Está en la página 1de 77

Investigacin de Operaciones I

ISC

Contenido
Unidad I. Introduccin a la investigacin de operaciones y planteamiento de problemas en
trminos del modelo de programacin lineal. .............................................................................. 3
Resea histrica ........................................................................................................................ 3
Modelos..................................................................................................................................... 4
Desventajas de los modelos .................................................................................................. 4
Definicin de investigacin de operaciones.............................................................................. 4
Planteamiento ........................................................................................................................... 5
Cmo plantear un problema en trminos de un MPL? ........................................................... 6
Unidad II. Mtodo grfico ........................................................................................................... 12
Graficacin de la regin factible para un MPL ........................................................................ 13
Identificacin del punto ptimo.............................................................................................. 15
Casos especiales ...................................................................................................................... 17
Anlisis de sensibilidad............................................................................................................ 19
Variaciones en los coeficientes de la funcin objetivo ........................................................... 19
Cmo encontrar el intervalo de optimalidad? ...................................................................... 20
Variacin en los datos derechos ............................................................................................. 20
Intervalos de factibilidad ......................................................................................................... 21
Clculo de los precios sombra ................................................................................................. 22
Unidad III. Mtodo Simplex......................................................................................................... 24
Teora de programacin lineal ................................................................................................ 26
Mtodo simplex ...................................................................................................................... 30
Procedimiento del mtodo simplex ........................................................................................ 34
Qu hacer cuando no se tiene una matriz identidad como base? ........................................ 36
Uso de variables artificiales..................................................................................................... 37
Mtodo de penalizacin (M grande)....................................................................................... 37
Problemas degenerados.......................................................................................................... 41
Anlisis de sensibilidad (del mtodo simplex) ............................................................................ 43
Intervalos de optimalidad ....................................................................................................... 43
Intervalos de factibilidad ......................................................................................................... 44
Precio sombra ......................................................................................................................... 46
Unidad IV. Los problemas de transporte, asignacin y trasbordo. ............................................. 46
El problema de transporte ...................................................................................................... 46
1

Investigacin de Operaciones I

ISC

Propiedad de la matriz A ......................................................................................................... 49


Unimodularidad total de la matriz A ....................................................................................... 50
Triangularidad de la matriz bsica .......................................................................................... 51
Soluciones bsicas enteras ...................................................................................................... 51
Propiedades de los vectores

en la tabla del simplex ........................................................ 51

Caracterizacin de una base en la tabla de transporte........................................................... 53


Representacin de la base en la grfica de transporte ........................................................... 54
Mtodo simplex para problemas de transporte ..................................................................... 55
Determinacin de una solucin bsica factible inicial ............................................................ 56
Mtodo de la esquina noroeste .............................................................................................. 56
Mtodo del costo mnimo ....................................................................................................... 57
Mtodo de Vogel..................................................................................................................... 57
Clculo de

para cada celda no bsica ..................................................................... 58

Degeneracin en el problema de transporte .......................................................................... 60


El problema de asignacin ...................................................................................................... 60
Problema de trasbordo ........................................................................................................... 62
Los problemas de trasbordo por medio de un problema de transporte ................................ 63
Unidad V. Modelos de redes ....................................................................................................... 64
Problema de la ruta ms corta ................................................................................................ 64
El problema del rbol con cubrimiento minimizante (rbol de extensin mnima) ............... 65
Algoritmo para el rbol de extensin mnima..................................................................... 65
El problema del flujo mximo ................................................................................................. 65
Algoritmo de flujo mximo.................................................................................................. 66
Introduccin a PERT y CPM ..................................................................................................... 66
Propiedades de las rutas crticas ............................................................................................. 71
Incertidumbre en los datos ..................................................................................................... 71
Mtodo PERT........................................................................................................................... 71
Mtodo CPM ........................................................................................................................... 73
Limitaciones en la ejecucin de un proyecto. ......................................................................... 75
Ejecucin y control del proyecto ............................................................................................. 77
Aprobacin del proyecto ..................................................................................................... 77

Investigacin de Operaciones I

ISC

Unidad I. Introduccin a la investigacin de operaciones y planteamiento


de problemas en trminos del modelo de programacin lineal.
Resea histrica
Con el advenimiento de la revolucin industrial, el mundo ha sido testigo de un
crecimiento sin precedentes en el tamao y la complejidad de las organizaciones. Una parte
integral de este cambio revolucionario fue el gran aumento en la divisin del trabajo y en la
separacin de las responsabilidades administrativas en estas organizaciones, lo cual trajo como
consecuencias grandes beneficios pero tambin cre nuevos problemas. Uno de los problemas
es la tendencia de muchas de las componentes de una organizacin a convertirse en imperios
relativamente autnomos, con sus propias metas y sistemas de valores, perdiendo as la visin
de la forma en que encajan sus actividades y objetivos con los de toda organizacin. Lo que es
mejor para una componente, puede ir en detrimento de otra, de manera que pueden terminar
trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la
complejidad y la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a
las diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo
de problemas, y la necesidad de encontrar la forma de resolverlos, proporcionaron el
ambiente adecuado para el surgimiento de la investigacin de operaciones.
Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se
hicieron los primeros intentos para emplear al mtodo cientfico en la administracin de una
empresa. Sin embargo, el inicio de la actividad llamada investigacin de operaciones, casi
siempre se atribuye a los servicios militares prestados a principios de la segunda guerra
mundial. Debido a los esfuerzos blicos, exista una necesidad urgente de asignar recursos
escasos a las distintas operaciones militares y a las actividades dentro de cada operacin en la
forma ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron un
llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a
otros problemas estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre
operaciones (militares).
Al terminar la guerra, el xito de la investigacin de operaciones en las actividades blicas
gener un gran inters en sus aplicaciones fuera del campo militar. Despus de la guerra,
muchos cientficos que haban participado en los equipos de investigacin de operaciones o
que tenan informacin sobre este trabajo, se encontraban motivados a buscar resultados
sustanciales en este campo; de esto resultaron avances importantes. Un ejemplo sobresaliente
es el mtodo simplex, para resolver problemas de programacin lineal, desarrollado en 1947
por George Dantzig. El inters de la programacin lineal se difundi rpidamente entre
economistas, matemticos, estadsticos e instituciones gubernamentales. Muchas de las
herramientas caractersticas de la investigacin de operaciones, como programacin lineal,
programacin dinmica, lneas de espera y teora de inventarios fueron desarrolladas casi por
completo antes del trmino de la dcada de 1950.

Investigacin de Operaciones I

ISC

Modelos
Un modelo es una representacin o abstraccin de un fenmeno u objeto reales, que
muestra las relaciones (directas e indirectas) y las interrelaciones de la accin y la reaccin en
trminos de causa y efecto.
Segn el grado de abstraccin, se distinguen varios tipos de modelos:
a) Modelos icnicos: En estos, las propiedades relevantes de la realidad se mantienen en
el modelo, aunque generalmente en diferente escala. Por ejemplo: fotografas, mapas,
maquetas, etc.
b) Modelos analgicos: Las propiedades de la realidad se sustituyen por un conjunto
anlogo de propiedades de modelo. Se tienen como ejemplos las grficas, que aunque
son menos concretas que los icnicos, son ms fciles de manejar.
c) Modelos simblicos: Son el tipo ms abstracto de modelo, ms sencillo de manipular
experimentalmente, toman la forma que sirven para reflejar la estructura de lo que
representan. El lenguaje que utilizan para expresarse son las matemticas.
Desventajas de los modelos
Se pierde informacin (que puede ser relevante) del fenmeno que se est
estudiando.
Las diferentes interpretaciones de la informacin, pueden ocasionar resultados que
estn lejos de la realidad.
La recoleccin de datos puede ser muy costosa y complicada.
Sensibilidad ante errores de medicin; a veces pequeas variaciones en los datos
ocasionan que se tengan resultados opuestos (esta es una caracterstica de los
modelos caticos).

Definicin de investigacin de operaciones


La investigacin de operaciones significa hacer investigaciones sobre las operaciones.
La parte de investigacin en el nombre significa que la investigacin de operaciones usa un
enfoque similar a la manera en que se lleva a cabo la investigacin en los campos cientficos
establecidos (en gran medida se usa el mtodo cientfico). El proceso comienza por la
observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de datos
pertinentes. El siguiente paso es la construccin de un modelo cientfico (por lo general
matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la
hiptesis de que el modelo es una representacin lo suficientemente precisa de las
caractersticas esenciales de la situacin como para que las conclusiones (soluciones)
obtenidas sean vlidas tambin para el problema real. Despus, se llevan a cabo los
experimentos adecuados para probar esta hiptesis, modificarla si es necesario y
eventualmente verificarla (validacin del modelo).
En particular, la investigacin de operaciones se ocupa tambin de la administracin
prctica de la organizacin.
La investigacin de operaciones intenta encontrar una mejor solucin (llamada solucin
ptima) para el problema bajo consideracin. Decimos una mejor solucin porque pueden
4

Investigacin de Operaciones I

ISC

existir muchas soluciones que empatan la mejor. En lugar de contentarse con mejorar el
estado de las cosas, la meta es identificar al mejor curso de accin posible. An cuando debe
interpretarse con todo cuidado en trminos de las necesidades reales de la administracin,
esta bsqueda de la optimalidad es un aspecto importante dentro de la investigacin de
operaciones.
La investigacin de operaciones trabaja con modelos simblicos para representar la
realidad; lo acertado de la solucin depende directamente del grado de aproximacin que
tengan tales modelos con la realidad.

Planteamiento
La programacin lineal es una de las tcnicas que ayuda a los administradores a tomar
decisiones, utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa
que todas las funciones matemticas deben de ser lineales, mientras que la palabra
programacin es en esencia un sinnimo de planeacin (no se refiere a la programacin
computacional).
As, la programacin lineal es una metodologa que se utiliza en la solucin de problemas,
en los que se desea optimizar (maximizar o minimizar) una funcin lineal de una o ms
variables (variables de decisin) llamada funcin objetivo, sujeta a ciertas limitaciones
(restricciones) que se pueden representar como desigualdades o igualdades de funciones
lineales de las variables; es decir, se tiene una funcin objetivo Z de la forma:

Donde las

Donde

son constantes conocidas y restricciones de la forma:

son constantes conocidas.

El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a


ciertas actividades. La cantidad disponible de cada recurso est limitada, en forma que deben
asignarse con todo cuidado. La determinacin de esta asignacin incluye elegir los niveles de
las actividades que lograrn el mejor valor posible de la medida global de la efectividad
(funcin objetivo).
Para poder representar un problema de optimizacin de un modelo de programacin
lineal (MPL) se requieren algunas suposiciones que a continuacin se indican:
1. Proporcionalidad: La contribucin de cada actividad al valor de la funcin objetivo, as
como a cada restriccin, es proporcional al nivel de actividades (como lo indican los
trminos
y
).
2. Aditividad: Cada funcin en un MPL (funcin objetivo o restricciones) es la suma de las
contribuciones individuales de las actividades respectivas.

Investigacin de Operaciones I

ISC

3. Divisibilidad: Las variables de decisin en un MPL pueden tomar cualquier valor


(cualquier nmero real) que satisfagan las restricciones.
4. Certidumbre: Se supone la certeza de los valores ,
y .

Cmo plantear un problema en trminos de un MPL?


Aunque puede resultar ingenuo listar pasos para plantear un problema en trminos de un
MPL (y en general de cualquier tipo de modelo) s es importante sealar que se debe
identificar claramente cules sern las variables de decisin, as como el objetivo que se
pretende (maximizar o minimizar); tambin deben ser identificadas las restricciones trminos
de las variables de decisin. Si el problema satisface las cuatro suposiciones anteriores, se
procede a plantear un MPL especificando claramente las variables de decisin, la funcin
objetivo y las restricciones.
Ejemplo 2.1.
La compaa Par, Inc., es un pequeo fabricante de equipo y accesorios para golf, cuyos
administradores han decidido incursionar en el mercado de las bolsas para bastones de golf
hechas a piel, a precios mediano y alto. El distribuidor de Par est muy entusiasmado con la
nueva lnea de productos y ha aceptado comprar todas las bolsas de golf que fabrique Par en
los tres meses siguientes.
Despus de una investigacin cuidadosa de las etapas necesarias para fabricar una bolsa,
los administradores determinan que cada bolsa que se fabrique requerir de las siguientes
operaciones:
1.
2.
3.
4.

Cortar teir el material.


Coser.
Terminar (insertar el portasombrilla, los separadores de los palos, etc).
Inspeccionar y embalar.

El director de manufactura ha analizado cada una de las operaciones y llegado a la conclusin


de que si la compaa fabrica un modelo estndar de precio medio, se requerir 7/10 de hora
en el departamento de corte y teido, hora en el departamento de costura, 1 hora en el
departamento de terminado, y 1/10 de gira en el departamento de inspeccin y embalaje. El
modelo de lujo ms costoso requerir de 1 hora para corte y teido, 5/6 de hora para costura,
2/3 de hora para el terminado, y de hora para inspeccin y embalaje. En la siguiente tabla se
resume esta informacin sobre la produccin.
El departamento de costos ha analizado estas cifras de produccin, ha asignado todos los
costos pertinentes y llegado a la conclusin de que se obtendra una contribucin a las
utilidades de $10 (dlares) para cada bolsa estndar, y de $9 para cada bolsa de lujo que se
fabrique.
Producto

Corte y teido

Bolsa estndar
Bolsa de lujo

7/10
1

Tiempo de produccin (horas)


Costura
Terminado

5/6

1
2/3

Inspeccin y
embalaje
1/10

Investigacin de Operaciones I

ISC

Adems, despus de estudiar los proyectos de las cargas de trabajo en los departamentos, el
director de manufactura estima que para la produccin de la bolsa de golf en los 3 meses
siguiente, habr disponibles 603 horas de tiempo de corte y teido, 600 horas de costura, 708
horas de acabado y 135 horas de inspeccin y embalaje.
El problema de Par es determinar cuntas bolsas estndares y cuntas bolsas de lujo deben
fabricar con objeto de maximizar la contribucin a las utilidades. Si estuviera a cargo del
programa de produccin para la compaa Par, qu decisin tomara? Es decir, cuntas
bolsas estndar o cuntas bolsas de lujo fabricaran en los 3 meses siguientes? Anote su
decisin en los cuadros que aparecen en seguida. Se podr hacer una verificacin ms adelante
y determinar cun buena fue su apreciacin.
Nmero de bolsas estndar

Nmero de bolsas de lujo

Utilidad total

Solucin.
Variables de decisin:
x: Nmero de bolsas estndar a producir
y: Nmero de bolsas de lujo a producir
Funcin objetivo:
s.a.
//Corte y terminado
//Costura
// Terminado
// Inspeccin y terminado
// Restricciones de no negatividad

Ejemplo 1.16.
Una compaa dispone de $30 millones para distribuirlos el prximo ao entre sus tres
sucursales. Debido a compromisos de la estabilidad del nivel de empleados y por otras razones,
la compaa ha establecido un nivel mnimo de fondos para cada sucursal. Estos fondos
mnimos son de $3, $5 y $8 millones, respectivamente. Debido a la naturaleza de su operacin,
la sucursal 2 no puede utilizar ms de $17 millones sin una expansin de capital grande. La
compaa no est dispuesta a efectuar tal expansin en este momento. Cada sucursal tiene la
oportunidad de dirigir distintos proyectos con los fondos que recibe. Para cada proyecto se ha
establecido una tasa de ganancia (como un % de la inversin). Por otra parte, algunos de los
proyectos permiten slo una inversin limitada. A continuacin se dan los datos para cada
proyecto.
7

Investigacin de Operaciones I

Sucursal

Proyecto

Tasa de ganancia

1
2
3
4
5
6
7
8

8%
6%
7%
5%
8%
9%
10 %
6%

ISC

Lmite superior de
inversin
$6 millones
$5 millones
$9 millones
$7 millones
$10 millones
$4 millones
$6 millones
$3 millones

Formular este problema como un programa lineal.


Solucin.
Variables de decisin
: Nmero de millones a invertir en el proyecto i, i=1, 2, 3,,
Funcin objetivo:

s.a.

Ejemplo 1.13.
Un fabricante de plsticos planea obtener un nuevo producto mezclando 4 compuestos
qumicos. Estos compuestos consisten principalmente de 3 elementos qumicos A, B y C. A
continuacin se muestra la composicin y el costo por unidad de estos compuestos.
Compuesto
qumico
Porcentaje de A
Porcentaje de B
Porcentaje de C

30
20
40

20
60
15

40
30
25

20
40
30

Investigacin de Operaciones I
Costo/kilogramo

20

30

20

ISC
15

El nuevo producto consiste del 20% del elemento A, al menos 30% del elemento B y al menos
20% del elemento C. Debido a los efectos laterales de los compuestos 1 y 2, no deben de
exceder del 30% y del 40% del contenido del nuevo producto. Formular como un programa
lineal el problema de encontrar la forma menos costosa de obtener el nuevo producto.
Solucin:
Variables de decisin:
: Nmero de kilogramos a comprar del compuesto qumico i para fabricar 1 Kg de plstico.
Con i=1, 2, 3, 4.
Funcin objetivo:
s.a.

Ejemplo 1.6.
Alfredo tiene $2200 para invertir durante los siguientes 5 aos. Al principio de cada ao puede
invertir su dinero en depsitos a plazo fijo de 1 2 aos. El banco paga el 8% de inters en
depsitos a plazo fijo de un ao y el 17% (total) en depsitos a plazo fijo de 2 aos. Adems, al
principio del segundo ao, la compaa West World Limited ofrecer certificados a tres aos.
Estos certificados tendrn una ganancia del 27% (total). Si Alfredo reinvierte su dinero
disponible cada ao, formular un programa lineal que le muestre cmo maximizar su ganancia
total al final del quinto ao.
Solucin:
Variables de decisin:
: Cantidad de dinero a invertir del ao i en el tipo de inversin j. Con i=1, 2, 3, 4, 5 y j=1, 2, 3.
Funcin objetivo:
s.a.

Ejemplo La compaa acerera.


9

Investigacin de Operaciones I

ISC

Una compaa acerera tiene pedidos anuales de Guadalajara, Mxico, Chihuahua y Saltillo
para los dos tipos de acero que fabrica: acero esponja y acero de baja resistencia. Estos aceros
son producidos en dos plantas, una ubicada en Monterrey y otra en Monclova, usando mineral
de hierro extrado de las minas de Zacatecas y Aguascalientes. Como encargado de
distribucin, se requiere de un plan de abastecimiento, produccin y distribucin de los
productos a fin de que se haga al mnimo costo.
Las minas abastecen mineral de hierro de diferentes calidades, la planta de Zacatecas slo
puede abastecer hasta 1000 toneladas de mineral de hierro clase A por ao, mientras que la de
Aguascalientes slo puede abastecer hasta 2000 toneladas de mineral de hierro pobre por ao.
Cada planta posee un horno que se utiliza para la produccin de los aceros, en el horno de
Monterrey se pueden procesar hasta 1300 toneladas de mineral de hierro por ao, mientras
que en la planta de Monclova se pueden procesar hasta 900 toneladas de ste por ao. El
acero esponja requiere de una proporcin de 2 tonelada de hierro pobre a 1 tonelada de hierro
clase A, por su parte el acero de baja resistencia requiere de una proporcin de 3 toneladas de
hierro pobre a 1 tonelada de hierro clase A. Las demandas anuales de acero esponja y de baja
resistencia para Guadalajara, Mxico, Chihuahua y Saltillo son 400 y 200, 200 y 100, 200 y 100,
150 y 50 respectivamente. En seguida se presentan los costos asociados con la compra de
minerales, el procesamiento y la distribucin, as como las demandas de cada tipo de acero
para cada cliente.
Costo de compra de materiales a cada mina

Planta
Zacatecas
Aguascalientes

Costo por tonelada


$140
$120

Monterrey
$12
$15

Costo de
transportacin/tonelada
Monclova
$14
$18

Costo de procesamiento por tonelada en cada planta


Tipo de acero
Acero esponja
Baja resistencia

Monterrey
$30
$25

Monclova
$35
$22

Costo de transportacin de la planta a los clientes


Monterrey
Monclova

Guadalajara
90
100

Mxico
80
95

Chihuahua
130
110

Saltillo
30
35

Modelacin.
a) Como encargado de la asignacin de personal se pide que determine cmo cumplir con los
requerimientos al mnimo costo utilizando un modelo de programacin lineal para
determinarlo. Considere que se pueden vender fracciones de tonelada a los clientes.

10

Investigacin de Operaciones I

ISC

b) Cul sera la solucin si ahora slo se pudiesen manejar toneladas completas tanto de
minerales como de productos fabricados?

Solucin:
Variables de decisin:
: Nmero de toneladas a utilizar de la mina i para procesar en la ciudad j en la fabricacin
del acero tipo k para mandar al estado l (ele). Con:
i=1, 2 (Zacatecas, Aguascalientes)
j=1.2 (Monterrey, Monclova)
k=1,2 (Acero esponja, Acero de baja resistencia)
l=1, 2, 3, 4 (Guadalajara, Mxico, Chihuahua, Saltillo)
Funcin objetivo:

s.a.

Con j=1, 2 e i=1, 2, 3, 4.


Demanda:

11

Investigacin de Operaciones I

ISC

Unidad II. Mtodo grfico


El mtodo grfico soluciona MPL representando geomtricamente a la funcin objetivo y a
las restricciones. Este mtodo es prctico para problemas de dos variables.
Supngase que se quiere representar grficamente a la i-sima restriccin de un MPL:

En este caso, se grafica el hiperplano P dado por:

Este hiperplano es la frontera de los siguientes conjuntos:

Dependiendo del sentido de la desigualdad

ser el conjunto de puntos que


satisfacen la i-sima restriccin. En caso de que la restriccin sea de igualdad, entonces el
hiperplano P ser el conjunto de puntos que satisfacen la i-sima restriccin.
Ejercicio. Graficar el conjunto de puntos que satisfacen las siguientes restricciones.
a)

12

Investigacin de Operaciones I

ISC

b)

Graficacin de la regin factible para un MPL


Para un MPL donde hay n variables, se define la regin factible como el subconjunto del
espacio
que consta de todos los puntos que satisfacen todas las restricciones; es decir, si
es la regin de puntos que satisface la restriccin i y se tienen m restricciones (incluyendo las
de no negatividad) entonces la regin factible es:

13

Investigacin de Operaciones I

ISC

Ejercicio. Graficar la regin factible de los siguientes MPL.


a)

s.a.
// Restriccin 1)
// Restriccin 2)
//Restriccin 3)
//Condiciones de No negatividad
Solucin:
Se obtienen los siguientes puntos:
1) (0,4) (6,0)

2)

3) (0,12) (3,0)

b)

s.a.

// Restriccin 1)
// Restriccin 2)
//Restriccin 3)

//Restriccin 4)
//Condiciones de No negatividad

14

Investigacin de Operaciones I

ISC

Identificacin del punto ptimo


Una vez que se tiene a la regin factible, es necesario encontrar al punto (o los puntos)
que minimizan o maximizan la funcin objetivo.
Definicin: Sea

, entonces al conjunto

Se le llama conjunto de nivel de valor de k.


Dada la funcin objetivo:

Se elige un valor k y se identifica el conjunto

y usando el vector gradiente:

Se identifica la direccin de inters; as que desplazando el conjunto de nivel se identifica


al punto ltimo como el ltimo de la regin factible.
Ejercicio. Encontrar la solucin ptima del problema de Par, Inc (bolsas de golf).

s.a.

// (0,603) (6030/7, 0)
//(0,720) (1200, 0)
// (0,1062) (708,0)
// (0,540) (1350, 0)

15

Investigacin de Operaciones I

ISC

Solucin:

Si
Entonces:
// (0, 1000) (900, 0)
Y
Segn la grfica, el punto ptimo est dado por la interseccin de 1) y 3) (Aunque existe la
duda de que el punto donde se intersecan 1) y 4)).
// (1
// (3
Resolviendo el sistema de ecuaciones 1) y 3)

Luego:

16

Investigacin de Operaciones I

ISC

Para 1) y 4), el sistema es:


// (1
// (4

Por lo tanto, el punto ptimo es:

Y el valor mximo es:

Casos especiales
Podemos identificar tres casos especiales en los MPL:
I)

No factibilidad (el problema no tiene solucin). Esto sucede cuando la regin


factible es un conjunto vaco.

Ejemplo.

No existe (x, y) que satisfaga todas las restricciones: el problema es infactible, no hay solucin.
La no factibilidad no depende de la funcin objetivo.
17

Investigacin de Operaciones I
II)

ISC

Solucin no acotada. Esto sucede cuando la funcin objetivo puede ser tan grande
como se quiera sin violar las restricciones para un problema de maximizar, o
decrece indefinidamente para un problema de minimizar. Grficamente se tiene
que para cada valor k arbitrariamente grande (o pequea), el conjunto
tiene
interseccin no vaca con la regin factible.

Ejemplo.

III)

El problema es no acotado.
El valor de la F.O. crece indefinidamente (sin violar las restricciones).
//Si el problema fuera de Minimizar el problema y con los signos negativos, por el
gradiente, aunque sea de minimizacin, la regin factible indefinida quedara hacia
arriba.
Infinidad de soluciones ptimas. En ocasiones puede suceder que haya una
infinidad de puntos que optimizan a la funcin objetivo. Una condicin necesaria
para tener infinidad de soluciones ptimas es que una de las rectas restriccin sea
paralela a la recta de la funcin objetivo.

Ejemplo.

18

Investigacin de Operaciones I

ISC

Tenemos entonces que (0, 100) es un punto ptimo, tambin el punto donde se
intersecan la recta 1) y 2), que es (32,84) con Zmx=600, pero tambin los puntos que estn
en el segmento que une a (0,100) con (32, 84).
Es decir, el conjunto de puntos ptimos es el siguiente:

Anlisis de sensibilidad
Al estudio de la forma en que afecta a la solucin de un MPL ciertas variaciones en los
coeficientes de la funcin objetivo, o en trminos independientes de las restricciones se llama
anlisis de sensibilidad.
Una vez que se tiene la solucin de un MPL se desea contestar las siguientes preguntas:

Cmo afecta a la solucin ptima un cambio en los coeficientes de la funcin


objetivo?
Cmo afecta a la solucin ptima un cambio en los lados derechos de las
restricciones?

Variaciones en los coeficientes de la funcin objetivo


Supngase que:

Es la funcin objetivo, entonces, la pendiente de la funcin objetivo es:

19

Investigacin de Operaciones I

ISC

Estudiaremos qu tanto pueden variar y sin que se modifique el punto ptimo. Al


intervalo en que puede variar un coeficiente de la funcin objetivo sin que el punto ptimo
cambie se le llama intervalo de optimalidad.

Cmo encontrar el intervalo de optimalidad?


Supongamos que se reducen (o se aumenta) la contribucin de las utilidades de las bolsas
estndar de la Par Inc., mientras que la contribucin a las utilidades de las bolsas de lujo y
todas las restricciones permanecen igual. En este caso tenemos:

Entonces, basta resolver las siguientes desigualdades:

Intervalo de optimalidad para

, con

=9.

Intervalo de optimalidad para

, con

=10

Observemos que:

Variacin en los datos derechos


Ahora se estudiar cmo afecta un cambio en el lado derecho de una restriccin a la
regin factible, y posiblemente a la solucin ptima.

20

Investigacin de Operaciones I

ISC

Consideremos nuevamente el problema de la Par Inc., donde sabemos que la solucin


ptima es

es

es

. Si evaluamos el punto mximo en cada restriccin,

obtenemos:
1)
2)
3)
4)
Obsrvese que en las restricciones 1) y 3) se tiene una holgura de cero, mientras que en la
2) y 4) se tiene una holgura de

respectivamente; lo anterior sugiere que pequeas

modificaciones en los recursos disponibles en las restricciones 1) y 3) implicarn cambios en la


funcin objetivo.
Definicin: Al cambio en el valor de la funcin objetivo por cada variacin unitaria en el lado
derecho se le llama precio sombra (precio dual).
Existe un intervalo para el cual es vlido para cada precio sombra. A dicho intervalo se le
llama intervalo de factibilidad.

Intervalos de factibilidad
a) Para

(restriccin 1).

Para encontrar el lado derecho del intervalo, necesitamos evaluar 1) en la interseccin de


3) y 4). La interseccin se da

. Luego:

Para encontrar al lado izquierdo del intervalo, evaluamos 1) en el punto (708, 0):

b) Para

(restriccin 2).

En este caso no hay cota superior (el lado derecho del intervalo es
lado izquierdo evaluamos 2) en el punto ptimo.

c) Para

. Para encontrar el

(restriccin 3).

Para la cota superior, evaluamos 3) en

. Luego:

21

Investigacin de Operaciones I

ISC

Para la cota inferior, evaluamos en la interseccin de 1) y 4) en 3):

d) Para

(restriccin 4).

La cota superior es

. Para encontrar la cota inferior, evaluamos 4) en el punto ptimo:

Clculo de los precios sombra

Para la primera restriccin:


Supngase que

1)

se cambia a

. Luego, el problema a resolver es:

//Restriccin 1

2)
3)
4)

El ptimo est en 1) y 3)

Resolviendo el sistema, tenemos:

Entonces:

Luego:

22

Investigacin de Operaciones I

ISC

Para la segunda restriccin:


Supngase que

se cambia a

. Entonces, el MPL a resolver es:

1)
2)

//Restriccin 2

3)
4)

El ptimo est en la interseccin de 1) y 3) (es el mismo punto ptimo). Luego:

Para la tercera restriccin:


Si

se cambia a

. El ptimo est en la interseccin de 1 y 3:

Resolviendo el sistema, tenemos:

Entonces:

Luego:

Para la cuarta restriccin:


//Porque no contiene al punto ptimo

23

Investigacin de Operaciones I

ISC

Unidad III. Mtodo Simplex


El mtodo simplex es un algoritmo que sirve para resolver MPL. El desarrollo de la teora
que veremos est basado en las siguientes dos formas especiales de los MPL.
Forma estndar:

Forma cannica:

Donde:

Las caractersticas de esta forma son las siguientes:


a) La funcin objetivo se est maximizando.
b) Las variables de decisin son no negativas.
c) Las restricciones son del tipo menor igual para la forma cannica; y de igualdad para
la forma estndar.
A continuacin enunciamos las reglas para convertir cualquier MPL a la forma cannica o
estndar:
1) La maximizacin de una funcin f es matemticamente equivalente a minimizar el
inverso aditivo de f; en nuestro contexto tenemos:

2) Una desigualdad en el sentido


puede cambiarse a una desigualdad en sentido
opuesto, multiplicando a ambos miembros de la desigualdad por -1. Esto es:

3) Toda ecuacin de la forma


desigualdades:

es equivalente a las siguientes dos

24

Investigacin de Operaciones I

ISC

4) Toda desigualdad de la forma


(
)
se puede escribir como igualdad al adicionar (o sustraer) una variable de holgura (o
excedente) no negativa en el lado izquierdo:

5)
A) Si existe una variable

se hace el siguiente cambio de variable:

B) Una variable no restringida en cero (variable libre) se puede expresar como la diferencia
de dos variables nuevas no negativas.

Ejercicio. Dado el siguiente MPL, convierta a la forma estndar a travs de dos caminos
distintos:
I)
II)

Primero en forma cannica y luego a forma estndar.


Directamente.

Solucin:
I)

La forma cannica es:

Ahora a la forma estndar:

25

Investigacin de Operaciones I

ISC

II)

Directamente:

Teora de programacin lineal


Definicin: Dados dos puntos

al conjunto

Se le llama segmento de recta (conjunto de combinaciones convexas) comprendida entre


.
Definicin: Dados dos puntos
Si
Si

, decimos que x es combinacin convexa de

para algn

se dice que la combinacin convexa es estricta.

Definicin: Un conjunto
de k, el conjunto:

se le llama conjunto convexo si para cualesquiera dos puntos


est contenido en k.

Conjunto Convexo

Conjunto no convexo
Proposicin: En
Demostracin: Si

, si

, entonces s es convexo.
, entonces s es convexo.

26

Investigacin de Operaciones I
Supongamos que

, y sean

Tomemos un tal que

ISC

elementos de s. Por demostrar que:

y sea

Luego:
, luego s es convexo, ya que
Proposicin: La interseccin finita de conjuntos convexos es un conjunto convexo.
Demostracin:
Sean

, n conjuntos convexos y

Por demostrar, que A es convexo:


Sean x e y elementos de A y sea cualquier nmero en el intervalo [0, 1]. Entonces, para
, tenemos lo siguiente:
Como

, y como

Y cada

es convexo, entonces:

Entonces:

Si

, entonces A es convexo y por lo tanto: z es convexo.

Proposicin: Sea

Entonces

un vector fijo de

, y sea

es convexo.

Proposicin: El conjunto de soluciones factibles (regin factible) de un MPL es un conjunto


convexo.
Definicin: Sean
si:

puntos de

, decimos que x es combinacin convexa de

Donde:

27

Investigacin de Operaciones I

ISC

Por lo tanto, s forma parte de la regin convexa de


Ejercicio. Determine si los puntos (0, 7) y (-2, 4) son combinaciones convexas de los puntos (3,1), (-6, 9), (2,1), (-1, 1).
Solucin:
Para (-2,4) tenemos que mostrar la existencia de

, tal que:

La solucin del sistema es:

Para (0, 7), tenemos:

28

Investigacin de Operaciones I

ISC

Por lo tanto: No hay solucin


Definicin: Sea X un conjunto no vaco de
y sea
; x se llama punto extremo de X. Si x
no es una combinacin convexa estricta de dos puntos distintos de X. Es decir, si:
y si

elementos de X.

Entonces:
Definicin: Un conjunto polidrico es la interseccin de un nmero finito de subespacios.
Teorema: Sea
un conjunto polidrico acotado no vaco. Entonces, el conjunto de
puntos extremos es no vaco y tiene un nmero finito de puntos extremos, digamos
Ms an,
si y slo si:

Teorema: Consideremos un MPL con regin factible acotada y no vaca, entonces la funcin
objetivo alcanza su mximo (y su mnimo) en un punto extremo de la regin factible.
Demostracin: Sea E el conjunto de puntos de la regin factible. Supongamos que E tiene m
elementos, es decir
y sea x cualquier elemento de la regin factible, luego
existen
no negativos, tales que:

Luego (estamos suponiendo Z(x)=c.x).


Evaluando x en la F.O., tenemos:

Donde:
Tenemos entonces que:

Teorema: Consideremos un MPL en la forma estndar con regin factible acotada, donde A es
una matriz de mxn con
. Si se pueden encontrar k vectores
linealmente
independientes, tal que:

Con

. Entonces

es un punto extremo de la regin factible.


29

Investigacin de Operaciones I

ISC

Teorema: Si
es un punto extremo de una regin factible acotada, entonces los
vectores de la matriz A asociados con los positivos forman un conjunto linealmente
independiente. Luego x tiene un mximo de m componentes positivos (y el resto es cero).
Ejercicio.

La forma estndar es:

A lo ms hay

0
0
0
20
10
35

puntos extremos de la regin factible.

0
20/3
2
0
0
-5

10
0
7
0
5
0

10
-70/3
0
-10
0
0

30
Infactible
29
Infactible
35
Infactible

Mtodo simplex
La cota

no es alentadora para efectos computacionales; afortunadamente el doctor

George Dantzig, considerado como El padre de la programacin lineal encontr un mtodo a


finales del aos 40, el cual resuelve MPL sin necesidad de analizar explcitamente todos los
puntos extremos. Este mtodo se conoce como mtodo simplex.
Definicin: Dado un MPL en la forma estndar (con
) que se obtiene cuando se
igualan n-m variables a cero, se le llama solucin bsica factible (suponiendo que hay m
vectores linealmente independientes).
Veamos a la matriz A como dos matrices, una matriz
matriz
llamada matriz no bsica.

llamada matriz bsica y una

30

Investigacin de Operaciones I

ISC

Donde:
: Vector de variables bsicas.
Vector de variables no bsicas.
Luego: Ax=b equivale a:

Luego:

Ejemplo.

Si

B es invertible?

Esta no es una SBF


Ahora para
Entonces:

Si partimos al vector c en

, tenemos que:
31

Investigacin de Operaciones I

ISC

Si
es una SBF (solucin bsica factible), veremos cmo mostrar si es ptima o
no; en caso de que no sea ptima, debemos cambiar a otra SBF (punto extremo) que mejore el
valor de la funcin objetivo. Este cambio se hace sustituyendo un vector de la matriz B con uno
de la matriz N. Veamos cmo hacer este cambio con objeto de lograr el mejor incremento de
la funcin objetivo (suponiendo que tenemos un problema de maximizar).
Supongamos que es el vector que se quitar de la base y el que entrar a la base.
Como se puede escribir como combinacin lineal de vectores de la matriz B, tenemos que:

Supongamos que

, entonces:

Y como:

Luego:

La expresin 1) muestra una solucin del sistema Ax=b, sin embargo, esta solucin no
necesariamente es factible. Para que la solucin dada sea una SBF es necesario que se
satisfaga lo siguiente:

De 2) tenemos que:

, y de 3) tenemos que:

Esta ltima expresin es vlida cuando

, pero Qu pasa si algn

32

Investigacin de Operaciones I

ISC

Luego, r debe ser tal que (se elige de manera que):

Es decir, debe salir de la base.


Ahora encontraremos el vector que entrar a la base.
Sean B y

la base actual y la nueva base respectivamente. Luego:

Donde:

Entonces:

Sustituyendo

, tenemos:

Si a la ltima expresin sumamos el trmino:

Definamos:

Entonces:

33

Investigacin de Operaciones I

ISC

El mejor incremento se logra cuando se escoge como vector de entrada aquel vector
que tiene asociado el
ms negativo.
Resumiendo, tenemos que el cambio de una base B a una base B se debe hacer siguiendo
las reglas de entrada y salida siguientes:
I)

Regla de entrada: Seleccione el vector de N que tenga el


ms negativo
(si el problema es de minimizar, se toma el
ms positivo).
Regla de salida: Si entrara a la base, seleccione como vector de salida a , de
manera que satisfaga lo siguiente:

II)

Nota: La solucin ptima se obtiene cuando


para todo j (si es de minimizar,
cuando
). Adems, para cualquier SBF (aunque no sea ptima) se tiene que
si i es un ndice bsico.

Procedimiento del mtodo simplex


1. Transformar el MPL a la forma cannica.
2. Adicionar variables de holgura para transformar el MPL en la forma estndar; de esta
manera, las variables de holgura generan la primera base (la matriz identidad) y como
consecuencia se tiene el primer punto extremo de la regin factible cuyas coordenadas
estn dadas por el vector B.
3. Construir la tabla del simplex.
Base

//Con el problema de Par Inc.


Base
0
0
0
0

Entra

10
7/10

1
1/10
0
-10

9
1
5/6
2/3

0
-9

0
1
0
0
0
0
0

0
0
1
0
0
0
0

0
0
0
1
0
0
0

0
0
0
0
1
0
0

b
603
600
708
135

Coef.
861
1200
708
1350

, sale

Y la base ahora es:


En la tabla del simplex pueden ocurrir dos situaciones:
34

Investigacin de Operaciones I
I)

ISC

: En este caso la solucin actual es ptima (el mtodo simplex ha


terminado).

II)

: En este caso se utilizan reglas de entrada y de salida


para obtener una nueva solucin.
4. La interseccin en la tabla de la columna que entra ( ) y el rengln correspondiente al
vector que sale ( ) tiene a
. Si se aplican operaciones elementales en el pivote
para transformar la j-sima columna en un vector de la base cannica, entonces se
tiene una nueva base B (y una tabla nueva del simplex). Luego, se regresa al paso 3
para determinar si la base actual es ptima o no.
Ejercicio. Resolver el problema de Par Inc. Con el mtodo simplex.
Solucin:
Iteracin 1:

Iteracin 2

Iteracin 3

35

Investigacin de Operaciones I

ISC

Qu hacer cuando no se tiene una matriz identidad como base?


Considere al siguiente MPL:

La forma estndar es:

Aplicando la teora de programacin lineal obtendremos una SBF para iniciar el mtodo
simplex (obsrvese que esta vez
y no induce una SBF).

36

Investigacin de Operaciones I

Base
2
0
0

-1
0
-1
1
0
1

2
1
0
0
2
0

0
0
1
0
0
0

0
0
0
1
0
0

0
1
1
1
2
2

ISC

b
3
1
2
6

Solucin ptima:
, pero

Uso de variables artificiales


Otra forma de proceder para encontrar una SBF inicial es agregar variables artificiales
hasta obtener una matriz I. Luego la base estara asociada con variables artificiales, las cuales
no son parte del problema original y por tanto no deben aparecer en la tabla o base final;
mientras que a las variables de holgura y/o excedente que tienen coeficiente se les asigna
coeficiente de cero en la funcin objetivo. A las variables artificiales se les asigna un
coeficiente adecuado de manera que aparezcan en la solucin ptima. Por ejemplo, se les
asigna como coeficiente un nmero muy negativo (para problemas de maximizar) como se
ver a continuacin.

Mtodo de penalizacin (M grande)


Sea
el vector de variables artificiales, el mtodo de penalizacin consiste
en penalizar a la funcin objetivo con el trmino Mw, donde M>>0. Si el problema es de
minimizar, el trmino Mw ser positivo.
Ejercicio.

Solucin:
37

Investigacin de Operaciones I

ISC

Forma estndar

Agregando la variable artificial w y penalizando obtenemos:


Iteracin 1

Iteracin 2

Aunque tenemos condiciones de optimalidad, tenemos que la variable artificial w tiene un valor
positivo (w=4).
Por lo tanto: El problema es infactible.
Ejercicio.-

Solucin:
Iteracin 1

Iteracin 2
38

Investigacin de Operaciones I

ISC

Iteracin 3

La solucin ptima es:

Casos especiales

Un MPL P es infactible cuando el problema penalizado P(M) tiene una solucin ptima,
pero con variables artificiales con valor positivo (o cuando no se puede encontrar una
SBF).
Un MPL tiene infinidad de soluciones ptimas si en la tabla ptima existe una columna
no bsica k, tal que
(y ninguna variable bsica tiene valor cero).

Ejemplo.

Solucin:
Iteracin 1

Iteracin 2

39

Investigacin de Operaciones I

ISC

La solucin ptima es con


Y si entra
Sin embargo

y sale

(no bsica). Si se mete

a la base, obtenemos:

Obteniendo en ambos

Un MPL tiene solucin no acotada si existe un k tal que

, pero

Ejercicio.

Solucin:
Iteracin 1

Como

, es decir, que

y el vector

Entonces el MPL es no acotado.

Notas:

Si P(M) tiene solucin ptima no acotada

, pero

todas las variables artificiales son cero, entonces P no es acotado.

Si P(M) tiene solucin ptima acotada

, pero no

todas las variables artificiales son cero. Entonces P es infactible.


Ejemplo.
40

Investigacin de Operaciones I

ISC

Solucin:
Iteracin 1

Iteracin 2

Aqu se observa que el problema penalizado es no acotado, pero el problema original an no


se puede concluir, sino hasta finalizar con las iteraciones necesarias.
Iteracin 3

Por lo tanto: El problema es no acotado.

Problemas degenerados
Definicin: Una SBF se llama degenerada si

para algn i.

Cuando existe un empate para decidir el vector que entra a la base, ste puede romperse
arbitrariamente sin ningn efecto considerable. En cambio, resolver un empate de manera
arbitraria en el vector de salida nos puede llevar a un ciclado.
Ejemplo.

41

Investigacin de Operaciones I

ISC

Solucin:
Iteracin 1

Nota: Si en este ejemplo elegimos como vector de salida a y en las tablas siguientes (en
caso de empate) decidimos por el rengln de arriba, despus de seis iteraciones obtenemos la
tabla inicial.
Iteracin 2

Iteracin 3

Iteracin 4

Iteracin 5

42

Investigacin de Operaciones I

ISC

Iteracin 6

Iteracin 7

Anlisis de sensibilidad (del mtodo simplex)


Intervalos de optimalidad
Supongamos que B es la base ptima, entonces para encontrar al i-simo intervalo de
optimalidad, se sustituye en la tabla ptima del simplex el coeficiente de la i-sima variable por
(el smbolo ) y se calculan los
(que dependen de ) y se resuelven las
desigualdades
para cada j.
Ejercicio. Encontrar los intervalos de optimalidad del ejemplo de Par Inc.
Tenemos la siguiente tabla ptima.

Intervalo para

Para

43

Investigacin de Operaciones I

ISC

Intervalos de factibilidad
Para calcular el i-simo intervalo de factibilidad, se sustituye en el vector b (el vector de los
lados derechos) el smbolo (en la posicin i-sima) y se resuelve el sistema de desigualdades
.

Para

De donde:

44

Investigacin de Operaciones I

Para

Para

ISC

De donde:

Para

45

Investigacin de Operaciones I

ISC

Precio sombra
Los precios sombra se identifican en la tabla ptima del simplex. Son los
columnas correspondientes a las variables de holgura/excedente.

de las

Del ejemplo de Par Inc.:

Unidad IV. Los problemas de transporte, asignacin y trasbordo.


El problema de transporte
Supongamos que se tienen m plantas de fabricacin de un artculo (m orgenes) y n tiendas
de venta de dicho artculo (n destinos).
Supongamos adems que en el origen j (j=1,,m) se pueden producir artculos (oferta
del nodo j) y en el destino i (i=1,,n) se requieren al menos artculos (demanda del nodo i).
Si
indica el costo unitario de mandar un artculo del origen j al destino i.
Entonces podemos considerar el problema: Cuntos artculos se deben mandar del origen
j al destino i (j=1, , m; i=1,, n) de tal forma que minimizan los costos totales de envo?
En trminos de programacin lineal se tiene:
Variables de decisin:
: Nmero de artculos a enviar desde el origen j al destino i. Con i=1,, n y j=1, , m.
Funcin objetivo:

46

Investigacin de Operaciones I

ISC

Si adems se considera la siguiente restriccin:

Se tiene el problema de transporte balanceado siguiente:

Nota: Siempre hay que balancear los problemas.


Ejemplo. Una compaa tiene 3 plantas que fabrican cierto producto que debe mandarse a 4
centros de distribucin. Las plantas 1, 2 y 3 producen 12, 17 y 11 cargas mensuales
respectivamente. Cada centro de distribucin necesita recibir 10 cargas al mes. La distancia en
millas desde cada planta a los respectivos centros de distribucin es la siguiente:
Centro de distribucin
1
2
3

1
800
1100
600

2
1300
1400
1200

3
400
600
800

4
700
1000
900

El costo del flete por cada embarque es de $ 100.00 ms $0.50 por milla. Cuntas cargas
deben mandarse desde cada planta a cada uno de los centros de distribucin para minimizar el
costo total del transporte? Formular este problema como un MPL.
Solucin:
Sea

: El nmero de cargas a mandar de la planta j al centro i (j=1,,3), (i=1,,4)

47

Investigacin de Operaciones I

ISC

El problema de transporte es un problema especial en programacin lineal debido a la


estructura particular que presentan. Esta estructura permite el desarrollo de algoritmos
simples y eficientes. Estos algoritmos se basan en el mtodo simplex.
Para escribir el problema de transporte en forma matricial, definimos lo siguiente:

Donde y
son vectores unitarios en
respectivamente.

con 1 en la j-sima y m+i-sima posicin

En forma matricial:

Por ejemplo, para el problema recin planteado se tiene:

La matriz A, con dimensin (m+n)xmn tiene la siguiente forma especial:

48

Investigacin de Operaciones I
Donde

ISC

es un vector n-vector rengln con componentes iguales a 1, e es una matriz

identidad de nxn.
Bajo la hiptesis de que la oferta es igual a la demanda, el problema de transporte
siempre tiene una solucin factible (o soluciones factibles).
Por ejemplo

Es una solucin factible, donde

Obsrvese adems que


Nota: La solucin bsica siempre ptima, si hay solucin fraccionaria, es solucin factible
pero no ptima.
Como un problema lineal acotado que tiene una solucin factible posee una solucin
ptima, entonces el problema de transporte tiene una solucin ptima.

Propiedad de la matriz A
Supongamos que
ms:

. Luego

y rango de A es menor igual que m+n. An

Teorema:

Demostracin: Como estamos considerando el caso en que


y
, entonces
. Luego
. Pero como la suma de renglones origen es igual a
la suma de renglones columna, entonces:
, porque las sumas no son linealmente independientes. Luego basta
con exhibir una submatriz
de que no sea singular. Ignorando el ltimo
rengln de A, consideremos lo siguiente:
Si
Entonces A tiene la forma siguiente:

49

Investigacin de Operaciones I

ISC

Luego A es una matriz triangular superior, entonces por los elementos que tiene A se
tiene que el determinante de
.
Por lo tanto: A es no singular (invertible), luego todos los renglones (y columnas) de A son
linealmente independientes.
Lqqd.
Para el ejemplo anterior, tememos que (n=4):

Para encontrar una base, se puede proceder de dos formas distintas:


A. Omitir el ltimo rengln o cualquier rengln que deje n+m-1 restricciones linealmente
independientes, para los cuales existe una base.
B. Se aade una columna artificial con vector
(es decir, se agreg una variable
artificial cuya columna asociada es
).
Para el ejemplo anterior con una base que consiste de
ltimo rengln y la columna artificial para obtener:

se anexa el

Unimodularidad total de la matriz A


Una matriz A es totalmente unimodular si el determinante de cualquier submatriz
cuadrada de ella tiene valor -1, 0 1.
En el caso de la matriz de transporte, como cada elemento es 0 1, cada submatriz de
tamao 1x1 tiene el valor 0 1. Adems cualquier submatriz (m+n)x(m+n) tiene determinante
igual a cero, ya que
.

50

Investigacin de Operaciones I

ISC

Triangularidad de la matriz bsica


Se ha demostrado que
, seleccionando una submatriz particular
(m+n-1)x(m+n-1), que era no singular y que por lo tanto, era una base para A (ignorando al
ltimo rengln). Esta submatriz era triangular superior.
Afirmacin: Toda matriz bsica de A es triangular.
Teorema: Si B es bsica, entonces es triangular. Entonces, existe una columna con un solo 1 de
manera que
tiene la forma:

Si

, entonces:

Aplicando el argumento anterior de manera sucesiva para las matrices


se tiene que B es triangular.

Soluciones bsicas enteras


Como cada base consiste de componentes enteros y es triangular con elementos 1 en la
diagonal, entonces todas las variables bsicas sern enteras si las ofertas y demandas son
enteras. En particular la solucin ptima ser entera.

Propiedades de los vectores

en la tabla del simplex

Recordemos primero que la tabla del simplex asociada a cualquier solucin bsica factible
para el problema ptimo:

Tiene la forma:

Donde
Cualquier
base:

,
se puede expresar como una combinacin lineal de los vectores en la

Si:
Entonces:}
// B es matriz bsica
51

Investigacin de Operaciones I

ISC

Adems:
Como cualquier base B contiene nicamente ceros y unos y es triangular con unos en la
diagonal principal, entonces los elementos de
son todos
cero.
Cada vector
en la tabla del simplex para el problema de transporte est dado por
equivalentemente
. Este es un sistema de m+n-1 ecuaciones con
m+n-1 incgnitas
.
Para obtener el k-simo elemento desconocido de

usamos la regla de Cramer.

Donde Bk se obtiene de B reemplazando la k-sima columna de B por el vector


Observemos que

y como

, entonces

.
.

Lo anterior demuestra que una tpica columna del simplex actualizada


consiste de

ceros. Tambin demuestra que cualquier vector


se puede obtener mediante la suma y
resta de vectores bsicos. Esta simplicidad sugiere que puede existir un mtodo conveniente
de obtener la representacin (nica)
, y as poder construir la tabla completa del
simplex asociada con una solucin bsica.
Obsrvese lo siguiente:
En la representacin del vector no bsico
en trminos de los vectores
bsicos, debe haber un vector bsico de la forma
con un coeficiente de 1.
Luego, debe existir un vector bsico de la forma
con un coeficiente de -1 en la
representacin. Este proceso se continua hasta llegar a que debe existir un vector de la forma
con un coeficiente de +1 en la representacin.
Una representacin tpica de

es:

En la siguiente figura se ilustra la representacin del vector no bsico


los vectores bsicos en la matriz de transporte.

+1

.
.
...

-1 .
.
+1

en trminos de

..

-1
+1

52

Investigacin de Operaciones I

ISC

La celda (i, j) junto con las celdas (i, k), (l, k), (l, s), (u, s) y (u, j) forman un ciclo en la matriz.
Las celdas (i, k), (l, k), (l, s), (u, s) y (u, j) forman una cadena en la matriz que los coeficientes se
alternan en la cadena.

Caracterizacin de una base en la tabla de transporte


Primero se demostrar que los vectores bsicos no pueden formar un ciclo en la tabla de
transporte.
Haremos que las celdas (p, q), (r, q), (r, s), (u, s), (u, u) y (p, u), las cuales forman un ciclo
sean bsicas. Entonces tenemos:

Esto significa que


seran bsicas).

son linealmente independientes (luego, no

Por lo tanto, las celdas correspondientes a los vectores bsicos no pueden formar un ciclo.
Considrese la siguiente figura:
B-----------

B------------

B-----------

B--------

B
B
B
B

Problema

En esta figura, las B indican las celdas bsicas, mientras que las lneas que conectan a las B
indican a aquellas celdas bsicas en el mismo rengln o columna que otras celdas bsicas. Esta
estructura de celdas bsicas y lneas que conectan tienen las siguientes propiedades:
a. La estructura de celdas y lneas se llama una grfica.
b. La grfica es conexa, esto significa que cualesquiera de dos celdas bsicas estn
conectadas mediante celdas bsicas.
c. La grfica de la base es un rbol, es decir, una grfica conexa que no tiene ciclos.
d. El rbol de la base es de expansin; es decir, hay una celda del rbol de cada rengln y
columna de cada matriz.
Suponiendo que el vector artificial est presente, se demostrar que cualquier base en la
tabla de transporte se puede caracterizar como un rbol (nico) de expansin conexo en m+n1 celdas:
La base es un rbol de expansin: Como un conjunto de celdas bsicas no puede
contener un ciclo, entonces la base debe ser un rbol o varios rboles. Por otra parte,
supongamos que la grfica de la base no contiene una celda en algn rengln i.
Entonces, el i-simo rengln de la matriz asociada consiste nicamente de ceros. Lo
cual la descalifica para ser una base. Por lo tanto, una base contiene al menos una
celda en cada rengln. De igual manera, debe contener al menos una celda en cada
columna.
53

Investigacin de Operaciones I

ISC

La grfica de la base es conexa: En consecuencia, es un solo rbol. Considrense las


dos celdas bsicas (i, j) y (k, l) de la siguiente figura:

B-------------

--------------B-------------

B
B
B-------------

B------------B

Para la celda (k, j) se tienen dos posibilidades:


1. Si la celda (k, j) es bsica, entonces las celdas (i, j) y (k, l) estn conectadas mediante la
cadena bsica
.
2. Si la celda (k, j) no es bsica, entonces
donde los vectores
son bsicos.
En particular las dos celdas bsicas (i, j) y (k, l) estn conectadas por la cadena bsica
.
Hemos demostrado que cualesquiera de dos celdas bsicas estn conectadas por una
cadena en la grfica de la base.
Por lo tanto, la grfica de la base es conexa.
Tambin, cualquier rbol de expansin con m+n-1 puntos juntos con un vector artificial es
una base j.

Representacin de la base en la grfica de transporte


Es importante notar que una celda bsica (i, j) corresponde a un arco bsico (i, j) en la
grfica. Mientras que el vector
(vector de la variable artificial) se representar mediante
un arco que sale del destino n y que no termina en ninguna parte.
Ahora determinaremos cmo efectuar los clculos sobre la tabla de transporte:
A manera de recopilacin, tenemos lo siguiente:
a) Cada celda no bsica (i,j) junto con un subconjunto de celdas bsicas forman un ciclo y
las celdas bsicas en este ciclo dan la representacin requerida para la celda no bsica.
b) El conjunto de celdas bsicas forma un rbol de expansin en la matriz de transporte.
c) Existe una cadena nica entre cada par de celdas en el rbol (ya que en caso contrario,
se crearan ciclos).
Lo anterior sugiere que para determinar la representacin de una celda no bsica (i, j) se
use la cadena en el rbol bsico entre alguna celda bsica en el rengln i y alguna celda bsica
en la columna j.

54

Investigacin de Operaciones I

ISC

Sin embargo, es importante sealar que no todas las celdas bsicas en esta cadena estn
en la representacin.
Para producir la representacin correcta, para una celda no bsica dada, simplemente se
localiza el ciclo nico en la grfica de la base, que contiene el arco asociado con la celda no
bsica particular. Entonces, todas las celdas bsicas de la matriz de transporte asociadas con
los arcos del ciclo en la grfica se requieren para la representacin de la celda no bsica.
El proceso de localizar la representacin directamente sobre la matriz de transporte es
esencialmente el mismo, excepto que no se usan todas las celda bsicas en el ciclo nico, es
decir, se utilizan nicamente aquellas celdas de la cadena para las cuales existe otra celda de la
cadena en el mismo rengln y otra celda de la cadena en la misma columna.
Ejemplo. Supongamos que se desea representar
1
2
3
4

Para
1
2
3
4

en trminos de los vectores bsicos.

1
B---------------B
B----------------

2
B----------------

3
------------------

4
*

------------------

B---------------B

1
B---------------B
B----------------

2
B

------------------

B
B

Mtodo simplex para problemas de transporte


Recordemos que los pasos generales en la aplicacin del mtodo simplex a un programa
lineal son los siguientes:
1. Encontrar una solucin bsica factible inicial.
2. Calcular
para cada variable no bsica. Terminar por seleccionar la columna
de entrada.
3. Determinar la columna (vector o variable) que sale.
4. Obtener la nueva solucin bsica factible y repetir el paso 2.

55

Investigacin de Operaciones I

ISC

Determinacin de una solucin bsica factible inicial


Mtodo de la esquina noroeste

Con m+n-1=7.
Este mtodo no es muy bueno, puesto que no toma en cuenta a los costos.
sta es una forma de encontrar la solucin factible.
Uno de los procedimientos para conseguir una solucin bsica factible es el de la esquina
noroeste (o regla de la esquina superior izquierda).
En este procedimiento cuando se asigne un valor a una variable
correspondientes y por ese mismo valor.
Denotemos por
principio se tiene

los valores reducidos de


y

, se reducen las

respectivamente (en particular al

Slo para problemas balanceados. Suponiendo que la oferta es igual a la demanda total y
empezando en la celda (1, 1) se hace
por
, entonces se tendrn 3 posibilidades:
a. Si
b. Si
por
c. Si

, se pasa a la celda (1, 2) y se toma


y por
.
, se pasa a la celda (2, 1) y se toma

y se reemplaza

por

y se reemplaza

por

y se reemplaza

y por
.
, se produce una degeneracin.

El proceso de asignar a una variable el mnimo de la oferta o la demanda restante, ajustar


ambos, y moverse una celda hacia la derecha o hacia abajo, se contina hasta que todas las
ofertas y las demandas estn asignadas.

56

Investigacin de Operaciones I

ISC

Mtodo del costo mnimo


Paso 1: Identificar la celda del cuadro de transporte que tenga el menor costo, y
asignarle la mayor cantidad de flujo posible; en caso de empate, elegir la celda que
corresponde al arco sobre el que se puedan enviar la mayor cantidad de unidades. Si
siguen apareciendo empates, elegir cualquiera de las celdas empatadas.
Paso 2: Reducir la oferta del rengln y la demanda de la columna en la cantidad del
flujo asignado a la celda que se indica en el paso 1.
Paso 3: Si se han agotado todas las ofertas de rengln y las demandas de columna,
entonces hay que detenerse; las asignaciones realizadas ofrecen una solucin factible
inicial. Si no es el caso, continuar con el paso 4.
Paso 4: Si la oferta del rengln es ahora cero, limitar al rengln de cualquier
consideracin posterior cruzndola con una lnea. Si la demanda de la columna ahora
es cero, eliminar la columna cruzndola con una lnea.
Paso 5: Continuar con el paso 1 para todos los renglones y columnas que no han sido
tachados.

Mtodo de Vogel
Paso 1: Calcular la diferencia por rengln y por columna. Esta diferencia se calcula por
medio de la diferencia aritmtica entre los costos ms pequeos por rengln y por
columna. En caso de empate, la diferencia es igual a cero.
Paso 2: Seleccionar aquel rengln o columna con mayor diferencia. Los empates se
rompen arbitrariamente.
Paso 3: Localizar el costo ms pequeo en la matriz de costos en el rengln o columna
seleccionado en el paso anterior.
Paso 4: Hacer
donde i, j se determinan en el paso anterior. Cambiar
por
y a por
.
Paso 5: Si
, llenar el rengln i con ceros, a excepcin de la posicin j y
elimnese ese rengln de cualquier consideracin futura. Regresar al paso 1.
Ejemplo. Encuentre una solucin inicial por el mtodo de Vogel para el problema de transporte
siguiente:
57

Investigacin de Operaciones I

Clculo de

ISC

para cada celda no bsica

Una vez que se tiene una solucin bsica factible se debe determinar si la solucin es
ptima o si se debe hacer un cambio de base.
Recordemos que la condicin de optimizacin para un problema de minimizar es que:
para todo (i,j), pero como
. Entonces
se calcula
sumando y restando los costos de algunas variables bsicas.

En este caso el vector

entrara a la base.

Para determinar el vector que sale de la base, se elige aqul que cumple con

>0.

Como los
cumple con:

positivos tienen como valor 1, el vector que sale de la base es aqul que

: La celda bsica (i, j) tiene un +1 en la representacin de la celda no bsica (k, l),


donde (k, l) es la celda que se selecciona para entrar a la base.
Ejemplo. Encuentre la solucin ptima del problema siguiente:

58

Investigacin de Operaciones I

ISC

59

Investigacin de Operaciones I

ISC

Degeneracin en el problema de transporte


Esto ocurre porque alguna de las variables bsicas toma el valor de cero. Esto trae como
consecuencia que no se tenga m+n-1 componentes positivos.
Supongamos que en alguna etapa en la aplicacin de la esquina noroeste se tiene que:

En cualquier direccin que se elija (a la derecha o hacia abajo) la siguiente variable bsica
ser cero y se produce una degeneracin.
Para obtener una base lineal se elige cualquier direccin
y se
asigna ya sea a

el valor y se considera como una variable bsica con valor cero.


Las variables bsicas en el nivel 0 se tratan como cualquier variable bsica. La regla de la
esquina noroeste (y tambin otros mtodos) producen una solucin bsica factible an en la
presencia de degeneracin.

El problema de asignacin
Supongamos que se tienen m individuos y m trabajos por hacer. Si el costo (o tiempo) de
asignar al individuo i el trabajo j, lo denotamos por , entonces se desea encontrar el costo
mnimo (o de mayor efectividad) de asignar los individuos a los trabajos.
A este problema se le llama problema de asignacin, el cual se puede modelar:
: Porcentaje del trabajo j que efectuar el trabajador i.

Es importante notar, que este problema se puede representar como un problema de


transporte (m=n) y donde cada origen y cada destino tienen como oferta y como demanda
respectivamente el valor de 1.

60

Investigacin de Operaciones I

ISC

Como el problema de asignacin es un caso especial del problema de transporte, entonces


se puede aplicar el procedimiento de transporte para resolver el problema de asignacin. Sin
embargo, en el problema de asignacin slo se tendran m variables bsicas positivas de un
total de 2m-1. Es decir, se tendran m-1 variables bsicas en el nivel cero, lo cual conduce a un
problema demasiado degenerado.
Existe un mtodo eficiente para resolver el problema de asignacin llamado mtodo
hngaro.
Pasos para realizar el mtodo hngaro.
Paso 1: Para cada rengln de costos, rstese el mnimo de sus elementos a cada
elemento en ese rengln. Para cada columna de la matriz resultante, rstese el
mnimo de sus elementos a cada elemento de su columna. El resultado es una matriz
reducida.
Paso 2: Trace el mnimo nmero de lneas sobre los renglones y las columnas para
cubrir todos los ceros en la matriz reducida. Si el mnimo nmero de lneas es m, se
genera una ptima*, en caso contrario seguir el paso 3.
Paso 3: Seleccione el mnimo elemento no cubierto, reste este elemento a cada
elemento no cubierto y smelo a cada elemento cubierto por dos lneas. Regrese al
paso 2.
*: Para obtener la solucin ptima del paso 2, se procede de la siguiente manera:
Determinar en primer lugar cualquier rengln o columna que tenga un solo cero (si todos
tienen ms de 1, elegir el que tenga el menor nmero de 0 cualquiera que est empatado).
Se encierra en un crculo el cero correspondiente, lo cual indica una asignacin, y se eliminan
tanto ese rengln como esa columna de las consideraciones posteriores.
Ejemplo. Asignar a los siguientes estudiantes de Ing. En Sistemas Computacionales, quienes
han obtenido las mejores notas en el semestre anterior, de tal manera que se elija al mejor
representante por asignatura para un concurso.

Carlos
Francisco
Vianney
Elas
Norma

Redes de
computadoras
8
8
8
8
9

Circuitos
elctricos
10
10
7
10
7

Bases de
Datos
9
9
9
10
10

Estructuras
de Datos
9
10
9
10
9

Unix

Redes de
computadoras
2
2
2
2
1

Circuitos
elctricos
0
0
3
0
3

Bases de
Datos
1
1
0
0
0

Estructuras
de Datos
1
0
1
0
1

Unix

10
9
9
10
10

Solucin:

Carlos
Francisco
Vianney
Elas
Norma

0
1
1
0
0

61

Investigacin de Operaciones I
1
1
1
1
0

0
0
3
0
3

1
1
0
0
0

1
0
1
0
1

ISC

0
1
1
0
0

Por lo tanto, quedarn asignados:


Carlos Circuitos (10)
Francisco Estructuras de Datos (10)
Vianney Bases de Datos (10)
Elas Unix (10)
Norma Redes (9)
Puntuacin mxima = 49
Promedio mximo =

Problema de trasbordo
En muchas situaciones se presenta el problema de enviar artculos desde un conjunto de
nodos origen a un conjunto de nodos destino pasando por nodos intermedios (almacenes,
etc.). A este tipo de problemas se les denomina problemas de trasbordo.
Ejemplo. La empresa Crdenas S.A. produce brocas para concreto en 2 diferentes fbricas, una
en Morelia y otra en Durango. La fbrica de Morelia produce diariamente 1500 lotes brocas y
la de Durango 2000. Los lotes de brocas se envan por avin a los clientes en Puebla y Oaxaca.
Los clientes de cada ciudad requieren 1300 lotes de brocas. Debido a los problemas con las
lneas areas actuales (y en particular con las tarifas) Crdenas S.A. cree que podra ser ms
barato mandar algunas brocas a Quertaro y Aguascalientes, y despus mandarlas a sus
destinos finales. Los costos para mandar un lote de brocas por avin se muestra en la tabla
siguiente:
Desde/Hacia
Morelia
Durango
Qro.

Morelia
0
-

Durango
0
-

Qro.
18
15
0

Ags.
13
12
6

Puebla
25
26
16

Oaxaca
28
25
17
62

Investigacin de Operaciones I
Ags.
Puebla
Oaxaca

6
-

0
-

ISC

14
0
-

16
0

Los problemas de trasbordo por medio de un problema de transporte


Para tal propsito definimos lo siguiente:

Nodo oferta: Nodo del que se pueden enviar bienes a otro nodo, pero que no puede
recibir bienes de cualquier otro nodo.
Nodo demanda: Nodo que puede recibir bienes de otro nodo, pero de l no se pueden
enviar bienes hacia otro nodo.
Nodo de trasbordo: Nodo que puede recibir bienes de otros y del cual se pueden
enviar nodos hacia otros puntos.

Para transformar un problema de trasbordo a un problema de transporte es necesario


construir una tabla de transporte de la manera siguiente:
Se necesita un rengln en la tabla por cada nodo de oferta y por cada nodo de
trasbordo, y se necesitar una columna por cada nodo de demanda y por cada nodo
de trasbordo.
Cada punto de oferta tendr una oferta igual a su oferta original, y cada nodo de
demanda tendr una demanda igual a su demanda original.
Sea d la oferta total disponible, entonces cada nodo de trasbordo tendr una oferta
igual a la oferta original del nodo ms d y una demanda igual a la demanda original del
nodo ms d.
Puebla
1300

Morelia
Durango
Ags.
Qr0.

Oaxaca
200
1100

Ficticio

Ags.

Qro.

900
3500

1300

1300

900

3500

3500
3500

Oaxaca

Ficticio
200
700

Ags.

Qro.

1500
2000
3500
3500

La solucin ptima es:

Puebla
1300

Morelia
Durango
Ags.
Qr0.

1300
0
0
1300

3500
1300

900

3500

3500
3500

1500
2000
3500
3500

Supongamos que en el ejemplo anterior se permiten envos entre Morelia y Durango


Qro.
Morelia
Durango
Qro.
Ags.

Ags.

Puebla

Oaxaca

Artificial Morelia

Durango
5000
5500
3500
3500
63

Investigacin de Operaciones I
3500

3500

1300

1300

900

3500

3500

ISC
17500

Por ltimo, supongamos que se permiten envos entre Puebla y Oaxaca


Qro.

Ags.

Puebla

Oaxaca

Artificial Morelia

Durango

Morelia
Durango
Qro.
Ags.
Puebla
Oaxaca
3500

3500

1300

1300

900

3500

3500

5000
5500
3500
3500
3500
3500
17500

Unidad V. Modelos de redes


Problema de la ruta ms corta
Supongamos que tenemos una red con m nodos y n arcos y un costo (o distancia) asociado
con cada arco (i, j). El problema de la ruta ms corta consiste en encontrar la ruta menos
costosa (menor distancia) entre dos nodos particulares (digamos del nodo 1 hasta el nodo j).
Paso 1: Asignar al nodo 1 el rtulo permanente [0, I]. La I indica que el nodo 1 es el
nodo inicial; y el 0, que la distancia del nodo 1 hacia s mismo es cero.
Paso 2: Determinar rtulos tentativos para los nodos a los que puede llegarse en
forma directa desde el nodo 1. El primer nmero de cada marcacin es la distancia
directa entre el nodo 1 y el nodo en cuestin; a esta parte de la etiqueta se le
denomina valor de distancia. El segundo nmero de cada rtulo, al que se denomina
valor del nodo precedente, seala el nodo que anteceda en la ruta desde el nodo 1
hasta el nodo en cuestin. Por ello, en este paso, el valor de tal nodo es 1, puesto que
slo se consideran los nodos a los que se puede llegar en forma directa desde el 1.
Paso 3: Identificar el nodo con la etiqueta tentativa que tenga el menor valor de
distancia y considerarlo como rotulado en forma permanente. Si todos los nodos
tienen etiquetas permanentes, ir al paso 5.
Paso 4: Considere todos los nodos que no tienen marcacin permanente y a los que se
pueden llegar en forma directa desde el nuevo nodo con el rtulo permanente que se
estableci en el paso 3. Calcular para estos nodos las etiquetas tentativas de la
siguiente manera:
a) Si el nodo que carece de etiqueta permanece y que se considera, tiene una
marcacin tentativa, obtener la suma del valor de distancia del nuevo nodo
etiquetado permanentemente, y la distancia directa de este ltimo nodo al nodo
en cuestin. Si esta suma es inferior al valor de la distancia del nodo considerado,
igualar a esta suma el valor de distancia para este nodo; adems hacer que el valor

64

Investigacin de Operaciones I

ISC

del nodo precedente sea igual al nodo recin marcado como permanente y que
arroj la menos distancia. Continuar con el paso 3.
b) Si el nodo que no tiene etiqueta permanente y que se est evaluando carece de
rtulo tentativo, se crea una con valor de distancia igual a la suma del valor de
distancia en el nuevo nodo etiquetado como permanente y la distancia directa
desde este nodo al que recientemente se le asign la marcacin permanente hasta
el nodo en cuestin. El valor del nodo precedente es igual al nodo recin
etiquetado en forma permanente. Ir al paso 3.
Paso 5: Los rtulos permanentes identifican la distancia ms corta desde el nodo 1
hasta cada uno de los dems nodos, y el nuevo precedente sobre la ruta ms corta. Se
puede encontrar la ruta ms corta hasta un determinado nodo, partiendo de ste, y
yendo hacia sus nodos precedentes. Continuando esta accin hacia atrs en la red, se
obtiene una ruta ms corta desde el nodo 1 hasta el nodo en cuestin.
El algoritmo anterior permite determinar la distancia ms corta desde el nodo 1 hasta cada
uno de los dems nodos de la red. Obsrvese que se requieren n-1 iteraciones del algoritmo
para encontrar la ruta ms corta hacia todos los nodos. Si no se requiere la distancia ms corta
a cada nodo, se puede detener el algoritmo cuando ya se han asignado etiquetas permanentes
a los nodos que s interesan. Es fcil tambin modificar el algoritmo para encontrar la distancia
ms corta desde cualquier nodo.

El problema del rbol con cubrimiento minimizante (rbol de extensin


mnima)
Dado un conjunto de nodos y un conjunto de arcos, el problema consiste en encontrar los
arcos que se deben utilizar para que todos los nodos se conecten de manera que se minimice
la longitud total de los arcos utilizados.
Algoritmo para el rbol de extensin mnima
El algoritmo de red que puede utilizarse para resolver el problema del rbol de expansin
mnima es muy sencillo. Los pasos del algoritmo son los siguientes:
Paso 1: Comenzar en forma arbitraria en cualquier nodo y conectarlo con el nodo ms
prximo. A estos dos nodos se les denomina nodos conectados o conexos y a los nodos
restantes se les denomina nodos no conectados o inconvexos.
Paso 2: Identificar al nodo no conectado que est ms cerca de uno de los conectados.
Deshacer los empates en forma arbitraria si son dos o ms los nodos que califican
como nodo ms cercano. Agregar este nodo al conjunto de nodos conectados. Repetir
este paso hasta que se hayan conectado todos los nodos.

El problema del flujo mximo


Consideremos una red con un nodo entrada (nodo fuente) y uno de salida (nodo
sumidero). Entonces el problema consiste en determinar la cantidad mxima de flujo que
puede entrar y salir del sistema de red en un perodo determinado de tiempo.

65

Investigacin de Operaciones I

ISC

Algoritmo de flujo mximo


1. Encontrar cualquier camino del nodo fuente al nodo antifuente que tenga capacidades
de flujo, en el sentido del flujo, mayores de cero para todas las ramas del camino.
2. Incrementar, en la medida de lo posible, el flujo sobre ese camino.
3. Continuar buscando caminos que vayan de fuentes a depsitos y que sigan teniendo
capacidades mayores de cero para todas las ramas, en el sentido del flujo, y aumentar
el flujo sobre esos caminos tanto como sea posible.
4. Detenerse cuando ya no sea posible encontrar un camino desde una fuente hasta un
depsito que tenga capacidades de flujo superiores a cero en el sentido del flujo para
todas las ramas del camino.
Se revisan en seguida los pasos del algoritmo de flujo mximo:
Paso 1: Encontrar cualquier camino que vaya del nodo origen al nodo de depsito y
que tenga capacidades de flujo mayores que cero para todas las ramas del camino, en
el sentido del flujo. Si no hay camino disponible, ya se ha llegado a la solucin ptima.
Paso 2: Encontrar la menor capacidad de la rama Pj, sobre el camino que se eligi en el
paso 1. Aumentar el flujo sobre la red enviando una cantidad de Pf sobre el camino
elegido en el paso 1.
Paso 3: Para el camino que se seleccion en el paso 1, reducir todas las capacidades de
flujo de las ramas en el sentido del flujo, en Pj y aumentar las capacidades de flujo de
las ramas en el sentido contrario, en la misma cantidad, Pf. Volver al paso 1.

Introduccin a PERT y CPM


La buena administracin de proyectos a gran escala requiere una buena planeacin,
programacin y coordinacin cuidadosas de muchas actividades interrelacionadas.
A principio de la dcada de los cincuenta se desarrollaron procedimientos formales
basados en el uso de redes y de las tcnicas de redes para ayudar a estas tareas. Entre los
procedimientos ms sobresalientes se encuentran el PERT (Program Evaluation and Review
Technique: Tcnica de Evaluacin y Revisin de Programas) y CPM (Critical Path Method:
Mtodo de la Ruta Crtica), las cuales han demostrado ser extremadamente valiosas para
ayudar a los administradores en la responsabilidad de proyectos, tales como:
1. Investigacin y desarrollo de nuevos productos y procesos.
2. Construccin de plantas, edificios y carreteras.
3.

Mantenimiento de equipo grande y completo.

4. Diseo e instalacin de sistemas nuevos.


En proyectos como estos, los administradores deben programar y coordinar las
diversas tareas o actividades, con el propsito de terminar a tiempo el proyecto completo. Un
factor que complica la realizacin de esa tarea es la interdependencia entre las actividades.
Por ejemplo, algunas actividades dependen de la terminacin de otras para poder arrancar.
Cuando se tienen proyectos que pueden tener hasta varias millones de actividades, los

66

Investigacin de Operaciones I

ISC

administradores buscan procedimientos que ayuden a contestar preguntas como las


siguientes:
1. Cul es el tiempo total que se requiere para terminar el proyecto?
2. Cules son las fechas programadas de inicio y fin para cada actividad?
3. Qu actividades son crticas y deben terminarse segn lo programado para poder
mantener el proyecto dentro del programa?
4. Cunto se pueden demorar las actividades no crticas antes de que ocasionen
demoras en el proyecto total?
Aunque existen diferencias importantes entre los procedimientos PERT y CPM,
recientemente la tendencia se dirige a unir los dos enfoques en lo que se conoce como
sistemas de tipo PERT.
Todos los sistemas tipo PERT emplean una red de proyecto para visualizar
grficamente las interrelaciones entre sus elementos. Esta representacin en una red del plan
de un proyecto muestra todas las relaciones de precedencia respecto al orden en que las
tareas deben realizarse.
La siguiente figura muestra la red de proyecto inicial de la construccin de una casa:

La red indica que la excavacin debe hacerse antes de poner los cimientos, y despus
los cimientos deben completarse antes de colocar las paredes. Una vez que se levantan las
paredes se pueden realizar 3 actividades en paralelo (instalacin elctrica, tubera exterior y el
colado del techo). Al seguir la red hacia delante se ve el orden de las tareas subsecuentes.
En la terminologa de PERT, cada arco de la red representa una actividad, es decir, una
de las tareas que requiere el proyecto. Cada nodo representa un evento que por lo general se
define como el momento en que se terminan todas las actividades que llegan a ese nodo. Las
puntas de flecha indican la secuencia que debe cubrir cada uno de esos eventos. Lo que es
67

Investigacin de Operaciones I

ISC

ms, un evento debe preceder a la iniciacin de las actividades que salen de ese nodo. El nodo
al que se dirigen todas las actividades es el evento que corresponde a la terminacin de
proyecto actual planeado.
Cada arco juega un doble papel, el de representar una actividad y el de ayudar a
representar las relaciones de precedencia entre las distintas actividades. En ocasiones se
necesita un arco para definir las relaciones de precedencia an cuando no haya una actividad
real que representar. En este caso, se introduce una actividad ficticia que requiere un tiempo
cero (esta actividad se indica con una flecha punteada).
Por ejemplo, el arco 58 del diagrama representa una actividad ficticia. El objeto de
este arco es de indicar que la colocacin de la tubera exterior debe estar terminada antes de
comenzar a pintar los exteriores.
Una regla comn para construir este tipo de redes de proyecto es que dos nodos no
pueden estar conectados directamente por ms de un arco.
Las actividades ficticias tambin se pueden usar para evitar violar esta regla cuando se
tienen dos ms actividades concurrentes. Por ejemplo, el arco 1112 tiene como propsito
indicar los acabados interiores sin tener dos arcos del nodo 9 al nodo 12.
Una vez desarrollada la red de un proyecto, el siguiente paso es estimar el tiempo que
se requiere para cada actividad.
A continuacin se indican las estimaciones para la construccin de la casa (en unidades
de das de trabajo).

Los tiempos se usan para calcular dos cantidades bsicas para cada evento, a saber, su
tiempo ms prximo su tiempo ms lejano.
68

Investigacin de Operaciones I

ISC

Definicin: El tiempo ms prximo para un evento es el tiempo (estimado) en el que ocurrir


el evento si las actividades que lo preceden comienzan lo ms pronto posible.
Los tiempos ms prximos se obtienen al efectuar una pasada hacia adelante a travs de la
red, comenzando con los eventos iniciales y trabajando hacia delante en el tiempo hasta los
eventos finales.
Para un evento se hace un clculo del tiempo en el que ocurrir cada uno, si cada evento
precedente inmediato ocurre en su tiempo ms prximo y si cada actividad que interviene
consume exactamente su tiempo estimado. La iniciacin del proyecto se etiqueta como el
tiempo cero.
Clculo del tiempo ms prximo
Evento

1
2
3
4
5
6
7
8
9
10
11
12
13

Evento
anterior
inmediato
1
2
3
4
4
4
5
5
6
7
8
9
9
11
10
12

Tiempo ms prximo del evento


anterior + Tiempo de la actividad

Tiempo ms prximo
(das)

0+2
2+4
6+10
16+4
16+6
16+7
20+5
20+0
22+7
25+8
29+9
33+4
33+5
37+0
38+2
38+6

0
2
6
16
20
22
25
29
33
38
37
38
44

Definicin: El tiempo ms lejano para un evento es el ltimo momento (estimado) en el que


puede ocurrir sin retrasar la terminacin del proyecto ms all de su tiempo ms prximo.
Los tiempos ms lejanos se obtienen sucesivamente para los eventos a efectuar una
pasada hacia atrs a travs de la red, comenzando con los eventos finales y trabajando hacia
atrs en el tiempo hasta las iniciales.
Para cada evento se hace un clculo del tiempo final en que puede ocurrir de manera que
los que siguen ocurran en su tiempo ms lejano, si cada actividad involucrada consume
exactamente su tiempo estimado.

69

Investigacin de Operaciones I

ISC

Clculo del tiempo ms lejano


Evento
13
12
11
10
9
8
7
6
5
4

3
2
1

Evento inmediato
posterior
13
12
13
12
11
10
9
8
8
7
7
6
5
4
3
2

Tiempo ms lejano Tiempo de la


actividad
44-6
38-0
44-2
38-5
38-4
42-9
33-8
33-7
33-0
25-0
25-7
26-6
20-4
16-10
6-4
2-2

Tiempo ms lejano
44
38
38
42
33
33
25
26
20

16
6
2
0

Si denotamos con a(i, j) la actividad del evento i al j en la red del proyecto, entonces
definimos lo siguiente:
Definicin: La holgura para un evento es la diferencia en el tiempo ms lejano y su tiempo ms
prximo.
Definicin: La holgura para una actividad a(i, j) es
lejano del evento j, es el tiempo ms prximo del evento i y
la actividad a(i, j).
Evento
1
2
3
4
5
6
7
8
9
10
11
12
13

Holgura
0
0
0
0
0
4
0
4
0
4
1
0
0

Actividad
a(1, 2)
a(2, 3)
a(3, 4)
a(4, 5)
a(4, 6)
a(4, 7)
a(5, 7)
a(6, 8)
a(7, 9)
a(8, 10)
a(9, 11)
a(9, 12)
a(10, 13)
a(12, 13)

, donde es el tiempo ms
es el tiempo estimado para
Holgura
2-(0+2)=0
6-(2+4)=0
16-(6+10)=0
20-(16+4)=0
26-(16+6)=0
25-(16+7)=0
25-(20+5)=0
33-(22+7)=4
33-(25+8)=0
42-(29+9)=4
38-(33+4)=1
38-(33+5)=0
44-(38+2)=4
44-(38+6)=0

70

Investigacin de Operaciones I

ISC

Donde:
: Es el tiempo ms lejano del evento j.
: Es el tiempo ms prximo del evento i.
: Es el tiempo estimado de la actividad a(i, j).
La holgura para un evento indica cunto retraso se puede tolerar para llegar a ese evento
sin retrasar la terminacin del proyecto (bajo el supuesto que todo lo dems marcha a tiempo)
mientras que la holgura para una actividad indica cunto retraso se puede tolerar en la
terminacin de esa actividad.
Definicin: Una ruta crtica para un proyecto es una trayectoria de la red, tal que sus
actividades tienen holgura cero. Para el tiempo particular de la construccin de una casa, una
ruta crtica es:
12345791213
Esta secuencia debe mantenerse estrictamente a tiempo para evitar retrasar la
terminacin del proyecto.

Propiedades de las rutas crticas


1. Una red de un proyecto al menos tiene una ruta crtica.
2. Todas las actividades que tienen holgura cero deben estar en una ruta crtica, mientras
que ninguna actividad que tiene holgura mayor que cero puede estar en una ruta
crtica.
3. Todos los eventos que tengan holgura cero deben estar en una ruta crtica, mientras
que ningn evento que tenga holgura mayor que cero puede estar en la ruta crtica.
4. Una trayectoria a travs de la red tal que sus eventos tienen holgura cero no
necesariamente es crtica, porque una o ms actividades sobre esta trayectoria
pueden tener holgura mayor que cero.

Incertidumbre en los datos


Para la mayora de los problemas reales, los datos correspondientes a los tiempos de cada
actividad, no son determinsticos. Por lo general, el tiempo para cada actividad es una variable
aleatoria que sigue alguna distribucin de probabilidad.
Las versiones originales de CPM y PERT difieren bsicamente en cuanto a la confiabilidad
de las estimaciones. El CPM supone que se conocen con certidumbre la duracin de cada una
de las actividades, mientras que la PERT considera la duracin de una actividad como una
variable aleatoria.

Mtodo PERT
Para cada actividad del proyecto se deben considerar las siguientes estimaciones:

a:
b:

Estimacin de la duracin de la actividad bajo las condiciones ms favorables


(estimacin optimista).
Estimacin de la duracin de la actividad bajo las condiciones menos favorables
(estimacin pesimista).
71

Investigacin de Operaciones I
m:

ISC

El valor ms probable de la duracin de la actividad (estimacin ms realista).


Si suponemos que la dispersin entre la estimacin pesimista y la estimacin
optimista es de 6 desviaciones estndar, entonces:

Si adems se supone que distribucin de probabilidad de tiempo de cada


actividad se aproxima a una distribucin beta, entonces, el valor esperado del
tiempo de una actividad es aproximadamente:
Si tambin suponemos que las actividades son variables aleatorias independientes
(estadsticamente) y que la ruta crtica (en trminos de los tiempos esperados)
siempre requiere un tiempo total mayor que cualquier otra trayectoria. Entonces
el tiempo (aproximado) del proyecto es igual a la suma de los tiempos para las
actividades sobre la ruta crtica (con base en los tiempos esperados) y la varianza
del tiempo del proyecto es (aproximadamente) la suma de las varianzas de los
tiempos de las actividades en la ruta crtica.
A continuacin se muestran las tres distintas estimaciones para las actividades del
proyecto correspondiente a la construccin de una casa, y se coloca los valores
esperados y varianza de cada actividad.
Actividad

Estimacin
optimista a

a(1, 2)
a(2, 3)
a(3, 4)
a(4, 5)
a(4, 6)
a(4, 7)
a(5, 7)
a(6, 8)
a(7, 9)
a(8, 10)
a(9, 11)
a(9, 12)
a(10, 13)
a(12, 13)

1
2
6
1
4
3
4
5
3
5
4
1
1
5

Estimacin
ms
probable m
2
7/2
9
9/2
11/2
15/2
4
13/2
9
8
4
11/2
2
11/2

Estimacin
pesimista b

Valor
esperado

3
8
18
5
10
9
10
11
9
17
4
7
3
9

2
4
10
4
6
7
5
7
8
9
4
5
2
6

Varianza

1/9
1
4
4/9
1
1
1
1
1
4
0
1
1/9
4/9

De la tabla anterior, tenemos que el tiempo estimado es de 44 con una varianza de 9.


Si consideramos el teorema del lmite central, podemos suponer que la distribucin de
probabilidad del tiempo del proyecto es (aproximadamente) una distribucin normal.
Usando las hiptesis anteriores, tenemos que el tiempo del proyecto para la construccin
de la casa se distribuye normalmente (aproximadamente) con parmetros
y
. As,
con estas aproximaciones podemos contestar preguntas como las siguientes: Si la fecha lmite
de terminacin del proyecto de construccin es de 49 das, cul es la probabilidad de cumplir
con la fecha pactada?
72

Investigacin de Operaciones I

ISC

Solucin: Sea Y la variable aleatoria correspondiente a el tiempo total del proyecto

Si se deseara terminar en 40 das.

Mtodo CPM
Considerando los tiempos de actividades como determinsticos, el CPM se concretiza a
estudiar la posibilidad de adicionar recursos (ms trabajadores, tiempos extras, etc.) en
actividades seleccionadas con intencin de reducir los tiempos de terminacin de esa
actividad, y con ello, el proyecto completo.
Esta adicin de recursos trae como consecuencia aumentos en los costos. En este sentido
el administrador debe determinar la combinacin ptima de tiempo y costo de actividad.
El objetivo fundamental del CPM es determinar el trueque entre tiempo y costo que debe
emplearse en cada actividad para cumplir con el tiempo de terminacin del proyecto que se
program a un costo mnimo.
Para lograr este objetivo del CPM se aplica programacin lineal:
Sea:
: Tiempo normal para la actividad a(i, j).
: Costo (directo) normal para la actividad a(i, j).
: Tiempo con reduccin mximo de la actividad a(i, j).
: Costo (directo) con reduccin mxima de la actividad a(i, j).
La relacin entre costos y tiempos de la actividad a(i, j) se representa por la siguiente
grfica:

73

Investigacin de Operaciones I

Si denotamos con

ISC

a la pendiente de la recta, tenemos:

Si adems definimos las siguientes variables de decisin:


: Tiempo de duracin de la actividad a(i, j).
Entonces el problema es encontrar una combinacin de las
que minimice el costo
directo total, de manera que el proyecto se termine en un tiempo mximo T.
En trminos de programacin lineal tenemos la siguiente funcin objetivo:

Para tomar en cuenta el tiempo de terminacin del proyecto es necesario utilizar las
siguientes variables (que no son variables de decisin).
: Tiempo ms prximo para el evento k.
Entonces, para cada evento se tiene la siguiente restriccin:
, donde
// : Tiempo ms prximo
Si el evento n es el evento correspondiente a la terminacin del proyecto
tiempo de terminacin.

indicar el

En trminos de programacin lineal se tiene:

74

Investigacin de Operaciones I

ISC

Observacin: Es importante sealar que el problema de encontrar la longitud de la ruta crtica


(cuando se tienen determinadas estimaciones de los tiempos) tambin se puede plantear
como un MPL.
Por ejemplo, en el proyecto de la construccin de la casa, el MPL es:
Sea

: Tiempo de inicio del evento (o nodo), con i=1, 2, , 13.

Entonces:

Limitaciones en la ejecucin de un proyecto.


En la ejecucin de un proyecto se pueden presentar tres tipos principales de limitaciones:
a. Limitaciones de tiempo: Una vez calculado el tiempo normal de ejecucin del
proyecto, si este no puede efectuarse en el intervalo esperado, debe comprimirse la
red el tiempo necesario. El tiempo ptimo de ejecucin indicar si puede efectuarse el
proyecto o no en el plazo sealado.
b. Limitaciones econmicas: En este paso se determina el costo ptimo del proyecto
para conocer si puede hacerse el proyecto con los recursos econmicos disponibles. Si
es posible hacerse se buscar el tiempo de ejecucin ms favorable para las
necesidades y objetivos del proyecto.
c. Limitaciones de recursos (humanos y materiales): Este caso de cuando 2 ms
actividades deben efectuarse al mismo tiempo y con el mismo recurso (humano o
material); y as, no queda ms que esperar a que se termine una actividad para poder
iniciar la otra; o inclusive se podra comprar maquinaria o material adicional para as
poder efectuar dichas actividades al mismo tiempo.

75

Investigacin de Operaciones I

ISC

Para ilustrar este ltimo caso (c) consideremos el siguiente proyecto:


Actividad
0
A
B
C
D
E
F
G
H
I
J
K
L
M

Secuencia
A, B, C, D
G
E
I, M
G
F
K, L
J
J
H

3
2
2
2
3
1
2
2
2
2
1
1
1

7
4
5
5
4
3
4
2
3
3
2
2
1

11
6
10
8
5
7
6
2
4
6
3
3
5

7
4
6
5
4
4
4
2
3
4
2
2
2

600
700
100
600
400
200
300
700
100
200
300
300
200

1000
1200
700
900
800
800
600
700
600
600
600
600
400

100
250
150
100
400
200
150
500
200
300
300
200

Ruta crtica: 14 das


D antes que B
B antes que D
Adems se tienen costos fijos de $ 500 por da. En la ejecucin de este proyecto se tienen
las siguientes limitaciones:
a. Las actividades K y L deben hacerse por la misma mquina.
b. Las actividades B y D deben llevarse a efecto por el mismo personal.
c. Las actividades I y H deben ser emprendidas tambin por la misma maquinaria.
Tenemos entonces que la red media del proyecto sin considerar las limitaciones es:
En condiciones normales se espera que el proyecto se efecte en 14 das.
Si consideramos las limitaciones tenemos que es indistinto efectuar primero cualquiera de
las actividades K L.
Tambin se tiene que es indistinto efectuar primero D B (al cambiar el orden las
actividades no deben cambiar las sucesiones originales de las actividades).
Tambin es indistinto el orden de las actividades I H. Por lo tanto, el diagrama con las
restricciones incluidas es:
Ahora calcularemos el costo del proyecto con y sin limitaciones con objeto de seleccionar
la mejor alternativa.
El costo del proyecto a tiempo esperado (14 das) sin limitaciones es de
400+(500)(14)=11700.

76

Investigacin de Operaciones I

ISC

Ejecucin y control del proyecto


Aprobacin del proyecto
Cuando las personas que intervienen en la ejecucin del proyecto estn plenamente
satisfechas con los tiempos, secuencias, costos y distribucin de los recursos humanos y
materiales, debe aprobarse el mismo.
En este momento debe quedar terminado el programa de trabajo con lo siguiente:
a.
b.
c.
d.
e.
f.
g.
h.
i.
j.

La lista de actividades.
El presupuesto general.
Las especificaciones de actividad.
El sealamiento de puestos y responsabilidades y organizacin de mando.
La Red de actividades.
Las condiciones limitantes de trabajo.
Los procedimientos de trabajo.
El equipo necesario.
Los planos necesarios y esquemas de itinerario y de horarios.
Las matrices de informacin.

77