Investigacion de Operaciones

UNIVERSIDAD JOSE CARLOS MARIATEGUI
INVESTIGACION DE OPERACIONES
CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA
ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA
-1-
INDICE
I. LA INVESTIGACION DE OPERACIONES, USO DE MODELOS
Y METODOS E OPTIMIZACION
I.1 Introduccin a la Investigacin de Operaciones 4

I.2 Tipos de Modelos de Investigcin de Operaciones..6
II. PROGRAMACION LINEAL

II.1. Introduccin a la Programacin Lineal.............27
III. EL METODO SIMPLEX

III.1 Mtodo Simples de dos Fases.......50
III.2 Definicin del Problema Dual..................................................53
III.3 Anlisis de Sensibilidad57
IV. MODELO DE TRANSPORTE

IV.1 Modelos Balanceados y no Balanceados..62
V. EL PROBLEMA E ASIGNACION
V.1 Formulacin de Programacin lineal.....68
V.2 Algoritmo Hngaro....70
V.3 Programacin Binaria en el problema de asignacin.....72
VI. PROGRAMACIN ENTERA

VI.1. Ramificacin y Acotamiento con Solver.75
VI.2. Ejemplo de Ramificacin y acotamiento....76
VI.3. rbol de solucin....78
VII. TEORIA DE DECISIONES

-2-
VII.1. Introduccin a la Teora de Decisiones.80

VII.2 Fases en el enfoque de la T.O...80
VII.3 Disponibilidad de Informacin Imperfecta...81
VII.4 Decisiones con Riesgo......82
VII.5 Caso de Estudio: El Vendedor de peridicos...83
VII.6 El criterio d e valor esperado85
VII.7 Caso de Estudio: Venta de Fresas.85
VII.8 Artculos que tienen Valor de Salvamento88
VII.9 Datos experimentales en decisiones con riesgo...89
VII.10 Decisiones bajo Incertidumbre.91
VII.11 rboles de Decisin.....96
VIII. SISTEMAS DE INVENTARIOS

VIII.1 Introduccin...100
VIII.2 Tcnica ABC...........................101
VIII.3 Modelo d e Inventario generalizado...103
VIII.4 Modelos deterministas....106
VIII.5 Modelos Probabilsticas..110
IX. PROYECTOS CON PERT_CPM

IX.1Caso de Estudio: Construccin de un Complejo deportivo...124
X. BIBLIOGRAFA
X.1 Modelos deterministas....130
-3-
I.
LA INVESTIGACIN DE OPERACIONES, USO DE

MODELOS Y METODOS DE OPTIMIZACION
I.1 INTRODUCCION A LA INVESTIGACIN DE OPERACIONES
1. Un poco de Historia
Se inicia desde la revolucin industrial, en los libros se dice que fue a
partir de la segunda Guerra Mundial. La investigacin de operaciones se
aplica a casi todos los problemas. En 1947, en EE.UU., George Datzing
encuentra el mtodo simplex para el problema de programacin lineal.
En la investigacin de operaciones, las computadoras son la herramienta
fundamental en la investigacin de operaciones.
2. Definicin
La Investigacin de Operaciones, es la aplicacin del mtodo cientfico
por un grupo multidisciplinario de personas a un problema,
principalmente relacionado con la distribucin eficaz de recursos
limitados (dinero, materia prima, mano de obra, energa), que
apoyados con el enfoque de sistemas (este enfoque, es aquel en el que
un grupo de personas con distintas reas de conocimiento, discuten
sobre la manera de resolver un problema en grupo.). Puede considerarse
tanto un arte como una ciencia. Como arte refleja los conceptos
eficiente y limitado de un modelo matemtico definido para una
situacin dada. Como ciencia comprende la deduccin de mtodos de
clculo para resolver los modelos.
-4-
2.1 Pasos del Mtodo cientfico en IO

Definicin del problema.- Desde el punto de vista de la
Investigacin de operaciones (IO), esto indica tres aspectos
principales:
a) Una descripcin de la meta o el objetivo del estudio
b) Una Identificacin de las alternativas de decisin
C) Un reconocimiento de las limitaciones, restricciones y
requisitos del sistema
Construccin del Modelo._Dependiendo de de la definicin del
problema, el equipo de investigacin de operaciones deber
decidir sobre el modelo mas adecuado para representar el sistema
(modelo matemtico, modelo de simulacin; combinacin de
modelos matemticos, de simulacin y heursticos)
Solucin del Modelo.- En modelos matemticos estos e logra
usando tcnicas de optimizacin bien definidas y se dice que el
modelo proporciona una solucin optima. Si se usan los modelos
de simulacin o heursticos el concepto de optimalidad no esta
bien definido, y la solucin en estos casos se emplea para obtener
evaluaciones aproximadas de las medidas del sistema
Validacin del Modelo.- Un modelo es valido si,
independientemente de sus inexactitudes al representar el sistema,
puede dar una prediccin confiable del funcionamiento del sistema
Implantacin de los resultados Finales.-La tarea de aplicar los
resultados probados del sistema recae principalmente en los
investigadores de operaciones. Esto bsicamente implicara la
traduccin de estos resultados en instrucciones de operacin
detallada, emitidas en una forma comprensible a los individuos
que administraran y operaran el sistema despus. La interaccin
del equipo de investigacin de operaciones y el personal de
operacin llegara a su mximo en esta fase.
-5-
I.2 TIPOS DE MODELOS DE INVESTIGACION DE OPERACIONES

Un modelo es una representacin ideal de un sistema y la forma en que este
opera. El objetivo es analizar el comportamiento del sistema o bien predecir su
comportamiento futuro. Obviamente los modelos no son tan complejos como
el sistema mismo, de tal manera que se hacen las suposiciones y restricciones
necesarias para representar las porciones ms relevantes del mismo.
Claramente no habra ventaja alguna de utilizar modelos si estos no
simplificaran la situacin real. En muchos casos podemos utilizar modelos
matemticos que, mediante letras, nmeros y operaciones, representan
variables, magnitudes y sus relaciones.
Fig.1.2: Representacin de un modelo
1. Modelos Matemticos
Un modelo es producto de una abstraccin de un sistema real: eliminando las
complejidades y haciendo suposiciones pertinentes, se aplica una tcnica
matemtica y se obtiene una representacin simblica del mismo. Un modelo
matemtico consta al menos de tres conjuntos bsicos de elementos:
Variables de decisin y parmetros
Las variables de decisin son incgnitas que deben ser determinadas a

partir de la solucin del modelo. Los parmetros representan los valores
conocidos del sistema o bien que se pueden controlar.
-6-
Restricciones
Las restricciones son relaciones entre las variables de decisin y

magnitudes que dan sentido a la solucin del problema y las acotan a
valores factibles. Por ejemplo si una de las variables de decisin
representa el nmero de empleados de un taller, es evidente que el valor
de esa variable no puede ser negativo.
Funcin Objetivo
La funcin objetivo es una relacin matemtica entre las variables de

decisin, parmetros y una magnitud que representa el objetivo o
producto del sistema. Por ejemplo si el objetivo del sistema es
minimizar los costos de operacin, la funcin objetivo debe expresar la
relacin entre el costo y las variables de decisin. La solucin PTIMA
se obtiene cuando el valor del costo sea mnimo para un conjunto de
valores factibles de las variables. Es decir hay que determinar las
variables x1, x2,..., xn que optimicen el valor de Z = f(x1, x2,..., xn)
sujeto a restricciones de la forma g(x1, x2,..., xn) b. Donde x1, x2,...,
xn son las variables de decisin Z es la funcin objetivo, f es una
funcin matemtica.
EJEMPLO 1.2.1: Sean X1 y X2 la cantidad a producirse de dos
productos 1 y 2, los parmetros son los costos de produccin de ambos
productos, $3 para el producto 1 y $5 para el producto 2. Si el tiempo
total de produccin esta restringido a 500 horas y el tiempo de
produccin es de 8 horas por unidad para el producto 1 y de 7 horas por
unidad para el producto 2, entonces podemos representar el modelo
como:
MinZ = 3X1 + 5X2
(Costo total de Produccin)
Sujeto a (S.A):
8X1 + 7X2 500
X1, X2>= 0
(Tiempo total de produccin)

(Restricciones de no negatividad)
-7-
EJEMPLO 1.2.2: En una empresa se fabrican dos productos, cada

producto debe pasar por una mquina de ensamblaje A y otra de
terminado B,antes antes de salir a la venta.El producto 1 se vende a $60
y el otro a $50 por unidad. La siguiente tabla muestra el tiempo
requerido por cada producto:
Producto
Maquina A
Maquina B
2H
3H
4H
2H
Total disponible
48 H
36 H
Para representar el modelo de este problema primero se debe

determinar
las variables de decisin: Sea Xi: La cantidad a fabricar
del producto 1 y 2 (i=1,2), entonces X1: cantidad a fabricar del producto
1, X2: cantidad a fabricar del producto2, luego el modelo quedara de la
siguiente manera:
MaxZ = 60X1+ 50X2
(mximo ingreso por ventas)
S.A: 2X1+ 4X2 <= 48 (disponibilidad horas _maquina A)

3X1+ 2X2 <= 36 (disponibilidad horas _maquina B)
X1, X2 >= 0
(Restricciones de no negatividad)
-8-
PROBLEMAS PROPUESTOS
TEMA: Formulacin de Programas Lineales
1) Para una cafetera que trabaja 24 horas se requiere las siguientes Meseras.
Horas del da
2-6
6-10
10-14
14-18
18-22
22-2
Numero mnimo de
meseras
4
8
10
7
12
4
Cada mesera trabaja 8 horas consecutivas por da. El objetivo es encontrar el

nmero ms pequeo requerido para cumplir los requisitos anteriores. Formule
el problema como un modelo de Programacin Lineal
Solucin
min. Z = X1+X2 + X3 + X4 + X5 + X6
S. a:
X1 + X 6 4
X1 + X 2 8
X 2 + X 3 10
X3+ X4 7
X 4 + X 5 12
X5+ X6 4
Xi 0
i = 1,6
2) Considere una compaa que debe elaborar dos productos en determinado

periodo(un trimestre ) la compaa puede pagar por materiales y mano de
obra, con dinero obtenido de dos fuentes :fondos de la compaa (propios)
y prestamos .La compaa enfrenta 3 decisiones:
a. Cuantas unidades debe producir el producto 1
b. Cuantas unidades debe producir el producto 2
c. Cuanto dinero debe obtener prestado para apoyar la produccin de los dos
modelos.
-9-
Solucin
X1 = Producto N 1
X2 = Producto N 2
Producto N 1
Utilidad = precio de venta costo
Utilidad= 14-10
Utilidad =
4
Producto N 2
Utilidad = precio de venta costo
Utilidad =11 -8
Utilidad = 3
Mx. Z = 4X1 + 3X2 5% X3
4X1 + 3X2 0.05 X3
S. a:
Departamento A, B, C.
0.5 X 1 + 0.3 X 2 500

0.3 X 1 + 0.4 X 2 400
0.2 X 1 + 0.1X 2 200
10 X 1 + 8 X 2 30000 + X 3
X 3 20000
3) Un agricultor requiere cultivar maz trigo en un terreno de 70 hectreas,
sabe que una hectrea puede rendir 30 quintales de maz a 25 quintales de
trigo cada hectrea, requiere un capital de S. 30 si se cultiva con maz y de
S. 40 si se cultiva con trigo, el capital total disponible es de S. 2500, las
necesidades de agua de riego son de 900 m 3 Ha de maz y de 650 m 3 Ha de
maz y trigo respectivamente en noviembre. La disponibilidad de agua en
octubre es de 57000 m 3 y en noviembre de 115200 m 3 , si los beneficios por
venta de maz y del trigo son S.4.50 y S. 6 por quintal respectivamente para
obtener el beneficio mximo.
- 10 -
Producto
Capital X Ha
Agua Octubre
Agua Noviembre
Beneficio
Maz
30
900
1200
4.50
Trigo
40
650
850
6.0
Disponibilidad
2500
57000
115200
Solucin
X1 = Nro quintales de maz
X2 = Nro quintales de trigo
Mx. Z = 4.5X1+ 6X2
S. a:
X 1 + X 2 70
30 X 1 + 40 X 2 2500
(capital x Ha)
9000 X 1 + 6500 X 2 5700 (agua / Ha octubre)
12000 X 1 + 850 X 2 11500 (agua / Ha noviembre)
Xi 0
i =1,2
4) Un barco tiene tres bodegas en la proa, en la playa y en el centro. Las

capacidades limites son:
Bodega
Proa
Popa
Centro
Tonelaje
2000
1500
3000
Pies Cbicos
100000
30000
135000
Se ha recibido las siguientes ofertas de carga, las que se pueden aceptar total
o parcialmente.
Carga
A
B
C
Cantidad (Ton)
6000
4500
2000
Pies cbicos por

tonelada
60
50
25
Ganancia(S/./Ton)
6
8
9
Como se puede distribuir la carga para maximizar la ganancia, si la

preservacin del equilibrio obliga a que el peso de cada bodega sea
proporcional a las capacidades de toneladas.
- 11 -
Solucin
El problema consiste en distribucin los artculos en los 3 bodegas es decir: se
trata determinar que fraccin de cada articulo ira en cada bodega.
X1 = A
X2 = B
X3 = C
Mx. Z = 6(X1+ X2 + X3) + 8(X4 + X5 + X6) + 9(X7 + X8 + X9)
S. a:
Capacidad en bodega
X 1 + X 4 + X 7 2000
X 2 + X 5 + X 8 3000
X 3 + X 6 + X 9 1500
Condiciones de carga transportada de artculo
X 1 + X 2 + X 3 6000
X 4 + X 5 + X 6 4000
X 7 + X 8 + X 9 2000
Conduccin del volumen en las bodegas

60 X 1 + 50 X 4 + 25 X 2 100000
60 X 2 + 50 x5 + 25 X 8 13500
60 X 1 + 50 X 6 + 25 X 9 30000
Condicin de proporcional
X1+X4+X7
2000
X2+X5+X8
3000
X3+X6+X9
1500
sea:
3 (X1+X4+X7) 2(X2+X3+X8) = 0
Xi 0
i = 1, 9
- 12 -
Bodega
1
articulo
A
B
C
Peso
Tonel
Proa
Centro
Popa
Peso
Ton
Pros
Ton
Beneficios
Ton
X1
X4
X7
2000
100000
X2
X3
X8
3000
135000
X3
X6
X9
1500
30000
6000
4000
2000
60
50
25
6
8
9
5) Se hace un pedido a una papelera de 800 rollos de papel corrugado de 30

pulgadas de ancho, 500 rollos de 45 pulgadas de ancho y 1000 y de 50
pulgadas. Si la papelera tiene solamente rollos de 108 pulgadas de ancho
Cmo deben cortarse los rollos para surtir el pedido con el mnimo
desperdicio de papel, sabiendo que el mximo desperdicio aceptable de
papel por rollo es de 22 pulgadas?
Solucin
X1 = N de rollos cortados de diferentes maneras i =1, 5
Las posibilidades lgicas de corte son:
MCD (30, 45, 50) = 5
30
45
30
Min.
X1
3
0
0
18
X2
2
1
0
3
X3
0
0
2
8
X4
0
2
0
18
X5
0
1
1
13
800
500
1000
Z = 18X1 + 3X2 + 8X3 +18X4 + 13X5
S. a:
3 X 1 + 2 X 2 = 800
X 2 + 2 X 4 + X 5 = 500
2 X 3 + X 5 = 1000
6) Una lnea Area esta considerando la probabilidad de adquirir aviones de
pasajeros en el mercado mundial: USA. Inglaterra o Rusia.
- 13 -
El costo del avin (USA) A es de s, 6.7 millones de dlares, (ingles) B. En

85 millones y el avin (Ruso) C. De S. 3.5 millones. El directorio de dicha
empresa ha autorizado la compra de aviones por valor de 150 millones.
Los economistas de la lnea rea han Calculado de que cualquiera sea el
tipo A de mayor capacidad proporcionara una utilidad neta de S. 300000 y
el Avin C una utilidad de S. 230000 males.
Por otro lado se conoce que la fuerza area peruana solo le podra
proporcionar 30 pilotos debidamente entrenados. Si solo se adquiriesen los
aviones ms pequeos, los servicios de reparacin y servicios con que
cuenta la lnea area solamente podrn mantener en operacin un mximo
de 40 unidades. Adems se que mantener un avin B requiere 1 1 3 ms
avin C y que le Avin A requiere 1 2 3 mas que el C.
Solucin
X1 = Avin A USA
X2 = Avin B Ingles
X3 = Avin C Ruso
Mx. Z = 4200 X1 + 300000 X2 + 230000 X3
S. a:
6.7 X 1 + 5 X 2 + 3.5 X 3 150

X 1 + X 2 + X 3 30
8
7
X 1 + X 2 + X 3 40
3
3
Xi 0
i = 1, 3
7) Una compaa de artculos electrnicos produce 3 lneas de productos que

son: Transistores, micromdulos y circuitos armados y el centro de
produccin tiene 4 reas de proceso:
rea 1
rea 2
rea 3
rea 4
Producciones de transistores
Armadura de circuitos
Control de transistores
prueba de circuitos y embalaje
La produccin de transistor requiere:

0.1 Horas Hombre en rea 1
S. 70.0 en costos directos
- 14 -
La construccin de un micromdulo requiere:

0.4 Horas - Hombre en rea 2
3.0 Transistores
S/. 50.0 en costos directos.
La produccin de un circuito armado requiere:
0.5 Horas - Hombre en rea 4
1.0 Transitor
3.0 micromdulos
S. 200.0 En costos directos
Cada uno de los tres productores se puede vender a 200, 800 y 2500 soles
respectivamente (transistores, micromdulos y circuitos armados) La cantidad de
venta es limitada: si hay 200 horas Hombre disponible en cada de trabajo.
Formule el programa lineal para obtener una mxima ganancia.
Solucin
Transistores
micromdulos
0.1
0.3
0.4
0.5
rea 1
rea 2
rea 3
rea 4
0.5
Circuitos
armados
1.0
1.3
6.5
0.5
Horas de
trabajo
200
200
200
200
X1 = N de transistores a producir
X2 = N de micromdulos a producir
X3 = N de circuitos armados a producir
Mx. Z = 130X1 + 750 X2 + 2430 X3
S. a:
0.1X 1 + 0.5 X 2 200
0.4 X 1 + 0.5 X 2 + 3 X 3 200
rea 1:
Utilidad = venta costo
Utilidad = 200 70
Utilidad = 130
Mx.
Z = (200 70) X1 + (800 3* 70 50) X2 + (2500 1* 70

3(3*70+50) 200) X3.
- 15 -
rea 2:
Utilidad = 800 50
Utilidad = 750
Mx.
Z = 130X1 + 540X2 + 1450X3
S. a:
0.1X 1 + 0.3 X + X 3 200
0.4 X 2 + 1.3 X 3 200
rea 3:
Utilidad = 2500-200
Utilidad = 24800
S. a:
0.5 X 1 + 2 X 2 + 6.5 X 3 200

0.5 X 3 200
Xi 0
i =1, 3
8) Un vendedor tiene a su cago 2 productos A y B. Desea establecer un

programa de llamadas para los meses siguientes. El espera ser capaz de
vender a lo ms 20 unidades del producto A y a lo menos 78 unidades del
producto B. El debe vender a menos 48 unidades del producto B para
satisfacer su cuota minima de ventas, el recibe una comisin de 10% sobre
la venta total que realiza. Pero el debe pagar sus propios costos (Que son
estimados en 30 soles por hora en hacer llamadas) de su comisin. El est
dispuesto a emplear no ms de 160 horas por mes en llamar a sus clientes.
Los siguientes datos estn disponibles.
Producto
Precio venta
soles unid.
A
B
3000
1400
Tiempo
Empleado hora
llamada
3
1
Probabilidad de
una venta en
llamada
0.5
0.6
- 16 -
Solucin
Formule el problema de manera tal que maximic la cantidad de ganancia que
espera el vendedor
X1 = N de unidades de producto A
X2 = N de unidades del producto B
Ganancia = venta costo
Costo de llamada del producto A
Gastos propios / horas en llamada = 30
Tiempo empleado hora / llamada = 3
Probabilidad de una venta en llamada = 0.5
Mx.
Z = (1 [(3000) (0.5) X1 + 1400 (0.6) X2] 30 (3X + X2))
S. a:
Cantidad de producto A x B vendidos
0.5 X 1 20
46 0.60 X 2 78
Tiempo empleado en hacer llamadas

3 X 1 + X 2 160
X 1, X 2 0
9) Un Contratista esta considerando una propuesta para la pavimentacin de

un camino. Las especificaciones requieren un espesor mnimo de 12 y un
mximo de 48 El camino debe ser pavimentado en concreto, asfaltado o
gravilla, o cualquier combinacin de los tres.
Sin embargo, las especificaciones requieren una consistencia final igual o
mayor que la correspondencia a una superficie de concreto de 9 de
espesor. El contratista ha determinado que 3 de su asfalto son tan
resistentes como 1 de concreto y 6 de gravilla on tan resistentes como 1 de
concreto. Cada pulgada de espesor por yarda cuadrada de concreto le
cuesta S . 1000, el asfaltado S/. 38000 y la gravilla S/. 1500 determine la
combinacin de materiales que el deberia usar para minimizar su costo.
Solucin
X1: N de pulgadas de espesor de concreto
X2: N de pulgadas de espesor de asfalto
X3: N de pulgadas de espesor de gravilla
- 17 -
Min.
S. a:
Z = 1000 X1 + 3800 X2 + 1500

X 1 + X 2 + X 3 12
X 1 + X 2 + X 3 48
X2 X3
X1 +
+
9
3
6
Xi 0
i = 1, 3
10) La CIA Minas Universal opera tres minas en West Virginia el mineral de cada
una se separa, antes de embarcarse, en dos grados. La capacidad diaria de
produccin de las minas as como sus costos diarios de operacin son los
siguientes:
Mineral de grado
alto ton/da
Mina I
Mina II
Mina III
4
6
1
Mineral de
grado bajo
ton/da
4
4
6
Costo de
operacin
$1000/da
20
22
18
La universal se comprometi a entregar 54 toneladas de mineral de grado

alto y 65 toneladas de mineral de grado bajo para fines de la semana
siguiente. Adems, tiene contratos de trabajo que garantizan a los
trabajadores de ambas minas el pago del da completo por cada da o
fraccin de da que la mina esta abierta. Determnese el nmero de das que
cada mina debera operar durante la siguiente semana, si Minas Universal ha
de cumplir su compromiso a un costo total mnimo.
Solucin
Min. Z = 20 X1 + 22 X2 + 16 X3
La demanda de mineral de grado alto es:
4 X1 + 6 X2 + X3 54
La demanda de mineral de grado bajo es:
4 X1 + 4 X2 + 6X3 65
Como la mina no puede operar con un nmero negativo de das.
Xi 0 i = 1,3
- 18 -
Como ninguna mina puede operar ms de 7 das a la semana

Xi 7 i = 1,3
Min.
S. a:
Z = 20X1 + 22X2 + 18X3

4 X 1 + 6 X 2 + X 3 54
4 X 1 + 4 X 2 + 6 X 3 65
X1 7
X2 7
X3 7
Xi 0
i = 1, 4
11) Un fabricante est iniciando la ltima semana de produccin de cuatro

modelos diferentes de consolas de madera para televisores, clasificados
como I, II, III y IV cada uno de los cuales debe ensamblarse y despus
decorarse. Los modelos requieres 4, 5, 3 y 5 horas, respectivamente para el
decorado. Las siguientes ganancias por modelo son, respectivamente $7, $7,
$6, $9. El fabricante tiene 30000 h disponibles para ensamblar estos
productos (750 ensambladores trabajando 40 h semana) y 20000 h
disponibles para decorar (500 decoradores trabajando 40 h semana)
Cuntas unidades de cada modelo debe producir el fabricante durante esta
semana para maximizar la ganancia? Considrese que todas las unidades
pueden venderse.
Solucin
X1: N de consolas modelo I a producir a la semana
X2: N de consolas modelo II a producir a la semana
X3: N de consolas modelo III a producir a la semana
X4: N de consolas modelo IV a producir a la semana
Mx. Z = 7X1 + 7X2 + 6X3 + 9X4
S. a:
4 X 1 + 5 X 2 + 3 X 3 + 5 X 4 30000
2 X 1 + 15 X 2 + 3 X 3 + 3 X 4 20000
Xi 0
i = 1, 4
- 19 -
12) La refinera Azteca produce 2 tipos de gasolina sin plomo, regular y extra, los
cuales vende a su cadena de estaciones de servicio en $12 u $14 por barril,
respectivamente. Ambos se preparan del inventario de la Azteca de petrleo
nacional refinado y de petrleo importado refinado y deben cumplir con las
siguientes especificaciones:
Regular
Extra
Presin
mxima de
vapor
23
23
Octanaje
mnimo
88
93
Demanda
mxima
barriles/semana
100000
200000
Entregas
mnimas
barriles/semana
50000
5000
Las caractersticas del inventario de petrleos refinados son las siguientes:

Presin de
vapor
Nacional
25
Importado
15
Octanaje
87
98
Inventario
barriles
40000
60000
Costo $
barriles
8
15
Qu cantidades de los 2 petrleos (nacional e importado) deber mezclar la

azteca en ambos gasolineras a fin de maximizar la ganancia semanal?
Solucin
X1: barriles de petrleo nacional
X2: barriles de petrleo importado
X3: barriles de petrleo nacional
X4: barriles de petrleo importado
Se producir una cantidad X1 + X2 de gas y generara un ingreso de 12(X1 + X2);
Se producir una cantidad X3 + X4 de extra generara un ingreso de 14(X3 + X4);
Se alzara una cantidad X1 + X3 de petrleo nos da un costo de 8(X1 + X3);
Se alzara una cantidad X2 + X4 de importado, a un costo de 15(X2 + X4);
La ganancia total Z, es el ingreso menos el costo:
Mx. Z = 12(X1 + X2) + 14(X3 + X4) + 8(X1 + X3) 15(X2 + X4)
Mx. Z = 4X1 3X2 + 6X8 X4
Hay limitaciones de impuestos a la produccin por la demanda, la disponibilidad
de suministro y las especificaciones de la mezcla se tienen de las demandas.
- 20 -
X 3 + X 4 100000
( demanda max ima de extra)
X 1 + X 2 50000
(Re querimiento max imo regulador )
X 3 + X 4 5000
(Re querimiento min imo de extra )
De la disponibilidad
X 1 + X 3 40000
(nacional )
X 2 + X 4 60000
( importado)
Los componentes de una mezcla contribuye octanaje general, segn sus

porcentajes por peso; al mismo para la presin de vapor, el octanaje se la regular
asi:
87
X1
X
+ 98
X1 + X 2
X1 + X 2
Y el requerimiento de que este sea de por lo menos 88.

13) Una excursionista planea salir de campamento, hay 5 artculos que desea
llevar consigo pero entre todos sobrepasan las 60 lb que considera que
puede cargar. Para auxiliarse en la seleccin, ha asignado un valor a cada
artculo en orden ascendente de importancia:
Artculo
1
2
3
4
5
Peso lb
52
23 35 15
7
Valor
100 60 70 15 15
El periodo 1 sigue inmediatamente a continuacin del periodo 6. Un cajero
trabaja 8 horas consecutivas, empezando al inicio de unos de los 6 periodos.
Determnese que grupo de empleados satisface las necesidades con el
mnimo de personal
Solucin
X1 = cantidad de Peso en Lb del articulo 1
Mx. Z = 100X1 + 60X2 + 70X3 + 15X4 + 15X5
S. a:
- 21 -
52 X 1 + 23 X 2 + 35 X 3 + 15 X 4 + 7 X 5 60
X1 1
X2 1
X3 1
X4 1
X5 1
Xi 0
i =1 5
14) Una tienda de quesos tiene 20 lb de una mezcla de frutas de estacin y 60 lb

de un queso caro, de los cuales se preparan dos tipos de queso para untar,
fino y normal, que son populares durante la semana de navidad. Cada libra
del queso fino para untar se compone de 0.2 lb de la mezcla de frutas, 0.3 lb
del queso caro y 0.5 lb del queso de relleno, que es barato y del cual se tiene
abundante reserva. Debido a las polticas de precios empleadas en el pasado
por la tienda, se sabe que la demanda para cada tipo de queso para untar
depende de si precio de la siguiente forma:
D1 = 190 25P1 y D2 = 250 50P2
Donde D denota la demanda (en libras) P denota el precio (En dlares) y los
subndices 1 y 2 se refieren respectivamente al queso para untar fino y
normal Cuntas libras de cada tipo de queso para untar deber prepararse y
que precios deben establecerse, si se desea maximizar el ingreso y vender
totalmente ambos tipos hacia el fin de la semana de navidad?
Solucin
X1: las libras de queso fino untar
X2: las libras de queso normal para untar que se pueda vender todo el
producto
Mx. Z = P1X1 + P2X2
Todo el producto y vender con seguridad es la produccin excede a la
demanda, es decir:
X 1 D1
X 2 D2
(estado de restricciones )
X 1 + 25P1 190
X 2 + 50 P 2 250
Debido a la cantidad de mezcla a frutas

- 22 -
0.2 X 1 + 0.2 X 2 20
Cantidad de queso caro disponible

0.8 X 1 + 0.2 X 2 60
Xi 0
i =1 2
15) Un fabricante de plsticos tiene en existencia, en una de sus fbricas 1200

cajas de envoltura transparente y otras 1000 cajas en su segunda fbrica. El
fabricante tiene rdenes para este producto por parte de tres diferentes
detallistas, en cantidades 1000, 700 y 500 cajas respectivamente, los costos
unitarios de envo (en centavos por caja) de las fbricas a los detallistas son
las siguientes:
Fbrica 1
Fbrica 2
Detallista 1
14
13
Detallista 2
13
13
Detallista 3
11
12
Determnese una cdula de embarque de costo mnimo, para satisfacer toda

la demanda con el inventario actual.
Solucin
Escribiendo X i, j (i= 1, 2, j= 1, 2, 3) como nmero de cajas que se enviaras
de la fabrica i y al detallista j, se tiene como objetivos en (centavos).
X 11 + X 21 1000
(envios al det allista 1)
X 12 + X 22 700
X 13 + X 23 500
Min.
Z = 14X11 + 13X12 + 11X13 + 13X21 + 13X22
S. a:
- 23 -
X 11 + X 12 + X 13 = 1200
X 21 + X 22 + X 23 = 1000
X 11 + X 21 = 1000
X 12 + X 22 = 700
X 13 + X 23 = 500
Xi 0
i = 11,12
16) Una competencia de relevos de 400 metros incluye a cuatro diferentes

nadadores, quienes nadan sucesivamente 100 metros de dorso, de pecho,
de mariposa y libre. Un entrenador tiene seis nadadores muy veloces, cuyos
tiempos esperados (en segundos) en los eventos individuales se dan en la
tabla 1 -1
Cmo deber el entrenador asignar a los nadadores a los relevos, a fin de
minimizar la suma de sus tiempos?
Evento 1
Evento 2
Evento 3 Evento 4
(Dorso)
(Nado de
(Mariposa)
(Libre)
pecho)
Nadador 1
65
73
63
57
Nadador 2
67
70
65
58
Nadador 3
68
72
69
55
Nadador 4
67
75
70
59
Nadador 5
71
69
75
57
Nadador 6
69
71
66
59
Solucin
El objetivo es minimizar. El tiempo todo que se denotara Z implicando los
va mal de doble subndice X i, j (i=1,2.6) (j=1,2)
Para designar el numero de veces que el nadador es el obstar el evento I
Min. Z = 65X11 + 73X12 + 63X13 + 57X14 +67x15 + 66X63 + 59X64
Ya que ningn nadados puede destinarse a ms un frente.
Como para cada evento debe haber un nadador
X11 + X21 + X31 + X41 + X51 +X61 = L
X14 + X24 + X34 + X44 + X54 + X64 =L
- 24 -
17) Una importante CIA petrolera desea construir una refinera que recibir
suministros desde tres ciudades portuarias. El puerto B esta 300 Km al este y
400 Km al norte del puerto A, mientras que el puerto C esta 400 Km al este y
100 Km al sur del puerto B. determnese la localizacin de la refinera de tal
manera que la cantidad total de tubera necesaria para conectar a la refinera
con los puertos se minimice.
Solucin
X1= N km de distancia del pA
X2= N km de distancia del pB
X3= N km de distancia del PC
Min.
Z = 300X1 + 400X2 + 500X3
S. a:
Xi 0
Min. Z =
i = 1, 3
Xi 2 + X 2 2 + ( X 1 300) 2 + ( X 2 400) 2 + ( X 1 700) 2 + ( X 2 300) 2
18) Una persona tiene $4000 que desea invertir y se le presentan 3 opciones.
Cada opcin requiere depsitos en cantidades de $1000, el inversionista
puede colocar todo el dinero entre las 3. las ganancias esperadas se
presentan en la siguiente tabla:
Ganancia Op.
1
Ganancia Op.
2
Ganancia Op.
3
0
0
0
0
1000
2000
1000
1000
Dlares invertidos
2000
3000
5000
6000
3000
6000
4000
5000
4000
7000
7000
8000
Cunto dinero deber invertirse en cada opcin para obtener la mayor

ganancia total?
Solucin
X1= ganancia 1
X2= ganancia 2
X3= ganancia 3
- 25 -
Mx. Z =
100
1000
1000
X1 +
X2+
X3
3
2
1
2000 X 1 + 1000 X 2 + 1000 X 3 1000

3000 X 1 + 3000 X 2 + 3000 X 3 2000
6000 X 1 + 6000 X 2 + 5000 X 3 3000
7000 X 1 + 7000 X 2 + 3000 X 3 4000
Mx. Z = f1(x1) + f2(x2) + f3(x3)

S. a:
X1 + X 2 + X 3 4
Xi 0
i = 1, 4
2. Modelos de Simulacin
La simulacin es una tcnica para crear modelos de sistemas grandes y
complejos que incluyen incertidumbre. Se disea un modelo para repetir el
comportamiento del sistema. Este tipo de modelamiento se basa en la divisin
del sistema en mdulos bsicos o elementales que se enlazan entre s mediante
relaciones lgicas bien definidas (de la forma SI / ENTONCES). El desarrollo
de un modelo de simulacin es muy costoso en tiempo y recursos.
- 26 -
II. PROGRAMACION LINEAL

II.1 INTRODUCCION A LA PROGRAMACION LINEAL
1. INTRODUCION
La programacin Lineal (PL) es una tcnica de modelado matemtico,
diseada para optimizar el empleo de recursos limitados. La programacin
lineal se aplica exitosamente en el ejercito, en la agricultura, la industria, los
transportes, la economa, los sistemas de salud, en el ejercito e incluso en los
sistemas conductuales y sociales.
La utilidad de esta tcnica se incrementa mediante el uso y disponibilidad de
programas de computadora altamente eficientes. De hecho la PL, debido a su
alto nivel de eficiencia computacional, es la base para el desarrollo de
algoritmos de solucin de otros tipos (ms complejos) de modelos de IO,
incluyendo la programacin entera, no lineal y estocstica.
2. MODELOS DE PROGRAMACION LINEAL
Para formular un problema de programacin lineal se debe tener presente que
la funcin objetivo y todas las restricciones deben ser lineales y todas las
variables deben ser continuas (pueden asumir valores fraccionales).
2.1 SOLUCIN GRAFICA DE PL: Los modelos de PL que se resuelven
por el mtodo geomtrico o grafico solo son apropiados para casos en que
el nmero de variables son a lo ms dos.
EJEMPLO 2.1.1: UN PROBLEMA DE MINIMIZACION
(Contratacin de Personal): El departamento de control de calidad de la
empresa Gerconsa S.A que fabrica autopartes, desea contratar personal
tanto senior como junior, para las inspecciones de sus productos.
El personal senior recibe por su jornada de 8hrs., $188y realiza su labor a
una tasa promedio de 30 inspecciones por hora, con un rendimiento del
99%.en cambio el personal junior, recibe $150 por su jornada, realizando
25 inspecciones por hora, con un rendimiento del 95%.
La demanda diaria de inspecciones es de 1600 unidades y el personal
senior a contratar, no debe ser mayor que el personal jnior.
Si las ensambladoras aplican una multa de $5 por cada unidad defectuosa,
cunto de personal senior y jnior, se debe contratar?
- 27 -
SOLUCION:
La formulacin del modelo al problema de minimizacin seria:
Sea Xi: Numero de personal a contratar (i = senior, j = junior o
i =1,2)
La funcin objetivo consistira en minimizar los costos de salario y los de
castigo por unidad defectuosa
Z = Salario + Multa
Salario = 118x1+ 150x2
Multa = (30*8*0.01X1+ 25*8*0.05X2)*5
Luego la funcin objetivo es:
MinZ = 200X1+ 200X2 y sujeta a las restricciones:
30(8) X1+25(8) X2>=1600 (Demanda diaria)
X1<= X2
(Relacin personal)
Finalmente el modelo se reduce a:

MinZ = 200X1 + 200X2
S.A.: 6X1+ 5X2 >=40
X1 - X2 <=0
(1)
(2)
X1, X2 >=0
Grficamente y despus de haber utilizado el amigable software TORA el
problema quedara as:
- 28 -
Fig.2.1: Solucin grafica (optima) al problema de contratacin de personal
Este modelo pudo haberse resuelto fcilmente graficando en las coordenadas

X1 y X2 y hallando el punto de interseccin comn a ambas rectas. Se puede
ver que la interseccin de recta de la funcin objetivo con las rectas 1 y 2 lo
hace dentro de la regin factible y en su punto mnimo (punto optimo),
despus de haber resuelto algebraicamente por sistemas de ecuaciones
simultaneas las restricciones 1 y 2 tenemos finalmente el punto optimo
mnimo para el problema:
X1=3.64
X2=3.64
Z*=1454.55
De los resultados puede verse que tenemos valores fraccionarios para un
problema de contratacin de personal lo cual es inapropiado dado que se trata
del recurso humano, sin embargo solo se ha resuelto para efecto demostrativo
grafico (adems no olvidemos que en PL las variables son continuas), ya que
la programacin lineal entera se encarga de darle una solucin Optima a este
problema.
- 29 -
EJEMPLO 2.1.2: UN PROBLEMA DE MAXIMIZACION. Javier Cutipe

es un exitoso vendedor de la distribuidora de gaseosas Gerconsa y tiene que
decidir como asignar sus esfuerzos entre los diferentes tipos de clientes de las
zonas de Moquegua que le han dado (san Antonio, san francisco, la villa los
ngeles, samegua, y chen chen).Puede visitar comerciantes y clientes que
compran al menudeo. Una visita a un comerciante usualmente le produce
S/.400 en ventas, pero la visita en promedio dura 2horas y debe manejar
tambin en promedio, 10 kilmetros. En una visita a un comprador al
menudeo le vende S/.500 y requiere de unas 3horas y 20 kilmetros
manejando el carro aproximadamente. Javier viaja trabajando como mximo,
600kilometros por semana en su propio carro y prefiere trabajar noms de 36
horas por semana. Construya un modelo de programacin lineal para Javier
Cutipe Mamani
SOLUCION:
Sea: X1: Numero de comerciantes
X2: Numero de clientes al menudeo
El modelo resultante es:
Max Z= 400X1+500X2
S.A:
(Ingreso por ventas brutas)
2X1+3X2 <= 36 (restriccin de horas semanales)
(1)
10X1+20X2<=600 (restriccin de distancia recorrida) (2)

X1,X2>=0
(Restriccin de no negatividad)
- 30 -
Fig.2.2: Solucin grafica (optima) al problema de Javier Cutipe
El modelo anterior se resuelve grficamente aplicando Tora, tambin pudo

haberse resuelto fcilmente graficando en las coordenadas X1 y X2 y
hallando el punto de interseccin comn a la recta (1) con el eje X1, la recta
de la funcin objetivo alcanza su nivel mximo (punto optimo) en la regin
factible para X1=18 y X2=0, esto algebraicamente es despus de haber
resuelto la restriccion1 (ecuacion1) y haciendo x2=0 en la misma ecuacin
(ntese que la restriccin 2 es redundante). Finalmente el punto ptimo
mnimo para el problema es de:
X1=18
X2=0
Z*= S/.7200
- 31 -
Este resultado nos dice que Javier Cutipe deber concentrar sus esfuerzos solo
en la venta a 18 comerciantes dado que alli maximizara sus ingresos por
ventas en S/.7200
2.2 SOLUCIN POR COMPUTADORA DE PROBLEMAS DE PL
En la practica, donde los modelos tpicos de programacin Lineal implican
cientos, o incluso miles de variables y restricciones, la nica forma de resolver
estos problemas es utilizando un programa apropiado de computadora. En el
mercado informtico existen softwares que tienen mdulos de programacin
lineal (PL) tal como el Tora, Storm, Programas como el lindo, lingo, etc.
Tambin se puede hacer uso de Solver en Excel para resolver problemas de
PL.
EJEMPLO 2.2.1: La figura 2.3 presenta la solucin de TORA para el
problema de contratacin de personal del ejemplo 2.1.1
Fig.2.3: Solucin ptima usando TORA
- 32 -
La informacin de salida se divide en dos partes principales (1) resumen de la

solucin ptima (optimum solution sumary) que comprende los valores
ptimos de las variables de decisin y el valor optimo de la funcin Objetivo y
(2) Anlisis de sensibilidad (Sensitivity anlisis) referente a hacer cambios en
el lado derecho(right-and sides) y en los coeficientes de la funcin objetivo
EJEMPLO 2.2.2: La figura 2.4 presenta la solucin de LINDO para el
problema de Javier Cutipe del ejemplo 2.1.2
LP OPTIMUM FOUND AT STEP
OBJECTIVE FUNCTION VALUE

1)
7200.000
VARIABLE
X1
X2
ROW
0.000000
420.000000
2)
3)
NO. ITERATIONS=
VALUE
18.000000
0.000000
REDUCED COST
0.000000
100.000000
SLACK OR SURPLUS
200.000000
0.000000
DUAL PRICES
RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE
X1
X2
CURRENT
COEF
400.000000
500.000000
ALLOWABLE
INCREASE
INFINITY
100.000000
ALLOWABLE
DECREASE
66.666664
INFINITY
RIGHTHAND SIDE RANGES

ROW
2
3
CURRENT
RHS
36.000000
600.000000
ALLOWABLE
INCREASE
84.000000
INFINITY
ALLOWABLE
DECREASE
36.000000
420.000000
Fig.2.4: Solucin ptima usando LINDO
- 33 -
2.3 ANALISIS DE ALGUNOS MODELOS DE PL: Se presentan algunos

modelos realistas de de PL, en los cuales las definicin de variables y la
construccin de la funcin objetivo y de las restricciones no son tan directas
como en el caso de los modelos de dos variables. Adems la salida de TORA
de la computadora para cada modelo permitir interpretaciones muy claras de
las soluciones.
EJEMPLO 2.3.1: Un distribuidor de ferretera planea vender paquetes de
tuercas y tornillos mezclados. Cada paquete pesa por lo menos 2 libras. Tres
tamaos de tuercas y tornillos componen el paquete y se compran en lotes de
200 libras. Los tamaos 1 ,2 y 3 cuestan respectivamente $20, $80 y $12,
adems:
a. El peso combinado de los tamaos 1y 3 debe ser al menos la mitad del
peso total del paquete
b. El peso de los tamaos 1 y 2 no debe ser mayor que 1,6 libras
c. Cualquier tamao de tornillo debe ser al menos 10 porciento del paquete
total
Cul ser la composicin del paquete que ocasionara un costo mnimo?
(formule solamente el modelo de pl.)
SOLUCION:
Formulacin
Sea : X1 = peso de las unidades de tamao 1
X2 = peso de las unidades de tamao 2
X2 = peso de las unidades de tamao 3
De este modo se tendrn las siguientes Restricciones:
X1+ X2+ X3 >=2
peso mnimo de cada paquete
X1 +X3 >= (X1+ X2+ X3)/2 Peso combinado d e l os tamaos 1 y 3

X1+ X2 <=1.6
X1>=0.10(X1+ X2+ X3)
Peso combinado de 1 y 2
Condicin de peso para cualquier tamao
X2>=0.10(X1+ X2+ X3)

X3>=0.10(X1+ X2+ X3)
- 34 -
Siendo la funcin MinZ = 20X1+ 80X2+ 12X3)/200, en resumen se tiene el

siguiente modelo:
MinZ = 0.1X1+0.04X2+0.06X3
S.A:
X1+ X2+ X3
>= 2
X1 - X2+ X3
>=0
X1+ X2
<=1.6
0.9X1-0.1X2-0.1X3 >=0
-0.1X1+0.9X2-0.1X3 >=0
-0.1X1-0.1X2+0.9X3 >=0
X1, X2, X3 >=0
- 35 -
Del resultado del sotware Tora se puede ver que la solucin optima es :
X1* = 0.20
X2* = 1.00
X3* = 0.80
Z*= 0.11
- 36 -
EJEMPLO 2.3.2: Al mezclar diferentes hidrocarburos se obtiene

gasolina de diferentes grados. En este ejemplo se supone que una
refinera dispone slo de dos tipos de gasolina cuyas caractersticas se
presentan en la siguiente tabla:
Mezclas
disponibles
Octanaje
Presin de vapor
Cantidad disponible
(Barriles)
Tipo 1
104
30,000
Tipo 2
94
70,000
Con la combinacin de estos productos se pueden producir dos tipos de

gasolina: para automvil y aviacin. Las cualidades de estos productos
aparecen en la siguiente tabla:
Producto
final
Mnimo
octanaje
Mxima
presin de
vapor
Mxima venta
(Barriles)
Precio de
venta
(Barril)
Aviacin
102
20,000
45.10
Automvil
96
Sin tope
32.40
El octanaje y la presin de vapor del producto resultante es proporcional

a la cantidad de cada gasolina utilizada en la mezcla.
Por ejemplo para partes iguales de ambas gasolinas:
Octanaje: 0.5*104 + 0.5*94 = 99
Presin de vapor: 0.5*5 + 0.5*9 = 7
La empresa desea maximizar los ingresos por la venta de gasolina como
producto final
- 37 -
Formulacin
Sean x1 el nmero de barriles de gasolina del tipo 1 para aviacin.
X2 el nmero de barriles de gasolina del tipo 2 para aviacin.
X3 el nmero de barriles de gasolina del tipo 1 para automvil.
X4 el nmero de barriles de gasolina del tipo 2 para automvil.
La venta correspondiente a gasolina para aviacin es 45.10*(x1 + x2) y
la venta correspondiente a gasolina para automvil es 32.40(x3 + x4)
entonces la funcin objetivo es:
Maximizar:
Z = 45.10x1 + 45.10x2 + 32.40x3 + 32.40x4
Existen varias restricciones:
Demanda de gasolina para aviacin:
X1 + x2 20,000
Cantidad disponible por tipo de gasolina:
X1 + x3 30,000
X2 + x4 70,000
Restriccin de octanaje:
Aviacin: (104x1 + 94x2)/(x1 + x2) 102 2x1 - 8x2 0
Automvil: (104x3 + 94x4)/(x3 + x4) 96 8x3 - 2x4 0
- 38 -
Restriccin de presin de vapor:

Aviacin: (5x1 + 9x2)/(x1 + x2) 6 -x1 + 3x2 0
Automvil: (5x3 + 9x4)/(x3 + x4) 8 -3x3 + x4 0
No negatividad:
X1, x2, x3, x4 0
En Resumen el modelo se presenta de la siguiente manera:
MaxZ = 45.10x1 + 45.10x2 + 32.40x3 + 32.40x4
X1 + x2 20,000
Demanda de gasolina para aviacin:
X1 + x3 30,000
Cantidad disponible por tipo de gasolina
X2 + x4 70,000
Cantidad disponible por tipo de gasolina
2x1 - 8x2 0
Restriccin de octanaje aviacin
8x3 - 2x4 0
Restriccin de octanaje automvil
-x1 + 3x2 0
Restriccin de presin de vapor aviacin
-3x3 + x4 0
Restriccin de presin de vapor automvil:
X1, x2, x3, x4 0
Restriccin de no negatividad
Una vez Formulado el modelo matemtico hacemos uso del TORA para
encontrar una solucin ptima:
X1*=16000.00
X2*=4000.00
X3*=4666.67
X4*=14000.00
Z*= 1506800.00
- 39 -
- 40 -
III. EL METODO SIMPLEX

La idea general del mtodo Simplex es comenzar en un punto extremo y
desplazarse hacia un punto extremo adyacente con el objeto de mejorar el
valor de la funcin objetivo, manteniendo la factibilidad. La manera ms
sencilla de seleccionar un punto extremo inicial es usar la base B constituida
por variables de holgura y/o artificiales. De esta forma la base B inicial es la
matriz identidad I que obviamente es una base. Los puntos extremos
adyacentes se determinan intercambiando un vector de B con un vector no
bsico que mover la solucin hacia la optimalidad.
Tabla Simplex en forma matricial
Expresemos el programa lineal en forma matricial:
Max z = CX
Sujeto a: (AI)X = b
X >= 0
Subdividamos el vector X en XI y XII, entonces el problema estndar se puede

escribir de la siguiente manera: (I)
-CI
-CII
XI
0
=
XII
En una iteracin cualquiera, sea XB La representacin de las variables bsicas

y B su base asociada, entonces XB representa a m elementos de X y B
representa los vectores de (AI) correspondientes a XB, y sea CB el vector de
elementos de C asociado a XB.
Entonces:
- 41 -
B XB = b y z = CBXB
o bien:
1
-CB
XB
0
b
La solucin se puede expresar:

z
XB
CBB-1
B-1
CBB-1b
B-1b
Por lo tanto, aplicando este resultado, premultiplicando a (I) se obtiene

1
CBB-1
-CI
-CII
B-1
XI
CBB-1b
=
B-1b
XII
Esta ecuacin matricial se resuelve mediante la iteracin simplex general (II):

Bsica
XI
XII
Solucin
CBB-1A-CI
CBB-1-CII
CBB-1b
XB
B-1A
B-1
B-1b
Esta tabla muestra los detalles del clculo del mtodo simplex, es decir, si se
conoce B se puede encontrar en cada paso B-1, por lo tanto XB y z.
Por ejemplo consideremos el mtodo simplex con variables de holgura, en
este caso, CII = 0 la solucin bsica inicial se identifica como:
- 42 -
XB = XII, CB = CII = 0, B = I, B-1 = I

Sustituyendo en (II) se obtiene el mtodo simplex general con variables de
holgura (III):
Bsica
XI
-CI
XB
XII
Solucin
0
Si utilizamos simplex con variables artificiales (variables utilizadas como

variables de holgura para las restricciones que no cumplen la forma estndar).
En este caso CII = (-M,-M,..., -M) (coeficientes de penalizacin para la
funcin objetivo). La solucin bsica inicial se puede expresar como:
XB = XII, CB = CII, B = I, B-1 = I
Sustituyendo en (II) se obtiene el mtodo simplex general con variables
artificiales y de holgura (IV):
Bsica
XI
XII
Solucin
CIIA-CI
CIIb
XII
EJEMPLO 3.1:
Max z = 3x1 + 10x2
Sujeto a:
X1 + 4x2 <= 8
X1 + 2x2 <= 4
X1, x2 >= 0
- 43 -
Forma tpica:
Z -3x1 - 10x2 = 0
X1 + 4x2 + h1 = 8
X1 + 2x2 + h2 = 4
X1, x2, h1, h2 >=0
VB
x1
x2
h1
h2
Solucin
-3
-10
h1
8/4=2
h2
4/2=2
Por inspeccin entra x2 y puede salir tanto h1 como h2, escojamos

arbitrariamente h1 y cambiemos x2 por h1.
Primera iteracin:
VB
x1
x2
h1
h2
Solucin
-1/2
5/2
20
x2
1/4
1/4
h2
-1/2
La solucin bsica despus de la primera iteracin es

X1 = 0, x2 = 2, h1 = 0, h2 = 0
Al ser h2, variable bsica, h2 = 0, se dice que es solucin
degenerada, es posible que el mtodo itere sin llegar a la solucin
optima.
- 44 -
Segunda iteracin:
De la tabla anterior, entra x1 y sale h2:
VB
x1
x2
h1
h2
Solucin
20
x2
1/2
-1/2
X1
-1
La funcin objetivo no se ha incrementado, un problema puede ser

temporalmente degenerado y luego encontrar la solucin ptima.
EJEMPLO 3.2:
Max Z = 3x1 + 5x2
Sujeto a:
X1 -2x2 <= 5
2x1
<= 12
X1, x2 >= 0
Forma tpica:
Z -3x1 - 5x2 = 0
X1 -2x2 + x3 = 5
2x1 + x4 = 12
X1, x2, x3, x4 >= 0
X3, x4 variables de holgura.
- 45 -
VB
x1
x2
x3
x4
Solucin
-3
-5
X3
-2
X4
12
X2 es variable entrante, no hay ninguna variable bsica saliente, ya que los

elementos de la columna pivote son negativos o 0. En este caso se puede
observar que el valor ptimo de z es ilimitado, las restricciones en este caso no
previenen un aumento ilimitado de la funcin objetivo.
En este caso el problema de optimizacin se encuentra mal formulado.
EJEMPLO 3.3: Mltiples soluciones ptimas

Max z = 2x1 + 4x2
Sujeto a:
x1 + 2x2 <= 12
2x1 + 2x2 <= 12
x1, x2 >= 0
Forma tpica:
Z - 2x1 - 4x2 = 0
X1 + 2x2 + x3 = 12
2x1 + x2 + x4 = 12
- 46 -
Primera iteracin:
VB
x1
x2
x3
x4
Solucin
-2
-4
X3
12
X4
12
Variable no bsica entrante x2

Segunda iteracin:
VB
x1
x2
x3
x4
Solucin
24
X2
1/2
1/2
X4
3/2
-1/2
Despus de la segunda iteracin queda la variable no bsica x1 con coeficiente

0, podemos hacer una iteracin extra:
VB
x1
x2
x3
x4
Solucin
24
X2
2/3
-1/3
X1
-1/3
2/3
- 47 -
Siempre que un problema tiene ms de una solucin ptima, al menos una de

las variables no bsicas tiene un coeficiente igual a 0 en la ecuacin de la
funcin objetivo.
EJEMPLO 3.4:
Max 2x1 + 3x2

Sujeto a:
X1 + 2x2 + x3 = 4
X1 + x2 = 3
X1, x2, x3 >=0.
VB
x1
x2
x3
x4
Solucin
-2
-3
X3
-1/3
2/3
No hay variables de holgura para usarla como variable bsica inicial en la

ecuacin (2) por lo que la restriccin se reescribe de la siguiente forma:
X1 + x2 + x4 = 3
donde x4 es variable artificial, como x4 no se hace 0 necesariamente sobre el
plano (2), debemos penalizar este valor en la funcin objetivo de manera que
x4 se reduzca a 0 al optimizar. Para esto se pone un coeficiente -M grande, en
la funcin objetivo (-M al maximizar, +M al minimizar con M > 0).
- 48 -
Al modificar la funcin objetivo queda as:

Z = 2x1 + 3x2 - Mx4
VB
x1
x2
x3
x4
Solucin
-M-2
-M-3
-3M
X3
X4
Primera iteracin:
VB
x1
x2
x3
x4
Solucin
(-M-1)/2
(M+3)/2
-M+6
X2
1/2
1/2
X4
1/2
-1/2
Segunda iteracin:
VB
x1
x2
x3
x4
Solucin
M+1
X2
-1
X1
-1
Solucin optima:
x1 = 2, x2 = 1, z = 7
Para seleccionar la variable que entra en la tabla inicial tomamos el

coeficiente ms negativo entre -M-2 y -M-3, siendo ste ltimo. Sin
embargo si hubiramos utilizado un nmero muy grande para M en
una computadora, estos coeficientes se habran considerado como
iguales. Para esto se utiliza el mtodo simplex de dos fases.
- 49 -
III.1 EL METODO SIMPLEX DE DOS FASES

Una desventaja de la tcnica M es el posible error de clculo que puede
resultar al asignarse un valor muy grande a la constante M. Aqu se utilizan las
variables artificiales, pero el uso de la constante M se elimina resolviendo el
problema en dos etapas:
FASE I: Agregar variables artificiales para asegurar una solucin inicial.
Formar una nueva funcin objetivo para minimizar la suma de las variables
artificiales sujeta a las restricciones del problema original con las variables
artificiales, si el mnimo es 0 (todas las variables artificiales son 0), el
problema original tiene soluciones factibles, entonces seguir con la Fase II, si
no detenerse.
FASE II: Utilizar la solucin bsica ptima de la FASE I como solucin
inicial para el problema original
EJEMPLO 3.1.1: Un problema de penalizacin en dos fases:
Min z = 4x1 + x2
Sujeto a: 3x1 + x2
=3
4x1 + 3x2 >= 6

x1 + 2x2 <= 4
x1, x2 >= 0
Forma estndar con variables artificiales:
Min z = 4x1 + x2 + MR1 + MR2
Sujeto a:
3x1 + x2 + R1 = 3
4x1 + 3x2 - x3 +R2 = 6
x1 + 2x2 + x4 = 4
x1, x2, x3, R1, R2, x4 >= 0
- 50 -
FASE I:
Min r = R1 + R2
Sujeto a:
3x1 + x2 + R1 = 3
4x1 + 3x2 - x3 +R2 = 6
x1 + 2x2 + x4 = 4
x1, x2, x3, R1, R2, x4 >= 0
Como R1 y R2 estn en la solucin inicial, deben sustituirse en la funcin

objetivo:
R = R1 + R2 = (3 - 3x1 - x2) + (6 - 4x1 - 3x2 + x3) = -7x1 4x2 + x3 + 9
Tabla inicial:
VB
x1
x2
x3
R1
R2
x4
Solucin
-1
R1
R2
-1
x4
La tabla optima se obtiene en dos iteraciones:

VB
x1
x2
x3
R1
R2
x4
Solucin
-1
-1
x1
1/5
3/5
-1/5
3/5
x2
-3/5
-4/5
3/5
6/5
x4
-1
- 51 -
Como el mnimo es 0, el problema tiene solucin factible y pasamos a la fase

II, las variables artificiales sirvieron para encontrar una solucin factible
bsica inicial.
Luego en la fase II resolvemos:
Min z = 4x1 + x2
Sujeto a:
x1 + 1/5 x3 = 3/5
X2 - 3/5 x3 = 6/5
X3 + x4 = 1
Para esto debemos efectuar las transformaciones correspondientes a la funcin
objetivo, es decir encontrar el coeficiente de las variables no bsicas, en este
caso x3, esto se logra reemplazando en la funcin objetivo el valor de x1 y x2
de las ecuaciones.
Obtenindose la tabla inicial para la fase II:
VB
x1
x2
x3
x4
Solucin
1/5
18/5
X1
1/5
3/5
X2
-3/5
6/5
X4
La tabla no es ptima ya que x3 debe entrar en la solucin.
- 52 -
III.2 DEFINICION DEL PROBLEMA DUAL

El desarrollo de la programacin lineal se ha visto reforzado por el
descubrimiento de que todo problema de programacin lineal tiene asociado
otro problema llamado dual.
El problema original se llama primal, ambos problemas estn relacionados de
tal manera que la el valor de la funcin objetivo en el optimo es igual para
ambos problemas, y la solucin de uno conduce automticamente a la del otro.
Las relaciones entre ambos problemas facilitan el anlisis de sensibilidad de
un problema.
El dual es un problema de programacin lineal se obtiene matemticamente
de un problema primal.
La forma del problema dual es nica y se define en base a la forma estndar
general del problema primal:
Optimizar (Max o Min) z = S j =1..ncjxj
Sujeto a S j =1..naijxj = bi
xj >= 0 con i = 1..m, j = 1..n
donde las n variables xj incluyen los excesos y las holguras.
El problema dual se construye simtricamente del primal de acuerdo a las
siguientes reglas.
1. Para cada restriccin primal (m restricciones) existe una variable dual yi
(m variables), la funcin objetivo se construye con los valores libres bi
como coeficientes de las variables yi.
2. Para cada variable primal xj (n variables) existe una restriccin dual (n
restricciones), la restriccin se construye con los m coeficientes de las
restricciones primales de esa variable. Los valores libres son los n
coeficientes cj.
3. Si la optimizacin primal es una Maximizacin, el problema dual es
una Minimizacin y las restricciones son >=. (y a la inversa
Minimizacin primal, Maximizacin dual, restricciones < ).
- 53 -
Si consideramos los excesos y holguras las variables duales (yi)no

tienen restricciones de signo, en caso contrario en ambos problemas
se considera variables >0. Por lo que las variables duales
correspondientes a restricciones del tipo = deben ser sin restricciones
de signo, recprocamente cuando una variable en el primal no tiene
restriccin de signo, la restriccin correspondiente en el dual debe
ser del tipo =.
EJEMPLO 3.2.1:
Max z = 3x1 + 5x2
Sujeto a:
x1 + 10x2 < 80
2x1 + 3x2 < 45
4x1 - 2x2 < 25
3x2 <60
x1, x2 > 0
Aplicando las reglas :
1. Para cada restriccin primal (4 restricciones) existe una variable
dual yi (4 variables) y1 y2 y3 y4, la funcin objetivo se construye
con los valores libres bi (80,45,25,60) como coeficientes de las
variables yi.
2. Para cada variable primal xj (2 variables sin considerar las
variables de holgura) existe una restriccin dual (2 restricciones),
la restriccin se construye con los 4 coeficientes de las
restricciones primales de esa variable. Los valores libres son los 2
coeficientes cj (3, 5).
3. la optimizacin primal es una Maximizacin, el problema dual es
una Minimizacin y las restricciones son > .
- 54 -
No hemos considerado las variables de excesos ni holguras las

variables duales por lo que en ambos problemas se considera
variables 0, no existen restricciones de =.
Problema dual:
1. Min Y = 80y1 + 45y2 + 25y3 + 60y4
Sujeto a:
Y1 + 2y2 + 4y3 > 3
10y1 + 3y2 - 2y3 + 3y4 > 5
y1, y2, y3, y4 > 0
2. Max Z = 3x1 + 7x2
Sujeto a:
2x1 + 5x2 = 15
x1 + 8x2 < 30
x1, x2 > 0
1. Para cada restriccin primal (2 restricciones) existe una variable dual yi
(2 variables) y1 y2, la funcin objetivo se construye con los valores
libres bi (15, 30) como coeficientes de las variables yi.
2. Para cada variable primal xj (2 variables sin considerar las variables de

holgura) existe una restriccin dual (2 restricciones), la restriccin se
construye con los 2 coeficientes de las restricciones primales de esa
variable. Los valores libres son los 2 coeficientes cj (3, 7).
- 55 -
3. Aplicando las reglas y la nota:

Nota: Para la segunda restriccion no hemos considerado las variables de
excesos ni holguras las variables duales por lo que en el dual y2 0, la
primera restriccin es de igualdad por lo que la primera variable no tiene
restriccin de signo.
Problema dual:
Min Y= 15y1 + 30y2
Sujeto a:
2y1 + y2 3
5y1 + 8y2 7
y1 sin restriccin de signo (irrestricta)
y2 0.
- 56 -
III.3 ANALISIS DE SENSIBILIDAD

Una vez obtenida la solucin de un problema de programacin lineal, es
deseable investigar cmo cambia la solucin del problema al cambiar los
parmetros del modelo.
Por ejemplo si una restriccin de un problema es 4x1 + 6x2 < 80 donde
80 representa la cantidad de recurso disponible. Es natural preguntarse
que pasa con la solucin del problema si la cantidad de recurso (por
ejemplo Horas) disminuye a 60?. Otras veces podemos preguntarnos
que pasa si cambiamos algunos coeficientes de la funcin objetivo? O
bien si agregamos una restriccin o una variable. El estudio de la
variacin de un problema de programacin lineal debido a cambios de
los parmetros del mismo, se llama anlisis de sensibilidad.
Una forma de responder estas preguntas sera resolver cada vez un
nuevo problema. Sin embargo esto es computacionalmente ineficiente.
Para esto es preferible hacer uso de las propiedades del mtodo Simplex
y de los problemas primal y dual.
Recordemos que una vez que en un problema lineal se conoce B, CB y
XB, la tabla simplex se puede calcular utilizando B-1 y los datos
originales del problema.
El efecto de los cambios en los parmetros del problema del anlisis de
sensibilidad (posoptimo) se puede dividir en tres categorias:
1. Cambios en los coeficientes C de la funcin objetivo, solo afecta
la optimalidad.
2. Cambios en el segundo miembro b solo pueden afectar la
factibilidad.
3. Cambios simultneos en C y b pueden afectar la optimalidad y la
factibilidad.
- 57 -
EJEMPLO 3.3.1:
1. Cambios en los coeficientes objetivo:
Max z = 3x1 + 2x2 (ganancia)
Sujeto a
x1 + 2x2 + h1 = 6 (Materia Prima A)
2x1 + x2 + h2 = 8 (Materia prima B)
-x1 + x2 + h3 = 1 (demanda)
x2 + h4 = 2 (demanda)
x1, x2, x3, x4, x5, x6 > 0
Tabla primal ptima:

VB
x1
x2
x3
x4
x5
x6
Solucin
1/3
4/3
12 2/3
x2
2/3
-1/3
1 1/3
x1
-1/3
2/3
3 1/3
x5
-1
x6
-2/3
1/3
2/3
- 58 -
Supongamos que cambiamos la funcin objetivo de z = 3x1 + 2x2 por z = 5x1

+ 4x2, dado el ptimo
XB = (x2, x1, x5, x6)
CB = (4, 5)
Y = (y1, y2, y3, y4)
= CBB-1 = (1, 2, 0, 0)
4
1/3
4/3
2/3
-1/3
-1/3
2/3
-1
-2/3
1/3
Los nuevos coeficientes de la funcin objetivo son

Y(AI) - C que no es otra cosa que la diferencia entre ambos lados de las
restricciones duales.
- 59 -
IV. MODELO DE TRANSPORTE

Existen dos aplicaciones importantes de la programacin lineal que son el
modelo de transportes y el de asignacin de recursos. An cuando la
solucin de estos modelos puede obtenerse aplicando el mtodo simplex, se
estudian algoritmos especiales para la solucin de estos problemas.
Debido a su estructura especial, hace posible hace posible mtodos de
solucin ms eficientes en trminos del clculo.
EJEMPLO 4.1:
Suponga que una compaa tiene m plantas de produccin (i), de capacidad ai
(i = 1...m) y n almacenes de distribucin (j), con demanda bj (j = 1...n). El
costo de transporte entre la planta i y el almacn es conocido como cij.
El problema es determinar la cantidad (xij) que debe suministrar la planta i al
almacn j, de tal manera que el costo de transporte total sea mnimo. Las
consideraciones de costos de produccin e inventario se pueden incorporar al
modelo bsico.
El modelo tpico tiene cuatro componentes:
1. Un conjunto de m fuentes
2. Un conjunto de n destinos
3. Costos de transporte entre las fuentes y los destinos
4. Cantidades de producto para enviar entre las fuentes y los destinos.
- 60 -
El modelo general que representa el modelo de transporte es:

Min z = S iS j cijxij
Sujeto a:
S j xij = ai (fuentes i = 1..m)
S i xij = bj (destinos j = 1..n)
xij >= 0
- 61 -
IV.1 MODELOS BALANCEADOS Y NO BALANCEADOS

Un modelo de transporte se llama balanceado cuando:
S i ai = S j b
Esto significa que la suma de los suministros de todas las plantas
debe ser igual a la suma de las demandas de todos los almacenes.
Sin embargo en problemas de la vida real, esta igualdad rara vez se
satisface.
Lo que se hace entonces es balancear el problema.
Si los requerimientos exceden a los suministros, se agrega una planta
ficticia, que suministrar la diferencia.
El costo de transporte desde la planta ficticia hacia cualquier almacn
es cero.
Recprocamente, si los suministros exceden a los requerimientos, se
agrega un almacn ficticio que absorber el exceso.
El costo unitario de transporte desde las plantas al almacn ficticio es
cero.
Ejemplo 4.1.1
Considere La Empresa Gerconsa productora de automviles de tres plantas y
dos centros de distribucin. Las capacidades de las tres plantas durante un
trimestre son de 1000, 1500 y 1200 automviles, la demanda trimestral en los
dos centros de demanda son de 2300 y 1400 vehculos. El costo de transporte
en dlares es:
Planta/Almacn
80
215
100
108
102
68
- 62 -
Sea xij el nmero de automviles transportados desde la fuente i al destino j.

Como la oferta total (1000+1500+1200 = 3700) es igual a la demanda total
(2300+1400 = 3700) el modelo de transporte est equilibrado.
Por lo tanto el siguiente modelo representa la situacin descrita:
Min z = 80x11 + 215x12 + 100x21 + 108x22 + 102x31 + 68x32

Sujeto a:
x11 + x12 = 1000
x21 + x22 = 1500
x31 + x32 = 1200
x11 + x21 + x31 = 2300
x12 + x22 + x32 = 1400
xij >= 0 para toda i, j.
Un mtodo ms resumido para representar el modelo de transporte

consiste en utilizar los que se llama tabla de transporte, esta es una
matriz donde las filas representan las fuentes y las columnas el
destino. En cada celda se especifica la cantidad xij y el costo cij.:
Fuente/destino
Oferta
x11
80
x12
215
1000
x21
100
x22
108
1500
x31
102
x32
68
1200
Demanda
2300
1400
3700
- 63 -
El mtodo de transporte es un problema clsico dentro de la programacin

matemtica; se analiza la manera de obtener el costo mnimo de transportar
una serie de productos desde n fabricas, hasta m almacenes; cada envo tiene
un costo particular que estar en funcin de la distancia, el tipo de carretera, la
cantidad y otras variables.
Como siempre, se entiende mejor con un ejemplo:
La ms famosa empresa dentro de las aulas universitarias, la Empresa

Gerconsa, tiene tres fabricas donde manufactura su famossimo
producto P, con capacidades de produccin de 25 (unidades por
micronanosegundo, por segundo, hora, ao... no importa, es lo mismo
para todos), 25,10 y debe surtir a 4 almacenes con demandas de
20,15,20,5 (unidades por micronanosegundo, segundos.. o lo que sea,
siempre y cuando se maneje la misma unidad temporal en todo el
problema). Los costos de enviar desde cualquier fbrica a cualquier
almacn se pueden ver en la tabla abajo.
Capacidad de Produccin (u/t)
Fabrica 1
Fabrica 2
Fabrica 3
25
25
10
Demanda de los Almacenes (u/t)
Almacn 1 Almacn 2
Almacn 3
Almacn 4
20
15
20
5
Costo de Transporte desde la Fabrica i al almacn j
Almacn Almacn Almacn
Almacn
$/unid
1
2
3
4
Fabrica
2
2
0
4
1
Fabrica
5
9
8
3
2
Fabrica
6
4
3
2
3
- 64 -
Ahora la pregunta es cunto se debe enviar desde cada fbrica a cada almacn
con el fin de obtener el mnimo costo.
Min Z = 2X11 + 2X12 +0X13 +4X14 +5X21 +9X22 +8X23 +3X24
+6X31+4X32 + 3X33 +2X24
Sujeto a:
1. Satisfacer la demanda de los almacenes:
X11+X21+X31 >= 20
X12+X22+X32 >= 15
X13+X23+X33 >= 20
X14+X24+X34 >= 5
2. No sobrepasar la capacidad disponible de las fabricas
X11+X12+X13+X14 <= 25
X21+X22+X23+X24 <= 25
X31+X32+X33+X34 <= 10
3. Por supuesto la condicin de no negatividad y todas las
variables enteras.
Bueno, aqu la formulacin es un poco diferente a como lo hicimos en los dos
ejemplos anteriores. La idea aqu es la de tener dos matrices y dos vectores;
una matriz se corresponder con las variables de decisin, y la otra matriz con
los costos. La primera la dejamos simplemente sealada, con algn formato
para distinguirla, y la otra la digitamos. La celda objetivo ser la suma del
producto de cada una de las posiciones de cada matriz con su correspondiente
en la otra; esto lo podemos hacer rpidamente con la funcin "sumaproducto"
del Excel. Las restricciones estarn en las columnas de "Consumo" y de
"entregado". Primero preparemos el formato del problema, as:
- 65 -
Las variables de decisin estn en el rango [B4-E6]. La celda objetivo sera

algo as como esto: = B4*B10+ C4*C10+... pero eso sera muy largo. La
manera corta es:= SUMAPRODUCTO (B4:E6,B10:E12).La cantidad
entregada a cada almacn se ve en la fila 8. Por ejemplo para la celda B8, su
frmula es:=B4+B5+B6. La restriccin de la capacidad de las fabricas la
escribiremos en funcin del consumo en la columna G; por ejemplo para la
celda G4:=B4+C4+D4+E4. Las restricciones las escribiremos en el cuadro de
dilogo como lo entregado debe ser mayor o igual a lo requerido, y lo
consumido debe ser menor igual que lo disponible, tal como se puede ver en la
captura siguiente:
Las variables de decisin deben ser enteras. Luego de introducir los datos en
ste cuadro de dilogo y de hacer click en resolver, se hallar la siguiente
solucin:
- 66 -
V. EL PROBLEMA DE LA ASIGNACIN
El Problema de la Asignacin es un problema clsico de la Investigacin de
Operaciones y es un caso particular del Problema del Transporte.
Este problema se trata de asignar una serie de Recursos a una serie de tareas.
Tiene una limitante y es que a cada tarea se le puede asignar slo un recurso,
pueden sobrar recursos o podran sobrar tareas pero no se le puede asignar dos
recursos a una misma tarea, o tres... por ejemplo si se tienen tres operarios con
diferentes tiempos de operacin en cuatro mquinas el modelo nos dira como
asignar los tres operarios a tres mquinas (nos sobrara una) de manera que se
minimice el tiempo total, pero no nos dira como asignar dos operarios a dos
mquinas y el otro operario a las otras dos mquinas
Ejemplos de Asignaciones: Operarios a Tareas, Mquinas a Operarios,
Nadadores a Estilos,etc.
El Problema de la Asignacin se basa en una informacin comparativa para
tomar la decisin de que asignar a que, por ejemplo una matriz de costos, una
matriz de tiempos, de ingresos, etc. Cuando la matriz no est balanceada, es
decir, cuando no es cuadrada, cuando sobran filas o columnas, se debe
balancear para que tenga solucin mediante la inclusin de filas o columnas
ficticias, con valores de cero en dicha matriz.
- 67 -
V.1 FORMULACION DE PROGRAMACION LINEAL

EJEMPLO 5.1.1: Existen cuatro operarios que se pueden asignar al trabajo
con tres mquinas. Un estudio de tiempos y movimientos ha arrojado los
siguientes tiempos por operario para las tres mquinas. Indicar que operario
debe trabajar en que mquina y cul de ellos no ser asignado a ninguna.
Mquina 1
Mquina 2
Mquina 3
10
10
Operario
1
Operario
2
Operario
3
Operario
4
Como la matriz no esta balanceada, es necesario incluir una mquina ficticia:

(esto es fundamental para asegurar que haya una respuesta. Si la matriz no est
balanceada, el problema no ser factible de resolver)
Mquina 1 Mquina 2 Mquina 3
Operario
1
Operario
2
Operario
3
Operario
4
Mquina
Ficticia
10
10
Xij = Se debe asignar el operario i a la mquina j? S o no?
- 68 -
En matemticas existen dos nmeros cuyas propiedades hacen que puedan

representar estas respuestas son el 1 y el 0, debido a que todo nmero
multiplicado por 1 da el mismo nmero entonces el 1 se puede reemplazar por
la respuesta S y como todo nmero multiplicado por cero da cero entonces se
puede reemplazar por la respuesta No.
As por ejemplo:
10X11 + 7X12 + 9X13 + 0X14
Representa el tiempo sumado que empleara el operario1 en operar las
mquinas, pero solo una variable de las tres anteriores puede tomar el valor de
S, o sea de 1 las dems tendrn que tomar el valor de 0, y eso es debido a que
el operario 1 slo puede ser asignado a una mquina, lo que significara que el
tiempo que utilice el operario 1 puede ser ya sea de "10" de "7" o de "9". Con
base en esto podemos formular la funcin objetivo:
Min Z =
10X11 + 7X12 + 9X13

7X21 + 5X22 + 8X23
9X31 + 8X32 + 10X33
8X41 + 9X42 + 7X43
Restricciones:
Como cada operario slo puede estar asignado a una mquina....
X11 + X12 + X13 + X14 = 1
X21 + X22 + X23 + X24 = 1
X31 + X32 + X33 + X34 = 1
X41 + X42 + X43 + X44 = 1
Y como cada mquina solo puede tener un operario asignado...
X11 + X21
X12 + X22
X13 + X23
X14 + X24
+ X31 + X41 = 1
+ X32 + X42 = 1
+ X33 + X43 = 1
+ X34 + X44 = 1
Xij = 1 o 0 para toda i,j.
- 69 -
Al resolver utilizando Software, por ejemplo el Solver del Excel, la respuesta

que se obtiene es la siguiente:
Mquina Mquina Mquina Mquina
1
2
3
Fic.
Operario
1
Operario
2
Operario
3
Operario
4
Esto significa que el Operario 1 queda asignado a la Mquina Ficticia (es

decir, es el que sobra), el operario 2 se asigna a la mquina 2, el operario 3 se
asigna a la mquina 1 y el operario 4 se asigna a la mquina 3.
V.2 ALGORITMO HUNGARO

El Algoritmo Hngaro sirve para reemplazar los mtodos tradicionales de la
Programacin Binaria, que implican muchos clculos, aprovechando la forma
especial que tienen los problemas de Asignacin.
Los siguientes pasos que se presentan a continuacin son para minimizar, pero
con algunas modificaciones se puede emplear tambin para maximizar.
Si la matriz no est balanceada, balancearla incluyendo las filas o
columnas ficticias necesarias.
De cada elemento de la matriz restar el mnimo valor de cada fila
De cada elemento de la matriz restar el mnimo valor de cada
columna
Realizar la Asignacin de la siguiente manera:
Cada cero que se encuentre en la matriz significa que se puede
asignar esa fila a esa columna, pero una vez hecha esta asignacin,
ya no se tendr en cuenta todos los dems ceros de esa misma fila y
esa misma columna, debido a que slo se puede asignar una fila a
una columna.
- 70 -
Buscar de arriba a abajo la fila que tenga menos ceros, pero que
mnimo tenga uno. (Pues si no tiene ninguno significa que esa fila no
se puede asignar a ninguna columna) y asignar esa fila a la columna
donde esta el cero (puede ser el primer cero que encuentre de
izquierda a derecha). Tachar esa fila y esa columna para indicar que
ya fueron asignados, para que los dems ceros de esa fila y esa
columna no se tengan en cuenta. Repetir este paso hasta que haga
todas las asignaciones que ms pueda. Si todas las filas quedaron
asignadas a todas las columnas el problema ha finalizado y esa es la
solucin ptima, sino ser necesario utilizar el mtodo de Flood
(tambin se llama condicin de Kning) que se explica a
continuacin.
V.2.1 MTODO DE FLOOD:
Sealar todas las filas que no tienen una asignacin. (Cuando digo
sealar puede ser una pequea X a la izquierda de la fila o arriba de la
columna)
Sealar todas las columnas que tengan un cero en la columna sealada.
Sealar todas las filas que tienen una asignacin en las columnas
indicadas.
Repetir estos pasos hasta que no pueda sealarse ms columnas o filas.
Dibujar una lnea por cada fila NO sealada y por cada columna SI
sealada.
Encontrar el mnimo valor de los elementos no cubiertos y restarlo a
todos los elementos no cubiertos, y sumar este valor a cada elemento
que se encuentre en la interseccin de una lnea horizontal con una
lnea vertical.
Realizar la Asignacin... si no es ptima hacer flood, iterar hasta que se
pueda hacer la asignacin.
- 71 -
V.3 PROGRAMACION BINARIA EN EL PROBLEMA DE

ASIGNACION
Muchas de las situaciones en la vida exigen una de dos respuestas
posibles: si o no. As es que podemos representar stas posibilidades
con los valores 0 (no) y 1 (si), y aprovechar las matemticas para que
nos den una mano ante decisiones difciles; a esto es lo que solemos
llamar -por obvias razones- Programacin Binaria.
Una de las muchsimas aplicaciones de la Programacin Binaria, es el
problema de la Asignacin. Se debe asignar el recurso i a la tarea j ?
Si o no?
EJEMPLO 5.3.1:
Se tienen tres personas (recurso) para asignarlos a tres labores diferentes. Cada
uno de ellos puede efectuar cualquiera de las tareas existentes, pero con
diferente nivel de especialidad. Sus respectivos jefes los han calificado de 1 a
10, para cada tarea en particular. Por supuesto el objetivo es el de asignar a las
personas de manera tal que la calificacin en conjunto sea la mxima. Ver
tabla de calificaciones abajo.
Tambin funciona para minimizar. Por ejemplo, en vez de calificacin podran
ser tiempos de manufactura de cualquier tipo de productos, y el objetivo sera
el de minimizar el tiempo total de manufactura.
Calificacin de Operario por Tarea
Tarea 1
Tarea 2
Tarea 3
Operario
8
6
4
1
Operario
9
7
3
2
Operario
6
5
7
3
Xij = 1 si asignamos el operario i a la tarea j, de lo contrario 0
En ste orden de ideas, nuestro deseo es maximizar la calificacin total al
asignar los operarios a las diferentes tareas.
- 72 -
Max Z = 8X11 + 6 X12 + 4 X13 + 9X21 +7 X22 +3X33 +6X31 +5X32

+7X33
SUJETO A:
1. Cada operario slo puede tener una tarea asignada
X11 +X12 +X13 = 1 (Es decir, slo se puede responder Si una sla vez.)
X21 +X22 +X23 = 1
X31 +X32 +X33 = 1
2. Cada tarea puede tener un slo operario asignado
X11 + X21 + X31 = 1
X12 + X22 + X32 = 1
X13 + X23 + X33 = 1
3. La obvia: Xij = 0,1 para toda i y toda j.
Ahora en Excel...
Este puede ser el formato:
Las variables de decisin, estn localizadas en el rango de celdas B4:D6,

como ya habamos dicho son binarias, van a tomar el valor de 1 si se asigna
ese operario a esa tarea, cero de lo contrario. La calificacin que se logre est
en la celda B2, y es el resultado de sumar el producto de dichas variables con
su respectiva calificacin en la matriz de abajo. Ya se haba dicho que esto se
logra fcilmente as: =SUMAPRODUCTO (B4:D6, B9:D11). Como un
operario slo se puede asignar a una tarea, colocamos una columna de Suma
(E), sta es por ejemplo para la celda E4: =B4+ C4 + D4. Cuando agreguemos
las restricciones, sta columna debe ser igual a uno, pues slo se puede
responder que si una vez, ni ms, ni menos. De igual manera agregamos una
fila (7), para asegurarnos que a una tarea slo se asigne un operario, por
- 73 -
ejemplo la celda B7: =B4+ B5+ B6 Deber ser igual a 1. Ahora en el cuadro
de dilogo de los parmetros de Solver, lo colocamos as:
Luego de hacer click en resolver...
La calificacin mxima lograda es de 22. Y se asign el operario 1 a la tarea

2, el operario 2 a la tarea 1 y el operario 3 a la tarea 3. Para los programas
Lineales enteros es muy importante que Solver, est debidamente configurado
para un nmero suficiente de iteraciones, de tiempo, de precisin y de
convergencia, para esto ver los detalles de Solver
- 74 -
VI. PROGRAMACIN LINEAL ENTERA

VI.1 INTRODUCCION :
El problema con la programacin lineal entera, es que no existe un algoritmo
rpido para hallar la solucin. El mtodo ms frecuentemente utilizado, se llama el
de ramificar y acotar y es una adaptacin de la solucin continua. Este algoritmo
toma la solucin del programa continuo y la divide en dos problemas si sta no fue
entera (si lo hubiera sido ya habramos terminado, pero eso slo sucede en las
pelculas), cada uno con una restriccin de ms. Por ejemplo, si la solucin
continua fue X1 = 7.25, se dividira en dos problemas, uno con la restriccin
X1<=7 y el otro con la restriccin X1 >= 7 . Se encuentran las soluciones, para
estos problemas y se comparan, le mejor gana; si no es entera se repite el
proceso de nuevo. Como se puede ver, ste mtodo consume muchos ms
recursos de mquina; en un problema de Planeacin Agregada, con unas cien
variables y unas sesenta restricciones, y algo de mala suerte, se podran estar
resolviendo unos cuantos miles de problemas continuos asociados, y cada uno de
estos podra consumir bastante tiempo. Tal vez con los nuevos estudios en
mtodos de punto interior, como el de Karmakar, se pueda derivar un mtodo
mucho ms eficiente que el de ramificar y acotar.
A propsito, Solver utiliza ramificar y acotar para la programacin lineal entera.
Resolver:
Max Z = 3 X1 + 4X2
4 X1 + 2X2 <= 8
2X1 + 5X2 <= 10
X1, X2 enteros positivos.
Lo modelamos de igual manera que el ejemplo continuo, y en las restricciones
especificamos que X1 y X2 son enteros. No es ms.
- 75 -
Y en las restricciones...
Para los programas Lineales enteros es muy importante que Solver, est
debidamente configurado para un nmero suficiente de iteraciones, de tiempo, de
precisin y de convergencia, para esto ver los detalles de Solver.
VI.2
EJEMPLO
DE RAMIFICACIN Y ACOTACIN
A travs d e un ejemplo de Programacin Lineal entera mixta aplicada

a la Planeacin Agregada se utilizara el siguiente modelo matemtico
para explicar el algoritmo de Ramificar y Acotar:
Min Z = 800T1 +800T2 + 800T3+800T4+800T5+800T6 (el total de salarios en
tiempo normal)
+200C1 +200C2+200C3+200C4+200C5+200C6
empleados por mes)
(el
costo
de
contratar
+500D1 +500D2+500D3 +500D4 +500D5 +500D6 (el costo de despedir D

empleados por mes)
+0.06i1 +0.06i2 +0.06i3 + 0.06i4 + 0.06i5+0.06i6 (costo de llevar inventario cada
mes)
+7.5H1 +7.5H2 +7.5H3+7.5H4+7.5H5 +7.5H6 (costo de utilizar H horas extras en
el mes)
- 76 -
Sujeto a:
T1
T2 - T1
T3 - T2
T4 - T3
T5 - T4
T6 - T5
- C1 +D1 = 70
-C2 +D2 = 0
-C3 +D3 = 0
-C4 +D4 = 0
-C5 +D5 = 0
-C6 +D6 = 0
I1 - 100T1
I1 + 100T2
I2 + 100T3
I3 + 100T4
I4 + 100T5
I5 + 100T6
- 0.625 H1
+ 0.625 H2 - I2
+ 0.625 H3 - I3
+ 0.625 H4 - I4
+ 0.625 H5 - I5
+ 0.625 H6 - I6
= 1.000
= 10.000
= 12.000
= 8.000
= 6.000
= 5.000
H1 - 32T1 <= 0
H2 - 32T2 <= 0
H3 - 32T3 <= 0
H4 - 32T4 <= 0
H5 - 32T5 <= 0
H6 - 32T6 <= 0
En el contexto de este modelo las variables T representan el nmero de

trabajadores que se deben tener en cada periodo (T1 en enero, T2 en
febrero, ...), por lo tanto estas variables deben ser enteras.
- 77 -
VI.3 rbol de Solucin:
Los nmeros dentro de los crculos significan el orden de los pasos a

seguir:
1. Resolver el problema Original Continuo. Z nos dio 332 620 pero las
cuatro primeras variables nos dieron no enteras. Entonces toca ramificar
por cualquiera de ellas... para no pensar mucho, escojamos siempre la
primera de izquierda a derecha. En este caso ramificamos por T1 cuya
respuesta original fue de 72.5 as es que resolveremos dos
subproblemas, en uno le agregaremos a las restricciones que ya tiene la
restriccin T1<=72 y al otro la restriccin T1 >= 73. Podemos escoger
cualquiera de las dos ramas para comenzar a solucionar y seguir... de
nuevo para no pensar mucho, escojamos siempre la rama de la
izquierda (no importa cul se escoja, aunque el no de iteraciones es
diferente segn la rama, no hay forma de saber cul es la ms rpida,
as es que aqu la escogimos por capricho esa). Escogiendo la rama de
la izquierda se solucionar el problema agregndole la restriccin
T1<=72 y se sigue en el paso 2.
2. Se solucion el problema con Z =332 730 pero de la segunda a la
cuarta variable no son enteras. As es que debemos de nuevo
ramificar... dijimos que escogeramos primero la primera variable no
entera de la izquierda a la derecha, en este caso T2. Si ramificamos por
T2 resolveremos dos problemas uno con la restriccin T2 <= 72 (rama
izquierda) y el otro T2 >= 73 (rama derecha). Resolver rama izquierda
- 78 -
3. Resulta la rama izquierda Z = 332 958 y todas las variables enteras.

Como todas las variables nos dieron enteras ya no se sigue ramificando
por esa rama, es decir se agota esa rama, y como es la primera solucin
entera que hemos encontrado esta solucin es la que va ganando con Z
= 332 958 (anotamos en un papelito el valor de Z para que no se nos
olvide). De ahora en adelante, cualquier rama que de un Z mayor que
332 958 no la seguimos ramificando, no nos interesara por que como
estamos minimizando no nos interesan valores ms grandes del que ya
obtuvimos. Claro que si llegamos a una solucin entera ms pequea
que esta, no nos dar ningn remordimiento olvidarla por completo y
llevar esa como mejor. Como esta rama se agota pasemos a lo otra
rama de T2>=73.
4. Se resuelve el problema con las restricciones que haba en el paso 2
agregndole la restriccin T2>= 73. Ojo! No las restricciones que haban
en el paso 3, como la rama nace del paso 2 se tomarn esas ms la de
T2>= 73. Okay, al resolver da Z = 332 952 y todas las variables
enteras. Como el Z es menor que el que tenamos como mejor de 332
958 nos olvidamos de ese otro y ahora tendremos como mejor el de 332
952 con T1=71, T2=73, T3=73, T4=73,T5=60,T6=50. Agotada toda la
rama izquierda del problema original resolvemos la rama derecha
agregndole la restriccin T1>=73.
5. Se resolvi con Z = 332 976 y las variables de la 2 a la 4 dieron no
enteras, pero no importa, no seguiremos ramificando por que el Z que
dio es mayor que el que ya tenemos de 332 952.
Finalmente:
Despus de 5 iteraciones se encontr el ptimo con Z = 332 952 y
T1=71, T2=73, T3=73, T4=73,T5=60,T6=50.
Este es un ejemplo minimizando. Para Maximizar lo nico que cambia es

que ya no se prefieren las Z ms pequeas sino las ms grandes.
- 79 -
VII.
TEORA DE DECISIONES
VII.1 INTRODUCCIN:
La mayora de las decisiones administrativas complejas se toman bajo
incertidumbre. Los gerentes autorizan inversiones sustanciales de capital
con un conocimiento que no es completo acerca de la demanda del
producto. Los funcionarios gubernamentales toman decisiones
importantes acerca del medio ambiente que afectara nuestras vidas por
muchos aos, sin embargo ellos no tienen disponible un conocimiento
preciso sobre el futuro.
VII.2 FASES EN EL ENFOQUE DE LA TEORA DE DECISIONES.
El enfoque de la teora de decisiones generalmente involucra 3 fases; presentaremos estos
mediante el ejemplo de un fabricante de CDs y tarjetas de video que est considerando
varios mtodos alternativos de expandir su produccin para adecuar una demanda creciente
para sus productos.
Fase I.- La primera accin que debe considerar el que va a tomar las decisiones es listar
todas las alternativas viables que se deben contemplar en la decisin.
Ejemplo:
1. Expandir la Planta.
2. Construir Planta Nueva.
3. Encargar la Produccin de CDs y tarjetas de videos a una empresa subcontratista.
Fase II.- Habiendo identificado todas las alternativas viables, el tomador de decisiones
debe ahora listar los eventos futuros que pueden ocurrir.
Generalmente los que toman decisiones estn en condiciones de identificar la mayora de
los eventos futuros que pueden ocurrir; la dificultad est en identificar que evento en
particular ocurrir. Estos eventos futuros (que no estn bajo el control del que toma la
decisin) se llaman estados de la naturaleza en la literatura de la teora de decisiones. En
este listado incluimos todo lo que puede suceder; tambin suponemos que los estados de la
naturaleza se definen de tal modo que solo uno de ellos puede ocurrir, en el caso de nuestro
fabricante de cintas y discos la mayor incertidumbre se asigna a la demanda futura del
producto.
1. Demanda Alta (total aceptacin del producto en el mercado).
2. Demanda Moderada (aceptacin moderada o regular del producto en el mercado).
3. Demanda Baja (Escasa aceptacin del producto en el mercado).
- 80 -
4. Falle (que no existe demanda de productos).
Fase III.- El tomador de decisiones construye ahora una tabla de beneficios.

Una tabla que muestra los beneficios (expresado en utilidades o en cualquier otra medida
que sea apropiada a la situacin), que resultara de cada posible combinacin de alternativas
de decisin y estados de la naturaleza. La tabla siguiente ilustra los 12 beneficios posibles
en la decisin de expansin de la compaa de CDs y tarjetas de videos
Tabla de Beneficios para la Expansin de la Compaa de CDs y tarjetas
Estados de la Naturaleza (demanda)

Alternativas
Alta
Mediana
Baja
del
500000
250000
-250000
Expandir
Tomador de Construir
700000
300000
-400000
Decisiones subcontratar
300000
150000
-100000
DIFERENTES AMBIENTES EN QUE SE TOMAN LAS
Falla
-450000
-800000
-100000
DECISIONES:
Los que toman las decisiones deben funcionar en 3 tipos de ambientes. En cada uno de
estos ambientes el conocimiento sobre los estados de la naturaleza es distinto.
VII.3 DISPONIBILIDAD DE INFORMACIN PERFECTA

Disponibilidad de Informacin Perfecta
Decisiones Bajo Certidumbre o Certeza.
Sea (Xj) Problema de Mezcla de Productos:

Puede suponerse que el beneficio por unidad de un j simo producto es Cj, el cual es un
valor real fijo. Si Xj es la variable de decisin que representa el nivel de produccin para el
producto j, la contribucin al beneficio total del producto j simo es Cj . Xj el cual de
nuevo, es un valor fijo para un valor dado de Xj.
LA DISPONIBILIDAD DE INFORMACIN IMPERFECTA

Sobre un problema nos presenta 2 categoras de casos en la toma de decisiones.
- 81 -
VII.4 DECISIONES CON RIESGO

El grado de ignorancia se expresa como una funcin de densidad de probabilidad que
representa los datos.
Cj: Variable aleatoria.

FD: f (Cj)
Determinar ms de un estado de la naturaleza (Debe Suponer)
Determinar la probabilidad de ocurrencia.
Cuando hablamos de decisiones de riesgo nos referimos a la clase de problemas de

decisin para los cuales hay ms de un estado de la naturaleza y para los que
tenemos la suposicin de que el que toma la suposicin pueda estimar la
probabilidad con que ocurrir todo estado de la naturaleza.
EJEMPLO: Supngase que hay m > 1 estados de la naturaleza y sea pj la probabilidad

de que ocurra el estado j, podemos entonces usar la siguiente ecuacin para calcular UEi,
que es el rendimiento esperado cuando tomamos la decisin i.
rij Pj = ri1 P1 + ri2 P2 + ... + rim Pm
Donde:
Pj es probable ocurrencia.
rij es probable retribucin.
En este tipo de problemas el administrador debe entonces tomar la decisin que maximice
el rendimiento esperado, dicho de otra manera, hallar la decisin ptima, es decir que UEi =
mxima sobre todo i de UEi
Es decir:
UEi = Max sobre todo i de UEi
- 82 -
VII.5 CASO DE ESTUDIO: EL PROBLEMA DEL VENDEDOR DE

PERIDICOS
El problema que afronta Cesar y su personal es un clsico de la ciencia de la administracin
conocido como el problema del vendedor de peridicos. En este el vendedor de peridicos
compra Q peridicos del camin de repartos al comenzar el da. Los vende en el
transcurso de la maana. No conoce por anticipado cuantos vender. Al final del da, los
peridicos carecen de valor. Si compra ms de los que vende, pierde el dinero
correspondiente a los peridicos que le hayan sobrado. Si no compra suficientes pierde las
utilidades potenciales de las ventas adicionales.
Supngase que paga C $ por cada peridico y los vende en S $ cada uno.
Sea:
C = $ 0.10
S = $ 0.25
COMPONENTES DEL PROBLEMA DEL VENDEDOR DE

PERIDICOS:
1. El costo de mantener inventario h, es el precio por unidad para el vendedor de
peridico por cada peridico que le sobra.
h = C = $ 0.10
2. El costo de Penalizacin P, es la ganancia que el vendedor pierde en cada peridico
que puede haber vendido, pero no lo hizo porque se agotaron
P=SC
P = 0.25 0.10
P = 0.15
3. La distribucin de probabilidad de la demanda:
Supngase que en este caso del Vendedor de Peridicos, emplea una

distribucin uniforme (por simplicitud) en particular, el piensa que es
igualmente probable cualquier demanda entre 1 y 100. por lo tanto:
Prob. {Demanda = 1} = 1/100
Prob. {Demanda = 23} = 1/100
Generalmente: {D = Cualquier entero de 1 a 100} = 1/100
- 83 -
Por lo tanto: Prob. {Demanda <= 5} = 5/100 = 0.05

Prob. {Demanda <= 23} = 23/100 = 0.23
Generalizando:
Pro. {D <= X}
= 0 Siendo X <= 0
= X/100 Siendo X = 1,2,..,100
= 1 Siendo X >= 100
Recuerde que el Vendedor de Peridicos puede comprar a $0.10 c/u y venderlos a $0.25.
Sin embargo la demanda no se conoce con certeza. El supone que es igualmente probable
cualquier demanda entre 1 y 100. En concreto sea el estado j el evento de que la demanda
sea j artculos; el supone que para cualquier entero j tal que j est comprendido entre
1 y 100, la probabilidad en j es = 0.01. Para fines acadmicos supngase que el esperaba
la siguiente distribucin de probabilidad de la demanda:
P0 = Prob. {D = 0} = 1/10
P1 = Prob. {D = 1} = 3/10
P2 = Prob. {D = 2} = 4/10
P3 = Prob. {D = 3} = 2/10
Estados de la Naturaleza Distintos.
Entonces la decisin es el nmero de peridico por ordenar. Los rendimientos o retribucin

se muestran a continuacin.
Retribuciones para el Problema del Vendedor de Peridicos

Estado de la Naturaleza (Demanda)
Decisin
0
1
2
0
0
0
0
-10
15
15
1
-20
5
30
2
-30
-5
20
3
3
0
15
30
45
UEi para i = 0, 1, 2, 3
UE0 = 0(1/10) + 0 (3/10) + (4/10) + 0 (2/10) = 0
UE1 = -10(1/10) + 15(3/10) + 15(4/10) + 15(2/10) = 12.5
UE2 = -20(1/10) + 5(3/10) + 30(4/10) + 30(2/10 = 17.5 UTILIDAD MAXIMA
UE3 = -30(1/10) 5(3/10) + 20(4/10) + 45(2/10) = 12.5
LA DECISIN OPTIMA ES COMPRAR 2 PERIDICOS.
- 84 -
VII.6 EL CRITERIO DEL VALOR ESPERADO

Este criterio requiere que el tomador de decisiones calcule el valor esperado para cada
alternativa, donde los pesos son los valores de probabilidad asignados por el tomador de
decisiones a los estados de la naturaleza que pueden presentarse.
VII.7 CASO DE ESTUDIO: VENTA DE FRESAS POR BETH PERRY (BP)

BP compra fresas a $3 la caja y las vende a $8 la caja. Este margen alto refleja lo
perecedero del artculo y el gran riesgo de almacenarlo; el producto no tiene ningn valor
despus del primer da en que se ofrece a la venta. BP se enfrenta al problema de cuanto
ordenar hoy para los negocios de maana. Una observacin de ventas pasadas por 90 das
nos da la informacin mostrada a continuacin:
Ventas histricas diarias de fresas (en cajas)

Ventas Diarias (Caja)
N de Das con esta Venta
10
11
12
13
Total
18
36
27
9
90
Probabilidad que se venda

cada Nmero
0.20
0.40
0.30
0.10
1.00
Esta distribucin es discreta y aleatoria. Solo hay cuatro valores posibles para el volumen
de ventas y no hay patrn discernible en la secuencia en que ocurran estos 4 valores. Si
suponemos que BP no tenga argumentos para creer que el volumen de ventas se compartir
en forma diferente en el futuro, su problema es determinar cuantas cajas debe comprar hoy
para el negocio de maana. Si maana los clientes solicitan ms cajas de las que hay
almacenadas, las utilidades de BP disminuyen en $5 (precio de venta precio de costo), por
cada venta que no pueda hacer. Por otra parte hay costos que resultan de almacenar
demasiados artculos en cualquier da. Suponga que un da dado BP tiene 13 cajas, pero
solo vende 10. tiene una utilidad de $50, $5 por caja en 10 cajas, pero esto debe reducirse
por $9, el costo de 3 cajas no vendidas y sin valor.
(I) CLCULO DE LAS UTILIDADES CONDICIONALES:

Para ilustrar el problema de BP, se construye una tabla que muestra los resultados en dinero
de todas las posibles combinaciones de compras y ventas. Los nicos valores de compras y
ventas que tienen significado para nosotros son: 10, 11, 12, 13 (cajas). No hay motivo para
que ella considere comprar menos de 10 y ms de 13 cajas.
- 85 -
La tabla siguiente llamada tabla de Utilidades Condicionales muestra la utilidad resultante

de cualquier combinacin posible de oferta y demanda. Las utilidades pueden ser positivas
o negativas y son condicionales en el sentido de que una utilidad dada resulta de una accin
de almacenamiento especfico (ordenar 10, 11, 12, 13 cajas). La tabla refleja las prdidas
que ocurren cuando el inventario no se ha vendido al final del da. No refleja utilidades no
realizadas por BP a causa de su incapacidad de satisfacer la solicitud de un comprador, esto
es, a causa de una condicin de falta de inventario.
Tabla de Utilidades Condicionales (De Rendimientos)

Demanda
Posible
(Ventas) Cajas
10
11
12
13
Acciones de Almacenamiento Posibles

10 Cajas
11 Cajas
12 Cajas
13 Cajas
50
50
50
50
47
55
55
55
44
52
60
60
41
49
57
65
Esta tabla de utilidades condicionales no le dice a BP el nmero de cajas que debe

almacenar cada da para maximizar sus utilidades. Solo le muestra cul ser el resultado si
un nmero especfico de cajas se almacena y un nmero especfico de cajas se vende. Bajo
condiciones de riesgo. Ella no sabe por anticipado el tamao de la demanda de un da dado,
pero an as debe decidir que nmero de cajas almacenar constantemente, maximizarn las
utilidades sobre un peridico dado.
(II) DETERMINACIN DE LA UTILIDAD ESPERADA

UEi = 10, 11, 12, 13
UE10 = 50(0.20) + 50(0.40) + 50(0.30) + 50(0.10) = $50
UE11 = 47(0.20) + 55(0.40) + 55(0.30) + 55(0.10) = $53.40
UE12 = 44(0.20) + 52(0.40) + 60(0.30) + 60(0.10) = $53.60 UTILIDAD MAXIMA

UE13 = 41(0.20) + 49(0.40) + 57(0.30) + 65(0.10) = $51.40
LA DECISION OPTIMA ES COMPRAR 12 CAJAS
VII.7.1 OTRO ENFOQUE PARA RESOLVER ESTE PROBLEMA:

Minimizacin de Prdidas.- existen dos tipos de prdidas.
Prdidas con Obsolescencia (Sobre Stock)

Prdidas por Oportunidad (Falta Inventarios)
- 86 -
Tabla de Prdidas Condicionales

Demanda
Posible
10 Cajas
11 Cajas
12 Cajas
13 Cajas
(Ventas) Cajas
0
3
6
9
10
5
0
3
6
11
10
5
0
3
12
15
10
5
0
13
Clculo de Prdidas Esperadas:
PEi = 10, 11, 12, 13
PE10 = 0(0.20) + 5(0.40) + 10(0.30) + 15(0.10) = $6.5
PE11 = 3(0.20) + 0(0.40) + 5(0.30) + 10(0.10) = $3.10
PE12 = 6(0.20) + 3(0.40) + 0(0.30) + 5(0.10) = $2.90 MINIMO COSTO

PE13 = 9(0.20) + 6(0.40) + 3(0.30) + 0(0.10) = $5.10
LA DECISION OPTIMA ES COMPRAR 12 CAJAS
VII.7.2 UTILIDADES CONDICIONALES BAJO CERTEZA

(INFORMACIN PERFECTA)- I.P
Tabla de utilidades Condicionales
Demanda
Posible
10 Cajas
11 Cajas
12 Cajas
13 Cajas
(Ventas) Cajas
10
50
11
55
12
60
13
65
I. CALCULO DE UTILIDADES ESPERADAS

UE = 50(0.20) + 55(0.40) + 60(0.30) + 65(0.10) = $56.50
56.50 UTILIDAD MAXIMA CON I. P
53.60 UTILIDAD MAXIMA SIN I .P
2.90 VALOR
MAXIMO
DE
INFORMACION
LA
- 87 -
VII.8 ARTCULOS QUE TIENEN UN VALOR DE RECUPERACIN:

(VALOR DE SALVAMENTO)
Si el producto tiene algn valor de recuperacin, entonces esta cantidad se debe considerar
al calcular las utilidades condicionales por accin de almacenamiento.
Considere el caso de un producto que se ordena por el detallista y se recibe el da anterior al
da de la venta. Cuesta $5 por caja y se vende en $8 por caja, cualquier remanente no
vendido al final del da, se puede salir de l al precio de recuperacin de $2 por caja. La
siguiente tabla nos muestra que las ventas pasadas han variado de 15 a 18 cajas por da. No
hay razn para creer que el volumen de ventas tomar cualquier otra magnitud en el futuro.
Tamao del
Mercado
15
16
17
18
66
Probabilidad de
Tamao del
Mercado
0.10
0.20
0.40
0.30
1.00
Tabla de Utilidades Condicionales

Demanda
Posible
(Ventas) Cajas
15
16
17
18

15 Cajas
16 Cajas
17 Cajas
18 Cajas
45
45
45
45
42
48
48
48
39
45
51
51
36
42
48
54
UEi = 15, 16, 17, 18

UE10 = 45(0.10) + 45(0.20) + 45(0.40) + 45(0.30) = $45
UE11 = 42(0.10) + 48(0.20) + 48(0.40) + 48(0.30) = $47.40
UE12 = 39(0.10) + 45(0.20) + 51(0.40) + 51(0.30) = $48.60
UE13 = 36(0.10) + 42(0.20) + 48(0.40) + 54(0.30) = $47.40
- 88 -
VII.9 DATOS EXPERIMENTALES EN DECISIONES CON RIESGO

Probabilidades a Priori
Experiencia, Datos Histricos

Experimento (Modificar Prob.)
Probabilidades a Posteriori
Ejem: La Probabilidad de tener un lote bueno es de 0.80
La Probabilidad de tener un lote malo es 0.20
1. Dos Buenos.
2. Uno Bueno.
3. Dos Malos.
A priori
A Posteriori
Algunas veces es posible realizar un experimento acerca del sistema en estudio y

dependiendo de los resultados de dicho experimento, modificar las probabilidades a priori
en el sentido de que se puede incluir informacin importante con respecto al sistema, al
calcular las nuevas probabilidades. A estas probabilidades se les conoce como
probabilidades a posteriori.
EJEMPLO:
La experiencia en una Empresa Industrial indica que la

probabilidad de produccin de lotes buenos = 0.95 y la probabilidad de producir un lote
malo = 0.05.
Sea
P( = 1) = 0.95
P( = 2) = 0.05
P(i)
Bueno
Malo
Probabilidades a Priori
Probabilidades de Resultado
1. Dos Buenas...Z1
2. Uno Bueno...Z2
3. Dos Malos...Z3
P (Zj / i): Probabilidad Condicional.
P (i / Zj): Probabilidad a Posteriori.
Generalmente:
Sea:
= 1, 2... n
z = z1, z2....zn
- 89 -
P(Zj) = P(i, Zj) = P(Zj / i) P(i) Probabilidad a Posteriori

P(i / Zj) = P(i, Zj)/P(Zj) = P(Zj / i) P(i)/ P(Zj/i) P(i) Probabilidad de Bayes
Suponga que el % de defectuosos en un lote bueno = 4%
Suponga que el % de defectuosos en un lote malo = 15%
Aplicando Distribucin Binomial:

P(X = k) = (n k) pk qn-k
k = 0, 1, 2n
P(Z1/1) = (0.96)2 (0.04) = 0.922

P(Z2/1) = (0.96) (0.04) = 0.0768
P(Z3/1) = (0.96) (0.04)2 = 0.0016
P(Z1/2) = (0.85)2 (0.15) = 0.7225
P(Z2/2) = (0.85) (0.15) = 0.255
P(Z3/2) = (0.85) (0.15)2 = 0.0225
P(Zj/i) :
1
2
Z1
0.922
0.7225
Bueno = P( = 1) = 0.95
Z2
0.0768
0.255
Z3
0.0016
0.0225
Malo = P( = 2) = 0.05
Hallando las Prob. Conjuntas

P(i Zj) = P(Zj / i) P(i)
P(i, Zj) :
1
2
Z1
0.8759
0.036125
Z2
0.07296
0.01275
Z3
0.00152
0.001125
- 90 -
P(Zj) = P(Zj / i) P(i)
P(Zj) = P(i / Zj)

P(Z1) = 0.912025
P(Z2) = 0.08571
P(Z3) = 0.002645
P(i/Zj) = P(i, Zj) / P(Zj)
P (i / Zj) :Prob. a posteriori
1
2
Z1
0.96039
0.03961
Z2
0.85124
0.14876
Z3
0.57467
0.42533
La probabilidad de sacar dos artculos defectuosos de uno bueno es 0.57467

La probabilidad de sacar dos artculos buenos de uno bueno es 0.96039
La probabilidad de sacar un artculo bueno de uno malo es 0.85124
VII.10 DECISIONES BAJO INCERTIDUMBRE

No se dispone de ninguna funcin densidad de probabilidad. No implica ignorancia
completa sobre el tema.
F(Cj): No se conoce o no puede determinarse.

Se conoce: Cj, Cj; Cj
1.
2.
3.
4.
Criterio de Laplace.
Criterio Mnimas.
Criterio Savage.
Criterio de Hurwicz.
a1
a2
...
am
Estados de la Naturaleza
1
2
V(a1, 1)
V(a1, 2)
V(a2, 1)
V(a2, 2)
...
...
V(am, 1)
V(am, 2)
...
...
...
...
...
3
V(a1, n)
V(a2, n)
...
V(am, n)
- 91 -
Para el estudio de las decisiones bajo incertidumbre tomamos como base el

siguiente tablero (matriz) de posibles acciones y estados de ocurrencia que tendra
que tomar el decisor.
1.CRITERIO DE LAPLACE.-
este enfoque interpreta las condiciones de

incertidumbre como equivalente a supuesto de que todos los estados de la naturaleza
tienen la misma probabilidad. El punto de vista de este Si nada se, entonces todo es
igualmente posible por ejemplo, en el problema del vendedor de peridicos, tenemos la
tabla de retribuciones siguiente:
Decisin
0
1
2
3
0
-10
-20
-30
Estados de la Naturaleza
0
0
15
15
5
30
-5
20
0
15
30
45
Suponer que todos los estados de la naturaleza tengan la misma probabilidad significa que,
dado que son 4, la probabilidad de que ocurran es de 0.25 para c/u. La eleccin de estas
probabilidades convierte al problema en una decisin bajo riesgo y entonces se puede
calcular el rendimiento esperado; eligiendo la accin ai que proporciona la ganancia mayor
esperada.
Max ai = 1/n V(ai, j)

Donde 1/n es la probabilidad de que ocurra j = (0, 1, 2, 3)
UE0 = 0(1/4) + 0(1/4) + 0(1/4) + 0(1/4) = 0
UE1 = -10(1/4) + 15(1/4) + 15(1/4) + 15(1/4) = 8.75
UE2 = -20(1/4) + 5(1/4) + 30(1/4) + 30(1/4) = 11.25 MAXIMA UTILIDAD

UE3 = -30(1/4) + (-5)(1/4) + 30(1/4) + 45(1/4) = 7.5
LA DECISION OPTIMA ES COMPRAR DOS PERIODICOS

Aunque en algunas situaciones este enfoque de igual probabilidad puede producir
resultados aceptables, en otros podra ser inadecuado.
- 92 -
2. CRITERIO MNIMAX (MAXIMN).- Este criterio es el ms conservador ya

que se basa en lograr lo mejor de las peores condiciones posibles. El criterio elige la accin
ai asociado a:
min . max { V(ai, j)} (Mnimax)
Donde: V (ai, j); representa la prdida para el decisor.
No se aplica a una matriz de beneficios o utilidades, sino se aplica para prdidas y

costos.
En forma anloga si V (ai, j) representa las ganancias, el criterio elige la accin as
asociada a:
max . min { V(ai, j)} (Maximin)
Ejemplo: Considere V(ai, j) la representacin de costo entonces el criterio minimax es

aplicable al tablero siguiente:
a1
a2
a3
a4
1
5
8
21
30
2
10
7
18
22
3
10
8
12
19
4
25
23
21
15
25
23
21
30
3. CRITERIO DE DEPLORACIN DE SAVAGE

Tambin conocido como Criterio de Deploracin Minimax de Savage. El criterio MiniMax
es muy conservador a tal punto que puede llevar a conclusiones ilgicas.
Dado otro ejemplo la matriz de pedidos siguiente (ejemplo clsico)
V(ai, j) :
a1
a2
1
11000
10000
2
90
10000
Si aplicamos el criterio MinMax a esta matriz nos da como resultado la opcin a2, pero la
lgica se inclina por a1. El criterio de Savage rectifica este punto construyendo una matriz
de prdidas en la cual V(ai, j) se reemplaza por:
r(ai, j)
la cual se define como:
- 93 -
r(ai, j) =
Max ak {V(ak, j)} V(ai, j)

V(ai, j) Min ak {V(ak, j)
Si V es beneficio
Si V es costos o prdidas
r(ai, j) es una representacin de arrepentimiento del decisor como resultante de perder la

mayor solucin correspondiente a un estado futuro dado j.
La funcin r(ai, j) se le conoce como matriz de Deploracin.
Luego mostrando los nuevos elementos r(ai, j) se tiene lo siguiente:
r(ai, j) =
1
1000
0
a1
a2
2
0
9910
1000
9910
Ahora el criterio minimax proporciona a1 como se esperaba.

Si V(ai, j) es una funcin de beneficio o de prdida, r(ai, j) es una funcin de
Deploracin, la cual en ambos casos representa prdidas. Por lo tanto nicamente el criterio
minimax puede aplicarse a: r(ai, j)
4. CRITERIO DE HURWICZ.- Este criterio tiene en consideracin un intervalo de

actividades desde la ms optimista hasta la ms pesimista.
Condicin Optimista
Condicin Pesimista
max.max{V(ai, j)}
max.min{V(ai, j)}
Suponer que: V(ai, j) Representa beneficio.

El criterio Hurwicz pondera el optimismo extremo y el pesimismo extremo para los pesos
respectivos () y (1 - )
Donde: : est en el intervalo 0 1
0 <= <= 1
Luego se tiene lo siguiente:

Si V(ai, j): representa beneficio seleccione la accin que proporcione lo siguiente:
max{ max V(ai, j) + (1 - ) min V(ai, j)}
Para el caso que V(ai, j) representa un costo, el criterio selecciona la accin que
proporciona lo siguiente:
min{ min V(ai, j) + (1 - ) max V(ai, j)}
- 94 -
El parmetro alfa se le conoce como ndice optimista:

Cuando = 1 = Criterio demasiado optimista
Cuando = 0 = Criterio demasiado pesimista

Cuando = sera un criterio razonable.
Ejemplo: suponer que = en la matriz de costos siguiente
V(ai, j) :
Matriz de costos
1
2
3
5
10
18
a1
8
7
8
a2
21
18
12
a3
30
22
19
a4
Min V(ai, j)
Max V(ai, j)
4
25
23
21
15
Min V(ai, j) + (1 - ) Max V(ai, j)
a1
25
15
a2
23
15
a3
12
21
16.5
a4
15
30
22.5
Min ai
- 95 -
VII.11 RBOLES DE DECISIN

Llamase rboles de decisin a aquellos que contienen tanto las probabilidades de los
resultados, como los valores monetarios condicionales de estos resultados de modo que se
pueden calcular los valores esperados.
(i)
(ii)
Probabilidades de Riesgo
Valores Monetarios Condicionales del Resultado
Valor Esperado
EJEMPLO: Se desea tomar una decisin entre ir al cine o quedarse en casa a ver Tv.
P e lc u la s e a
B uena
Ir a l C in e
P e lc u la
s e a M a la
P ro g ra m a N u e v o
V er T v
P r o g r a m a R e p e tid o
- 96 -
EJEMPLO: Se desea invertir $1000 ya sea en la compra de acciones o en un depsito de

una cuenta de ahorros. Opte por la mayor decisin.
M ercado tiende
a la alza
1
Invertir $1000
en A cciones
(0.7)
M ercado T iende
a la Baja
(0.3)
M ercado tiende
alalza
Invertir
$1000 en
Cta Cte
(0.7)
M ercado a baja
(0.3)
Supngase que la cuenta de ahorros nos pagara un inters del 5% si las acciones suben, se
obtendr $1400, Si las acciones bajan se obtendr $ 800
$ 1 4 0 0 (0 .7 )
In ve rtir $ 1 0 0 0
e n A c cion es
$ 8 0 0 (0 .3 )
$980
$240
$1220
$ 1 0 5 0 (0 .7 )
$735
In ve rtir
$ 1 0 0 0 en
C ta C te
2
$ 1 0 5 0 (0 .3 )
$315
$1050
RESPUESTA: LA DECISIN ES INVERTIR $1000 EN ACCIONES.
- 97 -
EJEMPLO: rboles de decisin para un problema de inversin en una planta:

Stereo Industries LTD. Debe decidirse si construir una planta grande o pequea para producir una
nueva tornamesa, que se espera tenga una permanencia en el mercado de 10 aos.
Una planta grande costar $2.800.000 en su construccin y puesta en operacin, mientras que una
planta pequea costar solo $1.400.000
El mejor estimado de la compaa da una distribucin discreta de las ventas sobre un periodo de 10
aos es:
Demanda alta
Demanda moderada
Demanda baja
= 0.5
= 0.3
= 0.2
El anlisis de costo volumen utilidad hecho por la gerencia de Stereo Industries LTD. Indica
estos resultados condicionales bajo las varias combinaciones de tamao de planta y tamao de
mercado:
1. Una planta grande con una demanda alta producir utilidades anuales por $1,000.000
2. Una planta grande con una demanda moderada producir utilidades anuales por $600
000
3. Una planta grande con una demanda baja producir prdidas anuales por $700.000
debido a ineficiencias en la produccin.
4. Una planta pequea con una demanda alta solo producir utilidades anuales por
$250.000 considerando el costo de las ventas perdidas por la inhabilidad de abastecer a
los clientes.
5. Una planta pequea con una demanda moderada producir utilidades anuales de
$450.000 porque el costo de las ventas perdidas ser algo ms bajo.
6. Una planta pequea con una demanda baja producir utilidades de $550.000 anuales
porque el tamao de la planta y el tamao del mercado estaran ajustadas casi
ptimamente.
- 98 -
($
C o n stru ir P la n ta
G ra n d e
0)
5000000
D M ($ 6 0 0 0 0 0 )(0 .3 )(1 0 )
C o n stru ir
P la n ta P e q u e a
10
A
D 0)(0
0
0
00
(1
.5 )
B(
$2
0
($ 2
00
0
00
00
0 )(
)(0
-4 0 0 0 0 0
.2 )
(1
.5 )
(1 0
0)
($
55
00
00
)(0
.2
)(1
3600000
1250000
D M ($ 4 5 0 0 0 0 )(0 .3 )(1 0 )
D
1800000
1350000
1100000
0)
2300000
Se toma la decisin de construir una planta grande con una diferencia de $1,300.000
$ 3,600.000
$ 2,300.000
$ 1,300.000
- 99 -
VIII. SISTEMAS DE INVENTARIOS

VIII.1 INTRODUCCIN
Qu cantidad comprar?
Cundo? Cada que tiempo hacer el pedido
SOBREALMACENAMIENTO:

Las frecuencias de pedidos son altas.

El capital invertido por unidad es alto.
Ventajas:
Bajo costo de escasez de pedidos.
Desventajas:
Aumento de costo de almacenamiento.
SUBALMACENAMIENTO:
Ventajas:
Baja frecuencia de pedidos.
El capital invertido por unidad es relativamente bajo.
Desventaja:
Origina costo de escasez.
Sistema Logstico:(Empresa Industrial)
MP
Insumos
Materiales
Logstica
de
Entrada
Produccin
(Demanda
Interna)
Logstica
de
Salida

-
Mercado o
Demanda
Externa
- 100
VIII.2 TCNICA ABC.- (TCNICA DE WILFREDO PARETO)

Zona A: El 80% de la inversin total est representada por el 20% del total de artculos
Zona B: El 15% de la inversin total est representada por el 25% del total de artculos
Zona C: El 5% de la inversin total est representada por el 55% del total de artculos
GRFICAMENTE:
% Inversin
Total
100%
95%
80%
C
B
A
20%
45%
100%
% Artculos
del Total

-
- 101
ITEM
Cdigo
Cdi
go
EJEMPLO: La siguiente relacin muestra el consumo promedio anual de una serie de

artculos correspondientes a una serie de construcciones metlicas. Confeccionar un grfico
ABC y recomendar las medidas necesarias para controlar estos stocks de la forma ms
conveniente posible.
Inversin
% ACUM. %ACUM
Cantidad
Acumulado de Inversin de ART.
C 391
1390.00
32.00
Z-827
960000.00
960000.00
X 003
11500.00
52.00
C-943
669000.00
1629000.00
M 049
3200.00
62.00
X-003
598000.00
2227000.00
C-086
1270.00
15.00
Z-002
494000.00
2721000.00
P-291
18000.00
3.00
S-005
407680.00
3128680.00
Z-827
1600.00
600.00
M-102
203000.00
3331680.00
M-001
11500.00
4.00
M-049
198400.00
3530080.00
Q-008
100.00
22.45
P-427
194000.00
3724080.00
C-943
1500.00
446.00
P-039
63000.00
3787080.00
10
P-427
4850.00
40.00
P-921
54000.00
3841080.00
11
V-333
3270.00
16.00
V-333
52320.00
3893400.00
12
M-565
32500.00
1.25
8-B25
48000.00
3941400.00
13
T-654
3290.00
3.00
M-001
46000.00
3987400.00
14
Z-002
1900.00
260.00
C-391
44480.00
4031880.00
15
S-005
1960.00
208.00
M-565
40625.00
4072505.00
16
P-039
4200.00
15.00
V-998
25200.00
4097705.00
17
V-998
25200.00
1.00
C-086
19050.00
4116755.00
18
Q-098
41000.00
0.15
T-654
9870.00
4126625.00
19
M-102
20300.00
10.00
Q-098
6150.00
4132775.00
20
8-B25
12000.00
4.00
Q-008
2245.00
4135020.00
Consumo(uni Precio ($
dad x Ao)
Unid)

-
80.57%
30%
94.16%
55%
100%
100%
- 102
GRFICAMENTE:
% Inversin
Total
100%
94.16%
80.57%
C=9
B=5
A=6
30%
55%
100%
% Artculos
del Total
VIII.3 MODELO DE INVENTARIO GENERALIZADO

Da respuesta a las siguientes preguntas:
1. Qu cantidad de artculos deben pedirse?
2. Cundo debe efectuarse el pedido?
Respuestas:
1. Determinar la cantidad de pedido.
2. Tipo de Sistema de Inventarios
Los sistemas de inventarios pueden ser de 2 tipos:

a) Sistema de Revisin Peridica con Intervalos de tiempos iguales.- determinar la
cantidad a pedirse en el tiempo de manera que coincida con el inicio de cada
intervalo de tiempo.
b) Sistema de Revisin Continua.- determina un punto de pedido en el nivel de
inventario.

-
- 103
Se origina el Costo Total Anual de Inventario(CTAI) :
CTAI = Costo de Compra + Costo Fijo + Costo de Almacenamiento + Costo de

Escasez
Costo de Compra
: Precio que se paga por la cantidad a pedirse.
Costo Fijo
: Costo que se incurre cuando hacemos un pedido.
Costo de Almacenamiento
: Lo que cuesta tener stock el almacn.
Costo de Escasez :
Cuando no tenemos disponible.
GRFICAMENTE:
Costo Total x Ao
Costo Total de
Inventario
Costo de Almacenamiento
Costo de Compra
Costo Fijo
Costo de Escasez
Nivel Optimo de
Inventario

-
- 104
COMPLEJIDAD DE LOS MODELOS DE INVENTARIOS:

DEMANDA:
Determinista

Esttica
Dinmica

Estacionaria
No Estacionaria
Grado o nivel de complejidad

matemtica de un Sistema de
Inventario
Probabilstica
Aunque el tipo de demanda es un factor principal del diseo del modelo de

inventario, los factores siguientes pueden influenciar tambin la forma en que se
formula el modelo.
OTROS FACTORES:
1. Demora en la Entrega: cuando se coloca un pedido, puede entregarse
inmediatamente o puede requerir algn tiempo antes de que la entrega se
efecte. El tiempo entre la colocacin de un pedido y su sentido se conoce como
demora en la entrega. En general las holguras de entrega pueden ser
determinadas o probabilsticas.
2. Reabasto de Almacn: Aunque un sistema de inventarios puede operar con
demoras en las entregas, el abastecimiento real del almacn puede ser
instantneo o uniforme. El instantneo ocurre cuando el almacn compra de
fuentes externas. El uniforme puede cuando el producto se fabrica totalmente
dentro de la organizacin. En general un sistema puede operar con demanda
positiva y tambin con reaprovisionamiento uniforme de almacn.
3. Horizonte de Tiempo: El horizonte define el periodo sobre el cual el nivel de
inventarios estar controlado, este horizonte puede ser finito o infinito
dependiendo de la naturaleza de la demanda.
4. Abastecimiento Mltiple: Un sistema de inventarios puede tener varios puntos
de almacenamiento. En algunos casos estos puntos de almacenamiento estn
-
- 105
organizados de tal manera que un punto acta como una fuente de

abastecimiento para algunos otros puntos. Este tipo de operacin puede repetirse
a diferentes niveles de tal manera que un punto de demanda pueda de nuevo
llegar a ser un nuevo punto de abastecimiento. La situacin usualmente se
denomina sistema de abastecimiento mltiple.
5. Nmero de Artculos: un sistema de inventarios puede comprender ms de un

artculo. Este caso es de inters, principalmente si existe alguna clase de
interaccin entre los diferentes artculos. Por ejemplo estos pueden competir en
espacio o capital total limitados.
VIII.4 MODELOS DETERMINISTAS

VIII.4.1 MODELO ESTTICO DE UN SOLO ARTCULO:
El tipo ms simple de modelo de inventarios ocurre cuando la demanda es

constante en el tiempo con reabastecimiento instantneo y sin escasez.
Nivel de
Inventario
y
y/2
Ciclo
Tiempo
Costo total de inventario CTI(y)
Parmetros:
= Tasa de demanda o consumo.
K = Costo fijo.
H = Costo de almacenamiento.

-
- 106
CTI (y) = K = Costos fijos y costos de almacenamiento por unidad de

y/ tiempo.
CTI (y) = K + h (y/2)
y/
Minimizando CTI (y)
CTI (y) = (K/y/) + [h (y/2)] = 0

CTI (y) = (K/y) + [h (y/2)] = 0
CTI (y) = - K/y2 + h/2 =0
h/2 = K/y2
y* = 2K/ h Cantidad econmica de pedido o modelo de Wilson.

Frmula que tiene que ver con el costo ptimo.
CTI(y*) = 2K h
PROBLEMA: La demanda diaria para una mercanca es aproximadamente 100

unidades. Cada vez que se coloca un pedido se origina un costo fijo de $100. el costo diario
de mantener el inventario por unidad es de $0.02. si el tiempo de demora es de 12 das,
determine el tamao econmico del lote y el punto de reordenacin.
= 100 u/d
K = $1000
h = $0.02
1) Determinacin del lote econmico.

y* = 2K/ h = 2(1000)(100)/0.02
y* = 1000 unidades
2) Hallando el ciclo.
t*0 = y*/ = 1000u/100u/d
t*0 = 10 das.
Considerando demora = 12 das

-
- 107
12 10 = 2 das
2*100 unidades = 200 unidades
L = 2 das de anticipacin.
RESPUESTA: PEDIR 1000 UNIDADES CUANDO EL NIVEL DE INVENTARIOS

LLEGUE A 200 UNIDADES.
COSTO PTIMO
CTI (y*) = 2K h = 2(1000)(100)(0.02)
CTI (y*) = $20 costo ptimo.
VIII.4.1.2 MODELO ESTTICO DE MLTIPLES ARTCULOS CON

LIMITACIONES EN ALMACN
CTU = Costo Fijo + Costo de Almacenamiento
CTU = K + h (y/2) ------------- 1 (Un Artculo)
y
CTU (Y1, Y2, Y2, ...Yn) = [ Kii + hi Yi ]..............2 (Varios Artculos)
yi
2
Si:
Vi = Volumen de un artculo.
Yi = Cantidad de Artculos en Inventario.
Adems:
Q = Volumen Total de Almacenamiento.
Yi Vi <= Q , yi > 0
Min CTU (Y1, Y2, Y3,...Yn) = [ Kii + hi Yi ]

yi
2
S a:
Yi <= Q
Yi > 0

-
- 108
1.Mtodo de Lagrange (Multiplicadores de Lagrange ():

L(Y1, Y2, Y3,...Yn, ) = [ Kii + hiYi ] - [ Yi Vi Q]
yi
2
Aplicando derivadas para hallar valores Min:
L = 0 - Ki i + hi - Vi = 0
Yi
Y2i
2
hi - Vi = Ki i
2
Y2i
Yi =
2 Ki i
hi 2 Vi
Y*i =
2 Ki i
hi 2 Vi
Frmula 1
L = 0 - Yi Vi Q = 0 Frmula 2
<0
PROBLEMA:
Supngase una bodega de 25000 m3 de espacio real de
almacenamiento de productos agrcolas (maz, trigo, frjol).
Este espacio ya toma una cuenta a lo que se requiere para maniobras de estiba. Las
caractersticas de estos productos son:
Demanda de productos agricolas
Producto
i = 1 Maz
i = 2 Frjol
i = 3 Trigo
Demanda
Constante
Mensual i
2 Tn
4 Tn
3 Tn
Espacio
Ocupado por
Tonelada de
Grano (Vi)
1000 m3
1000 m3
1000 m3
Costo Fijo de
Almacn (Ki)
Costo de
Almacenamiento
x Tonelada (hi)
$ 10000
$ 5000
$ 15000
$ 300
$ 100
$ 200
Cul es la Poltica ptima del Inventario que minimiza los costos Totales?
N de
(<=)
Y*1
Y*2

-
Y*3
Yi Vi Q
- 109
Iteraciones
1
2
3
4
5
6
7
0.00
-0.05
-0.10
-0.15
-0.20
-0.25
-0.30
11.2
10.0
9.0
8.2
7.6
7.1
6.7
Valor de = -0.30 <= <= -0.25
20.2
14.1
11.5
10.0
8.9
8.2
7.6
21.2
17.3
14.9
13.4
12.2
11.3
10.6
27400
16400
10400
6600
3700
1600
-100
Se toma 0.30 porque es mucho menor a cero.
Por lo tanto la empresa debe pedir:

6.7 Tn de Maz, 7.6 Tn de Frjol, 10.6 Tn de Trigo
El volumen del almacn:
6.7 x 1000 = 6700
7.6 x 1000 = 7600
10.6 x 1000 = 10600
24900 m3
VIII.5 MODELOS PROBABILSTICOS

VIII.5.1 MODELO DE LA REVISIN CONTINUA:
Este modelo es un modelo probabilstico en el cual el almacenamiento se realiza
continuamente y un pedido de tamao y se coloca cada vez que el nivel de existencias
llega a un cierto punto de re orden R. El objetivo es determinar los valores ptimos de
y y de R que minimicen los costos esperados de inventario por unidad de tiempo. En
este modelo, un ao representa una unidad de tiempo.
Los objetivos del modelo son:
1. El tiempo de demora entre la colocacin de un pedido y se recepcin es esttico.
2. La demanda que no se satisface durante el tiempo de demora se deja pendiente para
ser satisfecho en periodos posteriores.
3. La distribucin de la demanda durante el tiempo de demora es independiente del
tiempo en que ocurre este.

-
- 110
GRFICAMENTE:
(y)
R
(t)
C1
C2

-
- 111
CTAI = Costo Fijo + Costo de Almacenamiento + Costo de Escasez.

CTA I= Costo Total Anual en funcin de y y R
CTA(y,R) = DK + h (y/2 + R E {x}) + P D S
y
y
x = Demanda (variable)
y = Cantidad Ordenada x Ciclo.
D = Demanda Total Esperada x Ao.
h = Costo de Mantenimiento de Inventario.
K = Costo Fijo.
P = Costo de Escasez x Unidad x Ao.
S = Cantidad Esperada de Escasez por ciclo (ao).
Inventario Promedio
H = y + E(R X)
Inventario Inicial
H = y + E(R X) + E(R X)
2
Inventario Final
H = y/2 + E(R X)
Funcin Continua
R R{x}
S = S(x) f(x) dx = (X R) f(x) dx
S = Cantidad de Escasez x Ciclo.

S(x) =0
X <= R
XR
X>R
CTA (y,R) = 0
y
- DK + h - PDS = 0 = DK + PDS = h
y2
2
y2
y2
2
y* = 2 (DK + PDS)
h
CTA (Y,R)
R
..... Frmula N 1
= 0 = h (PD/y) f(x) dx = 0

-
- 112
f(x) dx = hy*
PD
....
Frmula N 2
S = Cantidad esperada, escasez = E[S(X)]
Cuando S = 0 y R = se convierte en:

y* = 2DK
h
cuando R = 0
y* = = 2D(K + PE (x)
h
Cuando R = 0
y* = = PD
h
Algoritmo de Hadley y Whitin:

Si y = = Existen valore nicos para Y y R
Si se cumple esta solucin se contina, sino no tiene solucin.

-
- 113
PROBLEMA: Supngase K = 100, P = 10, h = 2, D = 1000 y la demanda durante un

tiempo de entrega es una variable aleatoria con una distribucin uniforme dada por:
f(x) = 1/100; Si 0 <= x <= 100
0
; Si x < 0 x > 100
Paso N 1: Verificar si >=

= 2D (K + PE(x)
h
E(x) = f(x) dx = x/100 dx = x2/2 0 x2/200 = x2/200
E(x) = (100)2/200 0/200 = 50
E(x) = 50
= 2(1000) (100 + (10) (50))
2
= 774.5 unidades
Determinando :
= PD/h = (10)(1000)/2 = 5000 unidades
>= , es mayor e igual a
Iteracin N 1:
y1 = 2DK/h
y1 = 2(1000)(100)/2 = 316
R1 = f(x) dx = hy1/PD
dx/100 = 2(316)/10(1000) = 632/10000
1/100 [100 R1] = 0.0632
R1 = 93.68

-
- 114
Iteracin N 2:
y1 = 2D(K + PE[S(x)])/h
E[S(x)] = (x R1) f(x) dx
(x 93.68) (1/100) dx
E[S(x)] = 0.19971
y2 = 2(1000) (100 + (10) (0.1971))
2
y2 = 319.5 unidades
hallando R2:
f(x) dx = hy2/PD
(1/100) dx = 2(319.5)/10(1000)
R2 =93.61
Iteracin N 3
E[S(x)] = (x R2) dx
(x 93.61) (1/100)dx
E[S(x)] = 0.24016
y3 = 2(1000) (100 + (10) (0.24016))
2
y*3 = 319.8
R3 = f(x) dx = hy2/PD
(1/100) dx = 2(319.8)/10(1000)
R*3=93.604
| R3 R2 | = 0
La cantidad ptima es y*3 = 319.8

Re orden ptimo es
R*3 = 93.604
-
- 115
93.6
319.8
T
VIII.5.2 Modelos de un Solo Periodo: Este modelo de inventarios de un solo
periodo ocurre cuando un artculo es ordenado una sola vez. Ejemplo: La industria de
modas, un modelo determinado de automvil o tambin artculos perecederos que tienen
una vida corta (vegetales, carne, leche, etc) o artculos que se vuelven obsoletos
rpidamente como las computadoras y las copiadoras electrnicas.
1. MODELOS DE DEMANDA INSTANTNEOS SIN COSTO FIJO: En este modelo

se supone que la demanda total se satisface al inicio del periodo. Por lo tanto dependiendo
de la cantidad demandada (D), la posicin del inventario justamente despus que la
demanda ocurre, puede ser positiva (excedente o negativa).
N. I.
y>D
y-D
t
Est representado por la funcin de probabilidad (funcin de mantenimiento de inventarios)

-
- 116
y - D, si y > D
H(y):
0
, si y <= D
N . I.
y < D
D
y
t
D - y
0, si y > D
G(y):
D, si y <= D
E {C (y)}= Costo de Compra + Costo de Mtto. de Inventario + Costo de Escasez.

E {C (y)}= C (y x) + h H(y) f(D) dD + P t(y) f(D) dD
Minimizando Costos
E {C(y)} = E{C(y)} = C(y x) + h { (y D) f(D) dD + 0} + P {0 + (D y) fD dD}
y
f(D) dD = P C
P+h
Si P >= C (Definida)
Si P < C (Descartar el Sistema)
El valor de y* se selecciona de tal modo que la probabilidad D <= y* sea igual a:

-
- 117
q=PC
P+h
, Con P > C
La poltica de reordenamiento ptimo dado x antes de que un pedido se coloque es:

Si y* > x; pedir y* - x
Si y* <= x; no pedir nada
Para el caso discreto se tendr:

P (D <= y* - i) <= P C <= P (D <= y*)
P+h
Problema: Considere un artculo que se producir una sola vez, con una demanda continua
de consumo instantneo, distribuida uniformemente y dada por:
f(D) = 1/10 0 <= D <= 10
0
D > 10
Supngase que :
h = $0.5, P = $4.5, C = $0.5
Se pide hallar la poltica de reordenamiento ptimo.
Solucin:
P (D <= y*) f(D) dD = P C = 1/10 dD = 4.5 0.5 = y* = 0.8
P+h
4.5 + 0.5
Si x < 8; Pedir 8 x
Si x > 8; No pedir
PROBLEMA: Considere un tipo de avioneta que tiene demanda discreta de consumo

instantneo como lo que se describe a continuacin, y para lo que el costo unitario de
produccin es de 2 millones de dlares, el costo unitario de mantenimiento es de 1 milln
de dlares y el costo unitario penal (produccin extra imprevista) a 4 millones de dlares
Qu poltica ptima de produccin de seguirse?
Demanda de avioneta
D
f(D)

-
f(D) (Acumulado)
- 118
0
1
2
3
4
5
6 o ms
0.10
0.20
0.20
0.20
0.15
0.10
0.00
0.10
0.30
0.55
0.75
0.90
1.00
1.00
h = 1, P = 4, C = 2
P C/P + h = 4 2/4 + 1 = 2/5 = 0.4
P{D <= 1} = 0.3 < 0.4 < 0.55 = P{D <= 2}
y* = 2 unidades
2. MODELO DE DEMANDA UNIFORME SIN COSTO FIJO

N. I.
y>D
y
D
y-D

-
- 119
Inventario Promedio:
y = D/2
N . I.
D >y
D
y
Escasez
D-y
Inventario Promedio:
y2/2D
Inventario Promedio de Escasez:
(D y)2/2D
Costo Esperado:
f(D) dD + y* f(D)/D dD = P C/P + h = q

-
- 120
EJEMPLO: Supngase un producto con demanda aleatoria de consumo uniforme

distribuido de la siguiente forma:
1/10 ; Si 0 <= D <= 10
f(D)
0
; Si D < 0 D > 10
h = $0.5, P = $4.5, C = $0.5

Cul es la poltica ptima de produccin o reorden:
1/10 dD + y* 1/10D dD = 4/5 = 0.8
(1/10) (y* - y* Ln y* + 2.3 y*) = 0.8
Resolviendo la ecuacin por ensayo de error:
y* = 4.5 unidades
Si x < 4.5 = Se ordena un pedido de 4.5 x.

Si x > 4.5 = No se ordena nada.
3. MODELO DE INVENTARIOS DE DEMANDA INSTANTNEA Y

COSTO FIJO
E {C(y)} = k + C (y x) + h (y D) f(D) dD + P (D y) f(D) dD

-
- 121
Grficamente
E{C(S)}
E{C(S)}
E{C(S)}
E{C(S)}
s1
Se presenta 3 casos:
Primer Caso:
Si x < S; Ordenar S x
Segundo Caso:
S = y*
Si S <= x <= S
y* = x
Tercer Caso:
Si x > S; para y > x

y* = x
Resumen (Modelo de Inventario s S)
Si x < S; pedir S x
Si x >= S; no pedir nada
EJEMPLO: Suponga un artculo de consumo instantneo, que tiene una produccin
nica y cuyo costo de produccin es de k = $25. el costo unitario de mantenimiento es de h

= $0.5, el costo unitario penal = P $4.5 y el costo unitario de produccin C = 0.5.
La demanda tiene una distribucin dada por:

-
- 122
f(D)
1/10, Si 0 <= D <= 10

0,
Si 10 < D
Solucin:
1.- Hallar S:
1/10 dD = 0.8 = S = 8 Unidades.

2.- Encontrar el valor de s
E{C(y)} = 0.5 (y x) + 0.5 (y D) dD + 4.5 1/10 (D y) dD

E{C(y)} = 0.25 y2 4.0 y + 22.5 0.5 x
E{C(s)} = k + E{C(S)}
E{C(s} = 0.25 S2 4.0S + 22.5 0.5x = 25 + 0.25S2 4.0S + 22.5 0.5x
Reemplazando S = 8
S2 16S 36 = 0
S1 = -2
Por definicin:
S2 = 18
Se elimina porque S2 > S = 18 > 8
y >= 0
Entre 2 y 0, nos quedamos con cero y establecemos la siguiente poltica:

Si x <= 0; Ordenar 8 x
Si x > 0 ; No ordenar nada.

-
- 123
IX. PROYECTOS CON PERT CPM

IX.1 CASO DE ESTUDIO: CONSTRUCCION COMPLEJO
DEPORTIVO
Una urbanizacin est evaluando la construccin de un complejo deportivo de propsitos
mltiples. El complejo ofrecer un gimnasio nuevo para juegos intercolegiales de
basketball, oficinas y salones.
Las actividades que habr que emprender antes de comenzar la construccin son las que se
muestran enseguida.
Actividad
A
B
C
D
E
F
G
H
Descripcin
Levantamiento topogrfico
Ejecucin de diseo
Aprobacin del concejo
Eleccin del arquitecto
Fijacin del presupuesto
Finalizacin del diseo
Obtencin del financiamiento
Contratacin del constructor
Predecesores
--------A, B
C
C
D, E
E
F, G
Duracin
6
8
12
4
6
15
12
8
a) Desarrolle una red CPM para este proyecto.

b) Identifique la ruta crtica.
C=12
2
D=4
4
5
F=15
A=6
0
B=8
E=6

-
H=18
G=12
- 124
6
6
0
19
19
3
0
2
2
13
6
1
6
2
13
3
Considere la red de la figura siguiente la cual comienza en el nodo 0 y termina en el

nodo 6.
Consideraciones de Probabilidad en la Programacin de Proyectos
4
3
0
0
3
Actividad (i, j)
(0,1)
(0,2)
(1,3)
(2,3)
(2,4)
6
2
Tiempos Estimados
(a, b, m)
(1; 3; 2)
(2, 8 ; 2)
(1; 3; 2)
(1; 11; 1.5)
(0.5; 7.5; 1)
Actividad (i, j)
(3, 5)
(3, 6)
(4, 5)
(4, 6)
(5, 6)

-
Tiempos Estimados
(a, b, m)
(1; 7; 2.5)
(1; 3; 2)
(6; 8; 7)
(3; 11; 4)
(4; 8; 6)
- 125
Actividad (i, j)
(0,1)
(0,2)
(1,3)
(2,3)
(2,4)
Dij
2
3
2
3
2
Vij
0.11
1.00
0.11
2.78
1.36
Actividad (i, j)
(3, 5)
(3, 6)
(4, 5)
(4, 6)
(5, 6)
Dij
3
2
7
5
6
Vij
1.00
0.11
0.11
1.78
0.44
a = Tiempo Optimista.
b = Tiempo Pesimista.
c = Tiempo ms Probable.
Observando los Sesgos
Dij = a + b + 4m / 6
-
- 126
Vij = (b - a / 6)2
Evento
1
2
3
4
5
6
Ruta
(0, 1)
(0, 2)
(0, 2, 3)
(0, 2, 3, 4)
(0, 2, 3, 4, 5)
(0, 2, 3, 4, 5, 6)
E{ui}
2
3
6
6
13
19
Var{ui}
0.11
1.00
3.78
3.78
3.89
4.33
Tpi
4
2
5
6
17
20
Ki = Tpi E{Ui} / var{Ui}
Ki
6.03
-1.00
-0.514
0.000
2.028
0.480
P{Z<=Ki}
1.00
0.159
0.304
0.500
0.987
0.684
Var{Ui} = Vk
P{Ui <= Tpi} = P {Z <= Ki}

2. CONSIDERACIONES DE COSTO EN PROYECTOS
Costo
Cc
Dc, Cc
Dn, Dc
Cn
Dc
Dn
Duracin
Pendiente = Cc Cn / Dn - Dc
Dn = Duracin Normal
Cn = Costo Normal

-
- 127
8
18
18
10
5
2
Hl = 0
3
4
Hl = 0
3
10
5
Hl = 1
Actividad
(i, j)
(1,2)
(1,3)
(2,4)
(2,5)
(3,4)
(4,5)
Actividad
(i, j)
(1,2)
(1,3)
(2,4)
(2,5)
(3,4)
(4,5)
Normal
Demanda
Costo
8
100
4
150
2
50
10
100
5
100
3
80
Hl = 5
15
10
Mnimo de
Duracin
6
2
1
5
1
1
Costo
200
350
90
400
200
100
Pendiente
50
100
40
60
25
10

-
- 128
7
17
17
0
0
10
2
7
5
2
Hl = 0
3
4
Hl = 0
5
Hl = 0
Hl = 5
14
Costo = 580 + (18 17)50 = $630

Tiempo = 17 das
6
16
16
0
0
10
2
6
5
2
Hl = 1
3
4
Hl = 0
3
8
5
Hl = 0
Hl = 4
13
9
Costo = 630 + (17 16)50 = $680

Tiempo = 16 das

-
- 129
X. BIBLIOGRAFIA
VI. BIBLIOGRAFIA
1. Eppen G.D , Gould F.J, Schmidt C.P. Investigacin de operaciones en la
Ciencia
Administrativa
2. Hiller, Frederics.Introduccion a la Investigacin de Operaciones, Quinta
Edicion, 1991_MC_Graw_Hill
3. Kaufman, Arnold.Metodos y Modelos de Investigacion de
operaciones,Quinta
Edicion, 1984, CECSA
4. Levin, Richard I. Kirkpatrick, Charles A. Enfoques Cuantitativos a la
Administracin. Primera Edicion, 1983
5. Lumberger David, Programacin Lineal y no Lineal. Wesley ED Addison,
Iberoamericana, 1989, EUA.
6. Nagui,Mohammad. Investigacin de Operaciones. Interpretacin de
Modelos y
Casos. Editorial Limusa, 1996, Mxico
7. Prawda , Juan. Mtodos y Modelos de Investigacin de Operaciones,
volumen 1:
Modelos Deterministicos, Octava Reimpresin, 1989, Limusa Mexico.
8. Taha, Hamdy A., Investigacin de Operaciones. Sexta edicin 1999, Alfa
y Omega S.A. Mexico
9. Web Site:
www.elprisma.com
http://selva.dit.upm.es/ cd/apuntes/tema3/tema3.html
http://ekeko.rcp.net.pe/rcp/listas/ioper/iosa.html

-
- 130

Investigacion de Operaciones

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

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

Investigacion de Operaciones

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

I.1 Introduccin a la Investigacin de Operaciones 4

II. PROGRAMACION LINEAL

III. EL METODO SIMPLEX

IV. MODELO DE TRANSPORTE

VI. PROGRAMACIN ENTERA

VII. TEORIA DE DECISIONES

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

VII.1. Introduccin a la Teora de Decisiones.80

VIII. SISTEMAS DE INVENTARIOS

IX. PROYECTOS CON PERT_CPM

ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

LA INVESTIGACIN DE OPERACIONES, USO DE

I.1 INTRODUCCION A LA INVESTIGACIN DE OPERACIONES

ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

2.1 Pasos del Mtodo cientfico en IO

ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

I.2 TIPOS DE MODELOS DE INVESTIGACION DE OPERACIONES

Fig.1.2: Representacin de un modelo

Las variables de decisin son incgnitas que deben ser determinadas a

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

Las restricciones son relaciones entre las variables de decisin y

La funcin objetivo es una relacin matemtica entre las variables de

(Costo total de Produccin)

(Tiempo total de produccin)

ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

EJEMPLO 1.2.2: En una empresa se fabrican dos productos, cada

Para representar el modelo de este problema primero se debe

(mximo ingreso por ventas)

S.A: 2X1+ 4X2 <= 48 (disponibilidad horas _maquina A)

ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

Cada mesera trabaja 8 horas consecutivas por da. El objetivo es encontrar el

2) Considere una compaa que debe elaborar dos productos en determinado

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

0.5 X 1 + 0.3 X 2 500

ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

4) Un barco tiene tres bodegas en la proa, en la playa y en el centro. Las

Pies cbicos por

Como se puede distribuir la carga para maximizar la ganancia, si la

ING. OTONIEL SILVA DELGADO MGR. JUAN JIMENEZ CASTILLA

UNIVERSIDAD JOSE CARLOS MARIATEGUI

CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMTICA

Conduccin del volumen en las bodegas