COMPILADO

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
OBJECTIVE FUNCTION VALUE OBJECTIVE FUNCTION VALUE

1) 2400.000 1) 2400.000
VARIABLE VALUE REDUCED COST VARIABLE VALUE REDUCED COST
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
VARIABLE VALUE REDUCED COST
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
ST VARIABLE VALUE REDUCED COST
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
Problema de asignación
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.
Trabajador 3 C31 C32 C33
• 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
Identificación de las variables

Identificación de las restricciones
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
Al trabajador 2 se le asigna la tarea 4 6
Tra3 7 14 10 14 Al trabajador 3 se le asigna la tarea 1 7
Tra4 9 8 10 11 Al trabajador 4 se le asigna la tarea 3 10
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
X51+X52+X53+X54+X55=1 X15+X25+X35+X45+X55=1 INT X12 X51 1.000000 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
• Al empleado 4 se le asigna el trabajo 3 → 2
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
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 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
Al Trab. 5 Se le asigna la tarea 2 La habilidad es 20
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

COMPILADO

Cargado por

Información del documento

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

COMPILADO

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

Minimizar 25L + 22H OBJECTIVE FUNCTION VALUE