Escuela Superior de Ingeniería y Arquitectura

“Unidad Zacatenco”
Instituto Politécnico Nacional

Apuntes de clase

Ingeniería de sistemas

Saldaña García José Luis

Profesor: Ing. Luis Medina

Cravioto

6CM8
Conceptos básicos de ingeniería.
Se conoce como ingeniería a la disciplina que se vale de un conjunto de
conocimientos de tipo técnico, científico, práctico y empírico para la invención, el
diseño, el desarrollo, la construcción, el mantenimiento y la optimización de todo
tipo de tecnologías, máquinas, estructuras, sistemas, herramientas, materiales y
procesos.
El objetivo de la ingeniería es ofrecer soluciones a los problemas prácticos de las
personas, tanto a nivel social como económico e industrial. De allí que la ingeniería
sea una disciplina que transforme el conocimiento en algo práctico para beneficio
de la humanidad.
La ingeniería civil es una disciplina de la ingeniería que aplica conocimientos de
distintas áreas, como la física, la
química, la geología, el cálculo, la
mecánica o la hidráulica, entre otras,
para el diseño, la construcción y el
mantenimiento de infraestructuras de
gran tamaño y de uso público como
carreteras, aeropuertos, puentes,
ferrocarriles, presas, puertos,
aeropuertos, entre otras cosas.
El ingeniero se apoya en las ciencias básicas (matemática, física, química, biología,
ciencias económicas y administrativas, ciencias de la ingeniería, ingeniería
aplicada) tanto para el desarrollo de tecnologías, como para el manejo eficiente y
productivo de recursos y fuerzas de la naturaleza en beneficio de la sociedad. La
ingeniería es una actividad que transforma el conocimiento en algo práctico.

Orígenes de la ingeniería.
La historia de la ingeniería se remonta a tiempos muy remotos, desde la invención
de herramientas como la palanca o la rueda, que facilitaban la realización de otros
trabajos mediante principios básicos de mecánica.
Las primeras manifestaciones de ingeniería se dieron en la Edad Antigua con las
grandes construcciones como las pirámides, tanto egipcias, como precolombinas.
Así mismo, están las grandes obras de los griegos y los romanos, quienes llevaron
la ingeniería a otros aspectos de la vida como la milicia.
En la Época Medieval, los avances en cuanto a la ingeniería civil dieron paso a la
arquitectura gótica en Europa, mientras que en Asia se realizaron avances
importantes las áreas de la metalurgia y la hidrografía.

3
Durante la Edad Moderna, la máquina de vapor inauguró la Revolución Industrial.
Fue entonces cuando la ingeniería comenzó a ser una ciencia formal. Debe tomarse
en cuenta que la ingeniería actual se trata de un conjunto de conocimientos y
técnicas aplicados a la resolución de problemas.
A partir de entonces comenzaron a separarse las áreas de especialización como lo
eran la ingeniería militar, mecánica, civil y se agregaron nuevos nombres a esa lista.

Naturaleza, tratamientos y géneros de la ingeniería.

La naturaleza de la ingeniería es la de planear y construir todo lo que al hombre le
haga falta, desarrollando soluciones técnicas y tecnológicas a la sociedad tomando
muy en cuenta la responsabilidad que se tiene que tener.
Algunos géneros de la ingeniería son:
 Ingeniería Civil
 Ingeniería Biológica
 Ingeniería Eléctrica
 Ingeniería Medica
 Ingeniería Electrónica
 Ingeniería en Sistemas
 Ingeniería Aeronáutica
 Ingeniería Química
 Ingeniería Agrícola
 Ingeniería de Materiales
 Ingeniería Mecánica

Definiciones y conceptos de sistemas.

Un sistema es "un objeto complejo cuyas partes o componentes se relacionan con
al menos alguno de los demás componentes"; ya sea conceptual o material. Todos
los sistemas tienen composición, estructura y entorno, pero solo los sistemas
materiales tienen mecanismos, y solo algunos sistemas materiales tienen figura.
Si bien cada uno de los elementos de un sistema puede funcionar de manera
independiente, siempre formará parte de una estructura mayor. Del mismo modo,
un sistema puede ser, a su vez, un componente de otro sistema.
La palabra sistema procede del latín systēma, y este del griego σύστημα (systema),
identificado en español como “unión de cosas de manera organizada”. De esta
palabra se derivan otras como antisistema o ecosistema.
De igual forma, existe una corriente de pensamiento filosófico llamada sistemismo,
creada por el epistemólogo argentino Mario Bunge, que propone que todo lo que
existe es un sistema o un componente de un sistema más complejo.

4
El enfoque sistémico.
El enfoque sistémico representa la secuencia lineal de acontecimientos. En el
camino pueden aparecer “ramas”, pero siempre es una secuencia de pasos que
necesitamos realizar.
Un ejemplo muy en general es la secuencia lógica de los procesos de ejecución de
un proyecto: Se formulamos objetivos, encontramos requisitos, organizamos
actividades, adquirimos entregables, y al final tenemos productos y luego vemos
cuáles son los resultados.
El enfoque sistémico tiene como punto principal el concepto del sistema, que es un
conjunto de elementos interrelacionados con un objetivo común.
En proyectos es relativamente fácil formular el objetivo común, que puede ser
formulado en dos niveles: El nivel del producto que aparece al final de cualquier
proyecto y el nivel de resultados que esperamos cuando el producto empieza a
funcionar.
Algo importante es la característica del sistema, sus elementos son
interrelacionados. Cualquier proyecto es un sistema porque podemos desglosarlo
en diferentes subsistemas y, desde el punto de vista técnico y de la gestión, es parte
del sistema de más alto nivel, por lo que también es un subsistema.

Clasificación y estructura de los sistemas.

Los sistemas se clasifican
Según a la forma en que se constituyen pueden ser:
 Sistemas físicos o concretos: compuestos cosas reales como equipos,
maquinaria, objetos. Ejemplo: El hardware.
 Sistemas abstractos: compuestos por conceptos, planes, hipótesis e ideas.
Muchas veces solo existen en el pensamiento de las personas. Ejemplo: el
software.
De acuerdo a su relación con el medio ambiente esto puede ser:
 Abiertos: Sistemas que intercambian materia, energía o información con el
ambiente.
 Cerrados: Sistemas que no intercambian materia, energía o información con
el ambiente.
Dependiendo de su naturaleza puede ser:
 Concretos: Sistema físico o tangible.

5
  Abstractos: Sistemas simbólicos o conceptuales.
Respecto a su origen estos pueden ser:
 Naturales: Sistemas generados por la naturaleza.
 Artificiales: Sistemas que son productos de la actividad humana, son
concebidos y construidos por el hombre.

De acuerdo a sus relaciones pueden ser:

 Simples: Sistemas con pocos elementos.
 Complejos: Sistemas con numerosos elementos y relaciones.
Esta clasificación es respectiva porque depende del número de elementos y relación
considerados. En la práctica y con base en límites psicológicos de la percepción y
comprensión humanas, un sistema con más o menos siete elementos y relaciones
se puede considerar simple.
Un sistema está constituido por partes claramente diferenciables, sus elementos,
relacionadas entre sí de algún modo particular, combinación que constituye su
estructura. Esta estructura es un ordenamiento que se atribuye a los elementos
mediante sus relaciones. Los elementos pueden ser objetos materiales, como
piezas metálicas de un puente, o ideales, como las palabras de una oración. Es
decir, las estructuras son ordenamientos reales o ideales de elementos.

1.1.1 Concepto de ingeniería de sistemas.

La Ingeniería de sistemas es una disciplina de la Ingeniería que se encarga de
desarrollar, mejorar e implementar sistemas informáticos. Fuertemente vinculada
con las matemáticas e informática, esta disciplina crea redes y sistemas al servicio
de la organización que lo demande.
La Ingeniería de sistemas trabaja con el fin de contribuir al desarrollo científico y
tecnológico mediante la investigación continua de nuevas tecnologías y
procedimientos. Gracias a su carácter multidisciplinario, esta carrera abre la puerta
a una gran variedad de empresas u organizaciones, tanto públicas como privadas,
y en especial en aquellas de gran tamaño.
¿A qué se dedica un Ingeniero de sistemas?
Un egresado en Ingeniería de sistemas puede dedicarse a multitud de tareas, entre
ellas:
 Crear, programar, aplicar y mantener sistemas informáticos
 Diseñar y mantener sitios y páginas web

6
  Crear softwares y hardware para una empresa, después de llevar a cabo una
investigación
 Optimizar los datos que manejan esas empresas
 Administrar sistemas de información y redes

1.1.2 Origen de la ingeniería de sistemas.

El origen del término ingeniería de sistemas se remonta a los Bell Telephone
Laboratories en la década de 1940. La necesidad de identificar y manipular las
propiedades de un sistema como un todo, que en proyectos de ingeniería complejos
puede diferir enormemente de la suma de las propiedades de las partes, motivó a
varias industrias, especialmente aquellas que desarrollaban sistemas para el
Ejército de los Estados Unidos, a aplicar la disciplina.2
Cuando ya no era posible confiar en la evolución del diseño para mejorar un sistema
y las herramientas existentes no eran suficientes para satisfacer las crecientes
demandas, se empezaron a desarrollar nuevos métodos que abordaban la
complejidad directamente. La evolución continua de la ingeniería de sistemas
comprende el desarrollo y la identificación de nuevos métodos y técnicas de
modelado. Estos métodos ayudan a una mejor comprensión y al control del diseño
y desarrollo de los sistemas de ingeniería a medida que se vuelven más complejos.
En estos tiempos se desarrollaron herramientas populares que a menudo se usan
en el contexto de la ingeniería de sistemas, incluidas USL, UML, QFD e IDEF0.

1.2 Teoría general de sistemas.

La teoría de sistemas o teoría general de los sistemas es el estudio interdisciplinario
de los sistemas en general. Su propósito es estudiar los principios aplicables a los
sistemas en cualquier nivel en todos los campos de la investigación.
En 1950 Ludwig von Bertalanffy planteó la teoría general de sistemas propiamente
dicha. Posteriormente, en la década de los setenta, Humberto Maturana desarrolló
el concepto de autopoiesis, el que da cuenta de la organización de los sistemas
vivos como redes cerradas de autoproducción de los componentes que las
constituyen. W. Ross Ashby y Norbert Wiener desarrollaron la teoría matemática de
la comunicación y control de sistemas a través de la regulación de la
retroalimentación (cibernética), que se encuentra estrechamente relacionada con la
teoría de control. En la misma década, René Thom y E.C. Zeeman plantearon la
teoría de las catástrofes, rama de las matemáticas de acuerdo con bifurcaciones en

7
sistemas dinámicos que clasifica los fenómenos caracterizados por súbitos
desplazamientos en su conducta.
La TGS surge en el siglo XX como un nuevo esfuerzo en la búsqueda de conceptos
y leyes válidos para la descripción e interpretación de toda clase de sistemas reales
o físicos.

1.3.2 Ciclo básico de un sistema.

Entrada: Las entradas son los ingresos del sistema que pueden ser recursos
materiales, recursos humanos o información.
Las entradas constituyen la fuerza de arranque que suministra al sistema sus
necesidades operativas.
Las entradas pueden ser:
 En serie: es el resultado o la salida de un sistema anterior con el cual el
sistema en estudio está relacionado en forma directa.
 Aleatoria: Es decir, al azar, donde el término “azar” se utiliza en el sentido
estadístico las entradas aleatorias representan entradas potenciales para un
sistema.
 Retroacción: es la re introducción de una parte de las salidas de sistema en
sí mismo.
Procesos: Es lo que transforma una entrada en una salida, como tal puede ser una
máquina, un individuo, una computadora un producto químico, entre otros.
Las Salidas: Las salidas de los sistemas son los resultados que obtienen de los
procesos, al igual que las entradas estas pueden adoptar la forma de productos,
servicios e información.
La Retroalimentación: Es la que se produce cuando las salidas del sistema o la
influencia de las salidas del sistema en el contexto, vuelven a ingresar al sistema
como recurso o información.
La retroalimentación permite el control de un sistema y que el mismo tome medidas
de corrección en base a la información retroalimentada.

1.3.3 La moderna teoría general de los sistemas.

Los supuestos básicos de la teoría general de sistemas son:

8
Existe una nítida tendencia hacia la integración en las diversas ciencias naturales y
sociales.
Esta integración parece orientarse hacia una teoría de los sistemas.
Dicha teoría de los sistemas puede ser una manera más amplia de estudiar los
campos no físicos del conocimiento científico, en especial las ciencias sociales.
Esa teoría de sistemas, al desarrollar principios unificadores que atraviesan
verticalmente los universos particulares de las diversas ciencias involucradas, nos
aproximan al objeto de la unidad de la ciencia.
Esto pude llevarnos a una integración en la administración científica.
La teoría general de los sistemas afirma que las propiedades de los sistemas no
pueden describirse significativamente en términos de sus elementos separados. La
comprensión de los sistemas solo ocurre cuando se estudian globalmente,
involucrando todas las interdependencias de sus partes.
El concepto sistema paso a dominar las ciencias y, en especial, la administración.
Si se habla de astronomía, se piensa en el sistema solar. La sociología habla de
sistema social, y así sucesivamente. En la actualidad el enfoque sistemático es tan
común en administración que no se nos ocurre pensar que estamos utilizándolo en
todo momento.

1.3.4 Aspectos interdisciplinarios de un sistema: económicos,

administrativos, sociales, técnicos y tecnológicos.
Un campo interdisciplinario es un campo de estudio que cruza los límites
tradicionales entre varias disciplinas académicas. El carácter interdisciplinario de la
Ingeniería de Sistemas puede ser visualizado a través de tres aspectos:
 La peculiaridad de su enfoque, esto es, del enfoque de sistemas.
 El éxito alcanzado por la Ingeniería de Sistemas en el análisis y solución de
problemas tradicionalmente tratados por otras disciplinas.
 La variedad de técnicas e instrumentos que utiliza.
Un sistema económico es un conjunto estructurado de interrelaciones que
determinan la forma en la que se organiza la actividad económica de una sociedad,
la producción de bienes y servicios y su distribución entre sus miembros.
Un sistema administrativo es un software de gestión con el cual, todas las empresas
deben contar para tener un mayor control de sus recursos, sistemas y operaciones,
pero a pesar de esto las empresas y negocios deben saber que existen múltiples
opciones de sistemas administrativos y sus alcances son diferentes para cada uno.

9
El sistema social puede definirse como una pluralidad de individuos que interactúan
entre sí de acuerdo con normas y significados culturales compartidos. El término es
un principio clave en la teoría de sistemas, que maneja el campo de la sociología.
Sistema técnico es aquel dispositivo, compuesto de entidades físicas y de agentes
humanos, cuya función es transformar algún tipo de objeto para obtener
determinados resultados característicos del sistema, siempre y cuando sea
beneficioso.
Los sistemas tecnológicos son técnicas u objetos orientados a la facilitación o
disminución del trabajo humano. Cuando hablemos de un sistema tecnológico, nos
estaremos refiriendo a un conjunto de componentes y variables que
contextualizarán la acción técnica humana.
1.3.5 Aplicar el concepto de ingeniería de sistemas en un proyecto de
ingeniería civil.
Ingeniería de Sistemas es la aplicación de las ciencias matemáticas y físicas para
desarrollar sistemas que utilicen económicamente los materiales y fuerzas de la
naturaleza para el beneficio de la humanidad.
La ingeniería civil abarca diversos tipos de proyectos, cada uno de los cuales
requiere amplios conocimientos de física y matemáticas, asimismo, la capacidad de
solucionar dificultades de forma creativa. La lista de tipos se encuentra en constante
crecimiento e incluso algunas de presentan subcategorías dentro de ellos.
Los expertos en construcción de obras civiles están involucrados en el diseño,
análisis y mantenimiento de diversas estructuras, por ejemplo, puentes y edificios,
diseñadas para ajustarse a diversos requisitos, como los de presupuesto, a los
factores de carga y capacidad de resistencia de varias fuentes. Tienen que
considerar las condiciones que soportarán las estructuras, incluidas las cargas de
personas y vehículos, y las ambientales, por ejemplo, el viento.

1.3.6 Casos de aplicación de la ingeniería de sistemas.

Los ingenieros en sistema desempeñan un papel muy importante dentro de las
organizaciones. Estos profesionales son los encargados de monitorear el
rendimiento de los sistemas y evaluar las etapas de las operaciones para garantizar
que los problemas informáticos se resuelvan. Un ingeniero en sistemas, puede
desempeñarse en diversos campos de aplicación y en múltiples disciplinas,
dependiendo de donde se especialice.
A continuación, los campos en los que un ingeniero en sistemas puede
desempeñarse:
Construcción de Software

10
Los ingenieros que deseen desempeñarse en este campo de acción, deberán
aplicar la práctica de su conocimiento sobre el diseño y la construcción de
programas informáticos.
Infraestructura tecnológica
Este es un campo de aplicación en donde los Ingenieros en Sistemas estarán
realizando labores de selección de plataformas hardware y software que integran
un proyecto.
Seguridad informática
El ingeniero que se enfoca en esta área, deberá velar por la protección de la
infraestructura computacional, específicamente en la protección de la información.
Manejo de la información
Un ingeniero en sistemas, se puede desarrollar en cualquier empresa y
desempeñarse manejando de manera adecuada su información.
Multimedia
Uno de los campos de aplicación en los que se puede desarrollar un ingeniero en
sistemas, es la rama de la multimedia.

1.3 La ingeniería de sistemas y la toma de decisiones.

La toma de decisiones, definición de problemas, cuantificación, evaluación,
optimización, suboptimización, jerarquización, control, planeación y reglamentación,
son funciones comunes a todo diseño de sistemas. Por tanto, hemos inventado una
teoría general de diseño de sistemas. Las soluciones a problemas particulares
pueden evolucionar como resultado de una reorientaci6n de pensamiento, donde
se consideran todos los problemas de una clase, pero no en el desarrollo de un
método particular. En la teoría general de sistemas, no existen métodos particulares.
Por tanto, bajo este supuesto iniciamos el tratamiento de la toma de decisiones, una
función común (es decir, general), a todo diseño de sistemas.
El enfoque de sistemas es un pro ceso de toma de decisiones que se usa para
diseñar sistemas. Es por tanto fundamental detenernos en este proceso antes de
embarcarnos en la tarea de diseñar sistemas.
La toma de decisiones es un término reservado, en ocasiones, para la acción de
elegir entre varias alternativas. Lo cual es una interpretación del concepto muy
limitada. La toma de decisiones es un proceso de pensamiento que ocupa toda la
actividad que tiene por fin solucionar problemas.
Todo aspecto que refleja el esfuerzo humano involucra actividades con un propósito
en las que deben resolverse los problemas y tomarse decisiones. La toma de

11
decisiones puede verse como un procedimiento interactivo, un ciclo que incluye
varios círculos sucesivos.

1.4 El enfoque de sistemas.

Es un esquema metodológico que sirve como guía para la solución de problemas,
en especial hacia aquellos que surgen en la dirección o administración de un
sistema, al existir una discrepancia entre lo que se tiene y lo que se desea, su
problemática, sus componentes y su solución.
El enfoque de sistemas son las actividades que determinan un objetivo general y la
justificación de cada uno de los subsistemas, las medidas de actuación y estándares
en términos del objetivo general, el conjunto completo de subsistemas y sus planes
para un problema específico.
El proceso de transformación de un insumo (problemática) en un producto (acciones
planificadas) requiere de la creación de una metodología organizada en tres
grandes subsistemas:
 Formulación del problema
 Identificación y diseño de soluciones
 Control de resultados
Esto indica que los lineamientos básicos de trabajo son:
1. El desarrollo de conceptos y lineamientos para estudiar la realidad como un
sistema (formulación del modelo conceptual).
2. El desarrollo de esquemas metodológicos para orientar el proceso de solución de
problemas en sus distintas fases.
3. El desarrollo de técnicas y modelos para apoyar la toma de decisiones, así como
para obtener y analizar la información requerida.

1.4.1 Comparación entre el enfoque clásico y el enfoque de sistemas.

ENFOQUE CLÁSICO ENFOQUE SISTÉMICO

Todas las cosas Todo fenómeno es

pueden ser parte de un fenómeno
descompuestas y mayor.
Reduccionismo reducidas a sus Expansionismo El desempeño de
elementos un sistema depende de
fundamentales simples, cómo se relaciona con
el todo mayor que lo

12
 que constituyen sus contiene y del cual
unidades indivisibles. forma parte.

Consiste en El fenómeno que se

descomponer el todo, pretende explicar es
tanto como sea posible, visto como parte de un
en partes más simples, sistema mayor, y es
independientes e explicado en términos
indivisibles, que pueden del rol que desempeña
solucionarse o en dicho sistema.
explicarse con más
Pensamiento facilidad; luego, Pensamiento
Analítico estas soluciones o sintético
explicaciones parciales
se integran en una
solución o explicación
del todo, que constituye
la suma resultante de
las soluciones o
explicaciones de las
partes.

Se basa en la relación Explica

causa-efecto. En
fenómeno es la causa
de otro (su efecto),
cuando éste es
necesario y suficiente
para provocarlo. Como
la causa es suficiente
Mecanicismo para lograr el efecto,
sólo ésta se tendrá en
cuenta para explicarlo.
el comportamiento por
aquello que produce o
por aquello que es su
propósito
u objetivo producir.
EMERGENTE
Teleología
SISTÉMICO: El todo es
diferente de cada una
de sus partes. El
sistema presenta
características propias
que pueden estar
ausentes de sus partes
constitutivas.

1.4.2 La ingeniería de sistemas, el medio ambiente y la sociedad.

La ingeniería ha contribuido a generar muchos de esos cambios en la naturaleza,
entre los cuales se encuentran aquellos de gran beneficio para la población, pero

13
también aquellos que se consideran insostenibles desde la perspectiva ambiental y
social.
La insostenibilidad ambiental, entendida como el desbordamiento de los límites
impuestos por la naturaleza, en muchos casos tiene su origen en los patrones de
producción y de consumo en sí mismos. Pero, como sabemos, ni los profesionales
de la ingeniería que participaron en la creación e implementación de tecnologías
que han sido críticas para resolver diversas necesidades humanas, ni los
beneficiarios de las mismas, se imaginaron en su momento que muchas de ellas
pudieran traer consigo las negativas consecuencias que hoy conocemos.
Un ingeniero en sistemas, además de conocer y dominar la tecnología actual, está
capacitado para mejorarla.
De hecho, estos licenciados utilizan los nuevos sistemas, softwares, programas y
aplicaciones para satisfacer las diversas necesidades de la población y, además,
para desarrollar tecnologías que aumenten la calidad de vida de las personas.
Además de colaborar con la tecnología en sí, incentiva el desarrollo de las personas.

1.5.3. Interdisciplinaria de la ingeniería de sistemas

La ingeniería de sistemas es una rama interdisciplinaria de la ingeniería que permite
estudiar y comprender la realidad, con el propósito de implementar u optimizar
sistemas complejos. Puede también verse como la aplicación tecnológica de la
teoría de sistemas a los esfuerzos de la ingeniería, adoptando en todo este trabajo
el paradigma sistémico. La ingeniería de sistemas integra otras disciplinas y grupos
de especialidad en un esfuerzo de equipo, formando un proceso de desarrollo
centrado.
La Ingeniería de Sistemas tiene, como campo de estudio, cualquier sistema
existente. Por ejemplo, la ingeniería de sistemas, puede estudiar el sistema
digestivo o el sistema inmunológico humano, o quizá, el sistema tributario de un país
específico. En este sentido si bien en algunos países se asocia ingeniería de
sistemas como únicamente asociada a los sistemas informáticos, ello es incorrecto,
ya que los sistemas informáticos son una pequeña parte de un enorme abanico de
tipos y clases de sistemas.
La ingeniería de sistemas es la aplicación de las ciencias matemáticas y físicas para
desarrollar sistemas que utilicen económicamente los materiales y fuerzas de la
naturaleza para el beneficio de la humanidad.

1.5 Planificación de los medios y de recursos.

14
La planificación de medios es la disciplina de la publicidad encargada de hacer llegar
los mensajes publicitarios al mayor número de personas del público objetivo. Esto
se hace por medio de la selección de los medios y soportes más adecuados para
cada ocasión y buscando siempre el menor coste posible.
La planificación de medios es la puesta en marcha de diferentes estrategias y
tácticas para difundir un mensaje publicitario a través de los medios de
comunicación que tengamos disponibles con un presupuesto limitado. Estas
estrategias conllevan un conocimiento absoluto del cliente, anunciante, sus
productos, precios, estrategias de marketing y ventas, así como de sus
competidores. Intentando anticiparnos a la competencia siempre a través de los
medios.
La planificación de recursos hace referencia al conjunto de acciones y a la
metodología que utilizan las organizaciones para asignar de manera eficiente los
recursos que tienen para realizar los trabajos, las tareas o los proyectos, y para
planificar las fechas de inicio y finalización, teniendo en cuenta la disponibilidad de
los recursos. En función de la industria, los recursos pueden ser personas (ya sean
empleados o contratistas independientes), equipos y máquinas (esto es frecuente
en los negocios de construcción, fabricación o mantenimiento) o espacios e
instalaciones.

1.6 Análisis de problemas.

Después de identificar y validar el problema central, resulta crucial que, en la
perspectiva de su solución, éste sea entendido correctamente, lo que implica la
identificación y comprensión de sus causas y efectos más relevantes. El análisis de
problemas tiene como propósito fundamental la correcta determinación de las
causas que originan un problema, en el entendimiento de que su conocimiento sirve
como pauta para la determinación de las alternativas de solución. Si bien el análisis
de problemas se efectúa en términos cualitativos, en las etapas avanzadas de
diseño del proyecto puede ser efectuado en forma cuantitativa, dando como
resultado la construcción de la línea de base del proyecto.
Los problemas relacionados a la competitividad de los pequeños productores
pueden tener diversas causas, dependiendo del nivel en el que se haya situado el
problema central. Así, por ejemplo, si el problema central se define como “bajo nivel
de competitividad” las causas se encontrarán probablemente a lo largo de toda la
cadena de valor: deficiente calidad de insumos (abastecimiento), proceso
inadecuado de producción (fabricación u operaciones), insuficiente articulación a
mercados (marketing), débil capacidad de negociación comercial (distribución), etc.
Si, por el contrario, el problema central se ubica en un aspecto específico de la

15
cadena de valor, por ejemplo, la débil capacidad de negociación comercial o el bajo
nivel de productividad, las causas deberán buscarse al interior de las fases de
distribución y producción de la cadena de valor, respectivamente.

1.6.1 La importancia de la información.

La información es un fenómeno que proporciona significado o sentido a las cosas.
En sentido general, la información es un conjunto organizado de datos procesados,
que constituyen un mensaje sobre un determinado ente o fenómeno. Los datos se
perciben, se integran y generan la información necesaria para producir el
conocimiento que es el que finalmente permite tomar decisiones para realizar las
acciones cotidianas que aseguran la existencia.
La información también procesa y genera el conocimiento humano. Cuando
tenemos que resolver un determinado problema o tenemos que tomar una decisión,
empleamos diversas fuentes de información y construimos lo que en general se
denomina conocimiento o información organizada que permite la resolución de
problemas o la toma de decisiones.
La generación y obtención de información cumple estos objetivos:
Aumentar el conocimiento del usuario.
Proporcionar a quien toma decisiones la materia prima fundamental para el
desarrollo de soluciones y la elección.
Proporcionar una serie de reglas de evaluación y reglas de decisión para fines de
control.

1.6.2 Que es un insumo, producto, variables, criterios, limitaciones y

restricciones.
El insumo es todo aquello disponible para el uso y el desarrollo de la vida humana,
desde lo que encontramos en la naturaleza, hasta lo que creamos nosotros mismos,
es decir, la materia prima de una cosa.
Un producto es una opción elegible, viable y repetible que la oferta pone a
disposición de la demanda, para satisfacer una necesidad o atender un deseo a
través de su uso o consumo.El producto es uno de los componentes estructurales
de la mezcla de mercadotecnia.
Una variable es una característica que puede fluctuar y cuya variación es
susceptible a adoptar diferentes valores, los cuales pueden medirse u observarse.
Las variables adquieren valor cuando se relacionan con otras variables, es decir, si
forman parte de una hipótesis o de una teoría.

16
Como criterio se denomina el principio o norma según el cual se puede conocer la
verdad, tomar una determinación, u opinar o juzgar sobre determinado asunto. El
criterio, en este sentido, es aquello que nos permite establecer las pautas o
principios a partir de los cuales podremos distinguir una cosa de la otra.
Limitar refiere a poner límites a algo, mientras que la noción de límite está vinculada
a una línea que separa dos territorios, al extremo a que llega un determinado tiempo,
al extremo que puede alcanzar lo anímico y lo físico o a una restricción
Restricción es una noción con origen etimológico en el latín restrictĭo. Se trata del
proceso y la consecuencia de restringir. Este verbo, por su parte, refiere a limitar,
ajustar, estrechar o circunscribir algo. La restricción, en general, siempre marca un
límite.

1.7 Conceptos y tipos de modelos

Es una representación o abstracción de una situación u objeto real, que muestra las
relaciones (directas o indirectas) y las interrelaciones de la acción y la reacción en
términos de causa y efecto.
Tipos de modelos
• Icónico: Es una representación física de algunos objetos, ya sea en forma
idealizada (bosquejos) o a escala distinta
• Analógicos: Puede representar situaciones dinámicas o cíclicas, son más usuales
y pueden representar las características y propiedades del acontecimiento que se
estudia.
• Simbólicos o Matemáticos: Son representaciones de la realidad en forma de cifras,
símbolos matemáticos y funciones, para representar variables de decisión y
relaciones que nos permiten describir y analizar el comportamiento del sistema.

1.7.1 Clasificación de modelos icónicos, analógicos, simbólicos,

matemáticos (cuantitativos, cualitativos y típicos).
A. Modelo Icónico: Es una representación física de algunos objetos, ya sea en forma
idealizada o en escala distinta. Podemos decir, por ejemplo, que un automóvil de
juguete es un modelo icónico de un automóvil de verdad.
En general estos modelos son especialmente adecuados para la representación de
cosas estáticas o dinámicas en un momento determinado.
B. Modelo analógico: En él se representa un conjunto de propiedades del sistema
estudiado a través de elementos que poseen propiedades similares. Por ejemplo,
en un mapa una línea continua representa una autopista o una línea punteada

17
representa una carretera en construcción. Estos modelos se utilizan con buenos
resultados en la representación de situaciones dinámicas, es decir, en la
representación de procesos.
C. Modelo simbólico o matemático: Es una representación de la realidad a través
de símbolos, los que tienen generalmente un carácter matemático o lógico. Un tipo
de modelo simbólico es una ecuación. Una ecuación es fácil de comprender y de
manejar, prestándose además para procesos computacionales.
Cuantitativos y cualitativos: La mayor parte de los problemas de un negocio u
organización comienzan con un análisis y definición de un modelo cualitativo y se
avanza gradualmente hasta obtener un modelo cuantitativo. La investigación de
operaciones se ocupa de la sistematización de los modelos cualitativos y de su
desarrollo hasta el punto en que pueden cuantificarse. Cuando es posible construir
un modelo matemático insertando símbolos para representar relaciones entre
constantes y variables estamos ante un modelo cuantitativo. Una ecuación es un
modelo de este tipo. Las fórmulas, las matrices, los diagramas o series de valores
que se obtienen mediante procesos matemáticos.

Construcción del modelo.

El objetivo de la construcción del modelo es simular algún fenómeno del mundo real
en el cual el investigador está interesado, con el propósito de crear un modelo que
sea más simple de estudiar que el propio objetivo (target).
Lo que se desea es que las conclusiones obtenidas a partir del modelo sean también
aplicables al target, debido a que ambos son suficientemente similares. Sin
embargo, debido a que nuestras habilidades para modelar son limitadas, el modelo
siempre será más simple que el target.
El modelo se puede representar como una especificación una ecuación matemática,
una proposición lógica o un programa de computadora, pero para aprender algo de
esta especificación, es necesario examinar cómo el comportamiento del modelo se
desarrolla a través del tiempo.

Utilidad de los modelos en ingeniería.

Actualmente la ingeniería de sistemas está cambiando su orientación a un enfoque
orientado a los modelos, que describen el sistema según diferentes puntos de vista
y utilizando notaciones diversas.
Este enfoque conlleva las siguientes ventajas:

18
  Los modelos son un medio de comunicación con los clientes, usuarios y
fabricantes.
 Permiten mantener la integridad del sistema mediante la coordinación de las
actividades de diseño.
 Ayudan a diseñar suministrando plantillas, y organizando y registrando las
decisiones.
 Permiten explorar y manipular los parámetros y características de la solución,
guiando en la agregación y descomposición de las funciones del sistema, sus
componentes y elementos constructivos.

Casos de estudio de sistemas de gran escala.

Estos sistemas se caracterizan por disponer de un gran número de componentes
que trabajan de forma coordinada (la mayoría de forma remota), distribuidos en
muchas ocasiones a lo largo de una amplia superficie y en los cuales los recursos
son limitados. Como objetivo de control de estos sistemas, aparte de garantizar que
cada componente del proceso trabaje adecuadamente según unas condiciones
predefinidas, se hace necesaria una planificación de la estrategia de funcionamiento
para que, en función de los recursos disponibles, se pueda cumplir con unas
determinadas demandas.

2.1 Definiciones.
La optimización de procesos es la disciplina de ajustar un proceso para optimizar
(hacer el mejor uso o el más efectivo) de un conjunto específico de parámetros sin
violar alguna restricción. Los objetivos comunes son minimizar el costo y maximizar
el rendimiento y/o la eficiencia. Esta es una de las principales
herramientas cuantitativas en la toma de decisiones industriales.
Al optimizar un proceso, el objetivo es maximizar una o más de las especificaciones
del proceso, manteniendo todas las demás dentro de sus limitaciones. Esto se
puede hacer usando una herramienta de minería de procesos, descubriendo las
actividades críticas y los cuellos de botella, y actuando solo en ellos.
Áreas
Hay tres parámetros que pueden ajustarse para afectar el rendimiento óptimo:
 Optimización de equipos
El primer paso es verificar que el equipo existente se está utilizando al máximo,
examinando los datos de operación para identificar cuellos de botella en el equipo.
 Procedimientos de operación

19
Los procedimientos operativos pueden variar ampliamente de persona a persona o
de turno a turno. La automatización de la planta puede ayudar significativamente.
Pero la automatización no servirá si los operadores toman el control y ejecutan la
planta en forma manual.
 Control optimización
En una planta de procesamiento típica, como una planta química o una refinería de
petróleo, hay cientos o incluso miles de bucles de control. Cada circuito de control
es responsable de controlar una parte del proceso, como mantener la temperatura,
el nivel o el flujo.

2.1.2 Naturaleza de los procedimientos de

optimización: Casos diversos.
Una de las herramientas más importantes de la optimización es la programación
lineal. Un problema de programación lineal está dado por una función lineal de
varias variables que debe ser optimizada (maximizada o minimizada) cumpliendo
con cierto número de restricciones también lineales.
El matemático G.B. Dantzig desarrolló un algoritmo llamado el método simplex para
resolver problemas de este tipo. El método simplex original ha sido modificado a fin
de obtener un algoritmo eficiente para resolver grandes problemas de
programación lineal por computadora.
Por medio de la programación lineal se pueden formular y resolver problemas de
una gran variedad de campos del quehacer humano, entre los que se puede
mencionar: asignación de recursos en la planificación de gobierno, análisis de redes
para planificación urbana y regional, planificación de la producción en la industria, y
la administración de sistemas de transporte y distribución. Por esto la programación
lineal es uno de los éxitos de la moderna teoría de la optimización.

2.2 Historia de la investigación de operaciones.

Los inicios de lo que hoy se conoce como Investigación de Operaciones se
remontan a los años 1759 cuando el economista Quesnay empieza a utilizar
modelos primitivos de programación matemática. Más tarde, otro economista de
nombre Walras, hace uso, en 1874, de técnicas similares. Los modelos lineales de
la Investigación de Operaciones tienen como precursores a Jordan en 1873,
Minkowsky en 1896 y a Farkas en 1903. Los modelos dinámicos probabilísticos
tienen su origen con Markov a fines del siglo pasado.

20
El desarrollo de los modelos de inventarios, así como el de tiempos y movimientos,
se lleva a cabo por los años veinte de este siglo, mientras que los modelos de línea
de espera se originan con los estudios de Erlang, a principios del siglo XX. Los
problemas de asignación se estudian con métodos matemáticos por los húngaros
Konig y Egervary en la segunda y tercera décadas de este siglo. Los problemas de
distribución se estudian por el ruso Kantorovich en 1939. Von Neuman cimienta en
1937 lo que años más tarde culminara como la Teoría de Juegos y la
Teoría de Preferencias (esta última desarrollada en conjunto con Morgenstern). Hay
que hacer notar que los modelos matemáticos de la Investigación de Operaciones
que utilizaron estos precursores, estaban basados en el Cálculo Diferencial e
Integral (Newton, Lagrange, Laplace, Lebesgue, Leibnitz, Reimman, Stieltjes, por
mencionar algunos), la Probabilidad y la Estadística (Bernoulli, Poisson, Gauss,
Bayes, Gosset, Snedecor, etc.).

2.2.1 Características esenciales de la investigación de operaciones.

La investigación operativa es un método analítico avanzado que permite la
resolución de problemas y la toma de mejores decisiones en las organizaciones.
Los métodos más utilizados incluyen lógica matemática, simulación, análisis de
redes, teoría de colas y teoría de juegos.
Con el uso de la investigación de operaciones es posible que los directivos en las
organizaciones puedan construir sistemas eficaces que se basen en los datos
completos, la consideración de todas las alternativas posibles, predecir
cuidadosamente los resultados y hacer uso de herramientas y técnicas de decisión.
Características de la investigación de operaciones
Entre las principales características de la investigación operativa se encuentran las
siguientes:

 Para investigar los problemas utiliza el método científico de investigación.

 El proceso de investigación inicia con la observación de problemas y
recolección de datos.
 El problema se presenta de forma cuantitativa, sólo de esta forma es posible
su análisis y evaluación.
 El objetivo de este método es solucionar problemas organizacionales.
 Se encarga de encontrar la mejor alternativa para la solución del problema.

21
  Para que este método funcione es necesario realizar el trabajo en equipo, el
cual debe estar formado por expertos.

2.2.2 Descripción de la teoría de conjuntos convexos y su relación con la

programación lineal.
La teoría de conjuntos convexos fue desarrollada principalmente por el famoso
matemático alemán H. Minkowski. El introdujo e investigó los conceptos del
hiperplano soporte de un conjunto convexo y su envolvente afín, la función convexa,
la suma de conjuntos convexos (ahora llamada suma de Minkowski), los espacios
vectoriales de dimensión finita con la bola unitaria convexa (ahora llamados
espacios de Minkowski), los volúmenes mirtos, las propiedades de los funcionales
lineales sobre un conjunto convexo, etc. Esto sucedió en la frontera de los siglos
XIX y XX. Varios matemáticos (especialmente los que trabajaban en Análisis
Clásico) caracterizaron su contribución en la geometría como un juguete
matemático muy bonito y elegante, pero desafortunadamente inútil para las
aplicaciones.
Aproximadamente un siglo ha pasado. Ahora la teoría geométrica de la convexidad
es una de las herramientas importantes de las matemáticas aplicadas modernas.
Los investigadores del análisis funcional, la economía matemática, la optimización,
la teoría de juegos y muchas otras ramas de las matemáticas modernas, teóricas y
aplicadas, usan ampliamente las nociones y los resultados de la teoría de conjuntos
convexos. Ahora es natural que, antes de trabajar con las fórmulas, las integrales,
las desigualdades, etc. Es necesario representar un cuadro geométrico del
problema que se está investigando.

2.2.3 Aproximación progresiva a la programación matemática.

La optimización, también denominada programación matemática, sirve para
encontrar la respuesta que proporciona el mejor resultado, la que logra mayores
ganancias, mayor producción o felicidad o la que logra el menor costo, desperdicio
o malestar.
Para tener significado, esto debería escribirse en una expresión matemática que
contenga una o más variables, cuyos valores deben determinarse. La pregunta que
se formula, en términos generales, es qué valores deberían tener estas variables
para que la expresión matemática tenga el mayor valor numérico posible
(maximización) o el menor valor numérico posible (minimización). A este proceso
general de maximización o minimización se lo denomina optimización.
a) Modelos lineales. El término modelo lineal es usado en diferentes
maneras de acuerdo al contexto. La manera más frecuente es en

22
 conexión con modelos de regresión y el término a menudo se toma
como un sinónimo del modelo de regresión lineal. Sin embargo, el
término es también usado en análisis de series de tiempo con un
significado diferente. En cada caso, la denominación como "lineal" es
usada para identificar una subclase de modelos para los cuales la
reducción en complejidad de la teoría estadística relacionada es
posible.
b) Modelos no lineales. Un modelo de regresión no lineal se puede
definir como un ajuste a cualquier modelo diferente del modelo de una
línea recta.

2.2.4 Los algoritmos para dar solución a los modelos de optimización.

La programación lineal muchas veces es uno de los temas preferidos tanto de
profesores como de alumnos. La capacidad de introducir la PL utilizando un
abordaje gráfico, la facilidad relativa del método de solución, la gran disponibilidad
de paquetes de software de PL y la amplia gama de aplicaciones hacen que la PL
sea accesible incluso para estudiantes con poco conocimiento de matemática.
Además, la PL brinda una excelente oportunidad para presentar la idea del análisis
what-if o análisis de hipótesis ya que se han desarrollado herramientas poderosas
para el análisis de post optimalidad para el modelo de PL.
El Método Simplex es otro algoritmo para resolver problemas de PL. Recuerde que
el método algebraico proporciona todos los vértices incluyendo aquellos que no son
factibles. Por lo tanto, esta no es una manera eficiente de resolver problemas de PL
con numerosas restricciones. El Método Simplex es una modificación del método
algebraico, el cual vence estas deficiencias. Sin embargo, el Método Simplex tiene
sus propias deficiencias. Por ejemplo, este requiere que todas las variables sean
no-negativas (³ 0); Además, todas las demás restricciones deben estar en la forma
£ con un LMD de valores no-negativos.
Así como el Método Algebraico, el método simplex es una solución algorítmica
tabular. Sin embargo, cada tabla (de iteración) en el método simplex corresponde a
un movimiento desde un Conjunto Básico de Variables (CBV) (puntos extremos o
esquinas) a otro, asegurándose que la función objetivo mejore en cada iteración
hasta encontrar la solución óptima.
Las Recetas Numéricas sostienen que el algoritmo Simplex es ‘casi siempre’ O (Max
(N, M)), lo cual significa que el número de iteraciones es factor del número de
variables o restricciones, el que sea más grande.

2.3 La programación lineal.

23
La programación lineal ha demostrado ser una herramienta sumamente poderosa,
tanto en la modelización de problemas de la vida real como en la teoría matemática
de amplia aplicación. Sin embargo, muchos problemas interesantes de optimización
son no lineales. El estudio de estos problemas implica una mezcla diversa de
álgebra lineal, cálculo multivariado, análisis numérico y técnicas de computación.
Entre las áreas especiales importantes se encuentra el diseño de algoritmos de
computación (incluidas las técnicas de puntos interiores para programación lineal),
la geometría y el análisis de conjuntos convexos y funciones, y el estudio de
problemas especialmente estructurados, tales como la programación cuadrática. La
optimización no lineal proporciona información fundamental para el análisis
matemático, y se usa extensamente en las ciencias aplicadas (en campos tales
como el diseño de ingeniería, el análisis de regresión, el control de inventario y en
la exploración geofísica).
El problema de la resolución de un sistema lineal de inecuaciones se remonta, al
menos, a Joseph Fourier, después de quien nace el método de eliminación de
Fourier-Motzkin. La programación lineal se plantea como un modelo matemático
desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los
retornos, a fin de reducir los costos al ejército y aumentar las pérdidas del enemigo.
Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron
en su planificación diaria.

2.3.1 El modelo de programación lineal (Terminología de la programación

lineal).
La programación lineal es el campo de la programación matemática dedicado a
maximizar o minimizar (optimizar) una función lineal, denominada función objetivo,
de tal forma que las variables de dicha función estén sujetas a una serie de
restricciones expresadas mediante un sistema de ecuaciones o inecuaciones
también lineales. El método tradicionalmente usado para resolver problemas de
programación lineal es el Método Simplex.
Los modelos de programación entera son una extensión de los modelos lineales en
los que algunas variables toman valores enteros. Con frecuencia las variables
enteras sólo toman valores en 0-1, ya que este tipo de variables permiten
representar condiciones lógicas.
2.3.2 Estructura básica del problema (explicación del modelo).
En concreto, la programación lineal es un método matemático que permite analizar
y elegir la mejor entre muchas alternativas. En términos generales podemos pensar
en la programación lineal como un medio para determinar la mejor manera de
distribuir una cantidad de recursos limitados en procura de lograr un objetivo
expresable en maximizar o minimizar una determinada cantidad.

24
El modelo general de un problema de programación lineal consta de dos partes muy
importantes: la función objetivo y las restricciones.
La función objetivo lineal
La expresión matemática del objetivo se llama función objetivo y la meta debe ser
maximizar o minimizar esa expresión.
La función objetivo lineal se puede representar de las siguientes maneras:
Z = Cl X1 + C2 X2 +...... + Cn Xn
o utilizando la notación de sumatorias
n
Z = ∑ Cj Xj
j=1
Donde:
Z = Función objetivo lineal.
Cj = Precio neto o costo unitario, según sea el modelo.
Xj = Actividad o proceso.
El objetivo puede ser la maximización de algunas variables de ingreso que pueden
variar desde los ingresos netos o brutos, dependiendo según se estructure el
modelo. La programación lineal puede también aplicarse a los problemas de
minimización de costos y estos programas parten de un diferente conjunto de
criterios para su optimización.
Los coeficientes C1, C2...., Cn son los coeficientes de costo (conocidos) o de
ingresos, según el tipo de problema que estemos resolviendo. Por otra parte, X1,
X2. . . . , Xn son las variables de decisión (variables, o niveles de actividad) que
deben determinarse de tal manera que se alcance el objetivo dentro de las
restricciones que enfrenta el problema.
Un conjunto de restricciones o desigualdades lineales
Las restricciones, expresadas mediante desigualdades lineales, están compuestas
por los coeficientes técnicos (Aij), las actividades o procesos (Xn), las cuales
también se tomaron en cuenta en la función objetivo y además los niveles o
limitaciones (Bi). El conjunto de restricciones se expresa de la siguiente manera:
A11 X1 + A12 X2 + …+ A1n Xn ≤ B1
A21 X1 + A22 X2 +...+ A2m Xn ≥B2
...

25
... Am1 X1 + Am2 X2+…+ Amn Xn = Bm
X1, X2,…,Xn ≥ 0
Según Beneke y Winterboer (1984: 25), hay tres tipos básicos de restricciones: de
“mayor que” (≥), de “menor que” (≤) o de igualdad (=), y estas pueden ser
clasificadas en razón a su naturaleza:
- Restricciones de recursos o entradas: como tales pueden incluirse terreno, capital,
mano de obra e instalaciones.
- Restricciones externas: esta clase incluye conceptos tales como las asignaciones
gubernamentales de superficie de terreno, los límites de crédito asignado a los
productos u obligaciones de tipo legal.
- Restricciones subjetivas: estas restricciones se las impone el propio operador. Los
límites pueden ser difíciles de definir, pero frecuentemente son reales y significativos
en el proceso de planificación. A menudo las restricciones impuestas provienen de
los propios objetivos personales o del negocio del planeador. Entre las limitaciones
de ese tipo pueden citarse las siguientes:
• Limitaciones sobre el nivel de crédito que el planeador está dispuesto a utilizar. En
muchas ocasiones es inferior a la cantidad que los prestamistas están dispuestos a
aportar. La motivación típica para tal tipo de limitaciones es el deseo poco explícito
de evitar los azares de la deuda.
• Restricciones por el riesgo del nivel de las actividades que presentan aspectos
ligados a ingresos altamente variables como pueden ser la cría de ovejas o de
ganado mayor.
• Restricciones de mínimos respecto a que el operador considere deseable por
razones no propiamente de ingresos directos como puede ser el mantener vacas de
raza pura, vacas lecheras o cultivos para mantener las cualidades del terreno.
2.3.3 Planteamiento del modelo sobre una aplicación a la ingeniería civil.
Los modelos de optimización aportan al perfil profesional del Ingeniero Civil las
bases para el desarrollo de las capacidades necesarias que le permitan incidir en
el proceso de la toma de decisiones desde la perspectiva organizacional, con el
propósito de optimizar procesos y recursos inherentes al ámbito de la práctica de
la ingeniería civil.
El diseño de estructuras sujetas a cargas externas demanda una valoración
realista del factor de seguridad con respecto al colapso de la estructura,
denominado multiplicador de colapso. La determinación de este multiplicador es
un requisito básico para un diseño óptimo. El proyecto requiere que el diseñador
establezca un mecanismo de colapso de diseño, requisito que no es posible
cumplir a priori. Ante este requerimiento las metodologías de análisis que permiten

26
determinar el mecanismo de colapso real para un estado de cargas dado cobran
una importancia fundamental.
Este trabajo de investigación se enmarca en el campo del diseño sísmico de
estructuras y está enfocado al desarrollo de un método de análisis e identificación
del mecanismo de colapso de una estructura asociada a un estado de cargas
dado, mediante el estudio y verificación del comportamiento de ésta con técnicas
de programación lineal. En este sentido se implementa un método sencillo como el
Simplex al proceso de búsqueda del mecanismo de colapso de pórticos planos. El
planteo de este problema estructural conduce a la forma estándar de esta
metodología de programación lineal. Se muestra que la obtención del multiplicador
de colapso puede ser totalmente automatizado para pórticos planos. A partir de un
algoritmo de resolución sencilla, y en base a los mecanismos de colapso simples,
se obtiene el mecanismo de colapso de la estructura para el estado de cargas
dado.
El objetivo principal es la verificación y optimización del diseño de una estructura
empleando el mecanismo de colapso real. Esta metodología permite además
asegurar que todas las rótulas se produzcan simultáneamente para el estado de
cargas de diseño.

2.3.4 Método gráfico.

El método Gráfico o método Geométrico permite la resolución de problemas
sencillos de programación lineal de manera intuitiva y visual. Este método se
encuentra limitado a problemas de dos o tres variables de decisión ya que no es
posible ilustrar gráficamente más de 3 dimensiones.
Aunque en la realidad rara vez surgen problemas únicamente con dos o tres
variables de decisión resulta, sin embargo, muy útil esta metodología de
resolución. Al reproducir gráficamente las situaciones posibles como son la
existencia de una solución óptima única, soluciones óptimas alternativas, la no
existencia de solución y la no acotación, constituye una ayuda visual para
interpretar y entender el algoritmo del método Simplex (bastante más sofisticado y
abstracto) y los conceptos que lo rodean.
Las fases del procedimiento de resolución de problemas mediante el método
Gráfico son las siguientes:
1. Dibujar un sistema de coordenadas cartesianas en el que cada variable de
decisión esté representada por un eje.
2. Establecer una escala de medida para cada uno de los ejes adecuada a su
variable asociada.
3. Dibujar en el sistema de coordenadas las restricciones del problema,
incluyendo las de no negatividad (que serán los propios ejes). Notar que

27
 una inecuación define una región que será el semiplano limitado por la línea
recta que se tiene al considerar la restricción como una igualdad, mientras
que si una ecuación define una región que es la propia línea recta.

4. La intersección de todas las regiones determina la región factible o espacio

de soluciones (que es un conjunto convexo). Si esta región es no vacía, se
continuará con el paso siguiente. En caso contrario, no existe ningún punto
que satisfaga simultáneamente todas las restricciones, por lo que el
problema no tendrá solución, denominándose no factible.
5. Determinar los puntos extremos o vértices del polígono o poliedro que
forma la región factible. Estos puntos serán los candidatos para la solución
óptima.
6. Evaluar la función objetivo en todos los vértices y aquél (o aquellos) que
maximicen (o minimicen) el valor resultante determinase la solución óptima
del problema.
Ejemplos
1.- Una empresa produce dos tipos de mesas: un estilo colonial y otro estilo nórdico.
Las
utilidades que se obtienen de su venta son de $2 000 por la colonial y $2 200 por la
nórdica. Para esta semana ya hay un pedido de 10 mesas de tipo nórdico. El gerente
de producción quiere realizar la planeación de su producción semanal sabiendo que
solamente cuenta con 450 horas para la construcción y 200 horas para barnizarlas.
En el siguiente cuadro se indican las horas necesarias para realizar cada una de las
tareas y la utilidad para ambas mesas.

Colonial Nórdico
Construcción 6h 8h
Barnizado 5h 2h
Utilidad Unitaria $2000 $2200

28
Definición de variables de decisión Función Objetivo

x: Cantidad de mesas de tipo colonial a producir Máx. U = 2000𝑥 + 2200𝑦

y: Cantidad de mesas de tipo nórdico a producir
Restricciones

Pedido: 𝑦 ≥ 10 mesas nórdico

Fabricación: 6𝑥 + 8𝑦 ≤ 450 horas

Operaciones
Barnizado: 5𝑥 + 2𝑦 ≤ 200 horas
Fabricación: 6𝑥 + 8𝑦 ≤ 450
𝑥, 𝑦 ≥ 0
Despejando x Despejando y

6𝑥 ≤ 450 – 8𝑦 8𝑦 ≤ 450 – 6𝑥
𝑥 ≤ (450 – 8𝑦) / 6 𝑦 ≤ (450 – 6𝑥) / 8

Sustituyendo cuando: Sustituyendo cuando: Fabricación

𝑦 = 0 𝑥 = 0 x y
0 56.25
𝑥 ≤ (450 – 8(0)) / 6 𝑦 ≤ (450 – 6(0)) / 8
75 0
𝑥 ≤ 75 𝑦 ≤ = 56.25

Barnizado: 5𝑥 + 2𝑦 ≤ 200

Despejando x Despejando y

5𝑥 ≤ 200 – 2𝑦 2𝑦 ≤ 200 – 5𝑥
𝑥 ≤ (200 – 2𝑦) / 5 𝑦 ≤ (200 – 5𝑥) / 2

Sustituyendo cuando: Sustituyendo cuando: Barnizado

𝑦 = 0 𝑥 = 0 x y
0 100
𝑥 ≤ (200 – 2(0)) / 5 𝑦 ≤ (200 – 5(0)) / 2
40 0
𝑥 ≤ 40 𝑦 ≤ = 100

29
Pedido: 𝑦 ≥ 10 mesas nórdico

Fabricación: 6𝑥 + 8𝑦 ≤ 450 horas

Barnizado: 5𝑥 + 2𝑦 ≤ 200 horas

Grafica
60
B=(56.25)
50

40 C=(25,37.5)

30

20

D=(36,10)
10
A=(0,10)
0
0 5 10 15 20 25 30 35 40

Función Objetivo

𝑀á𝑥. 𝑈 = 2000𝑥 + 2200𝑦

𝑀𝑎𝑥 𝑈 = 𝐴 (0,10) = 2 000𝑥 + 2 200𝑦 = 2000(0) + 2200 (10) = 22 000

𝑀á𝑥 𝑈 = 𝐵 (0, 56.25) = 2 000𝑥 + 2 200𝑦 = 2000(0) + 2200(56.25) = 123 750

𝑀á𝑥 𝑈 = 𝐶 (25, 37.5) = 2 000𝑥 + 2 200𝑦 = 2000(25) + 2200(37.5) = 132 500

𝑀á𝑥 𝑈 = 𝐷 (36, 10) = 2 000𝑥 + 2 200𝑦 = 2000(36) + 2200(10) = 94000

Se observa que la solución óptima es producir a la semana 25 mesas coloniales y

37.5 nórdicas, obteniendo la utilidad máxima equivalente $132 500 por semana.

2.- Una empresa ensambladora de productos de comunicación debe programar su

producción semanal. Debido a problemas de liquidez, le interesa minimizar sus
costos semanales, ya que le pagan la producción 20 días después de entregada.
Actualmente está armando dos artículos diferentes, el T14 y el B2; ambos artículos
deben ser armados y probados por personal especializado. La empresa compradora
requiere no menos de 100 aparatos semanales; del modelo B2 debe entregar no

30
menos que la cuarta parte de los que entregue del T14, pero en ningún caso deben
superar en más de 150 al número de equipos T14. En el cuadro 2.4 se indica el
tiempo que requieren los especialistas para armar y probar cada equipo, expresado
en minutos, así como la disponibilidad de tiempo.
Equipos T14 B12 Disponibilidad
Armados 10 min 12 min 55 h
Pruebas 30 min 6 min 100 h
Costos $100 $60

Definición de variables de decisión

T: número de artículos T14 a producir

B: número de artículos B12 a producir

Función Objetivo

Min. Z= 100𝑥1 + 60𝑥2

Restricciones

Pedido: T + B ≥ 100 mínimo de equipos

Mínimo de B2: B ≥ ¼ T mínimo de equipos B2
Máximo de B2: B ≤ T + 150 máximo de equipos B2
Armado:10 T + 12 B ≤ 55 (60) minutos
Pruebas: 30 T + 6 B ≤ 100 (60) minutos
T, B ≥ 0

Equipos T14 B2 Disponible

Pedido 1 1 ≥ 100
Mínimo de B -1/4 1 ≥0
Máximo de B -1 1 ≤ 150
Armados 10 min 12 min ≤ 3300 min
Pruebas 30 min 6 min ≤ 6000 min
Costos $100 $60
Operaciones

𝑥1 + 𝑥2 ≥ 100

31
 1
− 𝑥1 + 𝑥2 ≥ 0
4
−𝑥1 + 𝑥2 ≤ 150

10𝑥1 + 12𝑥2 ≤ 3300

30𝑥1 + 6𝑥2 ≤ 6000

𝑥1 ≥ 0
𝑥2 ≥ 0

Grafica
300
R3

250 R5

200

150

R4
100

R1 R2
50

0
0 50 100 150 200 250

R1: T + B ≥ 100
R2: -¼ T + B ≥ 0
R3: - T + B ≤ 150
R4: 10 T + 12 B ≤ 3 300
R5: 30 T + 6 B ≤ 6 000
La gráfica del conjunto de soluciones tiene seis vértices.
Al desplazar la FO en la dirección de minimización, el
último punto que toca es (0, 100); esto indica que, para
satisfacer todas las restricciones, pero con el mínimo
costo, deben producirse solamente 100 artículos del tipo
B2, con lo que sus costos serán de $6 000.

T, B ≥ 0

2.3.5 Más de dos variables método simplex.

El método Simplex es un procedimiento iterativo que permite mejorar la solución de
la función objetivo en cada paso. El proceso concluye cuando no es posible
continuar mejorando dicho valor, es decir, se ha alcanzado la solución óptima (el

32
mayor o menor valor posible, según el caso, para el que se satisfacen todas las
restricciones).
Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento
consiste en buscar otro punto que mejore el valor anterior. Como se verá en el
método Gráfico, dichos puntos son los vértices del polígono (o poliedro o polícoro,
si el número de variables es mayor de 2) que constituye la región determinada por
las restricciones a las que se encuentra sujeto el problema (llamada región factible).
La búsqueda se realiza mediante desplazamientos por las aristas del polígono,
desde el vértice actual hasta uno adyacente que mejore el valor de la función
objetivo. Siempre que exista región factible, como su número de vértices y de aristas
es finito, será posible encontrar la solución.

El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no

toma su valor máximo en el vértice A, entonces existe una arista que parte de A y a
lo largo de la cual el valor de Z aumenta.
Será necesario tener en cuenta que el método Simplex únicamente trabaja con
restricciones del problema cuyas inecuaciones sean del tipo "≤" (menor o igual) y
sus coeficientes independientes sean mayores o iguales a 0. Por tanto, habrá que
estandarizar las restricciones para que cumplan estos requisitos antes de iniciar el
algoritmo del Simplex. En caso de que después de este proceso aparezcan
restricciones del tipo "≥" (mayor o igual) o "=" (igualdad), o no se puedan cambiar,
será necesario emplear otros métodos de resolución, siendo el más común el
método de las Dos Fases.

Resolver mediante el método simplex el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0

Se consideran las siguientes fases:

1. Realizar un cambio de variables y normalizar el signo de los términos

independientes.

Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la

correspondencia siguiente:

o x pasa a ser X1

o y pasa a ser X2

33
 Como los términos independientes de todas las restricciones son positivos
no es necesario hacer nada. En caso contrario habría que multiplicar por "-1" en
ambos lados de la inecuación (teniendo en cuenta que esta operación también
afecta al tipo de restricción).

2. Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de

holgura, exceso y artificiales según la tabla siguiente:

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial
= + artificial
≤ + holgura

En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una
de las restricciones del tipo ≤, para convertirlas en igualdades, resultando el
sistema de ecuaciones lineales:

2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24

3. Igualar la función objetivo a cero.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0

4. Escribir la tabla inicial del método Simplex.

La tabla inicial del método Simplex está compuesta por todos los coeficientes de
las variables de decisión del problema original y las de holgura, exceso y
artificiales agregadas en el paso 2 (en las columnas, siendo P0 el término
independiente y el resto de variables Pi coinciden con Xi), y las restricciones (en
las filas). La columna Cb contiene los coeficientes de las variables que se
encuentran en la base.

La primera fila está formada por los coeficientes de la función objetivo,

mientras que la última fila contiene el valor la función objetivo y los costes
reducidos Zj - Cj.

La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1..m, donde si j =

0, P0 = bi y C0 = 0, y en caso contrario Pj = aij. Aunque al tratarse de la primera
tabla del método Simplex y ser todos los Cb nulos se puede simplificar el cálculo,
y por esta vez disponer Zj = -Cj.

34
 Tabla I . Iteración nº 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 0 24 3 1 0 0 1
Z 0 -3 -2 0 0 0

Condición de parada.
Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no
existe ningún valor negativo entre los costes reducidos (columnas P1 en
adelante) se alcanza la condición de parada.

En tal caso se llega al final del algoritmo ya que no existe posibilidad de

mejora. El valor de Z (columna P0) es la solución óptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base

todos los valores son negativos o nulos. Esto indica que el problema no se
encuentra acotado y su solución siempre resultará mejorable. Ante esta
situación no es necesario continuar iterando indefinidamente y también se puede
dar por finalizado el algoritmo.

De no ser así, se ejecutan los siguientes pasos de forma iterativa.

Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se
escoge la columna cuyo valor en la fila Z sea el menor de entre todos los
negativos. En este caso sería la variable X1 (P1) de coeficiente -3.

Si existiesen dos o más coeficientes iguales que cumplan la condición

anterior (caso de empate), entonces se optará por aquella variable que sea
básica.

La columna de la variable que entra en la base se llama columna pivote (en

color verde).

Una vez obtenida la variable que entra en la base, se procede a determina

cual será la variable que sale de la misma. La decisión se toma en base a un
sencillo cálculo: dividir cada término independiente (columna P0) entre el
elemento correspondiente de la columna pivote, siempre que ambos elementos
sean estrictamente positivos (mayores que cero). Se escoge la fila cuyo
resultado haya resultado mínimo.

35
 Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente.
En caso de que todos los elementos de la columna pivote fueran de ésta
condición se habría cumplido la condición de parada y el problema tendría una
solución no acotada (ver teoría del método Simplex).

En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

El término de la columna pivote que en la división anterior dio lugar al menor

cociente positivo indica la fila de la variable de holgura que sale de la base. En
este caso resulta ser X5 (P5), de coeficiente 3. Esta fila se llama fila pivote (en
color verde).

Si al calcular los cocientes, dos o más resultados cumplen la condición para

elegir el elemento saliente de la base (caso de empate), se escoge aquella que
no sea variable básica (siempre que sea es posible).

La intersección de la fila pivote y columna pivote marca el elemento pivote,

en este caso el 3.

Actualizar la tabla.
Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

o En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote

o En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila

en Columna Pivote * Nuevo Elemento Fila Pivote)

Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras

que el resto de elementos de la columna pivote se anulan (análogo al método
de Gauss-Jordan).

Se muestran a continuación los cálculos para la fila P4:

Anterior fila P4 42 2 3 0 1 0
- - - - - -
Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 8 1 1/3 0 0 1/3
= = = = = =
Nueva fila P4 26 0 7/3 0 1 -2/3

36
 La tabla correspondiente a esta segunda iteración es:

Tabla II . Iteración nº 2
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 2 0 1/3 1 0 -2/3
P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3
Z 24 0 -1 0 0 1

5. Al comprobar la condición de parada se observa que no se cumple ya que entre

los elementos de la última fila hay uno negativo, -1. Se continúa iterando
nuevamente los pasos 6 y 7.

o 6.1. La variable que entra en la base es X2 (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.

o 6.2. Para calcular la variable que sale, se dividen los términos de la

columna P0 entre los términos correspondientes de la nueva columna
pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7] y 8 / 1/3 [=24]. Como el menor cociente
positivo es 6, la variable que sale de la base es X3 (P3).

o 6.3. El elemento pivote es 1/3.

o 7. Actualizando nuevamente los valores de la tabla se obtiene:

Tabla III . Iteración nº 3

3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 6 0 1 3 0 -2
P4 0 12 0 0 -7 1 4
P1 3 6 1 0 -1 0 1
Z 30 0 0 3 0 -1

6. Una nueva comprobación de la condición de parada revela que entre los

elementos de la fila indicadora vuelve a haber uno negativo, -1. Significa que
aún no se ha llegado a la solución óptima y hay que seguir iterando (pasos 6 y
7):

o 6.1. La variable que entra en la base es X5 (P5), por ser la variable que
corresponde al coeficiente -1.

37
 o 6.2. Se escoge la variable que sale calculando el cociente entre los
términos de la columna de términos independientes y los términos
correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y
6/1 [=6]. En esta ocasión es X4 (P4).

o 6.3. El elemento pivote es 4.

o 7. Después de actualizar todas las filas, se obtiene la tabla siguiente:

Tabla IV . Iteración nº 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 1/2 0
P5 0 3 0 0 -7/4 1/4 1
P1 3 3 1 0 3/4 -1/4 0
Z 33 0 0 5/4 1/4 0

7. Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por
tanto, la condición de parada.

La solución óptima viene dada por el valor de Z en la columna de los términos

independientes (P0), en este ejemplo: 33. En la misma columna se puede ver el punto
donde se alcanza, observando las filas correspondientes a las variables de decisión
que han entrado en la base: X1 = 3 y X2 = 12.

Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.

2.3.6 Método de dualidad.

El modelo dual de un problema de Programación Lineal consiste en una instancia
alternativa de modelamiento matemático que nos permite rescatar la información
del problema original conocido comúnmente como modelo primal.
En consecuencia, es suficiente con resolver uno de ellos (primal o dual) para poder
obtener la solución óptima y valor óptimo del problema equivalente (primal o dual
según sea el caso). Para ello se puede utilizar, por ejemplo, las condiciones
establecidas en el Teorema de Holguras Complementarias.
Las relaciones de dualidad se pueden resumir en el siguiente cuadro:

38
 Problema de Minimización Problema de Maximización

Si la restricción es: La variable asociada es

>= >=0

<= <=0

= irrestricta

Si la variable es: La restricción

correspondiente es:

>=0 <=

<=0 >=

irrestricta =

La tabla anterior se puede interpretar tanto de izquierda a derecha como

de derecha a izquierda.

Ejercicio Propuesto: Utilizando las relaciones de dualidad en Programación

Lineal, dado un problema primal P, demuestre que su correspondiente
dual D queda definido de acuerdo a:

En lo que sigue, combinaremos las distintas restricciones del problema primal,

ponderando por los valores no negativos y cada una, respectivamente, de
modo de obtener la mejor cota superior del valor óptimo del problema P). Vale
decir:

39
De modo de garantizar que el lado derecho de esta última desigualdad sea una
cota superior de la función objetivo del problema primal se debe cumplir que:

La mejor elección de esta cota se obtendría al resolver el siguiente problema de

optimización:

Este problema se conoce como el problema “Dual” D) asociado al problema

“Primal” P).
También resulta que al formular el problema dual de D) se obtiene el problema
primal P) (o uno equivalente). Cualquiera de las dos entregas la misma
información y el valor óptimo alcanzado es el mismo.

2.3.7 Dual simplex.

Como sabemos, el método simplex es un algoritmo iterativo que iniciando en una
solución básica factible pero no óptima, genera soluciones básicas factibles cada
vez mejores hasta encontrar la solución óptima (sí esta existe). Nótese que la base
de su lógica es mantener la factibilidad, mientras busca la optimalidad. Pero surge
la posibilidad de usar otro esquema igualmente iterativo, que, como contraparte del
simplex, comienza en una solución básica óptima, pero no factible y mantiene la
inmejorabilidad mientras busca la factibilidad. Con este procedimiento se llega
igualmente a la solución óptima.

El nuevo algoritmo fue desarrollo en 1954 por C. E. Lemke y se conoce con el

nombre de Método Dual-Simplex. A continuación, se presenta su estructura y un
ejemplo para ilustrar su aplicación.
Primero se debe expresar el modelo en formato estándar, agregando las variables
de holgura y de exceso que se requieran.

40
Enseguida, en las ecuaciones que tengan variables de exceso (resultantes de
restricciones de tipo >), se debe multiplicar por (-1) en ambos lados, para hacer
positivo el coeficiente de la variable de exceso, y formar así un vector unitario que
nos permita tomar esta variable de exceso como una variable básica inicial. sin
necesidad de agregar una variable artificial en esa restricción.

1. Al hacer lo anterior se logra que debajo de las variables básicas

aparezca una matriz identidad, que es la que el simplex siempre toma
como base inicial.
2. Obtendremos que los términos del lado derecho de las ecuaciones
multiplicadas por (-1) quedan con signo negativo, lo cual hace que la
solución inicial sea infactible.
3. Es importante destacar que este proceso es muy útil ya que en muchos
modelos evita la inclusión de variables artificiales en el momento de
transformar un modelo a formato estándar.

El algoritmo para resolver un modelo de maximización es el siguiente:

Paso 1: Hallar una solución básica inicial infactible e

inmejorable
Escribir el tablero inicial tomando a las variables de holgura y de exceso como
variables básicas iniciales

Paso 2: Prueba de factibilidad

 Si todas las variables básicas son no negativas, la actual solución es la
óptima.
 Si hay al menos una variable básica negativa, seleccionar como variable
de salida,
 (llamémosla (XB)s ), a aquella con el valor más negativo. Los empates
se pueden romper arbitrariamente.

Paso 3: Prueba de inmejorabilidad

 Sí en el renglón de la variable básica de salida (XB)s todos los coeficientes

de reemplazo con las variables no básicas son no negativos, la solución del
modelo es óptima ¡limitada. Se termina el proceso.
 Si en el renglón de la variable básica de salida (XB)s, hay al menos un
coeficiente de intercambio negativo , se efectúan los cocientes entre el efecto
neto de cada variable no básicas y su correspondiente coeficiente de

41
 intercambio negativo. Es decir, siendo (XB)s la variable de salida se calculan
todos los cocientes.

 Se toma como variable de entrada (Llamémosla Xe) a aquella que

corresponda al mínimo de los cocientes del anterior conjunto
 Si la variable de entrada es Xe el elemento pivote será el elemento (Se)s
 El empate se puede romper arbitrariamente.
 Aplicar la operación de pivoteo para generar la nueva tabla, en la cual
aparezca Xe como variable básica en lugar de la variable de salida (XB)s
 Repetir el algoritmo a partir del paso 2.

Resolver el siguiente modelo usando el método Dual-Simplex

Minimizar Z= 2X1 + 2X2

Sujeto a : 3X1 +X2 > 10
4X1 +3X2 > 12
X1 +2X <
con X1, X2 > 0

Expresando el modelo en formato estándar y ajustándolo para que las variables

básicas sean las variables de holgura tenemos:

Minimizar Z= 2X1 + 2X2

Sujeto a : -3X1 -X2 +IE1 = -3

-4X1 -3X2 +IE2 = -6

X1 +2X +IE3 = 3

Usando el método Dual Simplex obtenemos, sucesivamente:

Básicas X1 X2 E1 E2 H3 Solución
E1 -3 -1 1 0 0 -3

E2 -4 -3 0 1 0 -6

42
 H3 1 2 0 0 1 3

Ej 2 1 0 0 0 0

Sale E2
Entonces los cocientes son

Nota: Obsérvese que cuando el objetivo es minimizar, se toma el valor absoluto

de los cocientes.

Básicas X1 X2 E1 E2 H3 Solución
E1 - 0 1 - 0 -1
5/3 1/3

E2 4/3 1 0 - 0 2
1/3

H3 - 0 0 2/3 1 -1
5/3

Ej 2 0 0 1/3 0 2

Sale H1

Los cocientes son:

Básicas X1 X2 E1 E2 H3 Solución
E1 1 0 -3/5 1/5 0 3/5

43
 E2 0 1 4/5 - 0 6/5
3/5

H3 0 0 -1 1 1 0

Ej 0 0 2/5 1/5 0 12/5

La solución óptima es X1 = 3/5, X2 = 6/5 ; Z = 12/5

En la gráfica observamos el camino que realmente siguió el algoritmo para pasar de

la solución infactible con valor Z= 0 a la solución factible óptima con valor Z = 12/5.

La aplicación del método simplex dual es especialmente útil en el análisis de

sensibilidad. Se usa cuando después de haber obtenido la solución óptima, se
desea agregar una nueva restricción al modelo si la nueva restricción no se cumple.

En este caso se obtiene que, para los valores óptimos de las variables de decisión,
la solución permanece óptima, pero se convierte en infactible. Surge entonces la
necesidad de aplicar el algoritmo Dual-Simplex para extraer la variable básica que
tiene valor infactible. Cuando estudiemos el tema de análisis de sensibilidad
analizaremos un caso como el citado

2.3.8 Análisis de sensibilidad.

El análisis de sensibilidad es una técnica que estudia el impacto que tienen
sobre una variable dependiente de un modelo financiero las variaciones en
una de las variables independientes que lo conforman.

Explicado de forma sencilla, lo que hacemos es observar cómo afecta un aumento

o una disminución en el valor de un factor sobre el resultado final en un análisis
financiero. Por ejemplo, si estamos utilizando el valor actual neto (VAN) podríamos
estar interesados en qué pasaría en dicho valor si aumentara la inversión inicial
necesaria de un proyecto.

Ejemplo:

El análisis se puede realizar con una hoja de cálculo. La inversión del ejemplo es
una maquinaría nueva. Los flujos de caja representan las dos opciones, el VNAa y

44
el VANn. Las diferencias entre los flujos de caja se dan por variaciones en las
ventas debidas a dos posibles escenarios, por ejemplo, en función de una
campaña publicitaria.

Podemos observar que en el primer caso el VAN es de 564.29 unidades

monetarias (u.m.) en el segundo de 648.61 u.m. Por tanto, la sensibilidad de VAN
es del 14,94% y positivo. Ante esos cambios en las ventas, se produciría un
incremento del VAN de casi el 15%.. Por tanto, parece que esa campaña puede
ser eficaz.

2.4 Algoritmo de transporte.

El algoritmo de transporte organiza los cálculos en una forma más cómoda
aprovechando la ventaja de la estructura especial del modelo de transporte. Pare
esto sigue los mismos pasos que el método simplex, sin embargo, en lugar de usar
la tabla simplex normal se aprovecha la ventaja de la estructura especial del modelo
de transporte para organizar los cálculos en una forma más cómoda.

Se debe agregar que el algoritmo especial de transporte fue desarrollado por

primera vez cuando la norma eran los cálculos a mano y se necesitaba de
soluciones con método abreviado.
Hoy contamos con programas de cómputo que nos apoyan en la solución de los
problemas que se presentan en la investigación de operaciones, sin embargo, el
algoritmo además de su importancia histórica permite tener una perspectiva del uso
de las relaciones teóricas primal-dual para llegar a un resultado práctico, de mejorar
los cálculos a mano.
Otro detalle importante es que el algoritmo de transporte se basa en la hipótesis que
el modelo esta balanceado y eso quiere decir que la demanda total es igual a la
oferta total. Si el modelo está desbalanceado siempre se podrá aumentar con una
fuente ficticia o destino ficticio para restaurar el equilibrio o balance.

45
Los pasos del algoritmo de transporte son exactamente iguales a los del algoritmo
simplex.
 En el primer paso se determina una solución básica factible de inicio que nos
ayude a proseguir en el paso dos.
 En el segundo paso se usa la condición de optimalidad del método simplex
para determinar la variable de entrada entre todas las variables básicas.
Detenerse si se satisface.
 En el tercer paso se usa la condición de factibilidad del método simplex para
determinar la variable de salida y así obtener la nueva solución y
posteriormente regresar al paso dos.

2.4.1 Características de un problema de transporte.

En general los problemas de transporte se ocupan (en forma literal o imaginaria) de
la Distribución desde cualquier grupo de centros de suministro, llamados orígenes,
a Cualquier grupo de centros de recepción, llamados destinos, de modo que se
minimice el costo total de distribución.
Suposición de requerimientos: cada origen tiene un suministro fijo de unidades,
donde este suministro completo tiene que distribuirse entre los destinos. De manera
similar, cada destino tiene una demanda fija de unidades, donde esta demanda
completa tiene que recibirse desde los orígenes.
Propiedades de soluciones factibles: un problema de transporte tendrá soluciones
factibles si y sólo la suma de sus recursos es igual a la suma de sus demandas
(equilibrio entre suministro total de todos los orígenes y la demanda total de todos
los destinos).En algunos problemas reales, los recursos en realidad representan
cantidades máximas(y no cantidades fijas) para distribuir.
Suposición de costo : el costo de distribuir unidades de cualquier origen a cualquier
destino dado es directamente proporcional al número de unidades distribuidas. Por
lo tanto, este costo es justo el costo unitario de distribución por el número de
unidades distribuidas.
El modelo: cualquier problema (involucre o no transporte) se ajusta al modelo de un
problema de transporte si se puede describir por completo en términos de una tabla
de parámetros (origen-destino: costos, recursos, demanda) y satisface tanto la
suposición de requerimientos como la suposición de costo. El objetivo es minimizar
el costo total de distribuir las unidades. Todos los parámetros del modelo están
incluidos en la tabla de parámetros.
Se requiere solo llenar una tabla de parámetros para formular el problema de
transporte.

46
 2.4.2 Métodos para determinar una solución factible
básica inicial para maximizar y minimizar.
En Programación Lineal una Solución Básica Factible (SBF) es aquella que
además de pertenecer a la región o área factible del problema se puede
representar a través de una solución factible en la aplicación del Método
Simplex satisfaciendo las condiciones de no negatividad.

En este contexto una solución básica factible corresponderá a uno de los

vértices del dominio de factibilidad cuya coordenada o solución se puede
representar a través de un conjunto de restricciones activas para el modelo.
Para desarrollar el concepto anterior consideremos el siguiente problema de
optimización matemática (lineal):

La resolución gráfica del problema anterior se presenta en el siguiente gráfico:

47
El área achurada corresponde al dominio de factibilidad del problema,
identificándose en particular 5 vértices que hemos llamado
arbitrariamente A, B, C, D y E.
La solución óptima del modelo lineal se alcanza en el vértice
C donde X=100 e Y=350 con valor óptimo V(P)=3.100. Notar que dicha solución
se puede obtener a través de la resolución de un sistema de ecuaciones con las
restricciones 1 y 3 (R1 y R3) en igualdad.
En consecuencia, el vértice C además de ser una solución básica factible es
una solución básica factible óptima.
En cuanto a los vértices A, B, D y E son soluciones básicas factibles (no
óptimas) debido a que en la aplicación del Método Simplex al menos una
variable no básica tendrá costo reducido negativo (lo que permitirá mejorar el
actual valor de la función objetivo).
La tabla a continuación es la que se obtiene al llevar al problema a su forma
estándar, agregando S1, S2 y S3 como variables de holgura de las restricciones 1,
2 y 3, respectivamente (R1, R2 y R3).

48
Ambas variables no básicas (iniciales) X e Y tienen costo reducido negativo (-3 y -
8) por tanto X=0 e Y=0 que si bien es una solución básica factible (vértice A) no
es solución óptima.
Para continuar la demostración realizaremos una iteración del Método
Simplex incorporando la variable Y a la base (criterio costo reducido “más
negativo“) y donde el mínimo cociente Min {1.600/4; 1.700/2; 350/1}=350 ==>
S3 deja la base:

La solución básica factible ahora es X=0 e Y=350 (vértice B), sin embargo, el
costo reducido de la variable X sigue siendo negativo y por tanto aún no nos
encontramos en el óptimo. En consecuencia, X entra a la base y obtenemos el
mínimo cociente: Min {200/2; 1.000/6}=100 ==> S1 deja la base:

Finalmente se alcanza la solución óptima (solución básica factible óptima)

con X=100 e Y=350 (vértice C) donde todas las variables no básicas (S1 y S3)
tienen costos reducido mayor o igual a cero, cumpliendo con el criterio de
optimalidad.
¿Qué sucede con los vértices D y E? También son soluciones básicas factibles
(no óptimas) que se podrían encontrar por ejemplo incorporando en primera
instancia (tabla inicial) a la variable X a la base. De esta forma se debería alcanzar
el vértice E luego de una iteración y el vértice D en una segunda iteración.
Notar que también existen otras soluciones factibles (no básicas) como, por
ejemplo, X=100 e Y=100 que pertenecen al dominio de soluciones factibles, pero
no se puede representar a través de la resolución de un sistema de ecuaciones.

49
 2.4.3 Tipos de problemas: balanceado y
desbalanceado.
Resulta bastante frecuente que la cantidad total de unidades que los orígenes
pueden enviar y la cantidad de unidades que los destinos requieren sean diferentes.
Esto significa que la capacidad total y la demanda total son diferentes. Es, entonces,
que estamos frente a un problema de transporte no balanceado o desbalanceado.
Para resolver esta dificultad se introducen orígenes ficticios o destinos ficticios,
según sea el caso. El propósito es balancear la demanda y la capacidad para aplicar
algún método que proporcione una solución factible inicial.

Primer caso: Capacidad total > Demanda total → Destino ficticio

Se agrega un destino ficticio cuando la capacidad total es mayor que la demanda

total. Al destino ficticio se le asigna una demanda igual a la capacidad excedente.
Los costos de transporte unitarios asociados a las rutas que se crean al añadir el
destino ficticio son cero, en realidad no se realizan envíos al destino ficticio.

La demanda del destino ficticio representa la capacidad excedente, o sea que, la

demanda del destino ficticio se calcula restando la demanda total de la capacidad
total.
El que la capacidad total sea mayor que la demanda total significa que los orígenes
pueden enviar más unidades de las que los destinos requieren. Las unidades
requeridas en un destino ficticio representan capacidad no utilizada en alguno de
los orígenes.
Un destino ficticio agrega una columna adicional a la tabla del problema de
transporte.

Por ejemplo, consideremos tres plantas A, B y C que realizan envíos a cinco

almacenes D, E, F, G y H. La tabla de transporte es la siguiente:

50
Al sumar las capacidades de las plantas tenemos un total de 2,100 unidades
(1,000+600+500=2,100) y, al calcular la demanda total tenemos 1,700 unidades
(500+100+600+300+200=1,700), por lo tanto, se tiene un problema de transporte
no balanceado y la capacidad total es mayor que la demanda total, es necesario
agregar un destino ficticio para balancear el problema.

En la siguiente tabla se ha agregado un destino ficticio como una columna adicional

en la tabla del problema de transporte, sus costos de transporte unitarios asociados
son cero puesto que no se realiza ningún envío. Además, la demanda que se le
asigna es de 400 unidades y, resulta de restar la demanda total de la capacidad
total (2,100-1,700=400).

Segundo caso: Demanda total > Capacidad total → Origen ficticio

Se añade un origen ficticio cuando la demanda total es mayor que la capacidad

total. Al origen ficticio se la asigna una capacidad igual a la demanda excedente.
Del mismo modo que en el primer caso, los costos de transporte unitarios asociados
a las rutas que se crean al agregar el origen ficticio son cero, ya que nunca se
embarcan unidades desde el origen ficticio.

La capacidad del origen ficticio representa la demanda excedente, es decir, la

capacidad del origen ficticio se calcula restando la capacidad total de la demanda
total.
El que la demanda total sea mayor significa que los destinos requieren más
unidades de las que los orígenes pueden enviar. Las unidades enviadas desde un
origen ficticio representan una demanda no satisfecha en alguno de los destinos.
Un origen ficticio agrega una fila adicional a la tabla del problema de transporte.
Consideremos el mismo ejemplo que en el caso anterior, pero estableciendo la
capacidad de la planta A en 100 unidades. La tabla del problema de transporte es
la siguiente:

51
Sumamos las capacidades de las plantas y obtenemos un total de 1,200 unidades
(100+600+500=1,200) y, al calcular la demanda total tenemos 1,700 unidades
(500+100+600+300+200=1,700). Se trata de un problema de transporte
desbalanceado, la demanda total es mayor que la capacidad total, es necesario
agregar un origen ficticio para balancear el problema.

Entonces, agregamos una planta ficticia lo que se traduce en una fila adicional en
la tabla, los costos de transporte unitarios en dicha fila son cero puesto que ningún
embarque sale de la planta ficticia. La capacidad que se le asigna a la planta ficticia
corresponde a la diferencia entre la demanda total (1,700 unidades) y la capacidad
total (1,200 unidades).

52
 2.4.4 Problemas de transporte degenerado.
Para un problema de transporte equilibrado con m orígenes y n destinos una
solución con menos de m + n — 1 variables mayores que cero es degenerada. La
degeneración se puede dar en los siguientes casos:
• En el cálculo de una solución factible básica inicial: cuando se satisfacen
simultáneamente origen y destino en un paso que no sea el último del método de
Vogel o del método de la esquina noroeste.
• En cualquier iteración del algoritmo del transporte, cuando hay un empate en el
criterio de la variable que sale de la base.
Cuando una solución es degenerada hay que distinguir entre los flujos nulos que
corresponden a variables básicas y aquellos que corresponden a variables no
básicas.

2.4.5 Prueba de optimalidad.

Para determinar si la solución básica actual es óptima, se usa la ecuación (0) para
reescribir la función objetivo en términos nada más de las variables no básicas
actuales.

Z = 30 + 3x1 - 5x4/2

Aumentar el valor de cualquiera de estas variables no básicas (con el ajuste de los

valores de las variables básicas para que cumplan todavía con el sistema de
ecuaciones) significa trasladarse a una de las dos soluciones básicas factibles
adyacentes. Como x1 tiene coeficiente positivo, hacerla crecer lleva a una solución
básica factible adyacente que es mejor que la solución actual, por lo que ésta no es
óptima.

En términos generales, la solución básica factible actual es óptima si y sólo si todas

las variables no básicas tienen coeficientes no positivos (≤ 0) en la forma actual de
la función objetivo. Esta forma actual se obtiene cambiando las variables xj al lado
derecho de la ecuación (0) actual después de haber convertido todas las ecuaciones
a la forma apropiada de eliminación de Gauss [que elimina las variables básicas de
esta ecuación]. En forma equivalente, las variables se pueden dejar en el lado
izquierdo y entonces la prueba de optimalidad consiste en que todas las variables
no básicas tengan coeficientes no negativos (≥ 0) en la ecuación (0) actual.

2.5 Algoritmo de asignación.

53
El Algoritmo de Asignación se lo utiliza en el problema clásico de la Investigación
de Operaciones (Problemas de Asignación).
El Problema de Asignación, incluye aplicaciones tales como asignar personas a
tareas. Aunque sus aplicaciones parecen diferir del problema de transporte, se verá
que este problema es un caso especial del problema de transporte.
Tiene una limitante y es que a cada tarea se le puede asignar sólo un recurso,
pueden sobrar recursos o podrían sobrar tareas, pero no se le puede asignar dos
recursos a una misma tarea, o tres.
El Problema de la Asignación se basa en una información comparativa para tomar
la decisión de que asignar a quien con un recurso.
Su origen se encuentra en la revolución industrial, debido al surgimiento de las
máquinas hizo que fuera necesario asignar una tarea a un trabajador.
Thomas Jefferson en 1792 lo sugirió para asignar un representante a cada estado,
pero formalmente aparece este problema en 1941, cuando F.L. Hitchcook publica
una solución analítica del problema, pero no es hasta 1955 cuando Harold W. Kuhn
plantea el Método húngaro, que fue posteriormente revisado por James Munkres en
1957.
Pasos para la aplicación del Método Húngaro son:
1. Para resolver un problema de asignación en el cual la meta es maximizar la
función objetivo, se debe multiplicar la matriz de ganancias por menos uno (-1) y
resolver el problema como uno de minimización.
2. Si el número de filas y de columnas en la matriz de costos son diferentes, el
problema de asignación está desbalanceado. El método húngaro puede
proporcionar una solución incorrecta si el problema no está balanceado; debido a lo
anterior, se debe balancear primero cualquier problema de asignación (añadiendo
filas o columnas ficticias) antes de resolverlo mediante el método húngaro.
3. En un problema grande, puede resultar difícil obtener el mínimo número de filas
necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede
demostrar que, si se necesitan j líneas para cubrir todos los ceros, entonces se
pueden asignar solamente j trabajos a un costo cero en la matriz actual; esto explica
por qué termina cuando se necesitan m líneas.

2.5.1 Terminología matemática de método asignación.

El modelo de asignación es un tipo especial de problema de programación lineal en

el que los asignados son recursos que se destinan a la realización de tareas. Por

54
ejemplo, los asignados pueden ser empleados a quienes se tiene que dar trabajo.

La asignación de personas a trabajos es una aplicación común del problema de

asignación. Sin embargo, los asignados no tienen que ser personas. También

pueden ser máquinas, vehículos o plantas, o incluso periodos a los que se asignan

tareas.

“La mejor persona para el puesto” es una buena descripción del modelo de

asignación.

El objetivo del modelo es determinar la asignación óptima (de costo mínimo) de

trabajadores a puestos.

El modelo general de asignación con n trabajadores y n puestos se representa en

la tabla siguiente:

Para que se ajuste a la definición de un problema de asignación, es necesario que

este tipo de aplicaciones se formule de manera tal que se cumplan los siguientes

supuestos:

1. El número de asignados es igual al número de tareas. (Este número se

denota por n.)
2. A cada asignado se le asigna sólo una tarea.
3. Cada tarea debe realizarla sólo un asignado.

55
 4. Existe un costo cij asociado con el asignado i (i 5 1, 2, . . . , n) que realiza la
tarea j ( j 1, 2, . . . , n).
5. El objetivo es determinar cómo deben hacerse las n asignaciones para
minimizar los costos totales.

Se puede resolver el modelo de asignación en forma directa como modelo normal

de transporte. Sin embargo, el hecho de que todas las ofertas y las demandas son

iguales a 1, condujo al desarrollo de un algoritmo sencillo de solución

llamado método húngaro.

2.5.2 Solución básica inicial factible.
En Programación Lineal una Solución Básica Factible (SBF) es aquella que además
de pertenecer a la región o área factible del problema se puede representar a través
de una solución factible en la aplicación del Método Simplex satisfaciendo las
condiciones de no negatividad.
En este contexto una solución básica factible corresponderá a uno de los vértices
del dominio de factibilidad cuya coordenada o solución se puede representar a
través de un conjunto de restricciones activas para el modelo.
Una solución básica factible es una solución básica con todas las variables mayores
iguales a 0. Gráficamente se está hablando de los puntos extremos de la región
factible Tendrá al menos n-m variables igual a cero y todas serán mayores iguales
a cero

2.5.3 Prueba de optimalidad.

Para determinar si la solución básica actual es óptima, se usa la ecuación (0) para
reescribir la función objetivo en términos nada más de las variables no básicas
actuales.

Z = 30 + 3x1 - 5x4/2

Aumentar el valor de cualquiera de estas variables no básicas (con el ajuste de los

valores de las variables básicas para que cumplan todavía con el sistema de
ecuaciones) significa trasladarse a una de las dos soluciones básicas factibles
adyacentes. Como x1 tiene coeficiente positivo, hacerla crecer lleva a una solución
básica factible adyacente que es mejor que la solución actual, por lo que ésta no es
óptima.

56
En términos generales, la solución básica factible actual es óptima si y sólo si todas
las variables no básicas tienen coeficientes no positivos (≤ 0) en la forma actual de
la función objetivo. Esta forma actual se obtiene cambiando las variables xj al lado
derecho de la ecuación (0) actual después de haber convertido todas las ecuaciones
a la forma apropiada de eliminación de Gauss [que elimina las variables básicas de
esta ecuación]. En forma equivalente, las variables se pueden dejar en el lado
izquierdo y entonces la prueba de optimalidad consiste en que todas las variables
no básicas tengan coeficientes no negativos (≥ 0) en la ecuación (0) actual.

2.6 Modelos de inventarios.

Los modelos de inventarios son métodos que ayudan a reducir o minimizar los
niveles de inventario requeridos en la producción. Existen varios métodos que nos
ayudan a conseguir dicho objetivo, a continuación, se mencionan algunos de ellos.

LA CLASIFICACIÓN ABC Es un método para agrupar artículos en 3 clases respecto

al valor total monetario, con el fin de identificar aquellos artículos que tienen el mayor
impacto sobre los costos de inventarios. Resuelve, ¿Cuál artículo de un gran
número de artículos diferentes necesita comprobarse más estrechamente?. En la
realidad, es común pedir cientos y miles de artículos diferentes, como, por ejemplo:
Medicinas para una farmacia, útiles para una universidad, etc. En tales casos, el
seguimiento de miles de artículos puede requerir con frecuencia recursos excesivos
de tiempo y trabajo. La clasificación ABC es adecuado en tales situaciones ya que
permite identificar cuáles de los diversos artículos son los más importantes; según
los costos involucrados.
Modelo ¨JUST IN TIME¨ (JIT) El objetivo, en este caso es reducir o eliminar en gran
medida el inventario requerido en un proceso de producción. Es un sistema en el
que se dispone de los inventarios sólo en los momentos en que se necesitan.
Los modelos de inventario nos ayudan a reducir los costos que genera tener materia
prima o artículos que sirve para realizar algún proceso. Nos ayudan a determinar el
momento en que se debe realizar un pedido y la cantidad de producto que se debe
pedir.

2.6.1 Conceptos, terminología y clasificación de los

inventarios.

57
Son todos los bienes o materiales tangibles que se tienen para la venta o para ser
utilizados en el proceso de producción y venta, en algún momento o futuro de la
organización.
Clasificación de los modelos de inventario.
o Demanda independiente:
o Demanda dependiente:
o Demanda determinista:
o Demanda probabilística:
o Déficit:
o Tiempo líder:
o Descuento
Nomenclatura.
 El costo del pedido u organización: (K)
 El costo de compra: (C)
 El costo de conservación: (H)
 Tasa de trasferencia: (I)
 Costo de déficit:: (B)

Modelo EOQ (sin faltantes). La Cantidad Económica de Pedido o Economic Order

Quantity, Es aplicable cuando la demanda de un producto es constante durante todo
el año y que cada nuevo pedido se entrega en su totalidad cuando el inventario llega
a cero. La Cantidad Económica de Pedido lo que básicamente busca es encontrar
el monto de pedido que reduzca al mínimo el costo total del inventario de la
empresa.
Modelo EOQ (con faltantes). Este modelo se utiliza cuando los clientes aceptan
retrasos, es decir, cuando hay faltantes, los clientes afectados esperan que el
producto esté disponible de nuevo. Las órdenes se satisfacen una vez que se
reabastece el inventario.
Modelo EOQ con descuento por cantidades. Básicamente este modelo es una
aplicación del modelo general (EOQ)sin faltante, solo que en este caso, cuando se
adquieren mayores cantidades de un bien, los proveedores realicen descuentos en
el valor de la unidad comprada.
Modelo LEP (sin faltantes). El modelo LEP (lote económico de producción) es para
empresas que se dediquen a producir sus productos y no a simplemente comprar y
vender. Es por eso que este modelo considera una tasa de producción, la cual es
denotada con la letra R. Cabe aclarar que esta tasa de producción debe ser mayor
a la demanda (R mayor que d).

58
Modelo LEP (con faltantes). El modelo de LEP con faltantes (Lote Económico de
Producción que admite faltantes) propone que se llega a un nivel máximo de
producción o inventario máximo, luego se consumen el inventario y una vez
agotadas las existencias se comienza la producción nuevamente. Este modelo
supone que el cliente está dispuesto a esperar un tiempo en el que el fabricante
responda su pedido y que se acepta una cierta cantidad de faltantes.

2.6.2 Modelo clásico de la cantidad económica de

pedido.
El modelo EOQ (Cantidad Económica de Pedido) consiste en encontrar el punto en
el que los costos de pedido y los costos de mantenimiento sean iguales, para así
determinar el nivel de inventario y la cantidad óptimas para realizar un pedido.
Está basado en 3 supuestos clave: 1. Que la demanda es constante y conocida a
priori; 2. Que la frecuencia de uso del inventario es constante en el tiempo; 3. Que
los pedidos se reciben en el momento exacto en que los inventarios se agotan.
Con el modelo EOQ (Cantidad Económica de Pedido) se busca que no haya
escasez de existencias y que la cantidad óptima de pedido sea constante.

2.6.3 Modelo de compra sin déficit.

Para trabajar este modelo se supone una tasa de producción continua, lo cual
permite hacer una reposición del inventario constante durante el tiempo de
producción. En este modelo en particular, por ser de compra, se deduce que el
artículo no será producido sino comprado o que se necesita un material auxiliar
utilizado en la producción, pero este elemento es comprado.

Este modelo es también conocido como modelo de cantidad de pedido económico

o lote económico (EOQ); es uno de los modelos de inventario más antiguo y
conocido; está basado en hipótesis.

Está basado en las siguientes hipótesis:

 La demanda es constante y conocida.

 El plazo de entrega es constante y conocido.
 El pedido llega en un solo lote y todo de una vez.

59
  Los costos por ordenar un pedido y los costos de mantenimiento son
constantes y conocidos.
 No son posibles los descuentos por cantidad.
 Se evitan las roturas de inventario.
 No se permite diferir demanda al futuro.
Con estas hipótesis de la utilización del inventario a través del tiempo, el gráfico
tiene forma de dientes de sierra.

Para trabajar este modelo es necesario conocer algunas variables como:

Q = Cantidad óptima a comprar por pedido (EOQ).

D = Demanda por unidad de tiempo.
Co = Costo por ordenar el pedido.
Cm = Costo de mantener una unidad por año.
CTO = Costo total por ordenar un pedido.
CTM = Costo total de mantenimiento.
CT = Costo total del inventario.

La cantidad óptima de pedido ocurrirá en el punto en que el costo por ordenar un

pedido y los costos de almacenamiento sean iguales.

Costo total por = (Demanda anual / Cantidad optima) * Costo por

ordenar ordenar
CTO = (D / Q) * Co
Costo total de
= (Cantidad optima / 2) * Costo de mantenimiento
mantenimiento
CTM = (Q/2) * Cm

Luego se procede a la igualación:

CTO=CTM
(D/Q)*Co=(Q/2)*Cm
2(D*Co)=Q(Q*Cm)
2DCo=Q^2 CM
Q^2=2DCMo/cM
Q=√(2DCo/Cm)

2.6.4 Compra con déficit.

Para trabajar este modelo se requieren los siguientes supuestos:
• La demanda es constante y conocida.
• La tasa de producción es constante y conocida.

60
• El pedido llega en un sólo lote y todo de una vez.
• Los costos por ordenar un pedido, los costos de mantenimiento y los costos de
penalización y fijos son constantes y conocidos.
• No son posibles los descuentos por cantidad.
• Se permite diferir demanda al futuro.
• La reposición del inventario se hace instantáneamente.
Es necesario conocer las siguientes variables a trabajar:
 Q = Cantidad óptima a comprar por pedido.
 D = Demanda por unidad de tiempo.
 Co = Costo por ordenar el pedido.
 Cm = Costo de mantener una unidad por año.
 CTO = Costo total por ordenar un pedido.
 CTM = Costo total de mantenimiento.
 Cv = Costo variable por unidad.
 Cp = Costo unitario de penalización por unidad de tiempo.
 d = Tasa de demanda diaria.
 p = Tanda de producción diaria.
 Ct = Costo total promedio por unidad de tiempo.
 CT = Costo total por unidad de tiempo.
La cantidad óptima a pedir se obtiene de la siguiente formula:
Q = (2DCo Cp + Cm )/(CmCp)

Bibliografía
TELLO, E. A. R. (2012). Conceptos básicos de Ingeniería. Victoria, México.
Pressman, R. S., & Troya, J. M. (1988). Ingeniería del software.

Von Bertalanffy, L. (1968). Teoría general de los sistemas. New York, 3(1), 1.

Cathalifaud, M. A., & Osorio, F. (1998). Introducción a los conceptos básicos de la

teoría general de sistemas. Cinta de moebio, (3).

Jarne, J. I. J., & Gadea, J. A. L. (1997). Clasificación y evolución internacional de

los sistemas. Madrid: AECA.

61
Hernández Gaviño, R. (2010). Introducción a los sistemas: conceptos y
aplicaciones. Pearson Educación.

QUIROZ, G. G. C., CEDEÑO, I., & DEL TRABAJO, F. D. E. CARRERA DE

INGENIERÍA EN SISTEMAS.

Carmona, D. H. (2011). Teoría General de Sistemas: un enfoque hacia la ingeniería

de sistemas 2Ed. Lulu. com.

Castrillón, E. P. (2010). Las ciencias básicas en ingeniería de sistemas: Revista

educación en Ingeniería, 5(10), 74-84.

SAN CRISTÓBAL, D. H. INGENIERÍA DE SISTEMAS.

Blanchard, B. S. (1995). Ingeniería de sistemas. Isdefe.

Pérez de Tudela, C. (1993). Importancia de la información. In Mapfre Seguridad (pp. 45-

52).

Felicísimo, A. M. (2000). Conceptos básicos, modelos y simulación. Disponible en

Dirección electrónica: www. etsimo. uniovi. es/~ feli/, visitado el, 5(20), 09.

Perugachi, M. L. (2004). Optimización de procesos (Vol. 48). Editorial Abya Yala.

Carmona, F. (2005). Modelos lineales. Pub. Univ. de Barcelona, Barcelona.

Krick, Edward V. Introducción a la Ingeniería y al Diseño en la Ingeniería 2da.

Edición, Editorial Limusa, México, 1998, 240 págs.

Cárdenas, Miguel Ángel. El enfoque de Sistemas - Estrategias para su

Implementación, 1a. Edición, Editorial Limusa, México, 1991, 165 págs.

Cárdenas, Miguel Ángel. La Ingeniería de Sistemas, Filosofía y Técnicas la

Ingeniería de Sistemas, 1a. Edición, Editorial Limusa, S. A. México, 1974, 293 págs.

Hall, A. Ingeniería de Sistemas, 1a. Edición, Cía. Editorial Continental, S. A., México,
1983, 580 págs.

62
Gerez Víctor: El Enfoque de Sistemas, 1a. edición, Editorial Limusa, México, 1976,
580 págs.

Corzo, Miguel Ángel Introducción a la Ingeniería de Proyectos, 1a Edición, 6a.

Reimpresión, Editorial Limusa, 1982, 225 págs.

Jaufred M. Francisco. , Métodos de Optimización, 1a. Edición, Representaciones y

Servicios de Ingeniería S. A. México. 1975, 720 págs.

Thierauf, Robert. Toma de Decisiones por Medio de la Investigación de

Operaciones, 1a. Edición, Editorial Limusa. México, 1972., 558 págs.

Shamblim, James. Investigación de Operaciones, un Enfoque Fundamental, 1a

Edición, Editorial Mc. Graw Hill, Colombia 1978, 422 págs.

Rios Insua, Sixto Programación Lineal y Aplicaciones, Editorial Alfa Omega, México,
1998, 418 págs.

Wayne L. Winston, Investigación de Operaciones, 4ª Edición, Editorial Thompon,

México, 2005, 1418 págs.

Mokhtar, Bazaraa. y otros, Programación Lineal y Flujo en Redes, Editorial Noriega,

México, 2003, 879 págs.

Método Grafico (tarea).

El método gráfico es una técnica de solución de problemas de
programación lineal que se utiliza principalmente para casos con dos
variables. Aunque no es muy práctico para una gran cantidad de variables,
es muy útil para interpretar y analizar los resultados y la sensibilidad del
problema. Sin embargo, en casos donde se requiera un mayor número de
variables, es posible emplear otras técnicas como la proyección en un
plano.

El método gráfico se basa en la representación gráfica de las restricciones

del modelo de programación lineal, lo que permite determinar el polígono
solución o región factible. Según el teorema fundamental de la

63
programación lineal, si existe una solución que cumple con las restricciones
del modelo, se encontrará en uno de los vértices de la región factible.

64
 Ejercicio 2.

𝑀𝑖𝑛. 𝑍 = 180𝑥1 + 250𝑥2

S.a. 𝑥1 + 150𝑥2 ≤ 3500 (1) Para (4):
20𝑥2 ≤ 1800 (2) 0.5𝑥2 = 120
50𝑥1 − 120𝑥2 ≥ −190 (3)
𝑥2 = 240
0.5𝑥2 = 120 (4)
𝑥1 , 𝑥2 ≥ 0 𝑥1 = 0

Para (1): Graficando:

𝑥1 + 150𝑥2 ≤ 3500
𝑠𝑖 𝑥1 = 0
150 𝑥2 = 3500
𝑥2 = 23.33

𝑠𝑖 𝑥2 = 0
𝑥1 = 3500

Para (2):
20𝑥2 ≤ 1800 No hay punto o Area Factible:
𝑥2 = 90
𝑥1 = 0

Para (3):
50𝑥1 − 120𝑥2 ≥ −190
𝑠𝑖 𝑥1 = 0
−120𝑥2 = −190
𝑥2 = 1.58
𝑠𝑖 𝑥2 = 0
50𝑥1 = −190
𝑥1 = 3.8

65
 Ejercicio 1.

𝑀𝑎𝑥. 𝑍 = 300𝑥1 + 150𝑥2 Graficando:

S.a. 2𝑥1 + 3𝑥2 ≤ 150 (1)

2𝑥1 + 0.5𝑥2 ≥ −50 (2)
2𝑥2 ≤ 250 (3)
𝑥1 , 𝑥2 ≥ 0
Para (1):
2𝑥1 + 3𝑥2 ≤ 150
𝑠𝑖 𝑥1 = 0
3𝑥2 = 150
𝑥2 = 50
𝑠𝑖 𝑥2 = 0 El punto E(-112.5,125) representa el
2𝑥1 = 150 máximo, entonces:

𝑥1 = 75 𝑍 = 300𝑥1 + 150𝑥2
= 300(−112.5)
+ 150(125) = −150000
Para (2):
2𝑥1 + 0.5𝑥2 ≥ −50
𝑠𝑖 𝑥1 = 0
0.5𝑥2 = −50
𝑥2 = −100
𝑠𝑖 𝑥2 = 0
2𝑥1 = −50
𝑥1 = −25

Para (3):
2𝑥2 ≤ 250
𝑥2 = 125
𝑥1 = 0

5
 Ejercicio 3.
𝑥1 = 11.67
𝑀𝑎𝑥. 𝑍 = 450𝑥1 − 300𝑥2
S.a. 150𝑥1 − 160𝑥2 ≥ 280 (1) Para (4):
−120𝑥1 = 290 (2)
−25𝑥2 = 180
30𝑥1 + 120𝑥2 ≤ 350 (3)
𝑥2 = 7.2
−25𝑥2 = 180 (4)
𝑥1 , 𝑥2 ≥ 0 𝑥1 = 0
Para (1): Graficando:

150𝑥1 − 160𝑥2 ≥ 280

𝑠𝑖 𝑥1 = 0
−160 𝑥2 = 280
𝑥2 = −1.75

𝑠𝑖 𝑥2 = 0
150 𝑥1 = 280
𝑥1 = 1.87

Para (2): No hay punto o Area Factible:

−120𝑥1 = 290
𝑥2 = 0
𝑥1 = −2.42

Para (3):
30𝑥1 + 120𝑥2 ≤ 350
𝑠𝑖 𝑥1 = 0
120𝑥2 = 350
𝑥2 = 2.92
𝑠𝑖 𝑥2 = 0
30𝑥1 = 350

6
 Ejercicio 4.
𝑥2 = −1.5
𝑀𝑖𝑛. 𝑍 = 30𝑥1 − 25𝑥2 𝑠𝑖 𝑥2 = 0
S.a. 20𝑥1 − 35𝑥2 ≥ 65 (1) 125𝑥1 = −300
−35𝑥1 + 12𝑥2 ≤ 180 (2)
𝑥1 = −2.4
125𝑥1 + 200𝑥2 = −300 (3)
180𝑥2 ≤ 350 (4)
𝑥1 , 𝑥2 ≥ 0 Para (4):

Para (1): 180𝑥2 ≤ 350

20𝑥1 − 35𝑥2 ≥ 65 𝑥2 = 1.94

𝑠𝑖 𝑥1 = 0 𝑥1 = 0

−35 𝑥2 = 65 Graficando:
𝑥2 = −1.86

𝑠𝑖 𝑥2 = 0
20 𝑥1 = 65
𝑥1 = 3.25

Para (2):
−35𝑥1 + 12𝑥2 ≤ 180
No hay punto o Area Factible:
𝑠𝑖 𝑥1 = 0
12 𝑥2 = 180
𝑥2 = 15

𝑠𝑖 𝑥2 = 0
−35 𝑥1 = 180
𝑥1 = −5.14
Para (3):
125𝑥1 + 200𝑥2 = −300
𝑠𝑖 𝑥1 = 0
200𝑥2 = −300

7
 Ejercicio 5.

𝑀𝑎𝑥. 𝑍 = 25𝑥1 + 30𝑥2 Para (4):

S.a. −15𝑥1 + 35𝑥2 ≤ 150 (1) 20𝑥2 ≤ −35

20𝑥2 ≤ 200 (2)
𝑥2 = −1.75
2𝑥1 − 3𝑥2 ≥ −180 (3)
𝑥1 = 0
20𝑥2 ≤ −35 (4)
𝑥1 , 𝑥2 ≥ 0 Graficando:

Para (1):
−15𝑥1 + 35𝑥2 ≤ 150
𝑠𝑖 𝑥1 = 0
35 𝑥2 = 150
𝑥2 = 4.29

𝑠𝑖 𝑥2 = 0
−15 𝑥1 = 150
𝑥1 = −10
No hay punto o Area Factible:

Para (2):
20𝑥2 ≤ 200
𝑥2 = 10
𝑥1 = 0
Para (3):
2𝑥1 − 3𝑥2 ≥ −180
𝑠𝑖 𝑥1 = 0
−3𝑥2 = −180
𝑥2 = 60
𝑠𝑖 𝑥2 = 0
2𝑥1 = −180
𝑥1 = −90

8
 Ejercicio 6.
0.5𝑥2 = 4
𝑀𝑖𝑛. 𝑍 = 3𝑥1 + 2𝑥2 𝑥2 = 8

S.a. −3𝑥1 + 2𝑥2 ≤ 12 (1) 𝑠𝑖 𝑥2 = 0

−4𝑥1 ≥ 10 (2)
𝑥1 = 4
3𝑥2 = 8 (3)
Graficando:
𝑥1 + 0.5𝑥2 ≥ 4 (4)
𝑥1 , 𝑥2 ≥ 0
Para (1):
−3𝑥1 + 2𝑥2 ≤ 12
𝑠𝑖 𝑥1 = 0
2 𝑥2 = 12
𝑥2 = 6

𝑠𝑖 𝑥2 = 0
−3 𝑥1 = 12
𝑥1 = −4

Para (2): No hay punto o Area Factible:

−4𝑥1 ≥ 10
𝑥2 = 0
𝑥1 = −2.5
Para (3):
3𝑥2 = 8
𝑥2 = 2.67
𝑥1 = 0

Para (4):
𝑥1 + 0.5𝑥2 ≥ 4
𝑠𝑖 𝑥1 = 0

9
 Ejercicio 7.
𝑠𝑖 𝑥2 = 0
𝑀𝑎𝑥. 𝑍 = −0.5𝑥1 + 2𝑥2 3𝑥1 = 10
S.a. 4𝑥1 + 𝑥2 ≥ 8 (1) 𝑥1 = 3.33
0.5𝑥1 + 2𝑥2 ≤ 6 (2)
Graficando:
3𝑥1 + 4𝑥2 = 10 (3)
𝑥1 , 𝑥2 ≥ 0

Para (1):
4𝑥1 + 𝑥2 ≥ 8
𝑠𝑖 𝑥1 = 0
𝑥2 = 8
𝑠𝑖 𝑥2 = 0
4 𝑥1 = 8
𝑥1 = 2
Punto factible: (1.69,1.23):

Para (2): 𝑍 = −0.5𝑥1 + 2𝑥2

= −0.5(1.69) + 2(1.23)
0.5𝑥1 + 2𝑥2 ≤ 6 = 1.615
𝑠𝑖 𝑥1 = 0
2𝑥2 = 6
𝑥2 = 3
𝑠𝑖 𝑥2 = 0
0.5𝑥1 = 6
𝑥1 = 12
Para (3):
3𝑥1 + 4𝑥2 = 10
𝑠𝑖 𝑥1 = 0
4𝑥2 = 10
𝑥2 = 2.5

10
 Ejercicio 8.
Graficando:
𝑀𝑖𝑛. 𝑍 = 2𝑥1 + 4𝑥2
S.a. 𝑥1 + 2𝑥2 ≤ 8 (1)
3𝑥1 + 𝑥2 ≤ 6 (2)
3𝑥2 ≥ 3 (3)
−𝑥1 ≤ 3 (4)
𝑥1 , 𝑥2 ≥ 0

Para (1):
𝑥1 + 2𝑥2 ≤ 8
𝑠𝑖 𝑥1 = 0
𝑥2 = 4
No hay área Factible:
𝑠𝑖 𝑥2 = 0
𝑥1 = 8

Para (2):
3𝑥1 + 𝑥2 ≤ 6
𝑠𝑖 𝑥1 = 0
𝑥2 = 6
𝑠𝑖 𝑥2 = 0
3𝑥1 = 6
𝑥1 = 2
Para (3):
3𝑥2 ≥ 3
𝑥2 = 1
𝑥1 = 0

11
 Ejercicio 9.
𝑥2 = 8
𝑀𝑎𝑥. 𝑍 = −3𝑥1 + 2𝑥2 𝑠𝑖 𝑥2 = 0
S.a. −3𝑥1 + 2𝑥2 ≤ 8 (1) 𝑥1 = 4
−4𝑥1 ≤ 10 (2)
Graficando:
3𝑥2 = 8 (3)
𝑥1 + 0.5𝑥2 ≤ 4 (4)
𝑥1 , 𝑥2 ≥ 0

Para (1):
−3𝑥1 + 2𝑥2 ≤ 8
𝑠𝑖 𝑥1 = 0
𝑥2 = 4
𝑠𝑖 𝑥2 = 0
−3𝑥1 = 8
No hay área Factible:
𝑥1 = −2.67

Para (2):
−4𝑥1 ≤ 10
𝑥2 = 0
𝑥1 = −2.5
Para (3):
3𝑥2 = 8
𝑥2 = 2.67
𝑥1 = 0

Para (4):
𝑥1 + 0.5𝑥2 ≤ 4
𝑠𝑖 𝑥1 = 0

12