Aaaaaa

Investigación
de operaciones
00 Munoz UNIDAD PRELIMINARES.indd I 02/03/11 01:53 PM

00 Munoz UNIDAD PRELIMINARES.indd II 02/03/11 01:53 PM
Investigación
de operaciones
Rodolfo Valentín Muñoz Castorena

Centro Universitario de Ciencias Económico y Administrativas
Universidad de Guadalajara
María Bernardett Ochoa Hernández

Manuel Morales García

MÉXICO • BOGOTÁ • BUENOS AIRES • CARACAS • GUATEMALA • MADRID • NUEVA YORK

SAN JUAN • SANTIAGO • SÃO PAULO • AUCKLAND • LONDRES • MILÁN • MONTREAL
NUEVA DELHI • SAN FRANCISCO • SINGAPUR • ST. LOUIS • SIDNEY • TORONTO
00 Munoz UNIDAD PRELIMINARES.indd III 02/03/11 01:53 PM

Director Higher Education: Miguel Ángel Toledo Castellanos
Editor sponsor: Jesús Mares Chacón
Coordinadora editorial: Marcela Rocha Martínez
Editora de desarrollo: Karen Estrada Arriaga
Supervisor de producción: Zeferino García García
INVESTIGACIÓN DE OPERACIONES
Primera edición
Prohibida la reproducción total o parcial de esta obra,

por cualquier medio, sin la autorización escrita del editor.
DERECHOS RESERVADOS © 2011, respecto de la primera edición por:

McGRAW-HILL/INTERAMERICANA EDITORES, S.A. DE C.V.
A Subsidiary of The McGraw-Hill Companies, Inc.
Prolongación Paseo de la Reforma 1015, Torre A,
Pisos 16 y 17, Colonia Desarrollo Santa Fe,
Delegación Álvaro Obregón
C.P. 01376, México, D.F.
Miembro de la Cámara Nacional de la Industria Editorial Mexicana, Reg. Núm. 736
ISBN: 978-607-15-0598-9
All rights reserved
1098765432 1098765432101
Impreso en México Printed in Mexico
00 Munoz UNIDAD PRELIMINARES.indd IV 02/03/11 01:53 PM

COntEnidO
Acerca de los autores........................................................................................ VII
Introducción ............................................................................................... VIII
UNIDAD 1 ¿Qué es la investigación de operaciones? ......................... 1

1.1 Origen de la investigación de operaciones ................................................... 2
1.2 Modelo ............................................................................................................ 2
Clasificación de los modelos ........................................................................ 3
Ventajas y desventajas del empleo de modelos matemáticos ................... 4
1.3 Optimización.................................................................................................. 4
Problemas de optimización .......................................................................... 5
Unidad II Programación lineal ..................................................................... 7

2.1 Concepto de programación lineal ................................................................ 7
2.2 Planteamiento de problemas en términos de programación lineal ........... 7
2.3 Estructura general de un modelo de programación lineal .......................... 9
2.4 Método gráfico............................................................................................... 13
2.5 Teoría del método símplex ............................................................................ 19
2.6 Dualidad ......................................................................................................... 32
Unidad III Transporte y asignación ............................................................ 35

3.1 Modelos de transporte .................................................................................. 35
3.1.1 Método de la esquina noroeste ......................................................... 38
3.1.2 Método del costo menor..................................................................... 42
3.1.3 Método Vogel ...................................................................................... 46
3.2 Método de cruce de arroyo o de piedra rodante .......................................... 53
Pasos para resolver el método de arroyo .................................................... 54
3.3 Modelo de asignación ................................................................................... 61
Pasos para aplicar el método húngaro......................................................... 62
00 Munoz UNIDAD PRELIMINARES.indd V 02/03/11 01:54 PM

VI Contenido
Unidad IV Modelos de optimización de redes .......................................... 67

4.1 Modelos de redes ........................................................................................... 67
Ruta ................................................................................................................ 68
Lazo dirigido .................................................................................................. 68
4.2 Algoritmo de la ruta más corta ..................................................................... 70
Algoritmo de Dijkstra..................................................................................... 70
Algoritmo de Floyd......................................................................................... 70
4.3 Modelo de flujo máximo ................................................................................ 71
4.3.1 Características del modelo de flujo máximo ..................................... 71
Algoritmo de la trayectoria de aumento en el caso del problema
de flujo máximo ............................................................................................. 71
4.4 CPM y PERT .................................................................................................... 71
Representación de las redes PERT y CPM .................................................... 72
Cálculo de la ruta crítica (CPM) .................................................................... 74
Ejercicios ............................................................................................................... 77
Problema 1............................................................................................................. 77
Problema 2............................................................................................................. 77
Problema 3............................................................................................................. 78
Problema 4............................................................................................................. 79
Problema 5............................................................................................................. 79
Problema 6............................................................................................................. 80
Glosario ...................................................................................................... 81
Bibliografía ................................................................................................ 82
Índice ......................................................................................................... 83
00 Munoz UNIDAD PRELIMINARES.indd VI 02/03/11 01:54 PM

AcErcA dE lOs AutOrEs
Mtro. Rodolfo Valentín Muñoz Castorena

Es maestro en Tecnologías de Información por la Universidad de Guadalajara; actual-
mente cursa el Doctorado en Educación en la misma institución.
Es profesor de asignatura A en el Centro Universitario de Ciencias Económico
Administrativas (CUCEA), así como del Departamento de Métodos Cuantitativos y asis-
tente del Programa de Formación Docente en el CUCEA.
Además, desde el 2005 se desempeña como Secretario y Presidente de la Academia
de Optimización.
Mtra. María Bernardett Ochoa Hernández

Es licenciada en Economía por la Universidad de Guadalajara, maestra en Investiga-
ción Educativa por el Centro de Estudios Pedagógicos y Sociales de la Secretaría de
Educación Jalisco y actualmente cursa estudios de Doctorado en Educación en dicha
universidad.
Se desempeña como profesor investigador titular B de tiempo completo en el Cen-
tro Universitario de Ciencias Económico Administrativas (CUCEA).
Ha sido Presidente de la Academia de Investigación y Desarrollo del Departamento
de Administración por ocho años consecutivos (desde el 2003 hasta el 2010). Actual-
mente es profesora de los Departamentos de Administración y Métodos Cuantitativos y
Responsable del Programa de Formación Docente en el CUCEA.
En tres ocasiones ha contado con el perfil PROMEP y es autora de diversos libros
y artículos en revistas internacionales, además ha dirigido tesis a nivel licenciatura y
maestría.
Mtro. Manuel Morales García

Es licenciado en Economía por la Universidad de Guadalajara y maestro en Economía
y Administración de Empresas por el ESADE en Barcelona, España.
Hasta mayo del 2010 se desempeñó como Jefe del Departamento de Métodos Cuan-
titativos de la División de Economía y Sociedad del CUCEA. Actualmente es profesor
Titular B del Centro Universitario de Ciencias Económico Administrativas.
De 2001 a 2007 se desempeñó como Secretario de la Dirección de Finanzas de la
Universidad de Guadalajara. Además participó como miembro del Gabinete Econó-
mico Universitario, del Consejo Técnico de Planeación Universitario y del Comité de
Calidad de la Dirección de Finanzas.
Actualmente funge como titular del Órgano Técnico de Hacienda Pública de la
Comisión de Hacienda y Presupuestos en la LIX Legislatura del Congreso de Jalisco.
VII
00 Munoz UNIDAD PRELIMINARES.indd VII 02/03/11 01:54 PM

INtrOducciÓN
El objetivo principal de este trabajo es servir como libro de consulta para el curso de
Investigación de operaciones, el cual se orienta a estudiantes de licenciatura y, funda-
mentalmente, a las áreas de estudio como Negocios internacionales, Administración y
Marketing. Los prerrequisitos son álgebra lineal, matemáticas y estadística.
El texto proporciona suficiente material para el curso, tratando de desarrollar en
cada unidad numerosos ejemplos basados en la realidad para una mejor comprensión
de los contenidos de esta disciplina.
Si se analizan los ejemplos, el lector adquirirá capacidad para resolver problemas
matemáticos y conocerá las principales áreas que componen la Investigación de opera-
ciones (desde el análisis del problema, la recopilación de la información, la formula-
ción del modelo y el análisis de resultados).
Esta última etapa se destaca por su importancia, por lo que se expondrán en forma
amplia temas como el de análisis de sensibilidad.
VIII
00 Munoz UNIDAD PRELIMINARES.indd VIII 02/03/11 01:54 PM

Unidad
I
¿Qué es la investigación
de operaciones?
Al finalizar el estudio de esta unidad, se espera que el lector sea capaz de:
explicar qué se entiende por investigación de operaciones.
describir qué es un modelo.
mencionar algunas aplicaciones de la investigación de operaciones.
explicar los diferentes tipos de modelos.
diseñar modelos para casos específicos.
La investigación de operaciones (IO) es la disciplina que enfrenta un problema

concreto, lo divide en pequeñas partes, lo cual facilita el análisis de cada una de Investigación de operaciones (IO).
ellas, para obtener un problema abstracto o, mejor aún, un modelo, todo ello Disciplina que divide un problema con-
creto en pequeñas partes que analiza
mediante una investigación del sistema donde ocurre el problema, con el fin de
para obtener un problema abstracto
ofrecer acciones o alternativas de solución.
o un modelo y así ofrecer acciones o
[…]La investigación de operaciones es la aplicación, por grupos interdisciplinarios, alternativas de solución.
del método científico a problemas relacionados con el control de las organizaciones
o sistemas (hombre-máquina), a fin de producir soluciones que sirvan mejor a los
objetivos de la organización…1
Algunos autores utilizan el término ciencias de la administración como sinónimo de inves-
tigación de operaciones.2
La IO se define como un conjunto de modelos matemáticos aplicables a la solución de ciertos proble-
mas orientados a la toma de decisiones, en los que se involucran variables de decisión en los cuales
se desea optimizar:
1. El uso de los recursos para lograr un determinado fin cuantificable.
2. Los problemas más o menos complejos que se presentan en una organización social cuya solución
empírica resulta demasiado costosa e inadecuada.
1
Francisco J., González Hernández, Breve introducción a la investigación de operaciones, pp. 7 y 8.
2
Hillier y Lieberman, Investigación de operaciones, pp. 2 y 3.
01 Munoz UNIDAD 1.indd 1 02/03/11 01:55 PM

2 UNIDAD I ¿Qué es la investigación de operaciones?
1.1 Origen de la investigación de operaciones

Los primeros esfuerzos por estructurar esta disciplina se realizaron durante la Segunda Guerra
Mundial en Gran Bretaña, donde la administración militar convocó a un grupo de científicos
de distintas áreas del conocimiento para que estudiaran y ofrecieran soluciones viables a pro-
blemas tácticos y estratégicos asociados con la defensa del país.
Aparentemente, la investigación de operaciones (IO) fue bautizada así debido a que el
equipo realizaba una investigación de operaciones militares.
Un grupo importante de administradores militares de Estados Unidos inició algunas in-
vestigaciones similares, motivados por los resultados alentadores que obtuvieron los equipos
británicos. Para llevarlas a cabo, reunieron a varios especialistas, quienes lograron resultados
tan sorprendentes que obligaron a concentrar la atención en este nuevo enfoque científico. En
sus estudios se incluyeron problemas logísticos complejos, tales como la planeación de minas
en el mar y la eficaz utilización de equipo electrónico.
Al término de la guerra y atraídos por los éxitos que consiguieron los estrategas militares,
algunos administradores industriales comenzaron a aplicar esta herramienta para resolver los
problemas que originaban el tamaño y la complejidad de las industrias.
En un principio se acreditó a Gran Bretaña el mérito de haber utilizado la IO como una
nueva disciplina, pero Estados Unidos tomó pronto el liderazgo en este campo creciente. La
primera técnica matemática ampliamente aceptada en el medio fue el método
Método símplex de programación símplex de programación lineal, desarrollado en 1947 por el matemático esta-
lineal. Primer procedimiento matemáti- dounidense George B. Dantzig. Desde entonces, se han incorporado nuevas téc-
co ampliamente aceptado en la inves- nicas y otras se han perfeccionado gracias al esfuerzo y cooperación de expertos
tigación de operaciones, basado en la interesados tanto en el área académica como en la industrial.
iteración para ir mejorando la solución En el progreso impresionante de la investigación de operaciones fue deter-
a cada paso. minante el desarrollo de la computadora digital, que con sus enormes capacida-
des de velocidad de cómputo, almacenamiento y recuperación de información,
permitió a los tomadores de decisiones actuar con rapidez y precisión. De no haber sido por la
computadora digital, esta disciplina que plantea grandes problemas de computación no hubie-
ra crecido hasta el nivel en el que se encuentra hoy en día.
En la actualidad, la IO se aplica a distintas actividades, que trascienden los ámbitos milita-
res e industriales, para incluir actividades tales como la salud pública, instituciones financieras,
bibliotecas, planeación urbana, sistemas de transporte y sistemas de comercialización.3
Cabe mencionar que la IO ha sido un factor de primera importancia en el mejoramiento de
la eficiencia de numerosas organizaciones alrededor del mundo, y su aplicación ha contribuido
en gran medida al incremento de la productividad de la economía de algunos países.
1.2 Modelo
Un modelo se define como una representación simplificada o idealizada de una
Modelo. Representación simplificada o parte de la realidad; o, según el Diccionario de la lengua española es:
idealizada de una parte de la realidad.
[…]un esquema teórico, generalmente en forma matemática, de un sistema o de una
realidad compleja, como la evolución económica de un país, que se elabora para facilitar su compren-
sión y el estudio de su comportamiento[…].4
Los modelos, que se definen como una función objetivo y restricciones que se expresan en
términos de las variables alternativas de decisión del problema (véase figura 1.1), deben conte-
ner los siguientes tres elementos:
3
Op. cit., p. 3.
4
Real Academia Española, Diccionario de la lengua española, vigésima segunda edición, http://buscon.rae.es/draeI/SrvltConsulta?TIPO_
BUS=3&LEMA=modelo, consultado el 4 de octubre de 2010.

1.2 Modelo 3
1. Alternativas de decisión, de las cuales se hace una selección.

2. Restricciones, para excluir alternativas no factibles.
3. Criterios para evaluar y clasificar las alternativas factibles.5
Abstracto
Analiza Llega
Problema concreto Problema simplificado Modelo
Figura 1.1 Proceso de construcción del modelo.
Al resolver el problema simplificado o modelo, se obtiene una solución, la cual puede

tomarse del problema original o modificar nuestro modelo hasta que nos arroje los resultados
deseados.
Clasificación de los modelos

Los modelos pueden clasificarse según el siguiente criterio:
• Modelos mentales.
• Modelos a escala.
• Modelos matemáticos.
Los modelos matemáticos son aquellos que se construyen mediante símbo-
los matemáticos que sirven para representar los diferentes comportamientos del Modelo matemático. Se construyen
problema. No todos son complejos; por ejemplo, podemos elaborar un modelo mediante símbolos matemáticos que
representan diferentes comporta-
matemático simple para determinar el ingreso por comisión que reciben Z pro-
mientos del problema; no todos son
motores de ventas que obtienen $200 por cada operación que efectúen. complejos.
Para crear este modelo, debe establecerse una relación función entre el
número de ventas y el ingreso total del promotor.
Sea x = número de ventas que realiza cada promotor
y = ingreso total del promotor
Ello genera una función relación ventas-ingreso:
y = 200x
donde, si el promotor llevara a cabo 3 ventas (x = 3), su ingreso total (y) sería de
Ingreso total del promotor = 200 (3) = $600
Ahora bien, los modelos matemáticos se clasifican en tres tipos generales:

1. Modelo descriptivo: Es el que representa la realidad mediante una relación funcional;
sin embargo, este tipo no indica ninguna evolución durante el transcurso del tiempo ni
los cursos de acción que se deben seguir. Por ejemplo, un organigrama es un modelo
descriptivo.
2. Modelo predictivo: Tiene mayor alcance que el modelo anterior, pues, además de describir
la realidad, señala cuál será la situación futura; por ejemplo, una función exponencial nos
puede indicar cuál será la población en México en el año 2015.
3. Modelo normativo (decisión, prescriptivo): Además de ser descriptivo y predictivo nos in-
duce a elegir un curso de acción para obtener un objetivo establecido, es decir, señala el
curso de acción que debe seguirse para lograr un objetivo definido (este tipo de modelos
también se denomina de optimización).
5
Juan Pilar Tormos, Investigación operativa para ingenieros, España, Ed. Universidad Politécnica de Valencia, p. 33.

4 UNIDAD I ¿Qué es la investigación de operaciones?
Además de la clasificación anterior, existen otras que son independientes de los modelos
matemáticos que se mencionaron y que pueden agruparse bajo la perspectiva de uno o varios
de los términos que aparecen en la tabla 1.1.
Tabla 1.1 Términos de los modelos matemáticos
Término Definición
Modelos físicos Se representan a escala y se construyen con base en problemas concretos.
Modelos abstractos Se les denomina así debido a que es impredecible usar expresiones simbólicas
para representar el comportamiento del sistema; es decir, se construyen mediante
el empleo de gran cantidad de símbolos.
Modelos estáticos Representan la realidad en una determinada unidad de tiempo.
Modelos dinámicos Interpretan la evolución de una parte de la realidad en un tiempo determinado.
Modelos determinísticos Representan un fenómeno que se comporta regularmente a intervalos iguales y,
por consiguiente, es factible predecir su comportamiento con un cierto margen de
error aceptable o tolerable.
Modelos aleatorios Describen un fenómeno que se comporta regularmente en intervalos diferentes;
por lo tanto, predecir su comportamiento es muy difícil.
Es necesario destacar que, a pesar de la existencia de otras importantes clases de modelos,

el objetivo principal de esta sección es el estudio de los modelos matemáticos.
Ventajas y desventajas del empleo de modelos matemáticos

Cuando se utilizan modelos matemáticos para representar el comportamiento de una situación
en particular, se presentan las ventajas y desventajas de la tabla 1.2.
Tabla 1.2 Ventajas y desventajas de los modelos matemáticos
Ventajas Desventajas
Permiten apreciar cuáles son las variables importan- Pueden llevar a simplificaciones exageradas o excesivas
tes del problema y cómo se relacionan entre sí. si se pretende que el modelo se aplique a situaciones
muy diversas, lo que puede provocar la omisión de
variables que puedan ser importantes.
Ayudan a operacionalizar las variables con base en Su implementación puede ser demasiado costosa o
ciertos patrones o indicaciones. compleja.
Suministran una base cuantitativa para la toma de
decisiones.
1.3 Optimización
Se considera que optimizar es la función de lograr mayores beneficios con la
Optimizar. Logro de mayores beneficios mínima cantidad de recursos invertidos; es decir, buscar la mejor manera de
con una mínima inversión de recursos. realizar una actividad.
Arsham Hosseim, experto en el tema, explica que la
…también denominada programación matemática, sirve para encontrar la respuesta que proporcio-
na el mejor resultado, la que obtiene mayores ganancias, mayor producción o felicidad o la que logra
el menor costo, desperdicio o malestar. Con frecuencia, estos problemas implican utilizar de la mane-
ra más eficiente los recursos, tales como dinero, tiempo, maquinaria, personal, existencias, etc. Los

Actividades de la unidad I 5
problemas de optimización generalmente se clasifican en lineales y no lineales, según las relaciones

del problema sean lineales con respecto a las variables…6
Problemas de optimización
En un problema se trata de maximizar o minimizar una cantidad específica llamada objetivo,
la cual depende de un número finito de variables de entrada. Éstas pueden ser independientes
entre sí o relacionarse a través de una o más restricciones.
1
El problema: Minimizar: Z = x1 + x2
Sujeto a: x1 – x2 = 3
x2 ≥ 2
Éste es un problema de optimización del objetivo z, en el que las variables de entrada son x1
y x2. Se desean obtener valores de las variables de entrada que minimicen el objetivo principal,
sujetos a las limitaciones impuestas por las restricciones.
Un programa matemático como el del ejemplo anterior es lineal si f(x1, x2, …, xn) y cada
gi(x1, x2, …, xn) donde (i = 1, 2, …, m) se dan como funciones matemáticas y como ilaciones
funcionales (como sucede en el primer ejemplo).
2
Maximizar Z = 4x1 + 5x2
Sujeto a: 3x1 + 2x2 ≤ 15

2x1 + 3x2 ≤ 4
x1, x2 ≥ 0
Cabe señalar que la última restricción, de no negatividad, indica que las variables que se utilizaron en
el modelo deben ser positivas o ceros puesto que, si se deseara producir, por ejemplo, dulces, no se podrían
producir –4 dulces.
1. Construya su propia definición de investigación de operaciones.

2. Relacione la investigación de operaciones con las materias del contenido curricular de su carrera o nivel
educativo. Conteste:
a) ¿Cómo se relaciona?
b) ¿Para qué sirve?
6
Arsham Hosseim. Modelos deterministas: optimización lineal, http://home.ubalt.edu/ntsbarsh/opre640S/spanishD.htm#rop,
consultado el 4 de octubre de 2010.

Unidad
II
Programación
lineal
explicar qué entiende por programación lineal.
exponer los pasos para plantear un problema dado.
explicar cómo se forman las restricciones y la función objetivo.
mencionar la estructura general de un modelo de programación lineal.
resolver e interpretar problemas mediante el empleo del concepto de método gráfico.
resolver e interpretar problemas mediante el empleo del concepto de método símplex.
2.1 Concepto de programación lineal

La programación lineal, que es un procedimiento matemático que ayuda a asig-
nar de manera óptima los recursos escasos, consta de una o más funciones obje- Programación lineal. Procedimiento
tivo, un conjunto de restricciones y una restricción de no negatividad. matemático con una o más funciones
objetivo, un conjunto de restricciones y
Esta herramienta es una técnica de modelado matemático diseñada para
una restricción de no negatividad para
optimizar el empleo de los recursos limitados. Se aplica con éxito en el ejército,
determinar la asignación óptima de
la agricultura, la industria, el transporte, la economía, los sistemas de salud e, recursos escasos.
incluso, en las ciencias conductuales y sociales.1
2.2 Planteamiento de problemas en términos de programación lineal

Los modelos de programación lineal son normativos y poseen tres conjuntos básicos de elemen-
tos, a saber:
• Variables de decisión y parámetros
• Conjunto de restricciones
• Una o más funciones objetivos
1
Hamdy A. Taha, Investigación de operaciones, 7a. ed., p. 11.

8 UNIDAD II Programación lineal
Las variables de decisión son las cantidades desconocidas que deben deter-
Variables de decisión. Cantidades que minarse en la solución de un problema cuyo modelo se plantea. Un ejemplo
se desconocen y que deben determi- para definir una variable de decisión podría ser la cantidad de un determinado
narse en la solución de un problema
producto que debe fabricarse en una operación de producción que involucra
cuyo modelo se plantea.
diversos productos a partir de un mismo recurso básico (véase figura 2.1).
Escritorios
Recurso
Mano de obra
básico
Mesas
Figura 2.1 Distribución de mano de obra.
En la figura 2.1 se indica que, a partir de un recurso básico, que en este ejemplo es la mano
de obra, pueden fabricarse diversos productos (escritorios y mesas).
Los parámetros son los valores que describen la relación entre las variables
de decisión y que permanecen constantes en cada problema, pero varían en
Parámetros. Valores que especifican
problemas distintos. Por ejemplo, las horas de mano de obra que se requieren
la relación entre las variables de
para elaborar cada uno de estos productos. Supongamos que en la producción
decisión.
de cada mesa se emplean 6 horas y en la de cada escritorio, 8 horas; en conse-
cuencia, la relación función de mano de obra es la siguiente:
Mano de obra para fabricar los productos 6x1 + 8x2
lo cual nos da el tiempo total que se consume en el proceso de fabricación.
Conjunto de restricciones. Para incluir las limitaciones que se presentan en

Conjunto de restricciones. Son las limi- el problema cuyo modelo se plantea, éste debe contener cualquiera de las res-
taciones que restringen las variables tricciones que limiten las variables de decisión que consumirán valores permisi-
de decisión que consumirán valores bles. Por ejemplo, supongamos que el departamento de fabricación de mesas y
permisibles en el modelo.
escritorios trabaja 80 horas por semana; entonces, la restricción correspondien-
te a esta limitante sería:
6x1 + 8x2 ≤ 80 horas
Si reunimos toda la información descrita en una tabla, ésta tendría la forma y los conteni-
dos siguientes:
Tabla 2.1 Reunión de datos importantes de una restricción
Total de horas a la
Producto Horas laboradas Operación semana
Mesa 6 6x1 + 8x2 ≤ 80
Escritorio 8
La función objetivo define la eficacia del modelo en función de las variables de

Función objetivo. Define la eficacia del decisión. Por ejemplo, si el objetivo debe definir éstas en términos de las varia-
modelo en función de las variables de bles de decisión en forma matemática indica que se obtiene una utilidad de 210
decisión. unidades monetarias por cada mesa y una utilidad de 360 por cada escritorio
que se fabrique y se venda.

2.3 Estructura general de un modelo de programación lineal 9
Entonces se genera la función objetivo 210x1 + 360x2 = Z,
cuyo propósito principal es maximizar las utilidades que genera la fabricación de mesas y escri-
torios.
2.3 Estructura general de un modelo de programación lineal

A continuación se muestra la estructura que debe presentar un modelo de programación lineal
para su mejor comprensión y aplicación:
Función objetivo Optimizar z = c1x1 + c2x2 +…+ cnxn
Sujeta a las siguientes restricciones:
a11x1 + a12x2 +…+ a1nxn <, =, > b1

a x + a x +…+ a x
21 1 22 2 2n n
<, =, > b2
. .
. .
. .
am1x1 + am2x2 +…+ amnxn >, =, > bm
x1, x2,…, xn > 0 (restricción de no negatividad)
Los pasos básicos que se deben dar para plantear un problema en términos de un modelo
de programación lineal (MPL) son los siguientes:
1. Identificar las variables importantes del problema (variables de decisión) y seleccionar una
notación adecuada para ellas.
2. Plantear la función objetivo en términos de las variables de decisión.
3. Identificar los recursos limitantes para, de esta manera, plantear cada una de las restricciones.
4. Formular el modelo de acuerdo con la estructura general.
1
Una fábrica de muebles se especializa en la producción de dos tipos de comedores; cada uno requiere de
un tiempo de construcción y otro diferente de pintura. Un comedor tipo 1 demanda 6 horas de producción y
8 horas de pintura; en la construcción de un comedor tipo 2 se emplean 12 horas y 4 horas para la pintura.
El departamento de construcción cuenta con 120 horas diarias disponibles mientras que el de pintura sólo
dispone de 64 horas. La compañía desea determinar el número de unidades de cada tipo de comedor que
debe producir por día, de tal manera que las utilidades totales sean máximas.
La compañía logra una utilidad de $2 000 por cada comedor tipo 1 y $2 400 por cada comedor tipo 2.
Plantee el modelo de programación lineal (MPL) correspondiente.
Solución:
Primero deben definirse las variables de decisión que se emplearán.
Sea x1 = número de comedores tipo 1 que se deben producir

Sea x2 = número de comedores tipo 2 que se deben producir
Cuando se definen las variables debe tomarse en cuenta que, en la mayoría de los casos, son numéri-
cas, por lo que es importante especificar cuáles son las cantidades que se deben producir.
En el momento en que nos indican costos o utilidades, es indispensable precisar cuántas variables se
van a utilizar en el problema.

La frase “La compañía obtiene una utilidad de $2 000 por cada comedor tipo 1 y $2 400 por cada comedor
tipo 2” refleja con claridad cuántas variables de decisión se usarán y, a su vez, cuál será la función objetivo.
Otro aspecto que debe definirse con claridad es el objetivo del problema que se va a resolver; en este
caso, se tiene:
Objetivo = maximizar utilidades
Por lo tanto, las utilidades totales se obtienen mediante la siguiente ecuación:
2 000x1 + 2 400x2
sujeta a las restricciones de tiempo disponible para construcción y pintura.

En el caso de la construcción de comedores existe la siguiente restricción:
6x1 + 12x2 ≤ 120
Para la pintura, la restricción es:
8x1 + 4x2 ≤ 64
Luego de reunir todos los datos y de acuerdo con la estructura general de un MPL, se obtiene lo siguiente:
Maximizar z = 2 000x1 + 2 400x2

Sujeto a: 6x1 + 12x2 ≤ 120
8x1+ 4x2 ≤ 64
x1, x2 ≥ 0
2
Una compañía de zapatos, especialista en la fabricación de botas, no vende en forma directa al público, sino
que lo hace a través de tiendas al menudeo. Según las fluctuaciones de los costos de la materia prima la
empresa ha observado que el costo de producción varía de un mes a otro.
Debido a esas variaciones y a que el costo unitario del manejo y almacenamiento es de $11.00 por
mes, la compañía considera que resulta conveniente fabricar pares de botas demás en algunos meses para
venderlos en meses posteriores.
Los administradores han pronosticado la demanda y los costos de producción de los siguientes 8 me-
ses. Además, desean programar la producción de este periodo para minimizar los costos totales de produc-
ción y almacenamiento, como se muestra en la tabla 2.2.
Tabla 2.2 Costos proyectados por mes
Mes Costo proyectado por par Demanda pronosticada

1 360 150 000
2 420 110 000
3 380 180 000
4 400 100 000
5 350 200 000
6 390 180 000
7 370 110 000
8 410 170 000

2.3 Estructura general de un modelo de programación lineal 11
Plantee el modelo de programación lineal correspondiente.
Solución:
En primer término , deben definirse las variables de decisión.
Sea:
xij = pares de botas que se fabrican en el mes i y se venden en el mes j.
Después, debe tenerse bien delimitado el objetivo del problema.

Objetivo: Minimizar costos de fabricación y almacenamiento.
Min z = 360x1, 1+371x1,2+382x1,3+393x1,4+404x1,5+415x1,6+426x1,7

+437x1,8+420x2,2+431x2,3+442x2,4+453x2,5+464x2,6+475x2,7
+486x2,8+380x3,3+391x3,4+402x3,5+413x3,6+424x3,7+435x3,8
+400x4,4+411x4,5+422x4,6+433x4,7+444x4,8+350x5,5+361x5,6
+372x5,7+383x5,8+390x6,6+401x6,7+412x6,8+370x7,7+381x7,8
+410x8,8
En este caso, tomemos, por ejemplo, el 360x1,1 donde i = 1 y j = 1, es decir, el costo de las botas fabrica-
das en el mes 1 y vendidas en el mes 1 es de $360.00 Bajo el supuesto de que en ese mes no se vendan
todas las botas, las tendrán que vender en el mes 2 con un costo adicional de $11.00 por almacenamiento,
lo cual significa que las botas fabricadas en el mes 1 y vendidas en el mes 2 tendrán un costo total de $371,
esto es, $360 + $11, lo que da como resultado la variable “371x1, 2”.
Una vez que hayamos determinado la función objetivo, tendremos que definir las restricciones a las
cuales se encuentra sujeta.
Sujeta a:
x1,1 ≥ 150 000

x1,2 + x2,2 ≥ 110 000
x1,3 + x2,3 + x3,3 ≥ 180 000
x1,4 + x2,4 + x3,4 + x4,4 ≥ 100 000
x1,5 + x2,5 + x3,5 + x4,5 + x5,5 ≥200 000
x1,6 + x2,6 + x3,6 + x4,6 + x5,6 + x6,6 ≥ 180 000
x1,7 + x2,7 + x3,7 + x4,7 + x5,7 + x6,7 + x7,7 ≥ 110 000
x1,8 + x2,8 + x3,8 + x4,8 + x5,8 + x6,8 + x7,8+ x8,8 ≥ 170 000
xi, j ≥ 0
Para obtener dichas restricciones se tomaron en cuenta las siguientes consideraciones:
Por ejemplo, en el mes 2, la restricción es:
x1,2 + x2,2 ≥ 110 000
Esta restricción indica que las botas que no se vendieron en el mes 1 y se guardaron para venderse en
el mes 2 (x1,2) se suman a las que se fabricaron en el mes 2 (x2,2), con lo cual tenemos:
x1,2 + x2,2
Ahora, si en el mes 2 la demanda pronosticada es de 110 000 pares, se obtiene la restricción de ese mes:
x1,2 + x2,2 ≥ 110 000
Es así como se obtuvieron las restricciones de este problema.

3
En su proceso de producción, una pequeña empresa que elabora diversos productos químicos utiliza 3 ma-
teriales para elaborar 2 productos, un aditivo y un disolvente.
El aditivo se vende a empresas petroleras y se emplea en la producción de diesel y otros combustibles
similares. El disolvente se vende a empresas químicas para elaborar productos de limpieza industrial y para
el hogar. Para formar el aditivo y el disolvente se mezclan las tres materias primas en forma específica.
La tabla 2.3 muestra que una tonelada de aditivo se obtiene mezclando 37 de 1 000 kg de la materia
prima 1; y 47 de 1 000 kg de la materia prima 3; una tonelada de disolvente se logra con la mezcla de 14 de
1 000 kg de la materia prima 1, 25 de 1 000 kg de la materia prima 2 y 207
de 1 000 kg de la materia prima 3.
Debido al deterioro y a la naturaleza del proceso de producción, cualquier materia prima que no se use
para la producción actual debe desecharse. La utilidad asciende a $4 000.00 por cada tonelada de aditivo y
a $3 000.00 por cada tonelada de disolvente. Después de un análisis de la demanda potencial, la administra-
ción de la empresa ha concluido que cuenta con las siguientes cantidades de materia prima:
Tabla 2.3 Cantidad de kilogramos disponibles de cada materia prima
Materia prima Cantidades disponibles para la producción

Materia prima 1 20 000.00 kg
Plantee el modelo de programación lineal correspondiente.
Solución:
Antes que nada, se extraen los datos del problema para tener la información de una forma clara y conci-
sa, con la cual se puede generar la tabla 2.4.
Tabla 2.4 Extracción de información importante del problema
Producto Materia prima 1 Materia prima 2 Materia prima 3

3 4
Aditivo 0
7 7
1 2 7
Disolvente
4 5 20
Una vez elaborada la tabla 2.4 se deben definir las variables de decisión que se utilizarán:
Sea: x1 = 1 000 kg de aditivo que se producirán

x2 = 1 000 kg de disolvente que se producirán
Proceso de restricciones:
En el caso de la materia prima 1, la restricción es:

3
x + 1 x ≤ 20 000 kilogramos
7 1 4 2
En el de la materia prima 2 existe la siguiente restricción:
2
x ≤ 5 000 kilogramos
5 2

2.4 Método gráfico 13
La materia prima 3, padece la siguiente restricción:

4
x + 7 x ≤ 21 000 kilogramos
7 1 20 2
El propósito de la empresa es maximizar las utilidades. Por ello, obtiene la función objetivo siguiente:
Max Z = 4 000x1 + 3 000x2
La expresión anterior significa que va a ganar $4 000 por cada tonelada de aditivo y $3 000 por cada
tonelada de disolvente.
Por último, agregamos la restricción de no negatividad:
x1, x2 ≥ 0
2.4 Método gráfico

El método gráfico se utiliza para solucionar problemas de programación lineal
mediante la representación geométrica de las restricciones, condiciones técni- Método gráfico. Se emplea para resol-
cas y objetivos. ver problemas de programación lineal
El modelo puede resolverse en forma gráfica si sólo posee dos variables; en el mediante la representación geométrica
de restricciones, condiciones técnicas
caso de modelos con tres o más variables, resulta impráctico o imposible de aplicar.
y objetivos.
Cuando los ejes se relacionan con las variables del problema, el método se Método gráfico en actividad. Se aplica
conoce como método gráfico en actividad. Cuando lo hacen con las restriccio- cuando los ejes se relacionan con las
nes tecnológicas se denomina método gráfico en recursos. variables del problema.
Se recomienda el empleo del método gráfico sólo en el caso de modelos Método gráfico en recursos. Se utiliza
que incluyan dos variables de decisión; sin embargo, este método muestra los cuando los ejes se vinculan con las
conceptos fundamentales que se emplean para desarrollar las técnicas algebrai- restricciones tecnológicas.
cas necesarias para resolver modelos de programación lineal.
El propósito del método gráfico no es proporcionar un método práctico
para resolver problemas lineales, pues la mayoría de éstos incluyen un gran número de varia-
bles. Para entender la forma de operar de los modelos de programación lineal en su forma
general, es necesario conocer los siguientes conceptos:
Solución factible. Es aquella con más de m componentes positivos donde
m es el rango o número de restricciones. Si una solución básica factible tie- Solución factible degenerada. Es la que
ne exactamente m componentes positivos, se dice que es no degenerada; por el cuenta con más de m componentes
positivos donde m es el rango o núme-
contrario, si tiene menos de m componentes positivos, es una solución factible
ro de restricciones.
degenerada.
Puede decirse que una solución factible con más de m componentes positi-
vos es no básica.
Al conjunto de todas las soluciones factibles se le denomina espacio de solu-
ciones factibles, pero también es conocido como región factible. Espacio de soluciones factibles o
región factible. Conjunto de todas las
Cabe señalar que existe la posibilidad de que un problema no tenga solu-
soluciones factibles.
ciones factibles.
Los pasos básicos que se deben seguir para resolver un problema lineal por
medio del método gráfico son los siguientes:
1. Después de elaborar el modelo correspondiente, el siguiente paso consiste en determinar
el conjunto de soluciones de cada una de las restricciones, propósito que se logra mediante
la graficación de cada una en el plano cartesiano R2.
2. Identificar la región factible, esto es, la intersección del conjunto solución de cada una de
las restricciones.
3. Marcar los puntos que intersecan en la frontera de la región factible.

4. Ubicar el o los puntos factibles que den el mejor valor de la función objetivo.
A este punto se le conoce como punto óptimo.
Punto óptimo. Punto factible que
brinda el mejor valor de la función
objetivo.
Suponga que x1 es el número de sillas tipo 1 que se van a producir y que x2 es el número de sillas tipo 2 que
se elaborarán.
Sea el modelo lineal:
Max Z = 4x1 + 3x2
Sujeto a: 2x1 + 3x2 ≤ 6

–3x1 + 2x2 ≤ 3
– 2x1 + x2 ≤ 4
– 2x1, x2 ≥ 0
Como primer paso, es necesario determinar el conjunto de soluciones de cada una de las restricciones.
Para obtener el conjunto de soluciones de una desigualdad en el plano cartesiano (R2), primero debemos
considerarlo como una ecuación con objeto de graficar la recta que limitará al semiplano correspondiente a
la solución de la desigualdad.
Para la primera restricción 2x1 + 3x2 ≤ 6
Al quitar la desigualdad 2x1 + 3x2 = 6
Despejamos a x1 sin tomar en cuenta el valor de x2:

6
2x1 = 6 x1 =
2
expresión de la cual se obtiene que x1 = 3
Ahora, despejamos x2 sin tomar en cuenta el valor de x1:

6
3x2 = 6 , que significa que x2 = 2
3
Se puede observar que x1 = 3 y x2 = 2. La gráfica de la restricción quedaría como se muestra en la figura 2.2.
x2
4
Va hacia la izquierda
3
Región factible
2
1
x1
1 2 3 4 5
Figura 2.2 Primera restricción.

Para saber dónde se ubica la región factible debe tomarse un valor antes y uno después del de x1, si es
que existe; de no ser así, podemos tomar x2; es decir, si en este caso el valor de x1 es de 3, se toma el valor de
2 y 4, respectivamente, y se sustituyen en la restricción 1.
Restricción 1 2x1 + 3x2 ≤ 6
Si x1 toma el valor de 2, al sustituirlo debemos cuestionarnos lo siguiente:
¿2 por el valor de x1, que es 2, es menor que 6? Si la respuesta es afirmativa, la región factible de esa
restricción se encuentra hacia la izquierda y se desecha la siguiente suposición de que x1 tome el valor de 4;
pero, si es negativa, la región factible se localiza hacia la derecha.
Nota: Si se utiliza el valor de x1, olvide el valor de x2 o supóngalo cero al sustituir los valores anteriormente
descritos.
En este punto terminamos la restricción 1.
En el caso de la restricción 2 se tiene lo siguiente:
Restricción 2 –3x1 + 2x2 ≤ 3
Al quitar la desigualdad –3x1 + 2x2 = 3
Luego, despejamos x1 sin tomar en cuenta el valor de x2:

3
–3x1 = 3 x1 = y se obtiene x1 = –1
–3
A continuación, despejamos x2 sin tomar en cuenta el valor de x1:
3
2x2 = 3
2
de lo que obtenemos x2 = 1.5
Observe que x1 = –1 y x2 = 1.5. La gráfica de la restricción quedaría como se muestra en la figura 2.3.
x2
3
2.5
2
1.5
1
x1
–5 –4 –3 –2 –1 1 2 3 4 5
Figura 2.3 Segunda restricción.
Para saber hacia dónde se encuentra la región factible debe tomarse un valor antes y uno después del
valor de x1, si es que existe x1; si no se tiene x1 podemos tomar x2, es decir, si en este caso el valor de x1 es de
–1, se toma el valor de –2 y 0, respectivamente, y se sustituyen en la restricción 2.
Restricción 2 –3x1 + 2x2 ≤ 3

Si x1 toma el valor de –2, al sustituirlo surge la siguiente pregunta:
¿–3 por el valor de x1, que es –2, es menor que 3? Si la respuesta es positiva, la región factible de esa
pero, si es negativa, entonces la región factible se localiza hacia la derecha.
Nota: Si se utiliza el valor de x1, olvide el valor de x2 o supóngalo cero al sustituir los valores descritos.
En este punto terminamos con la restricción 2.
En el caso de la restricción 3 se tiene lo siguiente:
Restricción 3 2x1 + x2 ≤ 4
Eliminamos la desigualdad 2x1 + x2 = 4
Luego despejamos x1 sin tomar en cuenta el valor de x2:

4
2x1 = 4 x1= y obtenemos que x1 = 2
2
Ahora, despejamos x2 sin tomar en cuenta el valor de x1:
x2 = 4 de lo cual resulta que x2 = 4
Observe que x1 = 2 y x2 = 4. Por lo tanto, la gráfica de la restricción quedaría como muestra la figura 2.4.
x2
5
2
1
x1
1 2 3 4 5
Figura 2.4 Tercera restricción.
Para saber hacia dónde se localiza la región factible, debe tomarse un valor antes y uno después del
valor de x1, si es que existe x1; si no es así podemos tomar x2, es decir, si en este caso el valor de x1 es 2, se
toma el valor de 1 y 3, respectivamente, y se sustituyen en la restricción 3.
Restricción 3 2x1 + x2 ≤ 4
Si x1 adopta el valor de 1, al sustituirlo surge la pregunta siguiente:
¿2 por el valor de x1, que es 1, es menor que 4? Si la respuesta es afirmativa, la región factible de esa
pero, si es negativa, la región factible se localiza hacia la derecha.
Nota: Si se emplea el valor de x1, olvide el valor de x2 o supóngalo cero al sustituir los valores descritos.
En este punto terminamos con la restricción 3.
El siguiente paso es unir las tres gráficas en una sola e identificar la región factible que es la intersección
entre las tres áreas.
Para determinar en qué punto factible se alcanza el mejor valor de la función objetivo, nos apoyaremos
en las curvas de nivel o frontera de la región factible óptima, para lo cual será necesario evaluar los puntos
de intersección existentes dentro del cuadrante uno, como se observa en la figura 2.5.

x2
3
5
2
4
1
3 Región factible
B
2
1.5
A
C
1
D x1
–1 1 1.5 2 3 4 5
Figura 2.5 Unión de las 3 restricciones.
En la gráfica pueden observarse cuatro puntos óptimos posibles: A, B, C y D, de los cuales sólo se dedu-
cen A y D, ya que intersecan el eje x1 y el x2; por otra parte, los valores de los puntos B y C los tenemos que
obtener por medio de un método de resolución de ecuaciones.
En nuestro ejemplo utilizaremos el método de suma y resta para obtener los valores de los puntos B y C. El
primero de ellos interseca con las restricciones 1 y 2, mientras que el segundo interseca las restricciones 1 y 3.
El punto B tiene el siguiente sistema de ecuaciones, el cual resolveremos por el método de suma y resta:
2x1 + 3x2 = 6 restricción 1

–3x1 + 2x2 = 3 restricción 2
Como se puede observar sólo se tiene que multiplicar por 3 la restricción 1 y por 2 la restricción 2 para
poder eliminar una variable, a partir de lo cual se obtiene:
6x1 + 9x2 = 18 (se multiplica por 3)
–6x1 + 4x2 = 6 (se multiplica por 2)
Note que no es necesario multiplicar por un valor negativo puesto que ya lo tiene
Después de multiplicar la restricción 1 por 3 y la restricción 2 por 2, se tiene lo siguiente:

6x1 + 9x2 = 18
–6x1 + 4x2 = 6
13x2 = 24
24
De este resultado, si despejamos el valor de x2: x2 =
13
Para encontrar el valor de x1 se sustituye x2 en cualquiera de las dos ecuaciones iniciales. En este caso
sustituiremos el valor en la restricción 1, despejaremos la variable x1 y, por último, determinaremos el valor
del punto B.
2x1 + 3x2 = 6
2x1 + 3 ( 2413 ) = 6
72
2x1 = 6 –
13
6
2x1 =
13
3
x1 =
13
Luego, el punto queda así: B ( 133 , 2413 )

El punto C tiene el siguiente sistema de ecuaciones, el cual resolveremos por el método de suma y resta:
2x1 + 3x2 = 6 restricción 1

2x1 + x2 = 4 restricción 3
Como se puede observar, cualquier restricción debe multiplicarse por –1, puesto que los dos valores de
x1 son iguales.
2x1 + 3x2 = 6
2x1 + x2 = 4 (–1)
Luego de multiplicar la restricción 3 por –1, se logra lo siguiente:
2x1 + 3x2 = 6
–2x1 – x2 = 4
2x2 = 2
2
De este resultado, despejamos el valor de x2 para obtener: x2 = x2 = 1
2
Ahora, para encontrar el valor de x1 se sustituye x2 en cualquiera de las dos ecuaciones iniciales. En
este caso, sustituiremos el valor en la ecuación 1, despejaremos la variable x1 y, finalmente, obtendremos
el valor del punto C.
2x1 + 3x2 = 6
2x1 + 3 (1) = 6
2x1 = 6 – 3
2x1 = 3
x1 = ( 32 )
Luego, el punto queda así: C ( 32 , 1)
Como ya determinamos los valores de los cuatro posibles puntos óptimos, procederemos a obtener la Z
final que satisfaga nuestras expectativas de maximizar utilidades.
Sustituyendo en la función objetivo los valores de los puntos A, B, C y D obtenemos:
Z = 4x1 + 3x2
Entonces,
( 32 ) = 92 ) = 4.5
ZA = 4(0) + 3
3 24 84
Z = 4( ) + 3( ) =
13 )
B
= 6.4615
13 13
3
Z = 4( ) + 3(1) = 9
C
2
ZD = 4(2) + 3(0) = 8
⬖ Z Max = 9 Punto óptimo
3
lo cual indica que se va a lograr una utilidad máxima de 9 si la fábrica produce 2
de sillas del tipo 1 y 1 del
tipo 2.

2.5 Teoría del método símplex 19
2.5 Teoría del método símplex

En los ejemplos anteriores puede apreciarse que, para encontrar la solución óptima de un mo-
delo lineal con la herramienta que se tiene hasta el momento, deben analizarse todos los puntos
posibles extremos, lo cual puede resultar una tarea bastante laboriosa. Por fortuna, George
Dantzig, el “padre de la programación lineal”, elaboró un método a finales de la década de
1940 que permite resolver un problema lineal sin necesidad de analizar de manera explícita el
valor de la función objetivo en cada punto extremo. Esta herramienta se conoce como método
símplex, cuya teoría veremos en seguida:
Método símplex. Método que permite
Considerando el modelo lineal en la forma conocida, el cual después de resolver un problema lineal sin necesi-
añadir variables de holgura puede llevarse a la forma estándar, deben ponerse dad de analizar, a profundidad, el valor
de la función objetivo en cada punto
tantas variables de holgura como restricciones existan en cada problema, y se
extremo.
asigna una variable de holgura denominada Sn en cada restricción:
Max Z = Cxi + Cxj
Sujeto a: xi + xj ≥ b1
xi + xj ≤ b2
xi, xj ≥ 0
Max Z = – Cxi – Cxj Variable de holgura
Sujeto a: xi + xj – s1 = b1
xi + xj + s2 = b2
xi, xj, s1, s2 ≥ 0
Suponga que usted produce galletas y que gana $6.00 por cada galleta cuadrada y $5.00 por cada galleta
redonda. El modelo del problema se resume a continuación:
Observe que x1 es el número de galletas cuadradas y x2 de galletas redondas unido a la ganancia de cada
galleta.
Max Z = 6x1 = + 5x2
Sujeto a: x1 + x2 ≤ 9
x1 – x2 ≥ 1
x1, x2 ≥ 0
Para resolver este problema, en primer lugar debemos convertir la función objetivo a la forma estándar.
¿Cómo se lleva a cabo esta tarea?
La función objetivo Max Z = 6x1 + 5x2 deberá cambiar de signo; es decir, si son valores negativos, la
función tomará valores positivos; y si son valores positivos, la función asumirá valores negativos, según sea
el caso. Así, tenemos:
Max Z = –6x1 – 5x2 Note el cambio de signo de positivo a negativo
Continuemos ahora con las restricciones. La primera restricción x1 + x2 ≤ 9 debe convertirse a la forma
estándar, el valor de x1 y x2 no cambia. Por lo tanto, queda x1 + x2 = 9, pero tenemos que quitar la desigualdad
agregando una variable de holgura, la cual llamaremos s1, tarea que se debe repetir con cada restricción; si
la desigualdad de la restricción es ≤, la variable de holgura tomará un signo positivo, es decir, se suma a la
restricción y queda de la siguiente forma:
x1 + x2 + s1 = 9

Ahora, en el caso de la segunda restricción, la variable de holgura asumirá un valor negativo ya que la
desigualdad es ≥ y queda de la siguiente forma:
x1 – x2 – s2 = 1
En la figura 2.6 se muestra la conversión final del modelo a la forma estándar.
Forma original Forma estándar
Max Z = 6x1 + 5x2 Genera Max Z = –6x1 – 5x2
Sujeto a: x1 + x2 ≤ 9 Sujeto a: x1 + x2 + s1 = 9
x1 – x2 ≥ 1 x1 – x2 – s2 = 1
x1, x2 ≥ 0 x1, x2, s1, s2 ≥ 0
Figura 2.6 Conversión del modelo a la forma estándar.
El siguiente paso es introducir los valores del modelo de la forma estándar a la tabla símplex.
x1 x2 s1 s2 Solución
Nombre que se
les da: s1 1 1 1 0 9
Restricción 1
Restricción 2 s2 1 –1 0 –1 1
Z –6 –5 0 0 0
Ya con los valores en la tabla se debe resolver este problema de acuerdo con los siguientes pasos:
Paso 1. Elegir el valor de Z más negativo.

El valor de Z que se elija indicará la columna que se debe y se llamará columna pivote o columna de
entrada. En la siguiente tabla símplex se muestra cómo se llevó a cabo este paso.
Columna de entrada o pivote
s1 1 1 1 0 9
s2 1 –1 0 –1 1
Z –6 –5 0 0 0
Más negativo
En la tabla anterior puede observarse que x1 es la variable de entrada.
Paso 2. Se determina la variable de salida mediante la división de la columna solución de las restriccio-
nes entre la columna pivote o de entrada. Recuerde que este procedimiento sólo se aplica a las restricciones,
no a la función objetivo Z.

A continuación se muestra cómo se realiza este paso.
s1 1 1 1 0 9
9 entre 1 = 9
s2 1 –1 0 –1 1
1 entre 1 = 1
Observe que los resultados son 9 y 1, por lo que se elige el valor positivo más pequeño sin tomar en
cuenta valores negativos o ceros.
s1 1 1 1 0 9 9/1 = 9
s2 1 –1 0 –1 1 1/1 = 1
Z –6 –5 0 0 0
Aquí se observa que s2 es la variable que debe salir y la que entra es x1.
Paso 3. A la intersección entre la columna de entrada y el renglón de salida se le llama pivote.
x1
1 Pivote
s2 1 –1 0 –1 1
–6
Paso 4. Es muy importante que el pivote tome el valor 1; si éste no tiene dicho valor, conviértalo a 1
dividiendo todo el renglón entre el valor del pivote.
En este caso, el pivote ya es 1; por lo tanto, el renglón queda igual.
Paso 5. Hacer ceros los demás valores de la columna de entrada o pivote cambiado sólo el nombre de
la restricción de s2 a x1.
x1 x2 s1 s2 Solución s1 1
s1 1 1 1 0 9 x1 Pivote
Note el
x1 1 –1 0 –1 1 Z –6
cambio del Z –6 –5 0 0 0
nombre de la Convertirlos
Pivote en ceros
variable

En primer término, se tiene que multiplicar el renglón x1 por el inverso del valor que se hará cero y su-
márselo al renglón que desea convertirse; es decir, si queremos hacer cero al 1, multiplicamos al renglón x1
por –1, que es el inverso de 1 y el resultado se lo sumamos a s1.
s1 1 1 1 0 9
x1 1 –1 0 –1 1
(–1)(pivote) Valor buscado

(–1)(1) = –1 + 1 = 0 Ingreso del valor a hacer cero
Ahora, en el caso de los demás valores:
s1 0 2 1 1 8
x1 1 –1 0 –1 1
Ya es cero
(–1)(–1) = 1 + 1 = 2
(–1)(0) = 0 + 1 = 1
(–1)(–1) = 1 + 0 = 1
(–1)(1) = –1 + 9 = 8
Una vez terminado el renglón s1, continuamos con el renglón Z multiplicando al renglón x1 por 6 ya que
es el inverso de –6. Además, el renglón x1 es el que tiene el pivote.
x1 1 –1 0 –1 1 Multiplicar por 6
y sumar a Z
Z –6 –5 0 0 0
Inverso de –6
6* 1 = 6 + (–6) = 0
6* –1 = –6 + (–5) = –11
6* 0 =0+0=0
6*–1 = –6 + 0 = –6
6* 1 =6+0=6
lo cual genera:
x1 1 –1 0 –1 1
Z 0 –11 0 –6 6
Si se resume la información se obtiene lo siguiente:
s1 0 2 1 1 0
Note que ya
son ceros x1 1 –1 0 –1 1
Z 0 –11 0 –6 6

Paso 6. Si en el renglón de Z aún existen valores negativos, regrese al paso 1, hasta que el renglón Z no
tenga valores negativos.
Como el renglón Z todavía tiene valores negativos, regresamos al paso 1, el cual indica que se tiene que
elegir el mayor valor negativo. En este caso, se tienen 2 valores, –11 y –6, y el valor que elegimos es –11.
La nueva columna entrante es:
Nueva columna de entrada o pivote
s1 0 2 1 1 8 8 =4 Renglón elegido
2
x2 1 –1 0 –1 1 1 = –1
–1 No se toma en
Z 0 –11 0 –6 6 cuenta ya que
es negativo
Pivote
En este punto ya se han definido todas las variables; la variable que entra es x2 y la que sale es s1. Aho-
ra, debemos realizar nuevamente las operaciones correspondientes y hacer que el renglón pivote tenga un
valor de 1 y los demás valores de la columna de entrada o pivote tengan valores de 0.
En primer lugar, debe convertirse el renglón pivote en 1. Se divide todo el renglón entre 2.
Cambió de s1 a x2 x2 0 2 1 1 8
0/2 = 0
2/2 = 1
1 1
2
= 2 0 2 1 1 1 1 8
=0 =1 = = =4
1 1 2 2 2 2 2 2 2
2
= 2
8
2
=4
A continuación se introducen los valores que obtuvimos para ubicarlos en el renglón pivote, lo que genera:
1 1
x2 0 1 4
2 2
Note que ya cambió a 1
Para convertir en ceros los valores de la columna de entrada o pivote, se debe emplear el pivote:
x2 Pivote
x1 –1 Valores a
convertir
Z –11 en ceros
En seguida, se debe multiplicar al renglón x2 por el inverso de cada valor que se convertirá en cero y
sumárselo al renglón que se desea convertir; es decir, si queremos hacer cero al –1, debemos multiplicar el
renglón x1 por 1 y sumárselo al renglón x1.

1 1
x2 0 1 4
2 2
x1 1 –1 0 –1 1
1* 0 =0+1=1
1* 1 = 1 + (–1) = 0
1 1 1
1* 2
= 2
+0= 2
1 1 1
1* 2
= – 2 + (–1) = – 2
1* 4 =4+1=5
lo que queda como sigue:
1 1
x2 0 1 4
2 2
1 1
x1 1 0 – 5
2 2
Una vez terminado el renglón x1, continuamos con el renglón Z multiplicando al renglón x2 por 11 ya que
es el inverso de –11.
1 1
x2 0 1 4 Multiplicar por 11
2 2
y sumárselo a Z
Z 0 –11 0 –6 6
11* 0 =0+0=0
11* 1 = 11+ (–11) = 0
1 11 11
11* 2
= 2
+0= 2
1 11 1
11* 2
= 2
+ –6 = – 2
11* 4 = 44 + 6 = 50
operación que genera:
1 1
x2 0 1 4
2 2
11 1
Z 0 0 – 50
2 2
Resumiendo la información se obtiene la tabla siguiente:
1 1
x2 0 1 4
2 2
1 1
Note que ya x1 1 0 – 5
2 2
son ceros
11 1
Z 0 0 – 50
2 2

Como podemos observar, aún tenemos valores negativos en el renglón Z; por lo tanto, tenemos que
realizar de nueva cuenta las operaciones correspondientes hasta lograr que el renglón Z no tenga ningún
valor negativo.
1 1 1 Renglón
x2 0 1 4 4/ =8
2 2 2 elegido
1 1 1
x1 1 0 – 5 5/– = –10
2 2 2
11 1
Z 0 0 – 50
2 2 No se toma en cuenta puesto que es negativo
Pivote
1
En principio, debemos ubicar las variables de entrada que, en este caso, es s2, que tiene el valor de – 2 ;
éste es el único valor negativo que queda en el renglón Z.
1
El renglón de salida es x2 y el pivote es 2 .
Con base en el reglón pivote, debemos hacer que el pivote tenga el valor 1 y los demás valores que
componen la columna de entrada o pivote obtengan valores de 0.
1
Para convertir el renglón pivote en 1 es necesario dividir el renglón pivote entre 2 . Queda como sigue:
1 1
x2 0 1 4
2 2
1
0/ 2
=0
1
1/ 2
=2
1 1 1 1
2
/ 2
=1 0 1 2 2 4
1
=0 1
=2 1
=1 1
=1 1
=8
1 1
2
/ 2
=1 2 2 2 2 2
1
4/ 2
=8
Después introducimos los valores que obtuvimos en el renglón pivote.
x2 0 2 1 1 8
Pivote
El siguiente paso implica convertir a ceros los valores de la columna de entrada o pivote utilizando el
pivote para hacerlo:
x2 Pivote
1
x1 – Valores a
2
convertir
1
Z – en ceros
2

En seguida, debe multiplicarse al renglón x2 por el inverso de los valores que se harán cero y sumárselos
1
al renglón que se convertirá; es decir, si queremos hacer cero al 2 , entonces debemos multiplicar el renglón
1
x2 por 2 y sumarlo a x1.
s2 0 2 1 1 8 1
Multiplicar por 2
y sumar a x1
1 1
x1 1 0 – 5
2 2
1
2
*0=0+1=1
1
2
*2=1+0=1
1 1 1
2
*1= 2
+ 2
=1
1 1 1
2
*1= 2
+ (– 2
)= 0
1
2
*8=4+5=9
Luego del paso anterior queda como sigue:
s2 0 2 1 1 8
x1 1 1 1 0 9
1
Ya terminado el renglón x1, continuamos con el renglón Z multiplicando el renglón x2 por 2
ya que es el
1
inverso de – 2 .
1
s2 0 2 1 1 8 Multiplicar por 2
y sumar a Z
11 1
Z 0 0 – 50
2 2
1
2
*0=0+0=0
1
2
*2=1+0=1
1 1 11
2
*1 = 2
+ 2
=6
1 1 1
2
*1 = 2
+ (– 2
)=0
1
2
*8 = 4 + 50 = 54
Aquí se genera:
s2 0 2 1 1 8
Z 0 1 6 0 54

Luego de reunir toda la información se obtiene la siguiente tabla símplex:
s2 0 2 1 1 8
x1 1 1 1 0 9
Z 0 1 6 0 54
Como se puede observar esta tabla símplex no incluye valores negativos en Z, lo cual indica que el
problema ha sido resuelto.
Cuando no aparece una de las variables básicas (x1 y x2) en la tabla símplex final, se supone que es igual
a cero. Ahora, sólo nos queda resumir los resultados que obtuvimos y dar una conclusión:
x1 = 9
x2 = 0
Z = 54
Como conclusión, puede decirse que deben fabricarse 9 galletas de tipo cuadrada y 0 de tipo redonda,
pues esas cantidades generan una utilidad máxima de $54.00.
Para asegurarnos de que realizamos las operaciones adecuadas, puede hacerse una comprobación en
cualquiera de las ecuaciones del problema. Vamos a llevarla a cabo en la función objetivo original para verificar.
Max Z = 6x1 + 5x2

54 = 6 * 9 + 5 * 0
54 = 54
Hemos finalizado todo el procedimiento por el método símplex.
2
Forma estándar
Max Z = 5x1 + 2x2 Max Z = –5x1 – 2x2
Sujeto a: 6x1+10x2 ≤ 30 Sujeto a: 6x1 + 10x2 + s1 = 30

10x1 + 4x2 ≤ 20 10x1 + 4x2 + s2 = 20
x1, x2 ≥0 x1, x2, s1, s2 ≥ 0
Los valores debemos ubicarlos en una tabla símplex, de esta manera:
s1 6 10 1 0 30
s2 10 4 0 1 20
Z –5 –2 0 0
El valor más negativo del renglón Z es –5, por lo cual ésa será la columna entrante.
Columna
de entrada
o pivote 30 = 5
s1 6 10 1 0 30
6
20 Renglón
Pivote s2 10 4 0 1 20 =2
10 elegido
Z –5 –2 0 0 0

Hasta este momento hemos definido todas las variables; la que entra es x1 y la que sale es s2. Ahora
tenemos que realizar de nueva cuenta las operaciones correspondientes y hacer que el renglón pivote tenga
un valor de 1 y los demás valores de la columna de entrada o pivote posean valores de 0.
Para empezar, debemos convertir el renglón pivote en 1 mediante la división de todo el renglón entre 10,
que es el mismo valor del pivote.
x1 10 4 0 1 20
10
=1
10
Cambió de s2 a x1
4
= 2
10 5
0
=0
10
1
= 1
10 10
20
=2
10
A continuación, introducimos los valores que obtuvimos para ubicarlos en el renglón pivote, con lo cual
la tabla queda así:
Note que ya
cambió a 1
2 1
x1 1 0 2
5 10
Luego convertimos a ceros los valores de la columna de entrada o pivote usando el pivote para hacerlo:
s1 6 Valores a
x1 Pivote convertir
en ceros
Z –5
A continuación debe multiplicarse el renglón x1 por el inverso de cada valor que se transformará en cero
y sumarlo al renglón que se convertirá.
s1 6 10 1 0 30 Multiplicar por –6
y sumar a s1
2 1
x1 1 0 10 2
5
–6 * 1 = –6 + 6 = 0
2
–6 * = – 12 + 10 = 38
5 5 5
–6 * 0 = 0 + 1 =1
1 3 3
–6 * =– +0=–
10 5 5
–6 * 2 = –12 + 30 = 18

El resultado es el siguiente:
38 3
s1 0 1 – 18
5 5
2 1
x1 1 0 2
5 10
Una vez que hemos resuelto el renglón x1, continuamos con el renglón Z. Ahora debemos multiplicar el
renglón x2 por 11 ya que es la inversa de –11.
2 1 Multiplicar por 5
x1 1 0 2
5 10 y sumarlo a Z
Z –5 –2 0 0 0
5 * 1 = 5 + (–5) = 0
2
5* = 2+ (–2) = 0
5
5*0=0+0=0
1 1 1
5* = +0=
10 2 2
5 * 2 = 10 + 0 = 10
Esta operación genera:
2 1
s1 1 0 2
5 10
1
Z 0 0 0 10
2
Resumiendo la información se obtiene lo siguiente:
38 3
x2 0 1 – 18
5 5
Note que ya 2 1
x1 1 0 2
son ceros 5 10
1
Z 0 0 0 10
2
Como se puede ver, esta tabla símplex no tiene valores negativos en el renglón Z, lo cual nos indica que
hemos terminado. Ahora sólo nos queda resumir los resultados que obtuvimos:
s1 = 18; x1 = 2; s2 = 0; x2 = 0 y Z = 10.
A continuación, podemos hacer una comprobación en cualquiera de las ecuaciones del problema para
asegurarnos de que efectuamos las operaciones adecuadas. Para llevarla a cabo vamos a verificar la función
objetivo original.
Max Z = 5x1 + 2x2
10 = 5(2) + 2(0)
10 = 10
Hemos finalizado todo el procedimiento por el método símplex.

3
Forma estándar
Max Z = 3x1 + x2 Max Z = –3x1 – x2
Sujeto a: 2x1+ x2 ≤ 8 Sujeto a: 2x1 + x2 + s1 = 8

2x1 + 3x2 ≤ 12 2x1 + 3x2 + s2 = 12
x1, x2 ≥ 0 x1, x2, s1, s2 ≥ 0
Debemos ubicar los valores en una tabla símplex, de esta manera:
s1 2 1 1 0 8
s2 2 3 0 1 12
Z –3 –1 0 0 0
El valor más negativo del renglón Z es –3, por lo cual ésa será la columna entrante.
Columna
de entrada
o pivote s1 2 1 1 0 8 8 Renglón
=4
2 elegido
Pivote s2 2 3 0 1 12 12
=6
2
Z –3 –1 0 0 0
Hasta este punto hemos definido todas las variables: la que entra es x1 y la que sale es s1; ahora debe-
mos efectuar de nuevo las operaciones correspondientes y hacer que el renglón pivote tenga un valor de 1 y
los demás valores de la columna de entrada o pivote tengan valores de 0.
Para empezar debemos convertir el renglón pivote en 1 mediante la división de todo el renglón entre 2,
que es el mismo valor del pivote.
Cambió de s1 a x1 x1 2 1 1 0 8
2
=1
2
1 1
=
2 2
1 1
=
2 2
0
=0
2
8
=4
2
Luego de la división, introducimos los valores que obtuvimos para ubicarlos en el renglón pivote, activi-
dad que genera la siguiente tabla:
1 1
x1 1 0 4
2 2

Para convertir a ceros los valores de la columna de entrada o pivote, utilizamos el pivote:
x1 Pivote Valores a
s2 2 convertir
en ceros
Z –3
A continuación debe multiplicarse el renglón x1 por el inverso de cada valor que se transformará en cero
y sumarlo al renglón que se convertirá.
1 1 Multiplicar por –2
x1 1 0 4
2 2
y sumar a s2
s2 2 3 0 1 12
–2 * 1 = –2 + 2 = 0
1
–2 * = –1 + 3 = 2
2
1
–2 * = –1 + 0 = –1
2
–2 * 0 = 0 + 1 = 1
–2 * 4 = –8 + 12 = 4
La tabla que se obtiene será:
1 1
x1 1 0 4
2 2
s2 0 2 –1 1 4
Una vez resuelto el renglón x1 continuamos con el renglón Z multiplicando al renglón x1 por 3, ya que es
el inverso de –3.
1 1 Multiplicar por 3
x1 1 0 4
2 2
y sumar a Z
Z –3 –1 0 0 0
3 * 1 = 3 + (–3) = 0
1 3 1
3* = + (–1) =
2 2 2
1 3 3
3* = +0=
2 2 2
3*0=0+0=0
3 * 4 = 12 + 0 = 12

Esta operación genera:
1 1
x1 1 0 4
2 2
1 3
Z 0 0 12
2 2
Si resumimos la información podemos ordenarla en la siguiente tabla:
1 1
x1 1 0 4
2 2
s2 0 2 –1 1 4
1 3
Z 0 0 12
2 2
Como podemos observar, en esta tabla símplex no hay ningún valor negativo en el renglón Z, lo cual nos
indica que hemos concluido. Ahora, sólo nos queda resumir los resultados que obtuvimos, a saber:
s1 = 0; x1 = 4; s2 = 4; x2 = 0 y Z = 12.
Ahora podemos hacer una comprobación en cualquiera de las ecuaciones del problema para asegurarnos
de que efectuamos las operaciones adecuadas; para verificar, nos enfocaremos en la función objetivo original.
Max Z = 3x1 + x2
12 = 3(4) + 0
12 = 12
Hemos finalizado todo el procedimiento que señala el método símplex.
2.6 Dualidad
El término dualidad señala la existencia de dos fenómenos o caracteres diferentes en un mismo
estado. En este sentido, las nociones del bien y el mal son un ejemplo de dualidad; la filosofía
china también cuenta con los conceptos del yin y el yang para resumir la dualidad de todo lo
que existe en el universo.
Dentro de la investigación de operaciones, el concepto de dualidad desempeña un papel
importante tanto en la teoría como en la práctica. Todo modelo de programación lineal está
asociado a otro modelo llamado modelo dual; al modelo de programación inicial también se le
conoce como modelo primal.
Entre otras cosas, las estructuras duales permiten:
• Resolver problemas lineales que tienen más restricciones que actividades. Por ejemplo, el
grado de dificultad para resolver un programa lineal por medio de una computadora que
está en función del número de filas de la matriz A y no en el número de columnas, al aplicar
la dualidad a un problema primario donde m > n, se obtiene otro problema lineal donde
el número de columnas m < n. Una vez que se resuelve el problema primario, de manera
automática se soluciona su correspondiente dual o viceversa.
• Hacer interpretaciones económicas de las soluciones óptimas de los problemas de programa-
ción lineal.

2.6 Dualidad 33
• Concebir nuevos algoritmos para solucionar problemas de redes de optimización.

• Generar métodos como el dual símplex para realizar análisis de sensibilidad de los progra-
mas de programación lineal.
Para poder entender el concepto de dualidad debemos referirnos al tema de matriz trans-
puesta.
Podemos decir que la matriz A transpuesta, que se conoce con la simbología AT, es aquella
en donde las columnas se transforman en filas o viceversa.
Ejemplo: Si tenemos la siguiente matriz:
a b c a b
1 15 20 25 1 15 10
A= AT =
2 10 30 40 Genera 2 20 30
3 25 40
Cuestiones importantes que se deben tomar en cuenta:

Cuestión 1. Si el primal es un problema de maximización, su dual será un problema de mi-
nimización o viceversa.
Max Min
Cuestión 2. Los coeficientes de la función objetivo del problema primal se convierten en los
coeficientes del vector de disponibilidad del problema dual.
Cuestión 3. Los coeficientes del vector de disponibilidad del problema original se convierten
en los coeficientes de la función objetivo (vector de costo o precio) del problema dual.
Cuestión 4. Los coeficientes de las restricciones del problema primal serán la matriz de co-
eficientes del dual.
Cuestión 5. Los signos de desigualdad del problema dual son contrarios a los del primal.
Cuestión 6. Si el primal tiene m restricciones y n variables, el dual tendrá n restricciones y
m variables. Así, las variables xn del primal se convierten en nuevas variables ym del dual.
Primal Dual
Max Z = Cx Min G = BT y
Sujeto a: Ax ≤ B Sujeto a : AT y > CT
x≥0 y>0
Donde:
C = constante
x = variable
Cx = función objetivo
En la figura 2.7 se ilustra quién es A; B; C para, posteriormente, convertirse en su dual.

Primal C
Max Z = 5x1 + 12x2 + 4x3
Sujeto a: 1x1 + 2x2 + 1x3 ≤ 10

B
1x1 – 1x2 + 3x3 ≥ 8
A
x1 ≥ 0
Figura 2.7 Estructura de un problema dual.

Primal Dual
Min Z = 15x1 + 12x2 Max G = 3y1 + 5y2
Sujeto a: x1 + 2x2 ≥ 3 Sujeto a: y1 + 2y2 ≤ 15

2x1 – 4x2 ≤ 5 2y1 – 4y2 ≥ 12
xi ≥ 0 yi ≥ 0
Note que xi = x1, x2, …, xn según las variables utilizadas
2
Primal Dual
Min Z = x1 + 3x2 + 2x3 Max J = 7y1 + 12y2 + 5y3
Sujeto a: 3x1 – x2 + 2x3 ≤ 7 Sujeto a: 3y1 + 2y2 – 2y3 ≥ 1

2x1 – 4x2 ≥ 12 –y1 – 4y2 + 3/2y3 ≤ 3
–2x1 + 3/2 x2 + 4x3 ≤ 5 2y1 + 4y3 ≥ 2
xi ≥ 0 yi ≥ 0
Cabe destacar que, una vez solucionados el dual como el primal por medio del método símplex, la solu-
ción es la misma.
1. Resuelva los siguientes ejercicios con el empleo del método gráfico:

a) Max Z = 3x1 + 2x2 b) Max Z = 2x1 + 3x2 c) Max Z = 20x1 + 30x2
Sujeto a: Sujeto a: Sujeto a:

7x1 + 3x2 ≤ 15 x1 + 3x2 ≤ 9 2x1 + 2x2 ≤ 150
3x1 + x2 ≤ 20 3x1 + 2x2 ≤ 12 x1 + 2x2 ≤ 120
x1 + x2 ≤ 5 x1, x2 ≥ 0 x1, x2 ≥ 0
x1, x2 ≥ 0
2. Resuelva los siguientes ejercicios por medio del método símplex:

a) Max Z = 3x1 + 2x2 + 5x3 b) Max Z = 6x1 – 2x2 + 3x3 c) Max Z = 2x1 + x2 + 2x3
Sujeto a: Sujeto a: Sujeto a:

7x1 + 3x2 – x3 ≤ 15 2x1 – x2 + 2x3 ≤ 2 4x1 + 3x2 + 8x2 ≤ 12
2x1 – 2x2 + 3x3 ≤ 20 x1 + 4x3 ≤ 4 4x1 + x2 + 12x3 ≤ 8
x1 + x2 + x3 ≤ 5 x1, x2, x3 ≥ 0 4x1 – x2 + 3x3 ≤ 8
x1, x2, x3 ≥ 0 x1, x2, x3 ≥ 0
3. Convierta a su forma dual los siguientes modelos primales:

a) Min Z = 3x1 + 2x2 b) Min Z = 6x1 + 7x2
Sujeto a: Sujeto a:
3x1 + 2x2 ≤ 30 x1 + x2 ≥ 2
x1 + 2x2 ≥ 20 5x1 + x2 ≥ 4
x1, x2 ≥ 0 x1, x2 ≥ 0

Unidad
III
Transporte
y asignación
explicar qué entiende por modelos de transporte.
desarrollar los pasos para resolver problemas de transporte.
resolver problemas por el método de la esquina noroeste.
solucionar problemas por medio del método de costo menor.
resolver problemas por medio del método Vogel.
exponer el modelo de asignación.
solucionar problemas de asignación por medio del método húngaro.
3.1 Modelos de transporte

El modelo de transporte es una clase especial de programación lineal que abor-
da la situación en la cual se envía un bien desde los puntos de origen (por ejem- Modelo de transporte. Clase especial
plo, fábricas) hasta los puntos de destino (bodegas). El objetivo es determinar de programación por medio del cual se
minimizan los costos del transporte
las cantidades que se deben enviar desde cada punto de origen hasta cada punto
de personas o productos desde los
de destino que minimicen el costo total del envío y que, al mismo tiempo, satisfa-
puntos de origen hasta los puntos de
gan tanto los límites de la oferta como los requisitos de la demanda (figura 3.1). destino.
c11 x11
a1 1 1 b1
Demanda
Oferta
a2 2 2 b2
am m n bn
cmn xmn
Figura 3.1 Forma de enviar un bien de un origen a un destino.
35

36 UNIDAD III Transporte y asignación
El modelo supone que el costo de envío por una ruta específica es directamente proporcio-
nal al número de unidades enviadas (por esa ruta). En general, el modelo de transporte puede
ampliarse a otras áreas, entre ellas el control de inventarios, horarios de empleo y asignación
de personal.
A partir de la figura 3.1 se deduce que:
xij = Cantidad enviada

cij = Constante.
La función objetivo se obtiene de la siguiente forma:
Min Z = c11 x11 + c12 x12 +…+ cij xij
Una fábrica de autos cuenta con 3 plantas fabriles, una en Guanajuato, otra en Michoacán y otra en Nayarit.
También posee 2 centros de distribución principales, uno en México y otro en Guadalajara. Las capacida-
des de producción de las 3 plantas durante el próximo trimestre son de 2 000, 2 400 y 3 000 automóviles,
mientras que la demanda durante el mismo periodo de los 2 centros de distribución será de 4 600 y 2 800
automóviles.
La tabla 3.1 proporciona la distancia en kilómetros que existe entre las plantas y los centros de distribución.
Tabla 3.1 Distancia entre plantas y centros de distribución
Origen Destino México (en kilómetros) Guadalajara (en kilómetros)

Guanajuato 2 000 5 380
Michoacán 2 500 2 700
Nayarit 2 550 1 700
La compañía encargada del transporte de los automóviles cobra 16 centavos por kilómetro por auto.
Para obtener el costo de envío por cada ruta, debe multiplicarse la distancia por el costo de transporte
que, en este caso, será de 16 centavos por kilómetro.
Origen Destino México Guadalajara

Guanajuato 2 000 0.16 5 380 0.16
Michoacán 2 500 0.16 2 700 0.16
Nayarit 2 550 0.16 1 700 0.16
En resumen, de la tabla anterior se obtienen los siguientes costos:
Origen Destino México Guadalajara

Guanajuato 320 860.8
Michoacán 400 432
Nayarit 408 272
Dado que la tabla de costos puede resolverse por medio del método símplex, elabore el modelo de pro-
gramación lineal correspondiente al problema (véase figura 3.2).

3.1 Modelos de transporte 37
320x11
Guanajuato 1 1 México
860.8x12
400x21
432x22
Michoacán 2 2 Guadalajara
408x31
272x32
Nayarit 3
Figura 3.2 Formas de enviar automóviles desde la fábrica hasta los puntos de venta.
Sea xij = Número de automóviles enviados del origen (i) al destino (j).
Donde:
i = Origen (Guanajuato, Michoacán, Nayarit)

j = Destino (México, Guadalajara)
Origen Destino México Guadalajara Oferta

Guanajuato 320 x11 860.8 x12 2 000 2 000 +
Michoacán 400 x21 432 x22 3 000 3 000 +
Nayarit 408 x31 272 x32 2 400 2 400 =
Demanda 4 600 2 800 7 400 7 400
4 600 + 2 800 = 7 400
Nótese que la demanda

Min Z = 320 x11 + 860.8x12 + 400x21 + 432x22 + 408x31 + 272x32 es igual a la oferta
Sujeto a:
x11 + x12 ≤ 2 000
x21 + x22 ≤ 3 000 Oferta
x31 + x32 ≤ 2 400
x11 + x21 + x31 = 4 600
Demanda
x12 + x22 + x32 = 2 800
xij ≥ 0
El modelo de programación lineal puede resolverse con el método símplex; sin embargo, la
estructura especial de las restricciones nos permite solucionarlo de una manera más convenien-
te con ayuda de la tabla símplex de transporte que se muestra a continuación:
Origen Destino México Guadalajara Oferta

Guanajuato 320 860.8 2 000
Michoacán 400 432 3 000
Nayarit 408 272 2 400
Demanda 4 600 2 800 7 400

Determinación de la solución inicial

Un modelo de transporte general con m puntos de origen y n puntos de destino posee m + n
ecuaciones de restricción, una para cada punto de origen y destino; no obstante, debido a que
el modelo de transporte siempre está equilibrado, una de estas ecuaciones debe ser redundan-
te. Así, el modelo tiene m + n – 1 variables básicas.
La estructura especial del modelo de transporte admite una solución básica inicial no arti-
ficial empleando uno de los tres métodos:
• Método de la esquina noroeste
• Método del costo menor
• Método de aproximación de Vogel
La diferencia entre los tres métodos es la calidad de la solución básica inicial, pues cuando
ésta es más precisa da un valor objetivo más pequeño. Desde este punto de vista general, el mé-
todo de Vogel aporta la mejor solución básica inicial y el método de la esquina noroeste, la peor.
La ventaja es que el método de la esquina noroeste implica menor cálculo.
3.1.1 Método de la esquina noroeste

El método de la esquina noroeste empieza en el cuadro (ruta) de la esquina noroeste de la tabla
símplex (variable x11) (véase figura 3.3).
Esquina
noroeste
Figura 3.3 Esquina noroeste de la tabla símplex.
Pasos para aplicar el método de la esquina noroeste

A continuación desglosaremos los pasos para aplicar este método:
Paso 1. Asigne tanto como sea posible al cuadro seleccionado y ajuste las cantidades asocia-
das de oferta y demanda; luego, reste la cantidad asignada.
Paso 2. Tache el renglón o la columna con 0 oferta o demanda para indicar que no pueden
hacerse asignaciones adicionales en ese renglón o columna. Si tanto el renglón como la colum-
na, de manera simultánea, dan 0, tache sólo uno de ellos y deje una oferta o demanda de 0 en
el renglón o columna no tachado.
Paso 3. Si queda sin tachar un renglón o una columna, deténgase; de lo contrario, avance
al siguiente cuadro a la derecha si acaba de tachar una columna o al inferior si ha tachado un
renglón. Regrese al paso 1.
2
Tenemos 3 granjas de pollos (A, B, C) con una oferta de 120, 130 y 250 pollos cada una, que deben cubrir la
demanda de 3 rosticerías (1, 2, 3) que es de 150, 130 y 220 pollos.
Los costos de envío de la granja A a las rosticerías 1, 2 y 3 son de 10, 15 y 18 pesos por pollo; los de la
granja B son de 1, 5 y 3 pesos y los de la granja C son de 7, 11 y 9 pesos, respectivamente, por pollo.
Elabore el modelo de programación lineal correspondiente y determine cuántos pollos se deben enviar
desde las granjas (A, B, C) a las rosticerías (1, 2, 3).

Rosticería 1 2 3 Oferta (pollos)

Granjas
A 10 15 18 120
B 1 5 3 130
C 7 11 9 250
Demanda (pollos) 150 130 220 500
Nota: La oferta no puede ser mayor que lo que se tiene en la demanda.

Por lo tanto, como la oferta es igual a la demanda, se dice que la tabla está en equilibrio.
Paso 1. Para resolver este problema, en primer lugar se debe asignar tanto como sea posible al cuadro de la
esquina noroeste seleccionado (en este caso sería A, 1) y ajustar las cantidades asociadas de oferta y demanda
mediante la resta de la cantidad asignada.

Granjas
A 10 15 18 120
B 1 5 3 130
C 7 11 9 250
Los recuadros representan las siguientes referencias:
Cuadro seleccionado (esquina noroeste)

Oferta de la granja A: 120 pollos
Demanda de la rosticería 1: 150 pollos
Enviamos 120 pollos a la rosticería 1 que pide 150, con lo cual sólo quedan por satisfacer 30 pollos.

Granjas
A 10 120 15 18 120 – 120 = 0
B 1 5 3 130
C 7 11 9 250
Demanda (pollos) 150 – 120 = 30 130 220 380
Observe que, al entregar 120 pollos, la granja A ya no puede vender más, por lo que se cancelan los demás
espacios.
Paso 2. Tache el renglón o la columna con 0 oferta o demanda para indicar que no pueden hacerse asigna-
ciones adicionales en ese renglón o columna. Si tanto el renglón como la columna, de manera simultánea, dan 0,
tache sólo uno de ellos y deje una oferta o demanda de 0 en el renglón o columna no tachados.


Granjas
Se tacha porque se
agota la oferta de la A 10 120 15 18 120 – 120 = 0
granja A
B 1 5 3 130
C 7 11 9 250
Demanda (pollos) 150 – 120 = 30 130 220 380
Paso 3. Si queda sin tachar un renglón o una columna, deténgase; de lo contrario, avance al siguiente
cuadro a la derecha si acaba de tachar una columna o al inferior si ha tachado un renglón. Regrese al paso 1.
Como se tachó el renglón de la granja A, avanzamos a la siguiente esquina noroeste para satisfacer los
30 pollos que solicita la rosticería 1.

Granjas
Se tacha porque se
agota la oferta de la A 10 120 15 18 120 – 120 = 0
granja A
B 1 5 3 130
C 7 11 9 250
Demanda (pollos) 150 – 120 = 30 130 220 380
Cuadro seleccionado (esquina noroeste)

Granjas
Se le asignan 30
ya que la rosticería A 10 120 15 18 0 100 pollos
1 sólo pide 30 y la disponibles
granja B tiene 30 B 11 30 5 3 130 – 30 = 100 que oferta la
disponibles C 7 11 9 250 granja B
Se tacha porque
satisface la Demanda (pollos) 30 – 30 = 0 130 220 350
demanda de la
rosticería 1
Ahora, la granja A no tiene pollos para vender y la rosticería 1 cubrió su demanda. Se avanza a la si-
guiente rosticería (2) y se le asigna lo más que se pueda a la granja B.

Granjas
A 10 120 15 18 0 Se tacha
porque se
B 11 30 5 100 3 100 – 100 = 0 agota la
C 7 11 9 250 oferta de la
granja B
Demanda (pollos) 0 130 – 100 = 30 220 250

La rosticería 2 aún necesita 30 pollos, que deben ser proporcionados por la granja C ya que la B agotó
su oferta.

Granjas
A 10 120 15 18 0 No tienen
B 11 30 5 100 3 0 oferta
C 7 11 30 9 250 – 30 = 220
Demanda (pollos) 0 30 – 30 = 0 220 220
Siguiente esquina No tiene demanda Se tacha porque se satisface la demanda

noroeste de la rosticería 2

Granjas
A 10 120 15 18 0 Oferta
B 11 30 5 100 3 0 satisfecha
C 7 11 30 9 250 – 30 = 220
Demanda satisfecha Siguiente esquina noroeste
Debido a que la demanda de la rosticería 2 ya fue satisfecha, se tacha y se avanza a la siguiente rosticería.

Granjas
A 10 120 15 18 0 Este punto
es donde se
B 11 30 5 100 3 0
satisface por
C 7 11 30 9 220 220 – 220 = 0 completo la
demanda con la
Demanda (pollos) 0 0 220 – 220 = 0 oferta
En este ejemplo, la solución óptima es:
La granja A debe enviar 120 pollos a la rosticería 1; la granja B, 30 pollos a la rosticería 1 y 100 al 2; la
granja C, 30 pollos al 2 y 220 al 3 (figura 3.4).
Los costos de envío de pollos de las granjas son:
Min Z = 10 (120) + 1 (30) + 5 (100) + 11 (30) + 9 (220) = 4 040 pesos

⬖ El costo de envío será de 4 040 pesos.
120
A 1
Granjas de 30
100
pollos B 2 Rosticerías
30
220
C 3
Figura 3.4 Diagrama de distribución de pollos.

3.1.2 Método del costo menor

El método del costo menor permite encontrar una mejor solución inicial pues
Método del costo menor. Se concen- se concentra en las rutas más económicas. En vez de empezar con el cuadro
tra en las rutas económicas. Asigna noroeste, comienza por asignarle tanto como sea posible al cuadro con el costo
el costo más bajo a cada unidad y más bajo por unidad de toda la tabla; después, se tacha el renglón o la columna
después se ajusta la cantidad de la
satisfechos y se ajusta la cantidad de la oferta y de la demanda conforme a ello.
oferta y la demanda.
Si tanto un renglón como una columna se satisfacen de manera simultánea,
sólo se tacha uno de ellos; luego, se busca el cuadro no tachado con el menor
costo unitario y se repite el proceso hasta que, al final, queda exactamente un renglón o una
columna no tachados.
Pasos para aplicar el método del costo menor

A continuación desglosaremos los pasos para aplicar este método:
Paso 1. Asígnele tanto como sea posible al cuadro con el costo más bajo por unidad de toda
la tabla.
Paso 2. Tache el renglón o la columna con 0 oferta o demanda para indicar que no pueden
hacerse asignaciones adicionales en ellos. Si tanto el renglón como la columna dan 0 de manera
simultánea, tache sólo uno de ellos y deje una oferta o demanda de 0 en el renglón o columna
no tachado.
Paso 3. Si queda sin tachar un renglón o una columna, deténgase; de lo contrario, avance
al siguiente cuadro con el costo más bajo por unidad de la tabla no tachada. Regrese al paso 1.
3
Para este tema, retomaremos el ejercicio que se trabajó en la sección anterior (método de la esquina noroeste).
Tenemos 3 granjas (A, B, C), con una oferta de 120, 130 y 250 pollos, respectivamente, que deben cu-
brir la demanda de 3 rosticerías (1, 2, 3), que es de 150, 130 y 220 pollos.

Costos de envío de Granjas
pollos de las granjas
A 10 15 18 120
a las rosticerías
Ejemplo: de la granja B 1 5 3 130 Nota: La oferta
B a la rosticería 2, el C 7 11 9 250 no puede ser
costo de envío por mayor que la
pollo es de 5 pesos Demanda (pollos) 150 130 220 500 demanda
Paso 1. Asígnele tanto como sea posible al cuadro con el menor costo unitario de toda la tabla y ajuste
las cantidades asociadas de oferta y demanda mediante la resta de la cantidad asignada.

Granjas
A 10 15 18 120
B 1 5 3 130
C 7 11 9 250
Demanda (pollos) 150 130 220 500 – 130 = 370

Paso 2. Tache el renglón o la columna con 0 oferta o demanda para indicar que no pueden hacerse asig-
naciones adicionales en ellos. Si tanto el renglón como la columna dan 0 de manera simultánea, tache sólo
uno de ellos y deje una oferta o demanda de 0 en el renglón o columna no tachados.

Granjas
A 10 15 18 120
Se tacha porque se
B 1 130 5 3 130 – 130 = 0
agota la oferta de la
C 7 11 9 250 granja B
Demanda (pollos) 150 – 130 = 20 130 220 500 – 130 = 370

Granjas
A 10 15 18 120
B 1 130 5 3 0
C 7 20 11 9 250 – 20 = 230
Demanda (pollos) 20 – 20 = 0 130 220 370 – 20 = 350
Se tacha porque se satisface la Siguiente costo más bajo

demanda de la rosticería 1 Tomar en cuenta que la rosticería pide aún
20 pollos que va a satisfacer la granja C

Granjas
A 10 15 18 120
B 1 130 5 3 0
C 7 20 11 9 220 230 – 220 = 10
Demanda (pollos) 0 130 220 – 220 = 0 350 – 220 = 130
Siguiente costo más bajo, se le asigna lo que pide Se tacha porque satisface la demanda
la rosticería 3 (220) quedando aún 10 pollos por de la rosticería 3
colocar de la granja C

Granjas
A 10 15 18 120
Se tacha porque se
B 1 130 5 3 0
agota la oferta de la
C 7 20 11 10 9 220 10 – 10 = 0 granja B
Demanda (pollos) 0 130 – 10 = 120 0 130 – 10 = 120
Siguiente costo más bajo sólo se le asigna 10 pollos ya

que la granja C sólo dispone de 10 y la rosticería 2 aún
requiere 10 pollos

Paso 3. Si queda sin tachar un renglón o una columna, deténgase; de lo contrario, avance al siguiente
cuadro con el costo más bajo por unidad de la tabla no tachada. Regrese al paso 1.

Granjas
A 10 15 120 18 120 – 120 = 0
B 11 130 5 3 0
C 7 20 11 10 9 220 0
Demanda (pollos) 0 120 – 120 = 0 0 120 – 120 = 0
Último costo más bajo se le asigna Note que tanto la demanda como la oferta
el total de pollos disponibles de la quedaron satisfechas
granja A
El costo total por el envío de los pollos es:
Min Z = 1 (130) + 7 (20) + 9 (220) + 11 (10) + 15 (120) = 4 160
Observe que el costo es mayor que en caso del método de la esquina noroeste, lo cual demuestra que
no siempre este método es mejor.
4
Tres fábricas de calzado (1, 2, 3) con una oferta de 15, 25 y 10 mil pares de zapatos, respectivamente, deben
cubrir los pedidos de 4 tiendas (A, B, C, D), cuyas demandas ascienden a 5, 15, 15 y 15 mil pares de zapatos
cada una.
Elabore el modelo de programación lineal correspondiente y determine cuántos pares de zapatos se
van a enviar desde las fábricas (1, 2, 3) a cada una de las tiendas (A, B, C, D).
Tienda A B C D Oferta (miles)

Fábrica
La oferta de
1 10 2 15 20 11 15 – 15 = 0 la fila 1 llega
al límite
2 12 7 9 20 25
3 4 14 16 18 10
Demanda 5 15 15 15 50 – 15 = 35

Fábrica
1 10 2 15 20 11 0
2 12 7 9 20 25
3 4 5 14 16 18 10 – 5 = 5
Demanda 5–5=0 0 15 15 35 – 5 = 30
Se elimina porque se abastece la demanda de la columna A.


Fábrica
1 10 2 15 20 11 15 – 15 = 0
2 12 7 0 9 20 25
3 4 5 14 16 18 10
Demanda 0 15 – 15 = 0 15 15 30
Se elimina porque se abastece la demanda de la columna B
Cabe que recordar que no se puede eliminar al mismo tiempo una fila y una columna,
por eso se otorga 0 a B2 (note que no se eliminó desde la primera tabla)

Fábrica
1 10 2 15 20 11 0
2 12 7 0 9 15 20 25 – 15 = 10
3 4 5 14 16 18 10 – 5 = 5
Demanda 0 0 15 – 15 = 0 15 30 – 15 = 15
Se elimina porque se abastece la demanda de la fila C

Fábrica
1 10 2 15 20 11 10 15 – 15 = 0
2 12 7 9 15 20 25 – 15 = 10
3 4 5 14 16 18 5 5–5=0
Demanda 0 0 0 15 – 5 = 10 15 – 5 = 10
La oferta de la fila 3 llega al límite

Fábrica
1 10 2 15 20 11 10 0
Llega al límite
2 12 7 0 9 15 20 10 – 10 = 0
La oferta de la fila 3
3 4 5 14 16 18 5 0
Demanda 0 0 0 10 – 10 = 0 10 – 10 = 0
Se abastece la demanda de la columna D
Nota: En este punto se llega al abastecimiento de la demanda y se agota la oferta, lo que da como resultado:


Fábrica
1 10 2 15 20 11 10 0
2 12 7 0 9 15 20 0
3 4 5 14 16 18 5 0
Demanda 0 0 0 0 0
En este ejemplo la solución óptima es:
En este caso, para optimizar los costos de envío, de la fábrica 1 se deben enviar 15 000 pares de zapa-
tos a la tienda B y 10 000 pares a la tienda D; de la fábrica 2, 15 000 pares a la tienda C y, por último, 5 000
pares de la fábrica 3 a la tienda A y 5 000 a la tienda D.
Los costos de envío son:
Min Z = 2(15) + 4(5) + 7(0) + 9(15) + 5(18) + 20(10) = $ 475 000

⬖ El costo de envío será de $ 475 000.
3.1.3 Método Vogel

Este método es una versión mejorada del de costo menor que, por lo regular, produce mejores
soluciones iniciales.
Pasos para aplicar el método de Vogel

A continuación detallamos los pasos a seguir para aplicar este método:
Paso 1. En el caso de cada renglón o columna con una oferta o una demanda estrictamente
positiva, determine una medida de penalidad restando el elemento del costo por unidad más
bajo del renglón o columna del siguiente elemento de menor costo.
Paso 2. Identifique el renglón o columna con penalidad más grande y asígnele tanto como
sea posible a la variable con el costo más bajo, ajuste la oferta y demanda y tache el renglón o
columna satisfechos; si se satisfacen de manera simultánea un renglón y una columna, sólo se
tacha uno de ellos.
Paso 3. Si queda un renglón o una columna sin tachar con 0 oferta y 0 demanda, deténgase. Si
queda sin tachar un renglón o una columna con una oferta o demanda positiva, precise las variables
básicas del renglón o columna por el método del costo menor; de lo contrario, regrese al paso 1.
5
Para explicar este tema se retomarán los ejercicios que se trabajaron en las dos secciones anteriores (mé-
todo de la esquina noroeste y método del costo menor) para, al final, poder hacer una comparación entre los
métodos que se utilizaron.
Tres granjas de pollos (A, B, C), con una oferta de 120, 130 y 250, respectivamente, deben cubrir la
demanda de 3 rosticerías (1, 2, 3) que es de 150, 130 y 220 pollos.
Rosticería 1 2 3 Oferta pollos

Granjas
A 10 15 18 120
Costos de envío de
B 1 5 3 130 pollos de las granjas
a las rosticerías
C 7 11 9 250

Paso 1. En el caso de cada renglón o columna con una oferta o una demanda estrictamente positiva,
establezca una medida de penalidad mediante la resta del elemento de menor costo unitario del renglón o
columna del siguiente elemento de costo más bajo.
Rosticería 1 2 3 Oferta (pollos) Penalidad 1

Granjas
A 10 15 18 120 15 – 10 = 5
Costos más bajos
B 1 5 3 130 3–1=2 por renglón y
columna
C 7 11 9 250 9–7=2
Penalidad 1 7–1=6 11 – 5 = 6 9–3=6
Paso 2. Identifique el renglón o columna con penalidad más grande y asígnele tanto como sea posible a
la variable con el costo más bajo. Ajuste la oferta y demanda y tache el renglón o columna satisfechos; si se
satisfacen de manera simultánea un renglón y una columna, sólo se tacha uno de ellos.
En esta tabla se puede observar que la mayor penalidad es 6 en 3 diferentes lugares; por ello, debemos
elegir sólo una de las tres posibilidades y buscar el costo menor de estas tres.
Se elige esta columna pues el costo menor elegido es 1, mientras

que los demás son 5 y 3, aunque las penalidades sean 6

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 5 3 130 3–1=2
C 7 11 9 250 9–7=2
Penalidad 1 7–1=6 11 – 5 = 6 9–3=6
Después de elegir el costo menor (1), se le asigna lo más que se pueda al renglón elegido (B); en este
caso, 130 de los 150 pollos que se piden.

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 3–1=2
C 7 11 9 250 9–7=2
Penalidad 1 7–1=6 11 – 5 = 6 9–3=6

Ya asignada la cantidad de 130, se ajustan las cantidades de oferta y demanda como se muestra a
continuación.

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0 3–1=2
C 7 11 9 250 9–7=2
Demanda (pollos) 150 – 130 = 20 130 220 380
Penalidad 1 7–1=6 11 – 5 = 6 9–3=6
Luego, se tachan los renglones o columnas satisfechos con cero oferta o cero demanda.

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0 3–1=2
C 7 11 9 250 9–7=2
Demanda (pollos) 150 – 130 = 20 130 220 380
Penalidad 1 7–1=6 11 – 5 = 6 9–3=6
La siguiente etapa implica regresar al paso 1 y encontrar otra penalidad (penalidad 2) mediante la resta
de los dos valores más pequeños por renglón y por columna.

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 250 9–7=2
Demanda (pollos) 150 – 130 = 20 130 220 380
Penalidad 2 10 – 7 = 3 15 – 11 = 4 18 – 9 = 9
Ahora se elige esta columna puesto que es la penalidad más grande

Una vez que se eligió la columna, se asigna al valor más pequeño lo más que se pueda.
Valor más pequeño de la columna no tachado

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 250 9–7=2
Demanda (pollos) 150 – 130 = 20 130 220 380
Penalidad 2 10 – 7 = 3 15 – 11 = 4 18 – 9 = 9
Al cuadro elegido se le asignan 220 pues la oferta es de 250.

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 9–7=2
Demanda (pollos) 150 – 130 = 20 130 220 380
Penalidad 2 10 – 7 = 3 15 – 11 = 4 18 – 9 = 9
Luego de asignar la cantidad de 220, se ajustan las cantidades de oferta y demanda como se muestra
a continuación.
Rosticería Penalidad 2
Granjas 1 2 3 Oferta (pollos)
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30 9–7=2
Demanda (pollos) 150 – 130 = 20 130 220 – 220 = 0 380
Penalidad 2 10 – 7 = 3 15 – 11 = 4 18 – 9 = 9


Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30 9–7=2
Demanda (pollos) 150 – 130 = 20 130 220 – 220 = 0 380
Penalidad 2 10 – 7 = 3 15 – 11 = 4 18 – 9 = 9
La siguiente etapa exige regresar al paso 1 y encontrar otra penalidad (penalidad 3) mediante la resta
de los dos valores más pequeños por renglón y por columna.

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 13 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30 9–7=2
Demanda (pollos) 150 – 130 = 20 130 220 – 220 = 0 380
Penalidad 3 10 – 7 = 3 15 – 11 = 4
Si se eligió la columna, se asigna al valor más pequeño lo más que se pueda.

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30 11 – 7 = 4
Demanda (pollos) 150 – 130 = 20 130 220 – 220 = 0 380
Penalidad 3 10 – 7 = 3 15 – 11 = 4
Ahora se elige este renglón, puesto que es la penalidad más grande

Si se eligió el renglón, se asigna al valor más pequeño lo más que se pueda.
Valor más pequeño del renglón no tachado

Granjas
A 10 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30 11 – 7 = 4
Demanda (pollos) 150 – 130 = 20 130 220 – 220 = 0 380
Penalidad 3 10 – 7 = 3 15 – 11 = 4
Al cuadro elegido se le asignan 20 pollos pues es lo último que se pide aunque A ofrezca aún 120 pollos.

Granjas
A 10 20 15 18 120 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30 11 – 7 = 4
Demanda (pollos) 150 – 130 = 20 130 220 – 220 = 0 380
Penalidad 3 10 – 7 = 3 15 – 11 = 4

Granjas
A 10 15 18 120 – 20 = 100 15 – 10 = 5
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30 11 – 7 = 4
150 – 130 = 20
Demanda (pollos) 130 220 – 220 = 0 380
20 – 20 = 0
Penalidad 3 10 – 7 = 3 15 – 11 = 4

De inmediato se regresa al paso 1, pero como ya sólo queda una columna no tachada se continúa el
proceso por medio del método del costo menor.

Granjas
A 10 15 18 120 – 20 = 100
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30
150 – 130 = 20
Demanda (pollos) 130 220 – 220 = 0 380
20 – 20 = 0
Columna no tachada que se resuelve por medio del método de costo menor
El método de costo menor establece que se debe elegir el costo más pequeño de entre todos los ele-
mentos. En este caso se elige el costo menor de la columna no tachada.

Granjas
A 10 15 18 120 – 20 = 100
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30
150 – 130 = 20
Demanda (pollos) 130 220 – 220 = 0 380
20 – 20 = 0
Se elige este cuadro
Se le asigna lo más que se pueda al cuadro elegido, en este caso, 30 pollos, con lo cual el cuadro queda
de la siguiente forma.

Granjas
A 10 15 18 120 – 20 = 100
B 1 130 5 3 130 – 130 = 0
C 7 11 9 220 250 – 220 = 30
150 – 130 = 20
Demanda (pollos) 130 220 – 220 = 0 380
20 – 20 = 0

3.2 Método de cruce de arroyo o de piedra rodante 53
En seguida se tachan los renglones o columnas satisfechos con cero oferta o cero demanda.

Granjas
A 10 20 15 18 120 – 20 = 100
B 1 130 5 3 130 – 130 = 0
250 – 220 = 30
C 7 11 30 9 220
20 – 20 = 0
150 – 130 = 20
Demanda (pollos) 130 – 30 = 100 220 – 220 = 0 380
20 – 20 = 0
Por último, se asignan 100 pollos al cuadro final no tachado y se ajustan las ofertas y demandas corres-
pondientes.

Granjas
120 – 20 = 100
A 10 20 15 100 18
100 – 100 = 0
B 1 130 5 3 130 – 130 = 0
250 – 220 = 30
C 7 11 30 9 220
30 – 30 = 0
150 – 130 = 20 130 – 30 = 100

Demanda (pollos) 220 – 220 = 0 380
20 – 20 = 0 100 – 100 = 0
Como ya todo está asignado, la solución lineal a este problema es:
Min Z = 10 (20) + 1 (130) + 15 (100) + 11 (30) + 9 (220) = 4 140
En el problema de los modelos anteriores (modelos de la esquina noroeste, del costo me-
nor y modelo de Vogel, respectivamente) se manejó el mismo ejemplo para poder hacer una
comparación entre estos tres métodos y, como puede observarse, ninguno de ellos es cien por
ciento seguro ya que tendría que hacerse una comprobación previa antes de poder tomar una
decisión.
3.2 Método de cruce de arroyo o de piedra rodante

El método de cruce de arroyo o de piedra rodante recibe su nombre debido
a que los primeros en utilizarlo le denominaban “celda de piedra” a las celdas Método de cruce de arroyo. Método a
través del cual debe encontrarse un
con asignación a las cuales se desea hacer una asignación; en este método es
procedimiento de reasignación en el
necesario encontrar un procedimiento de reasignación, pues se debe pisar sólo
que sólo se pisen las celdas de piedra
en las celdas de piedra, no en las de agua, es decir, pisar sólo donde es posible y ninguna de agua pues, en estas
apoyarse. últimas, no es posible apoyarse.

Pasos para resolver el método de arroyo

A continuación explicaremos cuáles son los pasos que se deben seguir para aplicar este método:
Paso 1. Calcule el índice de mejoramiento (IMij), de cada celda vacía hasta que encuentre
una trayectoria cerrada que comience en dicha celda y continúe alternativamente sobre las
celdas llenas, es decir, con valor asignado, de forma horizontal y/o vertical. El IMij se calcula
mediante la suma y resta de manera alternativa de los costos de las celdas sobre la trayectoria.
Paso 2. Si todos los IMij calculados son mayores o iguales a cero, el procedimiento finaliza y
se dice que la solución actual es la óptima, en caso contrario, donde exista algún valor negativo,
indicará que hay una mejor solución a la que aquí se presenta.
Elija la variable de entrada correspondiente al menor (IMij) y la variable de salida que
corresponda a la casilla de menor valor asignado en la trayectoria y que se reste y sume de los
demás según sea el caso en el cálculo de IMij. Sea k el valor de dicha casilla.
Asigne a la casilla de entrada k unidades y recalcule de nueva cuenta los valores de las casi-
llas sobre la trayectoria.
Paso 3. Elija la variable de entrada correspondiente a la menor (IMij) y la variable de salida
que corresponda a la casilla de menor valor asignado y que se reste en el cálculo del IMij. Sea k
el valor de dicha casilla.
Paso 4. De acuerdo con el costo más bajo que eligió en el paso anterior, asigne la cantidad que
tiene la celda a la variable de entrada y, por lo tanto, reasigne los valores de manera que queden
con los totales que la tabla exige. Regrese al paso 1.
1
Con los datos del problema que se incluyen en la tabla siguiente, determine la solución óptima.
Origen 1 2 3 Oferta
A 5 10 10 55
B 20 30 20 80
C 10 20 30 75
Demanda 70 100 40
En este caso aplicaremos el método del costo mínimo para asignar los valores a la tabla, de lo cual resulta:
Origen D1 D2 D3 Oferta
5
s1 10 10 55
55
30 20
s2 20 80
40 40
10 20
s3 30 75
15 60
Demanda 70 100 40
Z = (5)(55) + (30)(40) + (20)(40) + (10)(15) + (20)(60) = 3 625
Paso 1. Para hallar la trayectoria que debe seguir la celda vacía S1, D2, debe buscarse la opción que permita
pasar por celdas llenas, que puede ser: pasar primero por (S1, D1), después ir hasta la siguiente celda llena que
nos dé dirección diferente, es decir (S3, D1). La siguiente celda llena es (S3, D2) y, por último, la celda para cerrar
la trayectoria es (S2, D2). Cabe destacar que no importa el orden en que hayamos encontrado la trayectoria, pues
bien podríamos haber iniciado en (S2, D2), después continuar en (S3, D1) y terminar en S1, D1.

Recuerde que, para conocer los índices de mejoramiento nos debemos enfocar en los costos, no en las
cantidades que hemos asignado a cada una de las celdas.
5 10
s1 10 55
55 Inicio
Note la trayectoria
30 20 de la celda (S1, D2)
s2 20 80
40 40
10 20
s3 30 75
15 60
Demanda 70 100 40
Nota: Las flechas indican la trayectoria que debe seguirse para asignar nuevos valores. La flecha roja especi-
fica dónde comienza la trayectoria.
El índice de mejoramiento (IM) de las celdas S1 y D2.
IM12 = 10 – 5 + 10 – 20 = – 5
La trayectoria que debe seguirse para la celda vacía S1, D3 es (S1, D3); (S2, D3); (S2, D2); (S3, D2); (S3, D1) y
(S1, D1). Como podemos observar, en esta ocasión, la trayectoria tuvo que pasar por todas las celdas llenas
que, a veces, se encuentran con esta ruta.
5 10
s1 10 55
55 Inicio
30 20 Note la trayectoria
s2 20 80
40 40 de la celda (S1, D3)
10 20
s3 30 75
15 60
Demanda 70 100 40
En consecuencia, el IM quedaría como sigue:
IM13 = 10 – 20 + 30 – 20 + 10 – 5 = 5
La trayectoria para la próxima celda vacía (S2, D1) sería:(S2, D1); (S2, D2); (S3, D2) y (S3, D1).
5
s1 10 10 55
55
20 30 20 Note la trayectoria
s2 80
Inicio 40 40 de la celda (S2, D1)
10 20
s3 30 75
15 60
Demanda 70 100 40

Por lo tanto, el índice de mejoramiento es:
IM21 = 20 – 30 + 20 – 10 = 0
La trayectoria para la siguiente celda vacía y última (S3, D3) quedaría así: (S3, D3); (S3, D2); (S2, D2) y (S2, D3).
5
s1 10 10 55
55
30 20
s2 20 80
40 40
10 20 30
s3 75
15 60 Inicio
Demanda 70 100 40
Con ello, el IM sería:
IM33 = 30 – 20 + 30 – 20 = 20
Reuniendo todos los IMij se tiene lo siguiente:
IM12 = 10 – 5 + 10 – 20 = –5 note que el valor es negativo

IM13 = 10 – 20 + 30 – 20 + 10 – 5 = 5
IM21 = 20 – 30 + 20 – 10 = 0
IM33 = 30 – 20 + 30 – 20 = 20
Paso 2. Como en este caso IM12 es negativo, tendremos que reasignar valores a las celdas con el objetivo
de conseguir que, en el siguiente cálculo, ningún valor sea negativo.
Paso 3. Elija la variable de entrada que es la correspondiente a la menor (IMij) y la variable de salida que
corresponda a la casilla de menor valor asignado y que se reste en el cálculo del IMij.
Sea k el valor de dicha casilla.
En este caso, la variable de entrada es donde está la celda (S1, D2) que elegimos debido a que ahí se
encuentra el índice negativo. Recordemos la trayectoria que seguía esta celda vacía.
Celda vacía Origen D1 D2 D1 Oferta

a la cual
reasignaremos
un nuevo s1
valor por tener 55 5 Inicio 10 10 55
un índice de
mejoramiento s2
negativo 20 40 30 40 20 80
Costo más bajo que 15

s3
sigue la trayectoria 10 60 20 30 75
70 100 40
Los costos de la trayectoria de esta celda son: 10, 5, 10 y 20. Como corresponde, tomaremos el costo
más bajo de la trayectoria, es decir, 5.

Paso 4. En este caso, el costo más bajo es 5, por lo cual debemos asignar la cantidad que tiene esta
celda (55) a la variable de entrada y, por lo tanto, reasignar los valores de manera que queden con los totales
que la tabla exige. La nueva tabla queda como se presenta a continuación:
10
s1 5 10 55 Observemos cómo el valor
0 + 55
que tenía la celda de menor
30 20 costo cambió a la celda
s2 20 80
40 40 donde teníamos un índice
de mejoramiento negativo
10 20
s3 30 75 sumándolo
15 60
Demanda 70 100 40
Nota: Recordemos que reasignamos el 55 a la celda vacía porque ésta tenía un valor negativo en su índice de
mejoramiento y que reacomodamos los valores de la tabla de tal modo que cada columna y fila quedaran satisfe-
chas con el valor asignado. Para reasignar los valores con los que quedará la tabla para satisfacer los requisitos de
la tabla total, sólo debemos mover los valores sobre los cuales se movió la trayectoria y todos los demás por los que
no pasaba permanecerán iguales.
Es por eso que a la celda (S3, D1), que al inicio tenía un valor de 15, al reasignarle el valor de 55 para
satisfacer la columna, debemos sumarle 15 + 55 = 70. La celda (S3, D2) también debe ser reasignada y, por
esa razón, debemos restar los 55 que reubicamos, de lo cual resulta: 60 – 55 = 5.
5 10
s1 10 55
55 – 55 0 + 55
30 20
s2 20 80
40 40
10 20
s3 30 75
15 + 55 60 – 55
Demanda 70 100 40
Observe que los valores de la tabla, tanto de la oferta como de la demanda, quedan satisfechos.
Ahora, la nueva tabla quedaría de la siguiente forma:
5 10
s1 10 55
0 55
30 20
s2 20 80
40 40
10 20
s3 30 75
70 5
Demanda 70 100 40
Para obtener de nueva cuenta el costo total del problema se debe realizar la siguiente operación:
Z = (55)(10) + (40)(30) + (5)(20) + (70)(10) + (40)(20) = 3 350

Luego, de regreso al paso 1, calculamos nuevamente los índices de las variables:
IM11 = 5 – 10 + 20 – 10 = 5
IM13 = 10 – 10 + 30 – 20 = 10
Cuando existe un 0 en los índices de mejoramiento,
IM21 = 20 – 30 + 20 – 10 = 0
eso indica que hay otra solución factible
IM33 = 30 – 20 + 30 – 20 = 20
Como en este caso no obtuvimos ningún valor negativo, el resultado final nos indica que el valor de Z
es 3 350.
2
Con los datos relativos al problema de transporte elaboramos la siguiente tabla:
$8.00 $6.00 $10.00
s1 125
$4.00 $9.00 $8.00

s2 150
$7.00 $6.00 $5.00

s3 95
Demanda 110 85 175
En este caso utilizaremos el método de costo mínimo para asignar valores a la tabla, que quedará así:
8 6 10
s1 125
85 40
4 9 8
s2 150
110 40
7 6 5
s3 95
95
Demanda 110 85 175
Z = (85)(6) + (40)(10) + (110)(4) + (40)(8) + (95)(5) = 2 145
8 6 10
s1 125
Inicio 85 40
4 9 8
s2 150
110 40
7 6 5
s3 95
95
Demanda 110 85 175

El índice de mejoramiento de la celda vacía S1, D1:
IM11 = 8 – 10 + 8 – 4 = 2
8 6 10
s1 125
85 40
4 9 8
s2 150
110 Inicio 40
7 6 5
s3 95
95
Demanda 110 85 175
IM22 = 9 – 8 + 10 – 6 = 4
8 6 10
s1 125
85 40
4 9 8
s2 150
110 40
7 6 5
s3 95
Inicio 95
Demanda 110 85 175
IM31= 7 – 4 + 8 – 5 = 6
8 6 10
s1 125
85 40
4 9 8
s2 150
110 40
7 6 5
s3 95
Inicio 95
Demanda 110 85 175
IM32 = 6 – 6 + 10 – 5 = 5
En este caso, ninguno de los índices de mejora muestra valores negativos; por lo tanto, la solución ópti-
ma indica que Z tiene un valor de 2 145.

3
Una cervecería cuenta con 3 plantas de embotellamiento de marcas genéricas, desde las cuales se distribu-
ye el producto a 5 bodegas. La siguiente tabla sintetiza los costos de distribución, las capacidades mensua-
les de las plantas y las necesidades de cada bodega expresadas todas ellas en cientos de cajas.
Bodega
Capacidad
Planta 1 2 3 4 5
mensual
1 $20.00 $35.00 $30.00 $40.00 $42.00 400
2 $45.00 $30.00 $42.00 $36.00 $38.00 350
3 $38.00 $40.00 $36.00 $35.00 $50.00 450
Necesidad
150 300 200 250 175
mensual
Se puede observar que, en este ejercicio, las cantidades de la demanda y la oferta no son iguales; por
lo tanto, debemos igualarlas. Para hacerlo, añadiremos otra columna antes de los valores finales con la can-
tidad que hace falta, que en este caso es 125.
Agregando la bodega ficticia, queda de la siguiente forma:
Bodega
Capacidad
Planta 1 2 3 4 5 Ficticia
mensual
1 20 35 30 40 42 400
2 45 30 42 36 38 350
3 38 40 36 35 50 450
Necesidad
150 300 200 250 175 125
mensual
Después de resolver el problema se tiene la siguiente solución inicial:
Bodega
Capacidad
mensual
20 35 30 40 42 0
1 400
150 200 50
45 30 42 36 38 0
2 350
300 50
38 40 36 35 50 0
3 450
250 75 125
Necesidad
150 300 200 250 175 125
mensual
Z = (150)(20) + (300)(30) + (200)(30) + (50)(42) + (50)(38) + (75)(50) + (250)(35) = 34 500

3.3 Modelo de asignación 61
Luego de equilibrar los valores, procederemos a asignar valores a la tabla. Al final, insertaremos la co-
lumna de la bodega ficticia para equilibrar la tabla.
A continuación debemos calcular los índices de mejoramiento de cada una de las celdas vacías que son:
IM12 = 35 – 42 + 38 – 30 = 1
IM14 = 40 – 42 + 50 – 35 = 13
IM21 = 45 – 20 + 42 – 38 = 29
IM23 = 42 – 30 + 42 – 38 = 16
IM24 = 36 – 38 + 50 – 35 = 13
IM31 = 38 – 20 + 42 – 50 = 10
IM32 = 40 – 30 + 38 – 50 = –2
IM33 = 36 – 30 + 42 – 50 = –2
Como aparecieron valores negativos, es necesario reasignar valores a la tabla mediante el método de
asignación.
Bodega
Capacidad
mensual
20 35 30 40 42 0
1 400
150 200 50
45 30 42 36 38 0
2 350
225 125
38 40 36 35 50 0
3 450
75 250 125
Necesidad
150 300 200 250 175 125
mensual
Z = (150)(20) + (200)(30) + (50)(42) + (225)(30) + (125)(38) + (75)(40) + (250)(35) = 34 350
A continuación debemos calcular los índices de mejoramiento de cada celda vacía, que son:
IM12 = 35 – 42 + 38 – 30 = 1
IM14 = 40 – 35 + 40 – 30 + 38 – 42 = 11
IM21 = 45 – 20 + 42 – 38 = 29
IM23 = 42 – 30 + 42 – 38 = 16
IM24 = 36 – 35 + 40 – 30 = 11
IM31 = 38 – 20 + 42 – 38 + 30 – 40 = 12
IM33 = 36 – 40 + 30 – 38 + 42 – 30 = 0
IM35 = 50 – 38 + 30 – 40 = 2
Observe que existe otra opción óptima para resolver este problema, pero la solución que acabamos de
hallar también satisface todos los lineamientos que se requerían.
3.3 Modelo de asignación

El modelo de asignación es un caso especial del de transporte en donde cada
fuente (origen) tiene una oferta de uno, y cada destino, una demanda unitaria. Modelo de asignación. Modelo en el
que cada fuente y cada destino poseen
Son problemas en donde a m elementos (por ejemplo, vendedores) se les debe
una demanda unitaria.
asignar a n destinos.

Aunque este tipo de problemas podría resolverse con el método de transporte, existe uno
más eficiente, al que se conoce como método húngaro.
Pasos para aplicar el método húngaro

A continuación presentamos los pasos para aplicar este método:
Paso 1. Con base en la tabla original de costos, desarrolle otra tabla para reducir cada fila
restándole el menor valor de ésta.
Paso 2. De la tabla que encontró en el paso anterior, reduzca ahora cada columna, restán-
dole el menor elemento.
Paso 3. De la tabla que desarrolló en el paso 2, elimine todos los ceros cruzándolos con el
menor número de líneas horizontales o verticales.
Si el menor número de líneas que trazó es igual a m, el problema queda resuelto y se proce-
de a la asignación, que debe hacerse empleando sólo celdas en cero. Si el número de líneas que
trazó en este paso es menor que m, réstele el menor elemento no cubierto por una línea a todos
los elementos que no fueron eliminados por una línea; luego, súmeselo a todos los elementos
que se encuentran en una intersección de dos líneas. Los demás elementos quedan igual. Con
la tabla así formada, se vuelve al inicio de este paso.
El proceso concluye cuando el menor número de líneas que trazó, que cubran todos los
ceros, sea igual a m.
3 1
Cuatro vendedores (A, B, C, D), deben asignarse a cuatro destinos (1, 2, 3, 4). Los costos de la asignación
aparecen en la tabla que a continuación se presenta:
Destinos
1 2 3 4
Vendedores
A 16 7 10 9
B 4 14 8 7
C 9 10 5 11
D 4 6 8 12
Paso 1. Haga la resta del menor costo por fila.
Destinos
1 2 3 4
Vendedores
A 16 7 10 9
B 4 14 8 7
C 9 10 5 11
D 4 6 8 12
Nota: Los valores menores de cada fila aparecen en gris.

3.3 Modelo de asignación 63
Destinos
1 2 3 4
Vendedores
A 16 – 7 = 9 7–7=0 10 – 7 = 3 9–7=2
B 4–4=0 14 – 4 = 10 8–4=4 7–4=3
C 9–5=4 10 – 5 = 5 5–5=0 11 – 5 = 6
D 4–4=0 6–4=2 8–4=4 12 – 4 = 8
El resultado es el siguiente:
Destinos
1 2 3 4
Vendedores
A 9 0 3 2
B 0 10 4 3
C 4 5 0 6
D 0 2 4 8
Paso 2. Reste el menor costo por columna.
Destinos
1 2 3 4
Vendedores
A 9 0 3 2
B 0 10 4 3
C 4 5 0 6
D 0 2 4 8
Nota: Como el costo menor en cada columna es 0, sólo se procederá a restar donde no tenga cero dicha colum-
na; en este caso, sería la 4:
Destinos
1 2 3 4
Vendedores
A 9 0 3 0
B 0 10 4 1
C 4 5 0 4
D 0 2 4 6

Paso 3. Elimine todos los ceros de la tabla que desarrolló cruzándolos con el menor número de líneas
horizontales o verticales.
Destinos
1 2 3 4
Vendedores
A 9 0 3 0
B 0 10 4 1
C 4 5 0 4
D 0 2 4 6
Como el número de líneas no es igual a m (4 vendedores), debe restarse el menor costo no cubierto por
una línea y luego sumarlo a las intersecciones de las líneas, luego de lo cual el cuadro queda como sigue:
Destinos
1 2 3 4
Vendedores
A 9 + 1 = 10 0 3+1=4 0
B 0 10 – 1 = 9 4 1–1=0
C 4 5–1=4 0 4–1=3
D 0 2–1=1 4 6–1=5
Nota: En este caso, el costo menor no cubierto por ninguna línea es el número 1 ubicado en B,4; como se men-
cionó, se suma dicho número en donde hay intersección y a los números que no fueron cubiertos por las líneas se
les restará el costo menor.
El resultado es el siguiente. Cabe recordar que debe procederse a trazar las líneas en donde hay ceros.
Destinos
1 2 3 4
Vendedores
A 10 0 4 0
B 0 9 4 0
C 4 4 0 3
D 0 1 4 5
En este caso, como el número de filas es igual a m (4), debe hacerse la asignación:
Destinos
1 2 3 4
Vendedores
A 10 0 4 0
B 0 9 4 0
C 4 4 0 3
D 0 1 4 5

Actividades de la unidad III 65
La asignación quedaría así: el vendedor A se dirige al destino 2 con un costo de 7 (que es el valor inicial
de la primera tabla), el B al punto de arribo 4 con un costo de 7, el C al 3 con un costo de 5 y el vendedor D va
al destino 1 con un costo de 4.
Destinos
1 2 3 4
Vendedores
A 16 7 10 9
B 4 14 8 7
C 9 10 5 11
D 4 6 8 12
Luego de sumar los costos de cada vendedor en relación con cada uno de los destinos se obtiene:
7 + 7 + 5 + 4 = 23
1. Una empresa que fabrica automóviles cuenta con 3 plantas de producción, una en Toluca, otra en Coahui-
la y otra en San Luis Potosí. Sus centros de distribución principales están ubicados en las ciudades de
México y Monterrey. Las capacidades de las tres plantas durante el trimestre próximo son de 5 000, 4 500
y 3 200 automóviles. Las demandas trimestrales en los dos centros de distribución son de 7 300 y 5 400
vehículos, respectivamente. El envío de automóviles se realiza por vía férrea con un costo aproximado
de 8 centavos por cada 2 000 km. El diagrama de la distancia que existe entre las plantas y los centros de
distribución es el siguiente:
Ciudad de México Monterrey
Toluca 75 km 875 km
Coahuila 993 km 348 km
San Luis Potosí 407 km 501.2 km
a) Elabore la tabla de costos

b) Formule el modelo de acuerdo a la estructura general de la programación lineal.
c) Encuentre la solución mediante los métodos de costo menor y de Vogel.
d) Explique cuál de los dos métodos es mejor.
2. Encuentre la solución inicial mediante cualquiera de los métodos que se expusieron en el capítulo (es-
quina noroeste, costo menor y Vogel) y utilice el método de cruce del arroyo para encontrar la solución
óptima del siguiente problema.
W X Y Z Oferta
A 10 1 9 11 600
B 12 14 20 20 100
C 2 7 16 18 140
Demanda 120 80 100 540

3. Utilizando el método húngaro encuentre la asignación óptima asociada de cada uno de los trabajos a cada
una de las máquinas y calcule el costo final.
Máquina A B C
1 5 7 9
2 14 10 12
3 15 13 16

Unidad
IV
Modelos de optimización
de redes
explicar qué entiende por red.
explicar qué es una ruta, nodo, arco, árbol, lazo.
resolver problemas mediante el algoritmo de Dijkstra.
resolver problemas mediante el algoritmo de Floyd.
resolver problemas mediante el algoritmo de flujo máximo.
resolver problemas mediante los métodos PERT y CPM
4.1 Modelos de redes

Una red consta de un conjunto de nodos unidos por arcos o ramas (véase figura 4.1). La nota-
ción para describir una red es (N, A) en donde N es el conjunto de nodos y A es el conjunto de
arcos.
1 3 5
N = 1, 2, 3, 4, 5
A = (1, 3) (1, 2) (3, 5) (3, 4) (4, 5) (2, 3) (2, 4)

2 4
Nodo Arco o rama
Figura 4.1 Representación de una red.
67

68 UNIDAD IV Modelos de optimización de redes
¿Por qué el arco (3, 1) no está en el conjunto A? Porque se repetiría el arco puesto que el
(1, 3) sí existe.
En general, el flujo de una red está limitado por la capacidad de sus arcos, los cuales pue-
den ser finitos e infinitos.
Se dice que un arco está dirigido u orientado si permite un flujo positivo en una dirección
y un flujo 0 en la dirección opuesta; una red dirigida tiene todas las ramas orientadas.
Ruta
Una ruta es una secuencia de ramas distintas que unen a dos nodos sin que
Ruta. Secuencia de ramas diferentes importe la dirección del flujo de cada rama. Una ruta forma un lazo o ciclo si
que enlazan dos nodos sin que importe conecta un nodo consigo mismo, como muestra la figura 4.2.
la dirección del flujo de cada rama.
1 3 5
2 4
Figura 4.2 Lazo o ciclo.
En la figura anterior (2, 3) (3, 4) (4, 2) forman un ciclo.
Lazo dirigido
Un lazo dirigido o circuito es un círculo en el cual todas las ramas están orien-
Lazo dirigido (circuito). Círculo en el tadas en la misma dirección.
que todas las ramas se orientan en la
misma dirección.
Red conectada
Red conectada. Es aquella en la cual
dos nodos se encuentran unidos, por Una red conectada es aquella en la cual dos nodos se encuentran unidos, por lo
lo menos, por una ruta. menos, por una ruta.
Árbol. Red conectada que puede con-
tener sólo un subconjunto de todos los Árboles
nodos de la red.
Árbol de expansión. El que une todos Por su parte, un árbol es una red conectada que puede incluir sólo un subcon-
los nodos sin permitir ningún lazo. junto de todos los nodos de la red, mientras que un árbol de expansión une
todos los nodos sin permitir ningún lazo entre ellos.
Si se observa la figura 4.1, se obtiene lo siguiente (véase figura 4.3):
Figura
1 1
2
2
4 6
3 3
5
Árbol Árbol de expansión
Figura 4.3 Representación de un árbol y de un árbol de expansión.

4.1 Modelos de redes 69
En el caso de la siguiente figura, determine el conjunto de N, A y determine una ruta, un árbol de expansión,
un árbol y un lazo o circuito.
N = 1, 2, 3, 4, 5
1 5
A = (1, 2) (1, 3) (3, 4) (3, 5) (2, 5) (4, 5) (5, 1)
3 4
Rutas: Ciclos:
1, 2, 5 1, 2, 5, 1
1, 3, 5 1, 3, 5, 1
1, 3, 4, 5, 1
2 1 5 1 5
1 5 3 3 4
Ejemplo: Representación de una ruta Ejemplo: Representación de uno

de los ciclos
1 1
Árbol:
1, 2, 5 3 3
1, 3, 5, 2
1, 3, 5
4 2
5 5
Incluye todos los nodos de

la red evitando ciclos
Red
Una red es la representación gráfica de un proyecto; las actividades que se desa-
rrollan en ella se simbolizan mediante círculos (nodos), mientras que las rela- Red. Representación gráfica de un
ciones de secuencia entre actividades con segmentos dirigidos (aristas). proyecto.
Ruta. Secuencia entre actividades que
se desarrollan en una red.
Ruta
Una ruta es una secuencia entre actividades en una red.

4.2 Algoritmo de la ruta más corta

El problema de la ruta más corta determina la distancia menor entre un punto de origen y un
punto de destino. En una red de transporte, dicho modelo también puede utilizarse para mo-
delar diferentes situaciones. Por ejemplo, existen dos algoritmos que se utilizan para resolver
las redes críticas y las acríticas:
• Dijkstra
• Floyd
El algoritmo de Dijkstra es útil para determinar la ruta más corta entre el nodo del punto
de origen y cada uno de los otros nodos de la red. Por otra parte, el algoritmo de Floyd es más
general porque permite determinar la ruta más corta entre cualquier par de nodos de la red.
Algoritmo de Dijkstra
Los cálculos del algoritmo de Dijkstra avanzan de un nodo i a un nodo siguiente j, por medio
de un procedimiento especial de clasificación. La clasificación de nodos de acuerdo con el al-
goritmo de Dijkstra se representa en dos formas:
• Temporales
• Permanentes
Una clasificación temporal puede ser remplazada por otra si se puede encontrar una ruta
más corta al mismo nodo. Si se llega al punto en el cual es evidente que no existe una ruta me-
jor, el estado temporal cambia a permanente.
Pasos para resolver el algoritmo de Dijkstra

Paso 1. Clasifique el nodo del punto de origen (nodo 1) en la clasificación permanente.
Paso 2. Calcule las clasificaciones temporales de cada nodo j al que puede llegarse desde el
nodo i, siempre y cuando j no esté clasificado como permanente.
Si el nodo j es temporal y el nuevo valor es menor que el que tenía, entonces se reemplaza
con el nuevo.
Paso 3. Si todos tienen clasificaciones permanentes, deténgase. De lo contrario, seleccione
la clasificación con la distancia más corta de entre todas las temporales.
1
Permanente = 15
Permanente = 10
i=1 15
2 4
j = 2, 3
dij = 30 j j
100 20 10 50
Ruta: 1, 3, 4, 2
Costo: 55 30 60
1 3 5
i j j
Permanente = 30
Algoritmo de Floyd
El algoritmo de Floyd es más general que el de Dijkstra ya que determina la ruta más corta en-
tre cualesquiera dos nodos de la red. Este algoritmo representa una red de N nodos como una
matriz cuadrada con N renglones y N columnas. La entrada (i, j) de la matriz de la distancia

4.4 CPM y PERT 71
dij del nodo i al nodo j, que es finito. Por su parte, i está elaborado directamente con j; de lo
contrario, es infinito.
4.3 Modelo de flujo máximo

En este caso se trata de enlazar un nodo fuente y un nodo destino a través de una red de arcos
dirigidos. Cada arco tiene una capacidad máxima de flujo admisible. El objetivo es obtener la
máxima capacidad de flujo entre la fuente y el destino.
4.3.1 Características del modelo de flujo máximo

A continuación presentamos las características del modelo de flujo máximo:
• Todo flujo a través de una red conexa dirigida se origina en un nodo llamado fuente y termi-
na en otro denominado destino. Los nodos restantes son nodos de trasbordo.
• Se permite el flujo a través de un arco sólo en la dirección que indica la flecha, donde la
cantidad máxima de flujo está dada por la capacidad del arco. En la fuente,
todos los arcos apuntan hacia el exterior. En el destino, todos señalan hacia
el nodo. Fuente. Nodo en el que todos los arcos
• El objetivo es maximizar la cantidad total de flujo de la fuente al destino. apuntan hacia el exterior.
Destino. Nodo en el cual todos los
Tal cantidad se mide en cualquiera de dos maneras equivalentes: la cantidad
arcos señalan hacia el nodo.
que sale de la fuente o la que entra al destino.
El problema de flujo máximo puede formularse como uno de programación lineal, resol-
verse con el método símplex y por medio de cualquier software. Sin embargo, se dispone de
un algoritmo de trayectorias aumentadas mucho más eficiente que se basa en dos conceptos
intuitivos: el de red residual y el de trayectoria aumentada.
Algoritmo de la trayectoria de aumento en el caso del problema de flujo máximo

Se identifica una trayectoria de aumento si en la red residual se encuentra algu-
na trayectoria dirigida del origen al destino, tal que cada arco sobre ella tenga Trayectoria de aumento. Se da cuando
capacidad residual estrictamente positiva. (Si no existe ninguna, los flujos netos en la red residual hay una trayectoria
del origen al destino en la que cada
asignados constituyen un patrón del flujo óptimo).
arco sobre ella tiene una capacidad
Se identifica la capacidad residual c* de esta trayectoria de aumento me- residual positiva.
diante la determinación del mínimo de las capacidades residuales de los arcos Patrón del flujo óptimo. Ocurre cuando
sobre esta trayectoria. Se aumenta en c* el flujo de esta trayectoria. los arcos que hay en una red residual
Se disminuye en c* la capacidad residual de cada arco en esta trayectoria de del origen al destino no tienen capaci-
aumento. Se aumenta en c* la capacidad residual de cada arco en la dirección dad residual positiva.
opuesta en esta trayectoria. Se regresa al paso 1.1
4.4 CPM y PERT

El CPM (Critical Path Method) o método de la ruta crítica y el PERT (Program
Evaluation and Review Technique) también conocido como técnica de evaluación CPM y PERT. Métodos basados en re-
y revisión de programas, son métodos que se basan en redes diseñadas para des que ayudan a planificar, programar
y controlar proyectos.
ayudar en la planificación, programación y control de proyectos. Un proyecto
Proyecto. Conjunto de actividades
se define como un conjunto de actividades interrelacionadas en la cual cada una
interrelacionadas en la que cada una
requiere tiempo y recursos. implica tiempo y recursos.
El objetivo del CPM y del PERT es proporcionar medios analíticos para
programar las actividades. Primero, definimos las actividades del proyecto, sus
1
Hillier y Lieberman, Investigación de operaciones, p. 423.

relaciones de procedencia y sus requerimientos de tiempo; después, el proyecto se traduce a

una red que muestra las relaciones de procedencia entre las actividades. Por último, se hacen
cálculos específicos de red que faciliten el desarrollo del programa de tiempo del proyecto
(figura 4.4).
Actividades Cálculos
de proceso de la red
Programas de tiempos
tiempo
Figura 4.4 Proceso para elaborar un proyecto.
Las técnicas CPM y PERT difieren en que la primera supone duraciones deterministas de la
actividad; en cambio, la segunda supone duraciones probabilísticas.
Representación de las redes PERT y CPM

Cada actividad del proyecto se representa por medio de un arco direccional (flecha que apunta
en dirección del proyecto). Los nodos de la red establecen las relaciones de procedencia entre
las diferentes actividades del proyecto.
Existen tres reglas para construir una red, a saber:
1. Cada actividad se representa con una y sólo una flecha en la red.
2. Cada actividad debe identificarse por medio de dos nodos finales distintos.
1 1
A
2
A 3 3 A
2 B 2 B 1 3
B
Figura 4.5 Representación de varias actividades concurrentes.
3. Por definición, una actividad simulada normalmente se representa por medio de una fle-
cha de líneas punteadas, la cual no consume tiempo ni recursos. La figura 4.5 muestra
cómo debe utilizarse una actividad simulada para representar dos actividades concurrentes
(A y B).
Al insertar una actividad simulada en una de las tres reglas anteriores, mantenemos la con-
currencia de A y B, es decir, proporcionamos los nodos finales únicos para las dos actividades
concurrentes.
Para mantener las relaciones de precedencia correctas, se deben responder las siguientes
preguntas a medida de que se añade cada actividad en la red.
¿Cuál actividad debe preceder inmediatamente a la actual?
¿Cuál actividad debe seguir a la actual?
¿Cuáles actividades deben ocurrir de forma concurrente a la actual?

4.4 CPM y PERT 73
Las respuestas a estas preguntas pueden requerir el empleo de actividades simuladas para
asegurar la presencia empleada entre las actividades.
Por ejemplo, supongamos que debe satisfacerse la siguiente precedencia. La actividad C
puede comenzar inmediatamente después de que se hayan completado las actividades A y B.
La actividad D puede empezar inmediatamente después de haberse completado sólo la
actividad B (véase figura 4.6).
A C
B D
Figura 4.6 Representación de una red.
Las flechas indican la trayectoria de las actividades, las cuales, a su vez, se representan con
círculos.
1
Un editor tiene un contrato con un autor para publicar un libro de texto. Las actividades simplificadas que se
asocian con la producción del libro de texto se desarrollan y proporcionan a continuación.
Desarrolle la red que represente el proyecto.
Actividades Predecesoras Duración en semanas
A El editor corrige el manuscrito – 3
B El tipógrafo prepara las páginas de muestra – 2
C Diseño de la portada – 4
D Preparación de las ilustraciones – 3
E El autor aprueba el texto editado A, B 2
F Composición tipográfica del libro E 4
G El autor verifica la composición de las páginas F 2
H El autor verifica las ilustraciones D 1
I Producción de las placas para la impresión G, H 2
J Producción y encuadernación del libro C, I 4
Para poder elaborar la red, primero debe asignarse el punto de origen (nodo 1). Después, deben tomarse
las actividades que no tengan ninguna actividad precedente; en este caso, serían A, B, C, D. Al finalizar estas
actividades, comienzan a ubicarse las siguientes como:
E empieza al finalizar las actividades A y B.

F se inicia cuando termina la actividad E.
G comienza al cumplir con la tarea F.
H principia al concluir con la actividadd D.
I se inicia cuando acaban las tareas G y H.
J empieza al finalizar las actividades C e I.

Con ello, se concluye la trayectoria de la red de dicho proyecto (véase figura 4.7).
E F
2 4 5
A
3
B
1 9 G
J
C
D 8
I
H 7
6
Figura 4.7 Representación de la red del problema 3.
Cálculo de la ruta crítica (CPM)

Para lograr el resultado final con la construcción del programa de tiempo del proyecto de una ma-
nera conveniente, hacemos cálculos especiales que nos proporcionan la siguiente información:
• Duración total necesaria para completar el proyecto.
• Categorización de las actividades del proyecto como críticas y no críticas.
Se dice que cualquier actividad es crítica cuando no hay libertad para deter-
Actividad crítica. Ocurre cuando no hay minar los tiempos de inicio y terminación como tales para completar el proyecto
libertad para determinar los tiempos de sin demora.
inicio y terminación en un proyecto.
Cada actividad crítica debe iniciarse y terminarse a tiempo. Una actividad
no crítica permite cierta holgura en la programación, de modo que el tiempo
de iniciarla puede adelantarse o retrasarse dentro de ciertos límites sin que ello afecte la fecha
de terminación del proyecto.
Para efectuar los cálculos, definimos un evento como un punto en el tiempo
Evento. Punto en el tiempo en el que se en el cual se terminan ciertas actividades y se inician otras; en términos de la
concluyen determinadas actividades y red, el evento corresponde a un nodo.
se empiezan otras.
Los cálculos de la ruta crítica implican dos pasos: el paso hacia adelante y
el paso hacia atrás. El que se dirige hacia adelante determina los primeros tiem-
pos de ocurrencia de los eventos, mientras que el paso hacia atrás calcula las últimas fechas de
ocurrencia.
2
Calcule la ruta crítica dada la siguiente red. 2
3 5
3 7 5
1 3 6 6
7
3
2
2
4
2 2
Respuesta: Ruta: 1, 3, 4, 5, 6, 7 = 19

Actividades de la unidad IV 75
1. Una compañía de televisión por cable está en proceso de proporcionar servicio a cinco nuevas áreas
habitacionales. La figura siguiente representa los enlaces posibles de televisión entre las cinco áreas. La
extensión de los cables se muestra en cada uno de los arcos. Determine la red de cable más económica
en las conexiones de cable de la compañía:
3
2 5
1 4 6
6
9
1
5 10
3 6
7 5
8
3
4
2. Una compañía que renta automóviles desea desarrollar un plan de reposición de su flotilla para un horizonte
de planeación de 4 años, que comienza el 1 de enero de 2006 y termina el 31 de diciembre de 2010. Al
iniciar cada año se decide si un auto se debe mantener en operación o se debe sustituir. Cada vehículo debe
estar en servicio durante 1 año como mínimo y 3 años como máximo. La figura siguiente muestra el costo
de reposición en función del año de compra del vehículo y los años que tiene en funcionamiento.
El problema se formula como una red, en la cual se representan por los nodos del 1 al 5 los años de
2006 a 2010. Determine la ruta más corta entre los nodos 1 y 5:
9 800
5 000 7 100
4 000 4 300 4 800 4 900

1 2 3 4 5
6 200
8 700
3. Considere la siguiente figura. Luego, encuentre la ruta más corta del nodo 1 al 15.
6 8
4 10
12
2
14
1 15
3 13
5 11
7 9

4. Resuelva el problema de recorrido mínimo en la red que se muestra en la figura siguiente. Los números
sobre las ramas representan los costos de incluir estas ramas en la red final.
10
8
7
2 B 1 5
A 1 10
D F
3
4 7
4
3
C G
5. En la figura siguiente, identifique una ruta del origen A al destino G que permita un flujo positivo.
3
5
2
E
1
2 4
A 1 7
C G
1
6
5
F
10 3

Ejercicios
Problema 1
Afianzadora Insurgentes evalúa 3 proyectos de crecimiento; además, elaboró una planificación de
5 años para acrecentar su rentabilidad. A continuación se muestra una tabla de estimación de las
utilidades que proporcionará cada proyecto y los egresos que se relacionan con cada uno de ellos
y que se consideran anuales. Plantee el modelo de programación lineal.
Egresos (miles p)
Proyecto 1 2 3 4 5 Utilidad
1 25 27 28 30 28 215
2 18 22 21 28 31 320
3 16 27 21 34 24 270
Fondos disponibles 120 140 120 150 110
x1 = proyecto 1
x2 = proyecto 2
x3 = proyecto 3
Objetivo: maximizar
Max Z = 215x1 + 320x2 + 270x3
S.A.
25x1 + 18x2 + 16x3 ≥ 120
27x1 + 22x2 + 27x3 ≥ 140
28x1 + 21x2 + 21x3 ≥ 120
30x1 + 28x2 + 34x3 ≥ 150
28x1 + 31x2 + 24x3 ≥ 110
xi ≥ 0
Problema 2
La compañía Higiene y Limpieza Institucional (HLI) desea evaluar y proyectar las utilidades de
cada uno de sus productos Fabuloso, así como su proceso de elaboración durante 5 años; se nos
proporcionan las utilidades esperadas de cada producto. Plantee el modelo de programación
lineal entero.
Tipo de Fabuloso Año 1 Año 2 Año 3 Año 4 Año 5 Utilidades

Mar fresco 1 2 3 1 1 10 000
Lavanda 1 1 4 1 1 9 500
Frutas 1 1 1 1 1 7 000
Canela 2 5 3 2 1 14 000
Naranja 2 2 2 2 2 11 500
Fondos disponibles 20 28 26 30 37
77
05 Munoz EJERCICIOS.indd 77 02/03/11 01:59 PM

78 Ejercicios
Sea:
x1 = Fabuloso mar fresco

x2 = Fabuloso lavanda
x3 = Fabuloso frutas
x4 = Fabuloso canela
x5 = Fabuloso naranja
Objetivo: maximizar
Max Z = 10 000x1 + 9 500x2 + 7 000x3 + 14 000x4 + 11 500x5
1x1 + 1x2 + 1x3 + 2x4 + 2x5 ≤ 20

2x1 + 1x2 + 1x3 + 5x4 + 2x5 ≤ 28
3x1 + 4x2 + 1x3 + 3x4 + 2x5 ≤ 26
1x1 + 1x2 + 1x3 + 2x4 + 2x5 ≤ 30
1x1 + 1x2 + 1x3 + 1x4 + 2x5 ≤ 37
xi ≥ 0
Problema 3
Se analizan cuatro medios electrónicos de comunicación para lanzar la nueva campaña publi-
citaria de Desechables Jaguar. La campaña tendrá una duración de 3 meses. La siguiente tabla
proporciona los alcances totales y los costos mensuales presupuestados de cada medio. Elabore
el modelo de programación lineal entero.
Número Medio de comunicación Costos 1er. mes 2do. mes 3er. mes Alcance del medio
1 TV 35 000 22 000 16 000 3 425 000
2 Radio 16 000 10 000 5 000 275 000
3 TV por cable 18 000 14 000 9 000 49 000
4 Periódico 15 000 9 000 7 000 781 550
Total costos ⫻ mes

84 000 55 000 37 000
presupuestados
Sea:
x1 = medio 1
x2 = medio 2
x3 = medio 3
x4 = medio 4
Max Z = 3 425 000x1 + 275 000x2 + 49 000x3 + 781 550x4
S.A.
35 000x1 + 16 000x2 + 18 000x3 + 15 000x4 ≤ 84 000
22 000x1 + 10 000x2 + 14 000x3 + 9 000x4 ≤ 55 000
16 000x1 + 5 000x2 + 9 000x3 + 7 000x4 ≤ 37 000
xi ≥ 0

Ejercicios 79
Problema 4
Una compañía aérea debe evaluar tres proyectos promocionales, los cuales se llevarán a cabo
en los siguientes 12 meses y, para ello, cuenta con un capital limitado para cada mes, por lo cual
debe elegir la opción que más se adapte a sus necesidades. Los datos se muestran en la siguiente
tabla:
Requerimiento de capital (meses)(en pesos)

Valor actual ⫻ 3
Mezcla de promoción meses 3 6 9 12
(en pesos)
TV y prensa 8 000 16 000 15 000 18 000 25 000
Radio y prensa 6 000 7 000 12 000 10 000 4 000
Radio y TV 10 000 10 000 13 000 18 000 25 000
Fondo disponible 30 000 40 000 35 000 50 000
Sea:
x1 = TV y prensa
x2 = Radio y prensa
x3 = Radio y TV
Min Z = 8 000x1 + 6 000x2 + 10 000x3
Sujeto a: 16 000x1 + 7 000x2 + 10 000x3 ≤ 30 000

15 000x1 + 12 000x2 + 13 000x3 ≤ 40 000
18 000x1 + 10 000x2 + 18 000x3 ≤ 35 000
25 000x1 + 4 000x2 + 25 000x3 ≤ 50 000
xi ≥ 0
Problema 5
La empresa Sueño desea importar colchones de Tailandia, para lo cual debe evaluar las posibles
agencias aduanales a las que acudirá para ello.
A la compañía le interesa cumplir con los pedidos que tiene, así que uno de los factores más
importantes para elegir agencia es el tiempo en que llega el pedido al almacén de la tienda, sin
olvidar el costo y la utilidad.
La empresa está comprometida a entregar sus pedidos en no más de una semana y no pue-
de gastar más de 25 000 pesos por pedido.
La tabla ilustra las características de cada agencia aduanal.
Agencia aduanal Tiempo de entrega Costo total (en pesos) Ganancia

Tipo 1 4 días 24 000 10 000
Tipo 2 5 días 20 000 13 000
Tipo 3 5 días 19 500 12 000

80 Ejercicios
¿Qué agencia aduanal debe elegir la empresa de acuerdo con la ganancia obtenida?
Sea:
x1 = contratar agencia aduanal tipo 1

Max Z = 10 000x1 + 13 000x2 + 12 000x3
S.A.
4x1 + 5x2 + 5x3 ≥ 7 días
24 000x1 + 20 000x2 + 19 500x3 ≤ 25 000
x1 ≥ 0
Problema 6
La empresa de telemarketing Atel trata de reducir sus costos; la estrategia es escoger la compa-
ñía telefónica que le ofrezca más llamadas a un costo reducido. Son tres las compañías telefó-
nicas: Telmex, que cobra 360 pesos por mes. AT&T, 450 pesos fijos al mes, y Avantel, cuya tarifa
fija es de 280 pesos mensuales.
La compañía debe cumplir con sus clientes, pero, debido a que la competencia ha aumen-
tado, tiene que ofrecerles planes muy atractivos. Ello significa un precio considerable para la
promoción o ventas de los productos de sus clientes, aunque sin poner en riesgo la buena pro-
moción de los productos.
Para que la empresa cumpla con sus clientes, debe hacer un promedio de 400 llamadas
al mes por empleado, pero sus costos extras no deben exceder de 2 000 pesos. En la siguiente
tabla se presentan los beneficios que se obtienen con cada una de las compañías telefónicas.
Compañía Renta mensual Núm. de llamadas al mes Costo por llamada extra
Telmex 350 350 2.00
AT&T 400 300 1.50
Avantel 280 300 2.20
¿Cómo debe repartir las llamadas la empresa para minimizar los costos?
Sea:
x1= contratar línea telefónica con Telmex

x2= contratar línea telefónica con AT&T
x3= contratar línea telefónica con Avantel
Min Z = 350x1 + 400x2 + 280x3
S.A.
350x1 + 300x2 + 300x3 ≥ 400
2x1 + 1.5x2 + 2.2x3 ≤ 2 000
x1 ≥ 0

A miento de reasignación en el que sólo se tamiento con un cierto margen de error
pisen las celdas de piedra y ninguna de aceptable o tolerable.
Actividad crítica. Ocurre cuando no hay li- agua pues, en estas últimas, no es posi- Modelos dinámicos. Interpretan la evolu-
bertad para determinar los tiempos de ble apoyarse. ción de una parte de la realidad en un
inicio y terminación en un proyecto. Método del costo menor. Se concentra en tiempo determinado.
Árbol. Red conectada que puede contener las rutas económicas. Asigna el costo Modelos estáticos. Representan la realidad
sólo un subconjunto de todos los nodos más bajo a cada unidad y después se en una determinada unidad de tiempo.
de la red. ajusta la cantidad de la oferta y la de- Modelos físicos. Paradigmas que repre-
Árbol de expansión. El que une todos los manda. sentan la realidad a escala y se constru-
nodos sin permitir ningún lazo. Método gráfico. Se emplea para solucionar yen con base en problemas concretos.
problemas de programación lineal me-
C diante la representación geométrica de O
Cola. Línea de espera. restricciones, condiciones técnicas y
Operación. Conjunto de reglas que permi-
CPM y PERT. Métodos basados en redes objetivos.
ten, a partir de una o varias cantidades
que ayudan a planificar, programar y Método símplex de programación lineal.
o expresiones, llamadas datos, obtener
controlar proyectos. Primer procedimiento matemático am-
otras cantidades o expresiones deno-
pliamente aceptado en la investigación de
minadas resultados.
D operaciones, basado en la iteración para ir
Optimizar. Logro de mayores beneficios con
mejorando la solución a cada paso.
Destino. Nodo en el cual todos los arcos se- una mínima inversión de recursos.
Modelo. Representación simplificada o idea-
ñalan hacia el nodo. lizada de una parte de la realidad.
Modelo de asignación. Modelo en el que P
E cada fuente y cada destino poseen una Parámetros. Valores que especifican la re-
Evento. Punto en el tiempo en el que se demanda unitaria. lación entre las variables de decisión.
concluyen determinadas actividades y Modelo de transporte. Clase especial de Patrón del flujo óptimo. Ocurre cuando los
empiezan otras. programación por medio del cual se mi- arcos que hay en una red residual del
nimizan los costos del transporte de per- origen al destino no tienen capacidad
F sonas o productos desde los puntos de residual positiva.
origen hasta los puntos de destino. Programación lineal. Procedimiento mate-
Fuente. Nodo en el que todos los arcos apun-
Modelo descriptivo. Representación de la mático con una o más funciones obje-
tan hacia el exterior.
realidad mediante una relación funcional. tivo, un conjunto de restricciones y una
Modelo matemático. Se construyen me- restricción de no negatividad para deter-
I diante símbolos matemáticos que re- minar la asignación óptima de recursos
Investigación. Actividad que tiene por fin presentan diferentes comportamientos escasos.
ampliar el conocimiento científico sin del problema; no todos son complejos. Proyecto. Conjunto de actividades interre-
perseguir, en principio, ninguna aplica- Modelo normativo. Paradigma que señala lacionadas en la que cada una implica
ción práctica. el curso de acción que debe seguirse tiempo y recursos.
Investigación de operaciones (IO). Disci- para lograr un objetivo.
plina que divide un problema concreto Modelo predictivo. Paradigma que no sólo R
en pequeñas partes a las que analiza describe la realidad sino que señala las
Red. Representación gráfica de un proyecto.
para obtener un problema abstracto o situaciones futuras.
Red conectada. Es aquella en la cual dos
un modelo y así ofrecer acciones o al- Modelos abstractos. Herramientas de in-
nodos se encuentran unidos, por lo me-
ternativas de solución. vestigación que utilizan expresiones
nos, por una ruta.
simbólicas para representar el compor-
Ruta. Secuencia de ramas diferentes que
L tamiento de un sistema.
enlazan dos nodos sin que importe la
Modelos aleatorios. Describen un fenóme-
Lazo dirigido (circuito). Círculo en el que dirección del flujo de cada rama. Se-
no que se comporta regularmente en
todas las ramas se orientan en la misma cuencia entre actividades que se desa-
intervalos diferentes; por lo tanto, pre-
dirección. rrollan en una red
decir su comportamiento es muy difícil.
Modelos determinísticos. Representación
M de un fenómeno que se comporta regu- T
Método de cruce de arroyo. Método a través larmente a intervalos iguales y, por con- Teoría de colas. Conjunto de modelos ma-
del cual debe encontrarse un procedi- siguiente, es factible predecir su compor- temáticos que describen sistemas de
81
06 Munoz GLOSARIO-BIBLIO.indd 81 02/03/11 01:59 PM

82 Bibliografía
líneas de espera particulares o de siste- Trayectoria de aumento. Se da cuando en la V

mas de colas. Los modelos sirven para red residual hay una trayectoria del origen
encontrar una relación óptima entre los al destino en la que cada arco sobre ella
Variables de decisión. Cantidades que se
costos del sistema y los tiempos prome- desconocen y que deben determinarse
tiene una capacidad residual positiva.
dio de la línea de espera de un sistema en la solución de un problema cuyo mo-
dado. delo se plantea.
HILLIER–LIEBERMAN, Investigación de operaciones, séptima edición, Introducción a la investigación de operaciones, www.investigacion-

México, McGraw-Hill, 2002. operaciones.com/Introduccion_IO.htm
HOSSEIN ARSHAM, Modelos deterministas: optimización lineal, http:// TAHA HAMDY, A., Investigación de operaciones una introducción, sex-
home.ubalt.edu/ntsbarsh/opre640S/SpanishD.htm#rop ta edición, Prentice Hall, 1998.

Índice
A M temporales, 70
No negatividad, 5, 9, 13
Actividad crítica, 74, 81 Método
Número de restricciones, 13
Algoritmo celda de piedra, 53
de Dijkstra, 67, 70 CPM (Critical Path Method), 67, 71, 72, 81
de asignación, 61
O
de Floyd, 67, 70
de flujo máximo, 67 de costo menor, 35, 38, 42, 46, 52, 54, Objetivo, 5, 11
de la ruta más cercana, 70 58, 65, 81 Operación, 81
Árbol, 67, 68, 69, 81 de cruce de arroyo, 53, 54, 65, 81 Optimización, 3, 5, 33
de expansión, 68, 69, 81 de la esquina noroeste, 35, 38, 42, 44, Optimizar, 4, 9, 81
Arco, 67, 68, 71 46, 65 Organigrama, 3
Arista, 69 de la ruta crítica, 71
Arsham Hossein, 4 de piedra rodante, 53 P
de suma y resta, 18 Parámetros, 7, 8, 81
C de transporte, 61, 62 Patrón de flujo óptimo, 71, 81
Cálculo de la ruta crítica (CPM), 74 dual símplex, 33 Pivote, 20, 21, 23, 24, 28, 30, 31
Ciclo, 68 gráfico, 7, 13, 34, 81 Plano cartesiano, 13, 14
Ciencias de la administración, 1 gráfico en actividad, 13 Problemas lineales, 5, 13
Circuito, 68, 69, 81 gráfico en recursos, 13 Problemas no lineales, 5, 7
Cola, 81 húngaro, 35, 62, 66
Programación lineal, 7, 9, 33, 35, 81
Conjunto de restricciones, 7, 8 PERT (Program Evaluation and Review
Programación matemática, 4
Technique), 67, 71, 72, 81
Proyecto, 71, 81
D símplex, 1, 7, 19, 29, 34, 36, 37, 71, 81
Punto óptimo, 14, 17, 18
Vogel, 35, 38, 46, 65
Destino, 71, 81
Modelos, 1, 2, 3, 4, 81
Dualidad, 32
abstractos, 4, 81
R
a escala, 2 Ramas, 67, 68, 76
E Rango, 13
aleatorios, 4, 81
Ecuaciones de restricción, 38 de asignación, 35, 61, 81 Red, 67-74, 76, 81
Eficacia, 8 de flujo máximo, 71 conectada, 68, 81
Espacio de soluciones factibles, 13 de programación lineal (MPL), 9-13, 32, residual, 71
Evento, 74, 81 36-38, 44, 65, 77, 78 Región factible, 13-16
descriptivo, 81 Restricciones, 5, 7, 9, 10, 12, 13, 14, 15, 20
F desventajas, 4 Ruta, 67, 68, 69, 81
Fuente, 71, 81 determinísticos, 4, 81
Función, 2 de transporte, 35, 36, 81 S
Función exponencial, 3 dinámicos, 4, 81 Sistema, 4
Función objetivo, 7-11, 13, 19, 20, 27, 29, dual, 32 Solución factible, 13
32, 33, 36 estáticos, 4, 81 Solución factible degenerada, 13
físicos, 4, 81 Solución factible no degenerada, 13
G lineal, 14, 19
George B. Dantzig, 2, 19 matemáticos, 2, 81 T
descriptivos, 3
I normativos, 3
Tabla símplex, 20, 27, 29, 30, 32, 37, 38
predictivos, 3 Técnica de evaluación y revisión de
Índice de mejoramiento (IM), 55, 56, 57,
mentales, 2 programas, 71
59, 61
Investigación de operaciones (IO), 1-6, 81 normativo, 81 Teoría de colas, 81
Iteración, 2 predictivo, 81 Trayectoria aumentada, 71, 82
primales, 32, 34
L ventajas, 4 V
Lazo, 67, 68, 69 Variables, 5, 9, 13
Lazo dirigido, 68, 81
N de decisión, 7-13, 81
Nodo, 67-72 de holgura, 19, 20
permanentes, 70 numéricas, 9


Aaaaaa

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Aaaaaa

Cargado por

Copyright:

Formatos disponibles

Investigación

00 Munoz UNIDAD PRELIMINARES.indd I 02/03/11 01:53 PM

Rodolfo Valentín Muñoz Castorena

María Bernardett Ochoa Hernández

Manuel Morales García

MÉXICO • BOGOTÁ • BUENOS AIRES • CARACAS • GUATEMALA • MADRID • NUEVA YORK

00 Munoz UNIDAD PRELIMINARES.indd III 02/03/11 01:53 PM

Prohibida la reproducción total o parcial de esta obra,

DERECHOS RESERVADOS © 2011, respecto de la primera edición por:

All rights reserved

Impreso en México Printed in Mexico

00 Munoz UNIDAD PRELIMINARES.indd IV 02/03/11 01:53 PM

Acerca de los autores........................................................................................ VII

Introducción ............................................................................................... VIII

UNIDAD 1 ¿Qué es la investigación de operaciones? ......................... 1

Unidad II Programación lineal ..................................................................... 7

Unidad III Transporte y asignación ............................................................ 35

00 Munoz UNIDAD PRELIMINARES.indd V 02/03/11 01:54 PM

Unidad IV Modelos de optimización de redes .......................................... 67

00 Munoz UNIDAD PRELIMINARES.indd VI 02/03/11 01:54 PM

Mtro. Rodolfo Valentín Muñoz Castorena

Mtra. María Bernardett Ochoa Hernández

Mtro. Manuel Morales García

00 Munoz UNIDAD PRELIMINARES.indd VII 02/03/11 01:54 PM

00 Munoz UNIDAD PRELIMINARES.indd VIII 02/03/11 01:54 PM

La investigación de operaciones (IO) es la disciplina que enfrenta un problema

01 Munoz UNIDAD 1.indd 1 02/03/11 01:55 PM

1.1 Origen de la investigación de operaciones

01 Munoz UNIDAD 1.indd 2 02/03/11 01:55 PM

1. Alternativas de decisión, de las cuales se hace una selección.

Figura 1.1 Proceso de construcción del modelo.

Al resolver el problema simplificado o modelo, se obtiene una solución, la cual puede

Clasificación de los modelos

Ello genera una función relación ventas-ingreso:

Ingreso total del promotor = 200 (3) = $600

Ahora bien, los modelos matemáticos se clasifican en tres tipos generales:

01 Munoz UNIDAD 1.indd 3 02/03/11 01:55 PM

Es necesario destacar que, a pesar de la existencia de otras importantes clases de modelos,

Ventajas y desventajas del empleo de modelos matemáticos

01 Munoz UNIDAD 1.indd 4 02/03/11 01:55 PM

problemas de optimización generalmente se clasifican en lineales y no lineales, según las relaciones

Sujeto a: 3x1 + 2x2 ≤ 15

1. Construya su propia definición de investigación de operaciones.

01 Munoz UNIDAD 1.indd 5 02/03/11 01:55 PM

2.1 Concepto de programación lineal

2.2 Planteamiento de problemas en términos de programación lineal

02 Munoz UNIDAD 2.indd 7 02/03/11 01:56 PM

Figura 2.1 Distribución de mano de obra.

Mano de obra para fabricar los productos 6x1 + 8x2

lo cual nos da el tiempo total que se consume en el proceso de fabricación.

Conjunto de restricciones. Para incluir las limitaciones que se presentan en

6x1 + 8x2 ≤ 80 horas

Tabla 2.1 Reunión de datos importantes de una restricción

La función objetivo define la eficacia del modelo en función de las variables de

02 Munoz UNIDAD 2.indd 8 02/03/11 01:56 PM

Entonces se genera la función objetivo 210x1 + 360x2 = Z,

2.3 Estructura general de un modelo de programación lineal

Función objetivo Optimizar z = c1x1 + c2x2 +…+ cnxn

Sujeta a las siguientes restricciones:

a11x1 + a12x2 +…+ a1nxn <, =, > b1

Primero deben definirse las variables de decisión que se emplearán.

Sea x1 = número de comedores tipo 1 que se deben producir

02 Munoz UNIDAD 2.indd 9 02/03/11 01:56 PM