Está en la página 1de 192

Pamplona

Centro de Educacin Virtual y a Distancia

Universidad de

Programas de Educacin a Distancia

Programacin Lineal (Mtodos Cuantitativos)


Luis Manuel Palomino Mndez

43 Aos Formando Colombianos de Bien


lvaro Gonzlez Joves
Rector

Mara Eugenia Velasco Espitia


Decana Facultad de Estudios Avanzados, Virtuales, a Distancia y Semiescolarizados

Luis Armando Portilla Granados


Director Centro de Educacin Virtual y a Distancia

Tabla de Contenido
Presentacin Introduccin Horizontes UNIDAD 1: Introduccin a la Investigacin de Operaciones Descripcin Temtica Horizontes Ncleos Temticos y Problemticos Proceso de Informacin 1.1 HISTORIA DE LA INVESTIGACIN DE OPERACIONES 1.2 ARTE Y CIENCIA DE LA INVESTIGACIN DE OPERACIONES 1.3 CARACTERSTICAS DE LA INVESTIGACIN DE OPERACIONES 1.4 DEFINICIN 1.5 ESTRUCTURA DE LOS MODELOS EMPLEADOS EN LA INVESTIGACIN DE OPERACIONES. 1.5.1 Tipos de Modelos de Investigacin de Operaciones (IO) 1.5.2 Elementos de un Modelo de Decisin 1.6 REPRESENTACION POR MEDIO DE MODELOS 1.6.1 Disponibilidad de Datos en la Representacin por medio de Modelos 1.7 CALCULOS EN INVESTIGACION DE OPERACIONES 1.8 METODOLOGA PARA UN ESTUDIO DE INVESTIGACION DE OPERACIONES 1.9 CONCEPTO DE OPTIMIZACIN. 1.10 REAS DE APLICACIN DE LA INVESTIGACIN DE OPERACIONES Proceso de Comprensin y Anlisis UNIDAD 2: Programacin Lineal Descripcin Temtica Horizontes Ncleos Temticos y Problemticos Proceso de Informacin 2.1 GENERALIDADES DE LA PROGRAMACIN LINEAL 2.2 DEFINICIN Y PROBLEMAS DE PROGRAMACIN LINEAL

2.3 SUPUESTOS DE LA PROGRAMACIN LINEAL 2.3.1 Supuesto de Proporcionalidad y Aditividad 2.3.2 Supuesto de Divisibilidad 2.3.3 Supuesto de Certidumbre 2.4 FORMULACIN DE MDELOS DE PROGRAMACIN LINEAL 2.4.1 Forma Estandar de los Modelos de Programacin Lineal 2.4.2 Otras Formas de Modelos de Programacin Lineal 2.4.3 Solucin Grfica de Problemas de Programacin Lineal 2.5 APLICACIN DE LA PROGRAMACIN LINEAL PARA RESOLVER PROBLEMAS DE DECISIN DE MLTIPLES PERODOS 2.5.1 Modelo de Inventario 2.5.2 Modelo Financiero Proceso de Comprensin y Anlisis UNIDAD 3: Mtodo Simplex Descripcin Temtica Horizonte Ncleos Temticos y Problemticos Proceso de Informacin 3.1 GENERALIDADES DEL METODO SIMPLEX 3.2 FASES DEL MTODO SIMPLEX 3.3 FORMA CNICA DEL MODELO DE PROGRAMACIN LINEAL. 3.4 FORMA TPICA DEL MODELO DE PROGRAMACIN LINEAL 3.5 EL MTODO SIMPLEX EN FORMA TABULAR 3.6 PASOS DEL ALGORITMO SIMPLEX 3.6.1 Paso de Inicializacin 3.6.2 Proceso Iterativo 3.6.3 Regla de Parada 3.7 REGLA DE PARADA 3.8 MTODO DE LA M O DE PENALIZACIN. 3.8.1 Tcnica de las Variables Artificiales 3.8.2 Restriccin del Tipo 3.9 3.10 3.11 3.12 3.8.3 EL MTODO DE LAS DOS FASES 3.9.1 Pasos para cada Fase 3.9.2 Aplicacin de las Fases ECUACIONES REDUNDANTES 3.10.1 Soluciones Degeneradas SOLUCION PTIMA MODELO DE TRANSPORTE. 3.12.1 Formulacin del Modelo 3.12.2 Modelo General del Problema de Transporte

= Restriccin del Tipo >

3.13 MTODOS PARA ENCONTRAR SOLUCIONES FACTIBLES 3.13.1 Mtodo de la Esquina Noroeste. 3.13.2 Mtodo de Aproximacin de Vogel. Proceso de Comprensin y Anlisis UNIDAD 4. Redes de Distribucin Descripcin Temtica Horizontes Ncleos Temticos y Problemticos Proceso de Informacin 4.1 DEFINICIN DE REDES DE DISTRIBUCIN 4.2 PROBLEMA DE TRANSPORTACIN 4.2.1 Algoritmo de Transportacin 4.2.2 Cuadro de Transportacin 4.2.3 Algoritmo del Escaln 4.3 PROBLEMA DE TRANSBORDO 4.3.1 Caractersticas Clave de la Red 4.3.2 El Algoritmo de Transbordo 4.4 PROBLEMA DE ASIGNACIN 4.4.1 Algoritmo de Asignacin 4.4.2 Creacin de una Matriz de Asignacin ptima Proceso de Comprensin y Anlisis BIBLIOGRAFA GENERAL

Mtodos Cuantitativos

Presentacin
La educacin superior se ha convertido hoy da en prioridad para el gobierno Nacional y para las universidades pblicas, brindando oportunidades de superacin y desarrollo personal y social, sin que la poblacin tenga que abandonar su regin para merecer de este servicio educativo; prueba de ello es el espritu de las actuales polticas educativas que se refleja en el proyecto de decreto Estndares de Calidad en Programas Acadmicos de Educacin Superior a Distancia de la Presidencia de la Repblica, el cual define: Que la Educacin Superior a Distancia es aquella que se caracteriza por disear ambientes de aprendizaje en los cuales se hace uso de mediaciones pedaggicas que permiten crear una ruptura espacio temporal en las relaciones inmediatas entre la institucin de Educacin Superior y el estudiante, el profesor y el estudiante, y los estudiantes entre s. La Educacin Superior a Distancia ofrece esta cobertura y oportunidad educativa ya que su modelo est pensado para satisfacer las necesidades de toda nuestra poblacin, en especial de los sectores menos favorecidos y para quienes las oportunidades se ven disminuidas por su situacin econmica y social, con actividades flexibles acordes a las posibilidades de los estudiantes. La Universidad de Pamplona gestora de la educacin y promotora de llevar servicios con calidad a las diferentes regiones, y el Centro de Educacin Virtual y a Distancia de la Universidad de Pamplona, presentan los siguientes materiales de apoyo con los contenidos esperados para cada programa y les saluda como parte integral de nuestra comunidad universitaria e invita a su participacin activa para trabajar en equipo en pro del aseguramiento de la calidad de la educacin superior y el fortalecimiento permanente de nuestra Universidad, para contribuir colectivamente a la construccin del pas que queremos; apuntando siempre hacia el cumplimiento de nuestra visin y misin como reza en el nuevo Estatuto Orgnico: Misin: Formar profesionales integrales que sean agentes generadores de cambios, promotores de la paz, la dignidad humana y el desarrollo nacional. Visin: La Universidad de Pamplona al finalizar la primera dcada del siglo XXI, deber ser el primer centro de Educacin Superior del Oriente Colombiano. Luis Armando Portilla Granados Director CEVDUP

UNIVESIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

Introduccin
Teniendo en cuenta que el Licenciado en Comercio egresado de Nuestra Universidad debe tener capacidad de comprender y transformar la complejidad del entorno empresarial, se presenta el siguiente mdulo de Mtodos Cuantitativos como medio til y aplicable en su que hacer profesional. En este ejemplar se relaciona la parte terica con la prctica pensando en el apoyo que se puede ofrecer en el Proceso de Toma de Decisiones en cualquier rea de produccin. Para lograr la recopilacin de los datos que aqu aparecen se recurri a distintas fuentes de informacin. Se recomienda la ampliacin de los conocimientos acudiendo al material bibliogrfico y a los sitios web que al final del mdulo se exponen. De igual forma la realizacin de los ejercicios para lograr el afianzamiento de habilidades.

UNIVESIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

Horizontes
Comprender que los procesos de Mtodos Cuantitativos llevados a su prctica son beneficiosos para la organizacin debido a la ventajas que genera en el factor tiempo y dinero. Proporcionar al alumno fundamentos que le permitan familiarizarse con los distintos sistemas que se desarrollan en cualquier organizacin, con el fin de comprender y distinguir su desarrollo, advertir sus inexactitudes, prevenir su comportamiento y suministrar recomendaciones cuya finalidad sea la optimizacin del mismo. Contribuir a que el estudiante est facultado para participar en los procesos de decisin como logro de la comprensin de los temas que aqu se exponen y su respectiva ampliacin.

UNIVESIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

UNIDAD 1 Introduccin Operaciones

la

Investigacin

de

Descripcin Temtica La presente unidad incorpora al alumno al proceso de Investigacin de Operaciones, informacin especifica de los Mtodos Cuantitativos tiles para cualquier persona sea administrador o no, en el proceso de toma de decisiones Esta informacin proporciona elementos valiosos que se puede usar en al proceso de toma de decisiones en el momento que se requiera sin importar el mbito al cual se aplicar. Para el desarrollo de las habilidades y aclaracin de incomprensiones (que se pueden citar y que son obvias) es necesario la realizacin de los ejercicios citados Se recomienda la ampliacin de la informacin recurriendo a la bibliografa que al final del documento se indica, pues el proceso de aprendizaje no termina en este mdulo.

Horizontes
Ensear al alumno la valiosa herramienta de la Investigacin de Operaciones aplicable a problemas relacionados con el control de las organizaciones con el fin de producir soluciones que mejor concuerden con los objetivos de la organizacin Afianzar el proceso de Investigacin de Operaciones (Construccin y solucin del modelo y obtencin de resultados) por medio de ejercicios prcticos. En el mundo moderno donde el conocimiento le pertenece a todos, el Licenciado en Comercio debe estar en capacidad de entender y aplicar los mtodos. Cuantitativos como una herramienta que le sirva para comprender el entorno en el que se desenvuelve.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

Ncleos Temticos y Problemticos


Historia de la Investigacin de Operaciones Arte y Ciencia de la Investigacin de Operaciones Caractersticas de la Investigacin de Operaciones Definicin de la Investigacin de Operaciones Estructura de los Modelos Empleados en la Investigacin de Operaciones Representacin por medio de Modelos Disponibilidad de Datos en la Representacin por medio de Modelos Clculos en Investigacin de Operaciones Metodologa para un Estudio de Investigacin de Operaciones Concepto de Optimizacin reas de Aplicacin de la Investigacin de Operaciones.

Proceso de Informacin
1.1 HISTORIA DE LA INVESTIGACIN DE OPERACIONES.

La primera actividad de Investigacin de Operaciones se dio durante la Segunda Guerra Mundial en Gran Bretaa, donde la Administracin Militar llam a un grupo de cientficos de distintas reas del saber para que estudiaran los problemas tcticos y estratgicos asociados a la defensa del pas. El nombre de Investigacin de Operaciones fue dado aparentemente porque el equipo estaba llevando a cabo la actividad de investigar operaciones (militares). Motivados por los resultados alentadores obtenidos por los equipos britnicos, los administradores militares de Estados Unidos comenzaron a realizar investigaciones similares. Para eso reunieron a un grupo selecto de especialistas, los cuales empezaron a tener buenos resultados y en sus estudios incluyeron problemas logsticos complejos, la planeacin de minas en el mar y la utilizacin efectiva del equipo electrnico. Al trmino de la guerra y atrados por los buenos resultados obtenidos por los estrategas militares, los administradores industriales empezaron a aplicar las
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

herramientas de la Investigacin de Operaciones a la resolucin de sus problemas que empezaron a originarse debido al crecimiento del tamao y la complejidad de las industrias. Aunque se ha acreditado a Gran Bretaa la iniciacin de la Investigacin de Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rpidamente creciente. La primera tcnica matemtica ampliamente aceptada en el medio de Investigacin de Operaciones fue el Mtodo Smplex de Programacin Lineal, desarrollado en 1947 por el matemtico norteamericano George B. Dantzig. Desde entonces las nuevas tcnicas se han desarrollado gracias al esfuerzo y cooperacin de las personas interesadas tanto en el rea acadmica como en el rea industrial. Un segundo factor en el progreso impresionante de la Investigacin de Operaciones fue el desarrollo de la computadora digital, que con sus tremendas capacidades de velocidad de cmputo, de almacenamiento y recuperacin de informacin, permitieron al tomador de decisiones rapidez y precisin. Si no hubiera sido por la computadora digital, la Investigacin de Operaciones con sus grandes problemas de computacin no hubiera crecido al nivel de hoy en da. Actualmente la Investigacin de Operaciones se est aplicando en muchas actividades. Estas actividades han ido ms all de las aplicaciones militares e industriales, para incluir hospitales, instituciones financieras, bibliotecas, planeacin urbana, sistemas de transporte y sistemas de comercializacin. 1.2 ARTE Y CIENCIA DE LA INVESTIGACION DE OPERACIONES

La investigacin de operaciones (IO) aspira a determinar el mejor curso de accin (ptimo) de un problema de decisin con la restriccin de recursos limitados. El trmino investigacin de operaciones muy a menudo est asociado casi en exclusiva con la aplicacin de tcnicas matemticas, para representar por medio de un modelo y analizar problemas de decisin. Aunque las matemticas y los modelos matemticos representan una piedra angular de IO, la labor consiste ms en resolver un problema que en construir y resolver modelos matemticos. Especficamente, los problemas de decisin suelen incluir importantes factores intangibles que no se pueden traducir directamente en trminos del modelo matemtico. El principal entre estos factores es la presencia del elemento humano en casi todos y cada uno de los entornos de decisiones. En realidad, se han reportado situaciones de decisin donde el efecto de la conducta humana ha ejercido tanta influencia en el problema de decisin, que la solucin obtenida a

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

partir del modelo matemtico se considera imprctica. Un buen ejemplo ilustrativo de estos casos es una versin del problema del elevador ampliamente usado. Utilizando la teora de las lneas de espera se encontr que las quejas de los inquilinos de un edificio de oficinas grande eran injustas. Al estudiar el sistema ms a fondo, se descubri que las quejas de los inquilinos eran ms bien un caso de hasto, ya que en realidad el tiempo de espera efectivo era reducido. Se propuso una solucin con la cual se instalaron espejos a todo lo largo de las paredes a las entradas de los elevadores. Las quejas desaparecieron porque se mantena ocupados a los usuarios, mirndose y viendo a otras personas en los espejos, mientras esperaban el servicio del elevador. El ejemplo del elevador subraya la importancia de visualizar el aspecto matemtico de la investigacin de operaciones en el contexto ms amplio de un proceso de toma de decisiones, cuyos elementos no se pueden representar en su totalidad a travs de un modelo matemtico. En realidad, este aspecto fue reconocido por los cientficos britnicos que fueron precursores de las primeras actividades de IO durante la II Guerra Mundial. Aunque su trabajo tena que ver principalmente con la asignacin ptima de los recursos limitados de material de guerra. En el equipo haba cientficos de campos como la sociologa, psicologa y ciencia del comportamiento para evaluar la importancia de su contribucin al considerar los factores intangibles del proceso de decisin. Como tcnica para la solucin de problemas, la IO debe visualizarse como una ciencia y como un arte. El aspecto de la ciencia radica en ofrecer tcnicas y algoritmos matemticos para resolver problemas de decisin adecuados. La investigacin de operaciones es un arte, debido a que el xito que se alcanza en todas las fases anteriores y posteriores a la solucin de un modelo matemtico, depende en forma apreciable de la creatividad y la habilidad personal de los analistas encargados de tomar las decisiones. Por lo tanto, la obtencin de los datos para la construccin del modelo, la validacin de ste y la implantacin de la solucin obtenida dependern de la habilidad del equipo, para establecer lneas de comunicacin ptimas con las fuentes de informacin, y tambin con los individuos responsables de implantar las soluciones recomendadas. Debe destacarse que se espera que el equipo sea competente, demuestre la habilidad adecuada en los aspectos cientfico y artstico. Si se destaca un aspecto y no el otro, probablemente se impedir la utilizacin efectiva en la prctica.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

1.3

CARACTERSTICAS DE LA INVESTIGACIN DE OPERACIONES.

Es muy notable el rpido crecimiento del tamao y la complejidad de las organizaciones (empresas) humanas que se ha dado en estos ltimos tiempos. Tal tamao y complejidad nos hace pensar que una sola decisin equivocada puede repercutir grandemente en los intereses y objetivos de la organizacin y en ocasiones pueden pasar aos para rectificar tal error. Tambin el ritmo de la empresa de hoy implica que las decisiones se tomen ms rpidamente que nunca, pues el hecho de posponer la accin puede dar una decisiva ventaja al contrario en este mundo de la competencia. La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la bsqueda de una herramienta o mtodo que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a los objetivos que persigue. Tal herramienta recibi el nombre de Investigacin de Operaciones. De la definicin de Investigacin de Operaciones, como veremos en el siguiente apartado, podemos resaltar los siguientes trminos: organizacin, sistema, grupos interdisciplinarios, objetivo y metodologa cientfica. Una organizacin puede entenderse como un sistema, en el cual existen componentes; canales que comunican tales componentes e informacin que fluye por dichos canales. En todo sistema los componentes interactan unos con otros y tales interacciones pueden ser controlables e incontrolables. En un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema. Por lo tanto es necesario que exista un procedimiento sistemtico que identifique a quienes toman decisiones y a las interacciones que tengan importancia para los objetivos de la organizacin o sistema. Uno de esos procedimientos es precisamente la Investigacin de Operaciones. Una estructura por la que no fluye informacin, no es dinmica, es decir, no podemos considerarla como un sistema. Por lo tanto podemos decir que la informacin es lo que da vida a las estructuras u organizaciones humanas. Los objetivos de toda organizacin sern siempre alcanzar el liderato en su rama, controlando la eficiencia y efectividad de todas sus componentes por medio de mtodos que permitan encontrar las relaciones ptimas que mejor operen el sistema, dado un objetivo especfico.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

Ante el tremendo avance que se ha dado en casi todas las ciencias en las ltimas dcadas, ya no es factible querer saber un poco de todo, sino ms bien especializarse en alguna rama de la ciencia. Los problemas que se presentan en las organizaciones no fcilmente se pueden resolver por un slo especialista. Por el contrario son problemas multidisciplinarios, cuyo anlisis y solucin requieren de la participacin de varios especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje comn para poder entenderse y comunicarse, donde la Investigacin de Operaciones viene a ser ese puente de comunicacin. El enfoque de la Investigacin de Operaciones es el mismo del mtodo cientfico. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas adecuadas. Entonces, en cierto modo, la Investigacin de Operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la Investigacin de Operaciones se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones positivas y claras que pueda usar el tomador de decisiones cuando las necesite. La contribucin del principalmente de: enfoque de Investigacin de Operaciones proviene

La estructuracin de una situacin de la vida real como un modelo matemtico, logrando una abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que lleva al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin opcionales evaluando esta medida para cada uno).

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

10

1.4

DEFINICIN

La Investigacin de Operaciones o Investigacin Operacional se puede definir como la aplicacin por grupos interdisciplinarios del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizacin. 1.5 ESTRUCTURA DE LOS MODELOS INVESTIGACIN DE OPERACIONES. EMPLEADOS EN LA

El enfoque de la Investigacin de Operaciones es el modelaje. Un modelo es una herramienta que nos sirve para lograr una visin bien estructurada de la realidad. As, el propsito del modelo es proporcionar un medio para analizar el comportamiento de las componentes de un sistema con el fin de optimizar su desempeo. La ventaja que tiene el sacar un modelo que represente una situacin real, es que nos permite analizar tal situacin sin interferir en la operacin que se realiza, ya que el modelo es como si fuera un espejo de lo que ocurre. 1.5.1 Tipos de Modelos de Investigacin de Operaciones (IO)

Vale la pena recordar el hecho de que primero va la fase construccin del modelo, seguida de la solucin de dicho modelo para asegurar la obtencin de una solucin deseada. Los mtodos de solucin suelen idearse para aprovechar las estructuras especiales de los modelos resultantes. Como tales, la amplia variedad de modelos asociados con sistemas reales existentes da origen a un nmero correspondiente de tcnicas de solucin. De aqu que se utilicen los nombres conocidos de programacin lineal, entera, dinmica y no lineal que representan algoritmos para resolver clases especiales de modelos de IO. Para aumentar la abstraccin del mundo real, los modelos se clasifican como: icnicos, anlogos, de simulacin, simblicos. Los modelos icnicos son la representacin fsica, a escala reducida o aumentada de un sistema real. Los modelos anlogos esencialmente requieren la sustitucin de una propiedad por otra con el fin de permitir la manipulacin del modelo. Despus de resolver el problema, la solucin se reinterpreta de acuerdo al sistema original. Los modelos ms importantes para la investigacin de operaciones, son los modelos simblicos o matemticos, que emplean un conjunto de smbolos y funciones para representar las variables de decisin y sus relaciones para describir

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

11

el comportamiento del sistema. El uso de las matemticas para representar el modelo, el cual es una representacin aproximada de la realidad, nos permite aprovechar las computadoras de alta velocidad y tcnicas de solucin con matemticas avanzadas. Un enfoque diferente a la representacin por medio de modelos de sistemas (complejos) consiste en utilizar la simulacin. Los modelos de simulacin difieren de los matemticos en que las relaciones entre la entrada y la salida no se indican en forma explcita. En cambio, un modelo de simulacin divide el sistema representado en mdulos bsicos o elementales que despus se enlazan entre s, va relaciones lgicas bien definidas (en la forma de SI/ENTONCES). Por lo tanto, partiendo del mdulo de entrada, las operaciones de clculo pasarn de un mdulo a otro hasta que se obtenga un resultado de salida. Los modelos de simulacin, en comparacin con los modelos matemticos, ofrecen una mayor flexibilidad en la representacin de sistemas complejos. La razn principal es que la simulacin enfoca el sistema desde un nivel bsico elemental. Por otra parte, la modelacin matemtica tiende a considerar el sistema desde un nivel menos detallado. La flexibilidad de la simulacin tiene algunas desventajas. El desarrollo de un modelo de simulacin es muy costoso en tiempo y recursos. Adems, la ejecucin de un modelo de simulacin, incluso en la computadora ms rpida, tendr un costo considerable. Por otra parte, un modelo matemtico bien diseado es muy adecuado desde el punto de vista de su implementacin computacional.

Modelo Matemtico
En la mayora de las aplicaciones de investigacin de operaciones, se supone que la funcin objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemtica como funciones de las variables de decisin. En este caso, decimos que tratamos con un modelo matemtico. Por desgracia, pese a los adelantos impresionantes en la representacin por modelos matemticos, un nmero apreciable de situaciones reales siguen estando fuera del alcance de las tcnicas matemticas de que se dispone en el presente. Por un motivo, el sistema real puede tener demasiadas relaciones, variables, para hacer posible una representacin matemtica adecuada. En otro sentido, aun cuando se pueda formular un modelo matemtico, ste puede ser demasiado complejo para resolverse a travs de mtodos de solucin disponibles.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

12

Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos:

Variables y Parmetros de Decisin


Las variables de decisin son las incgnitas (o decisiones) que deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que relacionan las variables de decisin con las restricciones y funcin objetivo. Los parmetros del modelo pueden ser determinsticos o probabilsticos.

Restricciones
Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras del sistema, el modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las variables de decisin a un rango de valores factibles.

Funcin Objetivo
La funcin objetivo define la medida de efectividad del sistema como una funcin matemtica de las variables de decisin. La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a las restricciones. El modelo matemtico puede expresarse como el problema de elegir los valores de las variables de decisin de manera que se optimice la funcin objetivo, sujeta a las restricciones dadas. Una clasificacin de modelos especialmente importantes es el Modelo de Programacin Lineal, en el que las funciones matemticas que aparecen tanto en la funcin objetivo como en las restricciones, son funciones lineales. Es posible construir modelos especficos de programacin lineal que se ajustan a diversos tipos de problemas, como determinar: La mezcla de productos que maximiza la ganancia, La asignacin de acres a distintas cosechas para maximizar el rendimiento total neto La combinacin de mtodos de control de contaminacin que logren los estndares de calidad del aire a un costo mnimo.

Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del problema. Una ventaja obvia es que el modelo matemtico describe un problema
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

13

en forma mucho ms concisa. Esto tiende a hacer que toda la estructura del problema sea ms comprensible y ayuda a revelar las relaciones importantes entre causa y efecto. De esta manera indica con ms claridad que datos adicionales son importantes para el anlisis. Tambin facilita el manejo del problema en su totalidad y el estudio de todas sus interrelaciones simultneamente. Por ltimo, un modelo matemtico forma un puente para poder emplear tcnicas matemticas poderosas, adems de las computadoras, en el anlisis del problema. Sin duda, muchos de los componentes de un modelo pueden quedar vinculados al uso de paquetes de computacin. Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es, necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificacin si se quiere que el modelo sea manejable (capaz de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una representacin vlida del problema. El criterio lgico para juzgar la validez de un modelo es verificar si el modelo predice o no con suficiente exactitud los efectos relativos de los cursos de accin alternativos, para poder tomar una decisin que tenga sentido. En consecuencia no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las alternativas. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para cada alternativa, siempre que sus valores relativos (por ejemplo, las diferencias entre sus valores) sean bastante precisos. Entonces, todo lo que se requiere es que exista una alta correlacin entre la prediccin del modelo y lo que de hecho ocurre en la vida real. Para asegurar que este requisito se cumple, es importante considerar la prueba del modelo y las modificaciones consecuentes. Al desarrollar el modelo se recomienda empezar con una versin muy sencilla y moverse, en una forma evolutiva, hacia modelos ms elaborados que reflejen mejor la complejidad del problema real. Este proceso de enriquecimiento del modelo contina slo mientras permanezca manejable. El trueque bsico que debe tomarse en cuenta todo el tiempo es entre la precisin y el manejo del modelo. Un paso crucial en la formulacin de un modelo matemtico es la construccin de una funcin objetivo. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa a cada objetivo. Si en el estudio se contempla ms de un objetivo, es necesario transformar y combinar las medidas respectivas en una medida compuesta de efectividad. A veces es necesario que la medida compuesta sea algo tangible (por ejemplo, ganancias) que corresponda a la meta ms alta de la organizacin, o que sea algo abstracto (como utilidad). En este ltimo

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

14

caso, la tarea para desarrollar esta medida puede ser compleja y requerir una comparacin cuidadosa de los objetivos y su importancia relativa. Despus de determinar la medida compuesta de efectividad, la funcin objetivo se obtiene expresndola como una funcin matemtica de las variables de decisin. Por otro lado, existen mtodos que contemplan al mismo tiempo y en forma explcita objetivos mltiples (programacin por objetivos). 1.5.2 Elementos de un Modelo de Decisin

Un modelo de decisin, es slo un medio para resumir un problema de decisin en una forma que permita la identificacin y evaluacin sistemtica, de todas las opciones de decisin del problema. As, se llega a una decisin escogiendo la opcin que se considera como la mejor entre todas las disponibles. Los elementos bsicos de un modelo de decisin, se ilustran con el siguiente ejemplo: Durante los meses de verano, un profesor que vive en Fayetteville (FYV), Arkansas, trabaja como consultor en Denver (DEN), Colorado. El profesor vuela a DEN los lunes, y retorna los mircoles de la misma semana. Un boleto de viaje redondo, que se compra el lunes para retornar el mircoles de la misma semana, cuesta 20% ms que un boleto que cubre un fin de semana. Los boletos sencillos (en cualquier direccin), cuestan 75% del precio de un boleto regular de viaje redondo (sin descuento). El precio de un boleto regular de viaje redondo, es de $900. En qu forma debera comprar el profesor los boletos durante el periodo de cinco semanas de su consultora? Tomamos este ejemplo para presentar las tres componentes bsicos del proceso de toma de decisiones: Opciones de Decisin, Restricciones Del Problema y Criterio Objetivo.

Cules son las posibles opciones de compra de los boletos, para el periodo de cinco semanas?. La primera y ms obvia, es comprar cinco boletos de viaje redondo (FYV-DEN-FYV) cada lunes para retornar el mircoles de la misma semana. Esta opcin no tiene descuento. La segunda, es comprar un boleto de ida (FYV-DEN) el lunes de la primera semana, y otro boleto de retorno (DENFYV) el mircoles de la quinta semana. Los viajes restantes, quedan cubiertos comprando boletos de viaje redondo (DEN-FYV-DEN) cada mircoles de las primeras cuatro semanas. La tercera opcin se ajusta a la idea de la segunda, y
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

15

consiste en comprar un boleto de viaje redondo (FYV-DEN-FYV) para cubrir el lunes de la primera semana y el mircoles de la quinta. Los restantes cuatro boletos de viaje redondo, son los mismos que en la segunda opcin. Las opciones de decisin del problema, se resumen de la siguiente manera: Comprar cinco boletos (FYV-DEN-FYV) el lunes de cada semana. Comprar un boleto (FYV-DEN) el lunes de la primera semana, cuatro boletos (DEN-FYV-DEN) los mircoles de las primeras cuatro semanas, y un boleto (DEN-FYV) el mircoles de la quinta semana. Comprar un boleto (FYV-DEN) para cubrir el lunes de la primera semana y el mircoles de la quinta, y cuatro boletos (DEN-FYV-DEN) cada mircoles de las primeras cuatro semanas.

Cada una de las tres cumple las restricciones del problema: efectuar cinco viajes redondos que comienzan en FYV los lunes y terminan en FYV los mircoles. Desde este punto de vista decimos que las opciones indicadas son Soluciones Factibles, en oposicin a las soluciones infactibles, que no permitiran al profesor hacer los cinco viajes redondos. Obviamente, en lo que se refiere al problema de decisin, slo nos interesan las soluciones factibles. Para determinar la mejor solucin del problema, es necesario formular un criterio apropiado que se pueda aplicar para comparar las opciones factibles dadas. En el presente ejemplo, el objetivo obvio del problema es la minimizacin del precio total de los boletos durante el periodo de cinco semanas. Aplicando ste tenemos: costo de la opcin 1 = 5 X 900 = $4.500 costo de la opcin 2 = 0.75 X900 +4 X (0.8 X 900) + 0.75 X 900 = $4.230 costo de la opcin 3 = 5 X (0.8 X 900) = $3.600

Solucin ptima.

Con base en esta evaluacin, la opcin 3 es la menos costosa y, por lo tanto, la

De acuerdo con la experiencia del autor en el aula, la mayora de los estudiantes adoptan slo las primeras dos opciones. Una decisin que se basa slo en esas dos opciones dara lo que se conoce como una Solucin Subptima. Esta observacin enfatiza la importancia de identificar todas las opciones factibles del problema de decisin si se tiene inters en lograr la mejor solucin. De hecho, la calidad de la solucin ptima es funcin del conjunto de opciones factibles que se definen en el problema. En algunos casos, la identificacin de todas las soluciones factibles es muy costosa o imposible, y entonces, hay que conformarse con la Solucin Subptima.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

16

1.6

REPRESENTACION POR MEDIO DE MODELOS de y, El en

En la seccin de Elementos de un Modelo de Decisin, se indica que el proceso toma de decisiones consiste en la construccin de un modelo de decisin despus, en encontrar su solucin con el fin de determinar la decisin ptima. modelo se define como una funcin objetivo y restricciones que se expresan trminos de las variables (opciones) de decisin del problema.

Aunque una situacin real puede implicar un nmero sustancial de variables y restricciones, generalmente slo una pequea fraccin de estas variables y restricciones domina verdaderamente el comportamiento del sistema real. Por lo tanto, la simplificacin del sistema con el fin de construir un modelo debe concentrarse, fundamentalmente, en la identificacin de las variables y restricciones dominantes y tambin en otros datos que se juzguen pertinentes para la toma de la decisin. La figura 1 muestra los niveles de abstraccin de una situacin de la vida real que nos llevan a la construccin de un modelo. El Sistema Real Supuesto es una abstraccin de la situacin real que se obtiene al concentrarnos en la identificacin de los factores dominantes (variables, restricciones y parmetros), que controlan el comportamiento del sistema real. El modelo, que es una abstraccin del sistema real supuesto, identifica las relaciones pertinentes del sistema en la forma de una funcin objetivo y un conjunto de restricciones. El ejemplo que sigue se presenta para poder apreciar el significado de los diversos niveles de abstraccin. Un producto manufacturado, tpicamente lleva un nmero de operaciones desde que se concibe por el diseador hasta que llega al consumidor. Despus que se aprueba el diseo se emite una orden de produccin al departamento de produccin, el cual a su vez solicita los materiales necesarios del departamento de materiales. Este ltimo departamento satisface el pedido de sus almacenes, o bien, recurre al departamento de compras para iniciar una orden de compra. Despus que se termina el producto final, el departamento de ventas junto con el departamento de mercadeo, asume la responsabilidad de distribuirlo al consumidor.
Sistema real

Sistema real supuesto

Modelo

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

17

Se supone que el objetivo es determinar el mejor nivel de produccin en la planta que elabore el producto. Observando el sistema completo, se ve que un gran nmero de factores puede influir en el nivel de produccin. A continuacin se dan algunos ejemplos de estos factores:

Departamento de Produccin
Las horas-mquina disponibles, horas-hombre disponibles, sucesin especfica de operaciones en las mquinas, inventario en proceso, nmero de artculos defectuosos producidos, tasa de inspeccin.

Departamento de Materiales
Cantidad disponible almacenada de material, rapidez de entrega del material comprado, limitaciones de almacenamiento.

Departamento de Mercadeo
Pronstico de ventas, intensidad de campaa publicitaria, capacidad de instalaciones de distribucin, deteccin de productos competitivos. Si cada uno de estos factores ha de considerarse en forma explcita en un modelo que determina el nivel de produccin, nos enfrentaramos en realidad a una tarea que nos dejara perplejos. Por ejemplo, podemos considerar explcitamente variables como la asignacin de horas de trabajo de la mquina, la asignacin de horas de mano de obra y la rapidez de inspeccin. En cuanto a las restricciones, podemos incluir capacidades de las mquinas, lmite sobre las horas de mano de obra, lmite sobre el inventario del proceso, lmite sobre la demanda y limitacin del espacio de almacenamiento. El lector puede apreciar la complejidad de las relaciones, que expresan el nivel de produccin en trminos de variables detalladas como las que aqu se ejemplifican. La definicin de sistema real supuesto en este caso ocasiona que el sistema se visualice como una entidad, en lugar de que nos concentremos en un principio en los detalles ms finos del problema. Bsicamente, podemos considerar todo el sistema en un sentido general desde el punto de vista del productor y el consumidor. Si reflexionamos un poco podemos apreciar que la parte del productor se puede expresar en trminos de la tasa o ndice de produccin, en tanto que la parte del consumidor puede representarse por medio de una tasa o ndice de consumo.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

18

Naturalmente, la tasa de produccin es funcin de factores como la disponibilidad de las mquinas y las horas de mano de obra, sucesin o disposicin en serie de operaciones y disponibilidad de materias primas. En forma anloga, la tasa o ndice de consumo est basado en la limitacin del sistema de distribucin y el pronstico de ventas. Bsicamente, la simplificacin del sistema real al real supuesto se efecta mediante la agrupacin de varios factores en el sistema supuesto. Ahora resulta ms sencillo pensar en trminos del sistema real supuesto. El modelo deseado buscara determinar el nivel de aprovisionamiento en trminos de los ndices de produccin y consumo. Un objetivo adecuado pudiera ser el de seleccionar el nivel de aprovisionamiento que equilibre el costo de transportar un inventario excesivo, contra el costo de que se termine la existencia cuando se necesite el producto. Sin embargo, debemos tener en mente que el grado de complejidad del modelo es siempre una funcin inversa, o recproca, del grado de simplificacin del sistema real supuesto extrado del sistema real. Por ejemplo, podemos suponer que las tasas o ndices de produccin y consumo son constantes o que cambian como funciones del tiempo. El segundo caso debe llevarnos a un modelo ms complejo, naturalmente. En general no existen reglas fijas para efectuar los niveles de abstraccin citados en la figura 1. La reduccin de los factores que controlan al sistema a un nmero relativamente pequeo de factores dominantes y la abstraccin de un modelo del sistema real supuesto, constituyen ms un arte que una ciencia. La validez del modelo al representar el sistema real depende principalmente de la creatividad e imaginacin del equipo de investigacin de operaciones y del equipo que trabaja en el proyecto. Tales cualidades, individuales o personales, no pueden ser reguladas por el establecimiento de reglas fijas para construir un modelo. 1.6.1 Disponibilidad de Datos en la Representacin por medio de Modelos

Los modelos de cualquier clase, sin importar su refinamiento y exactitud, pueden probar ser poco prcticos si no estn respaldados por datos confiables. Aunque el modelo est bien definido, la calidad de la solucin depende evidentemente de la eficacia con que podamos estimar los costos de transporte unitarios. Si se distorsionan las estimaciones, la solucin que se obtenga, pese a ser ptima en un sentido matemtico, realmente ser de calidad inferior desde la perspectiva del sistema real. En algunos casos, quiz no se conozcan con certeza los datos. Ms bien, se determinan a travs de distribuciones de probabilidad. Lo que es ms importante,

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

19

sera necesario modificar la estructura del modelo para dar cabida a la naturaleza probabilstica de la demanda. Esto da origen a los as llamados modelos probabilsticos o estocsticos en contraste con los modelos determinsticos. Algunas veces se construye un modelo segn la hiptesis de que pueden asegurarse ciertos datos, pero la bsqueda posterior puede comprobar que tal informacin es difcil de obtener. En este caso puede ser necesario reconstruir el modelo para manejar la ausencia de datos. Por consiguiente, la disponibilidad de datos tambin puede tener un efecto directo sobre la precisin del modelo. Como una ilustracin, considere un modelo de inventario donde el nivel de almacenamiento de cierto artculo se determina de tal manera que se minimice el costo total de mantener el inventario en exceso y no satisfacer toda la demanda. Esto exige estimar un costo por unidad en exceso mantenida en inventario, y un costo de escasez por unidad insatisfecha de demanda. El costo de mantener el artculo depende del costo de almacenamiento y del costo del capital, lo cual puede ser relativamente simple de estimar. Pero si el costo de escasez toma en cuenta la prdida de buena voluntad en el cliente, puede ser difcil asignar un valor numrico a tal factor intangible. Bajo tales condiciones el modelo tendr que cambiarse de manera que el costo de escasez no se manifieste explcitamente. Por ejemplo, se tiene que especificar un lmite superior aceptable sobre la cantidad de escasez en cualquier momento. En esencia, el lmite superior especificado implica una cierta estimacin del costo de escasez. Pero parece mucho ms sencillo determinar tal lmite que estimar un costo de escasez. La recopilacin de datos puede realmente ser la parte ms difcil para determinar un modelo. Desafortunadamente no pueden sugerirse reglas para este procedimiento. Mientras acumula experiencia en el modelado de una organizacin, el analista de investigacin de operaciones deber desarrollar medios para recolectar y documentar datos, en una forma til, para proyectos tanto actuales como futuros. 1.7 CLCULOS EN INVESTIGACIN DE OPERACIONES

En la investigacin de operaciones (IO) existen dos tipos de clculos diferentes: aquellos donde interviene la simulacin y los que tienen que ver con modelos matemticos. En los modelos de simulacin, los clculos son comnmente voluminosos y, lo que es ms importante, consumen mucho tiempo. No obstante, en la simulacin uno siempre tiene la seguridad de que los resultados buscados se obtendrn en definitiva. Slo es cuestin de contar con el tiempo suficiente en la computadora.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

20

Por otra parte, los clculos en los modelos matemticos de la investigacin de operaciones son por lo comn de naturaleza iterativa. Con esto nos referimos a que la solucin ptima de un modelo matemtico no suele estar disponible en forma cerrada. En cambio, se llega a la respuesta final en pasos o iteraciones, donde cada nueva iteracin acerca la solucin al nivel ptimo. A este respecto, decimos que la solucin converge en forma iterativa al nivel ptimo. Por desgracia, no todos los modelos matemticos de IO poseen algoritmos (mtodos) de solucin que siempre converjan al nivel ptimo. Existen dos razones de ser de esta dificultad: Se puede demostrar que el algoritmo de solucin converge al nivel ptimo, pero slo en un sentido terico. La convergencia terica seala que hay un lmite superior finito para el nmero de iteraciones, pero no indica cuan alto puede estar este lmite. Por lo tanto, podemos consumir horas de tiempo de la computadora sin llegar a la iteracin final. Lo que es peor an es que si las iteraciones se detienen en forma prematura antes de llegar al nivel ptimo, generalmente no podremos medir la calidad de la solucin obtenida en relacin con el nivel ptimo verdadero. (Obsrvese la diferencia entre esta situacin y la de la simulacin. En la simulacin, tenemos el control sobre el tiempo de clculo de la computadora, simplemente reduciendo el periodo de observacin del modelo. En los modelos matemticos, el nmero de iteraciones es funcin de la eficiencia del algoritmo de solucin y la estructura especfica del modelo, y quiz el usuario no pueda controlar ninguno de estos dos factores.) La complejidad del modelo matemtico puede hacer imposible idear un algoritmo de solucin. En este caso, el modelo se puede mantener infactible en trminos de clculo. Las dificultades evidentes en los clculos de los modelos matemticos han obligado a los analistas a buscar otros mtodos de clculo. Estos mtodos tambin son de naturaleza iterativa, pero no garantizan la optimidad de la solucin final. En cambio, simplemente buscan una buena solucin al problema. Tales mtodos suelen denominarse heursticos porque su lgica est basada en reglas o mtodos prcticos que conllevan a obtener una buena solucin. La ventaja de los mtodos heursticos es que normalmente implican un menor nmero de clculos cuando se comparan con algoritmos exactos. Asimismo, debido a que estn basados en reglas prcticas, normalmente son ms sencillos de explicar a los usuarios que no tienen experiencia matemtica. En la investigacin de operaciones, los mtodos heursticos suelen emplearse para dos fines:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

21

Se pueden utilizar dentro del contexto de un algoritmo de optimizacin exacto, con el fin de aumentar la velocidad del proceso para alcanzar el nivel ptimo. La necesidad de fortalecer el algoritmo de optimizacin se hace ms evidente con modelos a gran escala. Se utilizan simplemente para obtener una buena solucin al problema. La solucin resultante no tiene la garanta de ser ptima y, de hecho, su calidad en relacin con el nivel ptimo real puede ser difcil de determinar.

Para ilustrar el segundo tipo de un mtodo heurstico, considrese el problema de un agente viajero que debe viajar a cinco ciudades, donde cada ciudad la visita una sola vez antes de volver a su ciudad de origen. La figura 2 presenta un resumen de las distancias (en kilmetros) entre todas las ciudades. El objetivo del vendedor es el de minimizar la distancia total de recorrido.

Este problema se puede formular como un modelo matemtico exacto. Sin embargo, la obtencin de la solucin ptima exacta a este problema ha probado ser formidable. No obstante, se puede obtener una buena solucin mediante el uso de un mtodo heurstico que requiere se viaje de la ciudad presente a la ciudad no visitada ms prxima. Por lo tanto, comenzando desde la ciudad 1, el vendedor viajar a 4 (distancia = 3 Km.), despus de 4 a 5, seguido de 5 a 3 y despus de 3 a 2, desde donde se completa el recorrido volviendo a 1. La distancia total recorrida en el viaje es de 18 Km., que no es ptimo porque la ruta 1-2-3-4-5-1 es ms corta en 3 Km. 1.8 METODOLOGA PARA UN ESTUDIO DE INVESTIGACION DE OPERACIONES

Un estudio de investigacin de operaciones no puede ser realizado y controlado slo por el analista de IO. puede ser un experto en modelos y tcnicas de solucin, quiz no en todas las reas donde surgen los problemas de IO. As, un equipo de IO deber incluir a los miembros de la organizacin directamente
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

22

responsables de las funciones donde existe el problema, as como para la ejecucin e implantacin de la solucin recomendada. En otras palabras, un analista de IO comete un grave error al suponer que puede resolver problemas sin la cooperacin de aquellos que implantarn sus recomendaciones. El proceso de la Investigacin de Operaciones comprende las siguientes fases: Formulacin y Definicin del Problema. Construccin del Modelo. Solucin del Modelo. Validacin del Modelo. Implantacin de los Resultados Finales

Aunque la sucesin anterior de ninguna manera es estndar, en general parece aceptable. Excepto para la fase solucin del modelo, la cual est basada por lo comn en tcnicas bien desarrolladas, las fases restantes no parecen seguir reglas fijas. Esto surge del hecho de que los procedimientos para estas fases dependen del tipo de problema en investigacin y el mbito de operacin en el cual existe. En este aspecto, un equipo de investigacin de operaciones se guiar en el estudio, principalmente por las diferentes experiencias profesionales de sus miembros, en lugar de reglas fijas. En vista de las evidentes dificultades para establecer reglas fijas en la ejecucin de estas fases, parece conveniente presentar alguna discusin que pueda ser utilizada como gua general en estas reas. El resto de esta seccin, por consiguiente, est dedicada a proporcionar una orientacin acerca de los puntos principales comprendidos en un estudio de investigacin de operaciones.

Primera Fase : Definicin del Problema.


En esta fase del proceso se necesita una descripcin de los objetivos del sistema, es decir, qu se desea optimizar; identificar las variables implicadas, ya sean controlables o no; determinar las restricciones del sistema. Tambin hay que tener en cuenta las alternativas posibles de decisin y las restricciones para producir una solucin adecuada.

Segunda Fase: Construccin del Modelo.


Dependiendo de la definicin del problema, el equipo de investigacin de operaciones deber decidir sobre el modelo ms adecuado para representar el sistema. Tal modelo deber especificar expresiones cuantitativas para el objetivo y

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

23

las restricciones del problema en funcin de sus variables de decisin. Si el modelo resultante se ajusta a uno de los modelos matemticos comunes (por ejemplo, programacin lineal) puede obtenerse una solucin conveniente mediante tcnicas matemticas. Si las relaciones matemticas del modelo son demasiado complejas para permitir soluciones analticas, puede ser ms apropiado un modelo de simulacin. Algunos casos pueden exigir el uso de una combinacin de modelos matemticos, heursticos y de simulacin. Esto, por supuesto, depende mucho de la naturaleza y complejidad del sistema que se est investigando.

Tercera Fase: Solucin del Modelo


En modelos matemticos esto se logra usando tcnicas de optimizacin bien definidas y se dice que el modelo proporciona una solucin ptima. Si se usan los modelos de simulacin o heursticos el concepto de optimidad no est tan bien definido, y la solucin en estos casos se emplea para obtener evaluaciones aproximadas de las medidas del sistema. Adems de la solucin (ptima) del modelo uno tambin debe asegurar, siempre que sea posible, informacin adicional sobre el comportamiento de la solucin debida a cambios en los parmetros del sistema. Usualmente esto se conoce como anlisis de sensibilidad. Tal anlisis es muy necesario cuando los parmetros del sistema no pueden estimarse con exactitud. En este caso es importante estudiar el comportamiento de la solucin ptima en los entornos de estas estimaciones.

Cuarta Fase: Validacin del Modelo.


Un modelo es vlido si, independientemente de sus inexactitudes al representar el sistema, puede dar una prediccin confiable del funcionamiento del sistema. Un mtodo comn para probar la validez de un modelo es comparar su funcionamiento con algunos datos pasados disponibles del sistema actual. El modelo ser vlido si bajo condiciones similares de entradas puede reproducir el funcionamiento pasado del sistema. El problema es que no existe seguridad de que el funcionamiento futuro del sistema continuar duplicando su historia. Tambin, ya que el modelo est basado en el examen cuidadoso de datos anteriores, esta comparacin siempre deber revelar resultados favorables. En algunos ejemplos este problema debe resolverse utilizando datos de corridas de ensayo del sistema. Debe notarse que tal mtodo de validacin no es apropiado para sistemas que no existen, ya que no habr datos disponibles para hacer la comparacin. En algunos

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

24

casos, si el sistema original se investiga por un modelo matemtico, puede ser factible construir un modelo de simulacin del cual se obtienen los datos para llevar a cabo la comparacin indicada.

Quinta Fase: Implantacin de los Resultados Probados del Modelo.


La tarea de aplicar estos resultados recae principalmente en los investigadores de operaciones. Esto bsicamente implicara la traduccin de estos resultados en instrucciones de operacin detallada, emitidas en una forma comprensible a los individuos que administrarn y operarn el sistema despus. La interaccin del equipo de investigacin de operaciones y el personal de operacin llegar a su mximo en esta fase. La comunicacin entre los dos grupos puede mejorarse buscando la participacin del personal de operacin al desarrollar el plan de implantacin. En efecto, esta participacin deber hacerse a travs de todas las fases del estudio. En esta forma ninguna consideracin prctica, que de otra manera puede llevar al fracaso del sistema, se dejar de analizar. Mientras tanto, pueden verificarse las modificaciones o ajustes posibles en el sistema por el personal de operacin para la factibilidad prctica. En otras palabras, es imperativo que la fase de implantacin se ejecute mediante la cooperacin del equipo de investigacin de operaciones y de aquellos que sern responsables de la administracin y operacin del sistema. 1.9 CONCEPTO DE OPTIMIZACIN.

Una caracterstica adicional, es que la Investigacin de Operaciones intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo consideracin. En lugar de contentarse con slo mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. An cuando debe interpretarse con todo cuidado, esta bsqueda de la optimalidad es un aspecto muy importante dentro de la Investigacin de Operaciones. 1.10 REAS DE APLICACIN OPERACIONES. DE LA INVESTIGACIN DE

Como su nombre lo dice, Investigacin de Operaciones significa hacer investigacin sobre las operaciones. Esto dice algo del enfoque como del rea de aplicacin. Entonces, la Investigacin de Operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones o actividades dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la Investigacin de Operaciones se ha aplicado en los negocios, la

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

25

industria, la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente amplia. Casi todas las organizaciones ms grandes del mundo (alrededor de una docena) y una buena proporcin de las industrias ms pequeas cuentan con grupos bien establecidos de Investigacin de Operaciones. Muchas industrias, incluyendo la area y de proyectiles, la automotriz, la de comunicaciones, computacin, energa elctrica, electrnica, alimenticia, metalrgica, minera, del papel, del petrleo y del transporte, han empleado la Investigacin de Operaciones. Las instituciones financieras, gubernamentales y de salud estn incluyendo cada vez ms estas tcnicas. Para ser ms especficos, se consideran algunos problemas que se han resuelto mediante algunas tcnicas de Investigacin de Operaciones. La programacin lineal se ha usado con xito en la solucin de problemas referentes a la asignacin de personal, la mezcla de materiales, la distribucin y el transporte y las carteras de inversin. La programacin dinmica se ha aplicado con buenos resultados en reas tales como la planeacin de los gastos de comercializacin, la estrategia de ventas y la planeacin de la produccin. La teora de colas ha tenido aplicaciones en la solucin de problemas referentes al congestionamiento del trfico, al servicio de mquinas sujetas a descomposturas, a la determinacin del nivel de la mano de obra, a la programacin del trfico areo, al diseo de presas, a la programacin de la produccin y a la administracin de hospitales. Otras tcnicas de Investigacin de Operaciones, como la teora de inventarios, la teora de juegos y la simulacin, han tenido exitosas aplicaciones en una gran variedad de contextos. En 1972, Turban en su obra A Sample Survey of Operations Research Ativities at the Corporate Level, presenta un informe de las actividades de investigacin de operaciones que proporcion un panorama de dichas actividades durante 1969. Los resultados de este estudio son los siguientes:
TCNICAS NUM. DE PROYECTOS 63 54 41 13 13 9 7 2 2 13 FRCUENCIA DE USO (%) 29 25 19 6 6 4 3 1 1 6

exponencial, muestreo estadstico y pruebas de hiptesis.

Anlisis estadstico* Simulacin Programacin lineal Teora de inventarios PERT/CPM Programacin dinmica Programacin no lineal Colas Programacin heurstica Otras * Incluye teora de probabilidad, anlisis de regresin, suavizamiento

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

26

Es evidente que el anlisis estadstico, la simulacin y la programacin lineal eran y siguen siendo las tcnicas ms usadas hasta entonces. El estudio indic tambin que la computadora se usaba en la mayor parte de los proyectos. Debido al gran impacto de la Investigacin de Operaciones, se han fundado en varios pases del mundo sociedades profesionales dedicadas a este campo y a actividades afines. En Estados Unidos, la Operations Research Society of America (ORSA) (Sociedad de Investigacin de Operaciones de Amrica), se estableci en 1952 y The Institute of Management Sciences (TIMS) (Instituto de Ciencias de la Administracin) fue fundado en 1953; cada uno cuenta con cerca de 7,000 miembros. ORSA publica la revista Operations Research y TIMS, Management Science. Las dos sociedades publican tambin, en forma conjunta, Mathematics of Operations Research y la revista Interfaces. Estas cuatro publicaciones alcanzan ms de 3,000 pginas al ao e informan sobre nuevas investigaciones y aplicaciones en este campo. Existen adems muchas otras publicaciones similares en pases como Estados Unidos, Inglaterra, Francia, India, Japn, Canad y Alemania Occidental. De hecho, existen 29 pases miembros (incluyendo Estados Unidos) de la International Federation of Operations Research Societies (IFORS) (Federacin Internacional de Sociedades de Investigacin de Operaciones), en donde cada pas tiene una sociedad nacional dedicada a estas actividades. La Investigacin de Operaciones ha tenido tambin un impacto fuerte en las universidades. Hoy en da, la mayor parte de las universidades norteamericanas ofrecen cursos en este campo y muchas ofrecen estudios de postgrado en Investigacin de Operaciones o con una especializacin en el rea. En consecuencia, existen en este momento miles de estudiantes que cada ao toman al menos un curso de investigacin de operaciones. Una gran parte de las investigaciones bsicas en este campo se realizan en las universidades. La tcnica de programacin lineal se puede ilustrar por medio de una compaa que opera un centro de reclamaciones que rene distintos tipos de materiales slidos de desperdicio y despus los trata para que puedan ser amalgamados, fabricando as un producto que se puede vender. Pueden obtenerse diferentes grados de este producto, dependiendo de la mezcla de materiales que se use. Aunque existe alguna flexibilidad en la mezcla para cada grado, de hecho los estndares de calidad especifican un porcentaje mnimo o mximo (por peso) de ciertos materiales permitidos en ese grado de producto. Se cuenta con datos sobre el costo del proceso de amalgamado y sobre el precio de venta de cada grado. El centro de reclamaciones recoge sus materiales de desperdicio de ciertas fuentes ya establecidas, por lo que normalmente puede mantener una tasa de produccin estable para tratar estos materiales. An ms, se conocen las cantidades disponibles que puede recoger y tratar cada semana, al igual que el

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

27

costo del tratamiento para cada tipo de material. Utilizando la informacin dada, la compaa quiere determinar exactamente cunto debe de producir de cada grado de producto y la mezcla exacta de los materiales que debe incluir en cada grado, de manera que se maximice su ganancia semanal total (ingresos totales por ventas menos costos totales tanto de amalgamiento como de tratamiento). Uno de los tipos especiales importantes de problemas de programacin lineal se llama problema de transporte. Un ejemplo caracterstico trata sobre una compaa que produce cierto producto. Este producto se prepara en varias fbricas distantes entre s y despus se mandan en camin a los almacenes de distribucin que se encuentran en todo el oeste de Estados Unidos. Como los costos de embarque constituyen un gasto importante, la gerencia quiere iniciar un estudio para reducirlos todo lo que sea posible. Se han hecho estimaciones sobre la produccin de cada fbrica para la prxima temporada y a cada almacn se le ha asignado una cierta cantidad del abastecimiento total del producto. Esta informacin (el nmero de cargas de camin), junto con los costos de embarque por carga, para cada combinacin de fbrica/almacn, se emplear para determinar el plan ptimo para la asignacin de estos embarques a las distintas combinaciones, de manera que se minimice el costo total del transporte. Adems de la programacin lineal, existen varias tcnicas de programacin matemtica relacionadas para manejar problemas similares. Una de estas es la programacin dinmica, que se ocupa de tomar una sucesin de decisiones interrelacionadas. Esta tcnica se ejemplifica mediante un taller cuya carga de trabajo est sujeta a fluctuaciones considerables segn la temporada. Entre los modelos probabilsticos se encuentran algunos que caen dentro del rea de teora de colas (lneas de espera). El ejemplo clsico de teora de colas es la sala de emergencias de un hospital. La sala de emergencias proporciona atencin mdica rpida a casos urgentes que llegan en ambulancia o automvil privado. Siempre hay un doctor de guardia pero debido a la creciente tendencia por parte de los pacientes a usa estas instalaciones en lugar de acudir a un consultorio privado, el hospital ha venido experimentando un incremento continuo en el nmero de casos que atiende cada ao. Como resultado, cuando llegan pacientes durante las horas pico (temprano en la tarde), con frecuencia tienen que esperar su turno para que el doctor los atienda. Se ha hecho la propuesta de que debe asignarse un segundo doctor a la sala de emergencia durante estas horas para que puedan atender dos casos simultneamente. Al reconocer que la sala de emergencia es un sistema de lneas de espera, se pueden aplicar varios modelos alternos de teora de colas para predecir las caractersticas de espera del sistema, tanto con uno como con dos doctores. Estos modelos ayudarn al hospital en su evaluacin de la propuesta.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

28

Proceso de Comprensin y Anlisis


Actividad Grupal Reunidos todos los integrantes del CIPA comentar acerca de los siguientes interrogantes: Qu papel se puede considerar que cumplen las Matemticas en el Proceso de Investigacin de Operaciones? Cules son los beneficios y perjuicios que conllevara la aplicacin del Proceso de Investigacin de Operaciones? Qu factores inciden en la calidad de los datos que se obtengan de una observacin?

Actividad Individual Esta actividad permitir conocer los aspectos que se lograron asimilar y aquellos que necesitan refuerzos, para ello dar respuesta a las siguientes preguntas: Dar una definicin sobre Investigacin de Operaciones y sus respectivos tipos Cuales son los elementos bsicos que constituyen el proceso de Toma de Decisiones. Dar un concepto de cada uno. El proceso de la Investigacin de Operaciones comprende 5 fases. Cuales son y que concepto se puede dar de cada una? Dar un concepto propio sobre Optimizacin. reas de aplicacin. Argumentar acerca de las

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

29

UNIDAD 2 Programacin Lineal


Descripcin Temtica La programacin lineal (PL) es una herramienta para resolver problemas de optimizacin. En 1947, George Danizig cre un mtodo eficaz, el algoritmo simplex, para resolver problemas de programacin lineal (tambin llamados PL). A partir del surgimiento del algoritmo simplex, se ha usado la programacin lineal para resolver problemas de optimizacin en industrias tan diversas como la banca, la educacin, la silvicultura, el petrleo, y el transporte. En una encuesta de la revista Fortune, de 500 empresas, el 85% de las que contestaron dijeron que haban utilizado la programacin lineal. Sabiendo la importancia que cada da va tomando la programacin lineal este libro inicia el estudio de la programacin lineal dando a conocer las generalidades de la programacin lineal. De igual forma cmo resolver grficamente los problemas de programacin lineal que tienen solamente dos variables. La solucin de estos PL simples dar unas ideas tiles para resolver PL ms complejos. En el resto del captulo se explica cmo formular y desarrollar modelos de programacin lineal con ejemplos reales y aplicables. Para el desarrollo de las habilidades y aclaracin de incomprensiones (que se pueden citar y que son obvias) es necesario la realizacin de los ejercicios citados Se recomienda la ampliacin de la informacin recurriendo a la bibliografa que al final del documento se indica, pues el proceso de aprendizaje no termina en este mdulo.

Horizontes
Aportar al estudiante herramientas que le permitan resolver problemas de optimizacin de los sistemas como elementos indispensables en la organizacin. Contribuir en el proceso de planeacin de las actividades que se llevaran a cabo para obtener un resultado ptimo, es decir, el alcance de objetivos formulados

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

30

Dotar al estudiante de elementos que favorezcan el establecimiento y seleccin de alternativas cuyo fin es el de satisfacer diversos criterios. Proporcionar al estudiante las bases de la Programacin Lineal, que le permitan la asignacin de los recursos disponibles de la mejor manera posible en cualquier actividad que desarrolle. Destacar la contribucin de la Programacin Lineal en la economa de la empresa.

Ncleos Temticos y Problemticos


Generalidades de la Programacin Lineal Definicin y Problemas de Programacin Lineal Supuestos de la Programacin Lineal Formulacin de Modelos de Programacin Lineal Solucin Grfica de Problemas Programacin Lineal

Proceso de Informacin
2.1 GENERALIDADES DE LA PROGRAMACIN LINEAL

Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances cientficos ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo industrias medianas en distintos pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede manejar?. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Este problema de asignacin puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones productivas a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

31

Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo. Por ejemplo, cuando se compra una pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco, integral u otro), costo y rebanado o sin rebanar. Se puede ir un paso ms adelante y dividir estos criterios en dos categoras: restricciones y el objetivo. Las restricciones son las condiciones que debe satisfacer una solucin que est bajo consideracin. Si ms de una alternativa satisfacen todas las restricciones, el objetivo se usa para seleccionar entre todas las alternativas factibles. Cuando se elige una pieza de pan, pueden quererse 100 gr. de pan blanco rebanado y hecho no antes de ayer. Si varias marcas satisfacen estas restricciones, puede aplicarse el objetivo de un costo mnimo y escoger las ms barata. Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o maximizar un objetivo que est sujeto a una lista de restricciones. un corredor de inversiones, por ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones estn restringidas por las leyes y las polticas bancarias. Un hospital debe planear que las comidas para los pacientes satisfagan ciertas restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el costo. Un fabricante, al planear la produccin futura, busca un costo mnimo al mismo tiempo cmo cumplir restricciones sobre la demanda del producto, la capacidad de produccin, los inventarios, el nivel de empleados y la tecnologa. La PL se ha aplicado con xito a estos y otros problemas. La PL es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la PL trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo) entre todas las opciones de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la PL tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de PL es un problema de PL 2.2 DEFINICIN Y PROBLEMAS DE PROGRAMACIN LINEAL

Ejemplo
Woodcarving, Inc. de Giapetto, fabrica dos tipos de juguetes de madera: soldados y trenes. Se vende un soldado a 27 dlares y se usan 10 dlares de materia

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

32

prima. Cada soldado que se produce aumenta los costos variables de mano de obra y los costos generales en 14 dlares. Se vende un tren a 21 dlares y se usan 9 dlares de materia prima. Cada tren producido aumenta los costos variables de mano de obra y los costos generales en 10 dlares. La produccin de soldados y trenes de madera necesita dos tipos de trabajo especializado: carpintera y acabado. Un soldado requiere 2 horas de acabado y 1 hora de carpintera. Un tren requiere 1 hora de acabado y 1 hora de carpintera. Cada semana, Giapetto puede conseguir toda la materia prima que se necesita, pero solamente dispone de 100 horas de acabado y 80 de carpintera. La demanda de los trenes no tiene lmite, pero se venden a lo ms 40 soldados semanalmente. Giapetto quiere maximizar su ganancia semanal (ingresos-costos). Formule un modelo matemtico para la situacin de Giapetto que se pueda utilizar para maximizar su ganancia semanal. Al crear el modelo para Giapetto, exploramos las caractersticas comunes a todos los problemas de programacin lineal.

Variables de Decisin
Empezamos definiendo las variables de decisin pertinentes. En cualquier problema de programacin lineal, las variables de decisin tienen que representar completamente las decisiones que tomar (en este caso, por Giapetto). Claramente, Giapetto tiene que decidir cuntos soldados y trenes hay que fabricar cada semana. Con esto en mente, definimos X1 = el nmero de soldados producidos cada semana X2 = el nmero de trenes producidos cada semana

Funcin Objetivo
En cualquier problema de programacin lineal, la persona que toma la decisin quiere maximizar (generalmente el ingreso o las ganancias) o minimizar (por lo general los costos) alguna funcin de las variables de decisin. La funcin que hay que maximizar o minimizar se llama la funcin objetivo. En el problema de Giapetto, observamos que los costos fijos (como la renta y el seguro) no dependen de los valores de X1 y X2. Por lo tanto, Giapetto puede concentrarse en maximizar (ingresos semanales) - (costos de la compra de materia prima) (otros costos variables). Se pueden expresar las ganancias y los costos semanales de Giapetto en funcin de las variables de decisin X1 y X2. Sera tonto por parte de Giapetto fabricar

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

33

ms soldados de los que puede vender; por lo tanto, suponemos que se vendern todos los juguetes producidos. Entonces: Ingresos semanales = = = Tambin, costos semanales de materia prima = l0x1 + 9x2 otros costos semanales variables = l4x2 + l0x2 Entonces Giapetto quiere maximizar (27x1 + 21x2) - (10x1 + 9x2) - (l4x1 + 10x2) = 3x1 + 2x2 Otra manera para darse cuenta de que Giapetto quiere maximizar 3x1 + 2x2 es observar que: ingreso semanal soldados + ingreso semanal trenes (dlares/soldado)(soldados/semana)+(dlares/tren) (trenes/semanal) 27x1 + 21x2

Ingresos semanales de los soldados =

aportacin semanal a las utilidades por los soldados - costos variables semanales + aportacin semanal a la ganancia de los trenes

= (aportacin a las utilidades/soldado) (soldado/semana) + (aportacin a las utilidades/tren)(tren/semana) Tambin, (aportacin a las utilidades/soldado) = 27 - 10 - 14 = 3 (aportacin a las utilidades/tren) = 21 - 9 10 = 2 Entonces, como antes: Ingresos semanales - costos variables semanales = 3x1 + 2x2 As, el objetivo de Giapetto es escoger x1 y x2 para maximizar 3x1 + 2x2. Empleamos la variable para denotar el valor de la funcin objetivo para cualquier PL. La funcin objetivo de Giapetto es Maximizar

z = 3x

+2x2

(1)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

34

El coeficiente de una variable en la funcin objetivo se llama coeficiente de la funcin objetivo de la variable. Por ejemplo, el coeficiente de la funcin objetivo

de x1 es 3, y el coeficiente de la funcin objetivo de X2, es 2. En este ejemplo (y en muchos otros problemas), el coeficiente de la funcin objetivo de cada variable es simplemente la contribucin de la variable a la ganancia de la compaa.

Restricciones
Al aumentar x1 y x2, crece la funcin objetivo de Giapetto. Esto significa que si Giapetto pudiera escoger libremente cualquier valor para x1 y x2, la compaa podra obtener una ganancia arbitrariamente grande, al escoger x1 y x2 muy grandes. Desafortunadamente, los valores de x1 y x2 estn limitados por las siguientes tres restricciones: Restriccin 1: No se pueden usar ms de 100 horas de acabado cada semana. Restriccin 2: No se pueden usar ms de 80 horas de carpintera cada semana. Restriccin 3: Debido a la demanda limitada, se tienen que producir a lo ms 40 soldados por semana. Se supone que la cantidad de materia prima disponible es ilimitada, por lo tanto, no hay ninguna restriccin al respecto.

Formulacin del Modelo Matemtico


El siguiente paso en formular un modelo matemtico para el problema de Giapetto es expresar las Restricciones 1 a 3 en trminos de las variables de decisin x1 y x2. Para expresar la Restriccin 1 en trminos de x1 y x2, obsrvese que: (h To. de acabado/sem.) = (h. de acabado/soldado) (hechos sem./soldados) +(h. de acabado/tren)(trenes hechos/sem.) = 2(x1) + 1(x2) = 2x1 + x2 Ahora se puede expresar la Restriccin 1 como:

2x1+x2<=100

(2)

Obsrvese que las unidades de cada trmino en (2) son horas por semana.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

35

Para que una restriccin sea razonable, todos los trminos en la restriccin tienen que tener las mismas unidades para que tenga sentido Para expresar la Restriccin 2 en trminos de x1 y x2, obsrvese que (h To. de carpintera/sem.)= (h. de carpintera/soldado)(soldador/sem.) (h. de carpintera/tren)(trenes/semana) = 1(x1) + 1(x2) = x1 + x2 Entonces la Restriccin 2 es: +

x1 + x2 80.......(3)
Una vez ms, obsrvese que las unidades de cada trmino en (3) son las mismas (en este caso, horas de carpintera por semana). Finalmente, expresamos el hecho de que se pueden vender a lo ms 40 soldados por semana, limitando la produccin semanal de soldados a 40. Este proporciona la siguiente restriccin:

x1 40.......(4)
As, (2)-(4) expresan las Restricciones 1-3 en trminos de las variables de decisin; se llaman las restricciones para el problema de programacin lineal. Los coeficientes de las variables de decisin en las restricciones se llaman coeficientes tecnolgicos. Esto se debe a que los coeficientes tecnolgicos reflejan a menudo la tecnologa utilizada para producir diferentes productos. Por ejemplo, el coeficiente tecnolgico de x2 en (3) es 1, lo que indica que un soldado necesita 1 hora de carpintera. El nmero al lado derecho de cada restriccin, se llama lado derecho (o Id) de la restriccin. Muchas veces el Id de una restriccin representa la cantidad disponible de un recurso.

Restricciones de Signo
(o de no negatividad). Para completar la formulacin de un problema de programacin lineal, hay que contestar la siguiente pregunta para cada variable de decisin: puede tomar la variable de decisin valores no negativos solamente, o se le pueden permitir valores tanto positivos como negativos? Si una variable de decisin xi solamente toma valores no negativos, aadimos la restriccin de signo xi 0. Si una variable xi puede tomar valores positivos y negativos (o inclusive ser cero), decimos que xi no tiene restriccin de signo, que se abreviar SRS, sin restriccin de signo. Para el problema de Giapetto, es obvio que x1 0 y x2 0. En otros problemas, sin embargo, algunas variables
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

36

pueden ser SRS. Por ejemplo, si xi representa un balance de caja de una empresa, xi tomar un valor negativo si la empresa debe ms dinero de lo que tiene disponible. En este caso, sera adecuado clasificara; como SRS. Juntando las restricciones de signo x1 0 y x2 0 con la funcin objetivo (1) y las Restricciones (2) a (4), se obtiene el siguiente modelo de optimizacin:
max z = 3x1 + 2x2 (Funcin objetivo) (1)

sujeta a (se abrevia s.a)


2x1 2x1 2x1 2x1 + x2 + x2

100 80 40 0 0

x2

(Restriccin de acabado) (Restriccin de carpintera) (Restriccin de la demanda de soldados) (Restriccin de signo) (Restriccin de signo)

(2) (3) (4) (5) (6)

Una funcin f(x1,x2,...,xn) es una funcin lineal de x1,x2,...,xn si y slo si para algn conjunto de constantes c1,c2,...,cn, f(x1,x2,...,xn) = c1 x1+ c2 x2 + ... + cn xn. Por ejemplo, f(x1,x2) = 2x1 + x2 es una funcin lineal de x1 y x2, pero f() = no es una funcin lineal de x1 y x2. Para cualquier funcin lineal f(x1,x2,...,xn) y cualquier nmero b, las desigualdades f(x1,x2,...,xn) b y f(x1,x2,...,xn) b = son desigualdades lineales. As, 2x1 + 3x2 3 y 2x1 + x2 3 son desigualdades lineales, pero x12 x2 no es una desigualdad lineal. Un problema de programacin lineal (PL) es un problema de optimizacin, para el cual hacemos lo siguiente: Tratamos de maximizar (o minimizar) una funcin lineal de variables de decisin. La funcin que se pretende maximizar o minimizar se llama la funcin objetivo. Los valores de las variables de decisin tienen que satisfacer un conjunto de restricciones. Cada restriccin tiene que ser una ecuacin lineal o una desigualdad lineal.

Sujeto a (s.a) significa que los valores de las variables de decisin x1 y x2 tienen que satisfacer todas las restricciones, incluyendo las restricciones de signo.
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

37

Hay una restriccin de signo para cada variable. Para cualquier variable xi, la restriccin de signo especifica que atiene que ser no negativo (xi 0) o que xi puede ser una variable sin restriccin de signo (SRS).

Ya que la funcin objetivo de Giapetto es una funcin lineal de x1 y x2 y todas las restricciones de Giapetto son desigualdades lineales, el problema de Giapetto es un problema de programacin lineal. Obsrvese que el problema de Giapetto es un tpico problema de una amplia clase de problemas de programacin lineal en el cual la meta de un tomador de decisiones es maximizar la ganancia, con recursos limitados 2.3 2.3.1 SUPUESTOS DE LA PROGRAMACIN LINEAL. Supuestos de Proporcionalidad y Aditividad

Existe un nmero de suposiciones realizadas en cada modelo. La utilidad de un modelo est directamente relacionada con la realidad de los supuestos. El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo es lineal, la contribucin al objetivo de cualquier decisin es proporcional al valor de la variable de decisin. Producir dos veces ms de producto producir dos veces ms de ganancia, contratando el doble de pginas en las revistas doblar el costo relacionado con las revistas. Es una Suposicin de Proporcin. El hecho de que la funcin objetivo de un PL tiene que ser una funcin lineal de las variables de decisin, tiene la siguiente implicacin:

La contribucin de cada variable de decisin a la funcin objetivo es proporcional al valor de la variable de decisin. Por ejemplo, la contribucin a la funcin objetivo por parte de la fabricacin de cuatro soldados (4 x 3 = 12 dlares) es exactamente cuatro veces la contribucin por la fabricacin de un soldado (3 dlares).

De manera anloga, el hecho de que cada restriccin de un PL tiene que ser una desigualdad o igualdad lineal, tiene la siguiente implicacin:

La aportacin de cada variable al lado izquierdo de cada restriccin es proporcional al valor de la variable. Por ejemplo, toma exactamente tres veces ms horas de acabado (2 x 3 = 6 horas de acabado) producir tres soldados que producir un soldado (2 horas de acabado).

Adems, la contribucin de una variable a la funcin objetivo es independiente de los valores de las otras variables. La ganancia con una computadora Notebook es
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

38

de $10,750.00, independientemente de cuantas computadoras Desktop se producen. Este es un Supuesto de Adicin. El hecho de que la funcin objetivo de un PL tiene que ser una funcin lineal de las variables de decisin, tiene la siguiente implicacin:

La contribucin a la funcin objetivo por parte de cualquier variable es independiente de los valores de las otras variables de decisin. Por ejemplo, independientemente del valor de x2, la fabricacin de x1 soldados aportar 3x1 dlares a la funcin objetivo.

De manera anloga, el hecho de que cada restriccin de un PL tiene que ser una desigualdad o igualdad lineal, tiene la siguiente implicacin:

La contribucin de una variable al lado izquierdo de cada restriccin es independiente de los valores de las otras variables. Por ejemplo, independientemente del valor de x1, la produccin de x2 trenes necesita x2 horas de acabado y x2 horas de carpintera.

Para que un PL sea una representacin apropiada de una situacin de la vida real, las variables de decisin tienen que satisfacer las Suposiciones de la proporcionalidad y de la aditividad al mismo tiempo. Tambin hay que satisfacer otras dos suposiciones para que un PL pueda representar adecuadamente una situacin real. Se trata de las Suposiciones de divisibilidad y de certidumbre. Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y precisos en la formulacin del modelo puede ayudar a manejar situaciones que parecen en un comienzo como lejanos a estos supuestos. 2.3.2 Supuesto de Divisibilidad

El siguiente supuesto es la Suposicin de ser Divisible donde es posible tomar una fraccin de cualquier variable. Por ejemplo, en un problema de marketing, qu significa comprar 2.67 avisos en la televisin?. Es posible que la suposicin de ser divisible sea insatisfecha en este ejemplo. O puede ser que tales unidades de 2.67 avisos correspondan a 2,666.7 minutos de avisos, en cuyo caso redondeando la solucin seran 2,667 minutos con una mnima duda que est cercana a la solucin ptima. Si la suposicin de divisible no es vlida, entonces se usar la tcnica de Programacin Lineal Entera. En el problema de Giapetto, la Suposicin de divisibilidad quiere decir que es aceptable producir 1.5 soldados y 1.63 trenes. Ya que Giapetto, en realidad, no puede producir fracciones de trenes ni de soldados, la Suposicin de divisibilidad no se satisface en el problema de Giapetto. Un problema de programacin lineal
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

39

en el cual algunas, o todas las variables tienen que ser nmeros enteros no negativos, se llama un problema de programacin entera. En muchas situaciones, donde no se presenta la divisibilidad, redondear cada variable de la solucin ptima del PL a un valor entero, puede proporcionar una solucin razonable. Supngase que la solucin ptima de un PL indic que una fbrica de automviles tendr que producir 150 000. 4 automviles compactos durante el ao en curso. En este caso, se podra aconsejar a la fbrica producir 150 000 o 150 001 automviles compactos y estar bastante confiado en que esto aproximar razonablemente un ptimo plan de produccin. Por otra parte, si el nmero de sitios de lanzamiento para cohetes que tendran que usar Estados Unidos de Amrica fuera una variable en un PL y la solucin ptima fuera 0.4 sitios, entonces representara una gran diferencia redondear el nmero de sitios de lanzamiento a cero o a uno. En esta situacin, se tendran que usar los mtodos de la programacin entera, porque el nmero de sitios de lanzamiento definitivamente no es divisible. 2.3.3 Suposicin de Certidumbre

La Suposicin de certidumbre significa que tiene que conocerse con certidumbre cada parmetro (coeficiente de la funcin objetivo, lado derecho y el coeficiente tecnolgico). Si no estuviramos seguros de la cantidad exacta de horas de carpintera y de acabado usadas para producir un tren, entonces se violara la Suposicin de certidumbre. Esta ltima suposicin en Programacin Lineal no permite incertidumbre en los valores. Ser difcil que un problema cumpla con todas las suposiciones de manera exacta. Pero esto no negar la factibilidad de uso del modelo. Un modelo puede ser an til aunque difiera de la realidad, si se es consistente con los requerimientos ms estrictos dentro del modelo y se tiene claras sus limitaciones al interpretar los resultados. Existen limitaciones prcticas para el uso de la PL. Una se relaciona con los clculos. En general se necesita una computadora. Desafortunadamente, las calculadoras, aun las programables, son poco tiles, puesto que la PL tiene necesidad de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a una computadora, se estar limitado a problemas muy sencillos. La otra limitacin se refiere al costo de formular un problema de PL. En teora, podra usarse PL, por ejemplo, para hacer las compras semanales de abarrotes. Sin embargo, sera necesario conocer todas las compras posibles que pueden

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

40

realizarse (stas seran las variables), adems de cada restriccin como sabor, nmero de comidas, vitaminas y protenas. Es obvio que el costo de obtener todos estos datos excede lo que se podra ahorrar si se hicieran las compras ptimas. Antes de emprender una aplicacin de PL, debe considerarse la disponibilidad y el costo de los datos necesarios. 2.4 FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL.

Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo sta puede aplicarse y formular el problema matemticamente. Una vez hecha esa parte, resolver el problema casi siempre es fcil. Para formular un problema en forma matemtica, deben expresarse afirmaciones lgicas en trminos matemticos. Esto se realiza cuando se resuelven problemas hablados al estudiar un curso de lgebra. Algo muy parecido sucede aqu al formular las restricciones. Por ejemplo, considrese la siguiente afirmacin: A usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas disponibles, la restriccin ser:

3A + 2B = 100
Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio que se usen todos los recursos (en este caso, horas de mano de obra). Ms bien la limitacin es que se use, cuando mucho, lo que se tiene disponible. Para este caso, la afirmacin anterior puede escribirse como una desigualdad:

3A + 2B 100
Para que sea aceptable para PL, cada restriccin debe ser una suma de variables con exponente 1. Los cuadrados, las races cuadradas, etc. no son aceptables, ni tampoco los productos de variables. Adems, la forma estndar para una restriccin pone a todas las variables del lado izquierdo y slo una constante positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los trminos. Si, por ejemplo, la restriccin es que A debe ser por los menos el doble de B, esto puede escribirse como:

A 2B A - 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido de esta desigualdad se invierte. Puede ser necesario hacer esto para que
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

41

los coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan grande como B - 2, entonces:
A A-B B-2 -2

por ltimo B - A 2

Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por ejemplo: B - A 2 es lo mismo que B - A + S = 2 en donde S representa la diferencia, o la holgura, entre B - A y 2. S se llama variable de holgura. Por otro lado, se restara una variable de supervit en el caso siguiente: A - 2B 0 es lo mismo que A - 2B - S = 0 Algunos mtodos de solucin requieren que todas las desigualdades se conviertan en igualdades. La metodologa de PL requiere que todas las variables sean positivas o cero, es decir, no negativas. Para la mayora de los problemas esto es real, no se querra una solucin que diga: prodzcanse menos dos cajas o contrtense menos cuatro personas. Mientras que no existe un lmite en el nmero de restricciones que puede tener un problema de PL, slo puede haber un objetivo. La forma matemtica del objetivo se llama funcin objetivo. Debe llevar consigo el maximizar o minimizar alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la contribucin marginal o los contactos con los clientes. Podra ser minimizar el costo, el nmero de empleados o el material de desperdicio. Con frecuencia el objetivo es evidente al observar el problema. Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema, se usa la letra Z para representarlo. La funcin objetivo tendr, entonces, la forma: Maximizar Z = 4A + 6B Minimizar Z = 2x1 + 5x2 Se analiza una aplicacin para ilustrar el formato de los problemas de Programacin Lineal.
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

42

Ejemplo: Planeacin de la Fuerza de Trabajo


El gerente de personal de La Tortuga Veloz, S.A. de C.V., est analizando la necesidad de mano de obra semi calificada durante los prximos seis meses. Se lleva 1 mes adiestrar a una persona nueva. Durante este perodo de entrenamiento un trabajador regular, junto con uno en adiestramiento (aprendiz), producen el equivalente a lo que producen 1.2 trabajadores regulares. Se paga $500.00 mensuales a quien est en entrenamiento, mientras que los trabajadores regulares ganan $800.00 mensuales. La rotacin de personal entre los trabajadores regulares es bastante alta, del 10% mensual. El gerente de personal debe decidir cuntas personas necesita contratar cada mes para adiestramiento. En seguida se da el nmero de meses-hombre necesarios. Tambin se desea tener una fuerza de trabajo regular de 110 al principio de julio. En cuanto al 1 de enero, hay 58 empleados regulares.
MES Enero Febrero Marzo Meses-hombres requeridos 60 50 60 MES Abril Mayo Junio MES-MESES HOMBRES REQUERIDOS 80 70 100

Este problema tiene un aspecto dinmico, ya que la fuerza de trabajo en cualquier mes depende de la fuerza de trabajo regular y en adiestramiento del mes anterior. Para cualquier mes, el nmero total de meses-hombre disponibles se puede expresar como sigue: Meses-hombre disponibles: Ri + 0.2Ai,en donde: Ri = nmero de trabajadores regulares al principio del mes, Ai = nmero de aprendices contratados en el mes. Entonces los requerimientos de cada mes pueden expresarse por las restricciones:

Enero Febrero Marzo Abril Mayo Junio

R1 + 0.2A1 60 R2 + 0.2A2 50 R3 + 0.2A3 60 R4 + 0.2A4 80 R5 + 0.2A5 70 R6 + 0.2A6 100 110

Julio (principio) R7

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

43

Debido a la rotacin, el 10% de los trabajadores regulares se van cada mes. As, el nmero de trabajadores regulares disponibles, por ejemplo, al principio de febrero sera:

R2 = 0.9 R1 + A1
En la misma forma, pueden escribirse las ecuaciones para el nmero de trabajadores disponibles al principio de cada mes:
Enero Febrero Marzo Abril Mayo Junio R1 = 58 (dado) R2 = 0.9R1 + A1 R3 = 0.9R2 + A2 R4 = 0.9R3 + A3 R5 = 0.9R4 + A4 R6 = 0.9R5 + A5

Julio (principio) R7 = 0.9R6 + A6

El objetivo global del gerente de personal es minimizar el costo. objetivo es:

La funcin

Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6) Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones. Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una solucin y, despus, buscan esa solucin. En PL, los criterios se expresan como restricciones. Se exploran las soluciones posibles y se usa la funcin objetivo para elegir la mejor de entre aquellas que cumplen con los criterios. La PL se denomina tcnica de optimizacin, pero optimiza slo dentro de los lmites de las restricciones. En realidad es un mtodo de satisfaccin de criterios. 2.4.1 Forma Estndar de los Modelos de Programacin Lineal

Supngase que existe cualquier nmero (digamos m) de recursos limitados de cualquier tipo, que se pueden asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier clase. Etiqutense los recursos con nmeros (1, 2, ... m) al igual que las actividades (1, 2, ... n). Sea xj (una variable de decisin) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

44

efectividad global seleccionada. Sea cj el incremento que resulta en Z por cada incremento unitario en xj (para j = 1, 2, ... n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por ltimo defnase aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ... n). Se puede formular el modelo matemtico para el problema general de asignar recursos a actividades. En particular, este modelo consiste en elegir valores de x1, x2, ... xn para: Maximizar sujeto a las restricciones: A11x1 + a12x2 + ... + a1nxn b1 A21x1 + a22x2 + ... + a2nxn b2 am1x1 + am2x2 + ... + amnxn bm y x1 0, x2 0, ..., xn 0 La funcin que se desea maximizar, c1x1 + c2x2 + ... + cnxn, se llama funcin objetivo. Por lo general, se hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas con una funcin del tipo ai1x1 + ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el nombre de restricciones funcionales. De manera parecida, las restricciones xj 0 se llaman restricciones de no negatividad. Las variables xj son las variables de decisin. Las constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo. 2.4.2 Otras Formas de Modelos de Programacin Lineal.

Z = c1x1 + c2x2 + ... + cnxn,

Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos problemas de programacin lineal. Las otras formas legtimas son las siguientes: Minimizar en lugar de maximizar la funcin objetivo: Minimizar Z = c1x1 + c2x2 + ... + cnxn, Algunas restricciones funcionales con desigualdad en el sentido mayor o igual: ai1x1 + ai2x2 + ... + ainxn, bi, para algunos valores de i, Algunas restricciones funcionales en forma de ecuacin: ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i, Las variables de decisin sin la restriccin de no negatividad: xj no restringida en signo para algunos valores de j.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

45

Cualquier problema que incluya una, varias o todas estas formas del modelo anterior tambin se clasifica como un problema de PL, siempre y cuando stas sean las nicas formas nuevas introducidas. Puede ser que la interpretacin que se ha dado de asignacin de recursos limitados entre actividades que compiten no se aplique, pero independientemente de la interpretacin o el contexto, lo nico que se necesita es que la formulacin matemtica del problema se ajuste a las formas permitidas. Se ver que estas otras cuatro formas legales se pueden reescribir en una forma equivalente para que se ajuste al modelo que se present. Entonces, todo problema de PL se puede poner en nuestra forma estndar si se desea.

Regin Factible y Solucin ptima


Dos de los conceptos ms fundamentales asociados a los problemas de programacin lineal, son la regin factible y la solucin ptima. Para definir estos conceptos, usamos el termino punto para indicar un valor especfico de cada variable de decisin. La regin factible para un PL es el conjunto de todos los puntos que satisfacen las restricciones y las restricciones de signo del PL. Por ejemplo, en el problema de Giapetto, el punto (x1 = 40 y x2 = 20) se encuentra en la regin factible. Obsrvese que x1 = 40 y x2 = 20 satisfacen las restricciones (2) a (4) y las restricciones de signo (5) a (6): La La La La La Restriccin Restriccin Restriccin Restriccin Restriccin (2), (3), (4), (5), (6), 2x1 +x2 100, se satisface, porque 2(40) + 20 x1 + x2 80, se satisface, porque 40 + 20 x1 40, se satisface, porque 40 0, se cumple, porque 40 x1 x2 0, se cumple, porque 20 100. 80. 40. = 0. 0.

Por otra parte, el punto (x1 = 15, x2 = 70) no est en la regin factible, porque aunque x1 = 15 y x2 = 70 satisfacen (2), (4), (5) y (6), no cumple con (3): 15 + 70 no es menor o igual a 80. Cualquier punto que no se encuentra en la regin factible de un PL se llama punto no factible. Considrese (x1 = 40, x2 = -20) como otro ejemplo de un punto no factible. Este punto satisface todas las restricciones y la restriccin de signo (5), pero no es factible, porque no satisface la restriccin de signo (6), x2 0. La regin factible para el problema de Giapetto es el conjunto de posibles planes de produccin que Giapetto tiene que considerar al buscar el ptimo plan de produccin.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

46

Para un problema de maximizacin, una solucin ptima para un PL, es un punto de la regin factible con el mayor valor de la funcin objetivo. Similarmente, para un problema de minimizacin, una solucin ptima corresponde a un punto de la regin factible, con el menor valor de la funcin objetivo. La mayora de los PL tienen solamente una solucin ptima. Sin embargo, algunos PL no tienen solucin ptima, y algunos PL tienen un nmero infinito de soluciones (se estudian estas situaciones en la Sec. 3.3). En la Sec. 3.2, mostramos que la solucin ptima nica al problema de Giapetto es (x1 = 20, x2 = 60). Esta solucin produce un valor de la funcin objetivo de z = 3x1 + 2x2 = 3(20) + 2(60) =180 dlares Cuando se expresa que (x1 = 20, x2 = 60) es la solucin ptima para el problema de Giapetto, queremos decir que no hay ningn punto en la regin factible que tenga un valor de la funcin objetivo superior a 180. Giapetto puede maximizar la utilidad produciendo 20 soldados y 60 trenes semanalmente. Si Giapetto produjera 20 soldados y 60 trenes cada semana, la utilidad semanal sera 180 dlares menos los costos fijos semanales. Por ejemplo, si los nicos costos fijos semanales de Giapetto fueran 100 dlares de renta semanal, la ganancia semanal sera 180 - 100 = 80 dlares semanales. 2.4.3 Solucin Grfica de Problemas de Programacin Lineal

Ahora s analiza cmo se puede resolver grficamente cualquier PL con solamente dos variables. Siempre denominamos las variables x1 y x2 y los ejes coordenados los ejes x1 y x2. Primero necesitamos demostrar cmo graficar el conjunto de los puntos que satisfacen una desigualdad lineal con solamente dos variables. Supngase que queremos graficar el conjunto de los puntos que satisfacen

2x1 + 3x2 6

(7)

El conjunto de los puntos (x1,x2) que satisfacen la igualdad (7) es el mismo que el conjunto de puntos que satisfacen

3x2 6 - 2x1
Se puede volver a escribir la ltima desigualdad como

x2 1/3(6-2x1) = 2 2/3 x1

(8)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

47

Ya que x2 decrece al moverse uno hacia abajo sobre la grfica (vea la Fig. 1), el conjunto de puntos que satisfacen (8) y (7) es el conjunto de los puntos que se encuentran por debajo de la recta x2 = 2 - x1 o sobre ella. Se representa este conjunto de puntos por un sombreado ms oscuro en la Fig. 1. Obsrvese, sin embargo, que la recta x2 = 2 - x1 es la misma que la recta 3x2 = 6 - 2x1, que a su vez, es la misma que la recta 2x1 + 3x2 = 6. Esto significa que el conjunto de puntos que satisfacen (7) es el conjunto de puntos por debajo o sobre la lnea recta 2x1 + 3x2 = 6. Mediante un razonamiento similar, se puede demostrar que el conjunto de los puntos que satisfacen 2x1 + 3x2 6, es el conjunto de puntos arriba de o en la recta 2x1 + 3x2 = 6 o en ella. (Estos puntos se representan mediante un sombreado ms claro en la Fig. 1.) Considrese una restriccin, expresada mediante una desigualdad lineal de la forma f(x1,x2) b y f(x1,x2) b. Se puede demostrar, en general, que en dos dimensiones, el conjunto de puntos que satisfacen una desigualdad lineal incluye los puntos en la lnea recta f(x1,x2) = b, que define la desigualdad, ms todos los puntos a un lado de la recta. Hay una manera sencilla para determinar el lado de la recta para el cual se satisface una desigualdad como f(x1,x2) b o f(x1,x2) b. Simplemente se escoge cualquier punto P que no satisfaga la ecuacin f(x1,x2) = b. Determine si P satisface la desigualdad. Si es as, entonces todos los puntos al mismo lado de f(x1,x2) = b que P, satisfarn la desigualdad. Si P no satisface la desigualdad, entonces todos los puntos al otro lado de f(x1,x2) = b, que no incluye a P, satisfarn la desigualdad. Por ejemplo, para determinar si los puntos arriba o debajo de la lnea recta 2x1 + 3x2 6 satisfacen 2x1 + 3x2 = 6, observamos que (0, 0) no satisface 2x1 + 3x2 6. Ya que (0, 0) se encuentra debajo de la recta 2x1 + 3x2 = 6, el conjunto de los puntos que satisfacen 2x1 + 3x2 6 incluye la recta 2x1 + 3x2 = 6 y los puntos arriba de la recta 2x1 + 3x2 = 6. Esto est de acuerdo con la Fig. 1.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Figura 1

48

Grfica de una desigualdad.

Ilustramos cmo resolver grficamente un PL de dos variables, al resolver el problema de Giapetto. Para empezar, determinamos grficamente la regin factible para el problema de Giapetto. La regin factible es el conjunto de todos los puntos (x1, x2) que satisfacen (Restricciones) (Restricciones de signo) Para que un punto (x1, x2) este en la regin factible, tendr que satisfacer todas las desigualdades (2) a (6). Obsrvese que los nicos puntos que satisfacen (5) y (6) son los puntos del primer cuadrante del plano x1-x2. Esto se indica en la Fig. 2 mediante flechas que apuntan hacia la derecha desde el eje x2 y hacia arriba desde el eje x1. As, cualquier punto fuera del primer cuadrante no puede estar en la regin factible. Esto quiere decir que la regin factible corresponder al conjunto de puntos en el primer cuadrante que satisfacen (2)-(4). Utilizamos ahora nuestro mtodo para determinar el conjunto de puntos que satisfacen una desigualdad lineal, para obtener el conjunto de puntos que satisfacen (2)-(4). De la Fig. 2 vemos que a (2) la satisfacen todos los puntos debajo de la recta AB o en ella (AB es la lnea recta 2x1 + x2 = 100). La desigualdad (3) se cumple para todos los puntos debajo de la recta CD o en ella (CD es la lnea recta x1 + x2 = 80). Finalmente, (4) se cumple para todos los puntos a la izquierda de la recta EF o en ella (EF es la recta x1 = 40). La direccin de las flechas en la Fig. 2 indica el lado de una lnea que satisface una desigualdad.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Figura 2.

49

Solucin Grfica del Problema de Giapetto.

En la Fig. 2, observamos que el conjunto de los puntos en el primer cuadrante que satisfacen (2), (3) y (4), limita por un polgono de cinco lados DGFEH. Cualquier punto sobre este polgono o en su interior se encuentra en la regin factible. Cualquier otro punto no satisface ni una de las desigualdades (2)-(6). Por ejemplo, el punto (40, 30) se encuentra fuera de DGFEH, porque est arriba del segmento lineal AB. As, (40, 30) no es factible, porque no satisface (2). Una manera sencilla para encontrar la regin factible es determinar el conjunto de puntos no factibles. Obsrvese que todos los puntos arriba de la lnea recta AB en la Fig. 2, no son factibles, porque no satisfacen (2). Similarmente, todos los puntos arriba de CD no son factibles, porque no satisfacen (3). Tambin los puntos a la derecha de la recta vertical EF no son factibles, por no satisfacer (4). Despus de eliminar estos puntos, nos quedamos con la regin factible (DGFEH). Despus de identificar la regin factible para el problema de Giapelto, buscamos la solucin ptima, que corresponder al punto de la regin factible con el mayor valor de 2 = 3x1 + 2x2 Para encontrar la solucin ptima, tenemos que graficar una lnea recta que corresponde a todos los puntos con un mismo valor de 2. En un problema de maximizacin, tal lnea se llama una lnea de isoutilidades (en un problema de minimizacin se llama una lnea de isocostos). Para dibujar
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

50

isoutilidades, una vez trazada una lnea de isoutilidades, trazndolas paralelamente a la primera.

una lnea de isoutilidades escogemos cualquier punto de la regin factible y calculamos el valor de z. Tomemos el punto (20, 0). Para (20, 0), z = 3(20) + 2(0) = 60. As, (20, 0) se encuentra en la lnea de isoutilidades z = 3x1 + 2x2 = 60. Al escribir 3x1 + 2x2 = 60 como x2 = 30 -3/2x1, vemos que la lnea de isoutilidad 3x1 + 2x2 = 60 tiene una pendiente de 1/3. Como todas las lneas de isoutilidad son de la forma 3x1 + 2x2 = constante, todas tienen la misma pendiente. Esto quiere decir que podemos encontrar todas las lneas de

Ahora queda claro cmo encontrar la solucin ptima de un PL de dos variables. Despus de dibujar una sola lnea de isoutilidades, se generan las otras lneas de isoutilidades, trazndolas paralelamente a la primera en una direccin que aumente z (para un problema de maximizacin). Despus de algunos trazos, las lneas de isoutilidades ya no cortaran la regin factible. La ltima lnea de isoutilidades que corta (toca) la regin factible define el mximo valor de z de cualquier punto en la regin factible e indica la solucin ptima del PL. En nuestro problema, la funcin objetivo z = 3x1 + 2x2 se incrementar al ir en una direccin en la cual tanto x1 como x2 aumentan. Por lo tanto, construimos otras lneas de isoutilidades al mover la lnea 3x1 + 2x2 = 60 paralelamente a s misma en la direccin noreste (hacia arriba y hacia la derecha). Vemos en la Fig. 2, que la lnea de isoutilidades que pasa por el punto G es la ltima en cortar la regin factible. As, el punto G corresponde al punto en la regin factible con el mayor valor de z y, por lo tanto, es la solucin ptima para el problema de Giapetto. Obsrvese que el punto G es la interseccin de las rectas 2x1 + x2 = 100 y x1 + x2 = 80. Al resolver estas dos ecuaciones simultneamente, obtenemos que (x1 = 20, x2 = 60) es la solucin ptima al problema de Giapetto. El valor ptimo de z se obtiene sustituyendo los valores de x1 y x2 en la funcin objetivo. As, el valor ptimo de z es z = 3(20) + 2(60) = 180. Una vez encontrada la solucin ptima de un PL, es til clasificar cada restriccin como una restriccin obligatoria o activa o bien, una restriccin no obligatoria. Una restriccin se considera obligatoria si el lado izquierdo es igual al lado derecho de la restriccin al sustituir los valores ptimos de las variables de decisin en la restriccin. As, (2) y (3) son restricciones obligatorias. Una restriccin se llama no obligatoria si el lado izquierdo no es igual al lado derecho de la restriccin al sustituir los valores ptimos de las variables de decisin en la restriccin.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

51

Ya que x1 = 20 es menor que 40, (4) es una restriccin no obligatoria.

Conjuntos Convexos, Puntos Extremos y PL.


La regin factible para el problema de Giapetto es un ejemplo de un conjunto convexo. Un conjunto de puntos S es un conjunto convexo si el segmento rectilneo que une cualquier par de puntos de 5 se encuentra completamente en S. En la Fig. 3 hay cuatro ejemplos de esta definicin. En las Figs. 3a y 3b, cada segmento rectilneo que une dos puntos de S contiene solamente puntos de S. As, en ambos casos, 5 es convexo. En las Figs. 3c y 3d, S no es convexo. En cada caso, los puntos A y B se encuentran en S, pero existen puntos del segmento rectilneo AB que no forman parte de S. En nuestro estudio de la programacin lineal, cierto punto en un conjunto convexo (llamado punto extremo) es de gran inters.
Figura 3.

Ejemplos de Conjuntos Convexos y no Convexos

Para cualquier conjunto convexo S, un punto P de 5 es un punto extremo si para cada segmento rectilneo que se encuentra completamente en S y que pasa por el punto P, P es un extremo del segmento rectilneo. Por ejemplo, en la Fig. 3a, cada punto de la circunferencia es un punto extremo del circulo. En la Fig. 3b, los puntosa, B, C y D son puntos extremos de 5. Aunque el punto E est en la frontera de 5 en la Fig. 3b, E no es un punto extremo de S, porque E se encuentra sobre el segmento rectilneo AB (y AB est por completo en S), y E no es un extremo del segmento rectilneo AB. Los puntos extremo se llaman a veces puntos de esquina, porque si el conjunto 5 es un polgono, los puntos extremo de S sern los vrtices o esquinas del polgono.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

52

que es ptimo.

La regin factible del problema de Giapetto es un conjunto convexo. No es una casualidad. Se puede demostrar que la regin factible para cualquier PL ser un conjunto convexo. De la Fig. 2, observamos que los puntos extremo de la regin factible son simplemente los puntos D, F, E, G y H. Se puede demostrar tambin que la regin factible para cualquier PL tiene solamente un nmero finito de puntos extremo. Tambin obsrvese que la solucin ptima para el problema de Giapetto (el punto G) es un punto extremo de la regin factible. Se puede demostrar que cualquier PL que tiene una solucin ptima, tiene un punto extremo Este resultado es importante porque reduce el conjunto de puntos que producen una solucin ptima de la regin factible completa (que generalmente consta de un nmero infinito de puntos), a un conjunto de puntos extremo (un conjunto

finito).

Para el problema de Giapetto, es fcil ver por qu la solucin ptima tiene que estar en un punto extremo de la regin factible. Observamos que z aumenta al mover la lnea isoganancia en la direccin noreste y, de esta manera, el mayor valor de 2 en la regin factible tiene que ocurrir en algn punto P que no tiene ningn punto en la regin factible al noreste de P. Esto significa que la solucin ptima tiene que encontrarse en algn lugar en la frontera de la regin factible DCFEH. El PL tiene un punto extremo que es ptimo, porque para cualquier segmento rectilneo en la frontera de la regin factible, el mayor valor de 2 en este segmento tiene que corresponder a uno de los extremos del segmento. Para aclarar lo anterior, obsrvese el segmento rectilneo FG en la Fig. 2. FG es una parte de la recta 2x1 + x2 = 100 y tiene como pendiente -2. Si nos movemos a lo largo de FG y disminuimos x1 en 1, el valor de z cambia de la manera siguiente: 3x1 disminuye en 3(1) = 3, y 2x2 aumenta en 2(2) = 4. As, en total, z aumenta en 4-3=1. Esto quiere decir que el hecho de moverse sobre FG en una direccin en la cual disminuye x1, aumenta z. Por lo tanto, el valor de z en el punto G tiene que exceder al valor de z en cualquier otro punto del segmento rectilneo FG. Un argumento similar muestra que para cualquier funcin objetivo, el mximo valor de z en un segmento rectilneo dado tiene que ocurrir en uno de sus extremos. Por lo tanto, para cualquier PL, el mayor valor de z en la regin factible tiene que presentarse en un extremo de uno de los segmentos rectilneos que forman la frontera de la regin factible. En resumen, uno de los puntos extremo de la regin factible tiene que ser el ptimo. (Para demostrar que ha entendido lo expuesto, el lector tendra que probar que el punto F sena el ptimo, si la funcin objetivo de Giapetto fuera z =6x1 + x2, en tanto que el punto D sera el ptimo, si la funcin objetivo fuera z = x1 + 6x2)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

53

Nuestra demostracin de que un PL siempre tiene un punto extremo ptimo, depende sobre lodo del hecho de que la funcin objetivo y las restricciones son funciones lineales. En el Cap. 12, se demuestra que para un problema de optimizacin en el cual la funcin objetivo, o algunas de las restricciones, no son lineales, la solucin ptima del problema puede presentarse en un punto que no es un punto extremo.

Problemas de Minimizacin
Dorian Auto fabrica automviles de lujo y camiones. La compaa opina que sus clientes ms probables son mujeres y hombres de ingresos altos. Para llegar a estos grupos, Dorian Auto lanz una campaa ambiciosa de publicidad por televisin y decidi comprar comerciales de 1 minuto en dos tipos de programas: series cmicas y juegos de ftbol. 7 millones de mujeres de ingresos altos y 2 millones de hombres de ingresos altos ven cada comercial en series cmicas. 2 millones de mujeres de ingresos altos y 12 millones de hombres de ingresos altos ven cada comercial en juegos de ftbol. Un comercial de 1 minuto en una serie cmica, cuesta 50 000 dlares, y un comercial de 1 minuto en un juego de ftbol, cuesta 100 000 dlares. Dorian quisiera que por lo menos 28 millones de mujeres de ingresos altos y 24 millones de hombres de ingresos altos vieran los comerciales. Utilice la programacin lineal para determinar cmo Dorian Auto puede alcanzar sus requerimientos publicitarios a un costo mnimo.

Solucin
Donan tiene que decidir cuantos anuncios o comerciales tendra que comprar en series cmicas, y cuantos en los juegos de ftbol. Por lo tanto, las variables de decisin son x1 = nmero de comerciales de 1 minuto en series cmicas x2 = nmero de comerciales de 1 minuto en juegos de ftbol Entonces, Donan quiere minimizar el costo total de la publicidad (en miles de dlares): Costo total de publicidad = costo de los anuncios en series cmicas + costo de los anuncios en juegos de ftbol (costo/comercial en series cmicas) (total de comerciales en series cmicas) + (costo/comercial en juegos de ftbol)(total de comerciales en juegos de ftbol) = 50x1 + 100x2

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

54

As, la funcin objetivo de Dorian es

min. z = 50x1 + l00x2


Dorian se encuentra con las siguientes restricciones:

(9)

Restriccin 1: Los anuncios tienen que llegar a por lo menos 28 millones de mujeres de ingresos altos. Restriccin 2: Los anuncios tienen que llegar a por lo menos 24 millones de hombres de ingresos altos. Para expresar las Restricciones 1 y 2 en trminos de x1 y x2, MIA representa a las mujeres de ingresos altos y HIA a los hombres de ingresos altos (en millones), que ven la televisin: MIA = (MIA/anuncios en series cmicas)(total de anuncios en series cmicas) +(MIA/anuncio en juegos de ftbol)(total de comerciales en juegos de ftbol) = 7x1+ 2x2 HIA = (HIA/anuncios en series cmicas)(total de anuncios en series cmicas) + (HIA/anuncio en juegos de ftbol)(total de comerciales en juegos ftbol) = 2x1 + 12x2 La Restriccin 1 se puede expresar ahora como 7x1 + 2x2 28 (10) y la Restriccin 2 como (11) 2x1 + 12x2 24 Las restricciones de signo x1 >= 0 y x2 >= 0 son necesarias, de tal manera que el PL para Dorian esta dado por Minimizar s.a 7x1 + 2x2 28 (MIA) 2x1 + 12x2 24 (HIA) x1, x2 0

Z = 50x1 + 100x2

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

55

Este problema es tpico en una gran variedad de aplicaciones de la programacin lineal es las cuales un tomador de decisiones quiere minimizar los costos por cumplir con cierto conjunto de requerimientos. Para resolver grficamente este PL, empezamos dibujando la regin factible (Fig. 4). Obsrvese que los puntos arriba de la recta AB o en ella (AB es una parte de la lnea recta 7x1 + 2x2 = 28) satisfacen (10) y que los puntos arriba de la recta CD o en ella (CD es una parte de la lnea recia 2x1 + 12x2 = 24) satisfacen (11). Vemos en la Fig. 4 que los puntos del primer cuadrante que satisfacen (10) y (11) al mismo tiempo, son slo los puntos de la regin sombreada, acotada por el eje x1, CEB y el eje x2.
Figura 4

Solucin Grfica del Problema Dorian

Como en el problema de Giapelto, el problema de Dorian tiene una regin factible convexa, pero la regin factible para Dorian, a diferencia del problema de Giapetto, contiene puntos para los cuales el valor de por lo menos una variable puede ser arbitrariamente grande. Tal regin factible se llama regin factible no acotada. Ya que Dorian quiere minimizar el costo total de la publicidad, la solucin ptima para su problema es el punto en la regin factible que corresponde al menor valor de z. Para encontrar la solucin ptima, necesitamos dibujar una lnea de isocosto
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

56

que corta la regin factible. Una lnea de isocosto es cualquier lnea donde todos los puntos tienen el mismo valor de z (o el mismo costo). Escogemos arbitrariamente la lnea de isocosto que pasa por el punto (x1 = 4, x2 = 4). Para este punto, z = 50(4) + 100(4) = 600. y graficamos la lnea de isocosto z = 50x1 + 100x2 = 600. Consideramos rectas paralelas a la lnea de isocosto 50x1 + 100x2 = 600 en la direccin de la disminucin de z (suroeste). El ultimo punto en la regin factible que esta en una lnea de isocosto, corresponder al punto en la regin factible con el menor valor de 2. Observamos a partir de la Fig. 4, que el punto E tiene el menor valor de z entre todos los puntos de la regin factible. Esto quiere decir que el punto E es la solucin ptima para el problema de Dorian. Obsrvese que el punto E es la interseccin de las rectas x1 + 2x2 = 28 y 2x1 + 12x2 = 24. Al resolver en forma simultnea estas ecuaciones, tenemos la solucin ptima (x1 = 3.6, x2 = 1.4). Se puede encontrar el valor ptimo de z al sustituir estos valores de x1 y x2 en la funcin objetivo. Por lo tanto, el valor ptimo de z es z = 50(3.6) + 100(1.4) = 320 = 320000 dlares. Ya que en el punto E las restricciones MIA y HIA se convierten en igualdades, ambas restricciones son obligatorias.

Satisface el modelo de Dorian las cuatro suposiciones de la programacin lineal?


Para que la Suposicin de proporcionalidad sea valida, cada anuncio extra en series cmicas tiene que aadir exactamente 7 millones de MIA y 2 millones de HIA. Esto contradice la evidencia emprica que indica que despus de cierto punto. la publicidad provoca una reduccin de ingresos. Despus de transmitir, por ejemplo, 500 anuncios para automviles, la mayora de la gente habr visto probablemente uno y, por lo tanto, no tiene caso la transmisin de mis anuncios. As, se viola la Suposicin de proporcionalidad. Hemos utilizado la Suposicin de la aditividad para poder escribir (total de televidentes MIA) = (MIA que ven los anuncios en series cmicas) + (MIA que ven los anuncios en juegos de ftbol). En realidad, muchas personas ven un anuncio de Dorian en series cmicas y tambin en juegos de ftbol. Tomamos en cuenta dos veces a tales personas, y esto genera una imagen inexacta del numero total de personas que ven los anuncios de Dorian. El hecho de que una misma persona pueda ver mas de un tipo de anuncios, indica que la efectividad de un comercial en series cmicas depende del numero de anuncios en juegos de ftbol. Esto viola la Suposicin de la aditividad. Si se disponen solamente de anuncios de 1 minuto, no es razonable decir que Dorian tendra que comprar 3.6 anuncios en series cmicas y 1.4 anuncios en juegos de ftbol; de esta manera se viola la Suposicin de divisibilidad, y se tendra que estudiar el problema de Dorian como un problema de programacin entera. Se demuestra que el costo mnimo se obtiene si se escoge (x1 = 6, x2 = l) o (x1 = 4, x2 = 2), y se resuelve el

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

57

problema de Dorian como un problema de programacin entera. Para cada solucin, el costo mnimo es de 400 000 dlares, que es 25% superior al costo obtenido de la solucin ptima del PL. Ya que no hay una manera de saber, con certidumbre, cuntos televidentes se aaden por cada tipo de anuncio, tambin se viola la Suposicin de certidumbre. As, parece ser que el problema de Dorian Auto viola todas las suposiciones de la programacin lineal. A pesar de estos inconvenientes, analistas han utilizado modelos similares para ayudar a compaas a determinar su ptima mezcla de medios de comunicacin.

Casos Especiales
Los problemas de Giapetto y de Dorian tenan una solucin ptima nica. A continuacin se ensean tres tipos de PL que no tiene soluciones ptimas nicas:

ptimas alternativas o mltiples).

Algunos PL tienen un nmero infinito de soluciones ptimas Algunos PL no tienen soluciones factibles (PL no factibles).

(soluciones

Algunos PL son no acotados: hay puntos en la regin factible con valores de z arbitrariamente grandes (en problemas de maximizacin).

Soluciones ptimas Alternativas o Mltiples:

Ejemplo
Una compaa automotriz produce automviles y camiones. Cada vehculo tiene que pasar por un taller de pintura y por un taller de montaje de la. carrocera. Si el taller de pintura pintara solamente camiones, se podran pintar 40 camiones al da. Si el taller de pintura pintara solamente automviles, se podran pintar 60 automviles diariamente. Si el taller de carrocera produjera solamente automviles, podra fabricar 50 automviles al da. Si el taller de carrocera produjera solamente camiones, podra fabricar 50 camiones al da. Cada camin aporta 300 dlares a la utilidad, y cada automvil, 200. Utilice la programacin lineal para determinar la produccin diaria que maximizara la ganancia de la compaa.

Solucin
La compaa tiene que decidir cuntos automviles y cuantos camiones hay que producir diariamente. Esto nos lleva a la definicin de la siguientes variables de decisin:
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

58

x1 = nmero de camiones producidos al da x2 = nmero de automviles producidos al da La utilidad diaria de la compaa (en cientos de dlares) es 3x1 + 2x2; por lo tanto, la funcin objetivo de la compaa se puede escribir como

max. Z =3x1 + 2x2

(12)

Las dos restricciones para la compaa son las siguientes; Restriccin 1: La fraccin del da que el taller de pintura esta trabajando es menor que o igual a 1. Restriccin 2: La fraccin del da que el taller de carrocera esta trabajando es menor que o igual a 1. Tenemos que: Fraccin del da que el taller de pintura trabaja en camiones = (fraccin del da/camin)(camiones/da) = 1/40x1 La fraccin del da que el taller de pintura trabaja en automviles = 1/60x2 La fraccin del da que el taller de carrocera trabaja en camiones = 1/50x1 La fraccin del da que el taller de carrocera trabaja en automviles = 1/50x2 Por lo tanto, se puede expresar la Restriccin 1 mediante
1

/40x1 + 1/60x2 1

(Restriccin del taller de pintura)

(13)

y la Restriccin 2 por
1

/50x1 + 1/50x2 1

(Restriccin del taller de carrocera)

(14)

Ya que hay que cumplir con x1 0 y x2 0, el PL pertinente es

s.a.
1 1

max. z = 3x1 + 2x2


1 1 0 (12) (13) (14)

/40x1 + 1/60x2 /50x1 + 1/50x2

x1, x2

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

59

La regin factible para este PL, es la regin sombreada en la Fig. 5, acotada por

AEDF.

Figura 5.

Solucin grfica del ejemplo 3.

Escogemos como lnea de isoutilidades, la que pasa por el punto (20,0). Ya que (20,0) tiene un valor de 2 de 3(20) + 2(0) = 60, proporciona la lnea de isoutilidad z = 3x1 + 2x2 = 60. Al examinar las rectas paralelas a esta lnea de isoutilidad en la direccin de aumento de z (noreste), encontramos que el ultimo punto en la regin factible que corta una lnea de isoutilidad, estado el segmento rectilneo AE. Esto indica que cualquier punto del segmento rectilneo AE es ptimo. Podemos usar cualquier punto de AE para determinar el valor ptimo de 2. Por ejemplo, el punto A, (40,0), da 2 =3(40) = 120. En resumen, el PL de la compaa automotriz tiene un numero infinito de soluciones ptimos, o soluciones ptimas alternativas o mltiples. Esto se debe a que al salir una lnea de isoutlidad de la regin factible, la lnea corta todo un segmento rectilneo, correspondiente a la restriccin obligatoria (en este caso, AE). Del ejemplo anterior, parece razonable concluir (y se puede demostrar que es cierto) que si dos puntos (aqu A y E) son ptimos, entonces cualquier punto del segmento rectilneo que une estos dos puntos, tambin ser ptimo. S se presenta un ptimo alternativo, quien tome la decisin puede utilizar un segundo criterio para escoger entre las soluciones ptimas. Los gerentes de la
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

60

compaa automotriz podran preferir el punto A, porque simplificara su negocio (y todava permitira una utilidad mxima) al producir solamente un tipo de producto (camiones). Se usa frecuentemente la tcnica de programacin de metas para escoger entre soluciones ptimas alternativas.

PL no Factible
Es posible que la regin factible de un PL est vaca (que no contenga puntos), lo que sera un PL no factible. Ya que la solucin ptima de un PL es el mejor punto en la regin factible, un PL no factible no tiene solucin ptima.

Ejemplo
Supngase que los distribuidores de automviles requieren que la compaa automotriz del Ejemplo 3 produzca por lo menos 30 camiones y 20 automviles. Encuentre la solucin ptima para el nuevo PL.

Solucin
Despus de aadir las restricciones x1 30 y x2 20 al PL del Ejemplo 3, obtenemos el siguiente PL:

max. Z = 3x1+ 2x2


sujeto a 1 /40x1 + 1/60x2 1 /50x1 + 1/50x2 x1 x2 x1, x2 1 1 30 20 0 (15) (16) (17) (18)

La grfica de la regin factible para este PL se presenta en la Fig. 6. Todos los punios en AB o abajo de ella satisfacen la Restriccin (15). (AB es la recta 1/40x1 + 1/60x2 = 1)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Figura 6.

61

Una regin factible vaca (PL no factible)

Todos los puntos en CD o abajo de ella (CD es la recta 1/50x1 + 1/50x2 = 1) satisfacen la Restriccin (16). Todos los puntos en EF o a su derecha (EF es x1 = 30) satisfacen la Restriccin (17). Todos los puntos en GH o arriba de l (GH es x2 = 20) satisfacen la Restriccin (18). De la Fig. 6, es obvio que no hay puntos que satisfacen todas las restricciones (15) a (18). Esto significa que el Ejemplo 4 tiene una regin factible vaca y que trata de un PL no factible. En el Ejemplo 4, el PL no es factible, porque la produccin de 30 camiones y 20 automviles requieren ms tiempo en el taller de pintura que el disponible.

PL no Acotado
El siguiente PL especial es un PL no acotado. Para un problema de maximizacin, un PL no acotado se presenta cuando no es posible encontrar puntos en la regin factible con valores de z arbitrariamente grandes, lo que corresponde a una ganancia arbitrariamente grande para quien toma las decisiones. Esto indicara
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

62

que una solucin ptima no acotada debera presentarse en un PL correctamente formulado. Por lo tanto si el lector llega a resolver un PL con computadora y encuentra que el PL es no acotado, entonces probablemente se ha cometido un error en la formulacin del PL o en la determinacin del PL en la computadora. Para un problema de minimizacin , un PL es no acotado, si existen puntos en la regin factible con valores de z arbitrariamente pequeos. Al resolver grficamente un PL, podemos descubrir un PL no acotado de la manera siguiente: Un problema de maximizacin no acotado si, al moverse paralelamente a la lnea de isoutilidad original, en la direccin en que aumenta z, nunca salimos completamente de la regin factible. Un problema de minimizacin no es acotado, si nunca salimos de la regin factible, al movernos en la direccin en que decrece z.

Ejemplo
Resuelva grficamente el siguiente PL:

s.a. x1 x2 1 2x1 + x2 6 x1, x2 0

max. Z = 2x1 x2
(19) (20)

Solucin
De la fig. 7, observemos que los puntos en AB o arriba de ella (AB es la recta x1 x2 = 1), satisfacen (19). Tambin vemos que los puntos en CD o arriba de ella (CD es la recta 2x1 + x2 = 6), satisfacen (20). Por lo tanto, la regin factible para el ejemplo 5 es la regin (Sombreada) no acotada en la Fig. 7, que esta acotada solamente por el eje x2, el segmento rectilneo DE, y la parte de la recta AB, a partir del punto E. Para encontrar la solucin optima, se traza la lnea de isoutilidad que pasa por el punto (2,0). Esta lnea de isoutilidad corresponde a z = 2x1 - x2 = 2(2) - (0) = 4.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Figura 7.

63

Un PL no Acotado.

La direccin en que incrementa a z es hacia el sureste (lo que aumenta x1 y disminuye x2). Movindonos paralelamente a z = 2x1 - x2 en la direccin sureste, vemos que cualquier lnea de isoutilidad corta la regin factible. (Esto se debe a que cualquier lnea de isoutilidad es mas inclinada que la recta x1 - x2 =1.) As, hay puntos en la regin factible que tienen valores de z arbitrariamente grandes. Por ejemplo, si hubiramos querido encontrar un punto en la regin factible con z 1 000 000, habramos podido escoger cualquier punto en la regin factible al sureste de la lnea de isoutilidad z = 1 000 000. Vemos entonces, del anlisis en las dos ltimas secciones, que cada PL con dos variables tiene que corresponder a uno de los cuatro casos siguientes: Caso 1: Caso 2: El PL tiene una solucin ptima nica. El PL tiene soluciones ptimas alternativas o mltiples: dos o ms puntos extremos son ptimos, y el PL tendr un nmero infinito de soluciones ptimas. El PL no es factible: la regin factible no tiene puntos. El PL es no acotado: hay puntos en la regin factible con valores de z arbitrariamente grandes (Problemas Mx.) o arbitrariamente pequeos (Problemas Min.).

Caso 3: Caso 4:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

64

El paso ms importante en la formulacin de un modelo de programacin lineal es la seleccin adecuada de las variables de decisin. Si se escogen adecuadamente las variables de decisin, entonces la funcin objetivo y las restricciones tendrn que salir sin muchas dificultades. Los problemas que se presentan al determinar la funcin objetivo y las restricciones para un PL, se deben normalmente a una seleccin incorrecta de las variables de decisin.

Un Problema de Alimentacin
Muchas formulaciones de PL (como el siguiente problema de alimentacin) se presentan a partir de situaciones en las cuales quien toma las decisiones quiere minimizar costo para satisfacer un conjunto de requerimientos.

Ejemplo
Mi alimentacin requiere que todo lo que coma pertenezca a uno de los cuatro grupos bsicos de alimentos (pastel de chocolate, helado, refrescos y pastel de queso). Actualmente, se dispone de los siguientes alimentos para el consumo: bizcochos de chocolate y nueces, helado de chocolate, cola, y pastel de queso con pia. Cada bizcocho cuesta 50 centavos; cada bola de helado de chocolate, 20 centavos; cada botella de refresco de cola, 30 centavos; y cada pieza de pastel de queso con pia, 80 centavos. Cada da tengo que ingerir por lo menos 500 caloras, 6 onzas de chocolate, 10 onzas de azcar y 8 onzas de grasa. El contenido nutritivo por unidad de cada elemento se muestra en la Tabla 1. Formule un modelo lineal que se puede utilizar para satisfacer mis requerimientos alimenticios diarios a un costo mnimo.
Tabla 1:

Valores nutritivos para el ejemplo de la dieta


CALORAS Bizcochos Helado de chocolate (1 bola) Refresco de cola (1 botella) Pastel de queso con pia 400 200 150 500 CHOCOLATE (onzas) 3 2 0 0 AZCAR (onzas) 2 2 4 4 GRASA (onzas) 2 4 1 5

Solucin
Como siempre, se empieza por determinar las decisiones que se tienen que tomar: Cunto hay que comer diariamente de cada alimento? Por lo tanto, definimos las variables de decisin:
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

65

x1 = nmero de bizcochos ingeridos diariamente x2 = nmero de bolas de helado de chocolate ingeridas diariamente x3 = botellas de refresco de cola tomadas diariamente x4 = piezas de pastel de queso con pina ingeridas diariamente El objetivo es minimizar el costo de mi alimentacin. Se puede determinar el costo total de cualquier dieta a partir de la siguiente relacin: Costo To. de la dieta = (Costo de los bizcochos) + (Costo del helado) + (Costo de la cola) + (Costo del pastel de queso).

Para evaluar el costo total de una dieta, obsrvese que, por ejemplo, Costo de la cola = (Costo\botella de cola)(botellas tomadas de cola) = 30x3 Al aplicar esto a los otros tres alimentos, obtenemos (en centavos) Costo total de la dieta = 50x1 + 20x2 + 30x3 + 80x4 As, la funcin objetivo es: min. z = 50x1 + 20x2 + 30x3 + 80x4 Las variables de decisin tienen que satisfacer las siguientes cuatro restricciones: Restriccin 1: El consumo diario de caloras tiene que ser de por lo menos 500 caloras. Restriccin 2: El consumo diario de chocolate tiene que ser de por lo menos 6 onzas. Restriccin 3: El consumo diario de azcar tiene que ser de por lo menos 10 onzas. Restriccin 4: El consumo diario de grasa tiene que ser de por lo menos 8 onzas. Para expresar la Restriccin 1 en trminos de las variables de decisin, obsrvese que: Consumo diario de caloras = (las caloras en los bizcochos) + (las caloras en el helado de chocolate) + (las caloras en la cola) + (las caloras en el pastel de queso con pia).

Se pueden determinar las caloras en los bizcochos consumidos a partir de: Caloras en los bizcochos = (caloras/bizcochos) (bizcochos comidos) = 400x1
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

66

Aplicando un razonamiento similar para los otros alimentos, se llega a: Consumo diario de caloras = 400x1 + 200x2 + 150x3 + 500x4 Se puede expresar la Restriccin 1 por 400x1 + 200x2 + 150x3 + 500x4 500 (Restriccin de caloras) (21)

Se puede expresar la Restriccin 2 por 3x1 + 2x2 6 (Restriccin del chocolate) (22) Se puede expresar la Restriccin 3 por 2x1 + 2x2 + 4x3 + 4x4 10 (Restriccin del azcar) Se puede expresar la Restriccin 4 por 2x1 + 4x2 + x3 + 5x4 8 (Restriccin de la grasa) (23) (24)

Finalmente, hay que cumplir con las restricciones de signo xi 0 (i = 1,2,3,4). Si se combinan la funcin objetivo, las restricciones (21)-(24), y las restricciones de signo, tenemos lo siguiente:

s.a. 3x1 + 2x1 + 2x1 + 2x2 2x2 + 4x2 +

min. z = 50x1 + 20x2 + 30x3 + 80x4


(21) (22) (23) (24)

400x1 + 200x2 + 150x3 + 500x4 500 (Rest. de caloras) 6 4x3 + x3 + 4x4 10 5x4 8 (Rest. de chocolate) (Rest. del azcar) (Rest. de la grasa) (Rest. de signo)

xi 0 (i=1,2,3,4)

La solucin ptima para este PL es x1 = x4 = 0, x2 = 3, X3 = 1, z = 90. Por lo tanto, la dieta de mnimo costo diario de 90 centavos, consiste en comer 3 bolas de helado de chocolate y tomar una botella de refresco de cola. Se puede obtener el valor ptimo de z al sustituir los valores ptimos de las variables de decisin en la funcin objetivo. Esto produce un costo total de z = 3(20) + 1(30) = 90 centavos. La dieta ptima proporciona 200(3) + 150(1) = 750 caloras 2(3) = 6 onzas de chocolate (3) + 4(1) = 7 oz de azcar 4(3) + 1(1) = 13 oz de grasa
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

67

As, las restricciones del chocolate y del azcar son obligatorias, pero las restricciones de las caloras y de la grasa no son obligatorias. Una versin del problema de la alimentacin, con un listado ms real de alimentos y necesidades nutritivas, fue uno de los primeros PL que se resolvi por computadora. Stigler (1945) propuso un problema de alimentacin en el cual se tenan 77 tipos de alimentos y 10 requisitos alimenticios (vitamina A, vitamina C, etc.). La solucin ptima, obtenida mediante la computadora, para el problema de alimentacin de Stigler, proporcion una alimentacin que consista en harina de maz, harina de trigo, leche evaporada, crema de cacahuate, tocino, carne de res, hgado, papas, espinacas y col. Aunque tal dieta tiene seguramente un alto contenido de alimentos nutritivos vitales, poca gente estara satisfecha con ella, porque no parece cumplir con un estndar mnimo de sabor (y Stigler propuso se comiera lo mismo cada da). La solucin ptima para cualquier modelo PL refleja nicamente estos aspectos de la realidad que se capturan en la funcin objetivo y en las restricciones. La formulacin del problema de la alimentacin de Stigler (y de nosotros) no reflej el deseo de la gente para tener una alimentacin sabrosa y variada. Se ha usado la programacin entera en la planeacin de mens para empleados para un periodo de una semana o de un mes. Los modelos para planear mens si incluyen restricciones que reflejan los requerimientos de sabor y de variedad.

Ejemplo: Establecimiento del Horario de Trabajo


Para muchas aplicaciones de la programacin lineal es necesario determinar el mtodo de mnimo costo para satisfacer requerimientos de la fuerza de trabajo. El ejemplo siguiente ilustra las caractersticas bsicas, comunes para muchas de estas aplicaciones. Una oficina de correos necesita un nmero diferente de empleados de tiempo completo, para diferentes das de la semana. El nmero de empleados de tiempo completo requeridos para cada da, se da en la Tabla 2. Las reglas sindicales sealan que cada empleado de tiempo completo, tiene que trabajar durante cinco das consecutivos y, despus, descansar dos das. Por ejemplo, un empleado que trabaja de lunes a viernes, tiene que descansar el sbado y el domingo. La oficina de correos quiere cumplir con sus requerimientos diarios y utilizar solamente empleados de tiempo completo. Formule un PL que pueda utilizar la oficina de correos para minimizar el nmero de empleados de tiempo completo que hay que contratar.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Tabla 2. Requisitos para el ejemplo de la oficina de correos # DE EMPLEADOS DE TIEMPO COMPLETO REQUERIDOS 17 13 15 19 14 16 11

68

Da 1 = lunes Da 2 = martes Da 3 = mircoles Da 4 = jueves Da 5 = viernes Da 6 = sbado Da 7 = domingo

Solucin
Antes de dar el planteamiento correcto de este problema, se analiza primero una solucin incorrecta. Muchos estudiantes empiezan por definir xi = el nmero de empleados que trabajan en el da i (el da 1 = lunes, el da 2 = martes, etc.), Despus dicen que: # de empleados de tiempo completo = (# de empleados que trabajan el lunes) + (# de empleados que trabajan el martes) + + (# de empleados que trabajan el domingo) Este razonamiento lleva a la siguiente funcin objetivo:

min. Z = x1 + x2 + + x6 +x7
Para que la oficina de correos tenga suficientes empleados de tiempo completo trabajando cada da, simplemente aaden las restricciones xi (el nmero de empleados requeridos el da i). Por ejemplo, para el lunes, hay que aadir la restriccin x1 17. Al aadir las restricciones de signo xi 0 (i = 1,2, ... ,7) tenemos el siguiente PL:

s.a x1

min. Z = x1 + x2 + x3 + x4 + x5 + x6 + x7
x2 17 13 15 19

x3

x4

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

69

x5

x6

xi 0 (i = 1,2,...,7)

x7

14 6 11

Hay por lo menos dos fallas en este planteamiento. Primero, la funcin objetivo no es el nmero de empleados de tiempo completo de la oficina de correos. La funcin objetivo actual cuenta cinco veces al mismo empleado, no una sola vez. Por ejemplo, cada empleado que empieza a trabajar el lunes, tambin trabaja del martes al viernes, y est incluido en x1, x2, x3, x4 y x5. Segundo, las variables x1, x2,..., x7 se relacionan entre si, y la interrelacin entre las variables no se expresa en el conjunto actual de restricciones. Por ejemplo, algunas personas que trabajan el lunes (la gente x1) tambin trabajaran el martes. Esto implica que x1 y x2 estn relacionadas, pero nuestras restricciones no indican que el valor de x1 influye en el valor de x2. La clave para formular correctamente este problema es darse cuenta de que la decisin principal de la oficina de correos no es cuntas personas trabajan cada da, sino cuntas personas empiezan a trabajar cada da de la semana. Tomando esto en cuenta, definimos

xi = nmero de empleados que empiezan a trabajar el da i


Por ejemplo, x1 es el nmero de personas que empiezan a trabajar el lunes (estas personas trabajan del lunes al viernes). Con la definicin adecuada de las variables es fcil determinar correctamente la funcin objetivo y las restricciones. Para determinar la funcin objetivo, obsrvese que: # de empleados de tiempo completo = (# de empleados que empiezan a trabajar el lunes)+(# de empleados que empiezan a trabajar el martes) +...+ (# de empleados que empiezan a trabajar el domingo). Ya que cada empleado empieza a trabajar exactamente un da de la semana, esta expresin no cuenta dos veces a los empleados. Por lo tanto, con la definicin correcta de las variables, la funcin objetivo es

min. Z = x1 + x2 + x3 + x4 + x5 + x6 + x7

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

70

La oficina de correos tiene que asegurar que hay suficientes empleados trabajando cada da de la semana. Por ejemplo, por lo menos 17 empleados tienen que trabajar el lunes. Quien esta trabajando el lunes? Todos, menos los empleados que empiezan a trabajar el martes o el mircoles (ellos descansan el domingo y el lunes, y el lunes y el martes, respectivamente). Esto significa que el nmero de empleados que trabajan el lunes, esta dado por x1 + x4 + x5 + x6 + x7. Para asegurar que por lo menos 17 empleados trabajan el lunes, se tiene que satisfacer la restriccin

x1 + x4 + x5 + x6 + x7 17

Al aadir restricciones similares para los otros seis das de la semana y las restricciones de signo xi 0 (i = 1,2,...,7), se obtiene la siguiente formulacin del problema de la oficina de correos:

min. Z = x1 + x2 + x3 + x4 + x5 + x6 + x7
s.a x1 x1 + x1 + x1 + x1 + + x4 + x5 + x6 + x7 + x5 + x6 + x7 + x3 + x6 + x7 + x3 + x4 + x7 + x3 + x4 + x5 + x3 + x4 + x5 + x6 x3 + x4 + x5 + x6 + x7 x1 0 (i = 1,2,...,7) x2 x2 x2 x2 x2 17 13 13 13 13 13 13
67

(Rest. (Rest. (Rest. (Rest. (Rest. (Rest. (Rest. (Rest.

del lunes) del martes) del mircoles) del jueves) del viernes) del sbado) del domingo) de signo)
10

La solucin ptima para este PL es z = = 0, x6 = 10/3, x7 = 5.

/3, x1 = 4/3, x2 =

/3, x3 = 2, x4 =

22

/3, x5

Sin embargo, ya que solamente se admiten empleados de tiempo completo, las variables tienen que ser nmeros enteros, con lo que la Suposicin de la divisibilidad no se satisface, Al intentar obtener una respuesta razonable, solamente con variables enteras, podramos tratar de redondear las variables, lo que producira la solucin factible z = 25, x1 = 2, x2 = 4, x3. = 2, x4 = 8, x5 = 0, x6 = 4, x7 = 5. Resulta, sin embargo, que la solucin ptima para el problema de la oficina de correos, mediante la programacin entera, es z = 23, x1 = 4, x2 = 4, x3 = 2, x4 = 6, x5 = 0, x6 = 4, x7 = 3. Obsrvese que no hubiera sido posible obtener la solucin ptima con puros enteros mediante el redondeo de la solucin ptima de la programacin lineal.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

71

Baker (1974) elabor una tcnica eficaz (en la que no se usa la programacin lineal) para determinar al mnimo nmero de empleados que se necesitan, cuando cada trabajador recibe dos das de descanso.

Ejemplo Un Problema de Presupuesto


En esta seccin se estudia el uso de la programacin lineal para determinar optimas decisiones financieras. Esta seccin considera un modelo sencillo de presupuesto de capital. Primero explicamos brevemente el concepto del valor actual neto (VAN), que se puede utilizar para comparar la conveniencia de diferentes inversiones. El tiempo 0 corresponde a la actualidad. Supngase que la inversin 1 requiere un desembolso de caja de 10 000 dlares en el tiempo 0, y otro desembolso de caja de 14 000 dlares despus de dos aos, y que produce un flujo de efectivo de 24 000 dlares despus de un ao. La inversin 2 requiere un desembolso de caja de 6 000 dlares en el tiempo 0, y otro desembolso de 1 000 dlares despus de dos aos, y produce un flujo de efectivo de 8 000 despus de un ao. Qu inversin preferira?. La Inv. 1 tiene un Flujo de Efect. neto de: - 10 000 + 24 000 - 14 000 = 0 U$ La Inv. 2 tiene un Flujo de Efect. neto de: - 6 000 + 8 000 - 1 000 = 1 000 U$ Con base en el flujo de efectivo neto, la inversin 2 es superior a la inversin 1. Al comparar las inversiones, con base en el flujo de efectivo neto, suponemos que es igual el valor de un dlar recibido en cualquier instante. Pero, esto no es cierto. Supngase que existe una inversin (por ejemplo un fondo del mercado de dinero) para la cual un dlar invertido en un momento dado, se convierte (seguramente) en (1 + r) dlares un ao despus. Llamamos r la tasa de inters anual. Ya que 1 dlar en la actualidad se puede transformar en (1 + r) dlares despus de un ano, podemos escribir: 1 dlar ahora = (1 + r) dlares despus de un ao. Si aplicamos este razonamiento a los (1 + r) dlares obtenidos despus de un ao, obtenemos que: 1 dlar ahora = (1 + r) dlares despus de un ao = (1 + r) 2 dlares despus de dos aos. Y, 1 dlar ahora = (1 + r)
k

dlares despus de k aos.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

72

Al dividir entre (1 + r)k ambos miembros de esta igualdad tenemos que: 1 dlar recibido k aos a partir de ahora = (1 + r)-k dlares ahora. En otras palabras, un dlar recibido k aos a partir de ahora, es equivalente a recibir (1+r)-k ahora. Podemos usar esta idea para expresar todos los flujos de caja en dlares en trminos del tiempo 0 (este proceso se llama reducir flujos de caja al tiempo 0). Mediante esta operacin podemos determinar el valor total (en dlares al tiempo 0) de los flujos de caja para cualquier inversin. El valor total (en dlares en el tiempo 0) de los flujos de efectivo para cualquier inversin se llama el valor actual neto, o VAN de la inversin. El VAN de una inversin es la cantidad en la cual la inversin aumenta el valor de la empresa (expresado en dlares al tiempo 0). Si se supone que un valor de r = 0.20, podemos calcular el VAN para las inversiones 1 y 2: VAN de la Inv. 1 = - 10 000 + 24 000/(1 + 0.20) - 14 000/(1 + 0.20)2 = 277.78 dlares Esto significa que si la empresa invirtiera en la inversin 1, el valor de la empresa (en dlares en el tiempo 0), aumentara en 277.78 dlares. Para la inversin 2, VAN de la Inv. 2 = -6000 + 8000/(1 + 0.20) - 1000/(1 + 0.20)2 = -27.78 dlares Si una empresa invirtiera en la inversin 2, el valor de la empresa (en dlares en el tiempo 0), se reducira en 27.78 dlares. De esta manera, el concepto del VAN indica que la inversin 1 es mejor que la inversin 2. Esta conclusin se opone a la conclusin obtenida al comparar los flujos de efectivo netos de las dos inversiones. Obsrvese que la comparacin entre inversiones depende frecuentemente del valor de r. Por ejemplo, se pide al lector que demuestre en el Prob. 1 al final de esta seccin, que para r = 0.02, la inversin 2 tiene un VAN mayor que la inversin 1. Naturalmente, nuestro anlisis supone que se conocen con seguridad los futuros flujos de efectivo de una inversin. Con la informacin anterior estamos listos para explicar cmo se puede aplicar la programacin lineal a problemas en los cuales hay que colocar fondos limitados en proyectos de inversin. Tales problemas se llaman problemas de presupuesto de capital.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

73

Ejemplo
Star Oil Company considera cinco diferentes oportunidades de inversin. En la Tabla 5, se dan los desembolsos de caja y los valores actuales neto (en millones de dlares). Star Oil dispone de 40 millones de dlares para invertir en el momento actual (tiempo 0); estima que en un ao (tiempo 1) dispondr de 20 millones de dlares para invertir. Star Oil puede comprar cualquier fraccin de cualquier inversin. En este caso, las salidas de caja y los VAN se ajustan en forma correspondiente. Por ejemplo, si Star Oil comprara una quinta parte de la inversin 3, entonces se necesitara un desembolso de efectivo de 1/5(5) = 1 milln de dlares al tiempo 0, y un desembolso de 1/5(5) = 1 milln de dlares en el tiempo 1. La quinta parte de la inversin 3 producira un VAN de 1/5(16) = 3.2 millones de dlares. Star Oil quiere maximizar el VAN que se puede obtener mediante las inversiones 1 a 5. Formule un PL que ayude a alcanzar esta meta. Supngase que los fondos no usados en el tiempo 0, no se pueden utilizar en el tiempo 1.
Tabla 5.

Flujos de efectivo y el valor actual neto para las inversiones


Salida de caja al tiempo 0 Salida de caja al tiempo 1 VAN INV. l* 11 3 13 INV. 2* 53 6 16 INV. 3* 5 5 16 INV. 4* 5 1 14 INV. 5* 29 34 39

* Dlares

Solucin
Star Oil tiene que determinar que fraccin de cada inversin hay que comprar. Definimos: xi = fraccin de la inv. i comprada por Star Oil (i = 1, 2, 3, 4, 5) La meta de Star Oil es maximizar el VAN ganado por las inversiones. Ahora: VAN To. = (VAN ganado por la Inv. 1) + (VAN ganado por la Inv. 2) +...+ (VAN ganado por la Inv. 5). Obsrvese que: VAN de la inv. 1 = (VAN de la inv. l)(fraccin de la inv. 1 comprada) = 13x1 Al aplicar un razonamiento similar a las inversiones 2 a 5, vemos que Star Oil quiere maximizar

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

74

Z = 13x1 + 16x2 + 16x3 + 14x4 + 39x5


Se pueden expresar las restricciones de Star Oil, como: Restriccin 1: Restriccin 2: Restriccin 3:

(25)

Star no puede invertir ms de 40 millones de dlares en el tiempo 0. Star no puede invertir ms de 20 millones de dlares el tiempo 1. Star no puede comprar ms del 100% de la inversin i (i= 1, 2, 3, 4, 5).

Para expresar matemticamente la Restriccin 1, obsrvese que: U$ Inv. en el tiempo 0 = (U$ Inv. en la Inv. 1 en el tiempo 0) + (U$ Inv. en la Inv. 2 en el tiempo 0) +...+ (U$ Inv. en la Inv. 5 en el tiempo 0). Tambin, en millones de dlares: U$ Inv. en la Inv. 1 en el tiempo 0 = (U$ requeridos para la Inv. 1 en el tiempo 0)(fraccin de Inv. 1 compr.) = 11x1 De manera similar, para las inversiones 2 a 5, U$ Inv. gen el tiempo 0 = 11x1 + 53 x2 + 5x3 + 5x4 +29x5 Entonces la Restriccin 1 se reduce a: 11x1 + 53 x2 + 5x3 + 5x4 +29x5 40 (Restriccin del tiempo 0) La Restriccin 2 se reduce a: 3x1 + 6x2 + 5x3 + x4 + 34x5 20 (Restriccin del tiempo 1) Se pueden representar las restricciones 3 a 7 mediante: xi <= 1 (i - 1,2,3,4,5) (28-32) Al combinar (26)-(32) con las restricciones de signo xi >= 0 (i = 1,2,3,4,5), obtenemos el PL siguiente: max. z = 13x1 + 16x2 + 16x3 + 14x4 + 39x5 s. a. 11x1 + 53 x2 + 5x3 + 5x4 + 29x5 3x1 + 6x2 + 5x3 + x4 + 34x5 x1 x2 40 (Restriccin del tiempo 0) 20 (Restriccin del tiempo 1) 1 1 (26) (27)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

75

x3

x4

x5

1 1 1

La solucin ptima para este PL es x1 = x3 = x4 = 1, x2 = 0.201, x5 = 0.288, z = 57.449. Star Oil tendra que comprar el 100% de las inversiones 1, 3 y 4; el 20.1% de la inversin 2; y el 28.8% de la inversin 5. Se obtendr un VAN total de 57 449 000 dlares por estas inversiones. A veces es imposible comprar una fraccin de una inversin, sin sacrificar los flujos de efectivo favorables de la inversin. Supngase que la perforacin de un pozo de petrleo lo suficientemente profundo para encontrar petrleo con valor de 30 millones de dlares, cuesta 12 millones de dlares. Si hubiera un nico inversionista en este proyecto e invirtiera 6 millones de dlares para realizar la mitad del proyecto, perdera la inversin total y no recibira flujos de efectivo positivos. En este ejemplo, la reduccin del 50% del dinero invertido reduce el ingreso por ms de 50%, situacin que violara la Suposicin de proporcionalidad. En muchos problemas de presupuesto de capital, no es razonable permitir que las xi sean fracciones. Se tendra que restringir los valores de xi a cero (nada de dinero invertido en i) o 1 (comprar toda la inversin i). De esta manera, muchos problemas de presupuesto de capital violan la Suposicin de divisibilidad.

Ejemplo: Planeacin Financiera a Corto Plazo


Se utilizan frecuentemente modelos de programacin lineal para ayudar en la planeacin financiera a corto o largo plazo. Aqu consideramos un ejemplo sencillo que ilustra cmo se puede usar la programacin lineal para ayudar en la planeacin financiera a corto plazo de una corporacin. Semicond es una pequea compaa que produce grabadoras y radios. (En la Tabla 3 se dan los costos laborales, por cada unidad, los costos de la materia prima y el precio de venta de cada producto). El 1 de diciembre de 1991, Semicond dispone de suficiente materia prima para producir 100 grabadoras y 100 radios. En la Tabla 4 se muestra el estado de cuentas de la compaa en la misma fecha y la razn activo/pasivo (llamada razn actual) de Semicond es 20000/10000 = 2.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Tabla 3

76

Informacin acerca de los costos para el ejemplo de Semicond


GRABADORA (dlares) 100 50 30 RADIO (dlares) 90 35 40

Precio de venta (dlares) Costo de trabajo Costo de materia prima Tabla 4

Estado de cuenta para el ejemplo de Semicond


ACTIVO (dlares) 10.000 3.000 7.000 PASIVO (dlares)

Efectivo Cuentas por cobrara Inventario pendienteb Prstamo bancario

10.000

Semicond tiene que determinar cuntas grabadoras y cuantos radios habra que producir en el mes de diciembre. La demanda es suficientemente grande para que se vendan todos los artculos producidos. Sin embargo, todas las ventas se realizan a crdito, y el pago por los productos fabricados en diciembre, se recibir hasta el 1 de febrero de 1992. Durante el mes de diciembre, Semicond recibir 2000 dlares de cuentas por cobrar, y tiene que pagar 1 000 dlares del prstamo pendiente y una renta mensual de 1000 dlares. El 1 de enero de 1992, Semicond recibir un cargamento de materia prima por un valor de 2000, que se pagara el 1 de febrero de 1992. La gerencia de Semicond decidi que el balance de caja, el 1 de enero de 1992, tiene que ser, por lo menos, de 4000. El banco de Semicond requiere tambin que la razn actual al principio de enero sea por lo menos igual a 2. Para maximizar la contribucin a la ganancia de la produccin de diciembre, (ingresos por recibir) - (costos variables de la produccin), Cul tendra que ser la produccin de Semicond en el mes de diciembre?

Solucin
Semicond tiene que decidir cuantas grabadoras y cuantos radios habra que producir en el mes de diciembre. De esta manera, definimos x1 = nmero de grabadoras producidas en el mes de diciembre x2 = nmero de radios producidos en el mes de diciembre
a

Las cuentas por cobrar es dinero que deben clientes a Semicond. Por haber adquirido previamente productos de sta. b Valor del inventario al 1 de diciembre de 1991 = 30(100) + 40(100) = 7.000

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

77

Para expresar la funcin objetivo de Semicond, obsrvese que: (Contribucin a las utilidades/Grabadora) = 100 - 50 - 30 = 20 dlares (Contribucin a las utilidades/Radio) = 90 - 35 - 40 = 15 dlares Como en el ejemplo de Giapello, esto da la funcin objetivo max. Z = 20x1 + 15x2 Semicond se enfrenta a las siguientes restricciones: Restriccin 1: Restriccin 2: Restriccin 3: Restriccin 4: Se pueden producir a lo ms 100 grabadoras en el mes de diciembre, debido a la disponibilidad limitada de materia prima. Se pueden producir a lo ms 100 radios en el mes de diciembre, debido a la disponibilidad limitada de materia prima. El 1 de enero de 1992, el efectivo en caja tiene que ser de por lo menos 4000 dlares. Se tiene que cumplir con (activo al 1 de enero)/(pasivo al 1 de enero) & 2. (34) (35) (33)

La Restriccin 1 se expresa por x1 100 La Restriccin 2 se expresa por x2 100

Para expresar la Restriccin 3, obsrvese que: Efect. caja el 1 de Ene. 1992 = Efect. caja el 1 de Dic. + Cuentas por cobrar, cobradas en Dic. + Porcin del prstamo pagado en Dic. - Renta de Dic. - Costos Lab. en Dic. = 10 000 + 2 000 - 1 000 - 1 000 - 50x1 - 35x2 = 10 000 -50x1 -35x2

Ahora se puede escribir la Restriccin 3, como: 10000 - 50x1 -35x2 4000 (36) Todos los cdigos de la computadora requieren que cada restriccin de PL sea expresada en una forma, con todas las variables al lado izquierdo de la restriccin y la constante al lado derecho. De esta manera, tenemos que escribir (36) como: 50x1 + 35x2 6000 (36)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

78

Para expresar la Restriccin 4, necesitamos determinar la situacin de la caja de Semicond, el 1 de enero, las cuentas por cobrar, la situacin del inventario, y el pasivo en trminos de Situacin de la caja el 1 de enero = 10.000 - 50x1 - 35x2 Entonces: Ctas. por cobrar el 1 de enero = Ctas. por cobrar el 1 de Dic. + Ctas. por cobrar de las Vtas de Dic. Ctas. cobradas en Dic. = 3000 + 100x1 + 90x2 - 2000 = 1000 + 100x1 + 90x2 De donde: Valor del Invent. el 1 de Ene. = = = Valor del Invent. el 1 de Dic. Valor del Invent. usado de Dic. + Valor del Invent. recibido el 1 de Ene. 7000 - (30x1 + 40x2) + 2000 9000 - 30x1 - 40x2

Ahora podemos calcular la situacin del activo el 1 de enero: Situacin del Act. el 1 de Ene. = = = Finalmente el pasivo, Pasv. el 1 de Ene. = = Pasv. el 1 de Dic. - Pago del prstamo para el mes de Dic. + Cant. debido al Invent. del cargamento el 1 de Ene. 10000 - 1000 + 2000 = 11 000 dlares Situacin Caja el 1 de Ene. + Ctas. por Cobrar el 1 de Ene.+ Situacin del Invent. el 1 de Ene. (10000 - 50x1 - 35x2) + (1000 + 100x1 + 90x2) + (9000 - 30x1 - 40x2) 20 000 + 20x1 + 15x2

Se puede escribir la Restriccin 4 como: (20.000 + 20x1 + 15x2)/11.000 2 Multiplicando ambos lados de esta desigualdad por 11.000, obtenemos: 20000 + 20x1 + 15x2 >= 22000 Al convertir lo anterior a la forma adecuada para la entrada de la computadora, (37) obtenemos: 20x1 + 15x2 2000

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

79

Si se combinan (33)-(37) con las restricciones de signo x1 0 y x2 0, se produce el PL siguiente:

max. z = 20x1 + 15x2


s.a x1 x2 50x1 + 35x2 20x1 + 15x2 x1, x2 100 100 6000 2000 0 (Restriccin (Restriccin (Restriccin (Restriccin (Restriccin de la grabadora) del radio) de la situacin de la caja) de la razn actual) de signo)

Al resolverlo grficamente (o por la computadora), se obtiene la siguiente solucin ptima: z = 2500, x1 = 50, x2 =: 100. Por lo tanto, Semicond puede maximizar la contribucin de la produccin del mes de diciembre a las utilidades o ganancias, produciendo 50 grabadoras y 100 radios en el mes de diciembre. Esto contribuir 20(50) + 15(100) = 2 500 dlares a las ganancias.

Ejemplo: Un problema de Produccin


Tabla 5

Precios de la gasolina y del petrleo crudo para el ejemplo de mezclas


PRECIOS DE VENTA POR BARRIL (dlares) Gasolina 1 70 Gasolina 2 60 Gasolina 3 50 PRECIOS DE COMPRA POR BARRIL (dlares) Crudo 1 45 Crudo 2 35 Crudo 3 25

Los tres tipos de gasolina difieren en su ndice de octano y en su contenido de azufre. La mezcla de petrleo crudo que se utiliza para obtener la gasolina 1 tiene que tener un ndice de octano promedio de por lo menos 10 y a lo ms 1% de azufre. La mezcla de petrleo crudo que se utiliza para obtener la gasolina 2 tiene que tener un ndice de octano promedio de por los menos 8 y a lo ms 2% de azufre. La mezcla de petrleo crudo que se utiliza para obtener la gasolina 3 tiene que tener un ndice de octano promedio de por lo menos 6 y a lo ms 1% de azufre. El ndice de octano y el contenido de azufre de los tres tipos de petrleo se dan en la Tabla 6. La transformacin de un barril de petrleo en un barril de gasolina cuesta 4 dlares, y la refinera de Sunco puede producir diariamente, hasta 14000 barriles de gasolina.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Tabla 6

80

ndice de octano y requerimiento de azufre para el ejemplo de mezclas


Crudo 1 Crudo 2 Crudo 3 NDICE DE OCTANO 12 6 8 CONTENIDO DE AZUFRE 0.5% 2.0% 3.0%

Los clientes de Sunco necesitan diariamente las siguientes cantidades de cada tipo de gasolina: gasolina 1, 3000 barriles, gasolina 2, 2000 barriles, gasolina 3, 1000 barriles. La compaa se siente comprometida a cumplir con estas demandas. Sunco tiene la posibilidad de estimular la demanda de sus productos mediante la publicidad. Cada dlar invertido diariamente en la publicidad para cierto tipo de gasolina, aumenta la demanda diaria de este tipo de gasolina en 10 barriles. Por ejemplo, si Sunco decide gastar diariamente 20 dlares para promover la gasolina 2, la demanda diaria de la gasolina 2 se incrementar en 20(10)=200 barriles. Formule un PL que permita a Sunco a maximizar sus ganancias diarias (ganancias = ingresos costos).

Solucin
Sunco tiene que tomar dos decisiones: primero, cunto dinero habra que invertir en la publicidad para cada tipo de gasolina, y segundo, cmo mezclar los tres tipos de petrleo crudo disponible para obtener cada tipo de gasolina. Por ejemplo, Sunco tiene que decidir cuntos barriles del crudo 1 habra que utilizar para producir la gasolina 1. Definimos las variables de decisin. = = dlares gastados en la publicidad para la gasolina i (i = 1,2,3) barriles del petrleo crudo i que se usa diariamente para producir la gasolina j (i = 1.2,3; j = 1,2,3).

Por ejemplo, x21 es el nmero de barriles de crudo 2 que se usa diariamente para producir la gasolina 1. El conocimiento de estas variables es suficiente para determinar la funcin objetivo de Sunco y las restricciones, pero, antes de hacerlo, observamos que la definicin de estas variables de decisin significa que: = = = = = = barriles barriles barriles barriles barriles barriles de de de de de de crudo 1 usados diariamente crudo 2 usados diariamente crudo 3 usados diariamente gasolina 1 producidos cada da gasolina 2 producidos cada da gasolina 3 producidos cada da

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

81

Para simplificar las cosas, supongamos que no se puede almacenar la gasolina, lo que significa que hay que venderla el mismo da de su produccin. Esto quiere decir, que para i= 1, 2, 3, la cantidad de gasolina i producida diariamente tiene que ser igual a la demanda diaria de la gasolina i. Supngase que la cantidad de gasolina i producida diariamente, es mayor que la demanda diaria. Entonces, incurrimos en costos innecesarios de compra y de produccin. Por lo contrario, si la cantidad de gasolina i producida diariamente es menor que la demanda diaria, no cumplimos con las demandas obligatorias, o incurrimos en costos de publicidad innecesarios. Estamos listos ahora para determinar la funcin objetivo y las restricciones de Sunco. Empezamos con la funcin objetivo de Sunco. Ingresos diarios por la venta de gasolina: = 70(x11 + x21 + x31) + 60(x12 + x22 + x32) + 50(x13 + x23 + x33) Costos diarios de la compra de petrleo crudo: = 45(x11 + x12 + x13) + 35(x21 + x22 + x23) + 25(x31 + x32 + x33) Tambin, Costos diarios de la publicidad Costos diarios de la produccin Entonces, = = a1 + a2 + a3 4(x11 + x12 + x13 + x21 + x22 + x23 + x31 + x32 + x33) costo diario de la de la publicidad (70 35 4)x21 + (60 35 4)x32 +

Ganancia diaria = Ingreso diario por la venta de gasolina compra de petrleo crudo - costos diarios costos diarios de la produccin = (70 45 4)x11 + (60 45 4)x12 + (50 45 4)x13 + (60 35 4)x22 + (50 35 4)x23 + (70 25 4)x31 + (50 25 4)x33 a1 a2 a3

Con respecto a las restricciones de Sunco, vemos que se tienen que satisfacer las siguientes 13 restricciones: Restriccin 1: Restriccin 2: Restriccin 3: La produccin diaria de gasolina 1 tiene que ser igual a la demanda diaria de gasolina 1. La produccin diaria de gasolina 2 tiene que ser igual a la demanda diaria de gasolina 2. La produccin diaria de gasolina 3 tiene que ser igual a la demanda diaria de gasolina 3.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

82

Restriccin 4: Restriccin 5: Restriccin 6: Restriccin 7: Restriccin 8: Restriccin 9: Restriccin 10: Restriccin 11: Restriccin 12: Restriccin 13:

Se puede comprar a lo ms 5000 barriles de crudo 1 diariamente. Se puede comprar a lo ms 5000 barriles de crudo 2 diariamente. Se puede comprar a lo ms 5000 barriles de crudo 3 diariamente. Se puede producir a lo ms 14000 barriles de gasolina diariamente, debido a la capacidad limitada de la refinera. El petrleo crudo que se usa para obtener la gasolina 1, tiene que tener un ndice de octano medio de por lo menos 10. El petrleo crudo que se usa para obtener la gasolina 2, tiene que tener un ndice de octano medio de por lo menos 8. El petrleo crudo que se usa para obtener la gasolina 3, tiene que tener un ndice de octano medio de por lo menos 6. El petrleo que se usa para obtener la gasolina 1, tiene que tener a lo ms 1% de azufre. El petrleo que se usa para obtener la gasolina 2, tiene que tener a lo ms 2% de azufre. El petrleo que se usa para obtener la gasolina 3, tiene que tener a lo ms 1% de azufre.

Para expresar la Restriccin 1 en trminos de las variables de decisin, observemos que: Demanda diaria de gasolina 1= 3000 + Demanda de la gasolina 1 generada por la publicidad Demanda de la gasolina 1 generada por la publicidad: (demanda de gasolina) (dlares) dlar gastado gastados De esta manera, la demanda diaria de gasolina es 1 = 3000 + 10a1. Se puede escribir ahora la restriccin 1 como: X11 + x21 + x31 = 3000 + 10a1 (41) Que se puede volver a escribir como X11 + x21 + x31 - 10a1= 3000 (41)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

83

La Restriccin 2 se puede expresar como X12 + x22 + x32 10a2= 2000 La Restriccin 3 se puede expresar como X13 + x23 + x33 10a3= 1000 La Restriccin 2 se puede expresar como X11 + x12 + x13 5000 La Restriccin 5 se reduce a X21 + x22 + x23 5000 Y la Restriccin 6 se reduce a X31 + x32 + x33 5000 Observe que, Produc. To. de gasolina = =

(42) (43) (44) (45) (46)

gasolina 1 producida + gasolina 2 producida + gasolina 3 producida (x11 + x21 + x31) + (x12 + x22 + x32) + (x13 + x23 + x33) (47)

Entonces la restriccin 7 est dada por: X11 + x21 + x31 + x12 + x22 + x32 + x13 + x23 + x33 14000

Para expresar las restricciones 8 a 10, tenemos que determinar el ndice de octano promedio de una mezcla de diferentes tipos de petrleo crudo. Suponemos que los ndices de octano de diferentes crudos se mezclan linealmente. Por ejemplo, si mezclamos dos barriles de crudo 1, 3 barriles de crudo 2, y 1 barril de crudo 3, el ndice octnico promedio de esta mezcla ser: ndice octnico total en la mezcla = 12(2) + 6(3) + 8(1) = 50 = 8 1 Barriles en la mezcla 2+3+1 6 3 Generalizando, podemos expresar la restriccin 8 mediante: ndice octnico total en la gasolina = 12x11 + 6x21 + 8x31 10 Gasolina 1 en la mezcla x11 + x21 + x31 (48)

Desafortunamente, (48) no es una desigualdad lineal. Para transformar (48) en una desigualdad lineal, solamente tenemos que multiplicar ambos miembros de (48) por el denominador del primer miembro de (48).

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

84

La desigualdad resultante es: 12x11 + 6x21 + 8x31 10(x11 + x21 + x31) lo que se puede simplificar como: 2x11 4x21 2x31 0 Similarmente, la restriccin 9 da: 12x12 + 6x22 + 8x32 8 x12 + x22 + x32 Al multiplicar por x12 + x22 + x32 ambos miembros de esta desigualdad y simplificar, obtenemos: (49) 4x12 2x22 0 Ya que cada tipo de petrleo crudo tiene un ndice de octano de 6 o ms, cualquier mezcla que hagamos para obtener la gasolina 3, tendr un ndice de por lo menos 6. Esto significa que cualquier valor de las variables satisfar la restriccin 10. Para verificarlo, podemos expresar la restriccin 10 mediante: 12x13 + 6x23 + 8x33 6 x13 + x23 + x33 Al multiplicar por x13 + x23 + x33 ambos miembros de esta desigualdad, y simplificar, obtenemos: 6x13 2x33 0 (50) Ya que se satisface siempre x13 0 y x33 0, automticamente se satisface (50) y, por lo tanto, no se necesita incluirla en el modelo. Una restriccin como (50) que est implcita en otras restricciones del modelo se llama restriccin redundante y no se necesita incluirla en la formulacin. Escogimos omitir (50) de nuestra formulacin final. La restriccin (11) puede escribirse como: Total de azufre en la mezcla de la gasolina Barriles en la mezcla de la gasolina 0.01 (48)

Entonces utilizando los porcentajes de azufre en cada tipo de petrleo, vemos que: To. azufre en la Mezcla de la gasolina = azufre en el crudo 1 usado para la gasolina 1+azufre en el crudo 2, usado para la gasolina 1+azufre en el crudo 3, usado pa-ra la gasolina 1 = 0.00511 + 0.02x21 + 0.0331

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

85

La restriccin 11 puede escribirse ahora como: 0.005x11 + 0.02x21 + 0.03x31 0.01 x11 + x21 + x31 Una vez ms, no se trata de una desigualdad lineal, pero podemos multiplicar ambos miembros de la desigualdad por x11 + x21 + x31 y simplicar, lo que nos da: -0.005x11 + 0.01x21 + 0.02x31 0 (51) De manera similar, la restriccin 12 es equivalente a: 0.005x12 + 0.02x22 + 0.03x32 0.02 x12 + x22 + x32 Al multiplicar ambos lados de esta desigualdad por x12 + x22 + x32 y despus de simplificar, obtenemos: -0.015x12 + 0.01x32 0 (52) Por ltimo, la restriccin 13 es equivalente a: 0.005x13 + 0.02x23 + 0.03x33 0.01 x13 + x23 + x33 Al multiplicar por x13 + x23 + x33 ambos miembros de esta desigualdad y (53) despus de simplificar, obtenemos: -0.005x13 + 0.01x23 + 0.02x33 0 Combinando (40) (53), menos la restriccin redundante (50), con las restricciones de signo xij 0 y ai 0, obtenemos un PL que se puede expresar en forma de una tabla (vase Tabla 7).
Tabla 7

Funcin Objetivo y restricciones para el ejemplo de mezclas


x11
21 1 0 0 1 0 0 1 2 0 0.005 0 0

X12

11 0 1 0 1 0 0 1 0 4 0

x13 X21 X22


1 0 0 1 1 0 0 1 0 0 31 1 0 0 0 1 0 1 -4 0

21 0 1 0 0 1 0 1 0 -2 0 0 0

X23

11 0 0 1 0 1 0 1 0 0 0 0

X31

41 1 0 0 0 0 1 1 -2 0

X32

31 0 1 0 0 0 1 1 0 0 0

X33

21 0 0 1 0 0 1 1 0 0 0 0

a1

-1 -10 0 0 0 0 0 0 0 0 0 0 0

a3

-1 0 -10 0 0 0 0 0 0 0 0 0 0

a3

-1 (Mx.) 0 = 3000 0 = 2000 -10 = 1000 0 5000 0 5000 0 5000 0 14000 0 0 0 0 0 0 0 0 0 0

0 0.01 0 0 0

0.02 0 0

0.015

0.01 0

O 0.05

0.01

0.02

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

86

En la Tabla 7, el primer rengln (Mx.) representa la funcin objetivo, el segundo rengln representa la primera restriccin, y as en adelante. Al resolver el PL mediante una computadora, se obtiene como solucin ptima

Z = 287.500
x11 = 2222.22 x12 = 444.44 x22 x21 = 333.33 x32 x31 a1 = 0 a2 = 750 = = = a3 2111.11 x13 4222.22 x23 3166.67 x33 =0 = 666.67 = 333.34 = 0

As, Sunco tendra que producir x11 + x21 + x31 = 3000 barriles de gasolina 1, usando 2222.22 barriles de crudo 1, 444.44 barriles de crudo 2 y 333.33 barriles de crudo 3. La empresa tendra que producir x12 + x22 + x32 = 9500 barriles de gasolina 2, usando 2111.11 barriles de crudo 1, 4222.22 barriles de crudo 2 y 3166.67 barriles de crudo 3. Sunco tendra que producir tambin x13 + x23 + x33 = 1000 barriles de gasolina 3, usando 666.67 barriles de crudo 1 y 333.34 barriles de crudo 2. La empresa tendra que gastar tambin 750 dlares en la publicidad para la gasolina 2. Sunco obtendra una ganancia de 287500 dlares. Obsrvese que aunque parezca ms lucrativa la gasolina 1, estimulamos la demanda de la gasolina 2 y no de la gasolina 1. La razn es que, dada la calidad (respecto al ndice de octano y al contenido de azufre) de los crudos disponibles, es difcil producir la gasolina 1. Por lo tanto, Sunco puede ganar ms dinero produciendo ms gasolina 2 de menor calidad, que produciendo cantidades extra de la gasolina 1.

Ejemplo: Procesos de Produccin


Ahora se explica cmo formular un modelo de programacin lineal para un proceso de produccin sencillo. El paso clave es determinar cmo la produccin en una etapa posterior del proceso se relaciona con la produccin en una etapa anterior. Rylon Corporation fabrica los perfumes Brute y Chanelle. Se puede comprar la materia prima que se necesita para producir cada tipo de perfume a 3 dlares/lb. Para procesar 1lb de materia prima, se necesita 1 hora de trabajo en el laboratorio. Cada libra de materia prima procesada produce 3oz de Perfume Brute Regular, y 4 oz Chanelle Regular a 6 dlares/oz. Rylon tiene tambin la opcin de seguir procesando Brute Regular y Chanelle Regular para producir Brute Luxury, vendido a 18 dlares/oz y Chanelle Luxury, vendido a 14 dlares/oz. Cada onza de Chanelle Regular necesita 2 horas adicionales de laboratorio y causa 4 dlares extra de costos de produccin, para producir 1 oz de Brute Luxury. Cada onza de

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

87

Chanelle Regular necesita 2 horas adicionales de laboratorio y causa 4 dlares extra de costos de produccin para producir 1 oz de Chanelle Luxury. Cada ao, Rylon dispone de 6000 horas de laboratorio y puede comprar hasta 4000 lib de materia prima. Formule un PL que se puede utilizar para determinar cmo puede maximizar Rylon sus ganancias. Supngase que los costos de laboratorio son fijos.

Solucin
Rylon tiene que determinar cunta materia prima hay que comprar y cunto se tiene que producir de cada tipo de perfume. Por lo tanto, definimos nuestras variables de decisin como: x1 x2 x3 x4 x5 = = = = = onzas de Brute Regular vendidas anualmente onzas de Brute Luxury vendidas anualmente onzas de Chanelle Regular vendidas anualmente onzas de Chanelle Luxury vendidas anualmente libras de materia prima compradas anualmente

Rylon quiere maximizar Contribucin a la ganancia = = ingresos por la venta de los perfumes-costos de fabricacin-costo de la compra de materia prima 7x1+18x2+6x3+14x4 (4x2 + 4x4) - 3x5

As se puede escribir la funcin objetivo de Rylon como

Max z = 7x1 + 14x2 + 6x3 + 10x4 + 3x5


Para expresar la restriccin 2, obsrvese que: Tiempo To. anual del uso del Lab. =

(55)

tiempo usado anualmente para procesar la materia prima + tiempo empleado anualmente para producir Brute Luxury + tiempo usado al ao para producir Chanelle Luxury = x5 + 3x2 + 2x4

Entonces la restriccin 2 se escribe como: 3x2 + 2x4 + x5 6000 (56) Despus de aadir las restricciones de signo xi 0 (i = 1, 2, 3, 4, 5), muchos estudiantes indican que Rylon tendra que resolver el PL siguiente:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

88

Maximizar

Z = 7x1 + 14x2 + 6x3 + 10x4 + 3x5


s.a. x5 4000 3x2 + 2x4 + x5 6000 x1 0 (i = 1, 2, 3, 4, 5)

Esta formulacin es incorrecta. Obsrvese que las variables x1 y x3 no aparecen en las dos primeras restricciones. Esto significa que cualquier punto, con x2 = x4 = x3 = 0 y x1 y x3 muy grandes, se encuentra en la regin factible. Los puntos con x1 y x3 arbitrariamente grandes, pueden producir ganancias arbitrariamente grandes. De esta manera, el PL es no acotado. Nuestro error es que la formulacin actual no indica que la cantidad de materia prima comprada, determina la cantidad de Brute y de Chanelle disponible para la venta o para un proceso adicional. Ms especfico, de la Figura 8 (y del hecho que 1 oz de Brute procesado produce exactamente 1 oz de Brute Luxury), se concluye que: Oz. de Brute Regular Vend. + Oz. de Brute Luxury Vend.= onzas de Brute producidas lb de materia prima = 3x5
Figura 8.

lb de materias primas compradas

Proceso de produccin Brute-Chanelle

3X5 Oz. de brute X5 lb. de Materia Prima 4X5 Oz. de Chanelle

X2 Oz. de brute Reg. Transformadas en Brute lux

X4 Oz. de Chanelle Reg. Transformadas en Chanelle lux.

Esta relacin se ve reflejada en la restriccin: x1 + x2 = 3x5 o bien, x1 + x2 3x5 = 0

(57)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

89

Similarmente, de la Figura 8, es obvio que Onzas de Chanelle Regular vendidas + onzas de Chanelle Luxury vendidas = 4x5 Esta relacin proporciona la restriccin: x3 + x4 = 4x5 o bien, x3 + x4 4x5 = 0 (58)

Las restricciones (57) y (58) relacionan varias variables de decisin. Los estudiantes olvidan muchas veces las restricciones de este tipo. Como muestra este problema, la omisin de incluir una restriccin puede llevar a una respuesta inaceptable (como un PL no acotado). Si combinamos (53) (58) con las restricciones usuales de signo, obtenemos la formulacin correcta del PL:

max. Z
s.a. 3x2 x1 + x2 x1

7x1 + 14x2 + 6x3 + 10x4 - 3x5

x5 4000 + 2x4 + x5 6000 3x5 = 0 x3 + x4 - 4x5 = 0 0 (i = 1, 2, 3, 4, 5)

La solucin ptima es z = 172666.667, x1 = 11333.333 oz, x2 = 666.667 oz, x3 = 16000 oz, x4 = 0 y x5 = 4000 lb. Por lo tanto, Rylon tiene que comprar las 4000 lib disponibles de materia prima y producir 11333.333 oz de Brute Reguar, 666.667 oz de Brute Luxury, y 16000 pz de Chanelle Regular. Este plan de produccin contribuir en 172666.667 dlares a la utilidad de Rylon. En este problema, parece razonable permitir valores fraccionarios de las onzas, y entonces se cumple con la suposicin de divisibilidad. Terminamos el anlisis del problema de Rylon, exponiendo un error que muchos estudiantes cometen. Razonan lo siguiente: 1 lb de materia prima = 3 oz de Brute + 4 oz de Chanelle Como x1 + x2 = cantidad total de onzas de Brute producidas, y x3 + x4 = la cantidad total de onzas de Chanelle producidas, los estudiantes concluyen que: x5 = 3(x1 + x2) + 4(x3 + x4) (59) Esta ecuacin podra tener sentido como un planteamiento para un programa de la computadora; en cierto sentido, la variable x5 se sustituye por el segundo miembro y de la Ec. (59). Como una restriccin de PL, sin embargo, (59) carece de sentido. Para ver esto, obsrvese que el primer miembro de (59) tiene como
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

90

unidades libras de materia prima, y el trmino 3x1 en el lado derecho de (59) tiene como unidades Onzas de Brute Libras de materia prima (onzas de Brute)

Como algunos trminos de (59) no tienen las mismas unidades, la Ec. (59) no puede ser correcta. Si hay dudas de una restriccin, asegrese de que todos los trminos en las restricciones estn en las mismas unidades. Esto evitar muchos errores de formulacin. (Naturalmente, una restriccin puede estar equivocada, aunque las unidades en ambos lados de la restriccin sean iguales). 2.5. APLICACIN DE LA PROGRAMACIN LINEAL PARA RESOLVER PROBLEMAS DE DECISIN DE MLTIPLES PERODOS

Hasta este punto, todas las formulaciones de problemas de la programacin lineal que se han estudiado, han sido ejemplos de modelos estticos, o de un perodo. En un modelo esttico suponemos que todas las decisiones se toman en el mismo momento. A continuacin se muestra cmo se puede usar la programacin lineal para determinar decisiones ptimas en modelos de mltiples perodos o modelos dinmicos. Los modelos dinmicos se presentan cuando se toman decisiones en diferentes puntos del tiempo. En un modelo dinmico, las decisiones tomadas en el perodo actual, influyen en las decisiones tomadas en perodos posteriores. Por ejemplo, considrese una compaa que tiene que decidir cuntas unidades de un producto hay que producir en cada mes. Si produce una gran cantidad de unidades en este mes, reducir el nmero de unidades que habr que producir en los meses siguientes.

Ejemplo: Modelo de Inventario


Sailco Corporation tiene que determinar cuntos veleros hay que producir en cada uno de los cuatro trimestres. La demanda durante cada uno de los siguientes cuatro trimestres es: primer trimestre, 40 veleros; segundo trimestre, 60 veleros; tercer trimestre, 75 veleros; cuarto trimestre, 25 veleros. Sailco tiene que cumplir a tiempo con las demandas. Al principio del primer trimestre, Sailco tiene un inventario de 10 veleros. Sailco tiene que decidir, al principio de cada trimestre, cuntos veleros hay que construir en el trimestre. Para simplificar las cosas, se supone que se pueden usar los veleros construidos en un trimestre para cumplir con la demanda de este trimestre. Durante cada trimestre, Sailco puede producir hasta 40 veleros, en el tiempo regular de trabajo, a un costo total de 400 dlares por velero. Sailco puede producir ms veleros, al hacer que trabajen tiempo extra los empleados durante un trimestre, a un costo total de 450 dlares por velero.
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

91

Al final de cada trimestre (despus de terminar la produccin y despus de satisfacer la demanda del trimestre actual), se presentan costos de mantenimiento del inventario, de 20 dlares por velero. Utilizar la programacin lineal para determinar un programa de produccin para minimizar la suma de los costos de produccin y del inventario, durante los siguientes cuatro trimestres.

Solucin
Para cada trimestre, Sailco tiene que determinar el nmero de veleros que hay que construir, mediante trabajo normal y trabajo extra. Por lo tanto, definimos las siguiente variables de decisin: x1 = # de veleros producidos con trabajo normal (a 400 dlares/barco) en el trimestre t (r= 1, 2, 3, 4). y1 = # de veleros producidos con trabajo extra (a 450 dlares/barco) en el trimestre t (r= 1, 2, 3, 4). Conviene definir variables de decisin para el inventario (nmero de veleros en existencia) al final de cada trimestre: i1 = # de veleros en existencia al final del trimestre t(r= 1, 2,, 3, 4) Se puede determinar el costo total de Sailco mediante: Costo To = costo de producir barcos con trabajo normal + costos de producir barcos con trabajo extra + costos de inventario = 400(x1 + x2 + x3 + x4) + 450(y1 + y2 + y3 + y4)+ 20(i1 + i2 + i3 + i4) As, la funcin objetivo de Sailco es: Min z = 400x1 + 400x2 + 400x3 + 400x4 + 450y1 + 450y2 + 450y3 + 450y4+ 20i1 + 20i2 + 20i3 + 20i4 (60) Antes de determinar las restricciones para Sailco, hacemos dos observaciones que ayudarn en la formulacin de modelos de programacin de la produccin de mltiples perodos. Para el trimestre t, Invent. al Final del trimestre t = Invent. al final del trimestre (t 1) + produccin del trimestre t demanda en el trimestre t.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

92

Esta relacin juega un papel clave para formular casi todos los modelos de programacin de la produccin de mltiples perodos. Sea d1 la demanda durante el perodo t (entonces, d1 = 40, d2 = 60, d3 = 75 y d4 = 25). Entonces, se puede expresar nuestra observacin de la siguiente manera reducida: I1 = i1-1 + (x1 + y1) d1 (t = 1, 2, 3, 4) (61)

En (61), i0= inventario al final del trimestre 0 = inventario al principio del trimestre 1 = 10. Por ejemplo, si tuviramos 20 veleros en existencia al final del trimestre 2(i2=20) y produjramos 65 veleros durante el trimestre 3 (es decir, x3 + y3 = 65), Cul sera el inventario al final del tercer trimestre?. Simplemente el # de veleros en existencia al final del trimestre 2, ms los veleros producidos durante el semestre 3, menos la demanda del tercer semestre (o sea 75). En este caso, i3= 20 + 65 75 = 10, lo que est de acuerdo con (61). La Ec. (61) relaciona las variables de decisin asociadas a diferentes perodos de tiempo. En la formulacin de cualquier modelo de mltiples perodos de programacin lineal, el paso ms difcil es normalmente encontrar la relacin [`como (61)], que relaciona las variables de decisin de diferentes perodos. Tambin observamos que la demanda en el perodo t ser satisfecha a tiempo, si y slo si i1 0. Para darse cuenta de esto, obsrvese que se dispone de it-1 + (x1 y1) para cumplir con las demandas del perodo t; por lo tanto se cumplir con la demanda del perodo t, si y solo si: it-1 + (x1 + y1) d1 o bien, it = it-1 + (x1 + y1) dt 0 Esto significa que las restricciones it 0 (t = 1, 2, 3, 4) aseguran el cumplimiento de la demanda de cada trimestre. Ahora podemos determinar las restricciones de Sailco. Primero, usamos las cuatro restricciones siguientes, para asegurar que la produccin de tiempo normal para cada perodo, no sea mayor que 40: x1, x2, x3 x4 40. Despus aadimos las restricciones siguientes: i1 i3 = = 10 + x1 + y1 40 i2 + x3 + y3 75 i2 = i1 + x2 + y2 - 60 i2 = i3 + x4 + y4 25

Al aadir las restricciones de signo x1 0 (para evitar niveles de produccin negativos) e it 0 (para asegurar el cumplimiento de la demanda de cada perodo a tiempo), se obtiene la siguiente formulacin: min.

= 400x1 + 400x2 + 400x3 + 400x4 + 450y1 + 450y2 + 450y3 + 450y4 + 20i1 + 20i2 + 20i3 + 20i4

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

93

s.a. x1 40 x2 40 i1 = 10 + x1 + y1 40 i2 = i1 + x2 + y2 60 i3 = i2 + x3 + y3 75 i4 = i3 + x4 + y4 25

x3 40

x4 40

La solucin ptima para este problema es z= 78,450; x1 = x2 = x3 = 40; x4 = 25; y1 = 0; y2 = 10; y3 = 35; y4 = 0; i1 = 10; e i2 = i3 = i4 = 0. As, el mnimo costo total para Sailco es 78450 dlares. Para alcanzar este costo mnimo, Sailco tiene que producir 40 veleros con trabajo normal durante los trimestres 1-3 y 25 en el trimestre 4. Tambin tiene que construir 10 veleros con trabajo extra, durante el trimestre 2 y 35 veleros durante el trimestre 3. Solamente habr costos de inventario durante el primer trimestre. Algunos lectores podran argumentar que nuestra formulacin permite a Sailco usar trabajo de tiempo extra durante el trimestre t, aunque la produccin regular del perodo t sea menor que 40. Es cierto que nuestra formulacin no excluye tal programacin. Sin embargo, cualquier plan de produccin con y1 > 0 y x1 < 40, no podra ser ptimo. Por ejemplo, considrese las dos programaciones de produccin siguientes: Programacin A Programacin B = = x1 = x2 = x3 = 40; x4 = 25; y2 = 10; y3 = 25; y4 = 0 x1 = 40; y2 = 20; x2 = 40; y3 = 35; x3 = 30; y4 = 0 x4 = 25;

Ambas programaciones A y B, tienen el mismo nivel de produccin en cada perodo. Esto quiere decir que ambas programaciones tendrn los mismos costos del inventario. Las dos programaciones son factibles, pero la programacin B provoca ms costos de tiempo extra que la programacin A. As, no se escogera nunca la opcin B (o cualquier programacin con y1 > 0 y x1 < 40) para minimizar los costos. En la realidad, se tendra que establecer un PL mediante un horizonte mvil, que funciona de la siguiente manera: Sailco instituira solamente la estrategia de produccin para el primer trimestre (producir 40 veleros con el trabajo normal). Despus la compaa observara la demanda real del primer trimestre. Supngase que sta es de 35 veleros. Entonces, el segundo trimestre empezara con un inventario de 10 + 40 35 = 15 barcos. Ahora hacemos una prediccin para la demanda del trimestre 5 (supngase que la prediccin es 36). Despus determinamos la produccin para el trimestre 2, resolviendo un PL en el cual el
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

94

trimestre 2 es el primer trimestre, y el trimestre 5 el trimestre final, y el inventario inicial es de 15 barcos. Entonces, se determinara la produccin del trimestre 2, resolviendo el siguiente PL minimizando:

z=

400(x2 + x3 + x4 + x5) + 450(y2 + y3 + y4 + y5) + 20(i2 + i3 + i4 + i5)

sujeto a: x2 40, x3 40 x4 40, x5 40 i2 = 15 + x2 + y2 60, i3 = i2 + x3 + y3 75 i4 = i3 + x4 + y4 25, i5 = i4 + x5 + y5 36 it 0, yt 0 y x1 0 (t = 2, 3, 4, 5) Aqu, x5 = la produccin de tiempo normal del trimestre 5, y5 = la produccin de tiempo extra para el trimestre 5, e i5 = el inventario final del trimestre 5. Los valores ptimos de x2 y y2 para este PL se usan despus para determinar la produccin del trimestre 2. As, para cada trimestre, se resuelve un PL (con un horizonte de planeacin de cuatro trimestres), para determinar la produccin del trimestre actual. Despus se observa la demanda actual, y se predice la demanda par los prximos cuatro trimestres. Despus se resuelve otro PL para determinar la produccin del trimestre siguiente, etc. Esta tcnica del horizonte mvil de planeacin es el mtodo que se usa para establecer modelos dinmicos o de mltiples perodos en la programacin lineal de aplicaciones reales. Nuestra formulacin del problema de Sailco tiene otras limitaciones. El costo de produccin puede ser una funcin no lineal de la cantidad producida. Esto infringira la suposicin de proporcionalidad. Se analiza cmo atacar este problema en los captulos 9 y 20. Puede ser que no se conozcan las demandas futuras con certidumbre. En esta situacin, se viola la suposicin de certidumbre. Hemos exigido que Sailco cumpla con todas las demandas a tiempo. Muchas veces las compaas pueden cumplir con las demandas en perodos posteriores, pero reciben un costo de penalizacin por las demandas no cumplidas a tiempo. Por ejemplo, si la demanda no se satisface a tiempo, el descontento de los clientes puede provocar una prdida en los futuros ingresos. Si se pueden satisfacer las demandas en perodos posteriores, decimos que queda pendiente la demanda. Nuestra formulacin actual puede modificarse para incorporar demandas pendientes. Hemos ignorado el hecho de que las variaciones de un trimestre a otro en la cantidad producida, puede ocasionar costos extra (llamados cosos de suavizamiento de la produccin). Por ejemplo, si incrementamos mucho la produccin de un trimestre al siguiente, esto significar el entrenamiento
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

95

costoso de nuevos trabajadores. Por otra parte, si se disminuye mucho la produccin de un trimestre al siguiente, se podrn presentar costos extra por el despido de trabajadores. Si sobran veleros al final del ltimo trimestre, les hemos asignado un valor cero. Esto, claramente, es irreal. En cualquier modelo de inventarios, con un horizonte finito, el inventario que queda al final del ltimo perodo, tendr que tener un valor de salvamento que es un indicio del valor del inventario del ltimo perodo. Por ejemplo, si Sailco cree que cada velero que queda al final del trimestre 4 vale 400 dlares, se tendr que aadir un trmino 400i4 (que mide el valor del inventario del trimestre 4) a la funcin objetivo.

Ejemplo: Modelo Financiero


El siguiente ejemplo ilustra cmo se puede usar la programacin lineal para modelar problemas de administracin de efectivo de mltiples perodos. La clave es la determinacin de las relaciones existentes entre el efectivo en caja durante diferentes perodos. Finco Investment Corporation tiene que determinar una estrategia de inversin para los prximos tres aos. Actualmente (tiempo 0) dispone de 100000 dlares para ser invertidos en las inversiones A, B, C, D y E. En la Tabla 8 se dan los flujos de efectivo, asociados con la inversin de 1 dlar en cada inversin.
Tabla 8.

Flujo de efectivo para el Ejemplo de Finco


De la inv. De la inv. De la inv. De la inv. De la inv. A B C D E 02 -1 0 -1 -1 0 1 +0.50 -1 +1.2 0 0 2 +1 +0.50 0 0 -1 3 0 +1 0 +1.9 +1.5

Por ejemplo, la inversin de 1 dlar en la inversin B, requiere un desembolso de caja de 1 dlar en el tiempo 1, y rinde 50 centavos en el tiempo 2, y 1 dlar en el tiempo 3. Para asegurar una cartera diversificada para la compaa, Finco requiere que se invierta a lo ms 75000 dlares en una sola inversin. Adems de las inversiones A-E, Finco puede obtener intereses de 8% anuales al colocar el dinero sin invertir en fondos del mercado de valores. Se pueden volver a invertir inmediatamente los intereses obtenidos de las inversiones. Por ejemplo, se
2

Nota: Tiempo 0 = tiempo actual; tiempo 1 = despus de 1 ao; tiempo 2 = despus de 2 aos; tiempo 3 = despus de 3 aos (todos a punto de abrir).

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

96

pueden invertir inmediatamente en la inversin B, el flujo de efectivo positivo recibido de la inversin C en el tiempo 1. Finco no puede pedir prestado fondos; por lo tanto, el dinero disponible para la inversin en cualquier momento se limita al efectivo en caja. Formule un PL que Mx. el efectivo en caja en el tiempo 3.

Solucin
Finco tiene que decidir cunto dinero hay que colocar en cada inversin (incluyendo los fondos del mercado de valores). De esta manera definimos las siguientes variables de decisin: A B C D E St = = = = = = dlares invertidos dlares invertidos dlares invertidos dlares invertidos dlares invertidos dlares invertidos t(r = 0, 1, 2). en en en en en en A B C D E fondos del mercado de valores en el tiempo

Finco quiere maximizar el efectivo en caja, en el tiempo 3. En el tiempo 3, el efectivo en caja de Finco ser la suma de todos los flujos en el tiempo 3. De la descripcin de las inversiones A-E, y del hecho de que del tiempo 2 al tiempo 3, S2 habr aumentado a 1.08S2, El efectivo en caja en el tiempo 3 = B + 1.9D + 1.5E + 1.08S2 As, la funcin objetivo de Finco es,

max. Z = B + 1.9D + 1.5E + 1.08S2

(62)

En modelos financieros de mltiples perodos, se usa normalmente el siguiente tipo de restricciones para relacionar las variables de decisin de diferentes perodos: Dinero dispble. en el tiempo t = (dinero Inv. en el tiempo t) + (dinero no Inv. en el tiempo t que se transfiere al tiempo t ) + 1

Si consideramos los fondos del mercado de valores como inversiones, vemos que: Dinero dispble. en el tiempo t = dinero Inv. en el tiempo t (63) Ya que se disponen de las inversiones A, C, D y S0 en el tiempo 0 y de 100000 dlares para realizar las inversiones, (63) se convierte en lo siguiente, para el tiempo 0: 100000 = A + C + D + S0 (64)
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

97

En el tiempo 1, se dispone de 0.5 + .2C + 1.08S0 para invertir, y estn disponibles las inversiones B y S1. Entonces, para t = 1, (63) se convierte en (65) 0.5A + 1.2C + 1.08S0 = B + S1

Proceso de Comprensin y Anlisis


A continuacin se presentan algunos problemas los cuales pueden ser resueltos individual o grupalmente. Problema # 1 La empresa Pintuco posee una pequea fabrica de pinturas para interiores y exteriores de casas, para su distribucin al mayoreo. Se utilizan dos materiales bsicos A y B para producir las pinturas. La disponibilidad mxima del material A es de 6 toneladas diarias y la del material B es de 8 toneladas al da. La necesidad diaria de materia prima para interiores y exteriores se resume en la siguiente tabla:
Materia Prima A Materia Prima B Pint. Exteriores Pint. Interiores 1 2 2 1 Disponibilidad Mx. 6 8

Un estudio de mercado ha establecido que la demanda diaria de pintura para interiores no puede ser mayor que la de pintura para exteriores en mas de una tonelada. A si mismo, el estudio seala que la cantidad de demanda mxima de pintura para interiores est limitada a 2 toneladas por da. El precio al mayoreo por tonelada es de $3000 para pintura para exteriores y de $2000 par interiores. Cunta pintura de cada tipo debe producir la compaa todos los das para maximizar el ingreso bruto? Problema # 2

Vivians Gems Company produce dos tipos de joyas: la tipo 1 y la tipo 2. Cada

joya tipo 1 contiene 2 rubes y 4 diamantes, se venden a 10 dlares y tienen un costo de produccin de 5 dlares. Cada joya tipo 2 contiene 1 rubie y 1 diamante, se vende a 6 dlares y tiene un costo de produccin de 4 dlares. La empresa dispone de 30 rubes y 50 diamantes para producir las joyas. Por la situacin del mercado se debe producir al menos 11 joyas del tipo 1 Formular un programa lineal que maximice la utilidad neta de la empresa y obtenga la solucin.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

98

Cual sera la utilidad neta de la empresa si tuviera disponible 46 diamantes en lugar de 50. Si la joya tipo 2 se vendiera a 5.5 dlares, cul sera la solucin optima del problema. Cul sera la utilidad neta de la empresa si se produjeran al menos 12 joyas del tipo 1.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

99

UNIDAD 3 Mtodo Simplex


Descripcin Temtica En apartados anteriores se demostr como hallar la solucin de un problema de Programacin Lineal por mtodos grficos y algebraicos. Estos procesos tienen restricciones, puesto el mtodo grfico es difcil aplicarlo si el problema tiene ms de dos variables de decisin y el mtodo algebraico necesita de mucho tiempo aun para problemas de pocas variables y restricciones. Sin embargo, en general, estos mtodos indican ciertas condiciones necesarias que cada solucin ptima debe satisfacer, pero no proporcionan una forma sistemtica para utilizar estas condiciones en la obtencin del ptimo. Se hace necesario, en consecuencia, un procedimiento capaz de obtener el mximo o mnimo de una funcin lineal sujeta a todo tipo de restricciones, debe ser de tipo algortmico que mediante ciertos pasos conduzca, eficientemente, a la solucin del problema. En esta unidad se estudiaran las generalidades del Mtodo simplex y sus respectivas fases de desarrollo, las formas Cnica y Tpica de un modelo de programacin lineal que servir de soporte para la aplicacin del mtodo Simplex. Se presentar adems la forma tabular del mtodo y las dos fases del Simplex Para el desarrollo de las habilidades y aclaracin de incomprensiones (que se pueden citar y que son obvias) es necesario la realizacin de los ejercicios citados Se recomienda la ampliacin de la informacin recurriendo a la bibliografa que al final del documento se indica, pues el proceso de aprendizaje no termina en este mdulo.

Horizonte
Ensear al alumno el proceso del mtodo simplex como medio para resolver problemas de programacin lineal y tener criterio de seleccin donde actan varias alternativas de solucin.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

100

Ncleos Temticos y Problemticos


Generalidades del Mtodo Simplex Fases del Mtodo Simplex Forma Cnica del Modelo de Programacin Lineal Forma Tpica Del Modelo De Programacin Lineal El Mtodo Simplex en Forma Tabular Pasos del Algoritmo Simplex Regla de Parada Mtodo de la M o de Penalizacin El Mtodo de las Dos Fases Ecuaciones Redundantes Solucin Optima - El Mtodo Simplex Modelo de Transporte Mtodos para Encontrar Soluciones Factibles

Proceso de Informacin
3.1 GENERALIDADES DEL MTODO SIMPLEX

El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig . El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simples. El mtodo smplex es un algoritmo. De hecho, cualquier procedimiento iterativo de solucin es un algoritmo. Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Es simplemente un proceso en el que se repite (se itera) un procedimiento sistemtico una y otra vez hasta obtener el resultado deseado. Cada vez que se lleva a cabo el procedimiento sistemtico se realiza una iteracin. En consecuencia, un algoritmo sustituye un problema difcil por una serie de problemas fciles. El mtodo smplex es un procedimiento algebraico en el que cada iteracin contiene la solucin de un sistema de ecuaciones para obtener una nueva solucin
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

101

a la que se le aplica la prueba de optimalidad. No obstante, tambin tiene una interpretacin geomtrica muy til. Adems de las iteraciones, los algoritmos incluyen un procedimiento para iniciar y un criterio para determinar cundo detenerse. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Vamos a resolver mediante el mtodo del simplex el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 2x + 3y 3x + y x 0,y 18 42 24 0

3.2

FASES DEL MTODO SIMPLEX

Convertir las Desigualdades en Igualdades


Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales.

2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 Igualar la Funcin Objetivo a Cero - 3x - 2y + Z = 0

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

102

Escribir la Tabla Inicial Simplex


En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo:
Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin x h s d Z 2 2 3 -3 Y 1 3 1 -2 h 1 0 0 0 S 0 1 0 0 D 0 0 1 0 18 42 24 0

Encontrar la Variable de Decisin que entra en la Base y la Variable de Holgura que sale de la Base
Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos.

La columna de la variable que entra en la base se llama columna pivote. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8] - Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

103

El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base.

En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3.

Encontrar los Coeficientes de la Nueva Tabla.


Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin Gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del Pivote:

Nueva fila del pivote = (Vieja fila del pivote): (Pivote)


Resto de la Filas:

Nueva fila=(Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote)
Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Vieja fila de s 2 Coeficiente 2 x 3 2 x 0 2 X 1 2 X 0 0 2 x 1/3 = 42 2 X 8 =

Nueva fila pivote 1 1/3 0 = Nueva fila de s =

= =

0 7/3 0

1 -2/3 26

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

104

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote:2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. El elemento pivote, que ahora hay que hacer 1, es 1/3.

Operando de forma anloga a la anterior obtenemos la tabla:

Tabla 1. Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin

X y s x Z
0 0 1 0

Y
1 0 0 0

h
3 -7 -1 3

s
0 0 0 0

d
-2 4 1 -1 6 12 6 30

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote:6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. El elemento pivote, que ahora hay que hacer 1, es 4.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

105

Obtenemos la tabla:
Tabla 2 . Final del proceso Base Variable de decisin Variable de holgura Valores solucin

x y d x Z
0 0 1 0

Y
1 0 0 0

h
-1/2 -7/4 -3/4 5/4

s
0 0 0 0

d
0 1 0 0 12 3 3 33

Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12)
Y E (0,14) D (3.12)

C (6,6)

A (0,0)

B (8,0)

Si en el problema de maximizar apareciesen como restricciones ecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en ecuaciones de la forma - ax - by - c y estamos en el caso anterior Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

106

3.3

FORMA CNICA DEL MODELO DE PROGRAMACIN LINEAL.

En la unidad anterior vimos que un problema de programacin lineal poda expresarse de la siguiente manera: Maximizar Z = Sujeto a a j x j < b1
J=1

C X
J=1 j

Cj Xj

j = 1,2,....m j = 1,2, ...m

Xj

>0

Esta forma de programacin lineal se llama forma cannica. La forma cannica del modelo se caracteriza porque la funcin objetivo es del tipo maximacin, las variables de decisin son no negativas y todas las otras restricciones son del tipo menor o igual. Un problema de programacin lineal puede ser puesto en forma cannica por medio transformaciones elementales, saber: La minimizacin de la funcin objetivo Z = Cj Xj Puede expresarse (-Z)= Como maximizar Por ejemplo si se trata de minimizar la funcin Z= 3x1+ 5x2 6x3 entonces es matemticamente equivalente a maximizar (-Z) = -3x1 -5 x2 +6 x3. Una desigualdad del tipo > puede expresarse como una del tipo< multiplicando los dos miembros de la desigualdad por 1 por ejemplo, la desigualdad 3x1 + 8x2 6x3 > 20 es equivalente a 3x1-8x2 6x3 -20. Una restriccin del tipo 0 puede ser remplazada por dos desigualdades de sentido contrario. Por ejemplo, la restriccin 8x1+6x2+7x3 = 40 es equivalente a las restricciones simultneas siguientes: 8X1 + 6X2 + 7X3 40 y 8X1 + 6X2 + 7X3 40

C X
j j ij

Cj Xj

(C )X

(-cj) xij

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

107

Una variable que no est restringida en signo (es decir, ya sea su valor positivo negativo o cero) puede ser remplazada por la diferencia de dos variables no negativas.

Por ejemplo, si la variable x no est restringida en signo, entonces se puede hacer la transformacin Xj = Xj Xj donde X 0 y X 0. Una restriccin cuyo primer miembro es un valor absoluto, pudiese ser remplazada por dos desigualdades ordinarias. Por ejemplo, la restriccin es aX1 +bX2 < c (c > 0) entonces puede ser remplazada por: aX1 +bX2 < c y aX1 +bX2 c.

Ejemplo
Considere el siguiente problema de programacin lineal Minimizar: Z = 3X1 + 5X2 + 6X3 s.a X1 X2 + X3 3X1 + 6X2 + 10X3 X2 + X3 2X + X X1 > 0, X2 > 0 X3: sin < 20 > 30 = 11 < 15 restriccin (1) (2) (3) (4) (0)

Expresar el problema en la forma cannica. Como la variable X3 no tiene restriccin, transformarla as: X3 - X3 > 0 X>0. Remplacemos en cada expresin a x3 por su equivalente x3 x3. La funcin objetivo, que es del tipo minimizacin, la transformamos en Maximizar:

(-Z) = - 3x1 - 5x2 + 6(x3)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

108

La primera restriccin quedara x1 + x2 +(x3 -x3) < 20 La segunda restriccin se expresara -3x1 +6x2 10 (x3 x3 ) < -30 La tercera restriccin es equivalente a las siguientes desigualdades: X2 + (X3- X3) <11 y X2+(X3-X3) < -11 o bien, X2+(X3-X3) <11 y -X2+(X3-X3) <-11 De manera similar, la restriccin 4 queda 2 X2 + X2 < 15 y - 2 X2 - X2 < 15 Finalmente, la forma cannica del modelo es Maximizar:

(-Z) = -3X1 -5X2 +6( x3- x3)


Sujeto a X1 - X2 + (X3 -X3) < 20 -3X1 +6X2 10 (X3- X3) < - 30 X1+( X3- X3) < 11 -X2+( X3- X3) < - 11 2X1 + X2 < 15 -2X1 +X2 < 15 X1 > 0, X2 >0,X3 > 0,X3> 0 3.4 FORMA TPICA DEL MODELO DE PROGRAMACIN LINEAL

En un problema de PL las desigualdades pueden ser transformadas en igualdades aadiendo o sustrayendo una variable no negativa a cada una de esas desigualdades, como veremos a continuacin: Una restriccin tpica del tipo < puede expresarse as:

ahj Xj < bh

bh>0

Si introducimos una nueva variable x > 0 donde: X j +h = bh ahj Xj > 0

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

109

Entonces X es una variable de holgura puesto que b puede ser considerado como la mxima cantidad del recurso h y el conjunto X a Xj es la cantidad utilizada en el momento. La diferencia entre cantidad mxima disponible y la actualmente utilizada, es la holgura. Una restriccin del tipo > digamos la restriccin k puede expresarse:

axk j > bk , bk > 0

Definamos una nueva variable x > 0 por Xr+k =

akj x j - bk

Esta variable se llama exceso, ya que puede bk ser considerada como la cantidad mnima de recurso k que puede ser utilizado y, para cualquier conjunto xj akj Xj es la cantidad actualmente utilizada. Aun cuando hay autores que distinguen entre estos dos tipos de variables, nosotros utilizamos en ambos casos el nombre de variable de holgura, solamente que las aadiremos cuando queramos transformar una desigualdad del tipo < en una igualdad. Por ejemplo, si una de las desigualdades es aX1 + bX2 < c entonces se puede transformar en la igualdad aX1 + bX2 +X3 = c donde X3 es la variable de holgura. Si la restriccin fuese mx1 +nX2 > p entonces la igualdad equivalente sera: mX1 +nX2 - nX2 X4 = p y X4 sera la variable de holgura. Cuando todas las restricciones de un problema de programacin lineal (exceptuando, claro est las restricciones de no negatividad de las variables) son ecuaciones , los segundos miembros son no negativos y la funcin objetivo es del tipo maximizacin, entonces se dice que el modelo tiene su forma tpica. El modelo es, por consiguiente Maximizar Z = cj xj Sujeto a aj Xj + X1 = bj, Xj > 0 Xj > 0 j = 1, 2,....m j = 1, 2, . n j = 1,2,... m

Es oportuno sealar que para algunos autores, la funcin objetivo en la forma tpica del modelo es el tipo minimizacin (en todo tal asignacin es convencional)
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

110

Ejemplo
Considere el siguiente problema de programacin lineal Maximizar Sujeto a: X1 +X2 X3 < 20 2X1 + 4X2 >8 X1 +X2 - X3 > 0

Z = 2X1 + 5X2 X3

la forma tpica del problema es: Maximizar: Sujeto a 3X1 + X2 + 2X3 + X4 X1 + X2 - X + X5 X1 + 4 X2 - X6 X1 > 0 j = 1,2,...6

Z= 2X1 + 5X2 X3
= 15 = 20 = 8

donde X4, X5 y X6 son variables de holgura. Hay dos razones fundamentales para transformarlo en un sistema de igualdades, como es el caso de la forma tpica del modelo. Por lgebra elemental sabemos que en cualquier sistema de ecuaciones se pueden multiplicar los dos miembros de las ecuaciones por cualquier nmero real distinto de cero, o bien multiplicar una ecuacin por un nmero y sumarla algebraicamente a otra de las ecuaciones, sin que cambie el conjunto de soluciones del sistema. Por ejemplo, el sistema de ecuaciones siguientes: X1 + X2 = 11 3X1 - X2 = 5 tiene por solucin (1) (2) X1 = 4 y X2 =7

ahora, si multiplicamos la primera ecuacin por 4 y la sumamos con la segunda, y multiplicamos la segunda ecuacin por 2, se obtiene el sistema 7 X1 + 3X2 = 49 6X1 - 2X2 = 10 (1) (2)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

111

el cual tiene la misma solucin que el sistema original. Por otra parte es muy prctico que operaciones entre ecuaciones de un sistema, se efecten de una manera abreviada utilizando una forma tabular con los coeficiente de las variables. Por ejemplo transformaciones anteriores se pueden expresar as:
X1 1 3 7 6 X2 1 -1 3 -2 b 11 5 49 10

Por el contrario, si se llevan a acabo transformaciones como las anteriores en un sistema de desigualdades, entonces el conjunto de soluciones factibles normalmente se altera. El mtodo simplex utiliza transformaciones como las realizadas en el sistema de ecuaciones anterior para obtener la solucin ptima. Luego es importante que el modelo de PL se exprese en su forma tpica (o una variante de sta como se vera adelante), antes de aplicar el algoritmo Simplex. 3.5 EL MTODO SIMPLEX EN FORMA TABULAR

Para obtener la solucin ptima de una funcin objetivo lineal a restricciones lineales, bastaba con resolver un conjunto de ecuaciones simultneas. Por otra parte, acabamos de ver la forma tpica de un problema de programacin lineal, es la ms conveniente para llevar a cabo transformaciones en el sistema sin cambiar el conjunto de soluciones. El mtodo Simplex hace uso de estos dos aspectos mencionados en forma eficiente. Se comienza con una solucin bsica factible (es decir, un punto extremo factible), luego se realiza un proceso iterativo donde se analiza una secuencia no repetida de soluciones bsicas factibles, de tal manera que cada solucin nueva mejora el valor de la funcin ptima o bien si no existe una solucin. El mtodo se basa en dos condiciones fundamentales: la condicin de optimizacin, en donde se asegura que no se encontrar una solucin mejor que la ptima encontrada en la condicin de factibilidad, donde se garantiza que el comenzar con una solucin bsica factible, se encuentran solamente condiciones bsicas factibles durante el proceso iterativo.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

112

Como ayuda en el proceso iterativo, la forma del modelo de programacin lineal se presenta en forma de un arreglo a tabla que se conoce comnmente como la forma tabular del mtodo simplex. Considere el problema en forma tpica Maximizar

Z = C1 x1 + c2 + ... + cnxn
Sujeto a a 11 x1 + a 12 x2 + a 1n xn + an+1 = b1 a 21 x1 + a 22 x2 + ... a 2n x + a n +2 = b2 a m1 x1 + a m2 + x2 +...+ a mn x1n + xn + mbm xj > 0, j = 1,2, ... n+m El problema se puede expresarse as: Sujeto al siguiente sistema de ecuaciones Z = c1 x1 c2 x2 - ... - cn xn = 0 Sujeto a a11 x1 a12 x12 + a1n xn + xn+1 a21 x1 + a22 x2 + a2nxn + xn+2 am1 x1 + am2 x2 + + amn xn + xm+n xj > 0.j = 1,2,, n+m = b1 = b2 = bm

donde xn+1 , xn+12, xn+m .. son variables de holgura. El problema escrito es esta forma, permite identificar fcilmente una solucin bsica factible. Se puede ver que si las variables de holgura se eligen como variables bsicas (V. B), las variables de decisin son entonces las variables no bsicas. En consecuencia, una solucin bsica factible de partida es: X1 = 0, X2= 0,..., Xn= 0, Xn+1 = b1 Xn+2 = b2,...x
n+m

= bm

Toda esta informacin se puede presentar en la tabla inicial del mtodo Simplex, de la siguiente manera: Observe que en la tabla 5 se almacena solamente la informacin esencial, o sea, los coeficientes de las variables, las constante del segundo miembro de las ecuaciones y la variable bsica de cada una de estas ecuaciones. Que
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

113

sobreentendiendo que las variables que no aparecen en la columna V.B. Son las variables no bsicas y, en consecuencia, sus valores son cero.
Tabla 5

Tabla inicial del mtodo simplex


Coeficientes de las Variables V.N z Xn+1 Xn+2 X1 X2 X3 Xn+1 Xn+2 Miembro de Ecuaciones Xn+m b

-c1 A11 A21 Am1

-c2 a12 a22 am2

-cn a1n a2n anm

0 1 0 0

0 0 1 0

0 0 0 1

0 b b bm

3.6

PASOS DEL ALGORITMO SIMPLES

A continuacin se describirn los pasos del algoritmo Simplex, esto es, el paso de inicializacin, el paso o proceso iterativo y la regla parada, los cuales son caractersticos de los algoritmos. El paso de inicializacin establece cmo se selecciona la solucin bsica factible de partida. El proceso iterativo establece el criterio para seleccionar la variable no bsica que debe entrar al conjunto de variables bsicas y cmo puede identificarse una nueva solucin. En el tercer paso se establece el criterio para conocer si una solucin presente es o no ptima, o bien si el problema tiene mltiples soluciones o ninguna solucin. 3.6.1 Paso de Inicializacin.

El algoritmo Simples puede comenzar con cualquier solucin bsica factible, de tal manera que el problema queda reducido a elegir una solucin bsica factible inicial que manera que el problema queda reducido a elegir una solucin factible inicial que sea conveniente. Cuando el problema est en su forma tpica, con las variables de holgura positivas, entonces una solucin bsica factible de partida conveniente es: (x1 x2...xn xn+1 xn+2 xn+m ...) = (0 , 0, ... b1 b2 ...bm ) Observe que en la tabla inicial esta solucin se puede leer inmediatamente, puesto que cada ecuacin tiene una sola variable bsica. Cada variable bsica tiene un coeficiente +1 en la tabla y no aparece en ninguna otra ecuacin. Observe tambin que el conjunto de coeficientes de las variables bsicas forman una matriz unitaria.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

114

3.6.2

Proceso Iterativo

En cada iteracin el algoritmo Simples permite pesar de una solucin bsica factible a otra mejor, remplazando una de las variables bsicas presentes por una variable no bsica. A la variable bsica que es remplazada, se le llamada variable bsica saliente y a la variable no bsica que la va a remplazar , se le llama variable bsica entrante. La variable bsica entrante debe escogerse de manera tal que incremente el valor de la funcin objetivo a la tasa rpida. Como cada uno de los Cj de la funcin objetivo representa la tasa la cual Z se incrementar, si se incrementarse el valor de la variable respectiva (Xj), entonces seleccionamos como variable bsica entrante aquella que tenga el mayor coeficiente. Por ejemplo, si la funcin objetivo fuese Z= 12x1 6x2 entonces la variable bsica entrante sera x 1 que es la que tiene el mayor coeficiente. Es posible, claro est, que hay un empate entre dos o ms coeficiente y que sean estos precisamente los mayores (por ejemplo, si la funcin objetivo fuese Z = 3x1 +8x2+ 8x3) . En este caso la seleccin de la variable bsica entrante se hace arbitrariamente. (En nuestro ejemplo podramos seleccionar a x2 o x3 ). No hay procedimiento conveniente para decir por anticipado cul de las variables conducira a la solucin ptima ms rpidamente. Si el problema es de minimizacin, claro est que la variable bsica entrante se seleccionara de tal manera que la funcin objetivo disminuyese lo ms rpido posible. En este caso, seleccionaramos la variable que fuese ms negativa. Por ejemplo, si la funcin objetivo fuese minimizar 3x1 + 5 x2 - 6 x3 entonces la variable bsica entrante sera x3. Una vez seleccionada la variable bsica entrante se condiciona tambin la seleccin de la variable bsica saliente. La variable bsica saliente debe ser aquella cuya restriccin de no negatividad imponga la menor cota superior acerca de cunta cantidad se debe incrementar la variable bsica saliente. Dicho de otra manera, la variable bsica saliente es la primera de todas las V. B, que lleguen a cero cuando se incremente la variable bsica entrante. La manera de determinar la variable bsica saliente es la siguiente:

Sea xent la variable bsica entrante y sean aje y bj los actuales coeficientes y segundo miembro de la ecuacin j ( i = 1, 2,... m ). Entonces la cota superior de xent en la ecuacin i es : +, b j / a je, si si a je, < 0 a je, > 0

Si se adopta otra cota que no sea la menor, alguna variable bsica puede ser negativa (lo cual viola la no negatividad).
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

115

Se determina la ecuacin con la menor cota superior y se selecciona la actual variable bsica en esa ecuacin, como la variable bsica saliente.

Una vez se han identificado las variables bsicas entrante y saliente, se entra al proceso iterativo en s para determinar los nuevos valores de las variables bsicas. Es necesario entonces transformar el nuevo sistema de ecuaciones a la misma forma que se tena en la etapa inicial, esto es, cada ecuacin debe tener una sola variable bsica con coeficiente +1 en esa ecuacin y sin aparecer (coeficiente cero) en ninguna otra ecuacin. 3.6.3 Regla de Parada

Para conocer si se ha llegado o no a la solucin ptima, verifquese si el factor de la funcin objetivo puede ser incrementado al aumentar el valor de una de las variables no bsicas. El valor de la funcin objetivo puede incrementarse si alguna de las variables no bsicas tiene un coeficiente positivo, cuando estas variables estn en el segundo miembro de la ecuacin. Por ejemplo, si en una iteracin la ecuacin de la funcin objetivo es Z +2x1 +3x2 4x3 = 60, es decir Z = 60 2x1 3x2 + 4x3 entonces no se ha llegado a la solucin ptima puesto que todava puede incrementarse x3 y la funcin objetivo aumentar. Se puede decir entonces que si en una iteracin todos los coeficientes de las variables no bsicas en la ecuacin de la funcin objetivo son negativos, la solucin presente es ptima, por supuesto, lo anterior es equivalente a decir que si la funcin objetivo se expresa de tal manera que las variables estn en el primer miembro de la ecuacin y el segundo miembro es constante, entonces se habr llegado a la solucin ptima cuando todos los coeficientes de las variables no bsicas sean mayores que cero. Esta segunda manera de expresar la regla de parada es bastante conveniente cuando se utiliza la forma tabular del mtodo Simples, puesto que para saber si se ha llegado a la solucin ptima bastar ver si todos los coeficientes en la ecuacin de la funcin objetivo, son mayores o iguales a cero (mayores que cero para las variables no bsicas, e iguales a cero para las bsicas). Es oportuno insistir que, en forma tabular, este criterio para determinar si se ha llegado o no a la solucin ptima est basado en que nuestra forma tpica es de maximizacin de la funcin objetivo. En el caso de minimizacin, la solucin ptima se alcanza cuando todos los coeficientes de las variables en la tabla sean menores o iguales que cero.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

116

Ejemplo
Maximizar: Z = 2x1 +5x2 +8x3 Sujeto a: x1 + x2 + x3 8x1 4x2 + 4x3 x2 + x3 x1 ,x2 ,x3 < 12 < 24 < 8 >0

Paso de inicializacin: Maximizar:

Z 2 x1 -5x2 - 8x3
= 12 x1 + x2 + x3 + x4 8x1 - 4x2 + 4x3 +x5 = 24 x2 + x3 + x6 = 8 xj > 0, j = 1,2,..., 6 donde las variables del holgura x4 ,x5 ,x6. (1) (2) (3)

= 0

(0)

La tabla inicial para la aplicacin del Algoritmo Simplex es :


V.B Z X4 X5 X6 X1

-2 1 8 0

X2

-5 1 4 1

X3

-8 1 4 1

X4

0 1 0 0

X5

0 0 1 0

X6

0 0 0 1

0 12 24 8

La solucin bsica factible fcilmente del sistema de ecuaciones (II). Cada una de las ecuaciones tiene una sola variable bsica. Por ejemplo , la variable bsica de la ecuacin (2) es x5 ya que tiene coeficiente de +1 en esa ecuacin y no aparece en ninguna de las otras ecuaciones.. Esto quiere decir, que en esa ecuacin, las dems variables, al ser no bsicas, sus valores son cero y , por consiguiente, podemos deducir que valor de x5 es igual a 24. De manera similar, de la ecuacin (0) se obtiene que Z = 0 , de la (1) se obtine que x4 = 12 y de la (3) que x6 = 8.
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

117

Observe que en la tabla se pueden leer estos valores directamente. Bastar hacer corresponder a cada variable bsica indicada en la primera columna, (V. B) los valores de la ltima columna (b). Observe que la matriz que corresponde a las variables bsicas de la restricciones, es una matriz unidad.

Proceso Iterativo y Primera Iteracin


La variable bsica entrante es X3 puesto que es la que tiene mayor coeficiente en la funcin objetivo de (1), o bien es la de coeficiente ms negativo en la tabla inicial (-8 en este ejemplo). La variable bsica saliente determina de la siguiente manera: la cota superior de la variable bsica entrante xent = x3 viene dada por + si aje <0 y bj si aje > 0. Entonces los valores de aje y bj son: Restriccin 1: Restriccin 2: Restriccin 3: a13 = 1, a 23 = 4, a 33 = 1, bj = 12 b2 = 24 b3 = 8

Como todos los coeficiente de las ecuaciones (i = 1,2,3 ) son positivos, entonces la cota superior estar dada por b1 / aje o sea: b1/a 13 = 12/1 = 12 b 2/a 23 = 24/4 = 6 b 3/a 33 = 8/1 = 8 La menor cota superior es 6 que corresponde a la restriccin nmero 2. La variable bsica que corresponde a esa ecuacin es x5 y es en consecuencia, la variable bsica saliente. Es decir en el conjunto de variables bsicas se cambia a x5 por x3 por los que las nuevas variables bsicas son x4 x3 x6. Ahora x3 es una variable bsica, luego debe tener un coeficiente +1 en la segunda ecuacin y no debe aparecer en ninguna otra, es decir en cualquier otra ecuacin distinta de la segunda restriccin (que es la ecuacin donde la variable bsica es x3) el coeficiente de x3 debe ser cero. Esto se logra con transformaciones, como las sealadas en la seccin 1,3, de la siguiente manera:

Dividida toda la ecuacin por 4 que es el coeficiente de x3 en la segunda restriccin.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

118

La ecuacin queda: 2x1- x2 + 1x3 + 1/4x5 = 6

Para lograr ceros en los coeficientes de x3 en las nuevas ecuaciones (0), (1) y (3), multiplique la ecuacin (a) anterior por 8, -1 y 1 y, uno a la vez, y sume el resultado a las ecuaciones anteriores (0), (1) y (3). O sea al multiplicar la ecuacin (a) por 8 se obtiene. 16x1- 8x2 + 8x3 +2x5 =48

Esta ecuacin sumada con la ecuacin (0) de partida que da: Z + 14x1- 13x2 + x5 = 48 Que vendra a ser la nueva ecuacin (0) De manera similar, para lograr un cero en el coeficiente de x3 de la ecuacin (1), multipliquemos la ecuacin (a) por 1 y sumemos el resultado a la ecuacin (1). (1) Ecuacin A : Ecuacin (1) Nueva Ecuacin (1) -2x1 + x2 - x3 -1/4x5 = -6 x1 + x2 + x3 + x4 = 12 -x1 + 2x2 + x4 - x5 = 6

Finalmente, para lograr un cero en el coeficiente de X3 de la ecuacin (3) multipliquemos (a) por 1 y sumemos el resultado a (3). La nueva ecuacin (3) despus d la transformacin es: -2x1+ 2x2 - 1/4x5 + x6 = 2 La solucin presente despus de la primera iteracin es : (x1, x2, x3, x4, x5, x6) = (0, 0, 0, 6, 6, 0, 2 ), Z = 48. Estos resultado se presentan de una manera sencilla en forma tabular. Al igual que se hizo con la tabal inicial, registramos solamente los coeficientes de las variables y los colocamos inmediatamente debajo de la tabal inicial. Esta segunda tabal proporciona una manera fcil de ver los valores actuales de las variables bsicas despus de que se ha realizado la primera iteracin. La tabla inicial y la resultante despus de la primera iteracin son las siguientes:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

119

Tabla Inicial
V.B Z X4 X5 X6 X1

-2 1 8 0

X2

-5 1 4 1

X3

-8 1 4 1

X4

0 1 0 10

X5

0 0 1 0

X6

0 0 0 1

0 12 24 8

Tabla despus de la Primera Iteracin


V.B Z X4 X5 X6 X1

14 -1 2 -2

X2

13 2 1 2

X3

0 0 1 0

X4

0 1 0 0

X5

2 1/4 1/4 1/4

X6

0 0 1 1

48 6 2 2

Observe que si en la segunda tabla se intercambian las columnas de x5 y x3 de nuevo se destaca la matriz unitaria. En este momento, es oportuno preguntarse si la solucin que se ha obtenido despus de la primera iteracin es la solucin ptima. Para responder la pregunta, veamos si es posible incrementar una de las variables de tal manera que la funcin objetivo aumente. La funcin objetivo despus de la primera iteracin es: o bien

Z + 14x1 13x2 +2x5 = 48 Z = -14x1 +13x2 -2x5 +48

Si aumentamos x2 aumentar el valor de Z, puesto que su coeficiente es positivo (+13). Por consiguiente, todava no hemos obtenido el valor ptimo y necesitamos realizar otra iteracin. A esta misma conclusin hubisemos llegado si observamos que en la tabla despus de la primera iteracin, todava existe un coeficiente (el de x2) que es negativo.

Segunda Iteracin
Despus de la primera iteracin, el sistema de ecuaciones queda: -14x1 + -x1 + 2x1 -2x1 + 13x2 2x5 + 48 2x2 + x4 - 1/4x5 x2 + x3 + 1/4x5 2x2 + 1/4x5 + x6 = = 6 = 6 = 2

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

120

La variable bsica entrante es X2 puesto que es la que tiene mayor coeficiente en la funcin objetivo, o bien es la del coeficiente ms negativo en la tabla despus de la primera iteracin. Para determinar la variable bsica, procedemos de manera similar a lo que se hizo en la primera iteracin. En este caso xent = x2 Restriccin 1 a12 = 2, b1 = 6 Restriccin 2 a22 = -1, b2 = 6 Restriccin 1 a32 = 2, b3 = 2

Las cotas superiores son: 6/2 = 2 + ya que a22 = -1 <0 2/2 = 1 La menor cola superior es 1 y corresponde a la tercera restriccin. Entonces la variable bsica salientes es x6 es decir, cambiamos x6 por x2 las nuevas variables bsicas son x4 x3 y x2. Como x2 es ahora una variable bsica, debe tener un coeficiente +1 en la ecuacin (3) y no debe aparecer en ninguna otra ecuacin. Esto se logra de la siguiente manera: Se divide toda la ecuacin (3) por 2, que es el coeficiente de x2 en esa ecuacin. Se multiplica la ecuacin resultante en el paso 1 por 13 , -2 y +1, uno a la vez, y se suman los resultados a las ecuaciones (0), (1) y (2). Z + x1 + 3/8x5 + 13/2x6 = 61 x1 + x4 - x6 = 4 x1 + x3+1/8 x5 +1/2 x6 = 7 -x1 + x-1/8 x5 +1/2 x6 = 1 3.7 REGLA DE PARADA (1) (2) (3) (0)

El resultado es:

Como todos los coeficientes de la ecuacin (0) son positivos, la solucin presente es ptima o sea: Z= 61, x4 = 4, x3 = 7, x2 = 1 y el resto de las variables son cero.
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

121

Tabla Inicial
V.B X1 X2 X3 X4 X5 X6 b

Z X4 X5 X6

-2 1 8 0

-5 5 -4 1

8 1 4 1

0 1 0 0

0 0 0 0

0 0 0 1

0 12 24 8

Primera Iteracin
V.B

Z X4 X5 X6

X1

14 -1 2 -2

X2

13 2 -1 2

X3

0 0 1 0

X4

0 1 0 0

2 1/4 -1/4

X5

X6

1 0 0 1

48 6 6 2

Segunda Iteracin
V.B Z X4 X5 X6 X1

1 1 1 1

X2

0 0 0 1

X3

0 0 1 0

X4

0 0 0 0

3/8 13/2 1 1 1/8 -1/8 1/2

X5

X6

61 4 7 1

Al igual que en la primera iteracin, los resultados se pueden presentar en forma tabular. La tabla inicial y las que resultan despus de la primera y de la segunda iteracin, son las siguientes: La solucin ptima es (x1 , x2 x3 x4 x5 x6 ) = (0,1, 7, 4, 0, 0); Z = 61 Hemos visto la aplicacin del mtodo Simples para obtener la solucin ptima de u problema de PL y su forma tabular asociada. En realidad, el proceso se hace bastante ms expedido utilizando directamente la tabla, sin tener que pasar por las ecuaciones correspondientes. La determinacin de las variables bsica entrante y saliente en cada iteracin, puede hacerse directamente a partir de cada una de las tablas. Vamos a ilustrar, utilizando otro ejemplo, cmo procederamos para obtener la solucin ptima de un problema.

Ejemplo
Maximizar: Z = 4 x1 +3x2
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

122

Sujeto a 2x1 + 3x2 < 60 -3x1 + 2x2 < 30 2x1 + x2 < 40 x1 + x2 > 0 En primer lugar, expresemos el problema en su forma tpica y construyamos la tabla inicial. Maximizar Z Sujeta a 2x1 + 3x2 + x3 = 60 3x1 + 2x2 + x4 = 30 2x1 + x2 + x5 = 40 xj > 0, j = 1,2,....5 La tabla inicial es:
V.B Z X3 X4 X5 X1

Z - 4x1 - 3x2 = 0

-4 2 -3 2

X2

-3 3 2 1

X3

0 1 0 0

X4

0 0 1 0

X5

0 0 1

0 60 30 40

La variable bsica entrante es x1 puesto que es la que tiene el coeficiente ms negativo en la fila de Z. Los coeficientes de x1 (que es la variable bsica entrante) en las restricciones forman lo que llamamos la columna pivote, es decir, la columna pivote sera el vector columna (2,-3,2). Para encontrar la variable saliente, determinamos las cotas superiores finitas dividiendo los trminos del segundo miembro de las ecuaciones, entre los correspondientes de la columna pivote que sean estrictamente positivos. Es decir como 3 es menor que cero, ya sabemos que la cota superior es + y podemos obviarlo para concentrarnos slo en el 2 de la primera restriccin y el 2 de la segunda restriccin: 60+2 =30 40+2 =20 La menor cota superior es 20, corresponde a la tercera restriccin y por consiguiente, la variable bsica saliente es x5 .A esta restriccin la llamamos ecuacin pivote o fila pivote.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

123

La interseccin entre la columna pivote y la fila pivote es lo que llamamos el elemento pivote. Una vez determinada las variables entrante y saliente, dividimos la fila pivote entre el elemento pivote para que el coeficiente de la variable bsica entrante sea +1. Luego efectuamos las operaciones necesarias para formar ceros en el resto de los elementos de la columna pivote, incluyendo la funcin objetivo. El procedimiento se repite hasta que todos los coeficientes de la funcin objetivo, despus de una de las iteraciones, sean no negativos. A continuacin mostramos la tabla y las correspondiente iteraciones realizadas. En cada una de las tablas se ha indicado con un asterisco el elemento pivote.
V.B Z X3 X4 X4 Z X3 X4 X1 Z X2 X4 X1 X1 X2 X3 X4 X5 B Iteracin Solucin

-4 2 -3 2* 0 1 0 1 0 0 0 1

-3 3 2 1 1 2* 7/2 1/2 0 1 0 0

0 1 0 0 0 1 0 0 1/2 1/2 -7/4 1/4

0 0 0 0 1 0 0 1 0 2 0 1 1 3/2 0 1/2 0 3/2 0 -1/2 1 13/4 0 3/4

0 60 30 40 80 20 90 20 90 10 55 15

Z=0 X3= 60 X4=30 X5=40 Z=80 X3=20 X4=90 X1=20 Z=90 X2=10 X4=55 X1=15

Solucin ptima:

( X1

X2

X3

X4

X5) = (15, 10, 0, 55, 0 ); Z =90

los problemas de minimizacin de la funcin se pueden tratar de una manera anloga a los problemas de maximizacin, recordando que minimizar Z equivale a maximizar (-Z). Si se quiere utilizar directamente la minimizacin de la funcin objetivo, entonces debe recordarse que la variable bsica que entra es aquella que tenga el coeficiente ms negativo en la funcin objetivo (ms positivo en la fila de Z de la tabla). Debe recordarse adems que la solucin ptima se alcanza cuando todos

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

124

los coeficientes de las variables en la fila de Z de la tabla son menores o iguales que cero. En la tabla inicial, la funcin objetivo se expresa tambin de la misma forma, o sea: Minimizar Z=

cj xj equivale a maximizar

(-Cj ) xj , o tambin Z +

(-Cj ) xj =0 La primera fila de la tabla sera:

V.B z

X1 -C1

X2 -C2

Xn Cn

b o

Ejemplo
Considere el siguiente problema de PL, donde ya existe una solucin bsica factible de partida formada por las variables X4 X5 X6 Minimizar s.a 3X1 + X2 + X4 4X1 + 3X2 X3 + X5 X1 + 2X2 + X6 Xj > 0 j = 1,2,.... 6

Z = X4 + X5
= 3 = 6 = 3

Expresamos el problema en la forma acostumbrada, Minimizar Z

Z - X4 - X5 = 0
Sujeto a 3X1 + X2 4X1 + 3X2 - X3 X1 + 2X2 + X4 = 3 = 6 = 3

+ X5

+ X6

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

125

En la forma tabular sera:


V.B Z X4 X5 X6 X1

0 3 4 1

X2

0 1 3 2

X3

0 0 -1 0

X4

-1 1 0 0

X5

-1 0 1 0

X6

0 0 0 1

0 3 6 3

Los coeficientes de X4 y X5 en la primera fila debe ser cero, puesto que las variables X4, X5, X6 las hemos supuesto bsicas. Esto se logra sumando a la primera fila, la segunda y tercera. La tabla es entonces:
V.B Z X4 X5 X6 X1

7 3 4 1

X2

4 1 3 2

X3

-1 0 -1 0

X4

0 1 0 0

X5

0 O 1 0

X6

0 O 0 1

9 3 6 3

La variable que entra es X1 (coeficiente ms positivo en la fila de Z) y la variable que sale es X4 puesto que es la que tiene la menor cota superior. Las iteraciones y la solucin ptima se muestran a continuacin:
V.B Z X4 X5 X6 Z X4 X5 X6 Z X4 X5 X6 Z X4 X5 X6 X1

0 3 4 1 7 3 4 1 0 1 0 0 0 1 0 0

X2

0 1 3 2 4 1 3 2 5/3 1/3 5/3 5/3 0 0 1 0

0 0 -1 0 -1 0 -1 0 -1 0 -1 0 0 1/5 -3/5 1

X3

1 1 0 0 0 1 O 0 -7/3 1/3 -4/3 1/3 -1 3/5 -4/5 1

X4

-1 0 1 0 0 0 1 0 0 0 1 0 -1 -1/5 3/5 -1

X5

X6

0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1

0 3 6 3 9 3 1 6 3 2 1 2 2 2 0 3/5 6/5 0

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

126

3.8

MTODO DE LA M O DE PENALIZACIN.

El nico problema serio que introducen las otras formas de restricciones funcionales (= ) es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en forma muy conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales, donde cada una era igual a la constante no negativa del lado derecho de la ecuacin correspondiente. Ahora debe hacerse algo ms. El enfoque estndar que se utiliza es estos casos es la Tcnica de Variables Artificiales. sta construye un problema artificial ms conveniente introduciendo una variable ficticia (llamada variable artificial) en cada restriccin que lo requiera. Esta nueva variable se introduce slo con el fin de que sea la variable bsica inicial para esa ecuacin. Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la funcin objetivo se modifica para que imponga una Penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las iteraciones del mtodo smplex automticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucin; despus de esto se resuelve el problema real. 3.8.1 Tcnica de las Variables Artificiales

Hasta ahora hemos visto cmo la solucin de un problema de PL .Cuando todas las restricciones eran del tipo <. En este caso, al aadir a cada restriccin una variable de holgura se estableca una solucin bsica factible de partida. Sin embargo, a menudo hay problemas donde al menos una de las restricciones es del tipo > o del tipo = cuando una restriccin del tipo > podemos sustraer una variable de holgura, pero aun as no hay de inmediato una base factible de partida. Si la restriccin es del tipo = no siempre es posible la existencia de una variable bsica de partida. Por ejemplo, considere el problema . Minimizar: s.a 6X1 6X1 2X1 X1 ,

Z = 6 X1 +4 X2 +2 X3
+ 2 X2 + 6 X3 >6 + 4 X2 = 12 - 2X2 = 12 X2 , X3 >0 (1) (2) (3)

(0)

La forma tpica del problema es la siguiente: Maximizar:

(-Z)

6X1 - 4X2 -2 X3

(0)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

127

sujeto a 6X1 +2X2 6 X3 X4 6X1 +4X2 2X1 2X2 Xj > 0 para todo j

= 6 = 12 + X7 = 12

(1) (2) (3)

La primera y segunda ecuacin no proporcionan una variables bsicas de partida pero X7 si puede utilizarse como variable bsica en la tercera ecuacin. En casos como estos, es necesario un procedimiento para obtener una solucin bsica factible de partida. La tcnica de variable artificial proporciona de una manera relativamente fcil, las variables bsicas de partida cuando las restricciones sean del tipo = o del tipo >. 3.8.2 Restriccin del Tipo =

Sea , por ejemplo, la restriccin iai1 X1 + ai2 X2 +.... + ain Xn = bi Si aadimos una variable llamada variable artificial, al primer miembro de la ecuacin causa una violacin a la restriccin. No obstante, la dificultad puede subsanarse si se asegura que esa variable artificial sea cero en la solucin final. Luego, la restriccin la expresamos : a
i1

X1 + ai2 X2 +.... + ain Xn + xn+1 =bi

Donde xn+1 es la variable artificial 3.8.3 Restriccin del Tipo >

Sea por ejemplo j aj1 x1 + a j2 x2 +....a jn xn > bj Si sustraemos una variable de holgura, entonces podemos expresar la restriccin como una igualdad. Ahora, si a esta igualdad le aadimos una variable artificial, dispondremos de una variable bsica de partida en esa ecuacin, es decir: aj1 x1 + a
j2

x2 +....a

jn

xn - xn+1 + xn+2 = bj

Donde xn+1 es una variable de holgura xn+2 es una variable artificial. Por supuesto que en este ltimo caso, tambin tiene que asegurarse que la variable artificial sea cero en la solucin final (en caso de que la solucin del problema exista).

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

128

En el ejemplo anterior las restricciones (1) se expresaran: 6 x1 + 2 x2 +6 x3 x4 + x5 6 x1 + 4 x2 2 x1 - 2 x2 + x6 = 6 = 12 = 12

+x7

Las variables artificiales x5 y x6 conjuntamente con la variable de holgura x7 son las variables bsicas de partida. Ya hemos mencionado que tenemos que garantizar que las variables artificiales sean cero en la solucin final, en caso de que esa solucin exista. Vamos a estudiar a continuacin dos tcnicas , basadas en el uso de las variables artificiales, para encontrar la solucin ptima de un problema con restricciones del tipo 0 y del tipo >, garantizando que las variables artificiales sean en la solucin final. 3.9 EL MTODO DE LAS DOS FASES

ste mtodo elimina el uso de la M y resuelve el problema en dos fases. En la fase 1 se utiliza el algoritmo Simplex para suministrar a la fase II una forma factible de partida. Es decir, el producto final de la Fase 1 es una solucin bsica factible (en caso de que exista), en forma tpica, para iniciar la Fase II del mtodo. 3.9.1 Pasos para Cada Fase

Fase I.

Utilice el algoritmo Simplex para obtener la minimizacin de la suma de las variables artificiales, sujeta a las mismas restricciones del problema original, independientemente de si este problema original es de maximizacin o minimizacin. Si la suma de las variables artificiales, x0, es mayor que cero, entonces no existe una solucin bsica factible y se termina el proceso. Si x0= 0, entonces inicie la Fase II del algoritmo.

Fase II.

Utilice la solucin ptima obtenida en la Fase l como solucin de partida al problema original, remplazando la funcin objetivo original (Z) por la de x0. Como es usual, la funcin objetivo original debe ser expresada en funcin de las variables no bsicas. Si al final de la Fase l las variables artificiales son no bsicas, se eliminan de la Fase 11. Si alguna variable artificial es bsica, pero
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

129

a un nivel cero, esta variable se mantiene en el conjunto de variables bsicas, pero debe garantizarse que su valor nunca ser mayor que cero durante la ejecucin de la Fase II. Considere el ejemplo 1, resuelto por el mtodo de la M. Se desea obtener la solucin ptima de este problema utilizando el mtodo de las dos fases. Para mayor factibilidad repetimos aqu el problema. Maximizar: sujeto a 2x1 +3x2 x2 2x1+ x2 x1 , x2 3.9.2

Z = 1.5x1 +x2
> = < > 7 4 8 0

Aplicacin de las Fases

Fase 1

Paso 1: introducimos las variables artificiales x4 y x5 y las de holgura x3 y x6.

Minimizar

x0= x4+x5
sujeta a 2x1 + 3x2 - x3 + x4 2x1 + x2 + x6 x2 + x5 xj > 0 para todo j = 7 = 7 = 8

Puesto que x4 y x5 son variables bsicas, sus coeficientes en la fila x0 deben ser cero. Para ello sumamos las filas (1) y (2) a la fila (0). La tabla inicial para la aplicacin del algoritmo Simplex queda:
V.B x0 x4 x1 x6 x1 2 2 0 2 x2 4 3 1 1 x3 -1 -1 0 0 X4 0 1 0 0 x5 0 0 1 0 x6 0 0 0 1 b 11 7 4 8

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

130

Despus de dos iteraciones la tabla final es la siguiente:


V.B x0 x4 x1 x6 x1 0 0 -2 2 x2 0 1 0 0 x3 0 0 1 0 x4 -1 0 -1 0 x5 -1/9 1/9 1/3 -1/9 x6 0 0 0 1 b 0 4 5 4

Paso 2: La suma de las variables artificiales ,x0, es cero. Iniciamos entonces la Fase II del mtodo.

Fase II
Utilizamos la funcin objetivo original (Z) en lugar de la x0 y eliminamos las variables artificiales x4 y x5, puesto que son no bsicas.
V.B x0 x4 x1 x6 x1 -1/5 0 -2 2 x2 -1 1 0 0 x3 0 0 1 0 X6 0 0 0 2 b 0 4 5 4 (0) (1) (2) (3)

Como la funcin objetivo debe estar expresada en funcin de las variables no bsicas, entonces debemos hacer transformaciones para reducir a cero el coeficiente de x2en la funcin objetivo. Esto lo logramos sumando las filas (0) y (1).
V.B z x2 x3 x6 x1 -1/5 0 -2 2 x1 0 1 0 0 x1 0 0 1 0 x1 0 0 0 1 b 4 4 5 4

Despus de una iteracin la tabla final es:


V.B z x1 x1 x1 x1 0 0 0 1 x2 0 1 0 0 x3 0 0 1 0 x 3/4 0 1 1/2 b 7 4 9 2

La solucin ptima es Z* =7, X*2 =4, x*3=9, x*2 = 1

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

131

3.10 ECUACIONES REDUNDANTES Si una de las ecuaciones que integran el conjunto de las restricciones de un problema de programacin lineal, puede ser obtenida como una combinacin lineal de otras ecuaciones de las que forman el sistema, sabemos por el lgebra elemental que esa ecuacin es redundante y puede ser eliminada del sistema. Por ejemplo, la ecuacin (3) del sistema 2x1 + x2 + x3 = 8 3x1 + 5x2 + 6x3 = 18 7x1 + 7x2 + 8x3 = 34 1 2 3

es redundante, puesto que es la suma del doble de la primera ecuacin ms la segunda ecuacin. La existencia de ecuaciones redundantes puede detectarse durante la Fase I del mtodo Simplex. Si en la tabla final de la Fase I, una vez que se han eliminado las variable artificiales no bsicas, existe una fila en la cual todos los coeficientes de las variables sol cero, a excepcin de un nico 1 en un vector columna correspondiente a una variable artificial, entonces esa fila corresponde a una ecuacin que es redundante en el sistema original y puede ser eliminada al entrar en la Fase II. Por ejemplo, la tabla que se muestra a continuacin es la final de la Fase 1 de un problema de PL, donde x5es una variable artificial.
V.B xc x1 x5 x1 0 2 0 x1 0 1 0 x1 -1 3 0 x4 -2 1 0 x5 0 0 1 b 0 2 0

La tercera fila representa una ecuacin redundante y puede eliminarse de la tabla pan iniciar la Fase II. Satisface por la solucin ptima en el sentido de igualdad, entonces la funcin objetivo puede tomar el mismo valor para ms de una solucin ptima. Como cualquier promedio ponderado de estas soluciones ptimas proporciona otra solucin ptima, implica que el problema tiene infinitas soluciones, cada una de las cuales conduce al mismo valor de la funcin objetivo. En el espacio de dos dimensiones, es fcil detectar si un problema tiene mltiples
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

132

soluciones ptimas. Sin embargo, para el caso general es necesario disponer de una forma de reconocer si un problema tiene mltiples soluciones ptimas, ya que el algoritmo Simplex cesa tan pronto obtiene una de esas soluciones. Considerar el siguiente problema de PL. y Maximizar

sujeto a 6x1 + 4x2 + 10x3 < 20 x3 < 3 x1 + x2 + x1, x2, x3 > 0

Z = 3x1 + 2x2 + 5x3

La tabla final que se obtiene al aplicar el mtodo Simplex es la siguiente:


V.B z x1 x1 x1 0* 3 /5 2 /5 x1 0* 2 /5 3 /5 x1 0 1 0 x1 /2 1 /10 -1/10
1

x4 0 0 1

b 10 2 1

Z* = 1 xl = 2

x5 = 1

La funcin objetivo est expresada como funcin de las variables no bsicas x1, x2 y x4, solo que los coeficientes de x1 y x2 son cero. Como cada coeficiente de una variable no bsica indica la tasa a la cual se incrementara Z al incrementar esa variable, entonces introduciendo x1 o x2 en el conjunto de variables bsicas, no incrementara (ni disminuirla) Z. Esto nos dice que si al menos uno de los coeficientes de las variables no bsicas en la funcin objetivo de la tabla final es cero, entonces el problema tiene mltiples soluciones ptimas. Para generar una nueva solucin, bastara que la variable (0 variables) con coeficientes cero entrase en el conjunto de variables bsicas. Por ejemplo, si hacemos que entre x2 al conjunto, la variable saliente es x5 y la nueva tabla final es:
V.B z x3 x4

0 1/3 2/3

x,

x1

0 0 1

x1

0 1 0

1/2 1/6 -1/6

X4

0 10 -2/3 4/3 5/3 5/3

x1

Z* = 10, xl = 4~~ x2 = 5/3 Usted puede comprobar que si en esta ltima tabla hacemos entrar a x1 al conjunto de variables bsicas, la solucin es Z ~ = 10, x3 = 1/2, x1 =5/2
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

133

3.10.1

Soluciones Degeneradas

Anteriormente se seal que si una variable bsica es cero, entonces la solucin se llama degenerada. Durante la aplicacin del algoritmo Simplex, es posible que ocurra el caso donde dos o ms variables lleguen a cero al mismo tiempo. Esto sucede cuando hay un empate entre dos o ms variables candidatas a ser variables bsicas salientes. Dicho de otra manera, la cota superior mnima es la misma para al menos dos variables. Entonces, cuando se realizan las transformaciones tpicas para mejorar la funcin objetivo, el cociente mnimo es cero, el valor de la funcin objetivo permanece inalterable y slo cambia el conjunto de variables bsicas. Luego es posible que las iteraciones del Simplex entren en un ciclo que repetira la misma secuencia de variables bsicas que iniciaron el proceso. Este problema, llamado ciclare en el algoritmo Simplex no se encuentra a menudo en la prctica, aunque existen procedimientos (como uno que veremos ms adelante) para evitar que ocurra ese fenmeno. Es conveniente sealar que una solucin puede ser temporalmente degenerada y la solucin ptima no seria. Tambin, una solucin ptima puede ser degenerada. Ilustraremos estos dos casos mediante ejemplos. Considere el siguiente problema de programacin lineal. La inicial es: Maximizar:

Z = 5x1 + 6x2
sujeto a x1 + x2 < 8 x1 + 4x2 < ~32 x1, x2 > 0
V.B Z X1 X4 X1

-S 1 1

X2

-6 1 4

X3

0 1 0

X4

0 0 1 m

0 8 32

La variable superior es x2, pero hay un empate en la cota superior de las variables x3 y x4 candidatas a variable saliente. Digamos que seleccionamos a x4como variable bsica saliente, con lo cual la tabla despus de la primera iteracin es:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
V.B Z X3 X2 -E X1 X2 X3 X4 B

134

-7/2 3/4 1/4

0 1 0

3/2 1 0

48 -1/4 1/4 M

0 8

La solucin presente es degenerada puesto que x3 = 0; sin embargo, la solucin no es ptima. Ahora se puede realizar la prxima iteracin introduciendo x1 y sacando x3. La tabla resultante queda:
V.B Z X1 X1 X1

0 1 0

X2

0 0 1

14/3 4/3 -1/3

X3

1/3 -1/3 1/3 m

X4

48 0 8

La solucin presente es tambin degenerada, pero en este caso es ptima. Observe que los valores de las variables en la primera y segunda iteraciones son los mismos, slo que una de las variables bsicas ha cambiado. Maximizar: sujeto a 2x1 + 5x2 < 20 3x1 + 2x2 < 24 x1 - 3x2 < 8 x1, x2 >0

Z=4x1 + 3x2

La tabla inicial y las iteraciones se muestran a continuacin:


V.B Z X3 Z X| X4 X1 Z X| X4 X1 X1

4 2 0 0 0 1 0 0 0 1

X2

-3 5 -15 11 11 -3 0 11 11 -3

X3

0 1 0 1 0 0 0 1 0 0

0 0 0 0 1 0 15/11 0 1 0

X4

0 0 4 -2 -3 1 -1/11 -2 -3 1

X5

0 20 32 4 0 8 32 4 0 8

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Z X4 X3 X2 Z X5 X4 X2

135

0 0 0 1 0 0 0 1

0 0 1 0 0 0 1 0

0 1 0 0 1/11 1 3/11 -2/11

15/11 -1 1/11 3/11 14/11 -1 2/11 5/11

-1/11 1 -3/11 2/11 0 1 0 0

32 4 0 8 356/11 4 12/11 80/11

z*=356/11, x*1 =4, x*2 = 12/11,

x*11= 80/11

Observe que en las iteraciones 1 y 2 la solucin es degenerada, pero la solucin ptima no lo es. 3.11 SOLUCIN PTIMA z* =4 , x*1= 0 , x*2= 1 , x*3= 0 Z*=-34, X*1=2 La tabla final es:
V.B Z X1 X1 X6 X1

0 0 1 0

X2

0 1 0 0

X3

9/2 1 -2 3

X4

9/4 -1 -1 -1

11/2 3 2 1

X5

X6

0 0 0 1

88 10 1 8

Solucion Optima
Z* = 88 x*2 = 10 x*1 = 1 x*6 = 8 Hgase x = x1 - x2 con x1 > 0, x2 > 0, La solucin ptima es: Z* = 20.000; x* = 1000, x*5 =75 La solucin ptima es: Z*=4, x*1 =0, x*2 =1 x*3 =0 La solucin ptima es: Z*=~34, x* =2

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
V.B Z X4 X5 X6 X7 Z X7 X5 X7 Z X2 X5 X6 X7 Z X2 X5 X6 X3 x1 X2 X3 X4 X5 X6 X7 S.M

136

0 1 1 1 -1 -1 1 0 -2 1 -1 2 0 -2 M 0 1 1 -1

1 1 1 -1 1 0 1 0 0 0 1 0 0 0 M+1 1 1 -1 1

0 -1 0 0 0 1 -1 -1 -1 0 0 0 0 1 -M -1 0 0 0

-M 1 0 0 0 -M-1 1 1 0 -M 0 0 0 -1 0 1 0 0 0

0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0

0 0 0 1 0 0 0 1 1 0 0 0 1 0 0 0 0 1 0

0 0 0 0 1 0 0 0 0 -1 1 -1 1 1 0 0 0 0 1

0 1 2 1 1 -1 1 2 -1 1 1 2 0 -M 0 2 1 1

Z=-1, x2=1, x5=1, x6=2, x3= O solucin degenerada

Fase l.
Minimizar:

x0 = x6 + x7
sujeto a 2x1 -3x2 +x3 +3x4 - x5 + x6 =3 x1 + x2-2x3 + 9x4 + x7 x6, x7: Variable artificial
V.B X X6 X7 X0 X6 X7 X0 X6

-4
X5 X6 X7 SM

0 1 1 3 2 1 5/3 -10/3

X1

0 -3 -2 -2 -3 2 10/3 5/3

X2

X30

0 1 9 -1 1 -2 5/3 0

X4

0 3 0 12 3 9 0 0

0 -1 0 -1 -1 0 -1 -1

-1 1 t 0 1 0 0 1

-1 0 1 0 0 1 4/3 -1/3

0 3 4 7 3 4 5/3 5/3

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
X14 X0 X1 X4

137

1/9 0 1 0

1/9 0 -2 1/3

-2/9 0 1 -1/3

1 0 0 1

0 0 -3/5 1/15

0 -1 3/5 -1/15

1/9 -1 -1/5 2/15

4/9 0 1 1/3

Fase II
Eliminamos x6
V.B Z xl X Z X1 xl Z X1 xl xl
Y

x7 -6 1 -1/3 -13/3 1 -1/3 0 -2 -5


xl

-2 1 0 0 1 0 0 1 0

3 -2 1/3 -2/3 -2 1/3 -5 1 5

xl

-1 0 1 0 0 1 -13 9 15

xl

2 -3/5 1/15 13/15 -3/5 (iiis) 0 0 1

xl

S.M

0 1 1/3 7/3 1 1/3 -2 4 5

Solucin
Z6 = -2, x61=4, x*5 =5 Minimizar:

Z-

4x1 - 8 x2 - 3x3 + Mx6 + Mx7 = O

x1+ x2 -x4+x5 = 2 2x2+ x3- x6+x7 = 5 x5, x7: Variables artificiales


V.B Z X X Z X X Z X X Z

4 1 0 4+M 1 0 4-2M 1 -2 4

-8 1 2 -8+3M 0 2 0 1 0 0

-3 0 1 -3+M -1 1 -3+M 0 1 1

0 -1 0 -M 1 2 -8+2M -1 -2 0

X4

-M 1 0 0 0 0 8-3M 1 -1 -M

0 0 -1 -M 0 -1 -M 0 1 4

X7

S.M

-M 0 1 0 2 1 0 0 1 4

0 2 5 7M 5 16M 2 20

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
X Z X X

138

0 -2 1 -2

1 0 1 0

1/2 0 0 1

0 -2 -1 2

0 -M+2 1 -2

-1/2 -3 0 -1

1/2 3-M 0 1

5/2 19 1

Solucin
Maximizar:2x1

Z~ = 19, x*2=2, x*3=1

+ x2

sujeto a x1+ x2 >2 x1 + x2 < 4. x1>0, x2>0 X*1 =4, x*2 = 0, x*3 =2, x*4 =0 El problema es equivalente a: Maximizar: 2x1 + x2 sujeto a x1 + x2 < 2, x1 - 3x2> 3, x1 > 0, x2> O No hay solucin fcil x*1=0, x*2 =0, x*3 =4, x*4.=6

Z =8

Z* = 0

Designemos por x7 la variable artificial en la tercera restriccin. Z+ 3x1 -5 x2 - 3x3 - 9x4 - x5 - Mx7 -x1 + x2 + x3+2x4 + x6 x3 +3x4 + 3x5+x6 2x1 - 2x2 - x3- x4+ x5+x6 +x7 La tabla es:
V.B Z X X X X1

= = = =

0 0 5 5

3 -1 3 3

-5 1 -3 -3

X4

-3 1 -2 -2

9 3 -3 -3

-1 1 0 0

0 0 1 1

-M 0 0 1

0 0 5 5

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Z X X X7 Z X1 X6 Z X X

139

2 -1 3 0 2 -1 3 0 0 1

4 1 -3 0 4 1 -2 0 -1

-2 1 -2 0 -2 1 -2 -2/3 1/3 -2/3

-7 2 -3 0 -7 2 -3 -5 1 -1

0 1 0 0 0 1 0 0 1 0

0 0 1 0 0 0 1 -2/3 1/3 1/3

-M 0 0 1 * * * * * *

0 0 5 0 5 0 5 -10/3 5/3 5/3

Redundante

Solucin

Z =10/3, x1 = 5/3, x5 =5/3

En esta unidad vamos a presentar un tipo de modelo lineal conocido como el modelo o problema de transporte, donde se busca determinar las cantidades de producto de un mismo tipo que se deben enviar desde unas fuentes de suministro u orgenes, hasta unos centros de distribucin o destinos, de tal manera que cumpliendo con las capacidades de suministro de los orgenes y los requerimientos de los destinos, el costo total de transporte sea mnimo. Hay tambin otro problema que tiene una estructura similar al problema de transporte, como es el problema de asignacin. En este problema, tpicamente, se trata de asignar operarios a mquinas o personas a cargos en una empresa, de tal suerte que el costo total de la asignacin sea mnimo. Los problemas de transporte y asignacin pueden resolverse utilizando el mtodo Simplex en su forma original; sin embargo, la estructura especial que tienen estos problemas se presta para aplicar mtodos ms eficientes que la aplicacin directa del Mtodo Simplex. Luego haremos uso de los mtodos especiales de solucin de los modelos. Para el problema de transporte utilizaremos primero un mtodo elemental y, posteriormente, emplearemos un mtodo ms elaborado basado en la teora de dualidad, el cual adems clarifica el hecho de que el mtodo de transporte est basado en el mtodo Simplex. A continuacin, aplicaremos el llamado mtodo hngaro para resolver problemas de asignacin. Finalmente, como lecturas complementarias, describiremos el mtodo de rotulacin para la resolucin de los problemas de transporte y el anlisis de sensibilidad en estos problemas.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

140

3.12 3.12.1

MODELO DE TRANSPORTE Formulacin del Modelo

La programacin lineal es un campo tan amplio que se extiende a subclases de problemas para los cuales existen mtodos de solucin especiales. Una de estas subclases se conoce como problemas de transporte. El mtodo smplex de programacin lineal, puede servir para resolver estos problemas. Pero se han desarrollado mtodos ms sencillos que aprovechan ciertas caractersticas de los problemas. Entonces, el mtodo del transporte son slo tcnicas especiales para resolver ciertos tipos de problemas de programacin lineal. El transporte desempea un papel importante en la economa y en las decisiones administrativas. Con frecuencia la disponibilidad de transporte econmico es crtica para la sobrevivencia de una empresa.

Qu significa problema de transporte?. Supngase que un fabricante tiene tres

plantas que producen el mismo producto. Estas plantas a su vez mandan el producto a cuatro almacenes. Cada planta puede mandar productos a todos los almacenes, pero el costo de transporte vara con las diferentes combinaciones. El problema es determinar la cantidad que cada planta debe mandar a cada almacn con el fin de minimizar el costo total de transporte. La manera ms fcil de reconocer un problema de transporte es por su naturaleza o estructura de-hacia: de un origen hacia un destino, de una fuente hacia un usuario, del presente hacia el futuro, de aqu hacia all. Al enfrentar este tipo de problemas, la intuicin dice que debe haber una manera de obtener una solucin. Se conocen las fuentes y los destinos, las capacidades y demandas y los costos de cada trayectoria. Debe haber una combinacin ptima que minimice el costo (o maximice la ganancia). La dificultad estriba en el gran nmero de combinaciones posibles. Puede formularse un problema de transporte como un problema de programacin lineal y aplicarse el mtodo smplex. Si se hiciera, se encontrara que los problemas de transporte tienen caractersticas matemticas nicas. Para visualizar esto, considrese el siguiente ejemplo:

Ejemplo T.
Chcharos enlatados es uno de los productos ms importantes de la compaa P & Los chcharos se preparan en tres enlatadoras (cercanas a Bellingham, Washington; a Eugene, Oregn y a Albert Lea, Minnesota) y despus se mandan por camin a cuatro almacenes de distribucin (en Sacramento, California; Salt Lake City, Utah; Rapid City, South Dakota y Alburquerque, New Mexico) en el

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

141

oeste de Estados Unidos. Puesto que los costos de embarque constituyen un gasto importante, la gerencia ha iniciado un estudio para reducirlos lo ms posible que se pueda. Se ha hecho una estimacin de la produccin de cada enlatadora para la prxima temporada y se ha asignado a cada almacn una cierta cantidad de la produccin total de chcharos. En la siguiente tabla se proporciona esta informacin (en unidades de carga de camin), junto con el costo de transporte por camin cargado para cada combinacin de enlatadora-almacn. Como se ve hay un total de 300 cargas de camin que se deben transportar. El problema es determinar el plan de asignacin de estos embarques a las distintas combinaciones de enlatadora-almacn que minimice el costo total de transporte.

Costo de Embarque ($) por carga


Almacn 1 2 3 4 Produccin 464 513 654 867 75 352 416 690 791 125 995 682 388 685 100 80 65 70 85

1 Enlatadora 2 3 Asignacin

Este, de hecho, es un problema de programacin lineal del tipo de los problemas de transporte. Para formularlo, sea Z el costo total de transporte y sea xij (i = 1, 2, 3; j = 1, 2, 3, 4) el nmero de cargas de camin que se mandan de la enlatadora i al almacn j. Entonces el objetivo es seleccionar los valores de estas 12 variables de decisin (las xij) para: Minimizar: Z = 464x11 + 513x12 + 654x13 + 867x14 + 352x21 + 416x22 + 690x23 + 791x24 + 995x31 + 682x32 + 388x33 + 685x34

sujeta a las restricciones: X11 + X12 + X13 + X14 X11 X21 + X22 + X23 + X24 X31 + X32 + X33 + X34 - X21 +X31 + X22 + X32 + X23 + X33 X14 + X34 + X24 xij 0 (i = 1, 2, 3; j = 1, 2, 3, 4) = = = = = = = 75 125 100 80 65 70 85

X12

X13

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

142

La siguiente tabla muestra los coeficientes de las restricciones. Como se ver enseguida, lo que distingue a este problema como un problema de transporte es la estructura especial en el patrn de estos coeficientes, no su contexto. Coeficiente de: x22 x23 x24 x31 x32 x33 x34 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Restricciones de almacn Restricciones de enlatadora

x11 x12 x13 x14 x21 1 A= 1 1 1 1 1 1 1

Entre parntesis, la solucin ptima para este problema es x11 = 0, x12 = 20, x13 = 0, x14 = 55,x21 = 80, x22 = 45, x23 = 0, x24 = 0, x31 = 0, x32 = 0, x33 = 70, x34 = 30. Cuando se conozca la prueba de optimalidad se podr verificar este resultado. 3.12.2 Modelo General del Problema de Transporte

Para describir el modelo general del problema de transporte es necesario emplear trminos que sean mucho menos especficos que los que se usaron para los componentes del ejemplo prototipo. En particular, el problema general de transporte se refiere (literal o en sentido figurado) a la distribucin de cualquier bien desde cualquier grupo de centros de abastecimiento, llamados orgenes, a cualquier grupo de centros de recepcin, llamados destinos, de tal manera que se minimicen los costos totales de distribucin. La correspondencia en terminologa entre el ejemplo prototipo y el problema general se resume en la siguiente tabla:
Ejemplo Prototipo Cargas de chcharos enlatados Tres enlatadoras Cuatro almacenes Produccin de la enlatadora i Asignacin al almacn j Costo de embarque por carga desde la enlatadora i al almacn j Problema General Unidades de un bien m orgenes n destinos si recursos en el origen i Demanda dj en el destino j Costo cij por unidad distribuida desde el origen i al destino j

As, por lo general, el origen i (i = 1, 2, ..., m) dispone de si unidades para distribuir a los destinos y el destino j (j = 1, 2, ..., n) tiene una demanda de dj unidades que recibe desde los orgenes. Una suposicin bsica es que el costo de
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

143

distribucin de unidades desde el origen i al destino j es directamente proporcional al nmero distribuido, donde cij denota el costo por unidad distribuida. Igual que para el ejemplo prototipo, estos datos de entrada se pueden resumir en forma muy conveniente en la Tabla de Costos y Requerimientos que se muestra enseguida:
Costo por unidad distribuida Destino 1 2 . . n . c11 c12 . . c1 n . c21 c22 . . c2 n . . . . . . . . . . . . . cm 1 cm 2 . . cmn . d1 d2 . . dn

Recursos

1 Origen 2 . . .

s1 s2
. . .

m
Demanda

sm

Sea Z el costo total de distribucin y xij (i = 1, 2, ..., m; j = 1, 2,..., n) el nmero de unidades que se distribuyen del origen i al destino j, la formulacin de programacin lineal para este problema es: Minimizar sujeta a Z=

c
i=1 j=1

ij

x ij

x
j=1

ij

= si

p a ra i = 1 , 2 , . . . , m

x
i=1

ij

= dj

p a ra j = 1 , 2 , . . . , n
para toda i y j

y xij 0,

Note que la tabla que resulta de los coeficientes de las restricciones tiene la estructura especial que se muestra en la siguiente tabla:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Coeficiente de x11 x12 . . x1n x21 x22 . . x2n . . . . .

144

xm1

xm2 . . .

xmn

. . .

1 1 1 . . . 1
. . .

Restricciones
de origen

A=

. . .

1 1
. . .

1 1
. . .

1 . . . 1 1
. . .

Restricciones
de destino

Cualquier problema de programacin lineal que se ajuste a esta formulacin especial es del tipo de problemas de transporte, sin importar su contexto fsico. De hecho, se han realizado numerosas aplicaciones no relacionadas con el transporte que se ajustan a esta estructura especial. sta es una de las razones por las que el problema de transporte se suele considerar como uno de los tipos especiales de problemas de programacin lineal ms importantes. Una condicin necesaria y suficiente para que un problema de transporte tenga soluciones factibles es que:

s = d
i i =1 j =1

Esta propiedad se puede verificar observando que las restricciones requieren que:

si
i =1

dj
j =1

sean iguales a

x
i =1 j =1

ij

Esta condicin de que los recursos totales deben ser iguales a la demanda total en realidad exige que el sistema est balanceado. Si el problema tiene algn significado fsico y esta condicin no se cumple, casi siempre significa que, o bien si, o bien dj de hecho representan una cota y no un requerimiento exacto. Si este es el caso, se puede introducir un origen o destino imaginario (llamado
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

145

Origen Ficticio o Destino Ficticio) para captar la holgura, con el fin de convertir las
desigualdades en igualdades y satisfacer la condicin de factibilidad El problema de transporte es slo un tipo especial de problemas de programacin lineal y puede resolverse aplicando el mtodo smplex tal y como lo hemos estudiado. Sin embargo, veremos que si se aprovecha la estructura especial que se muestra en la tabla anterior, se puede lograr un importante ahorro en los clculos. Se har referencia a este procedimiento simplificado como el Mtodo Smplex de Transporte. Para hacer hincapi en la simplificacin lograda por el mtodo smplex de transporte, se revisar primero la forma en que el mtodo smplex general (no simplificado) establecera el problema de transporte en forma tabular. Despus de construir la tabla de los coeficientes de restriccin (vea la tabla anterior), de convertir la funcin objetivo a la forma de maximizacin y de usar el mtodo de la M para introducir las variables artificiales z1, z2, ..., zm+n en las m+n ecuaciones de restriccin respectivas, se ve que las columnas de la tabla smplex tendran la forma que se muestra en la siguiente tabla:
Variable bsica Z Ec. Coeficiente de nm. Z . . . (0) 1 (1) . . . (i) 0 . . . (m+j) 0 . . . (m+n ) Lado derecho 0

xij cij

. . .

zi M

. . .

zm+j M

. . .

zi

si

zm+j

dj

En esta tabla, todos los elementos que no se muestran en estas columnas son ceros. El nico ajuste que queda por hacer antes de la primera iteracin es eliminar algebraicamente los coeficientes distintos de cero de las variables bsicas iniciales (artificiales) en el rengln de Z (rengln 0). Despus de cualquier iteracin subsecuente, el rengln 0 tendra la forma que se muestra en la siguiente tabla:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
Variable Bsica Ec. Nm. Coeficiente de Z Z (0) 1 ... xij cijui vj ... zi Mui ... zm+j Mvj ... Lado Derecho

146

siui djvj
i =1 j =1

A causa del patrn de ceros y unos que siguen los coeficientes en la tabla anterior, ui y vj tienen la siguiente interpretacin: ui = mltiplo del rengln i original que se ha restado (directa o indirectamente) del rengln 0 original durante todas las iteraciones del mtodo smplex que llevaron a la tabla actual. vj = mltiplo del rengln m+j original que se ha restado (directa o indirectamente) del rengln 0 original durante todas las iteraciones del mtodo smplex que llevaron a la tabla actual. El rengln 0 actual se puede obtener sin usar ningn otro rengln con slo calcular los valores de ui y vj directamente. Como cada variable bsica debe tener coeficiente cero en el rengln 0, estos valores se pueden obtener resolviendo el sistema de ecuaciones: cijuivj = 0, para cada i y j tal que xij es variable bsica,lo cual se puede hacer de manera directa. Adems de los datos de entrada (los valores de cij, si y dj), la nica informacin que necesita el mtodo smplex de transporte es la solucin bsica factible actual, los valores actuales de ui y vj y los valores resultantes de cijuivj para las variables no bsicas xij. Cuando se resuelve un problema a mano es conveniente registrar esta informacin en una Tabla Smplex de Transporte, como la que se muestra enseguida:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

147

En los casos en que la sumatoria de todo lo que se produce en todos los orgenes es mayor que la sumatoria de todo lo que se demanda en todos los destino o viceversa, entonces se dice que el problema no est balanceado. En estos casos lo primero que se debe hacer antes de intentar resolver el problema es balancearlo.

Para el Caso de Sobreproduccin


(
m

i = 1

> dj )
j=1

Si el caso es que se dispone de mayor produccin de la que se demanda, entonces para balancear el problema se agrega un destino imaginario o artificial (llamado tambin destino ficticio) el cual tendr como demanda dicha sobreproduccin. En cuanto a los costos asociados a este nuevo destino los estableceremos a cero (por qu?). El siguiente dibujo muestra lo que se debe hacer:

donde dn+1 = y ci,n+1 = 0,

si dj
i =1 j =1

para i = 1, 2, ..., m

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

148

Caso de Sobredemanda
(

dj >
j =1

s
j =1

Si el caso es que se tiene mayor demanda de lo que se produce, entonces para balancear el problema se agrega un origen imaginario o artificial (llamado tambin origen ficticio) el cual tendr como recursos (producir) dicha sobredemanda. En cuanto a los costos asociados a este nuevo origen los estableceremos a cero (por qu?). El siguiente dibujo muestra lo que se debe hacer:

donde sm+1 = y cm+1j = 0

dj si
j =1 i =1

para j = 1, 2, ..., n

Como todas las restricciones funcionales en el problema de transporte son igualdades, el mtodo smplex obtendra una solucin inicial bsica factible introduciendo variables artificiales y usndolas como variables bsicas iniciales. La solucin bsica que resulta de hecho slo es factible para la versin aumentada del problema, por lo que se necesita un buen nmero de iteraciones para hacer que el valor de estas variables artificiales sea cero y se alcancen las soluciones bsicas

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

149

factibles reales. El mtodo smplex de transporte pasa por alto todo esto, pues usa un procedimiento ms sencillo para construir directamente una solucin bsica factible real en la tabla de transporte. Antes de describir este procedimiento, es necesario establecer que el nmero de variables bsicas en cualquier solucin bsica de un problema de transporte es una menos de lo que se espera. Normalmente en los problemas de programacin lineal, se tiene una variable bsica por cada restriccin funcional. En los problemas de transporte con m recursos y n destinos el nmero de restricciones funcionales es m+n. Sin embargo, el nmero de variables bsicas = m + n 1. Esto se debe a que se manejan restricciones de igualdad y este conjunto de m + n ecuaciones tiene una ecuacin adicional o (redundante) que se puede eliminar. La razn es que se sabe que la cantidad total que se manda desde todos los orgenes debe ser igual que la cantidad total que se recibe en todos los destinos. Por lo tanto, cualquier solucin bsica factible en una tabla de transporte debe aparecer con exactamente m + n 1 asignaciones no negativas, en donde la suma de las asignaciones en cada rengln o columna es igual a su demanda o sus recursos 3.13 MTODOS PARA ENCONTRAR SOLUCIONES FACTIBLES.

Al iniciar, todos los renglones de los orgenes y las columnas de destinos de la tabla smplex de transporte se toman en cuenta para proporcionar una variable bsica (asignacin). Se selecciona la siguiente variable bsica (asignacin) entre los renglones y columnas en que todava se puede hacer una asignacin de acuerdo a algn criterio. Se hace una asignacin lo suficientemente grande como para que use el resto de los recursos en ese rengln o la demanda restante en esa columna (cualquiera que sea la cantidad ms pequea). Se elimina ese rengln o columna (la que tena la cantidad ms pequea en los recursos odemanda restantes) para las nuevas asignaciones.(Si el rengln y la

columna tiene la misma cantidad de recursos y demanda restante, entonces arbitrariamente se elimina el rengln. La columna se usar despus para proporcionar una variable bsica degenerada, es decir, una asignacin con cero unidades.)

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

150

Si slo queda un rengln o una columna dentro de las posibilidades, entonces el procedimiento termina eligiendo como bsicas cada una de las variables restantes (es decir, aquellas variables que no se han elegido ni se han eliminado al quitar su rengln o columna) asociadas con ese rengln o columna que tiene la nica asignacin posible. De otra manera se regresa al paso 1. Mtodo de la Esquina Noroeste.

3.13.1

la esquina noroeste de la tabla smplex de transporte). De ah en adelante, si xij fue la ltima variable bsica seleccionada, la siguiente eleccin es xi,j+1 (es decir, se mueve una columna a la derecha) si quedan recursos en el origen i. De otra manera, se elige xi+1,j (es decir, se mueve un rengln hacia abajo). Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando la regla de la esquina noroeste en el siguiente ejemplo:
Recursos 5 2 3 10 10

Regla de la esquina noroeste: la primera eleccin es x11 (es decir, se comienza en

3 2 4
Demanda 3

7 4 3
4

6 3 8
2

4 2 5
1

Lo primero que debemos hacer al resolver cualquier problema de transporte es comprobar que est balanceado, si no lo estuviera, agregamos un origen o un destino artificial segn sea el caso para conseguir que el problema quede balanceado y podamos comenzar a resolverlo. En nuestro ejemplo, la sumatoria de los recursos de los tres orgenes es de 10 unidades que es igual a la sumatoria de las demandas de los destinos, por lo que nuestro problema est balanceado y podemos iniciar con la resolucin. Comenzamos asignando en la esquina noroeste de la tabla, es decir, en la celda correspondiente a la variable bsica x11 (paso 1), podemos observar que en la primera columna se demandan 3 unidades del bien y en el primer rengln disponemos de 5 unidades, entonces enviamos las 3 unidades demandadas desde el origen 1 hacia el destino 1 (ya que hay los recursos suficiente para satisfacer toda la demanda) y decrementamos a 2 los recursos restantes en ese origen
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

151

(paso 2). Con sto cubrimos toda la demanda del primer destino ( almacn) y lo cancelamos para las prximas asignaciones (paso 3):
Recursos

3 3 2 4

7 4 3

6 3 8

4 2 5

5 2 2 3

Demanda

3 0

La siguiente asignacin ser en la celda correspondiente a la variable x12 (paso 1) ya que todava le quedan recursos al origen 1 (adems es la esquina noroeste de la tabla restante despus de haber eliminado la primera columna). Notemos que en el segundo destino se demandan 4 unidades del bien y ahora solamente se disponen de 2 unidades en el origen 1, entonces se envan las 2 unidades del origen 1 al destino 2 para satisfacer 2 de las 4 unidades demandadas en este destino quedando 2 por satisfacer (paso 2) y cancelamos el origen 1 ya que no tiene ms unidades del bien para enviar a otro destino (paso 3):
Recursos

3 3 2 4

7 2 4 3

6 3 8

4 2 5

5 2 0 2 3

Demanda

3 0

4 2

La siguente asignacin ser en la celda correspondiente a la variable x22 (paso 1) ya que no le quedan unidades del bien al origen 1 (notemos tambin que esa celda es la que se encuentra en la esquina noroeste de la tabla restante despus de haber eliminado el primer rengln y la primera columna y no olvidemos que estamos aplicando la regla de la esquina noroeste). Ya que solamente faltan 2
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

152

unidades para satisfacer por completo la demanda del segundo destino y se disponen exactamente de 2 unidades en el segundo origen, entonces enviamos 2 unidades del bien del origen 2 al destino 2 (paso 2) y cancelamos el segundo rengln ya que no le quedan ms unidades para enviar a otro destino. Dejamos pendiente la eliminacin de la segunda columna ya que nos servir ms adelante para hacer la asignacin de una variable bsica degenerada, esdecir, una asignacin con cero unidades (paso 3):
Recursos

3 3 2 4

7 2 4 2 3

6 3 8

4 2 5

5 2 0 2 0 3

Demanda

3 0

4 2 0

La siguiente asignacin ser en la celda correspondiente a la variable x32 (paso1) ya que no le quedan ms unidades al origen 2. Notemos que se demandan cero unidades del bien en el segundo destino, en este momento es cuando hacemos una asignacin de cero unidades convirtiendo as a la variable x32 en una variable bsica degenerada (paso 2) y ahora s podemos cancelar la segunda columna para ya no considerarla ms en las siguientes asignaciones (paso 3). Notemos que esta demanda de cero unidades es satisfecha sin ningn problema por el origen 3 ya que ste dispone todava de 3 unidades del bien:
Recursos

3 3 2 4

7 2 4 2 3 0

6 3 8

4 2 5

5 2 0 2 0 3

Demanda

3 0

4 2 0

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

153

Como solamente queda un rengln dentro de las posibilidades (el rengln 3 no ha sido cancelado), entonces aplicando el paso 4 del procedimiento general para construir una solucin inicial bsica factible, la siguiente asignacin ser en la celda que corresponde a la variable x33 (paso 1). Ya que la demanda del tercer destino (2 unidades) puede ser satisfecha muy bien por el tercer origen, entonces enviamos 2 unidades del bien del origen 3 al destino 3 quedando solamente 1 unidad en el tercer origen (paso 2) para enviarlo al cuarto destino y con eso cubrir su demanda de una unidad, cancelando de esta manera tanto el destino 3 como el destino 4 y el tercer rengln ya que la demanda de todos los destinos ya ha sido satisfecha y no quedan ms unidades del bien en ningn origen:
Recursos

3 3 2 4

7 2 4 2 3 0

6 3 8 2 2 0

4 2 5 1 1 0

5 2 0 2 0 3 1 0

Demanda

3 0

4 2 0

Costo = 52

La solucin inicial bsica factible es x11=3, x12=2, x22=2, x32=0 (variable bsica degenerada), x33=2 y x34=1 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es de:
COSTO = X11 C11 X12 3 (3) + 2 C12 X22 (7) + 2 C 22 X32 C32 X34 (4) + 0 (3) + 1 C 34 (5) = 52 Unidades

Es necesario aclarar que esta no es la solucin final del problema, es necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor poltica de transporte que minimice todava ms el costo total. 3.13.2 Mtodo de Aproximacin de Vogel.

Mtodo de Aproximacin de Vogel: para cada rengln y columna que queda bajo consideracin, se calcula su diferencia, que se define como la diferencia aritmtica entre el costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese rengln o columna. (Si se tiene un empate para el costo ms pequeo de los restantes de un rengln o columna, entonces la diferencia es 0). En el rengln o columna que tiene la mayor diferencia se elige la variable que tiene el menor costo

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

154

unitario que queda. (Los empates para la mayor de estas diferencias se pueden
romper de manera arbitraria). Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando el mtodo de aproximacin de Vogel para resolver el ejemplo presentado anteriormente y que fue resuelto por la regla de la esquina noroeste Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna. De las diferencias que obtuvimos nos fijamos en la mayor (Por qu?), que resulta ser para la tercera columna. En esa columna encontramos el costo unitario (cij) menor y en esa celda realizamos la primera asignacin:
Recursos

DIF.
1 0 1

3 2 4
Demanda

7 4 3
4 1

6 3
2

4 2 5
1 2

5 2 0 3 10 10

8
2 0 3
1

DIF.

3 1

escribindole como superndice el nmero que le corresponda en la secuencia de seleccin.

Nota: Marcaremos a la mayor de las diferencias seleccionada encerrndola en un crculo y

Observemos en la figura anterior que nicamente eliminamos el segundo rengln ya que la tercera columna nos servir despus para hacer la asignacin de una variable bsica degenerada. Continuando con la aplicacin del mtodo, tenemos que calcular nuevamente las diferencias de las columnas ya que hemos eliminado un rengln y sto puede ocasionar que las diferencias aritmticas entre el costo unitario ms pequeo y el que le sigue ya no sean las mismas:
Recursos

DIF.
1 0 1

3 2 4
Demanda

7 4 3
4 1 1 4
2

6 3
2 3

4 2 5
1 2 1

5 2 0 3 0 10 10

8
2 0 3 2
1

DIF.

3 1 1

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

155

Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya que solamente queda un rengln dentro de las posibilidades (sto no significa que solamente un rengln quede bajo consideracin ya que podemos observar que ninguna de las cuatro columnas (destinos) ha sido eliminada y todas quedan todava bajo consideracin), no es posible encontrar la diferencia aritmtica entre el costo menor y el que le sigue, por lo tanto vamos tomando una a una las celdas que quedan comenzando con la de menor costo unitario hasta que todas hayan sido asignadas.
Recursos

DIF.
1 0 1

3 2 4
Demanda

7 4 3

5 2 1 0 1 2 0 3 0 10 10

0
3
2

2 5
1 0 2 1

8
2 0 3 2
1

DIF.

3 0 1 1

4 1 0 1 4
2

La Solucin Inicial Bsica Factible es x11=3, x12=1, x13=0 (variable bsica degenerada), x14=1, x23=2 y x32=3 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es de:
COSTO = X11 C11 X12 C12 X13 C13 X14 C14 X23 C23 X32 C32 3 (3) + 1 (7) + 0 (6) + 1 (4) + 2 (3) + 3 (3) = 35 Unidades

Es necesario aclarar que sta puede o no ser la solucin final del problema, es necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor poltica de transporte que minimice todava ms el costo total.

Comparacin de Criterios Alternativos para el Paso 1


Se compararn estos dos criterios para elegir la siguiente variable bsica. La virtud principal de la regla de la esquina noroeste es la facilidad y rapidez con que se aplica. Sin embargo, como no le da importancia a los costos unitarios cij, por lo general la solucin que se obtiene distar mucho de la ptima. Si se realiza un esfuerzo un poco mayor para encontrar la solucin inicial bsica factible, es posible que se reduzca mucho el nmero de iteraciones que despus necesita el mtodo smplex de transporte para encontrar la solucin ptima. El objetivo del otro criterio es precisamente encontrar una solucin as.
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

156

El mtodo de aproximacin de Vogel ha sido el ms popular durante muchos aos, en parte porque es relativamente fcil hacerlo a mano. Este criterio toma en cuenta los costos unitarios en forma efectiva ya que la diferencia representa el mnimo costo adicional en que se incurre por no hacer una asignacin en la celda que tiene el menor costo en esa columna o rengln. Podemos decir, que el mtodo de aproximacin de Vogel proporciona una mejor solucin inicial que el criterio de la esquina noroeste, en otras palabras es ms cualitativo. El siguiente paso despus de hallar una solucin inicial bsica factible (por cualquiera de los dos criterios expuestos anteriormente) es verificar si esta solucin inicial es efectivamente ptima aplicando la prueba de optimalidad. Y la cual se puede reducir de la siguiente manera: Una solucin bsica factible es ptima si y slo si cijuivj 0 para toda (i,j) tal que xij es no bsica. As, lo nico que hay que hacer para realizar esta prueba es obtener los valores de ui y vj para la solucin bsica factible actual y despus calcular los valores cijuivj segn se describe enseguida. Como el valor de cijuivj debe ser cero si xij es una variable bsica, ui y vj satisfacen el conjunto de ecuaciones: cij = ui + vj, para cada (i,j) tal que xij es bsica. Existen m+n1 variables bsicas y por tanto hay m+n1 ecuaciones de este tipo. Como el nmero de incgnitas (las ui y vj) es m+n, se puede asignar un valor arbitrario a cualquiera de estas variables sin violar las ecuaciones. La eleccin de esta variable y su valor no afecta el valor de ningn cijuivj, aun cuando xij sea no bsica, por lo que la nica diferencia (menor) estriba en la facilidad para resolver estas ecuaciones. Una eleccin conveniente para lograr esto es seleccionar la ui que tiene el mayor nmero de asignaciones en su rengln (los empates se rompen de manera arbitraria) y asignarle un valor de cero. Gracias a la sencilla estructura de estas ecuaciones, resulta muy fcil obtener algebraicamente los valores del resto de las variables. Para ejemplificar la prueba de optimalidad, consideremos la solucin inicial bsica factible obtenida por la regla de la esquina noroeste para nuestro ejemplo en cuestin:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
v1 3 v2 2 2 0 v3 v4 Recursos 5 2 3 1 ui

157

u1 u2 u3 Demanda vj

3 2 4

7 4 3

6 3 8

2
2

5
1

Costo=52

Para este problema, existen m+n1=3+41=6 variables bsicas, que dan origen al siguiente conjunto de ecuaciones:
3 7 4 3 8 5 = = = = = = u1+v1 u1+v2 u2+v2 u3+v2 u3+v3 u3+v4

Observemos que resultaron ser 6 ecuaciones que involucran 7 incgnitas (tres de las ui y cuatro de las vj), por lo que este sistema de ecuaciones no es cuadrado. La forma de resolverlo es dando un valor arbitrario a una de las incgnitas, para que, a partir de l encontremos el valor de las dems. La regla para hacer esta asignacin arbitraria nos dice que sea para la ui ( rengln) que haya tenido el mayor nmero de asignaciones. En nuestro ejemplo, el rengln 1 tuvo dos asignaciones, el rengln 2 tuvo una asignacin y por ltimo el tercer rengln tuvo tres asignaciones, por lo que asignamos el valor de cero a la incgnita u3. De esta asignacin resulta lo siguiente:
3 7 4 3 8 5 = = = = = = u1+v1 u1+v2 u2+v2 u3+v2 u3+v3 u3+v4

v2 = 3 v3 = 8 v4 = 5

Hemos obtenido el valor de tres incgnitas ms, v2, v3 y v4, los cuales nos ayudarn para hallar el valor de las incgnitas restantes:
3 = u1+v1 7 = u1+v2 4 = u2+v2 si u1=4, entonces v1= 1 si v2=3, entonces u1= 4 si v2=3, entonces u2= 1

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
3 = u3+v2 8 = u3+v3 5 = u3+v4 v2 = 3 v3 = 8 v4 = 5

158

De esta forma hemos obtenido el valor de todas las incgnitas y procedemos a colocarlos en la tabla como sigue:
u1 u2 u3 Demanda vj

3 2 4

v1 3

7 4 3

v2 2 2 0

6 3 8

v3

v4

Recursos 5 2 1 3

ui 4 1 0

2
2

5
1 5

3 1

4 3

2 8

Costo=52

Ahora calculemos los valores cijuivj para las variables no bsicas, ya que para las bsicas, este valor es cero (por la forma de las ecuaciones con que se hallaron los valores de las incgnitas ui y vj), y coloquemos estos valores en la esquina inferior izquierda de cada celda:
Para Para Para Para Para Para la la la la la la celda celda celda celda celda celda (1,3): (1,4): (2,1): (2,3): (2,4): (3,1): 6 4 2 3 2 4 4 4 1 1 1 0 8 = 6 5 = 5 (1) = 2 8 = 6 5 = 4 (1) = 5

u1 u2 u3

v1 3

v2

7 0 4 0 3 0
4 3

2 2 0

v3

v4

Recursos 5 2 3 1

ui 4 1 0

0 2 2 4 5

6 3 6 8 0
2 8

5 2 4 5 0
1 5

Demanda vj

3 1

Costo=52

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

159

En este momento se puede aplicar la prueba de optimalidad para verificar los valores de cijuivj obtenidos. Como cuatro de estos valores (c13u1v3= 6, c14u1v4= 5, c23u2v3= 6, c24u2v4= 4), son negativos, se concluye que la solucin bsica factible actual no es ptima. Entonces, el mtodo smplex de transporte debe proceder a hacer una iteracin para encontrar una mejor solucin bsica factible.

Una Iteracin
Igual que para mtodo smplex estndar, una iteracin del mtodo smplex de transporte debe determinar una variable bsica entrante (paso 1), una variable bsica que sale (paso 2) y despus identificar la nueva solucin bsica factible que resulta (paso 3). Paso 1:

Como cijuivj representa la tasa a la que cambia la funcin objetivo si se incrementa la variable no bsica xij, la variable que entra debe tener un valor de cijuivj negativo, para que el costo total Z disminuya. Entonces, los candidatos en la tabla anterior son x13, x14, x23 y x24 . Entre ellos se elige el valor negativo ms grande (en trminos absolutos) de cijuivj como la variable bsica entrante, que en este caso corresponde a x13 y x23. En los casos en que haya empate para la eleccin de la variable bsica entrante, este empate se rompe de manera arbitraria, ya que tarde o temprano llegaremos a la misma solucin independientemente de la eleccin de la variable. Pero, observemos lo siguiente: ya que debemos elegir la variable bsica entrante, es decir, aquella que comenzar a tener un valor (ya que antes no lo tena porque era variable no bsica), entonces, es conveniente que elijamos aquella que tenga el costo menor, ya que el valor de la variable entrante multiplicado por su respectivo costo ser la contribucin al costo total. En nuestro caso, el costo asociado a x13 es 6 y el costo asociado a x23 es 3, por lo que la variable que debemos elegir como entrante es x23. Paso 2:

Si se incrementa el valor de la variable bsica entrante, se establece una reaccin en cadena de cambios compensatorios en otras variables bsicas (asignaciones)

para seguir satisfaciendo las restricciones de recursos y demanda. La primera variable bsica que disminuya su valor hasta cero ser la variable bsica que sale. En general, siempre existe slo una reaccin en cadena (en cualquier direccin) que se puede completar con xito para conservar la factibilidad, cuando la variable bsica entrante aumenta su valor. Esta reaccin en cadena se puede identificar si se hace una seleccin entre las celdas que tienen variables bsicas: primero, la celda donadora en la columna que tiene la variable bsica; despus, la celda
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

160

receptora en el rengln que corresponde a la celda donadora; luego, la celda

donadora en la columna en que se encuentra esta celda receptora, y as sucesivamente, hasta que la reaccin en cadena conduce a una celda donadora en el rengln que tiene a la variable bsica entrante. Cuando una columna o rengln tiene ms de una celda adicional con variable bsica, puede ser necesario explorar el camino que se va aseguir para averiguar cul debe seleccionarse como celda donadora o receptora. (Todas las dems menos la adecuada llegarn tarde o temprano a un camino sin salida en un rengln o columna que no tiene otra celda con una variable bsica). Despus de identificar la reaccin en cadena. La celda donadora que tiene la asignacin menor proporciona en forma automtica la variable bsica que sale. (En caso de un empate para la celda donadora, se puede elegir cualquiera para proporcionar la variable bsica que sale).

Si x23 es la variable bsica entrante, la reaccin en cadena de la tabla anterior se resume enseguida. (Siempre se indicar la variable bsica entrante colocando un signo + encuadrado dentro de su celda):
u1

v1 3

v2

7 0

v3

v4

Recursos 5

ui 4

0
u2

6
2

5
+

2 2

4 0 3 0
4 3

3 6

2 4

u3

4 5

+ 0

8 0
2 8

5 0
1 5

Demanda vj

3 1

Costo=52

Al aumentar x23 debe disminuir x33 en la misma cantidad para conservar la demanda de 2 en la columna 3; esto a su vez requiere que se aumente x32 en esa cantidad para mantener la oferta de 3 en el rengln 3 y esto a su vez exige una disminucin en el valor de x22 para conservar la demanda de 4 en la columna 2. Esta disminucin en x22 completa con xito la reaccin en cadena ya que tambin conserva la oferta del rengln 2. El resultado final es que las celdas (2,3) y (3,2) se convierten en celdas receptoras, cada una con su asignacin adicional proveniente de las celdas donadoras (2,2) y (3,3). Estas celdas estn indicadas en la tabla anterior por medio de los signos + y ). Observe que tuvo que elegirse la celda (3,2) como celda receptora para el rengln 3 y no la (3,4), ya que esta
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

161

ltima no hubiera tenido celda donadora en la columna 4 para continuar la reaccin en cadena. Note adems que, a excepcin de la variable bsica entrante, todas las celdas receptoras y donadoras en la reaccin en cadena deben corresponder a variables bsicas en la solucin bsica factible actual. Cada celda donadora disminuye su asignacin en una cantidad exactamente igual al aumento que tiene la variable bsica entrante (y las otras celdas receptoras). Entonces, la celda donadora que comienza con la asignacin ms pequea en este caso las celdas (2,2) y (3,3) debe ser la primera en llegar a una asignacin de cero conforme se incrementa la variable entrante x23. As, x22 x23 se pueden convertir en la variable bsica que sale. Cuando existe empate para la variable bsica que sale, ste puede romperse de manera arbitraria, es decir, eligiendo cualquiera de las variables donadoras con la asignacin ms pequea como variable bsica saliente. Como una regla emprica, podemos seleccionar como variable bsica saliente aqulla que tenga asociado el mayor costo unitario, ya que como esta variable perder completamente su valor (es decir, se convertir de variable bsica a variable no bsica), esperaramos que el costo total de transporte disminuya. As, escogeramos a x33 como variable bsica saliente. Paso 3:

La nueva solucin bsica factible se identifica sumando el valor (antes de los cambios) de la variable bsica que sale a las asignaciones de cada celda receptora y restando esta misma cantidad de las asignaciones de cada celda donadora. En la tabla anterior se observa que el valor de la variable bsica que sale x33 es 2, por lo que esta porcin de la tabla smplex de transporte cambia, como se ilustra en la siguiente tabla para la nueva solucin. (Como x33 es no bsica en la nueva solucin, su nueva asignacin es cero y ya no se muestra en la tabla).
u1

v1 3

V2

7 0 4 0 3 0
4

v3

v4

Recursos 5

ui

u2

0 2 2

6 3 6

5 2 4 5 0
1 1

u3

4 5

8 0
2

Demanda vj

Costo=40

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

162

En este momento se puede sealar una interpretacin til de las cantidades cijuivj que se obtienen en la prueba de optimalidad. Debido al cambio de 2 unidades en las asignaciones de las celdas donadoras a las receptoras, el costo total cambia en:

Z = 2(38+34) = 2(6) = 12 = 2(c23u2v3)


es decir, el costo total de transporte se decrementa en 12 unidades con respecto al costo anterior que era de 52 unidades. Notemos que hemos obtenido una nueva poltica de transporte, la cual podemos resumir as: La nueva solucin bsica factible es x11=3, x12=2, x22=0 (variable bsica degenerada), x23=2, x32=2 y x34=1 y el costo total de transporte asociado es de: COSTO =

x11 c11

3 (3) + 2 (7) + 0 (4) + 2 (3) + 2 (3) + 1 (5) = 40 unid.

x12 c12

x22 c22

x23 c23

x32 c32

x34 c34

Antes de completar la solucin del problema ejemplo, se har un resumen de las reglas del mtodo smplex de transporte.

Resumen del Mtodo Smplex de Transporte


Inicializacin: se construye una solucin inicial bsica factible. prueba de optimalidad. Se realiza la

Prueba de optimalidad: se obtiene ui y vj eligiendo el rengln con el mayor nmero de asignaciones y estableciendo su ui = 0, y despus resolviendo el sistema de ecuaciones cij = ui+vj para cada (i,j) tal que xij es bsica. Si cijuivj 0 para toda (i,j) tal que xij es no bsica, entonces la solucin actual es ptima por lo que el proceso se detiene. De lo contrario, se regresa a una iteracin. Iteracin: Se determina la variable bsica entrante: se elige la variable no bsica xij que tiene el valor negativo ms grande (en trminos absolutos) para cijuivj. Se determina la variable bsica que sale identificando la reaccin en cadena (encontrar un circuito) que se necesita para conservar la factibilidad cuando se aumenta el valor de la variable bsica entrante. Entre las celdas donadoras se selecciona la variable bsica que tiene el menor valor. Se determina la nueva solucin bsica factible: se suma el valor de la variable bsica que sale a las asignaciones de las celdas receptoras y se resta este valor a las asignaciones de las celdas donadoras.
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

163

Continuando con la aplicacin de este procedimiento a nuestro problema, tenemos que calcular los nuevos valores de las ui y vj y despus los valores cijuivj correspondientes a las variables no bsicas para determinar si todos cumplen con la prueba de optimalidad: Nuevamente existen m+n1=3+41=6 variables bsicas, que dan origen al siguiente conjunto de ecuaciones:
3 7 4 3 3 5 = = = = = = u1+v1 u1+v2 u2+v2 u2+v3 u3+v2 u3+v4

Observemos que nuevamente resultaron ser 6 ecuaciones que involucran 7 incgnitas (tres de las ui y cuatro de las vj). Ya que hay empate en el nmero de asignaciones que tiene cada rengln (2 asignaciones en cada rengln), asignemos el valor de cero a la incgnita u1. De esta asignacin resulta lo siguiente:
3 7 4 3 3 5 = = = = = = u1+v1 u1+v2 u2+v2 u2+v3 u3+v2 u3+v4 v1=3 v2=7

Hemos obtenido el valor de dos incgnitas ms, v1, y v2, los cuales nos ayudarn para hallar el valor de las incgnitas restantes:
3 7 4 3 3 5 = = = = = = u1+v1 u1+v2 u2+v2 u2+v3 u3+v2 u3+v4 v1=3 v2=7 si v2=7, entonces u2= 3 si u2= 3, entonces v3=6 si v2=7, entonces u3= 4 si u3= 4, entonces v4=9

De esta forma hemos obtenido el valor de todas las incgnitas y procedemos a colocarlos en la tabla como sigue:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos
v1 3 v2 v3 v4 Recursos 5 ui 0

164

u1

u2

3 4

u3

Demanda vj

3 3

4 7

2 6

1 9

Costo=40

Ahora calculemos los valores cijuivj para las variables no bsicas y coloquemos estos valores en la esquina inferior izquierda de cada celda:
Para Para Para Para Para Para v1 3 la la la la la la celda celda celda celda celda celda v2 (1,3): (1,4): (2,1): (2,4): (3,1): (3,3): 6 4 2 2 4 8 06 09 (3) (3) (4) (4) =0 = 5 3= 9= 3= 6= v4

2 4 5 6 Recursos 5 ui 0

u1

7 0 4 0 3 0
4 7

6 0

v3

0
u2

5
2

2 2 4 5

3 0 8 6
2 6

2 4 5 0
1 9

3 4

u3

Demanda vj

3 3

Costo=40

Aplicando la prueba de optimalidad para verificar los valores de cijuivj obtenidos, vemos que dos de estos valores ( c14u1v4= 5, c24u2v4= 4) son negativos, se concluye que la solucin bsica factible actual no es ptima. Entonces, el
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

165

mtodo smplex de transporte debe proceder a hacer una iteracin para encontrar una mejor solucin bsica factible. Aplicando el procedimiento descrito anteriormente, se llega al siguiente conjunto de tablas smplex de transporte que se muestra enseguida y que dan solucin al problema planteado: v1 3 0 2 2 4 5
Demanda

u1 u2 u3

v2 7 0 4 0 3 +

2 0

v3 6 0 3 0 8 6 2 6 v3 6 2

v4 4 5 2 4 5 0 1 9 v4 4 5 2 2 4 5 0 1 1 1 +

Recursos

ui 0 3 4

5 2 3

0 2 4 7 v2 7 0 4 0 3 0 4 3 0

vj

3 3 v1 3 0 2 3

Costo=40

Recursos

ui

u1

0 3 0 8 6 2

u2

2 2

u3

4 5

Demanda

Costo=35

vj La nueva solucin bsica factible es x11=3, x12=1, x14=1, x22=0 (variable bsica degenerada), x23=2 y x32=3 y el costo total de transporte asociado es de:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

166

COSTO =

x11 c11

x12 c12

c12 c14
1

x22 c22
0 (4) +

x23 c23

c23 c32

3 (3) +

1 (7) +

(4) +

2 (3) +

3 (3) = 35 Unid.

Como en esta ltima tabla todas las cijuivj son no negativas (comprobarlo!), la prueba de optimalidad identifica este conjunto de asignaciones como ptimo, lo cual concluye el algoritmo.

Proceso de Comprensin y Anlisis


Los problemas que encontrar a continuacin los puede resolver utilizando el mtodo que ms se le facilite para poder llegar a la solucin ptima. Problema # 1 Cierta compaa tiene 3 plantas con exceso en su capacidad de produccin. Las 3 plantas pueden fabricar un determinado producto y la gerencia ha decidido usar parte de la capacidad adicional para esto. El producto puede hacerse en tres tamaos: grande, mediano y pequeo los cuales darn una ganancia neta de 375, 330 y 275 pesos respectivamente. La planta 1, 2 y 3 tienen capacidad de equipo y mano de obra para producir 750, 900 y 450 unidades diarias cada una, sin importar el tamao o la combinacin de tamaos que se pida. Sin embargo la cantidad de espacio disponible para almacenar materiales en proceso impone una limitacin en las tasas de produccin. Se cuanta cuenta con 13000, 12000 y 5000 pies2 de espacio en las plantas. Para los materiales en proceso para la produccin diaria de este producto cada unidad grande, mediana y pequea que se produce requiere 20, 15 y 12 pies2 respectivamente. Los pronsticos de mercado indican que se pueden vender 900, 1200 y 750 unidades diarias correspondientes a los 3 tamaos. Con el fin de mantener una carga de trabajo uniforme entre la plantas y para conservar alguna flexibilidad la gerencia ha decidido que la produccin adicional con que cuentan. Formular un programa lineal que se pueda utilizar para encontrar cuntas unidades diarias de cada tamao debe producir cada planta para maximizar la ganancia. Problema #2 La Principal sucursal de Banco de Oriente requiere de 8 a 15 cajeros de servicio, dependiendo de la hora del da. Tal como se indica en la tabla los cajeros de
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

167

tiempo completo trabajan 8 horas consecutivas a 15 pesos la hora, comenzando a las 8 a.m. Los cajeros de tiempo parcial trabajan 4 horas consecutivas a 8 pesos la hora, comenzando a las 8 o 10 a.m. o a las 12 del medio da. Las regulaciones sindicales requieren que a toda hora al menos 60% de los cajeros sean de tiempo completo. Como gerente de departamento de personal haga una recomendacin respecto al nmero de empleados de tiempo completo y de tiempo parcial requeridos a los largo del da para minimizar el costo diario total.
HORARIO 8 10 a.m. 10 12 a.m. 12 2 p.m. 2 4 p.m. # MIN. DE CAJERO 8 10 15 12

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

168

UNIDAD 4 Redes de Distribucin


Descripcin Temtica En la presente unidad se exponen contenidos bsicos en cuanto a las Redes de Distribucin, detallados de una manera sencilla para contribuir a la adquisicin de conocimientos ciertos Para el desarrollo de las habilidades y aclaracin de incomprensiones (que se pueden citar y que son obvias) es necesario la realizacin de los ejercicios citados Se recomienda la ampliacin de la informacin recurriendo a la bibliografa que al final del documento se indica, pues el proceso de aprendizaje no termina en este mdulo.

Horizontes
Dar a conocer al importancia de las Redes de Distribucin dentro de una organizacin para la consecucin de objetivos pronosticados. Proveer al alumno fundamentos que lo faculten para el aporte de disposiciones con el fin de optimizar los mecanismos de distribucin y satisfacer las demandas.

Ncleos Temticos y Problemticos


Definicin Redes de Distribucin Problema de Transportacin Problema de Transbordo Problema de Asignacin

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

169

Proceso de Informacin
4.1 DEFINICIN DE REDES DE DISTRIBUCIN

Las redes de distribucin consisten en una coleccin finita de crculos llamados nodos, cada uno de los cuales representa una planta un almacn o una tienda al menudeo. Los nodos desde los cuales se van a enviar los bienes (como fabricas y plantas) son nodos de suministro. Los nodos que van a recibir los bienes en cumplimiento de una demanda conocida como las tiendas detallistas se conocen como nodos de demanda. Los nodos que reciben bienes de otros nodos para su redistribucin se conocen como nodos de transbordo o nodos intermedios, las parejas de nodos seleccionados de una red se conectan mediante una flecha conocida como arco , que representa una ruta de envi valida desde del nodo de origen al de destino. 4.2 PROBLEMA DE TRANSPORTACIN

El problema de transportacin es una clase especifica de red de distribucin, con el cual se puede determinar como enviar bienes terminados, de la manera menos costosa posible, directamente desde las plantas hasta las tiendas detallistas, sin que halla almacenes intermedios.

Ejemplo.
Mediscan, Inc., renta equipo especializado de rayos X a hospitales, actualmente hay tres maquinas ubicadas en Nueva York, dos en Chicago y tres en los ngeles. Hay hospitales en Dallas que requieren cuatro maquinas. Los de Denver y Phoenix necesitan cada uno dos mquinas. El costo (en dlares) de enviar una maquina de cada ciudad a cada hospital se muestra en la siguiente tabla:
HACIA Dallas Denver Phoenix

DESDE

Nueva York Chicago Los Angeles

1600 900 1400

1800 1000 1000

2500 1800 400

A continuacin se debe dibujar una red de distribucin que indique los suministros, demandas y otros datos relevantes apropiados (cuando sea adecuado, se aaden nodos y arcos figurados para obtener un problema equilibrado), y se formula un

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

170

modelo matemtico que determine cuantas maquinas deberan enviarse desde cada ciudad a cada hospital para incurrir en el mnimo costo.

Variables de Decisin.
DESDE Nueva york Chicago Los ngeles HACIA Dallas Denver Phoenix

XNDA XCDA XADA maquinas maquinas maquinas maquinas maquinas maquinas maquinas maquinas maquinas a a a a a a a a a enviar enviar enviar enviar enviar enviar enviar enviar enviar desde desde desde desde desde desde desde desde desde

XNDE XCDE XADE

XNP XCP XAP

XNDA XNDE XNP XCDA XCDE XCP XADA XADE XAP

= = = = = = = = =

Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad

de de de de de de de de de

Nueva York hacia Dallas Nueva York hacia Denver Nueva York Hacia Phoenix Chicago Hacia Dallas Chicago Hacia Denver Chicago Hacia Phoenix Los ngeles Hacia Dallas Los ngeles Hacia Denver Los ngeles Hacia Phoenix

Funcin Objetivo. Minimizar los Costos Z = 1.600XNDA + 1.800XNDE + 2.500XNP + 900XCDA + 1.000XCDE +1.800XNP
+1.400XADA + 1.000XADE + 400XAP

Sujeto a las siguientes Restricciones


De Capacidad (Nueva York) (Chicago) (Los ngeles)

XNDA + XNDE + XNP 3 XCDA + XCDE + XCP 2 XADA + XADE + XAP 3 De Demanda.

XNDA + XCDA + XADA 4 XNDE + XCDE + XADE 2 2 XNP + X CP + XAP Lgica.

(Dallas) (Denver) (Phoenix)

XNDA , XNDE , XNP, XCDA, XCDE, XCP, XADA, XADE, XAP 0

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

171

Minimizar los Costos Z = 1.600XNDA + 1.800XNDE + 2.500XNP + 900XCDA + 1.000XCDE +1.800XNP


+1.400XADA + 1.000XADE + 400XAP

Sujeto a las siguientes Restricciones:


De Capacidad (Nueva York) (Chicago) (Los ngeles)

XNDA + XNDE + XNP 3 XCDA + XCDE + XCP 2 XADA + XADE + XAP 3

De Demanda (Dallas) (Denver) (Phoenix)

XNDA + XCDA + XADA 4 XNDE + XCDE + XADE 2 XNP + X CP + XAP 2

Lgica

XNDA , XNDE , XNP, XCDA, XCDE, XCP, XADA, XADE, XAP 0 4.2.1 Algoritmo de Transportacin

Este algoritmo requiere que la cantidad total de suministros sea exactamente igual a la cantidad total de la demanda. A esto se le conoce como problema de transportacin equilibrado, porque el suministro y la demanda estn equilibrados. El problema de transportacin no equilibrado se presenta cuando el suministro total no es igual a la demanda total, y se puede presentar de dos maneras , cuando hay demasiada demanda y el suministro no es suficiente y cuando hay demasiado suministro y la demanda es insuficiente. Podemos convertir un problema de transportacin no equilibrado en uno equilibrado equivalente introduciendo un nodo, de demanda (cliente figurado) o de suministro (suministro figurado) dependiendo del caso, el cual nos permitir equilibrar nuestro problema y as encontrar la mejor solucin para este. Recurrimos al ejemplo anterior con algunas modificaciones para explicar lo acabado de citar

Ejemplo: Oferta es Mayor que la Demanda


Mediscan. Inc., renta equipos especializados de rayos X a hospitales, actualmente hay 5 maquinas ubicadas en Nueva York, 2 en Chicago y 3 en los ngeles. Hay hospitales en Dallas que requieren 4 maquinas. Los de Denver y Phoenix
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

172

necesitan cada uno 2 mquinas. El sobrante en la oferta de las maquinas, es donado a hospitales de caridad, esto genera una exencin de impuestos por maquina del 0.10 en Nueva York, -0.03 en Chicago y 0.03 en Los ngeles, que se traducen en una reduccin de costos en el envi. El costo (en dlares) de enviar una maquina de cada ciudad a cada hospital se muestra en la siguiente tabla:
HACIA DESDE Nueva York Chicago Los Angeles Dallas Denver Phoenix

1600 900 1400

1800 1000 1000

2500 1800 400

Variables de Decisin
HACIA DESDE Nueva york Chicago Los ngeles Dallas Denver Phoenix

XNDA XCDA XADA

XNDE XCDE XADE

XNP XCP XAP

Funcin Objetivo: Minimizar los Costos Z = 1.600XNDA + 1.800XNDE + 2.500XNP + 900XCDA + 1.000XCDE +1.800XNP
+1.400XADA + 1.000XADE + 400XAP

Sujeto a las siguientes Restricciones:

De Capacidad (Nueva York) (Chicago) (Los ngeles)

XNDA + XNDE + XNP 5 XCDA + XCDE + XCP 2 XADA + XADE + XAP 3

De Demanda (Dallas) (Denver) (Phoenix)

XNDA + XCDA + XADA 4 XNDE + XCDE + XADE 2 XNP + X CP + XAP 2

Lgica

XNDA , XNDE , XNP, XCDA, XCDE, XCP, XADA, XADE, XAP 0


UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

173

Modelo Matemtico: Minimizar los costos Z =


1.600XNDA + 1.800XNDE + 2.500XNP + 900XCDA + 1.000XCDE +1.800XNP +1.400XADA + 1.000XADE + 400XAP

Sujeto a la Siguientes Restricciones:

De Capacidad. (Nueva York) (Chicago) (Los ngeles)

XNDA + XNDE + XNP 5 XCDA + XCDE + XCP 2 XADA + XADE + XAP 3

De Demanda. (Dallas) (Denver) (Phoenix)

XNDA + XCDA + XADA 4 XNDE + XCDE + XADE 2 XNP + X CP + XAP 2

Lgica.

XNDA , XNDE , XNP, XCDA, XCDE, XCP, XADA, XADE, XAP 0

Red de Distribucin

New york 5

2 2 2 1

Dallas -4

Chicago 2

Denver -2 2

Los ngeles 3

Phoenix -2

Cliente figura -2

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

174

Ejemplo: Oferta es Menor que la Demanda


Mediscan, Inc., renta equipo especializado de rayos X a hospitales, actualmente hay tres maquinas ubicadas en Nueva York, dos en Chicago y tres en los ngeles. Hay hospitales en Dallas que requieren seis maquinas. Los de Denver y Phoenix necesitan cada uno dos mquinas. La demanda insatisfecha de maquinaria es adquirida en el mercado a un costo por unidad de 3.000 en Dallas, 2.000 en Denver y 2.700 en Phoenix, que se traducen en costos de envi. El costo (en dlares) de enviar una maquina de cada ciudad a cada hospital se muestra en la siguiente tabla:
DESDE HACIA Dallas Denver Phoenix

Nueva York Chicago Los Angeles

1600 900 1400

1800 1000 1000

2500 1800 400

Variables de Decisin
DESDE Nueva york Chicago Los ngeles HACIA Dallas Denver Phoenix

XNDA XCDA XADA

XNDE XCDE XADE

XNP XCP XAP

Funcin Objetivo: Minimizar los costos Z = 1.600XNDA + 1.800XNDE + 2.500XNP + 900XCDA + 1.000XCDE +1.800XNP
+1.400XADA + 1.000XADE + 400XAP

Sujeto a las siguientes Restricciones

De Capacidad (Nueva York) (Chicago) (Los ngeles)

XNDA + XNDE + XNP 3 XCDA + XCDE + XCP 2 XADA + XADE + XAP 3

De Demanda (Dallas) (Denver) (Phoenix)

XNDA + XCDA + XADA 6 XNDE + XCDE + XADE 2 XNP + X CP + XAP 2

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

175

Lgica.

XNDA , XNDE , XNP, XCDA, XCDE, XCP, XADA, XADE, XAP 0

Modelo Matemtico: Minimizar los costos Z=


1.600XNDA + 1.800XNDE + 2.500XNP + 900XCDA + 1.000XCDE +1.800XNP +1.400XADA + 1.000XADE + 400XAP

Sujeto a las siguientes Restricciones


XNDA + XNDE + XNP 3 XCDA + XCDE + XCP 2 XADA + XADE + XAP 3 XNDA + XCDA + XADA 6 XNDE + XCDE + XADE 2 XNP + X CP + XAP 2 XNDA , XNDE , XNP, XCDA, XCDE, XCP, XADA, XADE, XAP 0

Red de Distribucin.
New York 3

Dallas -6

Chicago 2

Denver -2

1
Los ngeles 3

Phoenix -2

figurado 2

4.2.3

Cuadro de Transportacin

Este es utilizado cuando se presentan problemas de transportacin equilibrados, en el todos los datos relevantes son representados en una tabla rectangular o cuadro de transportacin, en el cada hilera corresponde a uno de los nodos de
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

176

suministro y cada columna corresponde a un nodo de demanda, Cada cuadrado que se encuentra en la interseccin de una hilera con una columna se conoce como celda, y el numero que se encuentra en la esquina superior izquierda de cada celda es el costo de envi de una unidad desde el nodo de suministro hasta el de la demanda.

Caractersticas.

Cada numero es un entero no negativo Los nmeros de cada hilera se suman para producir la cifra de suministro que esta a la derecha de cada hilera. Los nmeros de cada columna se suman para producir la cifra de demanda que se encuentra en la parte inferior de esa columna.

Ejemplo
Mediscan, Inc., renta equipo especializado de rayos X a hospitales, actualmente hay tres maquinas ubicadas en Nueva York, dos en Chicago y tres en los ngeles. Hay hospitales en Dallas que requieren cuatro maquinas. Los de Denver y Phoenix necesitan cada uno dos mquinas. El costo (en dlares) de enviar una maquina de cada ciudad a cada hospital se muestra en la siguiente tabla:
DESDE HACIA Dallas Denver Phoenix

Nueva York Chicago Los Angeles

1600 900 1400

1800 1000 1000

2500 1800 400

4.2.4

Algoritmo del Escaln

Pasos para resolver el problema de transportacin anterior mediante este algoritmo:

Inicio
Encontrar un plan de embarque entero factible que posea m+n-1 celdas no vacas: (3+3) 1 = 5.

Prueba de Optimalidad
Se determina si el plan de embarque actual tiene el menor costo embarque de la siguiente manera: total de

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

177

Calculo de costos reducidos. Por cada celda vaca, encuentre el ciclo nico que inicia y termina en esa celda. Verificacin de los costos reducidos: Si todos los costos reducidos calculados son no negativos, se detiene el proceso ya que el plan de embarque es optimo.

En nuestro ejemplo ya que en el paso de verificacin de los costos no hubo ningn costo negativo solo llegamos hasta el paso de Verificacin, Encontrando una solucin optima. 4.3 PROBLEMA DE TRANSBORDO

Es un problema de distribucin de red general para resolver problemas que involucran la transportacin y distribucin de bienes de proveedores a clientes directamente y/o a travs de almacenes intermediarios. 4.3.1

Caractersticas Clave de la Red.

Posee una coleccin finita de nodos, cada uno de los cuales representa una planta, almacn o mercado detallista y se denominan, nodos de suministro, nodos intermedios o de transbordo y nodos de demanda respectivamente. Flechas o arcos que conectan parejas de nodos para representar una ruta valida de envi del nodo de origen al de destino. Datos asociados con el problema. Algoritmo de Transbordo.

4.3.2

El mtodo para resolver un problema de transbordo es similar al problema de transportacin. Se trata de un algoritmo de mejora finita que consiste en: Encontrar un plan de embarque factible en la Fase de Iniciacin. y probar el plan de embarque actual para ver si incurre en los costos totales mnimos la Fase de

Prueba de Optimalidad Ejemplo

SHIMANO Corporation, es una empresa fabricante de bicicletas de montaa de muy alta calidad. Sus plantas se encuentran ubicadas en Japn, Malasia, Taiwn. Estas pueden producir 100, 200, y 250 bicicletas de montaa respectivamente. Para el ao prximo sus clientes en Venezuela han hecho un pedido de 90 bicicletas, los de Brasil de 150, los de Paris 210, y los de Portugal 100 bicicletas,

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

178

las unidades producidas en Japn, Malasia, Taiwn, pueden ser enviadas a los almacenes situados en Estados Unidos y Espaa, debido a que estos no almacenan bicicletas en inventario deben enviar todas la bicicletas que reciben. Debido a polticas internas de la Corporacin los clientes de Paris solo pueden recibir bicicletas de Espaa y los de Venezuela solo pueden recibir bicicletas de Estados Unidos. Los costos de envi por bicicleta desde las plantas a los almacenes y de estos a los clientes se muestran en las siguientes tablas:
DESDE PLANTAS Japn Malasia Taiwan HACIA ALMACENES DISTRIBUIDORES Estados Unidos Espaa

40 50 45

25 15 20

DESDE ALMACENES DISTRIBUIDORES Venezuela USA 12 Espaa -

HACIA CLIENTES Brasil Pars Portugal

18 22

12 5

Como gerente de distribucin se le ha pedido a usted, que determine el plan de embarque que acarree los mnimos costos totales.

Solucion Variables de Decisin:


XJEU XJES XMEU XMES XTEU XTES XEUV XEUB XEUPO XESB XESPA XESPO = = = = = = = = = = = = Unidades Unidades Unidades Unidades Unidades Unidades Unidades Unidades Unidades Unidades Unidades Unidades a a a a a a a a a a a a embarcar embarcar embarcar embarcar embarcar embarcar embarcar embarcar embarcar embarcar embarcar embarcar desde desde desde desde desde desde desde desde desde desde desde desde JAPN a ESTADOS UNIDOS JAPN a ESPAA MALASIA a ESTADOS UNIDOS MALASIA a ESPAA TAIWAN a ESTADOS UNIDOS TAIWAN a ESPAA ESTADOS UNIDOS a VENEZUELA ESTADOS UNIDOS a BRASIL ESTADOS UNIDOS a PORTUGAL ESPAA a BRASIL ESPAA a PARIS ESPAA a PORTUGAL

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

179

Minimizar los Costos Z = 40XJEU + 25XJES + 50XMEU + 15XMES + 45XTEU + 20XTES+12XEUV + 18XEUB +
12XEUPO + 22XESB + 5XESPA + 5XESPO

Sujeto a las siguientes Restricciones:


De Suministro. XJEU + XJES 100 XMEU + XMES 200 XTEU + XTES 250 De Almacenes Distribuidores Estas restricciones se dan ya que en el problema se plantea que los almacenes distribuidores no tienen nivel de inventarios, y por lo tanto todas las bicicletas que entran salen inmediatamente. XJEU - XEUV = 0 (Equilibrio en ESTADOS UNIDOS) XJES + XMES + XTES - XESB - XESPA - XESPO = 0 (Equilibrio en ESPAA)

De Demanda = 90 = 150 = 210 = 100 (Demanda (Demanda (Demanda (Demanda de de de en VENEZUELA) BRASIL) PARIS) PORTUGAL)

XEUV XESB XESPA XESPO

Lgica

XJEU, XJES, XMEU, XMES, XTEU, XTES, XEUV, XEUB, XEUPO, XESB, XESPA, XESPO 0

Modelo Matemtico
Z = 40XJEU + 25XJES + 50XMEU + 15XMES + 45XTEU + 20XTES+12XEUV + 18XEUB + 12XEUPO + 22XESB + 5XESPA + 5XESPO Sujeto a: XJEU + XJES 100 XMEU + XMES 200 XTEU + XTES 250 = 0 XJEU - XEUV XJES + XMES + XTES - XESB - XESPA - XESPO =0 XEUV = 90 XESB = 150 XESPA = 210 = 100 XESPO XJEU, XJES, XMEU, XMES, XTEU, XTES, XEUV, XEUB, XEUPO, XESB, XESPA, XESPO 0
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

180

Al desarrollar este problema encontramos que la solucin ptima de transbordo es la que se muestra en el siguiente cuadro, ya que esta es la que acarrea un menor costo total de envi.

Red de Distribucin

Japn 100

90 10

USA 0

90

Venezuela -90

Malasia 200

200 250

Espaa 0

150 100 210

Pars -150

Taiwn 250

Brasil -210

Portugal -100

4.4

PROBLEMA DE ASIGNACIN

En este se asigna un elemento de un grupo (como una maquina, un empleado, etc.) a un elemento de un segundo grupo (como una tarea, un proyecto, etc.) Por ejemplo, asignar trabajos a maquinas en una planta industrial, asignar representantes de ventas a territorios o asignar investigadores a proyectos.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

181

Para realizar una asignacin, deben cumplirse dos condiciones:


Cada elemento del primer grupo debe asignarse a exactamente un elemento del segundo grupo. Cada elemento del segundo grupo debe asignarse a exactamente un elemento del primer grupo.

Debido a que por cada pareja asignada existe un costo asociado, por ejemplo, la cantidad de tiempo que toma una tarea asignada a una maquina particular, el objetivo es elegir asignaciones que minimicen el costo total. Existen problemas de asignacin equilibrados y no equilibrados, para convertir un problema no equilibrado en equilibrado, se deben aadir tantos elementos figurados a uno de los grupos como sea necesario para igualar el tamao de ambos grupos.

Ejemplo.
Arthur J. Big and company es una compaa de contabilidad que tiene un especialista en impuestos en cada una de sus oficinas en Washington, D.C, Cleveland, Lousville y Atlanta. La oficina central ha recibido una solicitud para un especialista en impuestos de cada unos de sus clientes de Columbus, Nashville, Charleston y Pittsburg. Los costos de viaje son proporcionales a las distancias, que se dan (en millas) en las siguiente tabla:
HACIA DESDE Washintong Cleveland Louisville Atlanta Columbus Nashville Charleston Pittsburgh

431 140 214 585

659 533 174 246

342 248 259 501

247 129 393 683

Como socio general de la compaa formule un modelo matemtico, para determinar cono enviar un especialista a cada cuidad para minimizar los costos totales de viaje.

Solucin Variables de Decisin


XWCO = XWN = XWCH = Cantidad de millas desde Washington hacia Columbus Cantidad de millas desde Washington hacia Nashville Cantidad de millas desde Washington hacia Charleston
UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

182

XWP XCCO XCN XCCH XCP XLCO XLN XLCH XLP XACO XAN XACH XAP

= = = = = = = = = = = = =

Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad Cantidad

de de de de de de de de de de de de de

millas millas millas millas millas millas millas millas millas millas millas millas millas

desde desde desde desde desde desde desde desde desde desde desde desde desde

Washington hacia Pittsburgh Cleveland hacia Columbus Cleveland hacia Nashville Cleveland hacia Charleston Cleveland hacia Pittsburg Louisville hacia Columbus Louisville hacia Nashville Louisville hacia Charleston Louisville hacia Pittsburg Atlanta hacia Columbus Atlanta hacia Nashville Atlanta hacia Charleston Atlanta hacia Pittsburg

Minimizar los costos, minimizando las distancias

Z=

431XWCO + 659XWN + 342XWCH + 247XWP + 140XCCO + 553XCN + 248XCCH + 129 XCP + 214XLCO +174XLN + 259XLCH + 393XLP + 585XACO + 246XAN + 501XACH + 683XAP.

Sujeto a las siguientes Restricciones:


De Asignacin de Pedidos. = = = = 1 1 1 1 (Especialista (Especialista (Especialista (Especialista 1 2 3 4 desde desde desde desde la la la la ciudad ciudad ciudad ciudad de de de de Washington) Cleveland) Louisville) Atlanta) XWCO + XWN + XWCH + XWP XCCO + XCN + XCCH + XCP XLCO + XLN + XLCH + XLP XACO + XAN + XACH + XAP

De Asignacin de los Especialistas en Impuestos. =1 =1 =1 =1 (Especialista 1 para la ciudad de

XWCO + XCCO + XLCO + XACO Columbus) XWN + XCN + XLN + XAN XWCH + XCCH + XLCH + XACH Charleston) XWP + XCP+ XLP + XAP Lgica.

(Especialista 2 para la ciudad de Nashville) (Especialista 3 para la ciudad de (Especialista 4 para la cuidad de Pittsburg)

XWCO , XWN , XWCH , XWP ,XCCO ,XCN , XCCH , XCP , XLCO, XLN , XLCH , XLP , XACO , XAN , XACH , XAP Deben tener un valor de 0 o 1.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

183

Modelo Matemtico
Minimizar los costos, minimizando las distancias

Z=

431XWCO + 659XWN + 342XWCH + 247XWP + 140XCCO + 553XCN + 248XCCH + 129 XCP + 214XLCO +174XLN + 259XLCH + 393XLP + 585XACO + 246XAN + 501XACH + 683XAP.

Sujeto a las siguientes Restricciones


XWCO + XWN + XWCH + XWP = 1 = 1 XCCO + XCN + XCCH + XCP XLCO + XLN + XLCH + XLP = 1 = 1 XACO + XAN + XACH + XAP XWCO + XCCO + XLCO + XACO = 1 XWN + XCN + XLN + XAN =1 XWCH + XCCH + XLCH + XACH = 1 XWP + XCP+ XLP + XAP = 1 XWCO , XWN , XWCH , XWP ,XCCO ,XCN , XCCH , XCP , XLCO, XLN , XLCH , XLP , XACO , XAN , XACH , XAP deben tener un valor de 0 o 1. 4.4.1 Algoritmo de Asignacin.

Los datos relevantes para un problema de asignacin equilibrado se resumen en una matriz de asignacin (Una tabla que contiene todos los datos relevantes para un problema) que tiene el mismo numero de filas que de columnas. Cada numero de una celda es el costo de asignar el elemento a la fila asociada con el elemento de la columna asociada. Para obtener la asignacin optima, la matriz de asignacin satisfar las siguientes propiedades:

Todos los nmeros son no negativos. Cada fila y cada columna tiene al menos una celda con un valor de cero. Creacin de una Matriz de Asignacin ptima.

4.4.2

Inicializacin
Se crea una matriz inicial con las propiedades 1 y 2 modificando la matriz de asignacin as:

Por cada fila identifique el numero menor y reste ese valor da cada celda en esta fila.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

184

Por cada columna identifique el numero menor y reste ese valor de cada celda en esta columna.

Prueba de Optimalidad
Intente identificar una asignacin factible en la matriz actual en la que cada celda seleccionada tenga un valor de cero. Si se encuentra esta asignacin, ha encontrado la solucin optima. En nuestro ejemplo al aplicar esta prueba se encontr al solucin optima.

Matriz de Asignacin
1 1 2 3 4 2 3 4

431 140 214 585

659 533 174 246

342 248 259 501

247 129 393 683

Nmero menor fila 1: 247 431 247 = 184 659 247 = 412 342 247 = 95 Nmero menor Fila 2: 129 140 129 = 11 533 129 = 404 248 129 = 119 Nmero menor Fila 3: 174 214 174 = 40 259 174 = 85 393 174 = 219 Nmero menor Fila 4: 246 585 246 = 339 501 246 = 255 683 246 = 437

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

185

la matriz original queda convertida en:


1 1 2 3 4 2 3 4

184 412 95 0 11 404 119 0 40 0 85 219 339 0 255 437

Debido a que se tiene que cumplir la segunda propiedad, debemos realizar el paso correspondiente para las columnas: Numero menor columna 1: 11 184 11 = 173 40 11 = 29 339 - 11 = 328 Numero menor columna 2: 404 412 404 = 8 Numero menor columna 3: 85 95 85 = 10 119 85 = 34 255 35 = 170 Numero menor columna 4: 219 437 219 = 218 La matriz queda convertida en:
1 1 2 3 4 2 3 4

173 0 29 328

8 0 0 0

10 0 34 0 0 0 170 218

La matriz de asignacin optima se puede representar en el siguiente cuadro al encerrar un cero en cada fila y en cada columna:

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

186

Proceso de Comprensin y Anlisis


Problema #1 Termotasajero tiene 3 plantas de generacin de energa elctrica que suministran la energa requerida a 4 ciudades. Cada planta puede suministrar las siguientes cantidades en Kw de energa: P1 = 35000.000 P2 = 50000.000 P3 = 40000.000 Las demandas mximas de energa que se presentan en estas ciudades son al mismo tiempo a las 2:00 p.m. y son las siguientes en Kw.(hora) Ciudad 1 = 45000.000 Cuidad 2 = 20000.000 Cuidad 3 = 30000.000 Cuidad 4 = 300000.000 Los costos para enviar 1000.000 de w hora de energa de una planta a otra ciudad dependen de la distancia a que debe viajar; como se muestra en la tabla, formular un modelo de programacin lineal que minimice el costo para satisfacer la demanda mxima de energa en cada una de las ciudades
HACIA DESDE Planta 1 Planta 2 Planta 3 Demanda

C1 8 9 14 45

C2 6 12 9 20

C3 10 13 16 30

C4 9 7 5 30

OFERTA 35 50 40 125

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

187

Problema # 2 Una compaa arrendadora de automviles opera su propia estacin de lavado y limpieza de coches que los prepara para su renta. Los vehculos llegan a la estacin de limpieza en forma aleatoria de 5 por da. La compaa arrendadora ha determinado que los autos pueden limpiarse a un ritmo de 2n por da en donde n =>al nmero de personas que trabajan en el auto. Por ejemplo si se encuentran 4 personas trabajando la tasa de lavado es de 8 vehculos por da. Se ha determinado que este procedmiento de lavado se ajusta a la distribucin exponencial. La Compaa paga a sus trabajadores $30 pesos por da y ha determinado que le costo por coche que no est disponible para ser rentado es de $25 por da. Calcular el # de empleados que deben contratarse en la estacin de lavado para que se produzca el menor costo. Calcular las caractersticas de operacin de la estacin de servicio segn el nmero de empleados que eligi en el inciso anterior.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

Mtodos Cuantitativos

188

BIBLIOGRAFA GENERAL
APPEN, GOULD. Investigacin de Operaciones en la Ciencia Administrativa. Editorial Prentice hall. DAVIS, MCKEOWN. Iberoamrica. Modelos Cuantitativos para la Administracin. Editorial

DAVIS, K.R., Y MCKEOWN, P.G. Modelos Cuantitativos para Administracin. Grupo Editorial Iberoamrica, Mxico. 1994 TAHA, HANDY. Investigacin de Operaciones, una Introduccin. Mxico: Prentice Hall Hispanoamerica S. A. 6 Edicin TAHA, HANDY. Investigacin de Operaciones. Mxico. 5 Edicin. Alfaomega Grupo Editor S. A.

WINSTON, WAYNE. Investigacin de Operaciones, Aplicaciones y Algoritmos. M Grupo Editorial Iberoamrica S. A. Mxico 1994.

UNIVERSIDAD DE PAMPLONA Centro de Educacin Virtual y a Distancia

También podría gustarte