INVESTIGACION DE OPERACIONES

FABIO TROCHEZ HERRERA

 Contenido programa

INVESTIGACION DE
ACTIVIDAD CURRICULAR OPERACIONES I
TIPO DE ACTIVIDAD TEORICO PRACTICO
NUMERO DE CRÉDITOS 3
TOTAL HORAS PRESENCIALES SEMANALES 4
TOTAL HORAS TRABAJO INDEPENDIENTE DIRIGIDO 2
TOTAL HORAS TRABAJO INDEPENDIENTE AUTÓNOMO 4
TOTAL DE SEMANAS EN EL SEMESTRE 64

Objetivo General

Al finalizar el curso el estudiante estará en capacidad de construir modelos matemáticos para

facilitar la toma de decisiones en situaciones hipotéticas y reales

Objetivos Específicos

• Identificar situaciones (de estudio y profesionales) en las cuales las técnicas y los modelos
estudiados en el curso sean aplicables.
• Formular los modelos matemáticos correspondientes.
• Solucionarlos utilizando algoritmos manuales y computarizados.
• Interpretar y aplicar las soluciones obtenidas con el uso de los modelos
 Evaluación

Parciales Evaluación Valor Valor corte Porcentaje

porcentual Del corte
Parcial 1 60% 100% 30%

Primer parcial
Talleres, quiz, 40%
trabajos
exposiciones y
otros
Parcial 2 60% 100% 30%

Segundo parcial Talleres, quiz, 40%

trabajos
exposiciones y
otros
Parcial 3 60% 100% 40%

Tercer parcial Talleres, quiz, 40%

trabajos
exposiciones y
proyecto integrador
TOTAL 100%
 Reglas de juego

1. LA CLASE ES CONSTRUIDA POR TODOS-ENRIQUECIMIENTO RECIPROCO

2. Asistencia obligatoria y presencial
3. Prohibido uso de celular, en caso de urgencia informar a profesor
4. En el aula no se come ningún tipo de alimento, no es restaurante
5. Si llega tarde, ingresar en silencio.
6. El día del examen en el puesto solo se encuentra lápiz, borrador, hoja de examen y
calculadora (maletines al frente)
7. Si debe salir antes de clase, favor informar a profesor antes de iniciar clase
8. En caso de copia o fraude se cumple estrictamente lo que contempla el reglamento
estudiantil.
9. Sin break
 Contenido de programa
UNIDAD CONTENIDO

PROGRAMACIÓN LINEAL

Introducción a la investigación de operaciones

Características de los problemas de programación lineal
Definir los diferentes modelos de optimización
Unidad I Plantear de manera algebraica un modelo de programación lineal
Resolver gráficamente problemas de programación lineal de dos variables
Resolver modelos de programación lineal de más de dos variables mediante Solver de Excel
Resolver problemas de programación lineal mediante el método Simplex
Realizar análisis de sensibilidad a partir de los resultados obtenidos en la resolución de problemas de
programación lineal

MODELOS DE TRANSPORTE Y ASIGNACIÓN.

Algoritmos de solución.
Regla de la esquina norte
Método de Stepping Stone
Unidad II
Problemas de trasporte de maximización
Problema de intertransporte
Problema de asignación
El método Húngaro
Problemas de asignación de maximización

TEORIA DE COLAS
CADENAS DE MARKOV

Unidad III
 Introducción
investigación de
operaciones
 Introducción IO

La investigación de operaciones (IO) es la disciplina que enfrenta

un problema concreto, lo divide en pequeñas partes, lo cual facilita
el análisis de cada una de ellas, para obtener un problema
abstracto o, mejor aun, un modelo, todo ello mediante una
investigación del sistema donde ocurre el problema, con el fin de
ofrecer acciones o alternativas de solución.
• Casi siempre se atribuye a los servicios militares prestados a principios de la
Segunda Guerra Mundial.

• Existía una necesidad urgente de asignar recursos escasos a las distintas

operaciones militares de una manera mas efectiva.

• Al terminar la guerra, el éxito de la investigación de operaciones en las

actividades bélicas generó un gran interés en sus aplicaciones fuera del
campo militar como la industria, los negocios y el gobierno.
 Introducción IO

Muchos científicos se reunieron para desarrollar algoritmos de solución a

problemas de Investigación de Operaciones, el método simplex fue uno de los
resultados.

Gran ímpetu en el desarrollo del campo de Investigación de Operaciones por la

facilidad de la resolución de problemas.
 Antecedentes

Antecedentes Primeros intentos de uso detectados:

• Ciencias Económicas. Mediados del siglo XVIII (P Quesnay – 1759) – (K

Walras – 1874).
• Inicio formalmente aceptado: II Guerra Mundial
• En general se acepta como antecedente cualquier intento de uso del
método científico para el proceso de toma de decisiones.
• Revolución Industrial: Paso de talleres artesanales a pequeñas y
medianas empresas.
• Identificación de similitudes entre las operaciones militares y las
“operaciones industriales”
• Rápido desarrollo gracias a la pronta dedicación de grandes grupos de
eminentes científicos
 Naturaleza de la IO
La Investigación de Operaciones intenta encontrar una mejor solución (llamada
solución optima) para el problema bajo consideración, decimos una mejor solución y no
la mejor solución porque pueden existir muchas soluciones que empaten como la
mejor.

Búsqueda de optimalidad

Algoritmo
Naturaleza de la IO
Modelos de IO
MODELOS
 Modelos en investigación de operaciones

Un modelo es una representación aproximada, simplificada y selectiva de

la realidad.

Clasificación de modelos según la naturaleza

• Icónicos.
• Análogos.
• Heurísticos.
• Matemáticos
 MODELOS ICONICOS

• Son representaciones físicas (tangibles, concretas) y

simplificadas de la realidad, construidos con materiales
generalmente diferentes de los reales, con idéntica
apariencia que los objetos reales.

Ejemplos:
Bosquejo, plano urbano, plano arquitectónico, fotografía,
modelo a escala, maqueta, estatua, etc.
 MODELOS ANÁLOGOS

Son representaciones concretas y simplificadas de la realidad,

descritas con variables de diferente naturaleza a las variables reales
llamadas variables análogas, las cuales se interaccionan de un modo
idéntico que las variables reales.

Ejemplos:
Códigos de señales, solución de problemas mecánicos mediante la
operación con circuitos eléctricos, etc.
 MODELOS HEURISTICOS

Con el fin de resolver problemas complicados con

eficiencia, en ocasiones es necesario comprometer
algunos requisitos de optimalidad y construir una estructura
de control que no garantice encontrar la mejor respuesta
pero que casi siempre encuentre una buena solución.
De esta forma, surge la idea de heurística. La palabra
heurística viene de la palabra griega heuriken que significa
“descubrir”.
 Modelos matemáticos

Son representaciones abstractas y simplificadas de la

realidad, que emplean sólo símbolos y expresiones
matemáticas tales como variables analíticas para
describir los diversos factores de la realidad,
inecuaciones para establecer las diversas
interrelaciones entre estos factores, y funciones
matemáticas para medir el nivel del éxito obtenido al
tomar una cualquiera de las decisiones para resolver
el problema.
 PRINCIPIOS

• No debe elaborarse un modelo complicado cuando uno simple

es suficiente.
• El problema no debe ajustarse al modelo o método de
solución.
• Los modelos deben validarse antes de suimplantación.
• Nunca debe pensarse que el modelo es el sistema real.
• No venda un modelo como la perfección máxima.
• Un modelo es tan bueno o tan malo como la información con la
que trabaja.
• Los modelos no pueden reemplazar al tomador de
decisiones
PROGRAMACION LINEAL
 Programación lineal

La programación lineal, es un procedimiento matemático

que ayuda asignar de manera optima los recursos
escasos, consta de una o mas funciones objetivo, un
conjunto de restricciones y una restricción de no
negatividad.
Esta herramienta es una técnica de modelo matemático
diseñada para optimizar el empleo de los recursos
limitados. Se aplica con éxito en el ejercito, agricultura,
industria, transporte, economía, sistemas de salud e
incluso en las ciencias sociales.
 Programación lineal

Los modelos de programación lineal son normativos y

poseen tres conjuntos básicos de elementos

1. Variables de decisión
2. Función objetivo (maximizar y/o minimizar)
3. Conjunto de restricciones
≤ (como máximo, a lo sumo, solamente)
≥ (como mínimo, al menos, por lo menos, cuando menos,
solamente)
= (igualdad)
 Programación lineal

variables de decisión: son las cantidades desconocidas

que deben determinarse en la solución de un problema
cuyo modelo se plantea. Un ejemplo para definir una
variable de decisión podría ser la cantidad de un
determinado producto que debe fabricarse en una
operación de producción que involucra diversos productos
a partir de un mismo recurso básico.
 Programación lineal
Función objetivo: define la eficiencia del modelo en
función de las variables de decisión. Por ejemplo, si el
objetivo deber definir la maximización de utilidad, ingresos,
producción, o minimizar costos, horas, MOD.

Restricciones: para incluir las limitaciones que restringe

las variables de decisión que consumirán valores
permisibles en el modelo
 Programación lineal
Restricciones estructurales
Son diferentes requisitos que debe cumplir cualquier
solución para que pueda llevarse a cabo. En cierta
manera son las limitantes en los valores de los niveles
de las diferentes actividades (variables). Las
restricciones más comunes son:
Restricciones de capacidad: Limitan el valor de las
variables debido a la disponibilidad de horas hombre,
horas-máquina, espacio, etc.
Restricciones de mercado: Surgen de los valores
máximos y/o mínimos de la demanda o el uso del
producto o actividad a realizar.
 Programación lineal

Restricciones de entradas: Son limitantes debido a la

escasez de materias primas, mano de obra, dinero, etc.

Restricciones de calidad: Son las restricciones que

limitan las mezclas de ingredientes, definiendo
usualmente la calidad de los artículos a manufacturar,
mezcla de ingredientes, etc

Restricciones de balance de materiales: Estos son las

restricciones que definen las salidas de un proceso en
función de las entradas, tomando en cuenta
generalmente cierto porcentaje de merma o desperdicio.
 Programación lineal

Suponga que un carpintero tiene duda en cuanto a la cantidad

de mesas y sillas que le conviene fabricar a fin de maximizar
las utilidades generadas por cada producto en función de los
recursos con los cuales dispone actualmente:
Qué preguntas le harías de inicio?
 Programación lineal

Información: Tres preguntas básicas

 La utilidad por cada producto fabricado
 Los recursos disponibles
 El consumo de recurso por cada producto
Programación lineal
 Problema de camiones

Una empresa constructora dispone de dos tipos de camiones

C1 y C2. Se quiere transportar 100 toneladas de arena a una
obra. Sabiendo que dispone de 6 camiones tipo C1 con
capacidad para 15 toneladas y con un costo de $400.000
pesos por viaje y de 10 camiones tipo C2 con una capacidad
de 5 toneladas y con un coste de $300.000 pesos por viaje.
¿Cuál es el número posible de camiones que debe usar para
que el coste sea mínimo?.
En surtifruver de la Sabana hay 800 kg de naranjas,
800 kg de manzanas y 500 kg de plátanos. Para su
venta se hacen dos lotes (A y B). El lote A contiene 1
kg de naranjas, 2 kg de manzanas y 1 kg de plátanos;
el lote B se compone de 2 kg de naranjas, 1 kg de
manzanas y 1 kg de plátanos. El beneficio por
kilogramo que se obtiene con el lote A es de $12.000.
y con el lote B de 14.000. Determinar el número de
kilogramo de cada tipo para conseguir beneficios
máximos.
Suponga que usted cuenta con $1.000.000.000 para invertir en tres
opciones: (a) bono del banco GNB sudameris que ofrecen una
rentabilidad del 13%anual; (b) certificados de depósito a término fijo del
banco AV Villas que ofrecen un rendimiento del 7% anual; (c) acciones
de Ecopetrol que rinden el 10%anual. Cuál debe ser el valor que debe
invertir en cada uno de los títulos para obtener la máxima rentabilidad,
sabiendo que: la inversión en bonos del GNB no pueden sobrepasar el
60% del total de la inversión. La inversión en acciones de Ecopetrol
debe ser superior al 20% del total de la inversión y no debe sobrepasar
el 40% de la inversión en bonos del GNB. El inversionista desea invertir
todo su capital
METODO GRAFICO
El método grafico se utiliza para solucionara problemas de programación lineal mediante
representación geométrica de las restricciones, condiciones técnicas y objetivos. El modelo
puede resolverse en forma grafica si solo posee dos variables en el caso de modelos con tres
variables, resulta impráctico o imposible de aplicar

Los pasos básicos que se deben seguir para resolver un problema lineal por medio del método
grafico son los siguientes.
1. Después de elaborar el modelo correspondiente, el siguiente paso consiste en determinar
el conjunto de soluciones de cada una de las restricciones, propósito que se logra mediante
la traficación de cada una en el plano cartesiano.
2. Identificar la región factible, esto es, intersección del conjunto solución de cada una de las
restricciones.
3. Marcar los puntos que intersectan en la frontera de la región factible
4. Marcar los puntos que intersecan en la frontera de la región factible
METODO SIMPLEX
 Método simplex

George Dantzing, el padre de la programación lineal, elaboro el método a finales

de la década de1940 que permite resolver un problema lineal sin necesidad de
analizar de manera explicita el valor de la función objetivo en cada punto
extremo. Esta herramienta se conoce como método símplex.

Considerando el modelo lineal en la forma conocida, el cual después de añadir

variables de holgura puede llevarse a la forma estándar, deben ponerse tantas
variables de holgura como restricciones exista en cada problema, y se asigna
una variables de holgura denominada Sn en cada restricción:
 MODELO MATEMATICO
Variable de
holgura

Max Z = Cxi + Cxj Max Z = -Cxi - Cxj

Sujeto a: Sujeto a:
Xi+ xj - S1 = b1
Xi+ xj ≥ b1
Xi + xj + S2 = b2
Xi + xj ≤ b2 Xi , xj , S1 , S2 ≥ 0
Xi , xj ≥ 0
 EJEMPLO

Suponga que usted produce galletas y que gana $6 por cada galleta cuadrada y $5
por cada galleta redonda. El modelo del problema se resume a continuación
Observe que x1 es el numero de galletas cuadradas y x2 de galletas redondas unido
a la ganancia de cada galleta

Max Z = 6 x1 = + 5 x2
Sujeto a
x1 + x2 ≤ 9
x1 - x2 ≥ 1
x1 , x2 ≥ 0
Para resolver este problema, en primer lugar debemos convertir la
función objetivo a la forma estándar.
¿Cómo se lleva a cabo esta tarea?
 Método símplex

La función objetivo Max Z = 6 x1 + 5 x2 deberá cambiar de signo, si son valores

negativos, función objetivo tomará valores positivos; y si son valores positivos,
la función objetivo asumirá valores negativos, según sea el caso. Así, tenemos

Max Z = - 6 x1 - 5 x2 note el cambio de signo de positivo a negativo

Continuemos ahora con las restricciones. La primera restricción

x1 + x2 ≤ 9 debe convertirse a la forma estándar, el valor de x1 y x2
no cambia. Por lo tanto , queda x1 + x2 = 9, pero tenemos que
quitar la desigualdad agregando una variable de holgura, la cual
llamamos s1, tarea que se debe repetir con cada restricción; si la
desigualdad de la restricción es ≤, la variable de holgura tomara
un signo positivo, es decir, se suma a la restricción y queda de la
siguiente forma:
x1 + x2 + s1 = 9
 Método símplex

Ahora en el caso de la segunda restricción, la variable de holgura asumirá un valor

negativo ya que la desigualdad es ≥ y queda de la siguiente forma

x1 - x2 - s1 = 1
Conversión final del modelo a la forma estándar

Forma original forma estándar

Max Z = 6 x1 = + 5 x2 Max Z = -6 x1 - 5 x2

Sujeto a Sujeto a
x1 + x2 ≤ 9 x 1 + x 2 + s1 = 9
x1 - x2 ≥ 1 x 1 - x 2 - s1 = 1
x1 , x2 ≥ 0 x 1 , x 2 , s1 , s2 ≥ 0
 Conversión del modelo a la
forma estándar

El siguiente paso es introducir los valores del modelo de la forma estándar a la

tabla símplex

Nombre que x1 x2 s1 s2 Solución

se les da
Restricción 1 S1 1 1 1 0 9
Restricción 2
s2 1 -1 0 -1 1

Z -6 -5 0 0 0

Ya con los valores en la tabla se debe resolver este problema de acuerdo a los
siguientes pasos.
 Paso 1. Elegir el Valor de Z mas
negativo

El valor de Z que se elija indicara la columna que se debe y se llamará columna

pivote o columna de entrada. En la siguiente tabla símplex se muestra como se
llevó a cabo este paso.
Columna de entrada o pivote

x1 x2 s1 s2 Solución

S1 1 1 1 0 9

s2 1 -1 0 -1 1

Z -6 -5 0 0 0

Más negativo

En la tabla anterior puede observarse que x1 es la variable de entrada

 Paso 2: variable de salida

Se determina la variable de salida mediante la división de la columna solución de

la restricciones entre la columna pivote o de entrada. Recuerde que este
procedimiento solo se aplica a las restricciones, no a la función objetivo Z.

x1 x2 s1 s2 Solución
9÷1
S1 1 1 1 0 9

x1 x2 s1 s2 Solución
1÷1
s2 1 -1 0 -1 1

Observe que los resultados son 9 y 1, por lo que se elige el valor positivo mas
pequeño sin tomar en cuenta valores negativos
 Paso 2: variable de salida

x1 x2 s1 s2 Solución

S1 1 1 1 0 9

s2 1 -1 0 -1 1

Z -6 -5 0 0 0

Aquí se observa que s2 es la variable que debe salir y la que entra es x1

Paso 3: Pivote Pivote

x1
1

s2 1 -1 0 -1 1

-6
 Paso 4: dividiendo el pivote

Es muy importante que el pivote tome el valor 1, si este no tiene dicho valor,
conviértalo a 1 dividendo todo el reglón entre el valor pivote.
En este caso el pivote ya es 1; por lo tanto, el reglón queda igual

Paso 5: Valores en cero

Hacer ceros los demás valores de la columna de entrada o pivote cambiado
solo el nombre de la restricción de s1 a x1 Columna de
entrada o pivote

x1 x2 s1 s2 Solución x1
S1 1 1 1 0 9 S1 1

x1 1 -1 0 -1 1 x1 1
Z -6 -5 0 0 0 Z -6

Note el cambio del pivote Convertirlos en

nombre de la variable ceros
 Paso 5: Valores en cero

En el primer termino, se tiene que multiplicar el reglón x1 por el inverso del valor
que se hará cero y sumarlo al renglón que desea convertirse; es decir, si
queremos hacer cero a 1, multiplicamos al reglón x1 por -1, que es el inverso de
1 y el resultado se lo sumamos a s1

x1 x2 s1 s2 Solución

S1 0 2 1 1 8

x1 1 -1 0 -1 1

Z 0 -11 0 -6 6

Nota que ya son ceros

 Paso 6 valores negativos regrese
a paso 1
Si en el renglón de Z aun existen valores negativos, regrese al paso 1, hasta
que el renglón Z no tenga valores negativos.
Como en el renglón Z todavía tiene valores negativos, regresamos al paso 1, el
cual indica que se tiene que elegir el mayor valor negativo. En este caso, se
tienen 2 valores, -11 y -6, y el valor que elegimos es el -11
x1 x2 s1 s2 Solución
8÷2
S1 0 2 1 1 8

x1 1 -1 0 -1 1
1÷-1
Z 0 -11 0 -6 6

nueva columna de
entrada o Pivote
 Paso 6 valores negativos regrese
a paso 1

Luego de reunir toda la información se obtiene la siguiente tabla simplex

x1 x2 s1 s2 Solución

S2 0 2 1 1 8

x1 1 1 1 0 9

Z 0 1 6 0 54

Como se puede observar esta tabla simplex no incluye valores negativos en Z, lo cual indica que el problema ha
sido resuelto
Cuando no aparece una de las variables básicas (x1 , x2) en la tabla simplex final, se supone que es igual a cero.
METODO TRANSPORTE Y ASIGNACION
 MODELO DE TRANSPORTE

El modelo de transporte es una clase especial de

programación lineal que aborda la situación en la
cual se envía un bien desde los puntos de origen
(por ejemplo fabricas) hasta los puntos destino
(bodegas). El objetivo es determinar la cantidad
que se envían desde el punto de origen hasta cada
punto de destino que minimicen el costo total del
envío y que, al mismo tiempo, satisfagan tanto los
limites de la oferta como los requisitos de la
demanda.
 Figura origen – destino

C11 X11
a1 1
1 b1

a2
b2
2
2

am
bn
m n
Cmn Xmn

oferta
Demanda
El modelo supone que el costo de envió por una ruta
especifica es directamente proporcional al numero de
unidades enviadas (por esa ruta). En general, el modelo de
transporte puede ampliarse a otras áreas, entre ellas el
control de inventarios, horarios de empleo y asignación de
personal.
De la grafica anterior se deduce que:

Xij = cantidad enviada

Cij = Costo

La función objetivo se obtiene de la siguiente forma

Min Z = C11 X11 + C12 X12 +……..+ Cij Xij

 Ejemplo
Una fábrica de autos cuenta con 3 plantas, una en Chía, otra en Manizales y
otra en Medellín. También posee 2 centros de distribución principales, uno en
Pereira y otro en Bogotá . Las capacidades de producción de las 3 plantas
durante el próximo trimestre son de 2 000, 2 400 y 3 000 automóviles, mientras
que la demanda durante el mismo periodo de los 2 centros de distribución será
de 4.600 y 2.800 automóviles.
La tabla proporciona la distancia en kilómetros que existe entre las plantas y
los centros de distribución.

Origen - Destino Pereira (Km) Bogotá(km)

Chia 2000 5380
Manizales 2500 2700
Medellin 2550 1700
La compañía encargada del transporte de los automóviles cobra 0,16
dólares por kilómetro por auto. Para obtener el costo de envío por cada
ruta, debe multiplicarse la distancia por el costo de transporte que, en
este caso, será de 0,16 dólares por kilómetro.
Origen - Destino Pereira (Km) Bogotá(km)
Chía 2000 x 0,16 5380 x 0,16
Manizales 2500 x 0,16 2700 x 0,16
Medellín 2550 x0,16 1700 x 0,16

Origen - Destino Pereira ($) Bogotá($)

Chia 320 860.8
Manizales 400 432
Medellin 408 272
 1 320X11 1
Chía Pereira
860X12

400X21
2
Manizales 432X22

2
408X31 Bogotá

3 272X32
Medellín
 Modelo matemático
Formas de enviar automóviles desde la fábrica hasta los puntos de venta

Sea Xij = Numero de automóviles del origen i al destino j

Donde:
i = Origen 1- Chía, 2- Manizales 3- Medellín
j = Destino 1-Pereira, 2- Bogotá

Origen - Destino Pereira ($) Bogotá($) Oferta

Chía 320 860.8 2.000
Manizales 400 432 2.400
Medellín 408 272 3.000
Demanda 4.600 2.800 7.400

Oferta = Demanda
Modelo matemático
Una empresa energética colombiana dispone de cuatro plantas de
generación para satisfacer la demanda diaria eléctrica en cuatro
ciudades, Cali, Bogotá, Medellín y Barranquilla. Las plantas 1,2,3 y 4
pueden satisfacer 80, 30, 60 y 45 millones de KW al día
respectivamente. Las necesidades de las ciudades de Cali, Bogotá,
Medellín y Barranquilla son de 70, 40, 70 y 35 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.

Formule un modelo de programación lineal que permita satisfacer

las necesidades de todas las ciudades al tiempo que minimice los
costos asociados al transporte.
 Solución
variables de manera algebraica Xij donde i simboliza a la planta y j simboliza las ciudades. En este
caso i define el conjunto {Planta 1, Planta 2, Planta 3 y Planta 4}, y j define el conjunto {Cali, Bogotá,
Medellín y Barranquilla}. Sin embargo es práctico renombrar cada fuente y destino por un número
respectivo, por ende la variable
X1,2 corresponde a la cantidad de millones de KW enviados diariamente de la Planta 1 a la ciudad
de Bogotá.
Función objetivo
METODO ESQUINA NOROESTE
El método de la esquina de noroeste empieza en el cuadro (ruta ) de la esquina
noroeste de la tabla simplex (variable X11)

Pasos para aplicar el método de esquina noroeste

Paso 1: asigne tanto como sea posible al cuadro seleccionado y ajuste las
cantidades asociadas de oferta y demanda; luego reste la cantidad asignada
Paso 2: tache el renglón o la columna con cero oferta o de demanda para indicar
que no puede hacerse asignaciones adicionales en ese renglón o columna. Si tanto
el renglón como la columna , de manera simultanea, dan cero tache solo uno de
ellos y de una oferta o demanda de cero en el renglón o columna no tachado.
Paso 3: si queda sin tachar un renglón o una columna, deténgase; de lo contrario
avance al siguiente cuadro la derecha si acaba de tachar una columna o al inferior
si ha tachado un renglón. Regrese al paso uno.
La empresa Bucanero ubicada en el valle de cauca posee
tres granjas de pollos (A, B, C) con una oferta de 120,130
y 250 pollo cada una, que deben cubrir la demanda de tres
asaderos de pollo. (1,2,3) que asciende a 150,130 y 220
pollos respectivamente.

Los costos de envío de la granja A hacia los asaderos 1,2,3

son de 10,15 y 18 pesos por pollo; los de la granja B son
de 1,5,3 pesos y de la granja C son de 7,11,9 pesos,
respectivamente por pollo. Elabore el modelo de
programación lineal con la esquina del noroeste
METODO VOGEL
El método Vogel es una versión mejorada del costo menor que por lo regular
produce mejores soluciones iniciales.

Pasos
Paso 1: En el caso de cada renglón o columna con una oferta o una demanda
estrictamente positiva, determine una medida de penalidad restando el elemento
del costo por unidad mas bajo del renglón o columna del siguiente elemento de
menor costo.
Paso 2: identifique el renglón o columna con penalidad mas grande y asígnele
tanto como sea posible a la variable con el costo as bajo, ajuste la oferta y
demanda, tache el renglón o columna satisfechos; si se satisfacen de manera
simultanea un renglón y una columna, solo se tacha uno de ellos.
Paso 3: si queda un renglón o una columna sin tachar con cero oferta y cero
demanda, deténgase. Si queda sin tachar un renglón o una columna con una
oferta o demanda positiva, precises las variables básicas del renglón o columna
por el método del costo mínimo de lo contrario regrese al paso 1.