURON
B
1
0
1
60

DISPONIBILIDAD
800
400
700

23

4.

2X1 + X2 1000

Cond. X1 0
X2 0

EJERCICIO 9.
Un agricultor quiere cultivar maz y trigo en un terreno de 70 hectreas, sabe que una
hectrea puede rendir 30 quintales de maz o 25 quintales de trigo; cada hectrea
requiere de un capital de 900 unidades monetarias si cultiva maz y de 1200 si se cultiva
con trigo. El capital total disponible es de 75.000 unidades monetarias. Las necesidades
de agua de riego es de 900 mts3 por hectrea de maz y 600 mts3 por hectrea de trigo
en octubre, y de 1200 mts3 y 850 mts3 por hectrea de maz y trigo respectivamente en
el mes de noviembre; la disponibilidad de agua en octubre es de 57.900 mts3 y en
noviembre de 115.200 mts3.

Si los precios de venta del maz y del trigo son de 135 y 180 unidades monetarias por
quintal respectivamente, se desea determinar la cantidad de maz y trigo que debe
producirse para obtener el beneficio mximo.

RECURSOS
TERRENO
CAPITAL
AGUA OCTUBRE
AGUA NOVIEMBRE
PRECIO VENTA

MAIZ
1 / 30
1 / 30 (900)
1 / 30 (900)
1 / 30 (1200)
135

X1 = NUMERO QUINTALES DE MAIZ

TRIGO
1 / 25
1 / 25 (1200)
1 / 25 (600)
1 / 25 (850)
180

DISPONIBILIDAD
70
75.000
57.900
115.200

24

X2 = NUMERO QUINTALES DE TRIGO

F.O.

MAX Z = 135X1 + 180 X2

Rest. 1.

X1/30 + X2/25 70

2.

900 X1/30 + 1200 X2/25 75.000

3.

900 X1/30 + 600 X2/25 57.900

4.

1200X1/30 + 850 X2/25 115.200

Cond. X1 0
X2 0

EJERCICIO 10.
Un granjero cra pavos, gallinas y patos. El costo de la crianza de una gallina, un pato y
un pavo es de 15, 10, y 40 unidades monetarias respectivamente hasta el momento de su
venta.

Las gallinas se venden a 30 unidades monetarias, los patos a 20 y los pavos a 55 cada
uno, sabiendo que la granja puede alojar solo a 500 aves y que el granjero no desea
tener mas de 300 patos a la vez. Cuntas aves de cada especie debe criar a fin de
maximizar sus ganancias?.

X1 = NUMERO DE PAVOS.
X2 = NUMERO DE GALLINAS

25

X3 = NUMERO DE PATOS.

F.O.

MAX Z = 15X1 + 10 X2 + 15 X3

Rest.

X1 + X2 + X3 500

Capac. de alojamiento

X3 300

Deseo del granjero

Deduccin

X1 + X2

200

Cond. X1 0
X2 0
X3 0

De los problemas anteriores se puede determinar lo siguiente:

Para n variables X: X1, X2, X3, X4.........Xn, conocidas como variables de decisin, el
problema consiste en determinar los valores de stas variables que hagan mxima o
mnima la siguiente ecuacin:

Z = C1X1 + C2X2 + ............. + CnXn

Sujetas a las restricciones dadas por las limitaciones de recursos, las mismas que son
planteadas como inecuaciones o ecuaciones:

26

a11X1 + a12 X2 +.................. + a1n Xn ( = ) b1

a21X1 + a22 X2 + ................ + a2n Xn (

) b2

.
.
.
am1X1 + am2X2 + ................ + amnXn (

) bm

En sumatorios
n
F.O.

Z=

Cj Xj
j =1

n
Rest. aij Xj bi (para valores de i = 1,2,3, ............ m)
j=1

Cond. Xj 0 ( para j = 1, 2, .............n)

METODOS DE RESOLUCION DE PROBLEMAS DE I.O.

METODO GRAFICO
METODO ALGEBRICO
METODO SIMPLEX.

27

METODO GRAFICO.

Utiliza un sistema de coordenadas cartesianas, el eje de las X o abscisas y el eje de las Y

o coordenadas. En P.L. sirven para representar hasta dos variables de decisin con las
letras X1, X2.

El mtodo grfico resuelve sistemas de ecuaciones en 2 partes:

1. Encontrando una zona factible.
2. Calculando la respuesta ptima del problema para maximizar o minimizar segn el
caso.

1.

Zona Factible.- Es el rea donde el ejecutivo y administrador puede tomar sus

decisiones, y se encuentran graficando c/u de las ecuaciones o inecuaciones del
problema.
La zona factible ser el rea donde se cumple todas y cada una de las restricciones
del problema.

2.

Determinacin y clculo del ptimo.- Para encontrar el ptimo o respuesta al

problema se recurre al teorema de Algebra Lineal que dice: "El ptimo estar en uno
de los vrtices de la zona factible", si es maximizacin en el vrtice que nos d el
mayor valor. Si es minimizacin lo contrario.

28

Grficamente el ptimo se encuentra representando la funcin objetivo del problema,

se grafica de tal manera que est dentro de la zona factible y se trazan paralelas hasta
que haga tangencia a uno de los vrtices, si es maximizacin las paralelas se trazan del
origen hacia arriba, si es minimizacin en sentido hacia el origen.
La respuesta del problema podemos comprobarla matemticamente encontrando valores
para cada uno de los vrtices de la zona factible.
Este mtodo permite tener una comprensin visual del problema. Es necesario definir
un espacio de soluciones conocido como regin factible, es un conjunto de puntos que
satisfacen las restricciones de un problema simultneamente.

Ej.

F.O.

MAX Z = 4X1 + 3X2

Rest. 1.

2X1 + X2 8

2.

X1 + X2 6

Cond. X1 0
X2 0
Trazado de las lneas:

Rest. 1.
X1
0
4
Rest. 2.

X2
8
0

29

X1
0
6

X2
6
0

10

X2

Rest .1

Rest. 2

F.O.

2
0
0

X1

TEOREMA DE LOS PUNTOS EXTREMOS.

"La solucin ptima a un problema de programacin lineal se encuentra en uno de los
puntos extremos en la regin factible"
Punto extremo es el punto de corte de varias ecuaciones.
Para saber cual de los puntos es ptimo se representa en: F.O. Max Z= 4X1 + 3X2.
MAX Z = C1X1 + C2X2 , entonces pendiente m = -C1/C2, en el ejemplo ser
m = -4/3.
Solucin ptima del problema es
Puntos extremos Z
A(0,0)

B(4,0)

16

D(2,4)

20 (Mayor ganancia)

E(0,6)

18

X1 = 2; X2 = 4

30

EJERCICIOS.
EJERCICIO 1.
Maximizar Z = 4X1 + 5X2
Rest. 1.

2X1 + 3X2 120

2.

2X1 + 1,5X2 80

Cond. X1 0
X2 0
X2
40
0

Rest. 2.
X2
0
40

X2
53.33
0

X2

Rest. 1.
X1
0
60

60
50
40
30
20
10
0

Rest. 1
Rest. 2
F.O.

20

40

60

80

X1

EJERCICIO 2.
Minimizar Z = 3X1 + 5X2

Rest. 1.

0,1X1 + 0,4X2 600

31

400

2.

0,16X1

3.

0,12X1 + 0,10X2 450

Cond. X1 0
X2 0

Rest. 1.
X1
0
6000
Rest. 2.
X1
2500
Rest. 3.
X1
0
3750

X2
1500
0
X2
0
X2
4500
0

X2

5000
4000

Rest. 1

3000

Rest. 2

2000

Rest. 3

1000

F.O.

0
0

2000

4000
X1

6000

8000

32

TIPOS DE SOLUCIONES

Solucin no factible
Soluciones ptimas mltiples
Soluciones no acotadas. (Sin lmite).

SOLUCION NO FACTIBLE.

Se obtiene cuando las restricciones del problema no definen una regin factible, o es un
conjunto vaco.

Ej. Max Z = 4X1 + 5X2

Rest. 1.

2X1 + 3X2 120

2.

2X1 + 1,5X2 80

3.

X1 + X2 50

Cond. X1 0
X2 0

Rest. 1.
X1
0
60
Rest. 2.

X2
40
0

33

X1
0
40

X2

Rest. 3.
X1
0
50

X2
53.33
0
X2
50
0

60
50
40
30
20
10
0

Rest. 1
Rest. 2
Rest. 3
F.O.
0

20

40

60

80

X1

SOLUCION OPTIMA MULTIPLE.

Se obtiene cuando la funcin objeto es paralela a una de las restricciones del problema.

Ej. Max Z = 4X1 + 6X2

Rest. 1.

2X1 + 3X2 120

2.

2X1 + 1,5X2 80

Cond. X1 0
X2 0

34

X2
40
0

Rest. 2.
X1
0
40

X2
53.33
0

X2

Rest. 1.
X1
0
60

60
50
40
30
20
10
0

Rest. 1
Rest. 2
F.O.

20

40

60

80

X1

SOLUCIONES SIN LIMITE O NO ACOTADAS.

Es cuando la funcin objeto no tiene lmite en su valor.

Ej. Max Z = X1 + 2X2

Rest. 1.
2.

-X1 + X2 2
X1 + X2 4

Cond. X1 0
X2 0

35

Rest. 1.
X1
0
-2

X2
2
0

Rest. 2.
X1
0
4

X2
4
0

5
4

Rest. 1

X2

Rest. 2

F.O.

1
0
-4

-2

X1

Un problema de maximizacin se puede transformar en minimizacin o viceversa,

cambiando de signos la funcin objeto, sin alterar las restricciones.
Ej: Max Z=8X1+6X2

Min -Z =-8X1-6X2

36

METODO ALGEBRICO.

El mtodo sigue los siguientes pasos:

1. Hay que transformar las inecuaciones en ecuaciones. Para esto se utiliza variables
no negativas conocidas como variables de holgura.

Si la restriccin es de tipo menor o igual se debe sumar una variable de holgura al lado
izquierdo de la inegualdad para convertirla en ecuacin.

Ej.

3X1 + 4X2 500

3X1 + 4X2 + X3 = 500; X3 es lo que falta para igualar la ecuacin.

Si la restriccin es tipo mayor o igual se debe restar la variable de holgura para

convertirla en ecuacin.

Ej.

3X1 + 5X2 240

3X1 + 5X2 - X4 = 240; X4 es lo que sobra en la restriccin, por tanto se resta.

Se debe tomar como soluciones factibles nicamente las soluciones NO negativas.

Una vez que se ha transformado las inecuacione en ecuaciones, el sistema de ecuaciones

lineales resultante puede ser resuelto por cualquiera de los mtodos matemticos.

37

Ej. Max Z = 4X1 + 3X2

Rest. 1.
2.

2X1 + X2 8
X1 + X2 6

Cond. X1 0
X2 0

Asignamos a m = 2 restricciones
n = 2 variables

Con variables de holgura el problema queda:

Max Z = 4X1 + 3X2 + 0X3 + 0X4

Rest. 1.
2.

2X1 + X2 + X3 = 8
X1 + X2 + X4 = 6

Cond. X1, X2, X3, X4 0

m = 2 ecuaciones
n= 4

variables (m + n)

Este tipo de ecuaciones tiene mltiples soluciones.

38

CARACTERISTICA: Se puede determinar las soluciones bsicas del sistema haciendo

que las (n - m) variables sean igual a cero, y calculando las restantes m variables
resolviendo el sistema. A esta solucin se conoce como solucin bsica.

Las variables que se hacen = 0, para obtener una solucin bsica, se conoce como
variables no bsicas, y las otras son variables bsicas.

De las soluciones bsicas se debe tomar en cuenta nicamente aquellas, en donde las
variables bsicas son 0, se conoce como soluciones bsicas factibles.

El nmero de solucione bsicas est dada por la frmula: C mn = n! / m! (n-m)!

En el ejemplo:

X1
X2
X3
X4

I
2
4
0
0

II
4
0
0
-2

III
6
0
-4
0

IV
0
6
2
0

Las soluciones bsicas factibles sern: I, IV, V.

Reemplazamos en la funcin objeto las soluciones:

I
IV
V

Z
20
18
0

V
0
0
8
6

VI
0
8
0
-2

39

Si todas las variables de una solucin bsica factible son no negativas se tiene una
solucin NO degenerada.
Este mtodo sirve slo para cuando existen pocas restricciones con pocas variables
porque en:
n= 10
m= 6
Tenemos que C = 210.

EJERCICIO.

La empresa Metalex tiene a su disposicin tres tipos de minerales M1, M2, M3 que
contienen cobre, hierro, y niquel en las siguientes proporciones (%):

M1
M2
M3

Cu
4
12
2

Fe
12
0
16

Ni
6
4
0

Metalex debe cumplir contratos de entrega de 8 toneladas de cobre, 20 toneladas de

hierro, y 3 tonelada de niquel.
Si los costos respectivos por tonelada son: $ 140, $ 120, $ 80, para M1, M2, y M3, Qu
cantidad de cada uno deber comprar para minimizar el costo de compra de la materia
prima?. Resolver por mtodo algbrico.

40

METODO SIMPLEX.

Es un mtodo iterativo para la resolucin de problemas de programacin lineal, parte de

una solucin bsica factible inicial y en aplicaciones del medio determinan nuevas
soluciones bsicas factibles que permiten modificar o mantener los valores de la funcin
objeto anterior.

El mtodo adems permite determinar cuando se ha llegado a una solucin ptima, a

travs de un indicador.

MAXIMIZACION.

Para un problema de maximizacin con restricciones de tipo , los pasos que se deben
dar en el mtodo simplex son:

1. Transformar las inecuaciones correspondientes, en ecuaciones, aadiendo las

variables de holgura.

Ej. Max Z = 4X1 + 3X2

Max Z = 4X1 + 3X2 + 0X3 + 0X4

Rest. 1.

2X1 + X2 8

2X1 + X2 + X3 = 8

2.

X1 + X2 6

X1 + X2 + X4 = 6

Cond. X1, X2 0

Cond. X1, X2, X3, X4 0

41

2. Generar la tabla con los coeficientes de las ecuaciones:

X1
2
1

X2
1
1

X3
1
0

X4
0
1

Bi
8
6

3. Determinar la solucin bsica factible inicial haciendo a las (n-m) variables = 0

(Variables no bsicas).
Mientras que variables bsicas son mayores o iguales a cero.

Para maximizacin, la solucin bsica factible inicial (restricciones ) es aquella que

hace que la funcin objeto valga cero.

Entonces hay que designar como las (n-m) variables no bsicas, a las (n-m) variables:
n = 4 variables, m = 2 ecuaciones.
X1 = 0
X2 = 0

X3 = 8
X4 = 6

Esto es una solucin bsica factible inicial.

4. Para determinar una nueva solucin bsica factible (cambio de base), una variable
no bsica debe ser cambiada a variable bsica y por consiguiente una de las
variables bsicas debe pasar a ser una variable no bsica.

Entonces:

NB B

Se conoce como variable entrante.

B NB

Se conoce como variable saliente.

42

Para determinar cual es la variable entrante y cual la variable saliente, a la tabla de

coeficiente se debe agregar una fila Cj, con los coeficientes que tienen cada una de las
variables en la funcin objeto; as como una columna Cb, con los coeficientes que
tienen cada una de las variables bsicas en la funcin objeto. Una fila conocida como
Zj, en la cual cada elemento es calculado como el sumatorio de Cb*Xj. Y finalmente
otra fila Cj - Zj.

Entonces la tabla queda de la siguiente manera:

Cb
0
0

Cj
Vbs.
X3
X4
Zj
Cj-Zj

4
X1
2
1
0
4

3
X2
1
1
0
3

0
X3
1
0
0
0

0
X4
0
1
0
0

bi
8
6
0

A la columna bi se le conoce como columna solucin.

Para determinar la variable entrante se hace un anlisis de los coeficientes Cj - Zj. En el

caso de maximizacin, sta ser aquella que se encuentra en la columna en el cual el
valor de Cj - Zj es el mayor positivo. Se escoge como variable entrante a esa columna.
En el ejemplo corresponde a X1.

Cuando existen 2 o ms coeficientes Cj - Zj, se elige como variable entrante cualquiera

de ellas y en un problema de maximizacin si los coeficientes Cj - Zj son todos
negativos o iguales a cero en ese instante se tiene la solucin ptima.

43

Para determinar la variable saliente, se dividen los elementos bi/aij de la columna

correspondiente a la variable entrante (8/2, 6/1), en estas relaciones no se toma en
cuenta aquellas cuya aij sea igual a cero o negativa. La variable saliente ser aquella que
se encuentra en la fila en la cual la relacin bi/aij es la menor.
X3

8/2 = 4

X4

6/1 = 6

Por tanto X3 es la variable saliente.

Al elemento en el cual se cruzan la columna de la variable entrante con la fila de la

variable saliente, se le conoce como elemento PIVOTE. A este elemento se lo debe
convertir en 1, mientras que a los elementos que estn sobre y debajo de l, tienen que
ser ceros. Esto implica que los coeficientes de las variables bsicas siempre deben
formar una matriz unitaria.

En el caso del ejercicio tenemos la siguiente matriz de elementos:

Cj
Cb Vbas
0 X3
0 X4
Zj
Cj-Zj

4
X1
2
1
0
4
VE

3
X2
1
1
0
3

0
X3
1
0
0
0

0
X4
0
1
0
0

bi
8 VS
6
0

44

Solucin:

Cj
4
Cb Vbas X1
4 X1
1
0 X4
0
Zj
4
Cj-Zj 0

3
X2
1/2
1/2
2
1
VE

0
X3
1/2
-1/2
2
-2

0
X4
0
1
0
0

bi
4
2
16

Cj
Cb Vbas
4 X1
3 X2
Zj
Cj-Zj

3
X2
0
1
3
0

0
X3
1
-1
1
-1

0
X4
-1
2
2
-2

bi
2
4
20

X1 = 2
X2 = 4
X3 = 0
X4 = 0
F.O. Z = 20

4
X1
1
0
4
0

VS

S.O.

45

EJERCICIO 2.

Max Z = 3X1 + 4X2 + 5X3 + 4X4

Max Z = 3X1 + 4X2 + 5X3 + 4X4 + 0X5 +

0X6 + 0X7

Rest. 1. 2X1 + 5X2 + 4X3 + 3X4 224

2X1 + 5X2 + 4X3 + 3X4 + X5 = 224

2. 5X1 + 4X2 -5X3 + 10X4 280 5X1 + 4X2 -5X3 + 10X4 + X6 = 280
3. 2X1 + 4X2 + 4X3 - 2X4 184

2X1 + 4X2 + 4X3 - 2X4 + X7 = 184

Cond. X1, X2, X3, X4 0

Cond. Para toda Xj 0.

0
0
0

Cj.
Vbas
X5
X6
X7
Zj
Cj-Zj

3
X1
2
5
2
0
3

4
X2
5
4
4
0
4

5
X3
4
-5
4
0
5
VE

4
X4
3
10
-2
0
4

0
X5
1
0
0
0
0

0
X6
0
1
0
0
0

0
X7
0
0
1
0
0

bi
224
280
184
0

0
0
5

Cj.
Vbas
X5
X6
X3
Zj
Cj-Zj

3
X1
0
15/2
1/2
5/2
1/2

4
X2
1
9
1
5
1

5
X3
0
0
1
5
0

4
X4
5
15/2
-1/2
-5/2
13/2
VE

0
X5
1
0
0
0
0

0
X6
0
1
0
0
0

0
X7
-1
-5/4
1/4
5/4
-5/4

bi
40
510
46
230

VS

VS

46

4
0
5

Cb
4
3
5

Cj.
Vbas
X4
X6
X3
Zj
Cj-Zj

3
X1
0
15/2
1/2
5/2
1/2
VE

4
X2
1/5
13/2
11/10
63/10
-23/10

5
X3
0
0
1
5
0

4
X4
1
0
0
4
0

0
X5
1/5
3/2
1/10
13/10
-13/10

0
X6
0
1
0
0
0

Cj.
Vbas
X4
X1
X3
Zj
Cj-Zj

3
X1
0
1
0
3
0

4
X2
1/5
13/15
20/30
202/30
-82/30

5
X3
0
0
1
5
0

4
X4
1
0
0
4
0

0
X5
1/5
3/15
0
21/15
-21/15

0
X6
0
2/15
-1/15
1/15
-1/5

Solucin: X1 = 60; X2=0; X3 = 20;

0
X7
-1/5
11/4
3/20
-1/20
0

bi
8
450
50
282

0
X7
-1/5
11/10
-2/5
1/5
-1/5

VS

bi
8
60
20
312

X4=8; Z = 312

EJERCICIO 3.

Max Z = 4X1 - 2X2 + 2X3 + 0X4

Max Z = 4X1 - 2X2 + 2X3 + 0X4 + 0X5

+0X6+0X7

Rest. 1. 2X1+2X2+2X3+2X4 16
2.

4X2-2X3

3. 4X1-2X2

- X4 4

Cond. Para toda Xj 0

2X1+2X2+2X3+2X4+X5 = 16
4X2-2X3

+X6 = 8

4X1-2X2

- X4+ X7 = 4

Para toda Xj 0

47

Cj
Vbas
X5
X6
X7
Zj
Cj-Zj

4
X1
2
0
4
0
4
VE

-2
X2
2
4
-2
0
-2

2
X3
2
-2
0
0
2

0
X4
2
0
-1
0
0

0
X5
1
0
0
0
0

0
X6
0
1
0
0
0

0
X7
0
0
1
0
0

bi
16
8
4
0

Cj
Vbas
X5
X6
X1
Zj
Cj-Zj

4
X1
0
0
1
4
0

-2
X2
3
4
-1/2
-2
0

2
X3
2
-2
0
0
2
VE

0
X4
5/2
0
-1/4
-1
-1

0
X5
1
0
0
0
0

0
X6
0
1
0
0
0

0
X7
-1/2
0
1/4
1
-1

bi
14
8
1
4

Cj
Cb Vbas
2 X3
0 X6
4 X1
Zj
Cj-Zj

4
X1
0
0
1
4
0

-2
X2
3/2
7
-1/2
1
-3

2
X3
1
0
0
2
0

0
X4
5/4
5/2
-1/4
3/2
-3/2

0
X5
1/2
1
0
1
-1

0
X6
0
1
0
0
0

0
X7
0
-1/2
1/4
1
-1

bi
7
22
1
18

Cb
0
0
0

Cb
0
0
4

Solucin :

X1 = 1
X2 = 0
X3 = 7
X4 = 0
X5 = 0
X6 = 22

VS

VS

S.O.

48

F.O. Z = 18

EJERCICIO 4.

Max Z = X1 + 1,5X2

Max Z = X1+ 1,5X2+0X3+0X4+0X5

Rest. 1. 2X1+2X2 160

2X1+2X2 + X3 = 160

2. X1 + 2X2 120

X1 + 2X2 + X4 = 120

3. 4X1+2X2 280

4X1+2X2 + X5 = 280

Cond. Para toda Xj 0

Cb
0
0
0

Cb
0
1,5
0

Para toda Xj 0

Cj
Vbas
X3
X4
X5
Zj
Cj-Zj

1
X1
2
1
4
0
1

1,5
X2
2
2
2
0
1,5
VE

0
X3
1
0
0
0
0

0
X4
0
1
0
0
0

0
X5
0
0
1
0
0

bi
160
120
280
0

Cj
Vbas
X3
X2
X5
Zj
Cj-Zj

1
X1
1
1/2
3
3/4
1/4
VE

1,5
X2
0
1
0
3/2
0

0
X3
1
0
0
0
0

0
X4
-1
1/2
-1
3/4
-3/4

0
X5
0
0
1
0
0

bi
40
60
160
90

VS

VS

49

Cb
1
1,5
0

Solucin:

Cj
Vbas
X1
X2
X5
Zj
Cj-Zj

1
X1
1
0
0
1
0

1,5
X2
0
1
0
1,5
0

0
X3
1
-1/2
-3
1/4
-1/4

0
X4
-1
1
2
0,5
-0,5

0
X5
0
0
1/2
0
0

bi
40
40
40
100

VS

X1 = 40
X2 = 40
X3 = 0
X4 = 0
X5 = 40
F.O. Z = 100

MINIMIZACION.

Para determinar la variable entrante, se analiza los coeficientes Cj-Zj, la variable

entrante ser aquella que se encuentra en la columna en la cual el coeficiente Cj-Zj tiene
el mayor valor negativo (o el menor valor). Si todos los coeficientes Cj-Zj son positivos
o cero se obtiene la solucin ptima.

Para la variable saliente, se utiliza el criterio igual al de maximizacin, por tanto ser
aquella que se encuentre en la fila cuya bi/aij sea la menor (solo positivos).

Por lo general en problemas de minimizacin se tiene restricciones de tipo . Cuando

se tiene restricciones de Tipo o ecuaciones = se tiene que utilizar el mtodo de la BIG

50

M, que utiliza variables artificiales, las mismas que no tienen ninguna interpretacin
econmica en el problema y slo sirven para poder empezar la aplicacin del mtodo
simplex.

EJERCICIO 5.
MINIMIZAR Z = 20X1+10X2

MIN Z = 20X1+10X2+0X3+MX4 +MX5

+0X6

Rest. 1. X1+2X2 40

4X1+3X2 -X3+X4 =60

2. 3X1+X2 = 30

3X1+X2 + X5 = 30

3. 4X1+3X2 60

X1+2X2 + X6 = 40

Cond. Para toda Xj 0

Para toda Xj 0

Las variables artificiales se incluyen en la F.O. multiplicado por un coeficiente bastante

grande. Este coeficiente debe ser positivo cuando el problema es de minimizacin y
negativo cuando el problema es de maximizacin, se lo identifica con la letra M. M
puede tener valores de 105
Cb
M
M
0

Cj
Vbas
X4
X5
X6
Zj
Cj-Zj

20
X1
4
3
1
7M
20-7M
VE

10
X2
3
1
2
4M
10-4M

0
X3
-1
0
0
-M
M

M
X4
1
0
0
M
0

M
X5
0
1
0
M
0

0
X6
0
0
1
0
0

bi
60
30
40
90M

VS

51

Cb
M
20
0

Cb
10
20
0

Cj
Vbas
X4
X1
X6
Zj

20
X1
0
1
0
20

Cj-Zj

Cj
Vbas
X2
X1
X6
Zj
Cj-Zj

20
X1
0
1
0
20
0

Solucin:

10
X2
5/3
1/3
5/3
5M/3
+20/3
10/3 5M/3
VE

0
X3
-1
0
0
-M

M
X4
1
0
0
M

10
X2
1
0
0
10
0

0
X3
-3/5
1/5
1
-2
2

M
X4
3/5
-1/5
-1
2
M-2

X1 = 6
X2 = 12
X3 = 0
X4 = 0
X5 = 0
X6 = 10
F.O. Z = 240

M
X5
-4/3
1/3
-1/3
-4M/3
+ 20/3
-20/3 +
4M/3

0
X6
0
0
1
0

M
X5
-4/5
3/5
1
4
M-4

0
X6
0
0
1
0
0

bi
20
10
30
20M+
200

bi
12
6
10
240

VS

52

EJERCICIO 6.

MAX Z = 2X1+3X2

MAX Z = 2X1+3X2+0X3-MX4

Rest. 1. X1+2X2 4

X1+2X2 +X3 = 4

2. X1+X2 = 3

X1+X2 + X4 = 3

Cond. Para toda Xj 0

Cb
0
-M

Cj
Vbas
X3
X4
Zj
Cj-Zj

2
X1
1
1
-M
2+M

Para toda Xj 0

3
X2
2
1
-M
3+M
VE

0
X3
1
0
0
0

-M
X4
0
1
-M
0

bi
4
3
-3M

VS

53

Cb
3
-M

Cj
Vbas
X2
X4
Zj
Cj-Zj

Cb
3
2

Solucin:

Cj
Vbas
X2
X1
Zj
Cj-Zj

2
X1
1/2
1/2
3/2 M/2
M/2
+ 1/2
VE

3
X2
1
0
3

2
X1
0
1
2
0

3
X2
1
0
3
0

0
-M
X3
X4
1/2
0
-1/2
1
3/2 + -M
M/2
-M/2 - 0
3/2

0
X3
1
-1
1
-1

-M
X4
-1
2
1
-M+1

bi
2
1
6-M

VS

bi
1
2
7

X1 = 2
X2 = 1
X3 = 0
X4 = 0
F.O. Z = 7

METODO DE LAS DOS FASES.

Se utiliza especialmente para problemas, cuando las restricciones son de tipo y o

ecuaciones =, puesto que utiliza variables artificiales.
En la primera fase se utiliza un funcin objeto artificial (Z*), en la cual las variables
artificiales tienen coeficiente 1, y las variables de decisin y de holgura tienen
coeficiente 0. El mtodo se aplica en iteraciones sucesivas, hasta que las variables

54

artificiales se eliminen o se hagan 0. Esto quiere decir hasta cuando la funcin objeto
artificial Z* tenga un valor de cero (Z*=0). Una vez que Z*=0, se obtiene una solucin
bsica factible inicial, la misma que es utilizada en la segunda fase en la cual con
aplicaciones sucesivas del mtodo simplex general, se obtiene una solucin ptima. En
esta segunda fase, se trata de optimizar la funcin objeto original, la cual estar en
funcin de las variables de decisin y de holgura.
La ltima tabla de la fase I viene a constituir la primera tabla de la fase II, pero
eliminando las columnas correspondientes a las variables artificiales.

Nota: En la primera fase siempre se minimiza, as sea un problema de Maximizacin.

Cuando existen problemas con distinto tipo de restriccin se debe mantener la secuencia
siguiente: , =, .

EJERCICIO 1.

MIN Z = 3X1 + 4X2

MIN Z = 3X1+4X2

Rest. 1. 2X1+3X2 20

2X1+3X2-X3+X5 = 20

2. X1+5X2 30

Cond. Para toda Xj 0

X1+5X2-X4+X6 = 30

Para toda Xj 0.

55

FASE I.

Minimizar una F.O. artificial Z*

Coeficientes Z* = 0X1+0X2+0X3+0X4+1X5+1X6

Cj
Cb Vbs
1 X5
1 X6
Zj
Cj-Zj

0
X1
2
1
3
-3

0
X2
3
5
8
-8
VE

0
X3
-1
0
-1
1

0
X4
0
-1
-1
1

1
X5
1
0
1
0

1
X6
0
1
1
0

bi
20
30
50

Cj
0
Cb Vbs X1
1 X5
7/5
0 X2
1/5
Zj
7/5
Cj-Zj -7/5
VE

0
X2
0
1
0
0

0
X3
-1
0
-1
1

0
X4
3/5
-1/5
3/5
-3/5

1
X5
1
0
1
0

1
X6
-3/5
1/5
-3/5
8/5

bi
2
6
2

Cj
Cb Vbs
0 X1
0 X2
Zj
Cj-Zj

0
X2
0
1
0
0

0
X3
-5/7
1/7
0
0

0
X4
3/7
-2/7
0
0

1
X5
5/7
-1/7
0
1

1
X6
-3/7
2/7
0
1

bi
10/7
40/7
Sol.
0

0
X1
1
0
0
0

VS

VS

56

FASE II.

Min _Z= 3X1+4X2+0X3+0X4

Cb
3
4

Cb
0
4

Solucin:

Cj
Vbs
X1
X2
Zj
Cj-Zj

3
X1
1
0
3
0

4
X2
0
1
4
0

0
X3
5/7
1/7
-11/7
11/7

0
X4
3/7
-2/7
1/7
-1/7
VE

Cj
Vbs
X4
X2
Zj
Cj-Zj

3
X1
7/3
2/3
8/3
1/3

4
X2
0
1
4
0

0
X3
-5/3
-1/3
-4/3
4/3

0
X4
1
0
0
0

X1=0
X2 = 140/21
X3 = 0
X4 = 10/3
Z = 560/21

bi
10/7 VS
40/7
190/7

bi
10/3
140/21
560/21

57

EJERCICIO 2.

MAX Z= X1 - 2X2

Rest. 1. X1+X2 2

X1+X2-X3+X5 = 2

2. -X1+X2 1
3.

-X1+X2-X4+X6 = 1

X2 3

X2 +X7

Para toda Xj 0

=3

Para toda Xj 0.

FASE I. Siempre se minimiza

Z* = 0X1+0X2+0X3+0X4+1X5+1X6+0X7

Cb
1
1
0

Cb
1
0
0

Cj
Vbs
X5
X6
X7
Zj
Cj-Zj

0
X1
1
-1
0
0
0

0
X2
1
1
1
2
-2
VE

0
X3
-1
0
0
-1
1

0
X4
0
-1
0
-1
1

1
X5
1
0
0
1
0

1
X6
0
1
0
1
0

0
X7
0
0
1
0
0

bi
2
1
3
3

Cj
Vbs
X5
X2
X7
Zj
Cj-Zj

0
X1
2
-1
1
2
-2
VE

0
X2
0
1
0
0
0

0
X3
-1
0
0
-1
1

0
X4
1
-1
1
1
1

1
X5
1
0
0
1
0

1
X6
-1
1
-1
-1
2

0
X7
0
0
1
0
0

bi
1
1
2
1

VS

VS

58

Cb
0
0
0

Cj
Vbs
X1
X2
X7
Zj
Cj-Zj

0
X1
1
0
0
0
0

0
X2
0
1
0
0
0

0
X3
-1/2
-1/2
1/2
0
0

0
X4
1/2
-1/2
1/2
0
0

1
X5
1/2
1/2
-1/2
0
1

1
X6
-1/2
1/2
-1/2
0
1

0
X7
0
0
1
0
0

bi
1/2
3/2
3/2
0

FASE II. MAX Z= X1 - 2X2 + 0X3 + 0X4 + 0X7

Cb
1
-2
0

Solucin:

Cj
Vbs
X1
X2
X7
Zj
Cj-Zj

1
X1
1
0
0
1
0

-2
X2
0
1
0
-2
0

X1 = 1/2
X2 = 3/2
X3 = 0
X4 = 0
X7 = 3/2
Z = -5/2 Sera prdida.

0
X3
-1/2
-1/2
1/2
1/2
-1/2

0
X4
1/2
-1/2
1/2
3/2
-3/2

0
X7
0
0
1
0
0

bi
1/2
3/2
3/2
-5/2

59

CAPITULO III

60

CASOS ESPECIALES DE SOLUCIONES DE PROGRAMACION

LINEAL.

1. Soluciones ptimas mltiples

2. Soluciones no acotadas
3. Soluciones no factibles
4. Soluciones degeneradas

1. SOLUCIONES OPTIMAS MULTIPLES.

Se obtiene cuando el coeficiente Cj - Zj correspondiente a una de las variables no

bsicas tiene un valor 0.

EJERCICIO

Max Z = 3X1 + 5X2

Rest. 1. 5X1+2X2 200

2. 6X1+10X2 600

Para toda Xj 0

61

Cb
0
0

Cb
0
5

Solucin:

Cj
Vbs
X3
X4
Zj
Cj-Zj

3
X1
5
6
0
3

5
X2
2
10
0
5
VE

0
X3
1
0
0
0

0
X4
0
1
0
0

bi
200
600
0

VS

Cj
Vbs
X3
X2
Zj
Cj-Zj

3
X1
19/5
6/10
3
0

5
X2
0
1
5
0

0
X3
1
0
0
0

0
X4
-2/10
1/10
5/10
-5/10

bi
80
60
300

VS

X1 = 0

Existen varios valores para una misma solucin ptima.

X2 = 60
X3 = 80
X4 = 0
Z = 300

2. SOLUCION NO ACOTADA.

Se tiene cuando en la columna de la variable entrante todos los coeficientes aij son no
positivos. (negativos).

62

EJERCICIO.

Max Z = 3X1 +2X2

Max Z = 3X1+2X2+0X3+0X4-MX5-MX6

Rest. 1. 2X1+ X2 60

2X1+X2-X3+X5 = 60

2. 4X1+X2 80

4X1+X2-X4+X6 = 80

Para toda Xj 0

Para toda Xj 0

Mtodo de la Big M.

Cb
-M
-M

Cb
-M
3

Cb
2
3

Cj
Vbs
X5
X6
Zj
Cj-Zj

3
X1
1
4
-5M
3+5M
VE

2
X2
2
1
-3M
2+3M

0
X3
-1
0
M
-M

0
X4
0
-1
M
-M

Cj
Vbs
X5
X1
Zj

3
X1
0
1
3

0
X3
-1
0
M

Cj-Zj

2
X2
7/4
1/4
-7M/4
+ 3/4
7M/4
+5/4
VE

0
-M
X4
X5
1/4
1
-1/4
0
-M/4 - -M
3/4
M/4 + 0
3/4

-M
X6
-1/4
1/4
M/4
+3/4
-5M/4
- 3/4

Cj
Vbs
X2
X1
Zj
Cj-Zj

3
X1
0
1
3
0

2
X2
1
0
2
0

0
X3
-4/7
1/7
-5/7
5/7
VE

0
X4
1/7
-2/7
-4/7
4/7

-M
X6
-1/7
2/7
4/7
-M-4/7

-M

-M
X5
1
0
-M
0

-M
X5
4/7
-1/7
5/7
-M-5/7

-M
X6
0
1
-M
0

bi
60
80
140M

bi
40
20
-40M
+ 60

bi
160/7
100/7
620/7

VS

VS

VS

63

Cb
2
0

Cj
Vbs
X2
X3
Zj
Cj-Zj

3
X1
4
7
8
-5

2
X2
1
0
2
0

0
X3
0
1
0
0

0
X4
-1
-2
-2
2

-M
X5
0
-1
0
-M

-M
X6
1
2
2
-M-2

bi
80
100
160

S.O.

3. SOLUCION NO FACTIBLE.

Se tiene cuando aplicando el mtodo de la Big M, o el mtodo de las dos fases, para
resolver un problema, se llega a obtener una solucin ptima en la cual como variable
bsica existe una variable artificial. En el caso de utilizar el mtodo de las 2 fases, este
tipo de solucin se d cuando al minimizar, en la primera fase existe una variable
artificial que no ha salido de la base.

EJERCICIO.

Min Z = 3X1 + 5X2

Rest. 1. X1 1

Min Z = 3X1+5X2+0X3+MX4+MX5+0X6

3. 3X1+2X2 -X3+X4 = 18

2. 2X2 = 12

2. 2X2 +

X5 = 12

3. 3X1+2X2 18

1. X1 +

X6 = 1

Cond. Para toda Xj 0

Cond. Para toda Xj 0

64

Cb
M
M
0

Cb
M
5
0

Cb
M
5
3

Cj
Vbs
X4
X5
X6
Zj
Cj-Zj

3
X1
3
0
1
3M
3-3M

5
X2
2
2
0
4M
5-4M
VE

0
X3
-1
0
0
-M
M

M
X4
1
0
0
M
0

M
X5
0
1
0
M
0

0
X6
0
0
1
0
0

Cj
Vbs
X4
X2
X6
Zj

3
X1
3
0
1
3M

5
X2
0
1
0
5

0
X3
-1
0
0
-M

M
X4
1
0
0
M

0
X6
0
0
1
0

Cj-Zj

3-3M
VE

M
X5
-1
1/2
0
M+5/2
2M-5/2

Cj
Vbs
X4
X2
X1
Zj
Cj-Zj

3
X1
0
0
1
3
0

5
X2
0
1
0
5
0

0
X3
-1
0
0
-M
M

M
X4
1
0
0
M
0

M
X5
-1
1/2
0
-M+5/2
2M-5/2

bi
18
12
1
30M

VS

bi
6
6
VS
1
6M+30

0
0
X6
-3
0
1
-3M+3
3M-3

bi
3
6
1
3M+33

S.O.

No tiene solucin

4. SOLUCION DEGENERADA.

Este tipo de solucin se tiene, cuando al determinar la variable que sale de la base se
obtiene 2 o ms relaciones bi/aij que son mnimas y que tienen el mismo valor. La
variable correspondiente debe salir de la base, pero al aplicar el mtodo simplex, la otra
variable igual, se har necesariamente cero.

65

Esto podra producir un lazo repetitivo y volver a obtener la solucin anterior.

EJERCICIO.

Max Z= 6X1 +2X2

Max Z = 6X1+2X2+0X3+0X4+0X5

Rest. 1. 2X1+X2 20

2X1+X2+X3= 20

2. 3X1+X2 30

3X1+X2+X4 = 30

3. X1+2X2 40

X1+2X2+X5 =40

Para toda Xj 0

Cb
0
0
0

Cb
6
0
0

Para toda Xj 0

Cj
Vbs
X3
X4
X5
Zj
Cj-Zj

6
X1
2
3
1
0
6
VE

2
X2
1
1
2
0
2

0
X3
1
0
0
0
0

0
X4
0
1
0
0
0

0
X5
0
0
1
0
0

bi
20
30
40
0

Cj
Vbs
X1
X4
X5
Zj
Cj-Zj

6
X1
1
0
0
6
0

2
X2
1/2
1/2
3/2
3
-1

0
X3
1/2
-3/2
-1/2
3
-3

0
X4
0
1
0
0
0

0
X5
0
0
1
0
0

bi
10
0
30
60

VS

Dege
n.
S.O.

66

Solucin:

X1=10
X2=0
X3=0
X4=0
X5=30
Z=60

Si hacemos a X4 la variable saliente tenemos:

Cb
0
6
0

Cj
Vbs
X3
X1
X5
Zj
Cj-Zj

6
X1
0
1
0
6
0

2
X2
1/3
1/3
5/3
2
0

0
X3
1
0
0
0
0

0
X4
-2/3
1/3
-1/3
2
-2

0
X5
0
0
1
0
0

bi
0
10
30
60

VARIABLES NO RESTRINGIDAS (SIN RESTRICCION).

Significa que una variable puede tener valores positivos, negativos o cero.

Utilizando el mtodo Simplex se hace: Xj = Xj- Xj

Donde:

Xj es una variable no restringida

Xj 0
Xj 0

Dege
n.
S.O.

67

EJERCICIO.

Max Z = -X1+4X2

Max Z=-X1+X1+4X2

Rest. 1. -3X1+X2 6

-3X1+3X1+X2+X3 = 6

2. X1+2X2 4
3.

-X2

X1-X1+2X2+X4

-X2 +

=4

X5 = 3

Cond. X1 no restringida X1=X1 - X1 Para toda Xj 0

X2 0

Cb
0
0
0

Cb
0
4
0

Cb
1
4
0

Cj
Vbs
X3
X4
X5
Zj
Cj-Zj

-1
X1
-3
1
0
0
-1

1
X1
3
-1
0
0
1

4
X2
1
2
-1
0
4
VE

0
X3
1
0
0
0
0

0
X4
0
1
0
0
0

0
X5
0
0
1
0
0

bi
6
4
3
0

Cj
Vbs
X3
X2
X5
Zj
Cj-Zj

-1
X1
-7/2
1/2
1/2
2
-3

1
X1
7/2
-1/2
-1/2
-2
3
VE

4
X2
0
1
0
4
0

0
X3
1
0
0
0
0

0
X4
-1/2
1/2
1/2
2
-2

0
X5
0
0
1
0
0

bi
4
2
5
8

Cj
Vbs
X1
X2
X5
Zj

-1
X1
-1
0
0
-1

1
X1
1
0
0
1

4
X2
0
1
0
4

0
X3
2/7
1/7
1/7
6/7

0
X4
-1/7
3/7
3/7
11/7

0
X5
0
0
1
0

bi
8/7
18/7
39/7
80/7

VS

VS

68

Cj-Zj 0
0
0
-6/7
Solucin:
X1 = 8/7
X1 = 0 - 8/7 = -8/7

-11/7

X1= 0
X2 = 18/7
X5 = 39/7

METODO SIMPLEX OPTIMIZADO.

La caracterstica de este mtodo es el de utilizar menor cantidad de operaciones que los

anteriores, por tanto si se va resolver un problema en ordenadores, este mtodo debe ser
utilizado con mayor frecuencia.
Un problema tpico de I.O. es:

Max Z = C1X1 + C2X2 + ............. + CnXn

Restricciones:

a11X1 + a12 X2 +.................. + a1n Xn ( = ) b1

a21X1 + a22 X2 + ................ + a2n Xn (

) b2

.
.
.
am1X1 + am2X2 + ................ + amnXn (

Cond. Xi 0

) bm

69

En forma matricial ser:

Max Z = C*X

Rest.

A*X b

Cond.

X 0

La representacin matricial con variables de holgura ser:

X
Max

Z= C, 0

Xn

Rest.
A, I

X
* Xn = b

A (m,n)
I (m,m)

PRIMERA ITERACION.

Cbt

Xb
Zj
Cj-Zj

C
A
0
C

0
I
0

b
0

70

NUEVAS ITERACIONES

Cbt

Xb
Zj
Cj-Zj

C
B-1*A
Cbt*B-1*A
C- Cbt*B-1*A

0
B-1
Cbt*B-1
0- Cbt*B-1

B-1*b
Cbt*B-1*b= Z

Asignamos a: k como ndice de la variable entrante

r como ndice de la variable saliente. bi/ aik
B-1 nueva = E*B-1 anterior
E es una matriz unitaria en la cual la columna r es reemplazada por un
vector N.
n1
N= vector desde

n2
nm

-aik / ark i r
ni =
1 / ark

i=r

EJERCICIO.

Max Z = 3X1+5X2
Rest. 1. X1
2.

4
2X2 12

3. 3X1+2X2 18
Cond. X1, X2 0

Max Z= 3X1+5X2+0X3+0X4+0X5
X1

+ X3 = 4

2X2+

X4 = 12

3X1+2X2+X5 = 18
Para toda Xj 0

71

Cb
0
0
0

A=

Cj
Vbs
X3
X4
X5
Zj
Cj-Zj

3
X1
1
0
3
0
3

5
X2
0
2
2
0
5
VE

0
X3
1
0
0
0
0

1 0

1 0 0

0 2

B= 0 1 0

b= 12

3 2

0 0 1

18

Cj(1) = 3 5

0
X4
0
1
0
0
0

0
X5
0
0
1
0
0

4
Cbt = 0 0 0

Cj(2)= 0 0 0

B-1 = B = I
A = B-1 * A
Xb = B-1 * b = b
Z = Cbt * B-1 * b = 0 Cbt = 0 0 0
Zj(1) = Cbt * B-1*A = ( 0 0 )
Zj(2) = Cbt * B-1 = ( 0 0 0 )
Cj(1) - Zj(1) = (3 5) - ( 0 0) =
Cj(2) - Zj(2) = ( 0 0 0)

b1/a12
4/0

b2/a22
12/2

b3/a32
18/2

(3

5)

- (0 0 0) = ( 0 0 0)

k=2

bi
4
12
18
0

VS

72

r=2
n1 = 0
Calculamos el vector ni=

n2 = 1/2
n3 = -1

Nueva B-1:
1

1 0 0

B-1 = 0 1/2 0

0 1

0=

0 1/2 0

0 -1 1

0 0

1
A=

1 0

1 0

0 1/2

0 2

= 0 1

3 2

3 0

-1

Xb = 0 1/2 0
0 -1

12

= 6

18

Cbt = ( 0 5 0 )

1 0
Zj(1) = (0 5 0)

0 1
3 0

= (0

5)

-1

73

1
Zj(2) = (0 5 0)

0 1/2 0
0

-1

Cj(1) - Zj(1) = (3 5)

= (0

5/2

0)

- ( 0 5) = (3 0)

Cj(2) - Zj(2) = (0 0 0) - ( 0 5/2 0) = ( 0 -5/2 0 )

k=1
4/1

6/0

6/3

r=3

n1 = -1/3
Calculamos el vector ni:

n2 = 0
n3 = 1/3

Nueva B-1
1

-1/3

1 0

B-1 = 0

0 1/2

1/3

0 -1

1/3

-1/3

1/2

-1/3

1/3

74

A=

Xb =

1/3

-1/3

1 0

1/2

0 2

-1/3

1/3

3 2

1/3

-1/3

1/2

12

= 6

1/3

18

0 -1/3

Cbt = ( 0 5 3)

0 0
Zj(1) = ( 0 5 3)

0 1

= (3

5)

1 0

Zj(2) = (0 5 3)

1/3

-1/3

1/2

-1/3

1/3

Cj(1) - Zj(1) = (3 5)

Cj(2) - Zj(2) = (0 0 0) -

= (0

3/2

1)

(3 5) = ( 0 0)
(0 3/2

1) = ( 0 -5/2 -1)

75

2
6 = 36 X1 = 2 ; X2= 6 ; Z = 36

Z = ( 0 5 3)

REALIZAR EL SIGUIENTE EJERCICIO POR EL METODO DE LA BIG M

OPTIMIZADO.

Min Z = 20X1 + 10X2

Rest. 1. X1+2X2 40
2. 3X1 + X2 = 30
3. 4X1+3X2 60

Cond. X1, X2 0
Ordenar restricciones de la siguiente forma: , =, .

Min Z = 20X1+10X2+0X3+MX4+MX5+0X6
4X1+3X2-X3+X4 = 60
3X1+X2

+X5 = 30

X1+2X2

+X6 = 40

Para toda Xj 0

76

Cb
M
M
0

Cj
Vbs
X4
X5
X6
Zj
Cj-Zj

20
X1
4
3
1
7M
20-7M

4 3 -1
A=

3 1 0
1 2 0

................

B=

10
X2
3
1
2
4M
10-4M

0
X3
-1
0
0
-M
M

M
X4
1
0
0
M
0

1 0 0

60

0 1 0

b = 30

0 0 1

40

M
X5
0
1
0
M
0

0
X6
0
0
1
0
0

bi
60
30
40
90M

Cbt = (M M 0)

77

CAPITULO IV

78

DUALIDAD EN PROBLEMAS DE PROGRAMACION LINEAL.

Asociado a un problema de Programacin Lineal, existe otro problema.

Al original se le denomina PRIMAL y al otro como DUAL.

Un problema primal tiene la siguiente forma:

Max Z = C*X

Rest. A*X b

Cond. X 0

El problema dual de este problema primal resulta:

Min W = bt * Y

Rest. At * Y Ct

Cond. Y 0
Por tanto:

79

PRIMAL

DUAL

Max Z = C1X1+C2X2+C3X3

Min W = b1Y1+b2Y2+b3Y3

Rest. a11X1+a12X2+a13X3 b1

Rest. a11Y1+a21Y2+a31Y3 C1

a21X1+a22X2+a23X3 b2

a12Y1+a22Y2+a32Y3 C2

a31X1+a32X2+a33X3 b3

a13Y1+a23Y2+a33Y3 C3

Cond. Para toda Xj 0

Para toda Yi 0

RELACIONES ENTRE EL PRIMAL Y EL DUAL

PRIMAL
Coeficientes de variables de

DUAL
Recursos

decisin F.O.
Recursos

Coeficientes de variables de decisin en

F.O.

Maximizar

Minimizar

fila i

columna i

columna j

fila j

restriccin i

variable i

variable j

restriccin j

80

VENTAJA DEL DUAL.

La obtencin del problema dual es importante cuando el nmero de restricciones es

mucho mayor, al nmero de variables, ya que de esta manera se reduce la cantidad de
operaciones, que hay que realizarlos para resolver el modelo.

Ej: Primal con 30 restricciones y 5 variables.

PRIMAL

DUAL

30 ecuaciones

5 ecuaciones

5 variables

30 variables

30 variables holgura

5 variables holgura
5 variables artificiales

30 ecuac. 35 variables

5 ecuac. 40 variables

EJEMPLO:

Determinar el problema dual correspondiente al siguiente problema primal.

81

PRIMAL

Max Z = 80X1+60X2

Rest. X1+X2 800

X1
X2

400
700

2X1+X2 1000

Cond. X1, X2 0

DUAL.

Min Z = 800Y1+400Y2+700Y3+1000Y4

Rest. Y1+Y2+
Y1

2Y4 80

+Y3+Y4

60

Cond. Y1, Y2, Y3, Y4 0

PROPIEDAD: La solucin ptima del problema Dual es igual a la solucin ptima del
problema Primal.

82

EJERCICIO.

Utilizando el problema Dual, resolver el siguiente problema de P.L.

Min. Z= 30X1 + 15X2

Max W = 3Y1+6Y2+2Y3+0Y4+0Y5

Rest. 1. 3X1+X2 3

Rest. 3Y1+4Y2+Y3+Y4 = 30

2. 4X1+3X2 6

Y1+3Y2+2Y3 +Y5 = 15

3. X1+2X2 2

Cond. X1, X2 0

Cb
0
0

Cb
0
6

Cb
3
6

Cond. Yj 0

Bj
Vbs
Y4
Y5
Wj
Bj-Wj

3
Y1
3
1
0
3

6
Y2
4
3
0
6
VE

2
Y3
1
2
0
2

0
Y4
1
0
0
0

0
Y5
0
1
0
0

Ci
30
15
0

Bj
Vbs
Y4
Y2
Wj
Bj-Wj

3
Y1
5/3
1/3
2
1
VE

6
Y2
0
1
6
0

2
Y3
-5/3
2/3
4
-2

0
Y4
1
0
0
0

0
Y5
-4/3
1/3
2
-2

Ci
10
5
30

Bj
Vbs
Y1
Y2
Wj
Bj-Wj

3
Y1
1
0
3
0

6
Y2
0
1
6
0

2
Y3
-1
1
3
-1

0
Y4
3/5
-1/5
3/5
-3/5

0
Y5
-4/5
3/5
6/5
-6/5

Ci
6
3
36

VS

VS

S.O.

83

Y4 es la holgura de X1
Y5 es la holgura de X2

Por lo tanto:

Bj - Wj de Y4 = X1

Bj - Wj de Y5 = X2

Solucin:

X1 = 3/5

X2 = 6/5

Z=36

Solucin Final del problema primal

Cb
30
0
15

Cj
Vbs
X1
X5
X2
Zj
Cj-Zj

X1
1
0
0
30
0

X2
0
0
1
15
0

X3
-3/5
1
4/5
-6
6

X4
1/5
-1
-3/5
-3
3

PRIMAL

X5
0
1
0
0
0

X6
3/5
-1
-4/5
6
M-6

X7
-1/5
1
3/5
3
M-3

X8
0
-1
0
0
M

bi
3/5
1
6/5
36

DUAL

Cj-Zj de las variables de holgura

Yi de las variables de decisin

Xj de las variables de decisin

Bj-Wj de las variables de holgura

84

RELACIONES ENTRE PRIMAL Y DUAL.

Problema de

Problema de

Minimizacin

Maximizacin R

A
R

E
0

I
A

T
0

B
L

R
I

Variable no restringida

S
T

R
I

I
A

No restringida B

85

EJERCICIO.

Cul es el Dual del siguiente problema Primal?

PRIMAL:

Max Z = 10X1+20X2+5X3
Rest. 1. 2X1+3X2-X3 5
2. X1+X3

10

3. 5X1+X2+3X3 = 7

Cond. X3 0
X1,X2, son no restringidas.

DUAL:

Min Z= 5Y1+10Y2+7Y3
Rest. 1. 2Y1+Y2+5Y3 = 10
2. 3Y1+0Y2+Y3 = 20
3. -Y1+Y2+3Y3 5

Cond. Y1 0
Y2 0
Y3 no restringida

Y2 = -Y2
Y3 = Y3 - Y3

86

ANALISIS DE SENSIBILIDAD.
Al formular un problema de investigacin operativa, los datos utilizados son, en la
mayora de los casos, datos probabilsticos y variables en un cierto rango, debido a las
variaciones de las condiciones econmicas que los originan o a errores en las
estimaciones. Frente a esta variabilidad de las estimaciones de los parmetros surge una
pregunta lgica sobre el efecto de tales cambios en la solucin ptima. La medicin de
este efecto se denomina, en los modelos matemticos Anlisis de sensibilidad.
Las variaciones en los parmetros pueden ser simultneas o aisladas. Al rango dentro
del cual la variacin de un dato no modifica la solucin ptima, se lo denomina rango
de optimalidad. La amplitud de este rango determina el grado de precisin que requiere
la estimacin de un determinado parmetro.
Se puede analizar los efectos de las variaciones aisladas en los coeficientes de las
variables bsicas y no bsicas en la funcin objetivo, en los coeficientes de sustitucin
de variables no bsicas y en las cantidades de recursos disponibles, se puede considerar
la introduccin de un nuevo producto segn el consumo de los recursos existentes y la
utilidad esperada.
De hecho el anlisis y la interpretacin de los precios sombra de cada recurso por la
importancia que tiene para una decisin econmica el conocer el valor de un recurso
medido en trminos de su utilidad potencial y el rango dentro del cual tal beneficio
potencial es aplicable, esto es el rango de validez de dicho precio.

87

ANALISIS DE SENSIBILIDAD CONSIDERANDO LOS PRECIOS SOMBRA.

Precio Sombra de un recurso es el incremento en la ganancia que se produce al utilizar

una unidad adicional de recurso agotado, o sea viene a representar el mximo valor
adicional que puede pagar la empresa por adquirir una unidad de dicho recurso.

Utilizando el mtodo simplex tenemos:

X1+2X2+X3 4

X1+2X2+X3 +X4 = 4 ; X4 es lo que falta de

recurso 1

2X1+5X2 10

2X1+5X2 + X5 = 10; X5 es lo que falta de

recurso 2

a) Si una variable de holgura est en la base, eso quiere decir que el recurso
correspondiente a la variable de holgura tiene un precio sombra igual a cero.

b) Cuando las variables de holgura no estn en la base, los precios sombra de los
recursos correspondiente a dichas variables, se determinan tomando el valor
absoluto de los coeficientes Cj-Zj correspondientes a las variables de holgura.

88

EJERCICIO.

Un carpintero produce 3 tipos de productos sillas, marcos y mesas, su produccin est

limitada por la existencia de madera, cepillo, y mano de obra.

Las relaciones que ligan los recursos y los productos son los siguientes:

Recursos

Requerimientos por unidad de producto

Sillas
Marcos
Mesas

Madera
Cepillo
M.Obra
Util. por unid.

3
4
2
3

1
0
1
2

Disponibilidad de los
recursos
6
1
2

2
1
1
4

Max Z = 3X1+2X2+4X3

Max Z = 3X1+2X2+4X3+0X4+0X5+0X6

Rest. 1. 3X1+X2+2X3 6

3X1+X2+2X3 +X4 = 6

2. 4X1

+X3

3. 2X1+X2+X3 2

4X1

+X3

+X5 = 1

2X1+X2+X3 + X6 = 2

Cond. X1, X2, X3 0

Para toda Xj 0

X1= Nmero de sillas

X4, lo que falta de madera

X2 = Nmero de marcos

X5, lo que falta de cepillo

X3 = Nmero de mesas

X6, lo que falta de M.O.

89

TABLA ORIGINAL:

Cb
0
0
0

Cj
Vbs
X4
X5
X6
Zj
Cj-Zj

3
X1
3
4
2
0
3

2
X2
1
0
1
0
2

1
X3
2
1
1
0
1

0
X4
1
0
0
0
0

0
X5
0
1
0
0
0

0
X6
0
0
1
0
0

bi
6
1
2
0

3
X1
-3
4
-2
12
-9

2
X2
0
0
1
2
0

1
X3
0
1
0
4
-3

0
X4
1
0
0
0
0

0
X5
-1
1
-1
2
-2

0
X6
-1
0
1
2
-2

bi
3
1
1
6

TABLA FINAL:

Cb
0
4
2

Cj
Vbs
X4
X3
X2
Zj
Cj-Zj

Precio sombra del recurso madera = 0

Precio sombra del recurso cepillo = 2
Precio sombra del recurso M.Obra = 2

Si cepillo en una unidad, la ganancia aumenta a 8; 6+2, donde 2 es su precio sombra.

Si cepillo en una unidad, la ganancia disminuye en 2, esto es igual a 4.

Para el recurso cepillo tenemos:

90

Tabla final

bi

X4

-1

X4 = 3-1h 0;

h 3

X3

X3 = 1+1h 0;

h -1

X2

-1

X2 = 1- 1h 0;

h 1

-1 h 1

Para el recurso mano de obra tenemos:

Tabla final

bi

X4

-1

X4 = 3-1h 0;

X3

X3 = 1+0h 0;

X2

X2 = 1+1h 0;

h 3
-1 h 3
h -1

Determinar el rango para el recurso madera?.

ANALISIS DE SENSIBILIDAD DE LOS COEFICIENTES DE LA FUNCION

OBJETIVO.

Cabe considerar dos casos en este anlisis. En primer lugar si se trata de una variacin
en algn coeficiente de una variable no bsica en la solucin ptima es fcil comprender
que si disminuye dicho coeficiente en un problema de maximizacin la variable en
cuestin seguir siendo no-bsica y no se alterar la solucin, mientras que si se
aumenta dicho coeficiente en un valor mayor que el Cj - Zj de dicha variable en la
tabla final, se obtendrn valores positivos en la ecuacin de la funcin objetivo, y
debera introducirse en la solucin, la variable que anteriormente no era bsica.

91

En problemas de minimizacin vale un razonamiento opuesto ya que al aumentar un

coeficiente de una variable no-bsica, no podr entrar en la solucin; mientras que si
disminuye de modo que el Cj Zj sea negativo deber incluirse en la solucin la
variable que anteriormente era no-bsica. Al sumar o restar el valor absoluto de Cj Zj
con el coeficiente Cj original se obtiene Zj como lmite del rango de optimalidad.
Resumiendo diremos que el rango de optimalidad de una variable no-bsica son los
valores inferiores al Zj de dicha variable en la solucin ptima y los valores superiores a
dicho Zj en un problema de minimizacin.
Para concretar la explicacin anterior en un ejemplo de maximizacin considere la siguiente tabla final.

Cbs
10
15

Cj
Vbs
X1
X3
Zj
Cj - Zj

10
X1
1
0
10
0

12
X2
3
1
15
-3

15
X3
0
1
15
0

0
X4
-1
1
5
-5

0
X5
2
1
5
-5

bi

Observe que mientras el coeficiente 12 de X2 no aumenta en ms de 3 unidades la

solucin anterior sigue siendo ptima, o dicho de otra manera, el rango de optimalidad
para el coeficiente C2 son los valores inferiores o iguales a 15, esto es el Z2 en dicha
tabla.

92

METODO DUAL SIMPLEX PARA LA RESOLUCION DE PROBLEMAS DE

PROG. LINEAL.

Se utiliza cuando existen restricciones de tipo , puesto que elimina la necesidad de

utilizar variables artificiales, ya que nicamente se cambia de signos ambos lados de la
restriccin, as como el signo.

Para obtener la solucin ptima, se tiene que dar dos condiciones: debe existir
factibilidad dual y factibilidad primal.

Factibilidad primal.- Existe cuando las variables bsicas son todas no negativas ( 0).

Factibilidad dual.- Se define para problemas de minimizacin, cuando todos los

coeficientes Cj-Zj son 0 (no negativos).

Para problemas de maximizacin, hay factibilidad dual, cuando Cj-Zj son 0 (no
positivos).

REGLAS PARA RESOLVER EL DUAL SIMPLEX.

1.

Una solucin que tiene Factibilidad Dual, y tambin tiene factibilidad primal,
constituye una solucin ptima.

2. Si es que no existe factibilidad primal, pero en cambio existe factibilidad dual, se

aplica el mtodo dual-simplex. En este caso se debe mantener siempre la factibilidad

93

dual y en cada aplicacin del mtodo dual-simplex, se tiende a obtener la

factibilidad primal.

a) La variable saliente para maximizacin o minimizacin, es aquella que corresponde

al mayor bi negativo.
b)

La variable entrante, se determina analizando los valores absolutos de Cj- Zj / aij ,

considerando nicamente valores de aij negativos, correspondientes a los
coeficientes de la fila de la variable saliente. Se debe tomar la menor relacin.

3. Si es que no existe factibilidad dual, ni factibilidad primal, lo primero que debe

hacerse es restaurar la factibilidad dual, aplicando el mtodo simplex normal, y una
vez que se tenga la factibilidad dual, se aplica el dual simplex.

EJERCICIO.

Min Z = 2X1+X2

Min Z=2X1+X2

Rest. 1. 3X1+X2 6

-3X1-X2 -6

2. 4X1+3X2 12

-4X1-3X2 -12

3. X1+2X2 4

-X1-2X2 -4

Cond. X1, X2 0

94

Cb
0
0
0

Cb
0
1
0

Cj
Vbs
X3
X4
X5
Zj
Cj-Zj

2
X1
-3
-4
-1
0
2

1
0
X2
X3
-1
1
-3
0
-2
0
0
0
1
0
VE (Si hay F. D.)

0
X4
0
1
0
0
0

0
X5
0
0
1
0
0

bi
-6
-12
-4
0

Cj
Vbs
X3
X2
X5
Zj
Cj-Zj

2
X1
-5/3
4/3
5/3
4/3
2/3

1
X2
0
1
0
1
0

0
X4
-1/3
-1/3
-2/3
-1/3
1/3

0
X5
0
0
1
0
0

bi
-2
4
4
4

0
X4
1/5
-3/5
-1
-1/5
1/5

0
X5
0
0
1
0
0

bi
6/5
12/5
2
24/5

0
X3
1
0
0
0
0

VS
No
hay
F.P.

VS
No
hay F.
P.

VE (Si hay F. D.)

Cb
2
1
0

Cj
Vbs
X1
X2
X5
Zj
Cj-Zj

2
1
0
X1
X2
X3
1
0
-3/5
0
1
4/5
0
0
1
2
1
-2/5
0
0
2/5
Sol. Optima. Si hay F. D.

Si hay
F. P.

95

CAPITULO V

96

MODELO DE TRANSPORTE.

Es un problema especial de I.O. Este problema tiene su origen en la necesidad de

transportar productos desde varias fuentes de suministro u orgenes a varios sectores de
demanda o destinos.

Consiste entonces en minimizar, los costos que demanden, en transportar los productos,
desde los diferentes orgenes a los diferentes destinos.

Ej:

F1

F2

F3

(Fuentes de suministro, orgenes, oferta).

D1

D2

D3

(Destino, sectores, demanda).

Si hay suficientes recursos se satisfacen todas las demandas.

Los costos estn dados por la distancia entre el origen y el destino. Estos vienen dados
en forma de matriz:

FUENTES
(FABRIC)

DESTINOS
B1
C11
C21
C31

F1
F2
F3
REQUER.
DEMANDA D1

B2
C12
C22
C32

B3
C13
C23
C33

B4
C14
C24
C34

D2

D3

D4

CAPACID.
DE
SUMIN.
S1
S2
S3

97

El problema de transporte consiste en minimizar Costos de c/u * artculo * Xij desde i

hasta j. Entonces:

Min Z = C11X11+C12X12+C13X13+ ............. ...C34X34

CAPACIDAD DE SUMINISTRO:

X11+X12+X13+X14 = S1
X21+X22+X23+X24 = S2
X31+X32+X33+X34 = S3

REQUERIMIENTOS DE DEMANDA:

X11+X21+X31 = D1
X12+X22+X32 = D2
X13+X23+X33 = D3
X14+X24+X34 = D4

Se tiene que capacidad de suministro = requerimientos de demanda, cuando se cumple

sto se dice que se tiene un problema de transporte homogneo.

a) Si la capacidad de suministro es mayor que la Demanda, se debe crear un destino

ficticio, con costos de transporte igual a cero, que consuma el exceso de producto o
suministro.

98

b) Si la demanda es mayor que el suministro, se debe crear un suministro ficticio que

genere el suministro necesario para cubrir la demanda insatisfecha.

Para resolver el problema de transporte se han desarrollado mtodos ms eficaces que el

mtodo simplex.

El problema puede presentarse as:

m
Min Z=
i=1

n
Cij Xij
j=1
n

Suministro: Xij = Si; donde : (i=1,2,.........m)

j=1
m
Demanda:

Xij = Dj; donde: (j= 1,2,.......n)

i=1
m

Igualdad:

Si = Dj
i=1

j=1

99

EJERCICIO.

FUENTES
F1
F2
F3
REQ. DEM.

DESTINOS
B1
0,3
0,29
0,31
100

B2
0,25
0,26
0,33
150

B3
0,4
0,35
0,37
200

B4
0,2
0,40
0,30
50

En este caso las capacidades son iguales a las demandas en este caso 500.

Min Z = 0,3 X11+0,25X12+0,4X13+..................................0,30X34

Rest. X11+X12+X13+X14 = 100

X21+X22+X23+X24 = 250
X31+X32+X33+X34 = 150

Por otro lado:

X11+X21+X31 = 100
X12+X22+X32 = 150
X13+X23+X33 = 200
X14+X24+X34 = 50

CAPAC.
PRODUCC.
100
250
150

100

TABLA DEL SIMPLEX.

Cb

Cj 0,3
Vb X11
s
1
0
0
1
0
0
0

0,25 0,4 0,2 0,29 0,26 0,35 0,4 0,31 0,33 0,37 0,3
X12 X13 X14 X21 X22 X23 X24 X31 X32 X33 X34 bi
1
0
0
0
1
0
0

1
0
0
0
0
1
0

1
0
0
0
0
0
1

0
1
0
1
0
0
0

0
1
0
0
1
0
0

0
1
0
0
0
1
0

0
1
0
0
0
0
1

0
0
1
1
0
0
0

0
0
1
0
1
0
0

0
0
1
0
0
1
0

0
0
1
0
0
0
1

100
250
150
100
150
200
50

Existen diversos mtodos para desarrollar el problema de transporte:

1. Mtodo de la esquina noroeste.

2. Mtodo de la celda mxima o mnima.
3. Mtodo de la penalidad.

Todo problema de transporte tiene las siguientes caractersticas:

M ecuaciones (capacidad de suministro).
N ecuaciones ( demanda)

M + N ecuaciones.

Donde se tiene (M+N-1) ecuaciones independientes. Una solucin bsica factible

tendr:
M+N-1 variables 0.

101

1. REGLA DE LA ESQUINA NOROESTE.

Es un mtodo directo para encontrar la solucin bsica factible inicial de un problema

de transporte, y empieza asignando los recursos a partir de la primera fila, y en sta a
partir de la primera celda. La asignacin de recursos debe hacerse hasta satisfacer la
demanda.

Se pueden presentar los siguientes casos:

1.

Si Si > Dj, en este caso se asigna el recurso necesario para satisfacer la demanda y
queda un exceso de recurso que se asigna dentro de la misma fila.

2. Si Si = Dj, toda la capacidad de suministro se asigna directamente al requerimiento

de demanda, y en la celda contigua debe colocarse un cero.

3.

Si Si < Dj, todo el Si es asignado a la celda respectiva para satisfacer parte de la

demanda. La demanda debe completarse asignando los recursos a la siguiente fila
para satisfacer el restante requerimiento de demanda.

EJERCICIO.

Cuatro expendedores de gasolina ABCD, requieren 50.000, 40.000, 60.000, 40.000, es

posible satisfacer estas demandas a travs de las localidades 1, 2, 3, que disponen de

102

80.000, 100.000, 50.000, galones respectivamente. Los costos de despachar 1.000

galones de gasolina desde cada localidad de suministro a cada expendedor se presenta
en la siguiente tabla:

FUENTES EXPENDEDORES
A
B
1
1750
1500
2
1250
2000
3
2000
1300
REQ.DEM 50
40
.
FUENTES EXPENDEDORES
A
B
1
50
30
2
10
3
REQ.DEM 50
40
.

CAPAC.
C
1500
1400
2000
60

D
1600
1750
1550
40

E
0
0
0
40

80
100
50

CAPAC.
C
60
60

D
30
10
40

E
40
40

80
100
50

Z= 50*1750+30*1500+10*2000+60*1400+30*1750+10*1500+40*0 =

Esta es una solucin bsica factible inicial.

103

2. METODO DE LA CELDA MAXIMA O MINIMA.

Realiza asignaciones de los recursos para satisfacer las demandas tomando en cuenta el
costo unitario de transporte de cada una de las rutas. Si el problema es minimizar costos
de transportes, habra que asignar recursos a las celdas de ms bajo costo de transporte
unitario.

Si es de maximizar las ganancias, se asignan recursos a las celdas de mayor ganancia. El

nmero de iteraciones para llegar a la solucin ptima va a ser mucho menor al
anterior.

FUENTES EXPENDEDORES
A
B
1
2
50
3
40
REQ.DEM 50
40

CAPAC.
C
50
10
60

D
30

E
40

10
40

80
100
50

40

3. METODO DE LA PENALIDAD.

Consiste en determinar la penalidad que se incurre por no asignar determinados recursos

a determinados requerimientos.

Para un problema de minimizacin:

104

La penalidad de los recursos, es decir de las filas, se determinan restando el valor ms

pequeo, dentro de la fila, del siguiente valor ms pequeo en la misma fila.

La penalidad para los requerimientos, se calcula, restando el valor ms pequeo dentro

de una columna, del siguiente valor ms pequeo en la misma columna.

1. Se debe determinar luego, cual es la fila o la columna que tenga la mxima

penalidad. Se escoge la mxima penalidad, por cuanto el problema es de
minimizacin, y hay que minimizar los costos que se aadiran, por no asignar
recursos a las rutas de mxima penalidad.

Penalidad
Ej:

1500 1100 400 Mxima

1400 1200 200

2. La asignacin de los recursos debe realizarse a la celda que tiene el menor costo
considerando las dos celdas que se tomaron para calcular la penalidad.

3. Si en una sola asignacin se termina el recurso, y se satisface el requerimiento en

una de las celdas contiguas debe almacenarse un cero.

4. Se repite el proceso sin tomar en cuenta aquellas columnas en las cuales ya se han
satisfecho los requerimientos y aquellas filas en las cuales se han terminado los
recursos.

105

Para reducir costos se debe tomar la mayor penalidad.

Para un problema de Maximizacin:

1. Las penalidades se calculan restando del mayor valor el siguiente mayor valor en
cada una de las filas y en cada una de las columnas. En este caso la penalidad
indicar, la prdida de ganancia que ocasiona el no utilizar una ruta.

2. Escoger la mayor penalidad.

3. La asignacin se hace a la celda de mayor valor.

4. Repetir el proceso.-

EJERCICIO DE MINIMIZACION.

FUE
NTE
S
1
2
3
REQ
.DE
M.
PEN.

EXPENDEDORES
A
B
C

1750
1250
2000
50

1500
2000
1300
40

1500
1400
2000
60

1600
1750
1550
40

0 80
0 100
0 50
40

500

200

100

50

200

500

Solucin:

X13 = 10
X14 = 30

CAP
AC.

PENALIDADES
1500 0
1250 150
1300 250

0
350
250

0
0
250

100
0
250

106

X15 = 40
X21 = 50
X23 = 50
X32 = 40
X34 = 10

Z = 50*1250+40*1300+10*1500+50*1400+30*1600+10*1550+40*0

EJERCICIO DE MAXIMIZACION.

Una compaa de muebles ha requerido ofertas de cuatro fabricantes de muebles e cinco

estilos diferentes, las cantidades requeridas de cada estilo se dan a continuacin:

Estilo

Cantidad

125

75

50

200

175

Los cuatro fabricantes tienen una capacidad de produccin y las cantidades que pueden
ser suministradas en un lmite de tiempo se dan a continuacin:

Fabricante

Cantidad

275

225

175

200

En base a las propuestas de cada fabricante la compaa de muebles ha estimado que la

ganancia por unidad para cada mueble vendido variar de acuerdo a la siguiente tabla:

107

FABRICAN
TE
1
2
3
4

ESTILOS
A
28
30
25
33

B
35
33
35
28

C
42
45
48
40

D
23
18
20
26

E
15
10
13
18

Determinar las contrataciones en cada estilo para cada fabricante, de tal manera que se
maximice las ganancias?

FAB
RIC
ANT
E
1
2
3
4
REQ
.
Pen.

ESTILOS
A
B C

Penalidades
D

Su
m

28
30
25
33
125

35
33
35
28
75

42
45
48
40
50

23
18
20
26
200

15
10
13
18
175

0
0
0
0
250

275
225
175
200

3
2

0
2

3
2

0
0

7
12
13*
7

7
3
10*
5

5
12*
5
7

8
8
7
8*

15*
10
13

Si las penalidades en maximizacin son iguales, se escoge la fila o la columna con

mayor valor en la celda.

Si las penalidades en minimizacin son iguales, se escoge la fila o la columna con

menor valor en la celda.

N+M-1 = 6+4-1 = 9, cuando no hay nueve celdas en la base, se tiene una solucin
degenerada, y se produce cuando en una sola asignacin se satisface el recurso y el
requerimiento.

108

CAPITULO VI

109

EL MODELO DE INVENTARIOS

El modelo de inventarios permite mantener en condiciones ventajosas, las cantidades

correspondientes de materias primas, materiales y productos, empleando tcnicas,
procedimientos y programas convenientes a las exigencias de la empresa.
Contablemente, decimos que Inventario es el conjunto de suministros, materias primas,
materiales de produccin, productos en proceso, y productos terminados.

COSTOS DE INVENTARIOS.

Los costos se determinan cuando se toman decisiones a la cantidad y a la forma de

llevar inventarios o de materiales, el adoptar un determinado sistema lleva implcito un
costo de capital considerable, es conveniente que se adopte junto con el sistema de
inventarios un sistema de clculo, lo que podr redituarle el capital invertido en el
Inventario como si este hubiera sido colocado en otro tipo de inversin.
Al emplear un determinado sistema se deben considerar dos factores: el valor realizable
y el riesgo. El dinero que se invierte en inventarios es un valor realizable en el Activo
de la empresa, de manera que si fuere necesario podra convertirse en efectivo en un
breve lapso de tiempo.
En cuanto al riesgo el Inventario est expuesto a la descomposicin, al deshuso y al
deterioro.
Las siguientes clases de costos forman parte de las decisiones que se toman en
inventarios:
-

Costos de reordenamiento

110

Costos de llevar y mantener inventarios

Costos por agotamiento

Costos asociados con la capacidad de produccin.

COSTOS DE REORDENAMIENTO.

Pueden ser rdenes de compra de pedido de materiales o los asociados con rdenes de
preparacin de lotes de produccin.

COSTOS DE LLEVAR Y MANTENER INVENTARIOS.

Incluye todos los gastos que una empresa incurre con el fin de llevar o mantener
inventarios en determinado volumen, dentro de este tipo de costos se encuentran
usualmente los siguientes factores:
Almacenamiento, seguros, capital de obsolescencia, y deterioro.
Para guardar inventarios deben construirse depsitos y zonas de almacenamiento,
estantes, instalaciones y dems utensillos para almacenaje los que sufren depreciacin.
Todos estos factores son costos que deben cargarse al inventario y generalmente se
dividen en forma proporcional entre los diferentes productos almacenados en base a un
porcentaje que se determina de acuerdo al valor del producto.
Algunas empresas aseguran el inventario contra incendios cargndole al costo del
mismo, las que no aseguran debern hacer que el valor del costo del inventario refleje
una tasa correspondiente al riesgo en caso de incendio por una suma equivalente a la del
seguro.

111

El dinero invertido en inventarios no est disponible para uso en otras reas de la

empresa.
El factor de obsolescencia implica costos porque el inventario no puede venderse, ya sea
por cambios en la demanda, deseos del cliente, por hacerse viejo o por pasar de moda.
El factor deterioro implica tambin costos porque el material existente puede adquirir
humedad, secarse, ensuciarse por manejo, etc.
De cualquier manera este factor impide que el producto no pueda venderse ms.

COSTOS POR AGOTAMIENTO.

El quedarse sin inventarios implica no contar con productos disponibles para cuando el
cliente lo ordene lo que se deriva en prdida de clientes o incurre en costos extras de
consideracin.

COSTOS ASOCIADOS CON LA PRODUCCION.

Los costos incluyen horas extras de trabajo, contratos de arrendamiento, adiestramiento

de obreros, paros en la produccin, etc en estos casos los costos incurren cuando se
quieren aumentar o reducir la capacidad de produccin.

POLITICAS A B C

Algunas empresas clasifican sus artculos mediante un sistema denominado ABC, que
permite clasificar el inventario por grupo de artculos.

112

Artculos de alto valor

Artculos de mediano valor

Artculos de bajo valor

Ejemplo:

Una empresa fabricante de mobiliario en general clasifica sus artculos de la siguiente

manera:
El 10 % de los artculos de inventario se clasifican en A.
El 70 % se los clasifica en C.
El 20 % se clasifican en B.
Esta empresa considera que la mejor manera de mantener un control eficaz del
inventario es comprando artculos A de alto valor en cantidades mnimas, segn se vaya
necesitando.
Adquiriendo partidas econmicas de B de mediano valor. Estas dos clases de artculos
forman alrededor del 30 % del inventario total. Pero en realidad la categora A
representa entre el 70 y 75 % del costo del inventario.
Los artculos C de poco valor aunque se compran en grandes cantidades tendrn poco
efecto en el valor del inventario porque representan apenas un 5 % del costo total.
En resumen el sistema seala que un nmero reducido de artculos inventariados
constituye la mayor proporcin del valor total del inventario.

VALOR Y PORCENTAJE DE
ARTICULOS

113

80
70
60
50
40
30
20
10
0
A

CANTIDAD ECONOMICA DE COMPRAS Y PRODUCCION.

Cuando se adquiera un artculo a menor cantidad habr una disminucin en la carga de

llevar inventarios, pero un aumento en los costos de adquisicin.
Cuando se adquiere un artculo en mayor cantidad hay un aumento en la carga de llevar
inventarios, pero una reduccin en el costo de adquirirlos, por esta razn la gerencia
debe considerar las posibles reducciones en los costos del pedido contra los probables
aumentos en los costos de llevar inventarios.

NOMENCLATURA PARA EL CALCULO.

CT = Costo Total anual de inventarios.

q/2 = Inventario promedio mantenido a lo largo de un tiempo determinado.
Ci =

Costo de mantener el inventario como una fraccin decimal por cada dlar de

inventario promedio.
D=

Demanda Anual

114

O=

Costo en dinero por orden de adquisicin

q=

tamao de la orden

Cantidad a ordenar q

GRAFICO N 1

35
30
25
20
15
10
5
0
0

10

20

30

40

50

Tiempo ideal para reposicin

En este grfico representamos el modelo donde la cantidad de existencias utilizadas

constantemente tienen reposicin instantnea. En este modelo se supone que los pedidos
son tomados en intervalos de periodos fijos iguales y que los materiales son recibidos
instantneamente, es decir se dan por supuestos las condiciones ideales a saber: ritmo
constante en el uso, cantidad de existencias igual a cero en cada uno de los puntos de
reposicin y reposicin instantnea.

115

Cantidad a ordenar q

GRAFICO N 2
35
30
25
20
15
10
5
0
0

10

20

30

40

50

Tiempo de reposicin Tn

Aqu la reposicin instantnea esta sustituida por reposicin luego de un periodo finito
de tiempo.
Un artculo es producido por una duracin de tiempo de To durante el cual la cantidad
de inventario alcanza su mximo nivel en el punto T10, despus que la produccin se
suspende el inventario es vendido hasta agotarse T20 momento en el cual se inicia otro
ciclo de produccin.
En este caso la reposicin de existencias se hace transcurrir entre T10 y T30 y la
utilizacin de las existencias sucede durante todo el ciclo.

PROBLEMA.

Tomando en cuenta los siguientes datos:

q/2 = Inventario promedio
Ci(q/2) = Costo de mantener inventarios
D/q = Nmero de pedidos ordenados en un tiempo dado
O(D/q) = Costo total de ordenamiento de pedidos

116

CT = Costo total de mantener inventarios

CT = Ci*q + O*D
2
q
Aplicando integrales podemos deducir la siguiente frmula para encontrar el tamao del
lote:
q = (2O*D)/Ci
Esta frmula sirve para calcular el tamao de la orden econmica conocida tambin
como lote de magnitud econmica.

EJERCICIO.
Un fabricante de artculos elctricos necesita importar 18.000 transistores de un
determinado tipo en un periodo de 300 das dentro de un ao o de 60 transistores
diarios con el fin de mantener la capacidad de produccin de radios transistorizados.
El departamento de produccin dispone de los siguientes datos:
Ci =

10 centavos por unidad por ao

D=

18.000

O=

$ 100 por orden

Cul ser el tamao de la orden (q) ?

Aplicando la frmula respectiva:
q = (2*100*18.000)/0.1
q = 6.000 unidades
El nmero de pedidos por ao ser:
D/q = 18.000 / 6.000 = 3 pedidos, dentro de un periodo de 300 das.

117

En consecuencia el intervalo entre rdenes ser de 4 meses sustituyendo stos valores

en la ecuacin del costo total. El costo mnimo del inventario ser:
CT = (Ci*q)/2 + (O*D)/q
CT = (0.1*6.000)/2 + (100*18.000)/6.000
CT = $600 en el ao.

118

CAPITULO VII

119

MODELOS DE REDES.

INTRODUCCIN A LA TEORIA DE GRAFOS.

La teora de grafos ha llegado a ser en los ltimos aos una importante herramienta para
diferentes disciplinas como es la investigacin operativa en lo que tiene que ver con el
estudio modelo de redes.
Comenzamos por considerar la siguiente figura que describe una parte de la red de un
mapa de carreteras, la misma que se lo representa por medio de puntos y lneas, las
mismas que se le denomina vrtices y ramas respectivamente.
Denominndose GRAFO a la totalidad del diagrama:

d
e
D

b
C

120

GRAFO.

Consiste en dos conjuntos V y E, en donde V es un conjunto finito no vaco de vrtices.

E es un conjunto de pares de vrtices, estos pares son llamados ramas, enlaces o arcos.
La representacin V(G) vrtices y E(G) ramificaciones, representan los conjuntos de
vrtices y ramificaciones del grafo G respectivamente. El grafo se representa como
G(V,E).

El grafo es una estructura matemtica para analizar redes.

Existen grafos no direccionados y grafos direccionados.
Los grafos no diseccionados, se definen cuando el par de vrtices que representan a las
ramas no tienen orden. Ejemplo (v1,v2) = (v2,v1), en donde (v1,v2) constituye una
ramificacin.
En un grafo diseccionado o dirigido a cada rama se representa por su direccin <v1,v2>
en donde v1 constituye la cola y v2 constituye la cabeza.

Nmero mximo de ramificaciones

Para un grafo no direccionado con n vrtices el nmero mximo de ramificaciones viene

dado por n(n-1)/2.
Para un grafo direccionado con n vrtices el nmero mximo de ramificaciones est
dado por n(n-1).

121

Grafo no direccionado completo: G1

Grafo direccionado completo G3

Si (v1,v2) es una rama del conjunto de ramas que pertenece a E(G), entonces se dice
que los vrtices v1,v2 son adyacentes y (v1,v2) es incidente a los vrtices v1 y v2.

122

Ejm. Los vrtices adyacentes al vrtice 2 en G2 seran 1,4,5 y las ramas incidentes al
vrtice 3 en G2 sern (v1,v3), (v3,v6), (v3,v7).
Si la rama <v1,v2> es una rama direccionada, entonces el vrtice v1 se dice que es
adyacente a v2, mientras que v2 es adyacente desde v1, la rama <v1,v2> es incidente a
v1,v2.
Si tenemos el grafo:
G4

Un subgrafo de G es G tal que los vrtices de G son menores o iguales a los vrtices
de G y las ramas de G son menores o iguales a los ramas de G.
V(G) V(G)
E(G) E(G)
Longitud de un camino
Es el nmero de ramas en l contenidas.
Camino simple.
Es un camino en el cual todos los vrtices son distintos aunque es posible que el
primero y el ltimo sean iguales.
Los caminos v1,v2,v4,v3, es camino simple, v1, v2,v4,v2 no es camino simple, ambos
son de longitud 3.

123

Ciclo
Es un camino simple en el cual el primero y ltimo vrtice son los mismos. Ejemplo en
G1 v1,v2,v3,v1 es un ciclo.
Grafos conexos o conectados
Debe haber un camino para dos vrtices cualesquiera.
Grado de un vrtice
Es el nmero de ramas incidentes al vrtice. Ej: en G1 el grado de cualquier vrtice es 3.
Para un grafo direccionado el grado de entrada del vrtice v es el nmero de ramas
para el cual v es cabeza y el grado de salida del vrtice v es el nmero de ramas para el
cual v es cola. Ej: en G3 el grado de entrada para el vrtice v2 ser 1 mientras el grado
de salida para v2 ser 2.
Arbol
Es un grafo conexo que no contiene ciclos
Red
Es un grafo caracterizado por dar ciertos valores a sus ramas. Ej: en la red de un circuito
elctrico sus ramas tienen peso, la electricicidad.
Ejemplo de redes:
RED

NODOS

RAMAS

FLUJO

Area

aeropuertos

rutas (km)

aviones

Terrestre

terminales

caminos (km)

vehculos

Elctrica

puntos de conexin

conductores (amp)

corriente

Oleoductos

estacin de bombeo tubos

Telecomunicaciones Estaciones

petrleo

Enlaces microondas ondas electromagnet

124

Capacidad de flujo
Es el lmite superior de la magnitud permitida de flujo que puede llevar una rama en una
direccin especfica. La capacidad de flujo puede ser cualquier cantidad no negativa
incluso infinita.
En una rama dirigida la capacidad de flujo es cero en una direccin contraria a la flecha.
Fuente
Es un nodo de un grafo dirigido que se caracteriza porque todas las ramas que se
conectan al l tienen una direccin tal que dicho nodo es nicamente cola, es decir el
flujo sale del nodo.
Se lo conoce tambin como inicio, origen o generador de flujo.
Destino
Es un nodo de un grafo dirigido que se caracteriza porque todas las ramas que se
conectan a l tienen una direccin tal que dicho nodo es cabeza, es decir el flujo entra al
nodo. Se lo conoce tambin como llegada, finalizador o absorbedor de flujo.
A

Fuente, cola

Destino, cabeza.

Representacin de Grafos
Tenemos dos formas de representacin:
1. Utilizacin de matrices adyacentes.
2. Utilizacin de listas adyacentes.
Matrices Adyacentes.
Si tenemos una grafo G(V,E), compuesto de vrtices y enlaces con n vrtices, la matriz
adyacente de G es un arreglo de dos dimensiones de nxn. As tenemos:
A(i,j) con la propiedad de que:

125

A(i,j) = 1 si la rama (Vi,Vj) est en E(G).

A(i,j) = 0 si no existe tal rama.
Ejemplo:
En G1 tenemos n vrtices el arreglo A est formado por la matriz n x n

G1
1

G2

De una matriz adyacente se puede determinar lo siguiente:

a. Si existe una rama conectando dos vrtices Vi, Vj.
b. Para un grafo no diseccionado el grado de cualquier vrtice Vi , es la suma de
los unos (1) de sus filas.

126

c. Para un grafo diseccionado la suma de los unos (1) de las filas es el grado de
salida y la suma de los unos (1) de las columnas es el grado de entrada.

Listas Adyacentes.
Con esta representacin las n filas de la matriz adyacente se representan con n listas
encadenadas. Hay una lista para cada vrtice de G los nodos en la lista i representan a
los vrtices que son adyacentes desde el vrtice i. Cada nodo tiene al menos dos campos
vrtice y enlace. Los campos de vrtice contienen los ndices de los vrtices adyacentes
al vrtice i.
As tenemos:
G1
V1
V2
V3
V4
Cada lista tiene

2
3
3
4
1
3
3
4
1
2
2
4
1
2
2
3
un nodo cabeza. Los nodos cabeza son

4
0
4
0
4
0
3
0
secuenciales y representan a

cada uno de los vrtices Vi, permitiendo acceder a cada lista desde uno de os vrtices en
particular.
G3
V1

V2

V3

127

Representacin de una red dirigida

Matriz de incidencia.
Es otra forma de representar redes.
La matriz de incidencia de nodos ramas para una red dirigida G(V,E), se define como
el arreglo Z = [Zi,k]
Zi,k = 1. Si el nodo i que pertenece a V es el nodo de inicio de la rama ak que pertenece
al conjunto de ramas o arcos E.
Zi,k = -1. Si el nodo i que pertenece a V es el nodo donde termina la rama ak que
pertenece a E.
Zik = 0. Si no existe tal rama.
Si el grafo G no es dirigida Zi,k se define como:
Zik = 1. Si el nodo i que pertenece a V es conectado a la rama ak que pertenece a E
Zik = 0. Si no existe conexin.

ALMACENAMIENTO DE PESOS O VALORES DE LAS RAMAS DE UN

GRAFO O RED.
Cuando se designan valores a las ramas estos valores pueden representar distancias o
costos necesarios para ir de un ndice a otro adyacente, stos pueden almacenarse de
acuerdo con la representacin utilizada para una red esto es por medio de una matriz
adyacente en donde los A(i,j) guardarn dicha informacin.
Ejemplo si tenemos el grafo:

128

La matriz ser:
1

Las aplicaciones de grafos mas estudiadas por el modelo de redes son:

-

Arboles de cobertura

Problema de la ruta ms corta

Problema del flujo mximo.

ARBOLES DE COBERTURA.

Cualquier rbol que est formado nicamente por las ramas de E pero que incluyen a
todos los vrtices de V de G es llamado un rbol de cobertura.
Posibles rboles de cobertura:

PROPIEDADES DE UN ARBOL DE COBERTURA.

Un rbol de cobertura tiene la propiedad de que es un subgrafo mnimo de G (G), tal
que el conjunto de vrtices de Ges igual al conjunto de vrtices de G:
V(G) = V(G)
Por subgrafo mnimo se designa a aquel con el menor nmero de ramas.

129

Cualquier grafo conexo con n vrtices debe tener al menos n-1 ramas y todos los grafos
conexos con n-1 ramas son rboles.

APLICACIONES DE LOS ARBOLES DE COBERTURA.

Los rboles de cobertura se aplican para obtener el mnimo nmero necesarios para
conectar n vrtices. Esto es n-1 ramas. En la prctica los vrtices podran representar
ciudades, las mismas que estn separados por distancias o costos entre cada una de ellas.

ARBOLES DE COBERTURA DE COSTO MINIMO.

Dada una red se desea seleccionar la construccin de un conjunto de enlaces de
comunicacin que conecten a todas las ciudades y tengan un costo total mnimo, es
decir de longitud total mnima.
Se asume los pesos positivos. El costo de un rbol de cobertura es la suma de las ramas
de dicho rbol.

Sea el siguiente grfico encontrar el rbol de cobertura de costo mnimo:

130

2
5

5
6

PROCEDIMIENTO GRAFICO.
1. Seleccionar un nodo arbitrario y conectamos el nodo ms cercano a ste
obteniendo la primera rama del rbol de cobertura de costo mnimo.
2. Identificar un nodo no conectado que sea el ms cercano a uno de los nodos que
ya forman parte del rbol y conectarlos sin formar ciclos.
3. Repetir esto hasta que todos los nodos se hayan conectado.

PROCEDIMIENTO TABULAR.
1. T (rbol de cobertura de costo mnimo) se construye rama por rama.
2. Para incluir las ramas en T se consideran a estas en orden ascendente de sus
costos.
3. Una rama se incluye en T sino forma un ciclo con las ramas que ya estn en T.
Como G es conexo y tiene n vrtices, se selecciona n-1 ramas para incluir en T.

131

Ejercicio:
Encontrar el rbol de cobertura de costo mnimo y su costo total de la siguiente red:

PROCEDIMIENTO MATRICIAL.
1. Se comienza arbitrariamente en cualquier nodo, se designa a este nodo como
conectado y se pone una al lado del rengln correspondiente a este nodo. Se
tacha la columna que corresponde a l.
2.

Considerando todos los renglones que tengan una , se busca el valor mnimo en
las columnas cuyo ndice no ha sido tachado y se encierra ese valor en un
crculo. Se rompen los empates de modo arbitrario. La columna que corresponde
este elemento encerrado en un crculo designa al nuevo nodo conectado. Se
tacha el ndice de esta columna y se pone una marca en el rengln
correspondiente a este nodo. Se repite este paso hasta que todos los nodos sean
conectados.

3. Una vez que todos los nodos hayan sido conectados, se identifica el rbol de
cobertura de costo mnimo mediante los elementos circundados.

132

EL PROBLEMA DE LA RUTA MAS CORTA

Trata de determinar el camino mas corto desde un nodo origen hasta un nodo hasta los
dems nodos de la red a travs de una red conexa.
La longitud de un camino viene dado por la suma de los valores de las ramas en ese
camino.

ALGORITMO DE ETIQUETADO.
El algoritmo emplea el llamado procedimiento de etiquetado. Conforme avanza el
algoritmo, se determina una etiqueta para cada nodo. Esa etiqueta asociar dos nmeros
entre parntesis. Para un nodo concreto, el primer nmero de la etiqueta representar la
distancia entre H y ese nodo, a lo largo de una ruta especfica y el segundo nmero
representar el nodo predecesor del nodo en cuestin sobre dicha ruta, en principio las
etiquetas asociados a un nodo que no sea H se llamarn etiquetas temporales. Cuando la
distancia ms corta (es decir la mejor ruta) entre H y un nodo dado haya sido
determinada la etiqueta temporal se transformar en permanente.
El algoritmo comienza al etiquetar el nodo H con la etiqueta permanente (0, H), donde 0
simplemente significa que la ruta de H tiene una longitud 0 y H solo identifica al nodo
de salida.
Tan pronto cuando todos los nodos tengan etiqueta permanente se termina el proceso.
Ejercicio:

En la siguiente red encontrar la ruta mas corta desde H hacia los dems nodos de la red.

133

1,H

4,1

1
3
5

4,3

6,4

5,4

0,H

3
1

5,3

2,H

CONSTRUCCION DE LA RUTA MAS CORTA A TODAS LAS

LOCALIDADES.

NODO

RUTA MAS CORTA DISTANCIA

1
2
3
4
5
6
7

DESDE H
H-1
H-3-2
H-3
H1-4
H14-5
H-3-6
H14-7

1
4
2
4
6
5
5

134

BLIOGRAFIA.
Barsov, A,S. Que es la programacin lineal? Mxico, Ed. Limusa, 1980

Shamblin J., Stevens G. Investigacin de Operaciones. Bogot, Ed. Mc. Graw Hill,
1977

Espinoza, Hctor. Programacin Lineal. Mxico, Ed. Galve, 1980

Eppen, Gould, Schmidt. Investigacin de Operaciones en la Ciencia Administrativa,
Mxico, Ed. Prentice Hall, 1996
Taha, Investigacin de Operaciones, Mxico, Ed. Alfaomega, 1996