República Bolivariana de Venezuela.

Ministerio del Poder Popular Para la Educación.

Universidad Nacional experimental Politécnica de la
Fuerza Armada UNEFA
Zaraza Estado Guárico.

Programación Lineal

Profesora: Bachiller:
Lic. Marujelys Brito Emmily Marín C.I. 27313482

Zaraza junio 2021

 Indice
Introducción……………………………………………………………………………Pág.
Problema de asignación de Recursos………………………………………………………4
Modelos de Programación Lineal……………………………….…………………………4
Métodos para la Resolución de Problemas en Programación Lineal…………....…….. …7
Análisis De Sensibilidad………………………………………………………….…..........15
Interpretación económica de la dualidad ………………….………………………….….16
Casos Prácticos Administrativos ……………………………………………………..…..18
Uso Paquetes computarizados QSB. …………………………..…………………………..20
Conclusión……………………………………………………………………………..…..21
Analisis ……………………………………………………………………………………22
 Introducción

La presente tiene por objeto dar a conocer sobre lo que son los problemas de
asignación de recursos así como también los modelos que se utilizan en la programación
lineal para la aplicación de solución a problemas de igual forma se desglosara todo lo
relacionado al análisis de sensibilidad, caso práctico y los paquetes computarizados
específicamente QSB
 Problema de asignación de Recursos

El problema de asignación es una variación del problema original de transporte,

variación en la cual las variables de decisión X(i,j) solo pueden tomar valores binarios, es
decir ser cero (0) o uno (1), en la solución óptima, lo que supone que la oferta y la demanda
están perfectamente alineadas, de hecho ambas son iguales a uno (1).

Múltiples son los casos en los que como ingenieros industriales podemos hacer uso
del problema de asignación para resolver diversas situaciones, entre los que cabe mencionar
se encuentran la asignación de personal a maquinas, herramientas a puestos de trabajos,
horarios a maestros, candidatos a vacantes, huéspedes a habitaciones, comensales a mesas,
vendedores a zonas territoriales etc.

Modelos de Programación Lineal

MODELO DE TRANSPORTE.

Tenemos una red de carreteras. Hay varios puntos donde se va a producir algo y
otros puntos donde se va a demandar algo. Conociendo los costes de transporte, hay que
elegir el camino para que el coste sea el mínimo posible. Elegir desde que centro de
producción atenderemos a cada centro de demanda. Solución:
Lo primero que haremos será definir las variables:
Pi producción máxima de cada centro i
Cij coste de transporte de un centro i a un centro de demanda j
dj demanda máxima en cada centro j
F.O..: Minimizar Xij * Cij
Siendo Xij lo que producido en el centro i vamos a mandarlo al centro j.
S.a..:Para todo i: Xij PiPara todo j: Xij dj Para todo i,j: Xij 0

Este problema se podría complicar dando nuevas restricciones como podrían ser el
tener una demanda máxima y otra mínima. Lo mismo se podría aplicar a la producción. Otro
tipo de restricciones que se podrían introducir vendrían dadas por la aparición de almacenes
intermedios. En ellos podríamos almacenar lo que hiciese falta, para repartirlo en otro
momento por otros vehículos. Esto sería un modelo de transbordo.También se puede dar una
capacidad máxima a cada almacén.

MODELO DE ASIGNACIÓN:
Supone que tiene unos puestos de trabajo y unos candidatos. Se quiere estudiar
cómo cubrir estos puestos de forma que se optimice una variable que sea significativa. Es la
modelización en programación lineal del algoritmo húngaro. Para este tipo de modelización
necesitamos definir una nueva variable, llamadavariable dual que la representaremos por
aij y su funcionamiento es el siguiente:
Si aij = 1 entonces el señor i ocupa el puesto j.
Si aij = 0 entonces el señor i no ocupa el puesto j.
Se llama variable dual porque sólo puede tomar dos valores: 1 ó 0.

En nuestro problema tendremos que definir:

Vij valor de la persona i para el puesto j.
F.O.: Maximizar aij * VijS.a.: Para todo i: aij = 1 Para todo j: aij 1
La primera restricción indica que un señor sólo ocupará un puesto.
La segunda indica que un puesto sólo lo ocupará un señor o bien no estará ocupado.

MODELO DE ORDENACIÓN DE TAREAS.

Estudia los tiempos de demora que dependerán de si se hace una tarea antes que
otra. El modelo es igual que el anterior sólo que intentaríamos minimizar los costes
muertos entre tarea y tarea, es decir:
Min aij * tij
Aparecerá una restricción que será: si una tarea i se realiza antes que una tarea j,
entonces la tarea j no se hará antes que la tarea i.
 MODELO DE LA MOCHILA:

Un señor va de campo y tiene una mochila con una determinada capacidad, N, y

sabemos que cada objeto pesa Pi. De cada N objetos quiere llevar una cantidad mínima de
cada uno de ellos. ¿Cómollenar la mochila para que el peso sea mínimo?
Solución:
F.O.: Min ni * Pi
Siendo “ni” el número de objetos del tipo i que llevará:S.a.: ni Ni
ni N siendo Ni el número total de objetos i de que dispone.

FORD- FULKERSON:

Es el problema del flujo máximo.Definimos:

Cij capacidad del arco que tiene como nodo origen i y como nodo final j.
fij flujo que circula por el arco (i,j).
F.O.: Max fij.
S.a.: Para todo i y para todo j: fij Cij.Para todo i: fij - fik =0
Para todo i y para todo j: fij, Cij 0

La segunda restricción indica que lo que entra en un nodo es igual a lo que sale.Si
existiese capacidad en cada nodo, Ri, aparecería la restricción:
Para todo i: fij Ri
ALGORITMO DE KLEIN
Pij coste del arco (i,j)F.O.: Min Pij * fij

Las restricciones son iguales que las de Ford-Fulkerson. Pero podrían aparecer
nuevas restricciones aplicables a los dos métodos, en el caso de que hubiesen aportes, Aj, o
bien existiesen pérdidas, Pj, las restricciones se representarían:
Para todo j: fij - fjk + Aj=0 en caso de aportes. Para todo j: f fij - fjk – Pj=0 en caso
de pérdidas.
Métodos para la Resolución de Problemas en Programación Lineal
 MÉTODO DE REPRESENTACIÓN GRÁFICA.: Consiste en representar las
restricciones sobre unos ejes de coordenadas, para delimitar la región dónde se encuentran
las soluciones factibles. Las soluciones óptimas se encontrarán en el perímetro del polígono
resultante.
Si nuestra función objetivo es una maximización y la línea que delimita nuestro
dominio no es convexa, entonces nuestro problema, bajo estas condiciones, no tiene solución.
Ejemplo:
F.O.: Max 5X+6YS.a.: X+Y 4
X+2Y 6

La representación gráfica se ve en la figura.

Dando valores a la función objetivo vamos obteniendo sucesivas rectas paralelas, de
forma que según aumenta la función objetivo, la recta se separa del origen. Por tanto, puede
suceder que nuestra función objetivo de valor óptimo coincida conuna arista o con un
vértice del polígono que delimite nuestro dominio.

En nuestro caso, el vértice A(2,2) será la solución óptima. Luego el valor óptimo de nuestra
función objetivo será: 5*2 + 6*2 = 22

por el contrario nuestro problema hubiese sido:

F.O.: Max 5 X + 6 YS.a.: X + Y 4
X+2Y 6
Gráficamente:
 En este caso nuestra solución no está acotada, luego nuestro problema no tendrá
solución.

MÉTODO SIMPLEX.: Resuelve los problemas del tipo maximizar con

restricciones menor o igual. Vamos a ilustrar con un ejemplo los pasos a dar para la
resolución de un problema:
F.O.: Max 3 X1 + 5 X2
S.a. 2 X1 + 3 X2 8 8 X1 + 3 X2 20

Se tienen que transformar las inecuaciones en ecuaciones, para lo cual

introducimos unas variables llamadas variables de holgura.

Para transformar una desigualdad menor o igual en igual tendremos que sumarle la
variable de holgura.
En nuestro caso:
8 X1 + 3 X2 + X3 = 20
2 X1 + 3 X2 + X4 = 8
Para empezar a aplicar el método simplex necesitamos una base factible inicial(luego
iremos optimizando).
 Entonces partimos de una solución inicial del sistema formado por las restricciones
y luego mediante una serie de iteraciones del método iremos mejorando esta solución de
acuerdo con nuestra función objetivo.

En nuestro caso: X1=0, X2=0, X3=20, X4=8, es decir, hacemos cero las variables
reales e igualamos las variables de holgura a los recursos.
Se construye la siguiente tabla:

X1 X2 X3 X4 bi
L0 -3 -5 0 0 0
L1 8 1 1 0 20
L2 2 3 0 1 8

En L1 y L2 ponemos los coeficientes de las restricciones, y en L0 los coeficientes

de la función objetivo cambiado de signo. En bi colocamos los recursos.

El valor de la función objetivo es el correspondiente a la columna bi en nuestro caso

cero. Se investiga si alguna variable no básica, si pasa a serlo, mejora nuestra función
objetivo. Observando la función objetivo (en L0) vemos que los coeficientes negativos
representan el incremento unitario que tendrá la función objetivo por entrar la variable
correspondiente en la base.
Por tanto, deberá entrar en la base aquella variable que más optimice nuestra
función objetivo.

Criterio de entrada a la base: CRITERIO 1

De todas las variables no básicas, que son aquéllas con coeficiente distinto de cero
en L0 (línea cero), se elige aquélla que tenga el coeficiente más negativo, y éste me indicará
la columna correspondiente a la variable que entra.
 En nuestro caso la variable X2, que tiene el coeficiente más negativo: -5.
 En el caso de que no existiese en L0 algún coeficiente negativo, entonces se habrá
 alcanzado la solución óptima y las variables que en ese momento formen la base
confeccionarán la solución óptima.
 Luego lo que va a señalar el final de aplicar el método SIMPLEX es que en L0 no
haya elementos negativos.
 Para que entre una variable en la base es necesario que salga otra de la base.

Criterio de salida de la base: CRITERIO 2

Se dividen los elementos de la columna bi por sus correspondientes aij en la columna

de la variable que entra, siempre que estos últimos sean mayores que cero.
Si hubiese algún elemento menor o igual que cero, no haríamos dicho cociente. En el caso
de que todos los elementos fuesen menores o iguales a cero, entonces tendríamos una
solución no acotada y no podríamos seguir.
Lo que nos interesa es incrementar la variable que entra en la base lo más posible,
hasta que hagamos nula una de las variables que están ahora en la base. Entonces saldrá
aquélla variable básica, Xi, tal que el cociente bi / aij sea menor. En nuestro caso:
Mínimo [20/1, 8/3] = 8/3.

Con esto pasamos al procedimiento matemático de entrada a la base de la variable

seleccionada. Para ello pivotamos en el coeficiente aij de la variable seleccionada.

Entonces dividimos la fila i por aij; en el resto de las filas haremos la eliminación de
Gauss.

Es decir, en nuestro caso buscaremos, mediante las realizaciones de las operaciones

oportunas, que en la columna correspondiente a X2 aparezca un 1 en la línea L2, y ceros en
el resto de las filas.

Obtenemos la siguiente tabla:

X1 X2 X3 X4 bi
 L0 1/3 0 0 5/3 40/3
L1 22/3 0 1 -1/3 52/3
L2 2/3 1 0 1/3 8/3

Hemos obtenido una base con un valor mejor de la función objetivo = 40/3.
Volveríamos a aplicar el criterio 1 de entrada en la base. Como en la línea cerotodos
los coeficientes son positivos, hemos acabado con nuestro problema.
La interpretación de la tabla es la siguiente:X1=X4= 0 pues no están en la base.
X2= 8/3
X3= 52/3
Al ser X4= 0 quiere decir que la restricción segunda: 2 X1 + 3 X2 + X4 = 8 está atope, es
decir, que se cumple que 2 X1 + 3 X2 = 8.
Y por fin, el valor máximo de nuestra función objetivo es 40/3 que es nuestra
solución óptima.

MÉTODO DE LAS DOS FASES.: Este método se aplica cuando existen

restricciones del tipo mayor o igual. El tratamiento de las restricciones para convertir las
desigualdades en igualdades eneste caso es el siguiente. Sea
aij * Xj bi
lo podremos transformar en
aij * Xj – Yk = bi
donde Yk será una nueva variable denominada variable de holgura.

Si introdujésemos esto en la tabla de simplex, nos daría lugar a una base inicial no
factible, por lo que para poder resolver el problema, tendremos que aplicar una técnica
diferente. Esta técnica es la del método de las dos fases.

El método de las dos fases va a realizar un tratamiento de nuestro problema, para

que sea posible aplicar el método simplex. Para poder crear una base factible inicial que nos
permita aplicar el método simplex,al transformar las desigualdades de tipo mayor o igual en
igualdades, introducimos una variable ficticia, que nos dará lugar a una base canónica.
Para explicar el método, nos basaremos en el siguiente ejemplo:F.O.: Min 3 X1 + 2 X2
S.a.: X1 + X2 = 10X1 4
Transformamos el problema en:
F.O.: Min –3 X1 –2 X2S.a.: X1 + X2 = 10
X1 4
Transformamos las desigualdades en igualdades
.X1 4 X1 – h1 = 4 X1 + X2 = 10 X1 + X2 = 10
Añadimos las variables ficticias para encontrar una base canónica.
X1 + X2 + Y1 = 10
X1 + h1 + Y2 = 4

Primera fase: Se minimizan las variables ficticias sujetas a las restricciones del
problema.Pueden presentarse dos casos: Que la minimización no pueda realizarse.
Entonces el problema no tienesolución. Que la minimización si pueda realizarse.
b-1) Si el valor óptimo es cero, entonces pasamos a la segunda fase.b-2) Si no es cero,
entonces no existe solución.
Entonces tendremos que hacer:
Min Y1 + Y2
Donde:
Y1 + Y2 = - 2 X1 – 2 X2 + h1 + 14
Vamos a minimizar:
- 2 X1 – X2 + h1 + 14
que es lo mismo que maximizar:
2 X1 + X2 - h1 – 14
Si yo maximizo 2 X1 + X2 – h1 de forma que su valor máximo sea 14, habré
obtenido lo que busco, que Y1 + Y2 = 0.
Esto es lo mismo que asignarle el valor inicial – 14 a la función Y1 + Y2 e ir
incrementando la función Y1 + Y2 parando cuando su valor valga cero.
El problema de la maximización de la función Y1 + Y2 lo vamos a resolvermediante el
método simplex. Para ello vamos a crear una tabla de la siguiente forma:
En las columnas aparecerán todas las variables de nuestro problema:
Variables propias.
Variables de holgura.
Variables ficticias.
Columna de valores bi.
En las filas aparecerán:
LF: línea ficticia. Línea de función de las variables ficticias.LO: línea de función objetivo
de nuestro problema inicial. Li: línea correspondiente a la restricción i.
Notas: como vamos a aplicar el método simplex, la asignación de valores a la tabla se ha de
realizar con las reglas anteriormente explicadas. Podemos observar que en la resolución de
esta primera fase, nuestra F.O. inicial funciona como una restricción más.
De esta forma, la tabla de nuestro ejemplo es:

X1 X2 h1 Y1 Y2 bi
LF -2 -1 1 0 0 -14
LO 3 2 0 0 0 0
L1 1 1 0 1 0 10
L2 1 0 -1 0 1 4

Aplicamos el simplex. Entra X1 y sale Y2.

X1 X2 h1 Y1 Y2 bi
LF 0 -1 -1 0 2 -6
LO 0 2 3 0 -3 -12
L1 0 1 1 1 -1 6
L2 1 0 -1 0 1 4

Hay un empate para aplicar el criterio I. Elegimos X2 para entrar en la base. Sale Y1.
X1 X2 h1 Y1 Y2 bi
LF 0 0 0 1 1 0
LO 0 0 1 -2 -1 -24
 L1 0 1 1 1 -1 6
L2 1 0 -1 0 1 4

Ya hemos conseguido que Y1 +Y2 sea cero.

En este punto, resulta que hemos encontrado ya una base factible para nuestro problema
inicial, por lo cual hemos terminado con la primera fase.

Segunda fase:
Eliminamos la línea ficticia y las columnas correspondientes a las variables ficticias.

X1 X2 h1 bi
L0 0 0 1 -24
L1 0 1 1 6
L2 1 0 -1 4

A esta tabla así obtenida, le aplicamos el método simplex, ya que ahora tenemos unabase
factible
Al aplicar el criterio 1, como en este caso no hay ningún coeficiente negativo en la línea
LO, la solución de esta tabla coincide con la solución óptima.
La base es X1 = 4, X2 = 6. El valor de la función objetivo es 24.
Nota: el valor de la función objetivo en nuestra tabla es negativo (-24), pero si
asignamos los valores X1 = 4 y X2 = 6 a nuestra función objetivo obtendremos como solución
el valor 24. Esto es debido a que para resolver nuestro problema hemos realizado un cambio
de signo a nuestra función objetivo, para pasar de un problema de minimizar a uno de
maximizar. Por tanto, el resultado de nuestro problema nos saldrá con el signo cambiado.

Análisis De Sensibilidad.

El análisis de sensibilidad es una técnica que estudia el impacto que tienen sobre una
variable dependiente de un modelo financiero las variaciones en una de las variables
independientes que lo conforman.
 Explicado de forma sencilla, lo que hacemos es observar cómo afecta un aumento o
una disminución en el valor de un factor sobre el resultado final en un análisis financiero. |
Por ejemplo, si estamos utilizando el valor actual neto (VAN) podríamos estar
interesados en qué pasaría en dicho valor si aumentara la inversión inicial necesaria de un
proyecto.

Para realizar un análisis de sensibilidad, centrado en los aspectos financieros, se

calculan los flujos de caja y el VAN de una inversión. A continuación, variamos uno de los
factores, como las ventas, los costes o cualquier otro y vemos qué sucede con el nuevo VAN.
Después solo hay que calcular la variación en porcentaje de uno a otro. La fórmula podría
ser esta que os mostramos a continuación:

En primer lugar, se plantean opciones en función de los posibles escenarios futuros.

Estas se analizan con los datos que conocemos y los que van a ir variando. Una vez tenemos
clara cada una de ellas las podemos comparar y tomar decisiones sobre si nos interesa
modificar dichos factores. Normalmente estos están relacionados con la producción, los
costes o las ventas.

La tabla que nos proporciona el método simplex es una gran fuente de información
sobre los datos de nuestro problema, siempre y cuando los sepamos descifrar. Para ello
realizaremos lo que se denomina análisis de sensibilidad. Una de las cosas más importantes
que nos proporciona este análisis, es la de conocer el intervalo de variación de los parámetros
del problema, sin que cambie nuestra solución óptima.

Interpretación Económica de la Dualidad

La solución óptima un modelo lineal determina la asignación optima de recursos

limitados. Como veremos, el valor óptimo de las variables duales indica si es o no conveniente
cambiar el nivel de recursos en el modelo. Esta información la proporcionan los precios
sombra que definimos a continuación.
Precios sombra
Sea un modelo lineal y la base optima B. Esta base óptima proporciona una solución
óptima primal x∗ y el valor óptimo z ∗ y, también, una solución óptima dual y∗ y el valor G∗.
La fila de indicadores no cambia por los cambios en el vector de recursos.
z − c = cT B−1a − c .
j jB jj

El valor de la función objetivo primal y dual cambia en función del incremento en el

vector de recursos.
∧∗
G = y∗T (b + ∆b) = y∗T b + y∗T ∆b = G∗ + y∗T ∆b = z∗ + y∗T ∆b.

Se puede concluir que un cambio en el vector b que mantenga la factibilidadprimal

produce los siguientes cambios en la solución del problema:
Las componentes de la solución óptima dual se mantienen,
Las componentes de la solución primal cambian en la cantidad B−1 ∆b,
Los valores objetivo primal y dual cambian en la cantidad y∗T ∆b.

La conclusión es que si se incrementa el vector de recursos y se verifica que xB=

∧
B−1 ∧ (b + ∆b) ≥ 0, entonces xB es la nueva solución óptima para el problema primal e
y ∗ sigue siendo solución óptima para el dual. El valor óptimo de ambos objetivos se
incrementa en la cantidad y∗T ∆b.
Para poder interpretar el significado de cada variable dual supongamos que
∆bi = 1 y el resto es cero, entonces el incremento del objetivo es
 Es decir, si sólo se incrementa el recurso i en una unidad y la factibilidad primal no
se pierde, entonces la cantidad en la que se incrementa la función objetivo es el valor óptimo
i
de la correspondiente variable dual, y ∗ .

Precio sombra: La variable dual óptima y ∗ se llama precio Sombra del recurso i,
i
i = 1, . . . , m, si haciendo un cambio unitario en el re-curso i y manteniendo el resto de
recursos, no se pierde la factibilidad primal.

ALGORITMO SIMPLEX DUAL: El objetivo es maximizar. Se elige como

primera base la matriz B = I formadapor variables de holgura.

Paso 1. Construir la primera tabla en la que zj − cj ≥ 0 para todo vector aj de la matriz A.

Paso 2. Con respecto a la factibilidad primal, se pueden dar dos casos.
Si xBi ≥ 0, i = 1, . . . , m, entonces la solución es óptima. Parar. Si existe xBi < 0,
entonces la solución se puede mejorar. Ir al Paso 3.
Paso 3. Cambio de base.
Sale de la base el vector ar que verifica la condición
xBr = min{xBi/xBi < 0}.i
La fila r es la fila pivote.

zj − cj
Entra en la base el vector ak que verifica la condición zk − ck yrk = max J y<0.
yrj

Si no existe yrj, j = 1, . . . , n, negativo, entonces el problema es infactible.Parar.

Paso 4. Calcular una nueva tabla con las mismas operaciones elementalesdefinidas en el
algoritmo simplex. Ir al Paso 2.

Casos Prácticos Administrativos

 Históricamente, las ideas de programación lineal han inspirado muchos de los
conceptos centrales de la teoría de optimización tales como la dualidad, la descomposición y
la importancia de la convexidad y sus generalizaciones. Del mismo modo, la programación
lineal es muy usada en la microeconomía y la administración de empresas, ya sea para
aumentar al máximo los ingresos o reducir al mínimo los costos de un sistema de producción.

La programación lineal (PL) es un método matemático de optimización, que permite

representar modelos lineales para reducir costos o maximizar ganancias en diferentes áreas
de una organización. Por lo que, es utilizada para la administración eficiente de los procesos
en todos los ámbitos de la economía.
Ejemplo:
Una empresa, ante la decisión de ampliar su negocio en la zona sur del país, requiere
realizar cierta inversión, para ello decide realizar un análisis de rentabilidad de dicha
inversión, así como un análisis de sensibilidad ante una variación razonable en los principales
parámetros de la misma: la información que se dispone es la siguiente:

- 1 460 000 dólares, precio neto de adquisición de la maquinaria y equipo.

- 30% de tasa impositiva sobre beneficios.
- 12% tasa de descuento (costo de oportunidad del capital),
- 10 años de depreciación lineal (valor de recupero o residual =0).
- 500 dólares de ingresos brutos por hora de funcionamiento.
- 40% de tiempo de utilización de la maquinaria y equipo.
- 2 turnos de trabajo, de 8 horas cada uno, 6 días a la semana, 48 semanas al año.
- 30 dólares por hora como costo del operario incluyendo todos los conceptos.
- 1250 dólares de gastos generales diarios (espacio, mantenimiento, programación, gastos
de herramientas).
- 125 000 dólares de mantenimiento general cada 4 años.
- 146 000 dólares por fondo de comercio (ingresos extraordinarios al liquidar el negocio).
Suponemos que la inversión inicial se amortice en su totalidad en 10 años. Por ello, debe
tomarse el valor de la depreciación como un gasto no desembolsable a efectos de deducir
los impuestos correspondientes. Para analizar la bondad de esta inversión utilizaremos el
criterio del valor actual neto (V.A.N.)

Uso Paquetes computarizados QSB.

El Winqsb es una herramienta para el manejo de métodos cuantitativos que inició

con la versión de Winqsb 1.0 y luego fue mejorado hasta llegar al Winqsb versión 2.0 el
cual está conformado por 19 módulos, los cuales son:

ACCEPTANCE SAMPLING ANALYSIS (Análisis de muestreo de aceptación)

AGGREGATE PLANNING (Planeación agregada)
DECISION ANALYSIS (Análisis de decisiones)
DYNAMIC PROGRAMMING (Programación dinámica)
FACILITY LOCATION AND LAYOUT (Diseño y localización de plantas)
FORECASTING (Pronósticos)
GOAL PROGRAMMING (Programación por objetivos)
INVENTORY THEORY AND SYSTEM (Teoría y sistemas de inventarios)
JOB SCHEDULING (Programación de jornadas de trabajo)
LINEAR AND INTEGER PROGRAMMING (Programación lineal y entera)
MARKOV PROCESS (Procesos de MARKOV)
MATERIAL REQUIREMENTS PLANNING (Planeación de Requerimiento de Materiales)
NETWORKS MODELING (Modelación de redes)
NONLINEAR PROGRAMMING (Programación no lineal)
PERT y CPM
QUADRATIC PROGRAMMING (Programación cuadrática)
QUALITY CONTROL CHART (Cartas de control de calidad)
QUEUING ANALYSIS (Análisis de sistemas de cola)
QUEUING ANALYSIS SIMULATION (Simulación de análisis de sistemas de cola)

Con la utilización de este Software, se puede encontrar la solución a problemas

administrativos, de producción, de recurso humano, dirección de proyectos, programación
dinámica, modelos de redes, programación no lineal, entre otros, tiene la versatilidad de
usarse en sistemas operativos de versiones diferentes como el win95/ win98/ 98Se/ Me/
2000/NT/ XP/ 2003/ Vista, ya que, además el uso del software Winqsb sirve para la solución
y automatización de una gran cantidad de problemas de carácter complejo de tipo
cuantitativo.

Esté software fue creado para la toma de decisiones, para solucionar y automatizar
problemas, ya que contiene herramientas útiles como las mencionadas anteriormente.
También, fue creado para resolver distintos tipos de problemas en el campo de la
investigación operativa y para ser utilizado como una herramienta de apoyo para estudiantes,
docentes y personas en general que necesitan auxiliarse de un paquete de herramientas
completo en el que puedan elegir la que más se adapta a la necesidad o problema de tipo
cuantitativo, ya sea en el desarrollo académico de las materias que tengan relación con los
módulos del Winqsb o como herramienta de aplicación en las empresas.

Por último, muchas son las empresas que han utilizado el Winqsb y se han visto
beneficiadas, empresas reconocidas a nivel mundial como la Texaco, IBM, Delta Airlines,
entre otras, han obtenido millones en ahorros anuales.

Conclusión

El problema de asignación consiste en encontrar la forma de asignar ciertos recursos

disponibles (máquinas o personas) para la realización de determinadas tareas al menor coste,
suponiendo que cada recurso se destina a una sola tarea, y que cada tarea es ejecutada por
uno solo de los recursos. Es uno de los problemas fundamentales de optimización
combinatoria de la rama de optimización o investigación operativa en matemática.

Formulación de modelos de Programación lineal Es una técnica utilizada para

desarrollar modelos matemáticos, diseñada para optimizar el uso de los recursos limitados en
una empresa u organización. En pocas palabras es una representación simbólica de la
realidad que se estudia, o del problema que se va a solucionar.

El análisis de sensibilidad permite identificar las áreas fuertes y débiles de la

planificación de un proyecto, a su vez que mide su posible impacto en los resultados. Esto
permite a las organizaciones dirigir los recursos a las variables que más apoyo necesitan

Análisis

A través de esta investigación se puede concluir:

El problema de asignación de recursos en programación lineal viene dada por la

falta de un paso o alteración del sistema que no da el resultado esperado, trayendo como
consecuencia la revisión del algoritmo para su pronta solución, esto quiere decir que
puedo haber sido alterada la formula o algún paso ene l proceso para la obtención de
resultado.
 Los diferentes modelos de programación lineal tiene cada uno sus pasos y
características propios para su ejecución, es decir cada modelo se aplica estadísticamente
a un procesos para la verificación de datos, ya procesados en un computador a través
de diferentes paquetes que facilitan y ahorran tiempo a nivel empresarial y/o corporativo
en cualquier campo como la fabricación, proceso de inventarios, estadísticos entre otros.

El paquete computarizado QSB es fácil y práctico ya que es un sistema interactivo

de ayuda a la toma de decisiones que contiene herramientas muy útiles para resolver distintos
tipos de problemas en el campo de la investigación operativa. El sistema está formado por
distintos módulos, uno para cada tipo de modelo o problema, a parte que puede ser
desarrollado en cualquier computador ya que sus exigencia como programa son muy bajas
pero los resultados son a gran escala.

El análisis de sensibilidad tiene importantes desventajas o limitaciones las cuales son:

1. Analiza variaciones de un parámetro a la vez, y no proporciona la distribución de
probabilidad de la T.l.R. o el V.A.N. para variaciones en las estimaciones de los
parámetros del proyecto.

2. Su falta de precisión, básicamente, en relación con los efectos de combinación de

errores. 0 sea no considera la repercusión que sobre la rentabilidad de un proyecto
tendría una combinación de desviaciones potenciales. Esta deficiencia es
considerable, ya que es probable que no sea tan sólo una variable la que sufra
desviaciones respecto a lo proyectado. Normalmente son todas y cada una de las
variables las que sufren alguna desviación y que el efecto combinado de todas ellas
puede ser decisivo para la rentabilidad del proyecto, aun cuando ninguna tenga una
importancia relevante si se las considera aisladamente.

3. El no tener en cuenta el hecho de que la probabilidad de error en las estimaciones de

las variables sea mayor o menor, a fin de aceptar o rechazar un proyecto de inversión,
no es suficiente el conocimiento del efecto que tendría sobre la rentabilidad una
determinada desviación potencial en una cierta variable, sería imprescindible conocer
la probabilidad de que tal desviación se produzca.