Avancecompilado Final

UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS

DEPARTAMENTO DE SISTEMAS Y TELEMÁTICA
INVESTIGACIÓN DE OPERACIONES I
Docente:
ANIVAL TORRE CAMONES
Semestre: 2022-1
Semana 9
PROBLEMA DUAL
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
Contenido
1 Definición de Programación primal y dual
2 Modelos de Programación dual
3 Problemas
Programación lineal
Definir el
problema
Desarrollar el modelo
Resolución del modelo
Dualidad Análisis de sensibilidad

Definiciones
Un problema de programación lineal denominado PRIMAL,

1 genera otro llamado DUAL. Conocer la relación de un primal P.L. P.L.
PRIMAL DUAL
y su dual es vital para entender el análisis de sensibilidad.
Si el primal es un problema de maximización, entonces P.L. P.L.

2 su dual será un problema de minimización y viceversa.
PRIMAL DUAL
Max Min
La función objetivo del primal es Z y sus variables primales de

3 decisión se denominan Xi. La función objetivo del dual es W,
PRIMAL
Z
DUAL
W
y sus variables duales se denominan Yj. Xi Yi
Análisis de Dual
Para todo problema de:

Maximización Minimización
Existe Y1
X1
Z W
PRIMAL DUAL
Análisis de Dual
Para todo problema de:

Maximización Minimización
Existe X1
Y1
W Z
DUAL PRIMAL
Análisis de Dual
PRIMAL DUAL
MAX Z = 60X1 + 80X2 MIN W = 300Y1 + 400Y2 + 320Y3
S.A.: S.A.:
6X1 + 6X2 ≤ 300 6Y1 + 5Y2 + 8Y3 ≥ 60
5X1 + 10X2 ≤ 400 6Y1 + 10Y2 + 4Y3≥ 80
8X1 + 4X2 ≤ 320 Y1, Y2, Y3 ≥ 0
X1, X2 ≥ 0
RELACIONES
Relación 1: El número de variables del problema Dual es igual al número de

restricciones del Primal
MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2
100X1 + 25X2 ≤ 2400 (1) 100Y1 + 100Y2 ≥ 150
100X1 + 100X2 ≤ 4000 (2) 25Y1 + 100Y2 ≥ 60
X1, X2 ≥ 0 Y1, Y2 ≥ 0
COSTO OPTIMO
RENTABILIDAD OPTIMA
RELACIONES
Relación 2: Problema Primal VS: Problema dual
MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

100X1 + 25X2 ≤ 2400 (1) 100Y1 + 100Y2 ≥ 150
100X1 + 100X2 ≤ 4000 (2) 25Y1 + 100Y2 ≥ 60
X1, X2 ≥ 0
Y1, Y2 ≥ 0
OBJECTIVE FUNCTION VALUE OBJECTIVE FUNCTION VALUE
1) 4080.000 1) 4080.000
VARIABLE VALUE REDUCED COST VARIABLE VALUE REDUCED COST
X1 18.666666 0.000000 Y1 1.200000 0.000000
X2 21.333334 0.000000 Y2 0.300000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 1.200000 2) 0.000000 -18.666666
3) 0.000000 0.300000 3) 0.000000 -21.333334
RELACIONES
Relación 3: Los coeficientes de la función objetivo en el problema dual

corresponden al lado derecho del problema primal
MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

100X1 + 25X2 ≤ 2400 100Y1 + 100Y2 ≥ 150
100X1 + 100X2 ≤ 4000 25Y1 + 100Y2 ≥ 60
X1, X2 ≥ 0 Y1, Y2 ≥ 0
COSTO OPTIMO
RENTABILIDAD OPTIMA
RELACIONES
Relación 4: Si el primal es de maximización , el dual es de minimización y

viceversa.
MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

100X1 + 25X2 ≤ 2400 100Y1 + 100Y2 ≥ 150
100X1 + 100X2 ≤ 4000 25Y1 + 100Y2 ≥ 60
X1, X2 ≥ 0 Y1, Y2 ≥ 0
COSTO OPTIMO
RENTABILIDAD OPTIMA
RELACIONES
Relación 5: Los coeficientes del problema dual son los mismos pero
transpuestos del problema primal
MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

100X1 + 25X2 ≤ 2400 100Y1 + 100Y2 ≥ 150
100X1 + 100X2 ≤ 4000 25Y1 + 100Y2 ≥ 60
X1, X2 ≥ 0 Y1, Y2 ≥ 0
COSTO OPTIMO
RENTABILIDAD OPTIMA
RELACIONES
Relación 6: El lado derecho de las restricciones del modelo dual corresponden

a los coeficientes de las variables de la función objetivo en el problema primal
MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

100X1 + 25X2 ≤ 2400 100Y1 + 100Y2 ≥ 150
100X1 + 100X2 ≤ 4000 25Y1 + 100Y2 ≥ 60
X1, X2 ≥ 0 Y1, Y2 ≥ 0
COSTO OPTIMO
RENTABILIDAD OPTIMA
PASOS
Paso 1: Formamos la función objetivo usando W en lugar de Z y hacemos la

función inversa.
PRIMAL DUAL
MAX Z = 5X1 + 12X2 + 4X3 + 8X4 MIN W = 20Y1 + 15Y2 + 30Y3

s.a.
X1 + 2X2 + X3 ≤ 20
2X1 - 3X2 + 5X3 + 6X4 ≤ 15
6X1 + 6X2+ 4X4 ≤ 30
X1, X2, X3, X4 ≥ 0

PASOS
Paso 2: Formamos las restricciones.
PRIMAL DUAL
MAX Z = 5X1 + 12X2 + 4X3 + 8X4 MIN W = 20Y1 + 15Y2 + 30Y3

s.a. s.a.
X1 + 2X2 + X3 ≤ 20 Y1 + 2Y2 +6Y3 ≥ 5
2X1 - 3X2 + 5X3 + 6X4 ≤ 15
2Y1 - 3Y2 + 6Y3 ≥ 12
6X1 + 6X2+ 4X4 ≤ 30
Y1 + 5Y2 ≥4
6Y2 + 4Y3 ≥ 8
X1, X2, X3, X4 ≥ 0
Y1, Y2, Y3 ≥ 0
Problema estándar de maximización
Cuando todas sus variables son positivas y cuyas

restricciones son todas del tipo menor o igual.
PRIMAL DUAL
Problema estándar de maximización Dual del problema estándar de maximización
Maximizar Z = C1 X1 + C2 X2 + ...... + Cn Xn Minimizar W = b1 Y1 + b2 Y2 + ..... + bm Ym
Sujeto a: Sujeto a:
a11 X1 + a12 X2 + ..... + a1n Xn  b1 a11 Y1 + a21 Y2 + .... + am1 Ym  C1
a21 X1 + a22 X2 + ..... + a2n Xn  b2 a12 Y1 + a22 Y2 + .... + am2 Ym  C2
.... ...... ..... .... ... .... ...... ..... .... ...
am1 X1 + am2 X2 + ..... + amn Xn  bm a1n Y1 + a2n Y2 + .... + amn Ym  Cn
Xi  0 (i = 1, 2, ... , n) Yj  0 (j = 1, 2, ... , m)
Problema estándar
Dualidad
PRIMAL DUAL
Maximizar Z = 3X1 + 4X2 Minimizar W = 1000Y1 + 1800Y2 +400Y3
Sujeto a: Sujeto a:
X1 + 2 X2  1000 Y1 + 3 Y2 > 3
3 X1 + 2 X2  1800 2 Y1 + 2 Y2 + 1Y3 > 4
X2  400 Y1, Y2 , Y3  0
X1, X2  0
Problema no estándar
Dualidad
Cuando no todas sus variables son positivas y cuyas
restricciones no todas son del tipo menor o igual.
1.Identifique las variables correspondientes en el dual

de su problema primal.
2.Aplique el mismo análisis del problema estándar
Pasos: para hallar los coeficientes de la función objetivo,
restricciones y de sus respectivos lados derechos
3.Aplique la siguiente tabla de signos:
Tabla de signos
PRIMAL DUAL PRIMAL DUAL

Modelos MAX Modelo MIN Modelos MIN Modelo MAX
Variable = Restricción Variable ≠ Restricción
Xi  0  la iésima restricción es  Xi  0  la iésima restricción es 
Xi  0  la iésima restricción es  Xi  0  la iésima restricción es 
Xi srs  la iésima restricción es = Xi srs  la iésima restricción es =
Restricción ≠ Variable Restricción = Variable

la iésima restricción es   Yj  0 la iésima restricción es   Yj  0
la iésima restricción es   Yj  0 la iésima restricción es   Yj  0
la iésima restricción es =  Yj srs la iésima restricción es =  Yj srs
srs = sin restricción de signo

Dualidad
Programa Primal En este programa primal hay 3

Maximizar Z = 3 X1 + 4 X2 – 2 X3 variables primales y 4 restricciones.
Sujeto a:
4 X1 - 2 X2 + 3 X3  12 Y1
Y1 El programa dual tendrá 4 variables
duales y 3 restricciones.
-2 X1 + 3 X2 + X3  6 Y2
Y2
-5 X1 + X2 - 6 X3  4 Cada columna representa una
Y3
Y3
restricción del dual.
3 X1 + 4 X2 – 2X3 = 10 Y4
Y4
Los coeficientes de la función objetivo
X1  0, X2  0, X3 srs
primal serán los valores del lado
derecho del dual.
Dualidad
Programa Primal Programa Dual

Maximizar Z = 3 X1 + 4 X2 – 2 X3 Min W = 12 Y1 + 6 Y2 + 4 Y3 + 10 Y4
Sujeto a:
Sujeto a:
4 X1 - 2 X2 + 3 X3  12 Y1
4Y1 - 2Y2 - 5Y3 + 3Y4  3
-2 X1 + 3 X2 + X3  6 Y2
-5 X1 + X2 - 6 X3  4 Y3
3 X1 + 4 X2 – 2X3 = 10 Y4
X1  0, X2  0, X3 srs Modelos max Modelo min
Xi  0  la iésima restricción es 
Dualidad

Sujeto a:
Sujeto a:
4 X1 - 2 X2 + 3 X3  12 Y1
4Y1 - 2Y2 - 5Y3 + 3Y4  3
-2 X1 + 3 X2 + X3  6 Y2
-5 X1 + X2 - 6 X3  4 Y3 -2Y1 + 3Y2 + Y3 + 4Y4  4
3 X1 + 4 X2 – 2X3 = 10 Y4
Xi < 0  la iésima restricción es <
Dualidad

Sujeto a:
Sujeto a:
4 X1 - 2 X2 + 3 X3  12 Y1
4Y1 - 2Y2 - 5Y3 + 3Y4  3
-2 X1 + 3 X2 + X3  6 Y2
-5 X1 + X2 - 6 X3  4 Y3 -2Y1 + 3Y2 + Y3 + 4Y4  4
3 X1 + 4 X2 – 2X3 = 10 Y4 3 Y1 + 1Y2 - 6Y3 - 2Y4 = -2

Xi srs  la iésima restricción es =
Dualidad

Sujeto a: Sujeto a:
4 X1 - 2 X2 + 3 X3  12 Y1 4Y1 - 2 Y2 - 5 Y3 + 3 Y4  3
-2 X1 + 3 X2 + X3  6 Y2
-2 Y1+ 3 Y2 + Y3 + 4 Y4  4
-5 X1 + X2 - 6 X3  4 Y3
3 Y1+ 1 Y2 - 6 Y3 - 2 Y4 = -2
3 X1 + 4 X2 – 2X3 = 10 Y4
Y1  0, Y2  0, Y3  0, Y4 srs
X1  0, X2  0, X3 srs
Modelos max Modelo min

la iésima restricción es   Yj  0
la iésima restricción es   Yj  0
la iésima restricción es =  Yj srs
EL DUAL DEL PROBLEMA DUAL ES
OTRA VEZ EL PROBLEMA PRIMAL
Dualidad
PRIMAL DUAL
Maximizar Z = 3 X1 + 4 X2 Minimizar W= 1000 Y1 + 1800 Y2
Sujeto a: + 400 Y3
X1 + 2 X2  1000 Y1 Sujeto a:
3 X1 + 2 X2  1800 Y2 Y1 + 3 Y2 + 0 Y3 > 3
X2  400 Y3 2 Y1 + 2 Y2 + 1Y3 > 4
X1  0, X2  0 Y1  0, Y2  0, Y3  0
Minimizar Z = 1000 X1 + 1800 X2 Maximizar W = 3 Y1 + 4 Y2

+ 400 X3 Sujeto a:
Sujeto a: Y1 + 2 Y2  1000
X1 + 3 X2 > 3 Y1 3 Y1 + 2 Y2  1800
2 X1 + 2 X2 + 1X3 > 4 Y2 Y2  400
X1  0, X2  0, X3  0 Y1  0, Y2  0
EL VALOR OPTIMO Z = VALOR OPTIMO W
Dualidad
PRIMAL DUAL
Maximizar Z = 3 X1 + 4 X2 Minimizar W= 1000 Y1 + 1800 Y2
Sujeto a: + 400 Y3
X1 + 2 X2  1000 Y1 Sujeto a:
3 X1 + 2 X2  1800 Y2 Y1 + 3 Y2 + 0 Y3 > 3
X2  400 Y3 2 Y1 + 2 Y2 + 1Y3 > 4
X1  0, X2  0 Y1  0, Y2  0, Y3  0

1) 2400.000 1) 2400.000
X1 400.000000 0.000000 Y1 1.500000 0.000000
X2 300.000000 0.000000 Y2 0.500000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES Y3 0.000000 100.000000
2) 0.000000 1.500000 ROW SLACK OR SURPLUS DUAL PRICES
3) 0.000000 0.500000 2) 0.000000 -400.000000
4) 100.000000 0.000000 3) 0.000000 -300.000000
Dualidad
MAX = MIN MIN MAX

EJEMPLO ≠
Variable Restricción Variable Restricción
Maximizar Z = 2 X1 + 4 X2 + 3 X3
Sujeto a: Xi  0  es  Xi  0  
PRIMAL - X1 + 1 X2 + 2 X3  9 Y1 Xi  0  es  Xi  0  
6 X1 – 2 X2 + 2 X3 = 6 Y2 Xi srs  es = Xi srs  =
2 X1 + 2 X2 + X3  4 Y3
X1, X2, X3  0 ≠ =
Restricción Variable Restricción Variable
Minimizar W = 9 Y1 + 6 Y2 + 4 Y3   Yj  0   Yj  0
Sujeto a:   Yj  0   Yj  0
DUAL - Y1 + 6 Y2 + 2 Y3  2
=  Yj srs =  Yj srs
1 Y1 – 2 Y2 + 2 Y3  4
2 Y1 + 2 Y2 + 1 Y3  3
Y1  0, Y2 srs, Y3  0
El valor óptimo de la función objetivo del primal
será igual al valor óptimo de la función objetivo del
dual. En este caso Z y W tienen valor igual a 72
Dualidad
La solución del primal es: X1 = 6, X2 = 15 y

s2 = 38, y el valor de Z = 72.
Sujeto a:
- X1 + 1 X2 + 2 X3  9 (s1) → Y1 = 7 Para hallar la solución del dual, debemos
identificar los valores de las variables
6 X1 – 2 X2 + 2 X3 = 6 (a1) → Y2 = 3/2
duales en la tabla óptima del primal
2 X1 + 2 X2 + X3  4 (-s2, a2) → Y3 =0
X1, X2, X3  0 La variable dual Y1 se relaciona con la
variable de holgura s1. Y su valor se ubica
en la tabla con la fila Zj
ITERACION 3: TABLA FINAL Entonces Y1 vale 7
Cj 2 4 3 0 0 -M -M La variable dual Y2 se relaciona con la
CB VB X1 X2 X3 s1 s2 a1 a2 B variable artificial a1. Y su valor se ubica en
0 s2 0 0 9 4 1 1 -1 38 la tabla con la fila Zj
2 X1 1 0 3/2 1/2 0 1/4 0 6 Entonces Y2 vale 3/2
4 X2 0 1 7/2 3/2 0 1/4 0 15 Entonces el valor de Y3 es cero.
Zj 2 4 17 7 0 3/2 0 72
Cj - Zj 0 0 -14 -7 0 -3/2-M -M Cj-Zj < 0
Dualidad
La solución del primal es: X1 = 6, X2 = 15 y

s2 = 38, y el valor de Z = 72.
Sujeto a:
- X1 + 1 X2 + 2 X3  9 (s1) → Y1 = 7 Para hallar la solución del dual, debemos
identificar los valores de las variables
6 X1 – 2 X2 + 2 X3 = 6 (a1) → Y2 = 3/2
duales en la tabla óptima del primal
2 X1 + 2 X2 + X3  4 (-s2, a2) → Y3 =0
X1, X2, X3  0 La variable dual Y1 se relaciona con la
variable de holgura s1. Y su valor se ubica
PRIMAL en la tabla con la fila Zj
Entonces Y1 vale 7
Minimizar W = 9 Y1 + 6 Y2 + 4 Y3 La variable dual Y2 se relaciona con la
Sujeto a: variable artificial a1. Y su valor se ubica en
- Y1 + 6 Y2 + 2 Y3  2 la tabla con la fila Zj
1 Y1 – 2 Y2 + 2 Y3  4
DUAL Entonces Y2 vale 3/2
2 Y1 + 2 Y2 + 1 Y3  3 Entonces el valor de Y3 es cero.
Y1  0, Y2 srs, Y3  0 Si reemplazamos los valores de las
variables duales en el programa dual
veremos que cumplen con las restricciones.
Dualidad
Y el valor óptimo de la función objetivo del primal será igual
al valor óptimo de la función objetivo del dual. En este caso MAX MIN MIN MAX
Z y W tienen valor igual a 72 Variable Restricción Variable Restricción
Xi  0  es  Xi  0  
Maximizar Z = 2 X1 + 4 X2 + 3 X3 Xi  0  es  Xi  0  
Sujeto a: Xi srs  es = Xi srs  =
-1X1 + 1 X2 + 2 X3  9 Y1
6 X1 – 2 X2 + 2 X3 = 6 Y2
Restricción
DUAL Variable Restricción Variable
2 X1 + 2 X2 + X3  4 Y3
X1, X2, X3  0   Yj  0   Yj  0
  Yj  0   Yj  0
Minimizar W = 9 Y1 + 6 Y2 + 4 Y3
Sujeto a: =  Yj srs =  Yj srs
-1 Y1 + 6 Y2 + 2 Y3  2
1 Y1 – 2 Y2 + 2 Y3  4
2 Y1 + 2 Y2 + 1 Y3  3 Y1 = 7
Y1  0, Y2 srs, Y3  0 Y2=3/2
Y3=0
Seamos dueños de nuestro
propio destino
Donde quiera que usted vea un negocio exitoso,

alguien ha tomado una decisión valiente.
33
Docente:
Semestre: 2022-1
Semana 10
ANÁLISIS DE SENSIBILIDAD
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
Contenido
Contenido
1 Definición de Método Gráfico.
2 Análisis de sensibilidad del coeficiente de la F.O.
3 Análisis de sensibilidad del Lado derecho
4 Problemas de sensibilidad
CASOS:
Consiste en hacer • Análisis de los coeficientes de
cambios en el la Función objetivo
modelo para
conocer sus
efectos. • Análisis de lado derecho
(Precio sombra)
ANALISIS DE SENSIBILIDAD
Con el análisis de sensibilidad se obtiene información

• ¿Cuánto más ganaría si tuviera mayor cantidad del recurso?
• ¿Hasta cuánta materia prima se puede comprar sin tener pérdidas?

• ¿Cuánto aumentar la utilidad por unidad de un producto para que sea rentable?
• ¿Es sensible la solución óptima a cambios en los parámetros de entrada?
• ¿Los valores de los parámetros usados fueron los mejores estimados?
ANALISIS DE SENSIBILIDAD
1. Debido a problemas
laborales, se pierden 150
horas, ¿Cuánto deja de ganar
la empresa?
2. La ganancia de un producto
aumenta $2. ¿Varía el plan de
producción óptimo?
3. ¿Cuánto debe ser la La solución óptima será la

ganancia mínima del producto misma si el coeficiente de
A para que sea rentable la F. O. varía dentro del
producirlo? rango de optimalidad.
Problema 1
PETROPERÚ puede comprar dos tipos de petróleo: crudo

ligero a un costo de $25 por barril, y: crudo pesado a un MODELO MATEMÁTICO
costo de $22 por barril. Cada barril de petróleo crudo, ya Identificación de las variables
refinado, produce tres productos: gasolina, turbosina y
queroseno. La siguiente tabla indica las cantidades en L =Número de barriles de crudo ligero
barriles de gasolina, turbosina y queroseno producidos por
barril de cada tipo de petróleo crudo: H= Número de barriles de crudo pesado
TIPOS DE PETRÓLEO PRODUCTOS Identificación de la F.O.
Gasolina Turbosina Queroseno Minimizar 25L + 22H
Crudo ligero 0,45 0,18 0,30 Identificación de las restricciones
Crudo pesado 0,35 0,36 0,20 0,45L + 0,35H >= 126000 (gasolina)
Demanda en barriles 126000 90000 30000 0,18L + 0,36H >= 90000 (turbosina)
La refinería se ha comprometido a entregar 126000 barriles
de gasolina, 90000 b. de turbosina y 30000 b. de queroseno.
0,30L + 0,20H >= 30000 (queroseno)
a) Hallar el modelo y resolver con el método gráfico. L, H >= 0
b) Análisis de sensibilidad de los coeficientes de F. O.
c) Análisis de sensibilidad del lado derecho.
Solución óptima
Minimizar 25L + 22H i)Graficando las restricciones

Dependiendo de 0.45L + 0.35H >= 126000 I) 0.45L + 0.35H =126000 Si L = 0 H = 360000
0.18L + 0.36H >= 90000 Si H= 0 L = 280000
0.30L + 0.20H >= 30000 II) 0.18L + 0.36H = 90000 Si L = 0 H = 250000
L, H >= 0 Si H= 0 L = 500000
H III) 0.30L + 0.20H =30000 Si L = 0 H = 150000
400, Si H= 0 L = 100000
360, iii) Graficando la Función Objetivo
25L + 22H= 5’500000
300,
Si L = 0 H = 250000
250 Si H = 0 L= 220000
200, iv) Hallando la Solución óptima
La Solución óptima es la intersección de las restricciones I y II
I) 0.45L + 0.35H = 126000 → 0.90L +0.70H = 252000 III
100,
II) 0.18L + 0.36H = 90000 → 0.90L+1,80H = 450000 IV
Restando IV-III 1,10H = 198000
De donde la Solución óptima es: H = 180000
100, 200, 280300, 400, 500, L L = 140000
El valor que toma la función objetiva es: Z = 7’460000
Análisis de sensibilidad de los
coeficientes de la F.O.
Minimizar 25L + 22H
Dependiendo de 0.45L + 0.35H >= 126000
0.18L + 0.36H >= 90000
0.30L + 0.20H >= 30000
L, H >= 0
Manteniendo constante el coeficiente de H

Hallamos la pendiente de la FO y de las restricciones que intervienen en la Solución óptima.
La pendiente de la FO: αL + 22H m = - α /22  0, 45
De la restricción I) 0,45L + 0,35H = 126000 m = - 0,45/0,35 − =−
22 0,35
Igualando α = 28,29
La pendiente de la FO: α L + 22H m = - α /22  0,18
De la restricción II) 0,18L + 0,36H =90000 m =-0,18/0,36 − = −
22 0,36
Igualando α = 11
El intervalo para el coeficiente de L será: 11 ≤ α ≤ 28.29
El coeficiente de L puede variar entre 11 y 28.29 inclusive sin modificar su solución óptima.
Minimizar 25L + 22H
0.18L + 0.36H >= 90000
0.30L + 0.20H >= 30000
L, H >= 0
Manteniendo constante el coeficiente de L

Hallamos la pendiente de la FO y de las restricciones que intervienen en la Solución óptima.
La pendiente de la F.O.: 25L + βH m= -25/β 25 0, 45
De la restricción I) 0,45L + 0,35H = 126000 m=- 0,45/0,35 − =−
 0,35
Igualando las pendientes β = 19,44
La pendiente de la F.O.: 25L + βH m= -25/β 25 0,18
− =−
De la restricción II) 0,18L + 0,36H =90000 m=-0,18/0,36  0,36
Igualando Ias pendientes β =50
El intervalo para el coeficiente de H será: 19,44≤ β ≤ 50
El coeficiente de H puede variar entre 19,44 y 50 inclusive sin modificar su Solución óptima.
Análisis de sensibilidad del lado
derecho de la restricción I
Minimizar 25L + 22H
0.18L + 0.36H >= 90000
0.30L + 0.20H >= 30000
L, H >= 0
H
400,
360,
300, Análisis de Sensibilidad del Lado Derecho de la I Restricción:
0.45L + 0.35H = 126000
250
200, V.L.D.=0.45 (500000) + 0.35 (0) = 225000
En (500000,0)
Z=25(500000) + 22(0) = $ 12’500000
100,
En (0, 250000) V.L.D.=0.45 (0) + 0.35 (250000) = 87500
L Z= 25(0) + 22(250000) = $ 5’500000
100, 200, 280300, 400, 500, L
derecho
Valor lado derecho Solución óptima Valor función objetivo

87500 L = 0 ; H = 250000 5’500000
126000 L = 140000; H = 180000 7’460000
225000 L = 500000 ; H = 0 12’500000
Precio Sombra=Precio dual=pendiente

∆𝑦 Y=F.O.
Pendiente=m=tg(α)=
∆𝑥
12’500000
El precio sombra de la restricción I será: 7’460000 ∆y
12 '500000 − 7 '460000 5´500000 ∆x
m= = 50,909
225000 − 126000
87500 126000 225000
X=Lado Derecho
derecho de la restricción II
Minimizar 25L + 22H
0.18L + 0.36H >= 90000
0.30L + 0.20H >= 30000
L, H >= 0
H
400,
360,
300, Análisis de Sensibilidad del Lado Derecho de la II Restricción:
0.18L + 0.36H >= 90000
250
200, V.L.D.=0.18 (280000) + 0.36 (0) = 50400
En (280000, 0)
Z=25(280000) + 22(0) = $ 7’000000
100,
En (0, 360000) V.L.D.=0.18 (0) + 0.36 (360000) = 129600
Z= 25(0) + 22(360000) = $ 7’920000
100, 200, 280300, 400, 500, L

50400 L = 280000 ; H = 0 7000000
90000 L = 140000; H = 180000 7’460000
129600 L = 0 ; H = 360000 7’920000

∆𝑦 Y=F.O.
Pendiente=m=tg(α)=
∆𝑥
El precio sombra de la restricción II será: ∆y

∆x
7 '920000 − 7 '000000
m= = 11, 6161
129600 − 50400 X=Lado Derecho
Lindo
Minimizar 25L + 22H OBJECTIVE FUNCTION VALUE

Dependiendo de 0.45L + 0.35H >= 126000 1) 7460000.
0.18L + 0.36H >= 90000 VARIABLE VALUE REDUCED COST
0.30L + 0.20H >= 30000
L 140000.000000 0.000000
L, H >= 0
H 180000.000000 0.000000
H
400, ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 -50.909092
360,
3) 0.000000 -11.616161
300, 4) 48000.000000 0.000000
250 NO. ITERATIONS= 2
200, RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
100, VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
L 25.000000 3.285714 14.000000 11 ≤ α ≤ 28.29
100, 200, 280300, 400, 500, L H 22.000000 28.000000 2.555556 19,44≤ β ≤ 50
Análisis de
sensibilidad de los No cambia en el rango.
Se relaciona SOLUCIÓN
coeficientes de la OPTIMA Si cambia fuera del rango.
FUNCIÓN OBJETIVO
Análisis de Si se incrementa el L. D. en
sensibilidad del Se relaciona FUNCIÓN
LADO DERECHO OBJETIVO cuanto se incrementa la F.O.
Problema 2
Cada semana, Florida Citrus, Inc, usa una sola máquina durante 150
horas para destilar jugo de naranja y de toronja en concentrados
almacenados en dos tanques separados de 1000 galones c/u. antes de
congelarlos. La máquina puede procesar 25 galones de jugo de naranja
por hora, pero solo 20 galones de jugo de toronja. Cada galón de jugo de
naranja cuesta $1,50 y pierde 30% de contenido de agua al destilarse en
concentrado. El concentrado de jugo de naranja después se vende en
$6,00 por galón. Cada galón de jugo de toronja cuesta $2,00 y pierde
25% de contenido de agua al destilarse en concentrado. El concentrado
de jugo de toronja se vende después en $8,00 por galón. Se pide:
1)Formule un modelo matemático para determinar un plan de
producción que maximice la ganancia. Resuelva usando el método
gráfico.
2) Realice el análisis de sensibilidad de los coeficientes de la F. O.3)
Realice el análisis de sensibilidad del lado derecho.
Modelo matemático
Jugo Máquina Costo Precio Pérdida Tiempo MODELO MATEMATICO

Jugo Concentrado
Naranja 25 gal /hrs. 1,5 6,00 0,30 gal 0.04 h /gal Identificación de las variables
JN = El número de galones de jugo de
Toronja 20 gal /hrs. 2,0 8,00 0,25 gal 0.05 h /gal naranja por utilizar.
JT = El número de galones de jugo de
NARANJA: CN=0,70JN toronja por utilizar.
Ingreso=(0,70)(6)=4.2
CN≤1000 gal Identificación de la F.O.
Utilidad=4.2- 1.5=2,7 $/gal
MAQUINA
(150 hr.)
MAX 2.7JN + 4JT
TORONJA: CT=0,75JT
Ingreso=(0,75)(8)=6,0 Identificación de las restricciones
CT ≤ 1000 gal
Utilidad=6,0- 2.0=4 $/gal 0.04JN+0.05JT ≤150
25gal---------------1h 0.70JN ≤1000
1 gal----------------x h x=1/25 =0,04 h/gal 0.75JT ≤1000
20gal---------------1h
JN, JT ≥0
1 gal----------------x h x=1/20 =0,05 h/gal
Solución óptima
i) Graficando las Restricciones

MAX 2.7JN + 4JT 0.04JN + 0.05JT = 150 (i) Si JN = 0 JT = 3000
JT ST Si JT= 0 JN = 3750
0.04JN + 0.05JT <=150 0.70JN = 1000 (ii) JN =1428,57
0.70JN <=1000 0.75JT = 1000 (iii) JT =1333,33
0.75JT <=1000
iii) Graficando la Función Objetivo
3000 2.7JN + 4JT= 10000 Si JN = 0 JT = 2500
Si JT = 0 JN= 3703,7
2000 iv) Hallando la Solución óptima

La Solución óptima es la intersección de las
restricciones ii y iii
1000 ii)0.70JN = 1000
iii)0.75JT= 1000
Solución óptima: JN = 1428,57
1000 2000 3000 4000 JN JT = 1333,33
Valor de la F.O. Z = 9190,46
MAX 2.7JN + 4JT

ST
0.04JN + 0.05JT <=150
0.70JN <=1000
0.75JT <=1000
Manteniendo constante el coeficiente de JT
La pendiente de la F.O.: αJN + 4JT m =- α /4 
− = −
De la restricción II) 0.70JN<= 1000 m = -∞ 4
Igualando α=∞
[0 , ∞ )
La pendiente de la F.O.: α JN + 4JT m =- α / 4 −  = −0
De la restricción III) 0.75JT<= 1000 m =0 4
Igualando α=0
Interpretación:
El coeficiente de JN puede variar desde 0 hasta infinito inclusive sin modificar su
solución óptima.
MAX 2.7JN + 4JT

ST
0.04JN + 0.05JT <=150
0.70JN <=1000
0.75JT <=1000
Manteniendo constante el coeficiente de JN
La pendiente de la F.O.: 2.7JN + βJT m =-2,7 / β 2, 7
− = −
De la restricción II) 0.70JN<= 1000 m =∞ 
Igualando β=0
[0, ∞ )
La pendiente de la F.O.: 2,7JN + β JT m =-2,7 / β −
2, 7
= −0
De la restricción III) 0.75JT <= 1000 m =0 
Igualando β=∞
Interpretación:
El coeficiente de JT puede variar desde 0 hasta ∞ inclusive sin modificar su
solución óptima.
derecho
Análisis de Sensibilidad del Lado Derecho de la II Restricción:
MAX 2.7JN + 4JT 0.70JN <= 1000
JT ST
0.04JN + 0.05JT <=150 V.L.D.= 0,70(1428,57)=1000 (Valor Máximo del
En (1428.57, L.D.)
0.70JN <=1000 1333,33)
0.75JT <=1000 Z=2,7 (1428,57)+4 (1333,33) = 9190,46
V.L.D.=0.70 (0) = 0 (Valor Mínimo del L.D.)
3000 En (0, 1333,33)
Z=2,7 (0)+4 (1333,33) = 5333,32
2000
1000
1000 2000 3000 4000 JN

derecho

0 JN = 1428.57; JT = 1333,33 5333,32
1000 JN = 1428.57 ; JT = 0 9190,46

∆𝑦 Y=F.O.
Pendiente=m=tg(α)=
∆𝑥
El precio sombra de la restricción I será: ∆y
y 9190, 46 − 5333,32
m= = = 3,8571 ∆x
x 1000 − 0
1000 Lado Derecho
derecho
Análisis de Sensibilidad del Lado Derecho de la III Restricción:
MAX 2.7JN + 4JT 0.75JT <= 1000
JT ST
0.04JN + 0.05JT <=150 V.L.D.=0.75 (1333,33) = 1000 (Valor
0.70JN <=1000 En (1428.57, 1333.33) Máximo del L.D.)
0.75JT <=1000 Z=2,7 (1428,57)+4 (1333,33) = 9190,32
V.L.D.= 0,75(0) = 0 (Valor Mínimo del L.D.)
3000 En (1428.57, 0)
Z=2,7 (1428,57)+4 (0) = 3857,139
2000
1000
1000 2000 3000 4000 JN

derecho

0 JN = 1428.57; JT = 1333,33 3857,139
1000 JN = 1428.57 ; JT = 0 9190,32

∆𝑦 F.O.
Pendiente=m=tg(α)=
∆𝑥
El precio sombra de la restricción III será: ∆y
y 9190, 46 − 3857,139 ∆x
m= = = 5,333
x 1000 − 0
1000 Lado Derecho
Lindo
MAX 2.7JN + 4JT OBJECTIVE FUNCTION VALUE

ST 1) 9190.477
VARIABLE VALUE REDUCED COST
0.04JN + 0.05JT <=150
JN 1428.571411 0.000000
0.70JN <=1000 JT 1333.333374 0.000000
0.75JT <=1000 ROW SLACK OR SURPLUS DUAL PRICES
SOLUCIÓN 2) 26.190475 0.000000
Análisis de sensibilidad de los 3) 0.000000 3.857143
coeficientes de la F.O. 4) 0.000000 5.333333
0≤α<∞ NO. ITERATIONS= 2
0 ≤ β <∞ RANGES IN WHICH THE BASIS IS UNCHANGED:
Análisis de sensibilidad del OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
lado derecho
m=0 (Restricción 1) JN 2.700000 INFINITY 2.700000 0≤α<∞
m=3,8571 (Restricción 2)
m=5,3333 (Restricción 3) JT 4.000000 INFINITY 4.000000 0 ≤ β <∞
Maximizar -X1 + 2X2 . Se pide: a) Resolver con el Método gráfico.
Dependiendo de b) Análisis de sensibilidad de los coeficientes
6X1 – 2X2 ≤ 3 de función objetivo.
-2X1 + 3X2 ≤ 6
X1 +X2 ≤3
X1, X2 ≥0
1. Graficando las Restricciones 4. Hallando la solución
X2 I) 6X1 - 2X2 = 3 óptima
Si X1 = 0 X2 = -1,5 La solución óptima está en
Si X2 = 0 X1 = 0,5 la intersección de II y III
II)-2X1 + 3X2 = 6
Si X1 = 0 X2 = 2 -2X1 + 3X2 = 6
Si X2 = 0 X1 = -3 X1 + X2 = 3
III)X1 + X2 = 3 -2X1 + 3X2 = 6
Si X1 = 0 X2 = 3 2X1 + 2X2 = 6
Si X2 = 0 X1 = 3 5X2=12
3. Graficando la F.O. X2= 2.4
X1 X1=0,6
-X1+2X2=2
Si X1=0 X2=1 Z=-0,6+2(2,4)=4,2
Si X2=0 X1=-2
Maximizar -X1 + 2X2
Dependiendo de
6X1 – 2X2 ≤ 3
-2X1 + 3X2 ≤ 6
X1 +X2 ≤3
X1, X2 ≥0
Manteniendo constante el coeficiente de X2
La pendiente de la F.O.: αX1 + 2X2 m =- α /2 2
− =
De la restricción II) -2X1 + 3X2 = 6 m = 2/3 2 3
Igualando α = -1,33
La pendiente de la F.O.: αX1 + 2X2 m =- α /2 
− = −1
De la restricción III) X1 +X2 = 3 m=-1 2
Igualando α=2
Interpretación: [-1,33 ,2]
El coeficiente de X1 puede variar desde -1,33 hasta 2 inclusive sin modificar su
solución óptima.
Maximizar -X1 + 2X2
Dependiendo de
6X1 – 2X2 ≤3
-2X1 + 3X2 ≤6
X1 +X2 ≤3
X1, X2 ≥0
Manteniendo constante el coeficiente de X1
La pendiente de la F.O.: -1X1 + βX2 m = 1/β 1 2
=
De la restricción II) -2X1 + 3X2 = 6 m = 2/3  3
Igualando β = 1,5
La pendiente de la F.O.: -1X1 + βX2 m = 1/β 1
=0
De la restricción III) X1 + X2 = 3 m=0 
Igualando β=∞
Interpretación:** [1,5 , ∞)
El coeficiente de X2 puede variar desde 1,5 hasta ∞ inclusive sin modificar su
solución óptima.
Max -X1 + 2X2 OBJECTIVE FUNCTION VALUE
ST
6X1 - 2X2 <= 3 1) 4.200000
-2X1 + 3X2 <= 6
X1 +X2 <= 3 VARIABLE VALUE REDUCED COST
SOLUCIÓN X1 0.600000 0.000000
Análisis de sensibilidad de los X2 2.400000 0.000000
coeficientes de la F.O. ROW SLACK OR SURPLUS DUAL PRICES
2) 4.200000 0.000000
-1,3333 ≤ α ≤ 2 3) 0.000000 0.600000
1,5 ≤ β ≤∞ 4) 0.000000 0.200000 NO. ITERATIONS= 1
Análisis de sensibilidad del RANGES IN WHICH THE BASIS IS UNCHANGED:
lado derecho OBJ COEFFICIENT RANGES
m=0 (Restricción 1) VARIABLE CURRENT ALLOWABLE ALLOWABLE
m=0, 6 (Restricción 2) COEF INCREASE DECREASE
m=0 ,2 (Restricción 3) X1 -1.000000 3.000000 0.333333
X2 2.000000 INFINITY 0.500000
Problema 3
Galaxia produce dos tipos de juguetes: Space Ray y Zapper. Los recursos están
limitados a 1200 libras de plástico especial y 40 horas de producción
semanalmente. Los requerimientos de Marketing indica que la producción total
no puede exceder de 800 docenas. El número de docenas de Space Rays no
puede exceder al número de docenas de Zappers por más de 450. Space Rays
requiere 2 libras de plástico y 3 minutos de producción por docena. Zappers
requiere 1 libra de plástico y 4 minutos de producción por docena. Encontrar el
Plan común de producción para fabricar la mayor cantidad del producto que
deje mejores ganancias, el cual corresponde a Space Ray (8 $/docena). Usar la
menor cantidad de recursos para producir Zappers, porque estos dejan una
menor utilidad (5 $/docena).
Se pide: a)Hallar el modelo y resolver con el Método grafico.
b) Análisis de sensibilidad de los coeficientes de F.O.
Modelo matemático
TIPO Plástico Producción Utilidad MODELO MATEMATICO

(libras/docena) (min./docena) $/docena
Identificación de las variables
Space Ray 2 3 8 X1 = cantidad de docenas de space rays
Zapper 1 4 5 producidas en la semana.
X2 = cantidad de docenas de zappers
Recursos 1200 Libras 40 horas
producidas en la semana.
Identificación de la F.O.
Max 8X1 + 5X2 (ganancia semanal)
Identificación de las restricciones
2X1 + 1X2 <= 1200 (cantidad de plástico)
3X1 + 4X2 <= 2400 (tiempo de producción)
X1 + X2 <= 800 (limite producción total)
X1 - X2 <= 450 (producción en exceso)
Xi >= 0 , Entero (resultados positivos)
Lindo
OBJECTIVE FUNCTION VALUE

Max 8x1 + 5x2 1) 5040.000
SUBJECT TO VARIABLE VALUE REDUCED COST
X1 480.000000 -8.000000
2X1 + 1X2 <= 1200 X2 240.000000 -5.000000
3X1 + 4X2 <= 2400
X1 + X2 <= 800 ROW SLACK OR SURPLUS DUAL PRICES
X1 - X2 <= 450 2) 0.000000 0.000000
3) 0.000000 0.000000
END 4) 80.000000 0.000000
GIN X1 5) 210.000000 0.000000
GIN X2 NO. ITERATIONS= 2

BRANCHES= 0 DETERM.= 1.000E 0
Solución gráfica
X2 Restricción del plástico: 2X1+X2<=1200 Max 8x1 + 5x2

1200 SUBJECT TO
2X1 + 1X2 <= 1200
Restricción del total de producción: X1+X2<=800 3X1 + 4X2 <= 2400
800 X1 + X2 <= 800
X1 - X2 <= 450
600
END
Restricción del exceso de GIN X1
producción: X1-X2<=450
Horas de Región GIN X2
Producción Factible
3X1+4X2<=2400
X1
600 800
Solución gráfica
X2
1200
4)Hallando la Solución Óptima
La solución es la intersección de I y II
I) 2X1+X2=1200
800 Ganancia =$5040 II) 3X1+4X2=2400
• Igualación
• Sustitución
Métodos
• Sumas o restas
600 III) 8X1+4X2=4800 • Determinante
IV) 3X1+4X2=2400
5X1 =2400 → X1=480, X2=240
La solución optima es: X1=480, X2=240
Valor de la F.O.Z = 5040
400 600 800 X1

Max 8X1 + 5X2
ST 1) 5040.000
2X1 + 1X2 <= 1200 VARIABLE VALUE REDUCED COST
3X1 + 4X2 <= 2400 X1 480.000000 0.000000
X1 + X2 <= 800 X2 240.000000 0.000000
X1 - X2 <= 450 ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 3.400000
ANALISIS DE LOS 3) 0.000000 0.400000
COEFICIENTES DE LA FUNCION 4) 80.000000 0.000000
OBJETIVO 5) 210.000000 0.000000
3,75 ≤ α ≤ 10 NO. ITERATIONS= 2
4 ≤ β ≤ 10,67 RANGES IN WHICH THE BASIS IS UNCHANGED:
ANALISIS DEL LADO DERECHO VARIABLE CURRENT ALLOWABLE ALLOWABLE
m=3,4 (Primera Rest.) COEF INCREASE DECREASE
m=0,4 (Segunda Rest.) X1 8.000000 2.000000 4.250000
X2 5.000000 5.666667 1.000000
Problema 4
MIN 0.60X1 + 0.50X2 OBJECTIVE FUNCTION VALUE

SUBJECT TO 1) 2.150000
20X1 + 50X2 >=100 VARIABLE VALUE REDUCED COST
25X1 + 25X2 >=100 X1 1.500000 0.000000 El coeficiente de X1
50X1 + 10X2 >=100 X2 2.500000 0.000000 puede variar entre 0.50 a
ROW SLACK OR SURPLUS DUAL PRICES 2.50 sin que cambie la
solución optima.
ANALISIS DE LOS 2) 55.000000 0.000000
COEFICIENTES DE LA 3) 0.000000 -0.019000
FUNCION O. 4) 0.000000 -0.002500 El coeficiente de X2
puede variar entre 0.12 a
0,50 ≤ α ≤ 2,50 NO. ITERATIONS= 2 0.60 sin que cambie la
0,12 ≤ β ≤ 0,60 RANGES IN WHICH THE BASIS IS UNCHANGED: solución optima.
ANALISIS DEL LADO OBJ COEFFICIENT RANGES
DERECHO VARIABLE CURRENT ALLOWABLE ALLOWABLE
m=0,019 (Segunda Rest.) COEF INCREASE DECREASE
m=0,0025 (Tercera Rest.) X1 0.600000 1.900000 0.100000
X2 0.500000 0.100000 0.380000
Problema 5
Una empresa de transportes traslada hierro y

I Identificación de las variables
cobre en camiones teniendo una utilidad por
cada camión de 0,30 $/libra y 0,50 $/libra MH = Cantidad en lb. de hierro por transportar.
respectivamente. Se sabe que cada libra de MC = Cantidad en lb. de cobre por transportar.
hierro y cobre ocupa 0,04 y 0,08 pies cúbicos II Identificación de la Función Objetivo
respectivamente. Los camiones tienen
Max 0.30 MH + 0.50 MC
carrocerías de 1200 pies cúbicos por el tipo de
tolva y además su capacidad máxima de carga III Identificación de las Restricciones
es 22046 libras. Se pide: 0.04 MH + 0.08 MC 1200
a) Desarrollo del modelo y resolver con el
MH +MC  22046
método gráfico.
b) Análisis de sensibilidad de los coeficientes MH,MC  0
de función objetivo.
Problema 5
Max 0.30MH + 0.50 MC 1) Graficando las Restricciones

Dependiendo de: I) 0.04MH + 0.08 MC = 1200 Si MH=0 → MC = 15000
0.04MH + 0.08 MC 1200 Si MC=0 → MH= 30000
MH +MC  22046 II) MH + MC = 22046 Si MH=0 → MC = 22046
MH,MC 0 Si MC=0 → MH= 22046
MC
3) Graficando la Función Objetivo
30000
0.30MH + 0.50 MC = 8000 Si MH=0 → MC = 16000
Si MC=0 → MH = 26666
20000
4) Hallando la solución optima
La solución es la intersección de I y II
10000 I) 0.04MH + 0.08MC = 1200→0.04MH + 0.08MC = 1200 III
II) MH + MC = 22046→ 0.04MH + 0.04MC = 881.84 IV
III-IV 0.04MC = 318.16
10000 20000 30000 40000 MH De donde la solución óptima es: MC = 7954,
MH = 14092
El valor que toma la función objetiva es Z = 8204.6.
Problema 5
Max 0.30MH + 0.50 MC Manteniendo constante el coeficiente de MC

La pendiente de la F.O.: α MH + 0.50MC m =-a/0.50
Dependiendo de:
De la restricción I) 0.04MH + 0.08 MC 1200 m =-0.04/0.08
0.04MH + 0.08 MC 1200  0, 04  α= 0.25
MH +MC  22046 − =−
0,50 0, 08
MH, MC  0 La pendiente de la F.O.:aMH + 0.50MC m =-a/0.50
De la restricción II) MH +MC  22046 m =-1
  α = 0.50
− = −1
0,50
El coeficiente de MH puede variar entre  0.25  α  0.50
0.25 y 0.50 inclusive sin modificar su
solución óptima. Manteniendo constante el coeficiente de MH
El coeficiente de MC puede variar entre La pendiente de la F.O.: 0.30MH + βMC m =-0.30/ β
0.30 y 0.60 inclusive sin modificar su De la restricción I) 0.04MH + 0.08 MC 1200 m=-0.04/0.08
0,30 0, 04  β = 0.60
solución óptima. − =−
 0, 08
La pendiente de la F.O.: 0.30MH + β MC m = -0.30/ β
De la restricción II) MH +MC  22046 m = -1
0,30  β = 0.30
− = −1
  0.30  β  0.60
Problema 5
Max 0.30MH + 0.50 MC Valor del L.D. Solución óptima Valor de la F.O.
Dependiendo de:
881.84 MH = 22046 ; MC = 0 6613.8
0.04MH + 0.08 MC 1200
MH +MC  22046 1200 MH = 14092; MC = 7954 8204.6
MH, MC  0
1763.68 MH = 0 ; MC = 22046 11023
Análisis de Sensibilidad del Lado Derecho de la I 11023 − 6613,8

Restricción: 0.04MH + 0.08MC = 1200 m= =5
1763, 68 − 881,84
V.L.D.=0.04 (22046) + 0.08 (0) = 881.84
En (22046, 0) Por cada unidad de capacidad de volumen
Z=0,30(22046) + 0,50(0) = $ 6613,8 adicional por encima de 1200 pies cúbicos y
En (0, 22046) V.L.D.=0.04 (0) + 0.08 (22046) = 1763,68 hasta 1763.68 pies cúbicos, el margen de
Z= 0,30 (0) + 0,50 (22046) = $ 11023
ganancia corporativo aumentará en 5 de $100, es
decir: $500. Mientras que por cada unidad de
capacidad de volumen se disminuya hasta
881.84 pies cúbicos, el margen de ganancia
bajará en $500.
Problema 5
Max 0.30MH + 0.50 MC Valor del L.D. Solución óptima Valor de la F.O.
Dependiendo de:
15000 MH = 0 ; MC = 15000 7500
0.04MH + 0.08 MC 1200
MH +MC  22046 22046 MH = 14092; MC = 7954 8204.6
MH, MC  0
30000 MH = 30000 ; MC = 0 9000
9000 − 7500
Análisis de Sensibilidad del Lado Derecho de la II m= = 0.1
Restricción: MH + MC = 22016 30000 − 15000
V.L.D.= 30000 + 0 = 30000 Por cada unidad de capacidad de peso adicional
En (30000, 0) por encima de 22016 libras y hasta 30000 libras,
Z=0,30(30000) + 0,50(0) = $ 9000
el margen de ganancia corporativo aumentará en
En (0, 15000) V.L.D.= 0 + 15000 = 15000 0.1 de $100, es decir: $10. Mientras que por cada
Z= 0,30 (0) + 0,50 (15000) = $ 7500 unidad de capacidad de peso que se disminuya
hasta 15000 libras, el margen de ganancia bajará
en $10.
Problema 5
Max 0.30MH + 0.50 MC OBJECTIVE FUNCTION VALUE

ST
0.04MH + 0.08 MC <=1200 1) 8204.600
MH +MC <= 22046 VARIABLE VALUE REDUCED COST
MH 14092.000000 0.000000
MH, MC >= 0
MC 7954.000000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 5.000000
3) 0.000000 0.100000
NO. ITERATIONS= 2
RANGES IN WHICH THE BASIS IS UNCHANGED:

MH 0.300000 0.200000 0.050000
0.25  α  0.50 MC 0.500000 0.100000 0.200000
0.30  β  0.60
Problema 5
i) Graficando las Restricciones

MAX 0,55JN + 0,40JT 0.04JN + 0.05JT = 150 (i) Si JN = 0 JT = 3000
JT ST Si JT= 0 JN = 3750
0.04JN + 0.05JT <=150 0.70JN = 1000 (ii) JN =1428,57
0.70JN <=1000 0.50JT = 1000 (iii) JT =2000
0.50JT <=1000
iii) Graficando la Función Objetivo
0.55JN + 0,40JT= 11000 Si JN = 0 JT = 2750
3000 Si JT = 0 JN= 2000
iv) Hallando la Solución óptima
2000 La Solución óptima es la intersección de las restricciones i y ii
i) 0.04JN + 0.05JT =150
ii) 0.70JN =1000
1000
Solución óptima: JN = 1428,57
JT = 1857,14
Valor de la F.O. Z = 1528,57
1000 2000 3000 4000 JN
Análisis de Sensibilidad del Lado Derecho de la I Restricción:
MAX 0,55JN + 0,40JT 0.04JN + 0.05JT <=150
JT ST
V.L.D.= 0,04(1428,57)+0,05(1857,14)=150
0.04JN + 0.05JT <=150 En (1428.57,1857.14)
0.70JN <=1000 Z=0,55(1428,57)+0,40(1857,14) = 1528,57
0.50JT <=1000 V.L.D.=0,04(1428,57)+0,05(0)=57,14
En (1428.57, 0)
Z=0,55(1428,57)+0,40(0) = 785,71
3000
Valor lado Valor función
Solución óptima
derecho objetivo
2000
150 JN=1428.57; JT=1857,14 1528,57
1000
57,14 JN = 1428.57 ; JT = 0 785,71
El precio sombra de la restricción I será:

1000 2000 3000 4000 JN y 1528, 5695 − 785, 7135
El análisis de sensibilidad del lado derecho
m= = =8
x 150 − 57,14
se realiza con las restricciones I y II que
intervienen en la solución optima.
derecho de la restricción II
Análisis de Sensibilidad del Lado Derecho de la II
MAX 0,55JN + 0,40JT Restricción: 0.70JN <=1000
JT ST
V.L.D.= 0,70(0)=0
0.04JN + 0.05JT <=150 En (0, 3000)
0.70JN <=1000 Z=0,55(0)+0,40(3000) = 1200
0.50JT <=1000
V.L.D.=0,70(3750)=2625
En (3750, 0)
3000 El análisis de sensibilidad Z=0,55(3750)+0,40(0) = 2062,5
del lado derecho se realiza
con las restricciones que Valor lado derecho Solución óptima Valor F. O.
2000 intervienen en la solución
optima. La restricción I y II 0 JN = 0; JT = 3000 1200
intervienen, por lo tanto su
1000 2625 JN = 3750 ; JT = 0 2062,5
precio sombra de la
restricción III es cero. El precio sombra de la restricción I será:
y 2062,5 − 1200
1000 2000 3000 4000 JN m= = = 0,328571
x 2625 − 0
Lindo
MAX 0,55JN + 0,40JT

ST OBJECTIVE FUNCTION VALUE
0.04JN + 0.05JT <=150 1) 1528.571
0.70JN <=1000 VARIABLE VALUE REDUCED COST
JN 1428.571411 0.000000
0.50JT <=1000
JT 1857.142822 0.000000
SOLUCIÓN ROW SLACK OR SURPLUS DUAL PRICES
Análisis de sensibilidad de los coeficientes de la F.O. 2) 0.000000 8.000000
0,32 ≤ α < ∞ 3) 0.000000 0.328571
0 ≤ β ≤ 0,6875 4) 71.428574 0.000000
Análisis de sensibilidad del lado derecho NO. ITERATIONS= 2
m=8 (Restricción 1) RANGES IN WHICH THE BASIS IS UNCHANGED:
m=0,328571 (Restricción 2) OBJ COEFFICIENT RANGES
m=0 (Restricción 3) VARIABLE CURRENT ALLOWABLE ALLOWABLE
JN 0.550000 INFINITY 0.230000
JT 0.400000 0.287500 0.400000
Problema 5
Una compañía elabora los productos A, B y C.

Cada producto se procesa en tres MODELO
departamentos: I, II y III. El total disponible de I. Identificación de las variables:
horas de trabajo por semana por cada Xi=cantidad de unidades del producto i a
departamento es de 900, 1080 y 840 horas, producir esta semana.
respectivamente. Los requisitos de tiempo (en
horas por unidad) y la ganancia por cada unidad II. Identificación de la Función Objetivo
del producto son: Max 16X1 + 12X2 + 15X3
Producto Producto Producto III. Identificación de las restricciones
A B C 2 X1 + X2 + 2 X3  900
Departamento I 2 1 2 3 X1 + X2 + 2 X3  1080
Departamento II 3 1 2 2 X1 + 2X2 + X3  840
Departamento III 2 2 1 X1, X2, X3  0, Enteros
Ganancia $16 $12 $15
¿Cuántas unidades de cada producto debe fabricar
la compañía para maximizar las ganancias?
Max 16X1 + 12X2 + 15X3 OBJECTIVE FUNCTION VALUE
ST 1) 7920.000
2 X1 + X2 + 2 X3 <= 900 X1 0.000000 2.000000
3 X1 + X2 + 2 X3 <=1080 X2 260.000000 0.000000
2 X1 + 2X2 + X3 <= 840 X3 320.000000 0.000000
ANALISIS DE LOS COEFICIENTES DE LA ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 6.000000
FUNCION O. 3) 180.000000 0.000000
-∞ ≤ α ≤ 18 4) 0.000000 3.000000
9 ≤ β ≤ 30 NO. ITERATIONS= 2
12 ≤ γ ≤ 24 RANGES IN WHICH THE BASIS IS UNCHANGED:
ANALISIS DEL LADO DERECHO COEF INCREASE DECREASE
m=6 (Primera Rest.) X1 16.000000 2.000000 INFINITY
m=3 (Tercera Rest.) X2 12.000000 18.000000 3.000000
X3 15.000000 9.000000 3.000000
NISAN fabrica carros compactos y subcompactos. La Identificación de variables
producción de cada carro requiere una cierta cantidad C =Número de carros compactos por fabricar
de materia prima y mano de obra, como se especifica
en la siguiente tabla: S =Número de carros subcompactos por fabricar
Materia prima Mano de obra Identificación de la Función Objetivo
(Lb) (Horas) MAX 6740C + 5100S
Compactos 200 18 Identificación de las restricciones
Subcompactos 150 20 200C +150S ≤ 80000
Costo unitario 10 70 18C + 20S ≤ 9000
Total disponible 80000 9000
C ≤ 1500
La división de comercialización ha estimado que a lo
más 1500 compactos pueden venderse a $ 10000 S ≤ 200
cada uno y que a lo más 200 subcompactos pueden C, S ≥ 0, Entero
venderse a $ 8000 cada uno. Formule un modelo y
resuelva usando el método grafico para determinar la
cantidad a fabricar de cada tipo de carro para
maximizar la ganancia total.
MAX 6740C + 5100S PASO 1: Graficando las restricciones
ST
200C +150S ≤ 80000 200C+150S=80000…(I) Si C=0 → S= 533.333…
18C + 20S ≤ 9000 Si S=0 → C= 400
C ≤ 1500
S ≤ 200 18C+20S=9000 …(II) Si C=0 → S= 450
END
Si S=0 → C= 500
GIN C
GIN S PASO 3: Graficando la F.O
6740C +5100S=1718700
Si C=0 → S= 337
Si S=0 → C= 255
PASO 4: Hallando la solución optima
Del grafico la solución óptima es: C=250 S=200
El valor que toma la F.O es:
Z=6740(250)+5100(200)=2705000
4.40 derecho de la restricción I
MAX 6740C + 5100S
Análisis de Sensibilidad del Lado Derecho de la I Restricción:
ST
200C +150S ≤ 80000 200C +150S ≤ 80000
18C + 20S ≤ 9000 El análisis de sensibilidad del lado V.L.D.= 200(250)+150(200)=80000
C ≤ 1500 derecho se realiza con las En (250, 200)
S ≤ 200 restricciones que intervienen en la Z=6740(250) + 5100(200)= 2705000
END solución optima. La restricción I y IV V.L.D.= 200(0)+150(200)=30000
GIN C intervienen. En (0, 200)
Z=6740(0) + 5100(200)= 1020000
GIN S
Valor lado derecho Solución óptima Valor F. O.

80000 C= 250; S = 200 2705000
30000 C= 250; S = 0 1020000
y 2705000 − 1020000
m= = = 33, 7
x 80000 − 30000
4.40 derecho de la restricción IV
MAX 6740C + 5100S El análisis de sensibilidad del Análisis de Sensibilidad del Lado Derecho de la IV
ST lado derecho se realiza con las Restricción:
200C +150S ≤ 80000 restricciones que intervienen S <=200
18C + 20S ≤ 9000 en la solución optima. La
C ≤ 1500 restricción I y II intervienen, V.L.D.= 533,33=533,3333
S ≤ 200 pero la restricción III no En (0, 533,33)
END Z=6740(0) + 5100(533,3333)=2720000
interviene, por lo tanto su
GIN C precio sombra de este último V.L.D.=0
GIN S En (400, 0)
sería cero. Z=6740(400) + 5100(0)= 2696000
Valor lado derecho Solución óptima Valor F. O.
533,33 C= 0; S = 533,33 2720000

0 C= 400; S = 0 2696000
y 2720000 − 26960000
m= = = 45
x 533,33 − 0
propio destino

55
Docente:
Semestre: 2022-1
Semana 11
PROBLEMA DE TRANSPORTE
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
Contenido
1 Modelo de transportes
2 Modelo tabular de transportes
3 Método Vogel
4 Problemas
Modelo de transporte
Red
El modelo de transporte busca determinar
Origen Destino
un plan de transporte de una mercancía de
C11 : X11
1 → b1
a1→ 1 los lugares orígenes a los lugares destinos.
C12 : X12
Los datos necesarios del modelo son:
• Cantidad de oferta en cada origen ai

a2→ 2 2 → b2
• Cantidad de demanda en cada destino bi
• Costo unitario de transporte de cada
origen a cada destino cij
am→ m n → bn
Unidades Unidades
ofertadas demandadas
La suma de los envíos desde un origen no

puede ser mayor que su oferta.
La suma de los envíos a un destino debe
satisfacer la demanda.
balanceado
Problema 1
El diagrama de la distancia puede traducirse I. Identificación de variables.

en costo por automóvil (redondeado), que Xij = # de unidades transportada desde el origen i al destino j
representan a Cij del modelo original. La tabla II. Identificación de la función objetivo.
que representa el modelo es el siguiente: MIN 80X11 + 215X12 + 100X21 + 108X22 + 102X31 + 68X32
III Identificación de Restricciones.
X11 + X12 ≤ 1000
D E
X21 + X22 ≤ 1500
X31 + X32 ≤ 1200
A 1000 X11 + X21 + X31 = 2300
X12 + X22 + X32 = 1400
Xij ≥ 0
MIN 80X11 + 215X12 + 100X21 + 108X22 + 102X31 + 68X32
B 1500 ST 1) 313200.0
X11 + X12 <= 1000 VARIABLE VALUE REDUCED COST
X21 + X22 <= 1500 X11 1000.000000 0.000000
C 1200 X31 + X32 <= 1200 X12 0.000000 127.000000
X11 + X21 + X31 = 2300 X21 1300.000000 0.000000
X12 + X22 + X32 = 1400 X22 200.000000 0.000000
2300 1400 X31 0.000000 42.000000
X32 1200.000000 0.000000
Modelo de transporte no
balanceado
Supóngase que la capacidad de la planta de B Si la oferta es mayor que la demanda, podemos

es de 1300 automóviles (en vez de 1500). Se agregar un destino ficticio que absorberá la
dice que la situación está desbalanceada (o sin diferencia. Por ejemplo, si D disminuye a 1900
balanceo) debido a que la oferta total (= 3500) vehículos. Cualquier automóvil enviado de una
no es igual a la demanda total (= 3700). planta a un centro de distribución ficticio
representa una cantidad excedente en la planta.
Problema 2
Florida Citrus procesa jugo de naranja y lo

Costo de transporte($/Tn)
transforma en concentrado congelado en tres A
plantas localizadas en Chosica, Vitarte y Comas. De Chosica Vitarte Comas
cualquiera de los dos huertos ubicados cerca de
Huaral y Cañete se pueden enviar libras de naranja Desde
hacia cualquier planta. el huerto que está cerca de
Huaral tiene 20000 libras y el huerto que está cerca Huaral 50 75 60
a Cañete tiene 12000 libras.
La planta de Chosica requiere al menos 8000 libras
para cumplir su cuota de producción. Las plantas de Cañete 60 90 45
Vitarte y Comas requieren cada una al menos 11000
libras. Dado el costo de transporte y el precio de Ingresos
venta del concentrado, el objetivo, sujeto a ciertas 550 750 600
($/Tn)
restricciones de oferta y demanda, es determinar
cómo transportar estas naranjas desde de los dos
huertos a las tres plantas procesadoras para
maximizar la ganancia. Desarrollar y resolver el
modelo matemático.
Red
ORIGEN DESTINO CALCULO DE LA UTILIDAD CALCULO DE LA UTILIDAD

(Huerto) (planta)
Utilidad= Ingreso – Gastos Utilidad= Ingreso – Gastos
CHOSICA
1 U11= 550 – 50 = 500 $/TN. U21= 550 – 60 = 490 $/TN.
X11 8000
HUARAL  $  1Tn  $  1Tn
1 U 11 = 500   ( ) = 0, 2268 U 21 = 490   ( ) = 0, 2223
20000 X12  Tn  2204, 62 Lb  
Tn 2204,62 Lb
X13 VITARTE
2 11000 U12= 750 – 75 = 675 $/TN. U22= 750 – 90 = 660 $/TN.
 $  1Tn  $ 
U 12 = 675   ( ) = 0,3062 U 22 = 660   (
1Tn
) = 0, 2994
CAÑETE  Tn  2204, 62 Lb  Tn  2204, 62 Lb
12000 2
COMAS
3 U13= 600 – 60 = 540 $/TN. U23= 600 – 45 = 555 $/TN.
11000
 $  1Tn  $  1Tn
U 13 = 540   ( ) = 0, 2449 U 23 = 555   ( ) = 0, 2517
 Tn  2204,62 Lb  Tn  2204,62 Lb
Modelo matemático
I. Identificación de variables. MAX 0.2268X11+ 0.3062X12 + 0.2449X13 +

Xij = # de libras de naranjas a enviar del 0.2223X21 + 0.2994X22 + 0.2517X23
huerto i a la planta j ST
II. Identificación de la función objetivo. X11 + X12 + X13 <= 20000
MAX 0.2268X11+ 0.3062X12 + 0.2449X13 + X21 + X22 + X23 <= 12000
0.2223X21 + 0.2994X22 + 0.2517X23 X11 + X21 >= 8000
III Identificación de Restricciones. X12 + X22 >= 11000
X11 + X12 + X13 ≤ 20000 X13 + X23 >= 11000
X21 + X22 + X23 ≤ 12000
X11 + X21 ≥ 8000 1) 8559.200
X12 + X22 ≥ 11000 VARIABLE VALUE REDUCED COST
X13 + X23 ≥ 11000 X11 7000.000000 0.000000
Xij ≥0 X12 13000.000000 0.000000
X13 0.000000 0.011300
X21 1000.000000 0.000000
X22 0.000000 0.002300
X23 11000.000000 0.000000
Problema 3
En el problema de transporte, se pide d e s a r r o l l a r y I. Identificación de variables.

resolver el modelos matemático usando el Xij = # de unidades a enviar del origen i al destino j
M é t o d o Vo g e l .
II. Identificación de la función objetivo.
MIN 10X11 + 8X12 + 4X13 + 9X21 + 5X22 + 7X23+
1 2 3 3X31 + 6X32 + 9X33 + 5X41 + 7X42 + 6X43
1 45 III Identificación de Restricciones.

X11 + X12 + X13 ≤ 45
2 50 X21 + X22 + X23 ≤ 50
X31 + X32 + X33 ≤ 45
3 45 X41 + X42 + X43 ≤ 30
X11 + X21 + X31 + X41 = 90
X12 + X22 + X32 + X42 = 30
4 30
X13 + X23 + X33 + X43 = 50
Xij ≥0
90 30 50
Usando lindo

MIN 10X11 + 8X12 + 4X13 + 9X21 + 5X22 + 7X23+
3X31 + 6X32 + 9X33 + 5X41 + 7X42 + 6X43 1) 785.0000
ST VARIABLE VALUE REDUCED COST

X11 + X12 + X13 <= 45 X11 0.000000 4.000000
X12 0.000000 6.000000
X21 + X22 + X23 <= 50 X13 45.000000 0.000000
X31 + X32 + X33 <= 45 X21 15.000000 0.000000
X22 30.000000 0.000000
X41 + X42 + X43 <= 30 X23 5.000000 0.000000
X11 + X21 + X31 + X41 = 90 X31 45.000000 0.000000
X32 0.000000 7.000000
X12 + X22 + X32 + X42 = 30 X33 0.000000 8.000000
X13 + X23 + X33 + X43 = 50 X41 30.000000 0.000000
X42 0.000000 6.000000
X43 0.000000 3.000000
Método Vogel
1 2 3 Oferta P1 P2 P3 P4
A 10 8 4 45
B 9 5 7 50
C 3 6 9 45
D 5 7 6 30
Demanda 90 30 50
P1
P2
P3
P4
Método Vogel
Pasos:
A 10 8 4* 45/0 4
Hallamos las
B 9 5 7 50 2
penalidades
Hallamos la C 3 6 9 45 3
mayor
penalidad D 5 7 6 30 1
Hallamos el Demanda 90 30 50/5

menor costo X13=45→C=45*4=180
Realizamos P1 2 1 2
la operación
P2
P3
P4
Método Vogel
A 10 8 4 45/0 4 -
Hallamos las
B 9 5 7 50 2 2
penalidades
Hallamos la C 3* 6 9 45/0 3 3
mayor
penalidad D 5 7 6 30 1 1
Hallamos el Demanda 90/45 30 50/5

menor costo X13=45→C=45*4=180
X31=45→C=45*3=135
Realizamos P1 2 1 2
la operación
P2 2 1 1
P3
P4
Método Vogel
A 10 8 4 45/0 4 - -
Hallamos las
B 9 5 7 50 2 2 2
penalidades
Hallamos la C 3 6 9 45/0 3 3 -
mayor
penalidad D 5* 7 6 30/0 1 1
Hallamos el Demanda 90/45 30 50/5

menor costo /15 X13=45→C=45*4=180
X31=45→C=45*3=135
Realizamos P1 2 1 2
la operación X41=30→C=30*5=150
P2 2 1 1
P3 4 2 1
P4
Método Vogel
A 10 8 4 45/0 4 - -
B 9 5 7 50 2 2 2
C 3 6 9 45/0 3 3 -
D 5 7 6 30/0 1 1
Demanda 90/45 30 50/5

/15 X13=45→C=45*4=180
X31=45→C=45*3=135
P1 2 1 2
X41=30→C=30*5=150
P2 2 1 1 Z=785
X21=15→C=15*9=135
P3 4 2 1
X22=30→C=30*5=150
P4
X23=5 →C=5*7= 35
Problema 4
La empresa “C.N.” elabora una cerveza que se Costo de distribución por 100 cajas de cerveza
distribuye a nivel nacional a partir de dos
fábricas, una en el norte y la otra en el sur del Mayoristas A B C D Oferta
país. La cerveza se envía a cuatro mayoristas Fábricas
que se encargan de la distribución, por lo que
la empresa se ocupa sólo de la distribución a Norte 21 15 18 9 550
los mayoristas.
Sur 10 14 16 23 650
Los costos de distribución en dólares por
conjunto de 100 cajas que se envían a cada Demanda 200 250 400 350 1200
mayoristas; se presenta en la siguiente tabla
junto con la oferta mensual en cada fábrica y la
demanda mensual de cada mayorista.
Determine la distribución más económica
usando Vogel.
Red y modelo
ORIGEN DESTINO I. Identificación de variables.

(fábricas) (mayoristas)
Xij = N° de cientos de cajas que se
A envía de la fábrica i al mayorista j
1
X11 200 II. Identificación de la función objetivo.
NORTE 1
X12 MIN 21X11 + 15X12 + 18X13 + 9X14 +
550 B
X13 2 10X21 + 14X22 + 16X23 + 23X24
250 III Identificación de Restricciones.
X11 + X12 + X13 + X14 ≤ 550
C
3 X21 + X22 + X23 + X24 ≤ 650
400
SUR X11 + X21 = 200
2
650 D X12 + X22 = 250
4
350 X13 + X23 = 400
X14 + X24 = 350
Red Xij ≥ 0
Lindo
LP OPTIMUM FOUND AT STEP 3
MIN 21X11 + 15X12 + 18X13 + 9X14 + OBJECTIVE FUNCTION VALUE

10X21 + 14X22 + 16X23 + 23X24 1) 15250.00
X11 + X12 + X13 + X14 <= 550 X11 0.000000 10.000000
X12 200.000000 0.000000
X21 + X22 + X23 + X24 <= 650 X13 0.000000 1.000000
X14 350.000000 0.000000
X11 + X21 = 200 X21 200.000000 0.000000
X22 50.000000 0.000000
X12 + X22 = 250 X23 400.000000 0.000000
X24 0.000000 15.000000
X13 + X23 = 400 ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 0.000000
X14 + X24 = 350 3) 0.000000 1.000000
4) 0.000000 -11.000000
5) 0.000000 -15.000000
6) 0.000000 -17.000000
7) 0.000000 -9.000000
Método Vogel
Pasos: Mayoristas A B C D Oferta P1

Fábrica
Hallamos las Norte 21 15 18 9 550 6
penalidades * 200
Hallamos la Sur 10 14 16 23 650 4
mayor
penalidad Demanda 200 250 400 350
0
Hallamos el
menor costo
Realizamos X14=350
la operación P1 11 1 2 14
C=(350)(9)
Método Vogel
Mayoristas A B C D Ofert P1 P2
Fábrica a
Hallamos las Norte 21 15 18 550 6 3
penalidades 200
Hallamos la Sur 10 14 16 650 4 4
mayor * 450
penalidad
Demanda 200 250 400 350
Hallamos el 0 0
menor costo
Realizamos P1 11 1 2 14 X14=350
la operación C=(350)(9)
P2 11 1 2
X21=200
C=(200)(10)
Método Vogel
Mayoristas A B C D Ofert P1 P2 P3
Fábrica a
Hallamos las 01 Norte 15 18 550 6 3 3
penalidades * 200
0
Hallamos la
mayor Sur 14 16 650 4 4 2
penalidad 450
Hallamos el
Demanda 200 250 400 350
menor costo 0 50 0
Realizamos X14=350 C=(350)(9)

la operación
P1 11 1 2 14
P2 11 1 2 X21=200 C=(200)(10)
P3 1 2 X12=200 C=(200)(15)
Método Vogel
Mayoristas A B C D Ofert P1 P2 P3
Fábrica a
01 Norte 550 6 3 3
200
0
Sur 14 16 650 4 4 2
450
Demanda 200 250 400 350
0 50 0
X14=350 C=(350)(9)
P1 11 1 2 14 X21=200 C=(200)(10)
P2 11 1 2 X12=200 C=(200)(15)
X22=50 C=(50)(14)
P3 1 2 X23=400 C=(400)(16)
Método Vogel
X14=350 C= 350*9 = 3150
X21=200 C= 200*10 = 2000
X12=200 C= 200*15 = 3000
X22=50 C= 50*14 = 700
X23=400 C= 400*16 = 6400

• Costo total =15250
Problema 5
Medican, Inc., renta equipos especializado de rayos X ORIGEN DESTINO

a hospitales. Actualmente hay tres máquinas
ubicadas en Nueva York, dos en Chicago y tres en Los
(Ciudad) (hospital)
X11
Ángeles. Hay hospitales en Dallas que requieren New York 1 1 Dallas
cuatro máquinas. Los de Denver y Phoenix necesitan (3) (4)
X12
cada uno dos máquinas. El costo (en dólares) de
enviar una máquina de cada ciudad a cada hospital se X13
muestra en la siguiente tabla. Resolver usando el
Método de Vogel.
Chicago Denver
2 2
Desde Hacia Dallas Denver Phoenix (2) (2)
New york 1600 1800 2500
Chicago 900 1000 1800
Los Ángeles 1400 1000 400 Los Ángeles
Phoenix
(3) 3 3 (2)
Red
I. Identificación de variables.
MIN 1600X11 + 1800X12 + 2500X13
Xij = Número de máquinas a enviar del origen i
al destino j + 900X21 + 1000X22 +1800X23
II. Identificación de la función objetivo. +1400X31 + 1000X32 + 400X33
MIN 1600X11 + 1800X12 + 2500X13 + 900X21 ST
+ 1000X22+1800X23+1400X31+1000X32 + 400X33 X11 + X12 + X13 <= 3
III Identificación de Restricciones. X21 + X22 + X23 <= 2 OBJECTIVE FUNCTION VALUE
1) 8500.000
X11 + X12 + X13 ≤ 3 VARIABLE VALUE REDUCED COST
X31 + X32 + X33 <= 3
X21 + X22 + X23 ≤ 2 X11 3.000000 0.000000
X11 + X21 + X31 = 4 X12 0.000000 100.000000
X31 + X32 + X33 ≤ 3 X13 0.000000 1400.000000
X12 + X22 + X32 = 2
X11 + X21 + X31 = 4 X21 1.000000 0.000000
X22 1.000000 0.000000
X12 + X22 + X32 = 2 X13 + X23 + X33 = 2
X23 0.000000 1400.000000
X13 + X23 + X33 = 2 X31 0.000000 500.000000
X32 1.000000 0.000000
Xij ≥ 0, Entera X33 2.000000 0.000000
Método Vogel
Pasos: Dallas Denver Phoenix Oferta P1

Nueva 1600 1800 2500 3 200
Hallamos las York
penalidades Chicago 900 1000 1800 2 100
Hallamos la
mayor Los 1400 1000 400 3 600
penalidad Ángeles * 1
Hallamos el Demanda 4 2 2
menor costo 0 X33=2 C=2*400
Realizamos
la operación P1 500 800 1400
Método Vogel
Dallas Denver Phoenix Oferta P1 P2

Nueva 1600 1800 3 200 200
Hallamos las York
penalidades Chicago 900 1000 2 100 100
Hallamos la Los 1400 1000 3 600 400
mayor Angeles * 1
penalidad 0
Hallamos el Demanda 4 2 2
menor costo 1 0 X33=2 C=2*400
X32=1 C=1*1000
Realizamos
P2 500 800
Método Vogel
Dallas Denver Phoenix Oferta P1 P2 P3

Nueva 1600 1800 3 200 200 200
Hallamos las York
penalidades Chicago 900 1000 2 100 100 100
* 1
Hallamos la
mayor Los 3 600 400
penalidad Angeles 1
0
Hallamos el
menor costo Demanda 4 2 2
1 0 X33=2 C=2*400
Realizamos 0 X32=1 C=1*1000
la operación
P1 500 800 1400 X22=1 C=1*1000
P2 500 800
P3 700 800
Método Vogel
Dallas Denver Phoenix Oferta P1 P2 P3

Nueva 1600 3 200 200 200
York
Chicago 900 2 100 100 100
1
Los 3 600 400
Ángeles 1
0
Demanda 4 2 2
1 0 X33=2 C=2*400
0 X32=1 C=1*1000
P1 500 800 1400 X22=1 C=1*1000
X11=3 C=3*1600
P2 500 800
X21=1 C=1*900
P3 700 800
Respuesta
X33=2 C= 2* 400 = 800
X32=1 C= 1*1000 = 1000
X22=1 C= 1*1000 = 1000
X11=3 C= 3*1600 = 4800
X21=1 C= 1* 900 = 900

• Costo total = 8500
Problema 6
Medican, Inc., renta equipos especializado de
rayos X a hospitales. Actualmente hay tres ORIGEN DESTINO
(hospital)
máquinas ubicadas en Nueva York, dos en
X11
Chicago y tres en Los Ángeles. Hay hospitales New York 1 1 Dallas
en Dallas que requieren cuatro máquinas. Los (3) X12 (4)
de Denver y Phoenix necesitan cada uno dos
máquinas. Además el hospital de Miami
necesita 2 máquinas. El costo (en dólares) de Chicago 2 2 Denver
enviar una máquina de cada ciudad a cada (2) (2)
hospital se muestra en la siguiente tabla. Use el
Método de Vogel.
Los
Desde Dallas Denver Phoenix Miami Ángeles 3 3 Phoenix
Hacia (3) (2)
New york 1600 1800 2500 1300
Chicago 900 1000 1800 1400 4 4 Miami
Figurado
(2)
Los Ángeles 1400 1000 400 2700 (2)
Método Vogel
Pasos: Dallas Denver Phoenix Miami Oferta P1 P2 P3

Nueva York 1600 1800 2500 1300 3 300
Hallamos las Chicago 900 1000 1800 1400 2 100
penalidades
Hallamos la Los 1400 1000 400 2700 3 600

mayor Ángeles
penalidad
Figurado 0 0 0 0 2/0 0
Hallamos el *
menor costo Demanda 4 2 2 2/0 X44=2 C=2*0
Realizamos P1 900 1000 400 1300
la operación
P2
P3
Método Vogel
Dallas Denver Phoenix Miami Oferta P1 P2 P3

Nueva York 1600 1800 2500 1300 3 300 200
Hallamos las Chicago 900 1000 1800 1400 2 100 100
penalidades
Hallamos la
Los 1400 1000 400 2700 3/1 600 600
Ángeles *
mayor
penalidad Figurado 0 0 0 0 2/0 0
Hallamos el
*
menor costo Demanda 4 2 2/0 2/0 X44=2 C=2*0
Realizamos P1 900 1000 400 1300 X33=2 C=2*400

la operación
P2 500 800 1400
P3
Método Vogel
Dallas Denver Phoenix Miami Oferta P1 P2 P3

Nueva York 1600 1800 2500 1300 3 300 200 200
Hallamos las Chicago 900 1000 1800 1400 2 100 100 100
penalidades
Hallamos la
Los 1400 1000 400 2700 3/1/0 600 600 400
Angeles * *
mayor
penalidad Figurado 0 0 0 0 2/0 0
Hallamos el
*
menor costo Demanda 4 2 2 2 X44=2 C=2*0
1 0 0
Realizamos X33=2 C=2*400
la operación P1 900 1000 400 1300
X32=1 C=1*1000
P2 500 800 1400
P3 500 800
Método Vogel
Dallas Denver Phoenix Miami Oferta P1 P2 P3 P4

Nueva 1600 1800 2500 1300 3 300 200 200 200
Hallamos las
York
penalidades Chicago 900 1000 1800 1400 2/1 100 100 100 100
*
Hallamos la
mayor Los 1400 1000 400 2700 3/1/0 600 60/0 400
penalidad Angeles * *
Figurado 0 0 0 0* 2/0 0
Hallamos el
menor costo Demanda 4 2/1/0 2/0 2/0 X44=2 C=2*0
Realizamos P1 900 1000 400 1300 X33=2 C=2*400

la operación P2 500 800 1400 X32=1 C=1*1000
P3 500 800 X22=1 C=1*1000
P4 700 800
Método Vogel
Dallas Denver Phoenix Miami Oferta P1 P2 P3 P4

Nueva 1600 1800 2500 1300 3 300 200 200 200
York
Chicago 900 1000 1800 1400 2 100 100 100 100
* 1
Los 1400 1000 400 2700 3/1/0 600 600 400
Angeles * *
Figurado 0 0 0 0 2/0 0
*
Demanda 4 2/1/0 2/0 2/0 X44=2 C=2*0
P1 900 1000 400 1300 X33=2 C=2*400
X32=1 C=1*1000
P2 500 800 1400
X22=1 C=1*1000
P3 500 800
X11=3 C=3*1600
P4 700 800 X21=1 C=1*900
Respuesta
X44=2 C= 2 * 0 = 0
X33=2 C= 2* 400 = 800
X32=1 C= 1*1000 = 1000
X22=1 C= 1*1000 = 1000
X11=3 C= 3*1600 = 4800
X21=1 C= 1* 900 = 900

• Costo total = 8500
Problema 7
Medio de transporte Distribuidor

GENERAL MOTORS, puede enviar un total hasta 300
automóviles en camión y 400 en ferrocarril de su
fábrica de Detroit a sus distribuidores de Chicago, X11 1 Chicago
Camión 1
Cleveland, Washington, Filadelfia y Cincinnati. El (150)
(300) X12
costo en dólares de enviar un carro a cada uno de los
distribuidores por camión y por tren y las demandas
de carros de los distribuidores se muestra en la 2 Cleveland
siguiente tabla. Formule el modelo matemático al (100)
problema de transportación y resuelva usando el Ferrocarril
Método de Vogel (400) 2 Washington
3
(200)
POR Chicago Cleveland Washington Filadelfia Cincinnati
Filadelfia
4
Camión 6 4 3 7 10 (50)
Tren 5 8 9 11 13 Figurado
Cincinnati
(50) 3 5
(250)
Demanda 150 100 200 50 250
Modelo matemático
I. Identificación de variables. MIN 6X11 + 4X12 + 3X13 +7X14+10X15+

Xij =# de automóviles a enviar por el medio i al 5X21 + 8X22 + 9X23 +11X24+13X25+
destino j 0X31 + 0X32 +0X33 + 0X34 + 0X35
II. Identificación de la función objetivo. st
MIN 6X11 + 4X12 + 3X13 + 7X14+10X15+ 5X21 + X11 + X12 + X13 +X14 +X15 = 300
8X22 +9X23 +11X24+13X25+ 0X31 + 0X32 + X21 + X22 + X23 + X24+X25 = 400
X31 + X32 + X33 +X34+X35 = 50
0X32 +0X33 + 0X34 + 0X35
X11 + X21 + X31 = 150 OBJECTIVE FUNCTION VALUE
III Identificación de Restricciones. X14 + X24 + X34 = 50 1) 4900.000
X11 + X12 + X13 +X14 +X15 ≤ 300 X12 + X22 + X32 = 100
VARIABLE
COST
VALUE REDUCED
X21 + X22 + X23 + X24+X25 ≤ 400 X15 + X25 + X35 = 250 X11 0.000000 5.000000
X12 100.000000 0.000000
X31 + X32 + X33 +X34+X35 ≤ 50 X13 + X23 + X33 = 200 X13 200.000000 0.000000
X14 0.000000 0.000000
X11 + X21 + X31 = 150 X15 0.000000 1.000000
X21 150.000000 0.000000
X14 + X24 + X34 = 50 X22 0.000000 0.000000
X12 + X22 + X32 = 100 X23 0.000000 2.000000
X24 50.000000 0.000000
X15 + X25 + X35 = 250 X25 200.000000 0.000000
X31 0.000000 8.000000
X13 + X23 + X33 = 200 X32 0.000000 5.000000
X33 0.000000 6.000000
Xij>= 0, Entero X34 0.000000 2.000000
X35 50.000000 0.000000
Pasos: Destino 1 2 3 4 5 Oferta P1
Medio
Hallamos las 1 6 4 3 7 10 300 1
penalidades
2 5 8 9 11 13 400 3
Hallamos la
mayor
penalidad Figurado 0 0 0 0 0 50 0
* 0
Hallamos el
menor costo Demanda 150 100 200 50 250
200 X35=50 C=50*0
Realizamos
P1 5 4 3 7 10
la operación
Destino 1 2 3 4 5 oferta P1 P2
Medio
Hallamos las 1 6 4 3 7 10 300/ 1 1
penalidades * 100
Hallamos la 2 5 8 9 11 13 400 3 3
mayor
penalidad Figurado 0 0 0 0 0 50/
* 0
Hallamos el
menor costo
Demanda 150 100 200/ 50 250/
X35=50 C=50*0
0 200
X13=200 C=200*3
Realizamos P1 5 4 3 7 10
la operación
P2 1 4 6 4 3
Medio 1 2 3 4 5 oferta P1 P2 P3
1 6 4 3 7 10 300 1 1 2
Hallamos las * 100
penalidades
0
Hallamos la 2 5 8 9 11 13 400 3 3 3
mayor
penalidad Figurado 0 0 0 0 50
* 0
Hallamos el
menor costo Demanda 150 100 200 50 250 X35=50 C =50*0
0 0 200
Realizamos X13=200 C=200*3
la operación P1 5 4 3 7 10
X12=100 C=100*4
P2 1 4 6 4 3
P3 1 4 4 3
Medio 1 2 3 4 5 oferta P1 P2 P3
1 6 4 3 7 10 300 1 1 2
* 100
0
2 5 8 11 13 400 3 3 3
Figurado 0 0 0 0 0 50
* 0
Demanda 150 100 200 50 250 X35=50 C=50*0 =0
0 0 200 X13=200 C=200*3 =600
P1 5 4 3 7 10 X12=100 C=100*4=400
Z=4900
P2 1 4 6 4 X21=150 C=150*5=750
X24=50 C=50*11=55
P3 1 4 4 3
X25=200 C=200*13=2600
Problema 8
Hay tres refinerías, con capacidades diarias de 6, 5 y Origen Destino

8 millones de galones, respectivamente, que
abastecen a tres áreas de distribución cuyas Refinería 1 1 X11 1 Área 1
demandas diarias son de 4, 8 y 7 millones de (6) (4)
galones, respectivamente. La gasolina se transporta X12
por una red de oleoductos de las tres áreas de
distribución. El costo de transporte es 10 centavos
por 1000 galones por milla de oleoducto. En la tabla
se ven las distancias entre las refinerías y las áreas
de distribución. La refinería 1 no está conectada con Refinería 2
2 2 Área 2
el área de distribución 3. Se pide: Determinar la (5) (8)
mejor distribución. Use el método de Vogel.
Refinería Área de distribución

1 2 3
Refinería 3 Área 3
1 120 180 -- 3 3 (7)
(8)
2 300 100 80
3 200 250 120
Lindo
MIN 120X11 + 180X12 + 300X21 + 100X22 + 1)2430

80X23 + 200X31 + 250X32 + 120X33
SUBJECT TO Variable Value Reduced Cost
X11 + X12 <= 6 X11 4.000000 0.000000
X21 + X22 + X23 <= 5 X12 2.000000 0.000000
X31 + X32 + X33 <= 8 X21 0.000000 260.0000
X11 + X21 + X31 = 4
X22 5.000000 0.000000
X12 + X22 + X32 = 8
X23 + X33 = 7 X23 0.000000 110.0000
END X31 0.000000 10.00000
X32 1.000000 0.000000
X33 7.000000 0.000000
Pasos: Áreas→ 1 2 3 oferta P1
Refinería
Hallamos las
penalidades
1 120 180 -- 6 60
2 300 100 80 5/0 20
Hallamos la
mayor *
penalidad
3 200 250 120 8 80
Hallamos el
menor costo Demanda 4 8/3 7
Realizamos X22=5 C=5*100=500
la operación
P1 80 80 40
Áreas→ 1 2 3 oferta P1 P2
Refinería
Hallamos las
penalidades
1 120 180 -- 6 60 60
Hallamos la
2 300 100 80 5/0 20 -
mayor *
penalidad
3 200 250 120 8/1 80 80
Hallamos el *
menor costo
Demanda 4 8/3 7/0
Realizamos X22=5 C=5*100=500
P2 80 70 120 X33=7 C=7*120=840
Áreas→ 1 2 3 Oferta P1 P2 P3
Refinería
Hallamos las 1 120 180 -- 6/2 60 60 60
penalidades *
Hallamos la 2 300 100 80 5/0 20 - -
mayor *
penalidad
3 200 250 120 8 80 80 50
Hallamos el * 1
menor costo
Demanda 4/0 8/3 7/0
⚫ X22=5 C=5*100=500
Realizamos
la operación
P1 80 80 40 ⚫ X33=7 C=7*120=840
P2 80 70 120 ⚫ X11=4 C=4*120=480
P3 80 70 -
Áreas→ 1 2 3 Oferta P1 P2 P3
Refinería
1 120 180 -- 6 60 60 60
* 2
2 300 100 80 5 20 - -
* 0
3 200 250 120 8 80 80 50
* 1
Demanda 4 8 7 ⚫ X22=5 C=5*100=500
0 3 0 ⚫ X33=7 C=7*120=840
P1 80 80 40 ⚫ X11=4 C=4*120=480
⚫ X12=2 C=2*180=360 ⚫ Costo total =2430
P2 80 70 120
⚫ X32=1 C=1*250=250 ⚫ Con Lindo =2430
P3 80 70 -
Red
COSAPI DATA, tiene siete consultores nacionales de Origen Destino

sistemas contables, uno de los cuales residen en
Trujillo, dos en Arequipa y cuatro en Lima. Iquitos ha Trujillo X11 1 Iquitos
1
solicitado tres consultores durante una semana a (1) (3)
una tarifa de $800, Madre de Dios ha solicitado dos X12
consultores durante una semana a una tarifa de $600 X13
y Piura ha solicitado un consultor durante una
semana a una tarifa de $700. Los gastos por
consultor son de $160 en Iquitos, $180 en Madre de Arequipa 2 Madre de D.
Dios y $220 en Piura. La siguiente tabla muestra las 2
(2) (2)
tarifas de viaje en $ para enviar por avión a los
consultores. Resuelva utilizando el Método de Vogel.
Desde \ Hacia Iquitos Madre de D. Piura Lima Piura

(4) 3 3 (1)
Trujillo 100 120 60
El problema de transporte no está equilibrado,
Arequipa 140 90 150
porque la oferta es diferente a la demanda.
Lima 120 110 130
UTILIDAD=INGRESOS-GASTOS Identificación de las Variables
TABLA DE COSTOS Xij=N° de consultores que viajan del origen i al
I(3) M(2) P(1) destino j
T(1) 100 120 60 Identificación de la Función objetivo
A(2) 140 90 150
L(4) 120 110 130
Max 540X11 +300X12+420X13+
INGRESOS 800 600 700 500X21+330X22+330X23+
GASTOS 160 180 220 520X31+310X32+350X33
TABLA DE UTILIDADES
I(3) M(2) P(1) Identificación de las restricciones
T(1) 540 300 420 X11+X12+X13<=1 X11+X21+X31=3
A(2) 500 330 330 X21+X22+X23<=2 X12+X22+X32=2
L(4) 520 310 350
X31+X32+X33<=4 X13+X23+X33=1
Xij>=0, Entera
Lindo
Max 540X11+ 300X12 +420X13 +

500X21+ 330X22 + 330X23+ 520X31+ OBJECTIVE FUNCTION VALUE
310X32 + 350X33 1) 2640.000

ST
X11+X12+X13<=1 VARIABLE VALUE REDUCED COST
X11 0.000000 -540.000000
X21+X22+X23<=2 X12 0.000000 -300.000000
X31+X32+X33<=4 X13 1.000000 -420.000000
X11+X21+X31=3 X21 0.000000 -500.000000
X22 2.000000 -330.000000
X12+X22+X32=2 X23 0.000000 -330.000000
X13+X23+X33=1 X31 3.000000 -520.000000
END X32 0.000000 -310.000000
X33 0.000000 -350.000000
GIN X11
GIN X12
GIN X13
…..
Mayor Penalidad Menor costo
I(3) M(2) P(1) Fig. Oferta P1
T(1) -540 -300 -420 0 1 120 X31=3 C=3*520
A(2) -500 -330 -330 0 2 170
L(4) -520 -310 -350 0 4/1. 170
Demanda 3/ 0 2 1 1
P1 20 20 70 0
I(3) M(2) P(1) Fig. Oferta P1 P2

T(1) 500 -300 -420 0 1 120 120 X31=3 C=3*520
A(2) 520 -330 -330 0 2/0 170 330 X22=2 C=2*330
L(4) -520 -310 -350 0 4/3 170 40
Demanda 3/ 0 2/0 1 1
P1 20 20 70 0
P2 20 70 0
I(3) M(2) P(1) Fig. Oferta P1 P2 P3

T(1) 500 -300 -420 0 1/0 120 120 420 X31=3 C=3*520 1560
A(2) 520 -330 -330 0 2/0 170 330 - X22=2 C=2*330 660
L(4) -520 -310 -350 0 4/3/1 170 40 350 X13=1 C=1*420 420
Demanda 3/ 0 2/0 1/0 1 X34 =1C=1*0 0
P1 10 30 20 0 2640
P2 40 30 20
P3 - 70 0
Problema 9
Tres depósitos surten a 5 almacenes. La tabla indica Origen Destino

el costo de transporte por unidad entre depósitos y
X11 Almacén 1
almacenes. Sin embargo, el daño de un puente A 1 1
principal ha impedido las entregas desde el depósito (750) X12 (400)
A hasta el almacén 5, desde el depósito B hasta el
almacén 2 y desde el depósito C hasta el almacén 4. Almacén 2
Determine la mejor distribución. Use el método de 2
(260)
Vogel.
B
A B C Demanda 2 3 Almacén 3
(350)
(180)
1 5 4 6 400
2 7 8 7 260
3 4 7 8 180 4 Almacén 4
(450)
4 4 8 10 450 C
5 9 6 9 210 (400) 3 5 Almacén 5
Oferta 750 350 400 (210)
El problema de transporte está equilibrado

Modelo matemático
Identificación de las Variables Min 5X11 + 7X12 + 4X13 + 4X14 + 4X21 + 7X23
+ 8X24 + 6X25 + 6X31 + 7X32 + 8X33 + 9X35
Xij=N° de unidades que se envía del origen i al destino j
ST
Identificación de la Funcion objetivo
X11+X12+X13+X14<=750
Max 5X11 +7X12+4X13+4X14+
X21+X23+X24+X25<=350 OBJECTIVE FUNCTION VALUE
4X21+7X23+8X24+6X25+ 1) 7600.000
X31+X32+X33+X35<=400 VARIABLE VALUE REDUCED COST
6X31+7X32+8X33+9X35 X11+X21+X31=400
X11 120.000000 0.000000
X12 0.000000 1.000000
Identificación de las restricciones X12+X32+=260 X13 180.000000 0.000000
X14 450.000000 0.000000
X11+X12+X13+X14<=750 X11+X21+X31=400 X13+X23+X33=180 X21 140.000000 0.000000
X21+X23+X24+X25<=350 X12+X32+=260 X14+X24=450
X23 0.000000 4.000000
X24 0.000000 5.000000
X31+X32+X33+X35<=400 X13+X23+X33=180 X25+X35=210 X25 210.000000 0.000000
X31 140.000000 0.000000
Xij>=0, ENTERO X14+X24=450 X32 260.000000 0.000000
X25+X35=210 X33 0.000000 3.000000
X35 0.000000 1.000000
DEPOSITO ALMACÉN OFERTA P1 P2 P3
1 2 3 4 5
A 5 7 4 4 - 750/300 1
B 4 - 7 8 6 350 2
X14=450→C=450*4=1800
C 6 7 8 - 9 400 1
DEMANDA 400 260 180 450/0 210 1500
P1 1 0 3 4 3
P2
P3
1 2 3 4 5
A 5 7 4 4 - 750/300/ 1 1
120
B 4 - 7 8 6 350 2 2 X14=450→C=450*4=1800
X13=180→C=180*4=720
C 6 7 8 - 9 400 1 1
DEMANDA 400 260 180/0 450/0 210 1500
P1 1 0 3 4 3
P2 1 0 3 - 3
P3
1 2 3 4 5
A 5 7 4 4 - 750/300/ 1 1 2
120
X14=450→C=450*4=1800
B 4 - 7 8 6 350/140 2 2 2 X13=180→C=180*4=720
C 6 7 8 - 9 400 1 1 1 X25=210→C210*6= 1260
DEMANDA 400 260 180/0 450/0 210/0 1500
P1 1 0 3 4 3
P2 1 0 3 - 3
P3 1 0 - - 3
DEPOSITO ALMACÉN OFERTA P1 P2 P3 P4
1 2 3 4 5
A 5 7 4 4 - 750/300/1 1 1 2 2
20
B 4 - 7 8 6 350/140/0 2 2 2 4 X14=450
C 6 7 8 - 9 400 1 1 1 1 →C=450*4=1800
X13=180
DEMANDA 400/260 260 180/0 450/0 210/0 1500
→C=180*4=720
X25=210
P1 1 0 3 4 3 →C210*6= 1260
P2 1 0 3 - 3 X21=140
→C=140*4=560
P3 1 0 - - 3
P4 1 0
DEPOSITO ALMACÉN OFERTA P1 P2 P3 P4 P5
1 2 3 4 5
A 5 7 4 4 - 750/300/1 1 1 2 2 2 X14=450
→C=450*4=1800
20/0
X13=180
B 4 - 7 8 6 350/140/0 2 2 2 4 - →C=180*4=720
C 6 7 8 - 9 400 1 1 1 1 1 X25=210
DEMANDA 400/260 260 180/0 450/0 210/0 1500 →C210*6= 1260
/140 X21=140
→C=140*4=560
P1 1 0 3 4 3 X11=120
P2 1 0 3 - 3 →C=120*5=600
P3 1 0 - - 3
P4 1 0
P5 1 0
DEPOSITO ALMACÉN OFERTA P1 P2 P3 P4 P5
1 2 3 4 5
750/300/1 X14=450
A 5 7 4 4 - 1 1 2 2 2
→C=450*4=1800
20/0 X13=180
B 4 - 7 8 6 350/140/0 2 2 2 4 - →C=180*4=720
C 6 7 8 - 9 400 1 1 1 1 1 X25=210
→C210*6= 1260
DEMANDA 400/260 260 180/0 450/0 210/0 1500 X21=140
/140 →C=140*4=560
X11=120
P1 1 0 3 4 3 →C=120*5=600
P2 1 0 3 - 3 X31=140
P3 1 0 - - 3 →C=140*6=840
X32=260
P4 1 0 →C=260*7=1820
P5 1 0
Lindo
Min 5X11 + 7X12 + 4X13 + 4X14 + 4X21 + 7X23

+ 8X24 + 6X25 + 6X31 + 7X32 + 8X33 + 9X35
X14=450→C=450*4=1800
ST
X13=180→C=180*4=720
X11+X12+X13+X14<=750
X25=210→C210*6= 1260 X21+X23+X24+X25<=350 OBJECTIVE FUNCTION VALUE
1) 7600.000
X31+X32+X33+X35<=400 VARIABLE VALUE REDUCED COST
X21=140→C=140*4=560
X11 120.000000 0.000000
X11+X21+X31=400
X12 0.000000 1.000000
X11=120→C=120*5=600
X12+X32+=260 X13 180.000000 0.000000
X14 450.000000 0.000000
X31=140→C=140*6=840 X13+X23+X33=180 X21 140.000000 0.000000
X23 0.000000 4.000000
X14+X24=450
X32=260→C=260*7=1820 X24 0.000000 5.000000
X25+X35=210 X25 210.000000 0.000000
COSTO MINIMO = 7600 X31 140.000000 0.000000
X32 260.000000 0.000000
X33 0.000000 3.000000
X35 0.000000 1.000000
Problema 3
Tres plantas generadoras de energía eléctrica con

capacidades de 25, 40 y 30 millones de kilowatts-hora SOLUCIÓN
(kwh) suministran electricidad a tres ciudades cuyas
demandas máximas son de 30, 35 y 25 millones de kwh.
El costo en unidades monetarias (u.m) de la venta de
corriente eléctrica a las diferentes ciudades por millón de
kwh, es como sigue:
Durante el mes de agosto se incrementa un 20% la

demanda en cada una de las tres ciudades. Para
satisfacer el exceso de demanda, la compañía eléctrica
debe comprar electricidad adicional de otra red, a un
precio de 1000 u.m. por millón de kwh. Sin embargo, La demanda en cualquier mes es 30 + 35 + 25
esta red no está conectada a la ciudad 3. Formule el = 90 millones de km/hr; y el incremento en
problema como uno de transporte, con el fin de agosto, el 20% de 90 es 18; el exceso a cubrir.
restablecer el plan de distribución más económico, desde
el punto de vista de la compañía eléctrica. Use Vogel.
Solución Problema 3
Identificación de las variables MIN 600X11 + 700X12 + 400X13 +

320X21 + 300X22 + 350X23 +
Xij = Millones de galones de la presa i que se envía a 500X31 + 480X32 + 450X33 +
la ciudad j. 1000X41 + 1000X42
Identificación de la F.O. ST
MAX 600X11 + 700X12 + 400X13 + X11+X12+X13+X14<=25 OBJECTIVE FUNCTION VALUE
320X21 + 300X22 + 350X23 + X21+X22+X23+X24<=40 1) 49710.00
500X31 + 480X32 + 450X33 + X31+X32+X33+X34<=30 VARIABLE VALUE REDUCED COST

X11 0.000000 150.000000
1000X41 + 1000X42 X41+X42+X43+X44<=18 X12 0.000000 270.000000
Identificación de las restricciones X11+X21+X31+X41 =36 X13 25.000000 0.000000
X12+X22+X32+X42 =42 X21 0.000000 0.000000
X11+X12+X13+X14<=25 X22 40.000000 0.000000
X13+X23+X33 =30
X21+X22+X23+X24<=40 X14+X24+X34+X44 =5
X23 0.000000 80.000000
X31 23.000000 0.000000
X31+X32+X33+X34<=30 X32 2.000000 0.000000
X41+X42+X43+X44<=18 X33 5.000000 0.000000
X41 13.000000 0.000000
X11+X21+X31+X41 =36 X42 0.000000 20.000000
X12+X22+X32+X42 =42 X14 0.000000 550.000000
X24 0.000000 680.000000
X13+X23+X33 =30 X34 0.000000 500.000000
X14+X24+X34+X44 =5 X43 0.000000 0.000000
Xij>=0 X44 5.000000 0.000000
METODO VOGEL Mayor Penalidad Menor costo
C1 C2 C3 Ficticia Oferta P1
P1 600 700 400 0 25 400 X44=5 C=0
P2 320 300 350 0 40 300
P3 500 480 450 0 30 450
P4 1000 1000 - 0 18/13 1000
Demanda 36 42 30 5/0
P1 180 180 50 0
METODO VOGEL
C1 C2 C3 Ficticia Oferta P1 P2
P1 600 700 400 0 25 400 200 X44=5 C=0
P2 320 300 350 0 40 300 20 X41=13 C=13000
P3 500 480 450 0 30 450 30
P4 1000 1000 - 0 18/13/0 1000 1000
Demanda 36/23 42 30 5/0
P1 180 180 50 0
P2 180 180 50 0
METODO VOGEL
C1 C2 C3 Ficticia Oferta P1 P2 P3 X44=5 C=0
P1 600 700 400 0 25/0 400 200 200 X41=13 C=13000
P2 320 300 350 0 40 300 20 20 X13=25 C=10000
P3 500 480 450 0 30 450 30 30
P4 1000 1000 - 0 18/13/0 1000 1000 -
Demanda 36/23 42 30/5 5/0
P1 180 180 50 0
P2 180 180 50 0
P3 180 180 50 0
METODO VOGEL
C1 C2 C3 Ficticia Oferta P1 P2 P3 P4 X44=5 C=0
P1 600 700 400 0 25/0 400 200 200 - X41=13 C=13000
P2 320 300 350 0 40/0 300 20 20 20 X13=25 C=10000
P3 500 480 450 0 30 450 30 30 30 X22=40 C=12000
P4 1000 1000 - 0 18/13/0 1000 1000 - -
Demanda 36/23 42/2 30/5 5/0
P1 180 180 50 0
P2 180 180 50 0
P3 180 180 50 0
P4 180 180 100 0
METODO VOGEL
C1 C2 C3 Ficticia Oferta P1 P2 P3 P4 X44=5 C=0
P1 600 700 400 0 25/0 400 200 200 - X41=13 C=13000
P2 320 300 350 0 40/0 300 20 20 20 X13=25 C=10000
P3 500 480 450 0 30 450 30 30 30 X22=40 C=12000
P4 1000 1000 - 0 18/13/0 1000 1000 - - X31=23 C=11500
Demanda 36/23 42/2 30/5 5/0 X32=2 C=960
P1 180 180 50 0 X33=5 C=2250
P2 180 180 50 0 TOTAL49710
P3 180 180 50 0
P4 180 180 100 0
propio destino

76
Docente:
Semestre: 2022-1
Semana 11
PROBLEMA DE ASIGNACIÓN
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
Contenido
1 Problema de asignación
2 Modelo de asignación
3 Método Húngaro
4 Problemas
Problema de asignación
Destino
• El modelo de asignación busca
determinar un plan de asignación para
que cada trabajador realice una tarea al Tarea 1 Tarea 2 Tarea 3
menor costo total.
• La situación se conoce como problema Trabajador 1 C11 C12 C13 1

de asignación. X11 X12 X13
Origen
• Cuando a un trabajador i (=1,2,……,m) Trabajador 2 C21 C22 C23
se asigna a la Tarea j (=1,2,…..,n) X21 X22 X23
1
incurre en un costo Cij.
• Se debe tratar que n = m. Caso contrario Trabajador 3 C31 C32 C33
quedarán tareas por realizarse o X31 X32 X33 1
trabajadores sin tareas.
1 1 1
Destino
• El Modelo de asignación puede
considerarse como un caso especial del
modelo de transporte. Tarea 1 Tarea 2 Tarea 3
• Los trabajadores representan “orígenes”

y las Tareas representan “destinos”. Trabajador 1 C11 C12 C13 1
X11 X12 X13
• La oferta disponible en cada origen es 1;
es decir, ai=1 para toda i.
Origen
Trabajador 2 C21 C22 C23
• La demanda requerida en cada destino X21 X22 X23
1
es 1; esto es bj=1 para toda j.
• El costo de “asignar” al trabajador i la X31 X32 X33
Tarea j es Cij.
1
1 1 1
Modelo de asignación
Antes de resolver un modelo, es Identificación de la Función objetivo

necesario balancear el problema
añadiendo trabajadores o Tareas
ficticios. Por lo tanto, m=n

0, si al i-ésimo trabajador no
se asigna a la j-ésima Tarea
Xij =
1, si al i-ésimo trabajador se
asigna a la j-ésima Tarea

Problema 1
Problema N°1
El Señor Klyne tiene tres hijos que estudian I. Identificación de variables.
en la Universidad: Boris, John y Karen. Los Xij=0 Al hijo i no se le asigna la tarea j
hijos solicitan una propina para realizar un
paseo con sus compañeros de la
Xij=1 Al hijo i se le asigna la tarea j
Universidad. El Padre les asigna tres tareas II. Identificación de la función objetivo.
y les pide que presenten sus proformas Min 13X11+14X12+11X13+
(secretas). Queda entendido que la decisión
del padre debe ser respetado. Tomando en 12X21+15X22+14X23+
cuenta los datos presentados por los hijos, 13X31+16X32+12X33
¿Qué decisión debe tomar el padre? III Identificación de Restricciones.
Podar el Pintar la Lavar los X11+X12+X13=1
césped fachada carros
X21+X22+X23=1
X31+X32+X33=1
Boris 13 14 11
X11+X21+X31=1
John 12 15 14 X12+X22+X32=1
Karen 13 16 12 X13+X23+X33=1
Xij >=0, BINARIO
Lindo
Lindo
Min 13X11+14X12+11X13+
12X21+15X22+14X23+ OBJECTIVE FUNCTION VALUE
13X31+16X32+12X33
ST 1) 38.00000
X11+X12+X13=1
X21+X22+X23=1 VARIABLE VALUE REDUCED COST
X31+X32+X33=1 X11 0.000000 13.000000
X11+X21+X31=1 X12 1.000000 14.000000
X12+X22+X32=1 X13 0.000000 11.000000
X13+X23+X33=1 X21 1.000000 12.000000
END X22 0.000000 15.000000
INT X11 X23 0.000000 14.000000
INT X12 X31 0.000000 13.000000
INT X13 X32 0.000000 16.000000
INT X21 X33 1.000000 12.000000
INT X22
INT X23
INT X31
INT X32
INT X33
Método Húngaro
• Pasos: • Pasos:
Es un • 1. Identifique el menor de cada fila y • i Trace la menor cantidad de líneas
algoritmo réstelo a los valores de dicha fila horizontales o verticales que cubran
PASO 2a
matemático • 2. Identifique el menor de cada los valores ceros
Se aplica
que nos columna y réstelo a los valores de • ii Identifique el menor de los
cuando no
permite dicha columna números no cubiertos y réstelo a
se puede
resolver • 3. Asigne tomando en cuenta los todos los números no cubiertos,
asignar con
problemas casilleros donde se hallan los ceros. luego, sume este número a las
el paso 3.
de Recordando que a cada trabajador intersecciones y los demás
asignación se le asigna una tarea y cada tarea números cópielos sin cambiar.
debe ser realizado por un trabajador. • iii Repita el paso 3
Problema 1
Problema N°1
SOLUCIÓN
TAREAS
Podar Pintar Lavar Paso I Paso II Paso III
Boris 13 14 11 13 14 11 11 2 3 0 2 0 0
HIJOS Jhon 12 15 14 12 15 14 12 0 3 2 0 0 2
Karen 13 16 12 13 16 12 12 1 4 0 1 1 0
0 3 0
Respuesta
A Boris se le asigna Pintar 14
A Jhon se le asigna Podar 12
A karen se le asigna lavar 12
TOTAL 38
Problema 2
Problema N°2
Tar1 Tar2 Tar3 Tar4
Tra1 14 6 10 13 8 0 4 7
Tra2 10 8 12 6 2 4 2 6 0
7 14 10 14 0 7 3 7
Tra3
9 8 10 11 1 0 2 3
Tra4
SOLUCIÓN 0 0 2 0
14 6 10 13 6
8 0 2 7
10 8 12 6 6
1 3
4 2 4 0
7 14 10 14 7 0 7 1 7
9 8 10 11 8 1 0 0 3
Problema 2
Problema N°2
Tar1 Tar2 Tar3 Tar4
Respuesta
Tra1 14 6 10 13
Al trabajador 1 se le asigna la tarea 2 6
Tra2 10 8 12 6
Tra3 7 14 10 14 Al trabajador 3 se le asigna la tarea 1 7
SOLUCIÓN 29
8 0 2 7
4 2 4 0
0 7 1 7
1 0 0 3
Problema 3
TAREAS
TRAB 1 2 3 4
1 12 13 16 18
2 18 15 10 20
3 12 11 11 12
4 15 16 17 14
12 13 16 18 12 0 1 4 6
18 15 10 20 10 8 5 0 10
12 11 11 12 11 1 0 0 1
15 16 17 14 14 1 2 3 0
0 0 0 0
Al Trabajador 1 Se le asigna la tarea 1 El costo es 12

DISTANCIA TOTAL 47
Problema 4
Problema N°4
25 27 28 34 35 25 0 2 3 9 10 0 2 3 9 3
28 20 26 24 27 20 8 0 6 4 7 8 0 6 4 0
26 27 21 25 30 21 5 6 0 4 9 5 6 0 4 2
30 22 29 29 31 22 8 0 7 7 9 8 0 7 7 2
30 36 32 23 33 23 7 13 9 0 10 7 13 9 0 3
0 0 0 0 7

COSTO TOTAL 118
Problema 5
PROBLEMA N°5
Una compañía de servicios se desenvuelve
en el negocio de reparación de lavadoras y Distancias (cuadras)
secadoras domésticas. La compañía da
servicio a clientes en toda la ciudad. Con el
objeto de ahorrar tiempo de manejo y costos Tarea 1 2 3 4 5
al inicio de cada día, el trabajador de servicio Trabajador
se dirige directamente de sus casas a los
lugares donde se les requiere. 01 20 14 6 10 22
La tabla siguiente presenta las distancias
02 16 8 22 20 10
asociadas con las primeras 5 tareas que 03 8 6 24 14 12
deben llevarse a cabo. A cada trabajador de 04 20 22 2 8 6
servicio se les paga por conducir. Determinar
la asignación del personal de servicio a su
05 4 16 22 6 24
primer trabajo del día de manera que la
distancia sea lo menor posible.
Modelo Matemático
Min 20X11+14X12+6X13+10X14+ 22X15+ 1) 32.00000
I. Identificación de variables. 16X21+8X22+ 22X23+20X24+ 10X25+ VARIABLE VALUE REDUCED COST
X11 0.000000 12.000000
Xij=0 Al trabajador i no se le asigna la tarea j 8X31+6X32+24X33+ 14X34+12X35+ X12 0.000000 8.000000
Xij=1 Al trabajador i se le asigna la tarea j 20X41+22X42+2X43+8X44+ 6X45+ X13 0.000000 0.000000
4X51+16X52+ 22X53+6X54+24X55 X14 1.000000 0.000000
II. Identificación de la función objetivo. ST X15 0.000000 12.000000
Min 20X11+14X12+6X13+10X14+ 22X15+ X11+X12+X13+X14+X15=1
X21 0.000000 8.000000
X22 0.000000 2.000000
16X21+ 8X22+ 22X23+20X24+ 10X25+ X21+X22+X23+X24+X25=1 X23 0.000000 16.000000
8X31+ 6X32+ 24X33+ 14X34+12X35+ X31+X32+X33+X34+X35=1 X24 0.000000 10.000000
X41+X42+X43+X44+X45=1 X25 1.000000 0.000000
20X41+22X42+2X43 + 8X44+ 6X45+ X51+X52+X53+X54+X55=1 X31 0.000000 0.000000
4X51+16X52+ 22X53+6X54+24X55 X11+X21+X31+X41+X51=1
X32
X33
1.000000
0.000000
0.000000
18.000000
III Identificación de Restricciones. X12+X22+X32+X42+X52=1 X34 0.000000 4.000000
X11+X12+X13+X14+X15=1 X11+X21+X31+X41+X51=1 X13+X23+X33+X43+X53=1 X35 0.000000 2.000000
X14+X24+X34+X44+X54=1 X41 0.000000 16.000000
X21+X22+X23+X24+X25=1 X12+X22+X32+X42+X52=1 X15+X25+X35+X45+X55=1
X42 0.000000 20.000000
X43 1.000000 0.000000
X31+X32+X33+X34+X35=1 X13+X23+X33+X43+X53=1 END X44 0.000000 2.000000
X41+X42+X43+X44+X45=1 X14+X24+X34+X44+X54=1 INT X11 X45 0.000000 0.000000

X52 0.000000 14.000000
INT X13…..
Xij >=0, BINARIO X53 0.000000 20.000000
X54 0.000000 0.000000
X55 0.000000 18.000000
Solución
20 14 6 10 22 6 14 8 0 4 16 14 8 0 2 14
16 8 22 20 10 8 8 0 14 12 2 8 0 14 10 0
8 6 24 14 12 6 2 0 18 8 6 2 0 18 6 4
20 22 2 8 6 2 18 20 0 6 4 18 20 0 4 2
4 16 22 6 24 4 0 12 18 2 20 0 12 18 0 18
0 0 0 2 2
Solución
20 14 6 10 22 6 14 8 0 4 16 14 8 0 2 14
Aplicando el
16 8 22 20 10 8 8 0 14 12 2 8 0 14 10 0 paso 2a
8 6 24 14 12 6 2 0 18 8 6 2 0 18 6 4
20 22 2 8 6 2 18 20 0 6 4 18 20 0 4 2
4 16 22 6 24 4 0 12 18 2 20 0 12 18 0 18
0 0 0 2 2 12 8 0 0 12
• Al empleado 1 se le asigna el trabajo 4 → 10 8 2 16 10 0
• Al empleado 2 se le asigna el trabajo 5 → 10
DISTANCIA MÍNIMA 32
0 14 20 0 18
Problema 6
PROBLEMA: Asignar las 4 tareas(columnas) a los 5 trabajadores (filas) según los costos
T1 T2 T3 T4 T5
Trabador1 6 5 7 12 0 0 2 0 0 3 0
Trabador2 7 7 9 11 0 0 3 2 2 2 0
Trabador3 5 6 7 10 0 0 1 1 0 1 0
Trabador4 4 5 8 9 0 0 0 0 1 0 0
Trabador5 6 6 10 11 0 0 2 1 3 2 0
4 5 7 9 0 Paso 2ª
Problema 6
T1 T2 T3 T4 T5
Trabador1 6 5 7 12 0 0 2 0 0 3 0 2 0 0 3 1
Trabador2 7 7 9 11 0 0 3 2 2 2 0 2 1 1 1 0
Trabador3 5 6 7 10 0 0 1 1 0 1 0 1 1 0 1 1
Trabador4 4 5 8 9 0 0 0 0 1 0 0 0 0 1 0 1
Trabador5 6 6 10 11 0 0 2 1 3 2 0 1 0 2 1 0
4 5 7 9 0 Paso 2a
Problema 6
T1 T2 T3 T4 T5
Trabador1 6 5 7 12 0 0 2 0 0 3 0 2 0 0 3 1 1 0 0 2 1
Trabador2 7 7 9 11 0 0 3 2 2 2 0 2 1 1 1 0 1 1 1 0 0
Trabador3 5 6 7 10 0 0 1 1 0 1 0 1 1 0 1 1 0 1 0 0 1
Trabador4 4 5 8 9 0 0 0 0 1 0 0 0 0 1 0 1 0 1 2 0 2
Trabador5 6 6 10 11 0 0 2 1 3 2 0 1 0 2 1 0 0 0 2 0 0
4 5 7 9 0 Paso 2a Paso 2a Paso 3
Al Trabajador 1 Se le asigna la tarea 2 El costo es 5 5 5

Al Trabajador 2 No se le asigna - El costo es no no 11
Al Trabajador 5 Se le asigna la tarea 4 El costo es 11 6 no
COSTO TOTAL 27 27 27
Problema 6
Ejemplo:
C1 C2 C3 C4 C5
Existen 5 operarios A, B, C, D y E para llevar a 5 cargos
Operario 1 5 3 7 3 5 3 2 0 4 0 2
F, G, H, I y J. La matriz de costos C que caracteriza al
Operario 2 5 6 12 7 9 5 0 1 7 2 4
problema de asignación es la siguiente:
Operario 3 2 8 3 4 6 2 0 6 1 2 4
F G H I J Operario 4 9 6 10 5 7 5 4 1 5 0 2
A 5 3 7 3 5 Operario 5 4 7 6 8 11 4 0 3 2 4 7
B 5 6 12 7 9 0 0 1 0 2
C 2 8 3 4 6 2 0 3 0 0
D 9 6 10 5 7 0 1 6 2 2
0 6 0 2 2
E 4 7 6 8 11
4 1 4 0 0
Se pide resolver al problema de asignación usando el 0 3 1 4 5
Método Húngaro
Problema 6
Ejemplo:
C1 C2 C3 C4 C5
Operario 1 5 3 7 3 5 3 2 0 4 0 2
Operario 2 5 6 12 7 9 5 0 1 7 2 4
Operario 3 2 8 3 4 6 2 0 6 1 2 4
F G H I J Operario 4 9 6 10 5 7 5 4 1 5 0 2
A 5 3 7 3 5 Operario 5 4 7 6 8 11 4 0 3 2 4 7
B 5 6 12 7 9 0 0 1 0 2
C 2 8 3 4 6 2 0 3 0 0 3 0 3 0 0
D 9 6 10 5 7 0 1 6 2 2 0 0 5 1 1
0 6 0 2 2 1 6 0 2 2
E 4 7 6 8 11
4 1 4 0 0 5 1 4 0 0
Se pide resolver al problema de asignación usando el 0 3 1 4 5 0 2 0 3 4
Método Húngaro
Al Operador 1 Se le asigna el cargo 5 El costo es 5
COSTO TOTAL 23
Maximizar
PROBLEMA. Asignar a los trabajadores (filas) las tareas (columnas) tomando en cuenta la productividad.
12 16 24 8 2 -12 -16 -24 -8 -2 -24 12 8 0 16 22
6 8 20 14 6 -6 -8 -20 -14 -6 -20 14 12 0 6 14
10 6 16 18 12 -10 -6 -16 -18 -12 -18 8 12 2 0 6
2 4 2 24 20 -2 -4 -2 -24 -20 -24 22 20 22 0 4
7 10 6 5 18 -7 -10 -6 -5 -18 -18 11 8 12 13 0
8 8 0 0 0
Al trabajador 1 se le asigna la tarea 2 16 4 0 0 16 22

Productividad total= 88
Maximizar
Asignar la tareas a los
trabajadores tomando 2 3 4
1
los datos de habilidad
32 16 24 18 22 21 -32-16-24-18-22-21 -32 0 16 8 14 10 11 0 8 2 12 10 8 0 7 1 11 9 7
22 18 20 24 26 23 -22-18-20-24-26-23 -26 4 8 6 2 0 3 4 0 0 0 0 0 5 0 0 0 0 0
36 16 16 18 22 24 -36-16-16-18-22-24 -36 0 20 20 18 14 12 0 12 14 16 14 9 0 11 13 15 13 8
29 14 22 24 20 20 -29-14-22-24-20-20 -29 0 15 7 5 9 9 0 7 1 3 9 6 0 6 0 2 8 5
32 20 16 25 18 18 -32-20-16-25-18-18 -32 0 12 16 7 14 14 0 4 10 5 14 11 0 3 9 4 13 10
25 12 15 21 19 19 -25-12-15-21-19-19 -25 0 13 10 4 6 6 0 5 4 2 6 3 0 4 3 1 5 2
0 8 6 2 0 3
10 5 6 7 8
Al Trab. 1 Se le asigna la tarea 3 La habilidad es 24 0 6 1 10 8 6 0 5 1 10 7 5 0 4 1 9 6 4 0 4 0 8 5 3
Al Trab. 2 Se le asigna la tarea 5 La habilidad es 26
Total: 149 0 2 9 3 12 9 0 1 9 3 11 8 0 0 9 2 10 7 0 0 8 1 9 6
0 3 3 0 4 1 0 2 3 0 3 0 1 2 4 0 3 0 2 3 4 0 3 0
propio destino

27
Docente:
Semestre: 2022-1
Semana 11
PROBLEMA DE ASIGNACIÓN
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
Contenido
1 Problema de asignación
2 Modelo de asignación
3 Método Húngaro
4 Problemas
Destino
• El modelo de asignación busca
determinar un plan de asignación para
que cada trabajador realice una tarea al Tarea 1 Tarea 2 Tarea 3
menor costo total.
• La situación se conoce como problema Trabajador 1 C11 C12 C13 1

de asignación. X11 X12 X13
Origen
• Cuando a un trabajador i (=1,2,……,m) Trabajador 2 C21 C22 C23
se asigna a la Tarea j (=1,2,…..,n) X21 X22 X23
1
incurre en un costo Cij.
• Se debe tratar que n = m. Caso contrario Trabajador 3 C31 C32 C33
quedarán tareas por realizarse o X31 X32 X33 1
trabajadores sin tareas.
1 1 1
Destino
• El Modelo de asignación puede
considerarse como un caso especial del
modelo de transporte. Tarea 1 Tarea 2 Tarea 3
• Los trabajadores representan “orígenes”

y las Tareas representan “destinos”. Trabajador 1 C11 C12 C13 1
X11 X12 X13
• La oferta disponible en cada origen es 1;
es decir, ai=1 para toda i.
Origen
• La demanda requerida en cada destino X21 X22 X23
1
es 1; esto es bj=1 para toda j.
• El costo de “asignar” al trabajador i la X31 X32 X33
Tarea j es Cij.
1
1 1 1
Modelo de asignación
Antes de resolver un modelo, es Identificación de la Función objetivo

necesario balancear el problema
añadiendo trabajadores o Tareas
ficticios. Por lo tanto, m=n

0, si al i-ésimo trabajador no
se asigna a la j-ésima Tarea
Xij =
1, si al i-ésimo trabajador se
asigna a la j-ésima Tarea

Problema 1
Problema N°1
El Señor Klyne tiene tres hijos que estudian I. Identificación de variables.
en la Universidad: Boris, John y Karen. Los Xij=0 Al hijo i no se le asigna la tarea j
hijos solicitan una propina para realizar un
paseo con sus compañeros de la
Xij=1 Al hijo i se le asigna la tarea j
Universidad. El Padre les asigna tres tareas II. Identificación de la función objetivo.
y les pide que presenten sus proformas Min 13X11+14X12+11X13+
(secretas). Queda entendido que la decisión
del padre debe ser respetado. Tomando en 12X21+15X22+14X23+
cuenta los datos presentados por los hijos, 13X31+16X32+12X33
¿Qué decisión debe tomar el padre? III Identificación de Restricciones.
Podar el Pintar la Lavar los X11+X12+X13=1
césped fachada carros
X21+X22+X23=1
X31+X32+X33=1
Boris 13 14 11
X11+X21+X31=1
John 12 15 14 X12+X22+X32=1
Karen 13 16 12 X13+X23+X33=1
Xij >=0, BINARIO
Lindo
Lindo
Min 13X11+14X12+11X13+
12X21+15X22+14X23+ OBJECTIVE FUNCTION VALUE
13X31+16X32+12X33
ST 1) 38.00000
X11+X12+X13=1
X31+X32+X33=1 X11 0.000000 13.000000
X11+X21+X31=1 X12 1.000000 14.000000
X12+X22+X32=1 X13 0.000000 11.000000
X13+X23+X33=1 X21 1.000000 12.000000
END X22 0.000000 15.000000
INT X11 X23 0.000000 14.000000
INT X12 X31 0.000000 13.000000
INT X13 X32 0.000000 16.000000
INT X21 X33 1.000000 12.000000
INT X22
INT X23
INT X31
INT X32
INT X33
Método Húngaro
• Pasos: • Pasos:
Es un • 1. Identifique el menor de cada fila y • i Trace la menor cantidad de líneas
algoritmo réstelo a los valores de dicha fila horizontales o verticales que cubran
PASO 2a
matemático • 2. Identifique el menor de cada los valores ceros
Se aplica
que nos columna y réstelo a los valores de • ii Identifique el menor de los
cuando no
permite dicha columna números no cubiertos y réstelo a
se puede
resolver • 3. Asigne tomando en cuenta los todos los números no cubiertos,
asignar con
problemas casilleros donde se hallan los ceros. luego, sume este número a las
el paso 3.
de Recordando que a cada trabajador intersecciones y los demás
asignación se le asigna una tarea y cada tarea números cópielos sin cambiar.
debe ser realizado por un trabajador. • iii Repita el paso 3
Problema 1
Problema N°1
SOLUCIÓN
TAREAS
Podar Pintar Lavar Paso I Paso II Paso III
Boris 13 14 11 13 14 11 11 2 3 0 2 0 0
HIJOS Jhon 12 15 14 12 15 14 12 0 3 2 0 0 2
Karen 13 16 12 13 16 12 12 1 4 0 1 1 0
0 3 0
Respuesta
A Boris se le asigna Pintar 14
A Jhon se le asigna Podar 12
A karen se le asigna lavar 12
TOTAL 38
Problema 2
Problema N°2
Tar1 Tar2 Tar3 Tar4
Tra1 14 6 10 13 8 0 4 7
Tra2 10 8 12 6 2 4 2 6 0
7 14 10 14 0 7 3 7
Tra3
9 8 10 11 1 0 2 3
Tra4
SOLUCIÓN 0 0 2 0
14 6 10 13 6
8 0 2 7
10 8 12 6 6
1 3
4 2 4 0
7 14 10 14 7 0 7 1 7
9 8 10 11 8 1 0 0 3
Problema 2
Problema N°2
Tar1 Tar2 Tar3 Tar4
Respuesta
Tra1 14 6 10 13
Tra2 10 8 12 6
SOLUCIÓN 29
8 0 2 7
4 2 4 0
0 7 1 7
1 0 0 3
Problema 3
TAREAS
TRAB 1 2 3 4
1 12 13 16 18
2 18 15 10 20
3 12 11 11 12
4 15 16 17 14
12 13 16 18 12 0 1 4 6
18 15 10 20 10 8 5 0 10
12 11 11 12 11 1 0 0 1
15 16 17 14 14 1 2 3 0
0 0 0 0

DISTANCIA TOTAL 47
Problema 4
Problema N°4
25 27 28 34 35 25 0 2 3 9 10 0 2 3 9 3
28 20 26 24 27 20 8 0 6 4 7 8 0 6 4 0
26 27 21 25 30 21 5 6 0 4 9 5 6 0 4 2
30 22 29 29 31 22 8 0 7 7 9 8 0 7 7 2
30 36 32 23 33 23 7 13 9 0 10 7 13 9 0 3
0 0 0 0 7

COSTO TOTAL 118
Problema 5
PROBLEMA N°5
Una compañía de servicios se desenvuelve
en el negocio de reparación de lavadoras y Distancias (cuadras)
secadoras domésticas. La compañía da
servicio a clientes en toda la ciudad. Con el
objeto de ahorrar tiempo de manejo y costos Tarea 1 2 3 4 5
al inicio de cada día, el trabajador de servicio Trabajador
se dirige directamente de sus casas a los
lugares donde se les requiere. 01 20 14 6 10 22
La tabla siguiente presenta las distancias
02 16 8 22 20 10
asociadas con las primeras 5 tareas que 03 8 6 24 14 12
deben llevarse a cabo. A cada trabajador de 04 20 22 2 8 6
servicio se les paga por conducir. Determinar
la asignación del personal de servicio a su
05 4 16 22 6 24
primer trabajo del día de manera que la
distancia sea lo menor posible.
Modelo Matemático
Min 20X11+14X12+6X13+10X14+ 22X15+ 1) 32.00000
I. Identificación de variables. 16X21+8X22+ 22X23+20X24+ 10X25+ VARIABLE VALUE REDUCED COST
X11 0.000000 12.000000
Xij=0 Al trabajador i no se le asigna la tarea j 8X31+6X32+24X33+ 14X34+12X35+ X12 0.000000 8.000000
Xij=1 Al trabajador i se le asigna la tarea j 20X41+22X42+2X43+8X44+ 6X45+ X13 0.000000 0.000000
4X51+16X52+ 22X53+6X54+24X55 X14 1.000000 0.000000
II. Identificación de la función objetivo. ST X15 0.000000 12.000000
Min 20X11+14X12+6X13+10X14+ 22X15+ X11+X12+X13+X14+X15=1
X21 0.000000 8.000000
X22 0.000000 2.000000
16X21+ 8X22+ 22X23+20X24+ 10X25+ X21+X22+X23+X24+X25=1 X23 0.000000 16.000000
8X31+ 6X32+ 24X33+ 14X34+12X35+ X31+X32+X33+X34+X35=1 X24 0.000000 10.000000
X41+X42+X43+X44+X45=1 X25 1.000000 0.000000
20X41+22X42+2X43 + 8X44+ 6X45+ X51+X52+X53+X54+X55=1 X31 0.000000 0.000000
4X51+16X52+ 22X53+6X54+24X55 X11+X21+X31+X41+X51=1
X32
X33
1.000000
0.000000
0.000000
18.000000
III Identificación de Restricciones. X12+X22+X32+X42+X52=1 X34 0.000000 4.000000
X11+X12+X13+X14+X15=1 X11+X21+X31+X41+X51=1 X13+X23+X33+X43+X53=1 X35 0.000000 2.000000
X14+X24+X34+X44+X54=1 X41 0.000000 16.000000
X21+X22+X23+X24+X25=1 X12+X22+X32+X42+X52=1 X15+X25+X35+X45+X55=1
X42 0.000000 20.000000
X43 1.000000 0.000000
X31+X32+X33+X34+X35=1 X13+X23+X33+X43+X53=1 END X44 0.000000 2.000000

X52 0.000000 14.000000
INT X13…..
Xij >=0, BINARIO X53 0.000000 20.000000
X54 0.000000 0.000000
X55 0.000000 18.000000
Solución
20 14 6 10 22 6 14 8 0 4 16 14 8 0 2 14
16 8 22 20 10 8 8 0 14 12 2 8 0 14 10 0
8 6 24 14 12 6 2 0 18 8 6 2 0 18 6 4
20 22 2 8 6 2 18 20 0 6 4 18 20 0 4 2
4 16 22 6 24 4 0 12 18 2 20 0 12 18 0 18
0 0 0 2 2
Solución
20 14 6 10 22 6 14 8 0 4 16 14 8 0 2 14
Aplicando el
16 8 22 20 10 8 8 0 14 12 2 8 0 14 10 0 paso 2a
8 6 24 14 12 6 2 0 18 8 6 2 0 18 6 4
20 22 2 8 6 2 18 20 0 6 4 18 20 0 4 2
4 16 22 6 24 4 0 12 18 2 20 0 12 18 0 18
0 0 0 2 2 12 8 0 0 12
DISTANCIA MÍNIMA 32
0 14 20 0 18
Problema 6
T1 T2 T3 T4 T5
Trabador1 6 5 7 12 0 0 2 0 0 3 0
Trabador2 7 7 9 11 0 0 3 2 2 2 0
Trabador3 5 6 7 10 0 0 1 1 0 1 0
Trabador4 4 5 8 9 0 0 0 0 1 0 0
Trabador5 6 6 10 11 0 0 2 1 3 2 0
4 5 7 9 0 Paso 2ª
Problema 6
T1 T2 T3 T4 T5
Trabador1 6 5 7 12 0 0 2 0 0 3 0 2 0 0 3 1
Trabador2 7 7 9 11 0 0 3 2 2 2 0 2 1 1 1 0
Trabador3 5 6 7 10 0 0 1 1 0 1 0 1 1 0 1 1
Trabador4 4 5 8 9 0 0 0 0 1 0 0 0 0 1 0 1
Trabador5 6 6 10 11 0 0 2 1 3 2 0 1 0 2 1 0
4 5 7 9 0 Paso 2a
Problema 6
T1 T2 T3 T4 T5
Trabador1 6 5 7 12 0 0 2 0 0 3 0 2 0 0 3 1 1 0 0 2 1
Trabador2 7 7 9 11 0 0 3 2 2 2 0 2 1 1 1 0 1 1 1 0 0
Trabador3 5 6 7 10 0 0 1 1 0 1 0 1 1 0 1 1 0 1 0 0 1
Trabador4 4 5 8 9 0 0 0 0 1 0 0 0 0 1 0 1 0 1 2 0 2
Trabador5 6 6 10 11 0 0 2 1 3 2 0 1 0 2 1 0 0 0 2 0 0
4 5 7 9 0 Paso 2a Paso 2a Paso 3

Al Trabajador 2 No se le asigna - El costo es no no 11
Al Trabajador 5 Se le asigna la tarea 4 El costo es 11 6 no
COSTO TOTAL 27 27 27
Problema 6
Ejemplo:
C1 C2 C3 C4 C5
Operario 1 5 3 7 3 5 3 2 0 4 0 2
Operario 2 5 6 12 7 9 5 0 1 7 2 4
Operario 3 2 8 3 4 6 2 0 6 1 2 4
F G H I J Operario 4 9 6 10 5 7 5 4 1 5 0 2
A 5 3 7 3 5 Operario 5 4 7 6 8 11 4 0 3 2 4 7
B 5 6 12 7 9 0 0 1 0 2
C 2 8 3 4 6 2 0 3 0 0
D 9 6 10 5 7 0 1 6 2 2
0 6 0 2 2
E 4 7 6 8 11
4 1 4 0 0
Se pide resolver al problema de asignación usando el 0 3 1 4 5
Método Húngaro
Problema 6
Ejemplo:
C1 C2 C3 C4 C5
Operario 1 5 3 7 3 5 3 2 0 4 0 2
Operario 2 5 6 12 7 9 5 0 1 7 2 4
Operario 3 2 8 3 4 6 2 0 6 1 2 4
F G H I J Operario 4 9 6 10 5 7 5 4 1 5 0 2
A 5 3 7 3 5 Operario 5 4 7 6 8 11 4 0 3 2 4 7
B 5 6 12 7 9 0 0 1 0 2
C 2 8 3 4 6 2 0 3 0 0 3 0 3 0 0
D 9 6 10 5 7 0 1 6 2 2 0 0 5 1 1
0 6 0 2 2 1 6 0 2 2
E 4 7 6 8 11
4 1 4 0 0 5 1 4 0 0
Se pide resolver al problema de asignación usando el 0 3 1 4 5 0 2 0 3 4
Método Húngaro
COSTO TOTAL 23
Maximizar
PROBLEMA. Asignar a los trabajadores (filas) las tareas (columnas) tomando en cuenta la productividad.
12 16 24 8 2 -12 -16 -24 -8 -2 -24 12 8 0 16 22
6 8 20 14 6 -6 -8 -20 -14 -6 -20 14 12 0 6 14
10 6 16 18 12 -10 -6 -16 -18 -12 -18 8 12 2 0 6
2 4 2 24 20 -2 -4 -2 -24 -20 -24 22 20 22 0 4
7 10 6 5 18 -7 -10 -6 -5 -18 -18 11 8 12 13 0
8 8 0 0 0

Productividad total= 88
Maximizar
Asignar la tareas a los
trabajadores tomando 2 3 4
1
los datos de habilidad
32 16 24 18 22 21 -32-16-24-18-22-21 -32 0 16 8 14 10 11 0 8 2 12 10 8 0 7 1 11 9 7
22 18 20 24 26 23 -22-18-20-24-26-23 -26 4 8 6 2 0 3 4 0 0 0 0 0 5 0 0 0 0 0
36 16 16 18 22 24 -36-16-16-18-22-24 -36 0 20 20 18 14 12 0 12 14 16 14 9 0 11 13 15 13 8
29 14 22 24 20 20 -29-14-22-24-20-20 -29 0 15 7 5 9 9 0 7 1 3 9 6 0 6 0 2 8 5
32 20 16 25 18 18 -32-20-16-25-18-18 -32 0 12 16 7 14 14 0 4 10 5 14 11 0 3 9 4 13 10
25 12 15 21 19 19 -25-12-15-21-19-19 -25 0 13 10 4 6 6 0 5 4 2 6 3 0 4 3 1 5 2
0 8 6 2 0 3
10 5 6 7 8
Total: 149 0 2 9 3 12 9 0 1 9 3 11 8 0 0 9 2 10 7 0 0 8 1 9 6
0 3 3 0 4 1 0 2 3 0 3 0 1 2 4 0 3 0 2 3 4 0 3 0
propio destino

27
Docente:
Semestre: 2022-1
Semana 13
PROGRAMACIÓN
ENTERA
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
Contenido
1 Definición de Programación Entera
2 Modelos de Programación entera
3 Programación entera puro (PEP)
2 Programación lineal entera (PLE)

Programación entera
B
Los problemas de programación entera Solución Hallando la solución
están referidos a problemas que tienen 9 óptima:
variables enteras. 8
3A+3B = 27 (I)
7
Ejemplo: Número de ingenieros 2A+4B =30 (II)
6
Número de computadoras 6A+6B =54 (III)
5 6A+12B =90 (IV)
Su tratamiento es similar a las variables 4 IV – III 6B=36
reales con la diferencia que las variables B=6 A=3
3
toman solamente valores enteros.
2
Problema 1
1
Resolver usando el método gráfico.
MAX 30A+ 50B 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 A
Sujeto a: Graficando la F.O. SOLUCIÓN OPTIMA
3A+3B <= 27 (I) 30A+50B=150 A=3 B=6
2A+4B<=30 (II) Si A=0 → B=3
El valor que toma la F.O.
A, B  0, ENTERAS Si B=0 → A=5
Z=390
Problema 2
Problema 2 i) Graficando las restricciones iv) Hallando la solución optima
Resolver usando el método gráfico. -X1 + 2X2 >= -2 tomando soluciones factibles:
MAX -2x1 - 3x2 -X1 + 2X2 = -2 (0,0) Z=-2(0)-3(0)=0 (Mayor)
Si X1=0→X2=-1 (1,0) Z=-2(1)-3(0)=-2
Sujeto a x1 - 2x2 ≤ 2 (I) Si X2=0→X1= 2 (1,1) Z=-2(1)-3(1)=-5
2x1 - x2 ≥ 0 (II) -2X1 + X2 <= 0 La Solución óptima es:
x1 , x2 ≥ 0, enteras -2X1 + X2 = 0 X1 = 0 X2 = 0
Si X1=0→X2= 0 El valor que toma la F.O es:
Si X2=2→X1= 1 Z = -2(0) - 3(0) = 0
X2
iii) Graficando la F. O.
-2X1 - 3X2 = -6
Si X1=0→X2= 2
Si X2=0→X1= 3
2 MAX -2X1 - 3X2
-1 X1 1) 0.0000000E+00
X1 - 2X2 <= 2 X1 0.000000 2.000000
2X1 - X2 >= 0 X2 0.000000 3.000000
END ROW SLACK OR SURPLUS DUAL PRICES
GIN X1 2) 2.000000 0.000000
GIN X2 3) 0.000000 0.000000
Problema 3
Problema 3
Resolver usando el método gráfico. SOLUCION
i) Graficando las restricciones
MAX -2X1 + 3X2 7X1 + 24X2 = 45 (I) MAX -2X1 + 3X2
SUJETO A X1 = 0 → X2 = 1.9 ST
7X1 + 24X2 ≤ 45 X2 = 0 → X1 = 6.43
-X1 + 4X2 ≥ 5 7X1 + 24X2 <= 45
X2 -X1 + 4X2 >= 5
X1 , X2 ≥ 0 , Enteras
− X1 + 4X2 = 5 (II) END
X1 = 0 → X2 = 1.25 GIN X1
X2 = 0 → X1 = −5 GIN X2
Solución
1,9
No tiene solución óptima No integer solution
was found
1,25 porque no tiene región
factible..
-5 1 2 3 4 5 6,4 X1
Problema 4
X2
13,13 i) Graficando las restricciones iv) Hallando la solución
MAX 12X1 + 4X2 12 30X1+8X2=105 óptima. Trabajamos con
SUJETO A Si X1=0→X2=13,13 las soluciones factibles:
30X1 + 8X2 ≤ 105 11 Si X2=0→X1=3,5 (3,1) Z=12(3)+4(1)=40
4X1 + 4X2 ≤ 21 10 4X1+4X2=21 (2,3) Z=12(2)+4(3)=36
4X2 ≤ 17 9 Si X1=0→X2=5,25 Por lo tanto, la solución
X1, X2 ≥ 0, Enteras Si X2=0→X1=5,25 óptima es: X1=3 X2=1
8
4X2=17 El valor que toma la F.O.
7 X2=4,25 es: Z= 40
iii) Graficando la F.O
6 12X1+4X2=12
5 Si X1=0 →X2=3
4 Si X2=0 → X1=1
3 MAX 12X1 + 4X2
ST
2 30X1 + 8X2 <= 105 1) 40.00000
4X1 + 4X2 <= 21 VARIABLE VALUE REDUCED COST
1 4X2 ≤ 17 X1 3.000000 -12.000000
END
GIN X1 X2 1.000000 -4.000000
X1 GIN X2
Problema 5
MIN -2X1 - 5X2 i) Graficando las restricciones

SUJETO A - 4X1 + 2X2 ≤ -10 (I)
4X1 - 2X2 ≥ 10 - 4X1 + 2X2 = -10
3X1 + X2 ≤ 5
5 Si X1= 0 X2 = - 5
X1 , X2 ≥ 0, Enteras
4 Si X2= 0 X1 = 2,5
3
2 3X1 + X2 =5 (II)
1 Si X1= 0 X2 = 5
0 Si X2= 0 X1 = 1,6
-1 1.6 2.5
-2
-3
-4
RESPUESTA
-5
No tiene solución óptima, porque
no hay región factible.
Problema 6
MAX X1 - X2 i) Graficando las restricciones

SUJETO A - 2X1 + 2X2 ≥-1 (I)
2X1 - 2X2 ≤ 1 - 2X1 + 2X2 =-1
-4X1+ 4X2 ≤ -1 Si X1= 0 X2 = - 0,5
X1 , X2 ≥ 0 , ENTERAS Si X2= 0 X1 = 0,5
X2 - 4X1 + 4X2 = -1 (II)

Si X1= 0 X2 = - 0,25
1 Si X2= 0 X1 = 0,25
0,5
MAX X1 - X2
0.25 0,5 1 1,5 2 ST
-0.25 X1 2X1 - 2X2<= 1 NO INTEGER SOLUTION
-0.5 WAS FOUND.
-4X1 + 4X2<= -1
RESPUESTA END
No tiene solución óptima, GIN X1
porque no hay región factible. GIN X2
Problema 7
X2 Max 8 X1 + 4 X2
10 Sujeto a 2 X1 + X2  10
X1 + 3 X2  14
8 X1 + X2  6
6 X1 , X2  0
2 SOLUCIÓN OPTIMA
X1=4 X1=4.5 X1=5
2 4 6 8 10 12 14
X1 X2=2 X2=1 X2=0
Z=40 Z=40 Z=40
Problema 8
TIENDAS ADAMS, vende dos tipos de casacas: A y B I Identificación de las variable

usando la misma calidad y color de cuero. Para la
A=número de unidades de casaca tipo A
siguiente semana, la compañía tiene 27 metros de cuero y
tiene programadas hasta 30 horas de tiempo de B= número de unidades de casaca tipo B
procesamiento para la confección. Cada casaca tipo A II Identificación de la función objetivo
requiere 3 metros de cuero, 2 horas de confección y
produce una ganancia de $ 30. Cada casaca tipo B MAX 30A+ 50B
MAX 30A+ 50B
requiere también 3 metros, pero necesita 4 horas de III Identificación de las restricciones ST
confección y produce una ganancia de $ 50. Formular el 3A +3 B <= 27 3A +3 B <= 27
modelo y resolver usando el método gráfico. 2A + 4B<=30 2A + 4B<=30
SOLUCIÓN A, B0, ENTERAS END
TIPO CUERO PROCESAMIENTO UTILIDAD GIN A
GIN B
A 3 2 30
B 3 4 50 1) 390.0000
STOCK 27 30 A 3.000000 0.000000
B 6.000000 0.000000
Problema 9
Farmacias INKAFARMA en sus 9 sucursales ha decidido

ampliar su servicio a 24 horas, con la consiguiente 0-4 4-8 8-12 12-16 16-20 20-24
necesidad de nuevo personal de atención al cliente. La
gerencia de la Empresa ha estimado las necesidades 0:00 X1 X1
mínimas de personal por tramos horarios para poder
cubrir los requerimientos de los clientes que se presenten. 04:00 X2 X2
Se definieron 6 tramos de 4 horas. La necesidad mínima
de personal en cada tramo se indica en el Cuadro. Por 08:00 X3 X3
otro lado, el departamento de recursos humanos ha
informado a la gerencia que los contratos laborales han de 12:00 X4 X4
ser de ocho horas seguidas, según normativa laboral,
independientemente de los horarios de entrada y salida 16:00 X5 X5
del personal. El problema es encontrar el número mínimo
de personal necesario para cubrir la demanda. 20:00 X6 X6
0-4 4-8 8-12 12-16 16-20 20-24
Personal 9 5 3 7 5 6
PERSONAL 9 5 3 7 5 6
Problema 9
MIN X1 +X2 +X3 +X4 +X5 +X6

I Identificación de las variable ST
Xi= Números de trabajadores que inician X6 + X1 >= 9
en turno i (i=1-6) X1 + X2 >= 5
X2 + X3 >= 3
II Identificación de la funcion objetivo X3 + X4 >= 7
MIN X1 +X2 +X3 +X4 +X5 +X6 X4 + X5 >= 5
X5 + X6 >= 6 OBJECTIVE FUNCTION VALUE
III Identificación de las restricciones
END
X6 + X1 ≥ 9 GIN X1 1) 18.00000
X1 + X2 ≥ 5 GIN X2
X2 + X3 ≥ 3 GIN X3 VARIABLE VALUE REDUCED COST
X3 + X4 ≥ 7 GIN X4 X1 5.000000 0.000000
GIN X5 X2 0.000000 0.000000
X4 + X5 ≥ 5
GIN X6 X3 4.000000 0.000000
X5 + X6 ≥ 6 X4 3.000000 0.000000
Xi ≥ 0, ENTERAS X5 2.000000 0.000000
X6 4.000000 0.000000
Problema 10
Tipo Precio M. P. M. O. Acaba Carpin Deman Utilidad

Anatina Toys fabrica 2 tipos de juguetes de madera, autitos do tería da
y rompecabezas. Un autito se vende en S/. 54 y requiere
Autito 54 20 28 2 1 40 6
20 S/. de materia prima. Cada autito que se fabrica
incrementa la mano de obra variable y los costos globales Rompec 42 18 20 1 1 ∞ 4
en S/. 28. Un rompecabezas se vende en S/. 42 y requiere 100 80
S/. 18 de materia prima. Cada rompecabezas incrementa
la mano de obra variable y costos globales en S/. 20. Para I Identificación de las variableS
la fabricación se requiere mano de obra especializada: Xi= Números de juguetes tipo i (i=1,2)
carpintera y acabados. Un autito requiere 2 h de acabado
y1 h de carpintería. Un rompecabezas requiere 1h II Identificación de la función objetivo
acabado y 1h de carpintería. MAX 6X1 + 4X2
Todas las semanas Anatina Toys consigue todo el material III Identificación de las restricciones
, pero solo 100h de trabajo de acabado y 80h de trabajo de
carpintería. La demanda de rompecabezas es ilimitada y
2X1+1X2 ≤ 100
solo se vende a lo más 40 autitos por semana. Anatina X1 + X2 ≤ 80
Toys debe maximizar las utilidades semanales (ingresos – X1 ≤ 40
costos). Diseñar un modelo matemático y resolver por el
método gráfico. X1, X2 ≥ 0, Enteras
Problema 10
X2
Max 6 X1 + 4 X2 Graficando las restricciones
100 Sujeto a 2 X1 + X2 = 100 I
2 X1 + X2 ≤ 100 X1 + X2 = 80 II
80 X1 + X2 ≤ 80 X1 = 40 III
X1 ≤ 40
60 Graficando la F.O
Xi ≥ 0 Enteras
6X1+4X2 = 240
40 Si X1=0→X2=60
Si X2=0→X1=40
20
Hallando la Solución óptima
2X1+X2 =100 I
20 40 60 80 100 120 X1 X1+X2= 80 II
X1=20 I-II
X2= 60
Solución óptima:
X1 = 20 X2 = 60
El valor de la F.O
Z = 6(20)+4(60)=360
Problema 11
NISAN fabrica carros compactos y subcompactos. La C: U=10000-{(200)(10)+(18)(70)}=6740

producción de cada carro requiere una cierta S: U= 8000-{(150)(10)+(20)(70)}=5100
cantidad de materia prima y mano de obra, como se
especifica en la siguiente tabla:
I. Identificación de variables
Materia prima(Lb) Mano de obra(Hr) C =Número de carros compactos por fabricar
Compactos 200 18 S =Número de carros subcompactos por fabricar
Subcompactos 150 20 II. Identificación de la Función Objetivo
Costo unitario 10 70 MAX 6740C + 5100S
Total disponible 80000 9000 III. Identificación de las restricciones
200C +150S ≤ 80000
La división de comercialización ha estimado que a lo
18C + 20S ≤ 9000
más 1500 compactos pueden venderse a $ 10000
C ≤ 1500
cada uno y que a lo más 200 subcompactos pueden
S ≤ 200
venderse a $ 8000 cada uno. Como vicepresidente de
C, S ≥ 0, ENTERO
programación, formule un modelo para determinar la
cantidad a fabricar de cada tipo de carro para
maximizar la ganancia total (ingresos menos gastos).
Problema 11
MAX 6740C + 5100S

SUBJECT TO
200C +150S ≤ 80000
18C + 20S ≤ 9000
C ≤ 1500
S ≤ 200
SOLUCIÓN CON LINDO
END 1) 2705000 C=250 S=200
GIN C
GIN S
Control de inventarios Problema 13
Manufactura Acme recibió un contrato para entregar 1 2 3 4 5 6

ventanas de vivienda durante los 6 meses siguientes. El Unid. 100 250 190 140 220 110
contrato estipula que Acme debe entregar en cada mes: 100, Costo 50 45 55 48 52 50
250, 190, 140, 220 y 110 ventanas, respectivamente. El
costo de producción por ventana varía de un mes a otro, I Identificación de las variables
dependiendo de los costos de mano de obra, materiales y Xi=Número unidades a producir
servicios. Acme estima que el costo de producción por Yi=Número unidades adicionales a producir
ventana, durante los 6 meses siguientes, será $50, $45, II Identificación de la F.O.
$55, $48, $52 y $50, respectivamente. Para aprovechar las MIN 50X1+45X2+55X3+48X4+52X5+50X6+
fluctuaciones en el costo de manufactura. Acme podría optar 58Y1+53Y2+63Y3+56Y4+60Y5
por producir más de lo necesario en determinado mes, y III Identificación de las restricciones I.F.=I.I.+Prod-D
guardar las unidades excedentes para entregar en meses X1-Y1=100
posteriores. Sin embargo, eso le ocasionará un costo de X2+Y1-Y2=250 D=I.I-I.F+Prod
almacenamiento de $8 por ventana y por mes, evaluado con X3+Y2-Y3=190 250=Y1-Y2+X2
el inventario levantado en el fin de mes. Desarrolle un X4+Y3-Y4=140
modelo de programación lineal en forma compacta para X5+Y4-Y5=220
determinar el programa óptimo de producción e inventario X6+Y5=110
para Acme. Xi , Yi >=0, entero
MIN 50X1+45X2+55X3+48X4+52X5+50X6+ OBJECTIVE FUNCTION VALUE

58Y1+53Y2+63Y3+56Y4+60Y5
ST 1) 50360.00
X1-Y1=100
X2+Y1-Y2=250 VARIABLE VALUE REDUCED COST
X3+Y2-Y3=190 X1 100.000000 0.000000
X4+Y3-Y4=140 X2 250.000000 0.000000
X5+Y4-Y5=220 X3 190.000000 0.000000
X6+Y5=110 X4 140.000000 0.000000
END X5 220.000000 0.000000
GIN X1 X6 110.000000 0.000000
GIN X2 Y1 0.000000 63.000000
GIN X3 Y2 0.000000 43.000000
GIN X4 Y3 0.000000 70.000000
GIN X5 Y4 0.000000 52.000000
GIN X6 Y5 0.000000 62.000000
GIN Y1 ……….
James Beerd hornea pasteles de queso y pasteles de I Identificación de las variables

Selva Negra. Durante cualquier mes puede hornear Xij=Número unidades a producir del producto i en el mes j
cuando mucho 65 pasteles. Los costos por pastel y la Yij=Número unidades adicionales a producir del producto i
demanda de pasteles, la cual se debe cumplir a tiempo, se en el mes j
proporcionan en la siguiente tabla. Cuesta 50 centavos II Identificación de la F.O.
conservar un pastel de queso y 40 centavos conservar un MIN 3X11+3,40X12+3,80X13+2,5X21+2,80X22+3,40X23+
pastel de la selva negra en inventario por un mes. Plantee 3,50Y11+3,90Y12+2,90Y21+3,20Y22
un modelo de programación lineal para minimizar el costo III Identificación de las restricciones
total por cumplir la demanda de los tres meses siguientes: X11-Y11=40
X12+Y11-Y12=30
Producto Mes 1 Mes 2 Mes 3
X13+Y12 =20
Costo Demanda Costo Demanda Costo
Demanda ($/pastel) ($/pastel) ($/pastel) X21-Y21=20
Pastel de 40 3.00 30 3.40 20 3.80 X22+Y21-Y22=30
queso X23+Y22=10
Selva Negra 20 2.50 30 2.80 10 3.40
X11+Y11+X21+Y21<=65
I.F.=I.I.+Prod-D X12+Y12+X22+Y22<=65
D=I.I-I.F+Prod X13+X23<=65
Xi >=0, entero
MIN 3X11+3,40X12+3,80X13+2,5X21+2,80X22+3,40X23+ OBJECTIVE FUNCTION VALUE

3,50Y11+3,90Y12+2,90Y21+3,20Y22
ST 1) 466.0000
X11-Y11=40
X12+Y11-Y12=30 VARIABLE VALUE REDUCED COST
X13+Y12 =20 X11 40.000000 0.000000
X21-Y21=20 X12 30.000000 0.000000
X22+Y21-Y22=30 X13 20.000000 0.000000
X23+Y22=10 X21 20.000000 0.000000
X11+Y11+X21+Y21<=65 X22 30.000000 0.000000
X12+Y12+X22+Y22<=65 X23 10.000000 0.000000
X13+X23<=65 Y11 0.000000 3.100000
END Y12 0.000000 3.500000
GIN X11 Y13 0.000000 8.100000
GIN X12 Y21 0.000000 2.600000
GIN X13 Y22 0.000000 2.600000
Y23 0.000000 7.200000
Priceler fabrica vehículos tipo sedán y camionetas. La Mes 1 2 3

cantidad de vehículos que como máximo se pueden U. Sedan 8000-6000 8000-6000 8000-6000
vender en cada uno de los próximos tres meses se
U. Camioneta 9000-7500 9000-7500 9000-7500
presenta a continuación:
I Identificación de las variables
Tipo de vehículo Mes 1 Mes 2 Mes 3
Xij=Número unidades a producir del producto i en el mes j
Sedán 1100 1500 1200
Yij=Número unidades adicionales a producir del producto i en el
Camioneta 600 700 500
mes j
Cada sedán se vende en $8000 y cada camioneta se vende en II Identificación de la F.O.
$9000. Para producir un sedán se requieren $6000 y para MAX 2000X11+2000X12+2000X13+1500X21+1500X22+1500X23+
producir una camioneta se requiere $7500. Mantener por un
1850Y11+1850Y12+1300Y21+1300Y22
mes en inventario un sedán y una camioneta cuesta $150 y
$200 respectivamente. se pueden producir durante cada mes
III Identificación de las restricciones
a lo más 2000 vehículos en total. Además, por lo menos dos X11+200-Y11<=1100 X11+Y11+X21+Y21<=1500
tercios de la producción en el mes 1 deben ser sedanes. El X12+Y11-Y12<=1500 X12+Y12+X22+Y22<=1500
inventario al inicio del mes 1 es de 200 sedanes y 100 X13+Y12<=1200 X13+X21<=1500
camionetas. Defina las variables de decisión y formule el X21+100-Y21<=600
modelo de programación lineal correspondiente en notación X22+Y21-Y22<=700
compacta. X23+Y22<=500 X11+Y11>=(2/3)(X11+X21+Y11+Y21)
I.F.=I.I.+Prod-D 3X11+3Y11>=2X11+2X21+2Y11+2Y21
X11+Y11-2X21-2Y21>=0 X11+Y11-2X21-2Y21>=0
D=I.I-I.F+Prod Xi >=0, entero
MAX 2000X11 + 2000X12 + 2000X13 +

1500X21 + 1500X22 + 1500X23 + OBJECTIVE FUNCTION VALUE
1850Y11 + 1850Y12 + 1) 0.1039750E+08 10’397 500
1300Y21 + 1300Y22 VARIABLE VALUE REDUCED COST
ST X11 1200.000000 -950.000000
X11-Y11=900 X12 1250.000000 -550.000000
X13 1150.000000 0.000000
X12+Y11-Y12=1500
X21 500.000000 0.000000
X13+Y12=1200 X22 700.000000 0.000000
X21-Y21=500 X23 500.000000 0.000000
X22+Y21-Y22=700 Y11 300.000000 0.000000
X23+Y22=500 Y12 50.000000 0.000000
X11+Y11-2X21-2Y21>=0 Y21 0.000000 150.000000
X11+Y11+X21+Y21<=2000 Y22 0.000000 0.000000
X12+Y12+X22+Y22<=2000
X13+X21<=2000
END
GIN X11
GIN X12 ……
Gandhi Co. fabrica camisas y pantalones. La demanda en los I Identificación de las variables
próximos 3 meses, la cual se debe cumplir a tiempo, es la siguiente: Xij=Unidades a producir del producto i en el mes j
Mes 1 Mes 2 Mes 3 Yij=Unidades adicionales a producir del producto i en el mes j
Camisas 10 12 14 Zij=Unidades a producir en horas extras del producto i en el mes j
II Identificación de la F.O.
Pantalones 15 14 13
MIN 8X11+7X12+7.6X13+10X21+8.5X22+9.4X23+11Y11+
Durante cada mes, cuesta $4 elaborar una prenda cualquiera en 10Y12+13Y21+11.5Y22+ 12Z11+11Z12+11.6Z13+14Z21+
turno normal y cuesta $8 en turno extra. La capacidad mensual de 12.5Z22+13.4Z23
producción en turno normal es 25 prendas y la capacidad mensual de III Identificación de las restricciones
producción en turno extra es ilimitada. Es posible almacenar X11+Z11-Y11=9
X12+Y11+Z12-Y12=12 1 2 3
prendas, a un costo de inventario mensual de $3 por prenda. Al
X13+Y12+Z13=14 CONFECCIÓN 4 4 4
inicio del mes 1, en el almacén hay una camisa y 2 pantalones. X21+Z21-Y21=13
Cada camisa requiere 2 yardas2 de tela y cada pantalón requiere 3 X22+Y21+Z22-Y22=14 TELA CAMISA 4 3 3.6
yardas2 de tela. Lo máximo de tela que se puede comprar y el costo X23+Y22+Z23=13 TELA PANTALÓN 6 4.5 5.4
de compra se muestran a continuación: X11+X21<=25
Mes 1 Mes 2 Mes 3 X12+X22<=25
X13+X23<=25
Máximo a comprar (yardas2) 90 60 80
2X11+2Y11+2Z11+3X21+3Y21+3Z21<=90
Costo ($/yarda2) 2 1.5 1.8 2X12+2Y12+2Z12+3X22+3Y22+3Z22<=60
Es posible almacenar tela en cada mes, con un costo de almacenamiento 2X13+2Z13+3X23+3Z23<=80
despreciable. Desarrolle el modelo que minimice el costo total.
Xi >=0, entero
MIN 8X11+7X12+7.6X13+10X21+8.5X22+9.4X23+ OBJECTIVE FUNCTION VALUE

11Y11+10Y12+13Y21+11.5Y22+ 1) 670.6000
12Z11+11Z12+11.6Z13+14Z21+12.5Z22+13.4Z23 VARIABLE VALUE REDUCED COST
ST X11 9.000000 0.000000
X11+Z11-Y11=9 X12 12.000000 0.000000
X12+Y11+Z12-Y12=12 X13 14.000000 0.000000
X13+Y12+Z13=14 X21 15.000000 0.000000
X21+Z21-Y21=13 X22 12.000000 0.000000
X22+Y21+Z22-Y22=14 X23 11.000000 0.000000
X23+Y22+Z23=13 Y11 0.000000 2.333333
X11+X21<=25 Y12 0.000000 24.733334
X12+X22<=25 Y21 2.000000 0.000000
X13+X23<=25 Y22 0.000000 35.599998
2X11+2Y11+2Z11+3X21+3Y21+3Z21<=90 Z11 0.000000 4.000000
2X12+2Y12+2Z12+3X22+3Y22+3Z22<=60 Z12 0.000000 4.000000
2X13+2Z13+3X23+3Z23<=80 Z13 0.000000 0.000000
Z21 0.000000 4.000000
Z22 0.000000 4.000000
Z23 2.000000 0.000000
Tipos de modelos para
programación lineal entera
• Es un problema en el que se
Programación • Es un problema en el que se exige
Programación requiere que algunas variables de
decisión tengan valores enteros,
Entero Puro que todas las variables de decisión Lineal Entero mientras que otras pueden
tengan valores enteros. (PLE)
(PEP) asumir cualquier numero no
negativo.
PEP PLE
Tipos de modelos para
programación lineal entera
MIN 6X1+5X2+4X3 MIN 6X1+5X2+4X3

ST ST
108X1+92X2+58X3>=576 108X1+92X2+58X3>=576
7X1+18X2+22X3>=83 7X1+18X2+22X3>=83
END END
GIN X1 GIN X1
GIN X2 PEP GIN X2 PLE
GIN X3

1) 32.00000 1) 31.55172
X1 2.000000 6.000000 X1 1.000000 -1.448276
X2 4.000000 5.000000 X2 5.000000 -1.344828
X3 0.000000 4.000000 X3 0.137931 0.000000
ROW SLACK OR SURPLUS DUAL PRICES ROW SLACK OR SURPLUS DUAL PRICES
2) 8.000000 0.000000 2) 0.000000 -0.068966
3) 3.000000 0.000000 3) 17.034483 0.000000
Problema 1
Problema 1
MIN Z=60(X1+X2+X3+X4+X5+X6+X7)+200(Y1+Y2)
S.A.
X1+Y1>=15
X1+X2+Y1>=18
X2+X3+Y1>=21
X3+X4+Y1>=24
X4+X5+Y2>=27
X5+X6+Y2>=25
X6+X7+Y2>=15
X7+Y2>=15
Y1+Y2>=0,5(X1+X2+X3+X4+X5+X6+X7+Y1+Y2)
Xi, Yj >= 0, ENTEROS
Problema 1
MIN
60X1+60X2+60X3+60X4+60X5+60X6+60X7+200Y1+200Y2
ST
X1+Y1>=15
X1+X2+Y1>=18
X2+X3+Y1>=21
X3+X4+Y1>=24 1) 7160.000
X4+X5+Y2>=27 VARIABLE VALUE REDUCED COST
X5+X6+Y2>=25 X1 5.000000 60.000000
X6+X7+Y2>=15 X2 0.000000 60.000000
X7+Y2>=15 X3 9.000000 60.000000
-0.5X1-0.5X2-0.5X3-0.5X4-0.5X5-0.5X6- X4 2.000000 60.000000
0.5X7+0.5Y1+0.5Y2>=0 X5 10.000000 60.000000
END X6 0.000000 60.000000
GIN X1 X7 0.000000 60.000000
GIN X2 Y1 13.000000 200.000000
GIN X3 GIN X4 GIN X5 Y2 15.000000 200.000000
GIN X6 GIN X7 GIN Y1 GIN Y2
Problema 3
F Graficando las restricciones Graficando la F.O.

MAX Z=18E+6F 42.8E+100F=800 18E+6F=36
24 S.A. Si E=0→F=8 Si E=0→F=6
22 42.8E + 100F<=800 Si F=0→E=18,69 Si F=0→E=2
20 20E + 6F <=142 20E + 6F=142
18 30E + 10F >=135 Si E=0→F=23,67 Hallando la Solución
16 E – 3F <=0 Si F=0→E=7,1 optima trabajando
14 E, F >=0, ENTERO con las soluciones
12 30E + 10F =135 factibles:
10 Si E=0→F=13,5 (6,3)→Z=126
8 Si F=0→E=4,5 (5,6)→z=126
6
E – 3F =0
4 La solución óptima es:
Si E=0→F=0
2 E=5 F=6
Si F=1→E=3
El valor de la F.O. es:
2 4 6 8 10 12 14 16 18 20 22 24 E Z=126
MAX Z=18E+6F OBJECTIVE FUNCTION VALUE
ST
1) 126.0000
42.8E + 100F<=800
20E + 6F <=142 VARIABLE VALUE REDUCED COST
30E + 10F >=135 E 6.000000 -18.000000
E – 3F <=0 F 3.000000 -6.000000
END
GIN E
GIN F ROW SLACK OR SURPLUS DUAL PRICES
2) 243.200012 0.000000
3) 4.000000 0.000000
4) 75.000000 0.000000
5) 3.000000 0.000000
MILKITO tiene dos máquinas distintas para procesar I. Identificación de variables
leche pura y producir leche descremada, mantequilla o Li =Número de gl. de leche descremada a producir en la máq. i
queso. La cantidad de tiempo requerido en cada máquina Mi=Número de lb. de mantequilla a producir de en la máquina i
para producir cada unidad de producto resultante y las Qi =Número de lb. de queso a producir en la máquina i
ganancias netas se proporcionan en la siguiente tabla: II. Identificación de la Función Objetivo
Leche Mantequilla Queso MAX 0.22(L1+L2) + 0.38(M1+M2) + 0.72(Q1+Q2)
descremada III. Identificación de las restricciones
Máquina 1 0.2 min / gal 0.5 min / lb 1.5 min / lb Con respecto a la cantidad a producir
Máquina 2 0.3 min / gal 0.7 min / lb 1.2 min / lb L1+L2 ≥ 300
Ganancia neta 0.22$/ gal 0.38$/ lb 0.72$/ lb M1+M2 ≥ 200
Q1+Q2 ≥ 100
Suponiendo que se dispone de 8 horas en cada máquina Con respecto al tiempo requerido
diariamente, como gerente del departamento de 0.2L1 + 0.5M1 +1.5Q1 ≤ 480
0.3L2 + 0.7M2 + 1.2Q2 ≤ 480
producción, formule un modelo para determinar un plan
Con respecto a la no negatividad
de producción diaria que maximice las ganancias Li, Mi, Qi ≥ 0
corporativas netas y produzca un mínimo de 300 galones
de leche descremada, 200 libras de mantequillas y 100
libras de queso.
MAX 0.22L1+ 0.22L2 + 0.38M1+0.38M2 + SOLUCIÓN CON LINDO
0.72Q1 + 0.72Q2 1) 837.33
SUBJECT TO Variable Value Reduced Cost
L1+L2 >=300 L1 2400.000 0.000000
M1+M2 >=200 L2 733.3333 0.000000
Q1+Q2 >=100 M1 0.0000 0.036667
0.2L1 + 0.5M1 +1.5Q1 <=480 M2 200.0000 0.000000
0.3L2 + 0.7M2 + 1.2Q2 <=480 Q1 0.0000 0.770000
Q2 100.0000 0.000000
El Ministerio de Salud indica que cada galón de leche, libra I. Identificación de variables
de queso y libra de manzanas proporciona un número L =Número Galones de leche a utilizar
conocido de miligramos de proteínas y vitaminas A, B y C. La Q =Número Libras de queso a utilizar
siguiente tabla incluye esos datos junto con los M =Número Libras de manzana a utilizar
requerimientos diarios de los ingredientes nutricionales y la
cantidad mínima de cada alimento que debe incluirse en la II. Identificación de la Función Objetivo
comida y su costo. MIN 2.15L + 2.25Q + 1.25M
Leche Queso Manzanas Requerimien III. Identificación de las restricciones
(mg/gal) (mg/lb) (mg/lb) to mín. (mg)
Con respecto a los requerimiento
Proteínas 40 30 10 80 40L + 30Q + 10M ≥80
Vitamina A 5 50 30 60 5L + 50Q + 30M ≥60
Vitamina B 20 30 40 50 20L + 30Q + 40M ≥50
Vitamina C 30 50 60 30 30L + 50Q + 60M ≥30
Con respecto a La cantidad mínima
Cantidad mínima 0,50 gal 0,50 lb 0,50 lb
L ≥ 0.5
Costo unitario 2,15 2,25 1,25 Q ≥ 0.5
Como dietista de una escuela pública, formule un M ≥ 0.5
modelo para determinar la comida de costo mínimo Con respecto a la no negatividad
que reúna todos los requerimientos nutricionales. L, Q, M ≥ 0
1) 5.147297
L 1.297297 0.000000
Q 0.770270 0.000000
M 0.500000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 -0.052027
3) 0.000000 -0.013784
4) 19.054054 0.000000
5) 77.432434 0.000000
6) 0.797297 0.000000
7) 0.270270 0.000000
8) 0.000000 -0.316216
NO. ITERATIONS= 3
RANGES IN WHICH THE BASIS IS UNCHANGED:
L 2.150000 0.850000 1.462500
Q 2.250000 0.508696 0.637500
M 1.250000 INFINITY 0.316216
Problema 12
El Banco BBVA está preparando su plan de inversiones Debido a regulaciones, al Banco BBVA no se le permite
para los próximos dos años. Actualmente, la empresa tiene pedir préstamos directos. Pero si que puede, cada seis
1,5 millones de dólares para invertir y espera ingresar, meses, invertir sus fondos excedentes (es decir, aquellos
gracias a inversiones pasadas, un flujo de dinero al final de que no ha invertido en ningún proyecto) en un fondo que le
los meses, 6 12 y 18 próximos. Por otra parte, la empresa daría un 7% cada seis meses.
quiere expandirse y tiene dos propuestas sobre la mesa. La Por otro lado, BBVA puede participar en cada uno de los
primera es asociarse con la empresa Minera San Cristobal proyectos con un nivel inferior al 100% y,
y la segunda con la empresa Gravetal S.A. En el Cuadro se consecuentemente, el flujo de caja se reducirá en la misma
muestra el flujo de caja (miles de dólares)del Banco BBVA proporción. Es decir, que si decide entrar por ejemplo con
si entrara con un 100% en cada uno de los proyectos. el 50% en el proyecto de Gravetal, el flujo correspondiente
Inicial 6 12 18 24 también se reducirá en la misma proporción.
meses meses meses meses El problema que se plantea BBVA es cuanto invertir en
Inversiones 500 400 380 cada proyecto para maximizar el dinero en efectivo que
pasadas tendrá la empresa en dos años
Minera San - 1000 - 700 1800 400 600

Cristobal
Gravetal S.A. - 800 500 -200 - 700 2000
Problema 12
SOLUCIÓN: Análisis
La empresa dispone de 1,5 millones de dólares hoy (periodo También el dinero depositado en el fondo en el periodo
0) y las quiere gastar considerando las opciones siguientes: anterior estará a disposición junto con los intereses: S0 +
1. Participar en el proyecto Minera San Cristobal, que 0,07S0 .
implicaría desembolsar 1000000X1 dólares en el periodo 0; Por otra parte, el proyecto Gravetal SA dará una entrada
de dinero igual a 500000X2. Con este dinero tendrá que
2. Participar en el proyecto Gravetal SA, teniendo que gastar hacer frente al compromiso adquirido con Minera San
800000X2; Cristobal, 700000X1, y depositar lo que quede al 7% una
Formulación
3. Depositar el dinero al 7% (0 ≤ X1 ≤ 1, 0 ≤ X2del vez más. En términos matemáticos:
≤ 1). problema
500 + 500X2 + 1,07S0 = 700X1 + S6
Estas opciones no son excluyentes entre ellas. Por lo tanto, En el periodo 12, la empresa recibirá 400000 dólares, de
se tiene que cumplir la siguiente ecuación de equilibrio: inversiones anteriores, y 1800000X1 del proyecto Minera
1500 000 = 1000 000X1 + 800000X2 + S0 San Cristobal y el dinero del fondo junto con los intereses.
Al cabo de seis meses, la empresa ingresará 500000 Con estos ingresos tendrá que cubrir el compromiso del
dólares, gracias a inversiones realizadas anteriormente. proyecto Gravetal SA, 200X2 y depositar S12 en el fondo.
En términos matemáticos:
400 + 1800X1 + 1,07S6 = 200X2 + S12
Problema 12
SOLUCIÓN: Análisis
En el periodo 18, los ingresos que tendrá la empresa vendrán Identificación de las variables
de inversiones anteriores (380000), del proyecto Minera San X1= Porcentaje de participación en el proyecto Minera San
Cristobal (400000X1) y del depósito realizado en el periodo Cristobal
anterior incluyendo los intereses (1,07S12 ). Con este dinero X2= Porcentaje de participación en el proyecto Gravetal S.A.
tendrá que realizar un gasto de 700000X2 en el proyecto Si =Dinero que se depositará en el fondo del periodo i (i= 0,
Gravetal y el resto puede volver a ponerlo en el fondo (S18). 6 12 y 18 )
Es decir: 380 + 400X1 + 1,07S12 = 700X2 + S18
Identificación de la Función objetivo
Finalmente, al cabo de dos años (periodo 24), el BISA tendrá Max 600X1 + 2.000X2 + 1,07S18
únicamente ingresos y no tendrá ningún gasto. Los ingresos
provienen de los dos proyectos (600.000X1 + 2.000.000X2) y Identificación de las resticciones
del dinero depositado en el periodo anterior, 1,07 S18. 1000X1 + 800X2 + S0 = 1.500
700X1 -500X2 -1,07S0 + S6 = 500
La Función objetivo es Maximizar los ingresos al cabo de dos
-1.800X1 + 200X2 -1,07S6 + S12 = 400
años. Los ingresos realizados en el periodo 24 en miles de
dólares, tendremos que: MAX 600X1+2000X2+ 107S18 -400X1 + 700X2 -1,07S12 + S18 = 380
X1 ≤ 1 ; X2 ≤ 1 ;
Finalmente, como solo se puede invertir un máximo de 100% X1, X2, S0, S6, S12, S18 ≥ 0
en cada proyecto, las variables X1 y X2 no pueden exceder
la unidad. X1 ≤ 1 X2 ≤ 1
propio destino

43
Docente:
Semestre: 2022-1
Semana 14
PROGRAMACIÓN BINARIA
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
Contenido
1 Definición de Programación Binaria
2 Modelos de Programación Binaria
3 Problemas
Definición

Se llama Programación Binaria o
programación lineal entera 0-1, cuando el Vi=Variable i (i = 1, 2, 3, …n)
valor de las variables se restringe a 0 ó 1.
0 No ejecuta
Estas variables representan decisiones Vi =
dicotómicas (sí o no).
1 Si ejecuta
Identificación de la función objetivo

• Problemas de asignación,
CASOS: • Ubicación de fábricas, MAX ∑CiVi ó MIN ∑CiVi
• Planes de producción,
• Construcción de consorcios, Identificación de las restricciones
• Problema de la mochila
----------------
Vi >=0, BINARIA
Problema N°1
I Identificación de las variable

Mason Communication Commission ha A = Frecuencia 100.0 B = Frecuencia 100.1
recibido solicitudes de asignación de C = Frecuencia 100.3 D = Frecuencia 100.7
frecuencias de cuatro nuevas estaciones de E = Frecuencia 101.0 F = Frecuencia 101.1
radio. Dos frecuencias de radio interfieren si
G = Frecuencia 101.4 H = Frecuencia 101.8
están a 0.5 mega hertz de distancia.
II Identificación de la funcion objetivo
MAX A + B + C + D + E + F +G + H
Las siguientes frecuencias en mega Hertz III Identificación de las restricciones
están actualmente disponibles: 100.0, 100.1, A + B + C ≤ 1
100.3, 100.7, 101.0, 101.1, 101.4, 101.8. C + D ≤ 1
Formule un modelo para determinar si la
D + E + F ≤ 1
comisión puede asignar cuatro nuevas
frecuencias y, si es así, cuáles. E + F + G ≤ 1
G + H ≤ 1
A, B, C, D, E, F, G, H ≥ 0 y binario
Lindo
MAX A + B + C + D + E + F +G + H
SUBJECT TO 1) 3.000000
A + B + C <= 1
C + D <= 1 VARIABLE VALUE REDUCED COST
D + E + F <= 1
E + F + G <= 1 A 1.000000 -1.000000
G + H <= 1 B 0.000000 -1.000000
END C 0.000000 -1.000000
INT A D 1.000000 -1.000000
INT B E 0.000000 -1.000000
INT C
F 0.000000 -1.000000
INT D
G 1.000000 -1.000000
INT E
H 0.000000 -1.000000
INT F
INT G
INT H
Problema 2
MAX
Una empresa de transportes debe decidir qué artículos debe Identificación de las variables
7T1+20T2+25T3+10T4+4
transportar en su primer viaje. El peso de cada artículo y la Ti=Tipo de artículo
0T5+30T6+15T7+9T8
utilidad que generaría, en caso que sea transportado, se {Ti=0 No viaja, Ti=1 Viaja}
ST
muestran a continuación: Identificación de la F. O. 2T1+3T2+5T3+2T4+6T5+
Tipo de Artículo 1 2 3 4 5 6 7 8 MAX 7T1+20T2+25T3+10T4+40T5+ 5T6+3T7+1T8<=13
Peso (t) 2 3 5 2 6 5 3 1 30T6+15T7+9T8 T2-T3=0
Utilidad (Miles de $) 7 20 25 10 40 30 15 9 Identificación de las restricciones T7+T8<=1
2T1+3T2+5T3+2T4+6T5+5T6+3T7+ END
Para el transporte, debe tener en cuenta que: 1T8<=13 INT T1
· La empresa posee un camión cuya capacidad de carga T2=T3 INT T2
es 13 toneladas. T7+T8<=1 INT T3
· Si se transporta el artículo 2, entonces se transporta el Ti>=0, BINARIO
INT T4
artículo 3. 1) 80.0 INT T5
· Por razones de volumen, si se transporta el artículo 7 T1 0.000000 -7.000000
INT T6
entonces no se transporta el artículo 8. T2 0.000000 -20.000000 INT T7
T3 0.000000 -25.000000
Defina las variables de decisión y formule el modelo de T4 1.000000 -10.000000
INT T8
programación lineal que le permita a la empresa maximizar T5 1.000000 -40.000000
T6 1.000000 -30.000000
su utilidad total T7 0.000000 -15.000000
T8 0.000000 -9.000000
Problema 3

Xi=Tipo de objeto
{Xi=1 Se selecciona,
Xi=0 en otro caso} MAX 8X1+11X2+6X3+4X4
Identificación de la F. O. ST
MAX 8X1+11X2+6X3+4X4 11X1+13X2+9X3+5X4<=28
END
Identificación de las INT X1
restricciones INT X2
11X1+13X2+9X3+5X4<=28 INT X3
Ti>=0, BINARIO INT X4
1) 21.00000
X1 0.000000 -8.000000
X2 1.000000 -11.000000
X3 1.000000 -6.000000
X4 1.000000 -4.000000
Problema 4
Un inversionista dispone de $ 20000, los cuales desea destinarlos a

la compra de paquetes de acciones, quien dispone de 10
alternativas. La inversión por paquete, la rentabilidad de cada Ti=Tipo de acción i (A,B,C…J)
paquete de acciones y el rubro al que pertenecen las compañías {Ti=0 No compra Ti=1 Compra}
que ofrecen las acciones se presentan en la siguiente tabla: Identificación de la función objetivo
Rubro Construcción Minería Agricultura
Paquete de acciones A B C D E F G H I J MAX (0,092)3500T1+(0,10)2900T2+(0,084)4000T3+
Inversión por paquete ($)
Rentabilidad (% respecto
3500 2900 4000 3800 4200 3600 3200 3000 3700 3300
(0,086)3800T4+(0,082)4200T5+(0,092)3600T6+
9.2 10.0 8.4 8.6 8.2 9.2 9.6 9.9 8.9 9.4
a la inversión) (0,096)3200T7+(0,099)3000T8+(0,089)3700T9+
Escenario 1: El inversionista solamente puede adquirir un paquete por cada (0,094)3300T10
tipo de acción, y por recomendación de un experto en finanzas a lo más
debe adquirir 2 paquetes de acciones en total por cada rubro. Identificación de las restricciones
a) Formule el modelo de programación lineal binaria que permita determinar 3500T1+2900T2+4000T3+3800T4+4200T5+3600T6+3200
qué paquetes de acciones se deben adquirir para obtener la máxima T7+3000T8+3700T9+3300T10<=20000
rentabilidad. T1+T2+T3<=2
b)Elabore un reporte administrativo con los resultados obtenidos . T4+T5+T6+T7<=2
Escenario 2: El inversionista ya no tiene restricciones sobre el número de
T8+T9+T10<=2
paquetes totales adquiridos por cada rubro, en lugar ahora su decisión tiene
que ser que a lo más puede invertir en 2 rubros distintos. Ti>=0, BINARIO
c) Formule el modelo de programación lineal binaria con las modificaciones
que sean necesarias para resolver el presente escenario.
d) Elabore un reporte administrativo con los resultados obtenidos.
Parte a
MAX
322T1+290T2+336T3+326.8T4+344.4T5+331.2T6+ OBJECTIVE FUNCTION VALUE
307.2T7+297T8+329.3T9+310.2T10
ST 1) 1876.700
3500T1+2900T2+4000T3+3800T4+4200T5+3600T6+
3200T7+3000T8+3700T9+3300T10<=20000 VARIABLE VALUE REDUCED COST
T1+T2+T3<=2 T1 1.000000 -322.000000
T4+T5+T6+T7<=2 T2 1.000000 -290.000000
T8+T9+T10<=2 T3 0.000000 -336.000000
END T4 0.000000 -326.799988
INT T1 T5 0.000000 -344.399994
INT T2 T6 1.000000 -331.200012
INT T3 T7 1.000000 -307.200012
INT T4 T8 1.000000 -297.000000
INT T5 T9 1.000000 -329.299988
INT T6 T10 0.000000 -310.200012
INT T7
INT T8
INT T9
INT T10
Parte b
Un inversionista dispone de $ 20000, los cuales desea destinarlos a Identificación de las variables
la compra de paquetes de acciones, quien dispone de 10 Ti=Tipo de acción i {Ti=0 No compra Ti=1 Compra}
alternativas. La inversión por paquete, la rentabilidad de cada Ri= Rubro i {Ri=0 No se invierte Ri=1 Se invierte}
paquete de acciones y el rubro al que pertenecen las compañías
que ofrecen las acciones se presentan en la siguiente tabla: Identificación de la función objetivo
Rubro Construcción Minería Agricultura MAX (0,092)3500T1+(0,10)2900T2+(0,084)4000T3+
Paquete de acciones A B C D E F G H I J
Inversión por paquete ($) 3500 2900 4000 3800 4200 3600 3200 3000 3700 3300
(0,086)3800T4+(0,082)4200T5+(0,092)3600T6+
Rentabilidad (% respecto
9.2 10.0 8.4 8.6 8.2 9.2 9.6 9.9 8.9 9.4
(0,096)3200T7+(0,099)3000T8+(0,089)3700T9+
a la inversión)
(0,094)3300T10
Escenario 1: El inversionista solamente puede adquirir un paquete por cada
tipo de acción, y por recomendación de un experto en finanzas a lo más Identificación de las restricciones
debe adquirir 2 paquetes de acciones en total por cada rubro. 3500T1+2900T2+4000T3+3800T4+4200T5+3600T6+320
a) Formule el modelo de programación lineal binaria que permita determinar 0T7+3000T8+3700T9+3300T10<=20000
qué paquetes de acciones se deben adquirir para obtener la máxima R1+R2+R3<=2
rentabilidad. 3R1-T1-T2-T3>=0
b)Elabore un reporte administrativo con los resultados obtenidos .
4R2-T4-T5-T6-T7>=0
Escenario 2: El inversionista ya no tiene restricciones sobre el número de
paquetes totales adquiridos por cada rubro, en lugar ahora su decisión tiene 3R3-T8-T9-T10>=0
que ser que a lo más puede invertir en 2 rubros distintos. Ti, Ri >=0, BINARIO
c) Formule el modelo de programación lineal binaria con las modificaciones
que sean necesarias para resolver el presente escenario.
d) Elabore un reporte administrativo con los resultados obtenidos.
Parte b
MAX 322T1+290T2+336T3+326.8T4+344.4T5+331.2T6+ OBJECTIVE FUNCTION VALUE
307.2T7+297T8+329.3T9+310.2T10
ST 1) 1660.400
3500T1+2900T2+4000T3+3800T4+4200T5+3600T6+320
0T7+3000T8+3700T9+3300T10<=20000 VARIABLE VALUE REDUCED COST
R1+R2+R3<=2 T1 1.000000 -322.000000
3R1-T1-T2-T3>=0 T2 0.000000 -290.000000
4R2-T4-T5-T6-T7>=0 T3 1.000000 -336.000000
3R3-T8-T9-T10>=0 T4 1.000000 -326.799988
END T5 1.000000 -344.399994
INT T1 T6 1.000000 -331.200012
INT T2 T7 0.000000 -307.200012
INT T3 T8 0.000000 -297.000000
INT T4 INT T5 T9 0.000000 -329.299988
INT T6 INT T7 T10 0.000000 -310.200012
INT T8 INT T9 R1 1.000000 0.000000
INT T10 INT R1 R2 1.000000 0.000000
INT R2 INT R3 R3 0.000000 0.000000
Problema 5
Formular el modelo lineal que permita a la empresa determinar

qué proyectos deben realizarse, a fin de maximizar la utilidad.
SOLUCIÓN
MAX 9X1+12X2+18X3+20X4+25X5
ST
2X1+3X2+2X3+1X4+3X5>=7
2X1+5X2+2X3+4X4+2X5>=5
3X1+1X2+3X3+4X4+3X5<=8
END
INT X1
INT X2
INT X3
INT X4
Tipo de Unidades del Unidades del Unidades del INT X5
proyecto Recurso 1 Recurso 2 Recurso 3
1 2 2 3 1) 57.00000
2 3 5 1 VARIABLE VALUE REDUCED COST
X1 0.000000 -9.000000
3 2 2 3 X2 1.000000 -12.000000
4 1 4 4 X3 0.000000 -18.000000
X4 1.000000 -20.000000
5 3 2 3
X5 1.000000 -25.000000
Problema 6
Localización de fábricas
El servicio de estudios de una compañía pretende construir Identificación de las variables
nuevas fábricas en las ciudades A y B. Desea, además, Xi= 1 si se construye la fabrica o almacén i
construir a lo sumo un nuevo almacén, pero éste debe hacerse 0 en otro caso
en una de las ciudades donde se construya una fábrica. La tabla X1= Fábrica A, X2= Fábrica B,
proporciona el valor actual neto, el coste de la inversión , ambos X3= Almacén A, X4= Almacén B.
en cientos de millones de soles. Y el impacto ambiental, en una Identificación de la Función objetivo
escala subjetiva de 0 a 9, de cada una de las construcciones . El MAX 9X1+5X2+6X3+4X4
presupuesto de la inversión es de 10 millones de soles. Identificación de las restricciones
Construcción de a lo sumo un almacén
Construcción Valor Coste de Impacto
X3+X4 <= 1
actual neto inversión ambiental
Límite presupuestario de inversión
Fábrica A 9 6 3
6X1+3X2+5X3+2X4 <= 10
Fábrica B 5 3 7 Sólo se puede construir un almacén A o B si se
Almacén en A 6 5 2 construye una fábrica en A o B
Almacén en B 4 2 1 X3<=X1
X4<=X2
Se pide formular y resolver un programa 0-1 que Xi>=0, BINARIO
proporciones la inversión de máximo valor actual neto.
Problema 5
MAX 9X1+5X2+6X3+4X4
ST
X3+X4<=1 1) 14.00000
6X1+3X2+5X3+2X4<=10
X3-X1<=0 VARIABLE VALUE REDUCED COST
X4-X2<=0 X1 1.000000 -9.000000
END X2 1.000000 -5.000000
INT X1 X3 0.000000 -6.000000
INT X2 X4 0.000000 -4.000000
INT X3
INT X4
Problema Propuesto
Un almacenero debe elegir entre 7 objetos para su trasporte, utilizando
para ello determinado tipo de caja. La valoración (en puntos), el peso
(en kilogramos) y el volumen (en centímetros cúbicos) de cada objeto,
se indican en la siguiente tabla:
El almacenero estima que los objetos 5 y 6 son incompatibles sí.
Además, el objeto 7 solo se puede seleccionar si previamente se ha
seleccionado el objeto 1.
a) Formular un modelo lineal 0-1, que permita al almacenero conocer
los objetos que debe introducir en la caja, teniendo en cuenta que
el peso total no debe exceder de 12 kilogramos, a fin de maximizar
la valoración de los objetos elegidos.
b) En el caso de existir otra limitación de volumen de 30 centímetros
cúbicos, formular el nuevo programa lineal 0-1.
Objeto Valoración Peso Volumen
1 60 2 9
2 70 1 7
3 90 1 8
4 100 4 10
5 40 3 2
6 50 2 4
7 60 4 3
propio destino

18
Docente:
Semestre: 2022-1
Semana 15
PROGRAMACIÓN
POR METAS
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
Contenido
1 Definición de Programación lineal por metas
2 Programación por metas con ponderaciones
3 Programación por metas con prioridades
4 Aplicaciones
¿Por qué no solamente utilizar
programación lineal?
En todos los problemas de P. L. existe un solo

objetivo:
El ganador del premio novel de Economía, maximizar las ganancias o
Herbert A. Simón, afirma que posiblemente los minimizar los costos.
gerentes modernos no sean capaces de Sin embargo, se puede tener objetivos
optimizar, sino en cambio quizá tengan que
“satisfacer” o “acercarse tanto como sea múltiples, es decir, dos o mas metas.
posible” al logro de sus metas. Es el caso con
modelos tales la programación por metas.
¿Qué sucedería si un negocio tuviese
varios objetivos?
Con frecuencia, la maximización
de utilidad total es tan solo una
de varias metas…
Maximizar la participación en Ofrecer una administración

el mercado ecológica de calidad
Minimizar el nivel de ruido en el Minimizar el uso de recursos Satisfacer otras necesidades

vecindario. no económicas.
Cuáles son las Desventajas de un modelo
de P. L.?
Su función objetivo se No es posible que tenga múltiples

mide solamente en una metas , a menos que todas estén
dimensión medidas en las mismas unidades.
Sea Xi=variables de decisión del problema, (i= 1,2,..n)

Min COSTOS $
FO: Max (ó Min) Z = c1x1 + c2X2 + ….. + cnXn
Sujeto a : Min TIEMPOS Hr.
a11X1 + a12X2 + a13X3 + …… + a1nXn ≤ b1 Max INGRESOS $
a21X1 + a22X2 + a23X3 + …… + a2nXn ≥ b2 Max PRODUCCIÓN Kg.
…. ……….. ……… …………. .. ………. = ..
am1X1 + am2X2 + am3X3 + … + amnXn ≤ bm
Xi >=0 ¡MISMA UNIDAD!
Modelos de programación por metas
¿Metas?
¿Prioridad?
Modelos de programación por metas
Planificado
Logrado
• No es posible alcanzar todas las metas
La programación por metas intenta
alcanzar un NIVEL SATISFACTORIO de
múltiples objetivos.
Esta foto de Autor desconocido está bajo licencia CC BY
PROGRAMACIÓN LINEAL POR METAS
¿Cómo resolver un ejercicio de

Programación Lineal con más de
un objetivo?
Definición
• Todas las metas se
incluyen en una sola
Programación función objetivo y
lineal puede que no sea
factible incluir todas las
metas.
Todas las metas que no

Programación puedan reducirse a una
lineal por metas sola dimensión son
incluidos.
Definición
Programación lineal por metas es una

nueva versión de la programación lineal
para modelos con objetivos múltiples.
Permite formular una función objetivo

que “llega tan cerca como sea posible” a
la satisfacción de las metas especificadas.
¿Cuando utilizar PL por METAS?
1. Cuando se desea optimizar más de un

objetivo, que son contrapuestos.
2. Cuando el problema de programación

lineal es infactible y hay que flexibilizarlo.
3. Cuando se desea establecer prioridades

a ciertos objetivos o restricciones.
Modelo matemático
1 VARIABLES
RESTRICCIONES Variables de decisión y
Identifique las metas 2 variables de desviación.
Restricciones metas (blandas) 3

Restricciones duras 4
FUNCIÓN OBJETIVO
Siempre es MINIMIZAR las 5
desviaciones.
14
Características
Busca un nivel Permite que las

satisfactorio de metas conflictivas
las metas. sean especificadas.
Programación
por metas
Las metas se El modelo se puede
satisfacen en resolver usando
secuencia ordinal. cualquier método.
Maneja problemas
de decisión con
más de una meta.
Definiciones básicas
Multiobjetivo: • Múltiples objetivos.
Meta: • Objetivo numérico establecido para un fin.
• Desviaciones por debajo (D) y

Variables desviacionales:
• Desviaciones por encima(E) del lado derecho.
Prioridades: • Importancia subjetiva ordinal para clasificar las

metas.
Penalización: • Valor relativo que se usa para representar

insatisfacción en el logro de las metas.
Solución eficiente: • Es aquella que puede ser no óptima respecto a

todos los objetivos conflictivos del problema.
METODOLOGIA
LA PROGRAMACIÓN LINEAL POR

LA PROGRAMACIÓN LINEAL
METAS
1. Identifique las variables de 1. Identifique las variables de
decisión decisión y variables de desviación
2. Identifique las metas gerenciales

en orden de prioridad
2. Identifique la función objetivo
3. Identifique las restricciones
META
3. Identifique las restricciones 4. Identifique las restricciones
DURA DURA
5. Identifique la función objetivo

VARIABLES
Ejemplo 1:
• Indican cuánto producir,
vender, comprar; cuántas Se desea obtener por lo menos una
personas contratar, qué
Variables de utilidad de $200 000
turno u horario, qué tarea
decisión: asignar a una persona,
cuánto almacenar, cuánto Solución:
trasladar. Xij, Yjk, X, Y, Wi
META
V. de Desviación
$200 000
por Debajo • D1, D2, D3……Dn $180 000 $230 000
(Defecto): (Utilidad)
V. de Desviación No D1 E1
• E1, E2, E3,……En
por Encina deseada
Por DEBAJO Por ENCIMA
(Exceso):
de la meta de la meta
VARIABLES
Ejemplo 2: Ejemplo 3:
Atender a lo más 1000 clientes Usar 500 horas hombre. No holguras

ni excesos
Solución: Solución:
META META
1000 500
700 (Clientes atendidos) 1100 400 (horas hombre) 600
D1 E1 No No D1 E1 No
deseada deseada deseada
Por DEBAJO Por ENCIMA Por DEBAJO Por ENCIMA
de la meta de la meta de la meta de la meta
RESTRICCIONES
• Son restricciones propias del

modelo, que no son metas, Ejemplo:
Restricciones
o no admiten “flexibilidad”
Duras: pues sí o sí se cumplen. !Restricciones dura
Pueden ser: ≤, ≥ , = 25X1+50X2<=80000
• Son siempre ecuaciones

y representan el deseo Ejemplo:
de alcanzar los valores !Restricciones meta1
Restricciones meta establecidos para
cada objetivo. 0.5X1+0.25X2+D1-E1=700
Blandas o
META: • Restricción1 +D1 – E1 = !Restricciones meta2
Valor meta objetivo1 3X1+5X2+D2-E2=9000
• Restricción2 +D2 – E2 =
Valor meta objetivo2
FUNCIÓN OBJETIVO
Ejemplos:
• Contiene las Minimizar E1+D2
Siempre será
variables de
de Minimizar D1+D2+D3
desviación
minimización
“No deseadas” Minimizar P1(D1),P2(E2),P3(D3+E3)
P1 = Prioridad 1
P2 = Prioridad 2
P3 = Prioridad 3
FUNCIÓN OBJETIVO
La función siempre es de minimizar MIN
Si se desea tener un logro por encima, se

minimiza la variable de desviación por MIN D1
Debajo Di
META
Si se desea tener un logro por debajo, se

minimiza la variable de desviación por MIN E1 D1 E1
encima Ei Por DEBAJO Por ENCIMA
Si se desea alcanzar exactamente el nivel de
aspiración se minimizan ambas variables de MIN (D1+E1)
desviación.
RESTRICCIONES
RESTRICCIONES META
D1 = Desviación por debajo (Defecto)
E1 = Desviación por Encima (Exceso)
Defina dos variables
desviacionales no negativas por
cada restricción meta.
META
Determine el nivel de aspiración

D1 700 E1
0,5X1+0,25X2 +D1-E1 =700
Por DEBAJO Por ENCIMA
Conecte el atributo con el nivel
de aspiración introduciendo las
variables de desviación.
Modelo General
Minimizar Z = P1 (D 1+ E1) + P2 (D2 + E2) +...+ Pn (Dn+ En)

Sujeto a las restricciones:
a11X1 + a12X2 +…. + an1Xn (≤, = o ≥) b1
Restricciones DURAS
an1X1 + an2X2 + …. + annXn (≤, = o ≥) bn
a21X1 + a22X2 + D1 - E1 = M1
Restricciones BLANDAS o META
an1X1 + an2X2 + Di - Ei = Mn
Xj , Di , Ei ≥0 Restricción de no negatividad
Donde:
Xj= variables de decisión o nivel de la actividad j (j = 1, 2,…, n)
Pi = pesos de ponderación asignados a las metas
Di Ei = Variables de desviación por Debajo y por Encima de la meta
Z = valor de la función objetivo.
b1 bn = Recurso disponible para asignar a las actividades
aij = Cantidad de recurso i consumido por cada unidad de la actividad j
Aspectos a considerar:
Las variables de desviación son mayores o iguales a cero, al

1 menos una de las dos variables tendrá que ser cero.
Las dos variables de desviación tomarán el valor cero cuando

2 la meta alcance exactamente su nivel.
Se asigna la prioridad P1 al objetivo más importante, P2 a

3 una prioridad más baja.
No existe límite en el número de niveles de prioridad, cada

4 variable de desviación debe tener su prioridad.
La resolución del modelo de programación por meta es casi

5 idéntico al método simplex de programación lineal.
PROBLEMA 1
Un inversor está dispuesto a invertir un capital de $ 80 000 en seleccionar una cartera de

inversiones en base a dos tipos de acciones (US OIL y HUB properties). El inversor ha
identificado 2 objetivos para su selección de cartera:
META 1: Asumir un riesgo inferior a un índice de Riesgo de la cartera de 700 puntos.
META 2: Obtener un Rendimiento anual mínimo de $ 9 000.
La Tabla siguiente resume los datos de precio y de rendimiento anual en dólares por
acción y además se detalla el índice de riesgo que posee cada tipo de acción:
Acciones Precio Rendimiento Índice de Riesgo
$/acción Anual $/acción puntos/acción
Us Oil 25 3 0,5
HUB properties 50 5 0,25
a) Elabore y resuelva el modelo, si las metas se deben lograr en ese orden de prioridades.
b) Ahora se consultó al inversor y se obtuvieron los siguientes coeficientes de
penalización: Cada desvío correspondiente a un punto de riesgo superior es penalizado
con un parámetro igual a 30. Cada desvío correspondiente a un dólar de rendimiento
anual menor es penalizado con un coeficiente igual a 25. Elabore y resuelva el modelo, si
las metas ya no tienen un orden de prioridades.
Programación lineal por metas con
prioridades
1. VARIABLES: 4. RESTRICCIONES DURAS:

Xi= Número de acciones del tipo i a invertir en el año Dinero disponible para invertir
Di =Desviaciones por debajo de la meta i
Ei =Desviaciones Por encima de la meta i
25X1+50X2< =80 000
2. METAS: Xi, Dj,Ej >=0

META 1: Asumir un riesgo inferior a un índice de
Riesgo de la cartera de 700 puntos.
META 2: Obtener un Rendimiento anual mínimo de 5. FUNCIÓN OBJETIVO:
$ 9 000.
MIN P1(E1), P2(D2)
3. RESTRICCIONES BLANDAS O META:
Meta 1: Min E1 Asumir un riesgo inferior a 700
0,5X1+0,25X2 +D1-E1 =700 P1=Prioridad 1
Meta 2: Min D2 Obtener un rendimiento anual P2=Prioridad 2
mínimo de $ 9 000
3X1+5X2 +D2-E2 =9000
LINGO Parte 1
MIN E1 MIN D2
ST LINDO ST LINDO
!Restricciones meta 1 !Restricciones meta 1
0.5X1+0.25X2 +D1 - E1=700 0.5X1+0.25X2 +D1 – E1=700
!Restricciones dura E1=0
25X1+50X2 <=80000 !Restricciones meta 2
END 3X1+5X2+D2-E2 =9000
!Restricciones dura
25X1+50X2 <=80000
1) 0.0000000E+00
END
E1 0.000000 1.000000
1) 600.0000
X1 0.000000 0.000000 VARIABLE VALUE REDUCED COST
X2 0.000000 0.000000 D2 600.000000 0.000000
D1 700.000000 0.000000 X1 800.000000 0.000000
X2 1200.000000 0.000000
D1 0.000000 1.333333
E1 0.000000 0.000000
E2 0.000000 1.000000
Informe administrativo
META 1: Min E1 Asumir un riesgo inferior a 700

Plan de inversión
META 2: Min D2 Obtener un rendimiento anual mínimo
de $ 9 000
Acciones Cantidad OBJECTIVE FUNCTION VALUE
Us Oil 800 1) 600.0000
HUB Propierties 1200 D2 600.000000 0.000000
X1 800.000000 0.000000
X2 1200.000000 0.000000
D1 0.000000 1.333333
E1 0.000000 0.000000
E2 0.000000 1.000000
Meta ¿Se cumplió? Variable de Descripción

desviación
1 Si D1=0: E1=0 El riesgo es exactamente 700 puntos
2 No D2=600: E2=0 No se alcanza la meta de rendimiento por
$600 que están por debajo
PROBLEMA 2
Un inversor está dispuesto a invertir un capital de $ 80 000 en seleccionar una cartera de

inversiones en base a dos tipos de acciones (US OIL y HUB properties). El inversor ha
identificado 2 objetivos para su selección de cartera:
META 1: Asumir un riesgo inferior a un índice de Riesgo de la cartera de 700 puntos.
META 2: Obtener un Rendimiento anual mínimo de $ 9 000.
La Tabla siguiente resume los datos de precio y de rendimiento anual en dólares por
acción y además se detalla el índice de riesgo que posee cada tipo de acción:
Acciones Precio Rendimiento Índice de Riesgo
$/acción Anual $/acción puntos/acción
Us Oil 25 3 0,5
HUB properties 50 5 0,25
a) Elabore y resuelva el modelo, si las metas se deben lograr en ese orden de prioridades.
b) Ahora se consultó al inversor y se obtuvieron los siguientes coeficientes de
penalización: Cada desvío correspondiente a un punto de riesgo superior es penalizado
con un parámetro igual a 30. Cada desvío correspondiente a un dólar de rendimiento
anual menor es penalizado con un coeficiente igual a 25. Elabore y resuelva el modelo, si
las metas ya no tienen un orden de prioridades.
Programación lineal por metas con
ponderaciones

Xi= Número de acciones del tipo i a invertir en el año i Dinero disponible para invertir
Di =Desviaciones por debajo 25X1+50X2< =80 000
Ei =Desviaciones por encima.
2. METAS: Xi, Dj,Ej >=0
META 1: Asumir un riesgo inferior a un índice de
Riesgo de la cartera de 700 puntos.
META 2: Obtener un Rendimiento anual mínimo de 5. FUNCIÓN OBJETIVO:
$ 9 000. MIN 30E1 + 25D2
3. RESTRICCIONES META:
Meta 1: Min E1 Asumir un riesgo inferior a 700
0,5X1+0,25X2 +D1-E1 =700
Meta 2: Min D2 Obtener un rendimiento anual

mínimo de $ 9 000
3X1+5X2 +D2-E2 =9000
LINGO Parte 1
MIN 30E1+25D2 OBJECTIVE FUNCTION VALUE
ST LINDO 1) 13500.00
!Restricciones meta1 VARIABLE VALUE REDUCED COST
0.5X1+0.25X2+D1-E1=700 E1 450.000000 0.000000
!Restricciones meta2 D2 0.000000 2.500000
3X1+5X2+D2-E2=9000 X1 2000.000000 0.000000
!Restricciones dura X2 600.000000 0.000000
25X1+50X2<=80000 D1 0.000000 30.000000
END E2 0.000000 22.500000
MIN=30*E1+25*D2;
!Restricciones meta1;
0.5*X1+0.25*X2 +D1 – E1=700; LINGO
!Restricciones meta2;
3*X1+5*X2 +D2-E2 =9000;
!Restricciones dura;
25*X1+50*X2 <=80000;
END
Riesgo A B
C D Informe administrativo
Rendimiento
Plan de inversión META 1: Min E1 Asumir un riesgo inferior a 700

META 2: Min D2 Obtener un rendimiento anual mínimo
de $ 9 000
Acciones Cantidad OBJECTIVE FUNCTION VALUE
1) 13500.00
Us Oil 2000 VARIABLE VALUE REDUCED COST
E1 450.000000 0.000000
HUB Propierties 600 D2 0.000000 2.500000
X1 2000.000000 0.000000
X2 600.000000 0.000000
D1 0.000000 30.000000
E2 0.000000 22.500000

desviación
1 No D1=0: E1=450 El riesgo se excede el máximo posible en
450 puntos.
2 Si D2=0: E2=0 Se alcanza exactamente la meta de
rendimiento de $9000 .
PROBLEMA 3
Un fabricante está tratando de decidir sobre la SOLUCIÓN

cantidad a producir de mesas y sillas. Para ello Identificación de los parámetros (datos)
cuenta con 96 unidades de material y 72 horas de
mano de obra semanal. Cada mesa requiere 12 PRODUCTO MATERIAL PRODUCCION MANO DE GANANCIA
unidades de material y 6 horas de mano de obra, por (u/U) (U) OBRA (h/U) ($/U)
su parte, la fabricación de cada silla requiere 8

unidades de material y 12 horas de mano de obra. El Mesas (X₁) 12 2 6 5
margen de contribución a la ganancia es el mismo
para ambos productos y es de 5 dólares por unidad. Sillas (X₂) 8 - 12 5
Además, el fabricante se comprometió a construir al
menos 2 mesas semanales. Ahora suponga que el DISPONIB. 96 72
fabricante se ha establecido las siguientes metas por u/sem h/sem
orden de importancia: desea lograr más de 50 dólares
de ganancia y utilizar completamente las horas de
mano de obra como una meta secundaria. Formule y
resuelva el modelo de programación de metas.
X1 = Unidades a producir de mesas semanalmente. Material disponible para utilizar
X2 = Unidades a producir de sillas semanalmente. 12X1 + 8X2 ≤ 96 Unidades disponibles de material
Di = Desviaciones por debajo X1 ≥ 2 Producción semanal de las mesas
Ei = Desviaciones por encima Xi, Dj,Ej >=0
2. METAS: 5. FUNCIÓN OBJETIVO:
Meta 1:Lograr más de $50 de ganancia. MIN P1 (D₁) + P2 (D₂ + E₂)
Meta 2: Utilizar completamente las horas de m. obra
3. RESTRICCIONES META:
Meta 1: Min D1 Lograr más de $50 de ganancia.
D₁ = cantidad de $ por debajo de la ganancia meta
E₁ = cantidad de $ por encima de la ganancia meta
5X₁ + 5X₂ + D₁ - E₁ = 50 Ganancia
Meta 2: Min D2+E2 Utilizar completamente la M. O.
D₂ = número de horas ociosas de mano de obra
E₂ = número de horas extras de mano de obra
6 X₁ + 12X₂ + D₂ - E₂ = 72 Horas de mano de obra
LINGO Parte 1
MIN D1 MIN D2+E2

ST ST
!Restricciones meta 1 !Restricciones meta 1
5X1 + 5X2 + D1 – E1 = 50 5X1 + 5X2 + D1 – E1 = 50
!Restricciones dura D1=0
12X1 + 8X2 <= 96 !Restricciones meta 2
X1 >= 2 6 X1 + 12X2 + D2 – E2 = 72
END !Restricciones dura
OBJECTIVE FUNCTION VALUE 12X1 + 8X2<= 96
1) 0.0000000E+00 X1 >= 2
VARIABLE VALUE REDUCED COST END OBJECTIVE FUNCTION VALUE
1) 24.00000
D1 0.000000 1.000000
X1 2.000000 0.000000 D2 0.000000 2.000000
X2 8.000000 0.000000 E2 24.000000 0.000000
E1 0.000000 0.000000 X1 4.000000 0.000000
X2 6.000000 0.000000
D1 0.000000 0.000000
E1 0.000000 4.800000
Meta 1: Min D1 Lograr más de $50 de ganancia.

Meta 2: Min D2+E2 Utilizar completamente las horas de M.O.
Plan de producción 1) 24.00000
D2 0.000000 2.000000
Acciones Cantidad E2 24.000000 0.000000
X1 4.000000 0.000000
Mesas 4 X2 6.000000 0.000000
D1 0.000000 0.000000
Sillas 6 E1 0.000000 4.800000

desviación
1 Si D1=0: E1=0 Se logra exactamente $50 de ganancia.
2 No D2=0: E2=24 Se excedió en 24 horas de mano de hora.
Metacognición
¿Cómo debo hacer uso adecuado de modelos

de Programación lineal por metas?
propio destino

39
Docente:
Semestre: 2021-3
Semana 11
PROBLEMA DE REPASO
2
Recomendaciones
Orientaciones
Contraste
Practique Revise
PROBLEMA 1
Formular el problema de la Planificación de la

producción de una fábrica de papel como un problema • Para la demanda biológica de oxígeno: un
de programación por metas. Supóngase la existencia Meta 1: nivel de aspiración de 300 unidades, pues
desea que sea lo más pequeña posible.
de dos procesos, uno mecánico y otro químico, por los
que se puede obtener la pulpa de celulosa para la • Para el margen bruto: alcanzar un valor lo
producción del papel. Meta 2: más grande posible, ojalá mayor de 400000
u.m.
El modelo multiobjetivo es el siguiente:
F.O. Min X1 + 2X2 (Min. la demanda biológica de O2) • Para el empleo: no desea ni quedarse corto
Meta 3:
ni contratar mano de obra adicional.
Restricciones rígidas iniciales:
1000X1 + 3000X2 ≥ 300000 (Margen Bruto) • El decisor no desea superar sus
X1 + X2 ≤ 400 (Empleo) Meta 4: capacidades de producción proceso 1, lo
que implicaría recurrir a turnos extras.
X1 ≤ 300 (Capacidades de producción)
X2 ≤ 200 (Capacidades de producción) El decisor no desea superar sus capacidades
Meta 5: de producción proceso 2, lo que implicaría
X1, X2 ≥ 0 recurrir a turnos extras.
Definidas las variables de decisión y los atributos/ Se pide:
objetivos relevantes del problema que nos ocupa, el a) Elabore y resuelva el modelo, si las metas se
decisor define las siguientes METAS según prioridad: deben lograr en ese orden de prioridades.
b) Presente el informe administrativo.
PROBLEMA 1
1. VARIABLES: 3. RESTRICCIONES META:
X1 = Unidades de pulpa por el sistema mecánico. Meta 1: Min E1 Lograr a lo más 300 unidades.
X2 = Unidades de pulpa por el sistema químico. X1+2X2 + D1 – E1 = 300 Oxigeno
Di = Desviaciones por debajo. Ei = Desviaciones por Meta 2: Min D2 Alcanzar el margen mayor de 400000
encima 1000X1 + 3000X2 + D2 – E2 = 400000 Margen Bruto
2. METAS: Meta 3: Min D3+E3 Utilizar 400 hs de mano de obra.
Meta 1: : Para la demanda biológica de oxígeno: un nivel de X1 +X2 + D3 – E3 = 400 Empleo
aspiración de 300 unidades, pues desea que sea lo más Meta 4: Min E4 No superar la capacidad de 300
pequeña posible.
X1 + D4 – E4 = 300 Capacidad proceso 1
Meta 2 : Para el margen bruto: alcanzar un valor lo más grande
posible, ojalá mayor de 400000 u.m. Meta 5: Min E5 No superar la capacidad de 200
Meta 3 : Para el empleo: no desea ni quedarse corto ni X2 + D5 – E5 = 200 Capacidad proceso 2
contratar mano de obra adicional. 4. RESTRICCIONES DURAS:
Meta 4 : El decisor no desea superar sus capacidades de
Xi, Dj,Ej >=0
producción proceso 1, lo que implicaría recurrir a turnos
extras.
5. FUNCIÓN OBJETIVO:
Meta 5 : El decisor no desea superar sus capacidades de
producción proceso 2, lo que implicaría recurrir a turnos
MIN = P1 (E1) + P2 (D2)+P3(D3+E3)+P4(E4)+P5(E5)
extras.
LINDO Parte 1
MIN E1
ST LINDO OBJECTIVE FUNCTION VALUE
!Restricciones meta 1
X1+2X2 + D1 – E1 = 300 1) 0.0000000E+00
!Restricciones dura
END E1 0.000000 1.000000
X1 300.000000 0.000000
X2 0.000000 0.000000
D1 0.000000 0.000000
LINDO Parte 2
MIN D2
X1+2X2 + D1 – E1 = 300 1) 0.0000000E+00
E1=0
!Restricciones meta 2 D2 0.000000 1.000000
1000X1 + 3000X2 + D2 – E2 = 400000 X1 0.000000 0.000000
!Restricciones dura X2 133.333328 0.000000
END D1 33.333332 0.000000
E1 0.000000 0.000000
E2 0.000000 0.000000
LINDO Parte 3
MIN D3+E3
X1+2X2 + D1 – E1 = 300 1) 200.0000
E1=0
!Restricciones meta 2 D3 200.000000 0.000000
1000X1 + 3000X2 + D2 – E2 = 400000 E3 0.000000 2.000000
D2=0 X1 100.000000 0.000000
!Restricciones meta 3 X2 100.000000 0.000000
D1 0.000000 2.000000
X1 +X2 + D3 – E3 = 400
E1 0.000000 0.000000
!Restricciones dura D2 0.000000 0.000000
END E2 0.000000 0.001000
LINDO Parte 4
MIN E4
X1+2X2 + D1 – E1 = 300 !Meta 1
E1=0 1) 0.0000000E+00
1000X1 + 3000X2 + D2 – E2 = 400000 !Meta 2
D2=0 E4 0.000000 1.000000
X1 +X2 + D3 – E3 = 400 !Meta 3 X1 100.000000 0.000000
D3=200 X2 100.000000 0.000000
E3=0 D1 0.000000 0.000000
E1 0.000000 0.000000
X1 + D4 – E4 = 300 !Meta 4
D2 0.000000 0.000000
!Restricciones dura E2 0.000000 0.000000
END D3 200.000000 0.000000
E3 0.000000 0.000000
D4 200.000000 0.000000
LINDO Parte 5
MIN E5 OBJECTIVE FUNCTION VALUE

ST LINDO
1) 0.0000000E+00
X1+2X2 + D1 – E1 = 300 !Meta 1
E1=0 VARIABLE VALUE REDUCED COST
1000X1 + 3000X2 + D2 – E2 = 400000 !Meta 2 E5 0.000000 1.000000
D2=0 X1 100.000000 0.000000
X1 +X2 + D3 – E3 = 400 !Meta 3 X2 100.000000 0.000000
D1 0.000000 0.000000
D3=200
E1 0.000000 0.000000
E3=0 D2 0.000000 0.000000
X1 + D4 – E4 = 300 !Meta 4 E2 0.000000 0.000000
E4=0 D3 200.000000 0.000000
X2 + D5 – E5 = 200 !Meta 5 E3 0.000000 0.000000
D4 200.000000 0.000000
!Restricciones dura
E4 0.000000 0.000000
END D5 100.000000 0.000000
Plan de producción METAS:

Meta 1: Min E1 Lograr a lo más 300 unidades. (O2)
Meta 2: Min D2 Alcanzar mayor de 400000. (M.B.)
Acciones Cantidad Meta 3: Min D3+E3 Utilizar 400 hs de mano de obra.
Sistema mecánico 100 Meta 4: Min E4 No superar la capacidad de 300
Meta 5: Min E5 No superar la capacidad de 200
Sistema químico 100
desviación
1 Si D1=0: E1=0 Se logra exactamente 300 unidades.
2 Si D2=0: E2=0 Se alcanza exactamente 400000.
3 No D3=200: E3=0 Se utiliza menos 200 horas de M.O:
4 Si D4=200: E4=0 No se supera la capacidad de 300
5 Si D5=100: E5=0 No se supera la capacidad de 200
P.L.M PONDERACIÓN
MIN E1+D2+D3+E3+E4+E5
X1+2X2 + D1 – E1 = 300 !Meta 1 1) 133.3333
1000X1 + 3000X2 + D2 – E2 = 400000 !Meta 2 VARIABLE VALUE REDUCED COST
X1 +X2 + D3 – E3 = 400 !Meta 3 E1 66.666664 0.000000
D2 0.000000 0.999667
X1 + D4 – E4 = 300 !Meta 4 D3 66.666664 0.000000
X2 + D5 – E5 = 200 !Meta 5 E3 0.000000 2.000000
END E5 0.000000 1.000000
X1 300.000000 0.000000
X2 33.333332 0.000000
D1 0.000000 1.000000
E2 0.000000 0.000333
D4 0.000000 0.333333
D5 166.666672 0.000000

Sistema químico 33.33
desviación
1 No D1=0: E1=66,67 Se excedió 66,67 unidades.
3 No D3=66,67: E3=0 Se utiliza menos 66,67 horas de M.O:
4 Si D4=0: E4=0 Se utiliza la máxima capacidad de 300
5 No D5=166,7: E5=0 Se utiliza menos 167,7 de la capacidad de
200
P.L.M PONDERACION
MIN 5E1+4D2+3D3+3E3+2E4+2E5
ST LINDO 1) 533.3333
X1+2X2 + D1 – E1 = 300 !Meta 1 VARIABLE VALUE REDUCED COST
1000X1 + 3000X2 + D2 – E2 = 400000 !Meta 2 E1 66.666664 0.000000
X1 +X2 + D3 – E3 = 400 !Meta 3 D2 0.000000 3.997667
X1 + D4 – E4 = 300 !Meta 4 D3 66.666664 0.000000
E3 0.000000 6.000000
X2 + D5 – E5 = 200 !Meta 5 E4 0.000000 1.666667
END X1 300.000000 0.000000
X2 33.333332 0.000000
D1 0.000000 5.000000
E2 0.000000 0.002333
D4 0.000000 0.333333
D5 166.666672 0.000000

Sistema químico 33.33
desviación
1 No D1=0: E1=66,67 Se excedió 66,67 unidades.
3 No D3=66,67: E3=0 Se utiliza menos 66,67 horas de M.O:
4 Si D4=0: E4=0 Se utiliza la máxima capacidad de 300
5 Si D5=166,7: E5=0 Se utiliza menos 167,7 de la capacidad de
200
Problema 2
Una empresa produce semanalmente dos tipos de • No utilizar más de 120 horas de
productos A y B. sabemos que para fabricar el producto Meta 1: trabajo en la fabricación de los
productos A y B.
A se necesitan 4 horas y para el producto B, 3 horas.
• La empresa quiere obtener un
Además sabemos que se obtiene 100 euros y 150 euros Meta 2:
beneficio de al menos 7000 euros.
respectivamente como beneficio del producto A y B. • Fabricar al menos 40 productos
Meta 3:
Para la producción de estos productos se necesita de del tipo A.
cierto material, el cual se debe comprar como mínimo 50 • Fabricar al menos 40 productos
Meta 4:
litros por semana. En concreto, para producir A se del tipo B.
necesita 2 litros y para producir B 1 litro del material
anteriormente mencionado. Además la empresa tiene SOLUCIÓN
problemas con los tiempos disponibles para el uso de la
maquinaria y por ello en una semana solo se pueden Tipo de Tiempo (Hr.) Beneficio Material
fabricar 75 productos. producto
Además dicha empresa desea satisfacer las siguientes A 4 100 2
metas:
B 3 150 1
>=50
Problema 2
X1 = Cantidad de Producto A que se produce semanalmente.
Meta 1: Min E1 No utilizar más de 120 horas.
X2 = Cantidad de Producto B que se produce semanalmente
4X1+3X2 + D1 – E1 = 120 Horas
Di = Desviaciones por debajo. Ei = Desviaciones por encima
Meta 2: Min D2 Obtener al menos 7000.
2. METAS: 100X1 + 150X2 + D2 – E2 = 7000 Beneficio
Meta 1: No utilizar más de 120 horas de trabajo en la Meta 3: Min D3 Al menos 40 productos del tipo A.
fabricación de los productos A y B. X1 + D3 – E3 = 40 Producción
Meta 2: La empresa quiere obtener un beneficio de al Meta 4: Min D4 Al menos 40 productos del tipo B.
menos 7000 euros. X2 + D4 – E4 = 40 Capacidad
Meta 3: Fabricar al menos 40 productos del tipo A.
Meta 4: Fabricar al menos 40 productos del tipo B. 5. FUNCIÓN OBJETIVO:
MIN = P1 (E1) + P2 (D2)+P3(D3)+P4(D4)
4. RESTRICCIONES DURAS:
2X1+X2>=50
X1+X2<=75
Xi, Dj,Ej >=0
https://www.youtube.com/watch?v=0jXUyYamkHQ Problema 2
MIN E1 3. RESTRICCIONES META:

ST Meta 1: Min E1 No utilizar más de 120 horas.
4X1+3X2 + D1 – E1 = 120 4X1+3X2 + D1 – E1 = 120 Horas
META 1 2X1+X2>=50 Meta 2: Min D2 Obtener al menos 7000.
X1+X2<=75 100X1 + 150X2 + D2 – E2 = 7000 Beneficio
END Meta 3: Min D3 Al menos 40 productos del tipo A.
X1 + D3 – E3 = 40 Producción
Meta 4: Min D4 Al menos 40 productos del tipo B.
MIN D2 X2 + D4 – E4 = 40 Capacidad
ST
4X1+3X2 + D1 – E1 = 120 OBJECTIVE FUNCTION VALUE OBJECTIVE FUNCTION VALUE
META 2 E1=0 1) 0.0000000E+00 1) 2500.000
100X1 + 150X2 + D2 – E2 = 7000 VARIABLE VALUE EDUCED COST VARIABLE VALUE REDUCED COST
E1 0.000000 1.000000 D2 2500.000000 0.000000
2X1+X2>=50 X1 25.000000 0.000000 X1 15.000000 0.000000
X1+X2<=75 X2 0.000000 0.000000 X2 20.000000 0.000000
D1 20.000000 0.000000 D1 0.000000 100.000000
END E1 0.000000 0.000000
E2 0.000000 1.000000
MIN D2 3. RESTRICCIONES META:

ST Meta 1: Min E1 No utilizar más de 120 horas.
4X1+3X2 + D1 – E1 = 120 4X1+3X2 + D1 – E1 = 120 Horas
META 2 E1=0 Meta 2: Min D2 Obtener al menos 7000.
100X1 + 150X2 + D2 – E2 = 7000 100X1 + 150X2 + D2 – E2 = 7000 Beneficio
2X1+X2>=50 Meta 3: Min D3 Al menos 40 productos del tipo A.
X1+X2<=75 X1 + D3 – E3 = 40 Producción
END Meta 4: Min D4 Al menos 40 productos del tipo B.
X2 + D4 – E4 = 40 Capacidad
MIN D3
ST OBJECTIVE FUNCTION VALUE OBJECTIVE FUNCTION VALUE
4X1+3X2 + D1 – E1 = 120 1) 2500.000 1) 25.00000
META 3 VARIABLE VALUE REDUCED COSTVARIABLE VALUE REDUCED COST
E1=0
D2 2500.000000 0.000000 D3 25.000000 0.000000
100X1 + 150X2 + D2 – E2 = 7000 X1 15.000000 0.000000 X1 15.000000 0.000000
D2=2500 X2 20.000000 0.000000 X2 20.000000 0.000000
X1 + D3 – E3 = 40 D1 0.000000 100.000000 D1 0.000000 0.500000
E1 0.000000 0.000000 E1 0.000000 0.000000
2X1+X2>=50 E2 0.000000 1.000000 D2 2500.000000 0.000000
X1+X2<=75 E2 0.000000 0.010000
END E3 0.000000 1.000000
ST
4X1+3X2 + D1 – E1 = 120
E1=0 4X1+3X2 + D1 – E1 = 120 Horas
META 3 100X1 + 150X2 + D2 – E2 = 7000 Meta 2: Min D2 Obtener al menos 7000.
D2=2500 100X1 + 150X2 + D2 – E2 = 7000 Beneficio
X1 + D3 – E3 = 40
2X1+X2>=50
Meta 3: Min D3 Al menos 40 productos del tipo A.
X1+X2<=75 X1 + D3 – E3 = 40 Producción
END Meta 4: Min D4 Al menos 40 productos del tipo B.
MIN D4 X2 + D4 – E4 = 40 Capacidad
ST 1) 20.00000
4X1+3X2 + D1 – E1 = 120 OBJECTIVE FUNCTION VALUE
1) 25.00000 VARIABLE VALUE REDUCED COST
E1=0 D4 20.000000 0.000000
META 4 100X1 + 150X2 + D2 – E2 = 7000
X1 15.000000 0.000000
D3 25.000000 0.000000
D2=2500 X1 15.000000 0.000000 X2 20.000000 0.000000
X1 + D3 – E3 = 40 X2 20.000000 0.000000 D1 0.000000 1.000000
E1 0.000000 0.000000
D3=25 D1 0.000000 0.500000
E1 0.000000 0.000000 D2 2500.000000 0.000000
X2 + D4 – E4 = 40 E2 0.000000 0.000000
2X1+X2>=50 D2 2500.000000 0.000000
E2 0.000000 0.010000 D3 25.000000 0.000000
X1+X2<=75 E3 0.000000 0.000000
E3 0.000000 1.000000
END E4 0.000000 1.000000
EXAMEN FINAL
Plan de producción 3. RESTRICCIONES META:

4X1+3X2 + D1 – E1 = 120 Horas
Acciones Cantidad Meta 2: Min D2 Obtener al menos 7000.
Cantidad de A 15 100X1 + 150X2 + D2 – E2 = 7000 Beneficio
Cantidad de B 20 X1 + D3 – E3 = 40 Producción
desviación
1 Si D1=0: E1=0 Se logró utilizar exactamente 120 horas.
2 No D2=2500: E2=0 Se obtuvo 2500 menos de 7000.
3 No D3=25: E3=0 Se obtuvo 25 menos de 40 productos A.
4 No D4=20: E4=0 Se obtuvo 20 menos de 40 productos B.
Problema 2
X1 = Cantidad de Producto A que se produce semanalmente.
X2 = Cantidad de Producto B que se produce semanalmente
4X1+3X2 + D1 – E1 = 120 Horas
Di = Desviaciones por debajo. Ei = Desviaciones por encima
Meta 2: Min D2 Obtener al menos 7000.
2. METAS: 100X1 + 150X2 + D2 – E2 = 7000 Beneficio
Meta 1: No utilizar más de 120 horas de trabajo en la Meta 3: Min D3 Al menos 40 productos del tipo A.
fabricación de los productos A y B. X1 + D3 – E3 = 40 Producción
Meta 2: La empresa quiere obtener un beneficio de al Meta 4: Min D4 Al menos 40 productos del tipo B.
menos 7000 euros. X2 + D4 – E4 = 40 Capacidad
Meta 3: Fabricar al menos 40 productos del tipo A. 1) 64.00000
MIN E1+D2+D3+D4
Meta 4: Fabricar al menos 40 productos del tipo B. ST
X1 2.000000 1.000000
4X1+3X2 + D1 – E1 = 120 X2 46.000000 2.000000
E1 26.000000 0.000000
100X1 + 150X2 + D2 – E2 = 7000
4. RESTRICCIONES DURAS: D2 0.000000 1.000000
X1 + D3 – E3 = 40 D3 38.000000 0.000000
2X1+X2>=50 X2 + D4 – E4 = 40 D4 0.000000 1.000000
X1+X2<=75 2X1+X2>=50 D1 0.000000 1.000000
E2 100.000000 0.000000
Xi, Dj,Ej >=0 X1+X2<=75 E3 0.000000 1.000000
END E4 6.000000 0.000000

4X1+3X2 + D1 – E1 = 120 Horas
Acciones Cantidad Meta 2: Min D2 Obtener al menos 7000.
Cantidad de A 2 100X1 + 150X2 + D2 – E2 = 7000 Beneficio
Cantidad de B 46 X1 + D3 – E3 = 40 Producción
desviación
1 No D1=0: E1=26 Se utilizó 26 horas más.
2 Si D2=0: E2=100 Se obtuvo 100 u.m. más de 7000.
3 No D3=38: E3=0 Se obtuvo 38 menos de 40 productos A.
4 Si D4=0: E4=6 Se obtuvo 6 mas de 40 productos B.
PETROPERÚ puede comprar dos tipos de petróleo: crudo • Que el costo total que sea lo más pequeña posible. Y
Meta 1:
ligero a un costo de $114 por barril, y: crudo pesado a un no supere los 80000 dolares
costo de $94 por barril. Cada barril de petróleo crudo, ya Meta 2:

• Que la producción de gasolina sea exactamente 1260
barriles ya que no hay otros clientes.
refinado, produce tres productos: gasolina, turbosina y • Que la producción de turbosina sea mas de 1000
queroseno. La siguiente tabla indica las cantidades en Meta 3: barriles ya que los aviones extranjeros
incrementando su compra de este combustible.
barriles de gasolina, turbosina y queroseno producidos por
• La producción de queroseno sea a lo más de 500
barril de cada tipo de petróleo crudo: Meta 4:
barriles.
TIPOS DE PETRÓLEO PRODUCTOS
Gasolina Turbosina Queroseno
Crudo ligero 0,45 0,18 0,30
Crudo pesado 0,35 0,36 0,20
Demanda en barriles 1260 900 300
La refinería se ha comprometido a entregar 1260

barriles de gasolina, 900 barriles de turbosina y 300
barriles de queroseno. Se quiere determinar la cantidad
de cada tipo de petróleo crudo por comprar para
minimizar el costo total. Definidas las variables de
decisión y los atributos u objetivos relevantes del
problema que nos ocupa, el decisor define las siguientes
METAS según prioridad:
Problema 2
X1 = Número de barriles de crudo ligero a comprar. Meta 1: Min E1 El costo total no supere los 80000 dólares
X2 = Número de barriles de crudo pesado a comprar. .114X1+94X2 + D1 – E1 = 80000 Dólares
Di = Desviaciones por debajo. Ei = Desviaciones por encima Meta 2: Min D2+E2 La producción de gasolina sea exactamente1260
2. METAS: 0,45X1 + 0,35X2 + D2 – E2 = 1260 Gasolina
Meta 1: Que el costo total que sea lo más pequeña posible. Y no Meta 3: Min D3 La producción de turbosina sea mas de 1000 barriles
supere los 80000 dólares 0,18X1 + 0,36X2 + D3 – E3 = 1000 Turbosina
Meta 2: Que la producción de gasolina sea exactamente 1260 Meta 4: Min E4 La producción de queroseno sea a lo más de 500
barriles ya que no hay otros clientes. barriles. 0,3X1 + 0,2X2 + D4 – E4 = 500 Queroseno
Meta 3: Que la producción de turbosina sea mas de 1000 barriles
ya que los aviones extranjeros están incrementando su compra de 4. RESTRICCIONES DURAS:
este combustible. Xi, Dj, Ej >=0
Meta 4: La producción de queroseno sea a lo más de 500 barriles.
5. FUNCIÓN OBJETIVO:
MIN = P1 (E1) + P2 (D2+E2)+P3(D3)+P4(D4)
MIN E1 3. RESTRICCIONES META:

ST Meta 1: Min E1 El costo total no supere los 80000 dólares
114X1+94X2 + D1 – E1 = 80000 .114X1+94X2 + D1 – E1 = 80000 Dólares
Meta 2: Min D2+E2 La producción de gasolina sea exactamente1260
META 1 END
0,45X1 + 0,35X2 + D2 – E2 = 1260 Gasolina
Meta 3: Min D3 La producción de turbosina sea mas de 1000 barriles
0,18X1 + 0,36X2 + D3 – E3 = 1000 Turbosina
Meta 4: Min E4 La producción de queroseno sea a lo más de 500
barriles. 0,3X1 + 0,2X2 + D4 – E4 = 500 Queroseno
MIN D2+E2
ST
114X1+94X2 + D1 – E1 = 80000 OBJECTIVE FUNCTION VALUE OBJECTIVE FUNCTION VALUE
META 2 E1=0 1) 0.0000000E+00 1) 944.2105
VARIABLE VALUE EDUCED COST VARIABLE VALUE REDUCED COST
0,45X1 + 0,35X2 + D2 – E2 = 1260 D2 944.210510 0.000000
E1 0.000000 1.000000
END X1 25.000000 0.000000 E2 0.000000 2.000000
X2 0.000000 0.000000 X1 701.754395 0.000000
D1 20.000000 0.000000 X2 0.000000 0.021053
D1 0.000000 0.003947
E1 0.000000 0.000000

ST Meta 1: Min E1 El costo total no supere los 80000 dólares
114X1+94X2 + D1 – E1 = 80000 .114X1+94X2 + D1 – E1 = 80000 Dólares
Meta 2: Min D2+E2 La producción de gasolina sea exactamente1260
META 3 E1=0
0,45X1 + 0,35X2 + D2 – E2 = 1260 0,45X1 + 0,35X2 + D2 – E2 = 1260 Gasolina
D2= 944.210510 Meta 3: Min D3 La producción de turbosina sea mas de 1000 barriles
E2=0 0,18X1 + 0,36X2 + D3 – E3 = 1000 Turbosina
0,18X1 + 0,36X2 + D3 – E3 = 1000 Meta 4: Min E4 La producción de queroseno sea a lo más de 500
END barriles. 0,3X1 + 0,2X2 + D4 – E4 = 500 Queroseno
MIN E4
ST
114X1+94X2 + D1 – E1 = 80000
META 4
E1=0
0,45X1 + 0,35X2 + D2 – E2 = 1260
D2= 944.210510 NO HAY SOLUCIÓN EN LA META 3. NO HAY SOLUCIÓN EN LA META 4.
E2=0
0,18X1 + 0,36X2 + D3 – E3 = 1000
0,3X1 + 0,2X2 + D4 – E4 = 500
END

Meta 1: Min E1 El costo total no supere los 80000 dólares
.114X1+94X2 + D1 – E1 = 80000 Dólares
Acciones Cantidad Meta 2: Min D2+E2 La producción de gasolina sea exactamente1260
0,45X1 + 0,35X2 + D2 – E2 = 1260 Gasolina
Cantidad de X1 701 Meta 3: Min D3 La producción de turbosina sea mas de 1000 barriles
Cantidad de X2 0 0,18X1 + 0,36X2 + D3 – E3 = 1000 Turbosina
Meta 4: Min E4 La producción de queroseno sea a lo más de 500
barriles. 0,3X1 + 0,2X2 + D4 – E4 = 500 Queroseno

desviación
1 si D1=0: E1=0 El costo salió 80000.
2 No D2=944: E2=100 Se obtuvo 944 menos de 1260.
3 No No hay solución
4 No No hay solución
Problema 3
Hay dos presas que suministran agua a tres

ciudades. Cada presa puede suministrar hasta
50 millones de galones de agua por día. Cada
ciudad quisiera recibir 40 millones de galones
de agua al día. Por cada millón de galones de
demanda diaria no cumplida, hay una multa.
En la ciudad 1, la multa es de 20 dólares; en la
ciudad 2, la multa es de 22 dólares y en la Solución
ciudad 3, la multa es de 23 dólares. En la
tabla 4 se muestran los costos para enviar 1
millón de galones de agua desde cada presa
hacia la ciudad. Formule un problema de
transporte balanceado que se pueda usar para
minimizar la suma de los costos de escases y
de transporte.
Problema 3
MIN 7X11+8X12+10X13+ 9X21+7X22+ 8X23+

I. Identificación de la las variables
20X31+22X32+23X33
Xij= millones de galones de agua que se envía de
st
la presa i a la ciudad j
X11+X12+X13=50
II. Identificación de la función objetivo
X21+X22+X23=50
MIN 7X11+8X12+10X13+9X21+7X22+ 8X23+
X31+X32+X33=20
20X31+22X32+23X33
X11+X21+X31=40
III. Identificación de las restricciones 1) 1170.000
X12+X22+X32=40
X11+X12+X13=50
X13+X23+X33=40
X31+X32+X33=20 X11 20.000000 0.000000
X11+X21+X31=40 X12 30.000000 0.000000
X12+X22+X32=40 X13 0.000000 1.000000
X13+X23+X33=40 X21 0.000000 3.000000
X22 10.000000 0.000000
Xij>=0
X23 40.000000 0.000000
X31 20.000000 0.000000
X32 0.000000 1.000000
X33 0.000000 1.000000
Problema 1
UNIVERSAL TEXTIL fabrica tiendas de campaña TIPO Material (m) Producción(min) Ganancia
grande y pequeña. Las tiendas grandes Grande 10 15 90
requieren 10 metros cuadrados de material, 15 Pequeña 6 7,5 70
minutos en la máquina de coser y aportar a la Disponibil. 15000 25000
compañía una ganancia de $ 90. Las tiendas
Identificación de las Variables
pequeñas utilizan 6 metros cuadrados de
material, 7,5 minutos en la máquina de coser y L= Número de tiendas de campaña Grande
producen una ganancia de $ 70. En el presente S= Número de tiendas de campaña Pequeño
trimestre hay 15000 metros cuadrados de
Identificación de la Función Objetivo:
material y 25000 minutos de tiempo de máquina
disponibles. Dado que el número de tiendas MAX 90L+70S
grandes debe ser de al menos la mitad de la Identificación de las restricciones:
cantidad de tiendas pequeñas. Se pide:
a) Desarrollar el modelo matemático para 10L + 6S ≤15000
determinar cuántas tiendas grandes y cuántas 15L + 7,5S ≤25000
pequeñas se deben fabricar. 2L - S ≥0
b) Resolver el modelo usando el Método Gráfico.
L, S ≥0 , ENTERAS
Problema 1
MAX 90L+70S Graficando las restricciones Hallando la Solución La S.O

ST 10L +6S =15000 esta en la intersección de 1
S 10L + 6S <=15000 Si L=0→S=2500 y3
Si S=0→E=1500 10L + 6S =15000
15L + 7,5S <=25000
5000 2L - S = 0
2L - S >= 0 15L + 7,5S=25000
10L + 6S =15000
L, S ≥0 , entera Si L=0→S=3333,33
4000 12L - 6S =0
Si S=0→L=1666,67
22L =15000
3000 2L - S >= 0 L=682
Si L=0→S=0 S=1364
Si S=2000→L=1000 La solución óptima es:
2000
Graficando la F.O. L=682 S=1364
1000 90L+70S = 6300 El valor de la F.O. es:
Si L=0→S=900 Z=156860
Si S=0→L=700
1000 2000 3000 4000 5000 L1) 945000.0 1) 156790.0
L 682.000000 -90.000000
VARIABLE VALUE REDUCED COST S 1363.000000 -70.000000
L 1500.000000 0.000000
Problema 4
LITUO debe producir al menos 600 de tornillos pequeños y 400 En cada libra hay aproximadamente 60 tornillos pequeños y
de tornillos grandes para satisfacer la demanda de las 40 tornillos grandes. Usando las variables:
siguientes 4 semanas. Estos tornillos pueden producirse en dos S1 =N° de tornillos pequeños por producir en la máquina 1
máquinas distintas, cada una de las cuales está disponible 40 S2 =N° de tornillos pequeños por producir en la máquina 2
horas a la semana. Los requerimientos de costos y tiempo para L1 =N° de tornillos grandes por producir en la máquina 1
producir cada tamaño de tornillo en cada máquina y el precio L2 =N° de tornillos grandes por producir en la máquina 2
de venta de cada tamaño de tornillo se muestra en la siguiente Se pide:
tabla: A) El modelo para maximizar la ganancia y satisfacer la
demanda con la disponibilidad limitada de tiempo de
Tornillos Tornillos
máquina en las siguientes 4 semanas.
pequeños grandes
B) Resolver el modelo
Precio de venta ($/unidad) 27.50 32.50 C) Realizar el análisis de sensibilidad del lado derecho de las
Costo en la máquina 1 ($/unidad) 6.25 7.75 restricciones de demanda
Costo en la máquina 2($/unidad) 8.00 9.25
Tiempo en la máquina 1(min. /Lb.) 1.50 1.75
Tiempo en la máquina 2(min. /Lb.) 1.00 1.25
Problema 4
SOLUCIÓN OBJECTIVE FUNCTION VALUE
MAX 21,25S1 + 19,50S2 + 24,75L1 + 23,25L2 1) 1934528.

Condicionado por:
S1 + S2≥600 S1 37712.000000 -21.250000
S2 57603.000000 -19.500000
L1 + L2 ≥400 L1 393.000000 -24.750000
L2 7.000000 -23.250000
0,0041667S1 + 0,007290L1 ≤160
0,002777S2 + 0,005208L2 ≤160
S1,S2,L1,L2 ≥0, entero
Problema 5
CI fabrica contenedores de muchos tamaños y formas. Adecuar una máquina para que cambie el tamaño de
Recientemente ha recibido pedidos para producir diversas un contenedor toma largo tiempo, así que la gerencia
cantidades de contenedores de cocinas de cinco ha decidido que cada máquina producirá
diferentes tamaños. Cada tamaño de contenedor puede contenedores de un solo tamaño. Por tanto, sólo se
producirse en cualquiera de cuatro máquinas. Debido a producirán cuatro de los cinco tamaños en las cuatro
las distintas tecnologías y tiempo de disposición máquinas disponibles dentro de la fecha límite
necesarias para procesar cada tamaño de contenedor en designado. Como los ingresos por cada tamaño de
cada máquina varía como se muestra en la tabla. contenedor son aproximadamente iguales, a la
gerencia le es indiferente en cuanto a cuál de los
cinco pedidos no satisfacer.
Como gerente del departamento de producción, se le
hace el pedido de determinar cuáles cuatro de los
cinco pedidos aceptar y desarrollar un plan de
producción que minimice el tiempo de procesamiento
total para satisfacer esos pedidos. Use el Método
Húngaro.
Problema 5
M1 M2 M3 M4
25 20 28 30 25 20 28 30 0 1 0 3 7 0 1 0 3 7 2 1 0 3 7 3
24 22 25 23 24 22 25 23 0 0 2 0 0 0 0 2 0 0 2 0 2 0 0 3
30 30 28 25 30 30 28 25 0 6 10 3 2 0 4 8 1 0 0 4 8 1 0 1
38 32 30 30 38 32 30 30 0 14 12 5 7 0 12 10 3 5 0 11 9 2 4 0
40 40 28 30 40 40 28 30 0 16 20 3 7 0 14 18 1 5 0 13 17 0 4 0
24 20 25 23 0 Paso 2a Paso 3
Al Trabajador 1 Se le asigna la tarea 2 El TIEMPO es 20
COSTO TOTAL 97
Problema 6
Un fabricante elabora un producto en tres plantas y lo Identificación de las variables
distribuye a través de cuatro almacenes de servicio al Xij = Cantidad de producto de la planta i, que se van a
mercado. Formule y resuelva el modelo matemático. distribuir en el almacenj
MAX 1X11 +1.1X12 +1X13 +0,6X14
+1X21 +1.1X22 +1X23 +0,6X24
+1X31 +1.1X32 +1X33 +0,6X34
-0.40X11-0.40X12 -0.40X13 -0.40X14
-0.35X11-0.35X12 -0.35X13 -0.35X14
-0.45X11-0.45X12 -0.45X13 -0.45X14
-0.20X11-0.20X12 -0.30X13 -0.30X14
-0.20X21-0.10X22 -0.35X23 -0.40X24
-0.40X11-0.30X12 -0.20X13 -0.20X14
X11+X12+X13+X14<=40000
SOLUCIÓN X21+X22+X23+X24<=30000
1 2 3 4 X31+X32+X33+X34<=45000
X11+X21+X31>=40000
A X11 X12 X13 X14 X12+X22+X32>=10000
B X21 X22 X23 X24 X13+X23+X33>=20000
C X31 X32 X33 X34 X14+X24+X34>=25000
Xij>=0
Problema 7
Una firma que posee tres fábricas de discos situados

en P, R y Z, tiene que suministrar los tres puntos de
venta-distribución situados en M, B y S. Las cantidades
de producción de las fábricas para los centros de
distribución y los costos de fabricación por unidad son:
Si las demandas estimadas y precios de venta (en soles)

en los tres centros de distribución vienen dados en la
tabla.
Problema 7

Xij = Cantidad de discos a enviar de la fábrica i a los
puntos de distribución j.
MAX 60X11 +53X12 +50X13
+54X21 +52X22 +58X23
+53X31 +47X32 +44X33
X11+X12+X13<=40
X21+X22+X23<=40
X31+X32+X33<=40
X11+X21+X31>=40
X12+X22+X32>=40
X13+X23+X33>=20
Xij>=0
MAX 60X11 +53X12 +50X13 OBJECTIVE FUNCTION VALUE
+54X21 +52X22 +58X23
+53X31 +47X32 +44X33 1) 6600.000
ST
X11+X12+X13<=40 VARIABLE VALUE REDUCED COST
X21+X22+X23<=40 X11 40.000000 0.000000
X31+X32+X33<=40 X12 0.000000 1.000000
X11+X21+X31>=40 X13 0.000000 10.000000
X12+X22+X32>=40 X21 0.000000 4.000000
X13+X23+X33>=20 X22 0.000000 0.000000
X23 40.000000 0.000000
X31 0.000000 0.000000
X32 40.000000 0.000000
X33 0.000000 9.000000
CI fabrica contenedores de muchos tamaños y
formas. Recientemente ha recibido pedidos para
producir diversas cantidades de contenedores de
cocinas de cinco diferentes tamaños. Cada
tamaño de contenedor puede producirse en
cualquiera de cuatro máquinas. Debido a las
distintas tecnologías y tiempo de disposición
necesarias para procesar cada tamaño de
contenedor en cada máquina varía como se
muestra en la tabla.
Adecuar una máquina para que cambie el tamaño de un contenedor toma largo tiempo, así que la
gerencia ha decidido que cada máquina producirá contenedores de un solo tamaño. Por tanto, sólo se
producirán cuatro de los cinco tamaños en las cuatro máquinas disponibles dentro de la fecha límite
designado. Como los ingresos por cada tamaño de contenedor son aproximadamente iguales, a la
gerencia CI le es indiferente en cuanto a cuál de los cinco pedidos no satisfacer.
Como gerente del departamento de producción, se le hace el pedido de determinar cuáles cuatro de los
cinco pedidos aceptar y desarrollar un plan de producción que minimice el tiempo de procesamiento total
para satisfacer esos pedidos.
Solución Problema 5:
La demanda de un motor especial, pequeño, en los próximos 5 períodos es de
200, 150, 300, 250 y 400 unidades. El fabricante que surte los motores tiene
capacidades diferentes de producción que se estiman en 180, 230, 430, 300 y
300 unidades para los cinco períodos. No se pueden surtir los pedidos con
retraso, en caso necesario, el fabricante puede ocupar tiempo extra para cubrir la
demanda. La capacidad por tiempo extra, en cada período, se estima igual a la
mitad de la capacidad de la producción regular. Los costos de producción por
unidad en los cinco períodos son 100, 96, 115, 102 y 105 u.m., respectivamente.
El costo del tiempo extra por motor es 50% mayor que el costo de producción
regular. Si se produce un motor ahora, para usarse en períodos posteriores, se
tendrá un costo adicional de almacenamiento de 4 u.m. por motor y período.
Formule el problema como un modelo de transporte.
propio destino

45

Avancecompilado Final

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Avancecompilado Final

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS

1 Definición de Programación primal y dual

2 Modelos de Programación dual

Resolución del modelo

Dualidad Análisis de sensibilidad

Un problema de programación lineal denominado PRIMAL,

Si el primal es un problema de maximización, entonces P.L. P.L.

La función objetivo del primal es Z y sus variables primales de

Para todo problema de:

Para todo problema de:

MAX Z = 60X1 + 80X2 MIN W = 300Y1 + 400Y2 + 320Y3

6X1 + 6X2 ≤ 300 6Y1 + 5Y2 + 8Y3 ≥ 60

5X1 + 10X2 ≤ 400 6Y1 + 10Y2 + 4Y3≥ 80

8X1 + 4X2 ≤ 320 Y1, Y2, Y3 ≥ 0

Relación 1: El número de variables del problema Dual es igual al número de

Relación 2: Problema Primal VS: Problema dual

MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

Relación 3: Los coeficientes de la función objetivo en el problema dual

MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

Relación 4: Si el primal es de maximización , el dual es de minimización y

MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

Relación 6: El lado derecho de las restricciones del modelo dual corresponden

MAX 150X1 + 60X2 MIN 2400Y1 + 4000Y2

Paso 1: Formamos la función objetivo usando W en lugar de Z y hacemos la

MAX Z = 5X1 + 12X2 + 4X3 + 8X4 MIN W = 20Y1 + 15Y2 + 30Y3

X1, X2, X3, X4 ≥ 0

Paso 2: Formamos las restricciones.

MAX Z = 5X1 + 12X2 + 4X3 + 8X4 MIN W = 20Y1 + 15Y2 + 30Y3

Cuando todas sus variables son positivas y cuyas

1.Identifique las variables correspondientes en el dual

PRIMAL DUAL PRIMAL DUAL

Restricción ≠ Variable Restricción = Variable

srs = sin restricción de signo

Programa Primal En este programa primal hay 3

Programa Primal Programa Dual

Programa Primal Programa Dual

Programa Primal Programa Dual

3 X1 + 4 X2 – 2X3 = 10 Y4 3 Y1 + 1Y2 - 6Y3 - 2Y4 = -2

Programa Primal Programa Dual

Modelos max Modelo min

Minimizar Z = 1000 X1 + 1800 X2 Maximizar W = 3 Y1 + 4 Y2

OBJECTIVE FUNCTION VALUE OBJECTIVE FUNCTION VALUE

MAX = MIN MIN MAX

La solución del primal es: X1 = 6, X2 = 15 y

La solución del primal es: X1 = 6, X2 = 15 y

Donde quiera que usted vea un negocio exitoso,

1 Definición de Método Gráfico.

2 Análisis de sensibilidad del coeficiente de la F.O.

3 Análisis de sensibilidad del Lado derecho

Con el análisis de sensibilidad se obtiene información

• ¿Hasta cuánta materia prima se puede comprar sin tener pérdidas?

3. ¿Cuánto debe ser la La solución óptima será la

PETROPERÚ puede comprar dos tipos de petróleo: crudo

Minimizar 25L + 22H i)Graficando las restricciones

Manteniendo constante el coeficiente de H

Manteniendo constante el coeficiente de L

Valor lado derecho Solución óptima Valor función objetivo

Precio Sombra=Precio dual=pendiente

Valor lado derecho Solución óptima Valor función objetivo

Precio Sombra=Precio dual=pendiente

El precio sombra de la restricción II será: ∆y