Investigación de operaciones

Introducción

Desde el nacimiento del hombre en este planeta tubo el problema de cómo conseguir
recursos para su subsistencia, debido a lo escaso que son estos; siempre pensaba en la
racionalización de estos como una manera de ahorrar recursos, posteriormente ante nuevos
tipos de problemas donde era necesario la utilización de recursos viene la siguiente pregunta
¿Cómo puedo optimizar los recursos, en un problema de maximización o minimización? ,
naciendo un nuevo tipo de problema el de optimizar recursos tipo: hombre- máquina, hombre-
actividad, recursos-hombre, etc.

La Investigación de Operaciones empieza a nacer como tal en la segunda guerra mundial en

los años 50, la necesidad de optimizar los escasos recursos en la defensa nacional y el
avance de la tecnología en computación hace propicio que se desarrolle nuevos métodos
científicos de asignación de recursos. Los militares ingleses y americanos hicieron un llamado
a los científicos de la época para que los ayuden a implementar métodos y estrategias de
forma científica en la asignación de recursos en la defensa de Gran Bretaña ante los ataques
aéreos alemanes. El término “Investigación de Operaciones” nace justamente de las
operaciones militares realizadas, las cuales tenían como prioridad optimizar recursos.

Al inicio los problemas desarrollados por la I.O fue de Asignación de recursos, Ordenamiento
de Tareas, balance de carga de trabajo y planificación. Debido al éxito alcanzado en las tareas
militares poco a poco fue despertando el interés de los empresarios en esta disciplina,
extendiéndose a las empresas industriales, comerciales, financieras y gubernamentales.

Después de la segunda guerra mundial, los administradores industriales reconocieron el valor

de aplicar técnicas similares a sus complejos problemas de decisión. Los primeros esfuerzos se
dedicaron a desarrollar modelos apropiados y procedimientos correspondientes para
solucionar problemas que surgían en áreas como refinerías de petróleo, distribución de
productos, planeación de productos, el estudio de mercado y la planeación de inversiones.

El fondo de la I.O se basa en el uso de modelos matemáticos y el uso de computadoras para

realizar los cálculos que son difíciles de realizar a mano en un modelo real por el tamaño de la
matriz. El término “Programación Lineal” se refiere a la planificación de los recursos y cada
ecuación del programa es lineal es decir funciones lineales. Así, la programación lineal trata
la planeación de las actividades para obtener un resultado óptimo, esto es, el resultado que
mejor alcance la meta especificada (según el modelo matemático) entre todas las alternativas
de solución.

George Bernard Dantzig (1914 –2005) fue un profesor, físico y matemático estadounidense,
reconocido por desarrollar el método simplex y es considerado como el "padre de
la programación lineal". Con el método simplex y el desarrollo de las computadoras
actualmente es posible dar solución a problemas complicados de la P.L

1.1. Introducción a la Investigación de Operaciones

A continuación vamos a revisar algunas definiciones de

Investigación de Operaciones por los siguientes reconocidos
autores:
Taha (2004): “La Investigación de Operaciones aspira a determinar el mejor curso de acción
óptimo de un problema de decisión con la restricción de recursos limitados, aplicando técnicas
matemáticas para representar por medio de un modelo y analizar problemas de decisión”
Prawda (2004): “Es la aplicación por grupos interdisciplinarios de Método Científico a
problemas relacionados con el control de las organizaciones o de sistemas en relación al
hombre-máquina, con el fin de producir soluciones óptimas para dichas organizaciones”

Moskowitz –Wright (1991): “La Investigación de Operaciones toma al Método Científico

aplicado a la solución de problemas y la toma de decisiones de la gerencia en función a la
construcción de un modelo simbólico examinando y analizando entre relaciones que lleguen a
una técnica en la toma de decisiones en base a los resultados óptimos.

Thierauf (1984): “La Investigación de Operaciones utiliza el enfoque planeado (Método

Científico) y un grupo interdisciplinario a fin de representar las complicadas relaciones
funcionales como modelos matemáticos para suministrar una base cuantitativa en la toma de
decisiones, descubrir nuevos problemas para un análisis cuantitativo”.

De las definiciones de Investigación de Operaciones, como vemos podemos resaltar los

siguientes términos: organización, sistema, grupos interdisciplinarios, objetivo y metodología
científica.

Todo problema de investigación de operaciones para ser resuelto identifica los

siguientes pasos:

a) Identificación del problema, es decir tener claro los objetivos que darán solución al
Problema.

b) Creación y formulación del modelo, se buscara el modelo matemático que se ajuste al

problema a solucionar.

c) Algoritmo, se identificara el algoritmo que dará solución al modelo encontrado

d) Solución, se soluciona el problema matemático usando las diversas técnicas de PL, como
método gráfico, método simplex y uso de software de PL.

1.2. Modelos de Investigación de Operaciones

 La investigación de operaciones utiliza modelos
matemáticos que imitan algún problema de la realidad y nos ayudan a tomar decisiones al
encontrar soluciones optimas posibles que solo contemplan algunas variables involucradas. Es
casi imposible que un modelo contenga todas las variables involucradas en un problema real,
por este motivo solo se consideran las más importantes, queda claro que dichas soluciones no
deben tomarse como si fuera las únicas, estas primero deben validarse con la realidad y tomar
en cuenta otros criterios como la experiencia y otras variables no tangibles o no cuantificables
involucradas

Un ingrediente básico de la IO es el modelado matemático, donde los

componentes básicos para analizar son tres:

1. ¿Cuáles son las alternativas de solución?

2. ¿Cuáles son las restricciones que acotan el problema?
3. ¿Cuál es el objetivo para este problema con la cual evaluamos el problema?

A continuación presentamos uno de los muchos modelos matemáticos que existen en

IO, consta de variables, restricciones, función objetivo y restricciones lógicas. Este es un
modelo matemático de programación lineal.
De acuerdo a lo anterior tenemos: Las variables x, y, z son las variables de decisión es decir
que sus valores nos darán la solución óptima calculada bajo las restricciones de recurso o
sujeto a (S.A)

Los recursos son: 315, 110,50 y se encuentran en el lado derecho de la inecuación;

representan la cantidad de recursos disponibles por ejemplo dinero, horas hombre, materiales,
tiempo, etc.

Las restricciones lógicas representan la no negatividad de los recursos, esto es así porque no
se comprendería que existan -315 horas hombre, o -110 m2 de madera, etc.

Tenemos también los coeficientes tecnológicos que son los que acompañan a las variables de
las restricciones como son: 15,7.5,5 (de la primera restricción); 2,3,2 ( segunda restricción) y
1,1,1 (tercera restricción), y se encuentran junto con las variables en el lado izquierdo de la
inecuación.

1.3. Solución del modelo de investigación de operaciones.

No existe una sola técnica general con la que se solucionan todos los modelos matemáticos
que surgen en la realidad sino por el contrario la naturaleza y complejidad del método
determinan el tipo de solución.

La técnica más importante para la IO es la programación lineal que es el modelo presentado en

la sección anterior. Existen otras técnicas como la programación entera donde las variables
solo pueden tomar valores enteros como es el caso de personas o vehículos por ejemplo; la
programación dinámica, en la que el problema original se descompone en otros sub problemas;
la programación de redes, teoría de colas, etc entre otras.

Otra característica en general de estas técnicas es que se obtienen mediante cálculos

repetitivos en que cada cálculo se acerca cada vez más al valor optimo, esta repetición es
tediosa por lo que en realidad manualmente solo se hacen pequeños problemas, siendo la
mayor parte de los problemas solucionarse mediante el uso del computador o software
especiales como el Tora, Lingo, Solver, entre otros. Estos software usan algoritmos que son
instrucciones para el cálculo que utilizan las computadoras.

1.4. El arte del modelado.

La realidad es tan compleja que los modelos matemáticos solo tienen grados de aproximación
a la realidad, donde solo se tienen en cuenta las variables más importantes. La Fig.1.4
representa los niveles de abstracción que caracteriza el modelo matemático utilizado en IO.

1.5. Fases de estudio en la Investigación de Operaciones.

Un estudio de investigación de operaciones es una labor multidisciplinaria, requiere de un
equipo conocedor de las técnicas de IO pero también de la experiencia y conocimiento del
modelo real al cual quieren comprender y solucionar, lo que significa que cualquier cliente que
contrate un equipo de IO deberá trabajar codo a codo para llegar a un término aceptable de
solución del problema

La identificación del problema, significa definir las limitaciones del

problema, esto es tendrá que definir los siguiente:
1. - La descripción de las alternativas de decisión;
2. - Definir el objetivo, y
3. - las condiciones bajo la cual funcionara el sistema modelado.

La construcción del problema, implica traducir las relaciones lógicas intervinientes en el

sistema real a restricciones matemáticas. Una vez encontrado el modelo se revisara si existe
algún modelo de IO que se ajuste, caso contrario tendrá que realizar algunas simplificaciones
hasta que pueda usar algún modelo matemático, de simulación o heurístico.

La solución del modelo, es en realidad la fase más sencilla de todas de la I.O , porque solo se
trata de la aplicación de algoritmos ya definidos que serán utilizados en una computadora, por
lo que el trabajo se resume solo a ingresar los datos en el software adecuado.

Un aspecto importante en la solución del modelo implica tener información acerca de la

sensibilidad del modelo es decir que sucederá a la solución si existen cambios en ciertos
parámetros como los coeficientes de la función objetivo, restricciones de recursos o constantes
tecnológicas.

La validación del modelo, esta parte comprende el analizar los resultados que sean
aceptables con la realidad, es decir que no contengan sorpresas o sean irreales; otra
forma de validar es comparar los resultados con datos históricos. El modelo se considera
válido si bajo las mismas condiciones el modelo entrega resultados cercanos a la realidad.

La implementación, encontrada las respuestas a las variables de decisión, no queda más que
implementarlas en la empresa, por lo que deben ser traducidas a lenguaje corriente para las
personas que operan las decisiones.
1.6. Introducción a la programación lineal , modelo de
PL con dos variables
Ahora procederemos mediante un problema a implementar un modelo de Programación Lineal,
para luego solucionarlo mediante el método grafico; aunque en la realidad es difícil encontrar
modelos de dos variables, el desarrollo de estos ejercicios reforzara la parte teórica del uso del
algoritmo y su fundamento de uso.

Todo modelo de programación lineal tiene que tener tres componentes: Las variables, el
Objetivo ( meta a optimizar) y las restricciones.

Ejemplo 1.1 Compañía Tekno SAC.

Cierto fabricante produce dos artículos, X eY, para lo que requiere la utilización de dos
secciones de producción: sección de montaje y sección de pintura.El artículo X requiere una
hora de trabajo en la sección de montaje y dos en la de pintura; y el artículo Y, tres horas en
la sección de montaje y una hora en la de pintura.La sección de montaje solo puede estar en
funcionamiento nueve horas diarias, mientras que la de pintura solo ocho horas cada día. El
beneficio que se obtiene produciendo el artículo Y es de S/. 40 soles y el de X es de S/. 20
soles.Calcula la producción diaria de los artículos X y Y que maximiza el beneficio.

Primero determinaremos la Función Objetivo:

Es la de maximizar los ingresos; por cada producto A vendido ingresara 20X y de Y serán
40Y. Por lo que el ingreso total será: 20X + 40Y

Tendremos entonces la Función Objetivo siguiente: Max F.O: 20X + 40Y

Segundo determinaremos las restricciones

La primera restricción será la de montaje, este tiene solo 9 horas de trabajo, por lo que
podrá atender productos X y Y de la siguiente manera:

1(h/unidad de X) x X (número de X producir) + 3 (h/ unidad de Y) x Y (número de Y) <= 9

horas
 La segunda restricción será la de pintado, esta tiene solo 8 horas para atender la
producción de X y Y, por lo que su restricción será la siguiente:

2(h/ unidad de X) x X (número de X) + 1(h/ unidad de Y) x Y (número de unidades de Y<=

8 horas

La restricción lógica, son la no negatividad de los recursos es decir no es posible producir

bienes si no hubieran horas libres de trabajo en montaje y en pintado.

X, y >=0

Por lo que el modelo matemático de Tekno SAC quedaría de la siguiente manera

Función Objetivo Maximizar: Z = 20 X + 40Y

Sujeto a : 1X + 3Y <= 9

2 X + 1Y <= 8

X, Y >=0

Cualquier valor que satisfaga dichas restricciones es una solución factible, la solución óptima
será aquella que cumple el objetivo que para este caso es la maximización, en otros casos
podría pedirse minimizar la función, por ejemplo cuando se tratasen de costos o disminución de
peso por ejemplo.

1.7. Solución gráfica de la programación lineal

Este procedimiento implica dos pasos:

1. Delimitar gráficamente el espacio correspondiente a todas las soluciones factibles

del modelo
2. Determinar la solución óptima entre todos los puntos factibles del espacio delimitado en
el paso

Solucionaremos el ejercicio del ejemplo n° 1.1

En primer lugar se tiene que graficar todas las restricciones, determinando la zona que cumple
todas las soluciones factibles, posteriormente se calculan cada valor extremo del polígono
resultante que se encuentre acotado por las restricciones, quedando como muestra el cuadro
nº 1.1, siendo su valor optimo el punto (3,2) de S/.140

Tabla 1.1: Muestra los valores

extremos del polígono de solucionesfactibles
Ejercicio 1.2
.:.

En una granja de pollos se da una dieta "para engordar" con una composición mínima de
15 unidades de una sustancia A y otras 15 de una sustancia B. En el mercado solo se
encuentran dos clases de compuestos: el tipo I con una composición de una unidad
de A y cinco de B, y el tipo II con una composición de cinco unidades de A y una
de B. El precio del tipo I es de 10 soles y el del tipo II es de 30 soles. Se pregunta:

¿Qué cantidades se han de comprar de cada tipo para cubrir las necesidades con un
coste mínimo?

Solución:

Llamamos x a las unidades que se compran de tipo I e y a las que se compran de tipo II.

Resumamos los datos en una tabla:

La función que nos da el coste es z = 10x + 30y = 10(x + 3y).

Debemos hacer mínima esta función, sujeta a las restricciones anteriores.

Dibujamos el recinto correspondiente a las restricciones, y la recta 10(x + 3y) = 0

X+ 3y = 0, que nos da la dirección de las rectas z = 10(x + 3y).

Ejercicio 1.3

a) Dibuja el recinto formado por los puntos que cumplen las siguientes condiciones:

b) Indica si los puntos (0, 0), (2, 1) y (1, 2) forman parte de las soluciones del sistema
anterior.
Ejercicio 1.4

Maximiza la función z = x +y, sujeta a las siguientes restricciones:

1.8. Análisis de sensibilidad
El análisis de sensibilidad es la determinación de qué tan sensible son las soluciones óptimas y
el valor de la función objetivo con respecto a los cambios en los datos del problema, es decir
cuánto puede cambiar la solución del problema (variables de decisión) cuando varía por
ejemplo los precios de algún producto o coeficientes de la función objetivo, seguirá siendo
óptima la solución o a cambiado. También pueden cambiar los recursos o valores del lado
derecho de las restricciones.
 1.8.1 Análisis de sensibilidad de la Función
Objetivo (F.O)
Tenemos la F.O Maximizar : 6X1 + 10X2
De la función objetivo tenemos que la intersección de las restricciones (1) y (2) nos da el punto
óptimo, para que siga siendo el mismo (70,90), la variación del valor de la pendiente de la F.O
( o de los coeficientes de la F.O) debe estar entre el valor de las pendientes de las restricciones
que contienen dicho punto, de lo contrario el punto más extremo que nos de el valor máximo
cambiaría, como se ve en la Fig. 2.3.2 donde un cambio en la pendiente de la F.O que sale
entre los valores de la pendientes de las restricciones determina que el nuevo punto extremo
es el X1= 115 y X2= 0.

De la F.O tenemos 6X1 + 10X2 se observa que la pendiente es

Pendiente de F.O = -6/10 = - 3/5

De la restricción (1) 4X1 + 2X2 ≤ 460 tenemos que la pendiente es:

Pendiente de (1) = -4/2 = -2

De la restricción (2) 2X1 + 4X2 ≤ 500 tenemos que la pendiente es :

Pendiente de (2) = -2/4 = -1/2

De lo que se observa lo siguiente:

Pendiente de (1) ≤ pendiente F.O ≤ pendiente (2) ó -2 ≤ -0.6 ≤-0.5

Es decir que mientras el valor de la pendiente de la F.O no salga del rango determinado por el
valor de las pendientes de las restricciones que determinan el punto óptimo, este siempre será
el mismo, de lo contrario pasaría que el punto óptimo cambiaría como se muestra en el
ejemplo de la fig. 2.3.1

Fig. 1.8 Muestra como el cambio de la pendiente de la F.O determina que el punto más
extremo es el punto X1= 115 y X2= 0
La variación en los coeficientes de la función objetivo representa por ejemplo un cambio en los
precios de los productos, la pregunta en cuestión sería ¿Cuáles son los rangos o variación de
precios de los productos para que la solución óptima siga siendo la misma? ; la solución a esta
pregunta es determinar los parámetros que hacen que la pendiente de la F.O no salgan de los
valores de las pendientes de las restricciones que determinan el punto óptimo.

Calculo de los límites de aceptación de la variación de los valores de las pendientes de la F.O,

1.8.2 Análisis de sensibilidad del valor del lado derecho de

la restricción (1)

Todas las restricciones pueden variar el valor del lado derecho, en este caso supongamos que
el valor del lado derecho de la restricción (1) puede variar, es decir por aumento o disminución
de las horas hombre que este recurso representa, siendo el valor inicial de 460

Restricción (1) : 4X1 + 2X2 ≤ 460 se convierte en

4X1 + 2X2 ≤ c siendo c una variable

Lo que se busca en el análisis de sensibilidad son los extremos en que puede variar “c” para
que el punto óptimo siga siendo determinado por las restricciones (1) y (2) dentro de la zona
de factibilidad de las restricciones esto se cumple en los extremos de los siguientes puntos :

Extremo menor c= 280 X1= 10 X2= 120 F.O = 1,260

Valores intermedios entre estos puntos extremos determinan nuevos

puntos óptimos con diferentes valores de la F.O

Figura 1.9 Extremo menor punto óptimo determinado todavía por (1) y (2) cuando c= 280, un
valor menor del LD1 determinaría un punto óptimo por las restricciones (1) y (3)
Figura 1.10 Extremo mayor punto óptimo determinado todavía por (1) y (2) cuando c=1000,
un valor mayor del LD1 determinaría un punto óptimo por las restricciones (2) y (5)

Maximiza la función z = x +y, sujeta a las siguientes restricciones:

A continuación presentamos algunas definiciones que deben estar claras
antes de solucionar algunos problemas:
Región factible: Es el conjunto de valores para las variables de decisión en un programa lineal
que satisface todas las restricciones

Solución factible: Una solución en la que las variables de decisión son factibles

Punto extremo: El punto esquina de una región factible, es normalmente una intersección de
dos Líneas extremo

Línea de función Objetivo: Línea utilizada en el método gráfico en el cual todos los puntos
sobre la línea tienen el mismo valor de función objetivo.

Solución óptima: El punto en la región factible que tienen el mejor valor de la función objetivo

Programa lineal infactible: Es el programa lineal en el que no existen valores de las variables
que satisfagan todas las restricciones

Programa lineal ilimitado: Es el programa lineal factible en el que la función objetivo puede
mejorarse indefinidamente

A continuación te presentamos un pool de ejercicios propuestos para que los resuelvas

Instrucciones: Resuelva cada uno de los siguientes programas lineales usando el método
gráfico, indique si el problema es infactible, óptimo o ilimitado; para los que sean óptimos
encuentre los valores de las variables y el valor de la función objetivo
Existen varios software libres que se pueden bajar por internet para utilizarlos en la solución de
problemas investigación de operaciones, entre ellos están el Tora, Lingo, Solver en excell,
Winqsb, entre otros, a continuación te mostramos un link de donde podrás descargar el
software Tora con el cual podrás trabajar todos los ejercicios propuestos y verificar si tus
soluciones gráficas están correctas.

Para instalar el software Tora puedes aprender cómo se baja del internet visualizando el Link
vídeo para instalar el Tora en la siguiente dirección electrónica: http://youtu.be/COUcyKtYnAQ

Además puedes ver como se realizan la resolución de ejercicios utilizando Tora en el

link http://youtu.be/Mk2zZpIXrKc
Estimados alumnos a continuación reflexionaremos acerca del tema tratado

1. ¿Los modelos matemáticos propuestos por IO son exactamente igual que la realidad?
2. ¿Las soluciones entregadas por los modelos de IO se deben aplicar directamente o es
necesario la intervención de otros criterios?
3. ¿Crees que es posible solucionar manualmente problemas complejos de I.O?

Al respecto para conocer un poco más sobre este tema, y dar respuesta a las preguntas
planteadas a continuación te invitamos a hacer clic en el siguiente botón.

En este tema presentamos una visión general sobre el uso de modelos cuantitativos para la
toma de decisiones, con énfasis especial en su desempeño como herramienta de toma de
decisiones.

Los modelos son una representación limitada de la realidad y, por esa razón, los resultados
analíticos de un modelo no son necesariamente la solución idónea para la situación
administrativa original. En particular, hemos hecho hincapié en que la idea de “óptimo” es una
concepción matemática, no son un concepto perteneciente al mundo real. Sin embargo, si un
modelo ha sido bien formulado y su resultado se interpreta cuidadosamente, podrá proveer un
valioso acervo de información para la persona encargada de tomar decisiones. (G.D. EPPEN et
al, 2000, pg.23)

Introducción

El método simplex es un algoritmo. El método simplex es un procedimiento algebraico sistemático que examina las
esquinas (vértices o puntos extremos) de un programa lineal en busca de una solución óptima sea esta maximización o
minimización. El algoritmo comienza con la determinación de un vértice inicial, esto se llama FASE I; si el problema es
inconsistente, la fase I lo descubrirá. Si el modelo de PL es consistente entonces el algoritmo empieza a recorrer todos
los vértices adyacentes uno por uno (esto es porque la solución siempre estará en un punto extremo por ser la
naturaleza del problema encontrar un máximo o un mínimo), cada movimiento en la secuencia de ir a cada vértice se
llama iteración o pivote y el movimiento implica una manipulación del sistema lineal; el algoritmo simplex está diseñado
para que cada vez que cambia de punto este sea mayor o menor que el anterior dependiendo si se trata de un
problema de maximización o minimización. Si el problema es no acotado el algoritmo lo descubrirá. Cuando se alcance
el vértice óptimo el algoritmo lo reconocerá con la prueba de optimalidad, es decir que cada iteración contiene la
solución de un sistema de ecuaciones para obtener una nueva solución a la que se le aplica la prueba de optimalidad.
Una vez encontrado el punto óptimo se detiene las iteraciones.

2.1. El método Simplex

Taha (2004) nos dice respecto del método simplex:

Una propiedad general del método simplex es que resuelve el problema de programación
lineal en iteraciones. Cada iteración desplaza la solución a un nuevo punto esquina que tiene
potencial de mejorar el valor de la función objetivo. El proceso termina cuando ya no se pueden
obtener mejoras. El método simplex implica cálculos tediosos y voluminosos, lo que hace que
la computadora sea una herramienta esencial para resolver los problemas de PL. Por lo tanto
las reglas computacionales del método simplex se adaptan para facilitar el cálculo
automático.(p,71)

2.2. El algoritmo de mejora finita algebraico para

programación lineal
Todo problema repetitivo sobre todo de índole matemático puede ser resuelto por un
algoritmo, el algoritmo es una serie de instrucciones secuenciales con decisores
intermedios para encontrar algún tipo de resultados; siendo el caso de programación
lineal el siguiente algoritmo:

Paso 0. Inicio: Encontrar una solución factible básica inicial (punto extremo)

Paso 1. Prueba de optimalidad : Para la solución factible básica actual:

a) Dado el punto extremo actual, ver si uno de los bordes conduce a un punto extremo
vecinal con un valor de función objetivo más grande. Si la respuesta es “no”, detener el
procedimiento: el punto extremo actual es óptimo. Si la respuesta es “sí”, continuar con el
paso 2; el punto extremo actual no es óptimo.

b) Si todos los costos reducidos son ≤ 0, entonces la sfb actual es óptima; en cualquier
otro caso, continuar con el paso 2

Paso 2. Traslado:

a) Escoger cualquiera de los bordes de mejora encontrados en el paso 1 y trasladarse

del punto extremo actual al punto extremo vecinal asociado que tiene un valor de función
objetivo más grande. Regresar al paso 1

Este algoritmo nos da la lógica de trabajo con la matemática funciona para encontrar un punto
óptimo sea máximo o mínimo.

2.3. Forma estándar

Un problema de programación lineal puede venir en diversas formas: su objetivo puede ser
maximizar o minimizar; puede tener restricciones de igualdad o desigualdad; las variables
pueden ser no negativas, no positivas; o sin restricciones. Por lo tanto en lugar de desarrollar
múltiples métodos para cada problema se desarrolla un solo algoritmo que desarrollé una sola
forma específica, conocida como forma estándar.

Forma estándar, es una forma particular de un problema de PL en el que l función objetivo

debe ser maximizada; solamente existen restricciones de igualdad y todos los lados derechos y
variables son no negativas.

El primer paso antes de aplicar el método algebraico simplex es poner el PL en la forma

estándar, el siguiente ejemplo muestra un PL que tiene todas las posibles alternativas de
restricciones, variables, FO, etc; el cual convertiremos en forma estándar.
Segunda tabla:

Para encontrar la segunda tabla primero se mostrara una tabla previa donde se muestra como
el renglón pivote n° 01 se ha dividido entre “ 6” , de este modo aplicando los cálculos de
operaciones de renglón de Gauss-Jordan se tratara de convertir los coeficientes de la primera
columna desde el renglón 2 al 4 en “ cero” .
2.5. Método simplex minimización
Un método para solucionar un caso de minimización es tomando el negativo de esta función
convertirlo a la forma estándar y resolverlo como si fuera un caso de maximización. Esto es asi
porque cualquier todo punto que minimice a f(x) maximizará también a –f(x) . Por lo que
tomando el negativo de una función de minimización y resolviéndolo como si fuera el modelo
de maximización se obtendrá la solución correcta.
Video de Investigación de Operaciones
Para saber más

Ponemos a tu disposición seis videos cortos referentes al método

simplex de pivote, veras caso de minimización, para lo cual te
invitamos a visualizar para reforzar y ampliar los temas que hemos
estudiado, estos los encontrarás en la siguiente dirección
electrónica:
Documento 1: " Método simplex pivote”

Dirección: https://youtu.be/SsiHBI8XEHA

Documento 2: " Método simplex pivote”

Dirección: https://youtu.be/w5TW3iWhA4U

Documento 3: "Método de pivote ”

Dirección: https://youtu.be/hVjBn14xdMQ

Documento 4: "Método simplex utilizando Excell ”

Dirección: https://youtu.be/fdH2lHSv0VE

Documento 5: "Método simplex minimización ”

Dirección: https://youtu.be/BDA4_JsKedA

Documento 6: "Método simplex minimización ”

Dirección: https://youtu.be/-NiaVUggcvw

Actividad de análisis y comprensión

Después de haber observado detenidamente el video responde a las siguientes
preguntas:

Toda iteración simplex en un problema de maximización sustituye una variable de la

base actual por otra que tiene:

Una rentabilidad mayor por unidad, según se ve en el reglón Cj ( el coeficiente de la función

objetiva)

Un valor positivo para Cj-Zj

El menor valor Cj-Zj

Cualquier valor negativo

Ninguna de las anteriores

La respuesta es “b”, porque es la variable de entrada cuyo Cj-Zj perderá más sino se toma.
Ojo que este valor es igual a decir un valor negativo de Zj -Cj

Toda tabla del método simplex

Muestra una solución de las ecuaciones originales

Muestra una solución básica factible de las ecuaciones en la forma estándar con restricciones
de igualdad del modelo.

Corresponde un punto extremo del conjunto factible

Muestra un conjunto de ecuaciones transformadas

Todo lo anterior

En un proceso de iteración todas las tablas solo muestran una trasformación continua.

La señal de optimalidad en un modelo de maximización es

Cj-Zj ≤ 0, para toda j

Zj ≤ 0, para toda “ j ”
Cj – Zj > 0 para toda “ j “

Para Zj > 0 para todo “ j “

Todas las anteriores

Un valor Cj – Zj < , indica que no existe ninguna variable que ingrese y agregue valor a la
función Z.

Tema 03: Programación Lineal Entera y

Programación lineal Entera Mixta

Introducción

Hasta ahora los problemas y soluciones

de programación lineal han sido dentro del campo de valores de números reales, sin tener en
cuenta que en algunos casos la solución no es posible porque es necesario soluciones dentro
del campo de números enteros. La programación entera PE ha llegado a ser un área muy
especializada de la ciencia de la Administración. Esto es así porque cuando queremos asignar
una persona a algún sitio, o fabricar barcos, aviones no es posible dividirlos en partes por
razones obvias. Hay que tener en cuenta el significado de PE, antes de esta unidad las
variables solución podían tener números como 6.253; ahora deben tener números enteros
como 7 ó 8 ó 9, es decir sin decimales; en algunos casos es posible los problemas plantearan
soluciones mixtas, es decir variables que permitan los números enteros y variables que
permitan decimales a lo cual se llaman PLM, o programación lineal mixta.

En este tema nos introduciremos dentro de este campo en forma superficial para ilustrar la
importancia del tema, así como los métodos de resolución más útiles y prácticos. Este
problema de la no divisibilidad debe ser resuelto por algoritmos especialmente diseñados para
resolver problemas de programación entera
3.1. Algoritmo Ramificación y Acotamiento de Branch &
Bound
Taha (2004) nos muestra el algoritmo de PE:

Los algoritmos de programación lineal entera se basan en el aprovechamiento del gran éxito
computacional de la programación lineal. En la estrategia de esos algoritmos interviene tres
pasos.

Paso 1: Relajar el espacio de soluciones del programa lineal entero omitiendo la restricción
entera en todas las variables enteras y sustituyéndola por cualquier variable binaria y que tenga
el intervalo continuo 0 ≤y≤1. El resultado del relajamiento es un problema lineal normal.

Paso 2 : Resolver el programa lineal e identificar su óptimo continuo.

Paso 3: Iniciar en el punto óptimo e ir agregando restricciones especiales que modifiquen en

forma iterativa el espacio de soluciones del programa lineal, en una forma que al final produzca
un punto extremo que satisfaga los requisitos enteros.

Se han desarrollado dos métodos generales para obtener las restricciones especiales
del paso 3 que son:

 El método de ramificación y acotamiento B & B

 El método del plano cortante

Aunque ninguno de ellos es efectivo computacionalmente en forma consistente, de acuerdo

con la experiencia el método B & B es mucho mejor que el del plano cortante. (p, 372)

En este tema desarrollaremos el primer método de B & B

3.2 Problema y caso

Desarrollo:

1.- El programa lineal 0: Nos da la primera solución considerando que el problema no es

entero, lo que se considera una solución al problema relajado; nos da la solución: X1=
3.75, X2= 1.25 Y Z= 23.75

2.- El PL 0 inicial relajado se reemplaza por dos problemas PL 1: X1 ≤3 Y PL2: X1≥4

3.- Se agotan ambos problemas encontrando el mayor Z posible, considerando de si se

trata de un problema “Entero puro cuando todas las variables son enteras” o “Entero
mixto cuando se aceptan algunas variables reales”
Nota: Sin solución es porque sale de la zona factible de soluciones

Podemos observar que en dos ramas de la resolución no se puede llegar a una solución pero
luego al realizar otra iteración, por la otra rama obtuvimos una solución mejor.

Primera parte:
Solución del problema original relajado

Segunda parte
De esta solución se observa que en PLE no es posible por lo que se divide el problema en dos
subproblemas (acotamiento)
Subproblema 1 : Cuando X1 ≤ 3

Subproblema 2 : Cuando X1 ≥ 4

3.3 Problema tipo PLEM

En algunos casos es posible que una de las variables sea entera y la otra no, en este caso se
llamara problema lineal entero mixto, la solución recorre el mismo procedimiento para PLE solo
que se tiene en cuenta que una de las variables puede ser divisible.

Del caso resuelto anterior se tendría la siguiente solución: X1=4, X2= 0.83 y Z= 23.33; por ser
la que el máximo valor de Z.

Video de Investigación de Operaciones

Para saber más
Ponemos a tu disposición dos videos cortos referentes al método de ramificación y
acotamiento de B & B utilizado para encontrar PLE los cuales te invitamos a visualizar para
reforzar y ampliar los temas que hemos estudiado, estos los encontrarás en la siguiente
dirección electrónica:

Documento 1: " Método ramificación y acotamiento de Branch & Bound ”

Actividad de análisis y comprensión

Después de haber observado detenidamente el video responde a las siguientes
preguntas:

¿Por qué se dice que el método de B & B es ramificado?

Se escoge una variable solución del problema relajado y se separa tomando los valores
enteros mínimo y máximo de este, para luego empezar a ramificar las posibles soluciones

Coge la solución inicial del PL relajado como solución óptima

Solo se ramifica por la variable X1

Se ramifica por la variable X2

Ninguna de las anteriores

Rpta. “a” , se dice que es ramificado porque tomando una primera solución inicial del problema
relajado, busca entre los valores enteros cercanos a la solución relajada para ver si cumple la
condición de entero, sino lo cumple continua ramificando con nuevos valores encontrados.

¿Cuáles son los valores solución del vídeo 2?

X1= 1 / X2 = 2 / Z =11

X1 = 1 / X2= 7/3 / Z= 12.333

X1= 0 / X2= 3 / Z= 12

X1= 2 / X2= 2 / Z=14

Ninguna de las anteriores

Rpta. “c” , tiene los dos valores enteros y el mayor z posible en estas condiciones
¿Por qué la solución del problema del vídeo 2 no es 12.33 si este el máximo valor
alcanzado?

Por que no cumple la condición de ser anteros

Por que falta aplicar el método de B & B

Por que se trata de un problema de minimización

Por que es una solución del problema relajado inicial

Ninguna de las anteriores

Rpta. “a” , Por que la solución debe ser el máximo valor con variables de decisión entera. .

Preguntas de análisis
Estimados alumnos a continuación reflexionaremos acerca del
tema tratado
1. ¿Las soluciones de las variables de decisión corresponden siempre al conjunto de
números reales?
2. ¿En qué casos es necesario utilizar los métodos de ramificación y acotamiento?
3. ¿Pueden existir soluciones mixtas?

Tema 04: Método Húngaro de Asignación

Introducción
.:.

Los matemáticos Dénes Köning y

Jenö Egervary presentaron sus trabajos en la primera mitad del siglo XX, estos trabajos fueron
la base con lo que el matemático William Harold Kuhn (1925-2014) presento en 1955 su
trabajo sobre el problema de asignación, y desde entonces se le conoce como el método
húngaro.

Un caso particular del modelo de transporte es el modelo de asignación, que tiene como
propósito asignar personas u objetos a tareas de tal forma que se optimice algún objetivo, por
ejemplo: minimizar tiempos de producción, costos o defectos de producción. Históricamente el
problema de asignación se resolvió utilizando las mismas técnicas que se utilizaban para el
modelo de transporte, sin embargo, resultaba tedioso hacerlo de esta manera debido a las
características particulares del mismo. A partir del trabajo realizado por dos matemáticos
húngaros, se obtiene un algoritmo eficiente para este modelo; Iniciamos la unidad planteando
el problema general de asignación, hacemos hincapié en su estructura, como en el caso
especial del modelo de transporte y planteamos algunos problemas tipo. Continuamos
resolviendo el modelo de asignación por el método húngaro. Terminamos la unidad estudiando
algunos problemas de asignación desbalanceados.

4.1 El problema de asignación

Gould, Eppen & Schmidt (1992) nos explican el problema de

asignación de la siguiente manera:
Los problemas de asignación ocurren en muchos contextos de administración. En general
consisten en el problema para determinar la asignación óptima de agentes u
objetos “individuales” a “n” tareas. Por ejemplo, el administrador puede tener que asignar
agentes de venta a territorios designados, o telefonistas para atender llamadas de servicios, o
editores a los manuscritos, o modelos a las agencias de publicidad. Los agentes u objetos que
van a designarse son indivisibles en el sentido de que ningún agente se puede dividir entre
varias tareas. La restricción importante, para cada agente, es que será designado a una y solo
una tarea. (p, 299)

William Harold Kuhn, presento la primera versión conocida del método Húngaro en 1955. Esta
fue revisada por James Munkres en 1957, y ha sido conocido desde entonces como
el algoritmo del método húngaro, método de asignación Munkres, o el algoritmo de Kuhn-
Munkres.
El algoritmo modela un problema de asignación como una matriz de costo m x n, donde cada
elemento representa el costo de asignar la n trabajadora al m trabajo. El algoritmo utiliza el
método de eliminación Gaussiana para hacer aparecer por lo menos un ceros en cada fila y
columna. Sin embargo, en el caso de un problema de maximización de beneficio, el costo de la
matriz necesita ser modificada de modo que la minimización de sus elementos resulte
maximizar los valores de costo originales.

4.2 El algoritmo del método Húngaro

Respecto al algoritmo del método húngaro Kamlesh & Solow (1996) nos
presenta el algoritmo del método húngaro

Características claves para satisfacer la asignación óptima, cada

nueva matriz calculada deberá satisfacer los siguientes criterios:
 Propiedad 1: Todos los números son no negativos.
 Propiedad 2: Cada fila y cada columna tiene al menos una celda con un valor de cero

Siempre que en cualquiera de estas matrices, encuentre una asignación en la que cada celda
seleccionada tenga un valor de cero, ha encontrado, de hecho la asignación óptima.

Pasos conceptuales del algoritmo de asignación

 Paso 0. Inicialización: al sustraer números apropiados de las filas y/o columnas de la

matriz de asignación original, cree una nueva matriz de asignación que tenga las
propiedades 1 y 2
 Paso 1. Prueba de optimalidad: Sí es posible encontrar una asignación factible en la
matriz actual en la que cada celda seleccionada tenga un valor de cero, deténgase con
una asignación óptima; de otra forma, vaya al paso 2.
 Paso 2. Movimiento: Al sumar y/o sustraer números apropiados de las filas y/o
columnas de la actual matriz de asignación, cree una nueva matriz de asignación con
las propiedades 1 y 2 y vaya al paso 1. (p, 449)

4.2.1 Ejercicio resuelto

Un Vicepresidente de una compañía Francesa desea envía cuatro gerentes (G1, G2, G3 y
G4) para un proceso de auditoría a las plantas situadas en Argentina, Brasil,
Perú y Venezuela. Los costos de envío y las plantas se reflejan en la Tabla 4.2.1 (Los costos
pueden representar las habilidades de cada gerente para solucionar ciertos problemas
ubicados en cada planta, asimismo puede ser costos de dinero o una relación relativa de
capacidades)

Paso uno: Se identifica en cada fila el valor mínimo, que luego es restada de todos los valores
de cada fila
Paso dos: Se restan a cada fila el valor mínimo

Paso cuatro: Se tachan los ceros con líneas (con las mínimas posibles) de tal manera que si el
número de líneas es igual al tamaño de la matriz (en este caso es 4x4), se detiene el proceso, y
se asignan los valores; para nuestra caso tenemos solo tres líneas por lo que se necesita hacer
otro paso adicional.

Se ubica el valor mínimo de la matriz que no se encuentre cubierta por las líneas, para nuestro
caso es el número 2, el cual se restara a todos los otro números no cubiertos por las líneas;
pero para los números ubicados en las intersecciones de las líneas se sumaran
Pasó cinco: Se tachan todos los ceros (cuidando que sean con las líneas mínimas posibles),
para nuestro caso son cuatro, como la matriz es 4x4, el método ha terminado y procedemos a
la asignación de recursos.

Paso seis: La asignación de recursos empieza siempre por las columnas o filas que solo
tienen un cero, de otra manera no sería posible asignarles otro valor; posteriormente se trabaja
para asignarle a cada recurso a su actividad.

4.3 Casos especiales del método húngaro

.:.

Para resolver el método Húngaro es necesario que la matriz sea cuadrada, balanceada es
decir que las filas y columnas sean iguales o m = n, a veces por las condiciones del problema
no es posible cumplir este requisito por lo que aparecen dos condiciones, o faltan destinos o
faltan ofertas; en los casos se completan a una matriz cuadrada agregando la fila o columna
ficticia necesaria, con costo cero. Luego se aplica el algoritmo del método húngaro de las
formas normal.

4.3.1 Caso en que la oferta supera a la demanda

Imaginemos que del problema anterior el Vicepresidente quiere inspeccionar personalmente la
planta de Venezuela, entonces quedarían cuatro gerentes para tres plantas, para compensar
este problema se asigna una planta ficticia con costo cero. Trabajándose la matriz
normalmente con el método húngaro.
4.3.2 Caso en que la demanda supera la oferta
.:.

Al igual que en el caso anterior supongamos que el G4 por problemas personales no puede
realizar los trabajos de auditoría, por lo que en este caso los puntos demandados superan a la
oferta, por lo que quedarían tres gerentes para cuatro plantas, para compensar este
problema se asigna un gerente ficticia con costo cero. Trabajándose la matriz normalmente
con el método húngaro.

4.4 Ejercicios planteados

4.4.1 Ejercicio en que la oferta supera la demanda
Este caso es cuando por ejemplo el Vicepresidente principal quiere participar directamente en
la auditoría de Venezuela, quedando cuatro vicepresidentes para tres países; para solucionar
este caso agregamos un destino ficticio, para balancear la matriz con costo cero y trabajamos
de la misma manera como en el caso de matriz balanceada. La diferencia es que el
vicepresidente asignado al destino ficticio en la realidad no ira a ningún lugar.

Lo mismo se hace cuando existe la demanda supera a la oferta, pero en este caso se agrega
una oferta ficticia igual con costo cero, y se resuelve de la misma manera que una matriz
balanceada.

Primer paso: Se balancea la matriz agregando (en este caso) una demanda ficticia con cero
costo, se identifican los valores mínimos en filas y columnas.

Segundo paso: Se calcula la matriz reducida de acuerdo al método Húngaro, en nuestro caso
Tercer paso: En nuestro caso tenemos cuatro líneas que cubren los ceros, la matriz es 4x4 por
lo que tenemos solución.

Preguntas de análisis
Estimados alumnos a continuación reflexionaremos acerca del
tema tratado
1. ¿Cuál es la característica principal de una asignación de recursos?
2. ¿Cómo se balancea una matriz cuando los puntos de la oferta supera los puntos la
demanda?
3. ¿Cuáles son los pasos del método húngaro?

Actividad de análisis y comprensión

Después de haber observado detenidamente el video responde a las siguientes
preguntas:

¿De qué tipo de problema trata el primer vídeo?

Trasporte

Programación lineal entera

Asignación de cuatro Directivos a cuatro clientes

De maquinaria a plantas

Todas las anteriores

Rpta. “ c” , asignación de cuatro directivos a cuatro clientes

¿Cuál es la respuesta del primer vídeo?

D1=C1, D2=C3, D3=C2, COSTO=30

D1=C3, D2=C1,D3=C2, COSTO= 20

D1=C2,D2=C3, D3=C1, COSTO = 25

DI=C1, D2= C2, D3= C3, COSTO =28

Ninguna de las anteriores

Rpta. “ a” , valores determinados por el método Húngaro

¿Cuál es el tipo de problema de asignación del vídeo dos?

Asignación de directores a plantas industriales

Asignación de contadores a auditorías

Trasporte de mercaderías

Asignación de programadores a diferentes módulos de muñecas

Todas las anteriores

Rpta. “ d” tipo de problema es la asignación de programadores a la actividad de cada

módulo de software de muñecas.

Video de Investigación de Operaciones

Para saber más

Ponemos a tu disposición dos vídeos cortos referentes al método Húngaro los cuales te
invitamos a visualizar para reforzar y ampliar los temas que hemos estudiado, estos los
encontrarás en la siguiente dirección electrónica:

Documento 1: " Método de asignación Húngaro”

Dirección: https://youtu.be/Rjts-iAq1XE
Documento 2: " Método de asignación Húngaro”

Dirección: https://youtu.be/0Zgdui3GqZ

TEMA 05:Modelos de Transporte solución básica

y óptima

Introducción

Un problema clásico en PL es el
problema de enviar bienes desde un punto a otro punto, esto parece sencillo a primera vista sin
embargo no lo es tanto, ya que en la vida real puede tratarse de “n” puntos de embarque y “n”
destinos por lo que en si se tiene una matriz “nxn” y todas las combinaciones posibles, ojo
cuidando que siempre se obtenga el mínimo costo.

El problema de transporte es un problema de programación lineal, por lo que también puede

resolverse por el método simplex, sin embargo por tratarse de un caso especial se
desarrollaron métodos específicos que hacen mucho más fácil su cálculo, a los que se les
llamo modelos matemáticos del método de trasporte, que es el tema que estaremos
desarrollando.

El objetivo en estos modelos siempre será el de minimizar los costos, para mejorar las
utilidades y poder llevar a un precio competitivo a los clientes.

Que nos dice Solow & kamlesh (1996):

Una clase de problemas que tiene una estructura especial en sus restricciones cuando se le
formula de manera matemática tiene que ver con la distribución de bienes. Por lo general,
estos bienes deben ser enviados desde puntos de suministro conocidos ( fabricas, plantas ,
etc) hasta puntos de demanda conocidos ( clientes, tiendas, detallistas, etc). ……. El objetivo
general consiste en hallar el mejor el mejor plan de distribución, es decir, la cantidad que se
debe enviar por cada una de las rutas desde los puntos de suministros, a través de los puntos
intermedios, hasta los puntos de demanda. Con el término “mejor” se entiende un plan que
minimice los costos totales de envío, produzca la mayor ganancia u optimice algún otro objetivo
corporativo especificado en la por la gerencia.( p, 382)
En la primera parte de esta unidad los modelos de trasporte nos dan soluciones básicas
factibles, sin asegurarnos que cualquiera de ellas es una solución óptima. En la segunda parte
revisaremos algoritmos que nos darán la certeza de que la solución si es óptima es decir que
nuestros costos de distribución sean los menores en las circunstancias descritas del problema.

5.1 Métodos prácticos para solución básica de modelos de

transporte
El problema de trasporte es un modelo cuyo problema es transportar bienes de un punto
llamado origen hacia otro llamado destino, a un costo razonable. Lo que se busca es satisfacer
la demanda principalmente u otro objetivo estratégico de la empresa. Esta distribución se
realiza a través de una red que vamos a llamar “red de distribución” y que será en si el modelo
de PL que se tendrá que solucionar con los algoritmos adecuados.

La solución usando los algoritmos de trasporte se realiza en dos partes, la primera se

encuentra una solución básica factible (no necesariamente óptima); en la senda parte, se utiliza
otros métodos que partiendo de una solución básica factible se llega a una solución óptima. Se
debe tener en cuenta que estos métodos la demanda es igual a la oferta, y la solución nos sirve
como una solución básica inicial, no necesariamente óptima.

Estos métodos son: Esquina Nor-Oeste, costo mínimo y Vogel. Antes de describir el
procedimiento, es necesario establecer que el número de variables básicas en cualquier
solución básica de un problema de transporte es una menos de la que se espera.
Normalmente, en los problemas de programación lineal, se tiene una variable básica para cada
restricción. En los problemas de transporte con m recursos y n destinos el número de
restricciones funcionales es m+n. Sin embargo el número de variables básicas = m + n-1 (Es
decir las variables solución).

5.1.1 Método Esquina Nor-Oeste.

Este algoritmo o procedimiento está dado por los siguientes tres pasos:

Taha (2004) presenta el algoritmo Esquina Nor- Oeste :

Paso 1. Asignar todo lo más que se pueda a la celda seleccionada y ajustar las cantidades
asociadas de oferta y demanda restando la cantidad asignada.

Paso 2. Salir del renglón o la columna cuando se alcance oferta o demanda cero, y tacharlo,
para indicar que no se puede hacer más asignaciones a ese renglón o columna. Si un renglón y
una columna dan cero al mismo tiempo, tachar sólo uno (el renglón o la columna) y dejar una
oferta (demanda) en el renglón (columna) que no se tachó.

Paso 3. Si queda exactamente un renglón o columna sin tachar, detenerse. En caso contrario
avanzar a la celda de la derecha si se acaba de tachar una columna o a la de abajo si se tachó
un renglón. Seguir con el paso 1. (p, 178)

Ejercicio 5.1
Tenemos la tabla 5.1 correspondiente al ejercicio 5.1, donde tenemos que la oferta es:
15+25+10 = 50 y la demanda es: 5+15+15+15 =50. Los orígenes son Tumbes, Lima y
Arequipa, para satisfacer una demanda en Cajamarca, Madre de Dios, Cuzco y Loreto. Los
costos de transporte son Ci,j

En este ejercicio tenemos = m =3 , y n= 4 , entonces m+n= 7

Variables solución = 7-1 = 6 , para no ser degenerada

Costos de transporte:

C1,1 = Tumbes – Cajamarca: = 10

C1,2 = Tumbes – Madre de Dios = 2

C1,3 = Tumbes – Cuzco = 20

C1,4= Tumbes – Loreto = 11

C2,1 = Lima – Cajamarca: = 12

C2,2 = Lima – Madre de Dios = 7

C2,3 =Lima – Cuzco = 9

C2,4= Lima – Loreto = 20

C3,1 = Arequipa – Cajamarca = 04

C3,2 = Arequipa– Madre de Dios= 14

C3,3 = Arequipa – Cuzco = 16

C3,4= Arequipa – Loreto = 18

Solución:

Costo total = 5x10+10x2+5x7+15x9+5x20+10x18= 520

Variables Solución son 6 : X1,1 = 5 / X1,2= 10 / X2,2 = 5 / X2,3=15 / X2,4= 5 / X3,4 =

10

5.1.2 Método del costo mínimo

El algoritmo del costo mínimo se utiliza tomando como base a las rutas que tengan el menor
costo:
Taha (2004) nos refiere un algoritmo de costo mínimo que se puede explicar de la siguiente
manera:

Este método determina una mejor solución de inicio, porque se concentra en las rutas menos
costosas. Se inicia asignando todo lo posible a la celda que tenga el mínimo costo unitario ( los
empates se rompen en forma arbitraria) . A continuación, el renglón o la columna ya satisfecha
se tacha, y las cantidades de oferta y demanda se ajustan en consecuencia. Si se satisface en
forma similar simultanea un renglón y una columna al mismo tiempo, sólo se tacha uno de los
dos, igual que en el método de la esquina noroeste. A continuación se busca la celda no
tachada con el costo unitario mínimo y se repite el proceso hasta que queda sin tachar
exactamente un renglón o una columna.

5.1.3 Método de Vogel.

Este método es heurístico y suele producir una mejor solución inicial que los métodos
anteriores. De hecho, suele producir una solución inicial óptima, o próxima al nivel óptimo.

Los pasos del procedimiento son los

siguientes:
Taha (2004) muestra el algoritmo de Vogel:

1. Determinar para cada renglón (columna) una medida de penalización restando el

elemento de costo unitario mínimo en el renglón (columna) del elemento con costo
unitario siguiente al mínimo del mismo renglón (columna).
2. Identifíquese el renglón o columna con mayor penalización, rompiendo empates en
forma arbitraria. Asigne el mayor valor posible a las variables con el costo más bajo del
renglón o columna seleccionado. Ajústese la oferta y la demanda y táchese el renglón
o columna satisfecha. Si un renglón y una columna se satisfacen al mismo tiempo,
sólo uno de ellos se tacha y al renglón (columna) restante se le asigna una
oferta (demanda) cero.

a) Si queda sin tachar exactamente un renglón o columna con cero oferta o demanda,
detenerse.
b) Si queda sin tachar un renglón (columna) con oferta ( demanda) positiva, determinar
las variables básicas en el renglón (columna) con el método de costo mínimo. Detenerse.

c) Si todos los renglones o columnas sin tachar tiene oferta y

demanda cero asignadas, determínese las variables básicas cero a través del método
de costo mínimo. Deténgase.

d) En cualquier otro caso, seguir con el paso 1. ( p, 180)

5.2 Método de solución óptima

5.2.1 Método de distribución modificada MODI

El método de distribución modificada o MODI es un método utilizado para encontrar una

solución óptima a un problema de transporte, partiendo de un problema básico factible, que
previamente se encontró con cualquiera de los métodos anteriormente descritos para este fin
como son: método Esquina Nor- Oeste, costo mínimo o Vogel.

5.2.2 Algoritmo MODI

Después de encontrar una solución factible básica con cualquiera de los métodos
anteriormente descritos se usa el siguiente algoritmo para encontrar una solución óptima:

Taha (2004) explica el algoritmo MODI.

Paso 1: Usar la condición de optimalidad símplex para determinar la variable de entrada como
variable no básica actual que puede mejorar la solución. Si se satisface la condición de
optimalidad, detenerse. En caso contrario seguir con el paso 2

Paso 2: Determinar la variable de salida con la condición de factibilidad simplex. Cambiar la

base y regresar al paso 1.(P, 182)
Preguntas de análisis

Estimados alumnos a continuación reflexionaremos acerca del

tema tratado
1. ¿El método de transporte son procedimientos de PL?
2. ¿Los métodos de transporte Vogel, costo mínimo y Esquina Nor-Oeste nos dan
soluciones óptimas?
3. ¿Los métodos de transporte Vogel, costo mínimo y Esquina Nor-Oeste, nos deben dar
los mismos costos de transporte y/o soluciones?

Video de Investigación de Operaciones

Para saber más
Ponemos a tu disposición tres videos cortos referentes a los métodos de solución básica ( Nor-
Oeste, costo mínimo y Vogel) , asimismo el método MODI de optimizar la solución básica. Te
invitamos a visualizar los vídeos para reforzar y ampliar los temas que hemos estudiado,
estos los encontrarás en la siguiente dirección electrónica:

Documento 1: “ Método Esquina Nor-Oeste, costo mínimo y voguel”

Dirección : https://youtu.be/FhDg5N4MF2U

Documento 2: " Método Modi”

Dirección: https://youtu.be/QYgP8pC0XTQ
Documento 3: " Método Modi”

Direcci

Actividad de análisis y comprensión

Después de haber observado detenidamente el video responde a las siguientes
preguntas:

¿Cómo se usan los métodos de transporte Nor- Oeste, costo mínimo y Vogel?

Para soluciones óptimas

Para una primera solución básica factible

Para encontrar el mínimo costo de transporte

Para encontrar la menor ruta

Ninguna de las anteriores

¡Exacto! Es para encontrar una solución factible inicial, no necesariamente tiene que ser
óptima.

¿El método MODI, para que se usa?

Determina el punto óptimo del PL

Determina la ruta más costosa

Determina la ruta más económica

Determina una solución básica

Ninguna de las anteriores

Determina la ruta más económica

¿Qué se necesita para aplicar el método MODI?

Tener una solución básica inicial por cualquier método

Tener una solución básica por esquina Nor-Oeste

Tener una solución básica por costo mínimo

Tener una solución básica por Voguel

Ninguna de las anteriores

Se necesita partir de una solución básica por cualquier método, la cual con el método
MODI puedes optimizar