Universidad de sotavento, a.c.

Antologa de
Investigacin de operaciones 1

PRESENTA
L.A. JUAN CARLOS PALMA MOLINA
CONTENIDO

1. INTRODUCCIN
ORIGEN Y NATURALEZA DE LA INVESTIGACIN DE OPERACIONES
MODELOS APLICADOS EN LA INVESTIGACIN DE OPERACIONES
METODOLOGA DE LA INVESTIGACIN DE OPERACIONES
2. MODELO DE PROGRAMACIN LINEAL
CONCEPTO DE PROGRAMACIN LINEAL
MTODOS DE SOLUCIN
MTODO GRFICO
MTODO DUAL-SMPLEX
MODELO DE TRANSPORTE
MODELO DE ASIGNACIN
3. ADMINISTRACIN DE PROYECTOS
CPM Y PERT
4. MODELOS DE INVENTARIO
MODELOS DETERMINSTICOS
MODELOS PROBABILSTICOS
5. RBOL DE DECISIONES
6. CADENAS DE MARKOV

INTRODUCCIN

La investigacin de operaciones es una excelente tcnica de enfoque matemtico que ayuda en

forma contundente a la toma de decisiones.
Por ser una tcnica que implica cierto conocimiento y habilidades matemticas, puede crear
cierto temor en los tomadores de decisiones por la infundada creencia de la complejidad de las
ciencias exactas.
Sin embargo, llevada a la prctica en la cotidianidad de los trabajos, resulta ser una herramienta
maravillosa que nos permitir la adecuacin y optimizacin de los recursos con los que
trabajemos.
La esencia de la investigacin de operaciones radica en la maximizacin de los resultados y la
minimizacin de los costos o gasto, es decir, la optimizacin, con el obvio resultado de mayores
utilidades para las empresas con los menores esfuerzos.
Hago un exhorto a los catedrticos y alumnos que tengan que ver con esta materia a que en
verdad la tomen en forma muy seria y no como una materia de relleno, pues considero que los
administradores del futuro tendrn que ahondar en este tipo de herramientas para la planeacin
y toma de decisiones.
En esta antologa veremos temas como el origen y evolucin de la Investigacin de
Operaciones y su metodologa. Conoceremos cules son los modelos de programacin lineal
ms usuales. Tambin nos involucraremos con temas relacionados con la administracin de
proyectos y los modelos de inventarios. Por ltimo conoceremos y aplicaremos rboles de
decisiones y las cadenas de Markov.

UNIDAD 1. INTRODUCCIN

ORIGEN Y NATURALEZA DE LA INVESTIGACIN DE OPERACIONES

En los ltimos aos ha habido una tendencia creciente a aplicar tcnicas cuantitativas a la
resolucin de muchsimos problemas gerenciales. Este movimiento se llama a veces
investigacin de operaciones, o ciencia administrativa y se ha descrito como la aplicacin de
mtodos y tcnicas e instrumentos cientficos a la resolucin de problemas relativos a la
operacin de sistemas de modo de ofrecer a los que controlan el sistema las soluciones
ptimas. Se relaciona con el enfoque de sistemas puesto que su objetivo principal es dar a los
administradores de la empresa una base cientfica para resolver complejos problemas
organizacionales en forma tal que se satisfagan los intereses de la empresa como un todo, El
uso de la ciencia administrativa comprende la aplicacin de tcnicas cuantitativas y el desarrollo
de un modelo. Este modelo. Este modelo a menudo se basa en un computador y no slo ayuda
al gerente a llegar a las soluciones ptimas de su problema sino que le permite resolver el
mismo problema como cuestin de rutina y en circunstancias cambiantes. Thierauf observa que:
Una vez que el problema ha sido programado, ya no es necesario que el gerente dedique a su
solucin tanto tiempo ni pensamiento. En lugar de verse abrumado con las decisiones de rutina
de su departamento, puede ahora trasladar stas al sistema de informacin administrativa del
computador. De este modo los gerentes de nivel bajo y medio pueden ya destinar su tiempo a
planear para sus respectivas reas, adiestrar a su personal y tal vez controlar sus respectivos
oficios.
Por ejemplo, el especialista en ciencia administrativa podra desarrollar un modelo de control d
e inventarios que tomara en consideracin variables tan distintas como la proyeccin de ventas,
la proyeccin de poder adquisitivo, y el costo de materias primas. Este modelo podra permitir al
gerente calcular en adelante las cantidades ptimas como cuestin de rutina, a pesar de que
variables tan bsicas como la proyeccin de ventas cambien con el tiempo.
La idea de aplicar la metodologa cientfica y el anlisis cuantitativo a los grandes problemas de
administracin, no es nueva, ya que los economistas, desde el siglo XVIII, propusieron modelos
matemticos primitivos de programacin. Sin embargo el primer uso de la investigacin
operacional organizada ocurri durante la batalla de Inglaterra en 1941. Las fuerzas militares
britnicas haban pedido a varios equipos de cientficos que analizaran y resolvieran diversos
problemas, inclusive el uso ptimo del radar y la colocacin de cargas de profundidad
antisubmarinas. Los militares hallaron pronto que los cientficos, aplicando el mtodo cientfico y
el anlisis cuantitativo, haban aumentado la eficiencia militar hasta tal punto que rpidamente
se organizaron otros equipos cientficos.

MODELOS APLICADOS EN LA INVESTIGACIN DE OPERACIONES

Modelos. La construccin de un modelo se ha descrito como la esencia del enfoque de
investigacin de operaciones y como la contrapartida de los experimentos de laboratorio en las
ciencias fsicas. Un modelo es una representacin simplificada de la situacin u objeto reales, y
en la investigacin de operaciones el modelo es casi siempre matemtico.
El modelo contiene nicamente las caractersticas ms importantes y bsicas del sistema real
que representa. Aunque tiene que formularse de manera que capte lo esencial del problema de
toma de decisiones, no debe incluir detalles secundarios que podran menoscabar la efectividad
de su utilizacin. Por ejemplo al levantar un mapa de carreteras necesitaramos incluir

suficientes caminos y vas arterias para hacerlo til; pero si furamos a poner todas las casas
que estn a lo largo de los caminos, la utilidad del mapa se disminuira. Un ejemplo muy
sencillo es un modelo de control de inventarios que usan muchos administradores para
determinar las cantidades econmicas de pedidos. El modelo bsico es:
______
Q* = 2 DC
-------en donde
C
D
C
C
Q*

= Requisitos anuales de materiales

= Costos de adquisicin por pedido
= Costos de tener en inventario por unidad por ao
=Cantidad econmica de pedido

Una vez elaborado el modelo, el gerente de inventario podra usarlo para calcular en forma
rutinaria las cantidades ms econmicas que debe pedir de los distintos artculos que
componen sus existencias; naturalmente la cantidad correspondiente a cada mes cambiar
segn varen los requisitos anuales de materiales y los costos de adquisicin y de tener los
artculos en inventario.

METODOLOGA DE LA INVESTIGACIN DE OPERACIONES

La investigacin de operaciones comprende la aplicacin del mtodo cientfico a los problemas
gerenciales, as que debemos revisar brevemente este mtodo. En su esencia, la ciencia es la
actividad que realiza observaciones del mundo real y trata de explicarlas en relacin las unas
con las otras, construyendo generalizaciones que se llaman modelos o teoras. Las
observaciones mismas son los experimentos.
Sobre la base de sus observaciones, el hombre de ciencia elabora una hiptesis, que es una
idea de ensayo sobre la naturaleza de la observacin o sus relaciones con otras. Las
predicciones hachas sobre la base de la hiptesis pueden ponerse a prueba mediante nuevos
experimentos controlados. En realidad el ciclo no tiene fin: se disea un experimento, se forma
una hiptesis se hacen nuevas predicciones, se practican nuevos experimentos, la hiptesis se
vuelve a evaluar, y as sucesivamente. El punto importante es que cuando el cientfico hace una
observacin que no est de acuerdo con su hiptesis, llega a la conclusin de que, o bien la
hiptesis o la observacin estaban equivocadas. Si despus de volver a disear el experimento
llega a la conclusin de que la observacin es vlida, entonces descarta la hiptesis o la
modifica para ponerla de acuerdo con su nueva observacin. As pues, la hiptesis se estn
refinando y mejorando constantemente.
Una vez que un gran nmero de observaciones y experimentos han apoyado la hiptesis, sta
se convierte en una teora o principio general. Una buena teora crece y pone en relacin
hechos distintos a medida que se van conociendo. Empero, es sorprendente que haya tan
pocas teoras inatacables, aun en las ciencias fsicas, hecho que muchos cientficos del
comportamiento parecen olvidar. Aun en las ciencias fsicas, donde las condiciones
experimentales son relativamente controlables, es raro que el cientfico pueda quedar ms
razonablemente seguro de que X es la causa de Y. Al aplicar el mtodo cientfico a las
decisiones gerenciales, el problema es ms agudo an. Como lo dice Wagner, para adoptar la
investigacin de operaciones, una compaa tiene que estar convencida de que la aplicacin

del mtodo cientfico es pertinente al anlisis de las decisiones gerenciales. Por tanto, hasta
cierto punto la aplicacin de estas tcnicas a la solucin de los problemas administrativos es un
acto de fe. Wagner dice:
Es raro que una compaa pueda llevar a cabo lo que la mayora de las personas
consideraran un verdadero experimento cientfico para poner a prueba el mrito de
una solucin de investigacin de operaciones, Pinsese en una compaa que se
propone usar un modelo matemtico para llegar a su plan anual de operaciones. Como
el ambiente econmico de la empresa vara de un ao a otro, nunca puede repetir
exactamente la historia, y por consiguiente nunca puede probar indiscutiblemente que la
solucin modelo producir una mejora en comparacin con el actual enfoque de
planeacin de la compaa.
La metodologa de la investigacin de operaciones sigue la del mtodo cientfico. Churchman y
sus colaboradores dicen que el procedimiento de la ciencia administrativa se puede dividir en
los siguientes pasos:
1.
2.
3.
4.
5.
6.

Formular el problema
Construir un modelo matemtico que represente el sistema estudiado
Derivar de este modelo una solucin
Poner a prueba el modelo y la solucin
Establecer controles para la solucin
Poner en prctica la solucin

UNIDAD 2. MODELO DE PROGRAMACIN LINEAL

CONCEPTO DE PROGRAMACIN LINEAL

Programacin lineal. La programacin lineal es una tcnica de investigacin de operaciones
que ayuda al administrador a determinar la asignacin ptima de los recursos limitados de su
empresa. Estos problemas de asignacin de recursos se presentan cuando quiera que es
preciso llevar a cabo varias actividades pero existen limitaciones en cuanto a la cantidad de
recursos o en cuanto a la manera como se pueden gastar. Cuando slo hay unas pocas
posibilidades de accin-por ejemplo, cuando una compaa que slo tiene dos fbricas quiere
servir a tres o cuatro clientes con el mnimo costo posible de fletes, cualquier programador
competente puede llegar rpidamente a la respuesta correcta. Empero, el nmero de variables
es mayor, el problema de encontrar el mejor patrn de despachos podra fcilmente absorber
das o semanas del tiempo de un ejecutivo.
Para que un problema sea susceptible de solucin por esta tcnica, es necesario que rena las
siguientes caractersticas:
1. Un criterio especificado objetivo. Ejemplos tpicos seran utilidades o minimizar
costos de embarque
2. Recursos limitados con usos alternos. Los recursos limitados pueden ser:
Fbricas, materias primas, dinero, maquinaria, personal.
3. El problema tiene que ser cuantificable.
4. Linealidad. Todas las relaciones del problema tienen que ser proporcionales. Por
ejemplo, un aumento de un 5% en la distancia de despacho tiene que causar un
incremento proporcional de costos.
Para comprender mejor el uso de la programacin lineal, podemos observar algunos ejemplos
de problemas susceptibles de solucin por esta tcnica.
Distribucin. Una compaa tiene tres bodegas y cinco tiendas. En total las bodegas
tienen un excedente de 30 unidades de un artculo dado, y las seis tiendas necesitan
entre todas 30 unidades del mismo artculo. Se conoce el excedente especfico de cada
bodega lo mismo que las necesidades de cada tienda. La programacin lineal puede
usarse en este caso para determinar la cantidad de excedentes que se debe despachar
de cada una de las bodegas a cada una de las tiendas, a fin de minimizar los costos de
distribucin.
Problemas de mezcla de producto. La compaa fabrica dos tipos de bolsas de
cuero. La bolsa A es de alta calidad y la bolsa B es de calidad inferior. Las utilidades
respectivas son $4 y $3 por bolsa. Cada bolsa de tipo A requiere el doble de tiempo para
su fabricacin que las del tipo B, y si ambas fueran del tipo B, la compaa podra
fabricar 500 al da. La cantidad de cuero de que se dispone slo alcanza para 400 bolsas
por da (de A y B combinadas). La bolsa A requiere una hebilla de fantasa y de stas
slo hay disponibles 200 diarias. Hay slo 400 hebillas diarias para las bolsas B. La
programacin lineal se puede usar en este caso APRA determinar el nmero de bolsas A
y B que se deben producir para maximizar las utilidades.
Utilizacin de mquinas. Un fabricante quiere producir determinada cantidad de
seis piezas diferentes, A y F, y dispone para ello de cuatro mquinas, de 1 a 4.
Cualquiera de las mquinas puede producir cualquiera de las piezas, pero la velocidad
de operacin, que es conocida, es distinta. Si la mquina 2 fuera ms lenta que la
mquina 1 por el mismo porcentaje en todas las piezas, y lo mismo fuera cierto de las

mquinas 3 y 4, el problema no sera muy complejo, pero en este caso la inferioridad de

una mquina depende de la pieza que se vaya a fabricar. Se conoce el costo variable por
hora ( de mano de obra directa, energa, etc.) de cada mquina. Tambin conocemos el
volumen requerido de produccin de cada pieza sobre una base semanal. Todas las
mquinas pueden trabajar 40 horas a la semana. Aqu la programacin lineal se puede
aplicar para determinar un programa de produccin que garantice el volumen requerido
al mnimo costo posible.
La programacin lineal se ha usado tambin con xito para resolver muchos otros problemas,
inclusive: destino de personal, rotacin ptima de cosechas, patrones ptimos de bombardeo,
diseo de sistemas de armamentos, y polticas ptimas de compras. Sin embargo, el poder de
la programacin lineal no est solamente en su capacidad para producir soluciones ptimas en
gran diversidad de problemas, sino, lo que es igualmente importante, en que permite a los
administradores programar la solucin de problemas complejos y por consiguiente delegar
dicha solucin y la administracin de ella al personal subalterno:
En efecto, muchos de estos problemas complejos y que consumen tanto tiempo se pueden
resolver hoy por la programacin matemtica. Los procedimientos puramente rutinarios que
comprenden se pueden delegar sin peligro al personal subalterno o a un computador mecnico.

MTODOS DE SOLUCIN
En esta seccin se presenta un modelo sencillo de PL con dos variables de decisin y se
muestra cmo se puede resolver grficamente. Si bien es cierto que una solucin grfica
bidimensional casi no tiene utilidad en situaciones reales (las cuales normalmente comprenden
cientos o miles de variables y restricciones), el procedimiento ofrece una excelente oportunidad
para entender cmo funciona el proceso de optimizacin en la PL. Tambin permite presentar el
concepto de anlisis de sensibilidad de manera lgica y comprensible.

Ejemplo (Reddy Mikks Company)

Reddy Mikks Company posee una pequea fbrica de pinturas para interiores y exteriores de
casas para su distribucin al mayoreo. Se utilizan dos materiales bsicos, A y B, para producir
las pinturas. La disponibilidad mxima de A es de 6 toneladas diarias; la de B es de 8 toneladas
por da. La necesidad diaria de materia prima por tonelada de pintura para interiores y
exteriores se resumen en la tabla que sigue:
Toneladas de materia prima
por tonelada de pintura

Materia prima A
Materia prima B

Exterior
1
2

Interior
2
1

Disponibilidad
mxima (toneladas)
6
8

Un estudio del mercado ha establecido que la demanda diaria de pintura para interiores no
puede ser mayor que la de pintura para exteriores en ms de una tonelada. Asimismo, el
estudio seala que la demanda mxima de pintura para interiores est limitada a dos toneladas
diarias.

El precio al mayoreo por tonelada es $3 000 para la pintura de exteriores y $2 000 para la
pintura de interiores.
Cunta pintura para exteriores e interiores debe producir la compaa todos los das para
maximizar el ingreso bruto?

Construccin del modelo matemtico

La construccin de un modelo matemtico se puede iniciar respondiendo a las tres preguntas
siguientes:
1. Qu busca determinar el modelo? Dicho de otra manera, cules son las variables
(incgnitas) del problema?
2. Qu restricciones deben imponerse a las variables a fin de satisfacer las
limitaciones del sistema representado por el modelo?
3. Cul es el objetivo (meta) que necesita alcanzarse para determinar la solucin
ptima (mejor) de entre todos los valores factibles de las variables?
Una manera efectiva de responder a estas preguntas consiste en hacer un resumen verbal del
problema. En trminos del ejemplo de Reddy Mikks, la situacin se describe en la forma
siguiente:
La compaa busca determinar las cantidades (en toneladas) de pintura para exteriores e
interiores que se producirn para maximizar (incrementar hasta donde sea factible) el ingreso
bruto total (en miles de unidades monetarias), a la vez que se satisfacen las restricciones de la
demanda y el uso de materias primas.
El punto capital del modelo matemtico consiste en identificar, en primer trmino, las variables y
despus expresar el objetivo y las restricciones como funciones matemticas de las variables.
Por lo tanto, en relacin con el problema de Reddy Mikks, tenemos lo siguiente:

Variables. Como deseamos determinar las cantidades de pintura para exteriores e interiores
que se producirn, las variables del modelo se pueden definir como:

XE =
X1 =

toneladas de pintura para exteriores producidas diariamente

toneladas de pintura para interiores producidas diariamente

Funcin objetivo. Como cada tonelada de pintura para exteriores se vende en $3000, el
ingreso bruto obtenido de la venta de XE toneladas es 3XE miles de unidades monetarias. En
forma anloga, el ingreso bruto que se obtiene de vender X1 toneladas de pintura para
interiores es de 2X1 miles de unidades monetarias. Bajo la suposicin de que las ventas de
pintura para exteriores e interiores son independientes, el ingreso bruto total se convierte en la
suma de los dos ingresos.
Si hacemos que Z represente el ingreso bruto total (en miles de unidades monetarias), la
funcin objetivo se puede escribir matemticamente como Z = 3XE + 2X1. La meta consiste
en determinar los valores (factibles) de XE y X1 que maximizarn este criterio.

Restricciones. El problema de Reddy Mikks impone restricciones sobre el uso de materias

primas y sobre la demanda. La restriccin del uso de materias primas se puede expresar en
forma verbal como:

Uso de materias primas

en ambas pinturas

Disponibilidad mxima de
Materias primas

Esto nos lleva a las restricciones que siguen (vanse los datos del problema):
XE + 2X1 6 (materia prima A)
2XE + X1 8 (materia prima B)
Las restricciones sobre la demanda se expresan en forma verbal como:
Cantidad en exceso de
pinturas para interiores
sobre exteriores

Tonelada por da

Demanda de pintura
para interiores

Toneladas por da

Matemticamente, stos se expresan, respectivamente, como:

X1 -- XE
XE

1 (exceso de pintura para interiores sobre pintura para exteriores)

2 (demanda mxima para pintura de interiores)

Una restriccin implcita (o sobreentendida) es que la cantidad que se produce de cada pintura
no puede ser negativa (menor que cero). Para evitar obtener una solucin como sta,
imponemos las restricciones de no negatividad, que normalmente se escriben como:
X1
XE

0
0

(pintura para interiores)

(pintura para exteriores)

Los valores de las variables XE y X1 se dice constituyen una solucin factible si satisfacen
todas las restricciones del modelo, incluyendo las restricciones de no negatividad.
El modelo matemtico completo para el problema de Reddy Mikks se puede resumir ahora de
la manera siguiente:

Determnense las toneladas de pinturas para interiores y exteriores que se

producirn para
Maximizar
Sujeto a

Z = 3XE + 2X1

XE + 2X1
2XE + X1
--XE + X1
X1
XE 0, X1

6
8
1
2
0

(funcin objetivo)

(restricciones)

Qu hace que este modelo sea un programa lineal? Tcnicamente, es un programa lineal
porque todas sus funciones (restricciones y objetivo) son lineales. La linealidad implica que se
cumplen las propiedades de proporcionalidad y de actividad.
1. L proporcionalidad requiere que la contribucin de cada variable (por ejemplo, X E y
X1) en la funcin objetivo o su uso de los recursos sea directamente proporcional al
nivel (valor) de la variable. Por ejemplo, si Reddy Mikks Company ofrece vender la
tonelada de pintura para exteriores en $2500 cuando las ventas sean superiores a
dos toneladas, no ser cierto que cada tonelada de pintura producir un ingreso de
$3000; puesto que generar $3000 por tonelada para XE 2 toneladas y $2500
por tonelada para XE > 2 toneladas. Esta situacin no satisface la condicin de
proporcionalidad directa con XE.
2. La aditividad requiere que la funcin objetivo sea la suma directa de las
contribuciones individuales de las variables. En forma anloga, el primer miembro o
lado izquierdo de cada restriccin debe ser la suma de los usos individuales de cada
variable del recurso correspondiente. Por ejemplo, en el caso de dos productos en
competencia, donde un aumento en el nivel de ventas de un producto afecta
contrariamente al del otro, los dos productos no satisfacen la propiedad de aditividad.

MTODO GRFICO
En esta seccin consideraremos la solucin del modelo de programacin lineal (PL) de Reddy
Mikks. El modelo se puede resolver en forma grfica porque slo tiene dos variables. Para
modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. No obstante,

podremos deducir conclusiones generales del mtodo grfico que servirn como la base para el
desarrollo del mtodo de solucin general.
El primer paso del mtodo grfico consiste en graficar las soluciones factibles, o el espacio de
soluciones (factible) , que satisfaga todas las restricciones en forma simultnea. La fig. 2-1
representa el espacio de soluciones que se requiere. Las restricciones de no negatividad X E
0 y x 0 confinan todos los valores factibles al primer cuadrante (que est definido por el
espacio arriba de o sobre el eje de x y a la derecha de o sobre el eje x .
El espacio encerrado por las restricciones restantes se determina sustituyendo en primer
trmino () por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta.
Despus se traza cada lnea recta en el plano (X, X) y, la regin en la cual se encuentra cada
restriccin cuando se considera la desigualdad, lo indica la direccin de la flecha situada sobre
la lnea recta asociada. Una manera fcil de determinar la direccin de la flecha es usar el
origen (0,0) satisface la desigualdad X + X 1, lo que significa que la desigualdad es
factible es factible en el semi-espacio que incluye al origen. Aplicando este procedimiento a
nuestro ejemplo, especificamos el espacio de soluciones ABCDEF mostrado en la fig. 2-1.
Para obtener la solucin ptima (mxima), desplazamos la recta del ingreso cuesta arriba
hasta el punto donde cualquier incremento adicional en el ingreso producira una solucin
infactible. La fig. 2-2 ilustra que la solucin ptima ocurre en el punto C. Como C es la
interseccin de las rectas
MTODO DUAL-SMPLEX
El mtodo grfico presentado anteriormente demuestra que la PL ptima siempre asociada con
un punto extremo o de esquina, del espacio de soluciones. Esta idea conduce precisamente a
la creacin del mtodo simples. Bsicamente, lo que hace el mtodo simples es trasladar la
definicin geomtrica del punto extremo a una definicin algebraica. Durante la presentacin del
mtodo smplex, deber tenerse en mente este detalle.
Cmo identifica el mtodo simples los puntos extremos en forma algebraica? Como paso
inicial, el mtodo simples necesita que cada una de las restricciones est en una forma
estndar especial, en la que todas las restricciones se expresan como ecuaciones, mediante la
adicin de variables de holgura o de exceso, segn sea necesario. Este tipo de conversin
conduce normalmente a un conjunto de ecuaciones simultneas donde el nmero de variables
excede al nmero de ecuaciones, lo que generalmente significa que las ecuaciones dan un
nmero infinito de puntos de solucin (comprese con el espacio de soluciones grficas). Los
puntos extremos de este espacio pueden identificarse algebraicamente por medio de las
soluciones bsicas del sistema de ecuaciones simultneas. De acuerdo con la teora del
lgebra lineal, una solucin bsica se obtiene igualando a cero las variables necesarias con el
fin de igualar el nmero total de variables y el nmero total de ecuaciones para que la solucin
sea nica, y luego se resuelve el sistema con las variables restantes. Fundamentalmente, la
transicin del procedimiento grfico al algebraico se basa en la validez de la siguiente relacin
importante:
puntos extremos
soluciones bsicas
Al no tener un espacio de soluciones grficas que nos gue hacia el punto ptimo, necesitamos
un procedimiento que identifique en forma inteligente las soluciones bsicas promisorias. Lo
que hace el mtodo simples, es identificar una solucin inicial y luego moverse

sistemticamente a otras soluciones bsicas que tengan el potencial de mejorar el valor de la

funcin objetivo. Finalmente, la solucin bsica correspondiente a la ptima ser identificada,
con lo que termina el proceso de clculo. En efecto, el mtodo simples es un procedimiento de
clculo iterativo donde cada iteracin est asociada con una solucin bsica.
La determinacin de una solucin bsica en el mtodo simples, implica detalles tediosos de
clculo. Tales detalles no deben distraernos de la idea fundamental del mtodo: generar
soluciones bsicas sucesivas, de manera que nos conduzcan al punto extremo ptimo. Todos
los detalles de clculo son secundarios a esta idea bsica, y as es como debemos tratarlos.
Creacin del mtodo smplex
Comenzamos con la elaboracin de la forma estndar necesaria para representar el espacio de
soluciones de la PL, por medio de un sistema de ecuaciones simultneas. El resto de la
exposicin muestra cmo se determinan selectivamente las soluciones bsicas sucesivas, con
el fin de alcanzar el punto de solucin ptima en un nmero finito de iteraciones.
Forma estndar del modelo PL
Un modelo de PL puede incluir restricciones de los tipos <, = y >. Adems, las variables pueden
ser no negativas o irrestrictas (no restringidas) en signo. Para desarrollar un mtodo de solucin
general, el problema de programacin lineal debe oponerse en un formato comn, al que
llamamos la forma estndar. Las propiedades de la forma de PL estndar son:
1. Todas las restricciones son ecuaciones [con los segundos miembros no negativos, si el
modelo se resuelve por medio del mtodo simples primal].
2. Todas las variables son no negativas.
3. La funcin objetivo puede ser la maximizacin o la minimizacin.
Como se explicar despus, la segunda propiedad que exige que todas las variables sean no
negativas, es crucial en el desarrollo de los mtodos simples (primal y dual).
Ahora demostremos cmo se puede poner cualquier modelo de PL en el formato estndar.
A. Restricciones
1. Una restriccin del tipo < (>) puede convertirse en una ecuacin mediante la suma de una
variable de holgura a (o restando una variable de exceso de) el primer miembro de la
restriccin.
Por ejemplo, en la restriccin
X1 + 2x2 < 6
Sumamos una holgura S1 > 0 al primer miembro para obtener la ecuacin
X1 + 2x1 + s1 = 6,

s1 > 0

Despus, considrese la restriccin

3x1 + 2x1 3x3 > 5
Como el primer miembro no es menor que el segundo, restamos una variable de exceso s 2 > 0
del primer miembro para obtener la ecuacin

3x1 + 2x1 3x3 s2 = 5,

s2 > 0

2. El Segundo miembro de una ecuacin puede hacerse siempre no negativo multiplicando

ambos lados por 1.
Por ejemplo, la ecuacin 2x1 + 3x2 7x3 = -5 es matemticamente equivalente a
2x1 3x2 +7x3 = +5.
3. La direccin de una desigualdad se invierte cuando ambos miembros se multiplican por 1.
Por ejemplo, dado que 2 < 4, - 2 > -4; entonces se tiene que la desigualdad 2x 1 x2 < -5 se
puede reemplazar por 2x1 + x2 > 5.
B. Variables
Una variable irrestricta (o no restringida) yi puede expresarse en trminos de dos variables no
negativas mediante el uso de la sustitucin
Yi = yi yi

yi, yi > 0

La sustitucin debe efectuarse en todas las restricciones y en la funcin objetivo. El problema

de programacin lineal normalmente se resuelve en trminos de yi y yi, de los cuales yi se
determina por sustitucin inversa. Una propiedad interesante de yi y yi es que la solucin
ptima (smplex) de PL, slo una de las dos variables puede tomar un valor positivo, pero nunca
ambas. Por lo tanto, cuando yi > 0, yi = 0 y viceversa. En el caso donde yi (irrestricta)
representa holgura y exceso, podemos considerar que yi es una variable de holgura y que yi es
una variable de exceso porque slo una de las dos puede tomar un valor positivo a la vez
C. Funcin objetivo
Aunque el modelo estndar de programacin lineal puede ser utilizado para resolver problemas
del tipo de maximizacin o de minimizacin, algunas veces sirve para convertir una forma a la
otra.
La maximizacin de una funcin equivale a la minimizacin del negativo de la misma funcin y
viceversa. Por ejemplo,
maximizar z = 5x1 + 2x2 + 3x3
es matemticamente equivalente a
minimizar (-z) = -5x1 2x2 3x3
Equivalencia significa que para el mismo conjunto de restricciones los valores ptimos de x 1, x2,
y x3 son los mismos en ambos casos. La nica diferencia es que los valores de las funciones
objetivo, pese a ser numricamente iguales, figurarn con signos opuestos.
Soluciones bsicas
Consideremos el modelo estndar de PL definido en la seccin anterior con m ecuaciones y n
incgnitas. Una solucin bsica asociada se determina haciendo n m variables iguales a cero
y luego, resolviendo las m ecuaciones con las restantes m variables, siempre que la solucin

resultante exista y sea nica. Para ilustrar esto, consideremos el siguiente sistema de
ecuaciones:
2x1 + x2 + 4x3 + x4 = 2
x1 + 2x2 + 2x3 + x4 = 3
en este ejemplo tenemos m = 2 y n = 4. Entonces, una solucin bsica est asociada con n m
= 4 2 = 2 variables nulas. Esto significa que el conjunto de ecuaciones dado tiene
n!/[m!
(n-m)!] = 4!/2!2! = 6 posibles soluciones bsicas. Decimos soluciones bsicas posibles porque
algunas combinaciones pueden no conducir en absoluto a soluciones bsicas. Por ejemplo,
considrese la combinacin donde x2 y x4 se hacen igual a cero. En este caso el sistema se
reduce a
2x1 + 4x3 = 2
x1 + 2x3 = 3
Las dos ecuaciones son inconsistentes y, por consiguientes, no existe una solucin. La
conclusin es que x1 y x3 no pueden constituir una solucin bsica y por ello, no corresponden
a un punto extremo.
En forma alternativa, consideremos el caso donde x3 y x4 se hacen igual a cero. Esto da las
ecuaciones
2x1 + x2 = 2
x1 + 2x2 = 3
La solucin nica correspondiente (x1 = 1/3, x2 = 4/3), junto con x3 = 0 y x4 = 0, define una
solucin bsica y, por lo tanto, un punto extremo del espacio de soluciones de PL.
En la PL, nos referimos a las n m variables que se hacen iguales a cero como variables no
bsicas y, a las m variables restantes como variables bsicas (por supuesto, siempre que exista
una solucin nica). Se dice que una solucin bsica es factible si todos los valores de su
solucin son no negativos. Un ejemplo de este caso es la solucin factible bsica (x 1 = 1/3, x2 =
4/3, x3 = 0, x4 = 0). Para ilustrar el caso de una solucin bsica infactible, consideremos la
combinacin donde las variables no bsicas son x1 = 0 y x2 = 0. las ecuaciones anteriores dan
4x3 + x4 = 2
2x3 + x4 = 3
La solucin bsica correspondiente es (x3 = - , x4 = 4), que es infactible porque x3 es negativa.
En la resolucin del problema de PL, nos interesarn las soluciones bsicas, tanto factibles
como infactibles. Especficamente veremos que todas las iteraciones del mtodo smplex primal
estn asociadas slo con soluciones bsicas factibles. Por otra parte, el mtodo smplex dual
trata con soluciones bsicas infactibles hasta la ltima iteracin, donde la solucin bsica
asociada debe ser factible. En esencia, el mtodo smplex primal slo trata con puntos
extremos, en tanto que en el mtodo smplex dual todas las iteraciones, excepto la ltima, estn
asociadas con puntos extremos infactibles. Al final, ambos mtodos dan soluciones bsicas
factibles como lo estipula la condicin de no negatividad del modelo de PL.

Mtodo smplex primal

El mtodo smplex primal parte de una solucin bsica factible (punto extremo) y se contina
iterando a travs de soluciones bsicas factibles sucesivas hasta alcanzar el ptimo. La figura
3-1 ilustra la aplicacin de este proceso al modelo Reddy Mikks. El proceso comienza en el
origen extremo (punto A) y se mueve a lo largo del borde AB del espacio de soluciones hasta el
punto extremo adyacente B (iteracin 1). De B se mueve a lo largo del borde BC hasta el punto
extremo adyacente C (iteracin 2), que es el ptimo. Obsrvese que el procedimiento no es
capaz de cortar a travs del espacio de soluciones (por ejemplo, de A a C) sino que siempre
debe moverse a lo largo de bordes entre puntos extremos adyacentes.
Cmo se expresa algebraicamente el procedimiento iterativo indicado antes? Todo lo que
tenemos que hacer es mostrar cmo se identifican los puntos extremos, tales como el A, B y C,
sin utilizar la grfica del espacio de soluciones. Consideremos el modelo Reddy Mikks dado
enseguida en su forma estndar:
maximizar z = 3xE + 2xI + 0s1 + 0s2 + 0s3 + 0s4
sujeto a
Maximizar z = 3xE + 2xI
sujeto a

XI

4
3

xE + 2xI < 6

2xE + xI < 8

-xE + xI < 1

xI < 2

x E , xI > 0

XE

Figura 3-1
xE + 2xI + s1
2xE + xI
+ s2
- xE + xI
+ s3
xI
+s4

=6
=8
=1
=2

xE, xI, s1, s2, s3, s4 > 0

El modelo tiene m = 4 ecuaciones y n = 6 variables. De esta manera, el nmero de variables no
bsicas 8nulas) debe ser igual a 6 4 = 2. Si escogemos x1 = 0 y x2 = 0 como las variables no
bsicas, inmediatamente, y sin ningn clculo, obtenemos la solucin bsica factible s 1 = 6, s2 =
8, s3 = 1, s4 = 2 (el punto origen A en la figura 3-1). Esta solucin bsica representa la solucin
inicial (o iteracin) del mtodo smplex. El valor objetivo correspondiente se determina

expresando la funcin objetivo en las siguiente forma 8 la que nos referiremos como la
ecuacin z):
z 3xE 2xI = 0
Puesto que xE y xI en A son cero, el valor asociado de z lo da automticamente el segundo
miembro de la ecuacin anterior ( = 0 ). La determinacin algebraica de la solucin bsica en el
modelo Reddy Mikks se debe a que:
1. cada ecuacin tiene una variable de holgura.
2. Los segundos miembros de las restricciones son no negativos.
La primera propiedad garantiza que el nmero de holguras es igual al nmero de ecuaciones.
As, las variables restantes pueden usarse como variables no bsicas (cero). Como por la
segunda propiedad los segundos miembros de las ecuaciones son no negativos, la solucin
bsica resultante es automticamente factible, como se necesita en el mtodo smplex primal.
El siguiente paso lgico a la identificacin de la solucin inicial, es investigar el desplazamiento
a una nueva solucin bsica. Desde el punto de vista de la optimizacin, nos interesa pasar a
otra solucin bsica, slo si podemos discernir mejoras en el valor de la funcin objetivo.
Primero, tngase en cuenta que una nueva solucin bsica se asegura slo al hacer bsica, por
lo menos, una de las variables actuales no bsicas (cero). En el mtodo smplex se hace el
cambio de las variables no bsicas, una a la vez. Intuitivamente, tal variable no bsica puede
llevarse a la solucin slo si mejora el valor de la funcin objetivo. En trminos del modelo
Reddy Mikks, xE y xI son bsicas (=0) en A. Observando la ecuacin z objetivo
Z 3xE 2xI = 0
Constatamos que un incremento unitario de xE aumentar a z en 3 y, un incremento unitario de
xI, acrecentar a z en 2. Puesto que se trata de una maximizacin, cualquiera de las dos
variables puede mejorar el valor objetivo. Sin embargo, para generar una regla no ambigua de
clculo, el mtodo smplex utiliza un procedimiento heurstico; o sea, en el caso de una
maximizacin, la variable no bsica seleccionada es aquella con el coeficiente ms negativo en
la ecuacin z objetivo. Utilizando tal procedimiento heurstico, se espera (pero no se garantiza),
que el mtodo smplex produzca los saltos mximos en el valor al pasar de una iteracin a
otra, alcanzando as el ptimo en el menor nmero de iteraciones. La aplicacin de esta
condicin al modelo Reddy Mikks da como resultado considerar a x E como la variable que entra,
o variable entrante.
La nueva solucin bsica obtenida al admitir a la variable que entra, debe incluir exactamente m
variables bsicas. Esto significa que una de las variables bsicas actuales debe salir de la
solucin. En el ejemplo Reddy Mikks, la variable que sale o variable saliente debe ser una de
las variables s1, s2, s3 o s4. observando la figura 3-2, notamos que el valor de la variable entrante
en la nueva solucin corresponde al punto B. Cualquier incremento ms all de este punto nos

situar fuera del espacio factible. De acuerdo con la definicin de las restricciones, esto significa
que s2 8asociada con la restriccin 2) ser igual a cero, lo que indica que s 2 es la variable
saliente.
Podemos seleccionar la variable saliente, directamente a partir de las ecuaciones de restriccin,
calculando las intersecciones no negativas de todas las restricciones con el eje xE. La menor de
tales intersecciones identificar la variable saliente. En el modelo Reddy Mikks slo las
restricciones 1 y 2 intersecan al eje xE en la direccin positiva; estas intersecciones son iguales
a 6/1 = 6 y 8/2 = 4, respectivamente. Como la menor interseccin (=4) est asociada con la
segunda restriccin, la variable bsica s2 debe salir de la solucin.
Cmo podemos automatizar el proceso de seleccionar la variable saliente, sin ayuda del
espacio e soluciones grficas? Lo nico que se tiene que hacer es calcular las intersecciones
de las restricciones con el eje xE, como la razn del segundo miembro al coeficiente de
restriccin correspondiente de xE, o sea
interseccin de la restriccin 1 = 6/1 = 6
interseccin de la restriccin 2 = 8/2 = 4
interseccin de la restriccin 3 = 1/-1 = -1
interseccin de la restriccin 4 = 2/0 = infinito
Las primeras tres intersecciones se indican en la figura 3-2. la cuarta interseccin no puede
mostrarse porque la restriccin 4 es paralela al eje x E. No nos interesa la tercera interseccin
porque es negativa, lo que significa que la tercera restriccin no limita a x E en la direccin
positiva. Tampoco estamos interesados en la restriccin 4, ya que sta no interseca al eje xE en
algn punto. Esto slo deja las intersecciones 1 y 2, concluyndose que s2 debe ser la variable
saliente. En un sentido mecnico, podemos automatizar el proceso anterior considerando slo
aquellas restricciones que tiene coeficientes de restriccin estrictamente positivos para la
variable entrante.
Los procedimientos presentados antes para seleccionar las variables entrantes y salientes se
denominan condiciones de optimidad y factibilidad. Ntese que la condicin de factibilidad
(interseccin mnima) es igualmente aplicable tanto a problemas de maximizacin como de
minimizacin. Por otra parte, la condicin de optimidad para el problema de minimizacin difiere
a que la variable entrante est asociada
con el coeficiente no bsico ms positivo 8en
3
comparacin con el ms negativo en el caso de maximizacin).
XI

Figura 3-2

C
F
2
B

XE = 8/2 = 4
XE = 6/1 = 6

Maximizar z = 3xE + 2xI

sujeto a

xE + 2xI < 6
XE

2xE + xI < 8
-xE + xI < 1
xI < 2
x E , xI > 0

XE = 1/-1 = -1

Ejemplo
Usaremos el modelo Reddy Mikks para explicar los detalles de clculo del mtodo simplex
primal. Esto exigir expresar el problema en la forma estndar. Una manera conveniente de
resumir las ecuaciones es por medio de la siguiente tabla:
Bsica
z
s1
s2
s3
s4

z
1
0
0
0
0

xE
-3
1
2
-1
0

xI
-2
2
1
1
1

s1
0
1
0
0
0

s2
0
0
1
0
0

s3
0
0
0
1
0

s4
0
0
0
0
1

Solucin
0
6
8
1
2

ecuacin z
ecuacin s1
ecuacin s2
ecuacin s3
ecuacin s4

Esta tabla corresponde a la solucin bsica inicial del modelo. La informacin en la tabla se lee
de la siguiente manera. La columna bsica identifica las variables bsicas actuales s 1, s2, s3 y
s4, cuyos valores se dan en la columna solucin. Esto supone implcitamente que las variables
no bsicas xE y xI (aquellas no presentes en la columna bsica) tienen valor cero. El valor
correspondiente de la funcin objetivo es z = 3 x 0 + 2 x 0 + 0 x 6 + 0 x 8 + 0 x 1 + 0 x 2 = 0,
como se muestra en la columna solucin.
Al aplicar la condicin de optimidad, xE tiene el coeficiente ms negativo en la ecuacin z y por
ello, se escoge como la variable entrante. La condicin de factibilidad muestra que s 2
corresponde a la menor interseccin, por lo que deber salir de la solucin.
Despus de identificar las variables entrantes y salientes, necesitamos determinar la nueva
solucin bsica que debe incluir ahora a s 1, xE, s3, y s4. esto se logra aplicando el mtodo de
eliminacin de Gauss-Jordan. El mtodo comienza identificando la columna debajo de la
variable entrante xE como la columna entrante o de entrada. El rengln asociado con la variable
saliente se denominar ecuacin pivote, y el elemento en la interseccin de la columna de
entrada y la ecuacin pivote se denominar elemento pivote. La siguiente tabla resume estas
definiciones:

Ecuacin
pivote

Bsica
z
s1
s2
s3
s4

z
1
0
0
0
0

xE
-3
1
2
-1
0

xI
-2
2
1
1
1

s1
0
1
0
0
0

s2
0
0
1
0
0

s3
0
0
0
1
0

s4
0
0
0
0
1

Solucin
0
6
8
1
2

Intersecciones xE
(razones)
6/1 = 6
8/2 = 4

Elemento pivote

Con el mtodo gauss-Jordan se efecta un cambio de base empleando dos operaciones de

clculo:
1. Ecuacin pivote:
nueva ecuacin pivote = ecuacin pivote
2. Las dems ecuaciones, incluyendo z
nueva ecuacin = (ecuacin anterior) -

elemento pivote
(coeficientes
de la columna
entrante)

X (nueva ecuacin pivote)

Estos dos tipos de operaciones de clculo necesariamente generan la nueva solucin bsica, al
sustituir la variable entrante en todos los renglones, excepto en la ecuacin pivote.
Al aplicar los clculos del tipo 1 a la tabla anterior, dividimos la ecuacin s 2 entre el elemento
pivote 2. Como xE toma el lugar de s2 en la columna bsica, los clculos del tipo 1 cambiarn la
tabla inicial como se muestra a continuacin.

Bsica
z
s1
XE
s3
s4

xE

xI

s1

s2

s3

s4

Solucin

1/2

1/2

8/2 = 4

Ntese que la columna solucin da el nuevo valor de xE (=4), que es igual a la razn mnima
de la condicin de factibilidad.

Para completar la tabla, realizamos los siguientes clculos de tipo 2.

1. Ecuacin z:
ecuacin z anterior:

(1

-3

-2

0)

-(-3) x nueva ecuacin pivote:

= nueva ecuacin z:

(0
(1

3
0

3/2
-1/2

0
0

3/2
3/2

0
0

0
0

12)
12)

(0
(0
(0

1
-1
0

2
-1/2
3/2

1
0
1

0
-1/2
-1/2

0
0
0

0
0
0

6)
-4)
2)

(0
(0
(0

-1
1
0

3/2

0
0
0

1
0
1

0
0
0

1)
4)
5)

2. ecuacin s1:
ecuacin s1 anterior:
-(1) x nueva ecuacin pivote:
= nueva ecuacin s1:

3. Ecuacin s3:
ecuacin s3 anterior:
-(-1) x nueva ecuacin pivote:
= nueva ecuacin s3:

4. Ecuacin s4. La nueva ecuacin s4 es la misma que la ecuacin s 4 anterior porque su

coeficiente de la columna de entrada es cero.
Por lo tanto, la nueva tabla completa se ve como sigue:
Bsica
Z

z
1

xE
0

xI
-1/2

s1
0

s2
3/2

s3
0

s4
0

Solucin
12

s1

3/2

-1/2

xE

s3

3/2

s4

intersecciones x1
(razones)
2
4

3/ 2 3
4
8
1/ 2
5
10

3/ 2
3
2/1=2

La nueva solucin resulta ser xE = 4 y xI = 0 (punto B en la figura 3-2). El valor de z ha

aumentado de 0 a 12. El incremento se debe a que cada incremento unitario en xE aumenta 3 al
valor de z; por lo tanto, el incremento total en z es 3 x 4 = 12.
Ntese que la nueva tabla tiene las mismas propiedades que la anterior; es decir, cuando se
igualan a cero las variables no bsicas x I y s2, los valores de las variables bsicas se dan de
inmediato en la columna de soluciones. Esto es precisamente lo que hace el mtodo GaussJordan.
Examinando la ltima tabla, la condicin de optimidad selecciona x i como la variable que entra
debido a que su coeficiente en z es 1/2. Por lo tanto, la condicin de factibilidad demuestra
que si es la variable que sale. Las razones que se presentan en la ltima tabla indican que x i
introduce como solucin bsica el valor 4/3 (= razn mnima), con lo que se mejora el valor de
la funcin objetivo en (4/3) x (1/2) = 2/3. Las siguientes operaciones de Gauss-Jordan
producirn la nueva tabla:
(i)
(ii)
(iii)
(iv)

Nueva ecuacin pivote (s1) = ecuacin s1 anterior (3/2)

Nueva ecuacin z = ecuacin z anterior (-1/2) x nueva ecuacin pivote.
Nueva ec. XE = ec. XE anterior (1/2) x nueva ec. pivote.
Nueva ec. S3 = ec. S3 anterior (3/2) x nueva ec. pivote.

(v)

Nueva ec. S4 = ec. S4 anterior (1) x nueva ec. pivote.

Esto clculos nos llevan a la tabla siguiente:

Bsica
z
X1
XE
S3
S4

z
1
0
0
0
0

xE
0
0
1
0
0

xI
0
1
0
0
0

s1
1/3
2/3
-1/3
-1
-2/3

s2
4/3
-1/3
2/3
1
1/3

s3
0
0
0
1
0

s4
0
0
0
0
1

Solucin
12 2/3
4/3
10/3
3
2/3

ecuacin z
ecuacin s1
ecuacin s2
ecuacin s3
ecuacin s4

La solucin da como resultado xE = 3 1/3 y xI = 1 1/3 (punto C en la figura 3-2. el valor de z ha

aumentado de 12 en la tabla anterior a 12 2/3. El incremento (12 2/3 12) = 2/3 es el resultado
de que xI aumente de 0 a 4/3, donde cada incremento de una unidad contribuye en a la
funcin objetivo. Por lo tanto, el incremento total en z es igual a (4/3) x (1/2) = 2/3.
La ltima tabla es ptima porque ninguna de las variables no bsicas tiene un coeficiente
negativo en la funcin z. Esto completa los clculos del mtodo smplex.
Mtodo smplex dual
Existe una clase de problemas de PL que no tienen una solucin factible inicial con slo
holguras, pero que pueden resolverse sin utilizar variables artificiales. El procedimiento para
resolver esta clase de problemas se llama mtodo smplex dual. En este mtodo la solucin
comienza siendo factible y ptima (en comparacin con el smplex primal que comienza siendo
factible, pero no ptimo). Mostraremos primero la idea del mtodo smplex dual en forma grfica
y luego en forma algebraica.
Consideremos el siguiente problema de PL:
Minimizar z = 3x1 + 2x2
Sujeto a
3x1 + x2 > 3
4x1 + 3x2 > 6
x1 + x 2 < 3
x1, x2 > 0
Si convertimos las restricciones a ecuaciones, aumentando variables de exceso u holgura, el
problema puede expresarse como:
Minimizar z = 3x1 + 2x2
Sujeto a
- 3x1 x2 + x3
= -3
- 4x1 3x2
+ x4
= -6
x1 + x2
+ x5 = 3
x1, x2, x3, x4, x5 > 0
La forma anterior puede considerarse como la forma estndar del mtodo smplex dual. La
conversin se hace de tal manera que todas las variables de exceso, en las restricciones,
tengan un coeficiente de + 1 multiplicando simplemente sus ecuaciones por 1. En este caso el
segundo miembro de la restriccin resulta negativo. Podemos ver inmediatamente que la
solucin bsica inicial

x3 = -3, x4 = - 6, x5 = 3
es infactible. Tambin es ptima (de hecho, mejor que ptima) porque el valor asociado de z es
cero (x1 = x2 = 0), la que no puede ser nada menor para x 1 > 0 y x2 > 0, porque todos sus
coeficientes son positivos (3 y 2). Estas condiciones iniciales son caractersticas de las que se
necesitan en la aplicacin del mtodo smplex dual.
La idea general del procedimiento smplex dual es que mientras la primera iteracin comienza
siendo factible y (mejor que) ptima, las siguientes iteraciones se mueven hacia el espacio
factible, sin perder jams su propiedad de optimidad (recurdese que el smplex regular
mantiene la factibilidad al moverse hacia la optimidad). En la iteracin donde la solucin factible
por primera vez, el proceso termina. La figura 3-3 ilustra esta idea grficamente. La solucin
comienza en el punto A (x1 = x2 = 0 y x3 = -3, x4 = -6, x5 = 3) con z = 0, que es infactible con
respecto al espacio de soluciones. La siguiente iteracin se alcanza movindose al punto B (x1
= 0, x2 = 2) con z = 4, que es an infactible. Finalmente alcanzamos el punto C (x1 = 3/5, x2 =
6/5) en donde z = 21/5. Esta es la primera vez que encontramos una solucin factible, lo que
significa que el proceso de iteracin ha terminado. Ntese que las iteraciones podran haber
procedido en el orden A
D
C en vez de A
B
C, con la misma conclusin. Veremos
ms adelante cmo el smplex dual selecciona una trayectoria especfica. Ntese tambin que
los valores de z asociados con A, B y C son 0, 4 y 4 1/5, respectivamente, lo que explica por
qu la solucin comienza en A, siendo mejor que ptima.
El lector notar que las iteraciones smplex dual continan estando asociadas con puntos
extremos, tal como en el mtodo smplex primal. Por consiguiente, las iteraciones sucesivas se
obtienen aplicando las operaciones regulares en renglones de Gauss-Jordan. La diferencia
principal entre dos procedimientos se refleja en la manera como se seleccionan las variables de
entrada y salida; esto se explicar a continuacin.
La tabla inicial para la iteracin smplex dual del ejemplo dado es como se muestra a
continuacin:
Variable saliente

Variable saliente

Bsica
z
X3
X4
X5

X1
-3
-3
-4
1

X2
-2
-1
-3
1

X3
0
1
0
0

X4
0
0
1
0

X5
0
0
0
1

Solucin
0
-3
-6
3

Esta tabla corresponde al punto A en la figura 3-3. Ntese que el rengln objetivo satisface la
condicin de optimidad (minimizacin). Tambin es infactible porque x3 y x4 resultan con valores
negativos. Estas son las condiciones (ptima e infactible) necesarias para la iteracin inicial del
mtodo smplex dual.
Como nuestro objetivo es eliminar la infactibilidad, haremos esto excluyendo de la solucin las
variables bsicas negativas. Aunque x3 (= -3) y x4 (= -6) califican para este propsito, una regla
prctica sugiere la eliminacin de la variable ms infactible (ms negativa) de entre todas las
posibles, con la esperanza de que conduzca a la solucin factible en forma ms rpida. As, en

este ejemplo seleccionamos a x4 como la variable que entra del conjunto de las variables
actuales no bsicas, con tal de que no se pierde la optimidad. Esto se logra tomando las
razones entre los coeficientes del primer miembro de la ecuacin z, y los coeficientes
correspondientes en la ecuacin de la variable saliente. Para mantener la optimidad, se
descartan las razones con denominadores positivos o cero. La variable entrante es la asociada
con la razn que tenga el valor ms pequeo. En la tabla inicial, las razones se calculan como
sigue:

Variable
Ecuacin z
Ecuacin x4
Razn

X1
-3
-4

X2
-2
-3
2/3

X3
0
0
-

X4
0
1
-

X5
0
0
-

Las razones muestran que x2 entrar en la solucin. La primer tabla de la siguiente pgina se
obtiene efectuando operaciones regulares, lo que conduce a:
Bsica

X1

X2

X3

X4

X5

Solucin

-1/3

-2/3

X3

-5/3

-1/3

-1

X4

4/3

-1/3

X5

-1/3

1/3

Razn

1/5

A continuacin x3 sale de la solucin bsica y entra x1, lo que da la siguiente tabla:

Bsica

X1

X2

X3

X4

X5

Solucin

-1/5

-3/5

21/5

X1

-3/5

1/5

3/5

X2

4/5

-3/5

6/5

X3

-1/5

2/5

6/5

Esta tabla es ahora factible y ptima. La solucin correspondiente es x 1 = 3/5, x2 = 6/5 y z =

21/5. El mtodo simples dual se aplica igualmente a problemas de maximizacin, siempre que
la solucin inicial sea ptima, pero infactible. La nica diferencia, como es de esperarse, se
presenta en la condicin para seleccionar la variable entrante, como se explica a continuacin.
Condicin de factibilidad: la variable entrante es la variable bsica con el valor ms negativo
(rompa los empates arbitrariamente). Si todas las variables bsicas son no negativas, el
proceso termina.
Condicin de optimidad: la variable entrante es la variable no bsica asociada con la razn
ms pequea, si se trata de una minimizacin, o con el valor absoluto ms pequeo de las
razones, si se trata de una maximizacin (rompa los empates arbitrariamente). Las razones se

determinan dividiendo los coeficientes del primer miembro de la ecuacin z entre los
correspondientes coeficientes negativos en la ecuacin, entre los coeficientes negativos
correspondientes en la ecuacin asociada con la variable saliente. Si todos los denominadores
son cero o positivos, no existe solucin factible.
El mtodo smplex dual, aparte de utilizarse para resolver una clase especial de problemas de
PL, es til para efectuar posoptimizaciones en el anlisis de sensibilidad y en la programacin
paramtrica.
MODELO DE TRANSPORTE
El modelo de transporte busca determinar un plan de transporte de una mercanca de varias
fuentes a varios destinos. Entre los datos del modelo se cuentan
1. Nivel de oferta en cada fuente y la cantidad de la demanda en cada destino.
2. El costo de transporte unitario de la mercanca de cada fuente a cada destino.
Como slo hay una mercanca, un destino puede recibir su demanda de una o ms fuentes. El
objetivo del modelo es el de determinar la cantidad que se enviar de cada fuente a cada
destino, tal que se minimice el costo de transporte total.
La suposicin bsica del modelo es que el costo es que el costo de transporte en una ruta es
directamente proporcional al nmero de unidades transportadas. La definicin de unidad de
transporte variar dependiendo de la mercanca que se transporte. Por ejemplo, podemos
hablar de una unidad de transporte como cada una de las vigas de acero que se necesitan
para construir un puente. O bien, podemos utilizar el equivalente a la carga de un camin de la
mercanca como unidad de transporte. En cualquier caso, las unidades de oferta y demanda
deben ser consistentes con nuestra definicin de unidad de transporte.
Ejemplo
MG Auto Company tiene plantas en Los Angeles, Detroit y Nueva Orlens. Sus centros de
distribucin principales estn ubicados en Denver y Miami. Las capacidades de las tres plantas
durante el trimestre prximo son de 1 000, 1 500 y 1 200 automviles. Las demandas
trimestrales en los dos centros de distribucin son de 2 300 y 1 400 vehculos. El costo del
transporte de un automvil por tren es aproximadamente de 8 centavos por milla. El diagrama
de la distancia recorrida entre las plantas y los centros de distribucin es el siguiente:
Denver
1 000
1 250
1 275

Los Angeles
Detroit
Nueva Orleans

Miami
2 690
1 350
850

El diagrama de distancia de recorrido puede traducirse en costo por automvil a razn de 8

centavos por milla recorrida. Esto produce los costos siguientes (redondeados a nmeros
enteros), que representan a cij del modelo original:
Los Angeles
Detroit

(1)
(2)

Denver
80
100

Miami
215
108

Nueva Orlens

(3)

102

68

Mediante el uso de cdigos numricos para representar las plantas y centros de distribucin,
hacemos que xij represente el nmero de automviles transportados de la fuente i al destino j.
Como la oferta total (= 1 000 + 1 500 + 1 200 = 3 700) es igual a la demanda total (= 2 300 + 1
400 = 3 700), el modelo de transporte resultante est equilibrado. Por lo tanto, el siguiente
modelo de PL que representa el problema tiene todas las restricciones de igualdad:
Minimizar z = 80x11 + 215x12 + 100x21 + 108x22 + 102x31 + 68x32
Sujeto a
X11 + x12

= 1 000
= 1 500
= 1 200
= 2 300
= 1 400

+ x21 + x22
x11

+ x31 + x32
+ x31
+ x22
+ x32

+x21
+ x12

xij > 0, para todas las i y j

Un mtodo ms resumido para representar el modelo de transporte consiste en utilizar lo que
se llama tabla de transporte. Esta es una forma de matriz donde sus renglones representan las
fuentes y sus columnas el destino. Los elementos de costo cij se resumen en la esquina
noroeste de la celda de la matriz (i,j). Por lo tanto, el modelo de MG se puede resumir como se
ilustra en la tabla 6-1.
Veremos en la seccin que sigue que la tabla de transporte es la base para estudiar el mtodo
especial basado en el modelo smplex para resolver el problema de transporte.
Tabla 6-1

Destinos

Denver
(1)

Fuentes

80

Los Angeles

(1)

X11

Detroit

(2)

X21

Nueva Orlens (3)

X31

Demanda

Miami
(2)

215
X12

100

108
1 500

X22
102

68
X32

2 300

1 000

1 200

1 400

MODELO DE ASIGNACIN
Considrese La situacin de asignar m trabajos (o trabajadores) a n mquinas. Un trabajo i (=
1,2,...,m) cuando se asigna a la mquina i (=1,2,...,n) incurres en un costo cij. El objetivo es el de
asignar los trabajos a las mquinas (un trabajo por mquina) al menor costo total. La situacin
se conoce como problema de asignacin.

La formulacin de este problema puede considerarse como un caso especial del modelo de
transporte. Aqu los trabajos representan fuentes y las mquinas representan destinos. La
oferta disponible en cada fuente es 1; es decir, ai = 1 para toda i. De manera anloga, la
demanda requerida en cada destino es 1; esto es, bj = 1 para toda j. El costo de transportar
(asignar) el trabajo i a la mquina j es cij. Si un trabajo no puede asignarse a cierta mquina, el
elemento cij correspondiente se toma igual a M, que es un costo muy elevado. La tabla 6-19
muestra una representacin general del modelo de asignacin.
Tabla 6-19
Mquina
1
C11
C21
.
.
.
Cm1
1

1
2
.
.
.
m

Trabajo

2
C12
C22
.
.
.
Cm2
1

...
...
...

...
...

N
C1n
C2n
.
.
.
Cmn
1

1
1
.
.
.
1

Antes de que el modelo se pueda resolver a travs de la tcnica de transporte, es necesario

equilibrar el problema sumando trabajos o mquinas ficticios, dependiendo de si m < n o m > n.
Por lo tanto, se supondr que m = n sin que se pierda la generalidad.
El modelo de asignacin se puede expresar matemticamente de la manera siguiente:
Si el i-simo trabajo no se asigna a la j-sima mquina

0,Si el i-simo trabajo se asigna a la j-sima mquina

x
1,
Por lo tanto, el modelo est dado por
Minimizar z =

i 1

j 1

ij

x ij

Sujeto a
n

x
j 1

ij

1, i = 1,2,...,n

ij

1, j = 1,2,...,n

x
i 1

xij = 0 o bien 1
Para ilustrar el modelo de asignacin, considrese el problema de la tabla 6-20 con tres
trabajos y tres mquinas. La solucin inicial (mediante el uso de la regla de la esquina noroeste)
es claramente degenerada. Este ser siempre el caso en el modelo de asignacin, sin importar
el mtodo que se aplique para obtener la base inicial. De hecho, la solucin seguir degenerada
en todas y cada una de las iteraciones.

La estructura especial del modelo de asignacin hace posible crear un mtodo de solucin
eficiente llamado, mtodo hngaro. Este mtodo lo ilustrar el ejemplo que acabamos de
presentar.
La solucin ptima del modelo sigue siendo la misma si se suma o resta una constante a
cualquier rengln o columna de la matriz de costo. Esto se demuestra como sigue. Si pi y qj se
restan del i-simo rengln y la j-sima columna, los nuevos elementos se convierten en
c ij' cij p i q j . Esto produce la nueva funcin objetivo.
Tabla 6-20
Mquina
1
1
Trabajo

10

12

13

16

1
14

1
15

1
1

1
1
1

Tabla 6-21

|| c ||
'
ij

z'

Como

ij

'
ij

x ij
i

(c

ij

2
2
0
0

3
4
2
3

P1 = 5
P2 = 10
P3 = 13

p i q j ) xij

x ij p i xij q j x ij
i

1
0
4
2

1
2
3

x ij j x ij 1

, se obtiene z = z constante. Esto demuestra que la minimizacin

de la funcin objetivo original z produce la misma solucin que la minimizacin de z.

Esta idea indica que si se puede generar una nueva matriz cij con cero registros, y si estos
elementos cero o un subconjunto de estos constituye una solucin factible, esta solucin es
ptima, puesto que el costo no puede ser negativo.

En la tabla 6-20 los elementos cero se generan restando el menor elemento de cada rengln
(columna) del rengln (columna) correspondiente. Si se considera el rengln en primer trmino,
la nueva matriz cij se muestra en la tabla 6-21.
Se puede hacer que la ltima matriz incluya ms ceros restando q3 = 2 de la tercera columna.
Esto produce la tabla 6-22.
Los cuadros de la tabla 6-22 dan la asignacin factible (y por lo tanto, ptima) (1,1) (2,3) y (3,2),
que cuesta 5 + 12 + 13 = $ 30. Ntese que este costo es igual a p1 + p2 + p3 + q3.
Lamentablemente, no siempre es posible obtener una asignacin factible como en el ejemplo.
Por lo tanto, se requieren otras reglas para obtener la solucin ptima. Estas reglas las ilustra el
ejemplo de la tabla 6-23.
Tabla 6-22
1

1
0

2
2

3
2

1
2
3
4

1
1
9
4
8

2
4
7
5
7

3
6
10
11
8

4
3
9
7
5

1
2
3
4

1
0
2
0
3

2
3
0
1
2

3
2
0
4
0

4
2
2
3
0

|| c ij' ||

Tabla 6-23

Tabla 6-24

Tabla 6-25
1
2
3
4
1
0
3
2
2
2
2
0
0
2
3
0
1
4
3
4
3
2
0
0
Ahora, ejecutando los mismos pasos iniciales del ejemplo anterior, se obtiene la tabla 6-24.
En este caso no es posible una asignacin factible a los elementos cero. Por lo tanto, el
procedimiento consiste en trazar un nmero mnimo de lneas a travs de algunos de los

renglones y columnas tal que se tachen todos los ceros. La tabla 6-25 muestra la aplicacin de
esta regla.
El paso siguiente consiste en seleccionar el menor elemento no tachado (=1 en la tabla 6-25).
Este elemento se sustrae de todos y cada uno de los elementos no tachados y se suma a todo
elemento situado en la interseccin de dos lneas. Esto produce la tabla 6-26, que da la
asignacin ptima (1,1), (2,3), (3,2) y (4,4). El costo total correspondiente es 1 + 10 + 5 + 5 =
21.
Debe advertirse que si la solucin ptima no se obtuvo en el paso anterior, el procedimiento
dado de trazo de lneas debe repetirse hasta que se logre una asignacin factible.

UNIDAD 3 ADMINISTRACIN DE PROYECTOS

CPM
Un proyecto define una combinacin de actividades interrelacionadas que deben ejecutarse en
un cierto orden antes que el trabajo completo pueda terminarse. Las actividades estn
interrelacionadas en una secuencia lgica en el sentido que algunas de ellas no pueden
comenzar hasta que otras se hayan terminado. Una actividad en un proyecto, generalmente se
ve como un trabajo que requiere tiempo y recursos para su terminacin. En general, un
proyecto es un esfuerzo de un solo periodo; esto es, la misma sucesin de actividades puede
no repetirse en el futuro.
En el pasado, la programacin de un proyecto (en el tiempo) se hizo con poca planeacin. La
mejor herramienta conocida de planeacin 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 de un
diagrama de barras. Las complejidades crecientes de los proyectos actuales han exigido
tcnicas de planeacin mas sistemticas y mas efectivas, con el objeto de optimizar la
eficiencia en la ejecucin del proyecto. Aqu la eficiencia 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 administracin de proyectos ha evolucionado como un nuevo campo con el desarrollo de dos
tcnicas analticas para la planeacin, programacin y control de proyectos. Tales son el
Mtodo de Ruta Crtica (CPM) y la Tcnica de Evaluacin y Revisin de Proyectos (PERT). Las
dos tcnicas fueron desarrolladas por dos grupos diferentes casi simultneamente (1956-1958).
El CPM (Critical Path Method) fue desarrollado primero por E. I. du Pont de Nemours &
Company como una aplicacin a los proyectos de construccin, y posteriormente, se extendi a
un estado mas avanzado por Mauchly Associates. El PERT (Project Evaluation & Review
Technique), por otra parte, fue desarrollado para la marina de Estados Unidos, por una
organizacin consultora, con el fin de programar las actividades de Investigacin y Desarrollo
para el programa de misiles Polares.
Los mtodos PERT y CPM estn bsicamente orientados en el tiempo, en el sentido que ambos
llevan a la determinacin de un programa de tiempo. Aunque los dos mtodos fueron
desarrollados casi independientemente, ambos son asombrosamente similares. Quiz la
diferencia mas importante es que originalmente las estimaciones en el tiempo para las
actividades se supusieron determinantes en CPM y probables en PERT. Ahora PERT y CPM
comprenden realmente una tcnica y las diferencias, si existe alguna, son nicamente
histricas. En adelante, ambas se denominarn tcnicas de Programacin de Proyectos
La programacin de proyectos por PERT-CPM consiste en tres 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 base de 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 mas
importante su uso en el desarrollo de un programa para el proyecto.

El ltimo objetivo 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 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
parte restante del proyecto.
Representaciones con diagrama de flechas (Red)
El diagrama de flechas representa las interdependencias y relaciones 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 generalmente conocidos como
evento de inicio y evento terminal. Las actividades que originan un cierto evento no pueden
comenzar hasta que las actividades que concluyen el mismo evento hayan terminado. En la
terminologa de la teora de redes cada actividad est representada por un arco dirigido y cada
evento est simbolizado por un nodo. La longitud del arco no necesita ser proporcional a la
duracin de la actividad ni tiene que dibujarse como una lnea recta.
La figura siguiente (a) muestra un ejemplo de una representacin comn de una actividad (i,j)
con su evento de inicio i y su evento terminal j. La figura (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 terminal comparado con el nmero de su evento de inicio. Este procedimiento es
especialmente conveniente para clculos automticos y es el que se adoptar en este captulo.
1
i

Fig. a

Fig. b

Las reglas para construir el diagrama de flechas se resumirn ahora.

Regla 1. cada actividad est representada por una y solo una flecha en la red.
Ninguna actividad puede representarse dos veces en la red. Esto es distinto del caso donde
una actividad se descompone en segmentos; en este caso cada segmento puede estar
representado por una flecha separada. Por ejemplo, al tender una tubera, este trabajo puede
hacerse en secciones y no como un solo trabajo.

Regla 2. Dos actividades diferentes no pueden identificarse por los mismos eventos terminal y
de inicio.
Una situacin como esta puede surgir cuando dos o mas actividades deben ejecutarse
simultneamente. En la siguiente figura (a) se muestra un ejemplo donde las actividades A y B
tienen los mismos eventos finales. El procedimiento es introducir una actividad 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 muestra en la
figura B. Como un resultado de usar D, las actividades A y B ahora pueden identificarse por
eventos finales nicos. Debe notarse que una actividad ficticia no consume tiempo o recursos.

1
Fig. a

1
B

Las actividades ficticias tambin son tiles al establecer relaciones lgicas en el diagrama de
Fig. b
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 siguiente figura (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 D ficticia se muestra en la figura b. Ya
que D no consume tiempo (o recursos) estn satisfechas las relaciones de precedencia
indicadas.
A
C
A
C
D
B

Fig. a
Fig. b
Regla 3. 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.

a). Qu actividades deben terminarse inmediatamente antes de que esta actividad pueda
comenzar?
b) Qu actividades deben seguir a esta actividad?
c) Qu actividades deben efectuarse simultneamente con esta actividad?
Esta regla se explica por s misma. Realmente permite verificar (y volver a verificar) las
relaciones de precedencia cuando se avanza en el desarrollo de la red.
Ejemplo.- Construya el diagrama de flechas que comprenda las actividades A, B, C... y L que
satisfagan las siguientes relaciones:
1. A, B y C son las actividades iniciales del proyecto que comienza simultneamente.
2. A y B preceden a D.
3. B precede a E, F y H.
4. F y C preceden a G.
5. E y H preceden a I y J.
6. C, D, F y J preceden a K.
7. K precede a L.
8. I, G y L son las actividades finales del proyecto.
El diagrama de flechas resultantes se muestra en la siguiente figura. Las actividades ficticias D 1
y D2 se usan para establecer relaciones de precedencia correctas. D 3 se utiliza para identificar
las actividades E y H con eventos finales nicos. Los eventos del proyecto estn numerados de
tal manera que su orden ascendente indica el sentido de progreso en el proyecto.
D
3

D1

D3

H
1

5
F

D2
G

C
6

Clculos de Ruta Crtica

La aplicacin de PERT-CPM deber proporcionar un programa, especificando las fechas de
inicio y terminacin de cada actividad. El diagrama de flechas constituye el primer paso hacia el

logro de esa meta. Debido a la interaccin de las diferentes actividades, la determinacin de los
tiempos de inicio y terminacin, requiere clculos especiales. Estos clculos se realizan
directamente en el diagrama de flechas usando aritmtica simple. El resultado final es clasificar
las actividades de los proyectos como crticas o no crticas. Se dice que una actividad es crtica
si una demora en su comienzo causar una demora en la fecha de terminacin del proyecto
completo. Una actividad no crtica es tal que el tiempo entre su comienzo de inicio ms prximo
y de terminacin ms tardo (como lo permita el proyecto) es ms grande que su duracin real.
En este caso, se dice que la actividad no crtica tiene un tiempo de Holgura.
Determinacin de la Ruta Crtica
Una ruta crtica define una cadena de actividades crticas, las cuales conectan los eventos
inicial y final del diagrama de flechas. En otras palabras, la ruta crtica identifica todas las
actividades crticas del proyecto. El mtodo para determinar tal ruta se ilustrar con un ejemplo
numrico.
Ejemplo.- Considere la red de la figura siguiente, la cual comienza en el nodo 0 y termina en el
nodo 6. El tiempo requerido para ejecutar cada actividad se indica en las flechas.

6
6

4
3

1
9
19

Inicio

2
3

Terminacin

1
3
0

2
2

1
4
2

3
6

Actividad crtica

Los clculos de ruta crtica incluyen dos fases. La primera se llama clculos hacia delante,
donde los clculos comienzan desde el nodo de inicio y se mueven al nodo de terminacin.
En cada nodo se calcula un nmero que representa el tiempo de ocurrencia ms prximo del
evento correspondiente. Estos nmeros se muestran en la figura anterior dentro de cuadrados.
En la segunda fase, llamada clculos hacia atrs, comienzan los clculos desde el nodo de
terminacin y se avanza 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 clculo hacia delante se representar a continuacin.

Sea TIPi el tiempo de inicio ms prximo de todas las actividades que se originan en el evento i.
Por consiguiente, TIPi representa el tiempo de ocurrencia ms prximo del evento i. Si i = 0 es el
evento de inicio, entonces convencionalmente, para los clculos de ruta crtica, TIP0 = 0. Sea
Dij la duracin de la actividad (i, j). Los clculos hacia delante, por consiguiente, se obtienen de
la frmula:
TIPj = mx {TIPi + Dij}, para todas las actividades (i,j) definidas
i
donde TIP0 = 0. Por consiguiente, a fin de calcular TIPj para el evento j, deben calcularse
primero los eventos de terminacin de todas las actividades (i,j) que entran y los TIPi.
Los clculos hacia delante aplicados a la figura anterior proporcionan TIP0 = 0 como se muestra
en el cuadrado sobre el evento 0. Ya que existe solamente una actividad que entra (0,1) al
evento 1 con D01 = 2,
TIP1 = TIP0 + D01 = 0+2 = 2
esto se anota en el cuadrado asociado al evento 1. El siguiente evento que se va a considerar
es el 2. [note que el evento 3 no puede considerarse en este punto, ya que TIP2 (evento 2)
todava no se conoce.] Por consiguiente
TIP2 = TIP0 + D02 = 0+3 = 3
que se anota en el cuadro del evento 2. El siguiente evento que se considerar es el 3. Como
hay dos actividades que entran (1,3) y (2,3), tenemos
TIP3 = mx{TIPi+Di3} = mx {2+2,3+3} = 6
i=1,2

que, una vez mas se anota en el cuadro del evento 3.

El procedimiento contina de la misma manera hasta que TIPj se calcula para toda j. Por
consiguiente
TIP4 = mx {TIPi+ Di4} = mx {3+2,6+0} = 6
i=2,3

TIP5 = mx {TIPi + Di5} = mx {6+3,6+7} = 13

i=3,4

TIP6 = mx {TIPi + Di6} = mx {6+2,6+5,13+6} = 19

I=3,4,5

Con estas operaciones terminan los clculos hacia delante.

Los clculos hacia atrs comienzan con el evento de terminacin. El objetivo de esta fase es
calcular TTTi, el tiempo de terminacin ms tardo, para todas las actividades que estn en el
evento i. Por consiguiente, si i=n es el evento de Terminacin, TTTn = TIPn inicia el clculo
hacia atrs. En general para cualquier nodo i,
TTTi = mn {TTTj Dij}, para todas las actividades (i,j) definidas
j

Los valores de TTT(que se escriben en los tringulos) se determinan de la manera siguiente:

TTT6 = TIP6 = 19
TTT5 = TTT6 D56 = 19-6 = 13

TTT4 = mn {TTTj D4j}

j=5,6

TTT3 = mn {TTTj- D3j} = mn {6-0,13-3,19-2}=6

j=4,5,6

TTT2= mn {TTTj D2j} = mn {6-3,6-2} = 3

j=3,4

TTT1 = TTT3 D13= 6-2=4

TTT0 = mn {TTTj D0j} = mn {4-2,3-3} = 0
j=1,2

Esto completa los clculos hacia atrs.

Ahora pueden identificarse las actividades de ruta crtica usando los resultados delos clculos
hacia adelante y hacia atrs. Una actividad (i,j) est en la ruta crtica si satisface las tres
condiciones siguientes:
TIPi = TTTi
TIPj = TTTj
TIPj TIPi =TTTj TTTi = Dij

(1)
(2)
(3)

Estas condiciones realmente indican que no existe tiempo de holgura entre el inicio ms
prximo (terminacin) y el inicio ms tardo (Terminacin) de la actividad. En el diagrama de
flechas estas actividades estn caracterizadas por los nmeros en el cuadro y tringulo, siendo
los mismos en cada uno de los eventos terminales y de comienzo y que la diferencia entre los
nmeros en el cuadro (o tringulo) en el evento inicial y, el nmero en cuadro (o tringulo) en el
evento terminal es igual a la duracin de la actividad.
Las actividades (0,2), (2,3), (3,4), (4,5) y (5,6) definen la ruta crtica en la figura anterior. Este es
realmente el tiempo ms corto posible para terminar el proyecto. Note que las actividades (2,4),
(3,5), (3,6), y (4,6) satisfacen las condiciones (1) y (2) para actividades crticas pero no la
condicin (3). Por lo tanto, stas no son crticas. Observe tambin 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 crtica, deben calcularse las holguras de las actividades
no crticas. Naturalmente, una actividad crtica debe tener una holgura cero. De hecho, esta 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 (IT) y el
tiempo de terminacin ms prximo (TT), los cuales estn definidos para la actividad (i,j) por
ITij = TTTj - Dij
TTij = TIPi + Dij
Existen dos tipos importantes de holguras: holgura total HT y holgura libre (HL). La holgura
total HTij para la actividad (i,j) es la diferencia entre el mximo tiempo disponible ara realizar la
actividad (= TTTj TIPi) y su duracin (=Dij); esto es,
HTij = TTTj TIPi Dij =TTTj TTij = ITij - TIPi

La holgura libre se define suponiendo que todas las actividades comienzan tan pronto como sea
posible. En este caso, HLij para la actividad (i,j) es el exceso de tiempo disponible (=TIPj TIPi)
sobre su duracin ( = Dij); esto es,
HLij = TIPj TIPi - 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 siguiente, las columnas (1), (2), (3) y (6)
se obtienen de los clculos de la red en el ejemplo 13.2-1.La informacin restante puede
determinarse de las frmulas anteriores.
La tabla 13-1 da un resumen tpico de los clculos de ruta crtica. Incluye toda la informacin
necesaria para construir el diagrama de tiempos. Note que una y slo una actividad crtica,
debe tener una holgura total cero. La holgura libre debe tambin ser cero cuando la holgura
total es cero. La inversa no es cierta, sin embargo, en el sentido de que una actividad no crtica
puede tener una holgura libre cero. Por ejemplo, en la tabla 13-1, la actividad no crtica (0,1)
tiene una holgura libre cero.
Tabla 13-1

Actividad Duracin
(i,j)

Dij

(1)
(0,1)
(0,2)
(1,3)
(2,3)
(2,4)
(3,4)
(3,5)
(3,6)
(4,5)
(4,6)
(5,6)

(2)
2
3
2
3
2
0
3
2
7
5
6

Ms prximo
Inicio Terminacin
TIPi
(3)
0
0
2
3
3
6
6
6
6
6
13

Ms tardo
Holgura Holgura
Inicio Terminacin
total
Libre

TTij

ITij

(4)
2
3
4
6
5
6
9
8
13
11
19

(5)
2
0
4
3
4
6
10
17
6
14
13

TTTj
(6)
4
3
6
6
6
6
13
19
13
19
19

HTij

HLij

(7)
2
0a
2
0a
1
0a
4
11
0a
8
0a

(8)
0
0
2
0
1
0
4
11
0
8
0

* Actividad crtica

Ejercicio 13.2-2
En la tabla13-1,verifique los valores dados de las holguras libres y totales de cada una de las actividades siguientes:
(a) Actividad (0,1)
(b) Actividad (3,4)
(c) Actividad (4,6).

Determinacin de las holguras

El producto final de los clculos de la red es la construccin del diagrama (o programa) de
tiempo. Este diagrama de tiempo puede convertirse fcilmente en un programa calendario
apropiado para el uso del personal que ejecutar el proyecto.

La construccin del diagrama de tiempo debe hacerse dentro de las limitaciones de los recursos
disponibles, ya que no es posible realizar actividades simultneas debido a las limitaciones de
personal y equipo. Aqu es donde las holguras totales para las actividades no crticas llegan a
ser tiles. Cambiando una actividad no crtica (hacia atrs y hacia delante) entre sus lmites
mximos permisibles, se pueden abatir los requisitos mximos de recursos. En cualquier caso,
aun en ausencia de recursos limitados, es prctica comn usar las holguras totales para nivelar
los recursos sobre la duracin del proyecto completo. En esencia, esto significara una fuerza
de trabajo ms estable comparada con el caso donde la fuerza de trabajo (y equipo) variar
drsticamente de un da a otro.
El procedimiento para construir el diagrama de tiempo se ilustrar con el ejemplo 13.3-1. El
ejemplo 13.3-2 mostrar entonces cmo puede efectuarse la nivelacin de recursos para el
mismos proyecto.
Ejemplo 13.3-1
En este ejemplo se construir el diagrama de tiempos para el proyecto dado en el ejemplo
13.2-1.
La informacin necesaria para construir el diagrama de tiempo se resume en la tabla 13-1. El
primer paso es considerar el programa de las actividades crticas. Despus se consideran las
actividades no crticas indicando sus lmites de tiempo TIP y TTT en el diagrama. Las
actividades crticas se indican con lneas llenas. Los lmites de tiempo para las actividades no
crticas se muestran con lneas punteadas, indicando que tales actividades pueden
programarse donde sea dentro de esos intervalos, siempre y cuando no se alteren las
relaciones de precedencia.
La figura 13-6 muestra el diagrama de tiempo correspondiente al ejemplo 13.2-1. La actividad
ficticia (3,4) no consume tiempo y, por lo tanto, se muestra como una lnea vertical. Los
nmeros mostrados con las actividades no crticas, representan sus duraciones.
Las funciones de las holguras total y libre en la programacin de actividades no crticas se
explican en trminos de dos reglas generales:
1. Si la holgura total es igual a la holgura libre, la actividad no crtica se puede programar
en cualquier parte entre los tiempos de inicio ms temprano y de terminacin ms tardo
(extensiones de tiempo punteadas de la figura 13-6).

Actividades
crticas

5
6

1
2

Figura 13-6

1
2

2
4
3
5

3
2

Actividades
no crticas

5
6

10

12

14

16

18

20

Tiempo
transcurrido

2. Si la holgura libre es menor que la holgura total, el inicio de la actividad no crtica se puede
demorar en relacin con su tiempo de inicio ms temprano, en una cantidad no mayor que el
monto de su holgura libre, sin afectar la programacin de sus actividades inmediatamente
sucesivas.
En nuestro ejemplo, la regla 2 se aplica a la actividad (0,1) nicamente, mientras que todas las
dems se programan segn la regla 1. La razn es que la actividad (0,1) tiene una holgura libre
cero. Por lo tanto, si el tiempo inicial para (0,1) no es demorado ms all de su tiempo de inicio
ms prximo (t=0), la actividad inmediatamente sucesiva (1,3) se puede programar en cualquier
momento entre su tiempo de inicio ms prximo (t=2) y su tiempo de terminacin ms tardo
(t=6). Por otra parte, si el tiempo de inicio de (0,1) se demora ms all de t=0, el tiempo de inicio
ms prximo de (1,3) deber retrasarse relativo a su tiempo de inicio ms prximo cuando
menos en la misma cantidad. Por ejemplo, si (0,1) comienza en t=1, termina en t=3 y luego (1,3)
se puede programar en cualquier parte entre t=3 y t=6. Este tipo de restriccin no se aplica a
ninguna de las actividades no crticas restantes porque todas ellas tienen holguras total y libre
iguales. Tambin podemos observar este resultado en la figura 13-6, ya que (0,1) y (1,2) son las
nicas dos actividades sucesivas cuyas extensiones de tiempo permisibles se superponen.
En esencia, tener la holgura libre menor que la holgura total nos da una advertencia de que la
programacin de la actividad no deber terminarse sin antes verificar su efecto en los tiempos
de inicio de las actividades inmediatamente sucesivas. Esta valiosa informacin slo puede
asegurarse a travs del uso de clculos de ruta crtica
Consideraciones de probabilidad en la programacin de proyectos
Las consideraciones de probabilidad estn incorporadas en la programacin de proyectos,
suponiendo que la estimacin de tiempo para cada actividad est basada en tres valores
diferentes:
a = tiempo optimista, el cual se necesitar si la ejecucin va extremadamente bien
b = tiempo pesimista, que se requerir si todo va muy mal
m = tiempo ms probable, el cual se necesitar si la ejecuicin es normal.

La amplitud o rango especificado por las estimaciones optimistas y pesimistas (a y b,

respectivamente) por supuesto debe encerrar toda estimacin posible de la duracin de la
actividad. La estimacin ms probable m no necesita coincidir con el punto medio (a + b)/2, y
puede encontrarse a su izquierda o a su derecha. Debido a estas propiedades, es
intuitivamente justificado que la duracin para cada actividad puede seguir una distribucin beta
con su punto unimodal en m y sus puntos extremos en a y b. La figura 13-9 muestra los tres
casos de la distribucin beta que son (a) simtrica, (b) sesgada hacia la derecha y (c) sesgada
hacia la izquierda.
Las expresiones para la media D y variancia V de la distribucin beta se obtienen de la
manera siguiente. El punto medio (a + b) / 2 se supone que tiene una ponderacin de la mitad
de la del punto m ms probable. Por consiguiente, D es la media aritmtica de (a + b) / 2 y
2m; esto es,

D = (a + b) /2 + 2m = a + b + 4m
3
6
(a) Simtrica

(b) Sesgada hacia la derecha

(b) Sesgada hacia la izquierda

Figura 13-9

La amplitud o rango (a, b) se supone que abarca alrededor de seis desviaciones estndares
de la distribucin, ya que alrededor de 90% o ms de cualquier funcin densidad de
probabilidad est dentro de tres desviaciones estndares de su media.
Por consiguiente:
ba
V

Los clculos de la red dados en las secciones anteriores ahora pueden aplicarse directamente
D reemplazando la estimacin D .
Ahora es posible estimar la probabilidad de ocurrencia de cada evento en la red. Sea i el
tiempo de ocurrencia ms prximo del evento i. Ya que los tiempos de las actividades que se
suman hasta i son variables aleatorias, i es tambin una variable aleatoria. Suponiendo que
todas las actividades en la red son estadsticamente independientes, se obtiene la media y la
variacin de i como sigue. Si existe nicamente una ruta que lleva desde el evento de
inicio al evento i, entonces E{ i } esta dado por la suma de las duraciones esperadas D
para las actividades a lo largo de esta ruta y var { i } es la suma de las variaciones de las
mismas actividades. Las complicaciones surgen, sin embargo, donde ms de una ruta lleva al
mismo evento. En este caso, si se van a calcular los valores exactos de E{ i } y { i } se puede
desarrollar primero la distribucin estadstica para la ms larga de las rutas (esto es, la
distribucin del mximo de varias variables) y encontrar su valor esperado y su variancia. Esto
es mas difcil en general y se introduce una hiptesis simplificatoria, la cual permite calcular E{
i } y var { i } como iguales a las de la ruta que lleva al evento i y que tenga la suma ms
grande de duraciones esperadas de las actividades. Si dos o ms rutas tienen la misma E{ i }

se elige aquella con la var { i } ms grande ya que refleja mayor incertidumbre y, por lo tanto,
resultados mas conservadores. Para resumir, E{ i } y var { i } estn dados para las rutas
seleccionados como:
E{ i } = ESi
var { } = V k
i

donde k define las actividades a lo largo de la ruta ms larga que lleva a i.

La idea de que la i es la suma de variables aleatorias independientes y, por lo tanto, de
acuerdo con el teorema de limite central, i es casi normalmente distribuida con media E{ i }
y varianza { i }. Ya que i representa el tiempo de ocurrencia ms prximo, el evento i va a
satisfacer un cierto tiempo programado TPi (especificado por el analista) con probabilidad
i E{ i }

P{ i TPi } P

var{ i }

TPi E{ i }

P{z K i }

var{ i }

donde z es la distribucin normal estndar con media 0 y variancia 1 y

Ki

TPi E i
var i

Es prctica comn calcular la probabilidad de que el evento i ocurrir no ms tarde que su

TTTi. Tales probabilidades representarn, por consiguiente, la posibilidad de que los siguientes
eventos ocurran dentro de la duracin (TTPi, TTTi).
Consideraciones de costo en la programacin de proyectos
El aspecto esta incluido en la programacin de proyectos al definir la relacin duracin-costo
para cada actividad. Los costos se definen para incluir elementos directos solamente. Los
costos indirectos no pueden incluirse. Sin embargo, su efecto se incluir en el anlisis final. La
figura siguiente muestra una relacin tpica de lnea recta utilizada con la mayora de los
proyectos. El punto (Dn, Cn) representa la duracin Dn y su costo asociado Cn si la actividad se
ejecuta en condiciones normales. La duracin Dn puede disminuirse aumentado los recursos
asignados y, por lo tanto, aumentando los costos directos. Existe un limite llamado limite de
duracin mnima, ms all del cual, ninguna reduccin adicional puede efectuarse en la
duracin. En este punto cualquier aumento en recursos aumentar nicamente los costos, sin
reducir la duracin. En el punto de duracin mnima se indica en la siguiente figura en (Dc, Cc).

Punto de duracin mnima

Cc

Punto normal

Cn

Duracin

Dc

Dn

La relacin lineal se usa principalmente por conveniencia, ya que puede ser determinada para
cada actividad a partir del conocimiento de los puntos de duracin normal y mnima nicamente;
esto es (Dn, Cn) y (Dc, Cc). Una relacin no lineal complicara los clculos. Existe un caso
excepcional, sin embargo, donde las relaciones no lineales pueden ser aproximadas por un
conjunto de segmentos lineales como muestra la siguiente figura. En tales condiciones, la
actividad puede ser descompuesta en un nmero de subactividades, cada una correspondiendo
a uno de los segmentos. Note las pendientes crecientes de los segmentos en la recta cuando
se va desde el punto de duracin normal hasta el punto de duracin mnima. Si est condicin
no se satisface, la aproximacin no es valida.
Figura 13-11

Costo

Cc

Cn
Despus de definir las relaciones Dtiempo-costo, D
se asignan
sus duraciones normales a las
Duracin
actividades del proyecto. Se calculac la ruta crtica n correspondiente y se registran los costos
directos asociados. El paso siguiente es considerar la reduccin en la duracin del proyecto. Ya
que tal reduccin puede efectuarse nicamente si disminuye la duracin de una actividad
crtica, la atencin debe centrarse en tales actividades. A fin de lograr una reduccin en la
duracin al mnimo costo posible, se debe comprimir tanto como sea posible la actividad crtica
que tenga la pendiente tiempo-costo ms pequea.
El grado en el cual una actividad puede reducirse, est limitado por su tiempo a duracin
mnima. Sin embrago, deben tomarse en cuenta otros lmites antes de que pueda
determinrsela reduccin exacta. Los detalles de estos lmites se discutirn en el ejemplo
13.4-2.
El resultado de reducir una actividad es un programa nuevo, quiz con una nueva ruta crtica. El
costo asociado al nuevo programa debe ser mayor que el del inmediato anterior. El nuevo
programa debe considerarse ahora para reduccin, seleccionando la actividad crtica (sin
duracin mnima) con la mnima pendiente. El procedimiento se repite hasta que todas las
actividades crticas estn en sus tiempos de duracin mnima. El resultado final de los clculos
anteriores es una curva de tiempo-costo para los diferentes programas y sus costos
correspondientes. Una curva caracterstica se muestra con lnea contina en la figura 13-12.
esta, como se indic anteriormente, representa solamente los costos directos.

Figura 13-12
Costo
Costo
Total

Programa
De
Duracin
mnima

Costo
indirecto
Costo
directo

Programa
normal
Programa de
Costo mnimo
Tiempo transcurrido

Es lgico suponer que cuando aumenta la duracin del proyecto, los costos indirectos deben
aumentar tambin como se muestra en la figura 13-12 con lnea punteada. La suma de estos
dos costos (directo + indirecto) da el costo total del proyecto. El programa ptimo corresponde
al costo total mnimo.
Ejemplo 13.4-2
Considere la red de la figura 13-13. los puntos normal y de duracin mnima para cada actividad
estn dados en la tabla 13-5. se requiere calcular los diferentes programas de costo mnimo,
que pueden ocurrir entre los tiempos a duracin normal y a duracin mnima.
El anlisis de este problema depende principalmente de las pendientes costo-tiempo para las
diferentes actividades, stas se calculan utilizando la frmula:

pendiente

Cc Cn
D n Dc

Las pendientes para las actividades de la red anterior se resumen en la tabla 13-6.
El primer paso en el procedimiento de clculo es suponer que todas las actividades ocurren en
tiempos normales. La red de la figura 13-13 muestra los clculos de ruta crtica en condiciones
normales. Las actividades (1, 2) y (2, 5) constituyen la ruta crtica. El tiempo del proyecto es 18
y su costo (normal) asociado es 580.
Figura 13-13

10

2
8

4
5
HL= 0

HL= 0
1
0
4

HL=1
0

1
8
18

HL=5
0

Costo = 580
1
5
10

Tiempo = 18
580

Tabla 13-5
Actividad
( i, j )
(1,2)
(1,3)
(2,4)
(2,5)
(3,4)
(4,5)
Tabla 13-6

Normal
Duracin
8
4
2
10
5
3

Mnima
Costo
100
150
50
100
100
80

Actividad
(1,2)
(1,3)
(2,4)
(2,5)
(3,4)
(4,5)

Duracin
6
2
1
5
1
1

Costo
200
350
90
400
200
100

Pendiente
50
100
40
60
25
10

El segundo paso es reducir el tiempo del proyecto disminuyendo (tanto como sea posible) la
actividad crtica con la mnima pendiente. En la red de la figura 13-13 existen nicamente dos
actividades crticas (1,2) y (2,5). La actividad (1,2) se selecciona para reducirse, ya que tiene la
pendiente ms pequea. Acorde a la curva costo-tiempo esta actividad puede reducirse en dos
unidades de tiempo, lmite que est especificado por su punto a duracin mnima (que de aqu
en adelante se llamar lmite a duracin mnima). Sin embargo, el reducir una actividad crtica
a su punto de duracin mnima no necesariamente significa que la duracin del proyecto
completo se reducir en una cantidad equivalente. Esto es as porque, cuando la actividad
crtica se reduce, puede desarrollarse una nueva ruta crtica. En este punto debe descartarse la
anterior actividad crtica y darle atencin a las actividades de la nueva ruta crtica.
Una forma de predecir si una nueva ruta crtica se desarrollar antes de llegar a los puntos de
duracin mnima, es considerar las holguras libres para las actividades no crticas. Por
definicin, estas holguras libres son independientes de los tiempos de inicio de las otras
actividades. Por consiguiente, si durante la reduccin de una actividad crtica, una holgura libre
positiva llega a ser cero, esta actividad crtica no debe reducirse sin verificacin adicional, ya
que existe una posibilidad de que esta actividad de holgura libre cero puede llegar a ser crtica.
Esto significa que adems del lmite a duracin mnima tambin debe considerarse el lmite de
holgura libre.
Para determinar el lmite de holgura libre, primero se necesita reducir la duracin de la actividad
crtica seleccionada para reduccin en una unidad de tiempo. Luego, volviendo a calcular las
holguras libres para todas las actividades no crticas, se notar cules de estas actividades han
reducido sus holguras libres positivas en una unidad de tiempo. La holgura libre ms pequea
(antes de la reduccin) de tales actividades determina el lmite de holgura libre necesario.
Aplicando esto a la red de la figura 13-13, las holguras libre (HL) se muestran sobre las
actividades respectivas. Una reduccin de la actividad (1,2) en una unidad de tiempo har que

caiga de uno a cero la holgura libre de la actividad (3,4). La holgura libre de a actividad (4,5)
permanecer sin cambio en 5. por consiguiente, lmite HL = 1. Ya que el lmite de ruptura para
(1,2) es 2, su lmite de reduccin es igual al mnimo de su lmite de ruptura y su lmite HL,
esto es mn 2,1 = 1. El nuevo programa se muestra en la figura 13-14. El tiempo de proyecto
correspondiente es 17 y su costo asociado es igual al del programa anterior mas el costo
adicional del tiempo reducido, esto es, 580 + (18-17) X 50 = 630. Aunque la holgura libre
determina el lmite de reduccin, la ruta crtica permanece siendo la misma. Esto ilustra que no
siempre es cierto que una nueva ruta crtica surgir cuando el lmite de reduccin est
especificado por el lmite HL.
Ya que la actividad (1,2) todava es el mejor candidato para reducirse, se calculan sus
correspondientes lmites HL y de duracin mnima. Sin embargo, ya que el lmite HL a duracin
mnima para la actividad (1,2) es igual a 1, no es necesario calcular el lmite HL porque
cualquier HL positiva es, al menos igual a 1. Consecuentemente, la actividad (1,2) se reducen
una unidad, llegando as a su lmite de duracin mnima. Los clculos resultantes se muestran
en la figura 13-15, la cual tambin muestra que la ruta crtica permanece sin cambio. El tiempo
del proyecto es 16 y su costo asociado es 630 + (17-16) X 50 = 680.
La actividad (1,2) ya no puede reducirse ms. Por lo tanto, se elige la actividad (2,5) para
reducirse. Ahora bien,
Lmite a duracin mnima = 10 5 = 5
Lmite HL = 4, correspondiente a la actividad (4,5)
Lmite de reduccin = mn {5,4} = 4
Figura 13-14
7

10

7
8

2
HL= 0

1
4
HL= 0

Figura 13-15

3
6

Costo = 630
Tiempo = 17
580

1
4
9

HL=0
0

6*

HL=5
0

1
7
17

10

7
8

2
HL= 1

1
6
16

5
3

HL= 4

Costo = 680
Tiempo = 16

4
5
HL= 0

3
9

HL=0
0

1
3
9

* Significa que la actividad ha llegado a su lmite de duracin mnima

Los clculos resultantes se muestran en la figura 13-16. Existen dos rutas crticas ahora: (1,2,5)
y (1,3,4,5). El tiempo para el nuevo proyecto es 12, y su costo es 680 + (16 12) X 60 = 920.
La aparicin de dos rutas crticas indica que, a fin de reducir el tiempo del proyecto, ser
necesario reducir el tiempo de las dos rutas crticas simultneamente. La regla anterior para
elegir las actividades comunes que se van a reducir se aplica aqu todava. Para la ruta (1,2,5),
la actividad (2,5) puede reducirse en una unidad de tiempo. Para la ruta (1,3,4,5) , la actividad
(4,5) tiene la mnima pendiente y su lmite a duracin mnima es 2. por consiguiente, el lmite a
duracin mnima para las dos rutas es igual a mn {1,2} = 1. El lmite HL est determinado para
este caso tomando el mnimo de los lmites HL obtenidos considerando cada ruta crtica de
manera separada. Sin embargo, como el lmite de duracin mnima es igual a 1 el lmite HL no
necesita calcularse.
Figura 13-16
6

6
6
10

6*
7
8

2
HL= 1

1
2
12

5
3

1
4
5

Costo = 920
9

Tiempo = 12

* Significa que la actividad ha llegado a su lmite de duracin mnima

El nuevo programa se muestra en la figura 13-17. Su tiempo es 11, y su costo es :
920 + (12 11) X (10 + 60) = 990.
Las dos rutas crticas del proyecto permanecen iguales. Puesto que todas las actividades sobre
la ruta crtica (1,2,5) estn en el tiempo de duracin mnima, ya no es posible reducir el tiempo
del proyecto. El programa de la figura 13-17 da, por consiguiente, el programa de duracin
mnima.

5*

6
6*

6
10

7
8

2
HL= 1

1
1
11

5
3

Costo = 920

Tiempo = 11
5

3
4

* Significa que la actividad ha llegado a su lmite de duracin mnima

Un resumen de los clculos anteriores esta dado en la figura 13-18, que representa el costo
directo del proyecto. Sumando los costos indirectos correspondientes a cada programa, se
puede calcular el programa de costo mnimo total (u ptimo).

1200
Punto de duracin mnima

C
O
S
T
O

1000
Costo directo
800

Punto normal

600

10

12

14 16

18

20

DURACIN

El ejemplo 13.4-2 resume todas las reglas para reducir las actividades en las condiciones
dadas. Existen casos, sin embargo, donde uno puede tener que aumentar una actividad ya
reducida antes que la duracin del proyecto completo pueda reducirse. La figura 13-19 ilustra
un caso caracterstico. Existen tres rutas criticas, a saber (1, 2, 3, 4), (1, 2, 4) y (1, 3, 4). La
actividad (2, 3) ha sido reducida de su tiempo normal 8 a su actual 5. La duracin del proyecto
dado puede reducirse, disminuyendo simultneamente una de las actividades sobre cada una
de las rutas criticas (1, 2, 4) y (1, 3, 4), o reduciendo simultneamente las actividades (1, 2) y (3,
4) y expandiendo la actividad (2, 3). Se elige la alternativa con la suma neta mas pequea de

pendiente. Note que si las actividades (1, 2) y (3, 4) se reducen y la actividad (2, 3) se expande,
la suma neta de pendientes es la suma de las pendientes para las actividades (1, 2) y (3, 4)
menos la pendiente para la actividad (2, 3). En todos los otros casos donde no existen
actividades que se puedan ampliar, la suma neta es igual a la suma de las pendientes de las
actividades reducidas.
Si la expansin es necesaria, entonces, adems del limite a duracin mnima y el lmite HL, el
limite de expansin tambin debe ser tomado en cuenta. Este es igual al tiempo normal de la
actividad menos su tiempo presente de reduccin. El lmite de reduccin, por consiguiente, es el
mnimo del lmite a duracin mnima, el limite HL y el lmite de expansin.
Un procedimiento Alternativo para Detectar Nuevas Rutas Crticas
En el ejemplo 13.4-2 el lmite HL fue utilizado para detectar la posibilidad de tener nuevas rutas
crticas. Si el limita HL es grande e igual al limite de reduccin, se puede reducir en pasos
grandes la duracin del proyecto. En esencia, esto tiene la ventaja de minimizar el numero de
programas calculados entre los puntos normal y de duracin mnima. Esto podra significar
posiblemente que los principales clculos del proyecto se han minimizado. Sin embargo, la
determinacin de los lmites HL requieren clculos adicionales, los cuales aumentan
especialmente con el incremento en el nmero de rutas crticas en el proyecto. Por lo tanto, no
existe garanta de que el mtodo del uso del HL proporcione clculos mnimos. Por
consiguiente, se ha desarrollado otro mtodo que elimina completamente la necesidad del lmite
HL. Se indica en el ejemplo 13.4-2 que si el lmite de duracin mnima es igual a 1, el limite HL
no necesita calcularse, ya que cualquier HL positivo es, al menos igual a 1. El nuevo
procedimiento, por consiguiente, pide reducir la duracin del proyecto en una unidad de tiempo
en cada ciclo de los clculos. Esto se hace de nuevo reduciendo la actividad que tiene la
pendiente mnima. El procedimiento se repite sobre el nuevo programa (y la nueva o nuevas
rutas crticas, si existen) hasta que se obtiene el programa de duracin mnima. Note que el
nuevo mtodo reduce la duracin del proyecto de tiempo en una unidad de tiempo cada ciclo.
Por consiguiente, si existen n unidades de tiempo entre los programas normal y de duracin
mnima, habr que esperar un total de n ciclos de clculo.
No existe evidencia concluyente acerca de cul de los mtodos anteriores en
computacionalmente ms eficiente. Si embargo, para clculos manuales, el mtodo sin limite
HL parece el ms conveniente
Control del proyecto
Existe la tendencia entre algunos usuarios PERT-CPM a pensar que el diagrama de flechas
puede descartarse tan pronto se haya desarrollado el programa de tiempo. Esto no es as. En
efecto, un uso importante del diagrama de flechas ocurre durante la fase de ejecucin del
proyecto. Raras veces sucede que la fase de planeacin desarrollar un programa de tiempos
que pueda seguirse exactamente durante la fase de ejecucin. Muy a manudo algunos de los
trabajos se demoran o se aceleran. Esto, naturalmente, depende de las condiciones reales de
trabajo. Tan pronto como tales disturbios ocurren en el plan original, se hace necesario
desarrollar un nuevo programa de tiempos para la parte restante del proyecto. Esta seccin
delinea un procedimiento para monitoreo y control del proyecto durante la fase de ejecucin.
Es importante seguir el progreso del proyecto en el diagrama de flechas, ms que en el
programa de tiempos solamente. El programa de tiempos se utiliza principalmente para verificar

si cada actividad est en tiempo. El efecto de una demora en cierta actividad sobre la parte
restante del proyecto, puede visualizarse mejor sobre el diagrama de flechas.
Suponga que en cuanto el proyecto progresa en el tiempo, se descubriera que la demora de
algunas actividades, hace necesario desarrollar un programa totalmente nuevo. Cmo puede
efectuarse esto usando el presente diagrama de flechas? La necesidad inmediata es actualizar
el diagrama de flechas asignando valores cero a las duraciones de las actividades que se han
terminado. A las actividades parcialmente terminadas se les asigna tiempos equivalentes a sus
partes no terminadas. Tambin deben hacerse los cambios en el diagrama de flechas, tales
como aadir o desechar cualquier futura. Repitiendo los clculos usuales sobre el diagrama de
flechas con sus nuevos elementos de tiempo, se puede determinar el nuevo programa de
tiempos y cambios posibles en la duracin del proyecto. Tal informacin se utiliza hasta que es
necesario actualizar el programa de tiempos nuevamente. En situaciones reales se requieren
normalmente muchas revisiones del programa de tiempos en las primeras etapas de la fase de
ejecucin. Sigue luego un periodo estable, en el cual se requiere poca revisin del programa
actual.

UNIDAD 4 MODELOS DE INVENTARIOS

Los inventarios se relacionan con el mantenimiento de cantidades suficientes de bienes (por
ejemplo, refacciones y materias primas) que garanticen una operacin fluida en un sistema de
produccin o en una actividad comercial. Los inventarios los ha considerado tradicionalmente el
comercio y la industria, como un mal necesario; muy poca reserva puede ocasionar costosas
interrupciones en la operacin del sistema y demasiada reserva puede arruinar la ventaja

competitiva y el margen de ganancia del negocio. Desde ese punto de vista, la nica manera
efectiva de manejar los inventarios es minimizar su impacto adverso, encontrando un justo
medio entre los dos casos extremos. Esta actitud hacia los inventarios prevaleci en las
naciones industrializadas de Occidente hasta despus de la Segunda Guerra Mundial, cuando
Japn implement con gran xito el sistema, famosos ahora, de justo a tiempo (JAT); este
sistema necesita un ambiente de produccin (casi) sin inventario. Sin embargo, es importante
recordar que JAT es algo ms que un sistema de control de inventarios en el sentido tradicional.
Se trata ms bien de una concepcin tendiente a eliminar los inventarios, mediante mejoras en
la calidad y reduccin de desperdicios. Bsicamente el JAT considera los inventarios como
resultado de las deficiencias en las componentes de la produccin, tales como el diseo de
productos, control de calidad, la seleccin de equipo, administracin del material y otras ms.
Eliminando tales deficiencias, el proceso de produccin puede equilibrarse y la dependencia del
flujo de produccin de los inventarios puede minimizarse o eliminarse.
El sistema JAT es muy adecuado para la fabricacin de carcter repetitivo (por ejemplo, su
implementacin de mayor xito ha sido en la industria automotriz). La necesidad de las tcnicas
tradicionales de control de inventarios para otro tipo de sistemas de produccin continuarn an
por mucho tiempo.
Modelo de inventario generalizado
El objetivo final de cualquier modelo de inventarios es el de dar respuesta a dos preguntas:
1. Qu cantidad de artculos deben pedirse?
2. Cundo deben pedirse?
Las respuestas a la primera pregunta se expresa en trminos de lo que llamamos cantidad del
pedido. Esta representa la cantidad ptima que debe ordenarse cada vez que se haga un
pedido y puede varias con el tiempo, dependiendo de la situacin que se considere. La
respuesta a la segunda interrogante depende del tipo de sistema de inventarios. Si el sistema
requiere revisin peridica en intervalos de tiempo iguales (por ejemplo, cada semana o cada
mes), el tiempo para adquirir un nuevo pedido suele coincidir con el inicio de cada intervalo de
tiempo. Por otra parte, si el sistema es del tipo de revisin continua, el nivel de inventario en el
cual debe colocarse un nuevo pedido, suele especificar un punto para un nuevo pedido.
Por lo tanto, podemos expresar la solucin del problema general de inventarios de la manera
siguiente:
1. Caso de la revisin peridica. Recepcin de un nuevo pedido de la cantidad
especificada por la cantidad del pedido en intervalos de tiempo iguales.
2. Caso de la revisin continua. Cuando el nivel de inventario llega al punto para un nuevo
pedido de coloca un nuevo pedido cuyo tamao sea igual a la cantidad del pedido.
La cantidad y el punto de un nuevo pedido suelen determinarse normalmente minimizando el
costo de inventario total que se puede expresar como una funcin de estas dos variables.
Podemos resumir el costo total de un modelo de inventarios general como funcin de sus
componentes principales en la forma siguiente:
costo de
Inventari
o
total

costo de
compra

costo
fijo

Costo de
almacenamiento

costo de
escasez

El costo de compra se vuelve un factor importante cuando el precio de una unidad de

mercanca depende del tamao del pedido. Esta situacin de expresa normalmente en trminos
de un descuento por cantidad o una reduccin del precio, donde el precio unitario del artculo
disminuye con el incremento de la cantidad ordenada. El costo fijo representa el gasto fijo (o no
variable) en que se incurre cuando se hace un pedido. Por lo tanto, para satisfacer la demanda
en un periodo, el pedido (ms frecuente) de cantidades menores dar origen a un costo fijo
mayor durante el periodo, que si se satisfaciera la demanda haciendo pedidos mayores (y, por
lo tanto, menos frecuentes). El costo de almacenamiento, que representa los costos de
almacenamiento de productos en bodega (por ejemplo, inters sobre capital invertido,
almacenamiento, manejo, depreciacin y mantenimiento), normalmente aumenta con el nivel de
inventario. Por ltimo, el costo de escasez es una penalizacin en la que se incurre cuando se
termina la existencia de un producto que se necesita. Por lo general incluye costos que se
acreditan a la prdida de la benevolencia del cliente y tambin a la prdida potencial de ingreso.
En la figura 14-2 se ilustra la variacin de las cuatro componentes de costo del modelo de
inventario general como funcin del nivel de inventario. El nivel de inventario ptimo
corresponde al costo total mnimo de las cuatro componentes. Sin embargo, obsrvese que un
modelo de inventarios no necesita incluir los cuatro tipos de costos, ya sea porque algunos de
los costos son insignificantes o porque harn que la funcin de costo total sea demasiado
compleja para el anlisis matemtico. No obstante, en la prctica podemos suprimir una
componente de costo slo si su efecto en el modelo de costo total es insignificante.
Figura 14-2
Costo total
por ao
Costo
total
Costo de
almacenamiento
Costo mnimo
Costo fijo
Costo de compra
Costo de
penalizacin

El modelo general de inventarios anterior parece ser lo suficientemente simple. Entonces, por
Nivel
Nivel de inventario
qu tenemos grandes variedades de modelos ptimo
cuyos mtodos de solucin van desde uso del
clculo simple a las refinadas aplicaciones de la programacin dinmica y matemtica? La
respuesta radica principalmente en si la demanda del artculo es determinista (se conoce con
certeza) o probabilstica (la describe una densidad de probabilidad). La figura 14-3 ilustra las
diversas clasificaciones de la demanda como se toman normalmente en modelos de
inventarios. Una demanda determinista puede ser esttica, en el sentido de que la tasa de
consumo permanece constante durante el transcurso del tiempo, o dinmica, donde la
demanda se conoce con certeza, pero vara de un periodo al siguiente. La demanda

probabilstica tiene dos clasificaciones anlogas: el caso estacionario, en el cual la funcin

densidad de probabilidad de la demanda se mantiene sin cambio con el tiempo; y el caso no
estacionario, donde la funcin densidad de probabilidad vara con el tiempo.
Es raro que una demanda esttica determinista ocurriera en el mundo real. Por lo tanto,
consideramos esta situacin como un caso de simplificacin. Por ejemplo, aunque la demanda
de artculos comestibles como el pan, puede variar de un da a otro, las variaciones pueden ser
mnimas e insignificantes, con el resultado de que una suposicin de demanda esttica quiz no
est muy distante de la realidad.
La representacin ms precisa de la demanda quiz puede hacerse a travs de distribuciones
no estacionarias probabilsticas. Sin embargo, desde el punto de vista matemtico, el modelo
de inventarios resultante ser ms bien complejo, en especial a medida que aumente el
horizonte de tiempo del problema. En la figura 14-3 se ilustra este aspecto, mostrando que
aumente la complejidad matemtica de los modelos de inventarios conforme se avanza desde
la suposicin de la demanda esttica determinista hacia la demanda no estacionaria
probabilstica. En realidad, podemos pensar que las clasificaciones de la figura 14-3
representan diferentes niveles de abstraccin en la demanda.
Figura 14-3
Determinista

Determinista
Demanda

Modelos
Ms simples

Determinista

Nivel
creciente de
dificultad
matemtica

Determinista

Determinista
Determinista

Los modelos
Ms complejos

El primer nivel supone que la distribucin de probabilidad de la demanda es estacionaria en el

tiempo. Esto es, se utiliza la misma funcin de densidad de probabilidad para representar la
demanda en todos los periodos sobre los cuales se hace el estudio. La implicacin de esta
hiptesis es que los efectos de tendencias estacionales en la demanda, si existe alguno, no
estarn incluidos en el modelo.
El segundo nivel de simplificacin reconoce las variaciones en la demanda entre diferentes
periodos. Sin embargo, ms que utilizar distribuciones de probabilidad se utiliza la demanda
promedio para representar las necesidades de cada periodo. Esta simplificacin tiene el efecto
de ignorar elementos de riesgo en la situacin de inventario. Sin embargo, permite considerar al
analista tendencias estacionales en la demanda, las cuales por dificultades analticas y de
clculo puede no ser posible incluir en un modelo probabilista. En otras palabras, parece haber
alguna clase de transaccin entre la utilizacin de distribuciones de probabilidades
estacionarias y demandas variables conocidas, segn la hiptesis de certeza supuesta.

El tercer nivel de simplificacin elimina ambos elementos de riesgo y variabilidad en la

demanda. Por consiguiente, la demanda en cualquier periodo se supone igual al promedio de
las demandas conocidas (supuestamente) para todos los periodos en consideracin. El
resultado de esta simplificacin es que la demanda puede representarse como una tasa
constante por unidad de tiempo.
Aunque el tipo de demanda es un factor principal en el diseo de modelo de inventarios, los
factores que siguen pueden influir tambin en la forma como se formula el modelo.
1. Demoras en la entrega o (tiempos gua). Cuando se coloca un pedido, puede entregarse
inmediatamente o puede requerir algn tiempo antes de que la entrega se efecte. El tiempo
entre la colocacin de un pedido y su surtido se conoce como demora en la entrega. En
general, las holguras de entrega pueden ser deterministas o probabilsticas.
2. Reabasto del almacn. Aunque un sistema de inventarios puede operar con demoras en las
entregas, el abastecimiento real de almacn puede ser instantneo o uniforme. El instantneo
ocurre cuando el almacn de fuetes externas. El uniforme puede ocurrir cuando el producto se
fabrica localmente dentro de la organizacin. En general, un sistema puede operar con demora
positiva en la entrega y tambin con reaprovisionamiento uniforme de almacn.
3. Horizonte de tiempo. El horizonte define el periodo sobre el cual el nivel de inventarios estar
controlado. Este horizonte puede ser finito o infinito, dependiendo de la naturaleza de la
demanda.
4. Abastecimiento mltiple. Un sistema de inventarios puede tener varios puntos de
almacenamiento (en lugar de uno). En algunos casos estos puntos de almacenamiento estn
organizados de tal manera que un punto acta como una fuente de abastecimiento para
algunos otros puntos. Este tipo de operacin puede repetirse a diferentes niveles, de tal manera
que un punto de demanda puede llegara ser un nuevo punto de abastecimiento. La situacin
generalmente se denomina sistema de abastecimiento mltiple.
5. Numero de artculos. Un sistema de inventarios puede contener mas de un articulo
(mercancas). Este caso es de inters, principalmente si existe alguna clase de interaccin entre
los diferentes artculos. Por ejemplo, estos pueden competir en espacio o capital total limitados.
Modelos deterministas
Es muy difcil idear un modelo general de inventarios que tomo en cuenta todas las variaciones
en los sistemas reales. De hecho, aun si puede ser formulado un modelo suficientemente
general, tal vez no sea posible de resolver analticamente. Por consiguiente, los modelos
presentados en esta seccin tratan de ser ilustrativos de algunos sistemas de inventarios. Es
improbable que estos modelos se ajustan exactamente a una situacin real; pero el objetivo de
la presentacin es proveer ideas diferentes que puedan ser adaptadas a sistemas de inventario
especifico.
Modelo esttico de un solo articulo (CPE)
El tipo ms simple de modelo de inventarios ocurre cuando la demanda es constante en el
tiempo con reabastecimiento instantneo y sin escasez. La figura 14-4 ilustra la variacin del
nivel de inventario. Se supone que la demanda ocurre con la tasa D (por unidad de tiempo). El

nivel mas alto del inventario ocurre cuando se entrega la cantidad ordenada y. (La demora en la
entrega se supone una constante conocida.) El nivel de inventario alcanza el nivel 0 y/D
unidades de tiempo despus que se recibe la cantidad pedida y.

Puntos en el tiempo donde se colocan los pedidos

Nivel de
Inventario
y

Inventario
Promedio = y/2

t0 = y/D

Tiempo

Figura 14-4
Cuanto mas pequea sea la cantidad y ordenada, ms frecuente ser la colocacin de nuevos
pedidos. Sin embargo, se reducir el nivel promedio del inventario mantenido en almacn. Por
otra parte, pedidos de mayor cantidad indican nivel de inventario mas grande, pero colocacin
menos frecuente de pedidos (vase la Figura 14-5). Debido a que existen costos asociados al
colocar los pedidos y mantener el inventario en almacn, la cantidad y se selecciona para
permitir un compromiso entre los dos tipos de costo. Esta es a base para formular un modelo de
inventarios.
Sea K el costo fijo originado cada vez que se coloca un pedido y suponga que el costo de
mantener una unidad en inventario (por unidad de tiempo) es h. Por lo tanto, el costo total por
unidad de tiempo CTU (en ingles, TCU total cost per unit time) como funcin de y puede
expresar se como
CTU (y)

=
=

(costo fijo) / unidad de tiempo +

(costo de mantenimiento del inventario) / unidad de tiempo
K
y
h
y D
2

Como se ve en la figura 14-4 la longitud de cada ciclo de inventario es t 0 y D y el inventario

Frecuencia baja de pedidos
promedio en el almacn es y 2 .
Nivel
de
Inventario
Frecuencia alta de pedidos

Tiempo

Figura 14-5
El valor ptimo de y se obtiene minimizando CTU (y) con respecto a y. Por consiguiente,
suponiendo que y es una variable continua se deduce que
dCTU ( y )
KD h
2 0
dy
2
y
que proporciona la cantidad pedida ptima como
y*

2 KD
h

[Puede comprobarse que y* minimiza CTU (y) demostrando que la segunda derivada en y* es
estrictamente positiva.*] Por lo comn la cantidad pedida se denomina tamao del lote
econmico de Wilson, o, simplemente, cantidad pedida econmica (CPE).
*
*
La poltica ptima del modelo requiere ordenar y* unidades cada t 0 y / D unidades de tiempo.
El costo ptimo CTU (y*) se obtiene por sustitucin directa como 2KDh.

La mayora de las situaciones prcticas generalmente tiene tiempo de fabricacin positivo L (o

de retraso) desde el punto en el cual se coloca la orden hasta que realmente se entrega. La
poltica de pedidos del modelo anterior, por consiguiente, debe especificar el punto de
reordenacin. La figura 14-6 ilustra la situacin donde la reordenacin ocurre L unidades de
tiempo antes de lo esperado para la entrega. Esta informacin puede traducirse
convenientemente para la implantacin prctica, especificado slo el nivel de inventarios en el
que se vuelve a pedir, llamado punto de reordenacin. En la prctica esto es equivalente a
observar continuamente el nivel de inventario hasta que se alcance el punto de reordenacin.
Figura 14-6
Nivel de
Inventario
Y*

puntos de reordenacin

Tiempo

Quiz esto es por lo que el modelo del tamao de lote econmico se clasifica algunas veces
como modelo de revisin continua. Observe que conforme el sistema se estabiliza, el
tiempo de fabricacin L, en el caso del anlisis, puede ser tomado siempre menor que la
*
longitud del ciclo t 0 . El ejemplo siguiente ilustra este punto.
Ejemplo 14.3-1
La demanda diaria D para una mercanca es aproximadamente 100 unidades. Cada vez que se
coloca un pedido se origina un costo fijo K de $ 100. El costo diario, h, de mantener el inventario
por unidad es de $ 0.02. Si el tiempo de fabricacin es de 12 das, determine el tamao
econmico de lote y el punto de reordenacin.
De las frmulas anteriores, el tamao econmico del lote es
y*

2 KD

2 x100 x100
1 000 unidades
.02

por lo tanto, la longitud del ciclo ptima asociada est dada como
t 0*

y * 1000

10 das
D
100

Puesto que el tiempo de fabricacin es de 12 das y la longitud de ciclo es de 10 das, el volver

a pedir ocurre cuando el nivel de inventario es suficiente para satisfacer la demanda para dos
das (=12-10). Por consiguiente, la cantidad y* = 1 000 se ordena cuando el nivel de inventario
alcanza 2 x 100 = 200 unidades.
Observe que el tiempo efectivo de fabricacin se toma igual a 2 das en lugar de 12 das. Esto
*
ocurre porque el tiempo es mayor que t 0 . Sin embargo. Despus que el sistema se estabiliza
(esto toma dos ciclos en este ejemplo), la situacin puede ser tratada como si el tiempo de
*
*
fabricacin fuera L nt 0 , donde n es el entero ms grande, pero sin exceder L / t 0 .
Situaciones como sta exhiben ms de un pedido sobresaliente a la vez.
Modelo dinmico CPE de un solo artculo y N periodos
En este modelo se supone que la demanda, aunque coincida con certeza, puede variar de un
periodo al siguiente. Tambin el nivel de inventario se revisa peridicamente. No obstante que
puede permitirse la demora en la entrega (expresada como un nmero fijo de periodos) el
modelo supone que el almacn se reabastece instantneamente al inicio0 del periodo. No se
permite ninguna escasez. El objetivo fundamental del modelo dinmico es el mismo que en
todos los modelos de inventarios: la determinacin de un programa o calendario de entregas
que minimice los costos totales de produccin (o de compras) y de mantenimiento de inventario.
Este modelo se denomina a veces como la cantidad pedida econmica dinmica (CPE)
porque es un perfeccionamiento del modelo esttico CPE presentado anteriormente.

Ciertamente, si las fluctuaciones en la demanda no son demasiado pronunciadas en los

diferentes periodos, debe usarse, como una aproximacin razonable, el modelo esttico CPE
que es ms sencillo en cuanto a los clculos. En este caso, la tasa de demanda D se estima
como la demanda promedio de los N periodos del modelo dinmico.
El modelo dinmico CPE se aplica a los casos cuando la demanda de un artculo vara
peridica o estacionalmente. Una variante importante de esta aplicacin surge de la llamada
planeacin de requerimiento de materiales (PRM), para proporcionar una entrega a tiempo de
los materiales necesarios en las diferentes etapas del proceso de produccin.
En esta seccin comenzamos describiendo cmo conduce el procedimiento PRM, a un modelo
de inventario dinmico comn de N periodos. Despus de esta motivante presentacin,
mostramos un conjunto de mtodos para resolver el modelo. Se ver que a diferencia del
modelo esttico CPE, el modelo dinmico CPE slo puede tratar con un horizonte finito de
planeacin. Dado que tenemos que predecir las variaciones en demandas futuras, es razonable
suponer que tales predicciones sern vlidas slo en un horizonte finito
A. Aplicacin de la planeacin de requerimiento de materiales (PRM)
La idea bsica del procedimiento PRM puede describirse mejor con un ejemplo. Suponga que la
demanda trimestral en el prximo ao, para dos modelos, M1 y M2, de un producto especfico
es de 100 y 150 unidades, respectivamente. Se prometen entregas de lotes trimestrales al final
de cada trimestre. El tiempo de anticipacin, o de fabricacin, para M1 es de 2 meses, y el de
M2 es de slo 1 mes (por este motivo la fecha de inicio de la produccin de los lotes M1 y M2
deben ser al principio de Febrero y Marzo, respectivamente, para ser entregados a finales de
Marzo). Ambos modelos utilizan un subensamble comn S a razn de 2 unidades por unidad de
producto final. El tiempo de anticipacin para fabricar el subconjunto es de 1 mes.
La figura 14-11 Modelo
resume1 el programa de la produccin asociada Modelo
con los
2 dos modelos. La
planeacin comienza con la demanda trimestral (flechas continuas) de M1 y M2, que se
0 1 2 3 4 5 6 7 8 9 10 11 12
0 1 2 3 4 5 6 7 8 9 10 11 12
presenta
a fines de Marzo, Junio, Septiembre y Diciembre
(meses 3, 6, 9 y 12). Dados los
tiempos de demora de 2 meses y 1 mes para M1 y M2, las flechas interrumpidas muestran el
inicio planeado de la produccin de cada lote. Para que la produccin comience segn se ha
planeado, es necesario que el subensamble S sea entregado en esas fechas precisas. Esto
significa
comienzo
de un lote, M1 o150
M2, debe150
coincidir150
con la entrega
de
100 que el100
100de la produccin
100
150
un lote de subensambles. Esta informacin se muestra en la figura 14-11 por medio de las
flechas
continuas, correspondientes al diagrama del subensamble (S). las cantidades
M1
M2
correspondientes de la demanda se calculan directamente sobre la base de 2:1 para M1 y M2
8cada unidad
o M2 necesita
2 unidades
de S). Contando
de anticipacin
100de M1 100
100
100
150 con un
150tiempo 150
150
de produccin de 1 mes, el programa de produccin para S asociado con M1 y M2 puede
determinarse como se muestra con las flechas interrumpidas. Ahora el siguiente paso es
determinar la programacin de la produccin total de S combinando los dos diagramas de
subensamble de M1 y M2 en uno solo, como se muestra en la figura 14-11. La programacin de
demanda variable es caracterstico de la situacin que se puede resolver por medio de los
algoritmos
dinmicos
CPE que 200
se presentan ms adelante.
200
200
200
300
300
300
300
Figura
14-11
S
200

S
200

200

200

300

200 300

200 300

200 300

300

200 300

Requerimientos combinados de S
para el modelo 1 y 2
0

9 10 11 12

300

300

En una situacin comn de PRM, las necesidades de material pueden ser de varios niveles de
subensambles con cada nivel produciendo un diagrama combinado similar al mostrado antes
para S. en tal caso cada nivel ocasionar una aplicacin separada del modelo dinmico CPE.
Es interesante notar que los productos principales (por ejemplo, M1 y M2) pueden comenzar
con demandas perfectamente uniformes con el tiempo, pero la interaccin entre los productos
finales y los subensambles, junto con el efecto de los tiempos de inicio de la produccin, podra
dar lugar a demandas dinmicas o variables en el curso del horizonte de planeacin. El hecho
que la programacin del producto final sea el factor clave para decidir cmo debe llevarse a
cabo la produccin y compra en las etapas precedentes de produccin, da lugar al sugestivo
nombre de sistema de arrastre (pull system) en oposicin al sistema de empuje (push
system), en el que los elementos del inventario se distribuyen, posiblemente en forma
multiescalonada desde una localidad central (por ejemplo, una bodega) a los puntos de
demanda (por ejemplo, minoristas).
B. Algoritmos de solucin
En esta seccin presentamos dos tipos de algoritmos de solucin: un modelo de programacin
dinmica (PD) y uno heurstico. El modelo PD garantiza optimidad, aunque implica clculos
extensos, aun en la computadora. El modelo heurstico, cuando es aplicable, es rpido y
eficiente desde el punto de vista del cmputo y de acuerdo con experiencias al respecto,
conduce a muy buenas soluciones.

Modelo de programacin dinmica

Defina para el periodo i, siendo i = 1,2,...,N.
z i = cantidad ordenada
Di = cantidad demandada
X i = inventario que entre (al inicio del periodo i)
hi = costo de mantenimiento por unidad de llevar adelante el inventario del periodo i al
periodo i + 1
K i = costo fijo
c i ( z i ) = funcin de costo de compra marginal (produccin) dada z i

Sea

0
Ci ( zi )
K i ci (zi ),

zi 0
zi 0

La funcin c i ( z i ) es de inters nicamente si el costo de compra unitario vara de un periodo al

siguiente o si existen rebajas en los precios.
Puesto que no existe escasez permitida, el objetivo es determinar los valores ptimos de z i
que minimizan la suma de los costos fijos, de compra y de mantenimiento para todos los N
periodos. El costo de mantener el inventario se supone proporcional a
x i 1 x i z i Di

que es la cantidad de inventario que se lleva desde i hasta i + 1. Esto significa que el costo de
mantener el inventario en el periodo i es hixi+1. La hiptesis se introduce nicamente para
simplificar, ya que el modelo puede extenderse fcilmente hasta cubrir cualquier funcin de
costo de mantenimiento de inventario Hi (xi+1) reemplazando hixi+1 por Hi(xi+1). Anlogamente, el
costo de mantenimiento de inventario puede estar basado en xi o (xi + xi+1)/2.
El desarrollo del modelo de programacin dinmica se simplifica representando grficamente el
problema, como se muestra en la figura 14-12. cada periodo representa una etapa. Usando la
ecuacin recursiva hacia atrs, se pueden definir los estados del sistema en la etapa i como la
cantidad de inventario que entra xi. Sea f i ( x i ) el costo de inventario mnimo para los precios
i, i + 1,..., y N. La ecuacin recursiva completa est dada por

f N ( x N ) mn C N ( z N )
ZN + XN = DN
ZN > 0

f i mn C i ( z i ) hi ( xi z i Di ) f i 1 ( xi z i Di ) ,
Di< xi+zi < Di ++Dn
Zi> 0

I = 1,2,,N 1
La ecuacin recursiva de avance puede desarrollarse definiendo los estados en la etapa i como
la cantidad de inventario final del periodo i. De la figura 14-12 estos estados son equivalentes a
xi+1. En cualquier etapa, los valores de xi+1 estn limitados por
0 x i 1 Di 1 ... D N

Por lo tanto, en el caso extremo, la cantidad zi en el periodo i puede ser ordenada lo

suficientemente grande de manera que el inventario restante xi+1 satisfaga la demanda para
todos los periodos restantes.
Sea f i ( x i 1 ) el costo del inventario mnimo para los periodos 1, 2,..., e i dado xi+1, la cantidad
de inventario al final del periodo i. La ecuacin recursiva completa entonces est dada como

f 1 ( x 2 ) mn C1 ( z1 ) h1 x 2

0 < z1 < D1 + x2

f i ( x i 1 ) mn C i ( z i ) hi x i 1 f i 1 ( x i 1 Di z i ) ,
0 < zi < Di + xi+1

I = 2,3,,N
Las formulaciones de avance y retroceso del modelo son computacionalmente equivalente. Sin
embargo, el algoritmo hacia delante, como es indicar posteriormente, ser til al desarrollar un
caso especial importante del modelo anterior. El ejemplo numrico siguiente, por lo tanto, se
utiliza para ilustrar el procedimiento de cmputo del algoritmo hacia delante. El procedimiento
para el algoritmo de retroceso se deja como un ejercicio para el lector.
Modelos probabilsticos
Esta seccin presenta modelos de inventarios diferentes (de un solo artculo) en los cuales la
demanda es probabilstica. El primer desarrollo extiende el modelo de revisin continua
determinista incluyendo directamente la demanda probabilstica en la formulacin. Las
formulaciones restantes se clasifican como modelos de un solo periodo y de periodos mltiples.
En los modelos de periodos mltiples la distribucin de la demanda es estacionaria o no
estacionaria. La mayora de los modelos de periodos mltiples con demanda estacionaria
pueden extenderse fcilmente al caso no estacionario; pero los clculos relacionados,
especialmente en el caso no estacionario, son casi prohibitivos. Sin embargo, si se supone
demanda estacionaria y horizonte infinito, generalmente pueden obtenerse soluciones de forma
cerrada para los modelos.
El criterio bsico de decisin utilizado como modelos de inventario probabilsticos en este tema
es la minimizacin de costos esperados (o equivalentemente, la maximizacin del beneficio
esperado). Como se mencion anteriormente, tambin podran ser utilizados otros criterios. Sin

embargo, ya que el objetivo es concentrarse sobre el desarrollo del problema de inventario en s

mismo, aqu no se discutir otro criterio.
Modelo de revisin continua
Esta seccin introduce un modelo probabilstico en el cual el almacenamiento se revisa
continuamente, y un pedido de tamao y se coloca cada vez que el nivel de existencias llega a
un cierto punto de reorden R. El objetivo es determinar los valores ptimos de y y R que
minimicen los costos esperados de inventarios por unidad de tiempo. En este modelo, un ao
representa una unidad de tiempo.
Las fluctuaciones de inventario correspondientes a esta situacin se dibujan en la figura 14-14.
Figura 14-14

Tiempo de demora
Ciclo 1

Tiempo de
demora
Ciclo 2

Un ciclo se define como el periodo entre dos llegadas sucesivas de pedidos. Las hiptesis del
modelo son:
1. El tiempo de fabricacin entre la colocacin de un pedido y su recepcin es estocstico.
2. La demanda que no se satisface durante el tiempo de fabricacin se deja pendiente para
ser satisfecha en periodos posteriores.
3. La distribucin de la demanda durante el tiempo de fabricacin es independiente del
tiempo en el cual sta ocurre.
4. No existe ms de un pedido pendiente a la vez.
Sea
R(x/t) = fdp condicional de la demanda x durante el tiempo de fabricacin t,x>0.
S(t) = fdp del tiempo de fabricacin t, t>0.
f (x) fdp absoluta de la demanda x durante el tiempo de fabricacin

r ( x / t ) s (t )dt

y = cantidad ordenada por ciclo

D = demanda anual total esperada
h = costo anual de mantener el inventario por unidad

p = costo anual de escasez por unidad

El costo anual total para este modelo incluye el costo fijo promedio, el costo esperado de
mantenimiento de inventario y el costo esperado de escasez. El costo fijo promedio est dado
por (DK/y), donde (D/y) es el nmero aproximado de pedidos por ao y K es el costo fijo por
orden.
El costo esperado de mantener el inventario se calcula con base en el nivel de inventario neto
esperado al inicio y al final del ciclo. El nivel esperado al final de un ciclo de inventario es igual a
E{R-x}. Al comienzo del ciclo (justo despus que se recibe un pedido de tamao y), el nivel
esperado de inventario es igual y + E{R-x}. Esto significa que el inventario promedio por ciclo
(por ao) est dado por

( y E{R x}) E{R x} y

E{R x}
2
2

Ahora, dado f (x) como se defini anteriormente,

E{R x}

( R x ) f ( x ) dx R E{ x}

Observe que la expresin para H ignora el caso donde R-E{x} es negativo (cantidad de
escasez). Esta es una de las aproximaciones para simplificar el modelo.
Sea S la cantidad de escasez por ciclo. Entonces

0,
S ( x)
x R,

xR
xR

Consecuentemente, la cantidad esperada de escasez por ciclo es

S

S ( x ) f ( x ) dx

( x R ) f ( x ) dx

Puesto que existen aproximadamente (D/y) rdenes por ao, la escasez anual esperada
entonces es igual a ( D S / y ).
El costo anual total del sistema, por consiguiente, est dado como

TAC ( y , R )

DK
y
pD S
h( R E{ x})
y
2
y

Observe que el costo de escasez ( pD S / y ) se supone proporcional a la cantidad de escesez,

nicamente sin tomar en cuenta el tiempo de escasez. Esto de nuevo es otra aproximacin
simplificadora en el modelo, ya que en el caso de costos de escasez de pedidos pendientes
tambin es una funcin del tiempo de escasez.

La solucin para la y* y R* ptimas se obtiene de

DK
TAC
h pD S


0
2
y
2
y2
y

TAc h pD f ( x ) dx 0
R

De la primera ecuacin,
y*

2 D( K p S )
h

(1)

y de la segunda ecuacin,

R*

f ( x)dx

hy *
pD

(2)

una solucin general explcita para y* y R* no es posible en este caso. Por consiguiente, un
mtodo de anlisis numrico conveniente se utiliza para resolver las ecuaciones (1) y (2)
anteriores. El procedimiento siguiente, debido a Hadley y Whitin (1963), se comprueba que
converge en un nmero finito de iteraciones, siempre que exista una solucin.
En la ecuacin (1), S es al menos igual a cero, esto muestra que el valor ms pequeo de y*
es igual a 2 DK / h , lo cual se logra cuando S 0(oR ).
Ahora bien, en R = 0, la ecuacin (1) da

y* y

2 D( K pE{x})
h

mientras que la ecuacin (2) proporciona

pD
y* ~
y
h
y y existen los valores
Puede comprobarse [Hadley y Whitin (1963), Pgs. 169-174] que si ~
ptimos de y y R y son nicos. En tal caso, estos valores se calculan como sigue. Calcule el
primer valor de ensayo de y* como y1 2 DK / h. En seguida, utilice la ecuacin (2) para
calcular el valor de R1 correspondiente a y1. utilizando R1, se obtiene un nuevo valor de ensayo
y2 de la ecuacin (1). Despus, R2 se calcula de la ecuacin (2) utilizando y2. Este

procedimiento se repite hasta que dos valores sucesivos de R sean aproximadamente iguales.
En este punto, el ltimo valor calculado para y y R proporcionarn y* y R*.

UNIDAD 5. RBOL DE DECISIONES

En esta seccin consideramos un proceso de decisin de mltiples etapas en el cual se toman
decisiones dependientes una tras otra. Se puede hacer una representacin grfica del problema
de decisin mediante el uso de un rbol de decisin. Esta representacin facilita el proceso de
toma de decisiones. El ejemplo que sigue ilustra los fundamentos del procedimiento del rbol de
decisiones.
Ejemplo
Una compaa tiene ahora las opciones de construir una planta de tamao completo o una
pequea que se pueda ampliar despus. La decisin depende principalmente de las demandas

futuras del producto que producir la planta. La construccin de una planta de tamao completo
puede justificarse en trminos econmicos si el nivel de demanda es alto. En caso contrario,
quiz sea recomendable construir una planta pequea ahora y despus decidir en dos aos si
sta se debe ampliar.
El problema de decisin de mltiples etapas se presenta aqu porque si la compaa decide
construir ahora una planta pequea, en dos aos deber tomarse una decisin a futuro relativa
a la expansin de dicha planta. Dicho de otra manera, el proceso de decisin implica dos
etapas: una decisin ahora relativa a la dimensin o tamao de la planta y una decisin de aqu
a dos aos referente a la expansin de la planta (suponiendo que se decide construir una planta
ahora).
En la figura 12-1 se presenta un resumen del problema como un rbol de decisin. Se supone
que la demanda puede ser alta o baja. El rbol de decisin tiene dos tipos de nodos: un cuadro
representa un punto de decisin y un crculo denota en evento probabilstico. Por lo tanto,
comenzando con el nodo 1 (un punto de decisin), debemos tomar una decisin referente al
tamao de la planta. El nodo 2 es un evento probabilstico del cual emanan dos ramas que
representan demanda baja y alta, dependiendo de las condiciones del mercado. Estas
condiciones se representarn al asociar probabilidades con cada rama. El nodo 3 es tambin un
evento probabilstico del cual emanan dos ramas que representan demandas alta y baja.
Figura 12-1

Demanda alta
(0.75)

Demanda baja

Construir la
planta
grande
(-$5 000 000)

$ 300 000 / ao

(0.25)

Construir la
planta
pequea
(-$1 000 000)

$ 1 000 000 / ao

Ampliar

($250 000/ao)
Demanda alta
(0.75)

(-$4 200 000)

No ampliar

3
Demanda baja

Demanda alta
(0.75)

$ 900 000 / ao

Demanda baja
(0.25)
Demanda alta
(0.75)

$ 200 000 / ao

Demanda baja
(0.25)

$ 200 000 / ao

$ 250 000 / ao

(0.25)
$ 200 000 / ao

Etapa 1

Etapa 2

2 aos

8 aos

Los datos del rbol de decisin deben incluir (1) las probabilidades asociadas con las ramas
que emanan de los eventos de oportunidad y (2) los ingresos asociados con diversas
alternativas del problema. Supngase que la compaa est interesada en estudiar el problema
en un periodo de 10 aos. Un estudio del mercado seala que las probabilidades de tener
demandas altas y bajas en los 10 aos siguientes son 0.75 y 0.25, respectivamente. La
construccin inmediata de una planta grande costar $ 5 millones y una planta pequea
costar slo $ 1 milln. La expansin de la planta pequea de aqu a dos aos se calcula
costar $ 4.2 millones. Los clculos o estimaciones del ingreso anual de cada una de las
alternativas estn dados de la manera siguiente.

1. La planta completa y la demanda alta (baja) producirn $ 1 000 000 ($300 000
anualmente).
2. La planta pequea y una baja demanda generarn $ 200 000 anuales.
3. La planta pequea y una demanda alta producirn $ 250 000 para cada uno de los 10
aos.
4. La planta pequea ampliada con demanda alta (baja) generarn $ 900 000 ($ 200 000
anualmente).
5. La planta pequea sin expansin y con alta demanda en los dos primeros aos, seguida
de una baja demanda producir $ 200 000 en cada uno de los ocho aos restantes.
Estos datos se resumen en la figura 12-1. Ahora estamos listos para evaluar las alternativas. La
decisin final debe sealarnos qu hacer en los nodos de decisin 1 y 4.
La evaluacin de las alternativas est basada en el uso del criterio del valor esperado. Los
clculos empiezan en la etapa 2 y despus retroceden a la etapa 1. Por lo tanto, en los ltimos
ocho aos, podemos evaluar las dos alternativas en el nodo 4 de la manera siguiente:
E {ganancia neta I expansin}
= (900 000 x 0.75 + 200 000 x 0.25) x 8 4 200 000 = $ 1 600 000
E {ganancia neta I no expansin}
= (250 000 x 0.75 + 200 000 x 0.25) x 8 = $ 1 900 000
Por lo tanto, en el nodo 4, la decisin indica que no habr expansin y la ganancia neta
esperada es $ 1 900 000.
Ahora podemos reemplazar todas las ramas que emanan del nodo 4 por una sola rama con una
ganancia neta esperada de $ 1 900 000, que representa la ganancia neta para los ltimos ocho
aos. Ahora efectuamos los clculos de la etapa 1 que corresponden al nodo 1 como sigue:
E {ganancia neta I planta grande}
= (1 000 000 x 0.75 + 300 000 x 0.25) x 10 5 000 000 = $ 3 250 000
E {ganancia neta I planta pequea}
= (1 900 000 + 500 000 x 0.75 + 2 000 000 x 0.25 1 000 000 = $ 1 300 000
por lo tanto, la decisin ptima en el nodo 1 consiste en construir ahora una planta grande.
Tomar esta decisin ahora elimina evidentemente la consideracin de las alternativas en el
nodo 4.

UNIDAD 6. CADENAS DE MARKOV

Considere los puntos discretos en el tiempo

t k

para k = 1,2,... y sea tk , la variable

aleatoria que caracteriza el estado del sistema en t k . La familia de variables aleatorias tk

forma un proceso estocstico. Los estados en el tiempo t k representan realmente las
situaciones (exhaustivas y mutuamente excluyentes) del sistema en ese tiempo especfico. El
nmero de estados puede ser entonces finito o infinito. Por ejemplo, la distribucin de Poisson

Pn (t )

e t (t ) n
, n = 0, 1, 2, ...
n!

representa un proceso estocstico con un nmero infinito de estados. La variable aleatoria n

representa aqu el numero de sucesos entre 0 y t (suponiendo que el sistema comienza en el
tiempo 0). Los estados del sistema en cualquier tiempo t estn dados por n = 0, 1, 2, ...
Otro ejemplo es el juego de lanzar la moneda con k lanzamientos. Cada lanzamiento se puede
interpretar como un punto en el tiempo. La secuencia resultante de lanzamientos constituye un
proceso estocstico. El estado del sistema en cualquier lanzamiento es guila o sol, o bien,
cara o cruz.
Esta seccin presenta un resumen de una clase importante de sistemas estocsticos que
incluye a los procesos de Markov, as como a las cadenas de Markov. Una cadena de Markov
es en realidad un caso especial de procesos de Markov. Se usa para estudiar el
comportamiento a corto y largo plazo de ciertos sistemas estocsticos.
Procesos de Markov
Un proceso de Markov es un sistema estocstico en el que la ocurrencia de un estado futuro
depende del estado inmediatamente precedente y slo de l. As, si t 0 t1 ...t n (n 0,1,2...)
representan puntos en el tiempo, la familia de variables aleatorias tk
Markov, si sta posee la siguiente propiedad Markoviana:

es un proceso de

P{ tn x n | tn 1 x n 1 ,..., t 0 x 0 } P{ tn x n | tn 1 x n 1 }

para todos los valores posibles de t 0 , t1 ,..., tn .

p xn 1, xn P{ tn x n | tn 1 x n 1 } se llama probabilidad de transicin.
La probabilidad
Representa la probabilidad condicional de que el sistema est en x n en tn, dado que estaba en
xn-1 en tn-1. esta probabilidad tambin se denomina probabilidad de transicin de un paso, ya que
describe al sistema entre tn-1 y tn. Una probabilidad de transicin de m pasos se define entonces
como
p xn , xn m P{ tn m x n m | tn x n }

Cadenas de Markov
Sean E1, E2, ...,Ej (j = 0, 1, 2,...) los estados exhaustivos y mutuamente excluyentes de un
sistema en un tiempo cualquiera. Inicialmente, en el tiempo t0, el sistema puede estar en
( 0)
cualquiera de esos estados. Sean a j (j = 0, 1, 2,...) las probabilidades absolutas de que el
sistema se encuentre en el estado Ej en t0. Suponga adems que el sistema es Markoviano.
Definimos
p ij P{ tn j | tn 1 i}

como la probabilidad de transicin de un paso, de pasar del estado i en tn-1 al estado j en tn, y
suponemos que esas probabilidades de transicin del estado Ei al estado Ej se pueden arreglar
ms convenientemente en forma de matriz como sigue:

P=

p 00

p10

p 20

p30

p 01
p11

p 02
p12

p 21
p31

p 22
p32

p 03...

p13...

p 23...

p33...

La matriz P se denomina matriz estocstica o matriz de transicin homognea por que

todas las probabilidades de transicin pij son fijas e independientes del tiempo.
Las probabilidades pij deben satisfacer las condiciones

pij 1,
j

para toda i

pij> 0, para toda i y j

Debemos definir ahora una cadena de Markov, una matriz P de transicin junto con las
( 0)
probabilidades iniciales {a j } , asociados con los estados Ej, definen completamente una
cadena de Markov. Se piensa por lo general que una cadena de Markov describe el
comportamiento de transicin de un sistema de intervalos de tiempo igualmente espaciados.
Sin embargo, existen situaciones donde los espaciamientos temporales dependen de las
caractersticas del sistema y por ello, pueden no ser iguales entre s. Estos casos se denominan
cadenas de Markov incrustadas.

BIBLIOGRAFA

BSICA:

TAHA HAMDY A.
Investigacin de Operaciones
Quinta edicin
Mxico, Alfaomega 1995

OTRAS:
PRAWDA J.
Mtodos y modelos de investigacin de operaciones, vol. I y II.
Mxico, Limusa 1991
ACKOFF R Y SASIEMI L.
Fundamentos de investigacin de operaciones
Mxico, Limusa 1990
SHAMBLIN, J. Y STEVENS G.
Investigacin de operaciones
Mxico, Mc Graw Hill 1985
BAZARAA M. Y JARVIS
Programacin lineal y flujo de redes
Mxico, Limusa 1190
BUENO de A. G.
Introduccin a la programacin lineal y al anlisis de sensibilidad
Mxico, Trillas 1995