MÉTODO GRÁFICO

El Método Gráfico (resolución gráfica) constituye una excelente alternativa de

representación y resolución de modelos de Programación Lineal que tienen 2
variables de decisión. Consiste en representar las restricciones en un eje de
coordenadas X e Y, para delimitar la región dónde se encuentran las soluciones
factibles (soluciones que cumplen con todas las restricciones).

Los valores óptimas se encontrarán alrededor de la figura formada de la

intersección de las distintas restricciones del problema lineal y se encontrará en el
primer cuadrante, el óptimo de un problema lineal se encuentra en uno de los
vértices dicha figura o polígono.

Usualmente en cada problema podemos inferir que nos dan 3 tipos de datos:

Variables de Decisión: Lo que el modelo busca responder.

Función Objetivo: Criterio para seleccionar entre alternativas factibles.

Restricciones: Condiciones que definen los recursos del modelo.

EJEMPLOS

1) Una fábrica de macetas tiene dos calidades A y B, mensualmente puede

fabricar como mínimo 40 macetas y como 100, si es de la calidad B; y como
mínimo 90 si se trata de la calidad A. La ganancia por maceta de la calidad A
es S/ 15 y por maceta de la calidad B es S/ 20. Si mensualmente puede
fabricar a lo más 150 unidades combinadas. ¿Cuántas unidades de cada
calidad debe fabricar para que obtenga ganancia máxima?

A=X
- > Variables
B=Y
F(X;Y) = 15X + 20Y
-> Función Objetivo
X ≥ 90
40 ≤ Y ≤ 100 -> Restricciones
X + Y ≤ 150
Cada restricción tiene su propia gráfica:

X ≥ 90

40 ≤ Y ≤ 100

X+Y = 150

X + Y ≤ 150 X Y
0 150
150 0
La intersección de las gráficas en una sola nos formara una figura geométrica y los
vértices son los puntos óptimos, en este caso nos pide la máxima ganancia y eso
nos da en el punto D

Y como demostramos que el punto D es la ganancia máxima reemplazamos los

puntos de las coordenadas en la FUNCION OBJETIVO

F(X;Y) = 15X + 20Y

PTO C: F(90;40) = 15(90) + 20(40)

= 2150

PTO D: F(90;60) = 15(90) + 20(60)

= 2550

PTO H: F(110;40) = 15(110) + 20(40)

= 2450
Claramente se ve que el punto D es el máximo y el punto C es el mínimo, en este
caso solo nos pide el máximo; sin embargo, en la siguiente tabla veremos los
valores de todos los puntos y vemos que hay puntos con valores mayores, pero no
cumplen las restricciones que nos dan al inicio del problema

Coordenada Coordenada Valor de la función

Punto
X Y objetivo
O 0 0 0

A 90 0 1350
B 90 100 3350

C 90 40 2150
D 90 60 2550
E 0 100 2000

F 50 100 2750

G 0 40 800

H 110 40 2450

I 0 150 3000
J 150 0 2250

NOTA:
En color verde los puntos en los que se encuentra la solución.
En color rojo los puntos que no pertenecen a la región factible.
 2) Sydsaeter/ Hammond, Matematicas Para El Analisis Economico,
Pagina 568 - Problema 1A

F(X1; X2)= 3 X1 + 4 X2 -> FUNCION OBJETIVO

3 X1 + 2 X2 ≤ 6
1 X1 + 4 X2 ≤ 4 -> RESTRICCIONES
X1, X2 ≥ 0

Coordenada X Coordenada Y Valor de la función

Punto
(X1) (X2) objetivo
O 0 0 0
A 0 3 12
B 2 0 6
C 1.6 0.6 7.2
D 0 1 4
E 4 0 12

NOTA:
En color verde los puntos en los que se encuentra la solución.
En color rojo los puntos que no pertenecen a la región factible.
 DEFINICIÓN DEL PROBLEMA DUAL

El problema dual se define sistemáticamente a partir del modelo de PL primal (u

original). Los dos problemas están estrechamente relacionados en el sentido de que la
solución óptima de uno proporciona automáticamente la solución óptima al otro. En la
mayoría de los tratamientos de PL, el dual se define para varias formas del primal
según el sentido de la optimización (maximización o minimización), los tipos de
restricciones (≤,≥ o =), y el signo de las variables (no negativas o irrestrictas). Este
capítulo ofrece una definición única que abarca de manera automática todas las
formas del primal.
Nuestra definición del problema dual requiere expresar el problema primal en la forma
de ecuación que se presentó en la sección 3.1 (todas las restricciones son ecuaciones
con lado derecho no negativo, y todas las variables son no negativas). Este
requerimiento es consistente con el formato de la tabla inicial simplex. De ahí que
cualesquier resultados obtenidos a partir de la solución óptima primal se aplican
directamente al
problema dual asociado.
Las ideas clave para construir el dual a partir del primal se resumen como sigue:

1. Asigne una variable dual por cada restricción primal.

2. Construya una restricción dual por cada variable primal.
3. Los coeficientes de restricción (columna) y el coeficiente objetivo de la variable
primal j-ésima definen respectivamente los lados izquierdo y derecho de la
restricción dual j-ésima.
4. Los coeficientes objetivo duales son iguales a los lados derechos de las
ecuaciones de restricción primales.
5. Las reglas que aparecen en la tabla 4.1 rigen el sentido de optimización, la
dirección de las desigualdades y los signos de las variables en el dual. Una forma
fácil de recordar el tipo de restricción en el dual (es decir,≤ o ≥) es que si el objetivo
dual es de minimización (es decir, apunta hacia abajo), entonces todas las
restricciones serán del tipo ≥ (es decir, apuntan hacia arriba). Lo opuesto aplica
cuando el objetivo dual es de maximización.

Todas las restricciones primales son ecuaciones con lado derecho no negativo, y
todas las variables son no negativas.

Los siguientes ejemplos demuestran en la tabla 4.1 el uso de las reglas; incluso,
muestran que nuestra definición incorpora automáticamente todas las formas del
primal. Otro tipo de relaciones entre los problemas primal y dual son las siguientes:
Problema dual

Minimizar w = 10y1 + 8y2

sujeto a

𝑦1 + 2𝑦2 ≥ 5

2𝑦1 − 𝑦2 ≥ 12

𝑦1 + 3𝑦2 ≥ 4

𝑦1 + 0𝑦2 ≥ 0 (𝑦1 ≥ 0, 𝑦2 𝑖𝑟𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑡𝑎)

𝑦1 , 𝑦2 𝑖𝑟𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑡𝑎

Resumen de las reglas para construir el dual:

Observe que los encabezados de columna que aparecen en la tabla no utilizan el

nombre primal y dual. Lo que importa en este caso es el sentido de optimización. Si el
primal es de maximización, entonces el dual es de minimización, y viceversa. Observe
también que no hay medidas específicas para incluir variables artificiales en el primal.
La razón es que las variables artificiales no cambiarían la definición del dual
RELACIONES PRIMAL-DUAL

Consideremos el siguiente modelo lineal en forma simétrica de maximización al

que llamaremos modelo primal

𝑚𝑎𝑥 𝑍 = 𝑐 𝑇 𝑥

sujeto a

𝐴𝑥 ≤ 𝑏

𝑥 ≥ 0

el modelo dual es el siguiente modelo en forma simétrica de minimización

𝑚𝑖𝑛 𝐺 = 𝑏 𝑇 𝑦

sujeto a

𝐴𝑇 𝑦 ≥ 𝑐

𝑦 ≥ 0

 Ejemplo. Dado el modelo lineal

max z = 2x1 − x2 + 3x3

sujeto a
x1 − x2 + x3 ≤ 2
3x1 − x2 + 2x3 ≤ 1
x1 , x2 , x3 ≥ 0
el dual asociado es
𝑚𝑖𝑛 𝐺 = 2𝑦1 + 𝑦2
sujeto a
𝑦1 + 3𝑦2 ≥ 2
−𝑦1 − 𝑦2 ≥ −1
𝑦1 + 2 𝑦2 ≥ 3
𝑦1 , 𝑦2 ≥ 0

SOLUCIÓN DUAL ÓPTIMA

Las soluciones primal y dual están estrechamente relacionadas en el sentido de que la

solución óptima de uno u otro problema da la solución óptima al otro. Así pues, en un
modelo de PL en el que la cantidad de variables es considerablemente menor que la
de restricciones, pueden ahorrarse cálculos resolviendo el dual porque la cantidad de
cálculos simplex depende en gran medida (aunque no totalmente) de la cantidad de
restricciones

Esta sección proporciona dos métodos para determinar los valores duales.
Método 1.

Método 2.

Los elementos del vector fila deben aparecer en el mismo orden en que las variables
básicas aparecen en la columna Básica de la tabla simplex.

INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD

El problema de PL puede considerarse como un modelo de asignación de recursos

que busca maximizar los ingresos con recursos limitados. Considerando el problema
desde este punto de vista, el problema dual asociado ofrece interesantes
interpretaciones económicas del modelo de asignación de recursos.

Para formalizar el planteamiento, considere la siguiente representación de los

problemas primal y dual:

Considerado como un modelo de asignación de recursos, el problema primal consta

de n actividades económicas y m recursos. El coeficiente cj en el primal representa el
ingreso por unidad de la actividad j. El recurso i con disponibilidad bi se consume a
razón de aij unidades por unidad de actividad j.
 INTERPRETACIÓN ECONÓMICA DE LAS VARIABLES DUALES

La sección establece que para cualquiera de las dos soluciones factibles primal y dual,
los valores de las funciones objetivo, cuando son finitos, deben satisfacer la siguiente
desigualdad:

En el óptimo, los dos valores objetivo son iguales, es decir, z = w.

En función del modelo de asignación de recursos, z representa $ ingresos, y bi

representa unidades disponibles del recurso i. Por lo tanto, dimensionalmente, z = w
implica

Esto quiere decir que la variable dual, yi, representa el valor por unidad del recurso i.
El nombre estándar precio dual (o precio sombra) del recurso i reemplaza el nombre
(sugestivo) valor por unidad en toda la literatura de programación lineal y en los
paquetes de software, de ahí que también se adoptó el nombre estándar en este libro.
Utilizando el mismo análisis dimensional, podemos interpretar la desigualdad z < w
(para cualquiera de las dos soluciones primal y dual) como

(Ingreso) < (Valor de los recursos)

Esta relación expresa que en tanto el ingreso total de todas las actividades sea menor
que el valor de los recursos, las soluciones primal y dual correspondientes no serán
óptimas. La optimalidad se alcanza sólo cuando los recursos se han explotado por
completo. Esto puede suceder sólo cuando la entrada (valor de los recursos) se iguala
a la salida (ingreso en dólares).

 EJEMPLO:
El modelo de Reddy Mikks se ocupa de la producción de dos tipos de pintura (para
interiores y exteriores) con dos materias primas M1 y M2 (recursos 1 y 2) y sujeto a los
límites del mercado y a la demanda por la tercera y cuarta restricciones. El modelo
determina las cantidades (en toneladas por día) de pinturas para exteriores e interiores
que maximizan el ingreso diario (expresado en miles de dólares).

La solución dual óptima muestra que el precio dual (valor por unidad) de la materia
prima M1 (recurso 1) es y1 = 0.75 (o $750 por tonelada) y que la materia prima M2
(recurso 2) es y2 = 0.5 (o $500 por tonelada). Estos resultados se mantienen ciertos
en intervalos de factibilidad específicos. Para los recursos 3 y 4, que representan los
límites del mercado y de la demanda, ambos precios duales son cero, lo que indica
que sus recursos asociados son abundantes (es decir, no son críticos al determinar el
óptimo y, por consiguiente, su valor por unidad, o precio dual, es cero).

INTERPRETACIÓN ECONÓMICA DE LAS RESTRICCIONES DUALES

El significado económico de las restricciones duales puede lograrse utilizando la

fórmula, la cual establece que en cualquier iteración primal,

Una vez más utilizamos el análisis dimensional para interpretar esta ecuación. El
ingreso por unidad, cj, de la actividad j está en dólares por unidad. De ahí que, por
consistencia, la cantidad ∑𝑚𝑖 = 1𝑎𝑖𝑗 𝑦𝑖 también debe estar en dólares por unidad. A
continuación, como cj representa ingreso, la cantidad ∑𝑚 𝑖 = 1𝑎𝑖𝑗 𝑦𝑖 ,con signo opuesto,
debe representar costo. Por lo tanto tenemos

La conclusión es que la variable dual y1 representa lo que se conoce en la literatura de

PL como costo imputado por unidad de recurso i, y podemos considerar que la
cantidad ∑𝑚𝑖 = 1𝑎𝑖𝑗 𝑦𝑖 como el costo imputado de todos los recursos necesarios para
producir una unidad de la actividad j. Como se indica, la cantidad ∑𝑚
𝑖 = 1𝑎𝑖𝑗 𝑦𝑖 (= costo
imputado de la actividad j – cj) se conoce como costo reducido de la actividad j. La
condición de optimalidad de maximización del método simplex plantea que un
incremento en el nivel de una actividad j no utilizada (no básica) puede mejorar el
ingreso sólo si su costo reducido es negativo. En función de la interpretación
precedente, esta condición establece que

De este modo, la condición de optimalidad de maximización dice que es

económicamente ventajoso incrementar el nivel de una actividad si su ingreso unitario
excede su costo unitario imputado.

 EJEMPLO:

La solución óptima pide que se produzcan 100 camiones y 230 autos, pero ningún
tren. Suponga que a TOYCO también le interesa producir trenes (x1). ¿Cómo se
puede lograr esto? Examinando el costo reducido de x1, un tren de juguete se vuelve
económicamente atractivo sólo si su costo unitario imputado es estrictamente menor
que su ingreso unitario. TOYCO puede lograr esto si incrementa el precio unitario.
También puede reducir el costo imputado de los recursos consumidos
(= 𝑦1 + 3𝑦2 + 𝑦3 )
Una reducción en el costo unitario imputado conlleva a reducir los tiempos de
ensamble utilizados por un tren en las tres operaciones. Sean r1, r2 y r3 las relaciones
de las reducciones en las operaciones 1, 2 y 3, respectivamente. La meta es
determinar los valores de r1, r2 y r3 de modo que el nuevo costo imputado por tren sea
menor que su ingreso unitario, es decir,
Para los valores duales óptimos, 𝑦1 = 1, 𝑦2 = 2, 𝑦3 = 0, esta desigualdad se reduce a

Todos los valores de r1 y r2 que cumplan con estas condiciones harán que los trenes
sean rentables. Observe, sin embargo, que quizás esta meta no sea alcanzable
porque requiere grandes reducciones en los tiempos de las operaciones 1 y 2 que no
parecen ser prácticas. Por ejemplo, incluso una reducción de 50% (es decir, r1 = r2 =
.5) no satisface la condición dada. Entonces la conclusión lógica es que TOYCO no
debe producir trenes a menos que las reducciones del tiempo vayan acompañadas de
un incremento en el ingreso unitario.
 El método simplex
El método simplex fue inicialmente ideado por Dantzing en 1947 y perfeccionado luego por
diferentes pensadores. Sus variaciones y extensiones se utilizan para resolver análisis
postóptimos incluyendo los análisis de sensibilidad sobre el modelo a través de los precios
sombra.

El Método Simplex es un método analítico de solución de problemas de programación lineal

capaz de resolver modelos más complejos que los resueltos mediante el método gráfico sin
restricción en el número de variables.

El método Simplex es un procedimiento iterativo que permite mejorar la solución de la función

objetivo en cada paso. El proceso concluye cuando no es posible continuar mejorando dicho
valor, es decir, se ha alcanzado la solución óptima (el mayor o menor valor posible, según el
caso, para el que se satisfacen todas las restricciones).

Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento consiste en

buscar otro punto que mejore el valor anterior. Como se verá en el método Gráfico, dichos
puntos son los vértices del polígono que constituye la región determinada por las restricciones
a las que se encuentra sujeto el problema.

Será necesario tener en cuenta que el método Simplex únicamente trabaja con restricciones
del problema cuyas inecuaciones sean del tipo "≤" (menor o igual) y sus coeficientes
independientes sean mayores o iguales a 0. Por tanto habrá que estandarizar las restricciones
para que cumplan estos requisitos antes de iniciar el algoritmo del Simplex. En caso de que
después de éste proceso aparezcan restricciones del tipo "≥" (mayor o igual) o "=" (igualdad), o
no se puedan cambiar, será necesario emplear otros métodos de resolución, siendo el más
común el método de las Dos Fases.

La forma estándar del modelo de problema consta de una función objetivo sujeta a
determinadas restricciones:

Función objetivo: c1·x1 + c2·x2 + ... + cn·xn

Sujeto a: a11·x1 + a12·x2 + ... + a1n·xn = b1

a21·x1 + a22·x2 + ... + a2n·xn = b2

...

am1·x1 + am2·x2 + ... + amn·xn = bm

x1,..., xn ≥ 0
El modelo debe cumplir las siguientes condiciones:

1. El objetivo consistirá en maximizar o minimizar el valor de la función objetivo (por

ejemplo, incrementar ganancias o reducir pérdidas, respectivamente).

2. Todas las restricciones deben ser ecuaciones de igualdad (identidades matemáticas).

3. Todas las variables (xi) deben tener valor positivo o nulo (condición de no
negatividad).

4. Los términos independientes (bi) de cada ecuación deben ser no negativos.

Hay que adaptar el problema modelado a la forma estándar para poder aplicar el algoritmo del
Simplex.

Normalización de las restricciones

Otra de las condiciones del modelo estándar del problema es que todas las restricciones sean
ecuaciones de igualdad (también llamadas restricciones de igualdad), por lo que hay que
convertir las restricciones de desigualdad o inecuaciones en dichas identidades matemáticas.

La condición de no negatividad de las variables (x1,..., xn ≥ 0) es la única excepción y se

mantiene tal cual.

· Restricción de tipo "≤"

Para normalizar una restricción con una desigualdad del tipo "≤", hay que añadir una
nueva variable, llamada variable de holgura xs (con la condición de no negatividad: xs
≥ 0). Esta nueva variable aparece con coeficiente cero en la función objetivo, y
sumando en la ecuación correspondiente (que ahora sí será una identidad matemática
o ecuación de igualdad).

a11·x1 + a12·x2 ≤ b1 a11·x1 + a12·x2 + 1·xs = b1

· Restricción de tipo "≥"

En caso de una desigualdad del tipo "≥", también hay que añadir una nueva variable
llamada variable de exceso xs (con la condición de no negatividad: xs ≥ 0). Esta nueva
variable aparece con coeficiente cero en la función objetivo, y restando en la ecuación
correspondiente.

Surge ahora un problema con la condición de no negatividad con esta nueva variable
del problema. Las inecuaciones que contienen una desigualdad de tipo "≥" quedarían:

a11·x1 + a12·x2 ≥ b1 a11·x1 + a12·x2 - 1·xs = b1

Al realizar la primera iteración con el método Simplex, las variables básicas no estarán
en la base y tomarán valor cero. En este caso la nueva variable xs, tras hacer cero a x1
y x2, tomará el valor -b1 y no cumpliría la condición de no negatividad. Es necesario
 añadir otra nueva variable xr, llamada variable artificial, que también aparecerá con
coeficiente cero en la función objetivo y sumando en la restricción correspondiente.
Quedando entonces de la siguiente manera:

a11·x1 + a12·x2 ≥ b1 a11·x1 + a12·x2 - 1·xs + 1·xr = b1

· Restricción de tipo "="

Al contrario de lo que cabría pensar, para las restricciones de tipo "=" (aunque ya son
identidades) también es necesario agregar variables artificiales xr. Como en el caso
anterior, su coeficiente será cero en la función objetivo y aparecerá sumando en la
restricción correspondiente.

a11·x1 + a12·x2 = b1 a11·x1 + a12·x2 + 1·xr = b1

En el último caso se hace patente que las variables artificiales suponen una violación de las
leyes del álgebra, por lo que será necesario asegurar que dichas variables artificiales tengan un
valor 0 en la solución final. De esto se encarga el método de las Dos Fases y por ello siempre
que aparezcan este tipo de variables habrá que realizarlo.

En la siguiente tabla se resume según la desigualdad el tipo de variable que aparece en la

ecuación normalizada, así como su signo:

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial

= + artificial

≤ + holgura

Tipo de optimización
Como se ha comentado, el objetivo del método consistirá en optimizar el valor de la función
objetivo. Sin embargo se presentan dos opciones: obtener el valor óptimo mayor (maximizar) u
obtener el valor óptimo menor (minimizar).

Además existen diferencias en el algoritmo entre el objetivo de maximización y el de

minimización en cuanto al criterio de condición de parada para finalizar las iteraciones y a las
condiciones de entrada y salida de la base. Así:
● Construcción de la primera tabla:

Las columnas de la tabla están dispuestas de la siguiente forma: la primera columna

de la tabla contiene las variables que se encuentran en la base (o variables básicas),
esto es, aquellas que toman valor para proporcionar una solución; la segunda
columna recoge los coeficientes que dichas variables básicas tienen en la función
objetivo (esta columna es llamada Cb); la tercera muestra el término independiente
de cada restricción (P0); a partir de ésta aparece una columna por cada una de las
variables de decisión y holgura presentes en la función objetivo (Pj). Para tener una
visión más clara de la tabla, se incluye una fila que contiene los títulos de cada una
de las columnas.
Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la tabla, donde
aparecen los coeficientes de las variables de la función objetivo, y una última fila
que recoge el valor la función objetivo y los costes reducidos Zj - Cj.
Los costes reducidos muestran la posibilidad de mejora en la solución Z0. Por este
motivo también son llamados valores indicadores.
 Se muestra a continuación el aspecto general de la tabla del método Simplex:

Tabla

C1 C2 ... Cn

Base Cb P0 P1 P2 ... Pn

P1 Cb1 b1 a11 a12 ... a1n

P2 Cb2 b2 a21 a22 ... a2n

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

Pm Cbm bm am1 am2 ... amn

Z Z0 Z1-C1 Z2-C2 ... Zn-Cn

Todos los valores incluidos en la tabla vendrán dados por el modelo del problema
salvo los valores de la fila Z (o fila indicadora). Estos se obtienen de la siguiente
forma: Zj = Σ(Cbi·Pj) para i = 1..m, donde si j = 0, P0 = bi y C0 = 0, y en caso contrario
Pj = aij.
Se observa, al realizar el método Simplex, que en esta primera tabla ocupan la base
todas las variables de holgura y por ello (todos los coeficientes de las variables de
holgura son 0 en la función objetivo) el valor inicial de Z es cero.
Por este mismo motivo tampoco es necesario realizar los cálculos de los costes
reducidos en la primera tabla, pudiéndose determinar directamente como el
cambio de signo de los coeficientes de cada variable en la función objetivo, esto es,
-Cj.

● Condición de parada:
Se cumple la condición de parada cuando la fila indicadora no contiene ningún valor
negativo entre los costes reducidos (cuando el objetivo es la maximización), esto es, no
existe posibilidad de mejora.
Una vez cumplida la condición de parada, el valor de cada variable que logra la
solución óptima se encuentra en la columna P0, indicándose en la base a qué variable
corresponde dicho valor. Si una variable no aparece en la base, significa que su valor es
cero. De la misma forma el valor óptimo de la función objetivo (Z) se encuentra en la
 columna P0, fila Z.
Si no se cumple la condición de parada es necesario realizar una iteración más del
algoritmo, esto es, determinar la variable que se vuelve básica y la que deja de serlo,
encontrar el elemento pivote, actualizar los valores de la tabla y comprobar si se
cumple nuevamente la condición de parada.
Es también posible determinar que el problema no se encuentra acotado y su solución
siempre resultará mejorable. En tal caso no es necesario continuar iterando
indefinidamente y se puede finalizar el algoritmo. Esta situación ocurre cuando en la
columna de la variable entrante a la base todos los valores son negativos o nulos.

● Elección de la variable que entra a la base:

Cuando una variable se vuelve básica, es decir, entra en la base, comienza a formar
parte de la solución. Observando los costes reducidos en la fila Z, se decide que entra a
la base la variable de la columna en la que éste sea el de menor valor (o de mayor
valor absoluto) entre los negativos.

● Elección de la variable que sale de la base:

Una vez obtenida la variable entrante, se determina que sale de la base la variable que
se encuentre en aquella fila cuyo cociente P0/Pj sea el menor de los estrictamente
positivos (teniendo en cuenta que esta operación se hará únicamente cuando Pj sea
superior a 0).

● Elemento pivote:
El elemento pivote de la tabla queda marcado por la intersección entre la columna de
la variable entrante y la fila de la variable saliente.

● Actualización de la tabla:
Las filas correspondientes a la función objetivo y a los títulos permanecerán
inalteradas en la nueva tabla. El resto de valores deberán calcularse como se explica a
continuación:

■ En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.
■ En el resto de las filas cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en
Columna Pivote * Nuevo Elemento Fila Pivote).

● De esta forma se consigue que todos los elementos de la columna de la variable

entrante sean nulos salvo el de la fila de la variable saliente cuyo valor será 1. (Es
análogo a utilizar el método de Gauss-Jordan para resolver sistemas de ecuaciones
lineales).
Ejemplo: Método Simplex

Resolver mediante el método simplex el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y

sujeto a: 2x + y ≤ 18

2x + 3y ≤ 42

3x + y ≤ 24

x≥0,y≥0

Se consideran las siguientes fases:

1. Realizar un cambio de variables y normalizar el signo de los términos

independientes.
Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la
correspondencia siguiente:

■ x pasa a ser X1
■ y pasa a ser X2

Como los términos independientes de todas las restricciones son positivos no es

necesario hacer nada. En caso contrario habría que multiplicar por "-1" en ambos lados
de la inecuación (teniendo en cuenta que esta operación también afecta al tipo de
restricción).
 2. Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de holgura, exceso y

artificiales según la tabla siguiente:

Tipo de Tipo de variable que

desigualdad aparece

≥ - exceso + artificial

= + artificial

≤ + holgura

En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una de las
restricciones del tipo ≤, para convertirlas en igualdades, resultando el sistema de
ecuaciones lineales:

2·X1 + X2 + X3 = 18

2·X1 + 3·X2 + X4 = 42

3·X1 + X2 + X5 = 24

3. Igualar la función objetivo a cero.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0

4. Escribir la tabla inicial del método Simplex.

La tabla inicial del método Simplex está compuesta por todos los coeficientes de las
variables de decisión del problema original y las de holgura, exceso y artificiales
agregadas en el paso 2 (en las columnas, siendo P0 el término independiente y el resto
de variables Pi coinciden con Xi), y las restricciones (en las filas). La columna Cb
 contiene los coeficientes de las variables que se encuentran en la base.
La primera fila está formada por los coeficientes de la función objetivo, mientras que la
última fila contiene el valor la función objetivo y los costes reducidos Zj - Cj.
La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1..m, donde si j = 0, P0 = bi y
C0 = 0, y en caso contrario Pj = aij. Aunque al tratarse de la primera tabla del método
Simplex y ser todos los Cb nulos se puede simplificar el cálculo, y por esta vez disponer
Zj = -Cj.

Tabla I . Iteración nº 1

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 18 2 1 1 0 0

P4 0 42 2 3 0 1 0

P5 0 24 3 1 0 0 1

Z 0 -3 -2 0 0 0

5. Condición de parada.
Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no existe
ningún valor negativo entre los costes reducidos (columnas P1 en adelante) se alcanza
la condición de parada.
En tal caso se llega al final del algoritmo ya que no existe posibilidad de mejora. El
valor de Z (columna P0) es la solución óptima del problema.
Otro caso posible es que en la columna de la variable entrante a la base todos los
valores son negativos o nulos. Esto indica que el problema no se encuentra acotado y
su solución siempre resultará mejorable. Ante esta situación no es necesario continuar
iterando indefinidamente y también se puede dar por finalizado el algoritmo.
De no ser así, se ejecutan los siguientes pasos de forma iterativa.

6. Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se escoge la
columna cuyo valor en la fila Z sea el menor de entre todos los negativos. En este caso
sería la variable X1 (P1) de coeficiente -3.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior (caso de
 empate), entonces se optará por aquella variable que sea básica.
La columna de la variable que entra en la base se llama columna pivote (en color
verde).
Una vez obtenida la variable que entra en la base, se procede a determinar cuál será la
variable que sale de la misma. La decisión se toma en base a un sencillo cálculo: dividir
cada término independiente (columna P0) entre el elemento correspondiente de la
columna pivote, siempre que ambos elementos sean estrictamente positivos (mayores
que cero). Se escoge la fila cuyo resultado haya resultado mínimo.
Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente. En caso de
que todos los elementos de la columna pivote fueran de ésta condición se habría
cumplido la condición de parada y el problema tendría una solución no acotada.

En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

El término de la columna pivote que en la división anterior dio lugar al menor cociente
positivo indica la fila de la variable de holgura que sale de la base. En este caso resulta
ser X5 (P5), de coeficiente 3. Esta fila se llama fila pivote (en color verde).
Si al calcular los cocientes, dos o más resultados cumplen la condición para elegir el
elemento saliente de la base (caso de empate), se escoge aquella que no sea variable
básica (siempre que sea es posible).
La intersección de la fila pivote y columna pivote marca el elemento pivote, en este caso
el 3.

7. Actualizar la tabla.
Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

■ En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote

■ En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en
Columna Pivote * Nuevo Elemento Fila Pivote)
 Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras que el resto
de elementos de la columna pivote se anulan (análogo al método de Gauss-Jordan).
Se muestran a continuación los cálculos para la fila P4:

Anterior fila P4 42 2 3 0 1 0

- - - - - -

Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2

x x x x x x

Nueva fila pivote 8 1 1/3 0 0 1/3

= = = = = =

Nueva fila P4 26 0 7/3 0 1 -2/3

La tabla correspondiente a esta segunda iteración es:

Tabla II . Iteración nº 2

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 2 0 1/3 1 0 -2/3

P4 0 26 0 7/3 0 1 -2/3

P1 3 8 1 1/3 0 0 1/3

Z 24 0 -1 0 0 1
8. Al comprobar la condición de parada se observa que no se cumple ya que entre los
elementos de la última fila hay uno negativo, -1. Se continúa iterando nuevamente
los pasos 6 y 7.
■ 6.1. La variable que entra en la base es X2 (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.
■ 6.2. Para calcular la variable que sale, se dividen los términos de la columna P0
entre los términos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] ,
26 / 7/3 [=78/7] y 8 / 1/3 [=24]. Como el menor cociente positivo es 6, la
variable que sale de la base es X3 (P3).
■ 6.3. El elemento pivote es 1/3.

Actualizando nuevamente los valores de la tabla se obtiene:

Tabla III . Iteración nº 3

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 6 0 1 3 0 -2

P4 0 12 0 0 -7 1 4

P1 3 6 1 0 -1 0 1

Z 30 0 0 3 0 -1

9. Una nueva comprobación de la condición de parada revela que entre los elementos
de la fila indicadora vuelve a haber uno negativo, -1. Significa que aún no se ha
llegado a la solución óptima y hay que seguir iterando (pasos 6 y 7):

■ 6.1. La variable que entra en la base es X5 (P5), por ser la variable que
corresponde al coeficiente -1.
■ 6.2. Se escoge la variable que sale calculando el cociente entre los términos de
la columna de términos independientes y los términos correspondientes de la
nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasión es X4
(P4).
■ 6.3. El elemento pivote es 4.
 Después de actualizar todas las filas, se obtiene la tabla siguiente:

Tabla IV . Iteración nº 4

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 12 0 1 -1/2 1/2 0

P5 0 3 0 0 -7/4 1/4 1

P1 3 3 1 0 3/4 -1/4 0

Z 33 0 0 5/4 1/4 0

10. Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por
tanto la condición de parada.
La solución óptima viene dada por el valor de Z en la columna de los términos
independientes (P0), en este ejemplo: 33. En la misma columna se puede ver el punto
donde se alcanza, observando las filas correspondientes a las variables de decisión que
han entrado en la base: X1 = 3 y X2 = 12.
Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.
 Método Simplex de Dos Fases
El Método Simplex de Dos Fases permite abordar la resolución de aquellos modelos de
Programación Lineal que luego de ser llevados a su forma estándar no permite obtener una
solución básica factible inicial en las variables del modelo. Para enfrentar esta situación existen
distintas estrategias algorítmicas entre las que destacan el Método Simplex de Dos Fases y el
Método de la M Grande, las cuales suelen ser discutidas en cursos de Investigación Operativa
(Investigación de Operaciones). En el siguiente artículo nos concentramos en el análisis de la
primera alternativa a través de un enfoque teórico – práctico.

Fase I (Se busca la primera Solución básica factible):

1. Consideramos un modelo de programación lineal que se encuentra en su forma

canónica, este modelo debe de ser transformado en su forma ampliada agregando
variables artificiales en las restricciones donde el origen no es una solución.
2. Ahora se cambia la función objetivo por una función de minimización donde las
variables de decisión son las variables artificiales, pero tomamos el conjunto de
restricciones de la función original.
3. Procedemos a resolver el modelo que tenemos planteado hasta que se de uno de los
siguientes casos: las variables artificiales salen de la base o la función objetivo obtiene
el valor de cero. Si no ocurre ninguno, entonces el modelo no tiene solución

Fase II (Resolvemos el modelo con la nueva solución encontrada):

1. Eliminamos las variables artificiales de las restricciones, pero conservamos los cambios
que se dieron durante la fase 1.
 2. Regresamos a la función objetivo original y resolvemos el modelo con los cambios que
se dieron en las restricciones durante la fase 1.

Ejemplo: Metodo Simplex de Dos Fases

Considere el siguiente modelo de Programación Lineal usando el Método Simplex de Dos

Fases.

Fase I (Método Simplex de Dos Fases)

Donde X3 es variable de exceso y X4 y X5 son variables artificiales de la restricción 1 y 2

respectivamente. Luego estamos en condiciones de confeccionar la tabla inicial de la Fase I
donde las variables auxiliares X4 y X5 tienen costo reducido igual a uno (dado sus respectivos
coeficientes en la función objetivo de dicha fase).

A continuación se llevan a cero los costos reducidos de X4 y X5. Para ello se realizan
operaciones filas, por ejemplo, primero multiplicando por -1 la fila 1 y sumándole a la fila 3,
para luego multiplicar por -1 la fila 2 y sumarla a la fila 3.

Notar ahora que las variables básicas son X4 y X5 y las variables no básicas son X1, X2 y X3.
Entre las variables no básicas la que tiene costo reducido negativo es X2, por tanto dicha
variable entra a la Base y mediante el criterio de factibilidad o mínimo cuociente se determina
aquella variable básica que deja la base. Esto se obtiene de Min{2/1; 10/1}=2. Por tanto X4
sale de la base y se realiza una iteración.

Luego de concluir la iteración se dispone ahora de dos variables no básicas con costo reducido
negativo: X1 y X3. Teniendo en consideración un criterio de rapidez de convergencia se
privilegia la entrada a la base de X1 al tener ésta el costo reducido más negativo. La variable
básica que deja la base se obtiene de Min{8/2}=4, determinando que X5 sale de la base. Para
actualizar la tabla sumamos la fila 2 a la fila 3 (de modo que el costo reducido de X1 se
transforme en cero) y luego multiplicamos por 1/2 la fila 2 y la sumamos a la fila 1 (para que de
esta forma X1 sea básica asociada a la fila 2, tomando la estructura de la variable básica
saliente X5).

Se verifica que se concluye la Fase I del Método Simplex de Dos Fases. Esta situación se detecta
cuando se dispone de una solución básica que satisface las condiciones de no negatividad,
donde las variables no básicas tienen costos reducidos mayores o iguales a cero y el valor de la
función objetivo es igual a cero.

Fase II (Método Simplex de Dos Fases)

A continuación se da inicio a la Fase II del Método Simplex de Dos Fases. En esta etapa se
elimina las columnas asociadas a las variables auxiliares utilizadas en la Fase I del método (en
el ejemplo las variables X4 y X5) y se actualiza el vector de costos reducidos considerando la
función objetivo del problema original en formato de minimización, esto es MIN -X1–3X2.
Cabe recordar que las variables básicas finalizadas la Fase I son X2 y X1 y luego de la
actualización de la fila de costos reducidos (fila 3) será necesario llevar sus respectivos costos
reducidos a cero, para lo cual se suma la fila 2 a la fila 3 y luego se multiplica por 3 la fila 1 y se
suma a la fila 3, obteniéndose lo siguiente:

Del procedimiento anterior resulta que la variable no básica X3 tiene costo reducido y por
tanto ingresa a la base. La variable básica que deja la base se obtiene de Min{4/1/2}=8 y por
tanto X1 abandona la base. Con ello se realiza una iteración del método obteniendo la
siguiente tabla:

Observar que la variable no básica X1 tiene costo reducido igual a 2 (que satisface las
condiciones de no negatividad), además de enfrentarnos a una solución básica factible para X2
y X3.

Por tanto se concluye la Fase II del Método Simplex de Dos Fases con solución óptima X1=0,
X2=10 y X3=8 y valor óptimo V(P)=30.

Nota:
 Método de la M Grande (o Gran M)
Teóricamente se espera que en la aplicación del Método de la M Grande las variables
auxiliares sean no básicas en el óptimo. Si el modelo de Programación Lineal es infactible (es
decir, si las restricciones no son consistentes), la iteración del Método Simplex final incluirá al
menos una variable artificial como básica.

Adicionalmente la aplicación de la técnica de la M Grande implica teóricamente que M tiende

a infinito. Sin embargo al usar la computadora M debe ser finito, pero suficientemente grande.
En específico M debe ser lo bastante grande como para funcionar como penalización, al
mismo tiempo no debe ser tan grande como para perjudicar la exactitud de los cálculos del
Método Simplex, al manipular una mezcla de números muy grandes y muy pequeños.

Método Simplex (Conclusiones)

El ejemplo que hemos desarrollado en este artículo busca presentar de forma sencilla y
didáctica los principales fundamentos asociados al Método Simplex. Cabe destacar que ha sido
necesario para la aplicación del algoritmo llevar el modelo original a su forma estándar que
como se discutió anteriormente puede tener distintas representaciones según la bibliografía
que se consulte.

En este contexto, cada problema de Programación Lineal en su forma estándar cumple con las
siguientes propiedades establecidas en el Teorema Fundamental de la Programación Lineal:
 1. Si el problema no tiene solución óptima entonces es no-acotado o infactible.
2. Si tiene una solución factible, tiene una solución básica factible.
3. Si el problema tiene solución óptima, tiene una solución básica factible óptima.

Cabe destacar que no siempre se dispone de una solución básica factible en las variables
originales del modelo (luego de llevar el problema a su forma estándar). Si bien existen
diversas estrategias algorítmicas para enfrentar esta dificultad, se propone al lector revisar los
tutoriales que hemos desarrollado sobre esta problemática, en particular respecto al Método
Simplex de 2 Fases, Método de la M Grande y Método Simplex Dual.
 MODELO DE TRANSPORTE

El problema del transporte o distribución, es un problema de redes especial en programación

lineal que se funda en la necesidad de llevar unidades de un punto específico
llamado fuente u origen hacia otro punto específico llamado destino. Los principales objetivos
de un modelo de transporte son la satisfacción de todos los requerimientos establecidos por
los destinos, y claro está, la minimización de los costos relacionados con el plan determinado
por las rutas escogidas.

El contexto en el que se aplica el modelo de transporte es amplio y puede generar soluciones

atinentes al área de operaciones, inventario y asignación de elementos.

El procedimiento de resolución de un modelo de transporte se puede llevar a cabo

mediante programación lineal común, sin embargo su estructura permite la creación de
múltiples alternativas de solución tales como la estructura de asignación o los métodos
heurísticos más populares como Vogel, Esquina Noroeste o Mínimos Costos.

Los problemas de transporte o distribución son uno de los más aplicados en la economía
actual, dejando como es de prever múltiples casos de éxito a escala global que estimulan la
aprehensión de los mismos.
adicionalmente, se tienen varios supuestos:

1. Supuesto de requerimientos: cada origen tiene un suministro fijo de unidades que se

deben distribuir por completo entre los destinos.

2. Supuesto de costo: el costo de distribuir unidades de un origen a un destino cualquiera

es directamente proporcional al número de unidades distribuidas.

3. Propiedad de soluciones factibles: un problema de transporte tiene soluciones

factibles si y sólo si la sumatoria de recursos en lo m orígenes es igual a la sumatoria de
demandas en los destinos. En los casos donde la sumatoria de los recursos y las
demandas no sean las mismas, se agrega un origen o destino ficticio con la cantidad
que permita cumplir la propiedad de soluciones factibles.

4. Propiedad de soluciones enteras: En los casos en los que tanto los recursos como las
demandas toman un valor entero, todas las variables básicas (asignaciones), de
cualquiera de las soluciones básicas factibles (inclusive la solución optima),
asumen también valores enteros.

Debido a la particularidad del modelo de transporte , la forma tabular Simplex adquiere una
estructura que facilita el proceso de asignación a las variables básicas, tal se muestra
a continuación:
METODO DE APROXIMACION DE VOGEL

El Método de Aproximación de Vogel es una versión mejorada del Método del Costo Mínimo y
el Método de la Esquina Noroeste que en general produce mejores soluciones básicas
factibles de inicio, entendiendo por ello a soluciones básicas factibles que reportan un menor
valor en la función objetivo (de minimización) de un Problema de Transporte balanceado
(suma de la oferta = suma de la demanda).

PASO 1

Determinar para cada fila y columna una medida de penalización restando los dos costos
menores en filas y columnas.

PASO 2

Escoger la fila o columna con la mayor penalización, es decir que de la resta realizada en el
"Paso 1" se debe escoger el número mayor. En caso de haber empate, se debe escoger
arbitrariamente (a juicio personal).

PASO 3

De la fila o columna de mayor penalización determinada en el paso anterior debemos de

escoger la celda con el menor costo, y en esta asignar la mayor cantidad posible de unidades.
Una vez se realiza este paso una oferta o demanda quedará satisfecha por ende se tachará la
fila o columna, en caso de empate solo se tachará 1, la restante quedará con oferta o demanda
igual a cero (0).

PASO 4: DE CICLO Y EXCEPCIONES

- Si queda sin tachar exactamente una fila o columna con cero oferta o demanda, detenerse.

- Si queda sin tachar una fila o columna con oferta o demanda positiva, determine las variables
básicas en la fila o columna con el método de costos mínimos, detenerse.

- Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda, determine las
variables básicas cero por el método del costo mínimo, detenerse.

- Si no se presenta ninguno de los casos anteriores vuelva al paso 1 hasta que las ofertas y las
demandas se hayan agotado.

OBJETIVO

Es reducir al mínimo posible los costos de transporte destinados a satisfacer los

requerimientos totales de demanda y materiales.
CARACTERÍSTICAS

 Al igual que otros métodos de algoritmo de solución básica factible, se debe enviar las
mayores cantidades al mayor costo posible’ este busca enviar las mayores cantidades
a menor costo

 Tienen diferentes orígenes con diferentes destinos.

 Un origen puede abastecer a diferentes destinos.

 Al finalizar el ejercicio la oferta y la demanda deben de ser satisfecha en su totalidad

y/o terminado sus valores en cero.

 La aproximación de Vogel finaliza en costo mínimo.

 Es más elaborado que los anteriores, más técnico y dispendioso.

 Tiene en cuenta los costos, las ofertas y las demandas para hacer las asignaciones.
Generalmente nos deja cerca al óptimo.

VENTAJAS

 Conduce rápidamente a una mejor solución. mediante los cálculos de las llamadas
penalizaciones de fila y columna, los cuales representan el posible coste de
penalización que se obtendría por no asignar unidades a transportar a una
determinada posición.

 Tiene en cuenta en el análisis la diferencia entre los menores costos de transporte,

mediante los cálculos de las llamadas penalizaciones de fila y columna, los cuales
representan el posible coste de penalización que se obtendría por no asignar unidades
a transportar a una determinada posición.

DESVENTAJAS

 No aporta ningún criterio que permita determinar si la solución obtenida por este
método es la mejor (óptima) o no.

 requiere mayores esfuerzos de cálculos que el Método de la esquina noroeste

APLICACIÓN

El modelo se utiliza para ayudar a la toma de decisiones en la realización de actividades como:

control de inventarios, flujo de efectivo, programación de niveles de reservas en prensas entre
otras. Este método es heurístico y suele producir una mejor solución inicial, produce una
solución inicial óptima, o próxima al nivel óptimo.
EJEMPLO 1

Una empresa energética peruana dispone de cuatro plantas de generación para satisfacer la
demanda diaria eléctrica en cuatro ciudades, Arequipa ,Trujillo y Lima. Las plantas 1,2 y 3
pueden satisfacer 12, 14 y 4 millones de KW al día respectivamente. Las necesidades de las
ciudades de Arequipa, Trujillo y Lima son de 9 , 10 y 11 millones de Kw al día respectivamente.

Los costos asociados al envío de suministro energético por cada millón de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla

CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA

PLANTA 1 5 1 8 12

PLANTA 2 2 4 0 14

PLANTA 3 3 6 7 4

DEMANDA 9 10 11 30

CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA PENALIZACION
PLANTA I 5 1 8 12 │5-1│= 4
PLANTA 2 2 4 0 14 │4-0│= 4
PLANTA 3 3 6 7 4 │3-6│= 3
DEMANDA 9 10 11 30
PENALIZACION │2-3│= 1 │1-4│= 3 │0 -7│= 7

CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA PENALIZACION
PLANTA I 5 1 8 12 │5-1│= 4
PLANTA 2 2 4 11 0 3 │4-2│= 2
PLANTA 3 3 6 7 4 │3-6│= 3
DEMANDA 9 10 0 19
PENALIZACION │2-3│= 1 │1-4│= 3

CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA
PLANTA I 5 10 1 8 2
PLANTA 2 2 4 11 0 3
PLANTA 3 3 6 7 4
DEMANDA 9 0 0 9
 CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA
PLANTA I 2 5 10 1 8 0
PLANTA 2 3 2 4 11 0 0
PLANTA 3 4 3 6 7 0
DEMANDA 0 0 0 0

PARA SABER CUÁNTAS CELDAS DEBIMOS HABER LLENADO VAMOS A CALCULAR LA

GRADIENTE

#FILAS + #COLUMNAS – 1

Entonces: 3 + 3 - 1 = 5 celdas ocupadas.

PARA CALCULAR EL COSTO TOTAL DE ENVÍO SE REALIZA LA SIGUIENTE OPERACIÓN:

Z = Unidades asignadas * costos unitarios

Z = 2(5) + 10(1) + 3(2) + 11(0) + 4(3)

Z = 38 es el costo mínimo total de envío

PLANTAS CIUDADES

(ORIGEN) (DESTINO)

1 1

2 2

3 3
INFORME:

La distribución de los artículos a las ciudades para minimizar los costos de transporte se
asignaría de la siguiente manera:

La planta 1 surtiría a la ciudad de Arequipa con 2 millones de kw a un costo mínimo de

transporte de 5$

La planta 1 surtiría a la ciudad de Trujillo con 10 millones de kw a un costo mínimo de

transporte de 1$

La planta 2 surtiría a la ciudad de Arequipa con 3 millones de kw a un costo mínimo de

transporte de 2$

La planta 2 surtiría a la ciudad de Lima con 11 millones de kw a un costo mínimo de transporte

de 0$

La planta 3 surtiría a la ciudad de Arequipa con 4 millones de kw a un costo mínimo de

transporte de 3$. (En este caso la planta 1, 2 y 3 surtieron a la ciudad de Arequipa para cubrir
la demanda de 9 millones de kw ).

SOLUCION DEL PROBLEMA MEDIANTE EL PROGRAMA TORA

METODO DEL COSTO MINIMO

El método del costo mínimo es un procedimiento utilizado para obtener la solución factible
inicial para un problema de transporte. Se utiliza cuando la prioridad es reducir los costos de
distribución de los productos.

El método del costo mínimo busca conseguir el menor costo de transporte entre varios centros
de demanda (los destinos) y varios centros de suministro (las fuentes).

La capacidad de producción u oferta de cada fuente, así como el requerimiento o demanda de

cada destino son conocidos y fijos.

También se conoce el costo de transportar una unidad del producto desde cada fuente hasta
cada destino.

El producto debe ser transportado desde varias fuentes a diferentes destinos de tal manera de
cumplir con la demanda de cada destino y, al mismo tiempo, minimizar el costo total del
transporte.

Se pueden usar otros métodos si la prioridad es el ahorro de tiempo en lugar del ahorro del
costo.

CARACTERÍSTICAS

La asignación óptima de un producto desde diversas fuentes a diferentes destinos se

denomina problema de transporte.

– Los modelos de transporte se ocupan del transporte de un producto fabricado en diferentes

plantas o fábricas (fuentes de suministro) a varios almacenes (destinos de demanda).

– El objetivo es satisfacer los requerimientos de los destinos dentro de las limitaciones de

capacidad de producción de las plantas, al mínimo costo de transporte.

PASOS DEL MÉTODO DEL COSTO MÍNIMO

Paso 1

Se selecciona la celda que contenga el menor costo de transporte de toda la tabla. A esa celda
se le asigna la mayor cantidad posible de unidades. Esta cantidad puede estar limitada por las
restricciones de las ofertas y demandas.

En caso de que varias celdas tengan el menor costo, se seleccionará la celda donde se pueda
realizar la asignación máxima.

Luego se procede a ajustar la oferta y la demanda que está en la fila y columna afectada. Se
ajusta restándole la cantidad asignada a la celda.
Paso 2

Se elimina la fila o columna en la que se haya agotado (sea cero) la oferta o la demanda.

En caso de que ambos valores, oferta y demanda, sean iguales a cero, se puede eliminar
cualquier fila o columna, de forma arbitraria.

Paso 3

Se repiten los pasos anteriores con el siguiente menor costo y se continúa hasta satisfacer toda
la oferta disponible en las diferentes fuentes o toda la demanda de los distintos destinos.

APLICACIONES

– Minimizar los costos de transporte de las fábricas a los almacenes o de los almacenes a las
tiendas minoristas.

– Determinar la ubicación de costo mínimo de una nueva fábrica, almacén u oficina de ventas.

– Determinar el cronograma de producción de costo mínimo que satisfaga la demanda de la

empresa con las limitaciones de producción.

VENTAJAS

Se considera que el método del costo mínimo produce resultados más precisos y óptimos en
comparación con el de la esquina noroeste.

Esto se debe a que el método de la esquina noroeste solo da importancia al requerimiento de

suministro y disponibilidad, con la esquina superior izquierda como la asignación inicial,
independientemente del costo de envío.

Por otro lado, el método del costo mínimo incluye los costos de transporte mientras se
realizan las asignaciones.

– A diferencia del método de la esquina noroeste, este método proporciona una solución
precisa, ya que considera el costo de transporte al realizar la asignación.

– El método del costo mínimo es un método muy simple de usar.

– Es muy sencillo y fácil de calcular la solución óptima con este método.

– El método del costo mínimo es muy fácil de entender.

DESVENTAJAS

– Para obtener la solución óptima se deben seguir ciertas reglas. Sin embargo, el método del
costo mínimo no las sigue paso a paso.

– El método del costo mínimo no sigue ninguna regla sistemática cuando existe un empate en
el costo mínimo.

– El método del costo mínimo permite una selección a través de la observación del personal, lo
que podría crear malentendidos para obtener la solución óptima

No posee la capacidad de aportar ninguna clase de criterio para permitir determinar si la

solución conseguida con este método es o no la más óptima.

– Las cantidades de las ofertas y las demandas son siempre las mismas, ya que no varían con el
tiempo.

– No toma en cuenta otros tipos de factores para asignar, sino solo el de los costos de
transporte.

EJEMPLO 1

Una empresa energética peruana dispone de cuatro plantas de generación para satisfacer la
demanda diaria eléctrica en cuatro ciudades, Arequipa ,Trujillo y Lima. Las plantas 1,2 y 3
pueden satisfacer 12, 14 y 4 millones de KW al día respectivamente. Las necesidades de las
ciudades de Arequipa, Trujillo y Lima son de 9 , 10 y 11 millones de Kw al día respectivamente.

Los costos asociados al envío de suministro energético por cada millón de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla.

CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA

PLANTA I 5 1 8 12

PLANTA 2 2 4 0 14

PLANTA 3 3 6 7 4

DEMANDA 9 10 11 30
 CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA
PLANTA I 5 1 8 12
PLANTA 2 2 4 0 14
PLANTA 3 3 6 7 4
DEMANDA 9 10 11 30

CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA
PLANTA I 5 10 1 8 2
PLANTA 2 2 4 11 0 3
PLANTA 3 3 6 7 4
DEMANDA 9 0 0 9

CIUDADES
AREQUIPA TRUJILLO LIMA OFERTA
PLANTA I 2 5 10 1 8 0
PLANTA 2 3 2 4 11 0 0
PLANTA 3 4 3 6 7 0
DEMANDA 0 0 0 0

CALCULO DEL COSTO TOTAL DEL ENVIO

Z = Unidades asignadas * costos unitarios

Z = 2(5) + 10(1) + 3(2) + 11(0) + 4(3)

Z = 38 es el costo mínimo total de envío

En este caso el método del costo mínimo presenta un costo total igual al
obtenido mediante el método de aproximación de Vogel , sin embargo
comúnmente no es así, además es simple de desarrollar y tiene un mejor
rendimiento en cuanto a resultados respecto al Método de la Esquina
Noroeste.
SOLUCION POR EL METODO DEL COSTO MINIMO EN TORA