InvestigaciÃ N de Operaciones Programaciã N Lineal. Problemas de

0$<1$5'.
21*
,19(67,*$&,1
'(23(5$&,21(6
3URJUDPDFLyQOLQHDO_3UREOHPDVGHWUDQVSRUWH_$QiOLVLVGHUHGHV
Investigacin de operaciones
Programacin lineal
Problemas de transporte
Anlisis de redes
Maynard Kong
Programacin lineal
Problemas de transporte
Anlisis de redes
Programacin lineal - Problemas de transporte - Anlisis de redes
Maynard Kong
Maynard Kong, 2010
De esta edicin:
Fondo Editorial de la Pontificia Universidad Catlica del Per, 2010
Av. Universitaria 1801, Lima 32, Per
Telfono: (51 1) 626-2650
Fax: (51 1) 626-2913
feditor@pucp.edu.pe
www.pucp.edu.pe/publicaciones
Diseo, diagramacin, correccin de estilo
y cuidado de la edicin: Fondo Editorial PUCP
Primera edicin: abril de 2010
Tiraje: 500 ejemplares
Prohibida la reproduccin de este libro por cualquier medio, total o parcialmente,
sin permiso expreso de los editores.
Hecho el Depsito Legal en la Biblioteca Nacional del Per N 2010-03265
ISBN: 978-9972-42-921-7
Registro del Proyecto Editorial: 31501361000223
Impreso en Tarea Asociacin Grfica Educativa
Pasaje Mara Auxiliadora 156, Lima 5, Per
ndice
Captulo 1. Introduccin
1.1. Aplicaciones
1.2. Problema de optimizacin
1.3. Propiedades y ejemplos
1.4. Programacin matemtica
1.5. Modelo de programacin matemtica
1.6. Problemas resueltos
11
11
12
12
17
19
22
Captulo 2. Introduccin a la Programacin Lineal

2.1. Formulacin del problema de Programacin Lineal
2.2. Solucin geomtrica de problemas con dos variables de decisin
2.3. Problemas propuestos
2.4. Forma estndar del problema de Programacin Lineal
2.5. Restricciones equivalentes de la forma estndar
2.6. Variables bsicas y soluciones bsicas factibles
31
31
34
37
41
46
48
53
Captulo 3. El mtodo del smplex

3.1. Conceptos bsicos del mtodo del smplex
3.2. Forma tabular del problema estndar
3.3. Criterios del smplex. Caso mximo
57
57
64
66
3.4. Problema de minimizacin

67
70
Captulo 4. Mtodo del smplex: variables artificiales.

Convergencia del algoritmo
4.1. Variables artificiales
4.3. Convergencia del algoritmo del smplex
4.4. Mtodos para evitar ciclos: regla de Blands y perturbacin
73
73
80
83
86
93
Captulo 5. Problema dual

5.1. Definicin del problema dual
5.2. Formas tpicas de problemas duales
5.3. Reglas para hallar el problema dual
5.5. Propiedades del problema dual
5.7. Vector dual de una solucin bsica factible
95
95
100
102
104
106
112
114
Captulo . Anlisis de sensibilidad post ptimo

6.1. Introduccin
6.2. Pasos del anlisis
6.3. Programa ejemplo
6.4. Variacin de un costo fijando la solucin ptima
6.5. Variacin del lado derecho de una restriccin fijando las variables bsicas
6.6. Inclusin de variable
6.7. Inclusin de restriccin
6.8. Dualidad y anlisis de sensibilidad
6.9. Costos reducidos y asignacin de valores a variables no bsicas
6.10. Matriz de operaciones en la tabla final
6.11. Problemas resueltos
123
123
123
124
125
127
129
131
133
136
137
140
Captulo 7. Problemas de transporte y asignacin

7.1. Introduccin
7.2. Problema de transporte balanceado
7.3. Mtodo del smplex simplificado
7.5. Problema de transbordo
7.6. Problema de asignacin
153
153
155
156
174
177
181
192
Captulo . Anlisis de redes

8.1. Introduccin
8.2. Rutas en una red
8.3. Problema de ruta ptima
8.5. Problema de flujo mximo
8.7. Programacin de proyectos
197
197
199
200
203
206
213
216
235
ndice alfabtico
241
Captulo 1
Introduccin
En este captulo se introducen los conceptos bsicos de la investigacin

de operaciones. Se define el problema de optimizacin y se presenta el
modelo matemtico de la programacin matemtica.
La investigacin de operaciones trata el estudio y despliegue de mtodos
cientficos para usar eficazmente los recursos. Tales mtodos comprenden
modelos matemticos y estadsticos y diversos algoritmos que sirven
para tomar decisiones en problemas relacionados con la planificacin,
coordinacin y ejecucin de operaciones en las organizaciones.
1.1 Aplicaciones
Mencionamos algunas aplicaciones de la investigacin de operaciones:
Problemas de asignacin de recursos materiales y servicios: productos, mano de obra, tareas
Procesos de planificacin de personal, etapas de produccin
Administracin de flujos de materias primas a travs de cadenas
de suministros
Planificacin de rutas, redes de telecomunicacin
Refinamiento y mezcla de sustancias o componentes, por ejemplo, petrleo
Seleccin de portafolios de acciones y bonos
Maynard Kong
1.2 Problema de optimizacin

El problema general de optimizacin consiste en determinar el valor
ptimo (valor mximo o valor mnimo) que una funcin asume sobre
los elementos de un conjunto dado.
De modo preciso, dados un conjunto ; y una funcin que asigna a
cada [ de ;un valor numrico I[, se desea, para el caso de mximo,
encontrar [ de ; que cumpla la condicin:

I[dI[para todo [ de ;
y para el caso de mnimo: un [1 de ;que cumpla

I[dI[para todo [de ;
En forma abreviada se escribe I[ 0D[I[I[ 0LQI[
Los elementos del conjunto ; representan los recursos del problema
y I[puede ser considerado como el valor del recurso [, por ejemplo,
es un costo, un tiempo, una cantidad de produccin, etc. A la funcin
I[ se le denomina funcin objetivo.
Frecuentemente, el conjunto ; se especifica mediante:
condiciones a las que se llama restricciones que determinan
sus elementos
algoritmos o reglas que describen cmo obtener elementos de ;.
Vanse los ejemplos 1, 3 y 4.
Es posible que el problema no tenga soluciones, porque el conjunto
;no tiene elementos o porque la funcin I[ no puede tomar un valor
mximo o mnimo.
1.3 Propiedades y ejemplos

Se cumplen las siguientes propiedades
1) 0D[I[F 0D[I[F Fes una constante
2) 0D[DI[ D0D[I[Des una constante positiva
12
3) 0LQEI[ E0D[I[Ees una constante negativa

4) 0LQI[ 0D[I[
5) 0D[I[ 0LQI[
si existen los valores ptimos de los segundos miembros.
Las propiedades 4) y 5) se suelen aplicar a menudo para convertir un
problema de minimizacin en uno de maximizacin y viceversa. Por ejemplo, de manera explcita, segn 4) para encontrar el valor mnimo de I[:
se halla el valor mximo de la funcin I[, por ejemplo I[
luego se le cambia de signo, y resulta as que I[ es el valor
mnimo buscado.
A continuacin se desarrollan algunos ejemplos sencillos relativos a
problemas de optimizacin
Ejemplo 1. Un problema de mezcla
Se desea producir una bebida mezclando jugos o zumos de naranja,
toronja y mandarina. Los costos de los jugos son , y por litro,
respectivamente. Se requiere que la bebida tenga al menos el de
toronja y no ms del de naranja.
Formule el problema de optimizacin para obtener una mezcla de
bebida cuyo costo sea mnimo.
Solucin
Sean Q,Wy P, las cantidades de naranja, toronja y mandarina, en litros,
para obtener un litro de mezcla de bebida. Luego, los costos de cada
componente son Q, W y P, respectivamente, y el costo de la bebida
es & Q W P
El problema consiste en obtener el valor mnimo de &.
Falta precisar las condiciones sobre las cantidades de jugos.
Estas son:
1) las tres cantidades suman un litro: Q W P
13
Maynard Kong
2) la cantidad de toronja al menos es de un litro: Wt

3) la cantidad de naranja no excede el de un litro: Qd
y 4) las tres cantidades son evidentemente no negativas: Q,Wy Pt
As, el conjunto ; sobre el cual &queda definida es ; todos los
(QWP) tales que
QWP

Wt
Qd
Q,W Pt
Finalmente, el problema de optimizacin es

Minimizar & QWPsobre el conjunto;.
Ejemplo 2. Solucin ptima del ejemplo 1 por simple inspeccin
Resuelva el problema de optimizacin del ejemplo 1, esto es, halle el
costo mnimo de un litro de mezcla de bebida.
Solucin
El problema es encontrar el valor mnimo de & Q W P en
donde QWy P cumplen las condiciones

QWP
Qd
Wt
Q,W Pt
Observamos que Q, Wy P son menores o iguales a

El costo & ser menor si se toma la menor cantidad del jugo ms
caro, que corresponde al de toronja; asW, que vara entre y ,
debe tomar su menor valor W
Y tambin &ser menor si se toma la mayor cantidad posible Qdel
jugo de naranja, pues es el ms barato, y como Qse encuentra entre
y ha de tomarseQ .
14
El valor de P, que se halla entre y , es lo que falta para completar el litro de mezcla, as P
As, la bebida que da un litro de costo mnimo se obtiene mezclando
litros de naranja, litros de toronja y litros de mandarina,
que tiene un costo de .
Ejemplo 3
Sea la funcin I[\ [\ definida en el conjunto de los puntos
[\[\ nmeros reales, que cumplen las condiciones
[\
[t \t
Determine los valores mximo y mnimo de I[\.
Solucin
Reemplazando [\ en la funcin
I[\ [\ [[\ [
y de las relaciones dadas se observa que los valores de [ varan desde
hasta (\ vara a la vez desde hasta ) de manera que el menor valor
de [es , cuando \ es , y por eso 0D[I[\ cuando
[ \ .
Por el mismo razonamiento se obtiene 0LQ I [ \
cuando [ ,\ .
Ejemplo 4
Tres mquinas 0, 0 y0 pueden realizar las tareas $, % y &.
Los costos de ejecucin son dados en la tabla siguiente:
0
0
0
$

%

15
&

Maynard Kong
Cmo se deben hacer las asignaciones de las tareas de manera que

cada mquina realice exactamente una de las tareas y el costo total sea
el menor posible?
Solucin
En este caso, el conjunto de recursos consiste de todas las posibles asignaciones.
Los recursos del problema con sus respectivos costos son dados por
$VLJQDFLRQHVXQDFROXPQD
0
&
&
0
&
&
0
&
&
&RVWR

en donde cada columna indica la forma de asignar las tareas a las

mquinas, por ejemplo, la tercera columna asigna las tareas %, $, & a las
mquinas 0, 0 y 0, respectivamente, y el costo respectivo es
, que, como puede observarse, es en verdad el mnimo.
Ejemplo 5
Pruebe que 0LQI[ 0D[I[
Solucin
Sea I[ 0LQI[.
Entonces por definicin de valor mnimo se tiene
I[dI[para todo [ de ;
o I[dI[para todo [ de ;
de modo que I[ es el valor mximo de I[, esto es
I[ 0D[I[
o 0LQI[ 0D[I[
16
1.4 Programacin matemtica

Los problemas de programacin matemtica constituyen una parte
importante de los problemas de optimizacin.
Un programa matemtico tiene la forma
Maximizar (o minimizar) \ I[[[Q,
sujeto a las condiciones o restricciones
J [ [Q
^ d
J [ [Q ^ d
R t ` E
R t ` E

J P [ [Q
^ d
R t ` EP
en donde I[[Q J[[QJQ[[Q son funciones

con valores numricos que dependen de Q variables numricas, [[
[Q, EEPson constantesy en cada restriccin se emplea uno de
los signos d Rt, lo que se indica mediante la notacin ^d Rt`.
El conjunto ; de definicin del problema est formado por todos
los [ [[Q que satisfacen todas las restricciones. A tales [ se
les llama soluciones factibles del programa o del problema, y a ;, se
le denomina el conjunto de soluciones factibles o regin de factibilidad.
Generalmente se asume que las variables [ [Q son nmeros
reales. No obstante, tambin se consideran programas matemticos
llamados de programacin entera en los que las variables toman
solo valores enteros.
Ejemplo 1
Maximizar ] [\
sujeto a [2\2 d
17
Maynard Kong
En este caso: ] I[\ [\ J[\ [\, el signo es d y

la constante es E
Ejemplo 2
Aplicando mtodos geomtricos, hallar la solucin ptima del ejemplo
anterior.
Solucin
La restriccin [\d determina el disco ' de radio y centro en
el origen.
<
DE
/
/Y
/
Sea Y un valor dado y consideremos la recta /YY [\

En la figura se grafican las rectas correspondientes a los valores de
Y y .
Observemos que la funcin objetivo I[\ [\toma el valor Y
sobre el disco ', si y solo si la recta /Yinterseca al disco. Esto implica
que se debe considerar nicamente rectas /Yque intersequen al disco.
Y por otro lado, cuando se aumenta los valores de Y, como de Y a
Y , la recta /Yse desplaza en el primer cuadrante alejndose del origen. En resumen, para hallar el valor de Y, el valor mximo u ptimo,
18
hay que mover la recta hasta que sea tangente al crculo. El punto de
tangencia 3DE tiene pendiente , pues el radio del origen al punto
3 es perpendicular a la recta, cuya pendiente es . As, E D y por estar
en el crculo
DE , de donde D
Por tanto, la solucin ptima es y el valor ptimo es

I .
Ejemplo 3
Minimizar
sujeto a

y todas las
] [[[[
[[[[t

[[d

[[d

[[
[Lt
Ejemplo 4
Maximizar Z [[\\]
sujeto a las condiciones
[\]
\[d
[\]t
1.5 Modelo de programacin matemtica

Para resolver un problema de optimizacin:
1. Se formula un modelo del problema mediante un programa
matemtico.
2. Se resuelve el programa matemtico.
19
Maynard Kong
A partir de la definicin o enunciado del problema, los pasos que

usualmente se aplican para la formulacin o propuesta del modelo son
los siguientes:
Se identifican la cantidad o variable de salida que se desea optimizar y las variables de decisin o de entrada[[[Q, de las
que depende y se expresa la primera como una funcin matemtica de las ltimas.
Se determinan las condiciones, requisitos y limitaciones y se
expresan mediante restricciones matemticas que se imponen a
las variables de decisin.
Se incluyen condiciones adicionales que no aparecen de manera
explcita pero que deben cumplirse en el problema real, por
ejemplo, si algunas variables de decisin han de tomar valores
mayores que o iguales a cero, o si deben tener valores enteros.
Una vez obtenido el modelo del programa matemtico se procede
a resolverlo aplicando los mtodos y tcnicas de optimizacin; esto es,
hallar el valor ptimo, si existe, y una solucin ptima, o algunos valores
en los cuales las variables de decisin proporcionan el valor ptimo.
Ejemplo
Un establecimiento de ventas de combustible atiende las horas y
tiene los siguientes requerimientos mnimos de empleados para atender
a los clientes:
+RUDV
1~PHURGHHPSOHDGRV

Un empleado trabaja horas consecutivas y puede ingresar al iniciarse cualquiera de los perodos indicados.
Formule el modelo matemtico para minimizar el menor nmero
de empleados que se necesitan en el establecimiento.
20
Solucin
Sea
[
...
[
nmero de empleados que empiezan a las horas (primer

perodo)
nmero de empleados que empiezan a las horas (ltimo
perodo)
Entonces Q total de empleados requeridos [[[y las

restricciones para los respectivos perodos son:

[[t
[[t
[[t
[[t
[[t
[[t
que toman en cuenta la suma de los empleados de dos perodos consecutivos, por ejemplo, en el primer perodo se tiene [ empleados
que empezaron a las horas y [ empleados que empiezan a las
horas.
Adems, hay que observar que las variables son enteras y mayores
que o iguales a .
Por tanto, el modelo de programacin pedido es
Minimizar Q [[[
sujeto a [[t
[[t
[[t
[[t
[[t
[[t
con todas las variables enteras y no negativas.
21
Maynard Kong
1.6 Problemas resueltos

Problema 1
Si 0D[I[ calcule
a) 0D[I[
b) 0LQI[
Solucin
Se tiene
a) 0D[I[ 0D[I[ u
b) 0LQI[ 0LQI[ 0D[I[
Problema 2
Resuelva el problema
Maximizar ] \[
sujeto a
[\
[t \t
Solucin
Despejando la variable y de la restriccin [\ y reemplazndola en
la funcin objetivo
] \[ [[ [
Falta determinar el conjunto de valores de [:

de [ \
y usando la condicin \ t se obtiene [ d ,
por lo tanto, [ vara desde hasta ,
de donde resulta que ] vara de a .
Luego, el mayor valor de ]es y se obtiene en [ , \
22
Problema 3. Problema de la dieta

Se desea mezclar cuatro alimentos de modo que el producto resultante
contenga al menos unidades de protenas, unidades de carbohidratos y unidades de grasa. La tabla siguiente contiene las cantidades
nutricionales de los alimentos y el respectivo costo
$OLPHQWR

3URWHtQDV

&DUERKLGUDWRV

*UDVDV

&RVWR

Formule el modelo de programacin matemtica para obtener una

mezcla de costo mnimo.
Solucin
Sean [,[,[, y[, las unidades que se toman de los alimentos, respectivamente, para formar una mezcla.
Luego, el costo de la mezcla es & [[[[.
La cantidad de protenas que contiene la mezcla es [[
[[, que debe ser al menos , y por lo tanto se tiene la primera
restriccin:
[[[[t.
Similarmente, se establecen las restricciones para los carbohidratos

y grasas:
[[[[t
[[[[t
y es obvio que todas las variables han de ser no negativas.

As, el modelo pedido es
Minimizar & [[[[
23
Maynard Kong

sujeto a [[[[t
[[[[t
[[ [[t
todos los [L t
Problema 4
Se dispone de S/. para invertirlos segn los dos planes de inversin $y % que ofrecen ganancias o utilidades como se muestran en la
tabla:
8WLOLGDGGH$
8WLOLGDGGH%

&DQWLGDGLQYHUWLGD

Los depsitos deben hacerse en cantidades mltiplos de y se

puede invertir usando una parte en cada plan.
Desarrollar un modelo de programacin matemtico para obtener
la mayor utilidad.
Solucin
Sean D y E, en miles, las cantidades que se invierten en los planes $ y %.
Entonces DEd, Dy E enteros no negativos.
Las utilidades de los planes pueden expresarse mediante las funciones 8y 9 definidas por
8
8
8
9
9 9 9
Por tanto, el modelo requerido es

Maximizar*DE 8D9E
sujeto a DEd
D y E enteros no negativos.
24
8
Problema 5
Resuelva, por simple inspeccin, el problema anterior.
Solucin
Para cada valor de D
ganancia:
calculamos el valor mximo de la
*DE, por ejemplo, si D , 8 ,

0D[ * E
0D[ ^8 9 8 9 8 9 8 9 `
0D[ ^ `
que se obtiene en E .
Procediendo de esta manera se obtienen los siguientes resultados:

0D[*E
0D[*E
0D[*E
0D[*E

HQE
HQE
HQE
HQE

La ganancia mxima es en miles, o , y se obtiene en D

y E , esto es, invirtiendo en el plan $y en el plan %
Problema 6. Problema de transporte
Se desea transportar un producto de las fbricas $ y % a los locales y .
Los costos de transporte por unidad de producto son:
$
%

y las cantidades disponibles en $ y % son y , respectivamente,

y se requieren y unidades en y , respectivamente.
Determine un modelo de programacin que minimice el costo total
de transporte.
25
Maynard Kong
Solucin
Sean D1 y D2 las cantidades que se envan desde $ a los locales, y E1, E2,
similarmente para %.
Segn las cantidades disponibles se tiene

DD
EE
y para los locales

DE
DE
siendo el costo de envo & DDEE

As, el modelo del problema es
Minimizar & DDEE
sujeto a DD
EE
DE
DE
y todas las variables enteras y no negativas.
Problema 7. Problema del corte mnimo
Una fbrica de papel que produce rollos de papel $ y % de papel de
y metros de ancho, respectivamente, recibe un pedido de rollos de
papel, uno de 2 metros de ancho y 800 metros de longitud y otro de 5
metros de ancho y 900 metros de longitud.
Suponiendo que los recortes de rollos del mismo ancho pueden ser
pegados para satisfacer las longitudes requeridas, se desea determinar
cmo deben recortarse los anchos de los rollos $ y % para minimizar la
cantidad de papel que se pierde.
26
Solucin
Hay que considerar las distintas maneras de cortar los anchos de y
en anchos de y.
Para el rollo $,

, que nos indica tres cortes de sin sobrante

, que da un corte de y sobra unidad de ancho
Si D y D son las longitudes de los cortes de $, para cada caso, la

cantidad sobrante es D 1D2 metros cuadrados.
Puesto que se trata de minimizar las cantidades sobrantes, se omiten
los casos en los cuales los cortes originan partes sobrantes con valores
mayores.
Y para el rollo B,

cuatro cortes de y sobra

dos cortes deuno de cinco y sobra
de donde, designando por E y E las longitudes de los cortes en ambos

casos, la cantidad sobrante es EE
La cantidad total de papel sobrante es 6 D E en metros cuadrados.
Los datos se muestran en la tabla:
$
FODVH
D
D
E
E
/RQJLWXGWRWDO
DQFKR
DQFKR
VREUDQWH

Las longitudes totales de los rollos producidos dan lugar a las restricciones

DDEEt, para la clase 1

D DE Et, para la clase 2
27
Maynard Kong
Finalmente, el modelo requerido es

Minimizar 6 DE
sujeto a DEEt
DEt
y todas las variables son no negativas.
Problema 8. Problema de programacin de produccin
Un producto $ requiere dos unidades del componente % y tres unidades del componente &. Los componentes se fabrican con materias
primas y , de las que se disponen y unidades, respectivamente. Se dispone de dos procesos de produccin 3y 4.
Una ejecucin del proceso 3requiere y unidades de las materias
primas y , respectivamente, y produce unidades de %y unidades
de &.
Y cada corrida del proceso 4 demanda y unidades de materias
primas y da y unidades de % y &.
Formule el modelo de programacin que halle cuntas veces debe ejecutarse cada proceso para obtener el mximo de unidades del producto $.
Solucin
Se tiene la siguiente tabla por corrida de cada proceso
3URFHVR
3
4
0DWHULDUHTXHULGD
XQLGDGHV

&RPSRQHQWHSURGXFLGR
XQLGDGHV
%
&

Si S y T los nmeros de veces que se ejecutan los procesos 3 y 4,

respectivamente, se tiene:
cantidad requerida de materia 1 STd
cantidad requerida de materia 2 STd
y las cantidades de componentes producidos son:
28
S T
de tipo % ST, con lo que se puede completar
S T

productos$
S T
y de tipo &ST, que permite completar
S T pro
ductos $
El nmero 1 de productos $ resultante es el menor de estos, o sea
1 ST
As, el modelo es
Maximizar 1 TS
sujeto a STd
STd
S y T enteros no negativos.
Problema 9
En un terreno de hectreas se puede cultivar arroz y frijoles. En un ao
bueno, la ganancia por hectrea de arroz es y la de frijoles ; en cambio, en un ao malo, las ganancias son de y , respectivamente.
Se dedica a cada planta no ms de de hectreas del terreno y se
requiere determinar cuntas hectreas deben cultivarse de cada producto para maximizar la ganancia total en un ao bueno y asegurar que
la ganancia en un ao malo sea al menos de . Formule el modelo
del programa.
Solucin
Sean D y I las cantidades de hectreas de arroz y frijoles a cultivar.
Entonces D I d
D d , los de
Id
La ganancia en un ao bueno es *E DI
y la de un ao malo es *P D I, que debe ser al menos

29
Maynard Kong
Por lo tanto, el modelo del problema es

0D[ *E DI
sujeto a D I d
D d
Id
DI t
D y I no negativas.
30
Captulo 2
Introduccin a la Programacin Lineal
2.1 Formulacin del problema de Programacin Lineal

Se dice que una funcin numrica I[[Q, que depende de variables numricas [[[Q, es lineal si se expresa como una suma de
mltiplos de las variables
I[[Q P[P[PQ[Q
en donde P PPQson constantes.
Por ejemplo,
I[[[[ [[[[
Un problema de programacin lineal (PPL) tiene la forma:

Maximizar (o Minimizar)
] F[F[FQ[Q
sujeto a las condiciones o restricciones
D [ D [ DQ [Q ^ d t ` E
D [ D [ D Q [Q
^ d
t ` E

DL [ DL [ DLQ [Q
^ d
t `
EL

DP [ DP [ DPQ [Q
^ d
t ` EP
Maynard Kong
en donde [[[Q son variables,

F1, F2, ..., FQ, D11, D12, ..., Dm1, ...,Dmn,

EEEP son constantes
y en cada condicin se asume uno de los signos d o t.

As, tanto la funcin objetivo ] ][[Q como las funciones
que definen los miembros izquierdos de las condiciones o restricciones
son funciones lineales de las variables de decisin [[[Q
En este caso, a las constantesFFFQ de la funcin objetivo se
les suele denominar costos o coeficientes de costos.
Se llama solucin factible a cualquier coleccin de valores [[[Q
que cumplan todas las restricciones. El problema consiste en determinar el mayor ]PD[ (o menor ]PLQ) de los valores de la funcin objetivo
][[[Q, evaluada sobre todas las soluciones factibles y, desde
luego, indicar una solucin ptima, esto es, una solucin factible que
produzca ese valor.
Ejemplos
1. Maximizar ] [[
sujeto a [[d
[[t
[t
El valor mximo de ] es y se obtiene en la solucin ptima
[ [
2. Maximizar ] [[[
sujeto a [[[
[[[t
[t
[t
En este caso ]PD[ en [ [ [
32
3. Minimizar ] [[[[
sujeto a [[[[[
[2 2[4 d 5;
y todas las variables t
El valor ptimo es ]PLQ y se alcanza en [ [ [ [ .
4. Minimizar ] [[[[
sujeto a [[d
[[[t
todas las variables no negativas.
En este problema el valor mnimo no existe, pues, si se asigna a las
variables de decisin
[ [ W[ [ cualquierWt,
se comprueba que estas son soluciones factibles (cumplen todas las

restricciones) en las que la funcin objetivo vale
] ]W W
y, por lo tanto, adquiere un valor menor que cualquier nmero que

se precise (en notacin de lmites: ]W tiende a f cuando W tiende
a f).
5. Minimizar: ] [[[[
sujeto a [[d
[[[t
[t
[t
El problema no tiene soluciones factibles, pues las restricciones son
incompatibles o inconsistentes. En efecto, de las dos ltimas restricciones se obtiene la desigualdad
[[tu [[t
que contradice a la primera restriccin [[d.
33
Maynard Kong
2.2 Solucin geomtrica de problemas con dos variables

de decisin
Los problemas de programacin lineal con dos variables de decisin y
un nmero reducido de restricciones pueden ser resueltos grficamente
por mtodos geomtricos sencillos utilizando un plano cartesiano cuyos
ejes de coordenadas son las variables de decisin. All se trazan la regin
factible y algunas rectas asociadas a la funcin objetivo que permiten
determinar en qu puntos esta obtiene su valor ptimo, cuando existe.
Este mtodo muestra grficamente dos propiedades de los problemas de programacin lineal:
1) el conjunto factible es un polgono, esto es, una regin del plano
limitada por rectas
2) si la funcin objetivo tiene ptimo, entonces este se alcanza en
uno de los vrtices del polgono.
y por lo tanto para encontrar una solucin ptima es suficiente calcular
los vrtices y evaluar la funcin objetivo en estos.
Adems, si el polgono es cerrado sus lados forman una poligonal
cerrada la funcin objetivo siempre tiene valor ptimo.
El siguiente ejemplo ilustra el procedimiento que se aplica en estos
casos.
Ejemplo 1
Resuelva geomtricamente el problema
Maximizar ] [\
sujeto a las restricciones
(1) [\d
(2) [\d
(3) [\d
(4) [t
(5) \ t
34
Solucin
Trazamos la regin factible 5
<
%
[ \
[ \
$
] ] ]
&
[ \
] [ \
'
5 es el polgono cerrado con vrtices los puntos $ % & ' y el
origen del sistema. Se hallan los conjuntos 5 5 de puntos que
satisfacen las restricciones respectivamente. Por ejemplo, para
determinar 5 que corresponde a [\d se traza la recta dada
por la ecuacin [\ , que resulta de sustituir el signo de desigualdad por el de igualdad, y en la figura es la recta que pasa por los
puntos $ y %. Esta recta divide al plano en dos semiplanos, determinados por las desigualdades
[\dsemiplano inferior
y [\t, semiplano superior.
Para saber cul de los semiplanos es5basta seleccionar arbitrariamente un punto fuera de la recta, y comprobar cul de las dos
desigualdades satisface. Por ejemplo, el punto satisface la primera desigualdad, que es la restriccin tratada, y por lo tanto, 5es
el semiplano que contiene a , o el semiplano inferior o debajo
de la recta. La regin factible 5 es la interseccin de los semiplanos
obtenidos.
35
Maynard Kong
A continuacin se analiza cmo vara la funcin objetivo ] [\

respecto del conjunto factible 5. Con este propsito se fija un valor
constante Y y se considera la recta ] Y [\, que es el conjunto
de puntos[\ en los cuales la funcin ] vale Y.
Todas las rectas as obtenidas son paralelas. Para apreciar el comportamiento de la funcin objetivo se trazan las rectas (paralelas)
correspondientes a dos valores distintos deY. En la figura, se muestran
las rectas ] [\ y ] [\.
Ahora se observa que para que la funcin objetivo tome un valor Y se
requiere que la recta asociada interseque la regin poligonal 5 y adems
cuando Y aumenta, por ejemplo de a , la recta ] Y [\se
desplaza paralelamente de izquierda a derecha. As, por simple inspeccin se concluye que el valor mximo de ] se alcanza en el vrtice %
y por lo tanto ]PD[ Y
A veces es un tanto complicado apreciar directamente cul es el vrtice de valor ptimo y en estos casos simplemente se evala la funcin
objetivo en los vrtices vecinos y se comparan estos valores.
Ejemplo 2
Determine los valores mximo y mnimo de la funcin ] ][\ [\
sujeta a las restricciones del ejemplo anterior.
Solucin
Puesto que la regin factible es un polgono cerrado es suficiente evaluar la funcin en los vrtices del polgono:

]
]
]
]
]

de donde ]PD[ en [ , \ , y ]PLQ en [ , \
36
2.3 Problemas propuestos

Problema 1
Resuelva por mtodos geomtricos el problema
Maximizar ] [\
sujeto a
[\d
3[ 4\d7
\t2
[\ t
Halle todos los vrtices del polgono de soluciones factibles.
Respuesta
]PD[ en [ , \
Los vrtices son \
Problema 2
Resuelva grficamente el problema
Minimizar ] [ \
sujeto a
[\ t
[\ t
[\d
Respuesta
]PLQ en [ , \
Problema 3
Minimizar ] [\
sujeto a las restricciones del problema 3.
37
Maynard Kong
Respuesta
La funcin objetivo no tiene mnimo pues las rectas ] Y [\, paralelas a
la diagonal \ [, intersecan al polgono factible para cualquier valor
negativo de Y, que es lo que se observa cuando la diagonal se desplaza
paralelamente de izquierda a derecha.
Problema 4
El siguiente es el modelo de programacin del problema , Captulo
1, 1.6:
Max *E
sujeto a

DI
DId
Dd
Id
DIt
D y I no negativas.
Por mtodos geomtricos encuentre cuntas hectreas del terreno deben

dedicarse a cada cultivo para obtener la mayor ganancia en un buen ao.
Respuesta
I D ganancia mxima
Problema 5
Maximizar [[
sujeto a [[d

[d

[[d

[[t
Respuesta
Mximo
en[ [
38
60000
Problema 6
Determine el valor mnimo de ] [[
sujeto a [[tF

[d

[t

[d

[t
en cada caso siguiente:
a) cuando F ,
b) cuando F
Respuesta
a) F : mnimo en [ [
b) F : el problema no tiene soluciones
Problema 7
Halle el valor mximo de ] [[
sujeto a [[t
-10[1 [2d10
-4[1 [2d20
[1 4[2t20
[1, [2t0.
Respuesta
No existe valor mximo pues la funcin ] toma valores arbitrariamente
grandes.
Problema 8
Resuelva el problema Max ] ][\ mnimo ^[\[\`
sujeto a las condiciones 2x -5yt-10
2x -yd6
x, yt0.
39
Maynard Kong
Indicacin
Este problema no tiene la forma de un problema de programacin
lineal pues la funcin objetivo no es lineal. No obstante, de la definicin de la funcin se tiene
] ][\ [\ si [\d[\, o [\d
y ] ][\ [\ si [\d[\, o [\t
y por lo tanto agregando sucesivamente las restricciones [ \ d ,
[\t el problema se descompone en los subproblemas lineales:
(P1) 0D[] [\
sujeto a [\t
2[ -\d6
[, \t0
[ -\d0
(P2) 0D[] [\
sujeto a [\t
2[ -\d6
[, \t0
[-\t0
El valor mximo del problema inicial es el mximo de los valores
ptimos de estos subproblemas.
Geomtricamente, mediante la recta \ [, se ha dividido el polgono factible en dos subpolgonos sobre los cuales la funcin objetivo
adquiere una expresin lineal.
Respuesta
(P1) tiene mximoen [ \
(P2) tiene mximo en [ , \
El valor mximo del problema es el de (P2), esto es, en [ ,
\
40
Problema 9
Resuelva el problema 0D[] ][\
sujeto a las restricciones del problema 8.
mximo ^[\[\`
Respuesta
El valor ptimo es en [ , \
2.4 Forma estndar del problema de Programacin Lineal

Se dice que un problema de programacin lineal tiene la forma estndar si
(1) todas las variables de decisin son no negativas,
y (2) las (restantes) restricciones son de igualdad con constantes no
negativas en el lado derecho.
De manera explcita, el problema dado en forma estndar es
Maximizar (o Minimizar) ] F[F[FQ[Q
sujeto a D [ D [ DQ [Q E
D [ D [ D Q [
E

DP [ DP [ DPQ [P
EP
[[[Qson no negativas
y las constantes EEEP son no negativas.
2.4.1 Ejemplos
Tienen la forma estndar los siguientes problemas:
1) Maximizar ] [\]
sujeto a [\]
\]
[\]t
41
Maynard Kong
2) Minimizar ] [[[[

sujeto a
[[[[
[[[[
[[[
y todas las variables son no negativas.
2.4.2 Importancia de la forma estndar

Cualquier problema de programacin lineal expresado en forma estndar puede ser resuelto por el mtodo del smplex debido a George
Dantzig.
Como se ver a continuacin, si un problema de programacin
lineal no es dado en la forma estndar, este puede transformarse en
uno que tiene esta forma y el mismo valor ptimo y, adems, cuyas
soluciones ptimas dan lugar a soluciones ptimas del problema inicial.
As, para resolver un problema de programacin lineal
(1) si es necesario, se transforma en uno equivalente que tiene la
forma estndar
y (2) se resuelve en la forma estndar y se obtienen las soluciones del
problema dado.
33/*(1(5$/o33/(671'$5o603/(;o62/8&,1
2.4.3 Conversin a la forma estndar

Las operaciones para llevar un problema de programacin lineal a la
forma estndar son las siguientes:
1) Si es negativo el trmino constante del lado derecho de una
restriccin, se intercambian los dos miembros; esto equivale
a cambiar de signo a todos los trminos en ambos lados de la
restriccin y, adicionalmente, cuando la restriccin es de desigualdad, a invertir el sentido de la desigualdad.
42
Es decir, si la restriccin es
si DL[DLQ[Q ^d Rt`
en dondeELes negativo
entonces
DL[DLQ[Q ^d Rt`EL
con EL positivo y, cuando se aplique, con el signo de desigualdad
invertido.
Se indican algunos ejemplos:
UHVWULFFLyQ
[\]d
[\[d
[\]d
UHVWULFFLyQWUDQVIRUPDGDFRQ
WpUPLQRFRQVWDQWHQRQHJDWLYR
[\]d
[\[d
[\]d
2) Una restriccin, de desigualdad con signo d, puede ser reemplazada por una de igualdad si se suma una variable no negativa al
lado izquierdo para convertirla en una de igualdad:
si DL[DLQ[QdEL
entonces
DL[DLQ[QKL EL
con KL no negativa
Esta variable se llama variable de holgura (por defecto).
Por ejemplo, la restriccin [\]d
se reemplaza por
[\]K
Kt
3) Una restriccin de desigualdad con signo t puede ser reemplazada por una de igualdad si se resta una variable no negativa al
lado izquierdo para convertirla en una de igualdad:
si DL[DLQ[QdEL
entonces
DL[DLQ[QKL EL
43
Maynard Kong
con KL no negativa.
Esta variable se llama variable de holgura (por exceso o supervit)
Por ejemplo, la restriccin [\]t
se reemplaza por
[\]K
Kt
Las operaciones (1), (2) y (3) no modifican la funcin objetivo.
4) Una variable irrestricta, lo cual significa que puede tomar valores
negativos y positivos, puede ser reemplazada por la diferencia de
dos variables no negativas.
Si [2 es irrestricta, entonces se escribe [2 XY con dos nuevas
variables X y Y no negativas.
5) Una variable [ no positiva, esto es, menor que o igual a cero,
puede ser reemplazada por una variable no negativa precedida
del signo menos, es decir, se efecta el cambio de variable
-X, en donde X es no negativa.
La sustitucin de una variable irrestricta o una no positiva se realiza

tanto en las restricciones como en la funcin objetivo.
Ejemplo 1
Exprese en forma estndar el problema
Minimizar [\]Z
sujeto a [\
[\]
]Z
[, \, ] no negativas
Z irrestricta.
44
Solucin
No es necesario cambiar de signo a ninguna restriccin pues todas ya
tienen trminos constantes no negativos.
Sumando las variables de holguras K1, K2 a las dos primeras restricciones y restando la variable de holgura K3 a la tercera restriccin

[\K1
[\]K
]ZK
Luego, reemplazando la variable irrestricta Z por Z Z1 Z2 en la

funcin objetivo y en las restricciones, se obtiene la forma estndar
Minimizar [\]ZZ
sujeto a [\K
[\]K
]ZZK
con todas las variables no negativas.
Ejemplo 2
Escriba en forma estndar el problema
Maximizar ] [[[[
[1 - [2 5[3 t -12
[[[
[[[[[
[ es no positiva y las dems variables no negativas.
Solucin
La primera restriccin se convierte en
[[[K
despus de cambiar los signos de los trminos y el signo de la desigualdad y de sumar la variable de holgura K.
45
Maynard Kong
A la segunda restriccin se le cambian los signos de los trminos y a

la tercera restriccin se le resta la variable de holgura K.
Puesto que [ es no positiva, se reemplaza [ X en donde Xes una
variable no negativa. As, la forma estndar es
Maximizar ] X[[[
X[[K
X[[
X[[[[K
2.5 Restricciones equivalentes de la forma estndar

El conjunto de restricciones de igualdades de la forma estndar

D[D[ DQ[Q E

DL[DL[ DLQ[ E

DP[DP[DPQ[P EP
es un sistema de ecuaciones lineales con Pecuaciones y Q incgnitas

[[[Qy una solucin factible es, en particular, una solucin de
este sistema.
Una ventaja de esta representacin se refiere a la posibilidad de
modificar o reemplazar estas ecuaciones por otras de manera que las
soluciones son las mismas y las nuevas restricciones son ms adecuadas
para resolver el problema.
Las soluciones del sistema se preservan cuando
(1) una ecuacin se multiplica por una constante k distinta de cero;
en efecto, son equivalentes las ecuaciones
DL[DLQ[Q EL
y
NDL[NDLQ[Q NEL
46
o (2) se suma, o resta, G veces una ecuacin a otra, ya que,cuandoLM

son distintos, las dos ecuaciones
DL[DLQ[Q EL
DM[DMQ[Q EM

son equivalentes a las ecuaciones

DL[DLQ[Q EL
DMGDL[DMQGDLQ[Q EMGEL
Estas operaciones son las que se aplican para resolver sistemas de
ecuaciones lineales por el mtodo de eliminacin de Gauss.
Ejemplo
Sea el problema
Maximizar ] [\
[\X
[\Y
[\XYno negativas.
(1) Mediante las operaciones indicadas obtenga restricciones equivalentes de manera que cada una contenga solo una de las variables [\.
(2) Determine la expresin de la funcin objetivo que resulta de
reemplazar las variables [\ despejadas de las ecuaciones.
(3) Encuentre el valor mximo de ].
Solucin
(1) Se elimina la variable \ de la primera ecuacin restndole 2 veces
la segunda ecuacin:
[XY R [XY
Similarmente, se elimina [ de la segunda ecuacin sumndole 2

veces la primera ecuacin:
\XY R \XY
47
Maynard Kong

Luego, las nuevas ecuaciones o restricciones son

[XY
\XY
y todas las variables no negativas.
(2) Despejando las variables de las ecuaciones obtenidas y reemplazando en la funcin objetivo ] [\
se tiene ] XYXY
] XY
(3) De
] ][\XY XY
se tiene ]d pues X y Y son no negativas.
Luego, haciendo X Y en las ecuaciones de la parte (1) se
obtiene [ , \ , y por lo tanto se encuentra la solucin factible
[ , \ , X , Y , en la que la funcin objetivo vale . As, se
cumple ][\XYd ]
y esto demuestra analticamente que es el valor mximo.
2.6 Variables bsicas y soluciones bsicas factibles

Sea el sistema de ecuaciones lineales

D[DQ[Q E
D[DQ[Q E

DP[DPQ[Q EP
dadas por las restricciones de igualdad de la forma estndar.

Si el sistema es compatible, esto es, tiene soluciones, se puede asumir que el nmero P de ecuaciones es menor que o igual al nmero Q
de variables, ya que si P!Q aplicando las operaciones con las ecuaciones, descritas en la seccin anterior, se encuentra que hay al menos PQ
ecuaciones redundantes y por lo tanto pueden eliminarse del sistema.
As, en lo que sigue asumiremos PdQ
48
Se dice que P variables son bsicas si el sistema puede ser escrito de

manera que cada ecuacin contiene solamente una de ellas. Las QP variables restantes se denominan no bsicas, para distinguirlas de las anteriores.
De modo explcito, renombrando las variables y reordenando las
ecuaciones si es necesario, las variables [[P, son bsicas si el sistema
de ecuaciones puede ser escrito, o convertido, en uno de la forma
[DP[PDQ[Q E

[PDPP[PDQ[Q EP
de modo que tales variables aparecen (con coeficientes ) exactamente
una vez en las distintas P ecuaciones y dependen de las variables no
bsicas [P[Q.
Haciendo cero cada variable no bsica en el sistema se obtiene la
solucin factible
[ E[P EP[P [Q
que se denomina solucin bsica factible correspondiente a las variables

bsicas.
2.6.1 Clculo de soluciones bsicas factibles

Una manera directa de determinar soluciones bsicas factibles es hacer
Q-P variables iguales a cero y resolver el sistema resultante. Si este tiene
una nica solucin con valores no negativos, entonces
(1) estos valores juntos con los ceros de las variables anuladas forman una solucin bsica factible
y (2) son bsicas las variables del sistema resuelto.
Ejemplo 1
Halle las soluciones bsicas factibles del conjunto de restricciones
[\]
[\]
49
Maynard Kong
Solucin
En este caso P Q de manera que hay que anular QP variable.
(1) Si [ y se resuelve el sistema
\ -]
\ -]
se encuentra la solucin nica \ , ] -
y por lo tanto [ , \ , ] -es una solucin bsica.
Sin embargo, no es factible pues la variable ] tiene un valor negativo.
(2) Haciendo \ , el sistema resultante es
[ - ]
[ - ]
que no tiene solucin pues restando 2 veces la primera ecuacin
de la segunda se obtiene la contradiccin
(3) Haciendo ] , se resuelve el sistema
[ \
[ \
que tiene nica solucin [ \
Luego, [ \ ] es una solucin bsica factible con variables bsicas [\
En resumen, para las restricciones dadas solamente hay una solucin bsica factible: [ \ ] con variables bsicas [\.
Ejemplo 2
Encuentre las soluciones bsicas factibles de las restricciones
[[[[
[[[[
Solucin
En este caso se deben anular variables y resolver las ecuaciones
para las variables restantes.
50
Se analizan los casos posibles

(1) [ , [ ,
el sistema es [[

[[
de donde [ [
y la solucin es bsica pero no es factible.
(2) [ [
para el sistema [[

[[
se halla [ [
y, por lo tanto, la solucin [ [ [ [ es bsica factible.
(3) [ [
resolviendo el sistema [[

[[
se observa que tiene infinitas soluciones (la segunda ecuacin se
obtiene de la primera).
As, no se obtiene una solucin bsica.
Los restantes casos
(4) [ [
(5) [ [
(6) [ [
se tratan de modo similar; en (4) y (5) se hallan soluciones bsicas factibles y en (6) no, pues tiene infinitas soluciones.
La siguiente tabla muestra los resultados de los clculos.
&$626
9$5%6,&$6
62/8&,1%6,&$)$&7,%/(
[ [
[[
[ [ [ [
[ [
[[
[ [ [ [
[ [
[[
[ [ [ [
51
Maynard Kong
As, este conjunto de restricciones tiene dos soluciones bsicas factibles.

Ejemplo 3
Dado el conjunto de restricciones
[\d
[\d
[\ no negativas
(a) calcule los vrtices del polgono que representa la regin factible
en el plano ;<,
(b) obtenga la forma estndar del conjunto de restricciones y determine las soluciones bsicas factibles,
(c) muestre que a cada vrtice del polgono le corresponde una solucin bsica factible de la forma estndar.
Solucin
(a) El polgono en cuestin es el cuadriltero limitado por las rectas
[\ [\ [ \ . Los vrtices son los puntos
(), (), () y ().
(b) La forma estndar de las restricciones se obtiene sumando una
variable de holgura a cada restriccin de igualdad
[\K
[\K
y las soluciones bsicas son
(1)
(2)
(3)
(4)
9$5,$%/(6%6,&$6
62/8&,1
[\
[K
\K
KK
K
K
K
K
K
K
K
K
[
[
[
[
\
\
\
\
52
(c) Segn (a) los vrtices del polgono factible son

[ \
[ \
[ \
[ \
y estos estn en correspondencia con las soluciones bsicas factibles indicadas por (4),(3),(1) y (2), respectivamente.
2.6.2 Importancia de las soluciones bsicas factibles

Se demuestra que el valor ptimo del problema lineal estndar se
obtiene necesariamente en una solucin bsica factible.
Por esta razn, la bsqueda del valor ptimo sobre la regin factible se restringe al conjunto de las soluciones bsicas factibles, que es
finito.
Esta propiedad puede comprobarse cuando se resuelven grficamente los problemas de programacin lineal con dos variables de
decisin, para los cuales, como se ha visto, las soluciones ptimas se
ubican en algunos de los vrtices del polgono factible. El ejemplo anterior muestra que los vrtices son precisamente las soluciones bsicas de
la forma estndar del problema. As, geomtricamente, las soluciones
bsicas factibles son los vrtices de la regin factible, en el caso de dos
variables.

Problema 1
Exprese en forma estndar el problema
Maximizar ] [[
sujeto a [[t
[[d
\ [[t
53
Maynard Kong
Solucin
Las restricciones son
[[K
[[K
Problema 2
Halle la forma estndar de
Minimizar ] [\XY
sujeto
a [\t
\Xt
[\Y
[XXt
y la variable \ irrestricta.
Solucin
Maximizar ] [\\XY
sujeto a [\K
\XK
[\\Y
y todas las variables no negativas en donde se ha reemplazado
\ \\, diferencia de variables no negativas.
Problema 3
Considere el problema
Maximizar ] [[[[
sujeto a [[d
[t
[d
[t
Exprese el problema en la forma estndar.
54
Respuesta
Maximizar ] X[[[
sujeto a -X [ K
XK
Puesto que [ es no positiva se ha hecho el cambio de variable [ X,
de modo que X es una variable no negativa.
Problema 4
Sea el conjunto de restricciones

[[[[[
[[[[[
halle todas las soluciones bsicas factibles y las variables bsicas correspondientes.
Respuesta
[
6ROXFLRQHVEiVLFDVIDFWLEOHV
[
[
[
[

YDULDEOHVEiVLFDV
DVRFLDGDV
[[
[[
[[
[[
[[
[[
Hay dos soluciones bsicas factibles y seis pares de variables bsicas.

Problema 5
Sea el conjunto de restricciones

[\]X
[\]X
[\]X
55
Maynard Kong
Determine si las siguientes variables son bsicas y halle la solucin

bsica factible correspondiente en cada uno de los casos
(1) [\]
(2) \]X
Respuesta
(1) Haciendo X y resolviendo las ecuaciones se encuentra [
\ ] X que es una solucin bsica factible, y las
variables [\] son bsicas.
(2) Haciendo [ , el sistema tiene solucin pero la variable X toma
un valor negativo. Las variables no son bsicas.
Problema 6
Sea el problema
Maximizar ] [[
sujeto a [[[
[[[
(1) Pruebe que las variables [[ son bsicas hallando la solucin
bsica respectiva.
(2) Exprese la funcin objetivo en trminos de las variables no bsicas [[, y pruebe que la solucin bsica hallada es ptima.
Respuesta
(1) La solucin bsica es [ [ [ [
[ [
(2) ]

56
Captulo 3
El mtodo del smplex
3.1 Conceptos bsicos del mtodo del smplex

El mtodo del smplex es un procedimiento para hallar una solucin
ptima de una programacin lineal estndar en el conjunto de soluciones bsicas factibles.
El mtodo se aplica a un problema estndar para el que ya se dispone de una solucin bsica factible y su correspondiente conjunto de
variables bsicas.
A continuacin se introducen los conceptos bsicos del mtodo del
smplex por medio de ejemplos sencillos.
Ejemplo 1. Criterio de mximo
Sea el problema
Maximizar ] [[[[
sujeto a [[[
[[[
El primer paso es determinar un conjunto de variables bsicas del
sistema de restricciones. En este problema, por simple inspeccin se
observa que [ y [ son variables bsicas, pues cada una est en una
Maynard Kong
ecuacin distinta y con coeficiente 1, y la solucin bsica factible es

[ [ [ [ en la cual la funcin objetivo tiene el
valor ] .
El segundo paso es expresar el problema mediante una tabla para
facilitar las operaciones con las ecuaciones.
YDUEiV
[
[
[
[
[
F

[ E

OD HFXDFLyQ
OD HFXDFLyQ
ODFHFXDFLyQGH]
Las dos primeras filas representan las ecuaciones de restricciones, y

la ltima fila representa la funcin ] escrita mediante la ecuacin
[[[[ ]
La columna de la izquierda indica las variables bsicas seleccionadas.
El propsito de disponer los datos de esta manera es expresar la
funcin z de manera que no aparezcan las variables bsicas, esto es, que
estas tengan coeficientes nulos. Esto equivale a hacer cero los costos -1
y 5 de la fila c, para lo cual a la fila c: se suma la fila 1 y luego se resta 5
veces la fila 2, obtenindose
F

ODFHFXDFLyQGH]
Los coeficientes de la fila F

F
F
F
yF
se denominan costos reducidos, relativos a las variables bsicas [[.
As, la tabla, incluyendo los costos reducidos, es
YDUEiV
[
[
[
[
[
[
F
F

en donde la ltima fila da la expresin de la funcin objetivo ]mediante

la ecuacin [[[[ ]
58
de donde
] [[[[
[[

El criterio de mximo indica que si todos los costos reducidos son
d, entonces la tabla actual proporciona el valor mximo y se alcanza
en la solucin bsica de la misma.
Esto puede demostrarse en este caso, ya que la representacin de la
funcin objetivo con los costos reducidos puede escribirse as
] [[d
en donde la desigualdad d se cumple porque los costos reducidos son
d y las variables son t.
Luego ]d valor en la solucin bsica factible y por lo tanto
]0D[ en [ [ [ [ .
Segn lo desarrollado se puede adelantar el criterio de mximo:
Si todos los costos reducidos son , entonces la funcin
objetivo tiene valor mximo en la solucin bsica factible.
Ejemplo 2. Criterio de divergencia

Sea el problema
Maximizar ] [[[[
sujeto a [[[
[ [[

Como puede apreciarse, este problema tiene el mismo conjunto de
restricciones del ejemplo anterior y la funcin objetivo se diferencia de
la anterior solo en el trmino de la variable [, que ahora tiene coeficiente -.
Escribiendo la tabla correspondiente con los costos de esta funcin
objetivo y calculando los costos reducidos relativos a las variables bsicas [ y [
59
Maynard Kong
YDUEiV
[
[
[
[
[
[

F
F

Igual que antes para anular los costos - y de las variables bsicas,
a la fila F se le suma la fila y se le resta veces la fila .
La fila F
da la siguiente expresin de la funcin objetivo ]:
] [[ en trminos de costos reducidos.
No se puede aplicar el criterio de mximo pues hay un costo reducido positivo, que es el coeficiente de la variable [.
El siguiente criterio es el de divergencia, segn el cual si existe un
costo reducido ! y la variable asociada tiene coeficientes d en todas las
restricciones, entonces el problema no tiene valor mximo, porque se
puede hallar soluciones factibles en las cuales la funcin objetivo toma
valores arbitrariamente grandes.
En este problema, el costo reducido positivo es el de la variable [ y
sus coeficientes en las restricciones son -y -, que son d.
Para comprobar que la funcin objetivo toma valores muy grandes
se generan las siguientes soluciones factibles:
se hace [ W, donde el parmetro W es t,
se hace igual a cero la otra variable no bsica [
y se hallan los valores de las variables bsicas resolviendo las ecuaciones
(dadas por las filas), as finalmente se obtiene

[
[
[
[

W
W
W
para cualquier Wt.
60
Puede comprobarse que estos valores dan soluciones factibles, esto

es satisfacen las restricciones y son t, en las que la funcin objetivo
] vale
] W W
Puesto que W puede ser cualquier valor positivo, es claro que ] no
puede tomar un valor mximo.
Se anota el criterio de divergencia
Si algn costo reducido es ! y la variable asociada tiene
coeficientes d en todas las restricciones, entonces la funcin objetivo no tiene valor mximo.
Ejemplo 3. Cambio de base. Criterio de la razn mnima

Sea el problema
Maximizar ] [\XY
con restricciones ] [\X

[\Y
En este ejemplo se ver que no se cumple ninguno de los criterios
de mximo ni de divergencia. Entonces se elegir una variable no bsica
para que reemplace a una variable bsica, de modo que la funcin objetivo en la nueva solucin bsica factible tenga un valor mayor o igual
que en la solucin bsica actual.
Solucin
Usando las variables bsicas X, Y, la tabla del problema es
YDUEiV
X
Y
F
F
[

\

X

Y

E

No se cumple la condicin de mximo porque hay un costo positivo, el coeficiente de la variable \; tampoco se cumple el criterio de
61
Maynard Kong
divergencia pues no son d los elementos de la columna de la variable

\, que es la nica con costo reducido !.
El procedimiento para cambiar una variable no bsica por una
bsica es el siguiente. Puede ingresar al conjunto de variables bsicas
cualquier variable (no bsica) cuyo costo reducido es positivo; en este
caso, la variable \. Y debe salir una de las variables bsicasX o Y.
Si \ se vuelve una variable bsica la columna de sus coeficientes,
debe ser una columna unitaria, con un elemento y los otros iguales a
cero. A fin de determinar cul de las variables X o Y es la adecuada para
que salga del conjunto de variables bsicas, se divide cada fila entre el
respectivo coeficiente de\, para tener coeficientes iguales a :
[
X

E

GLYLGLHQGRHQWUH

GLYLGLHQGRHQWUH
y luego hay que restar una fila de la otra, para anular el otro elemento
de la columna de \. No obstante, se ve inmediatamente que no se debe
restar la fila a la fila , pues de lo contrario resultara el trmino
constante , que sera el valor de una variable no negativa. As,
se debe seleccionar la fila pues tiene el menor valor , o mnimo
cociente, de manera que al restarla a la fila , todos los trminos constantes sigan siendo no negativos.
La seleccin de la fila indica que sale la variable bsica actualY, y
que en su lugar entra la variable \.
Los clculos son:
YDUEiV
X
Y
F
[

\

n
X

Y

E

UD]yQ

PLQVDOHY
HQWUDYDULDEOH\
y expresando la tabla respecto de las variables bsicas X\
62
YDUEiV
X
\
[

Y

E

dividiendo entre la fila , y anulando los otros elementos de la columna

de \, se obtienen los nuevos costos reducidos, relativos al nuevo conjunto de variables, y el valor constante .
La nueva tabla muestra todos los costos reducidos d , y por lo
tanto se cumple el criterio de mximo.
Luego, el mximo de ] es y se obtiene en X , \ , y las otras
variables con valor cero.
Ahora establecemos el
Cambio de base y criterio de la razn mnima. Caso mximo
Se aplica cuando todos los costos reducidos positivos tienen al menos
un elemento positivo en la columna de estos.
Sea F
M ! un costo reducido positivo y
Criterio de la razn mnima
5
PtQLPRGHORVYDORUHV
EL
FRQDL M !
DL M
que se obtienen dividiendo cada trmino constante EL entre el elemento

DLM ! de la columna de [en la filaL (se omiten los cocientes que corresponden a valores negativos o nulos de los DLM).
Cambio de variable bsica
Si L
es la fila donde se obtienen la razn mnima
5, entonces entra la variable [M al conjunto de
variables bsicas y sale la variable bsica [M
.
Adems, el valor de ] en la nueva solucin bsica factible es ]F

M 5,
esto tiene el incremento F
M 5.
63
Maynard Kong
3.2 Forma tabular del problema estndar

El mtodo del smplex opera directamente con la tabla formada por los
coeficientes y datos constantes del problema.
Sea
] F[FM[MFQ[Q

D[DMDQ[Q E

DL[DLM[MDLQ[[ E

ecuacin i
DP[DPM[MDPQ[[ EP
y todas las variables no negativas
y variables bsicas [
[
Pque dan una solucin factible.
Este problema se representa mediante la tabla:
columna de variable [M
p
YDUEiV
[

[M

[Q
[

D

DM

DQ
E
[
L
DL

DLM

DLQ
EL

[
P
DP

DPM

DPQ
EP
F

FM

FQ
F

F
M

F
Q
]
ODLHFXDFLyQL
m ODGHFRVWRV
HFXDFLyQGH]
m ODGHFRVWRVUHGXFLGRV
HFXDFLyQGH]]
en donde
la fila L se forma con los coeficientes y trmino constante de la
ecuacin L
64
la fila de costos corresponde a los coeficientes de la funcin ]

la columna de datos que corresponde a la variable bsica [
L es
unitaria, es decir, todos los valores son ceros excepto en esa fila,
los costos reducidos, relativos a las variables bsicas, se obtienen
anulando los costos correspondientes a las columnas de cada
variable bsica: se suma -(costo de [
L) por la fila L a la fila de
costosL P
la solucin bsica factible es [
L EL, para L P y [M , en
las otras variables
]es el valor de la funcin objetivo en la solucin bsica.
La fila de costos reducidos representa la ecuacin
F
[F
[F
Q[Q ]]
Expresin de la funcin objetivo mediante costos reducidos
La funcin objetivo]es igual a la suma de los productos de los costos
reducidos por las variables no bsicas ms el valor de la funcin en la
solucin bsica factible:
] F
[F
[FQ[
Q ]
en dondeF
son los costos reducidos y ]es el valor en la solucin bsica
factible.
Nota
1. Debe tenerse presente que la representacin dada depende del
conjunto de variables bsicas seleccionado, y por lo tanto, en
general ha de ser distinta para otro conjunto de variables bsicas.
2. Los costos reducidos asociados a las variables bsicas tienen valor
cero, por lo que la suma contiene solo los trminos de las variables no bsicas.
65
Maynard Kong
3.3 Criterios del smplex. Caso mximo

Criterio de mximo
Si todos los costos reducidos, relativos a un conjunto de variables bsicas, son no negativos:
F
Ld, para M Q
entonces el valor mximo de la funcin objetivo es ]0 y una solucin

ptima es la solucin bsica factible de las variables bsicas.
Prueba
Se tiene ] F
[F
[FQ[
Q ].
De las condiciones F
dF
Qdy todas las variables [t
[
Qtse concluye que la suma V F
[F
Q[Q es menor que o igual
a cero y por lo tanto ] V]d] valor de ] en la solucin bsica.
Esto demuestra que ]0D[ ].
Criterio de divergencia
Si algn costo reducido es positivo y son no negativos todos los coeficientes de la columna de ese costo, entonces el problema no tiene valor
mximo.
De un modo ms preciso, si existe
F
L ! coeficiente reducido de la variable[M
y DLMd, para todos los coeficientes de la variable [M
entonces la funcin objetivo crece indefinidamente sobre la regin factible y por lo tanto no tiene mximo.
Cambio de base y criterio de la razn mnima
Se aplica cuando todos los costos reducidos positivos tienen al menos
un elemento positivo en la columna de estos.
66
Sea F
L ! un costo reducido positivo. Entonces entra la variable [M
al conjunto de variables bsicas y sale la variable bsica [L cuya razn
EL
es mnima.
5
DLM
Adems, el valor de ] en la nueva solucin bsica es ]
]F
M5,
esto es, tiene el incremento F
M5t.
3.4 Problema de minimizacin

El mtodo del smplex se aplica de igual modo a problemas de minimizacin.
Esto puede hacerse de dos maneras:
1) Convirtiendo el problema de minimizacin en uno de maximizacin:
0LQ] 0D[]
de modo que se resuelve el problema Maximizar (]) con las restricciones dadas, y una vez que se obtiene el valor mximo, hay
que cambiarle de signo para obtener el valor mnimo de ].
En este caso, el mnimo es precisamente el valor de la esquina
inferior izquierda de la tabla final.
2) Directamente con la funcin objetivo ], en cuyo caso se utilizan
los criterios del smplex para problemas de minimizacin:
Criterio de mnimo
Si todos los costos reducidos son F
M t , entonces se obtiene el
valor mnimo de ]
Criterio de divergencia (caso mnimo)
Si existe un costo reducido negativo F
M , y la columna de la
variable[M tiene todos los elementos d , entonces no existe valor
mnimo, en efecto, en este caso la funcin ] toma valores negativos arbitrarios.
67
Maynard Kong
Cambio de base
Se aplica cuando todos los costos reducidos tienen al menos
un elemento t en su respectiva columna.
Sea F
M . Entonces entra la variable[My sale una variable [L cuya
razn sea mnima como en el problema de maximizacin.
Los siguientes ejemplos ilustran los dos mtodos para resolver problemas de minimizacin.
Ejemplo 1
Minimizar ] [\
sujeto a [\
[\
[\ no negativas
transformando el problema en uno de maximizacin.
Solucin
Agregando variables de holgura XY a las restricciones para expresar el
problema en forma estndar, las restricciones son:

[\X
[\Y

Usando Min ] [\ Max ]
[\ se resuelve el problema de maximizar la funcin objetivo]
y en dondeXY son variables
bsicas.
La tabla inicial
YE
X
[

\

X

Y

E

nHQWUD[
68
UD]yQ mVDOHY

mFRVWRVGH]
Puesto que el costo reducido de [ es !, entra la variable [ al conjunto de variables bsicas, y por el criterio de la razn mnima sale Y
As, la fila pivote es la segunda fila y el elemento es el pivote para
actualizar la tabla. Dividiendo la fila entre , sumando la fila a la fila
y restando veces la fila a la fila deF
, resulta
YE
X
[
F
[

\

X

Y

E

Puesto que todos los costos reducidos son d tiene valor mximo
y se obtiene en [ \ Por lo tanto, el valor mnimo de ]es
en [ \
Ejemplo 2
Minimizar ] [\
sujeto a
[\d
[\d
[\no negativas
usando los criterios del smplex para minimizacin.
Solucin
La tabla inicial es
YE
X
Y
F
[

\

X

Y

E

nHQWUD[
UD]yQ mVDOHY

mFRVWRVGH]
No se cumple el criterio de mnimo: todos los costos reducidos son

t ; ni el criterio de divergencia para el caso mnimo: hay un costo
reducido negativo con los elementos de su columna d . Entonces se
procede al cambio de variable bsica.
69
Maynard Kong
Puesto que el costo reducido de [ es , entra la variable [ al

conjunto de variables bsicas, y por el criterio de la razn mnima sale Y
As, la fila pivote es la segunda fila y el elemento es el pivote para
actualizar la tabla. Dividiendo la fila entre sumando la fila a la fila
y sumando veces la fila a la fila de F
, resulta
YE
X
[
F
[

\

X

Y
E

Puesto que todos los costos reducidos sontse cumple el criterio de

mnimo, y por lo tanto] tiene valor mnimo en[ \

Problema 1
Aplicando el mtodo del smplex resuelva
Max ] [[[[[
sujeto a [[[[
[[[[
Observe que [[ son variables bsicas.
Respuesta
Max ]
Una solucin ptima es [ [ [ [ [ .
Problema 2
Resuelva
Max ] [[[
sujeto a [[[d
[[[d
70
Agregue variables de holgura a cada restriccin y selas como variables bsicas.

Respuesta
0D[
Una solucin ptima es [ [ [ .
Problema 3
0D[ ] [\
sujeto a [\d
[\d
[\d
[\no negativas.
Respuesta
0D[ ]
Una solucin ptima es \ [ .
Problema 4
0LQ ] [\
sujeto a [\d
[\d
[\d
[\no negativas.
Respuesta
0LQ ]
Una solucin ptima es [ \ .
71
Maynard Kong
Problema 5
Maximizar ] [\XY
sujeto a [\XY
Indicacin: Use Y como variable bsica.
Respuesta
0D[ ] HQ\ y cero para las otras variables.
Problema 6
Encuentre el valor mximo de la funcin
] [\XY
[\XY ;
[XYno negativas
la variable \d.
Respuesta
Max ] en [ las otras variables valen cero.
72
Captulo 4
Mtodo del smplex: variables artificiales.
Convergencia del algoritmo
4.1 Variables artificiales

Para aplicar el mtodo del smplex es preciso que el problema dado en
forma estndar tenga un conjunto inicial de variables bsicas, que por
lo general no es posible determinar fcilmente. No obstante, el mismo
mtodo permite encontrar variables bsicas del problema, cuando
existan. En efecto, el problema se modifica mediante la incorporacin
de variables artificiales, que forman inmediatamente un conjunto de
variables bsicas, y luego por el mtodo del smplex estas se reemplazan
o cambian por variables bsicas del problema original.
Los dos ejemplos siguientes ilustran el uso de variables artificiales y
muestran la resolucin de los problemas de programacin lineal por la
tcnica M y el mtodo de dos fases.
Ejemplo. Tcnica 0
Aplicando la tcnica0 resuelva el problema
Maximizar ] [\XY
sujeto a [\XY
[\XY
Maynard Kong
Solucin
Paso 1. Se agregan variables artificiales $, $ a las restricciones

[\XY$
[\XY$
todas las variables no negativas, incluyendo las variables artificiales.
Paso 2. Se construye una nueva funcin objetivo ]

restndole a ]
los trminos 0 veces $ y0 veces $, uno por cada variable
artificial aadida:
]
[\XY0$0$
en donde 0 es una constante positiva muy grande.
El problema ahora consiste en maximizar ]
sujeto a las
restricciones del paso , y se puede aplicar el mtodo del smplex pues$ y $ son variables bsicas, con valores $
y $
La eleccin del valor de 0 se hace a fin de lograr que las
variables del problema original se vuelvan bsicas en lugar de
las variables artificiales.
Paso 3. Se aplica el mtodo del smplex utilizando a las variables artificiales como variables bsicas.
La solucin del problema modificado proporciona tambin
la solucin del problema inicial pues:
1) si existe mximo de]
, y no contiene a la constante 0,
esto es, las variables artificiales han sido eliminadas del
conjunto de variables bsicas o anuladas, entonces
mximo de ] mximo de ]
2) de lo contrario, la funcin ]no tiene valor mximo
74
Captulo 4. Mtodo del smplex: variables artificiales
Aplicando el mtodo del smplex tenemos la tabla:

YDUEiV
$ $
$
$

UD]yQ

0 0
0 0 0 0

n

0
!HQWUDODYDULDEOH[
en donde los costos reducidos se obtienen sumando a la fila F de costos

0 veces la fila y 0 veces la fila , para que las variables bsicas $y
$tengan costos reducidos nulos; por ejemplo, el costo reducido de la
variable X es 00 0
Se observa que no se cumple el criterio de mximo (todos los costos
reducidos deben ser d ), ni tampoco se cumple el criterio de divergencia.
El costo reducido de [es 0, que es positivo, por lo tanto entra
la variable [ al conjunto de variables bsicas, y sale la variable $, pues
tiene la razn mnima .
Para abreviar los clculos, cada vez que sale una variable artificial ya
tiene valor cero se suprime la columna de esta.
La tabla resultante es:
YDUEiV
$
UD]yQ

$

0
0 0 0 0

0 0 0
0
en donde la nueva fila de costos reducidos F
se obtiene anulando el
costo de la variable [: fila F
fila F
menos (0) veces la fila; por
ejemplo, el costo reducido de \ es (0) (0) por
00 0
75
Maynard Kong
Puesto que la constante 0 puede hacerse tan grande como se desee,

los costos reducidos 0 0 \ 0 son positivo,
negativo y positivo, respectivamente.
Elegimos el primer costo reducido positivo y por lo tanto entra la
variable \, y sale la variable $, que tiene la razn mnima.
Luego eliminando la columna de $ y simplificando resulta la
siguiente tabla
YDUEiV
[
\

X

0 0 0 0

en donde la F
es la fila de costos reducidos respecto de las variables

bsicas [, \.
Puesto que todos los costos reducidos son se obtiene el valor
mximo , y una solucin ptima es [ , \ variables artificiales. Por lo tanto, se ha encontrado la solucin ptima del problema
dado.
Ejemplo. Mtodo de las dos fases
Aplicando el mtodo de las dos fases resuelva el problema
Maximizar ] [\XY
sujeto a [\XY
[\XY
Solucin
Fase 1
Se agregan las variables artificiales$\$a cada restriccin
[\XY$
[\XY$
76
todas las variables no negativas, incluyendo las variables artificiales y se

considera el problema de maximizar la funcin objetivo auxiliar
]
$$ [\XY$$
formada por la suma de los opuestos de las variables artificiales.
De igual manera que en la tcnica 0 las variables artificiales proveen un conjunto inicial de variables bsicas y por consiguiente se
puede iniciar el mtodo del smplex.
La funcin]
toma valores pues$\$son no negativas y
satisface la siguiente propiedad: El valor mximo de]
essi y solo s el
problema original tiene soluciones factibles.
As, cuando se aplica el mtodo del smplex para maximizar]
si
mximo de]
escero, es decir, las variables artificiales resultan con valores nulos, y por lo tanto desaparecen de las restricciones. Entonces el
problema tiene soluciones factibles, y con las variables bsicas resultantes, se puede proceder a la siguiente fase para optimizar la funcin.
De lo contrario, el problema no tiene valor mximo.
Fase 2
Se aplica solo si en la fase 1 se obtiene el valor ptimo 0.
Se halla el valor mximo de la funcin objetivo original usando la
tabla de la fase , sin las columnas de las variables artificiales.
Los clculos correspondientes a cada fase son los siguientes
Fase 1
YDUEiV
$
$
$
$

F
F

n

HQWUD[
77
UD]yQ
Maynard Kong
La fila de costosF representa la funcin objetivo auxiliar a maximizar

]
$$ [\XY$$
y la fila F
de costos reducidos resulta de anular los costos de las variables
bsicas $ y $.
Puesto que el costo reducido de la variable [ es positivo, entra esta
variable al conjunto de variables bsicas y sale la variable $, pues tiene
razn mnima.
La tabla correspondiente es
YDUEiV
$
$
UD]yQ
[
$

n
HQWUD\

Similarmente entra la variable \ y sale la variable $ y resulta la tabla

YDUEiV
[
\
F

$
$

En este paso, se obtiene el valor mximo , ya que todos los costos

reducidos son d , y por lo tanto, se procede a la fase
Se observa que las variables bsicas son [\
Fase 2
Se toma la tabla anterior, excluyendo las columnas de las variables
artificiales y se procede a maximizar la funcin objetivo del problema
inicial ] [\XX
YDUEiV
[
\
F
F
[

\

X
Y

78
E

en donde se han calculado los costos reducidos respecto de las variables

bsicas [\
Puesto que todos los costos reducidos son , se cumple el criterio del mximo, y se obtiene]0D[ en [ , \
Se reitera la condicin del mtodo de las dos fases. Si en la fase 1
se obtiene un valor mximo distinto de cero, o no existe, entonces el
problema original no tiene valor mximo.
Empleo de variables articiales
La tcnica 0se aplica solo cuando el mtodo del smplex se lleva a cabo
mediante clculos manuales, pues por simple inspeccin se determina
el signo de los costos reducidos. Cuando se implementa el mtodo
mediante programas por computadoras es preferible usar el mtodo de
las dos fases.
No obstante que la inclusin de variables artificiales puede hacerse
de un modo general, es decir simplemente agregar una variable artificial
en cada restriccin de igualdad, en los casos de clculos manuales es
conveniente aadir el menor nmero de ellas, teniendo presente que el
propsito es disponer desde el comienzo de un conjunto de variables
bsicas. As, se puede recomendar:
a) usar como variable bsica una variable que aparezca con coeficiente en una restriccin de igualdad y no se encuentre en
ninguna de las otras restricciones;
b) tomar como variable bsica una variable de holgura por defecto,
que corresponde a una restriccin de desigualdad d;
y c) agregar variables artificiales en las restantes restricciones.
Por ejemplo, si el problema es
maximizar ] [\XYZ
sujeto a
[\Y
[\XZd
[\XZ
79
Maynard Kong
todas las variables no negativas entonces se puede tomar como variables

bsicas
en la primera restriccin: la variable Y, pues aparece solo en esta
restriccin y con coeficiente 1,
en la segunda restriccin: la variable de holgura+
en la tercera restriccin: la variable artificial $
Y las restricciones se expresan mediante

[\Y
[\XZ+
[\XZ$
con variables bsicas Y+ y$.

Si se aplica la tcnica 0, la funcin objetivo a maximizar es
]
[\XYZ0$
en donde se resta el trmino 0$que corresponde a la nica variable
artificial presente.
Y si se sigue el mtodo de las dos fases, en la fase ha de maximizarse la funcin auxiliar
]
$ [\XYZ$

Problema 1
Usando la tcnica 0 resuelva el problema:
Maximizar ] [\XY
sujeto a [\XY
[\XY
80
Respuesta
]0D[ ; una solucin ptima es [ \ X Y
Problema 2
Aplique la tcnica 0 para resolver el problema
Maximizar Z [\XY
sujeto a
XYt
[\Yd
Indicacin
El problema a resolver puede ser escrito as Z [\XY0$
sujeto a XY+$
[\Y+
en donde$ y + son variables bsicas, $ es una variable artificial y +
es una variable de holgura (por defecto).
Respuesta
=0D[ . Una solucin ptima es [ \ , X , Y
Problema 3
Resuelva el problema 1 usando el mtodo de las dos fases.
Problema 4
Aplique el mtodo de las fases para resolver el problema 2.
Problema 5
minimizar Z [[[[
sujeto a
[[[t
[[[[d
todas las variables negativas
81
Maynard Kong
a) Por la tcnica 0
b) Aplicando el mtodo de las dos fases.
Indicacin
Convierta el problema en uno de maximizacin
- maximizar Z [[[[
y considere las restricciones
[[[+
[[[[+
Puede tomarse como variables bsicas iniciales: una variable artificial $ asociada a la primera restriccin y la variable de holgura + (por
defecto) de la segunda restriccin.
Respuesta
El valor mnimo de Zes . Una solucin ptima es [ [ y
cero las otras variables.
Problema 6
Sea el problema
Maximizar ] [\X
sujeto a [\X
[\X
todas las variables no negativas
a) Sume miembro a miembro las restricciones y compruebe que no
existen soluciones factibles (en particular, el problema no tiene
mximo).
b) Compruebe que el problema no tiene soluciones factibles calculando el valor mximo de ]
$$ (la funcin auxiliar de la
fase )
sujeta a las condiciones [\X$
[\X$
en donde $ y $ son variables artificiales.
82
4.3 Convergencia del algoritmo del smplex

En esta seccin se presenta un anlisis simplificado de la propiedad de
convergencia del algoritmo del smplex. Mediante esta propiedad se
asegura que el algoritmo termina en un nmero finito de pasos cuando
se aplica a cualquier problema de programacin lineal estndar.
Se han elaborado ejemplos en los cuales en la aplicacin del mtodo
del smplex una tabla vuelve a aparecer despus de algunos pasos, y por
lo tanto hay un ciclo o grupo de tablas que se repiten indefinidamente,
impidiendo que se obtenga la solucin del problema.
El concepto de ciclo se explica a travs de un ejemplo algo extenso
por los clculos. Luego se mencionan las condiciones en las que pueden
ocurrir los ciclos. Y finalmente se describen dos mtodos que garantizan la convergencia del algoritmo del smplex: la regla de Blands y el
mtodo de perturbacin.
Uno de los primeros ejemplos de problemas de programacin lineal
con ciclos fue ofrecido por E. Beale. No obstante, a continuacin se mostrar ms bien uno tomado de un curso de la universidad de Toronto
(http://www.math.toronto.edu/mpugh/Teaching/APM236_04/bland).
Ejemplo de un ciclo
Resolver el problema
maximizar ] [[[[
sujeto a [[[[[
[[[[[
[[[[[
[[ y [ forman un conjunto inicial de variables bsicas.
A continuacin se aplica el mtodo del smplex, haciendo elecciones
sobre las variables de entrada y salida, y se obtiene la sucesin de tablas
7777777 777
83
Maynard Kong
y se encuentra que la tabla 7 es precisamente la tabla inicial 7, de

modo que el grupo de tablas 77 forma un ciclo, esto es se repite
indefinidamente.
Se empieza con la tabla:
7 variables bsicas [[[
YE
[
[
[
[
[
[
[
[
[
[

La nica variable que puede entrar es [. Y por la razn mnima

pueden salir [, [. Se elige [.
La siguiente tabla es
7 variables bsicas [, [, [
YE
[
[
[
[
[
[
[
[
[
[

Hay dos posibles variables que pueden entrar [ o [. Se elige [. La
nica posible variable que puede salir es[.
La tabla resultante es
YE
[
[
[
[
[
[
[
[
[
[

La nica variable que puede entrar es [. Y pueden salir [ o [.

Se elige [.
84
YE
[
[
[
[
[
[
[
[

[
[

Ahora pueden entrar [ o [. Se elige [. Y puede salir solo la

variable [.
La tabla resultante es
YE
[
[
[
[
[

[
[

[
[
[

La nica variable que puede entrar es [. Y pueden salir [ o [. Se

elige [.
YE
[
[
[
[
[
[
[
[
[
[

Hay dos variables que pueden ingresar [ y [. Se elige [. Entonces
solo puede salir la variable [.
Y la siguiente tabla es
85
Maynard Kong
YE
[
[
[
[
[
[
[
[
[
[

Pero 7 es la tabla inicial tabla 7 y por lo tanto el algoritmo no

termina.
4.4 Mtodos para evitar ciclos: regla de Blands y perturbacin

Cundo puede ocurrir un ciclo?
Puede ocurrir un ciclo solo cuando son iguales a cero las razones mnimas de cambio de las tablas o la funcin objetivo no cambia su valor -se
dice que las soluciones bsicas son degeneradas, pues algunas variables
bsicas valen cero.
Dicho de otra manera, en un ciclo todas las tablas tienen razn de
cambio igual a cero y la funcin objetivo permanece constante.
Esto es una consecuencia del siguiente hecho:
Si T es una tabla con razn de cambio mnima 5!, entonces la
tabla 7 no puede repetirse o aparecer otra vez en los siguientes pasos del
mtodo del smplex.
En efecto, recordando (Seccin 3.1) y asumiendo el caso de maximizacin, si ] es el valor de la funcin objetivo ] en la tabla actual 7 y
se produce un cambio de variable bsica, en la tabla siguiente 7
el valor
de la funcin objetivo es
]
]F
M5
donde F
! es el costo reducido de la variable entrante y 5t es la
razn mnima.
De aqu se deduce que ] ]
VL5 R] ]
VL5!
86
Esto significa que los valores de la funcin objetivo en las tablas

siguientes se mantienen, cuando la razn mnima es cero, o crecen,
cuando la razn mnima es mayor que cero. Y en consecuencia, si
5!, la tabla 7 (y las anteriores) no puede aparecer en las iteraciones
siguientes.
Si se evitan los ciclos, el algoritmo necesariamente termina?
S, porque el nmero posible de tablas distintas es un nmero finito
determinado M, y si se obvian los ciclos, ninguna tabla puede repetirse.
Por lo tanto, el proceso debe terminar a lo sumo en M pasos, cumplindose necesariamente uno de los criterios: el de ptimo o el de
divergencia.
El valor de 0 es el nmero combinatorio
Q
P
Q
P Q Q
en donde
Q nmero de variables del problema
y P nmero de variables bsicas.
Para hacer evidente esto, basta observar que cada tabla est determinada por su respectivo conjunto de variables bsicas, de manera que a
lo sumo habr tantas tablas como subconjuntos de m variables tomadas
de n variables.
En el ejemplo desarrollado en la seccin 3.3 se tiene Q y P , de
modo que las posibles tablas son:

7variables bsicas ^[[[`

....
70 variables bsicas ^[[[`
0

uu
u u

es decir, en este caso a lo sumo se obtienen tablas distintas.

87
Maynard Kong
Cmo se evitan los ciclos en el mtodo del smplex?

Se describen dos mtodos. Uno, bastante reciente debido a Blands, por
su uso sencillo en programas por computadoras, y otro, de carcter ms
analtico, al que se llama mtodo de perturbacin.
Regla de (los menores ndices dobles de) Blands
Se asume que el problema es de maximizacin y que las variables del
problema estndar estn referidas por subndices; por ejemplo, los
subndices pueden ser los nmeros de las posiciones de las columnas de
las variables en la tabla inicial.
Puesto que el propsito es evitar los ciclos, por razones prcticas se
recomienda aplicar la regla cuando en una tabla, en la que el algoritmo
no termina, todos los costos reducidos positivos F
M!0 tienen razn
mnima igual a cero,
En este caso:
1) se elige como variable de entrada -al conjunto de variables bsicas- la variable [j que tiene el menor subndice Mde los F
M ! 0
y 2) y si, respecto de la columna M, las variables bsicas con razn
mnima son [L[LP
entonces sale la variable [LV que tiene el menor subndice LV
Ntese que en 1) y 2) se eligen las variables segn los dos subndices
menores.
Solucin del ejemplo 4.3 usando la regla de Blands
Observando que en tablas calculadas las razones mnimas siempre son cero
se revisan los clculos efectuados, pero esta vez se aplica la regla de Blands.
Las variables seleccionadas para entrar y salir se indican con un *
1) Tabla 7 variables bsicas
[[[
variables entrantes: [
entra [, eleccin nica
sale [, tiene menor
variables de salida: [*,[
subndice .
88

[,[,[
variables entrantes: [*, [
entra [, tiene menor
subndice
sale [, eleccin nica
variables de salida: [*
[,[,[
variables entrantes: [*
entra [, eleccin nica
sale [, subndice menor
variables de salida: [*,[
[,[,[
variables entrantes: [*,[
entra [, subndice menor
variables de salida: [*
sale [, eleccin nica
[,[,[
variables entrantes: [*
entra[, eleccin nica
sale [, menor subndice
variables de salida: [, [*
Ntese que en las tablas 77 las selecciones de las variables de
entrada y salida aplicando la regla de Blands coinciden con las realizadas antes cuando se encontr el ciclo. Estas selecciones corresponden a
escoger de modo simple como variable de entrada con costo reducido
positivo a la que est en la columna de ms a la izquierda, y como variable de salida, respecto de esta columna, a la variable bsica con razn
mnima igual a cero que se encuentra en la fila de ms arriba
Repetimos la tabla 7
7variables bsicas [,[,[
YE
[
[
[
[
[

[
[

[
[
[

La nica variable que puede entrar es [. Y pueden salir [ o [. En

el caso que condujo al ciclo, se eligi como variable de salida [. No
obstante, si se aplica la regla de Blands debe salir [, pues es la variable
que tiene menor subndice
89
Maynard Kong
Se muestran las siguientes tablas.

Tabla 7
variables bsicas [,[,[
YE
[
[
[
[
[
[
[
[
[
[

La nica variable que puede entrar es [. Y solo puede salir la variable [.
Tabla 7
variables bsicas [,[,[
YE
[
[
[
[
[
[
[
[
[
[

]
El algoritmo termina, pues todos los costos reducidos son d 0.

El valor mximo es ] , y se obtiene en [ ,[ ,[ 1, y las
otras variables con valor igual a cero.
Mtodo de perturbacin
Este mtodo consiste en perturbar o modificar los trminos constantes, lados derechos de las restricciones de igualdades, sumndoles
potencias de un nmero positivo muy pequeo, de manera que cuando
se aplica el algoritmo del smplex cualquier razn mnima resulta con
valor positivo y por lo tanto la funcin objetivo siempre aumenta
su valor (caso de maximizacin). As, ninguna tabla puede repetirse
y necesariamente se llega a una tabla terminal, en la cual la solucin
ptima se obtiene anulando o desapareciendo las cantidades aadidas.
90
Solucin del ejemplo 4.3 usando perturbaciones

Se muestra la tabla inicial
Tabla 7 variables bsicas [[[
YE
[
[
[
[
[
[
[
[
[
[

H H
H H
H H

en donde se han agregado a las constantes del lado derecho las potencias H, H, H, siendo e un nmero positivo arbitrariamente pequeo.
La nica variable que puede entrar es [. Para determinar la variable
que debe salir se calculan las razones
H
variable [: la razn es
H

H
H
variable [: la razn es

puesto que H es muy pequeo, por ejemplo H , se ve que la razn
mnima corresponde a [. As sale la variable [.
YE
[
[
[
[
[
[
[
[
[
[

H

Ahora la variable que debe entrar es [. Y la nica que puede salir es
[, cuya razn es
H H

H H
91
Maynard Kong
La tabla correspondiente es
YE
[
[
[
[
[
[
[
[
[
[

Todos los costos reducidos son d 0, y por lo tanto el algoritmo termina con valor mximo. Eliminando H de la tabla, o haciendo H ,
se obtiene el valor mximo , cuando [ , [ ,[ , y cero para las
otras variables.
Nota
1. En la resolucin manual de los problemas ejemplos de programacin lineal como los ejercicios propuestos, por lo general no
se requiere utilizar estos mtodos para garantizar que el mtodo
del smplex finaliza. No obstante, hay varias clases de problemas, por ejemplo: el problema de transporte o el de proyectos de
programacin de tareas, en los cuales las soluciones bsicas son
degeneradas y por consiguiente es imprescindible dar la seguridad de que el mtodo efectivamente termina.
2. Por otra parte, la convergencia del mtodo del smplex establece
una propiedad importante que se cumple para cualquier problema de programacin lineal estndar:
Si tiene valor ptimo, entonces
a) este se alcanza en una solucin bsica factible
y b) los costos reducidos de la funcin objetivo, respecto de las
variables bsicas, satisfacen el criterio de ptimo:
F
Md, para el caso de maximizacin
o F
Mt, para el caso de minimizacin.
En el siguiente captulo se har uso de este hecho.
92

Problema 1
(E. Beale) Aplique la regla de Blands para resolver el problema
Maximizar ] [[[[
sujeto a
[[[[[
[[[[[
[[
Observe que [[[ forman un conjunto inicial de variables bsicas.
Respuesta
Mximo de ] , en [1 , [4 , [6 , y las otras variables con
valor cero.
Problema 2
Resuelva el problema anterior usando el mtodo de perturbaciones.
93
Captulo 5
Problema dual
5.1 Definicin del problema dual

A cada problema de programacin lineal de maximizacin (o de minimizacin) se le asocia un problema de programacin de minimizacin
(o de maximizacin), al que se denomina problema dual, y al problema
original se le llama primal. Esta asociacin ofrece propiedades importantes:
1) los valores ptimos, cuando existen, de ambos problemas son
iguales,
2) la tabla final del mtodo del smplex, aplicado a cualesquiera
de los problemas, proporciona soluciones ptimas de los dos
problemas, por lo cual, es suficiente resolver uno de ellos, por
ejemplo, aquel que tenga el menor nmero de restricciones o la
forma ms sencilla, cuando este sea el caso,
y 3) cmo se afecta o vara el valor ptimo del problema primal
cuando se modifican los valores de las constantes de los lados
derechos de las restricciones, esto es cuando se aumentan o disminuyen los recursos disponibles.
Para simplificar la explicacin fijamos el nmero de variables Q
y el nmero de restricciones P , sin embargo, debe quedar claro que
estos valores pueden ser enteros positivos cualesquiera.
Maynard Kong
Problema dual en el caso simtrico

Sea el problema primal
(P)
Maximizar ] F[F[
sujeto a D[D[dE
D[D[dE
D[D[dE
[[t
en donde todas las restricciones tienen signo d y las constantes E,
E y E3, son nmeros arbitrarios.
Se define el problema dual de 3 mediante
(D)
Minimizar Z E\E\E\
sujeto a D\D\D\tF
D\D\D\tF

\ \\tF

en donde todas las restricciones tienen el signo t.
Se mencionan algunas caractersticas del problema dual:
1) Cada restriccin (del problema) primal determina una variable
dual, por ejemplo:
D[D[dE o YDULDEOHGXDO\
2) Los coeficientes o costos de funcin objetivo del problema dual
son precisamente las constantes EL del segundo miembro de las
restricciones primales, de manera que la funcin objetivo dual es
E\E\E\
3) Cada variable primal determina una restriccin dual, por ejemplo, a la variable primal [1 le corresponde la restriccin dual:
D\D\D\tF
en donde los coeficientes DDD son los coeficientes de la variable
[ en las restricciones, y F es el costo de [1 en la funcin objetivo.
96
Como se observa en la siguiente representacin tabular, esta restriccin dual se forma con los coeficientes de la columna de [1
[
[
\
\
\
D
D
D
D
D
D
F
F
d
E
E
E
Z
]
Max ] F[F[
Min Z E\E\E\
Se dice que la definicin dada corresponde al caso simtrico,
porque las formas de los problemas presentan las siguientes particularidades:
1) uno de los problemas es de maximizacin y tiene restricciones de desigualdades d,
2) el otro problema es de minimizacin y tiene restricciones
de desigualdades t,
y 3) las variables de ambos problemas son no negativas.
A partir de esta definicin de problema dual se puede hallar el
problema dual de cualquier problema de programacin lineal
(vanse los ejemplos 2 y 3 siguientes).
Ejemplo 1
Halle el dual del problema
Maximizar ] [[
sujeto a
[[d
[[d
[[d
[[d
[[no negativos
97
Maynard Kong
Solucin
Aplicando directamente la definicin de problema dual se obtiene:
Minimizar Z \\\\
sujeto a \\\\t
\\\\t
\ \\no negativos.

Ejemplo 2
En este ejemplo se muestra que el problema dual de un problema de
minimizacin es un problema de maximizacin.
Encuentre el problema dual de
Minimizar ] [[
sujeto a [[t
[[d
[ [no negativas.

Solucin
Usando 0LQLPL]DU] [[ 0D[LPL]DU]
[[ y
haciendo que las restricciones tengan signo d, para aplicar la definicin
de problema dual, se considera el problema primal
0D[LPL]DU ]
[[
sujeto a [[d
[[d
[[no negativas
y el problema dual es
0LQLPL]DU Z
\\
R 0D[LPL]DU Z \\
sujeto a \\t
\\t
\\no negativas
98
Ejemplo 3
Halle el dual de
0D[LPL]DU ] [[[
sujeto a
[[[d
[[[d
[[[no negativas
y muestre que a la segunda restriccin, que es de igualdad, le corresponde una variable dual irrestricta.
Solucin
Teniendo en cuenta la equivalencia de nmeros D E
si y solo si DdE y DdE
la segunda restriccin puede ser reemplazada por dos desigualdades d y
el problema dado se expresa as:
0D[LPL]DU ] [[[
sujeto a
[[[d
[[[d
[[[d
[[[no negativas
Denominando \\
\
a las variables duales el problema dual es
0LQLPL]DU Z \\
\

sujeto a \\
\
t
\\
\
t
\\
\
t
\\
\
no negativas
Y haciendo \ \
\
, esta variable es irrestricta y se reemplaza
tanto en la funcin objetivo como en las restricciones, de modo que el
problema dual adquiere la expresin final
0LQLPL]DU Z \\
\
\\
99
Maynard Kong
sujeto a
\\t
\\t
\\t
\ no negativa\ irrestricta.
5.2 Formas tpicas de problemas duales

Se anotan algunas formas de problemas duales que se aplican frecuentemente.
a) Dual del problema de minimizacin simtrico
El problema dual de
0LQ] F[FQ[Q
sujeto a D[DQ[QtE
DP[DPQ[QtEP

todas las[Lt
es 0D[Z E\EP\P
sujeto a D\DP\PdF

DQ\DPQ\PdFQ
todas las \L no negativas.
Ejemplo
El problema dual de
0LQLPL]DU] [[[
sujeto a
[[[t
[[[t
todas las variables [L no negativas
es 0D[LPL]DU[ \\
sujeto a
\\d
\\d
\\d
\, \no negativas.
100
b) Dual del problema de maximizacin estndar

El problema dual del problema
0D[LPL]DU] F[FQ[Q
sujeto a D[DQ [Q E

DP[DPQ [Q EP

todas las [t
es 0LQLPL]DUZ E \EP \P
sujeto a D\DP \PtF

DQ\DPQ \PtFQ
todas las \Lirrestrictas.
Ejemplo
El problema dual de 0D[LPL]DU] [[[
sujeto a
[[[
[[[
todas las variables[L no negativas
es 0LQLPL]DU[ \\
sujeto a
\\t
\\t
\\t
\\ irrestrictas.
c) Dual del problema de minimizacin estndar
En este caso, el dual es de maximizacin, las restricciones duales
tienen el signo d, y las variables son irrestrictas.
101
Maynard Kong
5.3 Reglas para hallar el problema dual

Para hallar el problema dual de un problema arbitrario de programacin
lineal P se aplican las siguientes reglas que se deducen de la definicin
del problema dual de tipo simtrico.
1) Si P es de maximizacin:
Todas las restricciones de P deben ser d o , convirtiendo las
restricciones tDd, si es necesario.
A una restriccin de P de signo d le corresponde una variable
dual no negativa.
Y si P es de minimizacin:
Todas las restricciones de P deben ser t o , convirtiendo las
restricciones dDt, si es necesario.
A una restriccin de P de signo t le corresponde una variable
dual no negativa.
2) A una restriccin de P de signo
dual irrestricta.
le corresponde una variable
3) La funcin objetivo del problema dual es Z E\EP\P

en donde los EL son las constantes de los miembros derechos de
las restricciones de P.
Si P es de maximizacin el problema dual es de minimizacin.
Y si P es de minimizacin el problema dual es de maximizacin.
4) A una variable [Lde P le corresponde la restriccin dual
DL\DPL\P^t d`FL
en donde:
4.1) DL DPL son los coeficientes de [L en las restricciones
(esto es, los coeficientes de la columna de [L en la representacin tabular)
4.2) FLcosto de [L de la funcin objetivo de P
4.3) el signo de la restriccin dual es
102

si [L es irrestricta
t si [L es no negativa y P es de maximizacin
o d si [L es no negativa y P es minimizacin.
Ejemplo
Utilice las reglas para encontrar el problema dual de
0LQLPL]DU] [[[
sujeto a [[[d
[[[
[[t
[ no negativa
[[irrestrictas
Solucin
1) Determinacin de variables y funcin objetivo del dual.
Puesto que el problema primal es de minimizacin las restricciones solo pueden tener los signos o t. As, se invierte el signo
de la primera restriccin [[[t, y el conjunto de
restricciones con las respectivas variables duales es

[[[t o\no negativa

[[[ o\no negativa
[[t o\no negativa
Y el problema dual tiene por propsito maximizar la funcin

objetivo
Z \\\.
2) Restricciones duales
Correspondiente a la variable [ la restriccin dual es \\\
d (coeficiente de [ en]) en donde se elige el signo d pues [ es
no negativa y el problema primal es de minimizacin.
Para la variable [ se obtiene la restriccin dual \\\
siendo el signo pues [es irrestricta.
103
Maynard Kong

Y de igual modo para la variable primal irrestricta [ la restriccin dual \\\
Por lo tanto, el problema dual es
0D[LPL]DUZ \\\
sujeto a \\\d
\\\
\\
\, \ no negativas, \irrestricta.

Problema 1. Halle el problema dual de
0D[LPL]DU] [[[[
sujeto a
[[[d
[[[d
[[[d
todas las variables t.
Respuesta
0LQLPL]DUZ \\\
sujeto a \\\t
\\t
\\t
\\t
Problema 2. Determine el problema dual de
0LQLPL]DU] [[[
sujeto a
[[t
[[[t
[[t
104
Respuesta
0D[LPL]DUZ \\\
sujeto a
\\\d
\\\d
\d
Problema 3. Halle el problema dual de
0D[LPL]DU] [[[
sujeto a [[[
[[[
Respuesta
0D[LPL]DUZ \\
sujeto a
\\t
\\t
\\t
todas las variables irrestrictas.
Problema 4. Encuentre el problema dual de
0LQLPL]DU] [[[
sujeto a [[[
[[[
Respuesta
0D[LPL]DUZ \\
sujeto a
\\t
\\t
\\t
todas las variables irrestrictas.
105
Maynard Kong
Problema 5. Determine el problema dual de

0D[LPL]DU] [[[
sujeto a [[[t
[[d
[[
[irrestricta, [, [ no negativas.
Respuesta
El problema dual es
0LQLPL]DUZ \\\
sujeto a \\\ con signo pues [ es irrestricta
\\t
\\t
\\ no negativas, pues las restricciones primales sond
\ es irrestricta, porque la restriccin primal tiene signo .
5.5 Propiedades del problema dual

Se describen las propiedades bsicas de los problemas dual y primal.
P1)
El dual del problema dual es el problema primal.

Ejemplo
Si el problema primal es
(P) 0D[] [[[
sujeto a
[[[d
[[[
todas las variables irrestrictas
el problema dual es

(D) 0LQZ \\

sujeto a \\t
\\t
\\t
\ no negativa, \ irrestricta
106
y el dual de (D) es el problema (P) (salvo el nombre de las variables).

P2)
Propiedad de dualidad dbil

Si el problema primal P es de maximizacin, entonces los valores
de la funcin objetivo ][ de P son menores que o iguales a los
valores de la funcin objetivo Z\ de D, esto es
][dZ\
para toda solucin factible [ de P, y toda solucin factible\ del
problema dual D.
[Si el problema primal P es de minimizacin, se cumple
][tZ\
]
Adems, si en algn par de soluciones factibles [y \ se satisface
la igualdad
][ Z\
entonces ][ ptimo P Z\ ptimo de D.
Ejemplo. Sean los problemas primal y dual

(P)

0D[] [[
(D) 0LQZ \\
sujeto a
sujeto a
[[d \\d
[[d \\d
[[ no negativas
\ \ no negativas
Entonces se tiene
][[ ] [[
d\\[\\[
[\[\[\[\
[[\[[\
d\\
Z Z\\
107
Maynard Kong
en donde (1) se obtiene multiplicando por [[ las restricciones

duales
d\\
d\\
o [d\\[
o [d\\[
y se preservan los signos d de las desigualdades pues [[ son

factores no negativos, y de igual manera se justifica (), por las
restricciones primales y los valores no negativos de \\.
As, se cumple ][[dZ\\.
P3)

P4)
El problema primal P y su respectivo dual D tienen igual valor

ptimo, cuando existen, esto es, se cumple

0i[LPR3 0tQLPR'VL3HVGHPD[LPL]DFLyQ
0tQLPR3 0i[LPR'VL3HVGHPLQLPL]DFLyQ
Clculo de una solucin ptima del dual del problema de maximizacin

Si se aplica el mtodo del smplex a un problema de maximizacin y se obtiene el valor mximo, entonces adems de la
solucin ptima de este problema, la tabla final contiene una
solucin ptima del problema dual \\P, que es dada por
las expresiones
\L FMLF
ML
L P
en donde
FFFP son los costos de las variables bsicas de la tabla
inicial
F
F
F
P son los costos reducidos de estas variables en la
tabla final.
108
Caso simtrico
Si el problema es de maximizacin simtrico, las variables de holguras forman por defecto el conjunto de variables bsicas, una solucin
ptima del dual es
\L F
L L P
siendo F
LF
P los costos reducidos de las variables de holgura en la
tabla final.
Nota
1. En la seccin 5.6 se exponen los conceptos y propiedades que
justifican estas frmulas de una solucin ptima del dual.
2. Para el problema estndar de minimizacin, si se resuelve usando
el criterio de mnimo, todos los F
Mt, las expresiones de la solucin ptima del dual son las mismas:
\L FMLF
LML P.
Pero si se resuelve convirtiendo el problema a uno de maximizacin
0LQ] 0D[]
es decir, si se resuelve 0D[], los \Lson los valores opuestos
\L F
LFL
donde los costos se refieren a las tablas de ].
Ejemplo 1. Resuelva
0D[LPL]DU] [[[[
sujeto a [[[
[[[
Halle una solucin ptima del problema dual.
109
Maynard Kong
Solucin
La tabla inicial es
7
YE
[
[
[
[
[
[

F
F

Las variables bsicas iniciales son [, [, y los costos de estas variables
son F F
7
7
YE
[
[
[
[
[
[

YE
[
[
[
[
[
[

Puesto que se cumple el criterio de mximo, la solucin [

[ [ [ , es ptima y el valor mximo de ] es .
El problema dual tiene valor mnimo y una solucin ptima es
\ FF

\ FF

Ejemplo 2
Aplicando el mtodo del smplex resuelva el problema primal
(P) 0D[LPL]DU] [[
sujeto a [[d
[[d
[[ no negativas
110
usando como variables bsicas iniciales las variables de holgura

K, K, respectivamente.
Y encuentre una solucin ptima del problema dual.
Solucin
Sealando por * el elemento pivote en cada paso las tablas resultantes
para resolver (P) son
T1 Tabla inicial
T2
YE
[
[
K
K
K
K

YE
[
[
K
K
E

[
[
K
K

T3 Tabla final
YE
[
[

As, el valor mximo de (P) es y se obtiene en [ [

Los costos reducidos de la tabla final con
F
F
F
F

y por lo tanto una solucin ptima del dual es
\
F

\ F

111
Maynard Kong

Problema 1. Sea el problema de programacin lineal
0LQLPL]DU] [[
sujeto a [[t
[[t
[[t
[[t
[Lt
a) Halle el problema dual
b) Resuelva el problema dual e indique soluciones ptimas de los
dos problemas.
Respuesta
a) El problema dual es
0D[LPL]DUZ \\\\
sujeto a \\\\d
\\\\d

\
b) El valor mximo de Z es y se alcanza en \
,y

las otras variables con valor cero.
La funcin objetivo ] tiene valor mnimo y una solucin
ptima es [ [
Problema 2 Resuelva el problema

0D[LPL]DU] [[[[
sujeto a
[[[d
[[[d
[[[d
todas las variables t0
y determine una solucin ptima del problema dual.
112
Respuesta
Mximo de ] en [ , [ ,
y las otras variables con valor cero.
Mnimo del dual en \ , \ , \ .
Problema 3
Halle el valor mnimo y una solucin ptima del problema dual de
0D[LPL]DU] [[[[
sujeto a
[[[d
[[[[d
[[[d
[Lt
Respuesta
El valor mnimo del problema dual es y una solucin ptima es \ ,
\ , \
Problema 4
Utilizando el problema dual resuelva el problema
0LQLPL]DU] [[[
sujeto a [[[t
[[[t
[[[t
[Lt
Respuesta
El valor mnimo es y se obtiene en [ [ [ .
Problema 5
Un granjero cra cerdos para venta y desea determinar las cantidades de
los distintos tipos de alimentos que debe dar a cada cerdo para satisfacer ciertos requisitos nutricionales a un costo mnimo. En la siguiente
113
Maynard Kong
tabla se indica las unidades de cada clase de ingrediente nutritivo bsico

contenido en cada alimento, los requerimientos y los costos de los alimentos.
8QLGDGHVSRUNLORGHDOLPHQWR
,QJUHGLHQWH
PDt]
JUDVD
DOIDOID
FDUERKLGUDWRV
SURWHtQDV
9LWDPLQDV
&RVWRSRUNLOR

5HTXHULPLHQWR
PtQLPRGLDULR

a) Formule el modelo de programacin lineal.

b) Resuelva el problema aplicando el mtodo del smplex al problema dual.
Respuesta
a) Sean [ [ [, las cantidades (en kilos) de los tres alimentos,
respectivamente, para alimentar un cerdo, y sea & el costo correspondiente.
El problema es minimizar & [[[
sujeto a [[[t
[[[t
[[[t
[L no negativos
b) El costo mnimo es y se obtiene tomando kilos de
maz y kilos de alfalfa.
5.7 Vector dual de una solucin bsica factible

A continuacin se justifican formalmente las expresiones que dan una
solucin ptima del problema dual, indicadas en la propiedad P4 de 5.5.
En la exposicin se usar un ejemplo a fin de facilitar la explicacin
y progresivamente se generalizar empleando la notacin de matrices.
114
El ejemplo es el problema de maximizacin estndar:

0D[LPL]DU] [[[[
sujeto a [[[[
[[[[
Las variables [, [ son bsicas factibles. En efecto, haciendo cero las
otras variables, el sistema de ecuaciones
[[
[[
tiene la solucin nica [ [ , y por lo tanto resulta la solucin
bsica factible [ [ [ [ .
Sea ahora el sistema de ecuaciones con dos incgnitas \\
\\
\\
en donde la primera ecuacin se forma con los coeficientes que [ tiene

en las restricciones y la constante del lado derecho es el costo de [en
la funcin objetivo, y de modo similar, la segunda ecuacin, con los
coeficientes de [ y lado derecho el costo de esta variable.
El hecho de que (1) tenga solucin nica implica que (2) tambin
posee solucin nica, que en efecto es dada por
\ \ .
Se llama vector dual de las variables bsicas [[ al vector
< >\\@ > @
solucin del sistema (2).
Para generalizar este caso, se expresa 2) abreviadamente como la
ecuacin matricial con incgnita el vector dual < >\\@
> \ \ @

>
@
115
c
Maynard Kong
en donde el lado izquierdo es el producto del vector dual multiplicado

por la matriz de los coeficientes de las variables [[ en las restricciones
y el lado derecho es la fila de los costos de estas variables.
Se puede ver que la ecuacin matricial equivale al sistema (2):
El primer miembro (es la fila que) resulta de sumar \ veces la primera fila de la matriz y \2 veces la segunda fila
>\\\\@ > @

e igualando los respectivos componentes se obtiene (2).
Calculamos nuevamente el vector dual pero esta vez resolviendo
la ecuacin matricial, pues por el clculo de matrices el vector dual
puede despejarse directamente de (2) empleando la matriz inversa de
la matriz de coeficientes.
Se indican los pasos para hallar la matriz inversa mediante operaciones de filas como las se aplican en el mtodo del smplex
se opera sobre la matriz aumentada con la matriz identidad
se divide la fila entre el pivote y se resta veces esta fila a la fila

se divide la fila entre el pivote y se suma - esta fila a la fila

y la matriz inversa es

Ahora se puede despejar el vector dual de (2)
> \

> @
> @
\ @

>
116

@

que son los valores encontrados resolviendo el sistema de ecuaciones (2).

En general, se define el YHFWRU GXDO de un conjunto de variables
bsicas [[P, por
< >\\P@ >FFP@%
producto de la fila de costos de las variables bsicas por la matriz %,

inversa de la matriz % formada por los coeficientes de las variables bsicas en las restricciones.
En forma abreviada, YHFWRUGXDO FEDV%
en donde FEDV es la fila de costos de las variables bsicas.
Vector dual y costos reducidos
Retomando el programa ejemplo se hallarn los costos reducidos en
trminos del vector dual < >\\@ > @ de las variables [[.
Se escriben las restricciones con la funcin objetivo

[[[[
[[[[

[[[[ ]
multiplicando las restricciones por \\, respectivamente y restando

miembro a miembro de la ecuacin de ]se obtiene
F
[F
[F
[F
[ ]]
en donde

F

F

F

F

F
\\
\\
\\
\\
\\

despus de evaluarlos en \ \ .
117
Maynard Kong
Ntese que son nulos los valores F

F
pues \\ se han definido
precisamente como soluciones de las ecuaciones (2).
As, ] [[ es la representacin de ] sin las variables
bsicas [[.
Ntese que F
se expresa por

F \ \ F \ \ por columna de [

y de modo similar para los otros costos reducidos. En consecuencia,
formalmente se tiene la siguiente definicin de un costo reducido en
trminos del vector dual.
Fc
Denicin
Se denomina costo reducido de una variable [M, relativo a un conjunto
de variables bsicas, al nmero
F
M FM\DM\PDPM
o
F
M FM<$M
en donde FMes el costo de la variable, < el vector dual de las variables
bsicas, y $M la columna formada por los coeficientes de DLM de [M en las
restricciones L P.
Los costos reducidos de las variables bsicas son nulos por definicin de vector dual. En efecto, < se define por
< FEDV%
o <% F
EDV
(% es la matriz formada por las columnas de las variables bsicas), de

modo que si FL es el costo de la variable bsica [Lentonces

<.(FROXPQDGHFRHFLHQWHVGHYDULDEOH[L) FL
<$L FL
de donde F
L FL<$L .
118
La funcin objetivo se escribe en trminos de los costos reducidos as:

] F
[F
Q[Q]
siendo ] <E, el producto del vector < por la columna de constantes
de los miembros derechos de las restricciones, y tambin el valor de]
en la solucin bsica factible, dado por
] \E\E\PEP
o ] <E
producto del vector dual por la columna de las constantes EL de los
lados derechos de las restricciones.
Criterio de ptimo y solucin dual
Caso de maximizacin
Se cumplen todos los F
Md si y solo si el vector dual< es una solucin
factible del problema dual. Y, en este caso,
YDORUPi[LPRGH] YDORUPtQLPRGHOSUREOHPDGXDO ]
y el vector dual es una solucin ptima del problema dual.
Este resultado se sigue de
F
M FMDM\DPM\P
de manera que
F
Md si y solo si DM\DPM\MtFM
en donde la segunda desigualdad es precisamente la restriccin dual
correspondiente a la variable primal [j .
As, se cumple F
Md para todo M si y solo si \\P es una solucin
factible del problema dual.
Se omiten los detalles de la parte restante.
119
Maynard Kong
Caso de minimizacin
Se cumple:
todos los F
Mt si y solo si el vector dual Y es una solucin factible
del problema dual.
Y en este caso,
valor mnimo de] valor mximo del problema dual ]
y el vector dual es una solucin ptima del problema dual.

Una solucin ptima dual
En la propiedad P4 de 5.5 se indic una solucin ptima del problema
dual de un problema estndar. En verdad, la solucin sealada no es
otra que el vector dual de la solucin bsica factible que cumple el criterio de mximo.
Segn la definicin de costos reducidos respecto de un conjunto de
variables bsicas se tiene
F
M FMDM\DLM\LDPM\P
en donde losDS son los coeficientes de la columna de la variable [j .
M
Luego, si esta columna es unitaria, con en la posicin Ly cero en
las otras posiciones, esto es DLM y DSM , si S es distinto de L, se tiene
F
M FM\L
de donde \L FMF
M.
De esto se sigue que cuando se aplica el mtodo del smplex, y se
obtiene el valor mximo, los costos reducidos de las variables bsicas
actuales pueden usarse para calcular el vector dual, seleccionando solo
aquellos costos reducidos de las variables bsicas iniciales, pues tienen
columnas unitarias.
120
Ejemplo
Por el mtodo del smplex resuelva
0D[LPL]DU] [[[[
sujeto a [[[
[[[
indicando el vector dual de cada tabla. Halle una solucin ptima del
problema dual.
Solucin
La tabla inicial es
T1
YE
[
[
[
[
[

[

F
F

Las variables bsicas iniciales son [, [, y los costos de estas variables
son F F .
Para las variables bsicas [, [, el vector dual es
\ FF

\ FF

T2
YE
[
[
[
[
[

[

El vector dual de [, [ es

\ FF

\ FF

121

Maynard Kong
T3
YE
[
[
[
[
[

[

El vector dual de [, [ tiene componentes

\ FF

\ FF

Puesto que se cumple el criterio de mximo, la solucin [ [
[ [ es ptima y el valor mximo de ]es . De esto se sigue que
el problema dual tiene valor mnimo y una solucin ptima dada
por el vector dual \ \ .
122
Captulo
Anlisis de sensibilidad post ptimo
6.1 Introduccin
El anlisis de sensibilidad post ptimo se refiere a estudiar cmo cambia el
valor ptimo de la funcin objetivo si se modifican algunos de los elementos o parmetros de un problema de programacin lineal tales como
variar el nivel de recurso o constante del lado derecho de una
restriccin
modificar un costo de la funcin objetivo
incluir una nueva variable
agregar otra restriccin
En lo que sigue se explican estos casos mediante el desarrollo de
algunos ejemplos.
6.2 Pasos del anlisis

Los pasos para efectuar este anlisis son bsicamente los siguientes:
1) se determina o se elige una solucin ptima del problema
y 2) preservando las variables bsicas determinadas en el paso 1) se
vara uno de los parmetros del problema, mientras los dems
Maynard Kong
permanecen fijos, a fin de hallar el rango o intervalo de variacin

y el correspondiente valor ptimo de la funcin objetivo.
El procedimiento para realizar el paso 2) consiste en resolver el problema modificado repitiendo los clculos efectuados en el paso 1), es
decir, se hacen los mismos cambios de variables bsicas que condujeron
a la solucin. As, se obtiene una tabla que tiene las mismas variables
bsicas y para que proporcione una solucin ptima se exige que los
costos reducidos satisfagan los criterios de optimalidad y que la solucin encontrada tenga valores no negativos.
6.3 Programa ejemplo

El siguiente programa sirve de ejemplo para exponer los conceptos del
anlisis post ptimo.
Sea el problema
0D[LPL]DU] [\
sujeto a [\d
\d
[,\ no negativas
La representacin grfica del problema es
$
/\
%
k / [ \
&
124
Captulo 6. Anlisis de sensibilidad post ptimo
Ntese que, por los datos del problema, es obvio que si se aumenta
uno de los costos, , o uno de los recursos, , el valor mximo
de la funcin crece o se mantiene.
Introduciendo variables de holgura KK el problema se escribe en
forma estndar
0D[] [\
[\K
\K
y resolviendo por el mtodo del smplex se obtiene:
Tabla inicial
Tabla final
YE
K
K
K
K

YE
K
K
[
\
F

de donde el valor mximo es ] , en [ , \ , K K .
6.4 Variacin de un costo fijando la solucin ptima

Cuando se modifican los costos permanece invariable la regin de factibilidad, y por ende las soluciones bsicas factibles.
El objetivo del anlisis es determinar cul es el intervalo en el que
puede variar un coeficiente de costo, manteniendo fijos los otros costos,
y cul es el valor ptimo del problema, si se exige que se preserve la
solucin ptima.
La determinacin del rango de variacin es sencilla:
en la tabla final se anota la fila de costos de la funcin objetivo,
con el nuevo costo,
125
Maynard Kong
se calculan los costos reducidos anulando los costos de las variables bsicas mediante operaciones de filas,
se exige la condicin de ptimo: todos los costos reducidos son
d para el caso de mximo, o t , para el caso de mnimo; esto
da lugar a un conjunto de desigualdades de las cuales se obtiene
el intervalo de variacin del costo.
Ejemplo La funcin objetivo del problema es
] [\KK
a) Entre qu valores puede variar el costo de la variable [ y qu
valores toma ] si [ 2, \ 2, K , K sigue siendo solucin
ptima del problema?
b) Igual para el costo de la variable K
c) Qu sucede si el costo de la variable [ sale del rango o intervalo
hallado en la parte a)?
Solucin
a) Si F es el costo de [, y se conservan los otros costos, la funcin
objetivo es ] F[\KK
Usando la tabla final, se anulan los costos de [\, para hallar los
nuevos costos reducidos,
YE
K
K
[
\
F

F

F
F
F
F
FFYHFHVODYHFHVOD
Para que la solucin [ \ siga siendo ptima, es suficiente
que se cumpla el criterio de mximo, todos los costos reducidos
deben ser d, por lo que debe tenerse
126
F
F
d \ d

esto es dFd
y el valor mximo de ] F] F, dependiendo de
F, vara de ] a . Por ejemplo, si F , el valor mximo de
] es en la misma solucin ptima.
b) Designando por F el costo de K y procediendo de modo similar
YE
K
K
[
\
F

F

F

y F- do Fd.

As, F puede ser cualquier nmero d, y la funcin objetivo
permanece constante cuando la solucin ptima es [ \ ,
K K .
c) Si el coeficiente de costo F de [ toma un valor fuera del intervalo
de variacin >@ por ejemplo, F oF entonces la
solucin bsica, vrtice %, deja de ser ptima, y en este caso,
el valor mximo se alcanza en otra solucin ptima, uno de los
otros vrtices $ o &.
6.5 Variacin del lado derecho de una restriccin

fijando las variables bsicas
Ahora se estudia el problema cuando se vara el lado derecho de una
restriccin. Se observa que:
no cambian los costos reducidos, por lo que se mantiene la condicin de ptimo,
127
Maynard Kong
al variar el lado derecho cambia la regin de factibilidad y por

lo tanto tambin cambian los valores de las soluciones bsicas
factibles.
El propsito del anlisis es determinar el intervalo en el que puede
variar el lado derecho exigiendo que las variables bsicas sigan dando
una solucin ptima del problema.
Cuando se modifica el lado derecho de una restriccin, las variables
bsicas toman un valor que depende de este parmetro. Estos valores
deben ser no negativos para que la solucin sea factible (y ptima).
Ejemplo Sea el problema
0D[LPL]DU] [\
sujeto
[\dE
\d

y ]PD[E el valor mximo de ], que depende de E, en la solucin
bsica [ \ , por ejemplo, para E se obtuvo ]PD[ .
Entre qu valores puede variar el lado derecho E de la primera
restriccin, si las variables bsicas [\dan una solucin ptima?
Halle ]PD[E y la solucin ptima respectiva.
Solucin
Consiste en aplicar el mtodo del smplex al problema PD[] [\
[\K E
\K

asumiendo que las variables bsicas [\ son bsicas y dan una solucin
ptima.
Tabla inicial
YE
K
K
K
K

E

128
Usando el pivote 2* la siguiente tabla es

YE
K
K
UD]yQ
[
K

E

E

E
Ahora debe ingresar la variable \, y pueden salir [o K. Puesto que
se exige que [\ sean las variables bsicas ha de salir K, y por la razn
mnima, para esto se requiere que Et , de lo contrario, saldra [. As,
asumiendo cierta esta condicin entra la variable \ en lugar de K.
Usando el pivote se obtiene la tabla
YE
K
K
[
\
F

E

E
Luego Et y el valor mximo de ] es ]PD[E E y una

solucin ptima es [ E \ K K .

6.6 Inclusin de variable

Se incluye una nueva variable de decisin y se determinan las condiciones que debe cumplir el costo de la variable o alguno de sus coeficientes
para que se mantenga la solucin ptima del problema original.
P1)

0D[LPL]DU] [\
sujeto a [\d
\d
[\ no negativas
Se incluye la variable no negativaX con coeficiente de costo F y trminos XX en las restricciones, de modo que el problema modificado es
129
Maynard Kong
P2)

0D[LPL]DU] [\FX
sujeto a [\Xd
\Xd
[\X no negativas
Para qu valores de F el valor mximo de] cambia (en este caso

aumenta)?
Solucin
Introduciendo variables de holgura se obtiene
Tabla inicial
YE
K
K
K
K
F
Aplicando el mtodo de smplex, de modo que las variables [\, en

ese orden, se vuelven bsicas, se obtiene
Tabla final
YE
K
K
[
\
F

F

en donde F
F F
Para que [ \ siga siendo solucin ptima, se requiere Fd,
esto es Fdo Fd.
As, si Fd no cambia la solucin ptima.
Por otra parte, si F!, entonces F! y la variable X ingresa en
lugar de y, pues tiene la razn mnima y ] aumenta en F
, esto
es ]PD[ F
FFXDQGRF!.
Resumiendo, si F! el valor mximo de ] aumenta.
130
6.7 Inclusin de restriccin

En el siguiente ejemplo se desarrolla el anlisis de sensibilidad cuando
se aade una restriccin y se determinan las condiciones para que se
preserven las variables bsicas del programa original.
P1)

0D[LPL]DU] [\
sujeto a [\d
\d
[\ no negativas
Se agrega la restriccin [\dE de modo que el problema modificado es

P2)

0D[LPL]DU] [\
sujeto a [\d
\d
[\dE
[\ no negativas
Para qu valores de E se preserva la solucin ptima del problema

3?
Solucin
Usando variables de holguras el problema 3 tiene la tabla
YE
K
K
K
K
K
K
E
131
Maynard Kong
Exigiendo que entren las variables [\ al conjunto de variables bsicas, segn el orden de los pasos seguidos para resolver 3 entra [y sale
K, de modo que dEo dE.
Usando el pivote la siguiente tabla es
YE
K
K
K
[
K
K

E

Ahora debe entrar \y salir K, de manera que la razn mnima es
E
d

esto es dE o dE.

Simplificando la tabla segn el pivote 1* resulta
YE
K
K
K
[
\
K

E E

As, si Et, el valor mximo sigue siendo y la solucin ptima

es [ \ K E.
Nota
Si dE la solucin ptima cambia, disminuyendo el valor mximo;
y si E la regin factible es vaca.
132
6.8 Dualidad y anlisis de sensibilidad

La solucin ptima del dual, o valores duales, da una informacin
inmediata de cmo vara el valor ptimo del problema cuando se modifican individualmente los lados derechos de las restricciones.
Vector dual y valores marginales
Sea \L el valor dual de la restriccinL con lado derecho EL.
El valor ptimo del problema cambia en \L veces Gunidades cuando
EL se cambia en Gunidades.
(Se supone que EL y EL G estn dentro del rango permitido de este
parmetro).
De modo ms preciso:
\Les la razn de cambio del valor ptimo por unidad
de cambio del lado derecho de la restriccin L
Debido a esta propiedad a \L tambin se le denomina valor (o costo)
marginal o precio de sombra del recurso EL.
Ejemplo
0D[LPL]DU] [\
sujeto a [\d
\d
[\ no negativas
Los valores duales son \ \ .
As, \ es el incremento del mximo de ]por unidad de incremento del lado derecho de la primera restriccin. Por ejemplo, si se
reemplaza por , el valor mximo crecer en unidades.
De igual modo, si se disminuye de 2 a 1 el lado derecho de la segunda
restriccin, el valor ptimo cambiar en \ veces , esto
es, decrecer en unidades.
133
Maynard Kong
Nota
La propiedad se deduce de la expresin del valor ptimo ] en trminos
de los valores duales y los lados derechos (Propiedad P4 de 5.5):
] \E\LEL\PEP
y del hecho que los valores duales (la solucin dual) no cambian si se
altera el lado derecho de una restriccin.
Propiedad de holgura complementaria
Esta propiedad establece que cuando la solucin ptima de un problema satisface una restriccin con un signo de desigualdad, entonces
el valor ptimo del problema no cambia si se modifica (ligeramente) el
lado derecho de esa restriccin.
La propiedad se justifica observando que la solucin ptima ser
la misma, y por lo tanto se mantendr el valor ptimo, si se modifica
solamente el lado derecho de esa restriccin.
Usualmente esta propiedad se expresa utilizando el valor marginal y
la holgura de la restriccin.
La medida de cunto recurso requiere, o usa, la solucin ptima de
la restriccin L es dada por
KL KROJXUDGHODUHVWULFFLyQL
EL/L
en donde
EL es el lado derecho
/L es el valor del lado izquierdo de la restriccin L calculado en
la solucin ptima
Obsrvese que KL es si EL /L, o distinto de si /LEL o /L!EL.
Por otra parte, se sabe que el valor dual \L de la restriccin L es la
medida de cambio del valor ptimo por variaciones de EL.
134
Y la propiedad de holgura complementaria puede expresarse as:

S KL es distinto de cero entonces \L
(si EL es distinto de /L entonces el valor ptimo no mejora cuando se
vara EL).
Como ejemplo, se calculan las holguras de las restricciones del problema
0D[LPL]DU] [\
sujeto a [-\d
\d
[\t
[\ no negativas
El valor mximo del problema es ]PD[ y la solucin ptima es
[ , \ .
Reemplazando [ , \ en las restricciones se calculan las holguras

!
de modo que K K K .

Los valores duales son \ \ \ .
Puede comprobarse que se cumple KL\L L
La tercera restriccin merece una atencin particular. Esta tiene holgura K distinta de y valor marginal \ igual , lo que indica que el
valor ptimo no vara si se modifica (ligeramente) el lado derecho
(E tiene rango d); por ejemplo, la solucin ptima ser la misma si
en lugar de la restriccin [\t se considera la restriccin [\t .
135
Maynard Kong
6.9 Costos reducidos y asignacin de valores a variables

no bsicas
Sean ] el valor ptimo de un problema, [M una variable no bsica de la
solucin ptima (el valor de [M es por lo tanto ), y F
M el respectivo costo
reducido. Se supone F
M distinto de cero. (Si el problema es de maximizacin F
M , y si es minimizacin F
M! ).
Para obtener una solucin ptima en la que la variable [M asuma
un valor E!, se considera el problema modificado con una nueva
restriccin
[M
E
Si este problema tiene solucin ptima ], entonces

] ]F
ME.
As, en el caso de maximizacin se tiene ] menor que ] en F
MEy
en el caso de minimizacin ]es mayor que ] en F
ME.
Ejemplo
El problema
0D[LPL]DU] [\
sujeto a [\X
\Y
[\XY no negativas
tiene valor ptimo ] en[ \ X Y .
Los costos reducidos son F
F
F
F
y la funcin
objetivo se expresa por
] XY.
De acuerdo a lo indicado, si se desea una solucin ptima con X ,
se considera el problema incluyendo la restriccin X
0D[LPL]DU] [\
136
sujeto a [\X

\Y

X
[\XY no negativas
y por lo indicado, el valor mximo de este problema es
] F
.
6.10 Matriz de operaciones en la tabla final

Cuando se aplica el mtodo del smplex, la tabla inicial tiene un conjunto de variables bsicas cuyas columnas forman la matriz identidad.
En la tabla final del algoritmo, la matriz 0 determinada por esas columnas almacena las operaciones de filas realizadas a partir de la tabla inicial.
Esto significa que cualquier columna de la tabla final se obtiene
multiplicando 0 por la misma columna de la tabla inicial:
Por ejemplo, aplicando el mtodo del smplex a la
Tabla inicial
YE
K
K
K
K

se obtiene
Tabla final
YE
K
K
[
\
F

En este caso, la matriz de operaciones 0, determinada por las

columnas de K yKes
0

137
Maynard Kong
Puede comprobarse que si se multiplica 0 por la columna de \ de la

tabla inicial se obtiene la columna de \ en la tabla final:

o si se multiplica 0 por la columna de constantes, o lados derechos de

la tabla final, se obtiene la columna de constantes en la tabla final

De igual modo, si en la columna de constantes de la tabla inicial se

reemplaza por E, la columna de constantes de la tabla final es

E

E

As, mediante el uso de la matriz 0 se puede recalcular inmediatamente la tabla final cuando se altera un lado derecho de una restriccin
inicial o cuando se agrega una nueva variable, lo que implica agregar la
columna de sus coeficientes en la tabla inicial.
Por otra parte, los valores duales pueden ser obtenidos a partir de los
costos de las variables bsicas de la tabla inicial y de los costos reducidos
de estas en la tabla final (vase Propiedad P4 de 5.5)
\L FLF
L
De todo lo dicho se concluye que los clculos del anlisis de sensibilidad post ptimo pueden hacerse, de manera ms simple, cuando se
utilizan la tabla final y la matriz 0 de operaciones.
Nota
Sea % la matriz de coeficientes de las variables bsicas finales, la matriz
0 de operaciones est formada por las filas de la matriz inversa %.
138
Ejemplo
Como una aplicacin de lo expuesto se desea determinar el rango de
variacin del lado derecho de la segunda restriccin del problema
dado por la tabla (inicial)
YE
K
K
K
K

YE
K
K
[
\
F

y cuya tabla final es
Si en la tabla inicial se cambia por E, la columna inicial de cons

tantes es .
E
Y en la tabla final esta columna se convierte en

E

E
E
E

E

Los componentes son los valores de las variables [\; por lo tanto,
E
deben ser no negativos, de modo que t y Et.

De donde resulta el rango dEd.
Clculo del valor mximo
Se puede usar la columna inicial de E y los valores duales
]PD[ \\E E E
139
Maynard Kong
O se puede usar la tabla final reduciendo los costos originales
YE
K
K
[
\

E
E
F
F

]PD[
]PD[ EE
de donde ]PD[ E.
6.11 Problemas resueltos

Problema 1 Sea el problema
0D[LPL]DU] [\XY
sujeto a
[\Xd
[\Xt
[\X no negativos
Indique cmo vara el valor mximo de la funcin objetivo cuando
a) se incrementa un coeficiente de costo
b) se incrementa el lado derecho de la restriccin de signo d
c) se incrementa el lado derecho de la restriccin de signo t.
Solucin
a) Si se incrementa cualquiera de los coeficientes de costos la funcin objetivo crece o mantiene su valor porque los valores de las
variables son no negativos. Por lo tanto, lo mismo sucede con el
valor mximo.
b) Si E, entonces
la desigualdad [\Xd
implica la desigualdad [\XdE
140

y por consiguiente la regin factible del problema original es un

subconjunto de la regin factible del problema modificado. De
aqu se sigue que el mximo sobre la ltima regin es mayor que
o igual al mximo original.
As, el valor mximo tiene el mismo sentido de variacin del
lado derecho de una restriccin d.
c) Si E , ahora

la desigualdad [\XtE
implica la desigualdad [\Xt
y esto significa que la regin factible del problema modificado es
parte de la regin factible del problema original. Luego el mximo
del problema modificado es menor que o igual al mximo original.
Nota
1. Si la restriccin es de igualdad, en general no se puede indicar en qu
sentido vara el valor ptimo, ya que las regiones factibles del problema original y del problema modificado son disjuntas, e incluso
es posible que el problema modificado no tenga valor ptimo.
2. Si el problema es de minimizacin, el valor mnimo vara en
el mismo sentido en que cambia el lado derecho de una restriccin t: si este aumenta el valor mnimo es mayor o se
mantiene.
sentido opuesto al sentido en que cambia el lado derecho de
una restriccin d: si este aumenta el valor mnimo es menor
o se mantiene.
0D[LPL]DU] [[[[
sujeto a [[[[d
[[[[d
[Lt
141
Maynard Kong
a) Resuelva el problema por el mtodo del smplex.

b) Encuentre el rango de variacin del coeficiente de costo de[ si
se mantiene la solucin ptima.
c) Halle el intervalo de variacin del lado derecho de la segunda
restriccin, si las variables bsicas de la parte a) dan la solucin
ptima.
Solucin
a) Introduciendo variables de holgura se tiene la tabla inicial
YE
[
[
[
[
K
K
K
K

YE
[
[
[
[
K
K
K
[

YE
[
[
[
[
K
K
[
[

b) Llamando F al costo de [ en la tabla final se escriben los costos

de la funcin objetivo y se calculan los nuevos costos reducidos
(fila F
filaF menos F veces fila 1 menos 3 veces fila 2 respecto de las variables bsicas [, [:
YE
[
[
[
[
K
K
[
[

F
F

F

F

F

F

F F
142
Y exigiendo que se cumpla el criterio de mximo (todos F

Md)
Fd Fd Fd Fd
R Fd Ft Ft Fd
de donde resulta el intervalo d Fd, y el valor mximo PD[] F,
en la misma solucin ptima: [ [ , y las otras variables con
valor cero.
c) Las restricciones son
[[[[d
[[[[dE
Puesto que se mantienen las variables bsicas [, [ calculamos
la columna de las constantes de la tabla final multiplicando la
matriz de las columnas de K y K por la columna inicial de constantes (segn 6.10)

E
E

E
y exigiendo que los componentes de la columna sean t0

E t E t

R t \ E t

Finalmente, se obtiene dEd.
El valor mximo es
]PD[ \\E E

E

usando los valores duales \ \
que se obtienen de los costos reducidos de las variables K, K.
143
Maynard Kong

0LQLPL]DU] [[[[
sujeto a [[[
[[[
y [Lt
a) Resuelva el problema por el mtodo del smplex.
b) Encuentre el intervalo de variacin del costo de la variable [ e
indique el valor mnimo respectivo.
c) Determine el rango del lado derecho de la segunda restriccin y
el valor mnimo correspondiente.
d) El valor mnimo del problema es , cunto debe valer el lado
de la restriccin para obtener el valor mnimo ?
Solucin
a) Se aplicarn los criterios para problemas de minimizacin: se
obtiene mnimo si todos los costos reducidos son t y entra una
variable si tiene costo reducido
Tomando como variables bsicas [, [ se obtiene la tabla inicial
YE
[
[
[
[
[
[

F
F

puesto que F entra [ y sale[

Usando el pivote la siguiente tabla es
YE
[
[
[
[
[
[

de F
entra [ y sale [.
144
Se obtiene la tabla final

YE
[
[
[
[
[
[

As, el valor mnimo es y se obtiene en [ , [ ,

[ [ .
b)
YE
[
[
[
[
[
[

F

F

F

]
en donde F
F
F
F
] F o ] F
Exigiendo la condicin de mnimo F
ty F
t
de donde Fty Ft
o Fty Ft
y tomando el menor Ft .
Luego, el coeficiente de costo de [ puede ser cualquier nmero
d, mientras se mantenga la solucin ptima. Y el valor
mnimo de]es ] F.
c) Segn lo indicado en 6.10, la columna final de constantes es
igual al producto de la matriz de las columnas [, [ (que son las
variables bsicas iniciales) por la columna inicial
145
Maynard Kong

E

esto es

E

E

E
que debe tener componentes t para que la solucin sea factible:

Et y Et
o Et y Et
y la condicin es Et.
De la tabla final hallada en la parte a) obtenemos los valores
duales
\ FF

\ FF

y el valor mnimo es ]PLQ \E\E E

E

d) Se resuelve la ecuacin ]PLQ E , de donde E

Problema 4
Una fbrica produce tres productos P1, P2, P3, que son procesados en
dos talleres. La siguiente tabla muestra los tiempos de procesamiento,
en horas, de una unidad de producto y las capacidades de produccin
(horas disponibles de procesamiento) de cada taller.
+RUDVGHSURFHVRGHXQLGDGGHSURGXFFLyQ
3
3
3
&DSDFLGDGGH
SURGXFFLyQHQKRUDV
7DOOHU

7DOOHU

146
La utilidad es de , y por unidad de los productos, respectivamente.

a) Cuntas unidades de cada producto deben producirse para
obtener la mayor utilidad?
b) En qu rango puede variar la utilidad unitaria de P1 sin cambiarla solucin ptima?
c) Halle el valor marginal cuando se incrementa la capacidad de
produccin del taller 1.
d) En qu rango puede variar la capacidad de produccin del
taller sin cambiar las variables de la solucin mxima, esto es,
produciendo exclusivamente los productos determinados en la
parte a)?
Solucin
a) Designando por [Lel nmero de unidades a producir de 3Ly por
8 la utilidad total el problema a resolver es
0D[LPL]DU8 [[[
sujeto a [[[d
[[[d
[Lt
Agregando variables de holgura se tiene la tabla inicial
Ti
YE
[
[
[
K
K
K

K

Resolviendo por el mtodo del smplex resulta la tabla final con

la solucin ptima.
147
Maynard Kong
Tf
YE
[
[
[
K
K
[

[

Luego la utilidad mxima es y se obtiene produciendo

unidades del producto 3 y unidades del producto 3.
b) Haciendo F la utilidad unitaria de 3, manteniendo las utilidades de los otros productos, se calculan los costos reducidos
empleando la tabla final

YE
[
[
[
K
K
[

[

F

F

F

F

8
en donde F

F

F

8
F

F
F
F F
Para preservar la solucin ptima basta que se cumpla el criterio

de mximo F
Ld, y por lo tanto se tienen las desigualdades
Fd o dF
Fd o Fd
Fd o dF
que se satisfacen a la vez si F est en el rango dFd y la utilidad mxima correspondiente es 8PD[ 8 F.
c) El valor marginal cuando se incrementa la capacidad del taller 1
segn 6.5 es dado por el valor dual de esta restriccin (usando
los costos de K, la variable de holgura de la restriccin)
148
\ FF

As, cada vez que se aumenta una hora en el taller 1 (dentro del
rango permitido) la utilidad mxima aumenta en .
E
y

multiplicando la matriz formada por las columnas de las variables bsicas se obtiene la columna en la tabla final
d) La columna de constantes del problema modificado es
Ec
Ec
E

en donde E
E
E
E
y para que la solucin sea factible (y en este caso es ptima) estos
valores deben ser no negativos.
As,

Et
Et
yE vara en el rango d E d con la solucin mxima

[ E
E [ E
E
De \ \ se obtiene la utilidad
mxima
8PD[ \E\E E

E
Problema 5 Inclusin de variable

En el problema anterior se propone la produccin de un nuevo producto 3con tiempos de procesamiento y horas por unidad en los
talleres y , respectivamente. Cunto debe ser la utilidad unitaria de
3para mejorar la utilidad total?
149
Maynard Kong
Solucin
Sean [ el nmero de unidades a producir y F la utilidad unitaria del
producto 3.
El problema se expresa as 0D[LPL]DU8 [[[F[
sujeto a [[[[d
[[[[d
[Lt
de modo que [ es la nueva variable agregada al problema.
Agregando variables de holgura K y K la tabla inicial es
Ti
YE
[
[
[
[
K
K
K
K

F
La tabla final es la misma que la hallada en el problema aadida

con la nueva columna de [igual al producto de la matriz que almacena
las operaciones de fila, formada por las columnas de las variables K y
K, multiplicada por la columna de [

Tf
donde F

YE
[
[
[
[
[

[

K
K

F

F

costo reducido de [

F- 6(1/6) - 4(4/6).
Si F
d, o Fd, la solucin ptima sigue siendo [, [, y la utilidad mxima se mantiene en , por lo que no es conveniente producir
150
3; si por el contrario, F ! , entra la variable [ y la utilidad mxima

es mayor (en este caso [ingresar en lugar de [, producindose 3 en
lugar de 3; en efecto, si se actualiza la tabla se obtiene [ , [ y
8PD[ F
F, si Ft 17.
Por lo tanto, la utilidad unitaria de 3 debe ser mayor que para
mejorar la utilidad total.
Problema 6 Inclusin de restriccin
Si en el problema 4 se requiere adicionalmente que el nmero de unidades del producto 3 sea al menos , encuentre la utilidad mxima.
Solucin
Aadiendo la restriccin [t o [K , el problema es
0D[LPL]DU8 [[[
sujeto a [[[d
[[[d
[K
[LtKt
Desde luego este problema puede ser resuelto directamente.
Se abrevian los clculos si se usa la tabla final del problema con las
dos primeras restricciones y se le agrega la fila de la nueva restriccin
[
[
[
K
K
K

Se observa que se puede eliminar[ de las dos primeras restricciones

o lo que es lo mismo anular los coeficiente y de la columna de
[: a la fila se le resta veces la fila , y a la fila se le resta veces
la fila , y se obtiene la tabla con las variables bsicas [,[,[
151
Maynard Kong
K
K
K

[
[
[
[
[
[

F
F

Luego la mxima utilidad es y se obtiene produciendo y

unidades de los productos 3, 3 y 3, respectivamente.
152
Captulo 7
Problemas de transporte y asignacin
7.1 Introduccin
Desde P fuentes o puntos de oferta se desea enviar un conjunto de unidades de un producto a Qdestinos o puntos de demanda. Cada fuente
Lpuede suministrar VLunidades y cada punto M de destino debe recibir
GM unidades. El costo de envo de una unidad desde L hacia M es dado
por una cantidad FLM, de manera que si entre estos puntos se envan [LM
unidades el costo respectivo es el producto FLM por[LM
Se desea determinar un plan de envo que minimice el costo total,
es decir, hallar las cantidades [LM que tienen que enviarse de las fuentes a
los destinos de manera que el costo total de envo, la suma de los costos
individuales FLM[LM sea el menor posible.
Ejemplo 1
La siguiente tabla muestra los costos unitarios, los suministros y las
demandas de un problema de transporte con fuentes y destinos.
)
)
)
GHPDQGDV
'

'

'

'

VXPLQLVWURV

Maynard Kong
Los datos de la fila 1 indican que en el punto ) hay unidades

para ser enviadas a los destinos '', ' y ', a un costo de , ,
y por unidad, respectivamente.
La fila de demandas contiene las cantidades , , y , que
se requieren en los destinos', ', ' y '
El siguiente ejemplo muestra cmo un problema de transporte
puede ser formulado como un problema de programacin lineal.
Ejemplo 2
Exprese el problema de transporte del ejemplo como un problema de
programacin lineal.
Solucin
Sea [LM el nmero de unidades que se envan desde el punto 2L al
punto 'M L M .
El problema de programacin lineal correspondiente es
Minimizar
& [ [ [ [

[ [ [ [
[ [ [ [
sujeto a
[ [ [ [

[ [ [ [

[ [ [ [

[ [ [

[ [ [

[ [ [

[ [ [

y todos los [ij no negativos.
154
)
)
)
'
'
'
'
La restriccin ()) expresa el hecho de que las unidades del

punto )se reparten [ al punto ', [al punto ', [al punto '
y [al punto '.
Y la restriccin (') representa la condicin que la cantidad
requerida en el punto 'es igual a la suma de las cantidades [, [ y
[ provenientes de los tres puntos de oferta ),) y ).
7.2 Problema de transporte balanceado

Se dice que un problema de transporte es balanceado si el suministro
total es igual a la demanda total, esto es, si se cumple la igualdad
6 '
en donde6 suma de los suministrosVL
' suma de las demandasGM
El problema de transporte del ejemplo 1 es balanceado pues
6

'
Se demuestra que todo problema de transporte balanceado tiene

solucin ptima.
Si el problema de transporte no es balanceado, entonces el conjunto
de restricciones no tiene soluciones, es decir, el sistema de ecuaciones es
incompatible. No obstante, este tipo de problemas puede convertirse
en uno balanceado as:
si 6', se agrega una fuente ficticia con suministro '6
y si 6!', se agrega un destino ficticio con demanda 6'
de modo que el problema resulta balanceado.
En el primer caso, el suministro agregado representa la cantidad que
falta en las fuentes para cumplir con las demandas, o que no se puede
enviar a los destinos; y en el segundo caso, la demanda agregada es la
cantidad que excede la demanda requerida, o sobra en las fuentes.
155
Maynard Kong
Al agregar una fuente o un destino ficticio es necesario considerar

los costos unitarios de envos, que pueden ser especificados explcitamente, esto es, asignando costos a las unidades que falten o sobren,
o implcitamente, asumiendo valores ceros, cuando estos costos no se
mencionen.
Ejemplo 3
Sea el problema de transporte dado por la tabla
)
)
GHPDQGDV
'
'
'
VXPLQLVWURV

Las cantidades que no se enven a los destinos tienen una multa de

,y por unidad, respectivamente.
Se observa que el suministro total es menor que la demanda
total , por lo que se procede a balancear el problema. Se crea una
fuente ficticia ) con suministro y costos , y .
)
)
)
GHPDQGDV
'

'

'

VXPLQLVWURV

IXHQWHFWLFLD
7.3 Mtodo del smplex simplificado

Un problema de transporte puede ser resuelto por el mtodo del
smplex. Sin embargo, la aplicacin del mtodo requiere un nmero
grande de operaciones pues hay operar con P[Q variables [LM sin contar
las variables artificiales.
Para resolver un problema de transporte balanceado se usa una versin simplificada del algoritmo del smplex, basada en las propiedades
156
particulares que tiene el problema. Como se ver en lo que sigue,

mediante este algoritmo simplificado se busca una solucin ptima
realizando exclusivamente operaciones de sumas y restas con los datos
del problema.
El mtodo opera directamente con la tabla del problema, registrando en cada celda (LM) el costo FLMy el valor actual [LM de las unidades
de envo de la fuente L al destino M.
Nmero de variables bsicas
En un problema de transporte balanceado todo conjunto de variables
bsicas se compone de PQ variables, siendo P el nmero de filas
(o fuentes) y Q el nmero de columnas (o destinos).
Por ejemplo, el problema de transporte del ejemplo tiene
variables bsicas.
Clculo de un conjunto inicial de variables bsicas
Se tratarn dos mtodos:
el de la esquina noroeste
el de la celda de costo mnimo.
Mediante estos mtodos se elige una celda (LM), esto es, una variable [LM, para asignarle la mayor cantidad posible segn el suministro
disponible en la fuente L y la demanda restante en el destino M; para
ello se elige el menor de los dos valores, de manera que uno de los dos
puntos queda satisfecho. Luego se marca la fila o columna elegida para
ser omitida en las selecciones siguientes. Si los dos valores son iguales,
se elige cualquiera de ellas.
Si el nmero de variables bsicas as obtenidas es menor que PQ,
estas se completan eligiendo las variables necesarias, con valor cero,
entre las celdas no asignadas de la ltima fila o columna del proceso
(vase el paso 5 del ejemplo 5 siguiente).
En los ejemplos siguientes se ilustran los dos mtodos.
157
Maynard Kong
Ejemplo 4 Mtodo de la esquina noroeste

Halle una solucin bsica factible del problema de transporte
siguiente por el mtodo de la esquina noroeste.
)
)
)
'

'

'

'

Solucin
Este problema tiene las variables [[[[
[[[[

[[[[

y por lo tanto cualquier conjunto de variables bsicas se compone de
variables.
)
)
)
'

'
'

[
[

[

[
[

[

[

[
[
'

[

[

[

Paso 1
Se elige la celda ubicada en la esquina noroeste de la tabla, esto es, la
celda (,), que corresponde a la variable [.
Puesto que la fuente puede suministrar unidades y el destino
requiere , se asigna [ mnimo {,} , es decir, se envan
unidades a', con lo que queda satisfecha la demanda en ', y en
la fuente quedan por enviar unidades. Las otras fuentes
ya no deben realizar envos a ', o envan unidades, de manera que
quedan resueltos los envos de la columna .
158
Luego [ es una variable bsica, las variables [ y [ son no
bsicas y reciben valor cero.
[

n
Se marca con [ la columna para indicar que ya se asignaron las
celdas de esta columna y por lo tanto quedar excluida en las selecciones posteriores.
Adicionalmente se ha escrito el smbolo * para hacer notar que las
celdas estn en una columna marcada.
Paso 2
Se selecciona la celda [, que est en la esquina noroeste de las celdas
restantes, y se le asigna PLQ{,} , que corresponde a la fila .
Luego la siguiente variable bsica es [ ; se resta al suministro
actual de la fila y tambin a la demanda de la columna y se
marca la fila .
[
[

159

Maynard Kong
Paso 3
Se selecciona la celda[y se le asigna el valor PLQ^`se resta
al suministro de la fila y a la demanda , y se marca la columna
Paso 4
Se selecciona la celda[con valor PLQ^`se resta
del suministro de la fila y de la demanda ,y se marca la fila
Paso 5
Se selecciona la celda[con valor PLQ^`se resta del
suministro restante de la fila y de la demanda pendiente de la columna
,y se marca la fila
Paso 6
Se selecciona la celda[con valor PLQ^`se resta del suministro de la fila y de la demanda ,y se marca la ltima fila o columna.
La tabla final es
'
)
)
)
'

'

'

en donde solo se sealan los valores de las variables bsicas y las otras
variables son no bsicas y tienen valor cero.
Se obtiene una solucin bsica factible
[ [ [ [ [ [
Estos valores indican que de la fuente se envan y unidades

a los destinos y , respectivamente; de la fuente se envan y
160
unidades a los destinos y ; y de la fuente , se envan y unidades a los destinos y . Ntese que se cumplen todas las condiciones
de suministros y demandas.
El costo total de este plan de envo es
& uuuuuu
Ejemplo 5 Mtodo de la celda de costo mnimo
Determine una solucin bsica factible del problema de transporte
siguiente por el mtodo de la celda de costo mnimo.
)
)
)
'

'

'

'

Solucin
Paso 1
Las celdas de costo mnimo son () y ().
Se elige una de ellas, por ejemplo (), y se asigna a la variable
[ PLQ {} , se marca la fila , que da el valor mnimo,
y se resta del suministro de la fila y de la demanda de la
columna
[

161

Maynard Kong
Paso 2
Entre las celdas que quedan, la que tiene costo mnimo es la celda
(); luego la variable [ recibe el valor PLQ{} se resta
este valor al suministro de la fila y a la demanda de la columna
y se marca la columna , pues corresponde al valor mnimo.
[
[

Paso 3
Entre las celdas que quedan, una de costo mnimo es la celda ();
luego la variable [ recibe el valor PLQ{} , se resta este valor
al suministrode la fila y a la demanda de la columna y se
marcan las celdas de la columna , pues corresponde al valor mnimo.
[
[
[

Paso 4
Entre las celdas restantes, la que tiene costo mnimoes la celda
luego la variable[recibe el valor PLQ^` se resta este valor
al suministrode la fila y a la demandade la columnay se marcan las celdas de la filao de la columna, pues corresponden al valor
mnimo y tienen igual nmero de celdas libres. Se marca la fila
162
[

Paso 5
Entre las celdas que quedan, la que tiene costo mnimo es la celda (,);
luego la variable [ recibe el valor PLQ {,} , se resta este
valor al suministro de la fila y a la demanda de la columna .
[
[
[

[

En este paso se puede marcar la columna o la fila pues tienen

igual valor. La parte que queda en la tabla corresponde a las celdas (,)
y (,).

Si se marca la columnase prosigue al paso

Si se marca la fila, ya no es posible seleccionar ms variablesbsicas pues no quedan celdas para seleccionar. No obstante, sesabe que
se requieren variables bsicas y hasta este momento hay
variables. En este caso, se completa el conjunto tomando en esta fila la
celda (), es decir [ como variablebsica con valor y el proceso
termina.
163
Maynard Kong
Paso 6
Se elige la nica celda que queda[ PLQ^`
Finalmente, se obtiene el conjunto de variables bsicas
[ [ [ [ [ [
Para estas asignaciones el costo total es
uuuuuu

Se observa que este plan de envos requiere un costo total que es

menor que el costo calculado en el ejemplo .
Criterio de ptimo
Sean F
LM los costos reducidos relativos a un conjunto de variables bsicas de un problema de transporte. Si se cumple que todos los F
LMt,
entonces, por el criterio de ptimo del mtodo del smplex, se obtiene
una solucin ptima del problema, esto es, la solucin determinada por
las variables bsicas proporciona el valor mnimo del costo total.
A continuacin se explican dos formas de calcular los costos reducidos.
Clculo de costos reducidos usando variables duales
En un problema de transporte balanceado, los costos reducidos son
dados por
F
LM FLMXLYM
en donde XLYM L P M Q
son los valores de las variables duales de las P Q restricciones del
problema.
164
Para hallar los valores de las variables duales se resuelven las PQ
ecuaciones con incgnitas XLYM
F
LM o XLYM FLM
para cada celda (LM) de una variable bsica [LM
Si se resuelve el sistema se obtienen infinitas soluciones que dependen de un parmetro, de modo que para determinar una nica solucin
del sistema se asigna a una de las variables duales un valor particular.
Se demuestra que los valores de los costos reducidos no dependen de la
eleccin de este valor.
Ejemplo 6
Encuentre los costos reducidos correspondientes a las variables bsicas
de la siguiente tabla de transporte.
Y

X
X
X
Y
Y

Y

Solucin
Se anotan las variables dualesXL de las filas en el lado izquierdo de la tabla
y las variables duales YMde las columnas en el lado superior de la tabla.
Para hallar los valores de las variables duales se resuelve el sistema
de ecuaciones que resulta de anular los costos reducidos de las variables
bsicas:

Fc
F X Y R
X Y
F
c
F X Y R
X Y
F
c
F X Y R X Y
F
c
F X Y R X Y

165

Maynard Kong
F
c
F X Y R
X Y
F
c
F X Y R
X Y

Y se completa el sistema asignando a una variable dual un valor

particular, por ejemplo
X
Resolviendo las ecuaciones, de () y () se obtiene Y ; luego

usando este valor en () X ; y de () Y ; y as sucesivamente.
Los valores de las variables duales son:
X
X
X
Y

Y

Y

Y
Por lo tanto, los costos reducidos de las variables no bsicas son:

Fc
F X Y
Fc
F X Y

Fc
F X Y

F
c
F X Y

F
c
F X Y
F
c
F X Y

Clculo directo de los costos reducidos

El sistema de ecuaciones puede resolverse de una manera sencilla utilizando la tabla
Y
Y
Y
Y

X
X
X

166

Se elige la fila o columna que tenga ms variables bsicas y a la

variable dual correspondiente se le asigna el valor , por ejemplo,
en este caso se puede elegir columna que tiene tres variables
bsicas y hacer Y .
Los valores de XLcorrespondientes a cada celda bsica (L) son
los mismos costos bsicos
X X y X
ya que para estas celdas F
L
equivale a FLXL o XL FL
Puesto que (2,1) es una celda bsica, XY
esto es, sumado con Y es , y por lo tanto Y .
Puesto que (2,2) es una celda bsica, XY
esto es, la suma de y Y es 8, y por lo tanto Y .
Puesto que () es una celda bsica XY ,
esto es, la suma de y Y es , y por lo tanto Y .
Estos clculos dan:
X
X
Y

Y

X
Y

Y
Y

Y
Y

X
X
X
Y

y los costos reducidos F

LM se calculan restando a FLM los valores de XL y YM:
Fc
F X Y
Fc
F X Y

167
Maynard Kong
Fc
F X Y

F
c
F X Y

F
c
F X Y

F
c
F X Y

Ciclos en un problema de transporte

Un ciclo se compone de una sucesin de Nt celdas distintas
LMLMLNMN
tales que:
la primera celda es no bsica y las dems son bsicas,
la primera y la ltima celda estn en la misma fila o en la misma
columna, esto es L LN o M MN,
dos celdas consecutivas estn en una misma fila o en una horizontal misma columna, de modo que forman un segmento
horizontal o vertical,
y los segmentos son alternadamente horizontales y verticales.
Las celdas se enumeran a partir de 1.
Propiedades de un ciclo
1. Para cada celda no bsica existe un nico ciclo que pasa por la
celda.
2. El costo reducido F
LM de la variable [LM es igual a 6L6S en donde
6L suma de los costos de las celdas del ciclo con ndice impar
6S suma de los costos de las celdas del ciclo con ndice par.
3. Si F
LM, esto es, si la variable no bsica [LM puede entrar al conjunto de variables bsicas, la variable que sale se encuentra en el
ciclo y adems las celdas de este son las nicas afectadas por las
operaciones de actualizacin que se realicen en la tabla.
168
Ejemplo 7
Sea la tabla del problema de transporte

en la que se indica un conjunto de celdas bsicas, con las cantidades de

envos.
Halle el ciclo que pasa por la celda no bsica en cada caso
a)
b)
y calcule el costo reducido.
Solucin
a) El ciclo que pasa por la celda no bsicaes

R

costo reducido F
6L6S
169
Maynard Kong
b) El ciclo que contiene a la celda () es

y el costo reducidoF

Cambio de variable
Sea una celda LM (o variable [LM ) no bsica con costo reducidoF
LM
Entonces
a) (LM) ingresa al conjunto de celdas bsicas
b) sale la celda del ciclo que tiene menor valor asignado
0 PtQLPR^[STWDOTXHODFHOGDSTHVSDU`
y c) se actualizan los valores de las celdas:
se suma 0 a las celdas impares del ciclo
y se resta 0 a las celdas pares.
En particular, la nueva variable bsica tiene el valor 0 y el costo
total disminuye en la cantidadF
LM[0.
El siguiente ejemplo muestra completamente el mtodo simplificado.
170
Ejemplo 8
Un fabricante de jabones y detergentes tiene plantas 33 y 3, desde
las cuales se debe enviar los productos a cinco ciudades. Las demandas
de ventas en las ciudades son de ,, , y cajas, respectivamente, y las plantas pueden producir , y cajas.
La siguiente tabla muestra los costos unitarios de envos de cajas de
los productos:
3
3
3
&

&

&

&

&

Resuelva el problema por el mtodo del smplex simplificado.

Solucin
1) Se halla una solucin bsica inicial por el mtodo de la esquina
noroeste.

2) Usando variables duales se calculan los costos reducidos, los que

en la tabla se indican entre parntesis.
X
X
X
Y
Y
Y
Y
Y

171
Maynard Kong
Puesto que la celdatiene costo reducido negativo F

esta celda entra al conjunto de variables bsicas.
Para determinar la variable bsica que debe salir se halla el ciclo
que pasa por

tQGLFHFHOGD[LM

y el valor mnimo de las celdas pares

0 PtQLPR^`
corresponde a las celdas y . Como celda saliente se
elige una de ellas, por ejemplo,

Luego, se suma a las celdas impares del ciclo y se resta a las

celdas pares.
3) La tabla con el nuevo conjunto de variables bsicas es
Y
Y

X
X
X

Y

Y
Y

Se calculan los costos reducidos ( ) haciendo X .
172
Puesto que todos los costos reducidos son t 0 se alcanza el costo

mnimo.
Finalmente,
de la planta se deben enviar y cajas a las ciudades y
de la planta 2 se deben enviar ,y cajas a las
ciudades y
y de la planta cajas a la ciudad
Y el menor costo total de envo es
uuuuuu

Resumen del mtodo simplicado

Para resolver un problema de transporte balanceado se aplican los
siguientes pasos:
1. Se halla una solucin bsica inicial, por ejemplo, por el mtodo
de la esquina noroeste.
2. Se hallan los costos reducidos usando las variables o celdas bsicas de la tabla.
3. Si todos los costos reducidos son t0, se obtiene una solucin
ptima y el proceso finaliza.
4. Se elige una celda con costo reducido negativo para que ingrese
al conjunto de variables bsicas.
Se halla el ciclo que pasa por la celda.
Se calcula el valor mnimo de las celdas pares del ciclo.
Se actualiza la tabla: se suma el valor mnimo a las celdas impares
y se resta este a las celdas pares.
Se va al paso 2).
173
Maynard Kong

Problema 1
Una compaa que manufactura llantas o neumticos tiene plantas $,
%, & y ' desde las cuales se deben enviar , , y llantas
a la central de almacenamiento. Se puede emplear los camiones de la
empresa, que pueden transportar un total de llantas con costos de
, , y soles por llanta desde las plantas. Tres empresas de camiones han hecho propuestas para transportar las llantas con los siguientes
costos unitarios
3ODQWD
$
%
&
'
HPSUHVD

HPSUHVD

HPSUHVD

en donde la ltima fila indica la cantidad total que cada empresa puede
transportar.
a) Formule el problema como un modelo de transporte para minimizar el costo de envos.
Nota:
Incluya la columna de costos que corresponde a los camiones de
la compaa y equilibre el problema si no es balanceado.
b) Halle el costo mnimo y una solucin ptima.
Respuesta
Se agrega a la tabla la cuarta columna con los datos de los camiones de
la empresa y se obtiene un problema balanceado
b) El costo mnimo es y una solucin ptima es dada por
174
$ $

% % %
&
'
en donde, por ejemplo, % indica que de la planta %se envan
llantas usando los camiones de la empresa .
Problema 2
El problema de transporte definido por la tabla

Los costos de multa por las unidades que falten en los destinos son
, y, respectivamente.
Encuentre un plan de envo con costo mnimo.
Respuesta
El costo mnimo es y una solucin ptima es la siguiente:
de la fuente se envan unidades al destino
de la fuente se envan unidades al destino y unidades al
destino
de la fuente se envan unidades al destino ,
y las unidades que faltan en los destinos y son y , respectivamente.
Problema 3
Se da la siguiente matriz de costos de transporte:

175

Maynard Kong
Los costos de almacenamiento en las fuentes , y son de , y

soles por unidad para los productos que no se enven y se exige que
todas las unidades de la fuente sean enviadas para dar espacio a un
nuevo producto.
Determine una solucin ptima que minimice el costo de envos.
Respuesta
Teniendo en cuenta las condiciones del problema se considera la tabla

0

en donde la columna representa los costos de las cantidades que no

se envan (o sobran).
Para exigir que de la fuente se enven todas las unidades la variable
[debe valer , lo cual se consigue usando un costo 0 bien grande,
como se observa en la tabla, de modo que esta variable aparecer como
no bsica, y por lo tanto ser nula.
El costo mnimo es . Los envos son:
de la fuente al destino : unidades,
de la fuente a los destinos y , y unidades, respectivamente,
de la fuente al destino , unidades,
y en esta fuente quedan unidades.
Problema 4
Se considera el problema de asignar diferentes categoras de mquinas a cinco tipos de tareas. Los nmeros de mquinas disponibles en
las cuatro categoras son y respectivamente; y se deben
realizar y tareas en los respectivos tipos. Las mquinas
de la categora no pueden ser asignadas a las tareas de tipo . La tabla
de costos unitarios de ejecucin de tarea por mquina es
176
0
0
0
0
7

7

7

7

7

a) Formule el problema como un modelo de transporte para minimizar el costo de asignacin.

b) Encuentre el costo mnimo y una solucin ptima del problema.
Respuesta
Para que las mquinas de la categora no realicen las tareas de tipo
se debe tener una asignacin nula, [ ; con este propsito se pone un
costo unitario0 muy grande en la celda ().
Nota
Si se desea operar con un valor particular de0, por ejemplo, se puede
tomar
0 6XPLQLVWUR7RWDO u Pi[LPR&RVWR u
o cualquier cantidad mayor.

El costo mnimo es y una solucin ptima es:
a 0se asigna tareas de tipo ,
a 0 se asignan y tareas de tipos \
a 0 se asigna tareas de tipo ,
y a 0 se asignan y tareas de tipos y .
7.5 Problema de transbordo

En un problema de transporte, los envos se realizan directamente desde
las fuentes a los destinos. Un problema de transbordo es un problema
similar en el que adems hay puntos, llamados puntos de transbordo, a
177
Maynard Kong
travs de los cuales pueden realizarse envos desde las fuentes a los destinos. Estos puntos tambin pueden ser algunas de las fuentes y algunos
de los destinos.
En el siguiente ejemplo se presenta un problema de transbordo
y se indica el procedimiento para expresarlo como un problema de
transporte, y por lo tanto para resolverlo por el mtodo del smplex
simplificado.
Ejemplo
Desde los puntos $y % se deben enviar y unidades de un producto
a los puntos & y ', que requieren y unidades, respectivamente.
Los costos unitarios de envos son dados por la siguiente tabla:
3XQWRSDUWLGD
$
$
$
%
%
'
;
3XQWROOHJDGD
&
'
;
$
'
&
&
&RVWRXQLWDULR

a) Exprese el problema en la forma de problema de transporte.

b) Halle un plan de envo que minimice el costo de este problema
de transbordo.
Solucin
a) En este problema los puntos fuentes son $ y %, y los puntos de
destino son &y', y el problema est balanceado pues son iguales a tanto la oferta total como la demanda total.
Ahora se clasifican los puntos:
1) los puntos puros fuentes (3)), los puntos fuentes que no
reciben envos: %
178
2) los puntos puros destinos (3'), los puntos destinos que no

realizan envos: &
3) puntos de transbordo de tipo fuente (7)), los puntos fuentes
que reciben envos: $
4) puntos de transbordo de tipo destino (7'), los puntos destinos que suministran envos: '
5) puntos de transbordo puro (73), los puntos que sirven exclusivamente para pasar envos a travs de ellos:;
Luego se forma una tabla de transporte tomando como
fuentes o filas: todos los puntos de transbordo y los puntos puros
fuentes
y destinos o columnas: todos los puntos de transbordo y los puntos puros destinos.
La tabla de costos del problema es:
7)
7'
73
3)
$
'
;
%
7)
$

7'
'

73
;

3'
&

en donde el signo - indica que no hay conexin o envo, y por lo

tanto se reemplazar pon una cantidad muy grande 0. Obsrvese que se asigna el valor cero como costo de envo de un punto
a s mismo.
Para calcular las cantidades de suministros y demandas, en los puntos de transbordo se elige una capacidad suficiente para que pasen
la totalidad de los productos suministrados y por eso se suele usar
el valor comn 6 suministro total, que en este caso es.
Luego se establecen los valores de suministros y demandas:
un punto puro fuente tiene suministro igual al suministro
original, por ejemplo, el punto% tiene suministro
179
Maynard Kong
un punto puro destino tiene demanda es igual a la demanda

original, por ejemplo, el punto & tiene demanda ,
un punto transbordo fuente tiene suministro6 ms el suministro original y demanda 6; por ejemplo, el punto $ tiene
suministro y demanda (esto significa que
realmente $suministra la diferencia ),
un punto transbordo destino tiene suministro 6 y demanda
6 ms la demanda original; por ejemplo, el punto ' tiene
suministro y demanda (esto significa que
realmente ' requiere la diferencia ),
un punto transbordo puro tiene suministro 6 y demanda 6,
por ejemplo, el punto ; tiene suministro y demanda (lo
que expresa el hecho de que los productos solo pasan por ;).
As, el problema de transbordo dado se expresa como un problema de transporte mediante la tabla
$

0
0

$
'
;
%
'

0

;

0

0

&

0

b) Aplicando el mtodo del smplex simplificado se halla la tabla

con solucin ptima
$
$

;

0
'
&

;
%
'

180
De aqu se obtiene el siguiente plan de envo: las unidades

de % se envan a la fuente $, que se agregan a las unidades
existentes all; y desde $se envan unidades a', de las cuales se quedan y se envan a &
As, al final & y ' reciben las cantidades exigidas y . El
costo mnimo total es
uuuuuuu
7.6 Problema de asignacin

En un problema de asignacin se dispone de P mquinas y de Q tareas.
Cada mquina puede realizar una de las tareas a un costo dado. Se desea
determinar el costo total mnimo para ejecutar el mayor nmero de
tareas utilizando mquinas distintas.
Este es un caso especial del problema de transporte, en el que las
mquinas son las fuentes, las tareas son los destinos y las cantidades
de suministro y demanda son iguales a (y ), y por lo tanto se puede
resolver mediante el mtodo del smplex simplificado; sin embargo,
el procedimiento es bastante ineficiente por lo cual se prefieren con
algoritmos ms directos, tales como el mtodo hngaro y el algoritmo
de Munkres, que aprovechan las propiedades del problema de asignacin.
Se dice que el problema de asignacin es balanceado si P Q, es
decir, si el nmero de mquinas coincide con el nmero de tareas, y se
trata de asignar a cada mquina exactamente una tarea distinta (lo que
implica que cada tarea es realizada por una nica mquina) de modo
que se minimice el costo.
Ejemplo 1
La siguiente tabla contiene los costos de mquinas 00y 0 para
realizar las tareas o trabajos 77 y 7.
181
Maynard Kong
0
0
0
7

7

7

a) Exprese el problema como uno de transporte.

b) Formule el problema de programacin lineal.
Solucin
a) Haciendo 1 las cantidades de suministros y demandas se tiene la
tabla del problema de transporte balanceado.
M1
M2
M3
T1
1
2
3
1
T2
2
4
6
1
T3
3
6
9
1
1
1
1
b) Sea [LM o , segn que la mquinaL realice la tarea M o no.

El problema de programacin lineal es:
Minimizar
& [ [ [
[ [ [
[ [ [
sujeto a
0 realiza una tarea

[ [ [
0 realiza una tarea
[ [ [
0 realiza una tarea
[ [ [
se realiza 7
[ [ [
se realiza 7
[ [ [
se realiza 7
y todas las variables [LM no negativas
[ [ [
182
Nota
En lugar de asumir que las variables toman los valores , es suficiente considerar la restriccin de no negatividad (*) porque el mtodo
del smplex simplificado permite encontrar una solucin ptima que
tiene valores enteros, debido a las operaciones de sumas y restas con las
cantidades de suministros y demandas (Ver 7.3).
Adems, por las restricciones de igualdades, estos valores enteros y
no negativos no exceden a , y por lo tanto han de ser .
Propiedad del problema de asignacin
Si se suma (o resta) un valor constanteN a los costos de una fila (o de
una columna) las soluciones factibles y ptimas no cambian. En efecto,
el conjunto de restricciones es el mismo y
1XHYR&RVWR7RWDO &RVWR$FWXDON
Esto puede comprobarse en el ejemplo previo, en donde

&RVWR$FWXDO
[ [ [

[ [ [
[ [ [
y si se suma la constante N a primera fila de costos, por ejemplo, entonces

1XHYR&RVWR7RWDO
&RVWR7RWDO N[[[

&RVWR7RWDON
pues la suma de las variables asociadas a la fila es igual a segn la

primera restriccin.
Esta propiedad se aplica en la bsqueda de una solucin ptima pues
mediante sumas y restas de ciertas constantes a las filas (o columnas)
se trata de obtener una tabla de costos (no negativos) con suficientes
ceros. Si es posible lograr una asignacin completa usando los costos
ceros, entonces esta asignacin tiene un costo total cero, y por lo tanto
es mnimo.
183
Maynard Kong
As, a partir de la tabla del problema de asignacin inicial se obtienen otras tablas (u otros problemas) equivalentes, en los cuales una
asignacin ptima se consigue a travs de los costos ceros.
Para resolver un problema de asignacin se exponen el mtodo hngaro y el algoritmo de Munkres.
Ejemplo 2 Mtodo hngaro
Aplicando el mtodo hngaro resuelva el problema de asignacin
balanceado cuy a matriz de costos es:
7

0
0
0
7

7

Solucin
Paso 1
Se obtiene un cero en cada fila, restando a cada fila el valor mnimo de
la fila

PLQ

Paso 2
Se obtiene un cero en cada columna, restando a cada columna el valor
mnimo de la columna
PLQ

184

Paso 3
Se trata de asignar usando las celdas de costos ceros.
Estas celdas son (), (), ( () y (). La celda (), por
ejemplo, indica que se puede asignar la mquina 0 a la tarea 7 y as
con las otras celdas.
Si se asigna 0 a 7, ya no es posible asignar 0 ni 03; y si se asigna
0 a 7, entonces 0 puede asignarse a 7, pero 0 no puede asignarse.
Puede comprobarse que no es posible obtener una asignacin completa usando los costos ceros actuales.
Paso 4
Se producen nuevos costos ceros. Con este propsito se cubren las filas y
columnas que contengan a todos los ceros actuales, utilizando el menor
nmero de filas y columnas, en este caso con la fila y la columna.
[
[
ODFXELHUWD

nFROXPQDFXELHUWD
Se halla el mnimo de las celdas no cubiertas.

0 PtQLPR^`
Luego se resta 0 a cada celda no cubierta y se suma a las celdas de

las intersecciones de las filas y columnas cubiertas, en este caso se trata
solamente de la celda ()

Ahora se puede lograr la asignacin usando los ceros marcados: (),

() y (), o sea 0 realiza la tarea , 0 la tarea y 0 la tarea , y
el costo mnimo se obtiene usando los costos de la tabla inicial
185
Maynard Kong
&

0
0
0
7 7 7

Nota
1. Se repiten los pasos y hasta lograr una asignacin completa.
2. Para aplicar este mtodo se requiere que el problema de asignacin sea balanceado, es decir que se cumpla la condicin P Q,
en donde Pes el nmero de mquinas y Q el nmero de tareas.
Si PQ o P!Q, el problema se balancea agregando mquinas
ficticias o tareas ficticias, segn sea el caso, con costos ceros.
El mtodo hngaro es bastante simple y puede usarse en problemas
de asignacin en los que el nmero de tareas o mquinas es relativamente pequeo. No obstante, presenta limitaciones que restringen su
aplicacin en general. Una se refiere al nmero de iteraciones por la
ocurrencia de soluciones bsicas factibles con variables bsicas nulas y
otra a la forma de determinar la asignacin usando los ceros, por los
posibles casos que hay que probar.
El algoritmo de Munkres es ms complejo y se basa en el mtodo
hngaro. Presenta la ventaja de ser ms preciso y se aplica a problemas
de asignacin balanceados o no. En efecto, si N PtQLPR{PQ}, en N
pasos determina una solucin ptima del problema y en cada paso L
N obtiene Lasignaciones.
En el siguiente ejemplo se ilustran los conceptos relativos a este
algoritmo.
Ejemplo 3 Algoritmo de Munkres
Aplicando el algoritmo de Munkres resuelva el problema de asignacin
cuya matriz de costos es
186
7

0
0
0
0
7

7

en donde se trata de seleccionar las mquinas para que realicen todas las
tareas a un costo total mnimo.
Ntese que se trata de un problema no balanceado.
Solucin
El procedimiento consiste de N PLQ ^` pasos. Se usar la
notacin:
cero marcado, con el smbolo *, para indicar una celda con valor
cero que da una asignacin de una mquina a una tarea
cero primo, con el smbolo , para referir un nuevo cero que es
parte del proceso de construccin de ceros
y cero primo libre a un cero primo que no tiene un cero marcado
en su fila.
Adems se emplear una [para sealar una columna o fila cubierta.
Igual que en el mtodo hngaro, cada vez que se reste un valor mnimo
a las celdas no cubiertas por filas o columnas se suma este valor mnimo a
las celdas que estn en la interseccin de filas y columnas cubiertas.
Paso 1
Se obtiene una asignacin posible.
Se halla el mnimo de los costos de la tabla 0 y se resta a cada
celda.

187

Maynard Kong
Se prima el nuevo cero que se halla en la celda (). Este cero primo
es libre pues no tiene cero marcado en su fila.
Por lo tanto se le marca y se obtiene la asignacin:
M1 realiza T1.

En este paso, si hay varios ceros se prima solo uno de ellos.

Paso 2
Se obtienen dos asignaciones posibles.
Se cubre la columna que contiene a la celda marcada, en este caso, la
columna; se halla el mnimo de las celdas no cubiertas,
0 y se resta a cada celda no cubierta.
[

[

[ FROXPQDRODFXELHUWD
Se prima el nuevo cero de la celda () y puesto que es libre, pues

no tiene un cero marcado en su fila, se le marca

188

As, hasta ahora hay dos asignaciones posibles indicadas por los
ceros marcados.
Paso 3
Se obtienen tres asignaciones.
Se cubren las columnas y de los ceros marcados.
[

[

Se halla el mnimo, 0 , de los costos de las celdas no cubiertas, se

resta a cada una de estas celdas y se suma a la celda ().
[

[

El nuevo cero primo est en la celda ().

Este cero primo no es libre, pues tiene el cero marcado () en su
fila, de modo que se debe continuar buscando un cero libre.
Con este propsito, se cubre la fila y se descubre la columna del
cero marcado ().
FROXPQDFXELHUWD
[

[
ODFXELHUWD

Se halla el mnimo de las celdas no cubiertas, 0 , se resta a cada

celda no cubierta y se suma 0 a la celda () que est en la interseccin
(en los pasos y no hubo intersecciones de lneas cubiertas).
189
Maynard Kong
[

El nuevo cero primo est en la celda (). Tampoco es libre pues

tiene el cero marcado () en su fila y el proceso contina.
Se cubre la fila y se descubre la columna
[
Se halla el mnimo de las celdas no cubiertas, 0 y se resta a cada

celda no cubierta (ntese que solo hay filas cubiertas y por lo tanto no
hay celdas en interseccionadas para sumarles 0).
[
[
[

El nuevo primo elegido () es libre y termina el proceso de construir nuevos ceros.
A partir del ltimo cero primo () se busca el cero marcado en
su columna: (); luego el cero primo de la fila de este cero marcado:(); a continuacin el cero marcado de la columna : (); y
finalmente el cero primo de la fila : (), que no tiene cero marcado
en su columna.
El resultado es la ruta o secuencia de ceros

OLEUH
PDUFDGR
SULPR
PDUFDGR
SULPR
190
o en la tabla

FHURSULPRVLQFHURPDUFDGRHQ
VXFROXPQD
FHUROLEUHQRWLHQHFHURPDUFDGR
HQVXOD
Finalmente, se marcan los ceros primos de la ruta obtenida, se les

quita la marca a los ceros marcados de la ruta y en la tabla se suprime el
smbolo a los ceros primos:

de modo que la tabla tiene los datos:

Ahora ya se dispone de asignaciones y el algoritmo termina

La solucin ptima se obtiene as:
la celda marcada () indica que a 0 se le asigna 7,
la celda marcada () indica que a 0 se le asigna 7,
la celda marcada () indica que a 0 se le asigna 7.
El costo total mnimo es & , que resulta de usar la
tabla inicial
0
0
0
0
7

7

191
7

Maynard Kong
Nota
1. En el parte se pudo elegir como cero primo a () y obtener
otra solucin ptima.
2. En cada paso del algoritmo se construyen ceros primos hasta
encontrar un cero primo 3libre. Luego, a partir de este cero
libre se encuentra una ruta o secuencia de ceros:
OLEUH PDUFDGR SULPR PDUFDGR SULPR
3
0
3
0
3V
en donde, con excepcin del ltimo, para cada primo 3L el siguiente

cero 0L es un cero marcado en la columna de 3L.
A continuacin, usando la ruta, se marcan los ceros primos y se les
quita la marca a los ceros marcados. Aqu se observa que el nmero de
ceros marcados (o asignaciones) aumenta en , pues el nmero de ceros
primos es igual al de ceros marcados en la ruta ms uno.

Problema 1
Aplicando el mtodo hngaro, encuentre el costo mnimo y una asignacin ptima para el problema dado por la tabla de costos
0
0
0
7

7

7

Respuesta
El costo mnimo es
Problema 2
La siguiente tabla contiene el tiempo en horas que requiere una mquina
para realizar una tarea.
192
0
0
0
0
7

7

7

7

Halle el tiempo total mnimo para completar las cuatro tareas por
las cuatro mquinas.
Respuesta
El tiempo total mnimo es
Problema 3
Aplique el mtodo hngaro para resolver el problema de asignacin
cuya tabla de costos es

La celda - indica que la mquina no puede realizar la tarea .

Respuesta
En la celda - se pone un costo muy grande 0 y se agrega la columna
, o tarea ficticia , con costos ceros, para tratar un problema balanceado.
El costo total mnimo es que corresponde
a la solucin ptima

193

Maynard Kong
La asignacin de la columna indica que la mquina no realiza

ninguna tarea.
Problema 4
Utilice el algoritmo de Munkres para determinar una solucin ptima
del problema de asignacin de la siguiente matriz de costos

Respuesta
Se indican los pasos del algoritmo.
Paso 1

[

[ ODRFROXPQDFXELHUWD

Paso 2
Paso 3
[
El cero primo de la celda () es libre y por lo tanto se obtiene la

ruta de ceros

194
Luego se marcan los ceros primos, y se elimina la marca al cero ()

que en la tabla inicial corresponde a la solucin ptima

195

Captulo
Anlisis de redes
8.1 Introduccin
En este captulo se estudian algunas aplicaciones basadas en el modelo
de red que se refieren a los siguientes problemas:
hallar una ruta ptima,
encontrar el flujo mximo a travs de una red,
y programar las actividades de un proyecto.
Por definicin, una red, o grafo dirigido, se compone de:
1) un conjunto finito de smbolos, llamados nodos o estados:
DE ...
2) para cada nodo Q hay asociados cero o ms nodos sucesores:
V, V, ..., VQ
en donde cada asociacin es formalmente el par ordenado (QVL),
o QVL, llamado arco dirigido de Q al nodo sucesor V,
y 3) cada arco es valorado, esto es, tiene un valor dado positivo.
El siguiente ejemplo muestra varias maneras de describir o representar una red.
Maynard Kong
Ejemplo 1
1) Representacin grca
Grficamente, los nodos se representan encerrados por elipses u valos
y cada arco por una flecha valorada que sale de un nodo y apunta al
nodo sucesor
E

F

2) Descripcin explcita
La red se define indicando listas de sucesores de nodos y valores de los
arcos
QRGR
D
E
F
G
H
VXFHVRUYDORU
EFG
FHI
G
I
EI
o una lista de arcos valorados

DEDFDG
EFEHEI
FG
GI
HEHI
198
Captulo 8. Anlisis de redes
3) Representacin matricial
D

D
E
F
G
H
E

F

G

H

I

El signo - indica la ausencia de valor.
8.2 Rutas en una red

Una ruta es una sucesin de nodos
[[[Q
Qt
tal que
[ es sucesor de [
...
[Q es sucesor de [Q
Si Qt, la ruta es simplemente la secuencia de Q arcos

[[
[[
...
[Q[Q
en donde, el nodo de llegada de un arco, con excepcin del ltimo, es

igual al nodo de partida del siguiente arco.
Los nodos [ y [Q se denominan nodos inicial y final de la ruta, respectivamente; tambin se suele decir que la ruta parte de [ y termina
en [Q, o que une [ con [Q.
Se define el valor de una ruta como la suma de los valores de los
arcos que la componen.
Segn la aplicacin particular, este valor recibe frecuentemente un
nombre especfico, por ejemplo, costo (longitud o tiempo) de la ruta.
199
Maynard Kong
Se conviene en asignar el valor a una ruta compuesta por un solo

nodo (o sea cuando Q , y sin arcos).
Ejemplo 2
Las siguientes son algunas rutas con sus valores en la red del ejemplo 1:
5XWD
9DORU
DEH

DEFG

FGI

DEHI

Por ejemplo, la rutaDEHtiene valor , que es la suma de los valores

y de los arcos DE y EH
8.3 Problema de ruta ptima

Este problema consiste en hallar una ruta que tiene valor mnimo, o
ruta ptima, con nodos inicial y final dados.
En el siguiente ejemplo se explica el algoritmo de cota y ramificacin para encontrar una ruta ptima.
Ejemplo 3 Algoritmo de cota y ramicacin
Determine una ruta de valor mnimo que una el nodo a con el nodo I
en la red del ejemplo .
Solucin
El algoritmo utiliza dos listas de datos:
LRUTA que se compone de rutas valoradas para probarlas.
LVIS compuesta por nodos visitados o tratados, y se usa para
evitar que vuelvan a considerarse nodos ya probados.
200
Inicialmente,
LRUTA contiene la ruta D, formada por el nodo de partida
D y con valor , que puede pensarse como la ruta que sale y termina en D; y la lista LVIS es vaca.
La siguiente tabla muestra los pasos del algoritmo.
3$62
/587$
D

'
/9,6 587$6(;7(1','$6
DEDFDG
DEDF DG
DF
DFG
DEDG DFG
DFG
DGD DGI
DE DGIF
DFGE DEF DEHDEI
DGI DEHDEI
DFGE 5XWDySWLPDKDOODGDDGI
FRQYDORUPtQLPR
En la columna ' se consigna el destino o nodo de llegada de la ruta

marcada con *.
Paso 1
Se marca la (nica) ruta D, y su destino D se registra en'; se compara
el destino D con el nodo final I del problema y por ser distintos se agrega
a la lista /9,6; luego se extiende la ruta D usando los sucesores EF y
G de D, y los valores de los arcos; por ejemplo,

D con el arco DE de valor es la ruta DE-, ,

D con el arco DFde valor es la ruta DF-, ,
y as, para el otro nodo sucesor G.

La ruta marcada se elimina de /587$ y se agregan all las rutas
extendidas DE, DF y DG-
Paso 2
Se marca en /587$ la ruta de menor valor (si hay ms de una, se
marca cualquiera): DF; se copia F en '; puesto que es distinto de I,
se pone F en /9,6; se extiendeDF por los sucesores de F, en este caso se
201
Maynard Kong
obtiene la ruta DF con el arco FGde valor , por lo cual resulta la
ruta extendida DFG-, .
En /587$ se elimina la ruta marcada y se agrega la ruta extendida.
Paso 3
Se marca la ruta de menor valor: DG-; se anota Gen '; se extiendeDG
por los sucesores de G y se obtienen las rutas extendidas
DGD DGI
La primera ruta DGD- se elimina pues Dest en /9,6, a fin de
evitar ciclos o que el algoritmo tenga ms iteraciones.
En /587$ se elimina la ruta marcada DG y se agrega la ruta
extendida DGI-
Tambin se eliminan las otras rutas que tienen el mismo destino Gy
valor mayor que , en este caso, la ruta DFG-.
Paso 4
Se marca la ruta de menor valor: DE-; se registra E en '; y se extiende
DE por medio de los sucesores de E:
DEF DEHDEI
en donde se descarta o elimina la ruta DEF pues F est en la lista /9,6.
Se elimina la ruta marcada y se agregan las rutas extendidas.
Paso 5
Se marca la ruta de menor valor: DGI-, cuyo destino es I igual al nodo
final, por lo tanto el algoritmo concluye y se indica que DGI es una ruta
ptima que uneD conI, y su valor mnimo es .
Nota
1. En cada paso del algoritmo, la ruta marcada es ptima desde el
punto de inicio al destino seleccionado en la columna' y los
202
valores de estas rutas son no decrecientes, para

el ejemplo 3.
2. El algoritmo finaliza cuando el destino de la ruta marcada coincide con el nodo final o cuando la lista /587$ queda vaca.
En el primer caso se indica que la ruta marcada es ptima y
en el segundo caso se indica que no existe ruta entre los nodos
dados.
3. Una simple modificacin del algoritmo permite encontrar todas
las rutas ptimas entre dos nodos (que desde luego han de tener
el mismo valor mnimo).

Problema 1
Sea la red con arcos valorados
DEDFDG
EFEH
FI
GIGJ
HJ
IJ
a) Halle una ruta ptima del nodo E al nodo J
b) Encuentre una ruta ptima del nodo F al nodo E
c) Halle todas la rutas con valor mnimo del nodo D al nodo J
Respuesta
a) EFIJ
b) No existe ruta.
c) DEHJ-, DFIJ-
203
Maynard Kong
Problema 2
El precio de una nueva mquina es de. El costo de mantenimiento
de la mquina es de el primer ao, el segundo ao, el
tercer ao y el cuarto ao de uso. Suponiendo que la mquina no
tiene valor de reventa, halle el costo mnimo de comprar y utilizar la
mquina durante un lapso de cuatro aos, si se compra una mquina al
comienzo del primer ao.
Respuesta
El problema se modela como una red cuyos nodos son los aos
y . Y para cada par de aosLM, se considera el costo de una mquina
que se compra al comienzo del ao Ly se mantiene hasta el comienzo
del ao M, esto conduce a definir el arco LM con costo FLM costo de comprar una mquina al comienzo del aoL ms el costo de mantenimiento
por los aos LLM
As, por ejemplo:
F

F
F
F
F
F
F

F
F

Usando estos datos, una ruta de a representa un plan de renovacin de mquinas, por ejemplo, la ruta significa que se compra
una mquina al comienzo de los aos y , y el costo correspondiente
es en donde, entre parntesis, se
indica el arco o lapso respectivo
El problema es entonces hallar una ruta de costo mnimo que una
los nodos y.
Una ruta ptima es con costo , esto es, se debe comprar
la segunda mquina al comienzo del tercer ao.
204
Problema 3
Encuentre una ruta de valor mnimo entre los nodos y de la red

Respuesta
La nica ruta ptima es y el valor mnimo es
Problema 4
Determine el valor del arco EG y una ruta ptima, si es el valor
mnimo de una ruta que uneD con I en la red
E

F

Respuesta
El valor del arco EG es y una ruta ptima es DEGI.
Problema 5
La siguiente tabla contiene el costo y el tiempo de un viaje, indicado
por el par de valores FW, desde una ciudad a otra:
205
Maynard Kong
$

$
%
&
'
%
&
'
(

a) Encuentre una ruta de costo mnimo de la ciudad $ a la ciudad

( e indique el tiempo total de los viajes.
b) Halle una ruta de $hacia ( cuyo tiempo de viaje sea mnimo e
indique el costo de la ruta.
Respuesta
a) $%'( con costo mnimo y requiere un tiempo de
b) $&(que toma el menor tiempo de viaje y cuesta
8.5 Problema de flujo mximo

Se considera una red por la que pasa un fluido que ingresa por un nodo
I llamado fuentey sale por otro nodo V llamado sumidero.
Se supone que el fluido se desplaza usando los arcos como canales,
siguiendo las direcciones de estos, y que los valores de los arcos son las
capacidades o cantidades mximas que pueden fluir a travs de ellos.
Adems, se asume que no hay prdida de fluido, esto es, se exige que en
cada nodo la suma de las cantidades que llegan a l sea igual a la suma
de las cantidades que salen de ese nodo (ley de Kirchoff).
D
F

IOXMR

E
IOXMR
Este problema puede ser formulado como un problema de programacin lineal y por lo tanto puede resolverse mediante el algoritmo del
206
smplex. Sin embargo, se dispone de un mtodo ms directo y eficiente

conocido como algoritmo de Ford-Fulkerson.
Las ideas bsicas del mtodo son:
las cantidades se transmiten a travs de rutas que salen de la
fuente y terminan en el sumidero,
la cantidad mxima que puede pasar a travs de una ruta, es igual
al valor mnimo de las capacidades de los arcos de la ruta.
Propiedad del corte mnimo
Se denomina corte en una red a un conjunto de arcos tales que si se
suprimen en la red no existe ruta de la fuente al sumidero.
El valor de un corte es la suma de las capacidades de sus arcos.
Sea la red con capacidades de flujos, fuente$ y sumidero).
%
'

)

&
Se muestran algunos cortes con sus respectivos valores:

FRUWH
$%$&
$%%(&(
%'%(&(
')()
$%()
$%&(

YDORU

Los arcos $% y $& forman un corte de la red, pues si se suprimen

no es posible hallar rutas que unen$ con ); tambin, los arcos $% y
() forman un corte, por la misma razn, y de igual manera para los
otros conjuntos de arcos.
207
Maynard Kong
La propiedad de corte mnimo establece que

XMRPi[LPRDWUDYpVGHUHG PtQLPRYDORUGHORVFRUWHV
Por ejemplo, para la red indicada, por simple inspeccin se encuentra que el corte formado por los arcos $%&( tiene valor mnimo,
de donde se sigue que el flujo mximo en la red es .
Esta propiedad puede usarse para determinar en problemas sencillos
(con pocos arcos) el flujo mximo por medio de un corte mnimo.
En el siguiente ejemplo se explica el algoritmo de Ford-Fulkerson
para determinar el flujo mximo y las cantidades por los canales para
obtenerlo.
Ejemplo 4 Algoritmo de Ford-Fulkerson
Halle el flujo mximo y las cantidades correspondientes para la red
anterior.
Solucin
Se suprimen las direcciones de los arcos y en cada arco se anota la capacidad cerca del nodo de partida del arco y cerca del nodo de llegada
del arco:

'

&

El significado de esta notacin es el siguiente, por ejemplo

$&
208
indica que se puede enviar hasta unidades de $ hacia&y ninguna

unidad desde& hacia$;
y si durante el proceso del algoritmo se tuviese

$&
entonces se puede enviar hasta unidades de $ hacia &o bien unidades de & hacia $.
Paso 1
Se hace flujo actual .
Se selecciona la ruta
$ % ' )
y se trata de enviar la mxima cantidad de fluido a travs de ella segn
las capacidades disponibles: de$ a% se puede enviar unidades, de
% a ' se puede enviar y de' a), unidades; luego, la mxima
cantidad que puede fluir por esta ruta es
0
PLQ ^ `
En consecuencia, se satura la ruta, es decir, se resta de cada capacidad del inicio de cada arco y se suma a la capacidad cercana del final
de cada arco

$ % ' )

'

$

&
209

IOXMRDFWXDO
Maynard Kong
Se observa que ya no puede enviarse fluido de % a &, pues qued

unidades.
Paso 2
PLQ ^ `
Se satura la ruta $%() con 0

'

$

&

IOXMRDFWXDO
Ya no se puede enviar flujo de $ hacia%

Paso 3
Se satura la ruta $&() con 0 PLQ ^ `

'

$

&
IOXMRDFWXDO
El proceso concluye pues ya no es posible encontrar ms rutas de

$ a )que permitan flujos. En efecto, no se puede usar el arco $% ni el
arco &(, pues tienen capacidades nulas en los nodos de partida. Por lo
tanto, el flujo mximo es .
210
Para obtener el plan de envo de flujo, o la distribucin de las cantidades que se envan, se anotan las direcciones de los arcos y sobre los
arcos se escriben solo las cantidades positivas enviadas, o sea las cantidades que estn en el extremo final del arco, que en la figura aparecen
marcadas con *:

'

&
(

IOXMRPi[LPR
o
%
'

$

&
Ejemplo 5
Encuentre el flujo mximo de V a I en la red
S

V

T
211
I

IOXMRPi[LPR
Maynard Kong
Solucin
Como en el ejemplo 5, para aplicar el algoritmo de Ford-Fulkerson se
escribe la red en la forma:
Paso 1
Se satura la ruta VSTI con el valor 0

S

PLQ ^`
IOXMRDFWXDO
Paso 2
Se satura la ruta VTSI con el valor 0

S

PLQ ^ `
IOXMRDFWXDO

Se observa que no hay ms rutas de V aI que puedan ser saturadas,

el proceso termina y se obtiene el flujo mximo
La distribucin del flujo es
S

V
I

T
212
que se obtiene escribiendo los arcos con sus flechas y sobre estos solo las
cantidades positivas prximas a los extremos finales. (Por el arco ST no
hay flujo y por lo tanto no se indica ningn valor).

Problema 1
Encuentre el flujo mximo y una distribucin ptima para la red

D

V

E

G
I

Respuesta El flujo mximo es 5.

Una distribucin ptima es

V
Problema 2
Halle el flujo mximo en la siguiente red
S

V

T
en donde ST es un arco no dirigido, esto es, se puede enviar fluido en

ambas direcciones.
213
Maynard Kong
Respuesta
Reemplace el arco no dirigidoST por dos arcos dirigidos, uno de Sa
T y otro de T a S, con la misma capacidad, y aplique el algoritmo de
Ford-Fulkerson. El valor del flujo mximo es .
Problema 3
Determine el mximo nmero de mensajes por hora que se puede
enviar desde D hacia G, si pueden ser enviados hasta mensajes por
hora entre dos cualesquiera de los puntos DEF y G.
Respuesta 1500.
Problema 4 Problema de emparejamiento (o matching)
La siguiente tabla muestra las capacidades de las personas 345
para realizar las tareas ;<=
3
4
5
;
&
<
&
&
=
&
&
Una celda con la letra & indica que la persona de la fila de la celda
tiene la capacidad para realizar la tarea de la columna de la celda.
Se desea asignar a cada persona una tarea de modo que el nmero de
asignaciones (emparejamientos) sea el mayor posible.
Indicacin
Este problema de asignacin puede ser resuelto por los mtodos expuestos en el Captulo 7. No obstante, tambin puede tratarse como un
problema de flujo.
Trace una red con arcos de valor dirigidos de las personas a las
tareas correspondientes a las celdas compatibles, por ejemplo, el arco
de 3 a; con valor .
214
Cree una fuente V y trace arcos de valor de V a 345; y tambin

agregue un sumidero I y trace arcos de valor de ;<= aI.
Obtenga el flujo mximo y determine el emparejamiento mximo
usando la distribucin ptima correspondiente.
Problema 5
Los datos siguientes son las capacidades de una red con fuentes $% y
&, y sumideros -y .:
F $ ' F $ (

F % (

F % -
F & )

F ' (

F ' ,
F % (

F % -
F ( )

F ( +
F ) *

F * +

F+ .

F ( ,

F , - F , .
Aplique el algoritmo de Ford Fulkerson para hallar los flujos mximos que se pueden enviar desde las fuentes a los sumideros.
Indicacin
Convierta el problema en uno de fuente y sumidero nicos:
Sea6 suma de las capacidades de los arcos que salen de las fuentes
$% y &; agregue una fuente que conecte a $%y& cada arco con
capacidad igual a6. Y de igual manera conecte -y . a un sumidero
nico con la misma capacidad 6
215
Maynard Kong
8.7 Programacin de proyectos

Un proyecto consiste en un conjunto de actividades o trabajos con las
siguientes caractersticas:
1. cada actividad tiene una duracin o tiempo requerido para realizarla o ejecutarla,
2. existe un orden en la ejecucin de las actividades, que se describe
as: una actividad $ precede a una actividad % (o $ es predecesor
de%, o % es sucesor de $) si $ debe completarse antes de que %
comience,
y 3. hay actividades que no tienen predecesoras, o actividades iniciales,
y tambin hay actividades sin sucesoras, o actividades finales.
Ejemplo 6
La siguiente tabla muestra las actividades de un proyecto y sus respectivos tiempos de ejecucin
$&7,9,'$'
$
%
&
'
(
35('(&(625(6

$%
%
&'
7,(032

Algunos problemas interesantes de la programacin de proyectos son:

hallar el tiempo mnimo para completar todas las actividades
del proyecto siguiendo el orden establecido y adems encontrar
cules actividades son crticas en el proyecto, esto es, aquellas
cuyo retraso aumenta la duracin mnima del proyecto, y cules
pueden retrasarse sin afectar este tiempo,
determinar el costo mnimo de ejecucin del proyecto, dados los
costos de las actividades, para terminarlo en un tiempo especificado.
216
Estos problemas se resuelven representando el proyecto como una

red en donde:
un nodo (es un smbolo que) representa la ocurrencia del evento
de terminacin de conjunto de actividades y el inmediato inicio
de las actividades siguientes,
un arco es una actividad que sale del nodo donde se inicia su
ejecucin y se conecta al nodo en el que concluye y el valor del
arco es la duracin de la actividad.
As, si la actividad$ es predecesora de la actividad %, en la red esta
relacin de orden queda expresada mediante un nodo al que llega el
arco de $y de donde sale el arco de%.
Usualmente, los nodos se designan por los nmeros Q
siendo y Q los nodos de inicio y terminacin del proyecto, respectivamente.
En la representacin de red se requiere que de un nodoL a otro nodo
Mse conecte a lo sumo una actividad o arco dirigido, de modo que la
nica actividad, si existe, pueda ser referida por el par ordenado (LM).
Para satisfacer esta condicin, cuando hay dos actividades que conectan
los mismos nodos, se crea una actividad ficticia de duracin cero que
siga a una de las actividades y termine en el nodo de llegada. En forma
explcita, si $ y % son actividades que salen del nodo Ly llegan al nodo
M como se muestra en la figura
$
L
entonces se crea una actividad ficticia ) que siga o suceda a $:
217
Maynard Kong
$
L
Obsrvese que se ha agregado el nodoN y que $ puede referirse por

el par (LN), )por (NM) y % por (LM).
Las actividades sucesoras de $ y % han de salir del nodo M; y si hay
actividades que son sucesoras de $pero no de % estas saldrn del nodo N.
Ejemplo 7
Trace una red que represente el proyecto del ejemplo 6.
Solucin
Paso 1 Actividades iniciales
Puesto que $ y % no tienen predecesores, son actividades iniciales y por
lo tanto parten del nodo inicial, al que se designa por . Y llamando
y a los nodos finales de $ y %, se tiene
$
Paso 2 Actividades que siguen a las iniciales

& es sucesor comn de$ y%, y ' es sucesor de %( y no de $).
Aplicando la regla se crea una actividad artificial que siga a$ o a %:
218
&
&
' es sucesor de % pero no de $, de modo que se selecciona la

segunda forma
&
'
Paso 3 Actividades finales

( es sucesor comn de &y ', luego ( parte de y , nodos que
pueden juntarse en uno solo, al que se le llama , y de all sale(.
Incluyendo los tiempos de las actividades se obtiene la red

$

%
&
)

'
219
(
Maynard Kong
en donde las actividades $%&' y ( son representadas por los arcos

o pares ordenados (), (), (), () y (), respectivamente, y la
actividad artificial ) por el arco ().
Tambin se puede expresar la red mediante la lista de pares ordenados de nodos
$FWLYLGDG

7LHPSR

Ntese que gracias a esta notacin las relaciones de precedencia de

las actividades quedan determinadas implcitamente por los pares, por
ejemplo a () le siguen () y (), etc.; y tambin se establece un
orden entre los nodos: es el primero, a le siguen los nodos sucesores
y , a le sigue , a le siguen los nodos y , y a el ltimo nodo.
Tiempos ms tempranos y ms tardos
Se asume que el proyecto es dado por una red cuyos nodos son Q
en donde es el nodo inicial,Q es el nodo final, y las actividades son
dadas por pares ordenados de nodos LM) y los correspondientes tiempos de ejecucin porWLM.
Para cada nodo Lse definen los tiempos ms tempranos:
7(L
tiempo ms temprano del nodoL

menor tiempo de terminacin de todas las actividades
que concurren o llegan al nodo i
Se conviene en hacer 7( tiempo de inicio del proyecto . A 7(Q

se le llama tiempo mnimo para completar o terminar el proyecto.
Tambin se definen los tiempos ms tardos
77L
tiempo ms tardo del nodoL

220
mayor tiempo de inicio de las actividades que salen del

nodo, para que el proyecto se complete en el tiempo
mnimo
De la definicin se sigue que el tiempo ms tardo del nodo final Q
es igual al tiempo mnimo: 77Q 7(Q
Con el propsito de ilustrar cmo se deducen las frmulas para calcular los tiempos ms tempranos se considera la siguiente parte de una
red para hallar el tiempo ms temprano del nodo , que se indica por W:

W

Se requiere que previamente se hayan calculado los tiempos ms

tempranos de los nodos predecesores y del nodo, los que este caso
son dados por y , respectivamente.
Entonces el tiempo W en el que ocurre el nodo debe ser mayor
o igual que el tiempo ms temprano en cualquiera de los nodos predecesores ms el tiempo que toma la ejecucin de la actividad que la
conecta, es decir
Wt y Wt
o WtPi[LPR^`
es decirW debe ser al menos igual a unidades de tiempo y por lo tanto
el menor valor de W es ; en resumen
WtPi[LPR^`
221
Maynard Kong
Los tiempos ms tempranos se calculan a partir de nodo inicial

7(
y para un nodo nodo LL!, el tiempo ms temprano es dado por
7(L Pi[LPR^7(SWLHPSRGHSL@
en donde S recorre todos los predecesores de L, y se asume que se conocen los tiempos ms tempranos de estos.
El ltimo valor que se calcula es el tiempo 7(Q del nodo final, que
es el tiempo mnimo de terminacin del proyecto.
Similarmente las frmulas para los tiempos ms tardos pueden
deducirse siguiendo un argumento como el se expone luego.
Sea la siguiente parte de una en la que intenta hallar el tiempo ms
tardo del nodo :

sabiendo que los tiempos ms tardos de los nodos sucesores y ya se

conocen, y son y
Sea W el tiempo en que ocurre el nodo 3; entonces W ms el tiempo
que requiere cada actividad debe ser menor o igual que el tiempo de
cada nodo y :
Wd y Wd
o Wd y Wd
que equivale a WdPtQLPR^`
222
es decir W puede ser cuando ms unidades, y por lo tanto el mayor

valor es W en resumen
W PtQLPR^`
Para calcular los tiempos ms tardos se tienen las siguientes frmulas:
7Q 7(Q WLHPSRPtQLPRGHOSUR\HFWR
y para un nodo LQ
7L PtQ^7VWLHPSRLV
en donde V recorre todos los sucesores de L, y se asume conocidos los
tiempos tardos de estos.
Ntese que los tiempos ms tardos se calculan empezando desde el
nodo final Q.
Ejemplo 8
Calcule los tiempos ms tempranos y ms tardos de la red del ejemplo 7.
Solucin
Usando la representacin grfica de la red los tiempos ms temprano y
ms tardo de un nodoL se registran cerca de nodo en la forma
77L WLHPSRPiVWDUGtR
7(L WLHPSRPiVWHPSUDQR
223
Maynard Kong
Primero se calculan los tiempos ms tempranos, que se anotan en

las celdas inferiores.
(P1) Se hace cero el tiempo ms temprano en el nodo inicial , o
sea 7(
(P2) Los nodos sucesores de son y. No es posible calcular el
tiempo ms temprano del nodo pues falta el tiempo ms
temprano de su predecesor. Se calcula el tiempo ms temprano del nodo
7( Pi[LPR^7(` Pi[LPR^`
(P3) Se calcula el tiempo ms temprano del nodo, pues se conocen los tiempos ms tempranos de sus predecesores y
7( Pi[LPR^7(7(`
Pi[LPR^`
P4)
Clculo del tiempo ms temprano del nodo

77 Pi[LPR^7(7(`
Pi[LPR^`
P5)
Clculo del tiempo ms temprano del nodo final

77 Pi[LPR^7(`
Pi[LPR^`
En consecuencia, el tiempo mnimo del proyecto es unidades.

Ahora se hallan los tiempos ms tardos.
Se hace 77 7(
77 PtQLPR^77`
77 PtQLPR^77`
77 PtQLPR^7777`
PtQLPR^`
P1) 77 PtQLPR^7777`
PtQLPR^`
P5)
P4)
P3)
P2)
224
Actividad crtica. Ruta crtica

Se dice que una actividad (LM) es crtica si se cumplen las condiciones
7(L 77L
7(M 77M
y 77L 7((L) duracin de LM
es decir, si coinciden los tiempos ms tempranos y ms tardos en los
nodos LM y la diferencia entre estos es exactamente la duracin de la
actividad.
Una ruta que parte del nodo inicial y termina en el nodo final Q es
crtica si todas las actividades que la componen son crticas.
La suma de los tiempos de las actividades de una ruta crtica es igual
al tiempo mnimo del proyecto.
En el proyecto del ejemplo 8 se tiene la ruta crtica formada por las
actividades crticas que aparecen marcadas con \

Ninguna actividad crtica puede retrasarse o extender su duracin

sin causar un retraso del proyecto. Por el contrario, una actividad no
crtica como respecto de los tiempos ms tempranos, puede retrasarse hasta el tiempo o extender su duracin de a , sin retrasar
el proyecto; y de igual manera sucede con la actividad no crtica
respecto de los tiempos ms tardos.
225
Maynard Kong
Reduccin del tiempo mnimo de un proyecto

Se trata de reducir el tiempo mnimo de un proyecto reduciendo los
tiempos de las actividades con un costo por unidad de tiempo reducido.
Ejemplo 9 Sea el proyecto
7,(032
$&7,9,'$' 35('(&(625(6 1250$/ 5('8&,'2 &58
$

%
$

&
$

'
%&

(
%

)
'(

en donde para cada actividad se indican los tiempos normal y reducido,

en das, y en la columna &58, el costo por da de reduccin.
Por ejemplo, la actividad $ puede realizarse normalmente en das
o en un tiempo menor hasta das pagando unidades por cada da
de reduccin.
a) Determine el tiempo mnimo del proyecto usando los tiempos
normales.
b) Calcule el tiempo mnimo del proyecto usando los tiempos
reducidos y el costo por reduccin.
c) Halle el costo mnimo del proyecto cuando se completa en el
tiempo mnimo calculado en la parte b), pues es posible disminuir el costo por reduccin si no se reducen totalmente las
actividades no crticas.
Solucin
a) Representando el proyecto mediante una red y usando los tiempos normales se calculan solo los tiempos ms tempranos
226

donde $,%, &, ', ( y ) son los arcos
y respectivamente.
Luego, el tiempo mnimo de terminacin del proyecto es
das.
b) Se calculan los tiempos ms tempranos y ms tardos usando los
tiempos reducidos:

Por lo tanto, el tiempo mnimo del proyecto usando todas los

tiempos reducidos es das.
La nica ruta crtica est formada por los nodos y , que
son los nodos extremos de las actividades crticas marcadas por .
El costo de reduccin es la suma de los productos del costo diario
por el nmero de das reducidos correspondiente a cada actividad:
227
Maynard Kong
FRVWR [[[[[[

c) Se calcula ahora el costo mnimo cuando el proyecto se termina
en el tiempo mnimo de das.
El costo obtenido en b) se hizo reduciendo totalmente los
tiempos de ejecucin de las actividades; por ejemplo, la actividad
$, o , se redujo de a das. Se puede disminuir el costo
determinando las actividades cuyos tiempos pueden aumentar
sin afectar el tiempo mnimo de terminacin del proyecto.
El tiempo de una actividad crtica no puede extenderse, pues de
hacerlo aumentara el tiempo mnimo del proyecto.

WLHPSRPtQLPR

Las actividades no crticas son las nicas cuyos tiempos pueden

aumentarse, y en este proyecto son:
% de a das, y con un costo unitario de ,
& de a das, y con un costo unitario de
y los aumentos deben ser tales que no excedan el tiempo de
das.
Se elige la actividad & por tener mayor costo unitario. Sea W el
tiempo en que puede aumentarse esta actividad, entonces se tiene
Wd,
y Wd,
en donde el trmino de la izquierda es el tiempo total de la ruta
que no debe exceder a .
228
Luego Wd y Wd,

y el mximo valor de Wes , con lo cual la actividad &se aumenta
en da, esto es, se realiza en das.

WLHPSRPtQLPR

A continuacin se considera la otra actividad no crtica ' .

Si Wes el tiempo de aumento
Wd
y Wd
R Wd y Wd,
el mayor valor es W , que es el tiempo de aumento, y por lo
tanto el tiempo de la actividad ' se extiende a , sin afectar el
tiempo mnimo.

WLHPSRPtQLPR
Ya no es posible obtener ms aumentos de los tiempos de las

actividades y se calcula el nuevo costo:
FRVWRPtQLPR
que resulta de restar al costo total los costos correspondientes a
los dos aumentos en los tiempos: para la actividad % y
para la actividad '.
229
Maynard Kong
Este costo tambin puede calcularse directamente a partir de los

tiempos normales y los tiempos empleados:
FRVWRPtQLPR
12x(3-2) 14x(4-3)

Aplicaciones de la programacin lineal a los proyectos
Los problemas de proyectos relacionados con tiempos mnimos y costos mnimos, cuando se reducen las actividades, pueden formularse
como problemas de programacin lineal y por lo tanto ser resueltos por
el mtodo del smplex.
Para ilustrar estas aplicaciones se considera otra vez el proyecto del
ejemplo 9.
Ejemplo 10 Sea el proyecto
7,(032
$&7,9,'$'
$
1250$/ 5('8&,'2

&58

%

&

'
(

)

con tiempos normales y reducidos y costo unitario por da reducido.

a) Determine el problema de programacin lineal para hallar el
tiempo mnimo del proyecto asumiendo tiempos normales.
b) Determine el problema de programacin lineal para hallar el
tiempo mnimo del proyecto asumiendo tiempos reducidos.
c) Este proyecto se completa en das empleando tiempos normales y en das si se aplican los tiempos reducidos. Formule el
230
problema de programacin lineal para obtener un costo mnimo

cuando el proyecto se completa en das.
Solucin
a)

SeaWL el tiempo de ocurrencia del nodoLL

Entonces, el problema del tiempo mnimo se formula como el
problema de programacin lineal
Minimizar tiempo W
sujeto a Wt
(nodo 2)
WtW (nodo 3)
WtW (nodo 4)
WtW (nodo 5)
WtW
WtW (nodo 6)
\ WLt
Nota
La resolucin de este problema, por el mtodo del smplex, da el tiempo
mnimo , y una solucin ptima es
W W W W \W
Comprese esta solucin con la obtenida en el ejemplo 9 usando los

tiempos ms tempranos y ms tardos.
b) Similarmente usando los tiempos reducidos
Minimizar tiempo
W
231
Maynard Kong
sujeto a Wt
WtW
WtW
WtW
WtW
WtW
\ WLt
(nodo 2)
(nodo 3) (o WWt)
(nodo 4) (o WWt)
(nodo 5) (o WWt)
(o WWt)
(nodo 6) (o WWt)
Nota
La resolucin de este problema, por el mtodo del smplex, da el tiempo
mnimo , y una solucin ptima es
W W W W \ W
c) Sea D el nmero de das que se reduce el tiempo normal 8 de la
actividad $, de modo que esta se ejecuta en 8-D das; similarmente, sean E,F, G, H y I para las otras actividades.
La red del proyecto es entonces

E

H
D

F
I
G

$

%

&

'
(

)

Sea WL el tiempo de ocurrencia del nodo LL
232
El problema es
Minimizar &RVWR DEFGFI
(nodo 2)
sujeto a WtD
WtWE (nodo 3)
WtWF (nodo 4)
WtWF (nodo 5)
WtWG
WtWI (nodo 6)
Wd
Dd
Ed
Fd
Gd
Hd
I d
(1)
y DEFGHI y WLt
Las restricciones expresan las condiciones de las ocurrencias
de los nodos; la restriccin indica que el nodo W debe ocurrir
en un tiempo no mayor que ; y las restricciones establecen
las cantidades mximas que pueden disminuirse los das de las
actividades, por ejemplo, la actividad $ puede reducirse hasta
das.
El costo mnimo resultante es y una solucin ptima es dada
por los tiempos W W W W W , y los nmeros de
das de reduccin son D E F G H \I respecto
de los tiempos normales.
Nota
El proyecto estudiado puede terminarse en das en condiciones normales y en das usando los tiempos reducidos. El costo (mnimo)
233
Maynard Kong
del proyecto debido a las reducciones de las actividades crece de a .
Usando el modelo de programacin lineal puede calcularse el costo del
proyecto en trminos del tiempo, y viceversa, cuando uno de ellos toma
un valor intermedio, por ejemplo:
1) hallar el costo si el tiempo del proyecto es das
o 2) determinar el tiempo del proyecto si se propone un costo de
En el primer caso es suficiente reemplazar por en la restriccin
2) del ejemplo 10 y resolver el problema. El costo resultante es .
Y en el segundo caso, el problema de programacin lineal es
Minimizar Tiempo W
sujeto a WtD
WtWE
WtWF
WtWH
WtWG
WtWI
Dd
Ed
Fd
Gd
Hd
I d
DEFGHI d

La restriccin (1) expresa la condicin de que el costo atribuido a las
reducciones no excede a 30.
Se obtiene el tiempo mnimo 17 das.
234

Problema 1
En la siguiente tabla se indican las relaciones de precedencia yduraciones de un proyecto compuesto por actividades:
$&7,9,'$'
35('(&(625(6
'85$&,1GtDV
&
'
%&

%&

'(
)*
a) Trace una red del proyecto.

b) Calcule los tiempos ms tempranos y ms tardos de los nodos.
c) Indique el tiempo mnimo de terminacin del proyecto y halle
las rutas crticas.
d) Determine las actividades no crticas y hasta cuntos das pueden retrasarse % sin exceder el tiempo mnimo del proyecto.
Respuesta
c) El tiempo mnimo es das. Hay dos rutas crticas:$&)+y
$&(*+
d) % y 'pueden retrasarse hasta y das, respectivamente.
Problema 2
El proyecto de construccin de una casa comprende el conjunto de
actividades que se listan en la siguiente tabla
235
Maynard Kong
$&7,9,'$'
'(6&5,3&,1
35('(&(625(6
$
%
&
'
(
)
&RQVWUXLUFLPLHQWRV
&RQVWUXLUSDUHGHV\WHFKRV
,QVWDODUFDEOHVHOpFWULFRV
,QVWDODUYHQWDQDV
3RQHUUHYHVWLPLHQWR
3LQWDUODFDVD

$
%
%
'
%(
'85$&,1
GtDV

a) Calcule el tiempo mnimo requerido para construir la casa.

b) Indique una ruta crtica.
Respuesta
a) das
b) $%'()
Problema 3
Los datos de un proyecto de actividades son
$&7,9,'$' 35('(&(625(6
$
%
&
'
(
)

$
$
%&
%
&
7,(032
(1'$6
&2672325
1250$/ 5('8&,'2 '$5('8&,'2

a) Trace el diagrama de red.

b) Halle el tiempo mnimo empleando tiempos normales.
c) Halle los tiempos ms tempranos y ms tardos, el tiempo
mnimo y una ruta crtica usando tiempos reducidos.
d) Para el tiempo mnimo hallado en c) determine el menor costo
por los das reducidos.
236
Respuesta
b) das
c) El tiempo mnimo es das y la ruta crtica es $%(.
d) El costo mnimo es y se obtiene ejecutando eny
das las actividades $%&' y (, respectivamente.
Problema 4
Se desea fabricar un producto que se compone de tres partes33y 3.
Se estima que el diseo de las partes requieresemanas y que la fabricacin de las partes se realiza en y semanas, respectivamente.
El proceso consiste de las siguientes etapas:
prueba de 3 que toma semanas
ensamblar 3 y 3 semana
aadir 3 a 3y 3, semanas
Cul es el tiempo mnimo de terminacin del proyecto? Indique
las actividades crticas.
Respuesta
El proyecto puede terminarse en semanas.
Las actividades crticas son: disear las partes, fabricar 3, ensamblar 3 y 3, y agregar 3.
Problema 5
La red de un proyecto de actividades es descrita por los siguientes datos:
$&7,9,'$'

'85$&,1

237
Maynard Kong
a) Calcule los tiempos ms tempranos y ms tardos.

b) La holgura total de una actividad o arco (i,j) de duracin t se
define por
+7LM 77M7(LW
WLHPSR WDUGtR GH M WLHPSR WHPSUDQR GH L
GXUDFLyQGHLM
y representa el tiempo que se puede retrasar el inicio de la actividad respecto del tiempo ms temprano sin prolongar el tiempo
mnimo del proyecto.
Calcule las holguras totales de las actividades.
Las actividades crticas son precisamente las que tiene holgura
total cero.
c) Tambin se define la holgura libre de LM mediante
+/LM 7(M7(LW
WLHPSRWHPSUDQRGHMWLHPSRWHPSUDQRGHL
GXUDFLyQGHLM
que representa el tiempo que se puede retrasar el inicio de la actividad sin retrasar las actividades siguientes, teniendo en cuenta
solo los tiempos ms tempranos.
Halle las holguras libres de las actividades.
Indicacin
Use la notacin grfica de los tiempos ms tempranos y ms tardos
77M
7(M
7(L
W
L o M
Respuesta
b) y c)
para la actividad
238
+7

+/

Problema 6
La red de un proyecto de actividades es descrita por los siguientes
datos
$&7,9,'$'

71

75

&1

&5

en donde 71 y 75 se refieren a los tiempos normal y reducido, en das,

y &1y &5 a los costos normal y reducido de cada actividad.
a) Determine el tiempo mnimo del proyecto aplicando tiempos
reducidos.
b) Para cada actividad halle el costo por cada da reducido
&'5
LQFUHPHQWR GH FRV WR
FDQWLGDG GH GtDV UHGXFLGRV
&5 &1
71 75
c) Halle el costo del proyecto (suma de los costos de todas las actividades) usando tiempos normales.
d) Halle el costo del proyecto usando tiempos reducidos y el costo
asociado a las reducciones de los das.
e) Calcule el costo mnimo del proyecto cuando se termina en el
tiempo mnimo obtenido en a).
239
Maynard Kong
Respuesta
a) 27 das
b) Algunos costos reducidos son:
$&7,9,'$'

&'5

c) y d) El proyecto cuesta usando tiempos normales y

empleando tiempos reducidos. El costo debido a las reducciones
es , la diferencia entre los dos costos anteriores.
e) El costo mnimo es.
Solo deben usarse los das reducidos de las actividades crticas
y
240
ndice alfabtico
D
F
actividad crtica
algoritmo de cota y ramificacin
algoritmo de Ford-Fulkerson
algoritmo de Munkres
225
200
208
186
clculo de costos reducidos usando variables duales u-v

cambio de variable bsica
ciclos en el problema del transporte
convergencia del algoritmo del smplex
criterio de divergencia
criterio de la razn mnima
criterio de mximo
criterio de mnimo
164
63
168
83
59
61
66
67
Dantzig, George
42
forma estndar del problema de programacin lineal

forma tabular del problema estndar
funcin lineal
funcin objetivo
41
64
32
12
Maynard Kong
mtodo de la celda de costo mnimo

mtodo de la esquina noroeste
mtodo de las dos fases
mtodo de perturbacin
mtodo del smplex
mtodo del smplex simplificado (problema de transporte)
mtodo hngaro
modelo de programacin matemtica
161
171
76
83
42
156
181
19
problema de asignacin
problema de la dieta
problema de mezcla
problema de optimizacin
problema de programacin lineal
problema de transporte balanceado
problema del corte mnimo
problema dual
problema primal
programa matemtico
propiedad de corte mnimo
propiedad de holgura complementaria
proyecto
181
23
13
12
31
155
26
95
95
17
208
134
216
red o grafo dirigido

regin de factibilidad
regla de Blands
resolucin geomtrica de problemas con dos variables
ruta crtica
rutas en una red
197
17
83
34
225
199
solucin factible
solucin ptima del problema dual de maximizacin
soluciones bsicas factibles
32
108
48
242
ndice alfabtico
tcnica M
tiempo mnimo de un proyecto
tiempos ms tardos
tiempos ms tempranos
tiempos normales
tiempos reducidos
73
226
220
220
226
226
valor mximo
valor mnimo
valor optimo
variables artificiales
variables bsicas
variables de decisin
vector dual de una solucin bsica factible
vector dual y valores marginales
12
12
12
73
48
20
114
133
243
Se termin de imprimir en
los talleres grficos de
Tarea Asociacin Grfica Educativa
Psje. Mara Auxiliadora 156, Brea
Correo e.: tareagrafica@terra.com.pe
Telfono: 332-3229 Fax: 424-1582
Se utilizaron caracteres
Adobe Garamond Pro en 11 puntos
para el cuerpo del texto
abril 2010 Lima Per
ste libro es un texto de nivel intermedio en la investigacin de

operaciones y de los mtodos cuantitativos en los negocios, dirigido
a estudiantes de ingeniera industrial e informtica, matemticas,
economa y ciencias de la administracin.
Investigacin de operaciones desarrolla los conceptos y aplicaciones
de los denominados modelos determinsticos que no dependen
de condiciones aleatorias o estimaciones probabilsticas de la
investigacin de operaciones y comprende los temas de programacin
lineal, problemas de transporte y anlisis de redes.
Asimismo, el libro expone numerosos ejemplos de manera detallada y
completa e incluye un buen nmero de problemas con sus respectivas
respuestas e indicaciones para su resolucin.

InvestigaciÃ N de Operaciones Programaciã N Lineal. Problemas de

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

InvestigaciÃ N de Operaciones Programaciã N Lineal. Problemas de

Hochgeladen von

Copyright:

Verfügbare Formate

0$<1$5'.

Captulo 2. Introduccin a la Programacin Lineal

Captulo 3. El mtodo del smplex

3.4. Problema de minimizacin

Captulo 4. Mtodo del smplex: variables artificiales.

Captulo 5. Problema dual

Captulo . Anlisis de sensibilidad post ptimo

Captulo 7. Problemas de transporte y asignacin

Captulo . Anlisis de redes

En este captulo se introducen los conceptos bsicos de la investigacin

1.2 Problema de optimizacin

I [ dI [ para todo [ de ;

y para el caso de mnimo: un [1 de ;que cumpla

1.3 Propiedades y ejemplos

3) 0LQ EI [ E0D[I [ Ees una constante negativa

2) la cantidad de toronja al menos es de un litro: Wt

Finalmente, el problema de optimizacin es

Observamos que Q, Wy P son menores o iguales a 

Cmo se deben hacer las asignaciones de las tareas de manera que

en donde cada columna indica la forma de asignar las tareas a las

1.4 Programacin matemtica

en donde I [[Q  J [[Q JQ [[Q  son funciones

En este caso: ] I [\ [\ J [\ [\, el signo es d y

Sea Y un valor dado y consideremos la recta /YY [\

DE , de donde D 

Por tanto, la solucin ptima es   y el valor ptimo es

1.5 Modelo de programacin matemtica

A partir de la definicin o enunciado del problema, los pasos que

  

nmero de empleados que empiezan a las  horas (primer

Entonces Q total de empleados requeridos [[[y las

1.6 Problemas resueltos

] \[  [ [ [

Falta determinar el conjunto de valores de [:

Problema 3. Problema de la dieta

Formule el modelo de programacin matemtica para obtener una

Similarmente, se establecen las restricciones para los carbohidratos

y es obvio que todas las variables han de ser no negativas.

Los depsitos deben hacerse en cantidades mltiplos de  y se

9   9   9  

Por tanto, el modelo requerido es

    calculamos el valor mximo de la

* DE , por ejemplo, si D , 8  ,

La ganancia mxima es  en miles, o , y se obtiene en D 

y las cantidades disponibles en $ y % son  y , respectivamente,

y para los locales

siendo el costo de envo & DDEE

  , que nos indica tres cortes de  sin sobrante

Si D y D son las longitudes de los cortes de $, para cada caso, la

  cuatro cortes de  y sobra 

de donde, designando por E y E las longitudes de los cortes en ambos

DDEEt, para la clase 1

Finalmente, el modelo requerido es

Si S y T los nmeros de veces que se ejecutan los procesos 3 y 4,

Por lo tanto, el modelo del problema es

2.1 Formulacin del problema de Programacin Lineal

Un problema de programacin lineal (PPL) tiene la forma:

en donde [[[Q son variables,

F1, F2, ..., FQ, D11, D12, ..., Dm1, ...,Dmn,

y en cada condicin se asume uno de los signos d o t.

Captulo 2. Introduccin a la Programacin Lineal

[ [ W[ [  cualquierWt,

se comprueba que estas son soluciones factibles (cumplen todas las

I[dI[para todo [ de ;

3) 0LQEI[ E0D[I[Ees una constante negativa

2) la cantidad de toronja al menos es de un litro: Wt

Observamos que Q, Wy P son menores o iguales a

en donde I[[Q J[[QJQ[[Q son funciones

En este caso: ] I[\ [\ J[\ [\, el signo es d y

Sea Y un valor dado y consideremos la recta /YY [\

DE , de donde D

Por tanto, la solucin ptima es y el valor ptimo es

nmero de empleados que empiezan a las horas (primer

Entonces Q total de empleados requeridos [[[y las

] \[ [[ [

Los depsitos deben hacerse en cantidades mltiplos de y se

9 9 9

calculamos el valor mximo de la

*DE, por ejemplo, si D , 8 ,

La ganancia mxima es en miles, o , y se obtiene en D

y las cantidades disponibles en $ y % son y , respectivamente,

siendo el costo de envo & DDEE

, que nos indica tres cortes de sin sobrante

Si D y D son las longitudes de los cortes de $, para cada caso, la

cuatro cortes de y sobra

de donde, designando por E y E las longitudes de los cortes en ambos

DDEEt, para la clase 1

en donde [[[Q son variables,

y en cada condicin se asume uno de los signos d o t.

[ [ W[ [ cualquierWt,

A continuacin se analiza cmo vara la funcin objetivo ] [\

de donde ]PD[ en [ , \ , y ]PLQ en [ , \

Luego, reemplazando la variable irrestricta Z por Z Z1 Z2 en la

D[D[ DQ[Q E

o (2) se suma, o resta, G veces una ecuacin a otra, ya que,cuandoLM

[XY R [XY

\XY R \XY

[ E[P EP[P [Q

[ [ [ [

[ [ [ [

[ [ [ [

para cualquier Wt.

divergencia pues no son d los elementos de la columna de la variable

y expresando la tabla respecto de las variables bsicas X\

dividiendo entre la fila , y anulando los otros elementos de la columna

Adems, el valor de ] en la nueva solucin bsica factible es ]F

la fila de costos corresponde a los coeficientes de la funcin ]