Max. ó Mín.

Z = Ct X


A X = b
Min. Z


X  0

X11 + X12 + . . . + X1n B

X21 + X22 + . . . + X2n
. . . .
. . . .
X = . . . .   Cij Xij
A 4 4 10
Xm1 + Xm2 + . . . + Xmn
2 3 1
6 5 3

1
 PRESENTACION

El presente trabajo, mejorado y actualizado a las anteriores ediciones, es el resultado de los

años de labor docente, desarrollada en la Facultad de Ciencias Económicas, Administrativas y
Contables; Escuela de Formación Profesional de Administración de Empresas de la Universidad
Nacional de San Cristóbal de Huamanga.

El contenido de este trabajo es producto de la compilación teórica y empírica permanente,

como parte de la exigencia y respuesta a los procedimientos modernos de enseñanza universitaria;
en cuanto a las estrategias didácticas más adecuadas, que realmente produzca los resultados
educativos esperados, como base de una formación profesional integral de los estudiantes de
Administración.

En esa perspectiva, utilizamos ejemplos básicos como elemento principal para la

fundamentación de las diferentes técnicas de métodos cuantitativos buscando proporcionar una
cobertura equilibrada de la formulación de modelos, los cálculos y la teoría.

El trabajo está organizado en 11 capítulos: investigación de operaciones en la toma de

decisiones, programación lineal, dualidad, modelos de transporte, modelos de asignación,
programación, teoría de juegos, cadenas de Markov, teoría de líneas de espera, modelos y
simulación.

Desde ahora, agradecemos la aceptación, las observaciones, opiniones, críticas, sugerencias

que nos hagan llegar, tanto de parte del estudiantado, de los colegas, como de las personas que
tuvieran la oportunidad de leerla este pequeño instrumento didáctico, para ir mejorando y
consolidando las posteriores publicaciones.

E. ORE G.

2
 INDICE

PRESENTACIÓN Pág.

INDICE

TEMA I: INVESTIGACION DE OPERACIONES EN LA TOMA DE DECISIONES

1.1. Métodos Cuantitativos 01

1.2 Investigación de Operaciones 01
Investigación 01
Operaciones 01
Investigación de Operaciones 02
1.3 Arte y Ciencia de Investigación de Operaciones 02
1.4 Proceso de Construcción de Investigación de Operaciones 03
1.5 Ventajas y Desventajas de Cálculo 04
1.6 Fases de Estudio de Investigación de Operaciones 04
1.7 Investigación de Operaciones en la Toma de Decisiones 05
Toma de Decisión 05
Proceso de la Toma de Decisión 06

TEMA II: PROGRAMACIÓN LINEAL

2.1 Introducción 10
2.2 Modelo de Programación Lineal 10
2.3 Proceso de Solución de un Programa Lineal 11
2.4 Formas de Presentación de Modelos de Programación Lineal 16
Forma Canónica 17
Forma Estandarizada 17
Forma Mixta 18
2.5 Transformación de un Programa Lineal de una Forma a Otra 18
2,6 Características del Modelo de Programación Lineal 22
2.7 Solución de un Programa Lineal 24
Método Gráfico o Geométrico 24
Método Algebraico 28
Método Matricial 32
Método Simplex 35

TEMA III: DUALIDAD

3.1 Programación Dual 40

Definición 40
Reglas Básicas de Transformación 42
Interpretación Económica 45

TEMA IV: MODELOS DE TRANSPORTE

4.1 Introducción 47
4.2 Modelos de Transporte 47
Formulación del Problema 47
Planteamiento del Problema 48
Métodos de Solución 49
Esquina Noreste 45
Matriz Mínima 50
Vogel 50
Russell 52

TEMA V: MODELOS DE ASIGNACIÓN

5.1 Problemas de Asignación 54

Formulación del Problema 54
Método de Solución 54

3
TEMA VI: PROGRMACION DINAMICA

6.1 Programación Dinámica 59

Problemas y Soluciones 59

TEMA VII: TEORIA DE JUEGOS

7.1 Definición 64
7.2 Forma Explícita del Juego 64
7.3 Juego de Suma Cero Entre e Personas. Estrategia Pura 64
7.4 Juego de Suma Cero Entre 2 personas; Estrategia Mixta 65

TEMA VIII: CADENAS DE MARKOV

8.1 Modelos de Markov 67

Problemas y Soluciones 67

TEMA IX: TEORIA DE LINEAS DE ESPERA

9.1 Introducción 70
9.2 Conceptos 70
9.3 Componentes Básicos 71
9.4 Características a Estudiar 71

TEMA X: MODELOS

10.1 Conceptos 75
10.2 Clasificación Según la Forma de su Presentación 75
10.3 Clasificación de los Modelos Según su Estructura 75

TEMA XI: SIMULACIÓN

11.1 Conceptos 79
11.2 Ejemplos de Aplicación 79

BIBLIOGRAFIA

4
 TEMA I

INVESTIGACIÓN DE OPERACIONES EN LA
TOMA DE DECISIONES

1.1 METODOS CUANTITATIVOS

En el actual contexto de globalización y competitividad, las empresas mercantiles que

tienen una visión de desarrollo y crecimiento buscan impactos espectaculares de rentabilidad y
las técnicas empleados para poder lograr éstos son interesantes e ingeniosas, especialmente
relacionados a la toma de decisión gerencial.

En consecuencia, los métodos cuantitativos son una disciplina; conjunto de conocimiento

y técnicas matemáticas con fundamento científico, que intenta ayudar en la toma de decisiones;
los métodos cuantitativos sólo brindan un análisis y recomendaciones como insumo para los
gerentes tomadores de decisión final, mediante la aplicación de un enfoque científico;
matemáticas – computación – economía, etc., a problemas administrativos que involucran
factores cuantitativos; cantidad de producción, ingresos, costos, cantidad de recursos
necesarios, etc.

Un equipo de métodos cuantitativos seguirá los siguientes pasos para poder realizar una
investigación sistemática.

Formular un modelo Desarrollar un

Definir el problema y matemático para procedimiento de
recolectar datos representar el solución
problema

Aplicar el modelo y
Ayudar a implementar formular Probar el modelo y
las recomendaciones recomendaciones refinarlo

Fuente: Elaboración propio

1.2 INVESTIGACIÓN DE OPERACIONES

1.2.1 INVESTIGACIÓN

Actitud mental que incluye la aplicación de método científico (planteamiento del

problema, formulación de hipótesis y contrastación de la hipótesis) y de los métodos
matemáticos, con el objeto final de poner de manifiesto relaciones significativas y leyes
universales y sociales, respecto al hombre y su ambiente.

1.2.2 OPERACIÓN

Acción o conjunto de acciones mediante el cual un agente económico manifiesta su

participación en la vida económica.

5
1.2.3 INVESTIGACIÓN DE OPERACIONES

a. INTRODUCCIÓN. - En los últimos cincuenta años ha aumentado mucho la escala y

complejidad de las organizaciones humanas. En el gobierno nacional e internacional,
en los negocios, en las tácticas de guerra, en el desarrollo y la investigación, en la
educación y prácticamente en todos los sistemas creados por el hombre, la
organización se ha hecho más compleja. El incremento en la complejidad de los
sistemas ha venido acompañado inevitablemente por un correspondiente aumento del
número y de la dificultad de los problemas de dirección. Cuando hay que controlar
grandes cantidades de capital y numerosos trabajadores son afectados por todas las
decisiones de planes de acción, es esencial cometer los mínimos errores posibles en la
organización.

Para ayudar a los gobiernos y a los directores a hacer frente al problema de

toma decisiones, y para darles todas las posibilidades de mantener sus organizaciones
a unos niveles altos de eficacia, se han desarrollado, y se están desarrollando, unos
métodos objetivos para estudiar sistemas. Una colección de teorías y técnicas
utilizadas para construir modelos de sistemas y para manejarlos y analizarlos ha
derivado el final de la guerra de 1939-45 hacia una ciencia organizada llamada
investigación de operaciones.

La nueva ciencia saca ideas de la mayoría de las otras ciencias, pero se apoya
fundamentalmente en métodos matemáticos; en realidad muchas ramas nuevas e
importantes de matemáticas aplicadas han surgido de los estudios de distintos
sistemas de negocios. Y se han descubierto o desarrollado muchas herramientas
matemáticas para obtener soluciones de problemas sobre ellos.

En la actualidad, específicamente en el mundo de los negocios, se toman

decisiones programadas para resolver muchos problemas dentro de las políticas
empresariales, como también decisiones no programadas en la actividad misma de la
empresa. Así desde la 2da. Guerra Mundial se introdujeron técnicas matemáticas en la
solución de problemas militares, a partir de entonces, hoy en día se utilizan fórmulas
matemáticas en todo proceso decisional relacionado con la actividad empresarial.

b. INVESTIGACIÓN DE OPERACIONES: DEFINICIONES.

• En términos generales, se puede decir que la Investigación Operativa, es un intento

de aplicar métodos científicos a sistemas complejos. Quiere reemplazar los métodos
viejos de dirección con la “regla de dedos”, por técnicas objetivas de decisión que
se basan en métodos firmes cuantitativos de análisis de sistemas.

• En otras palabras, no es otra cosa que la aplicación del método científico a

situaciones problemáticas empresariales, como el análisis de las operaciones de un
sistema (empresa). Los problemas tratados por investigación de operaciones son
mucho más amplios que aquellos susceptibles de ser resueltos por otras técnicas
decisionales. La investigación de operaciones exige que el sistema (el problema
empresarial) sea representado como un modelo matemático y resuelto mediante una
serie de ecuaciones iterativas.

• Es el empleo de modelos matemáticos para reflejar las variables y restricciones en

una situación y su efecto sobre la meta seleccionada; aplicación del método

6
 científico a un problema, con miras a proporcionar una base cuantitativa para llegar
a una solución óptima, en términos de las metas buscadas.

1.3 ARTE Y CIENCIA DE INVESTIGACIÓN DE OPERACIONES

La Investigación de Operaciones implica o inspira a determinar el mejor curso de

acción en la toma de decisiones en prever o resolver un problema empresarial, referente
básicamente en el uso óptimo de los recursos escasos o limitados. Principalmente consiste en
resolver un problema que en construir y resolver modelos matemáticos. Se deja constancia que
existen factores intangibles como problemas empresariales que no se pueden traducirse en
modelos matemáticos, por tanto, la investigación operaciones no podrá aplicarse en la solución
de este tipo de problemas. La parte de la ciencia encontramos en los procedimientos de
solución en la que se emplea el método, las técnicas y algoritmos matemáticos, siguiendo el
método científico.

Es un arte, en cuanto que el éxito depende de la creatividad, la habilidad y la visión de

los responsables de la investigación de operaciones, en la recabación, sistematización,
implementación, aplicación y evaluación del problema y el modelo matemático a desarrollarse.
En este caso, el modelo de decisión es igual a identificarla, resumirla, evaluarla y resolverla
sistemáticamente.

1.4 PROCESO DE CONSTRUCCIÓN DE INVESTIGACIÓN DE OPERACIONES

a. Construcción del modelo. - Ya sea simple o complejo, un modelo es una representación

que idealiza, simplifica y abstrae selectivamente la realidad, y esta representación es
construida por individuos. Por desgracia, no hay reglas fáciles o métodos automáticos para
la construcción de modelos.

En el ambiente de los negocios, la creación y construcción de modelos cuantitativos

incluye la especificación de iteraciones entre muchas variables. Con el objeto de lograr esta
“cuantificación”, el modelo debe formularse en lenguaje matemático. En la complejidad de
los problemas del mundo real existen varios “caminos” para construir un modelo. Se pueden
destinar diferentes modelos a una misma situación.

El proceso de construcción de un modelo cuantitativo de decisión se divide en tres

etapas:

- Estudio del medio ambiente: Consiste en analizar el ambiente, identificar el problema

real, factores, conflictos, divergencias, etc. que puede estar o afectarán la decisión.

- Formulación o representación selectiva de la realidad: Implica un análisis conceptual en el

que se deben hacer conjeturas y simplificaciones. Requiere que el constructor del
problema seleccione o aísle del ambiente aquellos aspectos de la realidad que sean
relevantes dentro del ámbito del problema. Una vez que se ha realizado la formulación
lógica (que puede ser verbal) se debe elaborar una forma simbólica matemático del
modelo. Ejemplo, las relaciones de la distancia, el tiempo y la aceleración debida a la
gravedad se representa en la proposición matemática de:

D = ga²/2

7
 - Construcción simbólica: Las interacciones entre la formulación y la construcción
simbólica por lo común son críticas. Por ejemplo, la formulación de un modelo de
planeación de una empresa puede implicar una decisión de tiempo de 3, 5 o 10 años en el
futuro. Como también puede involucrar muchas inconveniencias; modelos demasiado
complejos, datos requeridos no existan, las técnicas existentes requieren aplicaciones a
largo plazo, el costo es demasiado caro, etc. Por tanto, es necesario conocer la teoría, el
desarrollo de modelos, desarrollo de algoritmos, como herramientas o técnicas para la
solución de problemas de investigación de operaciones. Es necesario ser un administrador
científico con participación multidisciplinaria.

b. Solución de dicho modelo; mediante:

- Programación lineal: Es un modelo matemático con las siguientes propiedades:

. Existencia de una función objetivo lineal que va a ser maximizada o minimizada.

. Existencia de restricciones lineales, que son desiguales matemáticamente (ya sean , =,
)
. Existencia de decisiones no negativas.

- Programación entera: Es un modelo de programación matemática que representa

condiciones de integralidad; condiciones que estipulan que algunas o todas las variables
de decisión deben tener valores enteros.

- Programación dinámica: Se ocupa de tomar una sucesión de decisiones interrelacionadas.

Esta técnica se ejemplifica mediante un taller cuya carga de trabajo está sujeta a
fluctuaciones considerables según la temporada. Pero es difícil contratar a los operadores
de las máquinas y es costoso entrenarlos, por lo que el gerente se resiste a despedir a los
trabajadores durante las temporadas flojas. Por otro lado, no quiere mantener la nómina
de la temporada alta cuando no es necesario. Aún más, se opone definitivamente a pagar
horas extras en forma sistemática. Como todo el trabajo se hace sobre pedido, no es
posible mantener un inventario durante la temporada baja. De este modo, el gerente se
encuentra en un dilema respecto a la política que debe seguir en relación con el nivel de
empleados. Se dispone de estimaciones respecto a los requerimientos de mano de obra
durante las cuatro temporadas del año en un futuro cercano y no se permitirá que sea
menor que estas estimaciones. Tener un número mayor de empleados se considera
desperdicio. Se conocen los salarios y los costos de contratación y despido. Suponiendo
que se pueden contratar algunos empleados de tiempo parcial, es decir, que se permiten
niveles fraccionales de empleados, se debe determinar el número de trabajadores para
cada temporada que minimice el costo total.

- Programación no lineal: Consiste en encontrar:

X = (X1, X2, ... , Xn) para

Maximizar F(x),

Sujeta a gi(x)  bi, i = 1, 2, ... , m

y X0

Leyenda: n donde f(x) y las gi(x) son funciones dadas de n

variables de decisión

8
 - Modelo matemático (Función objetivo - restricciones - variables de decisión): comprende;
análisis de redes – PERT – CPM. Programación dinámica. Teoría de juegos.
Programación entera. Programación no lineal.

- Simulación (modelos básicos que implican relaciones y soluciones lógicas): Consiste en

construir un recurso experimental que “actúe como” el sistema de interés en algunos
aspectos importantes. Por ejemplo:

. Prueba de medicinas en animales de laboratorio. En este caso, las respuestas del animal
simulan las respuestas de los humanos.
. Manejar automóviles en pistas de prueba. Aquí, la pista de pruebas simula el ambiente
que enfrentará el automóvil.
. Comprobar diseños de alas de aviones en túneles de viento. El túnel de viento simula las
condiciones de vuelo.

1.5.- VENTAJAS Y DESVENTAJAS DE CÁLCULO

a. Simulación:

- Seguridad de resultados definitivos

- Cálculos comúnmente voluminosos
- Consumen mucho tiempo

b. Modelos Matemáticos:

- Por lo común es de naturaleza iteractiva. Cada nueva iteración acerca a la solución

óptima.
- La solución óptima no suele estar disponible en forma cerrada
- Dificultad: no todos poseen algoritmos de solución óptima:
. Existe límite superior finito para el número de interacciones, pero donde la complejidad
del modelo puede hacer imposible idear un algoritmo de solución.

c. Método Heurístico:

- Basada en reglas y métodos prácticos. Más sencillo de explicar

- Implican un menor número de cálculos
- Suelen emplearse para:

1.6.- FASES DE UN ESTUDIO DE INVESTIGACIÓN DE OPERACIONES

Como toda buena toma de decisión debe considerar, en las diferentes etapas del
proceso de investigación de operaciones, a todos los miembros de la organización directamente
implicados en el problema, ejecución e implementación de los modelos de solución. En base a
ello debe seguirse los siguientes pasos:

a. Definición del Problema

- Descripción de la meta o el objetivo del estudio

- Identificación de las alternativas de decisión del sistema
- Reconocimiento de las limitaciones, restricciones y requisitos del sistema

9
 b. Construcción del Modelo

- Dependiendo de la complejidad y la naturaleza del sistema, especificar las expresiones

cuantitativas para el objetivo y las restricciones de las variables de decisión, y a base de
ello se puede escoger las posibilidades de:

. Modelo matemático.
. Modelo de Simulación.
. Modelo Heurístico.
. Modelo Matemático - Simulación - Heurístico.

c. Solución del Modelo

- Usando técnicas de optimización bien definidos, en el paso anterior

- Analizando la sensibilidad de comportamiento cambiante de parámetros establecidos
- Estudiando el comportamiento de la solución óptima en los entornos estimados.

d. Validación del Modelo

- Cuando dé una predicción confiable del funcionamiento del sistema.

- Cuando la eficiencia es mejor comparativamente con el pasado
- Cuando en condiciones similares puede reproducir el pasado del sistema.
- No existe seguridad de que el funcionamiento futuro del sistema continuará
duplicando su historia.
- Cuando es posible la implementación de los resultados finales
- Cuando es posible la traducción de los resultados en instrucciones de operación
detallada, mediante la cooperación del equipo "integral".

1.7 INVESTIGACIÓN DE OPERACIONES EN LA TOMA DE DECISIONES

1.7.1 TOMA DE DECISIÓN

a. La Toma de decisión implica identificar y seleccionar un curso de acción para tratar un

problema concreto o aprovechar una oportunidad.
b. Es la selección entre varias alternativas de un curso de acción; selección racional de un
curso de acción.
c. Tomar decisión es parte de un proceso que permite encaminarse al logro óptimo de los
objetivos de la empresa y que incluye las siguientes etapas: Definición del problema,
Análisis o evaluación del problema, Desarrollo de alternativas de solución, Selección
de la decisión, Ejecución de la decisión y Retroalimentación.

1.7.2. PROCESO DE LA TOMA DE DECISIÓN

Definición Análisis o Desarrollo

del evaluación del de
problema problema alternativas
de solución
Selección
Retroalimen- Ejecución
tación de la de la
decisión decisión
Fuente: Sisk y Mario Sverdlik. Pp. 163

10
a. Definición del problema

Es una actividad que asume(n) un(os) individuo (s) para resolver tensiones
creadas por una situación que trastorna o impide su curso normal de una actividad. Es
un error común en el diagnóstico de situaciones problemáticas el confundir síntomas
obvios, generalmente aquellas características que atraen la atención, con el problema en
sí. Pobres decisiones son muchas veces, soluciones correctas a problemas erróneos, y
son consideradas pobres porque no contribuyen a las metas establecidas. Por ejemplo,
costos de producción excesivamente altos pueden ser atribuidos a demasiada mano de
obra, pero un excesivo número de trabajadores es sólo un síntoma, no una causa. La
causa puede ser pobre diseño de producto, pobre programación o excesivas
paralizaciones de la producción por defectos del equipo y la maquinaria.

Asimismo, un volumen de ventas insatisfactorio puede ser resultado de factores,

tales como: vendedores incompetentes, precios de venta excesivamente altos, canales
de distribución inadecuados o pobre calidad de producto. No es fácil diferenciar entre
síntoma y causa-problema. Una buena manera de ubicarse tras el síntoma y el problema
mismo es preguntándose ¿Por qué? ¿Por qué el personal está molesto?, ¿Por qué los
costos de producción son altos?, ¿Por qué el volumen de ventas es bajo? Este enfoque
envuelve, usualmente, un listado de todas las posibles causas y consume considerable
tiempo y esfuerzo; pero, aun así, es mejor que resolver el problema erróneamente.

También resulta útil formularse la pregunta siguiente: ¿Provee la solución del

problema, tal como se le ha diagnosticado, un medio efectivo para lograr los fines u
objetivos deseados?

b. Análisis o evaluación del problema

Cuando el problema haya sido debidamente definido y exista una certeza

razonable de que su solución satisfactoria provee un medio para lograr un fin deseado,
es necesario analizar la información disponible. A primera vista, pereciera que este
paso implica la recopilación y análisis de hechos y elementos de juicio que no tenemos
a mano, al presente; una presunción que, la mayor parte de las veces es correcta; sin
embargo, hay, por lo menos, dos clases de problemas que no requieren información
adicional para su correcta solución.

Primero están aquellos problemas que claramente caen dentro del marco de las
políticas vigentes. Uno de los principales propósitos del establecimiento de políticas es
proveer un curso de acción predeterminado; en efecto, una solución para una multitud
de problemas similares. Un director de personal, cuando es llamado a decidir si debe o
no acceder a la solicitud de un empleado de retiro anticipado, tiene lista una respuesta,
que la cuestión es apropiadamente definida, y se determina que cae dentro de la órbita
de la política de retiros de la compañía. La segunda clase de problemas que no
requieren de obtención de información adicional consiste en aquellos problemas que
caen dentro del alcance de la experiencia del tomador de la decisión. Este puede poseer,
como consecuencia de experiencias y entrenamientos anteriores, la información y las
concepciones basadas en hechos, necesarias para resolver la situación y tomar una
decisión.

Para aquellas situaciones que no caen dentro del marco de políticas establecidas
o dentro del marco de las pasadas experiencias, es necesario obtener información
adicional, mediante un proceso de “indagación de hechos”.

11
 c. Desarrollo de soluciones alternas

Habiendo definido el problema y analizada la información disponible, el

tomador de decisiones está listo ya para tercer paso, el desarrollo de cursos alternos de
acción.

El desarrollo de alternativas es considerado, generalmente, como el paso central

del proceso decisional, porque es precisamente durante su transcurso que surgen las
soluciones creativas u originales a los problemas o situaciones planteadas.

Además, este paso implica, para el caso específico del curso de Métodos
Cuantitativos:

- El uso de cierto criterio de valor o medida de utilidad

- El valor determinado recibe el nombre de función utilidad o función objetivo

Ejemplo 1: Un problema relacionado con las ventas de una empresa puede tener
múltiples factores por estudiar, como, por ejemplo:

Z1 = Ganancia de compañía por semana

Z2 = Volumen de ventas por semana

Z3 = Nivel de satisfacción de los clientes

Z4 = Nivel de satisfacción de los trabajadores

Z5 = Nivel de satisfacción de los proveedores

Z6 = Pérdidas de la compañía por semana, etc.

Ejemplo 2: Un problema empresarial (“X”) cualquiera implica un conjunto de

alternativas de solución, con diferentes posibilidades de valor de
decisión, o valor alternativo, como los siguientes:

Alternativas Valor de decisión Z Valor de decisión Z2

A1 Z1 A1 = V1 Z2 A1 = U1
A2 Z1 A2 = V2 Z2 A2 = U2
“X” A3 Z1 A3 = V3 Z2 A3 = U3
... ... ... ... ...
... ... ... ... ...
... ... ... ... ...

An Z1 An = Vn Z2 An = Un

Entonces, la solución consiste en hallar el valor máximo o mínimo del

conjunto de valores V1, V2, ... , Vn y U1, U2, ... , Un, dependiendo del tipo de
problema lineal de que se trate, para luego identificar la mejor alternativa:

12
 - Supongamos: Z1, se trata de la ganancia que una compañía obtiene, la
determinación del valor de decisión implicaría buscar Vj de máxima
ganancia.
- Si Z2, fuera horas extras hombre/trabajo. Entonces, la decisión implicaría
buscar Ui que produzca el mínimo horas extras hombre/trabajo.

d. Decisión optima

La selección de una decisión es el proceso de escoger entre dos o más

alternativas posibles. El número y calidad de las opciones disponibles dependen del
grado de productividad y originalidad empleado en la tercera etapa, la fase
desarrolladora.

En la realidad no hay decisiones buenas o malas en un sentido absoluto. La

decisión óptima es igual a "mejor decisión" desde el punto de vista del criterio de
decisión. Es decir, es aquella que produce el mejor valor máximo o mínimo de la
función de utilidad.

A la maximización o minimización de una función objetivo se denomina

optimización, que equivale a una decisión de escoger la mejor alternativa (s) que
optimiza la función objetivo preespecificado.

Optimización, es un término que se usa indistintamente para indicar la

maximización o minimización de una función. Por ejemplo, la optimización de una
función de costos consiste en minimizar dicha función. La optimización de una función
de ganancias consiste en maximizar la función de ganancias.

Dado, un problema, la determinación de la decisión óptima es equivalente a la

determinación de la alternativa o conjunto de alternativas que optimizan a cierta
función de utilidad preespecificada. Es decir, que podría ocurrir que dos o más
alternativas son igualmente deseables por cuanto optimizan cierta función de utilidad.
En la práctica determinar decisión óptima puede ser difícil para Z 1 A2 y Z2 A3,
porque existen criterios múltiples de decisión y generalmente se opta por la
combinación de alternativas.

Ejemplo:
Decisión óptima global 1d1 + 2d2 + ... + n dn;
i = Coeficiente de ponderación del criterio d1
di = Decisión óptima según el criterio i
i = 1, 2, ..., n
n = número de criterio de decisión

n
 i = 1
i=1

Muchas veces existen dificultades atribuibles a la naturaleza del problema,

donde para cierto tipo de problemas no es posible hallar la solución óptima, por tanto,
es necesario probar diferentes alternativas o cursos de acción hasta obtener alguna que
sea satisfactoria.

13
Ejemplo: Sí;

a. Criterio de decisión = Función objetivo

Z1 No. Huelgas
Z2 Utilidad de la empresa
Z3 Automatización de los cálculos

b. Matriz de decisión

Valor de Valor de Valor de

Alternativa decisión decisión decisión
Z1 Z2 Z3
A1 Z1 (A1) = 10 Z2 (A1) = 95 Z3 (A1) = 55
A2 Z1 (A2) = 9 Z2 (A2) = 75 Z3 (A2) = 85
A3 Z1 (A3) = 25 Z2 (A3) = 15 Z3 (A3) = 15
A4 Z1 (A4) = 15 Z2 (A4) = 20 Z3 (A4) = 15
A5 Z1 (A5) = 7 Z2 (A5) = 115 Z3 (A5) = 85
A6 Z1 (A6) = 11 Z2 (A6) = 65 Z3 (A6) = 15

c. ¿Cuáles es la decisión óptima según los criterios Z1, Z2 y Z3?

Respuesta:

Según Z1; A5 = 7 (que es el valor menor de todas la Z1)

Según Z2; A5 = 115 (que es el valor más alto de la Z2)
Según Z3; A2 ó A5 = 85 (que es el valor más alto de la Z3)

14
 TEMA II

PROGRAMACIÓN LINEAL

2.1. INTRODUCCIÓN

La programación lineal es una técnica de modelado matemático, diseñada para

optimizar el empleo de recursos limitados. Se aplica exitosamente a muchas situaciones de la
empresa, industria, ciencias conductuales y en los asuntos económicos-sociales de un País,
implican la maximización o la minimización, de algunos recursos sujetos a ciertas
restricciones.

Por ejemplo, un hombre de negocios quiere maximizar sus beneficios, pero está
restringido por la cantidad de maquinaria y el número de empleados que tiene, por el capital
que puede invertir y por otros muchos factores de tipo económico. Este tipo de ejemplos se
llama problemas de optimización. En ciertas circunstancias la cantidad maximizada o
minimizada y todas las restricciones impuestas, será expresada en términos de una ecuación o
desigualdad lineal.

2.2. MODELO DE PROGRAMACIÓN LINEAL

Es una técnica de optimización que maximiza o minimiza la función lineal o la función

objetivo sujeta a una serie de restricciones lineales. El criterio de optimización es por lo
general un objetivo económico, por ejemplo, maximizar un beneficio o minimizar un costo y
por esta razón recibe el nombre de función económica o función objetiva.

a. El Modelo General de Programa Lineal Tiene las Formas Siguientes:

a.1 Forma expandida

Máx. Z ó Mín. Z = C1 X1 + C2 X2 + . . . + Cn Xn (*)

Sujeto a restricciones

Hora/máquina A11 X1 + A12 X2 + . . . + A1n Xn  b1

Hora/hombre A21 X1 + A22 X2 + . . . + A2n Xn = b2

... ... ... ... .
... ... ... ... . (**)
... ... ... ... .

Cantidad/recurso Am1X1 + Am2X2 + . . . + AmnXn  bj

Xj  0 (***)

Donde :

- Aij, Bj y Cj son valores conocidos.

15
 - El problema consiste en hallar los valores de las Xj que optimice F.O. = Z,
sujeto a restricciones.
- Las Xj son las variables de decisión
- j = 1, 2, ... , m

(*) = Función objetivo

(**) = Restricciones estructurales
(***) = Restricción de no negatividad de las variables de decisión

a.2 Forma compacta de enunciar un programa lineal:

Max. ó Mín. Z =  Cij Xj


S.A.  Aij Xj = bi ; i = 1, 2, ..., m; X  0


b. Forma compacta matricial:

Max. ó Mín. Z = Ct X


A X = b


X  0

Donde:
C1 X1 A11 A12 . . . A1n b1
C2 X2 A21 A22 . . . A2n b2
C= . X = . A= . . . b= .
. . . . . .
. . . . . .
Cn Xn Am1 Am2 Amn bm

Leyenda:
C y X = Vector columna de n componentes
B = Vector columna de m componentes
A = Matriz de orden m x n

2.3. PROCESO DE SOLUCIÓN DE UN PROGRAMA LINEAL

La solución de un problema lineal implica 2 aspectos básicos; identificarla y formularla

con relación a su causa (s) y no en función a síntomas para que sea factible la investigación,
para lo cual deben existir las siguientes condiciones:

16
a. Un individuo ( I ) presto a resolver el problema en un medio ambiente ( M ) adecuado
b. El I debe tener cuando menos 2 posibles cursos de acción ( S1, S2, ... )
c. Debe existir, cuando menos 2 resultados posible ( R1, R2 )
d. Los cursos de acción conduzcan a un solo objetivo ( O ), es decir no existen ( O 1, O2. O3 )

i) P (Ri = Oi / I, Si, M ); Probabilidad de Oi ocurra si I selecciona la alternativa Si en M

ii) P (R1 = O1/ I, S1, M )  P ( R1 = O2/I, S2, M )

- Existe complejidad en formulación de un P. L.:

1. Un problema afecta a grupos de individuos, por tanto, deben ser considerado aquellas
personas que serán implicadas ya sea en la formulación, ejecución y evaluación de un
programa lineal.
2. En una época de avance cibernético del conocimiento, tecnología, la ciencia, etc. el
medio ambiente (M) cambia en cuanto a los cursos de acción a seguir y a los valores de
los resultados, en consecuencia, deben ser previstas, estos cambios, en todo el proceso
de programación lineal.
3. Para un problema empresarial existen cursos alternativos muy variados y muy grandes,
la eficiencia de un problema lineal dependerá de la experiencia, el nivel de dominio,
capacidad de identificación y sistematización del problema, entre otras cosas más del
tomador de decisiones referente a programación lineal.
4. Igualmente pueden haber objetivos muy amplios que no garantizan la consistencia del
modelo, es preciso determinar los objetivos específicos para cada tipo de problema.
5. Los cursos de acción seleccionados son ejecutados por diferentes personas, quienes
deberían conocer las fortalezas, oportunidades, las debilidades y las amenazas que
conlleva tomar la decisión en cada curso de acción.
6. Generará diferentes reacciones en aquellas personas que no intervienen en la
formulación y ejecución quienes son afectadas favorablemente o desfavorablemente.

Pasos:
• La formulación del modelo consiste en determinar el valor de los coeficientes A ij, Bj, Cj y
expresar el problema en una de las formas del modelo lineal.
• Para formular el modelo es necesario estudiar el sistema tomando en cuenta los objetivos
que se persigue alcanzar. Generalmente, es necesario asumir que el sistema satisface ciertas
restricciones para que pueda ser modelado mediante un programa lineal.

Ejemplo 1:

Un fabricante de muebles hace dos tipos de sillas, tipo A y tipo B. Cada silla A
requiere 8 horas de trabajo-hombre (1 hombre trabajando 8 horas, 2 hombres trabajando 4
horas, etc.). La silla B necesita 5 horas-hombre. Los materiales para el tipo A cuestan 4$ y
los de tipo B 5$. El beneficio que se obtiene haciendo la silla A es de 1¾ $ y el beneficio de
la silla B 1½ $. El fabricante enfrenta las siguientes restricciones:

- Un contrato para fabricar 15 sillas tipo A como mínimo y 10 tipo B por semana,
- Sólo se pueden trabajar 320 horas-hombre por semana.
- El costo total del material por semana, para todas las sillas producidas, no deberá
sobrepasar los 200 $.

17
 SOLUCIÓN

El fabricante tendrá que decidir cuántas sillas del tipo A y cuántas del tipo B
producirá por semana. Estos números serán las incógnitas del problema y usaremos las letras
Xi para designarlas. Considerando los datos en el orden dado, se puede plantear las
siguientes expresiones

Expresiones Explicación

i) 8X1 + 5X2 (horas-hombre) Total de horas-hombre para fabricar las sillas

ii) 4X1 + 5X2 (dólares) Coste total de materiales
iii) 1¾ + 1½ X2 (dólares) Beneficio total que se desea obtener.

Consideremos ahora las restricciones impuestas por los contratos, horas-hombre y

materiales disponibles, expresadas en forma de desigualdades. Además, X 1 y X2 están
sometidos a otra restricción natural. El conjunto de desigualdades restrictivas es el siguiente:

Desigualdades Explicación

Restricción i) X1  15 15 sillas para poder cumplir el contrato

Restricción ii) X2  10 10 sillas para poder cumplir el contrato
Restricción iii) 8X1 + 5X2  320 Sólo se trabaja 320 horas-hombre/S
Restricción iv) 4X1 + 5X2  200 Costo de material menor a 200 $
Restricción v) X1 y X2  0 Son enteros positivos

Finalmente, el problema lineal queda de la siguiente manera:

Max. Z = 7/4 X1 + 3/2 X2

S.a. X1  15
X2  10
8X1 + 5X2  320
4X1 + 5X2  200
 Xi  0

Ejemplo 2

El Sr. Juan Pérez, propietario de una pequeña fábrica de materiales de construcción,

produce tubos de cemento de 8 y de 12, para ello utiliza cemento, arena y agua. La
disponibilidad máxima de cemento es de 10 bolsas diarias; la arena 50 carretillas diarias y
agua de 10 m3 diarias. La necesidad de materia prima por unidad de producto es:

- para 8 : cemento ........ 1.5 bolsas

arena ............. 2 carretillas
agua ............... 1.5m3

- para 12 cemento.......... 2 bolsas

arena.............. 3 carretillas
agua............... 1.5 m3

18
- Si el precio de venta de cada tubo es S/. 15.00 y S/. 25.00, respectivamente. ¿Cuántos tubos
de cada medida debe producir el Sr. Juan Pérez todos los días para maximizar su ingreso
bruto?

SOLUCIÓN

1.- Construcción del Modelo Matemático:

1.1 Responder a las Interrogantes:

a. ¿Qué busca determinar el modelo?

Rpta. La cantidad de tubos a producir en un día

b. ¿Qué restricciones deben suponerse a las variables a fin de satisfacer las

limitaciones?

Rpta. El uso adecuado de: Cemento, arena y agua

c. ¿Cuál es el objetivo?

Rpta. Determinar la cantidad óptima de tubos que maximice

el ingreso del Sr. Juan Pérez diariamente.

1.2. Identificación de las Variables:

Si se fabrican 2 tipos de productos, existirán:

Producto 1 = P1 P1 = X1 = unidades del tubo de 8

Producto 2 = P2 P2 = X2 = unidades del tubo de 12

1.3. Formulación de la Función Objetivo:

Sí el precio de venta de X1 = S/. 15 y de X2 = S/. 25; utilizamos la siguiente fórmula:

Ingreso total = P1Q1 + P2Q2 + . . . + XnQ n ; donde Pi = Precio de venta

; donde Ci = Costo de producción

Costo Total = C1Q1 + C2Q2 + . . . + CnQn

Ingreso Total = P1X1 + P2X2 ; donde PiXi = Precio x Cantidad, es decir:

Z = 15X1 + 25X2

Como se trata de Ingresos: Max. Z = 15X1 + 25X2

19
 1.4. Formulación de las Restricciones:

- Tenemos que tener en cuenta la cantidad a insumir y la disponibilidad máxima de

cada recurso que se van a utilizar en cada producto:

Uso de materias primas Disponibilidad de materias

Prod. 1 Prod. 2  primas

Cemento 1.5X1 + 2X2  10

Arena 2X1 + 3X2  50
Agua 1.5X1 + 1.5X2  10

(*) X1, X2  0

(*) Cómo no va existir productos negativos, entonces: X1 y X2 deben tomar valores

 a cero

1.5. Resumen del programa lineal matemático:

Max. Z = 15X1 + 25X2

S. A. 1.5X1 + 2X2  10
2X1 + 3X2  50
1.5X1 + 1.5X2  10

 Xi  0

Ejemplo 3

Una firma industrial elabora dos productos, en los cuales entran cuatro componentes
en cada uno. Hay una determinada disponibilidad de cada componente y un beneficio por
cada producto. Se desea hallar la cantidad de cada artículo que debe fabricarse, con el fin de
maximizar los beneficios.

El siguiente cuadro resume los coeficientes de transformación de cada componente

que entra en cada producto.

Producto Disponibilidad Kgr.

P1 P2
Componente
A 3 4 3,000
B 2 3 4,000
C 4 2 6,000
D 2 4 8,000
Beneficio 40 60

Ejemplo 4
Se hace un pedido a una papelería de 800 rollos de papel corrugado de 30 pulgadas
de ancho, 500 rollos de 45 pulgadas de ancho, y 1,000 rollos de 50 pulgadas. Si la papelería

20
 tiene solamente rollo de 108 pulgadas de ancho. Cómo deben cortarse los rollos para surtir
el pedido con el mínimo desperdicio de papel, sabiendo que el máximo desperdicio
aceptable de papel por rollo es de 22 pulgadas.

Ejemplo 5

Aero Perú está considerando la probabilidad de adquirir aviones de pasajeros en el

mercado mundial: USA, Inglaterra y Japón.
El costo del Avión USA. Es de $ 6.7 millones, el avión inglés $ 5 millones y el avión
japonés $ 3.5 millones. El directorio de dicha empresa ha autorizado la compra de aviones
por el valor de $ 150 millones.

Los administradores del Aero Perú han calculado que cualquiera que sea el tipo.
Avión USA de mayor capacidad proporcionará una utilidad neta de $ 420, 000 anuales, el
avión inglés una utilidad de $ 300,000 y el avión japonés una utilidad de $ 230,000 anuales.
Por otro lado, se conoce que la fuerza Aérea Peruana sólo le podría proporcionar 30 pilotos
debidamente entrenados.

Si sólo se adquiriesen los aviones más pequeños, los servicios de reparación y

servicio con que cuenta la empresa solamente podrán mantener en operación una máxima de
40 unidades, sabiendo que mantener un avión inglés requiere 1,1/3 más que el avión japonés
y que el avión USA requiere 1,2/3 más que el japonés.

Determinar el número de cada tipo de avión que se debe comprar para maximizar las
utilidades.

Ejemplo 6

Un contratista está considerando una propuesta para la pavimentación de una vía. Las
especificaciones requieren un espesor mínimo de 12 pulgadas y un máximo de 48 pulgadas.
La vía debe ser pavimentada en concreto, asfalto, o gravilla, o cualquier combinación de los
tres. Cada pulgada de espesor por yarda cuadrada de concreto le cuesta S/. 1,000, el asfalto
S/. 3,000 y la gravilla S/. 1,500. Determinar la combinación de materiales que se debería
usar para minimizar su costo.

Ejemplo 7

Un granjero puede criar ovejas, cerdos y ganado vacuno. Tiene espacio para 30
ovejas, ó 50 cerdos, ó 20 cabezas de ganado vacuno, ó cualquier combinación de estos (con
la relación siguiente), 3 ovejas y 5 cerdos o 3 ovejas y 2 vacas usan el mismo espacio. Los
beneficios dados por animal son S/. 50, S/. 80 y S/. 200 por oveja, cerdo y vacuno,
respectivamente. El granjero debe criar por ley, al menos tantos cerdos como ovejas y vacas
juntas.

Ejemplo 8

La Municipalidad Provincial de Huamanga estudia la factibilidad de introducir un

sistema de autobuses de tránsito masivo que aliviaría el problema de transporte público,

21
 reduciendo el tránsito en la ciudad. El estudio inicial busca determinar el número mínimo de
autobuses que pueden mejorar las necesidades de transporte. Después de recolectar
información necesaria, el ingeniero municipal advierte que el número mínimo de autobuses
que se necesita para cubrir la demanda fluctúa con la hora del día. Estudiando los datos más
a fondo, descubrió que el número necesario de autobuses se puede suponer constante en
intervalos sucesivos de 4 horas cada uno.

La figura adjunta presenta un resumen de los hallazgos del ingeniero. Se decidió que,
para facilitar la transportación, cada autobús podía operar sólo 8 horas sucesivas al día.
Número de autobuses

12

10

8 7

4 4

horas del día

12 4 8 12 4 8 12
a.m día. M. noche
Inicio.

Ejemplo 9

Una compañía produce tornillos y clavos. La materia prima para los tornillos cuesta
S/. 2 por unidad, mientras que la materia prima para cada clavo cuesta S/. 2.5. un clavo
requiere 2 horas de mano de obra en el Dpto I y 3 horas en el Dpto II, mientras que un
tornillo requiere 4 horas en el Dpto I y 2 horas en el Dpto II. El jornal por hora en ambos
Dptos es de S/. 2. Si ambos productos se vendiesen a S/. 18, y el número de horas de mano
de obra disponible por semana en los Dptos son de 160 y 180 respectivamente. Expresar el
programa propuesto como un programa lineal, tal que se maximicen las utilidades.

2.4. FORMAS DE PRESENTACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

Un P. L. Puede ser expresada en diferentes maneras según la forma de f. O. y las

restricciones, tales como:

- Cuando se trate de ganancias, beneficios, utilidades la F. O. será de tipo Maximización con

el signo restriccional de “menor o igual que” ().
- Cuando se trate de costos, horas extras, pérdidas, desperdicios, etc. la F. O. será de tipo
minimización con el signo restriccional de “mayor o igual que” ( ).
- En muchos sistemas es necesario incluir restricciones estructurales con signos combinatorios
de (  ) (= ) (  ).

22
 Ejemplos:

a. Max. Z = C1X1 + C2X2 + . . . + CnXn b. Min. Z = C1X1 + C2X2 + . . . + CnXn

s.a. A11X1 + A12X2 + . . . + AnXn  b1 s.a. A11X1 + A12X2 + . . . + AnXn  b1

A21X1 + A22X2 + . . . + A2nXn  b2 A21X1 + A22X2 + . . . + A2nXn  b2

. . ... . . . . ... . .
. . ... . . . . ... . .
. . ... . . . . ... . .
Am1X1 + Am2X2 + . . . + AmnXn  bm Am1X1 + Am2X2 + . . . + AmnXn  bm

 Xi  0  Xi  0
c. Max. ó Min. Z = C1X1 + C2X2 + . . . + CnXn
s.a. A11X1 + A12X2 + . . . + AnXn  b1

A21X1 + A22X2 + . . . + A2nXn = b2

. . ... . .
. . ... . .
. . ... . .
Am1X1 + Am2X2 + . . . + AmnXn  bm

 Xi  0

2.4.1. FORMA CANÓNICA DE UN PROGRAMA LINEAL

- En forma canónica la función objetivo es de tipo Maximización.

- Las restricciones estructurales de la forma canónica son exclusivamente de tipo ( ).
- Las variables de decisión solamente admiten ( Xi  0).

a. Expresión esparcida:

Max. Z = C1X1 + C2X2 + . . . + CnXn

s.a. A11X1 + A12X2 + . . . + AnXn  b1

A21X1 + A22X2 + . . . + A2nXn  b2

. . ... . .
. . ... . .
. . ... . .
Am1X1 + Am2X2 + . . . + AmnXn  bm

 Xi  0

b. Forma compacta:

Max. Z = Ct X
s.a. AX  b

X0

23
2.4.2. FORMA ESTANDARIZADA DE UN PROGRAMA LINEAL

- En forma estandarizada la función objetivo es de tipo Maximización

- Las restricciones estructurales son exclusivamente de tipo ( A ijXj = bi )
- Las variables de decisión solamente admiten (  Xi  0)
a. Forma expandida:

Max. Z = C1X1 + C2X2 + . . . + CnXn

s.a. A11X1 + A12X2 + . . . + AnXn = b1

A21X1 + A22X2 + . . . + A2nXn = b2

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

Am1X1 + Am2X2 + . . . +AmnXn = bm

 Xi  0

b. Forma compacta:

Max. Z = Ct X
s.a. AX = b
X 0

2.4.3. FORMA MIXTA DE UN PROGRAMA LINEAL

- En forma mixta la función objetivo es de tipo Maximización o Minimización.

- Las restricciones estructurales admiten (AijXj  bi ) ó ( AijXj  bi).
- Las variables de decisión solamente admiten ( Xi  0).

a. Forma expandida:

Max. ó Min. Z = C1X1 + C2X2 + . . . + CnXn

s.a. A11X1 + A12X2 + . . . + AnXn  b1

A21X1 + A22X2 + . . . + A2nXn  b2

. . ... . .
. . ... . .
. . ... . .
Am1X1 + Am2X2 +. . . + AmnXn = bm

 Xi  0

24
 b. Forma compacta:

Max. Z = Ct X
s.a.

AX = b


X 0

2.5. TRANSFORMACIÓN DE UN P. L. DE UNA FORMA A OTRA

- Algunas formas de expresar de un Programa Lineal son más convenientes que otras para
ciertos propósitos.
- Ejemplo; se usa con frecuencia la forma canónica para realizar estudios conceptuales de
Programación Lineal.
- Pero, la forma estandarizada de un Programa Lineal tiene la particular importancia para
hallar la solución de un programa lineal mediante métodos analíticos.

Teorema 1 Un Programa Lineal expresado en forma estandarizada o en forma mixta

puede ser transformado a la forma canónica y viceversa.

Demostración:

a. Transformación a la forma canónica

a. Max. Z = Ct X o Min Z = Ct X

s.a. AX  b

X 0

a.1. Transformación de la función Objetivo

Supongamos que la función objetivo de cierto programa lineal es Min. V = CtX

Sea C = -d Min. V = Min (-dt X) = Max dt X = Max -Ct X

Note que realmente, Min (-dt X)  Max (dt X), sino a -Max (dt X)

25
 V

F(x)

w = Min F(x) Xi
X

-W = Máx -F(x) Xi

- F(x)

Ejemplo: Min. Z = 20X1 + 50X2  Máx. V = -20X1 - 50X2

a.2. Transformación de las variables estructurales de un P. L.

i) Restricciones de tipo ( ), como la expresión:

a11X1 + a12X2 + a13X3 + ... + a1nXn  b1

Si se multiplica por (-1) ambos miembros de la ecuación, queda:

-a11X1 - a12X2 - a13 X3 - ... - a1nXn  - b1

ii) Restricciones de Tipo (=) estricta, como la expresión:

a11X1 + a12X2 + a13X3 + ... + a1nXn = b1

Implica dos combinaciones por el signo irrestriccional de (=):

a. a11X1 + a12X2 + a13X3 + ... + a1nXn  b1 que debe ser convertida en ()

b. -a11X1 - a12X2 - a13 X3 - ... - a1nXn  - b1, que debe ser multiplicado por (-)

Quedando:
a11X1 + a12X2 + a13X3 + ... + a1nXn  b1

Ejemplo: Max. Z = 20X1 + 50X2 Max. Z = 20X1 + 50X2

X1 + 10X2  100 -X1 - 10X2  - 100

8X1 + 15X2 = 150 -8X1 - 15X2  - 150
 Xi  0 8X1 + 15X2  150
 Xi  0

26
a.3. Condiciones de No Negatividad

- Un Programa Lineal en forma canónica solo admite  Xi  0

- Entonces que ocurre si Xn - 1 ó Xn = 1 no restringido a  0

Teroma 2 El programa (  ) es un programa lineal equivalente a (  ) en forma

canónica.

Max Z = Ct X

S.a. AX  b
()
X1, X2, , Xn  0

Xm + 1, Xm + 2, ..., Xn Sin restricciones

Cumpliendo esas condiciones de no negatividad, el programa se convierte a la
forma siguiente:

- Esa variable Xm+i irrestriccional puede suponerse cualquier Xj, entonces, ésta
tiene que convertirse a la forma de no negatividad de la siguiente manera:

Xj = X'j - X"j , cumpliéndose

X'j  0; X"j  0, y donde j = m + 1, m + 2, ..., n

- Al final el programa quedaría expresado de la forma:

Max. Z = C1X1 + C2X2 + ... + Cn Xn +  Cj (X’j - X"j )

S.a. a11X1 + a12X2 + ... + a1nXn +  aijX'j - aijX"j  b1

( ) Donde:
i = 1, 2, ..., m

X1, X2, ...,  0; X'j  0, X"j  0

j = s + 1, s + 2, ..., n

Ejemplo: Expresar el siguiente programa en forma canónica

Max Z = 5X1 + 4X2

s.a. X1 + X2  1000

4X1 + 5X2  3000

X1  0, X2 sin restricción

27
 SOLUCIÓN

Sea X2 = X'2 - X"2, donde X'2  0, X"2  0

Entonces el programa dado se expresa como sigue:

Max.Z = 5X1 + 4X'2 - 4X"2

s.a. X1 + X'2 - X"2  1000

4X1 + 5X'2 - 5X"2  3000

X1, X'2, X"2  0

En consecuencia, cualquier programa lineal puede ser expresado en forma

canónica.

b. Transformación de la Forma Canónica a la forma estandarizada

Una restricción del tipo "menor o igual que" ( ) puede ser transformada en una
restricción del tipo "igual que" (=) agregando una variable no-negativa al primer
miembro de la ecuación restriccional. Esta variable se llama variable de holgura (Si),
ejemplo:

a11X1 + a12X2 + ... + ainXn  bi

Agregando la Si se transforma en:

a11X1 + a12X2 + ... + ainXn + Si = bi

Ejemplo:

Max. Z = 2X1 + 3X2

S.a. X1 + X2  100
2X1 + 3X2  200
 Xi  0

Max. z = 2X1 + 3X2

S.a. X1 + X2 + S1 = 100
2X1 + 3X2 + S2 = 200
 Xi, Si  0

Nota: La bi representa la cantidad disponible de i-ésima recurso. Por lo tanto, si al

resolver el problema lineal se halla que la variable de holgura es cero, entonces
esto significa que se ha utilizado totalmente el i-ésimo recurso.

Por otro lado, si el valor que toma la variable de holgura no es cero, entonces
el recurso correspondiente no es realmente limitante; y si la producción no puede
ser incrementada, esto se deduce a la limitación impuesta por otros recursos.

28
 c.- Transformación de un Programa Lineal con restricciones de mayor o igual que a la forma
estandarizada.

Una restricción estructural de la forma "mayor o igual que" (  ) se transforma a una

restricción de igualdad (=) utilizando variable de exceso ( Ei ) no-negativa:

a11X1 + a12X2 + ... + ainXn  bi

Se transforma en:

a11X1 + a12X2 + ... + a1nXn - (Ei) = bi

donde: Ei  0
Ejemplo:

Max. z = 2X1 + 3X2

S.a. X1 + X2  100
2X1 + 3X2  200

 Xi  0

Max. z = 2X1 + 3X2

S.a. X1 + X2 - E1 = 100
2X1 + 3X2 - E2 = 200

 Xi, Ei  0

2.6. CARACTERÍSTICAS DEL MODELO DE PROGRAMACIÓN LINEAL

Por conveniencia re-escribimos el modelo de un Programa Lineal en su forma

canónica expandida

Max. Z = C1X1 +C2X2 + . . . + CnXn

s.a. a11X1 + a12X2 + . . . + anXn  b1

a21X1 + a22X2 + . . . + a2nXn  b2

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

am1X1 + am2X2 + . . . + amnXn  bm

X1, X2, ..., Xn  0

29
En el modelo se observa las siguientes características:

a. La función objetivo es igual a la suma (algebraica) de contribuciones parciales de cada

una de las variables de decisión, X1, X2, ..., Xn. Es decir, la función objetivo es una
combinación lineal de las variables de decisión.

b. Cada término de la función objetivo y de las restricciones estructurales, es de la forma

kX; es decir, que existe proporcionalidad.
Con estas condiciones un modelo de programación lineal es adecuado
exclusivamente para resolver problemas de ciertos sistemas lineales.

Desdichadamente, la mayoría de los problemas del "mundo real" son de carácter no-
lineal; lo cual sugiere que programación lineal; es una técnica de optimización con pocas
aplicaciones. Sin embargo, el modelo de programación lineal es útil incluso para ser
aplicada en ciertos problemas no-lineales, por cuánto cualquier función no-lineal puede ser
estudiada en forma aproximada mediante funciones lineales por tramos.

Por ejemplo, supongamos que en cierto sistema de producción se tiene las siguientes
condiciones:

X1 = número de sillas que se deben producir.

X2 = número de escritorios que se deben producir.

Supongamos que las ganancias en función del número de artículos producidos varía
como se indica en la figura:

(a) Z1 = Ganancia en función de (b) Z2 = Ganancia en función de

número de sillas (X1) número de escritorios (X2)

Obviamente, según estas figuras, la ganancia es una función no-lineal del número de
sillas y del número de escritorios. Sin embargo, se puede linealizar la función como se
indica a continuación:

30
 Pendiente (mj)
Pendiente (mi)

K1 K 2 K4 X1 T1 T2 T3 T4 X2

Ki  X1  Ki+1 Tj  X2 Tj+1

Una vez efectuada la linealización, se puede aplicar programación lineal para variaciones de las
variables de decisión en ciertos intervalos.

Por ejemplo, para X1 comprendido en el intervalo Ki  X1  Ki+1 se puede hallar la

ecuación (lineal) de la ganancia Z 1; cuya forma general será Z1 = miX1 + Li; donde (mi) es la
pendiente de Z1 en el intervalo en estudio, y Li es una constante.
De modo similar. Para X2 comprendido en el intervalo Tj  X2  Tj+1, se puede hallar la
ecuación (lineal) de la ganancia Z 2; cuya forma general será Z2 = mjX2 + Lj; donde (mj) es la
pendiente de Z2 en el intervalo en estudio, y Lj es una constante.

De esta manera se puede formular un Programa Lineal en el intervalo:

Ki  X1  Ki+1
Tj  X2  Tj+1

De modo que la función objetivo está dada por:

Max.Z = miX1 + mjX2 + constante

Max.Z = miX1 + mjX2.

2.7. SOLUCIÓN DE UN PROGRAMA LINEAL

a. MÉTODO GRÁFICO O GEOMÉTRICO

Consiste en delinear sobre el primer cuadrante (debido a la condición de no

negatividad) la región de soluciones factibles; luego graficando sobre ella la función
objetivo, se ubica el programa o programas óptimos.

Ejemplo 1:

Max. Z = 7/4 X1 + 3/2 X2

s.a. X1  15
X2  10
8X1 + 5X2  320
4X1 + 5X2  200
 Xi  0

31
a.1 PRIMER PROCEDIMIENTO DE SOLUCIÓN (Empleando las Restricciones)

1er. PASO: Encontrar valores de X1 y X2, para ello identificamos los niveles de
restricción como ecuaciones de una recta, entonces:

i) L1  X1 = 15 ii) L2  X2 = 10

iii) L3  X1 X2 iv) L4  X1 X2

0 64 0 40
40 0 50 0
2do PASO: Se tiene que graficar en el 1er cuadrante las L is, considerando que un
Programa Lineal admite para todas las variables de decisión, X i  0

X1
70

60

50

40

30

20

10 L2

X2
0 10 20 30 40 50

L3
L1 L4

3er. PASO: Determinar la solución óptima:

a. Solución Básica.- Son todos los puntos que se encuentran dentro de la intersección
de los ejes coordinadas, ejes coordinadas con las rectas o entre las rectas; 1, 2, 3,
4, 5, 6,7, 8, 9, 10, 11, 12 y 13.

Región factible.- Es aquella zona donde intersecan todos los valores de las rectas
restriccionales, teniendo en cuenta el sentido que toman cada una de ellas, y que
cumplen con las condiciones de no negatividad de un Programa Lineal.

l4

l1
l3
l2

32
b. Solución Factible.- Es cualquier punto situado en la región factible, incluido los
puntos tangenciales.

P1

P2
P3
P4 Pn

c. Solución Básica Factible.- Son todos los puntos tangentes a la región de la

solución factible, es decir, los puntos: 6, 7, 9 y 10 ó entre ellas (segmento de
recta).
d. Solución Óptima. - Es una solución factible que maximiza o minimiza la función
objetivo. Entonces:

i) Cuando el P. L. se trata de maximización la solución óptima es aquel punto o

segmento de recta donde los valores de X1 y X2 reemplazados en la función
objetivo arrojan el valor más alto.

ii) Mientras, cuando un P. L. es de tipo minimización, la solución óptima es aquel

punto o segmento de recta donde los valores de X1 y X2 reemplazados en la
función objetivo arrojan el valor más bajo.

X1 = ? X1 = 15
1) P (6)  L1 ∩ L2 
X2 = ? X2 = 10

Entonces: Max. Z. = 7/4(15) + 3/2(10) = 165/4 = 41.25

X1 = ? X1 = 15
2) P (7)  L1 ∩ L4 
X2 = ? 4X1 + 5X2 = 200

• Si X1 = 15, entonces, 4(15) + 5X2 = 200  X2 = 28

• Entonces: Max. Z. = 7/4(15) + 3/2(28) = 273/4 = 68.25

X1 = ? 8X1 + 5X2 = 320

3) P (9)  L3 ∩ L4 
X2 = ? 4X1 + 5X2 = 200

• Cuando ambas rectas son ecuaciones de 2 variables, la forma de despejar y

encontrar los valores de las Xs, es utilizando el método de igualación:

33
 8X1 + 5X2 = 320
4X1 + 5X2 = 200 (si multiplicamos por (-))
.......................................................................

8X1 + 5X2 = 320

- 4X1 - 5X2 = - 200
4X1 = 120

X1 = 30 (si reemplazamos en cualquier de las ecuaciones originales)

X2 = 16

• Entonces: Max. Z. = 7/4(30) + 3/2(16) = 152/2 = 76.5

X1 = ? X2 = 10
4) P (10)  L2 ∩ L3 
X2 = ? 8X1 + 5X2 = 320
• Sí X2 = 10, entonces, 8X1 + 5(10) = 320  X1 = 270/8

• Entonces: Max. Z. = 7/4(270/8) + 3/2(10) = 1185/16 = 74.01

RESULTADO

Comparando los valores de los puntos de solución óptima, el mayor valor se

encuentra en el P(9), Max. Z. = 7/4(30) + 3/2(16) = 152/2 = 76.5, en consecuencia
es el resultado final del Programa Lineal.

Este procedimiento de solución utilizamos tanto para maximizar o minimizar

la función objetivo de un programa lineal, con la atingencia de cuando los signos de
desigualdad de las restricciones son de tipo (  ) los valores de la recta tienden hacia el
origen de los ejes coordinadas, y cuando es de tipo (  ) los valores de las rectas se
alejan del punto de origen de los ejes coordinadas. Además, cuando se trata de
maximización el punto o los puntos de la solución óptima, en el poliedro convexo, se
encuentran en el lado opuesto del origen de las coordinadas, y en la minimización en el
lado del poliedro convexo en él o cerca del punto de origen de los ejes coordinadas.

Las características principales de este procedimiento de solución, se puede

resumir en lo siguiente:

1. Existe un punto extremo del poliedro convexo en el cual la función objetivo tiene su
máximo o mínimo.

2. Cada solución factible básica corresponde a un punto extremo del poliedro convexo.

Entonces, lo que hacemos es investigar los puntos extremos del poliedro

convexo únicamente y buscar aquel punto que proporcione el mayor o menor valor
para la función objetivo y así obtenemos la solución buscada.

Pero, si la región de soluciones factibles fuera más complicada, es decir, si

tuviera muchos puntos extremos ((1, 2, 3, ... n) niveles de restricción), este método es

34
 sumamente engorroso, entonces, debemos hacer uso de otra forma de solución
(segundo procedimiento).

a.2 SEGUNDO PROCEDIMIENTO DE SOLUCIÓN (Empleando la Función Objetivo)

Una forma de aliviar la tarea es ubicar la inclinación (pendiente) de la función

objetivo en el o cerca del origen de los ejes coordinadas, hacia el lado del primer
cuadrante. Esto se logra:

1. Haciendo Z = 0 y observando hacia qué lado se desplaza al aumentar el valor de Z.

Luego desplazando la recta paralelamente a sí mismo hasta que sea tangente a la
región de solución factible, en el extremo inferior (en el origen o cerca al origen de
las coordinadas) si se trata de minimización y en el extremo superior (lado opuesto
del origen de las coordinadas si se trata de maximización.
2. Igualando Z a un valor que sea múltiplo a ambos valores de los coeficientes de la X1
y X2.

Max. Z = C1X1 + C2X2

 = C1X1 + C2X2 donde  es múltiplo de C1 y C2

Ejemplo 1:
Max. Z = 7/4 X1 + 3/2 X2

 = 7/4 x 3/2 = 21/8, entonces para que los valores sean enteros
igualamos a 21, o cualquier valor requerido:

21 = 7/4 X1 + 3/2 X2, y damos valores con esa referencia a X1 y X2

X1 X2
0 14
12 0

X1

70

60
Punto de solución óptima:
50 i) X1 = 30 y X2 = 16
ii) Max. Z = 7/4(30) + 3/2(16)
40 Max. Z = 76.5

30

20

10 L2

X2
0 10 20 30 40 50

L3
L1 L4

35
 Ejemplo 2:
Max. Z = 15X1 + 25X2

S. A. 1.3X1 + 2X2  10
2X1 + 3X2  50
X1 + 1.5X2  10
 Xi  0

SOLUCIÓN

Para las restricciones:

L1: Si X1 = 0, entonces, X2 = 5
Si X2 = 0, entonces, X1 = 10/1.3
L2: Si X1 = 0, entonces, X2 = 50/3
Si X2 = 0, entonces. X1 = 25

L3: Si X1 = 0, entonces, X2 = 10/1.5

Si X2 = 0, entonces, X1 = 10.

Para la función objetivo:

15X1 + 25X2 = 375

Si X1 = 0, entonces, X2 = 15
Si X2 = 0, entonces, X1 = 25

Graficando:

X2

Región factible si es de tipo

Minimización

Región factible si es
de tipo Maximización

X1

b.- MÉTODO ALGEBRAICO

El método gráfico admite solamente hasta 2 variables y en un espacio

bidimensional, pues, pierde su aplicación para problemas de más de dos variables, ya que
entonces es necesario operar en espacios de más de tres dimensiones. Para resolver casos
con n variables, se utiliza el concepto de espacios vectoriales. El método algebraico

36
permite resolver problemas de este tipo. Considerando la expresión general de un programa
lineal en su forma canónica, como la siguiente:

a. Max. Z = C1X1 +C2X2 + . . . + CnXn

s.a. a11X1 + a12X2 + . . . + anXn  b1

a21X1 + a22X2 + . . . + a2nXn  b2

. . ... . .
. . ... . .
. . ... . .
am1X1 + am2X2 + . . . + amnXn  bm
 Xi  0
Agregando una variable de holgura ( Si ) a cada restricción del programa lineal en
su forma canónica, obtenemos un programa lineal en forma estandarizada como se indica a
continuación:

a. Max. Z = C1X1 + C2X2 + . . . + CnXn + 0S1 + 0S2 + ... + 0Sm

s.a. a11X1 + a12X2 + . . . + anXn + s1 = b1

a21X1 + a22X2 + . . . + a2nXn + s2 = b2

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

am1X1 + am2X2 + . . . + amnXn + Sm = bm

 Xi, S1, S2, Sm  0

Ejemplo 1:

Max.Z = 3X1 + 2X2 + 5X3

X1 + 2X2 + X3  430
3X1+ 2X3  460
X1 + 4X2  420
 Xi  0

Primer Paso: Introduciendo las variables de holgura (Si) a todas las restricciones y
despejando las mismas, como las primeras variables que intervienen en la solución del
programa:

i) X1 + 2X2 + X3 + S1 = 430 ii) S1 = 430 - X1 - 2X2 - X3

3X1 + 2X3 + S2 = 460 S2 = 460 - 3X1 - 2X3
X1 + 4X2 + S3 = 420 S3 = 420 - X1 - 4X2

37
Segundo Paso: Buscamos la variable que contribuye mejor, por unidad de producto, a la
función objetivo y suponemos las otras variables = a ceros (0)

Max. Z = 3X1 + 2X2 + 5x3

S1 = 430 - X1 - 2X2 - X3 430 / 1 = 430 * De los resultados escogimos el valor menor

S2 = 460 - 3X1- 2X3 460 / 2 = 230* positivo.
S3 = 420 - X1 - 4X2 -.-

Tercer Paso: Despejamos la variable estructural en la ecuación resultante con valor

positivo menor

2X3 = 460 - 3X1 - S2

X3 = 230 - 3/2X1 - 1/2S2

Cuarto Paso: Reemplazamos el resultado del paso 3 en la ecuación de valor inmediato

superior positivo, dejando las otras ecuaciones como constantes.
a) S1 = 430 - X1 - 2X2 - (230 - 3/2X1 - 1/2S2)
S1 = 430 - X1 - 2X2 - 230 + 3/2X1 + 1/2S2
S1 = 200 + 1/2X1 - 2X2 + 1/2S2

b) S3 = 420 - X1 - 4X2

Quinto Paso: El resultado del 3er paso reemplaza en la función objetivo, buscando si se
optimiza o no el programa. Para que exista la solución óptima, los signos de operación
final deben admitir negativos (-), para todas las variables, de lo contrario, si aparece un
solo signo positivo se regresa al paso 2do y se prosigue con la solución óptima, tantas
veces que requiera el caso.

Max. Z = 3X1 + 2X2 + 5 (230 - 3/2X1 - 1/2S2)

Max. Z = 3X1 + 2X2 + 1,150 - 15/2X1 - 5/2S2
Max. Z = 1,150 - 9/2X1 + 2X2 - 5/2S2 (aparece un signo positivo, entonces  óptimo)

Segundo Paso:

Max. Z = 1150 - 9/2X1 + 2X2 - 5/2S2

X3 = 230 - 3/2X1 - 1/2S2 230/0 = 
S1 = 200 + 1/2X1 - 2X2 + 1/2S2 200/2 = 100
S3 = 420 - X1 - 4X2 420/4 = 105

Tercer Paso:

2X2 = 200 + 1/2X1 + 1/2S2 - S1

X2 = 100 + 1/4X1 + 1/4S2 - 1/2S1

Cuarto Paso:

a) X3 = 230 - 3/2X1 - 1/2S2

b) S3 = 420 - X1 - 4(100 + 1/4X1 + 1/4S2 - 1/2S1)

S3 = 420 - X1 - 400 - X1 - S2 + 2S1
S3 = 20 - 2X1 + 2S1 - S2

38
Quinto Paso:

Max. Z = 1150 - 9/2X1 + 2(100 +1/4X1 + 1/4S2 - 1/2S1) - 5/2S2

Max. Z = 1150 - 9/2X1 + 200 + 1/2X1 + 1/2S2 - S1 - 5/2S2
Max. Z = 1350 - 4X1 - S1 - 2S2 (todas las variables tienen signo (-), entonces 
óptimo)

RESPUESTA:

Max. Z. = 1350
X1= 0
X2 = 100
X3 = 230

Ejemplo 2:

Min. Z = 3X1 + 2X2 + 5X3

X1 + 2X2 + X3  430
3X1 + 2X3  460
X1 + 4X2  420
 Xi  0

Primer Paso:

- X1 - 2X2 - X3  - 430
- 3X1 - 2X3  - 460
- X1 - 4X2 -  - 420

Entonces:

- X1 - 2X2 - X3 - E1 = - 430 E1 = 430 - X1 - 2X2 - X3

- 3X1 - 2X3 - E2 = - 460 E2 = 460 - 3X1 - 2X3
- X1 - 4X2 - - E3 = - 420 E3 = 420 - X1 - 4X2

Segundo Paso:

Min. Z = 3X1 + 2X2 + 5X3

E1 = 430 - X1 - 2X2 - X3 430 /2 = 215

E2 = 460 - 3X1 - 2X3 460/0 = 
E3 = 420 - X1 - 4X2 420/4 = 105

Tercer Paso:

4X2 = 420 - X1 - E3
X2 = 105 - 1/4X1 - 1/4E3

39
Cuarto Paso:

a) E1 = 430 - X1 - 2 (105 - 1/4X1 -1/4E3) - X3

E1 = 430 - X1 - 210 + 1/2X1 +1/2 E3 - X3
E1 = 220 - 1/2X1 - X3 + 1/2E3

b) E2 = 460 - 3X1 - 2X3

Quinto Paso: El resultado del 3er paso reemplazamos en la función objetivo, buscando si
se optimiza o no el programa. Para que existe la solución óptima, debe
cumplir las mismas condiciones de la maximización.

Min. Z = 3X1 + 2 (105 - 1/4X1 - 1/4E3) + 5X3

Min. Z = 3X1 + 210 - 1/2X1 - 1/2E3 + 5X3
Min. Z = 210 + 5/2X1 + 5X3 - 1/2E3 (aparece dos signos positivos, entonces,  óptimo)
Segundo Paso:

Min. Z = 210 + 5/2X1 + 5X3 - 1/2 E3

X2 = 105 - 1/4X1 - 1/4 E3 105 /1/4 = 420

E2 = 460 - 3X1 - 2X3 460/3 = 153.3...
E1 = 220 - 1/2X1 - X3 + 1/2E3 220/1/2 = 440

Tercer Paso:

E2 = 460 – 3X1 - 2X3

3X1 = 460 – 2X3 – E2
X1 = 460/3 – 2/3X3 – 1/3E2

Cuarto Paso:

a) X2 = 105 – ¼ (460/3 – 2/3X3 – 1/3E2) – 1/4E3

X2 = 105 – 115/3 + 1/6X3 + 1/12E2 – 1/4E3
X2 = 200/3 + 1/6X3 + 1/12E2 – 1/4E3

b) E1 = 220 – ½ X1 – X3 + ½ E3

Quinto Paso:

Min. Z = 210 + 5/2(460/3 – 2/3X3 – 1/3E2) + 5X3 - ½ E3

Min. Z = 210 + 1150/3 – 5/3X3 – 5/6E2 + 5X3 – 1/2E3
Min. Z = 1780/3 + 10/3X3 – 5/6E2 – 1/2E3 (aparece un signo positivo, entonces, 
óptimo)
Segundo Paso:

Min. Z = 1780/3 + 10/3X3 – 5/6E2 – 1/2E3

X2 = 200/3 + 1/6X3 + 1/12E2 – 1/4E3 200/3  -1/6 = - 400
E1 = 220 – 1/2X1 – X3 + 1/2E3 220  1 = 220
X1 = 460/3 – 2/3X3 – 1/3E2 460/3  2/3 = 230

40
Tercer Paso:

X3 = 220 – 1/2X1 + 1/2E3 – E1

Cuarto Paso:

a. X1 = 460/3 – 2/3(220 – 1/2X1 + 1/2E3 – E1) – 1/3E2

X1 = 460/3 – 440/3 + 1/3X1 – 1/3 E3 + 2/3E1 – 1/3E2
X1 = 20/3 + 1/3X1 + 2/3E1 – 1/3E2 – 1/3E3
b. X2 = 200/3 + 1/6X3 + 1/12E2 – 1/4E3

Quinto Paso:

Min. Z = 1780/3 + 10/3 (220 – 1/2X1 + 1/2E3 – E1) – 5/6E2 – 1/2E3

Min. Z = 1780/3 + 2200/3 – 5/3X1 + 5/3E3 – 10/3E1 – 5/6E2 – 1/2E3
Min. Z = 1326.67 – 5/3X1 – 10/3E1 – 5/6E2 + 7/6E3 (aparece un signo positivo, entonces,
 óptimo)
Segundo Paso:

Min. Z = 1326.67 – 5/3X1 - 10/3E1 – 5/6E2 + 7/6E3

X3 = 220 – 1/2X1 + 1/2E3 – E1 220  - ½ = - 440
X1 = 20/3 + 1/3X1 + 2/3E1 – 1/3E2 – 1/3E3 20/3  1/3 = 20
X2 = 200/3 + 1/6X3 + 1/12E2 – 1/4E3 200/3  ¼ = 800/3

Tercer Paso:

1/3E3 = 20/3 + 1/3X1 + 2/3E1 – 1/3E2 – X1

E3 = 20 + X1 + 2E1 – E2 – 3X1
E3 = 20 – 2X1 + 2E1 – E2

Cuarto Paso:

a. X2 = 200/3 + 1/6X3 + 1/12E2 – ¼(20 – 2X1 + 2E1 – E2)

X2 = 200/3 + 1/6X3 + 1/12E2 – 5 + 1/2X1 + 1/2E1 + 1/4E2
X2 = 185/3 + 1/2X1 + 1/6X3 + 1/2E1 + 1/3E2

b. X3 = 220 - 1/2X1 + 1/2E3 – E1

Quinto Paso:

Min. Z = 1326.67 – 5/3X1 - 10/3E1 – 5/6E2 + 7/6(20 – 2X1 + 2E1 – E2)

Min. Z = 1326.67 – 5/3X1 – 10/3E1 – 5/6E2 + 70/3 – 7/3X1 + 7/3E1 – 7/6E2
Min. Z = 1350 – 4X1 – E1 – 2E2
RESPUESTA

Min. Z = 1,350
X1 = 0
X2 = 185/3
X3 = 220

41
c.- MÉTODO MATRICIAL

a. Max. Z = 3X1 + 2X2 + 5X3

X1 + 2X2 + X3  430
3X1 + 2X3  460
X1 + 4X2  420
 Xi  0

Primer Paso: Estandarizar el programa

X1 + 2X2 + X3 + S1 + 0S2 + 0S3 = 430

3X1 + 2X3 + 0S1 + S2 + 0S3 = 460
X1 + 4X2 + 0S1 + 0S2 + S3 = 420
3X1 + 2X2 + 5X3 + 0S1 + 0S3 + 0S3 = Z

Segundo Paso: En la fila Z escoger el valor más negativo y suponer el resto de los
valores ceros (0), para determinar el punto pivote.

1 2 1 1 0 0 X1 430 430/1 = 430

3 0 2* 0 1 0 X2 = 460 460/2 = 230
1 4 0 0 0 1 X3 420 420/0 = 
-3 -2 -5 0 0 0 S1, S2, S3 -Z

Tercer Paso: * Elemento pivote, debe convertirse en unidad y dividir al resto de los
valores de la fila

1 2 1 1 0 0 X1 430
3/2 0 1* 1/2 1 0 X2 = 230
1 4 0 0 0 1 X3 420
-3 -2 -5 0 0 0 S1, S2, S3 -Z

Cuarto Paso: Convertir a la columna pivote en unitaria, restando o sumando el resto

de los valores de la matriz y teniendo en cuenta los valores de la fila pivote.
El resultado debe ser óptimo, siempre en cuando los valores de la fila Z tenga
valores que admitan solamente signos positivos; de lo contrario debe
regresarse al paso 2do y proseguir la solución tantas veces que requiera el
caso.

-1/2 2 0 1 -1/2 0 X1 200 200/2 = 100

3/2 0 1* 0 1/2 0 X2 = 230
1 4 0 0 0 1 X3 420 420/4= 105
9/2 -2 0 0 5/2 0 S1, S2, S3 Z=1150

Segundo Paso:

-1/4 1* 0 1/2 -1/4 0 X1 100

3/2 0 1* 0 1/2 0 X2 = 230
1 4 0 0 0 1 X3 420
9/2 -2 0 0 5/2 0 S1, S2, S3 Z=1150

42
 Tercer Paso:

-1/4 1* 0 1/2 -1/4 0 X1 100

3/2 0 1* 0 1/2 0 X2 = 230
2 0 0 -2 1 1 X3 20
4 0 0 1 2 0 S1, S2, S3 Z=1350

RESPUESTA

Max. Z = 1,350
X1 = 0
X2 = 100
X3 = 230

b. Min. Z = 3X1 + 2.5X2

2X1 + 4X2  40
3X1 + 2X2  50

Primer Paso:

Sí: X1 = a - X'1 2 (a- X'1) + 4 (a -X'2)  40 2a - 2X'1 + 4a - 4X'2  40

X2 = a - X'2 3 (a- X'1) + 2 (a - X'2)  50 3a - 3X"1 + 2a - 2X'2  50

6a - 2X'1 - 4X'2  40
5a - 3X'1 - 2X'2  50
Segundo Paso:

Sí: X'1 = 0 6a  40 a  40/6 = 6.6 a  15

X'2 = 0 5a  50 a  50/5 = 10

Tercer Paso: Reemplazar (a) al final del primer paso:

6 (15) - 2X'1 - 4X'2  40 90 - 2X'1 - 4X'2  40 -2X'1 - 4X'2  -50

5 (15) - 3X'1 - 2X'2  50 75 -3X'1 - 2X'2  50 -3X'1 - 2X'2  -25

2X'1 + 4X'2  50
3X'1 + 2X'2  25
Cuarto Paso:

Min. Z = 3X1 + 2.5X2

Min. Z = 3 (a - X'1) + 2.5 (a -X'2)
Min. Z = 3a - 3X'1 + 2.5a - 2.5X'2
Min. Z = 5.5a - 3X'1 - 2.5X'2
Min. Z = 5.5 (15) - 3X'1 - 2.5X'2
Min. Z = 82.5 - 3X'1 - 2.5X'2, invirtiendo, se tiene:

Max. Z = -82.5 + 3X'1 + 2.5X'2

43
 Segundo Procedimiento del Método Matricial:

Max. Z = 3X’1 + 2.5X'2

2X'1 + 4X'2  50 2X'1 + 4X'2 + S1 + 0S2 = 50
3X'1 + 2X'2  25 3X'1 + 2X'2 + 0S1 + S2 = 25
3X'1 + 2,5X'2 + 0S1 + 0S2 = Z

2 4 1 0 X1 50 50/2 = 25
3 2 0 1 X2 = 25 25/3 = 8.3
-3 -2.5 0 0 S1, S2 -Z

2 4 1 0 X1 50
1* 2/3 0 1/3 X2 = 25/3
-3 -2.5 0 0 S1, S2 -Z

0 8/3* 1 -2/3 X1 100/3 (100/3) / (8/3) = 12.5

1* 2/3 0 1/3 X2 = 25/3 (25/3) / (2/3) = 12.5
0 -1/2 0 1 S1, S2 Z = 25

0 1* 3/8 -1/4 X1 25/2

1* 0 -1/4 1/2 X2 = 0
0 0 -3/16 7/8 S1, S2 Z =125/4

Entonces:

X'1 = 0 X1 = a - X'1 = 15 - 0 = 15

X'2 = 25/2 X2 = a - X'2 = 15 = 25/2 = 5/2

RESPUESTAS

a. Min. Z = - 82.5 + 3X'1 + 2.5X'2

Min. Z = - 82.5 + 3 (0) + 2.5 (25/2) = -51.25
b. Max. Z = 3 (15) + 2.5 (5/2) = 51.25

d. MÉTODO SIMPLEX

El método Simplex debido a GEORGE DANTZIG, prevé un sistema rápido y

efectivo para resolver problemas de programación lineal. Es la metodología empleada en
las aplicaciones prácticas y permite resolver una gran cantidad de problemas de real
importancia industrial. Este método, al igual que el método algebraico, llega a la solución
óptima por medio de iteraciones o pasos sucesivos, el método simplex utiliza los
conceptos básicos del álgebra matricial para determinar la iteración de dos o más líneas
hiperplanas. Comienza con alguna solución factible, y sucesivamente obtiene soluciones
en las iteraciones que ofrecen mejores funciones de la función objetivo. Finalmente, este

44
método proporciona un indicador que determina el punto en el cual se logra una solución
óptima.

Procedimiento del Cómputo Simplex:

Planteemos el modelo general de programación lineal en su forma estandarizada con

la finalidad de esquematizar el procedimiento de cómputo SIMPLEX.

a. Max. Z = C1X1 + C2X2 + C3X3 + . . . + CnXn + 0S1 + 0S2 + ... + 0Sn

s.a. a11X1 + a12X2 + a13X3 + . . . + anXn + S1 = b1
a21X1 + a22X2 + a23X3 + . . . + a2nXn + S2 = b2
. . . ... . . .
. . . ... . . .
. . . ... . . .
am1X1 + am2X2 + am3X3 + . . . + amnXn + Sn = bm
 Xi, S1, S2, Sn  0
Tablero Simplex:

C1 C2 C3 ... Cn S1 S2... Sn

Ci Xk bi X1 X2 X3 … Xn Xn 0 0
S1 0 b1 a11 a 12 a 13... a 1n... 1 0… 0
S2 0 b2 a 21 a 22 a 23... a 2n... 0 1… 0
... ... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... ...
bm a m1 a m2 a m3... a mn
Sn 0 0 0 1

Z bm C1-Z1 C2-Z2 C3-Z3. Cn-Zn ... S2-Z2 ...

Descripción del tablero:

Primera fila, donde van los costos o beneficios (C j) que vienen a ser los coeficientes de
las variables en la función objetivo.

La segunda fila identifica a las columnas:

• Ci = Vector con los coeficientes de beneficio o de los costos asociados a las variables
que pertenecen a la base o artificiales.

• Xk = Vector conformado por las variables que están en la base (aquella cuyas
columnas de coeficientes en las restricciones forman la matriz unidad).

• bi = Vector formado por los segundos miembros de las restricciones.

• X1, X2 y X3 = Vector conformado por los coeficientes de la variable Xi de las

restricciones.

45
Condición de optimidad:

Sí, Cj -Zn ES NO-POSITIVO para todo j, el programa (solución) óptima se ha

encontrado. Esto no sucede generalmente, en el primer tablero

Ejemplo 1: Casos de maximización.

Max. Z = 3X1 + 2X2 Primer Paso:

X1 + 2X2  6 X1 + 2X2 + S1 + 0S2 + 0S3 + 0S4 = 6
2X1 + X2  8 2X1 + X2 + 0S1 + S2 + 0S3 + 0S4 = 8
- X1 + X2  1 - X1 + X2 + 0S1 + 0S2+ S3 + 0S4 = 1
X2  2 0 + X2 + 0S1 + 0S2 + 0S3 + S4 = 2
 Xi  0

Max. Z = 3X1 + 2X2 + 0S1 + 0S2 + 0S3 + S4

Segundo Paso: Tablero Simplex.

Cj 3 2 0 0 0 0
Ci Xk bi X1 X2 S1 S2 S3 S4
0 S1 6 1 2 1 0 0 0
0 S2 8 2 1 0 1 0 0
0 S3 1 -1 1 0 0 1 0
0 S4 2 0 1 0 0 0 1
bm 0 0 0 0 0 0 0
3 2 0 0 0 0
0 S1 6 1 2 1 0 0 0 6/1 = 6
0 S2 8 2* 1 0 1 0 0
8/2 = 4
0 S3 1 -1 1 0 0 1 0 1/-1 = -1
0 S4 2 0 1 0 0 0 1
2/0 = 
bm 0 0 0 0 0 0 0
0 S1 2 0 3/2* 1 -1/2 0 0 2/3/2 = 1.3
3 X1 4 1* 1/2 0 1/2 0 0 4/13/2 = 8
0 S3 5 0 3/2 0 1/2 1 0 5/3/2 = 10/3
0 S4 2 0 1 0 0 0 1 2/1 = 2
bm 12 3 3/2 0 3/2 0 0
0 ½ 0 -3/2 0 0
2 X2 4/3 0 1* 2/3 -1/3 0 0
3 X1 10/3 1* 1 -1/3 2/3 0 0
0 S3 3 0 0 0 1/6 -1 0
0 S4 2/3 0 0 -2/3 1/3 0 1
bm 38/3 3 2 1/3 4/3 0 0
Cj -Zj 0 0 -1/3 -4/3 0 0

RESPUESTA:

Max.Z = 3 (10/3) + 2(4/3) = 38/3

X1 = 10/3
X2 = 4/3

46
 Ejemplo 2: caso de Minimización

Min. Z = 3X1 + 2.5X2

2X1 + 4X2  40
3X1 + 2X2  50
 Xi  0

Primer Paso:

i) 2X1 + 4X2 – E1 = 40 ii) 2X1 + 4X2 - E1 + E2 = 40

3X1 + 2X2 - E2 = 50 3X1 + 2X2 – E3 + E4 = 50

Segundo Paso:

iii) Min. Z = 3X1 + 2.5X2 + 0E1 + ME2 + 0E3 + ME4

2X1 + 4X2 - E1 + E2 + 0E3 + 0E4 = 40

3X1 + 2X2 + 0E1 + 0E2 - E3 + E4 = 50

C1 3 2.5 0 M 0 M
Ci Xk bi X1 X2 E1 E2 E3 E4
M E2 40 2 4 -1 1 0 0 40  4 = 10
M E4 50 3 2 0 0 -1 1
90M 5M 6M -M M -M M 50  2 = 25
3- 5M 2.5 –6M M 0 M 0
2.5 X2 10 2/4 1* -1/4 ¼ 0 0
M E4 50 3 2 0 0 -1 1
2.5 X2 10 ½ 1* -1/4 ¼ 0 0 10  1/2 = 20
M E4 30 2* 0 ½ -1/2 -1 1 30  2 = 15
bm 25+30M 5/4+2M 2.5 - 5/8-1/2M -M M
5/8+1/2M
7/4-2M 0 5/8-1/2M - M 0
5/8+3/2M
2.5 X2 10 ½ 1* -1/4 1/4 0 0
3 X1 15 1* 0 ¼ -1/4 -1/2 ½

2.5 X2 5/2 0 1* -3/8 3/8 ¼ -1/4

3 X1 15 1* 0 ¼ -1/4 -1/2 ½
205/4 3 2.5 -3/16 3/16 -7/8 7/8
0 0 3/16 M-3/16 7/8 M-3/16

RESPUESTA:

Min.Z = 3 (15) + 2.5 (5/2) = 205/4 = 51.25

X1 = 15
X2 = 5/2

47
Ejemplo 3: Casos Especiales

Max. Z = 12X1 + 20X2 + 8X3

s.a. 3X1 - 2X3  -2
-4X1 - X2 + 12X3  4
- X1 + 3X3  -6
3X1 + 4X2 - 6X3 = -12
X2 + 9X3 = 31
 Xi  0

SOLUCION

3X1 - 2X3 - S1 = -2 (-1)

- 4X1 - X2 + 12X3 - S2 = 4
- X1 + 3X3 + S3 = -6 (-1)
3X1 + 4X2 - 6X3 = -12 (-1)
X2 + 9X3 = 31

- 3X1 + 2X3 + S1 = 2
- 4X1 - X2 + 12X3 - S2 = 4
X1 - 3X3 - S3 = 6
- 3X1 - 4X2 + 6X3 = 12
X2 + 9X3 = 31

- 3X1 + 2X3 + S1 + 0S2 + 0S3 + 0S4 + 0S5 + 0S6 + 0S7 = 2

- 4X1 - X2 + 12X3 + 0S1 - S2 + S3 + 0S4 + 0S5 + 0S6 + 0S7 = 4
X1 - 3X3 + 0S1 + 0S2 + 0S3 - S4 + S5 + 0S6 + 0S7 = 6
- 3X1 - 4X2 + 6X3 + 0S1 + 0S2 + 0S3 + 0S4 + 0S5 + S6 + 0S7 = 12
X2 + 9X3 + 0S1 + 0S2 + 0S3 + 0S4 + 0S5 + 0S6 + S7 = 31

Tablero Simplex:

Max. Z = 12X1 + 20X2 + 8X3 + 0S1 + 0S2 - MS3 + 0S4 - MS5 - MS6 - MS7

Ci 12 20 8 0 0 -M 0 -M -M -M

Ci Xk bi X1 X2 X3 S1 S2 S3 S4 S5 S6 S7
0 S1 2 -3 0 2 1 0 0 0 0 0 0
-M S3 4 -4 -1 12* 0 -1 1 0 0 0 0
-M S5 6 1 0 -3 0 0 0 -1 1 0 0
-M S6 12 -3 -4 6 0 0 0 0 0 1 0
-M S7 31 0 1 9 0 0 0 0 0 0 1
53M 6M 4M -24M 0 M -M M -M -M -M
12-6M 20-4M 8+24M 0 -M 0 -M 0 0 0

Nótese que en la tabla el único costo de oportunidad positivo es 8 + 24M, lo

que significa que X3 debe ser la variable de entrada. (Se supone que el número M es tan
grande que cualquier dato Cj - Xj que contenga + M será positivo y cualquier C j - Zj que
contenga -M será negativo.) Ahora, en la tabla la variable de salida se obtendrá al
encontrar la menor de las razones:

48
 2/2, 4/12, 12/6, 31/9

Puesto que la mínima es 4/12, la variable de salida será S3 y, como se muestra

en la tabla, el elemento pivote será 12. De aquí en adelante podemos seguir las reglas
usuales de actualización para tablas sucesivas.

Ejemplo No. 4: Casos especiales

Min. Z = 5X1 + 6X2 + 7X3

X1 + X2 + X3 = 1000
X1  300
X2  150
X3  200
 Xi  0

Primer Paso:

i) X1 + X2 + X3 + S1 = 1000
X1 + S2 = 300
X2 - S3 + S4 = 150
X3 - S5 + S6 = 200
ii) Z = 5X1 + 6X2 + 7X3 + KS1 + 0S2 + 0S3 + KS4 + 0S5 + KS6

X1 + X2 + X3 + S1 + 0S2 + 0S3 + 0S4 + 0S5 + 0S6 = 1000

X1 + 0 + 0 + 0S1 + S2 + 0S3 + 0S4 + 0S5 + 0S6 = 300
0 + X2 + 0 + 0S1 + 0S2 - S3 + S4 + 0S5 + 0S6 = 150
0 + 0 + X3 + 0S1 + 0S2 + 0S3 + 0S4 - S5 + S6 = 200

TABLERO SIMPLEX:

X1 X2 X3 S1 S2 S3 S4 S5 S6
Cj Xk bi 5 6 7 K 0 0 K 0 K
K S1 1000 1 1 1 1 0 0 0 0 0 1000/1 = 1000
0 S2 300 1 0 0 0 1 0 0 0 0 -.-
K S4 150 0 1 0 0 0 -1 1 0 0 150/1 = 150
K S6 200 0 0 1 0 0 0 0 -1 1 -.-
Zj 1350K K 2K 2K K 0 -K K -K K
Cj-Zj 5-k 6-2k 7-2k 0 0 k 0 k 0
K S1 850 1 0 1 1 0 1 -1 0 0
0 S2 300 1 0 0 0 1 0 0 0 0 850/1 =850
6 X2 150 0 1* 0 0 0 -1 1 0 0 -.-
K S6 200 0 0 1 0 0 0 0 -1 1 -.-
Zj 900+ k 6 2K K 0 -6 +K -K+6 -K K 200/1 = 200
1,050K
Cj-Zj 5-k 0 7-2k 0 0 6-k 2k-6 k 0
K S1 650 1 0 0 1 0 1 -1 1 -1 650/1 =650
0 S2 300 1 0 0 0 1 0 0 0 0 300/1 = 300
6 X2 150 0 1* 0 0 0 -1 1 0 0 -.-
7 X3 200 0 0 1* 0 0 0 0 -1 1 -.-
Zj 2300+65 K 6 7 K 0 -6 + K -K+6 -7+k -k+7
0K
Cj-Zj 5-k 0 0 0 0 6-k 2k-6 -k+7 2k-7
350/1 = 350
-.-
-.-
49
-.-
K S1 350 0 0 0 1 -1 1 -1 1 -1
5 X1 300 1* 0 0 0 1 0 0 0 0
6 X2 150 0 1* 0 0 0 -1 1 0 0
7 X3 200 0 0 1* 0 0 0 0 -1 1
Zj 3800 + 5 6 7 K 5-k -6 +K -K+6 -7+k -k+7
350K
Cj-Zj 0 0 0 0 2k-5 6-k 2k-6 7-k 2k-7
0 S3 350 0 0 0 1 -1 1* -1 1 -1
5 X1 300 1* 0 0 0 1 0 0 0 0
6 X2 500 0 1* 0 1 -1 0 0 1 -1
7 X3 200 0 0 1* 0 0 0 0 -1 1
Zj 5900 5 6 7 6 -1 0 0 -1 1
Cj-Zj 0 0 0 k-6 1 0 k 1 k-1

RESPUESTAS:

Min. Z = 5 (300) + 6 (500) + 7 (200) = 5900

X1 = 300
X2 = 500
X3 = 200

50
 TEMA III

DUALIDAD

3.1. PROGRAMACIÓN DUAL

3.1.1 DEFINICIÓN

Dado un conjunto cualquiera de datos para un modelo de programación lineal,

podemos usar los mismos datos para formar un modelo de programación diferente. El
problema resultante se llamará dual del original. El dual tiene importancia teórica,
económica y computacional.

En consecuencia, todo programa matemático, lineal o no lineal, existe

asociado con otro llamado programa dual en particular, todo programa lineal tiene su
correspondiente programa dual. El modelo de P. L. que desarrollamos para una situación
se conoce como el problema primal. El problema dual es una definición matemática
estrechamente relacionada, que se deriva directamente del problema primal. En la mayor
parte de los tratamiento de P.L. la dual se define como varias formas de presentación de
la primal, dependiendo del sentido de optimización (maximización o minimización), de
los tipos de las restricciones (, , y =) y del signo de las variables (No negativas y no
restringidas). La definición supone que el problema primal se expresa en la forma
estándar:

Max. o Min. Z = Σ Cj Xj
J=1

Sujeto a:

Σ aij Xj =bi donde: i = 1,2, ..., m

J=1 j = 1,2, ..., n

Xj  0

Dado el programa lineal P en forma canónica, entonces el programa D es el

dual o programa lineal Dual de P; y éste es referido como Programa Primal.

Max. Z = C X

P s.a. AXb

X0

Min. W = Bt Y

D s.a. At Y  c

Y0

51
Ejemplo1: para problemas de maximización:

PRIMAL PRIMAL ESTANDAR VARIABLES

DUAL

Max. Z = 5X1 + 12X2 + 4X3 Max. Z = 5X1 + 12X2 + 4X3 + 0X4

X1 + 2X2 + X3  10 X1 + 2X2 + X3 + X4 = 10 Y1
2X1 - X2 + 3X3 = 8 2X1 - X2 + 3X3 + 0X4 = 8 Y2
X1, X2 , X3  0 X1, X2 , X3 , X4  0

DUAL:

Min. W = 10Y1 + 8Y2

Y1 + 2Y2  5
2Y1 - Y2  12
Y1 +3Y2  4
Y1, Y2  0 ( Y2, Y3 No restringida)
Y2, Y3 No restringida

Primal Dual Primal Dual

Max. Min Max. Min

 V. R   R. V  C/R
S/R V. R C/R = = R. V () S/ R
 V. R   R. V  R


Ejemplo2: para problemas de maximización:

PRIMAL PRIMAL ESTANDAR VARIABLES

DUAL

Min. Z = 15X1 + 12X2 Min Z = 15X1 + 12X2 + 0X3 + 0X4

X1 + 2X2  3 X1 + 2X2 - X3 = 3 Y1
2X1 - 4X2  5 2X1 - 4X2 + X4 = 5 Y2
X1, X2  0 X1, X2, X3, X4  0

DUAL:

Min. W = 3Y1 + 5Y2

Y1 + 2Y2  15
2Y1- 4Y2  12
-Y1  0
Y2  0
Y1,  0
Y1, Y2 No restringida

52
Ejemplo3: para problemas de maximización:

PRIMAL PRIMAL ESTANDAR VARIABLES

DUAL

Max. Z = 5X1 + 6X2 Sustituir X1 = X'1 + X"1

X1 + 2X2 = 5 Min W = 5 X'1 - X"1 + 6X2 Y1

-X1 - 5X2  3 Y2
4X1 +7X2  3 X'1 - X"1 + 2X2 =5
-X'1 + X"1 - 5X2 - X3 = 3
X1 No restringida 4X'1 - 4X"1 + 7X2 + X4 = 8
X2 > 0 X'1 , X", X2  0

DUAL:

Min. W = 5Y1 + 3Y2 + 8Y2

Y1 - Y2 + 4Y3 = 5
-Y1 + Y2 - 4Y3  -3 Y1 -Y2 +Y3 = 5

2Y1 + 5Y2 + 7Y3  6

-Y2  0 ó Y2  0
Y3  0
Y1 No restringida

Y1, Y2 No restringida

Ejemplo 4
Max. Z = 4X1 + 3X2

s.a. X1 + 5X2  10
2X1 + 3X2  15
Xi  0

Un programa primal (P), para convertirse en dual (D) requiere las siguientes
modificaciones:

Max. Z = 4X1 + 3X2

s.a. X1 + 5X2  10
2X1 + 3X2  15

Xi  0

Entonces, el programa dual (D) que cumple las modificaciones es el siguiente:

Min. Z = 10Y1 + 15Y2

s.a. Y1 + 2Y2  4
5Y1 + 3Y2  3
Yi  0

53
 Ejemplo 5: Para problemas de minimización;

Hallar el dual del siguiente programa lineal

Max. Z = 7X1 + 2X2 + 3X3

s.a. X1 + 8X2 + 9X3  100
5X1 - X2 - X3  10
16X1 + X2 + X3  150
4X1 + 20X2 - 30X3  90
Xi  0

Min. W = 100Y1 + 10Y2 + 150X3 + 90Y4

s.a. Y1 + 5Y2 + 16Y3 + 4Y4  7
8Y1 - Y2 + Y3 + 20Y4  2
9Y1 - Y2 + Y3 - 30Y4  3
Yi  0
Ejemplo 6: para problemas de signo combinado;

Hallar el dual del siguiente problema

Max 3X1 + 4X2 - 2X3 Variables duales (*):

s.a 4X1 - 12X2 + 3X3  12 Y1
-2X1 + 3X2 + X3  6 Y2
-5X1 + X2 - 6X3  - 40 Y3
3X1 + 4X2 - 2X3 = 10 Y4
X  0, X  0, X3 no restringida en signo

3.1.2 REGLAS DE TRANSFORMACIÓN

Regla No. 1: El Número de variables del problema dual es igual al número de

restricciones del problema original. El número de restricciones del
problema dual es igual al número de variables del problema original.
Dado que el ejemplo No. 6 tiene cuatro restricciones y tres variables, el
dual tendrá tres restricciones y cuatro variables. Vemos que cada una de
las cuatro variables (*) del dual corresponde a una de las restricciones.

Regla No. 2: Los coeficientes de la función objetivo en el problema dual serán el vector
de recursos del problema original

12Y1 + 6Y2 - 40Y3 + 10 Y4

Regla No. 3: Si el problema original es un modelo de maximización, el dual será una de

minimización. Si el problema original es un modelo de minimización, el
dual será uno de maximización.

Min 12Y1 + 6Y2 - 40Y3 + 10 Y4

Regla No. 4: Los Coeficientes de la primera restricción del problema dual son los
coeficientes de la primera variable en las restricciones del problema
original, y en forma análoga para las otras restricciones.

4Y1 – 2Y2 – 5Y3 + 3Y4

54
 La segunda función de restricción será

-12Y1 + 3Y2 + Y3 + 4Y4

La tercera función de restricción será

3Y1 + Y2 – 6Y3 - 2Y4

Observe que estas restricciones se obtienen leyendo “hacia abajo” los

reglones de problema original.

Regla No. 5: Los lados derechos de las restricciones duales son los coeficientes en
función objetivo del problema original.

4Y1 – 2Y2 – 5Y3 + 3Y4 3

-12Y1 + 3Y2 + Y3 + 4Y4 4
3Y1 + Y2 – 6Y3 - 2Y4 -2

Regla No. 6: El sentido de la i-ésima dual es = si sólo si la i-ésima variable del problema
original no tiene restricción de signo. Entonces, ya que la tercera variable
del problema original no tiene restricción de signo, la tercera restricción
dual es una igualdad;

3Y1 + Y2 – 6Y3 - 2Y4 = -2

Regla No.7: Si el problema original es un modelo de maximización (minimización),

entonces, después de aplicar la regla 6, asigne a las restantes restricciones
duales el mismo (opuesto) sentido a la variable correspondiente del
problema original.

Observe que la primera variable del modelo original (maximización) es X

 0 y la segunda X  0. Esto significa que la primera restricción dual será
 y la segunda :

4Y1 – 2Y2 – 5Y3 + 3Y4  3

-12Y1 + 3Y2 + Y3 + 4Y4  4

La regla 7 significa también que si el problema original es de tipo

minimización las desigualdades anteriores se habrían escrito como  3 y 
4, respectivamente.

Regla No. 8: La i-ésima variable del problema dual no tendrá restricción de signo si y
sólo si la i-ésima restricción del problema original es una igualdad.

Puesto que la cuarta restricción del problema original es una igualdad, la

regla 8 establece que la cuarta variable dual, Y4, no tendrá restricción de
signo.

Regla No. 9: Si el problema original es un modelo de maximización (minimización),

entonces, después de aplicar la regla *, asigne a las demás variables
duales el signo contrario (el mismo signo) que la restricción
correspondiente en el problema original.

55
 Ya que la restricciones primeras y segunda del problema original de
maximización son , la regla 9 establece que Y1  0, Y2  0. y puesto que
la tercera restricción del problema original es , debemos tener Y3  0.

Min 12Y1 + 6Y2 40Y3 + 10 Y4

4Y1 – 2Y2 – 5Y3 + 3Y4  3

-12Y1 + 3Y2 + Y3 + 4Y4  4
3Y1 + Y2 – 6Y3 - 2Y4 = -2

Y1  0, Y2  0, Y3  0, Y4 no restringida en signo

Ejemplo 7: Hallar la solución del programa primal y su dual del siguiente problema.

Max. Z = 3000X1 + 5000X2

s.a. X1 + 2X2  200

X1 + X2  140
Xi  0

X2

140

100

Max. Z = 300 (80) + 5000 (60)

= 540,000

140 200 X1

Min. W = 200Y1 + 140Y2

s.a. Y1 + Y2  3000
2Y1 + Y2  5000
Yi  0

56
 5000

300

1000 Min. W = 200 (2000) + 140 (1000)

= 540,000

2000 300

3.1.3 INTERPRETACIÓN ECONÓMICA

La utilidad por unidad Cj, de la actividad j es en soles por unidad. Entonces, por
consistencia de cantidad Σaij Yi debe estar también en soles por unidad. Enseguida,
debido a que Cj representa la utilidad, la cantidad Σ aij Yi que aparece en la ecuación con
un signo opuesto, debe representar el costo. Al mismo tiempo, dado que aij es la cantidad
del recurso i utilizada por la actividad j, las variables duales Yi deben representar el
costo atribuido por unidad del recurso i y podemos pensar en la cantidad Σ aij Yi como el
costo atribuido de todos los recursos necesarios para producir una cantidad de la
actividad j.

La condición de maximización de optimalidad del método simplex dice que un

incremento en el nivel de una actividad j no utilizada (no básica) mejorará la utilidad
sólo si su coeficiente objetivo (Σ aij Yi - Cj ) es negativo. En términos de la
interpretación anterior, esta condición manifiesta que:

Costo atribuido de los Utilidad por

Recursos empleados por < unidad de la
Unidad de la actividad actividad

Por tanto, la condición de maximización de la optimalidad dice que es

económicamente ventajoso incrementar una actividad a un nivel positivo si la utilidad
por unidad excede el costo atribuido por unidad.

Ejemplo 8 En una fábrica de muebles se elaboran tres tipos de productos: juego de

dormitorio, juego comedor y juegos de sala, utilizando tres operaciones. Los
límites diarios sobre los tiempos disponibles para las tres operaciones son de
430, 460 y 420 minutos, respectivamente y las utilidades por cada juego de
dormitorio, juego de comedor y juego de sala son 3, 2 y 5 dólares,

57
respectivamente. Los tiempos de ensamble por juego de dormitorio en las
tres operaciones son de 1, 3 y 1 minutos, respectivamente. Los tiempos
correspondientes por juego comedor y por juego de sala son (2, 0, 4) y (1, 2,
0) minutos (un tiempo de cero indica que la operación no se utiliza).

Si dejamos que X1, X2 y X3 representen el número diario de unidades

ensambladas de juego de dormitorio, juego de comedor y juego de sala, el
modelo de PL asociado a su dual se da como:

Programa primal Programa Dual

Max. Z = 3X1 + 2X2 5X3 Min. Z = 430Y1 + 460Y2 + 420Y3

X1 + 2X2 + X3  430 Y1 + 3Y2 + Y3  3

3X1 + + 2X3  460 3Y1 + + 4Y3  460
X1 + 4X2  420 Y1 + 2Y2  420

X1, X2  0 Y1, Y2, Y3  0

SOLUCIÓN OPTIMA SOLUCIÓN OPTIMA

X1 = 0, X2 = 100, X3 = 230, Z = 1350 Y1 = 1, Y2 = 2, Y3 = 0

Si la competencia obliga a la empresa producir juego de dormitorio. ¿Cuál

sería la alternativa para producir?

Si vemos el desde el punto de vista de la interpretación de Zi – Ci para Xij

la producción del juego de dormitorio sería atractivo sólo si Z < Ci:

a) Z1 = Y1 + 3Y2 + Y3 b) Z2 = 2Y1 + + 4Y3

Z1 = 1 + 3(2) + 0 Z2 = 2(1) + + 4(0)

Z1 = 7 Z2 = 2
Z1 > C1 Z2 = C2
C1 = 3 C2 = 2

c) Z3 = Y1 + 2Y3
Z3 = 1 + 2(2)

Z3 = 5
Z2 = C2
C3 = 5

58
 TEMA IV

MODELOS DE TRANSPORTE

4.1 INTRODUCCIÓN

Aunque pueden encontrarse antecedentes de aplicación de la Investigación Operativa

prácticamente desde que el hombre empezó a contar, su uso generalizado es mucho más
reciente y el impulso quizás mayor en su desarrollo lo obtuvo con la solución general del
problema de la programación lineal. Uno de los aspectos más conocidos de este último es el
problema del transporte propuesto por Hitchcock en 1941, el cual casi ha llegado a ser clásico.
Por ello y porque tiene una solución muy sencilla (desarrollada por Dantzig) nos permitimos
ofrecerla separadamente, como exponente de lo que pueden ser las técnicas matemáticas de la
Investigación Operativa.

4.2. MODELOS DE TRANSPORTE

Dentro de la programación lineal existe una cierta clase de problema en los cuales se
debe determinar un esquema optimo del transporte que se origina en los lugares de oferta donde
la existencia de cierta mercadería es conocida, y llega a los lugares en donde se conoce la
cantidad requerida. El costo de cada envío es proporcional a la cantidad transporta y, el costo
total es la suma de los costos individuales. La solución de estos problemas es útil en la
agricultura la que necesita de esquemas de transportación para poder colocar en forma óptima
su cosecha en el mercado de consumo, y en la industria, la cual necesita el abastecimiento de
materias primas para su transformación y posteriormente colocar sus productos manufacturados
en el mercado.

El modelo tiene que ver con la determinación de un plan de costo mínimo para
transportar una mercancía desde varias fuentes (por ejemplo, fábricas) a varios destinos (por
ejemplo, almacenes o bodegas). El modelo se puede extender de manera directa para abarcar
situaciones prácticas de las áreas de control del inventario, programación del empleo y
asignación de personal, entre otros.

El objetivo del modelo es el de determinar la cantidad que se enviará de cada fuente

a cada destino, tal que se minimice el costo de transporte total.

4.2.1 FORMULACIÓN DEL PROBLEMA

El problema de transporte clásico consiste en distribuir cualquier producto desde

un grupo de centros de producción llamados origines a un grupo de centros de recepción
llamados destinos. Conocidos la cantidad de que se dispone en cada origen la cantidad
demandada en cada destino y el costo de transportar una unidad de producto de cada
origen a cada destino; se satisfaga la demanda con el costo mínimo.

a). Considerando m orígenes y n destinos. Se tiene esquemáticamente:

59
 Orígenes Destinos

1 X1 1 X1
2 X2 2 X2
. . . .
. . . .
. . . .
i Xi j Xj
. . . .
. . . .
. . . .
m Xm n Xn

b). En forma Tabular se tiene:

Destinos

1 2 ... n ai
1 C11 ... C 1 n a1
2 C21 ... C 2 n a2
Orígenes . . .. . . .
. . ... . .
. . ... . .
m Cm1 ... Cmn a2

bj b1 b2 ... bn

4.2.2 PLANTEAMIENTO DEL PROBLEMA

a.- Existen m orígenes y se supone que en cada origen hay ai unidades disponibles o
almacenadas de determinado producto; siendo i = 1,2,..., m.

b.- Existen también n destinos; y cada una requiere de bj unidades de este producto,
siendo j = 1,2,...,n.

c.- Las ai se llaman exigencias por fila, las bj exigencias por columna. Todas las
exigencias por fila y columna son positivas puesto que los valores nulos o negativos
no tendrá significado físico.

d.- Además se tiene el costo de transporte de una unidad del producto desde el origen i
hasta el destino j que está representado por Cij.

Una solución o programa de transporte queda definido por un conjunto de m

x n número xij, donde xij = número de unidades a enviar del origen i al destino j.

i).- Escribiendo como matriz de solución se tiene:

60
 X11 + X12 + . . . + X1n
X21 + X22 + . . . + X2n
. . . .
X = . . . .   Cij Xij
. . . .
Xm1 + Xm2 + . . . + Xmn

 Xij  0 para i, j

ii).- La Cantidad enviada por cada origen puede escribirse como:

X11 + X12 + . . . + X1n = a1

X21 + X22 + . . . + X2n = a2
. . . . .
. . . . . Xi = ai  i = 1,...,m
. . . . .

Xm1 + Xm2 ... + Xmn = am

iii).- La Cantidad total recibida por cada destino puede, a su vez, describirse como:

X11 + X21 + ... + Xm1 = b1

X12 + X22 + ... + Xm2 = b2
. . . . .
. . . . . Xij = bj  j = 1,..., n
. . . . .

X1n + X2n + ... + Xmn = bn

iv).- Formulación analítica de problema de transporte es:

Min Z =  Cij Xij

s.a:  Xij = ai
 Xij = bj

Xij  0 (i = 1,2,...,m y j = 1,2,..., n)

61
4.2.3 MÉTODOS DE SOLUCIÓN

A. MÉTODO DE LA ESQUINA NOR-ESTE

Se empieza en la celda (1,1) calculando X11 = min (a1 , b1 ). Si a1 < b1, se hace b1 =
b1- a1, se pasa a la celda (2,1) calculando X21 = min (a2, b1). Si en el paso anterior a 1 >
b1; entonces de hace a1 = a1- b1 y se pasa a la celda (1,2) para calcular X12 como
mínimo de (a1, b2) y así se continúa hasta la solución factible básica inicial.

Ejemplo No. 1

Una compañía tiene fábricas en A, B y C, las cuales proveen a los almacenes

que están en D, E, F y G. Las capacidades, requerimientos y los costos unitarios de
embarque son los siguientes:

D1 D2 D3 D4 ai
O1 17 20 13 12 70
O2 15 21 26 25 90
O3 15 14 15 17 115
bj 50 60 70 95

SOLUCIÓN

X11 = min (a1, b1) = (70, 50) = 50

17 20 13 12 A1 = a1- b1 = 70 - 50 = 20
50 20 70 20
X12 = min (a1, b2) = (20,60) = 20
15 21 26 25 90 50 B2 = b2- a1 = 60 - 20 = 40
40 50
15 14 15 17 X22 = min (a2, b2) = (90, 40) = 40
20 95 115 95 A2 = a2 -b2 = 90 - 40 = 50

50 60 70 95 X23 = min (a2, b3) = (50, 70) = 50

B3 = b3- a2 = 70-50 = 20
40 20
X33 = min (a3, b3 ) = (115, 20) = 20
A3 = a3- b = 115 - 20 = 95

RESPUESTA:

X11 = 50
X12 = 20
X22 = 40
X23 = 50
X33 = 20
X34 = 95

COSTO TOTAL = 17x50 + 20x20 + 21x40 + 26x50 + 15x20 + 17x95 = 5,305

62
B. MÉTODO DE LA MATRIZ MÍNIMA

Se debe acudir a la celda cuyo costo es el más bajo de todos los que integran
la matriz. Si existen varias se selecciona arbitrariamente una de ellas. De la celda (ij)
entonces Xij = min (ai, bj).

Si ai < bj hágase bj = bj- ai y elimínese la fila i.

Si: bj < ai hágase ai = ai - bj y elimínese la columna j

Si: ai = bj elimínese la fila i o la columna j, pero no ambas.

Ejemplo No. 2

Tomando en cuenta el ejemplo No. 1, se tiene:

17 20 13 12
70 70
15 21 26 25
50 15 25 90 40 15
15 14 60 15 55 17 115 55

50 60 70 95

15 25

RESPUESTA: 15x50 + 14x60 + 26x15 + 15x55 + 12x70 + 25x25 = 4,270

Este costo total es menor que el costo proporcionado por el método de la

esquina noroeste. Esto significa que la solución encontrada por el método de la
matriz mínima está más cerca al óptimo.

C. MÉTODO DE VOGEL

Provee una solución factible inicial generalmente superior a los anteriores. El

método mide la diferencia entre los dos costos menores en cada fila o columna y este
indica donde la no asignación al costo menor significa la mayor pérdida (Principio de
la más grande penalidad).

Procedimiento de solución:

1.- Determinar la penalidad para cada fila y cada columna y colocar la solución inicial
en la variable que tenga el menor costo en esta fila o columna. Para la fila i, esto
significa restar el costo menor de esta fila del siguiente costo menor de la misma
fila en la matriz de costos. Si dos costos de esta fila es ambos el menor la penalidad,
diferencia es cero (0). La penalidad de la columna j se calcula de una forma
similar.

63
2.- Cuando se han calculado todas las penalidades, localícese la mayor, ya sea una
penalidad de fila o de columna y ahí introducir a la base X ij correspondiente en la
celda de costo más bajo (ij) esto es:

Xij = min (ai, bj). Si ai < bj hágase bj = bj - ai y elimínese la fila i, esta fila se
elimina en Oi resto del proceso y seguidamente se recalcula las penalidades de
columna sin considerar ahora en el cálculo de las penalidades de columna o fila los
elementos de La matriz de costos de la fila eliminada.

Si bj < ai hágase ai = ai - bj y elimínese las columnas; esta columna se elimina

en el resto del proceso y seguidamente se calcula las penalidades de fila sin
considerar ahora en el cálculo de la columna eliminada. Si a i = bj elimínese la fila i,
o la columna j pero no ambos.

3.- Repetir el proceso hasta obtener la solución factible básica inicial.

Ejemplo No. 3

17 20 13 12
70 70 1
15 21 26 25
90 6
15 14 60 15 17 115 1

50 60 70 95

0 6 2 5

Observamos que existen dos penalidades iguales de la fila 2 y columna 2; para

seguir adelante elegimos la columna 2 que contiene el menor costo (14); luego
introducimos la base.

17 13 12
70 1
15 26 25
50 90 10 40
15 15 17 55 0

50 70 95

0 2 5

Como 10 es la mayor penalidad y está en la fila 2, buscamos en esta fila el

menor costo (15), luego introducimos la base

64
 13 12
70 70 1
26 25
40 1
15 17 55 2

70 95

2 5
25

Como 5 es la mayor penalidad y está en la columna 4 buscamos en esta

columna el menor costo (12), luego introducimos a la base.

26 25
40 1
15 55 17 55 2

70 25

11 8
15

26 25
15 25 40 1 15

15 25

RESPUESTA: 14x60 + 15x50 + 12x70 + 15x55 + 26x15 + 25x25 = 4,270

D. MÉTODO DE RUSSELL

Edwar J. Ruseel en 1968, presenta un método que proporciona una solución

inicial cerca de la óptima que es mejor, en general, a los métodos tratados
anteriormente.

Procedimiento de Solución

1.- Calcúlese las cantidades Ui (i = 1, 2, ... , m) y Vj (j = 1, 2, ... , n),

sabiendo que:

Ui = max (Cij) y Vj = max (Cij)

2.- Encuéntrese la mejor variable Xij para formar una base usando los estimadores
encontrados en (1) de acuerdo con el criterio de Dantzig; esto es:

Xij = max ( ij )  (Ui + Vj - Cij ) > 0 ]

65
3.- Introducimos a la base:

Xij = min ( ai,, bj ). Si ai < bj hágase bj = bi - ai. Se elimina fila i

Si bj < ai hágase ai = ai - bj. Se elimina columna j

Si ai = bj elimínese la fila i o la columna j

4.- Se termina el método si todos los a i y bj son cero, si no es así se debe repetir el
proceso desde 1.
Ejemplo No. 4

17 20 13 12
70
15 21 26 25
90
15 14 15 17 115

50 60 70 95

Calculando las Ui y Vj se tiene:

17 20 13 12
70 20
15 21 26 25
90 26
15 14 15 17 115 17

50 60 70 95

17 21 26 25

Calculando (Ui + Vj - Cij ) se tiene:

17 20 13 12 70
20 21 33 33 70
15 28 21 26 26 26 25 26
90
15 19 14 24 15 28 17 25 115

50 60 70 95

Encontrando la mejor variable Xij para formar una base utilizando: Xij = max (i, j) 
[( Ui + Vj - Cij ) > 0 ]

15 26 21 26 26 26 25 26 90
26
15 17 14 24 15 70 17 25 115 17 45

50 60 70 25

15 21 26 25

66
Se asigna en el costo más bajo cuando existen varios mayores de C ij:

15 50 21 25
25 25 25 90 25 40
15 17 14 24 17 25 45 17

50 60 25

15 21 25

21 25
25 25 40 25 0
14 24 17 25 45 17 20
25
60 25

21 25

21 40
25 40 21
14 20 20 14
25
60

25
40

RESPUESTA: 12x70 + 15x70 + 15x50 + 17x25 + 14x20 + 21x40 = 4,185

67
 TEMA V

MODELOS DE ASIGNACIÓN

5.l. PROBLEMAS DE ASIGNACIÓN

Existen algunos problemas que no se pueden resolver por el método símplex, tampoco
por el de transporte, llamados casos especiales de problemas de programación lineal que se
resuelven aplicando ciertas técnicas especiales que reducen enormemente los pesados cálculos
que exigen los anteriores métodos.

Son una variante de los anteriores caracterizada porque las cantidades transportadas son
siempre la unidad. Estas peculiaridades hacen que, al resolverlos por los procedimientos
tradicionales utilizados para problemas de transporte, se presenten como degenerados y por lo
tanto resulten de cálculo engorrosos. Por ello son preferibles otros métodos basados en la teoría
de grafos y en particular el debido al matemático D. Konig y conocido con el nombre de
“algoritmo húngaro”.

Considérese la situación de asignar m trabajos (o trabajadores) a n máquinas. Un trabajo

(i = 1, 2, .... , m) cuando se asigna a la máquina (j = 1, 2, ... , n) incurre en un costo C ij. El
objetivo es asignar trabajadores a las máquinas (un trabajo por máquina) al menor costo total.

5.1.1 FORMULACIÓN DEL PROGRAMA

Dados n servicios y n tareas y dado el rendimiento de cada servicio aplicado a

cada tarea, el problema consiste en asignar cada servicio a un trabajo, y sólo a uno de
forma que la medida del rendimiento sea la óptima.

Sea Cij = coeficiente de costo (ganancia) de ejecución de la tarea j por el

servicio (operario) i.

Además: Xij = 1 si el servicio i es asignado a la tarea j

Xij = 0 si el servicio i no es asignado a la tarea j.

Nuestro problema será entonces:

Max o Min Z =   Cij Xij

s. a :  Xij = 1; i = 1, 2, ... , n El servicio i debe ser
asignado a una y solamente
a una tarea.
Xij = 1 ; j = 1, 2, ... , n

5.1.2 MÉTODO DE SOLUCIÓN

A. MÉTODO HÚNGARO

Busca determinar un conjunto de n ceros (0) independientes en cada

fila y columna. El conjunto no es necesariamente único.
Pasos:

68
1.- Examinar todas las columnas de la matriz C, identificando en cada columna el
menor elemento.

Vj = min Cij y forme una nueva matriz C' reemplazando Cij por Cij 

C' = Cij - Vj para j = 1, 2, ... , n

2.- Determinar para cada fila los Ui = min C’ij y determine

C* ij = C' ij - Ui para i = 1, 2, ...., n

3.- Determinar el número de ceros independientes; para ello encontrar el número de

rectas ni que cubran todos los cerros de la matriz C*. Si n = n se encuentra el
óptimo.

Para encontrar ni computar al margen de la matriz C* el número de

ceros existentes en cada fila y en cada columna. Se elegirá la fila o columna que
tenga el mayor número de ceros y se traza una recta por sobre esa línea o
columna. Esto altera el número ceros en las filas o columnas de la matriz. Así se
empate, rómpase éste arbitrariamente.

4.- Si ni  n proceder:

 = mínimo elemento de C* no cubierto por las rectas

Restar  a todos los elementos no cubiertos por las rectas

Sumar  a todos los elementos en las intersecciones entre dos rectas

Volver al paso 3 y repetir el proceso

5.- Si ni = n se ha llegado a la solución óptima. Para buscar la solución, considerar,

ante todo, una de la fila o columna que tengan la menor cantidad de ceros.

Encerrar dentro de un círculo uno de los ceros de esta hilera.

Marcando con una cruz los ceros que se encuentren sobre la misma fila o
columna que el cero encerrado en el círculo.

Proceder en la misma forma sucesivamente para todas las filas y

columnas. Los ceros en los círculos constituyen la asignación óptima.

Ejemplo 1:

Existen 5 operarios a, b, c, d y e para llenar 5 cargos f, g, h, i y j, La matriz

de costos C, que caracteriza el problema de la asignación es la siguiente:
f g h i j
a 5 3 7 3 4
b 5 6 12 7 8
c 2 8 3 4 5
d 9 6 10 5 6
e 3 2 1 4 5

69
 SOLUCIÓN

1.- Buscar los valores menores en las columnas y restar de los otros valores de la
columna:
5 3 7 3 4 3 1 6 0 0
5 6 12 7 8 3 4 11 4 4
2 8 3 4 5 0 6 2 1 1
9 6 10 5 6 7 4 9 2 2
3 2 1 4 5 1 0 0 1 1

2 2 1 3 4

2.- Buscar los valores más pequeños en las filas y restarlas de los otros valores de las
filas:
3 1 6 0 0 3 1 6 0 0
3 4 11 4 4 3 0 1 8 1 1
0 6 2 1 1 0 6 2 1 1
7 4 9 2 2 2 5 2 7 0 0
1 0 0 1 1 1 0 0 1 1

3.- Procedemos a encontrar el número mínimo de rectas ni que cubren todos los
ceros de matriz C*

3 1 6 0 0 2
0 1 8 1 1 1
0 6 2 1 11
5 2 7 0 0 2
1 0 0 1 1 2

2 1 1 2 2

Vemos que ni = 4; n = 5  no llega al óptimo.

4.- En este caso  = 1 (elemento mínimo no cubierto por las rectas)

• Se resta  a todos los elementos no cubiertos por las rectas.
• Se suma  a todos los elementos en las intersecciones entre 2 rectas y se
vuelve al paso 3. La matriz C* se transforma en:

4 1 6 0 0 2
0 0 7 0 0 1
0 5 1 0 0 1
6 2 7 0 0 2
2 0 0 1 1 2

2 1 1 2 2

Se observa que: ni = 5 = n., por consiguiente, se encontró el óptimo.

70
5.- La asignación óptima resultante se determina empezando de menor cantidad de
ceros (0):
4 1 6 (0) (0) 2

0 (0) 7 0 0 4

(0) 5 1 0 0 3

6 2 7 (0) (0) 2

2 0 (0) 1 1 2

2 2 1 4 4

a es asignado a i, j
b es asignado a g
c es asignado a f
d es asignado a i, j
e es asignado a h.

Ejemplo No. 2. Variantes del Programa de Asignación

En una matriz de nxm; donde (m < n ), el problema de la asignación se

presenta en una forma en la que la matriz no es cuadrada. En tal caso es fácil
convertir esta matriz en una cuadrada, como se hace en el siguiente ejemplo:

5 7 3 7
8 2 5 5
4 9 6 9
7 5 4 8
6 3 5 4
6 8 7 3

Completar 2 columnas con valores ceros ( 0 ) para que la matriz sea cuadrática:

5 7 3 7 0 0
8 2 5 5 0 0
4 9 6 9 0 0
7 5 4 8 0 0
6 3 5 4 0 0
6 8 7 3 0 0

1.- Buscar los valores menores en las columnas y restar de los otros valores de la
columna
5 7 3 7 0 0 1 5 0 4 0 0
8 2 5 5 0 0 4 0 2 2 0 0
4 9 6 9 0 0 0 7 3 6 0 0
7 5 4 8 0 0 3 3 1 5 0 0
6 3 5 4 0 0 2 1 2 1 0 0
6 8 7 3 0 0 2 6 4 0 0 0

4 2 3 3

71
2.- Buscar los valores más pequeños en las filas y restarlas de los otros valores de las
filas.

1 5 0 4 0 0
4 0 2 2 0 0
0 7 3 6 0 0
3 3 1 5 0 0
2 1 2 1 0 0
2 6 4 0 0 0

Sumando los ceros (0) tanto en filas como en columnas, luego trazar las rectas:

1 5 0 4 0 0 3 1 5 0 4 0 0
4 0 2 2 0 0 3 4 0 2 2 0 0
0 7 3 6 0 0 3 0 7 3 6 0 0
3 3 1 5 0 0 2 3 3 1 5 0 0
2 1 2 1 0 0 2 2 1 2 1 0 0
2 6 4 0 0 0 3 2 6 4 0 0 0

1 1 1 1 6 6

3.- Se observa que: ni = 6 = n., por consiguiente, se encontró el óptimo.

1 5 (0) 4 0 0 3 2
4 (0) 2 2 0 0 3 2
(0) 7 3 6 0 0 3 2
3 3 1 5 0 0 2 2
2 1 2 1 0 0 2 2
2 6 4 (0) 0 0 3 2

1 1 1 1 6 6

ASIGNACIÓN FINAL

1 es asignado a C
2 es asignado a B
3 es asignado a A
4 es asignado a F
5 es asignado a E
6 es asignado a D

72
 TEMA VI

PROGRAMACIÓN DINÁMICA

6.1. PROGRAMACIÓN DINÁMICA (1950. Richard Bellman. U.S.A., Pontryagin.URSS)

Es un método de optimización, es decir, un método para encontrar la mejor solución

entre varias posibles. El método consiste esencialmente en transformar el primitivo problema,
cuando por su complejidad no permite una fácil solución, en otro en el que puede irse actuando
por pasos, fases o secuencias para llegar a la misma solución óptima. Es evidente que, si se
transforma un problema que depende de N factores en N subproblemas que dependen cada uno
de ellos de un solo factor, podría resolverse con mayor facilidad.

Es un procedimiento matemático diseñado principalmente para mejorar la eficiencia

de cálculo de problemas de programación matemática seleccionados, descomponiéndolos en
subproblemas de menor tamaño y, por consiguiente, más fácil de calcular. Este programa
comúnmente resuelve el problema en etapas, donde en cada etapa interviene exactamente
una variable de optimización.

En la programación dinámica, los cálculos se realizan en etapas dividiendo el

problema en subproblemas. Después se considera por separado cada subproblema con el fin de
reducir el número de operaciones de cálculo. Sin embargo, como los subproblemas son
independientes, debe idearse un procedimiento para enlazar los cálculos de manera que
garantice que una solución factible para cada etapa sea asimismo factible para todo el
problema.

La teoría fundamental de Programación Dinámica es el principio de optimidad. Esto

nos dice básicamente cómo se puede resolver un problema adecuadamente descompuesto en
etapas (en vez de una sola etapa) utilizando cálculos recursivos.

La base de esta transformación está en el principio de optimalidad: Toda solución

óptima sólo puede estar formada por subsoluciones óptimas. Su justificación es evidente: el
camino más corto, a, b, c de A a D pasando por B y C, tiene que ser tal que, a, sea el más corto
de los caminos de A a B, porque si no lo fuera éste podría ser sustituido por el que lo fuera, por
ejemplo a' en cuyo caso se habría hallado un camino a', b, c de A a D, pasando por B y C más
corto que a, b, c, contrariamente a lo que se había supuesto.

a b c
B C
A c' D
b'
c''
a' b'' c'''

Ejemplo No. 1

La Industria Militar de la Marina de Guerra del Perú quiere determinar el número de

unidades para cada uno de los tres artículos que se incluirán en un equipo militar de
reparaciones para venta al menudeo, cuyo costo total no puede ser mayor de $ 390. La pieza 23
cuesta $ 40, la pieza 56 $60 y la pieza 42 $ 100. El problema consiste en determinar el número
de cada tipo de pieza (23, 56 y 42), que haya que incluir en un equipo de campo para aumentar
al máximo su utilización. El equipo debe contener por lo menos una unidad de las piezas 23 y
56.

73
 No. DE PIEZAS UTILIDAD DE UTILIDAD DE UTILIDAD DE
EN EL EQUIPO LA PIEZA 23 LA PIEZA 56 LA PIEZA 42

1 60 140 200
2 120 200 300
3 180 250 380
4 230 290 440
5 275 320 480
6 310 345 510
7 345 365 540
8 375 380 560

SOLUCIÓN

a.- Total de Unidades cuando el Número de Piezas 42 es Cero

P-23
1 2 3 4 5 6 7 8
P. 56

1 200 260 320 370 415 450 485 515

2 260 320 380 430 475 510
3 310 370 430 480 525
4 350 410 470
5 380 440

RESPUESTA:

i) Obsérvese que las celdas en blanco incumplen la disponibilidad (cuyo costo total
no puede ser mayor de $ 390).
ii) Así la inclusión de 2 piezas 56 y 7 piezas 23 dan un costo: 2 x 60 + 7 x 40 = $ 400

b.- Total de Unidades cuando en No. de Piezas 42 es 1

P – 23
1 2 3 4 5
P – 56
1 400 460 520 570 615
2 460 520 580 630
3 510 570
4 550

RESPUESTA:

Obsérvese que para la pieza:

23 = 4 unidades
56 = 2 unidades
42 = 1 unidad se da la más alta utilidad.

74
Ejemplo 2 (determinístico)

Un caza fortunas mítico de Missouri que debe ir al oeste a unirse a la fiebre del oro en
California a mediados del siglo XIX. Tiene que hacer el viaje en diligencias a través de los
territorios sin ley cuando existían serios peligros de ser atacado por merodeadores. Aun cuando
su punto de partida y su destino eran fijos, tenía muchas opciones en cuanto a qué estados debía
elegir como puntos intermedios. La figura siguiente muestra las rutas posibles, en donde cada
estado está representado por un círculo numerado.

7
B E
4 1
2 6 4
H
3 6 3
A 4 C F J
2
4 3 4

3 4 1 3 I
3
D G
5
Como se puede observar, se requerían cuatro etapas para viajar desde su punto de
partida en el estado.

Este cazafortunas era un hombre prudente que estaba preocupado por su seguridad.
Después de reflexionar un poco se le ocurrió una manera bastante ingeniosa para determinar la
ruta más segura. Se ofrecían pólizas de seguros de vida a los pasajeros. Como el costo de la
póliza para cualquier jornada de la diligencia estaba basado en una evaluación cuidadosa de la
seguridad del recorrido, la ruta más segura debía ser aquella que tuviera el costo total más
barato.

El costo de la póliza estándar para el viaje en diligencia, del estado i al estado j, se

denota por Cij y es:

B C D E F G H I J
A 2 4 3 B 7 4 6 E 1 4 H 3
C 3 2 4 F 6 3 I 4
D 4 1 5 G 3 3

La atención se centrará sobre la pregunta ¿cuál es la ruta que minimiza el costo total
de la póliza?

SOLUCIÓN

1ra. Ruta = A B  E  H  J → 2 + 7 + 1 + 3 = 13
2da. Ruta = A  B  F  H  J →
3ra. Ruta = A  B  F  I  J →
4ta. Ruta = A  B  G  H  J →
5ta. Ruta = A  B  G  I  J →
.
.

75
 .RESPUESTA

Corresponderá a la ruta que tenga menos costos totales

Ejemplo 2 (probabilística)

Supongamos que Ud. desea invertir 10,000 dólares durante los siguientes 4 años. Existe 40%
de posibilidad de que duplique su dinero, 20% de posibilidad de que quede a mano y 40% de
que pierda el total de la inversión inicial. Diseñe una estrategia “optima de inversión.

Nota: Los elementos del modelo con Probabilidad son:

- Etapa i se representa por el año i.

- Las alternativas en la etapa i están dadas por Yi
- El estado en la etapa i está dado por Xi

SOLUCION

Usando la notación del modelo, tenemos:

C = 10,000
n=4
m = 3 condición de mercado
P1 = 0.4, P2 = 0.2, P3 = 0.4
r1 = 2, r2 = 0 r3 = -1
Etapa 4:
Fn (Xn) = Xn( 1 + P1r1 + P2r2 + … + Pmrm)

F4 (X4) = X4( 1 + 0.4 x 2 + 0.2 x 0 + 0.4 x –1) = 1.4 X4

Solución óptima
Estado F4(X4) Y*4
X4 1.4 X4 X4

Etapa 3:

F3 (X3) = Max P1f4 (X3 + r1Y3 ) + P2f4(X3 + r2Y3) + P3f4(X3 + r3Y3)

F3 (X3) = max 0.4 x 1.4 (X3 + 2Y2) + 0.2 x 1.4 (X3 + 0Y3) + 0.4 x 1.4 X3 + (-1)Y3

= max 1.4 X3 + 0.56Y3

= 1.96 X3

76
 Así, obtenemos:
Solución óptima
Estado F3(X3) Y*3
X3 1.96 X3 X3
Etapa 2:

F2 (X2) = Max P1f3 (X2 + r1Y2 ) + P2f3(X2 + r2Y2) + P3f3(X2 + r3Y2)

F2 (X2) = max 0.4 x 1.96 (X2 + 2Y2) + 0.2 x 1.96 (X2 + 0Y2) + 0.4 x 1.96 X2 + (-1)Y2

= max 1.96X2 + 0.784Y2

= 2.744X2

Así, obtenemos:
Solución óptima
Estado F2(X2) Y*2
X2 2.744X2 X2
Etapa 1:

F1(X1) = Max P1f2 (X1 + r1Y1) + P2f2(X1 + r2Y1) + P3f2(X1 + r3Y1)

F1 (X1) = max 0.4 x 2.744(X1 + 2Y1) + 0.2 x 1.744(X1 + 0Y1) + 0.4 x 2.744 X1+ (-
1)Y1

= max 2.744X1 + 1.0976Y1

= 3.8416X1

Así, obtenemos:

Solución óptima
Estado F1(X1) Y*1
X1 2.744X1 X1

De esta forma, la política de inversión óptima se puede resumir: como Y*1 = Xi para i
=1 a 4, la solución óptima requiere invertir todos los fondos disponibles al inicio de cada
año. Los fondos acumulados al final de 4 años son 3.8416 X 1= 3.8416 (10,000$) =
38,416$.

77
 TEMA VII

TEORÍA DE JUEGOS

7.1. DEFINICIÓN

Es una rama de análisis matemático que trata situaciones de conflicto con modelos
abstractos o juegos de estrategia. Lo que caracteriza a este tipo de juegos es el hecho de que
sus resultados dependen de la acción conjunta de los participantes tanto como del azar. El
análisis teórico del juego mantiene el criterio esencialmente conservador de jugar óptimo no
tanto el éxito que pueda conseguir el jugador (por astucia, intuición o suerte) sino como este
asegura sus propias acciones a lo largo del juego.

Desde el punto de vista teórico, un juego es un modelo de una situación conflictiva. Los
jugadores que compiten son considerados como personas tanto si el juego es individual, por
equipos o cualquier otra agregación que represente un conjunto único de interés. Una partida
de juego es un ejercicio sobre el modelo de conflicto de acuerdo con unas reglas que consiste
en uno o más movimientos de cada jugador que pueden estar influidos por el azar. El resultado
del juego está representado por el PAYOFF, ganancia o pérdida de alguna utilidad para cada
jugador como resultado de unas posiciones conseguidas al final del juego.

7.2. FORMA EXPLÍCITA DEL JUEGO.

Normalmente, las reglas del juego especifican:

a. Una progresión de etapas que consiste en una o (usualmente) más alternativas originadas
desde un punto de partida.

b. La identificación en cada momento tanto de la persona que debe elegir la alternativa a seguir
como del azar si intervienen una variable estocástica en esta fase, por ejemplo, una etapa
determinada al azar o probabilísticamente.

c. Una distribución de probabilidad apropiada en cada etapa estocástica.

d. Un criterio de reconocimiento de las posiciones finales de juego.

e. Una función de PAYOFF determinada por la serie de posiciones alcanzadas por cada
jugador al final del juego.

7.3. JUEGO DE SUMA CERO ENTRE 2 PERSONAS: ESTRATEGIA PURA

a. Existen 2 jugadores; jugador de filas y jugador de columnas.

b. El jugador de filas debe escoger una de m estrategias y el jugador de columna una de n

estrategias.

c. Si el jugador de filas escoge su i-ésima estrategia y el de columnas su j-ésima estrategia, el

de fila recibe una recompensa de aij y el de columnas pierde aij cantidad.

78
 C1 C2 C3 ... Cn

F1 a11 a12 a13 ... a1n

F2 a21 a22 a23 ... a2n
. . . . .
. . . . .
. . . . .
Fn am1 am2 am3 ... amn

Ejemplo 1

En el horario de 12 a 2 p.m., dos radios emisoras A y B compiten la audiencia de la

población Huamanguina. Las emisoras deben anunciar en forma simultanea los titulares que
emitirán en ese horario. Las preferencias de cada emisora aparecen en la tabla contigua y el
número de radioescuchas de la emisora A. ¿Cuál es el valor del juego para las emisoras?

EMISORA B
NOTICIAS
CULTURALES POLITICAS DEPORTIVAS
NOTICIAS

CULTURALES 30 10 55
EMISORA A PILOTICAS 40 53 45
DEPROTIVAS 33 09 65

A  buscará la máxima audiencia

B  buscará la minimización de A.

PUNTO DE SILLA Y VALOR DEL JUEGO

B MaxMin
10
30 10 55
A (40)
40 53 45
09
33 09 65
MinMax (40 ) 53 65

RESPUESTA: Punto de silla = 40 = Valor del juego

Ejemplo No. 2

Dos candidatos a la silla Municipal de san Juan Bautista compiten el número de electores
en miles mencionadas en la tabla. La tabla está en función de los simpatizantes del candidato de
A. ¿Cuál será el número de electores que equilibre a ambos candidatos?

CANDIDATO B
SECTOR 1 SECTOR 2 SECTOR 3 SECTOR 4 MaxMin
SECTOR 1 4 5 5 8 4
SECTOR 2 8 7 6 9 (6)
CANDIDATO A SECTOR 3 5 7 5 4 4
SECTOR4 6 6 5 5 5

MinMax 8 7 (6) 9

RESPUESTA: Punto de Silla = Valor de Juego = 6

79
7.4. JUEGO DE SUMA CERO ENTRE 2 PERSONAS: ESTRATEGIA MIXTA

Es aquel en que, para cualquier selección de estrategias de ambos jugadores, la recompensa

del jugador de filas y columnas se suman para dar un valor constante.

Ejemplo No. 3
i) Punto de Silla ii) Por dominio
B MaxMin B

4 4 10 (4) 4 4 10 18
A 2 3 1 1 A 2 3 1 6
6 5 3 3 6 5 3 14
MinMax 6 (5) 10 10 9 13

No existe Valor de Juego

iii) Punto de Silla

B MaxMin

4 4 4
A 6 5 (5) RESPUESTA: Existe Valor de Juego = 5

MinMax 6 (5 )

Ejemplo No. 4: Problemas sin solución por Punto de silla ni por el Método Mixto
i) Punto de Silla ii) Por Dominio iii) Punto de Silla

B MaxMin B MaxMin B MaxMin

(3) 11 (3)
A 4A 4 3 1 4 4 3 16 41 3
8 1 7 -1 8 1 7 0 1 7
-1 2 -1 -1 2 -1
MinMax (4) 7
MinMax 8 (4 ) 7 12 5 10 No existe Solución
No existe P. S. Ni V. J.

iv) Método algebraico:

Para A Para B

Q 1-Q 4 (q) + 3 (1- Q) = 1 (Q) + 7 (1 - Q)

4Q + 3 - 3Q = Q + 7 - 7Q
P 4 3 Q + 3 = -6Q + 7
1-P 1 7 Q + 6Q = 7 - 3

4 (P) + 1 (1 -P) = 3 (P) + 7 (1 - P)

4P + 1 - P = 3P + 7 - 7P Q = 4/7
1 - 3P = 7 - 4P
1 - 7 = - 4P - 3P
- 6 = - 7P 1- Q = 3/7

P = 6/7

1 - P = 1/7

80
 Total Ganancia esperada de A

4/7 3/7
G.E. = 4/7  4 (6/7) + 1 (1/7)  + 3/7  3 (6/7) + 7 (1/7) 
6/7 4 3
1/7 1 7 = 100/49 + 75/49 = 25/7

81
 TEMA VIII

CADENAS DE MARKOV

8.1. MODELOS DE MARKOV

Es una nueva aplicación de la programación dinámica a la solución de un proceso de

decisión estocástico, que se puede describir a través de un número finito de estados. La matriz
de transición y de ingreso, depende de las alternativas de decisión. El objetivo del problema es
el de determinar la política o curso de acción óptimo que maximice el ingreso esperado del
proceso en un número de etapas finito o infinito.

Ejemplo No. 1

Examínese las matrices de probabilidades de transición y determínese las participaciones de

equilibrio de mercado para cada empresa.

a.- Empresa A Empresa B Empresa C

Empresa A 0.8 0.0 0.0
Empresa B 0.1 0.8 0.4
Empresa C 0.1 0.2 0.6

SOLUCIÓN

i).- El cálculo de las probables participaciones de mercado para las empresas A, B, C

durante el siguiente período es igual a:

Participaciones Participaciones
Probabilidades X del mercado en = del mercado en
De transición el período el período
actual siguiente

Entonces: .-

0.8 0.0 0.0 A A A, B, C Son participaciones del mercado

0.1 0.8 0.4 X B = B
0.1 0.2 0.6 C C

0.8A + 0.0B + 0.0C = A A - 0.8A = 0.2 A

0.1A + 0.8B + 0.4C = B B - 0.8B = 0.2B
0.1A + 0.2B + 0.6C = C C - 0.6C = 0.4C
además de : A + B + C = 1

- 0.2A + 0,0B + 0.0C = 0 ( 1) Como se tiene 4 ecuaciones y 3 incógnitas, es necesario

0.1A - 0.2B + 0.4C = 0 (2) Cancelar una ecuación a fin de tener 3 ecuaciones y 3
0.1A + 0.2B - 0.4C = 0 (3) variables. La ecuación a cancelar no debe ser la que
A+ B+ C = 1 (4) expresa condición de 1 para las probabilidades.

82
 Tomando (1) (2) y (4);

i).- A = 0
ii).- (2) y (4)
0.1A - 0.2B + 0.4C = 0 (1)
A + B + C = 1 (0.2)

0.1A - 0.2B + 0.4C = 0

0.2A + 0.2B + 0.2C = 0.2

0.3 A + 0.6C = 0.2

Respuesta: reemplazando A=0
B = 0.667
C = 0.333

b.- La condición de equilibrio determina:

Participaciones Participaciones A=0

del mercado en = del mercado en = B = 0.667
el período el período C = 0.333
actual siguiente

Ejemplo No. 2

El 1° de octubre del 200..., la embotelladora de aguas gaseosas Kola Real controlaba

el 40 por ciento del mercado local, mientras la Inca Kola y Coca Cola controlaban 40 y 20
por ciento, respectivamente. Basándose en un estudio de investigaciones de mercado, se
compilaron los siguientes datos: La Cola Real retiene el 90 por ciento de sus clientes, y gana
el 5 por ciento de los clientes de Inca Cola y los 10 por ciento de la Coca Cola. Inca Cola
retiene el 85 por ciento de sus clientes y gana 5 por ciento de los clientes de Cola Real y 7
por ciento de los de Coca Cola. La Coca Cola retiene el 83 por ciento de sus clientes y gana
5 por ciento de los clientes de Kola Real y 10 por ciento de los de Inca Cola. ¿Cuál será la
participación en el mercado de cada empresa el 1° de enero del próximo año, y cuál será la
participación del mercado de cada empresa en el punto de equilibrio?

SOLUCIÓN

a.- Participación de cada empresa en el mercado:

0.90 0.05 0.10 0.40 0.400

0.05 0.85 0.07 X 0.40 = 0.374
0.05 0.10 0.83 0.20 0.226

Participaciones probables de cada Empresa:

Cola Real = 0.400

Inca Cola = 0.374
Coca Cola = 0.226
b.- Para conocer la participación de cada empresa en el mercado en el punto de equilibrio,
procedemos igual que en el ejercicio 1:

83
 - 0.10A + 0.05B + 0.10C = 0 1. Descartando (3)
0.05A - 0.15B + 0.07C = 0 2. Tomando (1) y (4) para descartar C
0.05A + 0.10B - 0.17C = 0 3. Tomando (2) y (4) para descartar C
A + B + C = 1

RESPUESTA

Hecha las operaciones de las ecuaciones se tiene la

participación en condiciones de equilibrio:

COLA REAL = 0.430

INKA COLA HUANTA = 0.279
COCA COLA = 0.291

Ejemplo 3

Considérese el siguiente modelo para el valor de una acción. Al final de un día, se

registra el precio. Si la acción subió, la probabilidad de que suba mañana es 0.7. si la acción
bajó, la probabilidad de que suba mañana es sólo 0.5.

SOLUCIÓN

Esta es una cadena de Markov, en donde el estado (0) representa que el precio de la
acción sube y el estado 1 representa que baja. La matriz de transición está dada por:

0.7 0.3
P =
O.5 0.5

Supóngase ahora que el modelo del mercado de acciones se cambia; el que una
acción suba o no mañana depende de si subió o no hoy y ayer. En particular, si la acción
subió los dos días, la probabilidad de que suba mañana es 0.9. si la acción subió hoy pero
ayer bajó, mañana subirá con probabilidad de 0.6. si la acción bajó hoy pero ayer subió,
entonces mañana subirá con probabilidad de 0.5. por último, si bajó los dos días, la
probabilidad de que mañana suba es 0.3. Si se define el estado como el hecho de que la
acción baje o suba, el sistema ya no se puede representar como una cadena de Markov. Sin
embargo, se puede transformar en una si se definen los estados como sigue:

Estado 0 : la acción aumentó hoy y ayer

Estado 1 : la acción aumentó hoy pero ayer bajó
Estado 2 : la acción bajó hoy pero ayer aumentó
Estado 3 : la acción bajó hoy y ayer

Esto condice a una cadena de Markov de cuatro estados con la siguiente matriz de
transición:

0.9 0 0.1 0
P = 0.6 0 0.4 0
0 0.5 0 0.5
0 0.3 0 0.7

84
 Verificando los reglones, por ejemplo, el segundo. Este corresponde al estado 1, que
representa el que la acción subió hoy pero ayer bajó. El primer elemento en el reglón
representa la probabilidad de que la acción suba mañana, habiendo subido hoy y dado que
subió hoy, pero bajó ayer. Esto es justo la probabilidad de que la acción suba mañana dado
que subió hoy, pero bajó ayer, es decir, 0.6. De igual manera, el tercer elemento en el reglón
representa la probabilidad de que acción baje mañana habiendo subido hoy y dado que subió
hoy, pero bajó ayer. Esto es justo la probabilidad de que la acción baje hoy dado que subió
hoy, pero bajó ayer, es decir, 0.4. Los otros dos elementos son cero ya que pertenecen a
eventos contradictorios, esto es, corresponden a instancias en las que la acción bajó hoy.

85
 TEMA IX

TEORÍA DE LINEAS DE ESPERA

9.1. INTRODUCCIÓN

Estudiar un servicio es parte de nuestra vida diaria: restaurantes, cajas de bancos,

grifos, instituciones, hospitales, paraderos, etc. este fenómeno de espera no es experiencia de
sólo humanos; Los trabajos esperan para que los procese una máquina, los aviones vuelan en
círculo antes de que se les dé permiso de aterrizar en un aeropuerto y los autos se detiene ante
el semáforo. Por desgracia, no es posible eliminar la espera sin incurrir en gastos excesivos. De
hecho, todo lo que podemos esperar es lograr reducir el impacto adverso de la esperar a niveles
aceptables.

En algunos sistemas será necesario formar colas; en otros será interesante eliminarlas
o mantenerlas dentro de ciertos límites. Cualquiera que se sea la situación, cuando una cola se
forma, aparece ciertos problemas que hay que estudiar. Estos incluyen consideraciones con
respecto del número de clientes a los que se debe permitir incorporarse en la cola; con qué
velocidad deberían ser servidos; cuántos mostradores de servicios se deben implementar, etc.
para intentar solucionar este tipo de problemas es preciso construir unos modelos matemáticos
de la situación. Esto se puede manejar para conseguir respuesta a las preguntas planteadas, y
después se pueden emplear los resultados experimentales del sistema real para comprobar la
exactitud de los modelos.

Los trabajos sobre los problemas de embotellamientos, atascos o formación de filas

de espera o colas se iniciaron el 1905 por el ingeniero danés A. K. Erlang, por encargo de la
Compañía de teléfonos Copenhague.

Hasta hace relativamente pocos años, prácticamente todas las aplicaciones de la

Teoría de Colas, con pocas variantes de la presentación original de Erlang, se realizaron en el
campo de las comunicaciones telefónicas, conservándose una gran parte de la terminología
usada en esa época. Sin embargo, con el desarrollo de la Investigación Operativa, y como
consecuencia de la labor de análisis que esta implica, se hallaron para aquella, una gran
variedad de nuevas aplicaciones: problemas de tráfico, aéreo, marítimo y terrestre, averías de
máquinas, prestación de servicios, etc.

9.2. CONCEPTOS

Todo fenómeno de espera consiste esencialmente en entradas o llegadas de clientes a

unas determinadas estaciones, exigiendo la prestación de un servicio; estaciones que abandonan
una vez obtenido éste. Si el número de estaciones es escaso, se formarán colas en espera de la
prestación del servicio, pero si es excesivo se registrará inactividad en las estaciones. El
problema consiste en hallar la óptima combinación entre la pérdida que supone la espera de los
clientes y el costo del mantenimiento de las estaciones.

Imagínese las siguientes situaciones:

1. clientes que esperan en cualquier servicio

2. automóviles que esperan en la luz roja del semáforo
3. pacientes que esperan ser atendidos en cualquier hospital

86
 4. máquinas descompuestas que esperan ser reparadas por un técnico
5. documentos que esperan ser elaboradas por una secretaria
6. programas que esperan ser procesados por una computadora, etc.

En estas situaciones se observa la existencia de molestias e incomodidad de tener que

esperar. En general, la llegada del cliente y su tiempo de servicio no se conocen con
anticipación; pero, por otra parte, la operación de la instalación se podría programar en forma
tal que eliminaría la espera por completo.

Desde el punto de vista de un modelo de espera, una situación de línea de espera se

genera de la manera siguiente. Cuando el cliente llega a la instalación se forma una línea de
espera (cola o fila). El servidor elige a un cliente de la línea de espera para comenzar a prestar
el servicio. Al culminarse un servicio, se repite el proceso de elegir a un nuevo cliente (en
espera). Se supone que no se pierde tiempo entre el momento en que un cliente ya atendido sale
de la instalación y la admisión de un nuevo cliente de la línea de espera.

A.- ELEMENTOS BÁSICOS

1.- Distribución de llegadas ( individuales o grupales)

2.- Distribución del tiempo de servicio (individual o masivo)
3.- Diseño de las instalaciones de servicios ( serie, paralelo, red)
4.- Disciplina de servicio y prioridad de servicio
5.- Tamaño de la línea de espera (finita o infinita)
6.- Fuente de llamadas (finita o infinita)
7.- conducta humana (cambios, ilusión y renuncia)

9.3. COMPONENTES BÁSICOS

En cualquier cola sencilla, ciertos objetos (clientes) llegan a un punto de servicio, se

ponen en una fila de espera si es necesario, son atendidos en cierto orden cuando el servicio
está disponible, y después salen del sistema. Los componentes básicos que se necesitan para
hacer un modelo son:

1. Una descripción del modelo de llegadas de cliente;

2. Una descripción de la manera en que se realiza el servicio, y
3. Una descripción de la disciplina de la cola; es decir, cómo deben elegirse los clientes de la
fila de espera para el servicio (por ejemplo: primer llegado – primer servido, último llegado
– primer servido, se da prioridad a ciertos clientes, etc.).

9.4. CARACTERÍSTICAS A ESTUDIAR

Los principales objetos de interés en el estudio de una cola son:

1. La longitud de la cola en distintos tiempos

2. La duración del tiempo empleado por el cliente en la cola ( es decir, el tiempo pasado
esperando en la fila más el tiempo pasado recibiendo el servicio)
3. La proporción de tiempo durante la cual el dependiente (trabajador) está desocupado.

El propósito práctico de una investigación de un sistema de cola suele ser la

reducción de la congestión en el punto o puntos de servicio. Esto se puede llevar a cabo
aumentando el número de servicio, o acelerando el servicio realizado, o también aumentando el

87
espacio destinado a los clientes que esperan. Por otra parte, el disminuir la congestión casi
siempre impone un aumento en el coste total del sistema. Por ejemplo, en un supermercado si
se añaden varios mostradores de servicio para disminuir la congestión, no sólo se está
ocupando más espacio extra de la planta, sino que también habrá que emplear más
dependientes. Y si se añaden demasiados puntos de servicio puede ocurrir que los dependientes
estén desocupados durante gran parte del día. Está claro que hay que buscar un equilibrio entre
demasiada congestión con poca inversión y la consiguiente irritación pública, y demasiados
puntos de servicios costosos.

Ejemplo del Modelo

Clientes que llegan Mostrador de clientes que se van

Servicio

a a Fila de espera cliente que b b b

está siendo
r atendido

COLA

Análisis matemático

Se puede distinguir tres modelos posibles de comportamiento dentro del sistema

según la posibilidad de:

i) b > a
Esto significa que el ritmo de servicio 1/b es menor que el ritmo de llegada 1/a; es decir,
los clientes son servidos y salen del sistema con menos frecuencia que llegan los nuevos.
En este caso, está claro que una cola tiene que formarse, e incrementarse
indefinidamente.

ii)b = a
Si no hay nadie en la cola cuando el proceso comienza, entonces el servicio del primer
cliente comenzará tan pronto como llegue. La realización del servicio se determinará en
el mismo momento en que llegue el segundo cliente. Y así nadie tendrá que esperar
nunca. Y si existe una cola inicial, su longitud ( o sea, el número de los que esperan más
el número de los servidos) se mantendrá constante.

iii) b<a

88
 Esto significa que el ritmo de servicio es mayor que el ritmo de llegada. Entonces,
cualquier que sea el número inicial de los clientes que esperan, la longitud de la cola irá
disminuyendo hasta 1 ó o. ya investigaremos esta situación más detalladamente.

Sea “r” el número de clientes en la cola cuando empieza el proceso; (r  2; si no hay

más que un cliente al principio ( o sea, r = 1) él será atendido antes de la llegada del
siguiente cliente y nadie tendrá que esperar).

Ejemplo No. 1

Sea b = 1 minuto y a = 4 minutos y r = 12.

El tiempo necesario para que los 12 primeros clientes sean atendidos es 12 x 1 = 12 minutos.
Durante este periodo 12/4 = 3 clientes más llegarán y tendrán que esperar; estos necesitan 3
x 1 = 3 minutos para que su servicio quede completado.

Durante los 3 minutos, no llegará ningún cliente más puesto que 3 < a). Entonces no tendrá
que esperar nadie más que llegue. De este modo habrán llegado un total de 12 + 3 = 15
clientes ( incluyendo el primero de los 12, cuyo servicio empezó inmediatamente al iniciarse
el proceso)

Ejemplo No. 2

Se sabe que los carros llegan a una estación de auto servicios a razón de 8 por hora. La
distribución del tiempo de servicio se aproxima en forma exponencial con una tasa
promedio de 5 minutos. El costo de espera es de S/. 10.00 por hora, mientras que el costo de
servicio es de S/. 4.00 por vehículo.

a.- Calcúlese el número promedio de autos en el sistema.

b.- Calcúlese el promedio de tiempo que un auto pasa en el sistema.
c.- Calcúlese el promedio de longitud de la línea de espera para los autos.
d.- Calcúlese el promedio de tiempo que espera un auto antes de que se le del servicio.
e.- Calcúlese la tasa de servicio de costo mínimo.

SOLUCIÓN
DATOS:

Promedio de llegadas por una hora = 8 unidades

Tiempo de servicio = 5 minutos
Número de atendidos en una hora 1/5 = 12 unidades por hora
Costo de espera = S/. 10.00/h
Costo de servicio = S/. 4.00 por unidad
a.- As =  / ( - ) = 8 / 12-8 = 2

b.- Tp 1 / ( - ) = 1 / 12-8 = 0.25

c.- Le. ² / ( - ) = 8² / 12(12-8) = 1.333

d.- Tp. As.  / ( - ) = 8 / 12(12-8) = 1/6 hora

89
 f. Siendo Cf un costo proporcional al número de personas servidas; úsese la fórmula
de la tasa de servicio de costo mínimo para un solo canal.

o =  + Ce/ Cs

o = 8 + 8x10/ 4

o = 12.47 autos por hora

Ejemplo No. 3

Una digitadora presta sus servicios a cinco personas distintas. La tasa de llegada es
de forma Poisson y los tiempos de servicio son exponenciales. El promedio de llegadas es de 4
por hora, con promedio de 10 minutos de tiempo de servicio. El costo de la espera es de S/.
8.00, mientras que el costo de servicio es de S/. 2.50 cada uno.

a.- Calcúlese el promedio de tiempo de espera de una llegada.

b.- Calcúlese el promedio de longitud de la línea de espera.
c.- Calcúlese el promedio del tiempo que una llagada pasa en el sistema.
d.- Calcúlese la tasa de servicio de costo mínimo.

SOLUCIÓN

DATOS:

Promedio de llegada = 4 personas por hora

Tiempo de servicio = 10 minutos
Número de atendidos en una hora = 1/ 10 = 6 personas
Costo de espera = S/. 8.00
Costo de servicio = S/. 2.50

a.- Promedio del tiempo de espera de una llegada:

T p Ps =  / ( -  ) = 4 / 6(6-4) = 1/3 hora

b.- Promedio de la longitud de la línea de espera:

Le = ² / ( -  ) = 4² / 6(6-4) = 1.333

c.- Promedio del tiempo que una llegada pasa en el sistema:

Tp = 1 /( - ) = 1/ (6-4) = 1/2 hora

d.- Tasa de servicio de costo mínimo:

o =  + Ce/ Cs

o = 4 + 4x8/ 2.50 entonces: o = 7.50 personas/ hora

90
Ejemplo No. 3

1. Determinar el número total de clientes que tienen que esperar, en cada uno de los casos
siguientes:

1. a = 5, b = 2, r = 20
2. a = 3, b = 1, r = 50
3. a = 6, b = 3, r = 30

Calcular también los tiempos necesarios para atender a todos los clientes que tienen que
esperar.

2. Demostrar que cuando b < a, y el proceso empieza con r clientes en fila de espera, entonces
(rb/ a) clientes llegarán mientras que se atiende a los los primeros r.

91
 TEMA X

MODELOS

10.1. CONCEPTO

Es la representación de un sistema de acuerdo a los objetivos del estudio. Para cierto

objetivo de estudio ciertas partes del sistema son relevantes; y si cambia el objetivo del
estudio, las partes relevantes del sistema probablemente serán otros. Esto implica que, según
el objetivo del estudio, un sistema puede estar representado por diferentes módulos.

Un modelo es una imagen de un sistema y en función de las interrogantes planteadas,

un sistema puede tener diversos modelos.

10.2. CLASIFICACIÓN SEGÚN LA FORMA DE SU PRESENTACIÓN

a. Modelos Descriptivos.- Son aquellos modelos expresados en lenguaje convencional

(español, inglés, etc.). En este tipo de modelos la selección de alternativas se hace sobre la
base de la intuición y el sentido común.

Ejemplo:

ARBOL

Modelos Icónicos o Físicos.- Son aquellos que lucen como el sistema físico correspondiente. Por
ejemplo; el Globo terrestre, utilizado en demostraciones académicas, es un modelo icónico de la
tierra. La maqueta de un edificio, un sistema definido por el tráfico de vehículos en una zona
determinada de cierta ciudad sistematizado en una computadora (modelo por analogía) donde los
voltajes en una red eléctrica representan el flujo de vehículos en el sistema original, constituyen
algunos ejemplos del modelo icónico. Los modelos icónicos pueden ser aumentados, reducidos o
estar en la misma escala respecto al sistema físico.

Ejemplo:

92
 b. Modelos simbólicos.- Son aquellos expresados en forma concisa a través de símbolos
matemáticos. Los modelos simbólicos pueden ser representados en forma analítica o en
forma gráfica vía un conjunto de funciones en la forma de ecuaciones e inecuaciones.
También pueden ser presentados mediante un algoritmo compuesto por un conjunto de
pasos interrelacionados, como es el caso de los diagramas de flujo.

Ejemplo:

Preparación Proceso Decisión Operación Ordenar Combinar

manual

Almacenamiento Entrada Retrazo

con acceso Manual
secuencial

c. Modelos Tipo Procedimiento.- es aquello cuya expresión básica no está formada por las
relaciones funcionales explícitas, sino por un conjunto de pasos que indican el
procedimiento a seguir en la solución de un problema. La selección de alternativas se
hace a través de técnicas de simulación.

Ejemplo: La toma de decisión

Definición del Análisis del Desarrollo de

problema problema Soluciones
alternas

Evaluación de Ejecución de Selección de

la decisión La decisión La mejor
Decisión

10.3. CLASIFICACIÓN DE LOS MODELOS SEGÚN SU ESTRUCTURA

a. Modelos Determinísticos.- Son aquellos que no incluyen propiedades relacionados con

fenómenos aleatorios (probabilísticas).

Ejemplo:

b. Modelos Estocásticos.- Son aquellos que incluyen variables o relaciones funcionales que
dependen de fenómenos aleatorios.

Ejemplo:

c. Modelos Lineales.- Son aquellos que incluyen solamente funciones lineales. Por ejemplo:
la relación corresponde a un modelo lineal sí:

Y = F(X1, X2)

93
 Puede ser expresado en la forma de:

Y = a1X1 + a2X2
d. Modelos No-Lineales.- son aquellos que incluyen funciones no lineales. Por ejemplo, un
modelo que contiene expresiones de la forma:

Z1 = g(X1, X2) = X1² + X1X2 + X³2

Es no lineal por cuanto la variable dependiente Zi varía de una manera no lineal respecto
a X1 y X2

e. Modelo Estático.- Es aquel que representa a un sistema de manera que las variables y las
reacciones funcionales no sufren alteraciones debido a cambios en el tiempo.

f. Modelo Dinámico.- Es aquel que representa a un sistema de manera que el tiempo juega un
rol muy importante.

g. Modelo Continuo.

a. En el Tiempo.- Se caracteriza por tener variables y funciones continuas en el tiempo.

Y = f(t)

t
t1 t2

En esta figura, la función f(t) es continua en el tiempo en el intervalo (t 1, t2).

b. En Magnitud.- Es aquel que tiene variables y funciones continuas en magnitud.

Y = f(t)

Y1  f(to)  Y2
Y1 M

Y2 N
p
t
t0
En el instante t0, la magnitud de la función f(t) es continua en el intervalo ( Y 1, Y2
por cuanto puede tomar cualquier valor en ese intervalo. Pero f(t), no puede pasar por un
punto extremo a MN tal como p.
h. Modelo Discreto.

94
a. En el Tiempo.- Es aquel que incluye solo variables y funciones discretas en el tiempo.

Y = h(n)

5 .
4 .
3 .
2 .
1 n1 . . n2 .
0 n
1 2 3 4 5 6 7

La función h(n) es discreta en el intervalo de tiempo (n 1, n2) por cuanto puede tomar
valores solamente para determinar puntos del intervalo. Por ejemplo:

Cuando n = 1, h(n) = 5; y cuando n = 3, h(n) = 3.

Cuando n toma un valor interno entre 1 y 2, digamos n = 1.6, la función h(n) no existe.

b. Discreto en Magnitud.- Es aquel que tiene solo variable, cuyo rango de magnitud varía
en forma discreta.

Y = f(t)

Y2
25
20
15
Y1
5
t
t0

En el instante t0, la función f(t) puede tomar solamente ciertos valores en el

intervalo (Y1, Y2). Se trata, también, de una función continua en el tiempo y discreta en
magnitud (en este caso el dominio es el tiempo). En particular, cuando t = to, la función
f(t) puede tomar un valor igual a un elemento del conjunto (10, 15, 20, 25) pero no
puede tomar otros valores, digamos 11, 12.5, etc.

c. Discreta en Dominio.- En este caso dominio en el tiempo y discreta en magnitud.

En el instante no, la función h(n) puede tomar un valor igual a 10, 15, 20, 25; es decir,
sólo ciertos valores del intervalo (Y1, Y2)

95
Y = h(n)

Y2
. . .
. . . .
. . . .
. . .
20 . . .
. .. .
15 . .
. . . .
. . . .
Y1 . .
N
no

96
 TEMA XI

SIMULACIÓN

11.1. CONCEPTOS

Aparte de observar el sistema real, la simulación es lo mejor de que disponemos. En

ésta utilizamos modelos de computadora para (literalmente) imitar el comportamiento de la
situación real como una función del tiempo. Conforme la simulación avanza al transcurrir el
tiempo, se recopilan datos estadísticos pertinentes al sistema simulado en una forma muy
parecida a como se hace en la vida real.

El uso de un modelo en la simulación se puede basar en uno de dos acercamientos:

(1) Programación del evento siguiente; requiere recopilar datos estadísticos cuando ocurre
un evento, exige normalmente un extenso esfuerzo de modelación y generalmente es flexible.
(1) Operación del proceso; requiere recopilar datos estadísticos, automatiza la mayor parte
del trabajo de modelación en beneficio del usuario, no es tan flexible, generalmente son más
compactos y más fáciles de implementar.

La ejecución de los modelos de simulación abarca un número enorme de cálculos

casi siempre de naturaleza repetitiva. Así, las computadoras son herramientas primordiales
para efectuar tales cálculos. Se han creado un buen número de lenguajes de computo
especializado para aminorar la carga de programar los modelos de simulación.

Los modelos de simulación ofrecen una mayor flexibilidad en la representación de

sistemas complejos. La razón principal es que la simulación enfoca el sistema desde un nivel
básico elemental. Un modelo de simulación divide el sistema representado en módulos
básicos o elementos que después se enlazan entre sí vía relaciones lógicas bien definidas.

La flexibilidad de la simulación tiene algunas desventajas. El desarrollo de un

modelo de simulación es muy costoso en tiempo y recursos. Además, la ejecución de un
modelo de simulación, incluso en la computadora más rápida, tendrá un costo considerable.

Desde el punto de vista de investigación de operaciones, la simulación es una técnica

de muestreo estadístico controlada para estimar el desempeño de sistemas estocásticos
complejos cuando los modelos analíticos no son suficientes. Mas que describir el
comportamiento global de un sistema directamente, el modelo de simulación describe la
operación misma en cuanto a los eventos individuales de los componentes individuales del
sistema.

Así, la simulación no es otra cosa que la técnica de realizar experimentos de

muestreo sobre el modelo del sistema. Los experimentos se llevan a cabo en el modelo en
lugar de hacerlo en el propio sistema real ya que esto último resultaría inconveniente, muy
caro y muy tardado.

EJEMPLOS

1. Juego de monedas

Se lanza una moneda repetidas veces hasta que la diferencia entre cara y sello sea tres. Se
paga 1$ cada vez que se lanza la moneda, pero se reciben 8$ al final de cada jugada. Se

97
 gana dinero si el número necesario de lanzamientos es menor que ocho, pero se pierde si se
tiene que lanzar la moneda más de ocho veces.

¿Cómo se podría decidir si conviene o no participar en este juego?

i) Lanzando monedas tantas veces necesarias: CSCCCCS, SCSCSCSCSCCCC, etc.

ii) Modelo de simulación, sistema estocástico, consiste en lanzamientos sucesivos en cada
jugada.

El estado actual, es decir, el estado del sistema es:

N( t ) = número de caras menos el número de cruces después de t
lanzamientos.

El mecanismo de transición de estados consiste en establecer:

N (t – 1) + 1, si el lanzamiento t es cara
N( t ) =
N (t - 1) – 1, si el lanzamiento t es sello

iii) El juego simulado termina en el primer valor de t para el que N( t ) =  3, en donde la

observación de la muestra que resulta es (8 – t), la cantidad ganada ( positiva o
negativa) para una jugada.

2. Sistema de colas

Clientes servidos
Sistema de colas

C S
Clientes Cola C S
CC C C C C C Instalación de servicio
C S
C S

Clientes servidos

La teoría de colas da un número promedio de clientes en espera, el tiempo promedio

de espera, etc. pues irrelevante si los clientes esperan agrupados o no. el único requisito
esencial para poder aplicar la teoría de colas es que los cambios en el número de clientes
que esperan un servicio ocurran como si prevaleciera la situación física que se describe en
la figura anterior (sistema de colas).

El modelo M/M/s supone que tanto los tiempos entre llegadas como los de servicio
tienen una distribución exponencial y que el número de servidores es cualquier entero
positivo).

98
 Terminología y notación:

A menos que se establezca otra cosa, se utilizará la siguiente terminología estándar:

• Estado del sistema = número de clientes en el sistema

• Longitud de la cola = número de clientes que esperan el servicio estado del sistema menos
el número de clientes a quienes se está sirviendo.
• N(t) = número de clientes en el sistema de colas en el tiempo t (t  0)
• Pn (t) = probabilidad de que exactamente n clientes estén en el sistema en el
tiempo t, dado el número en el tiempo 0
• S = número de servidores (canales de servicio en paralelo) en el sistema de
colas
• Λn = tasa media de llegadas (número esperado de llegadas por unidad de
tiempo) de nuevos clientes cuando hay n clientes en el sistema
• μn = tasa media de servicio para todo el sistema (número esperado de
clientes que completan su servicio por unidad de tiempo) cuando hay n
clientes en el sistema. Nota: un representa la tasa combinada a la que
todos los servidores ocupados ( aquellos que están sirviendo a un
cliente) logran terminar sus servicios

a. Caso de un servidor ( s = 1) λn = λ, para n = 0,1,2, ...

μn = μ, para n = 1,2, ...
λ λ λ λ λ λ

Estado 0 1 2 3 ... n-2 n-1 n n+1

μ μ μ μ μ μ

b. Caso de varios servidores ( S > 1) λn = λ, para n = 0,1, 2, ....

μn, para n = 1,2, ..., s

μn =
sμ, para n = s, s + 1, ...

λ λ λ λ λ λ

Estado 0 1 2 3 ... s-2 s-1 s s+1

μ 2μ 3μ (s-1)μ sμ sμ

99
 BIBLIOGRAFIA

- Investigación de Operaciones; Aplicaciones y Algoritmos Wayne L., Cap. 13-14

Ed. Iberoamericana S.A. 1994
- Métodos Cuantitativos para la Toma de Decisiones en Administ. Gallagher A., Charles
Ed. McGraw Hill. 1992
- Análisis Cuantitativo en las Decisiones Administrativas Hein W., Leonard

- Investigación de Operaciones en la Ciencia Administrativa Eppen, Gaul. Cap. 15

Ed. Pretince - Hall. 1987
- Métodos Cuantitativos en Administración Ullmann E., Jhon
Ed. McGraw Hill. 1979
- Métodos y Modelos de Investigación de Operaciones Kaufman A.
Ed. 1992
- Práctica de Investigación de Operaciones Mauro Javier S.
Ed. 1972
- Métodos y Modelos de Investigación de Operaciones Prawda, Juan.
Ed. 1981
- Investigación de Operaciones Sasien, M.
Ed. 1976
- Investigación de Operaciones en las Ciencia Administrativa Goul Eppen
Ed. 1992
- Investigación de Operaciones Alvarez A., Jorge
Ed. 1990 - 1994
- Investigación de Operaciones Taha A., Harndy
Ed. 1994
- Administración de Operaciones Schoeder G., Roger
Ed. 1996
- Toma de Decisiones por Medio de Investigación de Operaciones Raffo LECCA, EDWARD
ED. 1996
- Métodos de Investigación Operativa en la Prácticas de las Empresas José Luis SIERRA PLANA
Ed. 1980
- Introducción a la Investigación de Operaciones Frederick S. Hillier y otros
ED. 1991
- PROGRAMAS PARA COMPUTADOR SUPER LINDO

100