Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Usualmente en cada problema podemos inferir que nos dan 3 tipos de datos:
EJEMPLOS
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
= 2150
= 2550
= 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
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
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
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
sujeto a
𝑦1 + 2𝑦2 ≥ 5
2𝑦1 − 𝑦2 ≥ 12
𝑦1 + 3𝑦2 ≥ 4
𝑚𝑎𝑥 𝑍 = 𝑐 𝑇 𝑥
sujeto a
𝐴𝑥 ≤ 𝑏
𝑥 ≥ 0
𝑚𝑖𝑛 𝐺 = 𝑏 𝑇 𝑦
sujeto a
𝐴𝑇 𝑦 ≥ 𝑐
𝑦 ≥ 0
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.
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:
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
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).
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
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.
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:
...
x1,..., xn ≥ 0
El modelo debe cumplir las siguientes condiciones:
3. Todas las variables (xi) deben tener valor positivo o nulo (condición de no
negatividad).
Hay que adaptar el problema modelado a la forma estándar para poder aplicar el algoritmo del
Simplex.
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).
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:
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:
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.
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.
≥ - 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).
Tabla
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
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.
● 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:
Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0
■ x pasa a ser X1
■ y pasa a ser X2
≥ - 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
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.
7. Actualizar la tabla.
Los nuevos coeficientes de la tabla se calculan de la siguiente manera:
Anterior fila P4 42 2 3 0 1 0
- - - - - -
x x x x x x
= = = = = =
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.
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
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.
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.
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.
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
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:
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
- 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
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
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.
DESVENTAJAS
No aporta ningún criterio que permita determinar si la solución obtenida por este
método es la mejor (óptima) o no.
APLICACIÓN
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
#FILAS + #COLUMNAS – 1
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:
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).
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
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.
VENTAJAS
Se considera que el método del costo mínimo produce resultados más precisos y óptimos en
comparación con el de la esquina noroeste.
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.
– 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
– 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
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