24/2/2023

UNIVERSIDAD TÉCNICA DE ORURO

FACULTAD DE CIENCIAS ECONÓMICAS, FINANCIERAS Y ADMINISTRATIVAS Tema 1: INTRODUCCIÓN

• Concepto y delimitación de la Investigación

Investigación Operativa
• Referencias Históricas
Operativa
• Fases en la aplicación de una técnica de I.O.
• Estructura/contenido de los Modelos de I.O.
José Luis Tangara C.

2023

El problema 1. Concepto y delimitación de la I.O.

•Antecedentes:
Surge durante la segunda Guerra Mundial, luego y con motivo de la
Los recursos Los sistemas son cada revolución industrial, ha ido teniendo cada vez más importancia dado el
son escasos vez más complejos crecimiento y complejidad de las nuevas organizaciones. Actualmente
está cobrando especial importancia con el desarrollo de la informática.

Cada vez es más difícil asignar los
recursos o actividades de forma eficiente
•Definición
Aplicación del método científico por un grupo multidisciplinario
personas a la resolución de un problema.
•Objetivo
Decidir mediante métodos científicos el diseño que optimiza el
funcionamiento del proceso analizado, generalmente bajo
condiciones que implican la utilización de recursos escasos.
 24/2/2023

¿Qué es la Investigación de operaciones? ¿Qué es la Investigación de Operaciones?

 Es la ciencia e ingeniería de las decisiones. Definición (Lawrence y Pasternak, 1998)

 Interdisciplinar: Informática, Matemáticas,
Gestión de empresas, Ingeniería, Economía, . . .
 Origen: Investigación en operaciones militares de
las fuerzas aliadas durante la 2GM; después,
extensión a la empresa y al sector público
 Cuantitativa: Basada en modelos matemáticos,
resueltos por ordenador
 Evolución: Ligada a la de los ordenadores
 Metodología IO: sistema real → formulación del
modelo → análisis y algoritmos → resolución
numérica por ordenador → interpretación →
implementación → sistema real
Un enfoque científico para la toma de
decisiones ejecutivas, que consiste en:
 El arte de modelar situaciones complejas,
 La ciencia de desarrollar técnicas de solución para resolver
dichos modelos y
 La capacidad de comunicar efectivamente los resultados.
Objetivo de la Investigación operativa:
Estudiar la asignación óptima de recursos escasos a
determinada actividad.
Evaluar el rendimiento de un sistema con objeto de mejorarlo.

Investigación de Operaciones (I.O.) Investigación Operativa

Abstracción
Realidad Modelo
Es la aplicación del método científico para
Matemático
asignar los recursos o actividades de forma
eficiente, en la gestión y organización de
Análisis
sistemas complejos Intuición

Su objetivo es ayudar a la toma de

decisiones
Requiere un enfoque interdisciplinario
Decisiones Resultados
Interpretación

8
 24/2/2023

Investigación Operativa ¿Qué es un modelo?

Fases de aplicación de la  Una representación abstracta de ciertos
Investigación Operativa aspectos de la realidad
 Estructura basada en elementos
1. Formular el problema seleccionados de la realidad.
2. Construir el modelo que lo represente
3. Deducir soluciones a partir del modelo Modelos Matemáticos
4. Prueba del modelo y las soluciones generadas
5. Validación del modelo  Un modelo matemático es uno que
6. Establecer controles sobre la solución representa el desempeño y comportamiento
de un sistema dado en términos de
7. Ejecutar ecuaciones matemáticas, ofreciendo
resultados cuantitativos
9

Tipos de modelos Métodos en Investigación Operativa

Determinísticos Probabilísticos •Métodos determinísticos: Programación lineal,
– Programación programación entera, probabilidad de transporte, teoría de
 Programación
estocástica la localización o redes, programación multicriterio, teoría
matemática – Gestión de inventarios de inventarios, etc.
• Programación lineal – Fenómenos de espera •Métodos probabilísticos: Cadenas de markov, teoría de
• Programación entera (colas) juegos, líneas de espera, teoría de inventarios, etc.
• Programación dinámica – Teoría de juegos
– Simulación •Métodos híbridos: Conjugan métodos determinísticos y
• Programación no lineal
probabilísticos.
• Programación
multiobjetivo •Métodos heurísticos: soluciones basadas en la
experiencia.
 Modelos de transporte
 Modelos de redes
 24/2/2023

Investigación Operativa
¿Cuál es su objetivo?
Modelos
Validados
Realidad Problemas
Comercio
Industria
Salud Decisiones Decisor
Gobierno
Operaciones en general

Problemas y
Problemas y Objetivos
Datos CIENCIAS
Modelos
A Modelos
Hoy en día, la toma de decisiones abarca una
Validar gran cantidad de problemas reales cada más
complejos y especializados, que necesariamente
Investigación Operativa
Matemáticas
Estadí stica
requieren del uso de metodologías para la
Probabilidades
Métodos Cuant.
formulación matemática de estos problemas y,
Cuant. formales
Modelo s y soluciones conjuntamente, de métodos y herramientas de
resolución, como los que provee la Investigación
INFORMÁTICA
de Operaciones.

13

Fases de un estudio
FORMULACIÓN DEL CONSTRUCCIÓN DEL
PROBLEMA MODELO ANÁLISIS DEL PROBLEMA
/
HIPÓTESIS Y RELEVAMIENTO
/ DE FACTORES,
RESTRICCIONES Y DATOS
NECESIDAD DE
REORGANIZACIÓN MODELO DEL SISTEMA REAL

FORMULACIÓN MATEMÁTICA
/ /
SISTEMA DE INTERÉS OBTENCIÓN DE DATOS EXPERIMENTACIÓN Y
COMPARACIÓN
/

ACEPTAR
TOMA DE DECISIONES
IMPLEMENTACIÓN Y
SOLUCIÓN DEL MODELO
CONTROL
DECISIONES

INTERPRETACIÓN DE VALIDACIÓN DEL MODELO

RESULTADOS E ANÁLISIS DE SENSIBILIDAD
IMPLICACIONES

Formulación del problema
Modelo: representación simplificada de la
realidad, que facilita su comprensión y el
estudio de su comportamiento
Debe mantener un equilibrio entre sencillez
y capacidad de representación
Modelo matemático: modelo expresado en
términos matemáticos
 hace más claras la estructura y relaciones
 facilita el uso de técnicas matemáticas y
ordenadores
 a veces no es aplicable
Definición del problema
Consiste en identificar los elementos
de decisión
 objetivos (uno o varios, optimizar o satisfacer)
 alternativas
 limitaciones del sistema
Hay que recoger información
relevante (los datos pueden ser un
grave problema)
Es la etapa fundamental para que las
decisiones sean útiles
24/2/2023
El método de la I.O.
Definición del problema
Formulación del problema y
construcción del modelo
Resolución
Verificación, validación, refinamiento
Interpretación y análisis de
resultados
Implantación y uso extensivo
A lo largo de todo el proceso debe haber una interacción
constante entre el analista y el cliente
Factores problemáticos
 Datos incompletos, conflictivos, difusos
 Diferencias de opinión
 Presupuestos o tiempos limitados
 Cuestiones políticas
 El “cliente” (tomador de decisiones) no
tiene una idea firme de lo que quiere
realmente.
Plan de trabajo:
Observar
Ser consciente de las realidades políticas
Decidir qué se quiere realmente
Identificar las restricciones
Búsqueda de información permanente
 24/2/2023

Construcción del modelo Modelado matemático

Traducción del problema a términos  Paso 1.- Identificar las variables de decisión
¿Sobre qué tengo control?
matemáticos ¿Qué es lo que hay que decidir?
 objetivos: función objetivo ¿Cuál sería una respuesta válida en este caso?
 Paso 2.- Identificar la función objetivo
 alternativas: variables de decisión ¿Qué pretendemos conseguir?
 limitaciones del sistema: restricciones Si yo fuese “el jefe” ¿qué me interesaría más?
(Costo de Agencia y Supuestos de Racionalidad)
Pero a veces las relaciones  Paso 3.- Identificar las restricciones o factores que
matemáticas son demasiado limitan la decisión
complejas Recursos disponibles (trabajadores, máquinas,
material) Fechas límite
 heurísticos Restricciones por la naturaleza de las variables
(no negatividad, enteras, binarias)
 simulación Restricciones por la naturaleza del problema
 Paso 4.- Traducción de los elementos básicos a un
modelo matemático.

Resolución del modelo “Guía general” para la formulación de modelos

 Paso 1.- Elegir la técnica de resolución Identificación de los elementos
adecuada básicos. Expresar en palabras:
 Técnicas existentes, modificación, creación o heurísticos.
Datos del problema
 Paso 2.- Generar las soluciones del modelo
 Algoritmos, Programas computacionales, Solvers.  Factores que no son susceptibles de cambio
 Paso 3.- Comprobar/validar los resultados Variables de decisión
 Probar la solución en el entorno REAL
 Variables sobre las que se tiene control
 Paso 4.- Si los resultados son inaceptables,
revisar el modelo matemático Restricciones
 Estudiar hipótesis, comprobar exactitud de datos, relajar o  Causas por las que la decisión está limitada
endurecer aproximaciones, revisar restricciones
Función objetivo
 Paso 5.- Realizar análisis de sensibilidad
 Analizar adaptaciones en la solución propuesta frente a  Medida del rendimiento que se quiere
posibles cambios (principalmente en PARÁMETROS) optimizar

Ejemplo
¿ QUÉ HACER Y EN
QUÉ CANTIDAD?
Soluciones:
Posibles soluciones factibles a considerar, esto
es soluciones que respetan las restricciones del
número de piezas disponibles, son por ejemplo,
fabricar:
• 4 sillas, que reportan una utilidad de Bs. 60
• 1 sillas y 2 mesas , utilidad de Bs. 55
• 3 mesas, utilidad de Bs. 60
• 1 mesa y tres sillas, utilidad de Bs. 65
• 2 sillas y 2 mesas, utilidad de Bs. 70
• etc.
24/2/2023
Elementos de un modelo de optimización.
Supongamos que se dispone de determinadas piezas
para la elaboración de dos productos finales. Se
dispone de 8 “piezas pequeñas” y 6 “piezas grandes”,
que son utilizadas para elaborar sillas y mesas
Sillas  usa 2 piezas pequeñas y 1 pieza grande
Mesas usa 2 piezas de cada tipo.
Interesa decidir cuántas sillas y mesas
fabricar de modo de obtener la máxima
utilidad, dado un beneficio neto de Bs. 15
por cada silla y de Bs. 20 por cada mesa
fabricada.
Usando un modelo matemático
Un modelo matemático para hallar la mejor
solución factible a este problema tiene tres
componentes básicas:
i) Las variables de decisión, que consiste en
definir cuáles son las decisiones que se debe
tomar. En el ejemplo,
x: número de sillas elaboradas.
y: número de mesas elaboradas.
 24/2/2023

Función objetivo Restricciones del problema

iii) Restricciones del problema, que consiste en

ii) La función objetivo del problema, que
permita tener un criterio para decidir entre todas
las soluciones factibles. En el ejemplo,
maximizar la utilidad dada por:
MAX Z = f(x,y) = 15x + 20y
definir un conjunto de ecuaciones e
inecuaciones que restringen los valores de las
variables de decisión a aquellos considerados
como factibles. En el ejemplo, respetar la
disponibilidad de piezas para la fabricación de
sillas y mesas:
Piezas pequeñas: 2x + 2y  8
Piezas grandes : x + 2y  6

También se impone restricciones de no –

negatividad:
x,y  0

Planteamiento de la Programación Lineal

Problemas típicos
 Problema del transporte
F.O. Max: Z =15x + 20y
Restricciones: 2x + 2y  8  Problema de flujo con coste mínimo en red
x + 2y  6  Problema de asignación
x,y  0  Problema de la mochila (knapsack)
 Problema del emparejamiento (matching)
El ejemplo corresponde a un modelo de  Problema del recubrimiento (set-covering)
Programación Lineal. Si además restringimos los  Problema del empaquetado (set-packing)
valores de x e y a números enteros, tendríamos un
modelo de Programación Entera.  Problema de partición (set-partitioning)
 Problema del coste fijo (fixed-charge)
 Problema del viajante (TSP)
 Problema de rutas óptimas
 24/2/2023

LIMITACIONES DE LA I de O
1. Frecuentemente es necesario hacer simplificaciones
del problema original para poder manipularlo y
tener una solución.
2. La mayoría de los modelos sólo considera un solo
objetivo y frecuentemente en las organizaciones se
tienen objetivos múltiples.
3. Existe la tendencia a no considerar la totalidad de
las restricciones en un problema práctico, debido a
que los métodos de enseñanza y entrenamiento dan
la aplicación de esta ciencia centralmente se basan
en problemas pequeños para razones de índole
práctico, por lo que se desarrolla en los alumnos una
opinión muy simplista e ingenua sobre la aplicación
de estas técnicas a problemas reales.
4. Rara vez se realizan análisis costo-beneficio de la
implantación de soluciones definidas por medio de la
I de O, en ocasiones los beneficios potenciales se
ven superados por los costos ocasionados por el
desarrollo e implantación
 7/3/2023

NOCIÓN Y CONCEPTO DE PROGRAMACIÓN

TEMA 2 LINEAL
La programación lineal es un modelo de la Investigación
PROGRAMACIÓN LINEAL Operativa y de optimización que se conforma dentro del
campo de la programación matemática y optimización
restringida.
JOSÉ LUIS TANGARA C. Este tipo de modelos tienen dos componentes
fundamentales: una optimizada (maximización o
minimización) y una serie de ecuaciones limitantes
(restricciones) y que se presentan con el término “sujeto a”.
De lo que se trata, es de encontrar el mejor resultado para
esta función objetivo (FO) tomando en cuenta las
limitaciones y o restricciones (sujetos a:).

Formulación matemática del modelo de

programación lineal
B) Función objetivo:
Optimizar Z = c1X1 + c2X2 + … +cjXj + … + cnXn
FORMULACIÓN GENERAL
A) Variables y parámetros
C) Sujeto a:
a11X1 + a12X2 + … + a1jXj + … + a1nXn ≤ = ≥ b1
Z = Función objetivo que de maximizarse o minimizarse
a21X1 + a22X2 + … + a2jXj + … + a2nXn ≤ = ≥ b2
Xj = Variable de decisión j-ésima o nivel de actividad j
……………………………………………… …
cj = Coeficiente costo o ganancia para la j-ésima actividad (j=1, 2, 3, … , n) (PARÁMETRO)
ai1X1 + ai2X2 + … + aijXj + … + ainXn ≤ = ≥ bi
aij = Coeficiente tecnológico o cantidad de recursos i-ésimo asignado a la actividad j-ésima
……………………………………………… …
(i=1, 2, 3, …, n) (PARÁMETRO)
am1X1 + am2X2 + … + amjXj + … + amnXn ≤ = ≥ bm
bi = i-ésimo recurso limitado (PARÁMETRO)
n = Número de variables de decisión.
Ɐ Xj ≥ 0 CONDICIONES DE NO NEGATIVIDAD
m = Número de restricciones
 7/3/2023

NOTACIÓN DE LOS PROGRAMAS LINEALES Y EJEMPLOS DE APLICACIÓN ECONÓMICA EJEMPLO

El modelo de programación lineal básicamente tiene tres elementos que son:
 Variables, que son los parámetros de decisión que se pretende determinar.
n decisiones →Variables de decisión x1, x2, ..., xn
 Función objetivo, que es el propósito que se pretende optimizar
Medida del desempeño conjunto → Función Objetivo (F.O.) Ejemplo: Z = f (x1, x2,..., xn) = 5x1+
7x2+ ...+. 20xn.
 Restricciones, son las limitaciones que se deben satisfacer. Estas también involucran a las restricciones
de no negatividad, que significa que las variables no pueden asumir valores negativos.
Conjunto de limitaciones → Restricciones: como ecuaciones y desigualdades. Ejemplo: 5x1+ 7x4≤10
Coeficientes y los lados derechos → Parámetros
La fábrica de Hilados y Tejidos "HILBO" requiere fabricar dos tejidos de calidad diferente
PRIMERA y SEGUNDA; se dispone de 500 Kg de hilo A, 300 Kg de hilo B y 108 Kg de hilo C.
Para obtener un metro de PRIMERA diariamente se necesitan 125 gr de A, 150 gr de B y 72
gr de C; para producir un metro de SEGUNDA por día se necesitan 200 gr de A, 100 gr de B
y 27 gr de C.
Los beneficios de la venta de hilados y tejidos de PRIMERA es Bs. 40 el metro y la
SEGUNDA Bs. 50 el metro. Si se debe obtener el máximo beneficio, ¿cuántos metros de
PRIMERA y SEGUNDA se deben fabricar?
Y la formulación es:
“Determinar la cantidad de metros diarios de tejido tipo PRIMERA y SEGUNDA a fabricar
teniendo en cuenta el óptimo beneficio respecto a la utilidad”.

Por ejemplo:
X1: Cantidad de metros diarios de tejido tipo PRIMERA a fabricar
X2: Cantidad de metros diarios de tejido tipo SEGUNDA a fabricar Si se tiene a una empresa “XYZ” que produce 2 clases de sabores de cereales para adelgazamiento, en la
utilización de insumos o materias primas se podrán caracterizar algunos que son similares y otros diferentes. Se
FUNCIÓN OBJETIVO: asume que las materias primas son de 2 tipos: MP1 y MP2 disponibles en 36 y 15 toneladas respectivamente.
Asimismo, se tiene la información de la demanda en el mercado por estos productos, por ejemplo, para el cereal
de sabor chocolate la demanda no supera las 3 toneladas diarias mientras que para los cereales sabor frutilla son
MAX Z = 40X1 + 50X2
de 4 toneladas diarias.
RESTRICCIONES: Identifique las variables de decisión
Formule la FO Z
De disponibilidad de materia prima:
Restricciones
125X1 + 200X2 <= 500 kg. Hilo “A” Cereal sabor chocolate = X1 la demanda es de 3 ton
150X1 + 100X2 <= 300 kg. Hilo “B”
72X1 + 27X2 <= 108 kg. Hilo “C” Cereal sabor frutilla = X2 la demanda es de 4 ton.
Disponibilidad de materias primas
Restricciones o condiciones de no negatividad x1, x2 >= 0
MP1 = 36 ton
X1,X2 >= 0 MP2 = 15 ton
 7/3/2023

Lo que se pretende es determinar la mejor combinación de los productos de chocolate y frutilla que maximice
la utilidad diaria total, siendo las utilidades de 6000 y 5000 bolivianos respectivamente. Las limitaciones que se tienen para el logro del propósito se expresan como el uso de la materia prima
Por lo tanto, se requiere definir las cantidades a producir de cereales sabor chocolate y sabor frutilla. para ambos productos no debe superar, o de ser menor o igual a la disponibilidad de la materia prima
Si: - X1= Cantidad de producción diaria de cereales sabor chocolate diaria.
- X2= Cantidad de producción diaria de cereales sabor frutilla
Entonces, se formulan las siguientes restricciones:
Los datos anteriores se pueden resumir de la siguiente forma:
EMPRESA XYZ
Uso de MP1 diario = 9x1 + 6x2 ton.; siendo lo máximo disponible para MP1 36 ton.
El objetivo es tratar de lograr lo máximo en utilidades. Si representamos las utilidades diarias con la variable Uso de MP2 diario = 3x1 + 3x2 ton.; siendo lo máximo disponible para MP2 15 ton.
Z (en miles de Bs.), la función objetivo se representa de la siguiente manera: En resumen, el planteamiento del problema es como sigue.
MAX Z = 6 x1 + 5 x2 Función Objetivo:
Maximizar Z = 6 x1 + 5 x2
DESCRIPCIÓN TOTAL, CANTIDAD TON. DE MATERIA PRIMA DISPONIBILIDAD DE Sujeto a: (restricciones)
PARA LA PRODUCCIÓN DE MATERIA PRIMA
DIARIA TON.
RESTRICCIÓN 1 9x1 + 6x2 < = 36 mp1
CEREALES SABOR CEREALES SABOR
CHOCOLATE (X1) FRUTILLA (X2) RESTRICCIÓN 2 3x1 + 3x2 <= 15 mp2
MP1 9 6 36
MP2 3 3 15
RESTRICCIÓN 3 x1 <= 3 demanda
RESTRICCIÓN 4 x2 <= 4 demanda
UTILIDAD POR UNIDAD 6 5
TON. (MILES DE Bs.)
(restricciones de no negatividad) x1 >= 0
(restricciones de no negatividad) x2 >= 0

FUNCIÓN OBJETIVO: MAX Z = 6X1 + 5X2 ( en miles de Bs.)

R3
X2 REGIÓN FACTIBLE SOLUCIÓN GRÁFICA
X1 = 0, 1, 2, 3,
6 X2 = 0, 1, 2, 3, 4,
Z X1 X2 X1, x2 = (1,4), (2,3), (3, 1.5) (2,2)
5
P1= (0,4) 0 0 0
4 R4 X1 = 2
P2= (3,0)
26 1 4 X2= 3
P3=(3,2)
27 2 3 Z = 6x1 + 5x2
Z= 6(2) + 5 ( 3)
25,5 3 1,5 Max Z=27 en miles de Bs.
22 2 2
3 4 5 X1
0
R1 R2
 7/3/2023

x2

EJEMPLO 12
El departamento de publicidad de la empresa importadora JVC tiene que planear para el próximo mes
una estrategia de publicidad para el lanzamiento de una línea de T.V. plasma tiene a consideración 2 10
medios de difusión: La televisión y el periódico.
Los estudios de mercado han mostrado que:
1. La publicidad por T.V. Llega al 2 % de las familias de ingresos altos y al 3 % de las familias de
ingresos medios por comercial.
2. La publicidad en el periódico llega al 3 % de las familias de ingresos altos y al 6 % de las familias de
ingresos medios por anuncio. 18
x1
La publicidad en periódico tiene un costo de 500 Bs. por anuncio y la publicidad por T.V. tiene un costo 20
de 2000 Bs. por comercial. La meta es obtener al menos una presentación como mínimo al 36 % de las
familias de ingresos altos y al 60 % de las familias de ingresos medios minimizando los costos de Min Z=2000X1 + 500X2
publicidad.
OBJETIVO: Minimizar los costos de publicidad. Sujeto a:
VARIABLE DE DECISIÓN: Anuncios para las familias de ingreso alto (X1). 2X1 + 3X2 >= 36
Anuncios para las familias de ingreso medio (X2). 3X1 + 6x2 >= 60
RESTRICCIONES: Porcentaje de presentación. X1, X2 >= 0

EL MÉTODO SIMPLEX DE DANTZIG MÉTODO SIMPLEX

Ejemplo:
Una sastrería produce corbatas escolares para varones y para mujeres.
Los procesos son de corte y costura.
Hacer una corbata para varones requiere de 1 hora de corte y 1 hora de costura
Hacer una corbata para mujeres requiere de 1 hora de corte y 2 horas de
costura.
La sastrería dispones de un total de 4 horas al día en cortes y en el proceso de
costura dispone de 6 horas.
Las ganancias por la venta de corbatas para varones son de 2 Bs. por unidad y 3
Bs. Por cada corbata para mujeres.
Calcular cuántas corbatas de cada tipo hay que producir para maximizar las
ganancias.
 7/3/2023

RECURSOS X1 X2 DISPONIBILIDAD
CORTE 1 1 4 F. O. MAX Z = 2X1 + 3X2
COSTURA 1 2 6
SUJETO A:
F.O. BENEFICIOS Bs. 2 3
X1 + X2 <= 4
X1 + 2X2 <= 6

X1= CORBATAS PARA VARONES X1, X2 >= 0

X2= CORBATAS PARA MUJERES

AGREGANDO VARIABLES DE HOLGURA

MAX z= 2X1 + 3X2
Z - 2X1 - 3X2 + 0S1 + 0S2 = 0
SUJETO A:
X1 + X2 + S1 =4
X1 + X2 <= 4 X1 + 2X2 + S2 = 6
X1+ 2X2 <= 6

CONDICIONES DE NO NEGATIVIDAD X1, x2 >= 0

TABLAS DE ITERACIÓN SIMPLEX TABLAS DE ITERACIÓN SIMPLEX

Z - 2X1 - 3X2 + 0S1 + 0S2 = 0

X1 + X2 + S1 =4 VARIABLES Z VARIABLES DE VARIABLES DE VALOR RAZÓN
X1 + 2X2 + S2 = 6 BÁSICAS DECISIÓN HOLGURA
X1 X2 S1 S2
S1 0 1 1 1 0 4 4/1 = 4
VARIABLES Z VARIABLES DE VARIABLES DE VALOR RAZÓN S2 0 1 2 0 1 6 6/2 = 3 FILA PIVOTE
BÁSICAS DECISIÓN HOLGURA
Z 1 -2 -3 0 0 0
X1 X2 S1 S2
S1 0 1 1 1 0 4
S2 0 1 2 0 1 6
Z 1 -2 -3 0 0 0
ELEMENTO PIVOTE

COLUMNA PIVOTE
 7/3/2023

TABLAS DE ITERACIÓN SIMPLEX

VARIABLES Z VARIABLES DE VARIABLES DE VALOR RAZÓN
VARIABLES Z VARIABLES DE VARIABLES DE VALOR RAZÓN
BÁSICAS DECISIÓN HOLGURA
BÁSICAS DECISIÓN HOLGURA
X1 X2 S1 S2
X1 X2 S1 S2
S1 0 1/2 0 1 -1/2 1 1/(1/2)=2 R2 - R1
S1 0 1 1 1 0 4
X2 0 ½ 1 0 1/2 3 3//1/2)=6 0–0=0
s2 0 1 2 0 1 6 R1 – R2 /2
(1/2) – (1/2) = 0
0–0 /2=0 Z 1 -1/2 0 0 3/2 9
Z 1 -2 -3 0 0 0 1–0=1
1 - 1 / 2 = 1/2
0 – 2 = -2
Calcular número de variable entrante dividiendo cada uno de los número de la variable saliente entre el 1–2/2=0
(1/2) – (-1/2) = 1
número pivote 1–0/2=1
3–1=2
0–1/2=-½ VARIABLES Z VARIABLES DE VARIABLES DE VALOR RAZÓN
VARIABLES Z VARIABLES DE VARIABLES DE VALOR RAZÓN 4–6/2=1 BÁSICAS DECISIÓN HOLGURA
BÁSICAS DECISIÓN HOLGURA R3 + R1
X1 X2 S1 S2 1+0=1
X1 X2 S1 S2 R3 – R2 * -3/2
X1 0 1 0 2 -1 2 (-1/2) + (1/2) = 0
1 – 0 * - 3/2 = 1
S1 0 1/2 0 1 -1/2 1 0+0=0
-2 – 1 * - 3/2 = - ½ X2 0 0 1 -2 1 2
0+2=2
X2 0 ½ 1 0 1/2 3 -3 – 2 * - 3/2 = 0 Z 1 0 0 2 1 10 (3/2) + (-1/2) = 1
Z 1 -1/2 0 0 3/2 9 0 – 0 * - 3/2 = 0
9 + 1 = 10
0 – 1 * - 3/2 = 3/2
X1= 2
0 – 6 * -3/2 = 9
X2 = 2
Convertir en 0 los números de columna pivote = coeficiente anterior +- coeficiente de variable entrante / número pivote Z = 10

ANÁLISIS DE SENSIBILIDAD Y EL PROBLEMA DUAL

Una vez que se ha resuelto un programa de programación lineal, puede darse el caso de que uno o
varios parámetros de la formulación original, tales como los precios unitarios o la disponibilidad
de recursos cambie, dando origen a un nuevo problema.
El análisis de sensibilidad concierne el estudio de posibles cambios en la solución óptima
disponible como resultado de hacer cambios en el modelo original.

El nuevo problema puede diferir del original en uno o varios de los siguientes cambios que

pueden ocurrir simultáneamente.


A) CAMBIOS QUE AFECTAN LA OPTIMALIDAD:
- Cambios en los Coeficientes de la Función Objetivo (Ci): El análisis consiste en identificar qué ocurre
con la actual solución básica óptima en el caso que se cambien uno o varios de los coeficientes de la función
objetivo. La actual solución óptima seguirá siéndolo en la nueva situación, siempre y cuando los costos
reducidos correspondientes a los nuevos coeficientes, sean mayores o iguales a cero. El valor de la función
objetivo cambia al cambiar los coeficientes en la nueva solución óptima.
- Cambios en el uso de recursos por parte de las actividades (aij): Este cambio afecta la optimidad ya que
afecta el lado izquierdo de las restricciones duales. El análisis se hace únicamente para las variables no
básicas, ya que un cambio en los coeficientes de las variables básicas afecta la matriz inversa con la
consiguiente complicación de cálculo.
Si se pierde la optimidad, los cálculos para volver a obtenerla son los mismos que se hacen cuando se agrega
una nueva variable o actividad.
- Inclusión o introducción de una nueva variable o actividad: Se evalúa si la nueva variable hace un aporte
significativo a la solución óptima del modelo original. Se pasa a calcular el costo reducido de la nueva
variable, para decidir si la actual solución básica sigue siendo óptima en el problema aumentado con la nueva
variable. La adición de una nueva actividad es equivalente a combinar el análisis de hacer cambios en la
función objetivo y en el uso de los recursos.
DUALIDAD
La relación entre el problema dual y su asociado, es decir el problema original llamado primal,
presenta varias utilidades:
•Aporta elementos que aumentan sustancialmente la compresión de la PL.
•El análisis de dualidad es una herramienta útil en la solución de problemas de PL, por ejemplo: más
restricciones que variables.
•El problema dual tiene interpretaciones e informaciones importantes que muestran que los análisis
marginales están siempre involucrados implícitamente al buscar la solución óptima a un problema de
PL.
La forma estándar general del primal se defina como; para maximizar o minimizar.
sujeto a:
¿Cómo convertir un problema primal a dual?
7/3/2023
B) CAMBIOS QUE AFECTAN LA FACTIBILIDAD:
- Cambios en el lado derecho de las restricciones (recursos bj): Interesa determinar si las actuales variables
básicas se mantienen luego de aumentar o disminuir uno o más valores en el lado derecho de las restricciones
del modelo. Hay que calcular nuevamente la columna de recursos de la tabla simplex, si todos son positivos,
la solución actual sigue siendo óptima, pero cambiando los valores de las variables básicas y la función
objetivo.
- Inclusión de una nueva restricción: Hay que determinar si la actual solución básica óptima se mantiene
después de incorporar una nueva restricción al problema. Se evalúa la solución actual para verificar si
satisface la nueva restricción, en caso afirmativo, la actual solución básica también lo será aun cuando se
incluya la nueva restricción (es una restricción redundante). En caso de no cumplirse la restricción, se
incorpora la nueva restricción a la tabla final Simplex y se procede a las iteraciones necesarias para encontrar
la nueva solución básica óptima.
Un problema dual se formula de un problema primal de la siguiente forma:
1.Si el primal es un problema de maximización su dual será un problema de minimización y viceversa.
2.Los coeficientes de la función objetivo del problema primal se convierten en los coeficientes del vector
de la disponibilidad en el problema dual.
3.Los coeficientes del vector de disponibilidad del problema original se convierten en los coeficientes de
la función objetivo (vector de costo o precio) en el problema dual.
4.Los coeficientes de las restricciones en el problema primal, será la matriz de los coeficientes
tecnológicos en el dual.
5.Los signos de desigualdad del problema dual son contrarios a los del primal.
6.Cada restricción en un problema corresponde a una variable en el otro problema. Si el primal tiene m
restricciones y n variables, el dual tendrá n restricciones y m variables. Así, las variables Xn del primal se
convierte en nuevas variables Ym en el dual.
PROBLEMA PRIMAL ES: PROBLEMA DUAL SERÁ:
MAX Z= CX MIN W= BY
Sujeto a: Sujeto a:
AX <= B AY >= C
X >= 0 Y >= 0
 7/3/2023

Ejemplo: Si el problema primal es: MAX Z= 45X1 + 17X2 + 55X3

Sujeto a:
X1 + X2 + X3 ≤ 200
9X1 + 8X2 + 10X3 ≤ 5000
10X1+ 7X2 + 21 X3 ≤ 4000
X1, X2, X3 ≥ 0
El problema dual será:
MIN W= 200Y1 + 5000Y2 + 4000Y3
Sujeto a:
Y1 + 9Y2 + 10Y3 ≥ 45
Y1 + 8Y2 + 7Y3 ≥ 17
Y1 + 10Y2 + 21Y3 ≥ 55
Y1, Y2, Y3 ≥ 0

EL MÉTODO DE LAS “M” O PENALIZACIÓN

LA DEGENERACIÓN EN LOS PROGRAMAS LINEALES
Ocurre cuando un vértice está definido por "demasiadas" restricciones.
En un caso No-degenerado: cada solución Básica Factible tendría m variables básicas positivas diferentes de cero.
En un caso Degenerado existen una ó más variables en la base con valor cero.
La degeneración puede ocurrir en cualquier vértice, no necesariamente en el vértice de la solución optima. La
degeneración no impide que exista solución óptima.
En la práctica, si ocurre una degeneración, simplemente se la ignora. El valor de la función objetivo puede
permanecer constante durante unas cuantas iteraciones y luego comenzará a aumentar. Además, se ha desarrollado
una técnica llamada perturbación para tratar la degeneración. Esta técnica consiste en realizar ligeras
modificaciones en la columna de la extrema derecha del tablero, de modo que desaparezcan los empates
problemáticos en los cocientes.
Así como el anterior, el método M se inicia con la programación
lineal en forma de ecuación, adicionando para cada variable de
holgura un variable artificial M. Como las variables artificiales
son ajenas al modelo de programación lineal, se usa un
mecanismo de retroalimentación en el que el proceso de
optimización trata en forma automática de hacer que esas variables
tengan un nivel cero. Por lo tanto, el resultado final se obtiene
penalizando las variables artificiales en la función objetivo.
Entonces, si M es un valor positivo suficientemente grande (M →
∞), el coeficiente objetivo de una variable artificial representa una
penalización si el coeficiente objetivo de la variable artificial es: -
M en problemas de maximización y M en problemas de
minimización.
 7/3/2023

EJEMPLO DE MINIMIZACIÓN
Sea una empresa “PIO” que produce pollos de granja. Para este propósito se
debe suministrar a los animales 2 tipos de alimento balanceado. A las gallinas
no se les restringe la cantidad de alimentos que pueden consumir; sin embargo,
deben satisfacerse ciertos requerimientos nutricionales por día.
La empresa busca determinar la combinación de fuentes alimenticias que
generen el menor costo que satisfaga todos los requerimientos nutritivos.

REQUERIMIENTO CONTENIDO POR KG. CONTENIDO POR KG.

MÍNIMO HORMONA A HORMONA B
(UNIDADES) (UNIDADES) (UNIDADES)
BALANCEADO 1 6000 2000 4000
BALANCEADO 2 200 50 200

COSTO ALIMENTO (Bs./KILO) 6 21

Sea minimizar la función:

Min z = 6 x1 + 21 x2
Sujeto a: (restricciones) Cj 6 21 0 0 M M SOLUCIÓN
2000x1 + 4000x2 > = 6000 VARIABLE BÁSICA x1 x2 x3 x4 x5 x6
50x1 + 200x2 >= 200 M x5 2000 4000 -1 0 1 0 6000
M x6 50 200 0 -1 0 1 200
(restricciones de no negatividad) x1 >= 0 Zj 2050M 4200M -M -M M M 6200M
(restricciones de no negatividad) x2 >= 0 Cj – Zj 6–2050M 21– M M 0 0
4200M
El primer paso consiste en añadir las variables de holgura
2000x1 + 4000x2 – x3 – 0x4 > = 6000
50x1 + 200x2 – 0x3 – x4 >= 200
El siguiente paso consiste en añadir las variables artificiales:
2000x1 + 4000x2 – x3 – 0x4 + Mx5 + 0Mx6 > = 6000
50x1 + 200x2 – 0x3 – x4 + 0Mx5 + Mx6 >= 200
La función objetivo queda de la siguiente forma:
Min z = 6 x1 + 21 x2 – 0x3 – 0x4 + Mx5 + Mx6
A partir del planteamiento de la función objetivo y las restricciones, se estructura las tablas de iteraciones
correspondientes.
 7/3/2023

La nueva fila de x5 será: Para M=1, se tiene el valor más negativo en Cj-Zj, que es la columna pivote
= 2000 – ((50*4000)/200) = 1000 0.75 - 1000(1) = - 999.25
= 4000 – ((4000*200)/200) = 0
= - 1 – ((0*4000)/200) = -1 De la misma forma la fila pivote se determina a través de la razón:
= 0 – ((-1*4000)/200) = 20 2000/1000 = 2 (valor menor en la razón)
= 1 – ((0*4000)/200) = 1 1 / 0.25 = 4
= 0 – ((1*4000)/200) = -20
= 6000 – ((200*4000)/200) = 2000
Cj 6 21 0 0 M M SOLUCIÓN
VARIABLE BÁSICA x1 x2 x3 x4 x5 x6
M x5 1000 0 -1 20 1 -20 2000
21 x2 0.25 1 0 -0.005 0 0.005 1
Zj 1000M+5.25 21 -M 20M-0.105 M -20M+0.105 2000M+21

Cj – Zj 0.75-1000M 0 M 0.105-20M 0 21M-0.105

La iteración continúa hasta que desaparezcan las M en la fila Cj-Zj

En la tabla anterior, se repite el proceso anterior de la determinación de la columna pivote y luego la fila pivote que permite hallar el elemento pivote.

La nueva fila de x2 será:

= 0.25 – ((1000*0.25)/1000) = 0
= 1 – ((0*0.25)/1000) = 1
= 0 – ((-1*0.25)/1000) = 0.00025
= -0.005 – ((20*0.25)/1000) = -0.01
= 0 – ((1*0.25)/1000) = -0.00025
= 0.005 – ((-20*0.25)/1000) = 0.01
= 1 – ((2000*0.25)/1000)= 0,5
Los resultados finales corresponden a:
x1= 2
x2= 0.5
z = 22.5

Cj 6 21 0 0 M M SOLUCIÓN

VARIABLE BÁSICA x1 x2 x3 x4 x5 x6

6 x1 1 0 -0.001 0.02 0.001 -0.02 2

21 x2 0 1 0.00025 -0.01 -0.00025 0.01 0.5

Zj 6 21 -0.00075 -0.09 0.00075 0.09 22.5

 COMPILACIÓN REALIZADA POR JOSÉ LUIS TANGARA C. – INVESTIGACIÓN OPERATIVA – FCEFA – UTO

1. EL MÉTODO SIMPLEX DE DANTZIG

Hasta ahora se han resuelto problemas de programación lineal a través de un método geométrico. Este
método no resulta práctico cuando el número de variables se aumenta a tres, y con más variables
resulta imposible de utilizar. Ahora se examinará una técnica diferente, el método simplex, cuyo
nombre está asociado en análisis más avanzados a un objeto geométrico al que se denomina simplex.
En la solución gráfica observamos que la solución óptima está asociada siempre con un punto
extremo del espacio de soluciones. El método simplex está basado fundamentalmente en este
concepto.
El método simplex comienza con una solución factible y prueba si es o no óptima. Si no lo es, el
método sigue a una mejor solución. Se dice mejor en el sentido de nueva solución no es óptima,
entonces se repite el procedimiento. En algún momento el método simplex conduce a una solución
óptima, si es que existe.
Además de ser eficiente, dicho método tiene otras ventajas. Es completamente mecánico (se utilizan
matrices, operaciones elementales sobre renglones y aritmética básica). Asimismo, no implica el uso
de geometría. Esto permite resolver problemas de programación lineal que tiene cualquier número de
restricciones y variables.
Careciendo de la ventaja visual asociada con la representación gráfica del espacio de soluciones, el
método simplex emplea un proceso iterativo que principia en un punto extremo factible, normalmente
el origen, y se desplaza sistemáticamente de un punto extremo factible a otro, hasta que se llega por
último al punto óptimo.
Existen reglas que rigen la selección del siguiente punto extremo del método simplex:
1. El siguiente punto extremo debe ser adyacente al actual.
2. La solución no puede regresar nunca a un punto extremo considerado con la anterioridad.
El algoritmo simplex da inicio en el origen, que suele llamarse solución inicial. Después se desplaza a
un punto extremo adyacente. La elección específica de uno a otro punto depende de los coeficientes
de la función objetivo hasta encontrar el punto óptimo.
Al aplicar la condición de optimalidad a la tabla inicial seleccionamos a Xi como la variable que
entra. En este punto la variable que sale debe ser una de las variables artificiales.
Los pasos del algoritmo simplex son:
1. Determinar una solución básica factible inicial.
2. Prueba de optimalidad: determinar si la solución básica factible inicial es óptima y sólo si todos los
coeficientes de la ecuación son no negativos ( >= 0 ). Si es así, el proceso termina; de otra manera se
lleva a cabo otra interacción para obtener la nueva solución básica factible inicial.
3. Condición de factibilidad. - Para todos los problemas de maximización y minimización, variable
que sale es la variable básica que tiene la razón más pequeña (positiva). Una coincidencia se anula
arbitrariamente.
4. Seleccionar las variables de holgura como las variables básicas de inicio.
5. Selecciona una variable que entra de entre las variables no básicas actuales que, cuando se
incrementan arriba de cero, pueden mejorar el valor de la función objetivo. Si no existe la solución
básica es la óptima, si existe pasar al paso siguiente.
1
 COMPILACIÓN REALIZADA POR JOSÉ LUIS TANGARA C. – INVESTIGACIÓN OPERATIVA – FCEFA – UTO

6. Realizar el paso iterativo.

a) Se determina la variable básica entrante mediante la elección de la variable con el coeficiente
negativo que tiene el valor mayor valor absoluto en la ecuación. Se enmarca la columna
correspondiente a este coeficiente y se le da el nombre de columna pivote.
b) Se determina la variable básica que sale; para esta, se toma cada coeficiente positivo (>0) de la
columna enmarcada, se divide el lado derecho de cada renglón entre estos coeficientes, se identifica
la ecuación con el menor cociente y se selecciona la variable básica para esta ecuación.
c) Se determina la nueva solución básica factible construyendo una nueva tabla en la forma
apropiada de eliminación de Gauss, abajo de la que se tiene. Para cambiar el coeficiente de la nueva
variable básica en el renglón pivote a 1, se divide todo el renglón entre el número pivote, entonces
renglón pivote nuevo = renglón pivote antiguo
número pivote
Para completar la primera iteración es necesario seguir usando la eliminación de Gauss para obtener
coeficientes de 0 para la nueva variable básica Xj en los otros renglones, para realizar este cambio se
utiliza la siguiente fórmula:
Renglón nuevo = renglón antiguo - (coeficiente de la columna pivote X renglón pivote nuevo)
Cuando el coeficiente es negativo se utiliza la fórmula:
Renglón nuevo = renglón antiguo + (coeficiente de la columna pivote X renglón pivote nuevo)
El problema normal de programación lineal es de la forma.

Maximizar Z = C 1 X 1 + C 2 X 2 + ...................+ C n X n
Sujeto a: a 11x 1 + a 12 x 2 + ............................ a 1 n x n  b 1
a 12x 1 + a 22 x 2 + ............................ a 2 n x n  b 2

a m1x 1 + a m2 x 2 + ............................ a m n x n  b m
En donde x1 , x 2,..........x n y b 1 , b 2 , ................b m son no negativas.

Por ejemplo
Maximizar Z = 6 x1 + 5 x2
Sujeto a: (restricciones)
9x1 + 6x2 < = 36
3x1 + 3x2 <= 15
x1 <= 3
x2 <= 4
(restricciones de no negatividad) x1 >= 0
(restricciones de no negatividad) x2 >= 0

2
 COMPILACIÓN REALIZADA POR JOSÉ LUIS TANGARA C. – INVESTIGACIÓN OPERATIVA – FCEFA – UTO

PASO 1
Convertir las desigualdades o inecuaciones en igualdades (ecuaciones). En las restricciones (<=), el
valor del lado derecho implica una limitación en la disponibilidad de un recurso, mientras que el lado
izquierdo refleja el uso de ese recurso limitado por las variables del modelo. Por lo tanto, se tiene una
cantidad no utilizada, que se muestra en la diferencia del lado derecho y el lado izquierdo (<=), lo que
significa que la cantidad no usada es la cantidad no usada o la holgura (que se denomina variables de
holgura)
Entonces, para convertir las desigualdades (<= o >=) en igualdades (=), se agrega una variable de
holgura al lado izquierdo de la restricción. Por ejemplo:
FUNCIÓN OBJETIVO Max Z = 6 x1 + 5 x2 + 0S1 + 0S2 + 0S3 + 0S4 = 0
9x1 + 6x2 + S1 = 36 (ecuación 1)
3x1 + 3x2 + S2 = 15 (ecuación 2)
x1 + S3 = 3 (ecuación 3)
x2 + S4= 4 (ecuación 4)
x1, x2, 0S1, 0S2, 0S3, 0S4 >= 0
S1 = variable de holgura

PASO 2
Determinar las variables básicas y las no básicas

BÁSICAS NO BÁSICAS
S1 X1
S2 X2
S3
S4

X1= ¿?
X2= ¿?

PASO 3
Elaborar la tabla inicial del simplex

VARIABLE VARIABLES SOLUCIÓN

BÁSICA DE DECISIÓN DE HOLGURA
X1 X2 S1 S2 S3 S4
S1 9 6 1 0 0 0 36
S2 3 3 0 1 0 0 15
S3 1 0 0 0 1 0 3
S4 0 1 0 0 0 1 4
Z -6 -5 0 0 0 0 0

PASO 4
a) Selección de la columna pivote (variable que entra), que es el coeficiente de Z más negativo =
columna x1.

b) Selección de la fila pivote (variable que sale), que es igual a la razón:

3
 COMPILACIÓN REALIZADA POR JOSÉ LUIS TANGARA C. – INVESTIGACIÓN OPERATIVA – FCEFA – UTO

solución
razon 
coeficiente _ columna _ pivote

Razón menor = fila que pertenece a S1

VARIABLE QUE
VARIABLE ENTRA
QUE SALE (COLUMNA ELEMENTO
(FILA PIVOTE) PIVOTE) PIVOTE

VARIABLE VARIABLES SOLUCIÓN RAZÓN

BÁSICA DE DECISIÓN DE HOLGURA
X1 X2 S1 S2 S3 S4
S1 9 6 1 0 0 0 36 36/9=4
S2 3 3 0 1 0 0 15 15/3=5
S3 1 0 0 0 1 0 3 3/1=3
S4 0 1 0 0 0 1 4 4/0=E
Z -6 -5 0 0 0 0 0

COEFICIENTE DE RAZÓN
Z MAS NEGATIVO MENOR

PASO 5

Elaborar la nueva tabla del simplex

Fila _ pivote
Nueva _ fila _ pivote 
Elemento _ pivote

Fila pivote 1 0 0 0 1 0 3
Elemento 1 1 1 1 1 1 1
pivote
1/1=1 0/1=0 0/1=0 0/1=0 1/1=1 0/1=0 3/1=3
x3= 1 0 0 0 1 0 3

Nueva _ fila  FilaAnterior  Coeficiente _ de _ la _ columna _ pivote * NuevaFilaPivote

4
 COMPILACIÓN REALIZADA POR JOSÉ LUIS TANGARA C. – INVESTIGACIÓN OPERATIVA – FCEFA – UTO

Fila de S2

S2 3 3 0 1 0 0 15
Coef 3 3 3 3 3 3 3
col.piv.
N. Fila 1 0 0 0 1 0 3
pivote
3*1=3 3*0=0 3*0=0 3*0=0 3*1=3 3*0=0 3*3=9
3-3=0 3-0=3 0-0=0 1-0=1 0-3=-3 0-0=0 15-9=6
NUEVO 0 3 0 1 -3 0 6
S2=

Fila de S1

S1 9 6 1 0 0 0 36
Coef. Col. 9 9 9 9 9 9 9
Piv.
N. fila pivot 1 0 0 0 1 0 3
9*1=9 9*0=0 9*0=0 9*0=0 9*1=9 9*0=0 9*3=27
9-9=0 6-0=6 1-0=1 0-0=0 0-9=-9 0-0=0 36-27=9
NUEVO 0 6 1 0 -9 0 9
S1=

Fila S4

S4 0 1 0 0 0 1 4
Coef. Col. 0 0 0 0 0 0 0
Piv.
N. fila pivot 1 0 0 0 1 0 3
0*1=0 0*0=0 0*0=0 0*0=0 0*1=0 0*0=0 0*3=0
0-0=0 1-0=1 0-0=0 0-0=0 0-0=0 1-0=1 4-0=4
NUEVO 0 1 0 0 0 1 4
S4=

Fila de Z

Z -6 -5 0 0 0 0 0
Coef. Col. -6 -6 -6 -6 -6 -6 -6
Piv.
N. fila pivot 1 0 0 0 1 0 3
-6*1=-6 -6*0=0 -6*0=0 -6*0=0 -6*1=-6 -6*0=0 -6*3=-18
-6-(-6)=0 -5-0=-5 0-0=0 0-0=0 0-(-6)=6 0-0=0 0-(-18)=18
NUEVO Z= 0 -5 0 0 6 0 18

Nueva tabla simplex:

5
 COMPILACIÓN REALIZADA POR JOSÉ LUIS TANGARA C. – INVESTIGACIÓN OPERATIVA – FCEFA – UTO

VARIABLE VARIABLES SOLUCIÓN

BÁSICA DE DECISIÓN DE HOLGURA
X1 X2 S1 S2 S3 S4
X3 1 0 0 0 1 0 3
S2 0 3 0 1 -3 0 6
S1 0 6 1 0 -9 0 9
S4 0 1 0 0 0 1 4
Z 0 -5 0 0 6 0 18

Se elige el elemento pivote a partir de la elección en la columna con valor más negativo (variable que
entra) y la razón con menor valor (variable que sale). Luego se realiza la iteración que se describe en
el paso 5.

VARIABLE VARIABLES SOLUCIÓN RAZÓN

BÁSICA DE DECISIÓN DE HOLGURA
X1 X2 S1 S2 S3 S4
X3 1 0 0 0 1 0 3 3/0=E
S2 0 3 0 1 -3 0 6 6/3=2
S1 0 6 1 0 -9 0 9 9/6=1,5
S4 0 1 0 0 0 1 4 4/1=4
Z 0 -5 0 0 6 0 18

El resultado que se obtiene es la siguiente nueva tabla simplex:

VARIABLE VARIABLES SOLUCIÓN

BÁSICA DE DECISIÓN DE HOLGURA
X1 X2 S1 S2 S3 S4
X3 0 1 1/6 0 -1,5 0 1,5
S2 0 0 -1/2 1 1,5 0 1,5
X1 1 0 0 0 1 0 3
S4 0 0 -1/6 0 1,5 1 2,5
Z 0 0 5/6 0 -1,5 0 25,5

Se elige el elemento pivote a partir de la elección en la columna con valor más negativo (variable que
entra) y la razón con menor valor (variable que sale). Luego se realiza la iteración que se describe en
el paso 5.

VARIABLE VARIABLES SOLUCIÓN RAZÓN

BÁSICA DE DECISIÓN DE HOLGURA
X1 X2 S1 S2 S3 S4
X3 0 1 1/6 0 -1,5 0 1,5
S2 0 0 -1/2 1 1,5 0 1,5 (1/5)/(1/5)=1
X1 1 0 0 0 1 0 3 3/1=3
S4 0 0 -1/6 0 1,5 1 2,5
Z 0 0 5/6 0 -1,5 0 25,5
6
 COMPILACIÓN REALIZADA POR JOSÉ LUIS TANGARA C. – INVESTIGACIÓN OPERATIVA – FCEFA – UTO

El resultado que se obtiene es la siguiente nueva tabla simplex:

VARIABLE VARIABLES SOLUCIÓN

BÁSICA DE DECISIÓN DE HOLGURA
X1 X2 S1 S2 S3 S4
X3 0 0 -0,3333 0,6667 1 0 1
X2 0 1 -0,3333 1 0 0 3
X1 1 0 0,3333 -0,6667 0 0 2
X4 0 0 0,3333 -1 0 1 1
Z 0 0 0,3333 1 0 0 27

La iteración se realiza hasta que ya no existan valores negativos en la solución de Z

Por lo tanto, el resultado será:
FO MAX Z = 6X1 + 5X2

Para: x1=2 ; x2=3 y z=27

La interpretación de los resultados es: que se debe producir 2 toneladas de cereales sabor a chocolate
y 3 toneladas de cereales sabor a frutilla. Para esta combinación de productos se tiene una utilidad de
27 mil Bs.

7
 ¿QUÉ SON INVENTARIOS?
MODELOS DE ALMACENAMIENTO
“Se llama inventario a una cantidad de bienes o materiales mantenidos
(inventarios) durante un tiempo en un estado inactivo en espera de su uso.”

INVENTARIO: se puede definir inventarios de Materias Primas, Partes

en Proceso y de Productos Terminados, ya que se encuentran en algún
lugar y en un determinado tiempo dentro del Sistema de Producción.

 INVENTARIO: existencia de material almacenada mientras pasa a

formar parte de la producción o se vende.

 ejemplos:
 Materias primas
JOSE LUIS TANGARA C.  Productos en proceso
 Productos terminados

¿QUÉ SON INVENTARIOS? FUNCIÓN DE LOS INVENTARIOS

• Ayuda a la independencia de operaciones - Continuidad

de las variaciones de demanda
 DINERO ! ! !
• Determina condiciones económicas de
 CAUSA: LAS EXISTENCIAS CUESTAN.
aprovisionamiento
 OCUPAN ESPACIO
 CONGELAN DINERO
• Determina la óptima secuencia de operaciones
 REQUIEREN SEGUROS • Uso óptimo de la capacidad productiva
 REQUIEREN CONTROL VIGILANCIA
 SE DAÑAN O DESAPARECEN
 OBSOLESCENCIA
 COSTOS DE INVENTARIOS
•Costos del Artículo: Se refieren al precio de compra.
•Costos de colocación del pedido: Abarcan los costos de
gestión de compras.
•Costos de organización del proceso: Derivados de cambiar
el proceso de producción de un producto a otro.
CLASIFICACIÓN DE INVENTARIOS
POR SU FORMA.
•Inventario MATERIAS PRIMAS (MP)
Puede ubicarse en la bodega de MP, logística de entrada o
en instalaciones del proveedor.
•Inventario PRODUCTOS EN PROCESO (PP)
Generalmente se encuentra dentro de las plantas, en alguna
etapa del proceso productivo.
•Inventario PRODUCTOS TERMINADOS (PT)
Se encuentra en la bodega de PT, cadena de distribución o
en las instalaciones del cliente.
•Costos de mantenimiento: Gastos por mantener
inventario; arriendos, impuestos, obsolescencia, seguros,
administración, financiero o de oportunidad, etc.
•Costos de agotamiento: Se producen cuando la empresa
no puede satisfacer por completo el pedido de un cliente.
CLASIFICACIÓN DE INVENTARIOS
POR SU FUNCIÓN
• Inventario de SEGURIDAD O DE AMORTIGUACIÓN
Se mantiene para compensar riesgo en producción y demanda.
Estos son inventarios para prevenir faltantes debido a fluctuaciones
inciertas de la demanda.
• Inventario de DESACOPLAMIENTO
Para dos procesos adyacentes con tasas de producción no
sincronizadas. Estos inventarios tienen como función desacoplar
operaciones, por ejemplo, en el sistema completo producción-
distribución. Esto permite que las diversas actividades de
producción operen más independientemente, sin tener que confiar
completamente en la programación de la salida de actividades
previas en el proceso de producción.
•Inventario en TRÁNSITO O DE CONDUCTO
Materiales que están avanzando en la cadena de agregación de valor.
Estos inventarios están formados por suministros para cubrir retardos
en el manejo y el tránsito.
•Inventario de CICLO O DE TAMAÑO DE LOTE
Cuando las unidades compradas o producidas exceden la demanda
para aprovechar economías de escala. Estos son inventarios que
pedimos en tamaño de lote porque es más económico hacerlo así que
pedirlo cuando sea necesario satisfacer la demanda.
•Inventario ESTACIONAL
Acumulación de inventario en periodos de baja demanda para
satisfacer periodos de alta demanda.
•Inventario DEMANDA DEPENDIENTE
La demanda de un producto es dependiente cuando puede
deducirse de la demanda de otros productos de la
empresa(patrón cíclico).
Esta demanda debe calcularse
Se utilizan filosofías como MRP, JIT, etc.(generalmente MP y
PP)
CLASIFICACIÓN DE INVENTARIOS
POR TIPO DE DEMANDA
•Inventario DEMANDA INDEPENDIENTE
La demanda de un producto es independiente cuando está
sujeta a las fuerzas del mercado(presenta un patrón
determinado más influencias aleatorias)
Esta demanda debe predecirse
Se utiliza la filosofía de REPOSICIÓN(generalmente PT)
COSTOS Y DECISIONES A TOMAR
 DECISIONES
 CUÁNTO ORDENAR
 CUÁNDO ORDENAR
 COSTOS:
 DE ORDENAR (Asociados al reabastecimiento)
 DE MANTENER EL INVENTARIO (varía según el tiempo)
 COSTO DE CAPITAL (costo de oportunidad)
 ALMACENAMIENTO (arriendo, vigilancia, refrigeración, etc.)
 OBSOLESCENCIA, DETERIORO, PÉRDIDA, SEGUROS
 POR FALTANTES O QUEDARSE SIN STOCK
 MODELO DE INVENTARIOS

• Modelos determinísticos
– Primer Modelo Determinístico
– Segundo Modelo Determinístico
• Modelos estocásticos
• Software para modelos de
almacenamiento
 ¿Qué llegará?  ¿Qué tengo?  ¿Qué podemos
 ¿Cuándo llegará?  ¿Dónde lo pongo? enviar?
 ¿Qué pedidos
deberíamos
entregar?
13

PRIMER MODELO DETERMINÍSTICO

MODELO EOQ
(ECONOMIC ORDER QUANTITY – CANTIDAD ECONÓMICA DE PEDIDO)

SUPUESTOS
• Demanda conocida y constante.
• Tiempo de espera conocido y constante (entre emisión y
almacenamiento)
• El precio de compra (fabricación) no depende de la
cantidad comprada (fabricada)

El propósito del modelo EOQ es la
minimización del costo total del
periodo. Los costos determinantes
para este objetivo son el costo de
pedido, el costo de mantenimiento y
el costo de compra.
El costo de compra en un periodo, es el
costo por unidad de compra (Cu),
multiplicado por el número de unidades
(D).
Costo de compra = Cu * D
𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑚𝑎𝑛𝑡𝑒𝑛𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 = 𝐻
El costo de pedido o emisión, son los costos
asociados a realizar el suministro de los
bienes almacenados (Cp), multiplicado por
el número de pedidos en la gestión (D/Q)
𝐷
𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑝𝑒𝑑𝑖𝑑𝑜 = 𝐶𝑝
𝑄
El costo de mantenimiento periódico,
es el costo de mantener cada unidad
de bién en un periodo de tiempo (H),
multiplicado por el número promedio
de unidades de inventario (Q/2)
𝑄
2
En donde: H = Cu * i
Cu = costo de compra o producción
i = costo de oportunidad o tasa de interés
 REPRESENTACIÓN GRÁFICA
MODELO EOQ

C
O
S Costo Total
𝐷 𝑄 T
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 = 𝐶𝑝 + 𝐶𝑢 𝐷 + 𝐻 O
𝑄 2 S
Costo de Almacenamiento

Costo de Emisión

Q
Q*

En el modelo EOQ la cantidad óptima de pedido (Q*),

coincide en el punto en el que el Costo de Pedido es Otra de las variables a definir en el
igual al costo de mantenimiento, considerando que modelo EOQ es el tiempo esperado
es la cantidad al cual se minimiza el costo total que entre los periodos de orden o pedido. (T)
es el costo mínimo total de inventario por periodo.
𝐷 𝑄 Periodos de
𝐶𝑝 =𝐻 tiempo en que
𝑄 2
Cantidad óptima se debe realizar
de pedido en un 2𝐶𝑝𝐷 el pedido.
periodo de 𝑄 = CUÁNDO PEDIR
tiempo. CUÁNTO 𝐻 2𝐶𝑝𝐷
PEDIR 𝑄∗ 𝐻
𝑇= =
2𝐶𝑝𝐷 𝐷 𝐷
𝑄∗ =
𝐻

También se puede determinar el
número esperado de pedidos durante
un periodo de tiempo (N):
N= ∗
Ejemplo:
Almacenes «Bueno, bonito y Barato» es un distribuidor local
de equipos refrigerantes industriales.
Por experiencia se sabe que la compañía vende 600
conservadoras industriales por año.
La emisión de cada orden de compra cuesta 1500 $us.
desde Iquique, lo que incluye procesamiento, manejo,
transporte y otros costos relacionados con la orden.
Los costos de mantenimiento anuales que incluyen capital y
costos de almacenamiento, es de $us. 300.
El mayorista ofrece un precio de compra de 1.500 $us. por
Conservador. Supóngase que no se permite ruptura del
stock y que no existen costos adicionales. ¿Cuánto se
debería comprar cada vez para minimizar el costo en
inventario?
Por lo tanto, será conveniente realizar el reaprovisionamiento cada 47 días en
una cantidad igual a 77 unidades, con un costo total de $us. 923237,90. El
número de pedidos durante el año es igual a 600/77,46=8.

MODELO EOQ CUANDO SE PERMITEN FALTANTES - Reaprovisionamiento en el tiempo T

(DÉFICIT O ESCASEZ) - En el punto R se produce una ruptura de la existencia debido
a la escasez
- (Q – S) es el resto para completar Q, que es entregado al
Puede que resulte beneficioso permitir que ocurra algún comienzo del siguiente periodo.
déficit porque puede incrementarse la longitud del ciclo - Se tiene una espera T2 de tiempo, que se denomina costo
con un ahorro resultante en los costos de preparación. por escasez Cs (SE INCORPORA EL COSTO DE LA ESCASEZ)
Sin embargo, este beneficio puede ser neutralizado por
el costo en el que se incurre cuando se presenta algún
déficit y, por consiguiente, se requiere un análisis
detallado.
Si se permite un déficit y se establece su precio a un
costo de Cs $ por cada unidad demanda no satisfecha
para cada unidad de tiempo, se pueden obtener
resultados semejantes al caso en el que no se permite
déficit.
 ENTONCES, A PARTIR DE: Si el número de periodos para satisfacer la demanda total D es
T = T1 + T2 igual a D/Q
Entonces el costo global medio de gestión será:
Sabemos que en el tiempo O se produce una demanda D,
entonces: D/O = Q/T C = ( Cp S T1 H + (Q-S) T2 Cs ) D
2 2 Q
Por semejanza de triángulos se demuestra que:
COSTO DE COSTO DEBIDO A
T1 / T = S / Q y T2 / T= (Q-S) / Q ALMACENAMIENTO LA ESCASEZ
De donde:
Entonces la función de costo que alcanza un mínimo
T1 = S/Q (T) y T2 = (Q – S)/Q T
es:
En cada periodo T se reconoce tres costos: dC = 0
- Costo de emisión de un lote en T que es igual a Cp Dq
- Costo de almacenamiento de un lote igual a S/2 (T1) H
- Costo debido a la escasez para un lote es igual a (Q-S) / 2 T2
dC = 0
Cs
dS

Haciendo operaciones se tiene:

Tasa de
escasez

Volumen de
reaprovisionamiento
que satisface la
demanda hasta el
momento en que se
produce la ruptura
VOLUMEN DE PERIODO DE
REAPROVISIONAMIENTO GESTIÓN

Cuanto pedir antes de R

 EJEMPLO

Se conoce que la demanda de un artículo es de 450000

pzas por año.
El costo de almacenamiento por artículo y por día es de
0.20 Bs.
El costo de emisión por periodo es de 60.000 Bs.
Costo por escasez de 0.60 Bs. por artículo y por día.
Los datos de la columna izquierda representan los valores introducidos a partir del
problema planteado. Los resultados son los de la columna derecha que se interpretan
como sigue:
•Order quantity = 27386.13 Piezas que es la cantidad óptima a ordenar.
•Maximum inventory = 27386.13 pzas., cantidad máxima de inventario que se debe
mantener.
•Order interval in year = 0.0609 periodos de tiempo en que deben realizarse los
pedidos o cada cuanto se debe realizar el pedido (0.0609 x 360 = 22 días)
•Total setup or ordering cost = 985900.60 Bs., el costo total de hacer los pedidos.
Grand total cost = 1971801 Bs. de costo total mínimo por realizar este proceso.

MODELO EOQ CON DESCUENTOS Modelo con descuento en todas las

En una situación real, el precio de compra puede variar en función Unidades Compradas
del tamaño de la orden, es decir, existen descuentos según la
cantidad. Luego, el costo anual de compra o producción depende del
volumen demandado. Adicionalmente, si el costo de mantener Costolote= P1Q Costolote= P2Q
costo
unidades en inventario se expresa como un porcentaje del precio de de lotes < Q1
compra, el costo anual de mantener órdenes en inventario también compra
dependerá del precio de compra. Q1< lotes < Q2
Si Q es la cantidad ordenada cada vez, el modelo general de Q2< lotes < Q3
descuento queda:
Si Q < b1, el costo unitario es de p1.
Si b1 <= Q < b2, el costo unitario es de p2. Costolote= P3Q
Si bk-2 <= Q < bk¡1, el costo unitario es de pk-1.
Si bk¡1 <= Q < bk = ∞, el costo unitario es de pk. Q1 Q2 Q3 Q (lotes)
En los puntos b1; b2; b3; : : : bk hay un cambio de precio, por lo
que se denominan puntos de quiebre del precio. Debido a que los A medida que la cantidad comprada supera ciertos
precios bajos están asociado a grandes cantidades, se debe umbrales el precio unitario va disminuyendo
cumplir pk < pk-1 < pk-2 < . . . < p2 < p1.
 Ejemplo
Gráfico de este Modelo Almacenes «Bueno, bonito y Barato» es un distribuidor local de equipos
refrigerantes industriales.
Por experiencia se sabe que la compañía vende 600 conservadoras
COSTOS TOTALES
industriales por año.
La emisión de cada orden de compra cuesta 1500 $us. desde Iquique lo
Rotura de precios CT1 que incluye procesamiento, manejo, transporte y otros costos
p1 CT2 relacionados con la orden.
p2
Los costos de mantenimiento anuales que incluyen capital y costos de
CT3
almacenamiento, es de $us. 300.
p2 p3 CT4
p3 p4 El mayorista ofrece un precio de compra de 1.500 $us. por Conservador.
p4 p5 CT5 Sin embargo, ofrece un descuento por cantidad según el siguiente
detalle:
DESCUENTO CANTIDAD
2% MAYOR O IGUAL A 50 UNIDADES.
5% MAYOR O IGUAL A 100 UNIDADES
10% MAYOR O IGUAL A 200 UNIDADES

Q1 Q2 Q3 Q4 CANTIDAD ¿Cuánto se debería comprar cada vez para minimizar el costo en

inventario?

La mejor decisión es ordenar 200 y tomar el descuento del 10 %..

Para mostrar un análisis detallado del costo utilice el comando Cost
Analysis for Descount Decision del menú Results.
 Modelo EOQ con Producción
Es frecuente que los artículos sean producidos
internamente en lugar de ser adquiridos a un
proveedor externo. En dichos casos, el supuesto de
que todos los artículos llegan juntos una vez
ordenados puede ser irreal y se recurre a un modelo
con producción a tasa constante.
Al igual que el caso de EOQ estándar, se supondrá
que la demanda es determinística y ocurre a tasa
constante. También se supondrá que no se admite
escasez. El modelo supone que los productos son
fabricados a una tasa p constante de unidades por
unidad de tiempo (normalmente al año), luego
durante un intervalo de tiempo de longitud t se
producen exactamente pt unidades.

Lote Económico con Producción y El cálculo de la cantidad óptima es:

Consumo simultáneo Costo anual de mantenimiento = costo anual de organización

Costo anual de mantenimiento = Nivel medio de inventario * costo de

mantenimiento
utilización y fabricación
Q Nivel medio de inventario = Nivel máximo de inventario /2
D
P (P-D)*(Q/P)
NIVEL MÁXIMO DE INVENTARIO = Pt - Dt
solo utilización
Si: t = Q/P
½(P-D)*(Q/P)
𝑄 𝑄
𝑁𝑖𝑣𝑒𝑙 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 = P −D
𝑃 𝑃
Q/P te t1 𝐷
Tiempo 𝑁𝑖𝑣𝑒𝑙 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 = 1 − 𝑄
𝑃
Q=número de unidades por pedido
H=costo de mantenimiento por unidad y tiempo 𝐷 𝑄
P=tasa de producción por periodo de tiempo 𝑁𝑖𝑣𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑖𝑜 = 1 −
D=demanda por periodo de tiempo 𝑃 2
 𝐷 𝑄
𝐶𝑜𝑠𝑡𝑜 𝑎𝑛𝑢𝑎𝑙 𝑑𝑒 𝑚𝑎𝑛𝑡𝑒𝑛𝑖𝑚𝑖𝑒𝑛𝑡𝑜 = 1 − ∗𝐻
𝑃 2
Ejemplo:
Costo anual de mantenimiento = costo anual de organización
La empresa Alan Brito Delgado S.A. requiere
1−
𝐷 𝑄
∗ 𝐻 = 𝐶𝑝
𝐷 producir 10000 unidades al año. Cada artículo se
𝑃 2 𝑄 valoriza en Bs. 2000.
Despejando Q: La empresa tiene una capacidad de producción
2𝐶𝑝𝑄 de 25000 unidades al año. El costo de cada
𝑄∗ = corrida de producción es Bs. 200 y el costo
𝐷
𝐻 1−𝑃 anual de mantener una unidad en inventario
durante un año es 25% del valor del artículo.
𝑄∗
𝐸𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑒 𝑝𝑒𝑑𝑖𝑑𝑜𝑠: 𝑇 = Determine el volumen de producción óptimo y el
𝐷 número de corridas de producción.
𝐷
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒𝑑𝑖𝑑𝑜𝑠 𝑜 𝑛ú𝑚𝑒𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑝𝑒𝑑𝑖𝑑𝑜𝑠: 𝑁 =
𝑄

El volumen óptimo de producción es de 115 unidades

El número de pedidos 87
El intervalo tiempo cada 4 dias.
 MODELOS ESTOCÁSTICOS

MODELOS ESTOCÁSTICOS
Q*
Se asume p() como la probabilidad para la
demanda r. Asimismo, se tiene un costo Ce por
escasez en existencias. El reabastecimiento se hace
R
al final de cada periodo en una cantidad igual a la
demanda, para completar un nivel de S. Por lo tanto,
S el problema consiste en determinar la cantidad S,
que haga mínimo el costo medio de gestión. En
otras palabras, se desea establecer existencias de
seguridad adecuadas que permitan proporcionar un
R= L+S S - Inventario de Seguridad
nivel especificado de protección para dar servicio a
los clientes cuando se desconoce la demanda.
La cantidad S calculada, puede resultar muy grande causando costos de
mantenimiento de inventario. El objetivo de la optimización es determinar la
cantidad mínima de existencia de seguridad requerido satisfaciendo el nivel de
servicio específico. Para ello se aplica la distribución normal para el
comportamiento de la demanda y su confiabilidad.

Los modelos estocásticos refieren a situaciones en que
la demanda no es conocida o tiene características de
tener incertidumbre en su definición.
Para el cálculo de cantidades óptimas en base a una
demanda incierta, la demanda asumirá una
distribución de probabilidad.
Se incorpora el INVENTARIO DE SEGURIDAD (), que
es una protección contra la incertidumbre de la
demanda (demanda diferida), que de alguna manera
garantiza la no interrupción de las operaciones,
generando una reserva ante la incertidumbre.
La cantidad S calculada, puede resultar muy grande causando costos
de mantenimiento de inventario. El objetivo de la optimización es
determinar la cantidad mínima de existencia de seguridad requerido
satisfaciendo el nivel de servicio específico. Para ello se aplica la
distribución normal para el comportamiento de la demanda y su
confiabilidad.
Ciclo del nivel de servicio
 La desviación estándar de la demanda D´
1- Probabilidad de
R+S faltantes
L S
• Se puede estandarizar la curva, y encontrar en tablas las probabilidades
para cualquier valor de desvíos a la derecha o a la izquierda de la media.
𝑅+𝑆 −𝜇
𝑧=
𝜎
Nivel de servicio () = Prob. (satisfacer la demanda durante
un ciclo de inventario) o la prob. (demanda durante el tiempo
<= R
El nivel de servicio, corresponde a una fracción probabilística
(%) esperada de la demanda, la cual es satisfecha en un
periodo de tiempo. Representa la probabilidad de satisfacer la
demanda durante un periodo de tiempo.
Por ejemplo si =0,95, significa satisfacer la demanda en al
menos 95%, con una existencia del 5% de déficit (1-).
Creándose un faltante u orden atrasada con la probabilidad de
un 5%.
Para determinar las existencia de seguridad, con la
probabilidad de no tener un inventario con déficit se calculará
R+S unidades de inventario, con la probabilidad de no
agotarse el inventario durante el tiempo guía con un nivel de
servicio .
Prob. (demanda durante el tiempo guia L<= R+S) = 
El hecho de determinar la cantidad de existencia de seguridad para
la distribución normal, durante un tiempo, caracteriza dos elementos:
- La media L es la demanda promedio durante el tiempo guía. L, L
=R
- La desviación estándar L de la demanda durante el tiempo guía.
Entonces, el punto de nuevos pedidos será:
L = R = D´ L
𝜎2 = 𝜎 ∗ 𝐿
𝜎 =𝜎 𝐿
Con los valores de  y  la cantidad de existencia de seguridad se
determina utilizando la distribución normal
Prob. (demanda durante el tiempo guía <= R+S) = 
 Ciclo del nivel de servicio Ejemplo


Probabilidad Un supermercado compra uno de sus artículos a un

1-
R+S de faltantes precio de Bs. 50 y lo vende a Bs. 75.
L
S
La demanda para el próximo mes tiene un
comportamiento normal con media de 1.000 unidades
y desviación de 35 unidades.
El costo de hacer una nueva orden es de Bs. 25. Una
𝑅+𝑆 −𝜇 unidad faltante en inventario tiene un costo para la
𝑧=
𝜎 empresa de Bs. 70.
La empresa cuenta con un inventario inicial de 100
𝑅+𝑆 −𝑅 unidades. Se desea prestar un nivel de servicio del
𝑧=
𝜎 98%, determinar la utilidad del modelo.
𝑆
𝑧= S = Z * L
𝜎

MODELO DE REVISIÓN PERIÓDICA

La política de este modelo de inventario es controlar lo niveles de

inventario a intervalos de tiempo determinados, el tamaño del pedido
está dado mediante el nivel de inventario en ese periodo, bajo un
tiempo entre pedidos fijo.
OTROS MODELOS DE INVENTARIOS
LA CLASIFICACIÓN ABC
El análisis ABC, conocido también como la regla 80/20 o ANÁLISIS ABC DE INVENTARIOS
principio de Pareto, constituye una de las técnicas Método sistemático que agrupa a los materiales en estratos o
categorías, según su valor o característica, para aplicarles un
universalmente mas aplicadas, para seleccionar aquellos items merecido grado de control (Polimeni, 1998)
más importantes dentro de un cantidad determinada. En el
campo de la gestión de stocks su aplicación es evidente ya que
nos va a permitir, seleccionar aquellos artículos que presentan
mayor interés para la referida gestión. Cantidad: Valor:
El principio básico se centra en "focalizar el control sobre los
artículos mas importantes para la gestión de los inventarios". Clase A 10% 75%
Esto supone establecer tres niveles de importancia:
Nivel A - Artículos muy importantes.
Nivel B - Artículos moderadamente importantes. Clase B 25% 20%
Nivel C - Artículos poco importantes.
De tal manera que el esfuerzo y coste de la gestión, sea
proporcional a la importancia del producto. Clase C 65% 5%

¿Cómo medir la importancia?

Clasificación ABC

•A Alto Volumen Monetario • Dos aspectos importantes:

•B Volumen Monetario Medio • Costo

• Volumen

•C Bajo Volumen Monetario

Volumen Monetario
Expresarlo como porcentaje del
volumen monetario del inventario total
Presentación Gráfica de una clasificación ABC

Porcentaje del valor monetario total

Art. A

Art, B
Art. C

Porcentaje del número

total de artículos
MODELO ¨JUST IN TIME¨ (JIT)
El objetivo de los sistemas justo a tiempo (Just in time JIT) es eliminar o reducir en
gran medida el inventario requerido en un proceso de producción. Esto se logra
obteniendo partes (componentes) solo cuando están a punto de usarse en el proceso
de producción, dando así origen al nombre justo a tiempo. Las compañías de autos
como Toyota y Honda hace muchos años que utilizan con éxito el sistema JIT.
El enfoque JIT puede eliminar la necesidad de existencias de seguridad y de
inventarios innecesarios, reduciendo así costos e incrementando ganancias. Sin
embargo, existen pocos, o ninguno, inventarios disponibles como respaldo, ya para
que el sistema JIT tenga éxito se requieren ciertas condiciones.
Un proceso de producción repetitivo en el que: el mismo producto se produce una y
otra vez y la demanda es relativamente estable, es decir no ocurren grandes
fluctuaciones.
Una disposición de producción diseñada para reducir la cantidad de inventarios de
trabajo en proceso al mismo tiempo que se mantiene un flujo de trabajo equilibrado
en las diversas estaciones de trabajo.
La capacidad de recibir con frecuencia pequeños pedidos de proveedores en vez de
menos lotes de mayor tamaño con menos frecuencia.
Administración de calidad total de forma tal que las partes que llegan de proveedores
y que salen de una estación de trabajo a otra funcionen según lo especificado. Existe
poco o ningún inventario para reemplazar las partes defectuosas.
 3/5/2021

MODELO DE TRANSPORTE EL PROBLEMA DE TRANSPORTE

El modelo de transporte se define como una técnica que determina un

programa de transporte de productos o mercancías desde unas fuentes
hasta los diferentes destinos al menor costo posible.
Proveedor
Los datos del modelo son:
1. Nivel de oferta en cada fuente
2. Cantidad de demanda en cada destino.
2. El costo de transporte unitario de la mercancía a cada destino.

El método de transporte es un problema clásico dentro de la

programación matemática; se analiza la manera de obtener el costo
mínimo de transportar una serie de productos desde n fábricas, hasta
Destinos m almacenes; cada envío tiene un costo particular que estará en
función de la distancia, la cantidad y otras variables.

El objetivo del modelo es el de determinar la cantidad que se enviará

de cada fuente a cada destino, tal que se minimice el costo del
Por: transporte total.
JOSE LUIS TANGARA C.

RED DE TRANSPORTE RUTA

DESTINO
ORIGEN (NODO)
(NODO)
i = índice o número de orígenes
J = índice o número para los destinos
Xij = cantidad de mercancía que es posible transportar dese el
origen i hasta el destino j.
Cij = costo de transportar una unidad de mercancía desde el
origen i hasta el destino j.
ai = suministro o capacidad en unidades del origen i
bj = demanda en unidades del destino j
3/5/2021
3/5/2021
 3/5/2021

Método de la Esquina Noroeste.

La Cervecería Boliviana Nacional (CBN) tiene dos plantas de producción de cerveza
envasadas en botellas de 750 cc. y en cajas de 12 botellas cada una. Una de las fábricas
de cerveza está ubicada en la localidad de Huari y la otra está ubicada en la ciudad de La
Paz. Tiene cuatro almacenes regionales que permite el abastecimiento al mercado
MÉTODOS DE SOLUCIÓN AL PROBLEMA DE nacional. Uno está ubicado en la ciudad de Oruro, otro en la ciudad de Cochabamba, en
TRANSPORTE la ciudad de El Alto y Santa Cruz. La capacidad de producción de las plantas, expresado
en cajas de cerveza, es de: Planta Huari 18.000 cajas por mes, Planta La Paz 20.000 cajas
Los métodos son: por mes. Las demandas en los centros de distribución son de: 8.000 cajas en Oruro,
- Método de la Esquina Noroeste 15.000 cajas en Cochabamba, 10.000 cajas en el Alto y 5.000 cajas en Santa Cruz.
- Método del costo mínimo El costo de transporte por caja de cerveza desde las unidades de producción hasta los
centros de distribución, tiene el siguiente detalle:
- Método de Vogel
- Método del Cruce del Arroyo
ORIGEN DESTINO OFERTA
- Etc.
ORURO COCHABAMBA EL ALTO SANTA CRUZ

PLANTA HUARI 2 4 4 8 18000

PLANTA LA PAZ 3 5 1 8 20000

DEMANDA 8000 15000 10000 5000

Método de Vogel
El método comienza calculando por cada columna y por cada fila el castigo. El castigo
se calcula como la diferencia entre los dos costos menores en la columna o en la fila
según corresponda. A continuación, se determina la fila o columna con un mayor valor
de castigo. Luego, se selecciona como variable basal la celda con menor costo de la fila
o columna, según corresponda, y se le asigna la máxima cantidad posible. Una vez
realizada la asignación, se descarta la fila o columna cuya oferta o demanda haya sido
completa. Se recalcula la demanda u oferta disponible en la fila o columna. La primera
asignación se ha completado.
Se vuelven a calcular los castigos por fila y por columna y se repite el procedimiento
descrito hasta completar las asignaciones posibles en la tabla.
La ventaja del método de Vogel por sobre el de la Esquina Noroeste es que va adelante
algunas iteraciones y por lo tanto se obtiene una solución inicial mejor. Eventualmente
puede ocurrir que aplicando el método se llegue directamente a la solución óptima. La
desventaja del método de Vogel radica en que sin duda es más complejo que el de la
esquina noroeste, por lo tanto, es más difícil de implementar y más proclive a errores
en la aplicación.
3/5/2021
 3/5/2021

 Incrementos en una Oferta y en una Demanda

Si tanto en alguna oferta ai como en alguna demanda bj se produce un aumento
de ∆, se mantiene el balanceo del problema. En este caso, se demuestra que:
znuevo = zoriginal + ∆ ci + ∆ xj
La expresión anterior se obtiene a partir de que tanto los ci y los xj equivalen a
menos el precio sombra de la restricción asociada a cada origen i o destino j
según corresponda.
Una vez definido el nuevo valor de la función objetivo, es importante determinar
cómo cambian los valores de las variables. Para ello se siguen las siguientes
reglas:
1. Si xij es una variable básica, xij se incrementa en ∆.
2. Si xij es una variable no básica, se debe encontrar el loop que contenga a xij y
algunas de las variables basales. Encontrar la primera celda de la i (distinta de
xij) y aumentar su valor en ∆. Continuar el loop, incrementando y
disminuyendo en ∆ en forma alternada.
 26/5/2022

Introducción

Las cadenas de Markov son modelos probabilísticos de

decisión que se usan para predecir la evolución y el
Modelos de Markov comportamiento a corto y a largo plazo de
determinados sistemas en una serie de estados .
Ejemplos: reparto del mercado entre marcas; dinámica
de las desperfectos de máquinas para decidir política
Por:
de mantenimiento; evolución de una enfermedad,
José Luis Tangara C. evolución de la demanda de un bien, etc.

Las cadenas de Markov son una herramienta para analizar el Definición de Cadena de Markov
comportamiento y el gobierno de determinados tipos de
procesos estocásticos, esto es, procesos que evolucionan
de forma no determinista a lo largo del tiempo en torno a un
conjunto de estados. • Una Cadena de Markov (CM) es:
• Un proceso estocástico
Una cadena de Markov, por tanto, representa un sistema que
varía su estado a lo largo del tiempo siendo cada cambio una • Con un número finito de estados (M)
transición del sistema. Dichos cambios no están • Con probabilidades de transición estacionarias
predeterminados, aunque sí lo está la probabilidad del • Que tiene la propiedad markoviana
próximo estado en función de los estados anteriores,
probabilidad que es constante a lo largo del tiempo.
Eventualmente, en una transición, el nuevo estado puede ser
el mismo que el anterior y es posible que exista la posibilidad
de influir en las probabilidades de transición actuando
adecuadamente sobre el sistema.

Proceso estocástico:
• Es un conjunto o sucesión de variables aleatorias:
{X(t)CG } definidas en un mismo espacio de probabilidad.
• Normalmente el índice t representa un tiempo y X(t) el
estado del proceso estocástico en el instante t.
• El proceso puede ser de tiempo discreto o continuo si G es
discreto o continuo.
• Si el proceso es de tiempo discreto, usamos enteros para
representar el índice: {X1, X2, ...}
ELEMENTOS DE UNA CADENA
DE MARKOV
26/5/2022
Ejemplos de procesos estocásticos:
1. Serie mensual de ventas de un producto
2. Estado de una máquina al final de cada semana
(funciona/averiada)
3. Nº de clientes esperando en una cola cada 30 segundos
4. Marca de detergente que compra un consumidor cada vez
que hace la compra. Se supone que existen n marcas
diferentes
5. Nº de unidades en almacén al finalizar la semana
PROPIEDAD MARKOVIANA
Un proceso estocástico tiene la propiedad markoviana si las
probabilidades de transición en un paso sólo dependen del estado
del sistema en el período anterior (memoria limitada)
 26/5/2022

PROPIEDAD MARKOVIANA PROPIEDAD MARKOVIANA

P(n) es la matriz de transición en n pasos, de orden (M+1)x(M+1)

DIAGRAMA DE TRANSICION
LAS CADENAS DE MARKOV
1-pij
SON UN CASO PARTICULAR
DE MODELOS DE MARKOV
1-pij i j pij
pij
Tipos de modelos de Markov:
Estado i Estado j
• Procesos de Markov (Modelos semi-
markovianos): Las probabilidades de transición
entre estados pueden variar a medida que
El diagrama de transición de estados de una cadena de Markov, es
un grafo dirigido cuyos nodos son los estados de la Cadena de transcurren más ciclos
Markov. – Ejemplo: para modelizar la esperanza de vida, el riesgo
Los arcos se etiquetan con la probabilidad de transición pij entre los de muerte aumenta con la edad, demanda, etc.
diferentes estados (i,j) los cuales une. • Cadenas de Markov: Las probabilidades de
Si la probabilidad pij de transición entre estados es cero entonces no transición se suponen constantes a lo largo del
se coloca arco de relación. tiempo
 26/5/2022

PROPIEDAD MARKOVIANA
Ejemplos:
Comportamiento (sube/baja) del precio de las
acciones hoy depende de lo ocurrido ayer
Problema de la ruina de un jugador de casino
Elección de marca: Con qué línea aérea volar a
Santa Cruz?
Ejemplo:
La empresa de producción de cerveza HUARI, tiene a competidores a nivel nacional a las
empresas CORDILLERA, PACEÑA, TAQUIÑA - AUTENTICA y SUREÑA.
En la actualidad, las participaciones de mercado son las siguientes 24% para Huari, 29%
para Taquiña – Auténtica y Sureña, 30% para Paceña, y 17% para Cordillera. En los
últimos tiempos el flujo de consumidores y las retenciones junto a las pérdidas de las
empresas fueron:
a) Huari, retiene el 70% de sus clientes y pierde 20% en favor de los competidores
Taquiña, Auténtica y Sureña. 5% de sus clientes se van a consumir cerveza del
competidor Paceña y 5% al competidor Cordillera.
b) Las empresas Taquiña, Auténtica y Sureña juntas, retienen el 65% de sus clientes y
pierden el 15% con la empresa Huari, 10% con Paceña y 10% con el competidor
Cordillera.
c) El competidor Paceña, retiene el 75% de sus clientes y pierde 5% a favor de Huari,
5% a favor de las empresas Taquiña, Auténtica y Sureña juntas, y 15% a favor de
Cordillera.
d) Finalmente Cordillera retiene el 70% de sus clientes y pierde 10% a favor de Huari,
10% con la empresa Paceña y 10% pierde con las empresas Taquiña-Auténtica y
Sureña.
Pregunta a responder:
- ¿Cuál será la participación probable del mercado total que pueda retener cada
empresa al terminar la gestión?

Solución:
Elementos de la Cadena de Markov
Estados del Sistema: Diagrama de transición de estados del sistema

E1: Huari
E2: Taquiña-Auténtica y Sureña
E3: Paceña
0,15
0,7 0,65
E4: Cordillera
0,1 0,1
E1 E2
Matriz estocástica de transición:
0,05 0,05 0,20 0,1
0,05 0,1
0,1
E3
0,05 E4
0,75
0,15 0,7
 26/5/2022

Vector de probabilidades iniciales, correspondientes a los

estados del sistema: Reemplazando datos:

X(0) = {Huari, Taquiña-Auténtica-Sureña, Paceña, Cordillera}

Probabilidades de ocurrencia de los estados:

Resolviendo:
X(0) = {0,24 , 0,29 , 0,30 , 0,17}
La cadena de Markov de participación del mercado total, es la
probabilidad de retención de cada empresa al terminar la
Por lo tanto, la participación de los competidores en el mercados
gestión:
es:
X(n) = X(0) P(n)
- Competidor Huari con un 24,4%
Para una gestión o periodo se tiene:
- Competidor Taquiña-Auténtica y Sureña con 26,8%
X(1) = X(0) P(1)
- Competidor Paceña con un 28,3%
- Competidor Cordillera con 20,5%