Investigacion Operativa

(Actualizado a marzo de 2012)
APUTES DE IVESTIGACIO OPERATIVA

I.
INTRODUCCION
A.
1.
2.
3.
PROGRAMA DE MATERIAS
PROGRAMACIO LIEAL
a)
Modelacin matemtica de PPL (Problemas de Programacin Lineal).
b)
Solucin grfica de PPL (2 variables).
c)
Anlisis de sensibilidad grfico.
d)
El mtodo "SIMPLEX" de solucin de PPL (n variables).
e)
Dualidad y holguras complementarias.
f)
Software computacional LI+DO para solucin de PPL.
g)
Programacin lineal entera.
APLICACIOES ESPECIALES DE PROGRAMACIO LIEAL

a)
El modelo de Transporte.
b)
El modelo de Asignacin.
MODELOS E REDES
a)
Malla PERT ("Program Evaluation Review Technique") y mtodo CPM

("Critical Path Method").
b)
Problemas de Ruta ms corta.
c)
Arbol mnimo de comunicaciones.
PROF. JUAN A. CARVAJAL G.

Actualizado el 06/03/2012

B.
MARCO DE APLICACION
Marco de Aplicacin
PRODUCTOS
Energia
M.Primas
Repuestos
OPTIMIZAR
COSTOS $
PROGRAMA DE PRODUCCION
CAPITAL
GASTOS
UTILIDADES
STOCK DE
STOCK DE
INSUMOS
PROD. TERMINADOS
INFRAESTRUCTURA
Y MAQUINARIA
PERSONAL
INGRESOS
$
Mermas
MINIMAS
INVESTIGACION DE OPERACIONES
1.
Prof. Juan A. Carvajal G.
TIPICAS DECISIOES GERECIALES

a)
En el mbito productivo
(1)
(2)
(3)
(4)
(5)
(6)
b)
Qu producir.
Cunto producir.
Cundo producir.
Cmo producir.
A quin asignar las diferentes tareas. (Programacin del trabajo).
etc.
En el mbito administrativo.
(1)
(2)
(3)
(4)
(5)
(6)
(7)
En que invertir el capital.

Dimensionar los stocks de materias primas, repuestos, productos
terminados, etc.
Definir el sistema de mantenimiento de equipos y maquinarias.
Definir el sistema de abastecimiento hacia sucursales.
Definir el sistema de adquisicin de materias primas.
Dimensionar la fuerza de trabajo.
etc.


2.
3.
4.
5.
METODOS DE TOMA DE DECISIOES

a)
Decisiones basadas en la I+TUICIO+.
b)
Decisiones basadas en la EXPERIE+CIA.
c)
Decisiones basadas en un METODO CIE+TIFICO de anlisis del sistema.
FASES DEL METODO CIETIFICO DE AALISIS DE FEOMEOS

a)
Observar.
b)
Plantear una hiptesis o modelo del comportamiento del sistema y su reaccin

ante diferentes estmulos.
c)
Implementar experiencias que comprueben la validez de la hiptesis.
d)
Observar los resultados y mejorar la hiptesis si esta no se cumple.
FASES DE U ESTUDIO DE IVESTIGACIO DE OPERACIOES

a)
Observar el sistema considerando el objetivo que se persigue con el estudio.
b)
Identificar las variables y restricciones que influyen positiva y negativamente en

el comportamiento del sistema y en el objetivo propuesto y determinar o calcular
los parmetros de interrelacin entre ellas.
c)
Plantear el modelo matemtico que representa el comportamiento del sistema a

la luz del objetivo de optimizacin perseguido.
d)
Encontrar una solucin terica ptima a travs de algoritmos matemticos

apropiados.
e)
Implementar la solucin terica ptima.
f)
Observar los resultados reales y retroalimentar hacia a) si la solucin terica

difiere de la real.
DEFIICIOES BASICAS
a)
b)
c)
d)
OPTIMO
Lo mejor posible dadas las restricciones del sistema.
EFICAZ
Quin logra cumplir el objetivo.
EFICIE+TE
Quin logra cumplir el objetivo al menor costo posible, en tiempo, en dinero, etc.
I+VESTIGACIO+ OPERATIVA
Es el mtodo cientfico aplicado a la toma de decisiones empresariales, que
permite optimizar el uso de los recursos de la empresa, a travs de la gestin
eficiente de los mismos.


II.
PROGRAMACION LINEAL
A.
MODELO:
Representacin de la Realidad
ABSTRACCIO+ SELECTIVA DE LA REALIDAD
Ejemplos:
Modelos fsicos (Maquetas)
Modelos pictricos (Mapas)
Modelos icnicos (De imagen, Ej. TV)
g t 2
Modelos matemticos
Ej. D =
2
B.
1.
(GALILEO)
MODELACION MATEMATICA DE PPL
FORMA GEERAL DE U MODELO MATEMATICO DE U PPL
F.O.
Funcin Objetivo
MAX
o
MI
Sujeto a :
a11 X1 + a12 X2 + a13 X3 + ..........+ a1n Xn
Z = c1 X1 + c2 X2 + c3 X3 + ............+ cn Xn
b1
a21 X1 + a22 X2 + a23 X3 + ..........+ a2n Xn
b2
a31 X1 + a32 X2 + a33 X3 + ..........+ a3n Xn
b3
-----
-----
-----
-----
----
am1 X1 + am2 X2 + am3 X3 + ..........+ amn Xn
bm
DONDE :
Z
cj
Xj =
Representa un parmetro o cantidad que se desea optimizar (Maximizar o

Minimizar). Ej.: Ingresos, Utilidades, Costos, Tiempo de ejecucin de un
trabajo, etc.
Coeficiente de proporcionalidad. Para efectos didcticos es una constante,
pero en la realidad normalmente su valor ser probabilstico.
VARIABLES DE DECISION


Coeficiente de proporcionalidad. Para efectos didcticos es una constante,
pero en la realidad normalmente su valor ser probabilstico.
bi = Valor que representa la disponibilidad de un recurso (Limitacin), lmites de
produccin, disponibilidad de materia prima, disponibilidad de horas
hombre, etc., o un requerimiento como demanda, compromisos de entrega,
etc. Todas ellas forman parte de las restricciones del entorno. Para efectos
didcticos es una constante, pero en la realidad normalmente su valor ser
probabilstico.
n = Cantidad de Variables de Decisin.
m = Cantidad de Restricciones.
(n no necesariamente debe ser igual a m)
aij
2.
EL ARTE DE FORMULAR MODELOS DE PROGRAMACIO LIEAL
La formulacin de un Modelo de Programacin Lineal significa seleccionar los elementos

importantes del sistema problema y definir cmo se relacionan. No es una tarea fcil en el caso de
problemas reales y comprende pruebas por tanteo y el juicio comn. De hecho, es ms un arte que
un procedimiento sistemtico. Sin embargo, hay algunos pasos que han demostrado ser tiles para
formular modelos de programacin lineal. Estos pasos son:
a. Defina en trminos verbales el objetivo que trata de alcanzar con la resolucin del problema.
Seleccione slo un objetivo, como "reducir los costos"(minimizarlos) o "aumentar la
contribucin a la utilidad" (maximizarla).
b. Elabore una lista de las decisiones que influyen en el logro de tal objetivo, de la manera ms
especfica posible.
c. Elabore una lista de los factores de restriccin que afectan estas decisiones. Trate de ser
preciso y completo. A continuacin se presenta una lista con varios tipos generales de
restricciones. Vea si su problema presenta alguna de estas condiciones. Observe que tambin
pueden existir otros tipos de restricciones. Por lo general un problema no presentar todos los
tipos de restricciones.
Restricciones de capacidad y/o disponibilidad de recursos. Son lmites que se deben a las
limitaciones del sistema en cuanto a la cantidad de equipo, de espacio, de financiamiento,
de materias primas o de mano de obra disponible. Una muestra seria la restriccin que se
refiere al terreno disponible para cultivos. Estas restricciones se expresan como
limitaciones, o sea inecuaciones del tipo (). Lo que se ocupe de un recurso no puede ser
mayor que lo que se tiene disponible del mismo.
Restricciones de mercado. Son lmites (inferiores, superiores o ambos) de la cantidad de
producto que puede venderse o usarse. Por ejemplo las ventas histricas mximas y
mnimas respecto de un producto. La ltima sera un requerimiento o inecuacin del tipo
(), ya que si existen comprometidas ventas de un determinado producto, no podr decidir
producir menos de esa cantidad, pues no podra cumplir mis compromisos de entrega y la

primera es una limitacin o inecuacin del tipo () ya que no me conviene producir ms
producto que el que histricamente he sido capaz de vender cada temporada.
Restricciones de calidad o de composicin de una mezcla. Son restricciones que limitan
la mezcla de ingredientes y que por lo general definen la calidad de los productos
resultantes. Estas restricciones pueden ser limitaciones (), requerimientos () o las ms
restrictivas requerimientos del tipo (=)
Restricciones de tecnologa de produccin o de equilibrio de materiales. Son
restricciones que definen la salida de un proceso como una funcin de las entradas,
muchas veces con una prdida por desperdicios o rendimiento. Estas restricciones, al igual
que las anteriores, tambin pueden ser limitaciones (), requerimientos () o las ms
restrictivas requerimientos del tipo (=), eso depender del proceso que se est modelando.
Restricciones de definicin. Son restricciones que definen a una variable en funcin de
otras. Muchas veces estas restricciones provienen de definiciones contables o balances de
materiales, como por ejemplo la relacin entre la cantidad producida de un producto, que
debe ser igual a lo que se vendi de l mas lo que se dej en inventario. Estas restricciones
son, por lo general, requerimientos del tipo (=).
d.
Defina especficamente las variables de decisin. Con frecuencia es el paso ms difcil. Lo

que se requiere es una lista de variables, es decir, las X y sus definiciones, incluyendo la
especificacin de las unidades de medida. En algunos problemas puede haber ms de una
forma de definir las variables, usted debe elegir la que mas le acomode. Un enfoque es
comenzar tratando de definir variables especficas que se ajusten a la lista de decisiones del
paso b). Por ejemplo, si va a decidir "cul ser la mezcla de productos", entonces un conjunto
viable de variables de decisin podra ser:
X1 para las unidades que decidir producir del primer producto
X2 para las unidades que decidir producir del segundo producto
y as para todos los productos. Observe que al especificar los valores para todas las X, define
de hecho la mezcla de productos.
Otro mtodo que en ocasiones sirve para definir las variables de decisin es dibujar un
diagrama de flujo que muestre cmo se relacionan las diversas partes del problema. Despus
se definen las variables que representen el flujo de los bienes, de los materiales, etc., entre las
diversas partes.
e.
Defina especficamente las restricciones, con base en las variables de decisin. Tome la lista
de restricciones que defini en el paso c) y use las variables de decisin del paso d) para
obtener restricciones detalladas. El resultado es un conjunto de restricciones como las que se
indican en el modelo matemtico general.
f.
Defina con detalle la funcin objetivo. Hay que definir un coeficiente de costo o de beneficio
para cada variable de decisin del paso d). Es importante incluir slo los costos o los
beneficios que varan con las decisiones que se consideran. Siempre hay que excluir los
costos fijos.


Por ejemplo, el costo de mano de obra por unidad puede parecer razonable para incluirse en
la formulacin de programacin lineal que define la mezcla de productos que debe producir
una empresa. Sin embargo, si la empresa tiene una poltica de pagar a sus empleados por
tiempo completo, sin importar el tiempo real que se utilice, entonces el costo de mano de
obra es fijo, no vara con la decisin de mezcla de productos y debe excluirse de la funcin
objetivo.
Aunque estos seis pasos son un esquema general para formular modelos lineales, no son un
sustituto de la prctica y la experiencia. Usted debe probar con varios de los ejercicios disponibles
en la bibliografa, para aumentar su habilidad para formular modelos.
Resumen:
En un modelo de programacin lineal hay una funcin objetivo lineal que debe maximizarse o
minimizarse, sujeta a un conjunto de restricciones lineales. Todas las variables de decisin son no
negativas. La formulacin de un modelo de programacin lineal consiste en traducir un problema
de decisin empresarial a terminologa de programacin lineal, definiendo variables,
especificando una funcin objetivo y escribiendo todas las restricciones como desigualdades o
igualdades. Los ejemplos y pasos que se proporcionaron antes estn diseados para ayudarle a
formular problemas de programacin lineal.
3.
LIMITACIOES DE LA PROGRAMACIO LIEAL
Aunque la programacin lineal ha probado ser una herramienta valiosa para la resolucin de
problemas grandes y complejos de empresas privadas y del sector pblico, existen limitaciones.
En primer lugar, no hay ninguna garanta de que la programacin lineal ofrezca soluciones
ptimas con valores enteros. Por ejemplo, una solucin ptima puede requerir 8,241 camiones y
el gerente slo puede comprar 8 o 9, pero no 8,241. En muchos casos el redondeo brindar
soluciones razonablemente buenas, pero en otros casos los resultados pueden ser malos. Por
ejemplo, en una decisin acerca de abrir una planta nueva (una variable que slo puede asumir
valores de 0 y 1), una respuesta fraccionaria no servira de nada. Por fortuna, existen algunos
mtodos llamados tcnicas de programacin entera que pueden manejar este tipo de problemas y
que se estudiarn durante el curso.
Otra limitacin importante de la programacin lineal es que no se permite la incertidumbre. El
modelo supone valores conocidos para los costos, para las restricciones de requerimiento, etc.,
cuando en realidad estos factores pueden ser desconocidos o eminentemente aleatorios o con
diferentes variabilidades estadsticas. Aqu tambin hay algunos mtodos para tratar este
problema, con tcnicas conocidas como programacin lineal en condiciones de incertidumbre o
programacin restringida por probabilidades.
La tercera limitacin es la suposicin de la linealidad. En ocasiones el objetivo o las restricciones
de los problemas empresariales reales no se relacionan linealmente con las variables. Una vez
ms, hay una tcnica avanzada, denominada programacin no lineal, que sirve para tratar los
problemas de este tipo.

Estas limitaciones indican que la programacin lineal no puede aplicarse a todos los problemas
empresariales. Sin embargo, ha demostrado ser una herramienta poderosa y til en aquellos
problemas para los cuales es aplicable.


APENDICE 1
C.
1.
EJERCICIOS DE MODELACION MATEMATICA DE RESTRICCIONES
Ejercicio 1 Limitacin de Capacidad de Bodega
Los productos terminados que usted fabrica tienen las dimensiones que se indica en la tabla:
Producto 1
Producto 2
Producto 3
Largo (m)
1,2
2,0
1,0
Ancho (m)
1,5
1,4
1,8
Alto (m)
0,8
0,5
0,5
Su bodega tiene racks de almacenamiento libres cuya superficie total es de 50 m2 para artculos
de una altura mxima de 1 m.
Asuma que la cantidad de cada producto que usted fabricar el prximo perodo esta representada
por X1, X2 y X3 respectivamente.
Asuma adems que los productos no son apilables.
Encuentre la (s) expresin (es) matemtica (s) que permitir definir los valores posibles para las
variables de decisin sin que se supere el espacio y volumen disponibles.
2.
Ejercicio 2 Limitacin de Disponibilidad de Obra de mano
El tiempo promedio que un operario se demora en fabricar una unidad de cada uno de los
productos que usted comercializa se indica en la tabla:
Producto 1
Producto 2
Producto 3
t (min)
15
40
20
En su taller se trabaja 40 horas a la semana y usted tiene contratados 3 operarios de jornada

completa y 2 operarios a media jornada.

10

por X1, X2 y X3 respectivamente.
Encuentre la (s) expresin (es) matemtica (s) que permitir definir los valores posibles para las
variables de decisin sin que se supere la disponibilidad de Horas-Hombre semanal (HH/semana).
3.
Ejercicio 3 Limitacin de disponibilidad de recursos en general
Los productos terminados que usted fabrica gastan sus recursos productivos segn se indica en la
tabla. La tabla tambin indica la cantidad de cada recurso en estos instantes disponible:
Uso del Recurso por unidad producida
Recurso
Q
R
S
Producto 1
2
1
3
Producto 2
1
2
3
Cantidad disponible del Recurso

20
15
40
por X1 y X2 respectivamente.
Encuentre las expresiones matemticas que permitirn definir los valores posibles para las
variables de decisin sin que se supere la disponibilidad de cada recurso.

11

4.
Ejercicio 4 Limitacin de Capacidad de Suministro
Usted tiene tres bodegas con acopio de un producto que usted distribuye a cuatro clientes.
Las siguientes tablas indican la disponibilidad de producto que hay en cada bodega y los pedidos
de los clientes que deben ser satisfechos el prximo perodo:
Bodega
Disponibilidad de producto
A
150
B
120
C
230
Capacidad de Suministro
Cliente
Demanda
1
140
2
125
3
120
4
115
Pedidos de Clientes
Asuma que la cantidad de cada producto que usted enviar desde la bodega A al cliente 1 esta
representada por XA1, desde la bodega A al cliente 2 por XA2 y as sucesivamente.
variables de decisin sin que se supere la disponibilidad de producto en cada bodega.

12

5.
Ejercicio 5 Requerimiento de cantidad mnima de vitaminas y protenas
Existen en el mercado tres alimentos para mascotas cuyos contenidos vitamnicos y de protenas
son los que se indican en la tabla. En la tabla adems se indica la cantidad mnima de vitaminas y
protenas que debe darse en la dieta a las mascotas:
Contenidos por onza de alimento
Alimento
A
B
C
Requerimiento
Vitamnico
Vitamina A
(unidades/onza)
0
8
4
25
Protenas
(gr/onza)
6
5
4
18
Asuma que la cantidad onzas de cada alimento que usted comprar el prximo perodo esta
representada por XA, XB y XC respectivamente.
variables de decisin, asegurando que se entreguen como mnimo los contenidos nutricionales
especificados.

13

D.
1.
SOLUCION GRAFICA DE PPL
Repaso de Geometra Analtica Plana

a)
La ecuacin
a
m=
b
aX + bY = c
representa en el plano una recta de pendiente
b)
La ecuacin
aX + bY = 0
origen de coordenadas.
c)
En la ecuacin normalizada de la recta
d)
La funcin Z = aX + bY,, con Z una constante indeterminada, representa en el

plano a una familia de rectas paralelas.
e)
representa un rea que se inicia en la recta

La inecuacin aX + bY c
aX + bY = c y se extiende acercndose hacia el origen de coordenadas.
f)
La inecuacin aX + bY c
representa un rea que se inicia en la recta
aX + bY = c y se extiende alejndose del origen de coordenadas.
g)
La solucin (X0,Y0) del sistema de ecuaciones
representa en el plano una recta que pasa por el
X
Y
+
=1
los trminos
c
c
a
b
c y c representan los puntos de corte de los ejes X e Y, respectivamente.
a
b
aX + bY = c
dX + eY = f
indica las
coordenadas del punto de corte de ambas rectas.

2.
Metodologa de para encontrar la solucin ptima con el mtodo grfico:

a)
Encuentre el modelo matemtico del PPL en dos variables.
b)
Encuentre las ecuaciones normalizadas de las rectas lmite de las restricciones.
c)
Tomando en consideracin los puntos de corte definidos en las ecuaciones

normalizadas, dibuje los ejes coordenados con una escala apropiada.
d)
Dibuje en los ejes coordenados las rectas lmite de las restricciones e identifique
el lugar geomtrico que cada restriccin representa en el plano.
e)
Identifique y destaque la ZO+A DE SOLUCIO+ES FACTIBLES, definida

como: el conjunto interseccin de todos los lugares geomtricos que las
restricciones representan en el plano.
f)
Dibuje una de las rectas de la familia de rectas que la F.O. representa en el

plano, dando un valor arbitrario a Z, pero adecuado a la escala de los ejes
coordenados y denomnela Recta Objetivo de Referencia (r.o.r.).
g)
Dependiendo si la F.O. es de maximizacin o de minimizacin, traslade la recta

paralelamente, en forma imaginaria, en el sentido de aumento o disminucin de

14

Z, hasta que esta toque un punto extremo de la zona de soluciones factibles.
Identifique dicho punto como ptimo mximo u ptimo mnimo.
h)
Para encontrar las coordenadas del punto ptimo resuelva el sistema de

ecuaciones de las rectas lmite cuya interseccin define dicho punto.
i)
Para encontrar el valor ptimo de Z reemplace las coordenadas del punto

ptimo en la funcin objetivo.
PROBLEMA EJEMPLO E 2 VARIABLES (Solucin Grfica)

Una industria fabrica tres productos qumicos; A, B y C. Estos productos se obtienen por medio
de cualesquiera de dos procesos; los procesos 1 y 2.
Una hora de ejecucin del proceso 1 tiene un costo de US$ 4 y se obtienen 2 unidades del
producto "A", 1 unidad del producto "B" y 1 unidad del producto "C". Por otra parte, una hora de
ejecucin del proceso 2 cuesta US$ 1 y rinde 4 unidades de producto "A" y 1 unidad de producto
"B".
Para satisfacer la demanda de los clientes se deberan producir a lo menos 8 unidades de producto
"A", 5 unidades de producto "B" y 3 unidades de producto "C", diariamente. No obstante lo
anterior, las estimaciones del departamento de venta indican que la produccin diaria mxima de
producto A debera ser a lo ms de 16 unidades.
Cada proceso se puede ejecutar como mximo 7 horas al da pues requieren tiempo de
preparacin.
a. Cuntas horas de ejecucin diarias se deben implementar de cada proceso para minimizar el
costo y cumplir con los clientes?
b. Cuntas unidades de cada producto se producirn.?
c. Cul es el costo diario mnimo, alcanzable con su solucin.?
MODELO MATEMTICO:

15

ECUACIOES DE LAS RECTAS LIMITE:
SOLUCIO GRAFICA
10
9
8
7
6
5
4
3
2
1
0
0

10
16

PROBLEMA EJEMPLO E 2 VARIABLES 2
Una empresa produce dos tipos de producto, el producto 1 y el producto 2. Ambos productos se
producen en los mismos departamentos y con la misma maquinaria. El gerente de mercadotecnia
cree que podr vender todos los productos 1 y 2 que sean capaces de producir el prximo mes.
Los antecedentes y restricciones relevantes que se han identificado en el sistema productivo son
las siguientes:
Los productos 1 y 2 dejan una utilidad unitaria de $ 5000 y $ 4000 c/u, respectivamente.
El consumo de horas mquina por unidad de producto y la disponibilidad de ellas para el prximo
mes se indican en la tabla:
HORAS
Departamento
Por producto 1
Por producto 2
Total disponible
A
10
15
150
B
20
10
160
Se ha establecido con el sindicato un nmero de horas mnimas de trabajo para el personal de la
seccin control de calidad que es de 135 horas. Cada producto 1 que se fabrique requiere de 30
horas de control y cada producto 2, 10 horas.
Como poltica de mercado la gerencia ha definido que se debe fabricar a lo menos un producto 2
por cada tres productos 1.
Un cliente importante ha ordenado un total de cinco unidades de producto, en cualquier
combinacin de tipo 1 y tipo 2.
MODELO MATEMTICO:

17

ECUACIOES DE LAS RECTAS LIMITE:
SOLUCIO GRAFICA
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

18

E.
CARACTERIZACION DE LA SOLUCION OPTIMA
a)
Tipos de Restricciones
Restricciones Activas: Son aquellas que definen directamente la ubicacin del punto
ptimo
Restricciones No Activas: Son aquellas que no participan directamente en la
determinacin de la ubicacin del punto ptimo
Restricciones Redundantes: Son aquellas restricciones no activas, que no participan
directamente ni siquiera en la determinacin de los lmites de la zona de soluciones
factibles.
b)
Precio Sombra de una Restriccin

El precio sombra de una restriccin, es una medida cuantitativa de cmo influye cada una
de las restricciones de un sistema, en que el valor ptimo de la funcin objetivo sea el que
es y no otro mejor o peor. Existen dos definiciones equivalentes para el precio sombra:
Definicin N1: Es la tasa de MEJORAMIE+TO que experimenta el valor ptimo de

la Funcin Objetivo, por cada unidad que se AUME+TE el trmino libre de una
restriccin.
Definicin N2: Es la tasa de EMPEORAMIE+TO que experimenta el valor ptimo
de la Funcin Objetivo, por cada unidad que se DISMI+UYA el trmino libre de una
restriccin.
Estas dos definiciones estn hechas sobre la base de que el precio sombra es positivo.
Normalmente el precio sombra de una restriccin del tipo limitacin (), que es activa,
ser siempre positivo.
Cuando el precio sombra de una restriccin es negativo, cosa que sucede normalmente
con restricciones del tipo requerimiento (), el efecto sobre la funcin objetivo es el
contrario al de la definicin: Cuando se aumenta el trmino libre la F.O. empeora y
cuando se disminuye, mejora.
c)
Rangos de Valores para el Precio Sombra de una Restriccin

El precio sombra de una restriccin activa ser no negativo (0) si la restriccin es
una limitacin ()
El precio sombra de una restriccin activa ser no positivo (0) si la restriccin es un
requerimiento del tipo ()
El precio sombra de una restriccin activa ser positivo, negativo o igual a 0 si la
restriccin es un requerimiento del tipo (=), ello depender de cada modelo.
El Precio sombra de una restriccin no activa ser siempre igual a cero
d)
Rango de Validez del Precio Sombra de una Restriccin

El valor del precio sombra de una restriccin ser vlido slo para aumentos o
disminuciones de su trmino libre, hasta valores tales que no provoquen que alguna
de las restricciones activas de la solucin ptima original, deje de ser activa.

19

F.
ANALISIS DE SENSIBILIDAD GRAFICO
Se efecta un anlisis de sensibilidad cuando se desea saber cmo vara la solucin ptima
cuando se varan algunos parmetros del modelo, cun sensible es el valor ptimo a variaciones
en los parmetros.
1.
Variacin en los trminos libres de las restricciones
Esta es una aplicacin directa del concepto del precio sombra de una restriccin. La F.O. variar a
una tasa igual al precio sombra de la restriccin, por cada unidad que se aumente o disminuya su
trmino libre.
Grficamente, al aumentar el trmino libre de una restriccin la recta lmite de ella se traslada
alejndose del origen y si la restriccin es activa, es decir si est definiendo la ubicacin del punto
ptimo, ese traslado provocar tambin un traslado del punto ptimo. Lo mismo sucede, en
sentido contrario, cuando se disminuye el trmino libre de una restriccin, la recta lmite en este
caso se acerca al origen pero el punto ptimo igualmente cambia, si la restriccin es activa.
La F.O. mejorar su valor (aumentar si estoy maximizando y disminuir si estoy

minimizando) cuando se aumente el valor del trmino libre de una restriccin activa que es
una limitacin.
La F.O. empeorar su valor (disminuir si estoy maximizando y aumentar si estoy
minimizando) cuando se disminuya el valor del trmino libre de una restriccin activa que
es una limitacin.
La F.O. mejorar su valor (aumentar si estoy maximizando y disminuir si estoy
minimizando) cuando se disminuya el valor del trmino libre de una restriccin activa que
es un requerimiento del tipo mayor o igual que.
La F.O. empeorar su valor (disminuir si estoy maximizando y aumentar si estoy
minimizando) cuando se aumente el valor del trmino libre de una restriccin activa que es
un requerimiento del tipo mayor o igual que.
La F.O. mantendr su valor (no variar) cuando se aumente o disminuya el valor del
trmino libre de una restriccin no activa de cualquier tipo.
Todas estas variaciones del valor ptimo de la F.O. son para aumentos o disminuciones en los
trminos libre de las restricciones que estn dentro de un rango, el rango de validez del precio
sombra de la restriccin.
El siguiente cuadro resume el efecto del precio sombra de una restriccin en el valor ptimo de la
funcin objetivo:

20

Restriccin
Limitacin ()
Limitacin ()
Limitacin ()
Requerimiento ()
Requerimiento ()
Requerimiento ()
Condicin
Activa
Activa
No activa
Activa
Activa
No activa
Trmino libre
Se aumenta
Se disminuye
Se aumenta o disminuye
Se aumenta
Se disminuye
Se aumenta o disminuye
Funcin objetivo
MEJORA
EMPEORA
NO VARIA
EMPEORA
MEJORA
NO VARIA
En el caso de las restricciones activas del tipo requerimiento que son IGUALDADES, la funcin
objetivo puede mejorar o empeorar ante aumentos o disminuciones de su trmino libre, ello
depender de cada problema.
2.
Variaciones en los coeficientes de la funcin objetivo
Al variar alguno de los dos coeficientes de las variables en la funcin objetivo, grficamente el
efecto que se produce es que la pendiente de la funcin objetivo cambia y ello puede o no hacer
cambiar la ubicacin del punto ptimo.
Normalmente el punto ptimo en un problema en dos variables se encuentra en la interseccin de
dos rectas lmites de restricciones.
El punto ptimo no cambiar ante variaciones en los coeficientes de la funcin objetivo, mientras
la pendiente de la funcin objetivo est entre las pendientes de las dos rectas lmite que definen el
punto ptimo.
El hecho que el punto ptimo no cambie a pesar de que cambien los coeficientes en la F.O. es en
la prctica un hecho muy importante, ya que es de suma importancia saber, por ejemplo, que si el
precio de venta de un producto esta dentro de un rango especfico (donde el punto ptimo no
cambia), no tendremos necesidad alguna de cambiar el sistema productivo (restricciones) y por lo
tanto podremos seguir trabajando en el ptimo actual, por ejemplo produciendo X0 unidades de
un producto e Y0 unidades del otro.
Ntese, eso si, que el valor ptimo de la funcin objetivo siempre cambiar ante cualquier cambio
en sus coeficientes, ya que es directamente proporcional a ellos.

21

G.
ALGORITMO SIMPLEX
El mtodo mas conocido para obtener la solucin terica de un PPL en n variables se

denomina Mtodo Simplex.
En general el mtodo consta de dos fases. La primera fase permite encontrar una primera
solucin factible para el PPL o concluir que el problema no tiene solucin. A partir de la
solucin factible encontrada en la primera fase, la segunda fase permite encontrar una
solucin ptima nica, varias soluciones ptimas alternativas o concluir que el PPL es no
acotado.
1.
Estandarizacin del modelo matemtico

Para resolver un PPL a travs del algoritmo Simplex, es necesario primero estandarizar el
modelo matemtico, es decir, ordenarlo de una forma tal que sea compatible con las
premisas en que se basa el algoritmo. Los requerimientos que debe cumplir un modelo
matemtico de un PPL para ser resuelto por el mtodo Simplex, son los siguientes:
(Nota: diferentes autores tienen diferentes aproximaciones para tratar este punto. Todas
son igualmente vlidas y correctas.)
a)
La funcin objetivo debe ser siempre de Minimizacin.

Si la funcin objetivo es de maximizacin se debe usar una funcin auxiliar
denominada Z` que es igual al negativo de Z y minimizar dicha funcin auxiliar.
Ejemplo:
Funcin objetivo original:
MAX Z = 3 X 1 + 5 X 2 7 X 3
Funcin objetivo estndar
MIN Z `= 3 X 1 5 X 2 + 7 X 3
b)
Las variables de decisin deben ser todas no negativas.

Si en el sistema que el modelo representa existen variables de decisin que s
pueden tomar valores negativos, (Temperatura, profundidad, etc.), dichas variables
deben ser reemplazadas en el modelo estndar por una diferencia entre dos
variables auxiliares, que se definen como no negativas y excluyentes, es decir si
una es mayor que cero la otra debe ser igual a cero.

22

Ejemplo:
Modelo original:
MAX Z = 3 X 1 + 5 X 2 7 X 3
Sujeto a :
3X1 + 7 X 2 3 X 3 120
4 X 1 5 X 2 + 2 X 3 = 80
2 X 1 + 3 X 2 + 5 X 3 20
X 1 y X 3 0 ; X 2 = Irrestricta en signo
Modelo estndar
Sea X 2 = U V , entonces el modelo estndar es:
MIN Z `= 3 X 1 5U + 5V + 7 X 3
Sujeto a :
3X1 + 7U 7V 3 X 3 120
4 X 1 5U + 5V + 2 X 3 = 80
2 X 1 + 3U 3V + 5 X 3 20
X1 y X 3 0
U y V 0 , U V = 0
c)
Las restricciones deben ser todas igualdades

Si existen restricciones que son desigualdades, deben transformarse en igualdades
agregando variables no negativas denominadas holguras, denotadas por Hi,
donde i es el nmero de la restriccin correspondiente a la holgura que se agrega.
Cuando la restriccin es del tipo menor o igual que () la variable de holgura tiene
coeficiente (+1). Por el contrario, si la restriccin es del tipo mayor o igual que ()
la variable de holgura tiene coeficiente -1.
Ejemplo:
Modelo original:
MAX Z = 3 X 1 + 5 X 2 7 X 3
Sujeto a :
3X1 + 7 X 2 3 X 3 120
4 X 1 5 X 2 + 2 X 3 = 80
2 X 1 + 3 X 2 + 5 X 3 20
X 1 y X 3 0 ; X 2 = Irrestricta en signo

23

Modelo estndar
Sea X 2 = U V , entonces el modelo estndar es:
MIN Z `= 3 X 1 5U + 5V + 7 X 3
Sujeto a :
3X1 + 7U 7V 3 X 3 H1 = 120
4 X 1 5U + 5V + 2 X 3 = 80
2 X 1 + 3U 3V + 5 X 3 + H3 = 20
X1 ; X 3 ; H1 y H 3 0
U y V 0 , U V = 0

24

H.
SIMPLEX FASE II
PROBLEMA EJEMPLO
Para ilustrar el desarrollo de la Fase II del Algoritmo Simplex utilizaremos el siguiente
problema ejemplo:1
Planeacin Financiera. Willie Markit es el presidente de una firma de inversiones
personales, que maneja una cartera de valores de un cierto nmero de clientes. Un cliente
nuevo ha solicitado recientemente que la firma le maneje una cartera de $100.000. Al
cliente le gustara limitar su cartera a una combinacin de las tres acciones que se
muestran en la figura 2-32. Formulen un P.P.L. que permita tomar la mejor decisin para
maximizar las utilidades totales que se obtengan de la inversin.
Accin
Precio por
Utilidad anual
accin
estimada por accin
A. Gofer Crude
$60
$7
B. Can Oil
$25
$3
C. Sloth Petroleum
$20
$3
Figura 2-32 Composicin de la cartera
1.
Cantidad de Acciones
disponibles
1000
1000
1500
MODELO MATEMATICO
Sea Xj la cantidad de acciones tipo j a adquirir (j=A,B,C).
F .O. MAX Z = 7 X A + 3 X B + 3 X c
Sujeto a :
XA
1.000
1.000
XB
X C 1.500
60X A + 25X B + 20X C 100.000
X j 0 j
Problema 2-5 Investigacin de Operaciones en la Ciencia Administrativa, Gould, Eppen y

Schmidt, 3. Edicin, 1992
25

2.
MODELO MATEMATICO ESTADARIZADO

Sea Xj la cantidad de acciones tipo j a adquirir (j=A,B,C).
F .O. MIN Z ' = 7 X A 3 X B 3 X c

Sujeto a :
XA
+ H1
= 1.000
+ H2
XB
= 1.000
+ H3
XC
60X A + 25X B + 20X C
Xj 0
3.
= 1.500
+ H 4 = 100.000
Hi 0
j , i
TABLA SIMPLEX ORIGIAL

La tabla simplex original es la representacin tabular de las ecuaciones de un modelo de
programacin lineal estandarizado. En nuestro ejemplo la tabla simplex original sera:
cj
4.
XA
1
0
0
60
-7
XB
0
1
0
25
-3
XC
0
0
1
20
-3
H1
1
0
0
0
0
H2
0
1
0
0
0
H3
0
0
1
0
0
H4
0
0
0
1
0
-Z
bi
0
0
0
0
1
1000
1000
1500
100000
0
TABLA SIMPLEX CAOICA

Una tabla simplex se encuentra en forma cannica cuando en su matriz de coeficientes
existe una matriz identidad de orden (m+1), siendo m el nmero de restricciones.
En una tabla simplex cannica se distinguen VARIABLES BASICAS y VARIABLES +O
BASICAS. Son variables bsicas aquellas asociadas a las columnas de la matriz identidad
(Se destacan con *) y son no bsicas las restantes. Las variables no bsicas tienen valor
cero por definicin.
Una tabla simplex cannica SIEMPRE representa una SOLUCION FACTIBLE para el
problema de programacin lineal. Cuando todas las restricciones de un P.P.L. son del tipo
limitaciones (), la tabla simplex original siempre estar en forma cannica y siempre
representar la solucin nula, es decir, todas las variables de decisin iguales a cero, las

26

variables de holgura iguales al trmino libre de la restriccin y la funcin objetivo igual a
cero. (Es el resultado de hacer nada).
Tabla simplex cannica del problema ejemplo:

Variables bsicas H1, H2, H3 y H4
Variables no bsicas XA, XB y XC
Solucin Factible:
XA, XB y XC = 0; H1 =1000, H2 =1000, H3 =1500, H4 = 100.000, Z = 0; Z=0
cj
5.
XA
1
0
0
60
-7
XB
0
1
0
25
-3
XC
0
0
1
20
-3
H1
1
0
0
0
0
H2
0
1
0
0
0
H3
0
0
1
0
0
H4
0
0
0
1
0
-Z
bi
0
0
0
0
1
1000
1000
1500
100000
0
CODICIO DE OPTIMALIDAD
Una tabla simplex cannica representa una solucin ptima para el P.P.L. si y slo si
todos los coeficientes cj son no negativos.
c 0 j
j
6.
MEJORAMIETO DE UA SOLUCIO

Si en una tabla simplex cannica existen cj negativos, significa que la solucin no es
ptima pero que s puede mejorarse, es decir, obtener un mejor valor para la F.O.
El mejoramiento de una solucin se realiza efectuando combinaciones lineales entre las
filas de la tabla, es decir, entre las ecuaciones del modelo estandarizado. Estas
combinaciones lineales permiten reemplazar una variable actualmente bsica por otra que
en la actualidad no lo es y dan origen a una nueva solucin con un mejor valor para la F.O.
que se intenta optimizar.

27

a)
Criterio de Entrada a la Base de Solucin

Debe entrar a la base de solucin una variable no bsica asociada a un cj negativo.
Normalmente conviene hacer entrar a la base aquella variable no bsica asociada al
cj mas negativo.
b)
Criterio de Salida de la Base de Solucin

Debe salir de la base de solucin aquella variable bsica que tiene su elemento
unidad (1) en aquella fila para la cual se verifica el mnimo cuociente entre el
trmino libre (bi) y el coeficiente de la variable que entrar a la base (aie) en cada
restriccin. Este cuociente est definido slo para los valores (aie) estrictamente
mayores que cero.
bi
; con a ie > 0
a ie MI$
cj
XA XB
1
0
0
1
0
0
60 25
-7
-3
cj
XA
1
0
0
0
0
XC
0
0
1
20
-3
H1 H2
1
0
0
1
0
0
0
0
0
0
H3
0
0
1
0
0
H4
0
0
0
1
0
*
XB
0
1
0
25
-3
XC
0
0
1
20
-3
H1
1
0
0
-60
7
H2
0
1
0
0
0
H3
0
0
1
0
0
H4
0
0
0
1
0
-Z
bi
0
0
0
0
1
1000
1000
1500
100000
0
-Z
bi
0
0
0
0
1
bi/aie
1000/1
No
No
100000/60
F4-60F1
F5+7F1
bi/aie
1000
1000
1500
40000
7000
Esta nueva tabla representa otra solucin factible para el P.P.L., a saber:
XA=1.000, XB , XC y H1=0 , H2=1.000 , H3=1.500 , H4=40.000 , Z= -7.000 ,
Z = 7.000
La solucin tiene un mejor valor para Z pero no es an la ptima pues existen cj < 0, por
lo que se debe mejorar.

28

*
cj
cj
XA
1
0
0
0
0
*
XB XC
0
0
1
0
0
1
25 20
-3
-3
XA
1
0
0
0
0
XB
0
1
0
0
0
XC
0
0
1
20
-3
H1
1
0
0
-60
7
H1
1
0
0
-60
7
H2 H3
0
0
1
0
0
1
0
0
0
0
H4
0
0
0
1
0
H3
0
0
1
0
0
H4
0
0
0
1
0
H2
0
1
0
-25
3
-Z
0
0
0
0
1
-Z
0
0
0
0
1
bi
1000
1000
1500
40000
7000
bi
bi/aie
No
1000/1
No
40000/25
F4-25F2
F5+3F2
bi/aie
1000
1000
1500
15000
10000
XA=1.000, XB=1.000, XC , H1 y H2=0, H3=1.500 , H4=15.000 , Z= -10.000 ,
Z = 10.000
cj
XA
1
0
0
0
0
cj
XA
1
0
0
0
0
*
XB XC H1
0
0
1
1
0
0
0
1
0
0
20 -60
0
-3
7
XB XC
0
0
1
0
0
0
0
1
0
0

H2
0
1
0
-25
3
H3
0
0
1
0
0
H4 -Z
0
0
0
0
0
0
1
0
0
1
bi
1000
1000
1500
15000
10000
bi/aie
No
No
1500/1
15000/20
F3-F4
(1/20)
F5+3F4
*
H1
1
0
3
-3
-2
H2 H3
0
0
1
0
5/4 1
-5/4 0
-3/4 0
H4
0
0
-1/20
1/20
3/20
-Z
0
0
0
0
1
bi
bi/aie
1000
1000
750
750
12250
29

XA=1.000, XB=1.000, XC=750 , H1 , H2 y H4=0, H3=750 , Z= -12.250 ,
Z = 12.250
cj
cj
XA
1
0
0
0
0
XB XC
0
0
1
0
0
0
0
1
0
0
H1
1
0
3
-3
-2
XA
1
0
0
0
0
XB
0
1
0
0
0
XC
0
0
0
1
0
H1
0
0
1
0
0
H2
0
1
5/4
-5/4
-3/4
H3
H4 -Z
0
0
0
0
0
0
1 -1/20
0
0
1/20
0
0
3/20
1
H2
H3
-5/12 -1/3
1
0
5/12 1/3
0
1
1/12 2/3
H4
1/60
0
-1/60
0
7/60
bi
1000
1000
750
750
12250
-Z
bi
0
0
0
0
1
750
1000
250
1500
12750
bi/aie
1000/1
F1-F3
No
750/3
(1/3)
No
F4+3F3
F5+2F3
bi/aie
Esta nueva y ltima tabla representa la solucin ptima para el P.P.L. pues cumple con la
condicin de optimalidad.
La solucin ptima nica del PPL es:
X*A=750, X*B=1.000, X*C=1.500, H*1=250, H*2, H*3 , y H*4=0, Z*= -12.750 ,

Z* = 12.750

30

DIAGRAMA DE FLUJO ALGORITMO SIMPLEX
FASE I
Y FASE II
ENCONTRAR
EL MODELO
MATEMATICO
Hay Xj sin
restriccin
de signo
SI
Reemplace X por
(U - V)
U,V>0
NO
Haga Z' = - Z
y minimice Z'
NO
Es MIN Z
SI
Restricciones son
desigualdades
SI
Agregue Variables
de Holgura
NO
Est
Cannico
NO
SIMPLEX
FASE I
Agregue Variables
Artificiales y F.O.
Fase I
FIN
Haga dj = 0 para
Variables
Artificiales
SI
SIMPLEX
FASE II
Hay
Cj < 0
NO
SOLUCION
OPTIMA
PROBLEMA
SIN
SOLUCION
NO
SI
Es W = 0
Cj Neg. entra a la
Base; b/a Min.
sale de la Base
SI
NO
Hay dj <0
SI
SOLUCION
FACTIBLE
dj Neg. entra a la
Base; b/a Min.
sale de la Base
Eliminar Fila F.O.

Fase I y columnas
W y Var. Artif.
Aplicar Pivote
Aplicar Pivote

Desarrollar
Simplex
31

I.
DUALIDAD Y HOLGURAS COMPLEMENTARIAS
Cada modelo matemtico de optimizacin de un sistema, que llamaremos el modelo PRIMAL,

tiene su propio modelo DUAL.
El modelo PRIMAL es aquel que representa el sistema o proceso que se desea optimizar.
El modelo DUAL permite calcular los Precios Sombra de las restricciones de un primal, es decir
la importancia relativa que tiene cada restriccin primal en cuanto a su influencia en el valor
ptimo de la funcin objetivo. Cada variable dual no es otra cosa mas que el precio sombra de la
restriccin primal asociada a ella.
I.1. Formulacin matemtica del modelo dual de un primal

Por convencin en los modelos primales de usa la letra Z para referirse a su F.O. y las letras Xj
para referirse a sus variables de decisin. En el caso del modelo dual se usa la letra W para
referirse a su F.O. y las letras Yi para referirse a sus variables de decisin (precios sombra).
a.
De modelos primales simtricos o normales
Un modelo primal de maximizacin se dice que es simtrico o normal, cuando todas sus
restricciones son limitaciones (<) y todas sus variables de decisin son no negativas (>0).
Un modelo primal de minimizacin se dice que es simtrico o normal, cuando todas sus
restricciones son requerimientos del tipo (>) y todas sus variables de decisin son no negativas
(>0).
Consideremos el siguiente modelo primal genrico, simtrico, de maximizacin y su modelo dual
asociado:
PRIMAL
DUAL
MAX Z = c1X1 + c2X2 + . +cnXn

s.a.: a11X1 + a12X2 + ..+ a1nXn < b1
a21X1 + a22X2 + ..+ a2nXn < b2
..
..
am1X1 + am2X2 + ..+ amnXn < bm
X1, X2, ..Xn > 0
MIN W = b1Y1 + b2Y2 + . +bmYm

s.a.: a11Y1 + a21Y2 + ..+ am1Ym > c1
a12Y1 + a22Y2 + ..+ am2Ym > c2
..
..
a1nY1 + a2nY2 + ..+ amnYm > cn
Y1, Y2, ..Ym > 0
Es fcil percatarse que las relaciones entre el primal y su dual son las siguientes:
1.
Un modelo primal de maximizacin simtrico da origen a un modelo dual de minimizacin

tambin simtrico.
2.
El sentido de optimizacin del dual es el contrario al del primal.
3.
El nmero de variables del dual es igual al nmero de restricciones del primal y el nmero de
restricciones del dual es igual al nmero de variables del primal.

32

4.
Los coeficientes de las variables en la funcin objetivo del dual son los elementos del vector
disponibilidad de recursos del primal ( bi ).
5.
Los coeficientes de las variables en la k-sima restriccin del dual son los coeficientes de la
k-sima variable en cada una de las restricciones del primal.
6.
El trmino libre de la k-sima restriccin del dual es el coeficiente de la k-sima variable en

la funcin objetivo del primal.
7.
Si el problema primal es de maximizacin y la k-sima variable primal es 0, la

correspondiente restriccin dual ser un requerimiento ( ).
(Sin embargo, si el problema primal fuese de minimizacin y la k-sima variable primal es
0, la correspondiente restriccin dual ser una limitacin ( )).
Independientemente de si el problema primal es de maximizacin o minimizacin, si la ksima variable primal es irrestricta en signo, la correspondiente restriccin dual ser una
igualdad (=).
8.
Si el problema primal es de maximizacin y la k-sima restriccin primal es una limitacin

del tipo la correspondiente variable dual ser positiva o cero ( 0).
(Sin embargo, si el problema primal es de minimizacin y la k-sima restriccin primal es un
requerimiento del tipo > la correspondiente variable dual ser negativa o cero (< 0))
Independientemente de si el problema primal es de maximizacin o minimizacin, si la ksima restriccin primal es una igualdad (=), la correspondiente variable dual ser irrestricta
en signo.
9.
Se puede igualmente concluir que: El modelo dual de un dual es el modelo primal.
Ejemplo 1:
Encuentre el modelo dual del siguiente primal normal de maximizacin:
PRIMAL
DUAL
MAX Z = 60X1 + 30X2 + 20X3
s.a.: 8X1 + 6X2 + X3 < 48
4X1 + 2X2 + 1.5X3 < 20
2X1 + 1.5X2 + 0.5X3 < 8
X1, X2, X3 > 0
MIN W = 48Y1 + 20Y2 + 8Y3

s.a.: 8Y1 + 4Y2 + 2Y3 > 60
6Y1 + 2Y2 + 1.5Y3 > 30
Y1 + 1.5Y2 + 0.5Y3 > 20
Y1, Y2, Y3 > 0
Ejemplo 2:
Encuentre el modelo dual del siguiente primal normal de minimizacin:
PRIMAL
DUAL
MIN Z = 50X1 + 20X2 + 30X3 + 80X4
s.a.: 400X1 + 200X2 + 150X3 + 500X4> 500
>6
3X1 + 2X2
2X1 + 2X2 + 4X3 + 4X4 > 10
2X1 + 4X2 + X3 + 5X4 > 8
X1, X2, X3, X4 > 0
MAX W = 500Y1 + 6Y2 + 10Y3 + 8Y4

s.a.: 400Y1 + 3Y2 + 2Y3 + 2Y4 < 50
200Y1 + 2Y2 + 2Y3 + 4Y4< 20
150Y1 + 4Y3 + Y4 < 30
500Y1 + 4Y3 + 5Y4 < 80
Y1, Y2, Y3, Y4 > 0
33

Modelo dual de modelos primales no normales
La gran mayora de los modelos de programacin lineal son no normales, es decir, en ellos
coexisten restricciones del tipo limitaciones (<), requerimientos del tipo (>), requerimientos del
tipo (=) y variables sin restriccin de signo que pueden tener valores ptimos negativos, positivos
o valor cero (Estas ltimas son sin embargo las menos comunes en modelos reales).
Para encontrar el modelo dual de un primal no normal es no obstante siempre posible
transformarlo en un modelo de maximizacin o de minimizacin normal, segn corresponda. El
procedimiento general en estos casos es el siguiente:
1. Si existen variables sin restriccin de signo, reemplace en el modelo esa(s) variables por
una diferencia entre dos variables auxiliares.
2. Si existen requerimientos del tipo igualdad reemplace esa(s) restricciones por dos
restricciones, una del tipo (>) y otra del tipo (<).
3. Hecho lo anterior, si el problema es de maximizacin transforme todas las restricciones en
limitaciones (<) multiplicando por (-1) las restricciones (>) y si el problema es de
minimizacin transforme todas las restricciones en requerimientos, multiplicando por (-1)
las restricciones (<).
Ejemplo 3:
Encuentre el modelo dual del siguiente primal no normal de maximizacin:
PRIMAL ORIGI+AL
PRIMAL +ORMALIZADO
MAX Z = 40X1 - 53X2 + 65X3
s.a.: 25X1 + 12X2 - 13X3 < 120
7X1 - 5X2 + 20X3 = 250
-3X1 + 4X2 + 5X3 > 56
25X1 + 12X2 + 15X3 > 215
X1, X2 > 0; X3 = Irrestricta
MAX Z = 40X1 - 53X2 + 65X3A - 65X3B

s.a.: 25X1 + 12X2 - 13X3A+13 X3B < 120
7X1 - 5X2 + 20X3A - 20 X3B < 250
-7X1 + 5X2 - 20X3A + 20 X3B < -250
3X1 - 4X2 - 5X3A + 5X3B < -56
-25X1 - 12X2 - 15X3A + 15X3B < -215
X1, X2, X3A, X3B > 0
MODELO DUAL
MIN W = 120Y1 + 250Y2 250Y3 56Y4 215 Y5
s.a.: 25Y1 + 7Y2 7Y3 + 3Y4 - 25Y5 > 40
12Y1 - 5Y2 + 5Y3 - 4Y4 - 12Y5 > -53
-13Y1 + 20Y2 20Y3 - 5Y4 - 15Y5 > 65
13Y1 - 20Y2 + 20Y3 + 5Y4 + 15Y5 > -65
Y1, Y2, Y3, Y4, Y5 > 0

34

El resultado ptimo del modelo dual permitir calcular el valor absolutos de los precios sombra
del primal. Sin embargo los resultados numricos deben interpretarse de la siguiente manera:
El precio sombra de una limitacin (<) ser siempre positivo, es decir, si se aumenta el
trmino libre de la restriccin (se relaja la restriccin), el valor ptimo de la funcin
objetivo MEJORAR, aumentar si se est maximizando o disminuir si se est
minimizando.
El precio sombra de un requerimiento (>) ser siempre negativo, es decir, si se aumenta el
trmino libre de la restriccin (se aumenta el requerimiento mnimo), el valor ptimo de la
funcin objetivo EMPEORAR, aumentar si se est minimizando o disminuir si se est
maximizando.
El precio sombra de un requerimiento del tipo (=) ser irrestricto en signo, depender de
cada modelo en particular, es decir, si se aumenta el trmino libre de la restriccin (se
aumenta el requerimiento), el valor ptimo de la funcin objetivo EMPEORAR,
MEJORAR O +O VARIAR, (=0).
TEOREMA DE LAS HOLGURAS COMPLEMENTARIAS
Sea
X *j
(j = 1, 2, 3, , n) el valor de las variables de decisin que da origen a una
*i (i = 1, 2, 3, , m) el valor de las
solucin factible de un problema PRIMAL y sea

variables de decisin que da origen a una solucin factible de su problema DUAL; entonces ,
ambas soluciones sern ptimas si se cumple que :
a)
*
* aij X j bi = 0
j =1
*
i
(i = 1, 2, 3, ..., m)
De este teorema se concluye que: Si al reemplazar las variables de una restriccin primal por su
valor ptimo, la restriccin se cumple en su sentido estricto (> o <) es decir, cuando la restriccin
tiene un valor de holgura distinto de cero, entonces la correspondiente variable dual es NULA, o
sea, el precio sombra de esa restriccin es 0, su influencia es nula respecto al valor ptimo de la
funcin objetivo. Si una restriccin primal tiene un valor de holgura distinto de cero su precio
sombra es cero

35

b)
m
*
*
X j * a ji i c j = 0
i =1
(j = 1, 2, 3, ... , n)
En forma similar, se concluye con esta segunda parte del teorema, que cuando una variable primal
bsica ptima es distinta de cero, la holgura de la restriccin dual, valorizada en el ptimo, debe
ser necesariamente igual a cero.

36

J.
EL SOFTWARE LINDO (Versin 6.1)
L = Linear
I = Interactive
D = Discrete
O = Optimizer
Optimizador Lineal, Discreto, Interactivo.
1.
PRESETACIO GEERAL
2.
MEUS Y COMADOS
a)
Menu File

37

b)
Menu Edit
c)
Menu Solve
d)
Menu Reports

38

e)
Menu Window
f)
Comando Find-Replace
g)
Comando Go-to-line

39

h)
Comando Options
i)
Comando Paste Symbol

40

j)
Respuesta al Comando Tableau
k)
Respuesta al Comando Solution

41

l)
Respuesta al Comando Pivot
m)
Respuesta al Comando Solve con anlisis de sensibilidad

42

n)

About Lindo
43

3.
AALISIS DE RESULTADOS CO SOFTWARE LIDO
a)
PROBLEMA EJEMPLO +1
Winco vende cuatro tipos de productos. Los recursos necesarios para producir una unidad de cada
producto y el precio de venta para cada producto se dan en la Tabla 1. En la actualidad se dispone
de 4600 unidades de materia prima y de 5000 horas hombre de trabajo. Para cumplir con la
demanda de los clientes se debe producir exactamente 950 unidades de producto, en cualquier
combinacin, siempre y cuando las unidades de producto tipo 4 sea a lo menos 450.
Formule un programa lineal que permita maximizar los ingresos por venta de Winco y
solucinelo con el software LINDO.
Tabla 1: Precios de venta y necesidad de recursos para produccin de productos
Producto 1
Producto 2
Producto 3
Producto 4
Materia Prima
2
3
4
7
Horas Hombre
3
4
5
6
Precio de Venta
US$4
US$6
US$7
US$8
SOLUCION:

44
AALISIS DE LOS RESULTADOS
REDUCED COST
Este parmetro tiene dos interpretaciones equivalentes:
Interpretacin 1:
Es la tasa a la que la funcin objetivo empeorar, por cada unidad que aumente desde cero el
valor de una variable no bsica en la solucin ptima de un PPL, al forzarla a transformarse en
bsica. Ntese que se habla de empeorar y no de aumentar o disminuir, porque el efecto que se
produce depende del sentido de la optimizacin (MAX o MIN).
Interpretacin 2:
Para cualquier variable no bsica Xk, el reduced cost de Xk es la cantidad en la que se debe
mejorar el coeficiente de Xk en la funcin objetivo para que el PPL tenga una solucin ptima
alternativa a la actual, en la que Xk ser variable bsica. (Ntese que se usa el trmino mejorar
el coeficiente, lo que implica, por ejemplo, aumentarlo en esa cantidad si la F.O. es de
maximizacin y el coeficiente es positivo o bien disminuirlo, si es de minimizacin y es positivo).
Si el coeficiente en la funcin objetivo de una variable no bsica es mejorado en mas all del
valor de su reduced cost, entonces habr slo una la nueva solucin ptima del PPL, que tendr a
Xk como variable bsica.
45

El resultado ptimo de nuestro ejemplo muestra que X3 es variable no bsica y tiene un reduced
cost = $1. Esto implica que si se mejora el coeficiente de la variable X3 en la funcin objetivo (Es
decir el precio de venta unitario del producto 3) en exactamente $1 (en vez de $7 sea $8), habr
una solucin ptima alternativa en la que X3 ser variable bsica. Si se aumenta el coeficiente de
X3 en la funcin objetivo en ms de $1, entonces habr slo una solucin ptima del PPL y ella
tendr a X3 como variable bsica.
DUAL PRICES y Anlisis de Sensibilidad
La columna Dual Prices indica el valor de los precios sombra de las restricciones del PPL.
Recordemos la definicin de precio sombra que est hecha en base a un precio sombra positivo:
El precio sombra de una restriccin de un PPL es la cantidad en que mejorara (Aumentara si
la F.O. es Max o disminuira si la F.O. es Min) el valor ptimo de la funcin objetivo, cuando
el trmino libre de la restriccin es aumentado en una unidad. (En forma contraria, si se
disminuye en una unidad el trmino libre de la restriccin, el valor ptimo de la funcin objetivo
empeorar en una cantidad igual al precio sombra).
Signos de los Dual Prices (Precios Sombra)

El precio sombra de una restriccin del tipo ser siempre negativo o cero, el de una restriccin
ser positivo o cero y el de una restriccin que es igualdad podr tener cualquier valor,
negativo, positivo o cero, es decir, irrestricta en signo. Esto aplica tanto para un PPL de
maximizacin como de minimizacin. Para ilustrar esta realidad, observe que si se agregan
puntos a la zona de soluciones factibles de un PPL, hecho que ocurre cuando se aumenta el
trmino libre de una restriccin , su efecto es que el valor ptimo de la funcin objetivo mejora
o queda igual y al quitar puntos a la zona, si se aumenta el trmino libre de una restriccin , el
ptimo empeora o queda igual.
Rango de validez de los precios sombra
El precio sombra de una restriccin es vlido dentro un rango de variacin especfico de su
trmino libre. Este rango se puede calcular con los antecedentes que se entregan en el anlisis de
sensibilidad del resultado ptimo, en la parte denominada Righthand side ranges (Rangos de
los lados de la mano derecha, es decir, de los trminos libres de las restricciones). Para cada
trmino libre se indica su valor actual, la cantidad mxima en que ste puede ser aumentado
(Allowable increase) y la cantidad mxima en que ste puede ser disminuido (Allowable
decrease). El mejoramiento o empeoramiento del valor ptimo de la funcin objetivo ser
directamente proporcional a su precio sombra por la cantidad en que vare el trmino libre de la
restriccin, siempre y cuando sta variacin mantenga el valor del trmino libre dentro del rango
de validez antes calculado.
En nuestro Problema Ejemplo N1, se indica que el precio sombra de la restriccin R2 es (-6).
Este precio sombra es negativo ya que la restriccin es del tipo >= y su interpretacin, en el
contexto del problema es la siguiente:

46

Por cada unidad de producto 4 que se requiera fabricar, por sobre los 450 productos, el valor
ptimo de la funcin objetivo empeorar en $6. (Ntese que en este caso la F.O. empeora con un
aumento del trmino libre y ello es porque el precio sombra es negativo). Por el contrario, si el
trmino libre de la restriccin R2 se disminuye, el valor ptimo de la funcin objetivo mejorar
en $6 por cada unidad que se disminuya. El rango de valores del trmino libre de la restriccin en
el que este efecto del precio sombra es vlido, se obtiene del anlisis de sensibilidad como sigue:
(450 12.5) b2 (450 + 90)
437.5 b2 540
En el caso de una restriccin no activa, es decir aquella restriccin que tiene holgura y que por lo
tanto su precio sombra es nulo (0), el rango de variacin del trmino libre de la restriccin as
calculado, indica los valores que puede tomar este trmino libre sin que el valor ptimo de la
funcin objetivo ni el valor ptimo de las variables cambie. (Rango en el cul la base no
cambia). En nuestro ejemplo la restriccin R4 tiene una holgura de 350 unidades y segn el
anlisis de sensibilidad, su trmino libre puede variar entre 4650 e infinito sin que el valor ptimo
de la funcin objetivo (6500) cambie, ni tampoco el valor ptimo de las variables de decisin.
Rangos de los coeficientes de la Funcin Objetivo (Obj Coefficient Ranges)
Recordemos que en el anlisis de sensibilidad de un PPL en dos variables calculamos el rango de

valores en que podan variar los coeficientes de la F.O. de tal forma que la variacin de pendiente
que ello provoca no hiciese variar la ubicacin del punto ptimo.
Con el software LINDO, ya sea para dos o para ms variables, el rango de variacin permitido
para los coeficientes de la F.O., que permite que la Base no cambie, es decir que las variables
que son actualmente bsicas en la solucin ptima sigan siendo bsicas y no varen su valor
ptimo, se obtiene del anlisis de sensibilidad en la seccin Obj Coefficient Ranges.
En nuestro ejemplo N1 la solucin ptima se da para X1= 50, X2= 450, X4= 450 y SLK 5= 350.
Estas son las variables bsicas y su valor ptimo. Esta base no cambiar si, por ejemplo, el
coeficiente de la variable X4 se aumenta en 1, 2, 3, y hasta 6 unidades.

47

b)
PROBLEMA EJEMPLO +2
El siguiente ejemplo se deja para discusin de los alumnos en cuanto al anlisis de sus resultados.
Trucker Inc. Debe producir 1000 automviles. La compaa tiene cuatro plantas de produccin.
El costo de producir un automvil en cada planta, junto con el consumo de horas hombre y las
necesidades de materia prima se muestran en la Tabla 2.
El sindicato de trabajadores de la compaa ha demandado que en la planta 3 se produzcan a lo
menos 400 automviles.
La disponibilidad total de horas hombre y de materias primas, que puede ser usada en las plantas
es de 4000 HH y 3300 unidades de materia prima.
Formule u programa lineal que permita a Trucker minimizar el costo de producir los mil
automviles.
Tabla 2: Costos y necesidad de recursos para produccin de automviles
Planta 1
Planta 2
Planta 3
Materia Prima
2
3
4
Horas Hombre
3
4
5
Costo (Miles de US$)
15
10
9
Planta 4
5
6
7
SOLUCION:

48

49

III.
PROGRAMACION LINEAL ENTERA

Existen situaciones o sistemas en que los resultados decimales para las variables de
decisin no hacen sentido, se necesitan valores enteros. Este captulo resume la tcnica
utilizada para encontrar las soluciones ptimas tericas en estas condiciones.
Se debe tener en cuenta que cuando se restringe las variables de decisin a tomar slo
valores enteros, la solucin ptima entera que se encuentre ser menos eficiente que la
decimal, pero la mejor entera posible.
A.
ALGORITMO DE BIFURCACION Y ACOTAMIENTO
Es el mtodo ms eficiente para encontrar los valores ptimos enteros para las variables de
decisin de un Modelo de Programacin Lineal Entera.
En trminos generales, el algoritmo de bifurcacin y acotamiento es una metodologa que
consiste en dividir, progresivamente, un modelo de programacin lineal, en modelos cuyas
zonas de soluciones factibles son sub-conjuntos no traslapados de la zona de soluciones
factibles del modelo original. Esta divisin se realiza en la prctica creando, a partir de un
modelo dado, dos nuevos modelos que acoten, restrinjan, a una de las variables de valor
ptimo decimal. El primer modelo se genera agregando una restriccin que acote dicha
variable a valores menores o iguales a la parte entera de la solucin ptima y el segundo,
agregando una restriccin que acote la variable a valores mayores o iguales a la parte
entera ms uno de la solucin ptima. Esta metodologa se repite sucesivamente hasta
encontrar la mejor solucin ptima entera. En estas circunstancias se genera un rbol de
modelos cuya cspide es el modelo original, el que se ha expandido sucesivamente al
efectuar la bifurcacin por el acotamiento de las variables de valor ptimo decimal. Cada
modelo queda representado por un nodo y cada nueva restriccin por una rama que
conecta un nodo con el siguiente.
Problema Ejemplo:
P1
MAX
8X 1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 66
X 1 + 10 X 2 45
X 1 , X 2 0, enteros
Al resolver este modelo de P.L. se llega a la solucin ptima terica: X1*= 3,75 X2*=
4,125 y Z*= 50,625 y debemos reconocer que no existe solucin factible que implique un
valor mejor para la Funcin Objetivo.
Para encontrar una primera solucin factible entera para el modelo, normalmente se
recurre a una de dos prcticas: La aproximacin del valor decimal de la variable al entero
superior o inferior, dependiendo del valor decimal, o bien el truncamiento de la solucin
decimal de las variables de decisin a su parte entera.

50

Cualquiera de estas aproximaciones debe ser verificada en cuanto a su factibilidad, es
decir, a que para esos valores enteros de las variables de decisin todas las restricciones
del modelo se cumplan.
Si se aplica la primera aproximacin al problema ejemplo, se tiene que X1 = 4 y X2 = 4 no
es una solucin factible para el modelo, ya que no se cumple la primera restriccin. En
cambio la aproximacin por truncamiento X1 = 3 y X2 = 4 si es factible y da un valor de Z
= 44, inferior al de la solucin ptima decimal, como era lgico esperar.
Definiremos:
Uk = Valor ptimo de la F.O. para el modelo del nodo k
U1 = Mejor cota superior actual

F = Mejor solucin entera encontrada.
El proceso de bifurcacin y acotamiento se detiene en un nodo especfico cuando se
presenta una de las siguientes circunstancias:
El modelo del nodo k no tiene solucin.
El valor ptimo de la F.O. Uk es menor o igual que el mejor valor para solucin
(Uk F)
entera encontrado al momento, F.
La solucin ptima del modelo del nodo es entera.
En estas circunstancias el nodo k=1 del modelo ejemplo sera:

1
U =50,625
F = 44,0
X1*= 3,75
X2*= 4,125
A partir de este modelo se crean dos nuevos modelos, acotando como se indic
anteriormente cualquiera de las variables de decisin decimales, por ejemplo X1.
Con ello el rbol de soluciones queda:
1
U1 =50,625
F = 44,0
X1*= 3,75
X2*= 4,125
X1 3

X1 4
U2 =45
X1*= 3
X2*= 4,2
U3 =50,33
X1*= 4
X2*= 3,67
51
P1
MAX
8X 1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 66
X 1 + 10 X 2 45
X 1 , X 2 0, enteros
P2
MAX
P3
MAX
8X1 + 5X 2
8X1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 66
Sujeto a : 11X 1 + 6 X 2 66
X 1 + 10 X 2 45
X 1 + 10 X 2 45
X1
X1
X1 , X 2 0, enteros
X1 , X 2 0, enteros
12
11
10
R3
9
8
R1
R4
7
Optimo mximo P2
Optimo mximo P1
5
4
R2
3
2
1
P2
Optimo mximo P3
P3
P1
0
0
10 11 12
52

Las respectivas soluciones no son con variables ptimas enteras y los valores Uk ptimos
son mejores que F por lo que el proceso de ramificacin y acotamiento contina. El rbol
del proceso se detalla en la siguiente figura:
1
U1 =50,625
F = 44,0
X1*= 3,75
X2*= 4,125
X1 3
X1 4
U2 =45
X1*= 3
X2*= 4,2
X2 4
U3 =50,33
X1*= 4
X2*= 3,67
X2 5
X2 3
X2 4
U4 =44
X1*= 3
X2*= 4
NO
Factible
U6 =49,91
X1*= 4,36
X2*= 3
NO
Factible
T
X1 4
X1 5
U8 =47
U9 =49,17
X1*= 5
X2*= 1,83
F = 47,0
X1*= 4
X2*= 3
X2 2
X2 1
X1 5
10
11
U10=48,64
X1*= 5,45
X2*= 1
NO
Factible
X1 6
T
12
U12=45
X1*= 5
X2*= 1
13
U13=48
F = 48,0
X1*= 6
X2*= 0
T
T
53

En el rbol se puede notar que:
Los nodos 5, 7 y 11 son terminales de la rama respectiva puesto que son modelos que
no tienen solucin factible.
El nodo 4 es terminal porque representa un modelo con solucin entera, que es la
misma que logramos inicialmente por truncamiento de la solucin decimal ptima del
modelo original.
El nodo 8 es igualmente terminal por representar una solucin entera pero en este caso
es mejor que la encontrada por truncamiento inicialmente y por lo tanto da origen a un
nuevo valor de F y a partir de ese nivel las soluciones se deben comparar contra F = 47
en reemplazo de F = 44.
El nodo 12 es terminal tambin por representar una solucin entera. Sin embargo no se
considera por tener un valor para la funcin objetivo menor que el F = 47 vigente.
Por ltimo el nodo 13 termina con una solucin entera que resulta ser mejor que la
encontrada en el nodo 8, por ello pasa a ser el nuevo F = 48 y en atencin a que todas
las ramas han terminado, el algoritmo concluye que la Solucin Optima Entera
es: X1*= 6, X2*= 0 y Z*= 48

El resultado ptimo entero obtenido permite usarlo de ejemplo para destacar lo siguiente:
Una solucin redondeada no es necesariamente ptima, tampoco asegura estar
cerca de la solucin ptima y puede que no sea siquiera factible.

54

B.
USO DE VARIABLES ENTERAS BINARIAS
Existen situaciones en las que la decisin a tomar es hacer o dejar de hacer algo es SI o
NO. En estas circunstancias se deben definir las variables de decisin denominadas
binarias que pueden tomar slo dos valores posibles: 1 (Uno) si la decisin es SI y 0
(Cero) si la decisin es NO.
Los siguientes prrafos ilustran las aplicaciones ms recurrentes en las que se usa este tipo
de variables dicotmicas.
1.
Problemas de cargo fijo

Suponga que un producto nuevo contribuir con cinco dlares por unidad a la utilidad
total del negocio y que se realiza un gasto nico de 100 dlares para preparar la
maquinaria para un batch de produccin. El costo es cero si no se producen unidades.
Sea X el nmero de unidades que se producirn. Entonces, podemos formular el problema
para que:
Utilidad
5x 100 si X > 0
Z =
si X = 0
0
Para lograr el efecto deseado, en la formulacin lineal se introduce una nueva variable, Y,
que slo toma los valores enteros de 0 y 1. Despus se maximiza Z = (5X - 100Y) con
sujecin a las restricciones existentes, propias del sistema, ms la siguiente:
X MY
donde M es un nmero arbitrario muy grande, lo
suficientemente grande para que la restriccin sea redundante cuando Y=1.
Observe que cuando Y = 0, la segunda restriccin hace que X sea 0 y la contribucin Z =
(5X - 100Y) tambin es cero. Sin embargo, cuando Y = 1 la restriccin extra que
agregamos no impone un lmite prctico para X ya que M es un nmero muy grande y
adems la cantidad de cargo fijo de 100 dlares se descuenta de la utilidad. Por lo tanto, la
utilizacin de la variable binaria (cero/uno), "Y", permite formular este tipo de problema
con restricciones lineales.
Los problemas del tipo de cargo fijo son comunes en los negocios. Por ejemplo, hay un
costo de inversin para construir una planta antes de que pueda empezar la produccin;
por lo general hay costos fijos si se emprende un segundo turno o se abre un almacn
nuevo, etc.

55

Observe en el ejemplo anterior que las expresiones de la funcin objetivo y las
restricciones son lineales, es decir, comprenden slo una constante multiplicada por una
variable (no hay potencias ni productos de variables). Un error que en ocasiones se
comete en las formulaciones de programacin entera es que se emplean funciones no
lineales. Por ejemplo, el problema de cargo fijo se podra formular como la maximizacin
de Z = 5XY - 100Y, donde Y es una variable binaria como las anteriores. Observe que se
cumplen los requisitos, ya que no hay beneficio si Y = 0 y el beneficio es 5X - 100 si Y = 1.
No obstante, el trmino 5XY no representa un problema vlido de programacin lineal
entera ya que es una expresin cuadrtica, se est multiplicando la variable X por la
variable Y.
2.
Problema de tamao de lote

Un problema similar al anterior es aquel en el cual se requiere un nivel mnimo para
emprender una actividad. Por ejemplo, una empresa cuenta con equipamiento productivo
que le obliga a producir a lo menos 50 Kg de un producto cada vez que ejecuta el proceso.
Sea X el nmero de unidades que se producirn; entonces, se debe modelar que X = 0 o
bien X 50.
Esta situacin se puede formular utilizando una variable binaria Y con las restricciones
propias del sistema, ms las siguientes restricciones:
X MY
X 50Y
(M es un nmero muy grande)
Observe que si Y = 0, ambas restricciones hacen que X deba ser 0. Por el contrario si Y =
1, por la segunda restriccin X debe ser por lo menos 50 y la primera restriccin no
restringe a X porque M es un nmero muy grande.
3.
Seleccin de una o ms alternativas entre varias

Algunas veces se necesita decidir, por ejemplo, de entre varias alternativas de inversin
como mximo slo dos de ellas.
Sea X1, X2, X3, X4, X5 variables binarias que representan el invertir (uno) o no invertir
(cero), en el instrumento financiero correspondiente. Asuma que por razones de no
incurrir en mucho riesgo se necesita que la decisin sea invertir en no ms de dos de estas
alternativas. Para representar esta situacin se debe incluir una restriccin como la
siguiente:
X1 + X2 + X3 + X4 + X5 2

56

4.
Restricciones mutuamente excluyentes (Either Or)

Algunas veces, en una situacin de decisin, hay que mantener una restriccin u otra (a lo
menos una de ellas), pero no ambas. En trminos generales se necesita que:
ya sea
f (X1, X2, X3, ....., Xn) 0

g (X1, X2, X3, ....., Xn) 0
o bien
deba cumplirse, pero en ningn caso ambas.
Por ejemplo:
Asuma que usted puede producir productos alternativamente con una materia prima de la
cual tiene 10 unidades, o con otra de la cual tiene 24 unidades. El consumo de cada tipo de
materias primas es distinto para cada producto. Usted debe decidir cual de las dos materias
primas usar, pero no puede usar ambas.
O sea que debe cumplirse que:
o bien que:
pero no ambas
5X1 + 2X2 10
3X1 + 4X2 24
En la programacin entera se puede manejar esta situacin con una variable binaria "Y" si
se usan las restricciones indicadas con la siguiente modificacin:
5X1 + 2X2 10 + MY
3X1 + 4X2 24 + M(1 - Y)
Observe que si Y = 0, la primera restriccin es efectiva, pero el trmino independiente de
la segunda se hace muy grande y por lo tanto no es en la prctica efectiva. Por el contrario,
si Y = 1, la segunda restriccin limita pero no la primera, ya que MY es muy grande.
5.
Restricciones consecuenciales (If Then)

En otras oportunidades, en situaciones tambin de decisin, se desea asegurar que si una
restriccin f (X1, X2, X3, ....., Xn) > 0 se cumple, otra restriccin g (X1, X2,
X3, ....., Xn) 0 tambin deba cumplirse; sin embargo si f (X1, X2, X3, ....., Xn) > 0 no
se cumple, entonces g(X1, X2, X3, ....., Xn) 0 puede o no cumplirse. Para asegurar lo
anterior utilizamos la siguiente formulacin de restricciones:
- g (X1, X2, X3, ....., Xn) M Y

f (X1, X2, X3, ....., Xn) M (1-Y)
donde Y es una variable entera binaria y M es un nmero muy grande.
57

Por ejemplo:
Suponga que necesitamos que:
si
entonces
X1 >0
X1 - 4X2 24
lo que escrito de acuerdo a la regla del IF-THEN es:

si
entonces
X1 >0
-X1 + 4X2 + 24 0
En este caso f(X1, X2, X3, ....., Xn) = X1

y g(X1, X2, X3, ....., Xn) = - X1 + 4X2 +24
Las restricciones que se usan para lograr el efecto esperado seran, en este caso las
siguientes:
X1 - 4X2 M Y +24
X1 M (1-Y)
donde Y es una variable entera binaria y M es un nmero muy grande.
Observe que si X1 >0 entonces X1 - 4X2 24 puede cumplirse slo si Y = 0 Por otro lado,
si X1 >0 no se satisface, en la segunda restriccin se puede aceptar que Y sea 0 o bien 1 y
la primera restriccin podr cumplirse (Y=0) o n (Y=1).

58

EJERCICIOS DE MODELACIO ETERA BIARIA
1.
Programacin en una aerolnea Alpha Airline desea programar no ms de un vuelo desde

Chicago hasta cada una de las siguientes ciudades: Columbus, Denver, Los Angeles y Nueva
York. Los horarios de salida disponibles son 8, 10 y12 de la maana. Alpha arrienda los
aviones al costo de $5000 hasta las 10, y de $3000 despus de las 10 y est en posibilidad de
arrendar cuando mucho 2 por horario de salida. En la figura 8.26 se presenta la aportacin a
las utilidades esperadas por vuelo, antes de los costos de arrendamiento. Elabore un modelo
para un programa que maximice las utilidades. Defina con cuidado las variables de decisin.
FIGURA 8.26
Contribucin esperada a las utilidades (en miles de dlares)
Columbus
Denver
Los Angeles
Nueva York
2.
Horario de salida
8
10
12
10
6
6
9
10
9
14
11
10
18
15
10
Un problema de instalacin Un problema que afronta todos los das un electricista consiste
en decidir qu generadores conectar. El electricista en cuestin tiene tres generadores con las
caractersticas que se muestran en la figura 8.27. Hay dos periodos en el da. En el primero
(la maana) se necesitan 2900 megawatts. En el segundo (la tarde), 3900 megawatts. Un
generador que se conecte para el primer periodo puede ser usado en el segundo sin causar un
nuevo gasto de conexin. Todos los generadores principales (como lo son A, B y C de la
figura) son apagados al trmino del da. Formule este problema como un PLEM.
FIGURA 8.27
Generador
Costo fijo conexin
A
B
C
US$ 3000
US$ 2000
US$ 1000

Costo por perodo por

megawatt usado
US$ 5
US$ 4
US$ 7
Capacidad mxima en cada

perodo (MW)
2100
1800
3000
59

Planeacin de la produccin Una cierta lnea de produccin fabrica dos productos. En la
figura 8.28 se presenta la informacin pertinente. El tiempo total disponible de cada semana
(para la produccin y preparacin) es de 80 horas. Al inicio de la semana 1 la empresa no
tiene inventario de ninguno de los productos y no se permite inventario al finalizar la semana
4. El costo de mantener una unidad en inventario de una semana a otra es de $4 para cada
producto. Una unidad de demanda no satisfecha cuesta $10 para el producto A y $15 para el
producto B. En la figura 8.29 se presentan los datos de la demanda. La lnea de produccin
se cierra y se limpia cada fin de semana. Como resultado de ello, si cualquiera de los
productos se producen en una semana se incurre en el costo del tiempo de preparacin
apropiado. Obsrvese que es posible producir ambos productos en la misma semana. Si se
producen ambos, se incurre tanto en tiempos de preparacin y en costos para cada uno. No
se puede realizar produccin alguna durante el tiempo en que se est preparando la lnea.
Formule este problema de planeacin de 4 semanas como un PLEM. El objetivo es
maximizar la utilidad durante un periodo de 4 semanas. Defina con cuidado la notacin y
use notacin de suma en la formulacin.
FIGURA 8.28
PRODUCTO
Conceptos
A
B
Tiempo de preparacin
5 horas
10 horas
Tiempo por unidad producida
0,5 horas
0,75 horas
Costo de preparacin
US$ 200
US$ 400
Costo por unidad producida
US$ 10
US$ 15
Precio de venta
US$ 20
US$ 30
3.
FIGURA 8.29
PRODUCTO
A
B
1
80
15
SEMANA
2
3
100
75
20
50
4
80
30
La junta de directores de una empresa manufacturera est estudiando el conjunto de

inversiones que aparece en la figura 8.30. Sean Ri y Ci respectivamente, el rendimiento total
y el costo de la inversin i. La mesa desea maximizar el rendimiento total invirtiendo no ms
de M dlares en total. Elabore este problema como un PLE. Defina sus variables de
decisin.
INVERSION
CONDICIONES
1
Ninguna
2
Slo si se invierte en 1
3
Slo si se invierte en 2
4
Se har si se invierte en 1 y en 2
5
No se har si se invierte en 1 o en 2
6
No se har si se invierte en 2 o en 3
7
Slo si se invierte en 2 y no se invierte en 3
FIGURA 8.30
4.

60

5.
Seleccin de inversin Un urbanizador de bienes races est estudiando varios proyectos

estrechamente interrelacionados. Algunos de los proyectos slo se pueden llevar a cabo si se
cumplen ciertas condiciones (vase figura 8.31). Sea Ri la utilidad total de la inversin i y
Ci el costo de hacerla. Se desea maximizar la utilidad total al invertir hasta M dlares.
Formule este problema como un PLE. Defina sus variables de decisin
FIGURA 8.31
INVERSION
CONDICIONES
A
Ninguna
B
No si C y slo si E
C
No si B
D
Slo si A
E
Ni si F y slo si C
F
No si E y slo si C
G
Slo si A y B
6.
Expansin de capacidad Una empresa de servicios pblicos de electricidad est planeando la

expansin de su capacidad generadora para los siguientes cinco aos. Su capacidad actual es
de 800 MW, pero con base en el pronstico de la demanda se requerir capacidad adicional
tal como se muestra en la figura 8.32. La empresa puede aumentar su capacidad instalando
generadores de 10, 50 o 100 MW. El costo de instalacin de un generador depende de su
tamao y del ao en que se instala. Vase la figura 8.33. Una vez que se pone en
funcionamiento un generador, su capacidad est disponible para hacer frente a la demanda
de aos posteriores. Formule un PLE que minimice el costo de poner en funcionamiento los
generadores al mismo tiempo que se satisfacen los requisitos mnimos de capacidad.
SUGERENCIA: Supngase que Xt, Yt y Zt son el nmero de generadores de 10, 50 y 100
MW puestos en funcionamiento en el ao t y que Ct es la capacidad total en el ao t despus
de haber puesto en operacin estos generadores.
FIGURA 8.32 Requisitos de capacidad

AO
CAPACIDAD
MINIMA (MW)
1
880
2
960
3
1050
4
1160
5
1280
FIGURA 8.33 Costo de poner en operacin los generadores (en miles de dlares)
AO
Tamao
1
2
3
4
5
10 MW
300
250
208 173 145
50 MW
670
558
465 387 322
100MW
950
791
659 549 458
61

IV.
MODELO DE TRANSPORTE
A.
INTRODUCCION
OFERTA
Capacidad de
Suministro
DEMANDA
Requerimiento
de Suministro
O1
a1
C11
C1n
b1
D2
b2
D3
b3
Dn
bn
C13
O2
a2
D1
C12
C2n
a3
O3
C3n
am
Om
Cmn
Cij = Costo unitario de transporte entre el origen i y el destino j
B.
MODELO GENERAL DE PROGRAMACION LINEAL
El modelo matemtico general de un problema de transporte bsico a ser solucionado por
el mtodo simplex es el siguiente (bsico porque slo considera restricciones de capacidad
de suministro y satisfaccin de demanda):
Sea Xij = Cantidad de producto a transportar entre el origen i y el destino j
F.O. MIN Z = c11X11+c12X12+c13X13+.....+c1nX1n+c21X21+c22X22+c23X23+......
+c2nX2n+......+cm1Xm1+cm2Xm2+cm3Xm3+........+cmnXmn
Sujeto a:
X11 + X12 + X13 +.....+ X1n a1

X21 + X22 + X23 +.....+ X2n a2
X31 + X32 + X33 +.....+ X3n a3
Capacidad de Suministros
.....................................................................................
Xm1 + Xm2 + Xm3 +.....+ Xmn am

X11 + X21 + X31 +.....+ Xm1 = b1
X12 + X22 + X32 +.....+ Xm2 = b2
X13 + X23 + X33 +.....+ Xm3 = b3
Satisfaccin de la Demanda
......................................................................................
X1n + X2n + X3n +.....+ Xmn = bn

62

C.
EL ALGORITMO DE TRANSPORTE
El algoritmo de transporte permite solucionar problemas de transporte bsicos mediante

un procedimiento de clculo tabular que comprende fundamentalmente las siguientes
acciones:
1.
Premisa bsica
El algoritmo asume que todo problema de transporte a ser solucionado por este mtodo
est debidamente balanceado; es decir la OFERTA total es igual a la DEMANDA total:
m
i =1
j =1
ai = b j
Si la oferta total es mayor que la demanda total, para balancear el problema se debe crear
un destino artificial D(n+1) con demanda tambin artificial e igual a la diferencia entre la
oferta total y la demanda total y con costos de transporte nulos para el abastecimiento
desde cualquiera de los orgenes hacia este destino artificial.
m
i =1
j =1
b( n +1) = a i b j ;
C i ( n +1) = 0 i
Si por el contrario, la oferta total es menor que la demanda total, para balancear el
problema se debe crear un origen artificial O(m+1) con oferta o capacidad de suministro
tambin artificial e igual a la diferencia entre la demanda total y la oferta total y con costos
de transporte nulos para el abastecimiento hacia cualquiera de los destinos.
n
j =1
i =1
a ( m +1) = b j a i ;
2.
C ( m +1) j = 0 j
Tabla de asignacin para el transporte

Una vez balanceado el problema se debe construir una tabla de asignacin para el
transporte que tiene la siguiente forma general (Ej. 3 orgenes y 4 destinos):
X11
X12
C11
X21
X13
C12
X22
C21
X31
X23
C22
X32
C31
b1
v1
C32
u1
a2
X24
C24
C33
u2
a3
X34
b3
v2
C14
C23
X33
b2
a1
X14
C13
C34
u3
b4
v3
v4
En esta tabla : Xij = Cantidad de producto a transportar desde el origen i al destino j.

Cij = Costo unitario de transporte desde el origen i al destino j.
bj = Cantidad de producto demandada por el destino j.
ai = Capacidad de suministro (disponibilidad) del origen i.
ui = Multiplicador dual asociado al origen i.
vj = Multiplicador dual asociado al destino j.
63

3.
Generacin de una primera solucin factible

Para encontrar una primera solucin factible para el problema de transporte se puede usar
cualquiera de los siguientes tres mtodos:
a) Mtodo de la Esquina +or-Oeste

Asigne la mayor cantidad posible de producto, que sea consistente con la
cantidad ofrecida y la demandada, en el casillero superior izquierdo libre de la
tabla (Casillero N-O).
Actualice los valores de oferta y demanda en la fila y columna del casillero de
la ltima asignacin, restando en ambos la cantidad recin asignada.
Elimine de futuras asignaciones los casilleros de la fila o columna para la cual
el valor de oferta o demanda se anul (Se hizo igual a cero).
Repita los tres pasos anteriores hasta que todos los valores de oferta y demanda
se hayan anulado.
Para encontrar el valor de la funcin objetivo que la solucin implica, debe
efectuarse la sumatoria de los productos Cij*Xij de aquellos Xij mayores que
cero (Variables Bsicas).
b) Mtodo del Costo Mnimo
Asigne la mayor cantidad posible de producto, que sea consistente con la
cantidad ofrecida y la demandada, en el casillero libre donde se encuentra el
menor costo de toda la tabla.
Repita los tres pasos anteriores hasta que todos los valores de oferta y demanda
se hayan anulado.
c)
Mtodo de VOGEL
Calcule a un costado y bajo la tabla, la diferencia entre los dos menores costos
de cada fila y cada columna.
En aquella fila o columna donde se produzca la mayor diferencia entre costos
mnimos, elija el casillero libre de menor costo y asigne en l la mayor
cantidad posible de producto, que sea consistente con la cantidad ofrecida y la
demandada.

64
4.

Repita los cuatro pasos anteriores hasta que todos los valores de oferta y
demanda se hayan anulado.
Determinacin de la optimalidad
Encontrada una solucin factible se debe determinar si ella es o no ptima segn el
siguiente procedimiento:
a)
Clculo de los Multiplicadores Dual

Los multiplicadores Dual relacionan las variables bsicas con las no bsicas y
permiten el clculo de los coeficientes de costo alternativo.
Como en todo problema de transporte a resolver por el algoritmo de transporte, la
premisa de igualdad entre oferta y demanda hace que exista un grado de libertad,
por la dependencia lineal de una de las restricciones con respecto a las (m+n-1)
restantes; se hace uso de ese grado de libertad para asignar un valor arbitrario a
cualquiera de los multiplicadores dual. (Se recomienda, por simplicidad, asignar
valor cero a aquel multiplicador dual asociado a la fila o columna con la mayor
cantidad de variables bsicas).
A partir de este multiplicador dual, los restantes multiplicadores duales se calculan
mediante la expresin que se indica, la que debe cumplirse para todo casillero de
VARIABLE BASICA:
Cij - ui - vj = 0
b)
Clculo de los Coeficientes de Costo Alternativo

Los coeficientes de costo alternativo indican la tasa de variacin que
experimentar la funcin objetivo, por cada unidad de producto que sea asignado a
una variable actualmente NO BASICA.
Si el coeficiente de costo alternativo es mayor que cero, la funcin objetivo
aumentar de valor; si es negativo disminuir y si es igual a cero no variar.
Los coeficientes de costo alternativo Cij se calculan para los casilleros de
VARIABLES NO BASICAS, a partir de los multiplicadores dual, con la siguiente
expresin:
Cij = Cij - ui - vj

65

c)
Condicin de Optimalidad
Considerando la definicin de los coeficientes de costo alternativo se puede
concluir que para que una solucin sea ptima ninguno de ellos puede ser
negativo. Es decir, la condicin de optimalidad es que:
Cij 0 (i, j)
Si todos los coeficientes son estrictamente mayores que cero la solucin ptima
ser nica; sin embargo, si existe alguno de ellos igual a cero significar que existe
una solucin ptima alternativa.
5.
Mejoramiento de una solucin

Cuando existe algn coeficiente de costo alternativo negativo la solucin no es ptima y
debe ser mejorada con el siguiente procedimiento:
Asigne el valor a la variable no bsica asociada al coeficiente de costo alternativo
mas negativo.
A partir del casillero donde se asign el valor encuentre un recorrido cerrado, de
lneas rectas horizontales y verticales (no diagonales), cuyas esquinas sean casilleros
de variables bsicas.
Siguiendo el recorrido, primero reste y luego sume, alternadamente, en cada esquina
del mismo el valor
Encuentre el valor de analizando todos los casilleros donde se rest igualando a
cero las expresiones numricas de dichos casilleros. El valor de queda definido
como el mnimo valor de todos los posibles.
Genere una nueva tabla de asignacin para el transporte, modificando los valores de
las variables bsicas luego de reemplazar la letra por el valor para ella encontrado.
Esta nueva tabla representa una nueva solucin cuya optimalidad debe ser igualmente
determinada por el procedimiento antes indicado.
6.
Problemas de Maximizacin
Para resolver problemas de transporte en los que la funcin objetivo es de maximizacin
de un beneficio (ingresos o utilidades totales), se debe proceder de la siguiente manera:
a)
Transformacin de la matriz de utilidades o ingresos en matriz de Costos

Equivalentes
Una vez balanceado el problema (Oferta = Demanda) y definida la matriz de
utilidades o ingresos, se debe identificar en ella el elemento de mayor valor,
denominndolo Umax.

66
La matriz de costos equivalentes se genera a partir de la de utilidades, de tal

forma que cada elemento Cij sea igual a la diferencia entre Umax y cada Uij.
C eq = {Cij = U max U ij }
b)
Desarrollo del Algoritmo de Transporte

Utilizando la matriz de costos equivalentes se desarrolla el algoritmo de transporte
para minimizacin hasta obtener la o las soluciones ptimas correspondientes.
c)
Valorizacin de la funcin objetivo

Para valorizar la funcin objetivo (Mximo) se debe utilizar la matriz de utilidades
o ingresos original para la solucin ptima encontrada.

67

7.
Problema ejemplo 2
Una empresa agroindustrial de productos enlatados produce tomate en conserva para
cuatro clientes, en cada una de sus tres plantas. Los costos de produccin por unidad
varan segn las ubicaciones debido a diferencias en el equipo de produccin y en el
rendimiento de los obreros. Los costos de produccin por unidad y la capacidad mensual
de produccin (oferta) se indican en la Tabla 1.
Los pedidos de clientes que deben producirse el siguiente mes se muestran en la Tabla 2.
El costo de abastecimiento de estos clientes vara de una planta a otra. El costo de
transporte por unidad aparece en la Tabla 3.
La empresa debe decidir cuantas unidades se debe producir en cada planta y qu porcin
de la demanda de cada cliente se surtir desde cada una de ellas. Se desea minimizar el
costo total de producir y transportar los frascos de tomate para los clientes.
Resuelva este problema mediante el algoritmo de transporte considerando los siguientes
dos casos:
a.
Se utiliza la capacidad total de produccin de las tres plantas.
b.
Se produce slo la cantidad de frascos necesaria para satisfacer la demanda.
Tabla 1
Planta Costo Prod. Capacidad mensual
por unidad
de Produccin
A
$ 17
800
B
$ 20
600
C
$ 24
700
Tabla 2
Cliente
1
2
3
4
Demanda
300
500
400
600
Tabla 3
Desde
A
B
C
1
$3
$6
$9
Hacia
2
$2
$4
$1
3
$5
$8
$5
4
$7
$3
$4
Basado en Problema 7-11, Pag. 323, Investigacin de Operaciones en la Ciencia

Administrativa; Gould, Eppen y Schmidt
68

Solucin Caso a.
BUSQUEDA DE UA PRIMERA SOLUCIO FACTIBLE
Mtodo de la Esquina +-O
800
20
19
22
24
17
600
26
24
28
23
20
700
33
300
25
500
29
400
28
600
24
300
ZN-O =...................................................................
Mtodo del Costo Mnimo
800
20
19
22
24
17
600
26
24
28
23
20
700
33
300
25
500
29
400
28
600
24
300
ZCM =...................................................................

69

Mtodo de VOGEL
800
20
19
22
24
17
600
26
24
28
23
20
700
33
300
25
500
29
400
28
600
24
300
ZVOGEL =...................................................................
DETERMIACIO DE LA OPTIMALIDAD
MEJORAMIETO DE LA SOLUCIO
300
100
20
DE
22
24
24
600
28
23
400
33
300
500

20
700
300
25
29
400
17
600
26
SOLUCIO
800
400
19
LA
28
600
24
300
70

800
20
19
22
24
17
600
26
24
28
23
20
700
33
300
25
500
29
400
28
600
24
300
Solucin Caso b. Cuando se desea producir slo lo demandado
Mtodo de VOGEL
800
20
19
22
24
0
600
26
24
28
23
0
700
33
300
25
500
29
400
28
600
0
300
ZVOGEL =...................................................................

71

8.
Problema ejemplo de maximizacin
Una empresa tiene tres bodegas con 200, 300 y 500 unidades de un producto en stock.
Los productos deben ser distribuidos a 5 clientes que han solicitado las siguientes cantidades de
producto: 150, 200, 250, 100 y 300 unidades, respectivamente.
Considerando los precios de venta pactados con cada cliente y los costos de produccin y
transporte de los mismos, la utilidad por unidad de producto que se obtiene de acuerdo a la
decisin de despacho de los productos a cada cliente es la siguiente:
Hacia
Desde
Bodega 1
Bodega 2
Bodega 3
Cliente 1 Cliente
2
40
60
50
60
35
80
Cliente
3
50
50
90
Cliente
4
70
40
60
Cliente
5
80
60
50
Resuelva este problema utilizando el algoritmo de transporte.

72

DIAGRAMA DE FLUJO ALGORITMO DE TRASPORTE
ai>bj
Si
Destino Artificial
No
ai<bj
Si
Origen Artificial
No
Es Max.
Encontrar 1.
Solucin factible:
Mtodo N-O
Costo Mnimo
Vogel
No
Calcular
Multiplicadores Dual
Si
Calcular
Coeficientes de
Costo Alternativo
Encontrar matriz
Costos Equivalentes
Mejorar la Solucin
Solucin Optima
Encontrar Solucin
ptima Alternativa
Si
No
Cij0
j
Si
Cij=0
No
FIN
Solucin Optima nica

73
V.

MODELO DE ASIGNACION
El modelo de asignacin es un caso especial de programacin lineal que trata la siguiente
problemtica:
Se tienen n trabajos que realizar y n operarios disponibles para ejecutarlos.
Debido a diferencias en las habilidades de los operarios y por lo tanto en su rendimiento,
as como a diferencias de sueldos, preparacin, experiencia, etc., el costo de asignar un
trabajo a un operario es distinto al que se incurre si es asignado a otro. (Costo en tiempo,
en dinero, etc.).
El modelo de asignacin obtiene la solucin ptima (mnimo) de distribucin de los
trabajos entre los operarios.
A.
MODELO MATEMATICO GENERAL
Antes de plantear el modelo matemtico general es menester considerar que este modelo
tiene solucin slo si el nmero de trabajos es igual al nmero de operarios. De no ser as
se deben crear, ya sea trabajos u operarios artificiales segn sea el caso, con costos de
asignacin nulos.
El modelo matemtico general de programacin lineal es el siguiente:
Sea Xij = Variable entera binaria,
1 Si el trabajo i es asignado al operario j

0 Si el trabajo i NO es asignado al operario j
F.O. MIN Z = c11X11+c12X12+c13X13+.....+c1nX1n+c21X21+c22X22+c23X23+......

+c2nX2n++......+cn1Xn1+cn2Xn2+cn3Xn3+........+cnnXnn
Sujeto a:
X11 + X12 + X13 +.....+ X1n = 1

X21 + X22 + X23 +.....+ X2n = 1
X31 + X32 + X33 +.....+ X3n = 1
Cada trabajo puede ser desarrollado por slo un operario.
.....................................................................................
.....................................................................................
Xn1
X11
X12
X13
+ Xn2 + Xn3 +.....+ Xnn

+ X21 + X31 +.....+ Xn1
+ X22 + X32 +.....+ Xn2
+ X23 + X33 +.....+ Xn3
=
=
=
=
1
1
1
1
Cada operario puede ser asignado a slo un trabajo.
.....................................................................................
......................................................................................
X1n + X2n + X3n +.....+ Xnn = 1

74

B.
EL METODO HUNGARO
Para resolver problemas de asignacin se ha diseado una metodologa especial

denominada Mtodo Hngaro como sigue:
1.
Acondicionamiento de la matriz de costos
Designe a la matriz de costos original como C0.
En la matriz de costos C0 identifique el menos elemento de cada fila.
Genere una nueva matriz de costos C1 a partir de la matriz de costos C0, restando a
todos los elementos de una fila el menor elemento de ella.
En la matriz de costos C1 identifique el menos elemento de cada columna.
Genere una nueva matriz de costos C2 a partir de la matriz de costos

todos los elementos de una columna el menor elemento de ella.
C1|, restando a
Los pasos anteriores permiten que en la matriz de costos C2 hayan a lo menos un cero por
cada fila y por cada columna y pueden realizarse en orden inverso, es decir, restar primero
el menor elemento de cada columna y luego el menor elemento de cada fila.
2.
Proceso de asignacin
Calcule a un costado y bajo la matriz de costos C2.la cantidad de ceros que existe por
fila y por columna.
En aquella fila o columna con la menor cantidad de ceros elija uno de esos ceros como
posicin de asignacin destacndolo en un marco.
Elimine los restantes ceros de la misma fila o columna del cero recin enmarcado
tarjndolos con una cruz.
Repita los tres pasos anteriores hasta que todos los ceros estn ya sea enmarcados o
tarjados.
Si al trmino del proceso de asignacin existen n ceros enmarcados se habr
encontrado la solucin ptima del problema.
La solucin ptima queda definida por una matriz de asignacin X cuyos elementos
Xij son iguales a uno en las posiciones donde existen ceros enmarcados y son iguales
a cero en todo el resto de las posiciones.
Para valorar la funcin objetivo ptima se deben sumar los elementos de la matriz de
costos original C0 que estn en la misma posicin relativa que los ceros enmarcados,
es decir, en la misma posicin relativa que los elementos unidad de la matriz de
asignacin.

75

3.
Mejoramiento de una solucin

Cuando al trmino del proceso de asignacin no existen n ceros enmarcados quiere
decir que la solucin no es siquiera factible y debe por tanto mejorarse. Para ello se sigue
el siguiente procedimiento:
Destaque con un asterisco aquellas FILAS sin ceros enmarcados.
En las filas previamente destacadas identifique las columnas que tienen ceros tarjados
y destquelas con un asterisco.
En las columnas previamente destacadas identifique las filas que tienen ceros
enmarcados y destquelas con un asterisco.
Repita los dos pasos anteriores hasta que ya no sea posible destacar nuevas filas ni
nuevas columnas.
Trace una lnea por sobre cada FILA NO DESTACADA y por sobre cada COLUMNA
DESTACADA.
De entre los elementos no cubiertos por lnea identifique el menor de ellos y
denomnelo Cmin.
4.
Genere una nueva matriz de costos Ck tal que el elemento Cmin ha sido restado en
todos los elementos no cubiertos por lnea, ha sido sumado en aquellas posiciones
donde existen cruces de lnea y el resto de los elementos ha permanecido sin variacin.
Con esta nueva matriz de costos repita el proceso de asignacin a partir de la
contabilizacin de ceros por fila y por columna.
Problemas de Maximizacin
Para resolver problemas de asignacin en los que la funcin objetivo es de maximizacin
de un beneficio (ingresos o utilidades totales), se debe proceder de la siguiente manera:
a)
Transformacin de la matriz de utilidades o ingresos en matriz de Costos

Equivalentes
Una vez definida la matriz de utilidades o ingresos, se debe identificar en ella
el elemento de mayor valor, denominndolo Umax.
La matriz de costos equivalentes se genera a partir de la de utilidades, de tal
forma que cada elemento Cij sea igual a la diferencia entre Umax y cada Uij.
C eq = {Cij = U max U ij }
b)
Desarrollo del Mtodo Hngaro

Utilizando la matriz de costos equivalentes como la matriz C0 inicial, se desarrolla
el mtodo Hngaro para minimizacin hasta obtener la o las soluciones ptimas
correspondientes.

76

c)
Valorizacin de la funcin objetivo

Para valorizar la funcin objetivo (Mximo) se debe utilizar la matriz de utilidades
o ingresos original para la solucin ptima encontrada.

77

DIAGRAMA DE FLUJO ALGORITMO DE ASIGACIO
#T>#Op
Si
Operario Artificial
No
#T<#Op
Si
Trabajo Artificial
No
Es Max.
No
Encontrar C1 restando
menor elemento en cada fila
Definir matriz de
costos inicial, Co
Encontrar C2 restando en C1
menor elemento cada columna
Si
Encontrar matriz
Costos Equivalentes
Proceso de Asignacin
Mejorar matriz de
costos
No
n ceros
en marco
Si
Solucin Optima
Encontrar Solucin
ptima Alternativa
Si
mnima #
ceros > 1
No
FIN
Solucin Optima nica

78

5.
Problemas Ejemplo
Problema 1
El departamento de mantencin debe realizar 3 trabajos de reparacin de maquinarias y equipos.
Se cuenta con cuatro grupos de tcnicos, cada uno con diferente instrumental y diferentes
habilidades para realizar los tres trabajos. Debido a estas diferencias el tiempo estimado de
desarrollo de cada mantencin ser diferente dependiendo del grupo al cual sea asignado cada
trabajo. En la tabla se muestra la cantidad de horas que se estima tomar la realizacin de cada
trabajo segn el grupo al que se le asigne.
Use el mtodo hngaro para determinar la asignacin ptima de los tres trabajos, es decir, aquella
que minimice el tiempo total de ejecucin de todas las mantenciones.
Grupo de mantencin
A
B
C
D

1
24
33
24
30
Trabajo
2
45
48
52
56
3
25
23
20
21
79

Problema 2
Se Planea la venta de cinco lotes de terreno y se han recibido ofertas individuales de cuatro
clientes. Debido a la cantidad de capital que se requiere, estas ofertas se han hecho en el
entendimiento de que ninguno de los cuatro clientes comprar mas de un lote. Las ofertas se
muestran en la Tabla 1. Se desea decidir a que comprador asignar cada lote de tal forma que se
maximice el ingreso total a partir de estas ofertas. Use el mtodo hngaro para encontrar la
solucin ptima de este problema
Tabla 1
Comprador
A
B
C
D
1
16
19
15
19
2
15
17
15
0
Lote
3
25
24
18
15
4
19
15
0
17
5
20
25
16
18
Problema 7-16 Pag. 325, Investigacin de Operaciones en la Ciencia Administrativa, Gould,

Eppen y Schmidt, 3 Ed.,1992
80

VI.
MODELOS EN REDES
A.
MALLA PERT Y METODO CPM
Una malla PERT (Program Evaluation Review Technique) permite planificar y controlar
el desarrollo de un proyecto.
Normalmente para desarrollar un proyecto especfico lo primero que se hace es
determinar, en una reunin multidisciplinaria, cuales son las actividades que se deber
ejecutar para llevar a feliz trmino el proyecto, cul es la precedencia entre ellas y cul
ser la duracin esperada de cada una.
Para definir la precedencia entre actividades se requiere de una cierta cuota de experiencia
profesional en el rea, en proyectos afines.
1.
Duracin de una Actividad

Para estimar la duracin esperada de cada actividad es tambin deseable tener experiencia
previa en la realizacin de tareas similares. En planificacin y programacin de proyectos
se estima que la duracin esperada de una actividad es una variable aleatoria de
distribucin de probabilidad Beta Unimodal de parmetros (a,m,b) donde :
a = Duracin optimista
m = Duracin ms probable
b = Duracin pesimista.
hEl valor esperado en esta distribucin est se expresa en la siguiente fmula:
2
a + 4m + b
2
b a
, cuya variabilidad est dada por:
una varianza
t=
=
y una
6
6
ba
desviacin estndar =
6
En un dibujo de una malla PERT podemos distinguir nodos y arcos. Los nodos
representan instantes en el tiempo. Especficamente, representan el instante de inicio de
una o varias actividades y simultneamente el instante de trmino de otras varias
actividades. Los arcos por su parte representan las actividades, tienen un nodo inicial y
otro de trmino donde llega en punta de flecha. Asociada a cada arco est la duracin
esperada de la actividad.
2.
Dibujo de una malla PERT

Existen dos metodologas aceptadas para dibujar una malla PERT, la de Actividad en el
Arco y las de Actividad en el Nodo, siendo sta ltima la mas utilizada en la actualidad
en atencin a que es la que usan la mayora de las aplicaciones computacionales
especialistas en este tema.
Cada nodo contiene la siguiente informacin sobre la actividad:
Nombre de la actividad

81
Duracin esperada de la actividad (t)

Tiempo de inicio ms temprano (ES = Earliest Start)
Tiempo de trmino ms temprano (EF = Earliest Finish)
Tiempo de inicio ms tardo (LS = Latest Start)
Tiempo de trmino ms tardo (LF = Latest Finish)
Holgura de la Actividad (H)
La informacin se distribuye de la siguiente manera:

Act.
ES
LS
H
EF
LF
Por convencin los arcos se dibujan siempre con orientacin hacia la derecha, hacia el
nodo de trmino del proyecto, nunca retrocediendo.
El dibujo de una malla PERT se comienza en el nodo de inicio del proyecto. A partir de l
se dibujan las actividades que no tienen actividades precedentes, o sea, aquellas que no
tienen que esperar que otras actividades terminen para poder ellas iniciarse.
A continuacin se dibujan las restantes actividades cuidando de respetar la precedencia
entre ellas.
Al terminar el dibujo de la malla preliminar, existirn varios nodos ciegos, nodos
terminales a los que llegan aquellas actividades que no son predecesoras de ninguna otra,
es decir aquellas que no influyen en la fecha de inicio de ninguna otra, estas son las
actividades terminales y concurren por lo tanto al nodo de trmino del proyecto.
3.
Clculo de los tiempos de inicio y trmino ms tempranos

El tiempo de inicio ms temprano ES (Earliest Start) y de trmino mas temprano EF
(Earliest finish) para cada actividad del proyecto, se calculan desde el nodo de inicio hacia
el nodo de trmino del proyecto segn la siguiente relacin:
EF = ES + t
Donde (t) es el tiempo esperado de duracin de la actividad y donde ES queda definida
segn la siguiente regla:
Regla del tiempo de inicio ms temprano:
El tiempo de inicio ms temprano, ES, de una actividad especfica, es igual al mayor de
los tiempos EF de todas las actividades que la preceden directamente.
El tiempo de inicio ms temprano de las actividades que comienzan en el nodo de inicio
del proyecto es cero (0).

82

4.
Duracin esperada del proyecto

La duracin esperada del proyecto (T) es igual al mayor de los tiempos EF de todas las
actividades que desembocan en el nodo de trmino del proyecto.
5.
Clculo de los tiempos de inicio y trmino ms tardos

El tiempo de inicio ms tardo LS (Latest Start) y de trmino mas tardo LF (Latest
finish) para cada actividad del proyecto, se calculan desde el nodo de trmino
retrocediendo hacia el nodo de inicio del proyecto segn la siguiente relacin:
LS = LF - t
Donde (t) es el tiempo esperado de duracin de la actividad y donde LF queda definida
segn la siguiente regla:
Regla del tiempo de trmino ms tardo:
El tiempo de trmino ms tardo, LF, de una actividad especfica, es igual al menor de los
tiempos LS de todas las actividades que comienzan exactamente despus de ella.
El tiempo de trmino ms tardo de las actividades que terminan en el nodo de trmino del
proyecto es igual a la duracin esperada del proyecto (T).
6.
Holguras, actividades crticas y rutas crticas

Holgura
Se denomina holgura de una actividad, al tiempo que tiene sta disponible para, ya sea,
atrasarse en su fecha de inicio, o bien alargarse en su tiempo esperado de ejecucin, sin
que ello provoque retraso alguno en la fecha de trmino del proyecto.
La holgura de una actividad se calcula de la siguiente forma:
H = LF EF o bien
H = LS ES
.
Actividades crticas
Se denomina actividades crticas a aquellas actividades cuya holgura es nula y que por lo
tanto, si se retrasan en su fecha de inicio o se alargan en su ejecucin mas all de su
duracin esperada, provocarn un retraso exactamente igual en tiempo en la fecha de
trmino del proyecto.
Rutas crticas
Se denomina rutas crticas a los caminos continuos entre el nodo de inicio y el nodo de
trmino del proyecto, cuyos arcos componentes son todos actividades crticas.
Las rutas crticas se nombran por la secuencia de actividades crticas que la componen o
bien por la secuencia de nodos por los que atraviesa.
Ntese que un proyecto puede tener ms de una ruta crtica pero a lo menos tendr
siempre una.

83

7.
Variabilidad de la duracin de un proyecto

La duracin esperada del proyecto (T) es una variable aleatoria proveniente de la suma de
otras variables aleatorias, las duraciones esperadas de las actividades de la o las rutas
crticas del proyecto y por lo tanto su variabilidad depender de la variabilidad de todas las
actividades crticas del proyecto.
Se tiene entonces que la varianza y la desviacin estndar de la duracin esperada del
proyecto est dada por:
T = Varianzas de todas las Actividades crticas del proyecto

2
T = T
8.
Clculo de probabilidades
Asumiendo que la duracin esperada de una actividad es una variable aleatoria
independiente, podemos tambin suponer que la duracin esperada del proyecto es una
variable aleatoria de distribucin aproximadamente normal y por lo tanto podemos
calcular algunas probabilidades haciendo uso de una tabla de distribucin normal,
tomando en consideracin las siguientes relaciones:
La probabilidad de que el proyecto se termine antes de una duracin dada t0 est dada por:
P{T t 0 } = P{Z z 0 }
donde z0 es el valor de entrada a una tabla de distribucin normal y que se calcula segn:
z0 =

t0 T
84

1.
PROBLEMA EJEMPLO
Su empresa acaba de ganar una licitacin de construccin de una planta por 5,4 millones
de dlares.
El contratante necesita que la planta est construida dentro de un ao; en consecuencia, el
contrato incluye las siguientes estipulaciones:
Una multa de US$300.000 si la planta no est construida para la fecha lmite de 47
semanas a partir de hoy.
Acceso a un incentivo adicional para la construccin expedita, consistente en un bono
de US$150.000 si la planta est construida en un plazo de 40 semanas a partir de hoy.
Las actividades detectadas en la planificacin del proyecto de construccin de la planta, y
los pronsticos de duracin para cada una de ellas son las que se indica en la tabla:
Act.
Predecesoras
a
m
inmediatas
A
----1 1,5
B
A
2
3
C
B
6
9
D
C
3
5
E
C
1,5 4
F
E
3
4
G
D
4
7
H
EG
6
9
I
C
4
6
J
FI
4
7
K
J
2
4
L
J
1,5 5
M
H
0,5 1,5
N
H-L
2
6
( ) Todos los tiempos en semanas
Holgura
5
10
18
13
6,5
11
10
12
14
16
6
8,5
5,5
10
2
4
10
6
4
5
7
9
7
8
4
5
2
6
4/9
16/9
4
25/9
25/36
16/9
1
1
0
0
0
0
0
0
0
0
2
0
7
0
4
0
4
49/36
16/9
Determine:
La malla PERT del proyecto
La duracin esperada del proyecto
Las holguras de cada una de las actividades
La o las rutas crticas del proyecto
Cul es la probabilidad de que se pueda incurrir en la multa estipulada en el
contrato?
Cul es la probabilidad de que se pueda acceder al incentivo adicional por trmino
adelantado?

85
Ejemplos:
P(z <= 1) = 0,84134

P(z <= 2,56) = 0,99477
P(z >= 0,53) = (1 - 0,70194) = 0,29806
normal
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,5
0,50399
0,50798
0,51197
0,51595
0,51994
0,52392
0,5279
0,53188
0,53586
0,1
0,53983
0,5438
0,54776
0,55172
0,55567
0,55962
0,56356
0,56749
0,57142
0,57535
0,2
0,57926
0,58317
0,58706
0,59095
0,59483
0,59871
0,60257
0,60642
0,61026
0,61409
0,3
0,61791
0,62172
0,62552
0,6293
0,63307
0,63683
0,64058
0,64431
0,64803
0,65173
0,4
0,65542
0,6591
0,66276
0,6664
0,67003
0,67364
0,67724
0,68082
0,68439
0,68793
0,5
0,69146
0,69497
0,69847
0,70194
0,7054
0,70884
0,71226
0,71566
0,71904
0,7224
0,6
0,72575
0,72907
0,73237
0,73565
0,73891
0,74215
0,74537
0,74857
0,75175
0,7549
0,7
0,75804
0,76115
0,76424
0,7673
0,77035
0,77337
0,77637
0,77935
0,7823
0,78524
0,8
0,78814
0,79103
0,79389
0,79673
0,79955
0,80234
0,80511
0,80785
0,81057
0,81327
0,9
0,81594
0,81859
0,82121
0,82381
0,82639
0,82894
0,83147
0,83398
0,83646
0,83891
0,84134
0,84375
0,84614
0,84849
0,85083
0,85314
0,85543
0,85769
0,85993
0,86214
1,1
0,86433
0,8665
0,86864
0,87076
0,87286
0,87493
0,87698
0,879
0,881
0,88298
1,2
0,88493
0,88686
0,88877
0,89065
0,89251
0,89435
0,89617
0,89796
0,89973
0,90147
1,3
0,9032
0,9049
0,90658
0,90824
0,90988
0,91149
0,91308
0,91466
0,91621
0,91774
1,4
0,91924
0,92073
0,9222
0,92364
0,92507
0,92647
0,92785
0,92922
0,93056
0,93189
1,5
0,93319
0,93448
0,93574
0,93699
0,93822
0,93943
0,94062
0,94179
0,94295
0,94408
1,6
0,9452
0,9463
0,94738
0,94845
0,9495
0,95053
0,95154
0,95254
0,95352
0,95449
1,7
0,95543
0,95637
0,95728
0,95818
0,95907
0,95994
0,9608
0,96164
0,96246
0,96327
1,8
0,96407
0,96485
0,96562
0,96638
0,96712
0,96784
0,96856
0,96926
0,96995
0,97062
1,9
0,97128
0,97193
0,97257
0,9732
0,97381
0,97441
0,975
0,97558
0,97615
0,9767
0,97725
0,97778
0,97831
0,97882
0,97932
0,97982
0,9803
0,98077
0,98124
0,98169
2,1
0,98214
0,98257
0,983
0,98341
0,98382
0,98422
0,98461
0,985
0,98537
0,98574
2,2
0,9861
0,98645
0,98679
0,98713
0,98745
0,98778
0,98809
0,9884
0,9887
0,98899
2,3
0,98928
0,98956
0,98983
0,9901
0,99036
0,99061
0,99086
0,99111
0,99134
0,99158
2,4
0,9918
0,99202
0,99224
0,99245
0,99266
0,99286
0,99305
0,99324
0,99343
0,99361
2,5
0,99379
0,99396
0,99413
0,9943
0,99446
0,99461
0,99477
0,99492
0,99506
0,9952
2,6
0,99534
0,99547
0,9956
0,99573
0,99585
0,99598
0,99609
0,99621
0,99632
0,99643
2,7
0,99653
0,99664
0,99674
0,99683
0,99693
0,99702
0,99711
0,9972
0,99728
0,99736

86

2,8
0,99744
0,99752
0,9976
0,99767
0,99774
0,99781
0,99788
0,99795
0,99801
0,99807
2,9
0,99813
0,99819
0,99825
0,99831
0,99836
0,99841
0,99846
0,99851
0,99856
0,99861
0,99865
0,99869
0,99874
0,99878
0,99882
0,99886
0,99889
0,99893
0,99896
0,999
3,1
0,99903
0,99906
0,9991
0,99913
0,99916
0,99918
0,99921
0,99924
0,99926
0,99929
3,2
0,99931
0,99934
0,99936
0,99938
0,9994
0,99942
0,99944
0,99946
0,99948
0,9995
3,3
0,99952
0,99953
0,99955
0,99957
0,99958
0,9996
0,99961
0,99962
0,99964
0,99965
3,4
0,99966
0,99968
0,99969
0,9997
0,99971
0,99972
0,99973
0,99974
0,99975
0,99976
3,5
0,99977
0,99978
0,99978
0,99979
0,9998
0,99981
0,99981
0,99982
0,99983
0,99983
3,6
0,99984
0,99985
0,99985
0,99986
0,99986
0,99987
0,99987
0,99988
0,99988
0,99989
3,7
0,99989
0,9999
0,9999
0,9999
0,99991
0,99991
0,99992
0,99992
0,99992
0,99992
3,8
0,99993
0,99993
0,99993
0,99994
0,99994
0,99994
0,99994
0,99995
0,99995
0,99995
3,9
0,99995
0,99995
0,99996
0,99996
0,99996
0,99996
0,99996
0,99996
0,99997
0,99997
0,99997
0,99997
0,99997
0,99997
0,99997
0,99997
0,99998
0,99998
0,99998
0,99998

87

B.
ALGORITMO DE DETERMINACIN DE LA RUTA MAS CORTA
Un caso tpico de optimizacin lo constituye el determinar la ruta ms corta entre un nodo

origen y cada uno de los restantes nodos de una red, lo que permitir reducir costos, por
ejemplo, en una red de distribucin de productos o en la eleccin de una poltica de
reemplazo de equipos o maquinaria.
En esta aplicacin de modelos en redes, los nodos representan ya sea lugares fsicos
(Ubicacin de bodegas y clientes) o bien instantes en el tiempo (inicio o trmino de un
ao) y los arcos representan en general costos entre los nodos interconectados, como la
distancia entre ellos en longitud o tiempo o el costo en dinero entre el inicio de un ao y el
trmino del mismo.
La metodologa de solucin de estos problemas es la denominada de las etiquetas:
1. Cada nodo se etiquetar con una etiqueta (a,b), donde a = la distancia hasta el origen y
b = el nodo anterior en la ruta seguida desde el origen.
2. Etiquetar el nodo origen con la etiqueta (0,H) y transformar el nodo en nodo de
etiqueta permanente, achurndolo.
3. Considere todos los nodos que estn conectados directamente, por un solo arco, con
nodos de etiqueta permanente y otorgue a cada uno de ellos la correspondiente etiqueta
que con respecto a ese nodo le corresponde, etiquetas que son de carcter provisorio.
4. De entre todos los nodos con etiqueta provisoria, seleccione aquel con la menor
componente de distancia a para transformarlo en nodo de etiqueta permanente,
achurndolo.
5. Repita los pasos 3 y 4 hasta que todos los nodos tengan etiqueta permanente.
6. Para determinar la ruta ms corta a un nodo especfico instlese sobre ese nodo: La
componente a de la etiqueta le indicar cual es la distancia mas corta desde ese nodo
hasta el origen y la componente b el nodo hacia el cul tiene que regresar para
determinar, retrocediendo, la ruta que determina esa distancia mnima.
Ntese que un nodo puede tener asociada ms de una etiqueta pero que slo estar vigente
aquella con la menor componente de distancia a. Si tienen la misma componente de
distancia todos estarn vigentes y determinarn la existencia de rutas mas cortas
alternativas.

88

Ejemplo 1
Usted desea determinar cual es la ruta ms corta entre su bodega (H) y cada uno de sus siete
clientes. El grfico muestra las distancias entre cada uno de los nodos que representan sus
clientes.
1
2
4
1
3
3
5
6
2

89

Ejemplo 2
Usted est operando un Gimnasio con equipo y espacio arrendados. Recientemente su arrendador
le ha sugerido hacer contratos de arrendamiento a largo plazo. Con base a ese plan de
arrendamiento se ha preparado la tabla siguiente que muestra la utilidad neta esperada si arrienda
a principios del ao i hasta principios del ao j (en cientos de dlares).
Usted desea conocer cuando arrendar y por cunto tiempo para maximizar la utilidad total durante
los prximos cuatro aos de operacin. Formule este problema como representacin en red y
solucinelo.
j
i
1
2
3
4
2
12
3
22
13
4
38
20
10
5
40
29
19
12
40
38
22
1
12
13
10
12
19
20

29
90

C.
ALGORITMO DE DETERMINACIN
COMUNICACIONES
DEL
ARBOL
MINIMO
DE
Otro caso comn de optimizacin de los modelos en redes lo constituye el determinar el

rbol mnimo de comunicaciones entre los nodos de una red. Se trata de encontrar que
arcos, del total de arcos posibles de implementar, se implementarn para poder asegurar
que siempre sea posible trasladarse de un nodo a otro de la red, esto, al mnimo costo total
posible.
En esta aplicacin de modelos en redes, los nodos representan lugares fsicos y los arcos la
distancia entre ellos en longitud.
Existen dos metodologas de solucin de estos problemas el mtodo grfico y el mtodo
tabular.
Mtodo Grfico
1. Comience con cualquier nodo designndolo como nodo conectado, achurndolo.

2. Considere todos los arcos que unen directamente nodos conectados con nodos no
conectados, elija aquel arco con la menor componente de distancia como segmento de
conexin y el nodo terminal como nuevo nodo conectado, achurndolo.
3. Repita el paso dos hasta que todos los nodos estn conectados (Achurados).
4. El rbol mnimo de comunicaciones queda determinado por los segmentos de
conexin identificados en el proceso.
Mtodo Tabular
1. Comience con cualquier nodo designndolo como nodo conectado haciendo un ticket
en la lnea correspondiente al nodo y una cruz en la columna correspondiente al mismo
nodo.
2. Elimine todas las componentes de distancia bajo la columna con cruz.
3. Considere todas las componentes de distancia que estn en las lneas con ticket y elija
la menor componente destacndola en un crculo.
4. Elimine las restantes componentes de distancia en la columna del elemento recin
circundado, haga una cruz en el encabezado de esa columna y un ticket en la lnea del
mismo nmero de esa columna.
5. Repita los pasos tres y cuatro hasta que todas las lneas estn con ticket y todas las
columnas con cruz.
6. El rbol mnimo de comunicaciones se dibuja interconectando los nodos de la red con
los arcos que las coordenadas de cada elemento en crculo determinan.

91

Ejemplo 1
Usted est diseando un sistema de detectores de humo en una serie de dependencias de una
empresa.
El diagrama muestra los lugares donde se deben instalar los detectores y las distancias que a
travs de ductos hay entre ellas.
Qu sistema conectar todas las dependencias con la mnima longitud total de cable?

92

Ejemplo 2
Se est tendiendo cable para interconectar seis torres de radar. La tabla muestra la matriz de
distancias entre las torres. qu conexiones se deben hacer para minimizar la longitud total de
cable?
1
1
2
3
4
5
6
2
7
7
8 10
4 7
9 6
5 8
3 4 5 6
8 4 9 5
10 7 6 8
4 5 2
4
3 8
5 3
7
2 8 7

93

Investigacion Operativa

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Investigacion Operativa

Hochgeladen von

Copyright:

Verfügbare Formate

(Actualizado a marzo de 2012)

APUTES DE IVESTIGACIO OPERATIVA

Modelacin matemtica de PPL (Problemas de Programacin Lineal).

Solucin grfica de PPL (2 variables).

Anlisis de sensibilidad grfico.

El mtodo "SIMPLEX" de solucin de PPL (n variables).

Dualidad y holguras complementarias.

Software computacional LI+DO para solucin de PPL.

Programacin lineal entera.

APLICACIOES ESPECIALES DE PROGRAMACIO LIEAL

Malla PERT ("Program Evaluation Review Technique") y mtodo CPM

Problemas de Ruta ms corta.

Arbol mnimo de comunicaciones.

PROF. JUAN A. CARVAJAL G.

APUTES DE IVESTIGACIO OPERATIVA

Prof. Juan A. Carvajal G.

TIPICAS DECISIOES GERECIALES

En que invertir el capital.

PROF. JUAN A. CARVAJAL G.

APUTES DE IVESTIGACIO OPERATIVA

METODOS DE TOMA DE DECISIOES

Decisiones basadas en la I+TUICIO+.

Decisiones basadas en la EXPERIE+CIA.

Decisiones basadas en un METODO CIE+TIFICO de anlisis del sistema.

FASES DEL METODO CIETIFICO DE AALISIS DE FEOMEOS

Plantear una hiptesis o modelo del comportamiento del sistema y su reaccin

Implementar experiencias que comprueben la validez de la hiptesis.

Observar los resultados y mejorar la hiptesis si esta no se cumple.

FASES DE U ESTUDIO DE IVESTIGACIO DE OPERACIOES

Observar el sistema considerando el objetivo que se persigue con el estudio.

Identificar las variables y restricciones que influyen positiva y negativamente en

Plantear el modelo matemtico que representa el comportamiento del sistema a

Encontrar una solucin terica ptima a travs de algoritmos matemticos

Implementar la solucin terica ptima.

Observar los resultados reales y retroalimentar hacia a) si la solucin terica

PROF. JUAN A. CARVAJAL G.

APUTES DE IVESTIGACIO OPERATIVA

MODELACION MATEMATICA DE PPL

FORMA GEERAL DE U MODELO MATEMATICO DE U PPL

a11 X1 + a12 X2 + a13 X3 + ..........+ a1n Xn

a21 X1 + a22 X2 + a23 X3 + ..........+ a2n Xn

a31 X1 + a32 X2 + a33 X3 + ..........+ a3n Xn

am1 X1 + am2 X2 + am3 X3 + ..........+ amn Xn

Representa un parmetro o cantidad que se desea optimizar (Maximizar o

PROF. JUAN A. CARVAJAL G.

APUTES DE IVESTIGACIO OPERATIVA

EL ARTE DE FORMULAR MODELOS DE PROGRAMACIO LIEAL

La formulacin de un Modelo de Programacin Lineal significa seleccionar los elementos

APUTES DE IVESTIGACIO OPERATIVA

Defina especficamente las variables de decisin. Con frecuencia es el paso ms difcil. Lo

PROF. JUAN A. CARVAJAL G.

APUTES DE IVESTIGACIO OPERATIVA

LIMITACIOES DE LA PROGRAMACIO LIEAL

APUTES DE IVESTIGACIO OPERATIVA

PROF. JUAN A. CARVAJAL G.

APUTES DE IVESTIGACIO OPERATIVA

EJERCICIOS DE MODELACION MATEMATICA DE RESTRICCIONES

Ejercicio 1 Limitacin de Capacidad de Bodega

Ejercicio 2 Limitacin de Disponibilidad de Obra de mano

En su taller se trabaja 40 horas a la semana y usted tiene contratados 3 operarios de jornada

PROF. JUAN A. CARVAJAL G.

APUTES DE IVESTIGACIO OPERATIVA

Ejercicio 3 Limitacin de disponibilidad de recursos en general