You are on page 1of 92

CAPTULO I: FUNDAMENTOS DE METODOS CUANTITATIVOS

PARA LA TOMA DE DECISIONES

1.1 Origen y definicin

Inicialmente a esta disciplina que ahora indistintamente se le conoce como


Mtodos Cuantitativos para la Toma de Decisiones o Ciencia de la
Administracin, se la denominaba Investigacin de Operaciones;
presumiblemente en razn a la actividad desarrollada por un grupo de
cientficos de Gran Bretaa, consistente en investigar operaciones militares
relativas al anlisis de problemas estratgicos y tcticos asociados a la
defensa area y terrestre del pas a fin de optimizar sus recursos militares.

Fueron los norteamericanos, quienes alentados por los logros alcanzados por
los ingleses, optaron por desarrollar actividades similares, alcanzando
notables progresos metodolgicos, extendiendo el campo de accin al mbito
industrial, y con esto, adjudicarse el liderazgo en esta frtil disciplina.

Uno de los aportes ms significativos lo dio el matemtico norteamericano


George Dantzig (1947), al descubrir y desarrollar la tcnica ampliamente
aceptada como lo es el mtodo simplex para la solucin de problemas de
programacin lineal.

En la actualidad, la aplicacin de esta disciplina se extiende no solo al campo


empresarial y militar, sino que est cobrando vigencia en las instituciones
financieras, hospitales, sistemas de transporte e incluso en estudios de
investigacin criminolgica.

Ensayando una definicin podemos decir que, los Mtodos Cuantitativos para
la Toma de Decisiones constituyen un procedimiento cientfico que busca
proveer las bases ms objetivas y cuantitativas que sean posibles, a fin de
apreciar mejor los diversos factores o variables que intervienen en un
problema, analizar su relacin a travs de un modelo y encontrar una
solucin ptima entre varias posibles.

Concepto de Sistema:Es un conjunto de elementos dinmicamente


relacionados en una red de comunicaciones, resultante de la
interaccin de los elementos, formando una actividad
(procesamiento), para alcanzar un objetivo o propsito, operando
sobre datos/energa/materia (insumos), en una referencia dada de
tiempo (ciclo de actividad del sistema, para suministrar
informacin/energa/materia(resultados o productos del sistema).
1.2 Definicin y Construccin del modelo

Sistema Real

Sistema Real

MODELO

En general, un estudio de mtodos cuantitativos es un proceso de


abstraccin cuyo resultado es la construccin de un modelo, el cual
representa un objeto o aspecto de la vida real (sistema) y cuyo
comportamiento queda definido por la estructura y relaciones entre
variables que concentran y cuya identificacin y simplificacin permiten su
anlisis para el mejoramiento de su funcionamiento (sistema existente), o
en su caso, para diversificar su estructura (sistema futuro).

La reduccin de variables que controlan el sistema a un nmero


relativamente pequeo de variables dominantes y la abstraccin de un
modelo del mundo real supuesto, constituye ms que una ciencia, un arte,
puesto que la validacin de un modelo al representar un sistema real se
asienta bsicamente en la creatividad e imaginacin del analista y del
equipo con el cual ste trabaja. Es por ello que, no existiendo reglas fijas al
respecto, se presenta algunos tipos de modelos que podran ser de utilidad,
tales como:

a) Modelos Icnicos: Que son rplicas de objetos reales, ejemplo:


modelo a escala de un avin, maqueta de un complejo habitacional
que se proyecta construir, etc.
b) Modelos Analgicos: Tienen forma fsica pero no tienen el mismo
aspecto fsico del objeto o situacin real al cual representan, ejemplo:
velocmetro de un automvil; la posicin de la aguja sobre la cartula
representa la velocidad del automvil, el nivel de mercurio en la
escala del termmetro representa la temperatura, la pirmide para
representar la distribucin de la sociedad en clases, el organigrama
empleado para mostrar la estructura orgnica de una empresa, etc.
c) Modelo Probabilstico o estocstico: En el cual, cuando menos un
insumo incontrolable es incierto y est sujeto a variacin. Es decir,
cuando no es posible determinar el valor del resultado, aun cuando se
conoce los valores de los insumos controlables, porque se
desconocen los valores especficos de los insumos incontrolables,
ejemplo: modelo de planeacin de la produccin en funcin de la
demanda del producto, la cual puede adoptar una serie de valores.
d) Modelo Determinstico: En el cual todos los insumos incontrolables
que afectan tanto a la funcin objetivo como a las restricciones del
modelo son conocidos previamente y no pueden variar, ejemplo:
clculo del impuesto a la renta a partir de la tasa correspondiente
aplicable, clculo del rendimiento sobre la inversin conociendo la
tasa de inters y modalidad de ste.
e) Modelo Heurstico o de Simulacin: Los cuales imitan el
comportamiento del sistema sobre un periodo, especificando ciertos
eventos (puntos en el tiempo). La informacin que mide el
funcionamiento del sistema se acumula en informaciones
estadsticas, las cuales se actualizan en cuanto cada evento tiene
lugar, ejemplo: la simulacin de un choque automovilstico a travs
de la computadora para probar la eficacia de un sistema de seguridad
para el conductor.
f) Modelo Simblico o Matemtico: Aquellos que utilizan smbolos
matemticos para representar variables, las cuales estn
relacionadas mediante las funciones matemticas apropiadas para
describir el comportamiento del sistema o situacin real. Este
modelo parte del supuesto de que todas las variables relevantes son
cuantificables. Entonces la solucin del modelo se logra mediante
manipulacin matemtica.
Un modelo matemtico incluye bsicamente los siguientes
elementos:
Variables de Decisin (Xj ); son las incgnitas que deben
determinarse con la solucin del modelo.
Parmetros (aij ); representan las variables controlables del
sistema pudiendo ser stas, probabilsticas o determinsticas.
Restricciones (aij , =, bi); son las limitantes fsicas de las
variables de decisin a sus valores factibles o permisibles.
Funcin Objetivo [F.O.: (MAX) (MIN) X0 = Cj Xj )]; Acta como
indicador para el logro de la solucin ptima (cuando los
valores de las variables de decisin brindan el mejor valor de la
funcin objetivo, satisfaciendo a la vez todas las restricciones,
ejm:
F.O.: (MAX) (MIN) X0 = C1 X1 + C2 X2 + +
Cn X n
Sujeto a:
a11 X1 + a12 X2 + + a1n Xn , =, b1
a21 X1 + a22 X2 + + a2n Xn , =, b2
. . . . .
. . . . .
am1 X1 + am2 X2 + + amn Xn , =, bn

X1 , X2 , ., Xn 0

En la formulacin anterior, los coeficientes C j , aij y bi se interpretan


fsicamente de la siguiente manera:

bi : cantidad disponible del recurso i.


aij : Cantidad del recurso i que debe asignarse a cada unidad de la
actividad j.

Cj : Valor (costo, beneficio) por unidad de la actividad j.

1.3 Fases de un estudio de mtodos cuantitativos

DEFINICION
DEL
PROBLEMA

CONSTRUCCI SOLUCION
ON DEL DEL
MODELO MODELO
VALIDACION DEL
MODELO

MODELO
MODIFICAD
O

IMPLANTACIO
N DE LOS
RESULTADOS
FINALES

An cuando el analista en mtodos cuantitativos posea amplio dominio de


tcnicas de solucin y en modelstica, es recomendable que el trabajo sea
realizado por un equipo de investigacin, el cual deber incluir a ste y a los
miembros de la organizacin cuyas responsabilidades estn directamente
vinculadas al problema-objeto de estudio; esto, aparte de generar un efecto
sinrgico en el grupo, garantiza una eficiente ejecucin e implantacin de la
solucin recomendada.

Dependiendo de la naturaleza del problema y del contexto de investigacin


en el cual ste se encuentra inmerso, puede adoptarse la siguiente
secuencia:

a) Definicin del problema; lo cual debe efectuarse considerando los


siguientes aspectos:
Una descripcin de la meta u objetivo del estudio, lo cual debe
reflejar aproximadamente el inters total del sistema. Es decir,
el problema debe abordarse en forma integral.
Una identificacin de las alternativas de decisin del sistema,
y;
Un reconocimiento de las restricciones y requisitos del sistema.
a) Construccin del modelo; dependiendo de la naturaleza y
complejidad del sistema en estudio, deber decidirse por aquel que
mejor se adece a ste. Tal modelo deber especificar relaciones
cuantitativas para el objetivo y para las restricciones del problema
en funcin de sus variables de decisin. Si las relaciones
matemticas son excesivamente complejas que dificulten su
anlisis, se puede optar por los modelos heursticos o de
simulacin, o la combinacin de stos ltimos con los matemticos.
b) Solucin del modelo; En los modelos matemticos, esto se logra a
travs de las tcnicas de optimizacin. En casos que se haga uso
de los modelos heursticos el concepto de optimizacin no est
claramente definido por lo que la solucin se emplea para obtener
evaluaciones aproximadas de las medidas del sistema.
Es importante incluir adems en esta fase, informacin referente a
los cambios en el comportamiento del sistema debido a la variacin
de los parmetros (anlisis de sensibilidad), lo cual permitir hacer
reajustes en el sistema para mejorar su funcionamiento.
c) Validacin del modelo; Un modelo es vlido en tanto proporciona
elementos confiables de prediccin del funcionamiento del sistema.
Usualmente esto se resuelve utilizando datos pasados disponibles
del sistema. Esto encierra cierta dificultad debido a que no existe
certeza de que el funcionamiento futuro del sistema duplique su
historia. Por ello, en algunos casos esto se resuelve utilizando datos
de corridas de ensayo del sistema. Cabe acotar que el citado
mtodo no es apropiado para sistemas que no existen, dado que
no se cuenta con datos para la comparacin, por lo cual, si el
modelo original fuera matemtico podra ser factible construir un
modelo heurstico para efectuar tal comparacin.
d) Implantacin de resultados finales; cuya tarea recae en el equipo de
investigacin. Ello implica la traduccin de los resultados probados
del modelo en instrucciones especficas y detalladas de operaciones
a los individuos que en el futuro administrarn y operarn el
sistema. En esta fase es imperativa la cooperacin mutua entre el
equipo de investigacin y los responsables de la administracin y
operacin del sistema.
CAPITULO II: PROGRAMACION LINEAL
2.1 Introduccin

La programacin lineal es una clase de modelos de programacin


matemtica destinados a la asignacin eficiente de los recursos limitados en
actividades conocidas, con el objeto de satisfacer las metas deseadas (tal
como maximizar beneficios o minimizar costos). La caracterstica distintiva
de los modelos de programacin lineal es que las funciones que representan
el objetivo y las restricciones son lineales.

2.2 Aplicaciones de la programacin lineal

En la prctica, la programacin lineal ha probado ser uno de los enfoques


cuantitativos ms exitosos para la toma de decisiones en la administracin.
Se han reportado numerosas aplicaciones en las industrias qumica, del
aerotransporte, del acero, del papel, del petrleo y en otras. Los problemas
especficos que han sido estudiados son diversos e incluyen programacin
de la produccin, seleccin de medios publicitarios, planeacin financiera,
presupuestos de capital, transporte, ubicacin de plantas, mezcla de
productos, asignacin de personal, mezclados y muchas otras.

2.3 Definicin general de programacin lineal

Un modelo de programacin lineal, en general, se define como:

F.O.: (MAX) (MIN) X0 = C1 X1 + C2 X2 + + Cn Xn


Sujeto a:
a11 X1 + a12 X2 + + a1n Xn (, = ) b1
a21 X1 + a22 X2 + + a2n Xn (, = ) b2
. . . . .
. . . . .
am1 X1 + am2 X2 + + amn Xn (, = ) bn

X1 , X2 , Xn 0
Donde Cj , bi , aij (i=1, 2, , m); j=1, 2, , n) son constantes determinadas
por la tecnologa del problema y X j son las variables de decisin.
nicamente un signo (, = ) ocurre para cada restriccin. No obstante
que todas las variables son declaradas no negativas, cada variable
irrestricta puede convertirse equivalentemente a variables no negativas. La
restriccin de no negatividad es esencial para el desarrollo del mtodo de
solucin para programacin lineal.

Los modelos de PL a menudo representan problemas de asignacin en los


cuales los recursos limitados se asignan a un nmero de actividades. As,
los coeficientes Cj , bi y aij se interpretan fsicamente como sigue:
Si bi es la cantidad disponible del recurso i, entonces a ij es la cantidad
del recurso i que debe asignarse a cada unidad de la actividad j. El
valor por unidad de la actividad j es igual a C j .

Despus de formular el modelo, el siguiente paso del anlisis es resolver el


modelo. Debido a que estos modelos pueden presentarse en las formas
(MAX) (MIN) para la Funcin Objetivo y (, = ) para las restricciones, es
necesario modificar estas formas a fin de que se ajusten al procedimiento
de solucin adecuado. La forma estndar se utiliza directamente para
resolver el modelo; la forma cannica es particularmente til al presentar la
teora de dualidad.

La forma cannica

n
(MAX) X0 = Cj Xj
j=1
Sujeto a:

n
aij Xj bi , i = 1, 2,, m
j=1

Xj j = 1, 2,, n

Las caractersticas de esta forma son:


Todas las variables de decisin son no negativas.
Todas las restricciones son del tipo (menor o igual).
La funcin objetivo es del tipo maximizacin

Un problema de PL puede expresarse en la forma cannica por el uso de


cinco transformaciones elementales:
1. La minimizacin de una funcin, f(X), es matemticamente
equivalente a la maximizacin de la expresin negativa de esta
funcin, - f(X). Por ejemplo, la funcin lineal:

(MIN) X0 = C1 X1 + C2 X2 + + Cn Xn , es equivalente a:

(MAX) g0 = - X0 = - C1 X1 - C2 X2 - - Cn Xn ; con X0 =
g0
2. Una desigualdad puede cambiar su direccin multiplicando ambos
lados de la desigualdad por -1. Por ejemplo, la restriccin lineal:

a1 X1 + a1 X1 b es equivalente a: - a 1 X1 - a1 X1 - b

3. Una ecuacin puede ser reemplazada por dos desigualdades en


direcciones opuestas. Por ejemplo:

a1 X1 + a1 X1 = b ; es equivalente a las dos restricciones


simultaneas:

a1 X1 + a1 X1 b y a1 X1 + a1 X1 b

4. Una restriccin de desigualdad con su lado izquierdo en la forma de


valor absoluto puede cambiarse a dos desigualdades regulares. Por
consiguiente, para b 0;

a1 X1 + a1 X1 b; es equivalente a:

a1 X1 + a1 X1 b y a1 X1 + a1 X1 - b

De igual manera, para b 0;

a1 X1 + a1 X1 b; es equivalente a:
a1 X1 + a1 X1 b a1 X1 + a1 X1 - b

5. Una variable que es irrestricta en signo (esto es, positiva, negativa o


cero) es equivalente a la diferencia entre dos variables no negativas.
Por consiguiente si X es irrestricta en signo puede reemplazarse por
( X+ - X- ) donde X+ 0 y X- 0.

Ejemplo:
Considere el problema de programacin lineal:

(MIN) X0 = 3X1 - 3X2 + 7X3


Sujeto a:

X1 + X2 + 3X3 40
X1 + 9X2 - 7X3 50
5X1 + 3X2 = 20
5X2 + 8X3 100

X1 , X2 0; X3 es irrestricta en signo

Efectuando las transformaciones elementales el PL se expresa en su forma


cannica como sigue:

(MAX) g0 = - ( X0 ) = -3X1 + 3X2 - 7 ( X3+ - X3- )


Sujeto a:

X1 + X2 + 3 ( X3+ - X3- ) 40
- X1 - 9X2 + 7 ( X3+ - X3- ) -50
5X1 + 3X2 20
-5X1 - 3X2 -20

5X2 + 8 ( X3+ - X3- ) 100


- 5X2 - 8 ( X3+ - X3- ) 100

X1, X2, X3+ , X3- 0

La forma estndar

n
(MAX) X0 = Cj Xj
j=1
Sujeto a:

n
aij Xj + Si = bi , i = 1, 2,, m
j=1

Xj 0, j = 1, 2,, n

Si 0, i = 1, 2,, m
Las caractersticas de la forma estndar son:
Todas las restricciones son ecuaciones excepto la restriccin de no
negatividad que permanece como desigualdad ( 0).
Los elementos del lado derecho (bi) de cada ecuacin son no
negativos.
Todas las variables son no negativas.
La funcin objetivo es del tipo (MAX) (MIN).
Las restricciones de desigualdad pueden cambiarse a ecuaciones
introduciendo (sumando o restando) en el lado izquierdo de cada una de
tales restricciones una variable no negativa. Estas nuevas variables se
conocen como variables de holgura. Estas ltimas debern incluirse
tanto en la funcin objetivo como en las restricciones con coeficiente cero a
fin de no alterar el modelo original.
Tomando como referencia el modelo anterior, este quedara expresado en su
forma estndar como sigue:

(MAX) g0 = - ( X0 ) = -3X1 + 3X2 - 7 ( X 3+ - X3- ) + 0S1 + 0S2 +0S3 +0S4


+0S5 +0S6
Sujeto a:

X1 + X2 + 3 ( X3+ - X3- ) + S1 = 40
X1 + 9X2 - 7 ( X3+ - X3- ) - S2 = 50
5X1 + 3X2 + S3
= 20
5X1 + 3X2 - S4
= 20
5X2 + 8 ( X3+ - X3- ) + S5 = 100
- 5X2 - 8 ( X3+ - X3- ) + S6 = 100

X1 , X2 , X3+ , X3- , S1 , S2 , S3 , S4 , S5 , S6 0

2.4 FORMULACION DEL PROBLEMA (PLANTEAMIENTO)

La optimizacin basada en programacin lineal corresponde a situaciones


reales en las que se pretende identificar y resolver dificultades para
aumentar la productividad respecto a los recursos (principalmente los
limitados y costosos), aumentando as los beneficios.

Los resultados y el proceso de optimizacin se convierten en un respaldo


cuantitativo de las decisiones frente a las situaciones planteadas.
Decisiones en las que sera importante tener en cuenta diversos criterios
administrativos como:

Los hechos
La experiencia
La intuicin
La autoridad

Ejemplo 1:

La Cia. Par Inc., es un pequeo fabricante de equipo y accesorios para golf


cuyos administradores han decidido incursionar en el mercado de las bolsas
para bastones de golf hechas de piel, a precios mediano y alto. El
distribuidor de Par est muy entusiasmado con la nueva lnea de productos
y ha aceptado comprar todas las bolsas de golf que fabrique Par en los tres
meses siguientes. Despus de una investigacin cuidadosa de las etapas
necesarias para fabricar una bolsa, los administradores determinan que
cada bolsa que se fabrique requerir de las siguientes operaciones:

1. Cortar y teir el material


2. Coser
3. Terminar (insertar el portasombrilla, los pasadores de los palos, etc.)
4. Inspeccionar y embalar

El director de manufactura ha analizado cada una de las operaciones y


llegado a la conclusin de que si la compaa fabrica un modelo estndar de
precio medio se requerir 7/10 de hora en el departamento de corte y
teido, 1/2 hora en el departamento de costura, 1 hora en el departamento
de terminado, y 1/10 hora en el departamento de inspeccin y embalaje. El
modelo de lujo ms costoso requerir de 1 hora para corte y teido, 5/6
hora para costura, 2/3 hora para terminado y 1/4 hora para inspeccin y
embalaje. El departamento de costos ha analizado estas cifras de
produccin, ha asignado todos los costos pertinentes y llegado a la
conclusin de que se obtendra una contribucin a las utilidades de $. 10
para cada bolsa estndar, y de $. 9 para cada bolsa de lujo que se fabrique.
Adems, despus de estudiar las proyecciones de las cargas de trabajo en
los departamentos, el director de manufactura estima que para los
departamentos, el director de manufactura estima que para la produccin
de la bolsa de golf en los tres meses siguientes, habr disponibles 630 horas
de tiempo de corte y teido, 600 horas de costura, 708 horas de acabado y
135 horas de inspeccin y embalaje.

El problema de Par es determinar cuntas bolsas estndares y cuntas


bolsas de lujo deben fabricar con el objeto de maximizar la contribucin a
las utilidades. Si estuviera a cargo del programa de produccin para la
compaa Par qu decisin tomara? Es decir, cuntas bolsas estndares y
cuntas bolsas de lujo fabricara en los tres meses siguientes?

Sean:

X1 = n bolsas estndares a fabricar

X2 = n bolsas de lujo a fabricar

Tiempo requerido por Capacidad


Actividad u unidad de producto (horas) de operacin
operacin Bolsa Bolsa de lujo (horas)
estndar
Corte y teido 7/10 1 630
Costura 1/2 5/6 600
Terminado 1 2/3 708
Inspeccin y 1/10 1/4 135
embalaje
Utilidad ($.) 10 9

Contribucin total a las utilidades (Z)

Como el objetivo (maximizar la contribucin total de utilidades) es funcin


de sus variables de decisin (X 1 , X2 ), a 10X1 + 9X2 se le denomina funcin
objetivo (F.O.), quedando planteado el objetivo de la siguiente manera:

F.O.: (MAX)Z = 10X1 + 9X2

Cualquier combinacin especfica de fabricacin de artculos de tipo


estndar y de lujo se le designa por solucin del problema. Sin embargo
slo aquellas soluciones que satisfacen todas las restricciones se les
denomina soluciones factibles. La combinacin factible especfica que
aporta la mayor utilidad se la denomina solucin ptima. Para determinar
las soluciones factibles es necesario identificar las restricciones del
problema, as:

Tiempo total requerido de corte y teido = 7/10 X 1 + X2 ; lo cual denota que


el nmero de horas que se utilicen para las operaciones de corte y teido en
la fabricacin de X1 bolsas estndares y X2 bolsas de lujo deber ser menor
o igual que la cantidad mxima de tiempo disponible para corte y teido.

Para las dems operaciones se procede del mismo modo. Dado que no es
posible fabricar un nmero negativo de bolsas estndares o de lujo y a fin
de que las variables de decisin no asuman valores negativos, debe
aadirse dos restricciones:

X1 0

X2 0

en forma abreviada: X1 , X2 0 (restricciones de no negatividad), con lo


cual queda el problema completo queda planteado de la siguiente manera:

F.O.: (MAX)Z = 10X1 + 9X2

Sujeto a:

Corte y teido: 7/10 X1 + X2 630

Costura: 1/2 X1 + 5/6 X2 600

Terminado: X1 + 2/3 X2 708

Inspeccin y embalaje: 1/10 X1 + 1/4 X2 135

X1 , X2 0

Ejemplo 2:

Se procesan cuatro productos sucesivamente en dos mquinas. Los tiempos


de manufactura en horas por unidad de cada producto se tabulan a
continuacin para dos mquinas:

MAQUINA TIEMPO POR UNIDAD (HORAS)

PROD. 1 PROD. 2 PROD. 3 PROD. 4

1 2 3 4 2

2 3 2 1 2

El costo total de producir una unidad de cada producto est basado


directamente en el tiempo de mquina. Suponga que los costos por hora
para las mquinas 1 y 2 son $. 10 y $. 15. Las horas totales presupuestadas
para todos los productos en las mquinas 1 y 2 son 500 y 380. Si el precio
de venta por unidad para los productos 1, 2, 3 y 4 es $. 65, $. 70, $. 55 y $.
45. Formule el problema como un modelo de programacin lineal para
maximizar el beneficio neto total.

Solucin:
Sean:

X1, X2, X3, X4 = n de unidades producidas de los productos 1, 2, 3 y 4.

Se tiene:

CAPADIDAD COSTO
TIEMPO POR UNIDAD (HORAS) DE HORA
MAQUINA OPERACIN MAQUINA
(HORA) ($)

1 PROD. PROD. PROD. PROD.


2 1 2 3 4 500 10
2 3 4 2 380 15
3 2 1 2

INGRESO
UNITARIO
POR 65 70 55 45
VENTA
($)

CONDICION DE CAPACIDAD:

MAQUINA 1: 2X1 + 3X2 + 4X3 + 2X4 500

MAQUINA 2: 3X1 + 2X2 + 1X3 + 2X4 380

FUNCION OBJETIVO: F.O.: UTILIDAD = INGRESOS COSTOS

UTILIDAD = 65X1 + 70X2 + 55X3 + 45X4 - [10 (2X1 + 3X2 + 4X3 + 2X4) + 15
(3X1 + 2X2 + 1X3 + 2X4)]

UTILIDAD = 10X2 - 5X4

Luego: F.O.: (MAX) U = 10X2 - 5X4

Sujeto a:
MAQUINA 1: 2X1 + 3X2 + 4X3 + 2X4 500
MAQUINA 2: 3X1 + 2X2 + 1X3 + 2X4 380
R.N.N.: X1 , X2 , X3 , X4 0

Ejemplo 3:
Un granjero desea determinar la mezcla ptima para un lote diario de
alimentos de 100 kg de manera tal que satisfaga los requerimientos
nutritivos para sus animales; siendo stos:

Al menos 0.8% pero no ms de 1.2% de Calcio


Al menos 22% de Protenas
A lo ms 5% de Fibras Crudas

Se sabe adems de que los ingredientes de que ste dispone tienen el


siguiente contenido nutritivo:

INGREDIENTE Kgs por Kg de INGREDIENTE COSTO


S por Kg
CALCIO PROTEINA FIBRA ($)
S

PIEDRA 0.3800 0.0000 0.0000 0.0164


CALIZA 0.0010 0.0900 0.0200 0.0463
MAZ 0.0020 0.5000 0.0800 0.1250
ALIMENTO DE
SOYA

Formule el problema como un modelo de programacin lineal para


minimizar el costo neto total.

Solucin:

Sean: X1 = n kg de Piedra Caliza a comprar

X1 = n kg de Maz a comprar

X1 = n kg de Alimento de Soya a comprar

Luego: F.O.: (MIN) C = 0.0164X1 + 0.0463X2 + 0.1250X3

Sujeto a:

TAMAO DEL LOTE: X1 + X2 + X3 = 100


REQUERIMIENTOS NUTRITIVOS:
CALCIO: 0.3800X1 + 0.0010X2 + 0.0020X3
1.20/100X100
0.3800X1 + 0.0010X2 + 0.0020X3
0.80/100X100
PROTENAS: 0.0900X2 + 0.5000X3 22/100X100
FIBRA: 0.0200X2 + 0.0800X3
5/100X100
R.N.N.: X1, X2, X3 0

Ejemplo 4:
Una fbrica de automviles y camiones consta de los departamentos que a
continuacin se enumeran:

Dpto. 1 : Estampado de planchas metlicas

Dpto. 2: Armado de motores

Dpto. 3: Montaje de automviles

Dpto. 4: Montaje de camiones

El departamento 1 puede estampar por mes las planchas necesarias para


25,000 automviles o 35,000 camiones, o las correspondientes
combinaciones de automviles y camiones. El departamento 2 puede armar
por mes 33,333 motores de automviles o 16,667 motores de camin, o las
correspondientes combinaciones de automviles y camiones. El
departamento 3 puede montar y terminar 22,500 automviles y 15,000
camiones el departamento 4. Si cada automvil deja una utilidad de $. 300
y cada camin $. 250. Qu cantidad de automviles y camiones deben
producirse de manera que las utilidades que se obtengan sean las
mximas posibles?

Solucin:

Sean: X1 = n automviles a producir

X2 = n camiones a producir

F.O.: (MAX) U = 300X1 + 250X2

RESTRICCIONES DE CAPACIDAD:

Dpto. 1: Asumiendo que la capacidad total de este departamento es


100% = 100/100 = 1; se tiene:

25,000 automviles ________________ 1 (Capacidad total)

X1 automviles ________________ ?

___________________________________________________________________

? = X1 / 25,000 (Capacidad del Dpto. 1 empleada en automviles)

35,000 camiones ________________ 1 (Capacidad total)

X2 camiones ________________ ?

___________________________________________________________________

? = X2 / 35,000 (Capacidad del Dpto. 1 empleada en automviles)

Capacidad empleada en automviles + Capacidad empleada en


camiones = Capacidad total

Capacidad Dpto. 1:X1 / 25,000 + X2 / 35,000 1

Siguiendo el mismo razonamiento para los dems departamentos y


resumiendo, se tiene:
F.O.: (MAX) U = 300X1 + 250X2

Sujeto a:

RESTRICCIONES DE CAPACIDAD:

Capacidad Dpto. 1:X1 / 25,000 + X2 / 35,000 1

Capacidad Dpto. 2:X1 / 33,333 + X2 / 16,667 1

Capacidad Dpto. 3:X1 / 22,500 1

Capacidad Dpto. 3: X2 / 15,000 1

RN.N.: X1, X2 0

Ejemplo 5:

Se procesan tres productos a travs de tres operaciones diferentes. Los


tiempos (en minutos) requeridos por unidad de cada producto, la capacidad
diaria de las operaciones (en minutos por da) y el beneficio por unidad
vendida de cada producto (en dlares) son como sigue:

TIEMPO POR UNIDAD CAPACIDAD


(minutos) DE
OPERACIO OPERACIN
N (minutos/d
Prod. Prod. 2 Prod. a)
1 3

1 1 2 1 430
2 3 0 2 460
3 1 4 0 420

GANANCIA 3 2 5
($.)

a. Determinar la produccin diaria ptima para los tres productos que


maximice el beneficio (Z).
b. Supongamos que un cuarto producto debe fabricarse en las
mismas operaciones. Los tiempos por unidad en las tres
operaciones son 3, 5 y 1. El beneficio por unidad es igual a $. 6.
Vuelva a formular el modelo de programacin lineal si adems
debe utilizarse la capacidad total de la operacin 3. Cmo
cambiara esto la formulacin?
c. En el problema original, suponga que la suma de las capacidades
no utilizadas de las tres operaciones no deben exceder de 10
minutos por da. Muestre como sta restriccin puede ser
implantada en la formulacin.
d. Suponga adems que un estudio de mercado indica que la relacin
del nmero de unidades del producto 1 al nmero de unidades del
producto 2 y 3 debe ser al menos igual a 0.4. Muestre como esta
restriccin puede ser tomada en cuenta en la formulacin del
problema original.

Solucin:

a) Solucin:
Sean: X1 , X2 , X3 = n unidades de los productos 1, 2, 3 a producir

F.O.: (MAX) Z = 3X1 + 2X2 + 5X3


Sujeto a:
Operacin 1: X1 + 2X2 + X3 430
Operacin 2: 3X1 + 2X3 460
Operacin 3: X1 + 4X2 420
X1 , X2 , X3 0

b) Solucin:

Operacin Tiempo por unidad (minutos) Capacidad


Prod. 1 Prod. 2 Prod. 3 Prod. 4 de
operacin
(minutos/d
a)
1 1 2 1 3 430
2 3 0 2 5 460
3 1 4 0 1 420
Ganancia 3 2 5 6
por
unidad ($)

Sean: X1 , X2 , X3 , X4 = n unidades de los productos 1, 2, 3, 4 a


producir

F.O.: (MAX) Z = 3X1 + 2X2 + 5X3 + 6X4


Sujeto a:
Operacin 1: X1 + 2X2 + X3 + 3X4 430
Operacin 2: 3X1 + 2X3 + 5X4 460
Operacin 3: X1 + 4X2 + X4 = 420
X1 , X2 , X3 , X4 0

c) Dado que se hace mencin a las capacidades no utilizadas (holguras)


de las operaciones , es menester, previo a la formulacin del
problema explicar el concepto de holgura.
1er caso:
Sea: J: aij Xj bi
J: aij Xj + Si = bi
Donde:
aij Xj = cantidad mnima necesaria de recursos para la ejecucin de
la actividad J
bi = recursos disponibles para la ejecucin de la actividad J
Si = holgura de la actividad J
aij Xj = 30
hr-h

bi = 50
hr-h

Si = 20
hr-h

En el caso expuesto, la holgura positiva +Si refleja una capacidad


ociosa de recursos (supervit) que no estn siendo utilizados, ante
lo cual podra optarse por rotar personal hacia otras reas deficitarias
o en el peor de los casos prescindir de dicho personal, dado que
afectaran los costos operativos de la empresa.

2do caso:

Sea: J: aij Xj bi

J: aij Xj - Si = bi
Donde:
aij Xj = cantidad mnima necesaria de recursos para la ejecucin de
la actividad J
bi = recursos disponibles para la ejecucin de la actividad J
Si = holgura de la actividad J

bi = 30
hr-h
aij Xj = 50
hr-h

Si = 20
hr-h

En el presente caso, la holgura negativa -Si refleja una falta de


recursos (dficit) que de no asignarse, dicha actividad no podra
concretarse, paralizndose temporalmente el proceso productivo y
pudiendo desencadenar colateralmente otros malestares de orden
social y econmico.

3er caso:
Sea: J: aij Xj = bi

J: aij Xj Si = bi ; Si = 0
Donde:
aij Xj = cantidad mnima necesaria de recursos para la ejecucin de
la actividad J
bi = recursos disponibles para la ejecucin de la actividad J
Si = holgura de la actividad J

aij Xj = 50 bi = 50
hr-h hr-h

Este caso, en que la cantidad necesaria de recursos y su


disponibilidad se igualan, es decir, la holgura es nula, S i = 0, se
interpreta que se estara operando a plena capacidad en dicha fase
del proceso productivo.

Aclarado el concepto de holgura, pasamos a formular el programa


lineal correspondiente al problema antecitado como sigue:

Problema original:

Sean: X1 , X2 , X3 = n unidades de los productos 1, 2, 3 a producir

F.O.: (MAX) Z = 3X1 + 2X2 + 5X3

Sujeto a:

Operacin 1: X1 + 2X2 + X3 430

Operacin 2:3X1 + 2X3 460

Operacin 3: X1 + 4X2 420

X1 , X2 , X3 0

Incorporando variables de holgura:

F.O.: (MAX) Z = 3X1 + 2X2 + 5X3 + 0 S1 + 0 S2 + 0 S3


Sujeto a:

Operacin 1: X1 + 2X 2 + X3 + S1 =
430

Operacin 2:3X1 + 2X 3 + S2 =
460

Operacin 3: X1 + 4X2 + S3 =
420

X1 , X2 , X3 , S1 , S2 , S3 0

Donde: S1 , S2 , S3 = capacidades no utilizadas

Despejando, se tiene:

S1 = 430 - X1 - 2X2 - X3 (I)

S2 = 460 - 3X1 - 2X 3 (II)

S3 = 420 - X1 - 4X2 (III)

(I) + (II) + (III):

S1 + S2 + S3 = 1310 - 5X1 - 6X2 - 3X3 (IV)

Pero: S1 + S2 + S3 10 (V)

Luego:

Reemplazando (V) en (IV) y multiplicando por (-1), se tiene:

1310 - 5X1 - 6X2 - 3X3 10 (-1)

5X1 + 6X2 + 3X3 1300

Finalmente, incorporando esta restriccin al modelo original:

F.O.: (MAX) Z = 3X1 + 2X2 + 5X3

Sujeto a:

Operacin 1: X1 + 2X2 + X3 430

Operacin 2: 3X1 + 2X3 460

Operacin 3: X1 + 4X2 420

Condicin de capacidad ociosa: 5X1 + 6X2 + 3X3 1300

X1 , X2 , X3 0

d) Solucin:

Pauta de produccin: X1 / X1 + X2 0.4

X1 0.4X2 + 0.4X3

X1 - 0.4X2 - 0.4X3 0
Incluyendo sta restriccin en el problema original:

F.O.: (MAX) Z = 3X1 + 2X2 + 5X3

Sujeto a:

Operacin 1: X1 + 2X2 + X3 430

Operacin 2: 3X1 + 2X 3 460

Operacin 3: X1 + 4X2 420

Pauta de produccin: X1 - 0.4X 2 - 0.4X 3


0

X1 , X2 , X3 0
EJERCICIOS PROPUESTOS

1. Supngase que el Banco de Crdito al Campesino, tiene dos planes


de inversin: el primero en el programa de tierras de riego y el
segundo en el programa de tierras de temporal. El primer programa
regresa un 30% de la inversin anualmente, mientras que el segundo
plan regresa un 65% de la inversin, pero al trmino de dos aos. Los
intereses recibidos en ambos planes son reinvertidos de nuevo en
cualquiera de ambos planes. Formule el programa lineal que le
permita al Banco maximizar la inversin total en un sexenio, si la
inversin anual es de $. 100,000.

2. La Ca. Petromar ubicada cerca de Piura, suministra gasolina a sus


distribuidores en camiones. La Ca. recientemente recibi un contrato
para iniciar el suministro de 800,000 galones de gasolina por mes a
distribuidores de Lima. La Ca. tiene $. 500,000 disponibles para
crear una flota consistente en tres tipos diferentes de camiones. En
la siguiente tabla se muestra la capacidad relevante, costo de
compra, costo operativo y nmero mximo de viajes por cada tipo de
camin:

COSTO DE MXIMO DE
TIPO DE CAPACIDAD COSTO DE OPERACIN VIAJES POR
CAMION (gls.) COMPRA ($.) $/. por mes MES

1 6,000 50,000 800 20

2 3,000 40,000 650 25

3 2,000 25,000 500 30

Sobre la base del mantenimiento y la disponibilidad de conductores,


la compaa no desea comprar ms de diez vehculos para su flota.
Asimismo, la Ca. deseara asegurarse que se compren al menos dos
de los camiones de tipo 3 (se requieren para su uso en las rutas de
trayecto corto/baja demanda). Finalmente, la Ca. no deseara que
ms de la mitad de la flota sea de camiones del tipo 1. Como gerente
de operaciones, formule un modelo para determinar la composicin
de la flota que minimice los costos operativos mensuales al tiempo
que satisfaga las demandas no salindose del presupuesto y
satisfaciendo los requerimientos de las otras compaas.

3. Los socios de INVERSOL, una compaa de inversin de capital de


riesgo, estn considerando invertir en una o ms propuestas que han
recibido de varios negocios empresariales. El departamento de
investigacin ha examinado cada propuesta, y cuatro de los
empresarios cumplen con el requerimiento de INVERSOL de lograr un
rendimiento lo suficientemente alto para el riesgo asociado. Estas
compaas son: TELE-MM, CEMENTOS BETA, EPSILN Y MINSUR. El
departamento de investigacin de de INVERSOL ha estimado el
rendimiento total as como las inversiones al principio de cada uno de
los siguientes cuatro aos (en dlares actuales). El departamento de
contabilidad ha estimado los fondos totales que INVERSOL tiene para
invertir a principio de cada uno de los cuatro aos. Observe que los
fondos no usados de cualquier ao no estn disponibles para su
inversin en los aos posteriores. Asimismo, por acuerdo de los
socios se ha decidido no invertir conjuntamente en CEMENTOS BETA y
EPSILN. Formule el modelo que maximice el rendimiento total de las
inversiones.

4. Una fbrica de papel recibi tres pedidos de rollos de papel con los
anchos y longitudes indicadas en la tabla siguiente:

PEDIDO ANCHURA(pi LONGITUD


n es) (pies)

1 5 10,000

2 7 30,000

3 9 20,000

Los rollos se producen en la fbrica con dos anchos estndar: 10 y


20 (pies), los cuales hay que recortar a los tamaos especificados
por los pedidos. No existe lmite sobre la longitud de los rollos
estndar ya que para propsitos prcticos los rollos de longitud
limitada pueden unirse para proporcionar las longitudes requeridas.
El objetivo es determinar el esquema de produccin (modelo de corte)
que minimice la prdida por ajuste y satisfaga la demanda dada.

5. El fundo El Dorado cuenta con 50 acres de tierra disponibles para la


siembra de maz, soya, lechuga, algodn y brcoli. La siguiente tabla
muestra la informacin relevante perteneciente produccin, el costo
de plantacin, el precio de venta y los requerimientos de agua para
cada cultivo.

CULTIVO PRODUCCI COSTO ($/ PRECIO DE AGUA


N kg) VENTA REQUERIDA
(kg/acre) ($/kg) (litros/kg)

Maz 640 1.00 1.70 8.75

Frijol de 500 0.5 1.30 5.00


soya
Lechuga 400 0.4 1.00 2.25

algodn 300 0.25 1.00 4.25

Brcoli 350 0.60 1.30 3.50

Para la prxima temporada, hay 100,000 litros de agua disponibles y


El Dorado ha contratado vender al menos 5,120 kg de maz.
Formule un programa lineal para determinar una estrategia de
plantacin ptima para El Dorado.
6. Al gerente de AFP PROFUTURO se le pide invertir $. 1000,000 del
Fondo de Pensiones de sus afiliados. El departamento de
investigacin de inversiones ha identificado seis fondos mutuos con
estrategias de inversiones variables, resultando en diferentes
rendimientos potenciales y riesgos asociados como se resume en la
tabla siguiente:

RIESGO Y TASA DE RENDIMIENTO DE SEIS FONDOS


DE INVERSIN

FONDO FONDO FONDO FONDO FONDO FONDO


1 2 3 4 5 6

PRECIO 45 76 110 17 23 22
($/Accin)

DEVOLUCIN 30 20 15 12 10 7
ESPERADA (%)

CATEGORA DE Alto Alto Alto Median Median Bajo


RIESGO o o

Una forma de controlar el riesgo, es limitar la cantidad de dinero


invertido en los diversos fondos. Para este fin, la administracin de
AFP PROFUTURO ha especificado las siguientes pautas:
La cantidad total invertida en fondos de alto riesgo debe estar
entre 50 y 75% de la cartera.
La cantidad total invertida en fondos de mediano riesgo debe
estar entre 20 y 30% de la cartera.
La cantidad total invertida en fondos de bajo riesgo debe ser al
menos de 5% de la cartera.

Una segunda forma de controlar el riesgo es diversificar, esto es,


esparcir el riesgo invirtiendo en muchas alternativas diferentes. La
gerencia de AFP PROFUTURO ha especificado que la cantidad
invertida en los fondos de alto riesgo 1, 2 y 3, debe estar en la tasa
1:2:3, respectivamente. La cantidad invertida en los fondos de
mediano riesgo 4 y 5 debe ser 1:2.

7. Un industrial desea determinar el programa ptimo para tres mezclas


distintas que hace con diferentes proporciones de pistaches,
cacahuates y avellanas. Las especificaciones de cada una de ellas
son: la mezcla 1 debe contener 50% de pistaches como mnimo y
25% de cacahuates cuando ms, la libra de esta mezcla se vende a
50 centavos. El segundo tipo debe contener el 25% de pistaches, por
lo menos y un 50% de cacahuates cuando ms, y se vende a 35
centavos la libra. El tercer tipo no tiene especificaciones y se vende a
25 centavos la libra. Sin embargo, estn restringidas las cantidades
de materias primas que puede conseguir el industrial, las mximas
por periodo son: 100 libras de pistaches, 100 libras de cacahuates y
60 libras de avellanas. Cada libra de pistaches le cuesta 65 centavos,
la de cacahuates 25 centavos y 35 centavos la de avellanas. Se trata
de determinar cuantas libras se deben preparar de cada mezcla, de
manera que se obtengan las mximas utilidades.
8. Un molino agrcola produce alimento para ganado y alimento para
pollos. Estos productos se componen de tres ingredientes principales,
a saber, maz, cal y harina de pescado. Los ingredientes contienen
dos tipos principales de nutrientes que son protenas y calcio. En la
tabla siguiente se dan los contenidos de nutrientes por libra de cada
ingrediente.

NUTRIENT INGREDIENTES
ES
Maz Cal Harina de
pescado

Protena 25 15 25
Calcio 15 30 20

El contenido de Protena en el alimento para ganado debe estar en el


intervalo [18, 22] por libra. El contenido de Calcio en el mismo
alimento debe ser mayor o igual que 20 por libra. De igual manera,
en el alimento para pollos el contenido de Protenas y el contenido de
Calcio debe estar en los intervalos [20, 23] y [20, 25],
respectivamente. Supngase que se dispone de 3000, 2500 y 100
libras de Maz, Cal y Harina de pescado. Supngase tambin que se
requieren producir 4000 y 2000 libras de alimentos para ganado y
para pollos, respectivamente. El precio por libra de Maz, la Cal y la
Harina de pescado es, respectivamente, de $. 0.10, $. 0.10, y $. 0.08.
Formlese el problema de mezclado con el objeto de minimizar el
costo.

9. Bob Frapples empaca frutas exticas envueltas para regalo. Sus


paquetes son envueltos en dos tiendas diferentes que las envan a
cinco diferentes vendedores. El costo de empacar los productos en
las tiendas 1 y 2 es de $. 5.25 y $. 5.70 respectivamente. El
pronstico de Bob de la demanda indica que los envos deben ser
como se indica en la tabla 1. La capacidad de empaque de la tienda
1 es de 20,000 paquetes y la de la tienda 2 de 12,000. Los costos de
distribucin desde las dos tiendas se dan en la tabla 2. Formule un
modelo de programacin lineal para determinar cuntos paquetes
debe enviar Bob desde cada tienda a cada vendedor.
Demanda de los mayoristas (Tabla 1)

MAYORISTA

1 2 3 4 5

ENVIOS 4000 6000 2000 1000 8000


0

Costos de distribucin (Tabla 2)

LOCALIDA VENDEDOR
D
1 2 3 4 5

1 0.06 0.04 0.12 0.09 0.05


2 0.15 0.09 0.05 0.08 0.08

10.Se desea enviar 6 unidades desde el punto 1 al punto 5. En la grfica


adjunta, se detallan las rutas, los costos unitarios y las capacidades;
as por ejemplo para la ruta (1 ,2), cada unidad enviada cuesta 2
dlares y su capacidad es de 4 unidades. Se desea determinar el
mejor esquema de envo usando para ello un modelo de PL.

4, 4

2 4

3, 6
2, 4

f= 5, 4 f
6 6, 8
1 5

5, 6
3 5, 4

11.La Cmara de Industriales de la regin peridicamente promueve


servicios pblicos, seminarios y programas. Actualmente los planes
de promocin para este ao estn en marcha. Los medios alternativos
para realizar la publicidad as como los costos y la audiencia
estimados por unidad de publicidad, adems de la cantidad mxima
de unidades de publicidad en que puede ser usado cada medio se
muestran a continuacin.

Restricciones Televisi Radio Prensa


n
Audiencia por unidad de 100.000 18.000 40.000
publicidad
Costo por unidad de $ 2.000 $ 300 $ 600
publicidad
Uso mximo del medio 10 20 10

Para lograr un uso balanceado de los medios, la publicidad en radio


no debe exceder el 50% del total de unidades de publicidad
autorizados. Adems la cantidad de unidades solicitadas en televisin
debe ser al menos 10% del total autorizado. El presupuesto total para
promociones se ha limitado a $18.500.

12.Chirality Company debe producir al menos 600,000 tornillos


pequeos y 400,000 tornillos grandes para satisfacer la demanda de
las siguientes 4 semanas. Estos tornillos pueden producirse en dos
mquinas distintas, cada una de las cuales est disponible 40 horas a
la semana. Los requerimientos de costos y tiempo para producir cada
tamao de tornillo en cada mquina y el precio de venta de cada
tamao de tornillo se muestran en la siguiente tabla:

TORNILLOS TORNILLOS
PEQUEOS GRANDES

Precio de venta 27.5 32.5


($/1000)

Costo en la mquina 1 6.25 7.75


($/1000)

Costo en la mquina 8.00 9.25


2 ($/1000)

Tiempo en la mquina 1.5 1.75


1 (min/lb)

Tiempo en la mquina 1.00 1.25


2 (min/lb)

En cada libra hay aproximadamente 60 tornillos pequeos y 40


tornillos grandes. Como Gerente de Produccin formule el modelo de
PL para maximizar la ganancia, satisfaciendo la demanda y con la
disponibilidad limitada de tiempo de mquina en las siguientes 4
semanas.

13.Una perfumera produce el perfume OXES. Este perfume requiere


de Esencia y Fijador para su produccin. Dos procesos estn
disponibles. El proceso A transforma 1 onza de fijador y 2 onzas de
esencia en 3 onzas de perfume. El proceso B transforma 2 onzas de
fijador y 3 onzas de esencia en 5 onzas de perfume. Cada onza de
fijador le cuesta a la perfumera Bs. 10.000,00 y cada onza de esencia
Bs. 15.000,00. Se tiene una disponibilidad mxima de 200 onzas de
fijador y un mximo de 350 onzas de esencia para este perodo de
planificacin. Para estimular la demanda la perfumera ha contratado
una publicidad por un costo total de Bs. 4.000.000,00. El perfume se
vende en embases de una onza a Bs. 40.000,00 c/u. Determine la
produccin ptima que permita obtener la mxima utilidad tomando
en cuenta que se debe producir nicamente lo que se va a embasar.

14.La firma DOMENICA S.A., vende cuatro marcas de shampoo para


nios: Bebito, Barney, Caricia y Chicoco. Esta firma vende
exclusivamente a travs de tiendas de departamentos y utiliza un
personal de ventas de dos personas para visitar a sus clientes. El
tiempo de ventas necesario para que cada representante venda una
caja de producto vara con la experiencia y la habilidad. En seguida
se presentan los datos sobre el tiempo promedio para cada uno de los
representantes de DOMENICA S.A.

Vendedor Tiempo promedio de ventas


(minutos)

Bebito Barney Caricia Chicoc


o

Leonardo 10 15 20 25

Mara 25 20 15 10

Cada vendedor invierte aproximadamente 175 horas por mes en la


venta real de esos productos. Las utilidades por caja de Bebito,
Barney, Caricia y Chicoco, son de $. 8, $. 10, $. 20 y $. 30 (dlares)
respectivamente. Cuntas cajas de cada shampoo deben vender
cada persona durante el prximo mes para maximizar las utilidades
de la empresa? Formule el problema como un modelo de PL.
COMO RESOLVER UN PROBLEMA MEDIANTE PROGRAMACION
LINEAL?

EL PROBLEMA
La fbrica de hilados y tejidos Salazar requiere fabricar dos tejidos de
calidad diferente T y T; se dispone de 500 kg de hilo a, 300 kg de hilo b y
108 kg de hilo c. Para obtener un metro de T diariamente se necesitan 125
gr de a, 150 g de b y 72 gr de c; para producir un metro de T por da se
necesitan 200 gr de a, 100 gr de b y 27 gr de c.

El T se vende a $. 4000 el metro y el T se vende a $. 5000 el metro. Si se


debe obtener el mximo beneficio, Cuntos metros de T y T se deben
fabricar?

El problema se recomienda leer en ms de una ocasin para facilitar el


reconocimiento de las variables, adems es muy recomendable la
elaboracin de tablas o matrices que faciliten una mayor comprensin del
mismo.

PASO 1: "FORMULAR EL PROBLEMA"


Para realizar este paso partimos de la pregunta central del problema.
Cuntos metros de T y T se deben fabricar?
Y la formulacin es:
Determinar la cantidad de metros diarios de tejido tipo T y T a fabricar
teniendo en cuenta el ptimo beneficio respecto a la utilidad.

PASO 2: DETERMINAR LAS VARIABLES DE DECISIN


Basndonos en la formulacin del problema nuestras variables de decisin
son:
XT: Cantidad de metros diarios de tejido tipo T a fabricar
XT: Cantidad de metros diarios de tejido tipo T a fabricar

PASO 3: DETERMINAR LAS RESTRICCIONES DEL PROBLEMA


En este paso determinamos las funciones que limitan el problema, estas
estn dadas por capacidad, disponibilidad, proporcin, no negatividad entre
otras.
De disponibilidad de materia prima:
0,12XT + 0,2XT <= 500 Hilo a
0,15XT + 0,1XT <= 300 Hilo b
0,072XT + 0,027XT <= 108 Hilo c
De no negatividad
XT, XT >= 0

PASO 4: DETERMINAR LA FUNCIN OBJETIVO


En este paso es de vital importancia establecer el contexto operativo del
problema para de esta forma determinar si es de Maximizacin o
Minimizacin. En este caso abordamos el contexto de beneficio por ende lo
ideal es Maximizar.
Funcin Objetivo
ZMAX = 4000XT + 5000XT
PASO 5: RESOLVER EL MODELO UTILIZANDO SOFTWARE O MTODOS
MANUALES
A menudo los problemas de programacin lineal estn constituidos por
innumerables variables, lo cual dificulta su resolucin manual, es por esto
que se recurre a software especializado, como es el caso de WinQSB, STORM
o para modelos menos complejos se hace til la herramienta Solver de
Excel.

El anterior ejercicio fue resuelto mediante Solver - Excel, y su resultado fue:

2.5 PROGRAMACIN LINEAL: SOLUCIN DE PROBLEMAS CON


ELMTODO GRFICO

Existen dos metodologas para solucionar un problema modelado en


Programacin Lineal: el Mtodo Grfico y el Mtodo Simplex.

El Mtodo Grfi co se utiliza para ilustrar tres conceptos bsicos: la


metodologa para la resolucin de un problema de dos variables de
decisin, la interpretacin de la solucin del problema modelado y la
observacin grfica de cmo afectan los cambios a la solucin del problema.
El Mtodo Grfico es poco poderoso ya que est limitado a resolver
problemas de dos o mximo tres variables de decisin. Sin
embargo, su importancia radica en que permite visualizar los conceptos
matemticos implicados en la Programacin Lineal.

Por su parte, el Mtodo Simplex es utilizado para resolver problemas ms


complejos de Programacin Lineal. Es un mtodo poderoso, utilizado
para resolver problemas de "n" variables de decisin, aunque
tambin se puede emplear para resolver problemas de dos variables como
lo hace el Mtodo Grfico.
El enfoque propuesto aqu, es utilizar la computadora como una herramienta
de apoyo para resolver problemas de Programacin Lineal de cualquier
tamao. Sin embargo, se deben estudiar primero los fundamentos
de estos mtodos de solucin para posteriormente utilizar la computadora
para este fin. El uso de la computadora en la solucin de problemas
en Programacin Lineal, implica utilizar cualquiera de estas dos
alternativas: primera, usar una hoja electrnica como puede ser
Excel, donde el usuario hace directamente la programacin para
solucionar el problema modelado; segunda, el uso de un paquete
de software comercial, que ya est diseado para la resolucin del Mtodo
Grfico y del Simplex.

Algunos de los paquetes de software comercial ms conocidos son: el


Storm, el WinQSB, Lindo, Eureka, etc. Estos tipos de software han
evolucionado de acuerdo a los avances tecnolgicos de la poca, con la
tendencia de tener una herramienta ms poderosa pero con cierta
prdida de hacer usuarios ms pensantes y no solo manipuladores
de la misma. Es obvio que el uso de la computadora permite un
gran ahorro de tiempo en el procesamiento de los datos y que hace
posible la solucin de problemas ms complejos a los que normalmente se
hacen dentro del aula. Sin embargo, el uso de cualquier paquete de
software requiere tener el problema ya modelado, para
ser capturado en el formato requerido por dicho software. En esta forma, se
puede obtener la solucin ptima del problema como un reporte de
salida de la computadora pero esta solucin matemtica requiere
de una interpretacin por parte del usuario para la toma de decisiones.

El ciclo completo a realizar en la solucin de un problema es:


modelar el problema, solucionar el problema modelado e interpretar la
solucin obtenida. De estas tres partes, las que ms desarrollan las
habilidades del pensamiento son la modelacin del problema y la
interpretacin de la solucin encontrada. En este caso, se
considera de menor contribucin a la etapa de la solucin del
problema, que se puede hacer a travs de la computadora.

Sin embargo, el enfoque de este captulo es fundamentar los conceptos


bsicos de la Programacin Lineal a travs del Mtodo Grfico. Para esta
finalidad, se han desarrollado dos ejercicios, el primero est enfocado
amostrar "la metodologa y los conceptos bsicos" del Mtodo Grfico y el
segundo, presenta el "ciclo completo" que se sigue en la solucin de un
problema de Programacin Lineal.

Ejercicio 1. Metodologa y conceptos bsicos del Mtodo


Grfico.

Se presenta la metodologa utilizada por el Mtodo Grfico para encontrar la


solucin ptima de un problema modelado y los conceptos bsicos de
la Programacin Lineal que se pueden visualizar a travs del l. Se
presenta el siguiente problema:

Funcin Objetivo: Mx. Z = 3X1 + 6X2


Restricciones:
a. X1 10
b. X2 10
c. X1 + X2 16
d. 6X1 + 4X2 48
e. X1 + X2 20
f. 2X1 + 4X2 16
g. X1 - X2 0
h. No negatividad: X1, X2 0

2.6 Metodologa.
El Mtodo Grfico utiliza la siguiente metodologa para encontrar la solucin
ptima de un problema:
a. Calcular los puntos para grafi car cada restriccin.
b . G r a fi c a r l a s r e s t r i c c i o n e s .
c. De te rmi n ar l a re g i n f a cti bl e .
d. Calcular las coordenadas de los vrtices de la regin factible.
e. Calcular el valor de la Funcin Objetivo en dichos vrtices.
f. E n c o n t r a r l a s o l u c i n p t i m a d e l p r o b l e m a .

Calcular los puntos para graficar cada restriccin.

Pa r a g r a fi c a r u n a r e s t r i c c i n , p r i m e r o s e l e c o n s i d e r a c o m o
u n a r e c t a , e s d e c i r c o m o s i f u e r a u n a igualdad, y luego se
encuentra el espacio solucin que cumple con la condicin de dicha
restriccin, poniendo una pequea flecha para indicarlo.

En este problema se presentan tres variantes que se pueden encontrar al


graficar una restriccin: cuando es paralela a alguno de los ejes de
coordenadas, cuando cruza los dos ejes de coordenadas y cuando pasa por
el punto de origen (0,0). A continuacin se presentan las variantes:

Las restricciones "a" y "b" del problema son paralelas a los ejes X 1
y X2. Se reconoce que una restriccin es paralela cuando solo tiene
una de las variables, por ejemplo la restriccin "a" solo tiene la X1
por lo que es paralela al eje X2.
Otro tipo de restricciones son las que cruzan por los dos ejes como las
restricciones "c", "d", "e" y "f.

Existen tambin restricciones que pasan por el punto (0,0) como la


restriccin "g".

Para grafi car una recta existen diferentes mtodos, uno de ellos es
el "mtodo de los dos puntos". Endicho mtodo se establece que,
para grafi car una recta es necesario conocer al menos dos puntos
pertenecientes a ella.

Para calcular las coordenadas de los dos puntos P1y P2, se elige
arbitrariamente una de las variables de la restriccin, por ejemplo X1 y se
hace igual a cero, calculndose la otra variable X2; luego se proceda a la
inversa, se hace X2= 0 y se calcula X1. Si la restriccin es paralela a uno
de los ejes, simplemente se fi j a l a c o o r d e n a d a y s e t r a z a l a r e c t a .
A continuacin se muestra los puntos calculados para cada
restriccin:
Restricciones Puntos para graficar la recta:
P1 (X1, 0) P2 (0, X2)

a. X1 10 10,0
b. X2 10 - 0,10
c. X1 + X2 16 16,0 0,16
d. 6X1 + 4X2 48 8,0 0,12
e. X1 + X2 20 20,0 0,20
f. 2X1 + 4X2 16 8,0 0,4
g. X1 - X2 0 0,0 0,0

Graficar las restricciones.

A continuacin se explica cmo graficar cada una de las variantes de las


restricciones:
Para grafi car una restriccin paralela a uno de los ejes, como lo es
"a", se marca el punto (10,0) que est sobre el eje X1 y se traza
paralelamente al eje X2.
El espacio de solucin es evidente para este tipo de restricciones, que en
este caso, el sentido de la restriccin es hacia la izquierda como se puede
ver en el grfico de la Figura 1.
Para graficar una restriccin que cruza los dos ejes, como sera "d", se
marca el punto uno (8,0) en e l e j e X 1 y e l p u n t o d o s ( 0 , 1 2 ) e n e l
e j e X 2 y se unen trazando una recta. Para determinar el espacio de
solucin, se puede hacer directamente observando el tipo de desigualdad
que tiene la restriccin, sin embargo, se recomienda probar el
sentido de la restriccin con el punto (0,0). Al sustituir estos
valores en la restriccin, se checa si cumple o no con la condicin
impuesta por dicha restriccin.

Si cumple con la condicin, entonces el espacio solucin ser de la recta


hacia el origen (0,0), que fue el punto que se prob. Si no cumple la
condicin, el espacio solucin ser en sentido contrario. Por ejemplo, si
sustituimos este punto en la restriccin "d, se tendr 0 48 que no cumple
con la restriccin, por lo que su sentido ser en direccin contraria al origen
(0,0) como se puede ver en el grfico de la Figura 1.

Para grafi car una restriccin que pasa por el punto de origen (0,0),
como lo es "g", se requiere generar un "punto auxiliar". Este punto
auxiliar, se calcula dando un valor arbitrario a una de las variables
para sustituirla en la ecuacin de la restriccin y poder despejar la
otra variable, por ejemplo, si consideramos
X1 = 2 se tiene que:

2 - X2 = 0
X2 = 2

El punto auxiliar es (2,2). Ahora se tienen dos puntos, el (0,0) y el (2,2) por
donde pasar la recta. Para determinar el espacio solucin es necesario
probar con cualquier punto separado de la recta, ya sea por arriba o por
abajo de ella. Si el punto probado satisface la restriccin, el
espacio de solucin ser en esa direccin sino ser en sentido
contrario. Por ejemplo, si se prueba con el punto (10,2) que est
por abajo de la recta, al sustituir en la restriccin, se tendr 8 0
que no cumple con la restriccin, por lo que el espacio solucin ser hacia
arriba (ver Figura 1), es decir en sentido contrario al punto probado. Si se
hubiera probado un punto por arriba de la recta como el (2,20) se llegara a
la misma conclusin.

Determinar la regin factible.

Para determinar la regin factible en la grfi ca de la Figura 1, es


importante atender el sentido de las r e s t r i c c i o n e s p a r a
e n c o n t r a r e l r e a c o m n a t o d a s . Pa r a h a c e r e s t o , n o s
p o d e m o s a u x i l i a r d e l a s pequeas flechas que indican el sentido de
cada restriccin. Cuando se tienen muchas restricciones graficadas, una
forma simple de encontrar la regin factible, es considerar a cada
restriccin como el corte que se hace en un pastel. Se regala la
rebanada que no cumple con el sentido de la restriccin y dejamos la que
si cumple. Al seguir haciendo los dems cortes, la rebanada que queda se
har cada vez ms pequea. La parte que queda al final ser la regin
factible. Esta concepcin propuesta, se puede visualizar considerando que
cada restriccin divide el espacio en dos partes. La parte que cumple con el
sentido de la restriccin est sealada por una pequea flecha.

A continuacin se presenta la grfica de las restricciones del problema y la


regin factible:

Figura 1. Grfica de las restricciones y de la regin factible.


Calcular las coordenadas de los vrtices de la regin factible. En el
grfi co de la Figura 1, se marcaron los vrtices que forman la
regin factible. La importancia de calcular las coordenadas de estos
vrtices, es que ayudan a calcular el valor de la Funcin Objetivo encada
uno de ellos y en base a este listado, se encuentra la solucin ptima del
problema.

Una forma sencilla de calcular las coordenadas de un vrtice, es leerlas


directamente en la grfica, perola precisin de la lectura depender de
la calidad que se tenga en dicha grfi ca. Otra forma que no
depende de la precisin de la grfica, es ver qu restricciones forman al
vrtice y solucionar este sistema d e d o s e c u a c i o n e s p o r a l g n
m tod o al ge b rai c o. Si n e mb arg o, se pu e d en re d u ci r l os
c l c u l o s s i clasifi camos los vrtices en dos tipos: los que estn
sobre uno de los ejes de coordenadas y los que estn fuera de los
ejes.

Cuando un vrtice est sobre uno de los ejes, se pueden leer directamente
sus coordenadas en el grfico o en los puntos calculados para grafi car
la restriccin.

Si el vrtice est fuera de los ejes, se requiere c a l c u l a r s u s


coordenadas a travs de un sistema de ecuaciones
si mul tn e as, d ad o p or l as d os re stri c ci on e s q ue se c ru z an
para formar dicho vrtice.

S i u n a d e l a s r e s t r i c c i o n e s e s p a r a l e l a , simplemente se sustituye
el valor de esa variable en la otra restriccin.

Analizando la grfi ca, se ver que todos los vrtices de la regin


factible estn fuera de los ejes. El vrtice "A" est formado por la
interseccin de las restricciones "d" y "g", el vrtice "B" por "b" y "d", el "C"
por "b" y "c" y el "D" por "c" y "g". A continuacin se calculan las
coordenadas de cada vrtice:
Vrtice "A": Restriccin "d" 6X1 + 4X2 = 48
Restriccin "g" 4(X1 - X2 = 0)
____________
10X1 = 48
X1 = 4.8
X2 = 4.8

Vrtice "B": Restriccin "b" X2 = 10


Sustituyendo en la Restriccin "d" se tiene:
6X1 + 4(10) = 48
X1 = 1.3

Vrtice "C": Restriccin "b" X2 = 10


Sustituyendo en la Restriccin "c" se tiene:
X1 + X2 = 16
X1 = 6

Vrtice "D": Restriccin "c" X1 + X2 = 16


Restriccin "g" X1 - X2 = 0
____________
2X1 = 16
X1 = 8
X2 = 8

Calcular el valor de la Funcin Objetivo en dichos vrtices.

Para calcular el valor de la Funcin Objetivo en un vrtice, simplemente se


sustituye en ella el valor de X1 y X2 dado por las coordenadas de dicho
vrtice. A continuacin se da una tabla con las coordenadas de los vrtices
de la regin factible y el valor de la Funcin Objetivo en cada uno de ellos:

Vrtice Coordenadas(X1, X2) Z = 3X1 + 6X2


A 4.8 4.8 43.2
B 1.3 10.0 63.9
C 6.0 10.0 78.0 Mx. Z
D 8.0 8.0 72.0

Encontrar la solucin ptima del problema.

En la tabla anterior, se presentaron los valores de la Funcin Objetivo en


cada uno de los vrtices de la regin factible, de stos se escoge aquel valor
que cumple con lo establecido en la Funcin Objetivo, en este caso la Mx.
Z. Al seleccionar en la tabla el rengln de la Mx. Z, se puede leer
directamente los valores de la solucin ptima del problema y el vrtice
donde est. La solucin ptima del problema est en el vrtice "C" de la
regin factible y sus valores son: X1= 6; X2= 10; Mx. Z = 78. En este
problema, si la Funcin Objetivo hubiera sido de minimizacin, se habra
escogido el 43.2 que es el valor mnimo de la tabla. Entonces, la solucin
ptima hubiera sido localizada en el vrtice "A" con los siguientes valores:
X1 = 4.8; X2 = 4.8; mn. Z = 43.2. Como se ha observado, la solucin
ptima del un problema, depende de la regin factible que se forme con el
conjunto de restricciones y de la inclinacin que tenga la Funcin Objetivo
que le permite alcanzar su valor ptimo, as sea de maximizacin o de
minimizacin.

1.2. Conceptos bsicos.

Algunos conceptos bsicos de la Programacin Lineal que se


pueden visualizar a travs del Mtodo Grfi co son:

a. Regin factible.
b. Restriccin activa y Restriccin redundante.
c. Demostrar que: Mx. Z = mn. (-Z)
d. D e m o s t r a r q u e : "La solucin ptima de cualquier problema
de Programacin Lineal, siempre estar en uno de los vrtices o en
todo un lado de su regin factible".
e. V r t i c e s f u e r a d e l a r e g i n f a c t i b l e .
f. Anlisis de cambios que afectan al modelo del
p rob l e ma.

Regin factible.

La regin factible es formada por las restricciones del problema y en


alguno(s) de sus vrtices se localiza la solucin ptima.
La forma de la regin factible depende del tipo de restricciones que
se tengan. An as, se pueden considerar dos tipos bsicos: la regin
factible "cerrada" y la "abierta.
La regin factible cerrada se tiene cuando las restricciones, incluyendo las
de "no negatividad", delimitan la regin factible del problema. En el tipo
abierto, se tiene una regin factible no acotada que solo permite la
minimizacin. A continuacin se presentan los grficos de estos tipos de
regin factible:

Figura 2. Regin factible cerrada: Regin factible abierta:


a. Apoyada en los 2 ejes. a. Hacia la derecha.
b. Apoyada en un eje. b. Hacia arriba.
c. Sin apoyo en los ejes.
Cuando un problema modelado no tiene regin factible, es debido a que
algunas de sus restricciones son contradictorias entre s. Este tipo de
problemas son "infactibles", es decir, que el problema modelado no t i e n e
sol u ci n . En e stos ca sos e s ne ce s ari o re vi sa r el mod e l o de l
p r o b l e m a , y a q u e e x i s t e a l g u n a inconsistencia en las restricciones
que no permite tener una regin factible.

Restriccin activa y Restriccin redundante.

Las restricciones que forman parte de la regin factible son las


"restricciones activas" mientras las que no la forman son las "redundantes.
Las restricciones activas son las realmente forman la regin factible donde
est la solucin ptima. Estas restricciones son la esencia del
problema modelado, de tal forma que, si se quita alguna de ellas se
cambia la solucin ptima. Las restricciones activas que se tienen en el
problema son "b", "c", "d" y "g".
Una restriccin redundante no tiene ningn efecto en la solucin ptima del
problema, es una restriccin ficticia que da lo mismo dejarla en el modelo o
quitarla. Las restricciones redundantes que se tienen en el problema son
"a", "e" y "f".

Demostrar que: Mx. Z = mn. (-Z)

Al demostrar que Mx. Z = mn. (-Z), tambin se est demostrando que lo


contrario es verdadero, es decir que mn. Z = Mx. (-Z).

Este principio es muy poderoso en la solucin de problemas de


minimizacin mediante el Mtodo Simplex, mtodo que se estudiar
posteriormente para solucionar problemas de cualquier tamao. Esto
permite que un problema de minimizacin sea transformado y
s o l u c i o n a d o c o m o u n p r o b l e m a d e Maximizacin, cambiando
solamente los signos de su Funcin Objetivo.

Un ejemplo de cmo puede ser transformado un problema


m o d e l a d o d e m i n i m i z a c i n p a r a s e r solucionado a travs del
Mtodo Simplex, es el siguiente:

min. Z = 30X1 + 10X2 Mx. Z = - 30X1 - 10X2

Restricciones 2X1 + 4X2 80


X1 + X2 = 25
8X1 + 6X2 120

Ahora se tiene un problema modelado de Maximizacin, donde solo


se cambi de signo a la Funcin Objetivo y las restricciones
siguieron iguales. Este problema se soluciona con el Mtodo
Simplex para encontrar la solucin ptima y el valor del Mx. Z,
valor que siempre ser negativo. La solucin al problema original de
minimizacin, ser la misma solucin que se encontr para el problema
resuelto de Mx. (-Z) y el valor de la min. Z ser el mismo que el Mx. Z
pero con signo positivo.

Regresando a la demostracin pedida, la podemos hacer en una


forma muy simple. Aprovechando las coordenadas de los vrtices
de la regin factible que se tienen en la tabla, se pueden sustituir
en la Funcin Objetivo que qued transformada como mn. Z = -3X1 - 6X2.
A continuacin se presenta el anlisis que permite hacer la
demostracin:

Vrtice Coordenadas Z = 3X1 + Z = -3X1 +


(X1, X2) 6X2 6X2

A 4.8 4.8 43.2 -43.2


B 1.3 63.9 -63.9
C 10.0 78.0 -78.0 Mx. Z
D 6.0 72.0 -72.0
10.0
8.0 8.0

Comparando los valores de la solucin ptima del problema, se puede


concluir que:

Mx. Z = mn. (-Z) y consecuentemente que mn. Z = Mx. (-Z)

Demostrar que:

"la solucin ptima de cualquier problema de Programacin


Lineal, siempre estar en uno de los vrtices o en todo un lado
de su regin factible".

La solucin ptima de un problema de Programacin Lineal puede ser de


dos tipos: solucin "puntual o nica" y la solucin en forma de "rango".

La solucin del tipo puntual siempre estar en uno de los vrtices de la


regin factible, como consecuencia de la pendiente que tiene la Funcin
Objetivo al cruzar dicha regin. Si se desplaza paralelamente la Funcin
Objetivo a travs de la regin factible, se ver que la solucin ptima estar
en uno de los vrtices.

Cuando la Funcin Objetivo es paralela a una de las restricciones


que forman la regin factible, se provoca un "rango ptimo" de
soluciones. Este rango ptimo es consecuencia de que la Funcin Objetivo
cruza la regin factible por todo un lado, desde un vrtice hasta el otro. Este
rango de soluciones ptimas signifi ca que se puede generar al menos
una "solucin ptima alterna" para el problema, o bien, una gama
de "soluciones ptimas mltiples".

Para demostrar que la solucin ptima est en uno de los vrtices de la


regin factible, se puede ver en la tabla anterior, el listado de valores que
adopta la Funcin Objetivo al cruzar por cada uno de los vrtices y
simplemente seleccionar el mximo valor que es la Mx. Z. Se observar
que dicha solucin ptima est en el vrtice "C".

Otra forma que se tiene de hacer esta demostracin, es que al graficar la


Funcin Objetivo con el valor de la Mx. Z deber pasar por el vrtice "C". El
graficar la recta de la Funcin Objetivo es exactamente igual que graficar la
recta de una restriccin. La ecuacin de la Funcin Objetivo que se debe
graficar es la siguiente:
78 = 3X1 + 6X2.

Con esta ecuacin, se puede calcular los dos puntos sobre los ejes por
donde pasa la Funcin Objetivo quedando P1 (26,0) y P2 (0,13). Al graficar
la recta, se observa que efectivamente pasa por el vrtice "C" como lo
muestra la grfica de las restricciones.
Con la intencin de mostrar un problema que tenga soluciones ptimas
mltiples, se modific ligeramente el problema actual. Se dejaron las
mismas restricciones y se cambi la Funcin Objetivo a:

Mx. Z = 6X1+ 6X2

Como las restricciones no cambiaron, se tiene la misma regin factible con


los mismos vrtices y coordenadas que se pueden utilizar para sacar los
valores de la Funcin Objetivo que se muestran en la siguiente tabla:

Vrtice Coordenadas Z = 6X1 +


(X1, X2) 6X2
A 4.8 4.8 57.6
B 1.3 67.8
C
D
10.0
6.0
96.0
96.0 } Rango ptimo
10.0
8.0 8.0

Al buscar en la tabla anterior la solucin ptima del problema, se encuentra


dos soluciones ptimas, es decir una de ellas ser la solucin ptima y
la otra ser una solucin ptima alterna, quedando en la siguiente
forma:

Solucin ptima Solucin ptima Alterna


(Vrtice "C") (Vrtice "D")
X1 = 6 X1 = 8
X2 = 10 X2 = 8
Mx. Z = 96 Mx. Z = 96

Al tener dos soluciones ptimas se puede calcular el "rango ptimo" para el


problema, quedando en la siguiente forma:

6 X1 8
8 X2 10
Mx. Z = 96

Conociendo el rango ptimo, se pueden generar mltiples


soluciones ptimas para el problema. Por ejemplo, para calcular otra
solucin ptima, que sea diferente a las que ya conocemos, se puede dar un
valor arbitrario a una de las variables siempre y cuando este dentro de su
rango. Si consideramos X1 = 7 entonces, sustituyendo este valor en la
Funcin Objetivo, queda:

96 = 6(7) + 6X2
X2 = 9
Esta nueva solucin ptima del problema fue sacada del rango ptimo,
quedando como:
X1 = 7
X2 = 9
Mx. Z = 96
En esta forma, se pueden generar diferentes soluciones ptimas
para el problema, pero todas ellas tendrn como caracterstica el
mismo valor de Mx. Z = 96. Algunas otras soluciones ptimas que
se pueden sacar del rango ptimo son:

X1= 6 X1= 8
X2= 10 X2= 8
Mx. Z = 96 Mx. Z = 96

Una advertencia, si se fijan las dos variables al mismo tiempo, an con


valores que estn dentro de sus rangos, no necesariamente esto ser una
solucin ptima para el problema. Por ejemplo, considere X1 = 6 y X2 = 9.
Esta solucin no es ptima, ya que sustituyendo en la Funcin Objetivo se
tiene una Mx. Z =90 pero no de 96. La razn se puede ver
grfi camente, si se ubica este punto, se observar que est dentro
de la regin factible pero no sobre la recta que une los vrtices "C" y "D",
por lo que este punto es una solucin factible pero no ptima. Solo los
puntos que estn exactamente sobre la recta que une los vrtices "C" y "D"
darn soluciones ptimas.

Vrtices fuera de la regin factible.

Anteriormente, se estableci que la solucin ptima est en algn vrtice de


la regin factible. Tambin se pueden ver en la grfica, vrtices que estn
fuera de la regin factible, por lo que podemos preguntar:

Qu significado tiene el vrtice formado por el cruce de las restricciones


"a" y "c"?

Este vrtice est formado por la restriccin "a" que es redundante y por la
restriccin "c" que es activa ya que forma parte de la regin factible.
Adems, este vrtice est fuera de la regin factible como lo muestra la
grfica, lo que significa, que ese punto no cumple con todas las restricciones
del problema modelado y que tiene algn recurso sobrante. El recurso
sobrante estar en la restriccin redundante por lo que se puede calcular su
valor. La restriccin activa indica que el recurso ha sido utilizado
completamente por lo que no hay sobrantes.

Si quiere conocer todas las restricciones que el vrtice puede cumplir y las
que no, es necesario calcular sus coordenadas para tener un valor de X1 y
de X2. Resolviendo las ecuaciones de las restricciones "a" y "c", se tiene que
X1 = 10 y X2 = 6. Al sustituir estos valores en cada una de las restricciones
del problema modelado, se podr decir si cumple o no con la restriccin
particular. Haciendo esto, nos damos cuenta que este vrtice no cumple con
la restriccin "g" pero si con todas las dems.

Adems de identificar la restriccin con la que no cumple el vrtice, tambin


se puede hacer un "anlisis de los recursos". Para hacer este anlisis,
se debe sustituir los valores de la solucin ptima (X 1 = 6 y X2 = 10)
en las restricciones que forman el vrtice. A continuacin se muestra el
anlisis:

Restriccin "a": X1 10
6 10 Sobran 4.

Restriccin "c": X1 + X2 16
6 + 10 16
6 10 No sobra nada

Se concluye que sobran 4 del recurso utilizado en la restriccin "a"


ya que se gastaron 6 de los 10disponibles. Por otra parte, se gast
totalmente el recurso de la restriccin "c" que forma parte de la
regin factible.

Qu significado tiene el vrtice formado por las restricciones "a" y "e"?

Es un vrtice fuera de la regin factible donde sus dos restricciones son


redundantes ya que no forman parte de la regin factible. Al sustituir los
valores de la solucin ptima en las dos restricciones, se puede hacer el
siguiente anlisis de los recursos:

Restriccin "a": X1 10
6 10 Sobran 4

Restriccin "e": X1 + X2 20
6 + 10 20 Sobran 4
Se concluye que, un vrtice fuera de la regin factible siempre
tendr recursos sobrantes en cada restriccin redundante que tenga.

Anlisis de cambios que afectan al modelo del problema.


Un problema modelado de Programacin Lineal, que experimente
algn tipo de cambio, puede o no cambiar su solucin ptima
dependiendo del cambio. Existen dos tipos bsicos de cambio: el cambio de
un coeficiente de contribucin de la Funcin Objetivo o el cambio en la
disponibilidad de los recursos de las restricciones.
Un cambio en alguno de los coeficientes de la Funcin Objetivo, equivale a
rotar dicha Funcin Objetivo. Cuando se quiere provocar una solucin
ptima alterna, se rota la Funcin Objetivo hasta quedar paralela a una
restriccin activa. Dependiendo del sentido de la rotacin que se haga en la
Funcin Objetivo as ser el cambio que tenga su ecuacin.
Anteriormente, se trabaj un problema de rotacin de la Funcin Objetivo
donde se modific la ecuacin de una Mx. Z = 3X1+ 6X2 a Mx. Z =
6X1+6X2. Ms adelante se presentan los pasos que se siguieron para
calcular esta "nueva Funcin Objetivo" que tiene una solucin ptima
alterna. S i e l c a m b i o r e a l i z a d o a f e c t a a l a " d i s p o n i b i l i d a d d e l
r e c u r s o " d e l a r e s t r i c c i n , e s d e c i r a l t r m i n o independiente,
entonces la recta se mover paralelamente. Si el trmino independiente
aumenta de valor, har que la recta se mueva paralelamente hacia arriba o
hacia la derecha. Por el contrario, si disminuye de valor, la recta se mover
paralelamente hacia abajo o hacia la izquierda.
Existen otros tipos de cambios que puede experimentar el modelo del
problema, por ejemplo, quitar una restriccin, agregar una nueva
restriccin, cambiar el sentido de una restriccin.
Dependiendo del tipo de c a m b i o s e r e l e f e c t o q u e t e n g a e n l a
solucin ptima del problema. Estos cambios se analizan a
continuacin con las siguientes preguntas:

Qu pasa con la solucin ptima del problema si se "quita" la restriccin


"a"?

Como la restriccin "a" es una restriccin redundante, al quitarla del modelo


no afecta en nada a la regin factible por lo que la solucin ptima sigue
siendo la misma.

Se modifica la regin factible del problema al quitar la restriccin "b"?

Si en el modelo del problema se quita solo la restriccin "b" que es una


restriccin activa, si se modifica la regin factible y en consecuencia cambia
la solucin ptima del problema.

Cambia la solucin ptima del problema si se agrega al problema


una nueva restriccin, por ejemplo X 2 <= 7?

Esta nueva restriccin disminuye la regin factible que se tena


anteriormente, consecuentemente cambia la solucin ptima del problema.

Se afecta la solucin ptima del problema si se cambia el "sentido" de la


restriccin "e"?

Al hacer este cambio, el problema modelado no tiene una solucin ptima


ya que se vuelve "infactible" a consecuencia de que no tiene una regin
factible que cumpla con todas las restricciones.

Cmo se puede modifi car la ecuacin de una Funcin Objetivo


para que tenga una solucin ptima alterna?

Es posible hacer intencionalmente que un problema tenga una solucin


ptima alterna como en el caso q u e s e p r e s e n t . Pa r a c a l c u l a r u n a
n u e v a Fu n c i n O b j e t i v o q u e s e a p a r a l e l a a a l g u n a d e l a s
restricciones del problema modelado, es necesario rotar la Funcin
Objetivo que se tiene hasta lograr esto.

La Funcin Objetivo del problema original (Mx. Z = 3X1+ 6X2) se forz a


rotar hasta que fuera paralela a la restriccin "c" para generar una solucin
ptima alterna. U n a c o n d i c i n i n d i s p e n s a b l e p a r a h a c e r q u e d o s
r e c t a s s e a n p a r a l e l a s e s q u e t e n g a n l a m i s m a pendiente.
Uno de los mtodos que existen para calcular la pendiente de una
recta, es ponerla en el formato y = mx + b, donde la "m" es la
pendiente de la recta.
Utilizando este mtodo, se calcula la pendiente de la r e s t r i c c i n " c " y l a
p e n d i e n t e q u e d e b e d e t o m a r l a n u e v a Fu n c i n O b j e t i v o . S e
exp re san amb a s e c u a c i o n e s c o n e l f o r m a t o r e q u e r i d o
d e s p e j a n d o l a m i s m a v a r i a b l e , e n e s t e c a s o X 1 (variable
dependiente). El coefi ciente de la X 1 e n l a Fu n c i n O b j e t i v o
c a m b i a r d e v a l o r , p o r l o q u e s e d e j a expresado como una
variable "a" que es necesario calcular.
A continuacin se presentan los clculos:

Restriccin "c" Nueva Funcin Objetivo

X1 + X2= 16 Z = aX1 + 6X2

X1 = -X2 + 16 X1 = (-6/a)X2 + Z/am = -1 m = -6/a

Para hacer estas dos rectas paralelas se igualan sus pendientes quedando:

-1 = -6/a
a = 6

Conociendo que a = 6, se puede sustituir este valor para dar la


ecuacin de la nueva Funcin Objetivo que ser:

Mx. Z = 6X1+ 6X2.

Se puede establecer que, si la rotacin de la Funcin Objetivo es en el


sentido de las manecillas del reloj, el coeficiente de la variable dependiente
(en nuestro caso X1) incrementar su valor. Por el contrario, si la rotacin es
en contra de las manecillas del reloj, el coeficiente de la variable
independiente (en nuestro caso X2) aumentar su valor. En ambos
casos se tendr una ecuacin modifi cada por la rotacin de la
Funcin Objetivo.
En el problema desarrollado, el coeficiente de la X1 (Variable dependiente)
pas de 3 a 6, es decir que se rot la Funcin Objetivo en el sentido de
las manecillas del reloj. Esta rotacin se puede visualizar fcilmente
en la grfica.

Ejercicio 2. Modelacin, solucin e interpretacin para un problema


de Programacin Lineal.
Partiendo de un problema, se presenta el desarrollo de cada una de las
partes que conforman el ciclo completo de la solucin de un problema de
Programacin Lineal: la modelacin del problema, la solucin del mismo y la
interpretacin de la solucin ptima obtenida:

Fabricacin de Fertilizantes.
Una empresa de productos qumicos fabrica, entre otros artculos, dos tipos
de fertilizantes que requieren de la combinacin de ciertos
ingredientes que son comprados a proveedores extranjeros. Como
cada m e s s e t i e n e q u e p l a n e a r l a s t o n e l a d a s q u e s e d e b e n
d e p r o d u c i r d e c a d a f e r t i l i z a n t e , s e d e b e d e considerar para
hacer el programa de produccin, el precio de venta de los fertilizantes, el
costo de los ingredientes, cualquier pedido que se deba surtir y las
restricciones propias de la fabrica como son la d i s p o n i b i l i d a d d e
mano de obra, la disponibilidad de materias primas en el
a l m a c n y l o s t i e m p o s requeridos en el proceso de fabricacin.

Otro aspecto a considerar es, que la empresa est


i m p l e m e n t a n d o u n a n u e v a e s t r a t e g i a d e mercadotecnia
que consiste en vender sus fertilizantes mediante un mayorista en
vez de hacerlo ella misma. Esto ha cambiado la forma normal de
programar la produccin, ya que ahora solo se deben considerar las
restricciones de produccin pero no las de ventas.

Uno de los fertilizante fabricado es el 5-5-10, indicando con estos nmeros,


la mezcla de los ingredientes que utiliza el fertilizante, en este caso es 5%
de Nitrato, 5% de Fosfato, 10% de Potasio y el resto es un estabilizador
formado por un relleno de tierra. El otro fertilizante llamado 5-10-5, tiene 5%
de Nitrato, 10%de Fosfato, 5% de Potasio y resto es el relleno de tierra. El
mayorista pagar a $715 la tonelada del 5-5-10 y $690 por el 5-10-5. La
disponibilidad y los costos de las materias primas para el prximo mes son:
1,100 toneladas de Nitrato a $2000 por tonelada, 1,800 toneladas
de Fosfato a $800 cada una y 2,000toneladas de Potasio a $1600 cada
una. La tierra est disponible en cantidades ilimitadas a un costo de$100
por tonelada. Considere que no hay restricciones por la capacidad de
produccin pero si existe un costo de mezclado de $150 por tonelada para
cualquiera de los fertilizantes.
La empresa quiere desarrollar un modelo, que le ayude a utilizar
correctamente los ingredientes que importa, para elaborar su
programa de produccin mensual de tal forma que permita
maximizar su utilidad.
Despus de conocer el problema, es conveniente
organizar los datos que se dan en el mismo para
posteriormente modelarlo. En la siguiente tabla se presentan los datos del
problema ya estructurados:

Tabla de Datos.

Ingredientes F e r t i l i z a n t e Disponibilidad Costo


( % ) (ton/mes) ($/Ton)
5-5-10 5-10-5
Nitrato 5 5 1,100 2,000
Fosfato 5 10 1,800 800
Potasio 10 5 2 ,000 1,600
Relleno 80 80 ilimitado 100
Precio Venta 715 690
($/Ton)
El costo de mezclado de cualquiera de los fertilizantes es de $150 por
tonelada.

Modelacin.

Variables de Decisin.
Xi = Toneladas del Fertilizante "i" a fabricarse por mes (ton/mes)

Funcin Objetivo.
Para hacer la Funcin Objetivo, primero se debe calcular el margen de
utilidad por tonelada de cada uno de los fertilizantes en base a la siguiente
ecuacin:

Utilidad = Precio Venta - Costo Total


($/ton) ($/ton) ($/ton)
Se calcula el costo total por tonelada de fertilizante en base a la siguiente
ecuacin:

Costo Total = Costo de Materia Prima + Costo de mezclado


($/ton) ($/ton) ($/ton)

Fertilizante 5-5-10:
Costo Materia Prima = 0.05 (2000)+0.05 (800)+0.10 (1600)+0.80 (100)
= $380/ton
Costo de Mezclado = $150/ton
Costo Total = $530/ton
Margen de Utilidad = 715 - 530 = $185/ton

Fertilizante 5-10-5:
Costo Materia Prima = 0.05 (2000)+0.10 (800)+0.05 (1600)+0.80 (100)
= $340/ton
Costo de Mezclado = $150/ton
Costo Total = $490/ton
Margen de Utilidad = 690 - 490 = $200/ton

La Funcin Objetivo quedar:

Mx. Z = 185X1 + 200X2


$/mes ($/ton) (ton/mes) = $/mes

Restricciones.
1. Materia Prima.
Nitrato 0.05X1 + 0.05X2 1,100
Fosfato 0.05X1 + 0.10X2 1,800
Potasio 0.10X1 + 0.05X2 2,000
% (ton/mes) = ton/mes ton/mes

2. No negatividad. Xi 0

Anlisis Dimensional: Probado.

Solucin por Mtodo Grfico.

Aplicando la metodologa del Mtodo Grfico tenemos:

Calcular los puntos para graficar cada restriccin.

Puntos a graficar:

(X1 , 0) (0, X2 )
22,000 22,000
36,000 18,000
20,000 40,000

Nitrato 0.05X1 + 0.05X2 1,100


Fosfato 0.05X1 + 0.10X2 1,800
Potasio 0.10X1 + 0.05X2 2,000
Graficar las restricciones y la regin factible.

Calcular las coordenadas de los vrtices de la regin factible y el valor de la


Funcin Objetivo.
Los vrtices "A" y "D" estn en los ejes por lo que se pueden leer
directamente de la grfica, de la tabla de los puntos para graficar o bien se
puede calcular. A continuacin se ejemplifica el clculo del vrtice "A":
0.05X1 + 0.10 X2 = 1,800
X1 = 0
C o m o X 1 = 0 y a q u e e s t s o b r e e l e j e X 2, entonces
sustituyendo en la ecuacin, se tiene que X2 = 18,000, luego las
coordenadas del vrtice "A" son (0,18000).

Se pueden leer directamente las coordenadas del vrtice "D" que son
(20000,0).

El vrtice "E" tiene de coordenadas (0,0).

Los vrtices "B" y "C" estn fuera de los ejes por lo que es
necesario resolver las dos ecuaciones que forman cada uno de los
vrtices y resolverlas por simultneas.

Vrtice B: Fostato 0.05X1 + 0.10X2 = 1,800


Nitrato -(0.05X1 + 0.05X2 = 1,100)
____________________
0.05X2 = 700
X2 = 14,000
Sustituyendo X2 en una de las ecuaciones originales se tiene:
Fosfato 0.05X1+ 0.10 (14,000) = 1,800
X1 = 8,000
Las coordenadas del vrtice "B" son (8000,14000)

Vrtice "C": Potasio 0.10X1 + 0.05X2 = 2,000


Nitrato -(0.05X1 + 0.05X2 = 1,100)
_____________________
0.05X1 = 900
X1 = 18,000

Sustituyendo X1 se tiene: 0.10 (18,000) + 0.05X2 = 2,000


X2 = 4,000

Las coordenadas del vrtice "C" son (18000,4000).

En la siguiente tabla, se tiene un resumen de las coordenadas de cada


vrtice de la regin factible y el valor de la Funcin Objetivo:

Vrtice Coordenadas Z = 185X1 +


(X1, X2) 200X2
($/mes)
A 1 18,000 3600,000
B 8,000 14,000 4280,000 MAX. Z
C 18,000 4,000 4130,000
D 20,000 0 3700,000
E 0 0 0

Encontrar la solucin ptima del problema.


Con base en la tabla anterior, se determina que la solucin ptima est en
el vrtice "B" y es:
X1= 8,000
X2= 14,000
Mx. Z = $4280,000

Interpretacin de la Solucin ptima.


En la interpretacin, es importante fijarse en el tipo de variables que maneja
el problema. Las variables pueden ser de dos tipos: discretas y continuas.
Las "variables discretas" se pueden expresar solo en valores enteros,
mientras que las "variables continuas" se pueden expresar en cualquier
valor, entero o fraccionado. Este problema tiene variables continuas por lo
que se puede hacer la siguiente interpretacin:
El programa de produccin para el siguiente mes ser 8,000 toneladas
del fertilizante 5-5-10 (X1= 8,000) y 14,000 toneladas del fertilizante 5-10-5
(X2= 14,000) para tener la mxima utilidad de $4280,000 (Mx. =
4280,000).Despus de hacer este programa de produccin se tendrn 500
toneladas sobrantes de Potasio.
METODO GRAFICO: PROBLEMAS PROPUESTOS

1. (MAX) X0 = 4X1 + 3X2 7. (MAX) X0 = 3X1 + 5X2


Sujeto a: Sujeto a:

2X1 + 3X2 6 2X1 + 2X2 230


-3X1 + 2X2 3 X1 + 2X2 250
2X2 5 X2 120
2X1 + X2 4
X1 , X2 0
X1 , X2 0
8. (MAX) X0 = 3X1 + 9X2
2. (MAX) X0 = 3X1 + 5X2 Sujeto a:
Sujeto a:
X1 + 4X2 8
2X1 + X2 230 X1 + 2X2 4
X1 + 2X2 250
X2 120 X1 , X2 0
X1 150
9. (MAX) X0 = 6X1 - 2X2
X1 , X2 0 Sujeto a:

3. (MAX) X0 = 2X1 + X2 2X1 - X2 2


Sujeto a: X1 4

X1 - X2 10 X1 , X2 0
2X1 - X2 40
10. (MAX) X0 = 1500X1 + 2000X2
X1 , X2 0 Sujeto a:

4. (MAX) X0 = 4X1 + 14X2 X1 + X2 750


Sujeto a: X1 250
3 X1 + 5X2 1350
2X1 + 7X2 21
7X1 + 2X2 21 X1 , X2 0
X1 , X2 0
11. (MIN) X0 = 6X1
Sujeto a:
5. (MAX) X0 = 3X1 + 2X2
Sujeto a: 3X1 + 2X2 12
X1 - X2 5
2X1 + X2 2 4X1 + X2 12
3X1 + 4X2 12
X2 9/2
X1 , X2 0
X1 , X2 0

6. (MAX) X0 = 3X1 + 2X2


Sujeto a: 12. (MIN) X0 = 4X1 + X2
Sujeto a:
X1 - 2X2 8
-4X1 + 5X2 20 3X1 + X2 = 3
4X1 + X2 12 4X1 + 3X2 6
X2 9/2 X1 + 2X2 3
X1 6
X1 , X2 0
X1 , X2 0

CAPTULO III: EL MTODO SIMPLEX

3.1 Definicin: Podemos definir el mtodo simplex como un algoritmo


iterativo que converge al ptimo (cuando este existe) en un conjunto finito
de iteraciones.

Aun cuando el mtodo grfico no resulta prctico para resolver programas


lineales, dado que usualmente en la prctica stos incluyen un gran nmero
de variables. Sin embargo este mtodo demuestra los conceptos bsicos
para desarrollar la tcnica algebraica. Como vehculo de explicacin
tomemos el siguiente ejemplo numrico:

(MAX) X0 = 4X1 + 3X2

Sujeto a:

2X1 + 3X2 6

-3X1 + 2X2 3

2X2 5

2X1 + X2 4

X1 , X2 0

Este ejemplo muestra geomtricamente que a fin de determinar la solucin


ptima es necesario considerar nicamente los puntos extremos (o esquina)
del espacio de soluciones.

El desarrollo del mtodo simplex est basado en el uso de la forma estndar


(en la cual todas las restricciones excepto la restriccin de no negatividad
se convierten en ecuaciones) a fin de hacer la transicin de las
representaciones grficas a las algebraicas. Esto se logra incorporando las
variables de holgura en el orden X n+1 , Xn+2 , Xn+1 ; en cada restriccin y en
la funcin objetivo con coeficiente cero, donde n = n restricciones. Luego,
el programa lineal se presenta como sigue:

(MAX) X0 = 4X1 + 3X2 + 0X3 + 0X4 + 0X5 + 0X6

Sujeto a:

2X1 + 3X2 + X3 = 6 . (I)

-3X1 + 2X2 + X4 = 3 . (II)


2X2 + X5 = 5. (III)

2X1 + X2 + X6 = 4. (IV)

X1 , X2 , X3 , X4 , X5 , X6 0

3.2 Determinacin algebraica de los puntos extremos

El citado ejemplo muestra que el espacio de soluciones del problema


(ABCDE) puede ser representado por las ecuaciones I a IV junto con las
restricciones de no negatividad. Las restricciones de no negatividad sern
tomadas en cuenta implcitamente considerando las soluciones no
negativas de las ecuaciones I a IV. Por consiguiente, poniendo a parte las
restricciones de no negatividad, el sistema se reduce a cuatro ecuaciones
con seis incgnitas. La diferencia entre el nmero de incgnitas y el nmero
de ecuaciones (igual a 2 en este ejemplo) tiene una relacin directa con la
caracterstica distintiva de un punto extremo (comparada con un punto no
extremo en el espacio de soluciones). Especficamente todo punto extremo
del espacio ABCDE tiene dos variables (de seis) iguales a cero. La tabla
siguiente muestra las variables cero para los puntos extremos A, B, C, D y E.

Punto Variables
extremo cero

A X1 = X2 = 0

B X2 = X6 = 0

C X3 = X6 = 0

D X3 = X4 = 0

E X1 = X4 = 0

Las observaciones anteriores indican que los puntos extremos se


determinan directamente de la forma estndar estableciendo dos variables
iguales a cero al mismo tiempo. Por ejemplo, X 2 = X6 = 0 reduce las
ecuaciones I a IV de la forma estndar a cuatro ecuaciones con cuatro
incgnitas como sigue:

2X1 + X3 = 6

-3X1 + X4 = 3

+ X5 = 5

2X1 = 4
La solucin (nica) es X1 = 2, X3 = 2, X4 = 9 y X5 = 5. Esto, junto con X2 = X6 = 0 da
el punto B en la Figura N 03.

Figura N 03:
El procedimiento seguido en el ejemplo anterior determina realmente las
soluciones bsicas de las ecuaciones simultneas definidas por la forma
estndar. En general, una solucin bsica para un conjunto de m
ecuaciones lineales con n incgnitas se determina estableciendo n
m variables iguales a cero y luego resolviendo las m ecuaciones con
n incgnitas siempre que la solucin sea nica. En este caso las n
m variables iguales a cero se denominan no bsicas, y las
restantes m variables se llaman bsicas. Si la solucin proporciona
todas las variables bsicas no negativas se conoce como solucin
bsica factible; de otra manera es infactible. Un punto extremo
factible, por consiguiente, se define como una solucin bsica factible.

La discusin anterior lleva al resultado general siguiente.

Propiedad fundamental: Los puntos extremos factibles de un programa


lineal son totalmente determinados por las soluciones bsicas factibles de
las ecuaciones que lo definen.

La propiedad fundamental muestra como la definicin geomtrica de un


punto extremo del espacio de soluciones se traduce algebraicamente como
las soluciones bsicas de las ecuaciones que representan el programa lineal.

3.3 Condiciones de optimidad y factibilidad del mtodo simplex

La solucin ptima de un programa lineal general con m ecuaciones y n


incgnitas puede obtenerse resolviendo nC m = n! / [m! (n m)!] conjuntos
de ecuaciones simultneas. Este procedimiento es ineficiente. Primero, el
nmero de soluciones bsicas posibles puede ser demasiado grande.
Segundo, muchas de estas soluciones pueden ser infactibles o no
existentes. En el anterior nicamente 5 de los 15 puntos extremos posibles
(6C 4) son factibles. Tercero, la funcin objetivo juega un papel pasivo en el
clculo, ya que es utilizada nicamente despus que todas las soluciones
bsicas factibles han sido determinadas.
El mtodo simplex est diseado especficamente para evitar estas
ineficiencias. El enfoque consiste en partir de una solucin bsica factible
(esto es, un punto extremo factible) y luego pasar sucesivamente a travs
de una sucesin de soluciones bsicas factibles (no redundantes), de tal
manera que cada nueva solucin tenga la facultad de mejorar el valor de la
funcin objetivo.

La base del mtodo simplex que garantiza generar tal sucesin de


soluciones bsicas est formada por dos condiciones fundamentales.

1. La condicin de optimidad asegura que nunca se encontrar una


solucin inferior (relativa al punto de solucin actual).
2. La condicin de factibilidad garantiza que partiendo de una solucin
bsica factible, nicamente se encontrarn durante el clculo
soluciones bsicas factibles.

Para ayudar a desarrollar las dos condiciones, el programa lineal en forma


estndar se presenta en una forma tabular tal como se muestra a
continuacin, donde:

Cj : Coeficientes de las variables en la funcin objetivo.

bi :Constantes del lado derecho.

Xk : Variables bsicas.

Ci : Coeficientes de las variables bsicas en la funcin objetivo.

Zj : Valor alcanzado por la funcin objetivo en cada etapa.

Zj Cj : Rengln de evaluacin neta, mide el nivel de optimidad alcanzado


por la funcin objetivo en cada iteracin.

El mtodo simplex inicia con una solucin bsica factible (o punto extremo)
la cual para este ejemplo debe tener dos variables iguales a cero (de las
seis). Se obtiene as una solucin bsica factible inicial obvia X 1 = X2 =0.
Esto inmediatamente da (sin ningn clculo adicional) la solucin de inicio
con todas las variables de holgura con valores X 3 =6, X4 =3, X5 =5 y X6 =4.
Las variables de holgura proporcionan una solucin obvia de inicio en este
caso porque (1) sus coeficientes en las restricciones forman una matriz
identidad, donde los elementos diagonales son unos y todos los elementos
restantes son ceros y (2) las constantes del lado derecho de las ecuaciones
siempre son no negativas (propiedad de la forma estndar). Una forma
conveniente de registrar la informacin sobre la solucin de inicio es la tabla
siguiente.
Variable CJ 0 0 0 0 4 3
saliente
Ci Xk bi X3 X4 X5 X6 X1 X2
Variable
BASE entrante

0 X3 6 1 0 0 0 2 3 6/2 =
3
0 X4 3 0 1 0 0 -3 2

0 X5 5 0 0 1 0 0 2

0 X6 4 0 0 0 1 2 1 4/2 =
2
Zj 0 0 0 0 0 0 0

Zj - Cj 0 0 0 0 -4 -3

0 X3 2 1 0 0 -1 0 2 2/2 =
1
0 X4 9 0 1 0 3/2 0 7/2 9/7/2 = 18/7 =
2.57
0 X5 5 0 0 1 0 0 2 5/2 = 2.50

4 X1 2 0 0 0 1/2 1 1/2
2/1/2 =
4
Zj 8 0 0 0 2 4 2

Zj - Cj 0 0 0 2 0 -1

3 X2 1 1/2 0 0 -1/2 0 1

0 X4 11/2 -7/4 1 0 13/4 0 0

0 X5 3 -1 0 1 1 0 0

4 X1 3/2 -1/4 0 0 3/4 1 0

Zj 9 1/2 0 0 3/2 4 3

Zj - Cj 1/2 0 0 3/2 0 0

La columna titulada bsica contiene las variables bsicas (actuales) X 3, X4,


X5, X6. La columna solucin da los valores actuales de las variables
bsicas; de tal manera que X 3 = 6, X4 = 3, X5 = 5, X6 = 4. Cada
ecuacin en la tabla estar identificada por la variable asociada en la
columna marcada bsica. Las variables no bsicas actuales son aquellas
que no aparecen en la columna bsica y sus valores son cero, esto es X 1 =
X2 =0. Los valores asignados a las variables proporcionan X 0 = 0, como se
muestra en la columna solucin.

El paso siguiente es determinar una nueva solucin bsica factible (punto


extremo) con un valor mejorado de la funcin objetivo. El mtodo simplex
hace esto eligiendo una variable actual no bsica que se va a aumentar
arriba de cero siempre que su coeficiente en la funcin objetivo tenga la
virtud de mejorar el valor de X0. Ya que un punto extremo (en este ejemplo)
debe tener dos variables no bsicas, una de las variables bsicas actuales
debe hacerse no bsica en el nivel cero siempre que la nueva solucin sea
factible. La variable no bsica actual debe hacerse bsica; usualmente se le
conoce como la variable que entra y est determinada por la condicin de
optimidad. Esta variable se identifica inspeccionando el rengln de
evaluacin neta (Zj Cj ) como aquel coeficiente con el menor valor
negativo si el caso es de maximizacin o el mayor valor positivo si el
caso es de minimizacin asociado a esta en la funcin objetivo. La variable
bsica actual que va a ser no bsica se conoce como variable que sale y
est determinada por la condicin de factibilidad. Esta se determina como
aquella asociada al rengln cuyo cociente resulte siendo el menor entre los
elementos de la columna bi respecto a los elementos mayores que cero de
la columna asociada a la variable entrante. Si se presentara el caso de
empate en dichos cocientes, se optar por efectuar la evaluacin respecto a
la columna contigua a la columna bi hasta que se rompa dicho empate. El
elemento que surge de la interseccin de la columna que identifica a la
variable entrante con el rengln que identifica a la variable saliente recibe el
nombre de elemento o nmero pivote, los dems elementos contenidos en
la columna del elemento pivote reciben el nombre de semipivotes. El
rengln que contiene al elemento pivote recibe el nombre de rengln pivote.
En cada fase iterativa se deber calcular el nuevo rengln pivote aplicando
la frmula:

Nuevo rengln pivote = Rengln pivote anterior/n pivote

Para el clculo de los dems renglones se aplicar la formula:

Nuevo rengln = rengln anterior (semipivote) (nuevo rengln


pivote)

El valor ptimo se habr alcanzado en el caso de maximizacin, cuando no


exista ningn elemento negativo en el rengln de evaluacin neta (Z j Cj).
En el caso de minimizacin este se alcanzar cuando no exista ningn
elemento positivo en dicho rengln. As; en el presente caso, la solucin se
presentar como:

SX0 = {X1 = 3/2; X2 = 1; X4 = 11/2; X5 = 3; X3 = X6 = 0; (max) X0 = 9}

Generalizacin
El mtodo simplex busca ptimos adyacentes a partir una solucin basal
factible. En todos los ejemplos de resolucin que se han visto hasta ahora se
han empleado en la solucin inicial factible las variables de holgura. Sin
embargo, el empleo de variables de holguras no es posible cuando se tiene
restricciones de tipo o =. En estos casos se recurre al empleo de variables
artificiales para resolver el Pl mediante Simplex. Veamos un ejemplo:

(MIN) Z = 24X1 + 15X2


Sujeto a:

0.5X1 + X2 12
1.5X1 + X2 24
24X1 + 20X2 216
X1 , X2 0

La versin estandarizada del problema queda:


(MIN) Z = 24X1 + 15X2 + 0X3 + 0X4 + 0X5
Sujeto a:
1/2X1 + X 2 + X3 = 12
3/2X1 + X2 + X4 = 24
24X1 + 20X2 - X5 = 216
X1 , X2 , X3 , X4 , X5 0

Debido a que el mtodo exige variables positivas, no es aceptable que en la


tercera restriccin la variable de exceso X5 tome un valor negativo. Para
resolver el problema, inventaremos variables basales para cada restriccin
que lo necesite. Debido a que dichas variables no tienen ningn significado
para el problema que se est resolviendo las denominaremos variables
artificiales.

Recurriendo a esta opcin, la nueva forma estndar queda:


(MIN) Z = 24X1 + 15X2 + 0X3 + 0X4 + 0X5 + MX6
Sujeto a:

1/2X1 + X 2 + X3 = 12
3/2X1 + X2 + X4 = 24
24X1 + 20X2 - X 5 + X6 = 216
X1 , X2 , X3 , X4 , X5 , X6 0

Reordenando el PL se tiene:
(MIN) Z = 0X3 + 0X4 + MX6 + 0X5 + 24X1 + 15X2
Sujeto a:

12 = X3 + 1/2X1 + X2
24 = X4 + 3/2X1 + X2
216 = X6 - X5 + 24 X1 + 20X2
X3 , X4 , X6 , X5 , X1 , X2 0
Variable CJ 0 0 M 0 24 15
saliente
Ci Xk bi X3 X4 X6 X5 X1 X2
Variable
BASE entrante

0 X3 12 1 0 0 0 1/2 1 12/1/2 =
24
0 X4 24 0 1 1 0 3/2 1 24/3/2 =
16
0 X6 216 0 0 1 -1 24 20 216/2 4= 9

Zj 216M 0 0 M -M 24M 20M

Zj - Cj 0 0 0 -M 24M- 20M-
24 15

0 X3 15/2 1 0 -1/48 1/48 0 7/12 15/2/7/12 = 12.85

0 X4 21/2 0 1 -1/16 1/16 0 -1/4

24 X1 9 0 0 1/24 -1/24 1 5/6


9/5/6 = 54/5 =
10.80
Zj 216 0 0 1 -1 24 20

Zj - Cj 0 0 1-M -1 0 5

0 X3 6/5 1 0 -1/20 1/20 -7/10 0

0 X4 66/5 0 1 -1/20 1/20 3/10 0

15 X2 54/5 0 0 1/20 -1/20 6/5 1

Zj 162 0 0 3/4 -3/4 18 15

Zj - Cj 0 0 3/4-M -3/4 -6 0

Para garantizar que el ptimo encontrado sea el correspondiente al


problema original debemos forzar a que el algoritmo deje fuera de la base a
las variables artificiales. La idea consiste en incorporar a la funcin objetivo
las variables artificiales con un coeficiente +M, donde M es una constante
positiva lo suficientemente grande para la escala del problema (en caso de
minimizacin debemos emplear solo +M, si el caso fuera de maximizacin
estas variables artificiales se incorporan con coeficiente -M). Luego, si las
variables artificiales tomaran un valor positivo, la funcin objetivo se vera
tremenda mente castigada en su valor. Por lo tanto, el mtodo se encargara
de hacer que las variables artificiales sean nulas al maximizar (o minimizar)
la funcin objetivo.

CAPTULO IV: MODELOS DE REDES


Los modelos de redes y tcnicas basadas en el anlisis de redes han
permitido, como es el caso de transporte y asignacin, resolver
exitosamente muchos problemas administrativos. Adicionalmente a ello,
presentamos tres casos : El problema de la ruta ms corta, El problema del
rbol de extensin mnima y El problema del flujo mximo, mostrndose en
cada caso la forma de desarrollar y resolver el modelo para obtener la
solucin ptima.

4.1 EL PROBLEMA DE LA RUTA MS CORTA

Como su nombre lo indica, el objetivo es determinar la ruta ms corta o el


camino ms reducido a travs de la red. Esto se ilustra refirindonos a la
situacin que enfrenta la Gorman Construccion Company. La Gorman tiene
diversos proyectos de construccin distribuidos en un rea de tres
condados. En ocasiones los sitios de las construcciones se ubican hasta a
50 millas de distancia de la oficina general de la empresa. Como se
efectan varios viajes al da para llevar personal equipo y suministros, hacia
y desde los lugares de construccin, los costos relacionados con las
actividades de transporte son importantes. Se pueden describir mediante
una red de calles, carreteras y autopistas las alternativas de transporte
entre los sitios y la oficina para cualquier lugar de construccin
determinado. En la red que se muestra en la figura N 01 adjunta se
describen las alternativas de viaje entre 6 de los lugares de construccin
ms recientes de la Gorman. Los pequeos crculos o nodos de la red
corresponden a los lugares. Las calles, carreteras y autopistas son los arcos
de la misma. Sobre los arcos correspondientes se indican las distancias
entre los lugares. Obsrvese que la longitud de los arcos no
necesariamente corresponde a la distancia recorrida. La firma Gorman
pretende determinar las rutas o trayectos que minimizan la distancia total
que se viaja desde la oficina hasta cada sitio.

Figura N 01: Red de caminos para el problema de ruta ms


corta de la Gorman Company.

Distancia sobre la carretera (en


millas)
17 7

2
5
6
15 6
[0, I]

4
3
1 6
4
10 Nota: No necesariamente
Oficina 2 la longitud del arco
de la guarda proporcin con la
Gorma 5
distancia correspondiente.
n
3
4
Un algoritmo de ruta ms corta:

La resolucin del problema requiere determinar la va ms corta desde sus


oficinas (el nodo 1) hasta cada uno de los otros nodos de la red. El
algoritmo que se presenta utiliza un procedimiento de rotulacin para
encontrar la distancia ms reducida desde el nodo 1 hasta cada uno de los
dems. Conforme se ejecutan los pasos del procedimiento de rotulacin, se
elabora un rtulo ( etiqueta) para cada nodo, el cual consta de dos
nmeros encerrados entre corchetes. El primer nmero del rtulo de un
nodo especfico seala la distancia desde el nodo 1 hasta ese nodo, en tanto
que el segundo indica el nodo precedente sobre la ruta, desde el nodo 1
hasta ese nodo. Se coloca la etiqueta para cada nodo directamente encima
o abajo del nodo. Por ejemplo, un rtulo para un nodo especfico podra ser
como se muestra en la Figura N 02.

Figura N 02:

Este valor indica que 13 es la distancia desde el nodo 1


hasta l nodo 2.
[13,
3]
Este valor indica que el nodo que precede a este nodo (el
2 nodo 2) sobre la ruta que viene del nodo 1 es el nodo 3.

En cualquier etapa del procedimiento de rotulacin, se dice que un nodo


est rotulado o no. Un nodo con rtulo es aquel que ya se ha identificado un
camino desde el nodo 1 hasta ese nodo, y un nodo no rotulado es
obviamente el que no tiene todava un camino desde el nodo 1 hasta ese
nodo. Para los nodos rotulados, se dice tambin que el nodo ha sido
(rotulado) etiquetado en forma permanente o en forma tentativa. Es decir,
cuando el algoritmo ha permitido determinar la distancia ms corta desde el
nodo 1 hasta cada nodo especfico, se dice que tal nodo ha sido rotulado en
forma permanente, si no se ha determinado an dicha distancia dicho nodo
tendr una marcacin (rotulacin) tentativa.

El proceso de rotulacin se inicia asociado al nodo 1 la etiqueta permanente


[0, I]. La I seala simplemente que el nodo 1 es el inicial; y el 0, que la
distancia entre el nodo 1 y el mismo nodo es cero. Para diferenciar los
nodos con los rtulos tentativos de los permanentes, se sigue la prctica de
sombrear stos ltimos en la red. Adems, se utiliza una flecha para
sealar el nodo con etiqueta permanente que se investiga en cada uno de
los pasos del algoritmo de rotulacin. La identificacin inicial para la red de
la empresa Gorman se muestra en la Figura N 03. El nico nodo con
marcado permanente es el 1.
Figura N 03:

Distancia sobre la carretera (en


millas)
17 7

2
5
6
15 6
[0, I]

4
3
1 6
4
10
Oficina 2
de la
Gorma 5
n
3
4

Para realizar el primer paso o iteracin del procedimiento de rotulado, se


debe considerar que cada nodo puede alcanzarse en forma directa desde el
nodo 1; por ello, se observan los nodos 2 y 3. Considrese por el momento
el nodo 2. Se observa que la distancia directa desde el nodo 1 al nodo 2 es
de 15 millas. Por tanto, puede asignarse tentativamente la etiqueta [15, 1]
al nodo 2. El primer nmero de la etiqueta seala que se puede llegar al
nodo 2 recorriendo 15 millas, y el segundo nmero indica que el nodo que
precede al nodo 2 sobre la ruta es el nodo 1. Considerando ahora el nodo 3,
vemos que su etiqueta correspondiente es [10, 1]. En la figura N 04 se
muestran los resultados obtenidos hasta este punto. Las etiquetas de los
nodos 2 y 3 son tentativas.

Figura N 04:

[15, 17 7
1]
2
5
6
15 6

[0,
1] 4
3
1 6
4

10
2
5

3
[10,
1] 4
En referencia a la figura anterior se consideran ahora todos los nodos que
tienen rtulos tentativos y se identifica el que tiene el menor valor de
distancia; as, se elige el nodo 3. Aqu ya se ha identificado la ruta ms
corta o mejor- para llegar al nodo 3 y, por tanto, se etiqueta en forma
permanente tal nodo con una distancia de 10 millas. Sombreando dicho
nodo 3 para sealar que es un nodo con etiqueta permanente y, aadiendo
una flecha para indicar que se utilizar el nodo 3 para iniciar el siguiente
paso del proceso de rotulacin, obtenindose la red siguiente:

Figura N 05:

[15, 17 7
1]
2
5
6
15 6

[0, 1]
4
3 6
1
4
10

2
5

3
[10,
4
1]

Se continan todos los nodos que no tienen etiqueta permanente y que


pueden alcanzarse en forma directa desde el nodo 3. Por ello se evalan los
nodos 2 y 5. Obsrvese que la distancia directa del nodo3 a nodo 2 es de 3
millas, y la distancia directa del nodo 3 al nodo 5 es de 4 millas. Como la
etiqueta permanente para el nodo3 indica que la distancia ms corta para
llegar al nodo 3 es de 10 millas, se observa que se puede llegar al nodo 2 en
10 + 3 = 13 millas, y al nodo 5 en 10 + 4 = 14 millas. Por ello, se modifica
la etiqueta tentativa del nodo 2, y se le asigna al nodo 2 [13, 3] para indicar
que ya se ha encontrado ahora una ruta que va del nodo 1 al nodo 2, que
tiene una distancia de 13 millas y que el nodo que precede al nodo 2 en la
ruta es el 3. De manera similar, la etiqueta tentativa para el nodo 5 es [14,
3], en seguida se evalan todos los nodos con etiquetas tentativas para
identificar el que tenga el menor valor de distancia en su etiqueta. Se
observa que ste es el nodo 2 declarndose permanentemente etiquetado,
debido a que se puede llegar al nodo 2, desde el 1, con la menor distancia
posible de 13 millas, pasando por el 3.

Continuando con este proceso se observa que la ruta ms corta desde el


nodo 1 al nodo 7 es : 1-3-5-6-7 mostrada en la red siguiente:
Figura N 06:

[15, [13, 17 7
1] 1]
2 [22, 6]
5
6
15 6

[0,
1] 3
4
1 6
[18, 5] 4
10 [16, 5]
2
5

[10, 3
1] 4 [14, 3]

En la tabla siguiente se muestran las rutas ms cortas para la red de


transporte de la Ca. Gorman.

Tabla N 01:

Nod Ruta ms Distancia


o corta desde (en
el nodo 1 millas)
2 1-3-2 13
3 1-3 10
4 1-3-5-4 18
5 1-3-5 14
6 1-3-5-6 16
7 1-3-5-6-7 22

4.2 EL PROBLEMA DEL RBOL DE EXTENSIN MNIMA

El problema del rbol de extensin (expansin) mnima se refiere a utilizar


las ramas (arcos) de la red para llegar a todos los nodos de la red, de
manera que se minimice la longitud total de las ramas. Para ilustrar dicho
problema se considera el diseo de un sistema de comunicaciones que
afronta un centro regional de cmputo.

El Centro Regional de Cmputo del Suroeste debe instalar lneas especiales


para comunicacin computacional, a fin de conectar a cinco usuarios
satlite con una computadora central. La Ca. Telefnica Local es la que
instalar la nueva red de comunicaciones. Sin embargo, la instalacin es
una operacin costosa. Con el propsito de reducir costos, el grupo de
administracin del centro desea que la longitud total de stas nuevas lneas
de comunicacin sea lo ms pequea posible. Aunque se podra conectar la
computadora central en forma directa a cada usuario, parece que sera ms
econmico instalar una lnea directa hacia algunos usuarios, y permitir que
otros se enlacen con el sistema a travs de los usuarios ya conectados. La
determinacin de este diseo de comunicaciones de longitud mnima
constituye un ejemplo del problema del rbol de extensin mnima. En la
figura adjunta se muestra la red para este problema, con las alternativas de
conexin posibles y las correspondientes distancias. En seguida se explica
el algoritmo que puede utilizarse para resolver este modelo de red.

Figura N 07:

40
5

50 30
20

40 3

1 10 4
30
4
3
Centro 40 0
2
Regional 0 Distancia (en millas)
de de lneas de
Cmputo comunicacin que se
requieren entre los
6 distintos lugares.

Algoritmo para el rbol de Extensin Mnima:

Paso 1: Comenzar en forma arbitraria en cualquier nodo y conectarlo


con el nodo ms prximo. A stos dos nodos se les denominan nodos
conectados o conexos y a los nodos restantes se les denomina nodos no
conectados o inconexos.

Paso 2: Identificar el nodo no conectado que est ms cerca de uno de


los conectados. Deshacer los empates en forma arbitraria si son dos o ms
los nodos que califican como nodo ms cercano. Agregar este nodo al
conjunto de nodos conectados. Repetir este paso hasta que se hayan
conectado todos los nodos.

Con referencia a la red mostrada en la Figura N 07 y comenzando


arbitrariamente en el nodo 1, se encuentra que el nodo ms prximo es el
nodo 2, con distancia 20. Utilizando lnea gruesa para marcar los enlaces
con los nodos 1 y 2, el paso 1 arroja el siguiente resultado:
Figura N 08:

40 5

50 30
20

40 3

1 10 4
30 0
4
3
40 0
2
0

En el paso 2 se encuentra que el nodo inconexo ms cercano de uno de los


nodos es el 4, con distancia de 30 millas desde el nodo 1. Aadiendo el
nodo 4 al conjunto de nodos conexos se obtiene el resultado siguiente:

Figura N 09:

40 5

50 30
20

40 3

1 10 40
30

4
3
40 0
2
0

6
6

Repitiendo el paso de agregar siempre el nodo no conexo que est ms


prximo al conjunto de nodos conexos de la red se obtiene finalmente el
rbol de extensin mnima siguiente:

Figura N 10:

40 5
2

50 30
20

40 3

1 10 4
30 0
4
3
40 0
2
0

Finalmente debemos sealar que para el problema del rbol de extensin


mnima para el Centro Regional de Cmputo la solucin se presenta como
sigue:

rbol de Extensin
Mnima
Distancia
Nodo Inicial Nodo Final (en millas)
1 2 20
1 4 30
4 3 10
4 6 20
3 5 30

Longitud Total 110

4.3 EL PROBLEMA DEL FLUJO MXIMO


Considrese una red con un nodo de entrada, o nodo fuente (nodo que
genera flujo, de manera que ste puede solamente salir del nodo, y no
entrar al mismo), y uno de salida, o nodo antifuente (nodo que absorbe
flujo, de manera que slo puede recibirlo pero no emitirlo). El problema del
flujo mximo pregunta cul es la cantidad mxima de flujo (es decir,
vehculos, mensajes, lquidos, etc), que puede entrar y salir del sistema de
red en un periodo determinado de tiempo? En dicho problema se intenta
transmitir flujo sobre todas las ramas (arcos) de la red en la forma ms
eficiente posible. La cantidad de flujo est limitada debido a restricciones
de capacidad en dichas ramas. Por ejemplo, los tipos de carretera limitan el
flujo de vehculos en un sistema de transporte, en tanto que, los dimetros
de las tuberas limitan el flujo de petrleo en un sistema de distribucin. Al
lmite mximo sobre el flujo de una rama se le denomina capacidad de flujo
de la rama. Aunque no se especifican cantidades para los nodos, se supone
que el flujo que sale de un nodo es igual al flujo que ingresa.

Para ilustracin, tomemos como referencia el sistema interestatal de


carreteras norte-sur que pasa por Cincinnati, Ohio. El flujo de vehculos
norte-sur llega a un nivel de 15000 vehculos por hora en las horas pico.
Debido a un programa de mantenimiento de carreteras en verano, que
exige el cierre temporal de carriles y una reduccin en los lmites de
velocidad, un comit de planeacin del transporte ha propuesto una red de
rutas alternativas que pasa por Cincinnati. Las rutas alternativas incluyen
otras carreteras, as como tambin calles de la ciudad. Debido a diferencias
de velocidad y a los patrones de trfico, las capacidades de flujo varan
dependiendo de las calles o carreteras especficas que se utilizan. En la
figura adjunta se muestra la red la red que se propone, incluyendo las
capacidades de flujo sobre las ramas. Las capacidades de flujo se basan en
la direccin del flujo. Por ejemplo, la seccin de carretera, o rama 1-2
muestra una capacidad de 5000 vehculos por hora en el sentido 1-2; sin
embargo, existe una capacidad de cero en el sentido 2-1. Ello significa que
quienes planearon la red de carreteras no desean que fluyan vehculos del
nodo 2 hacia el nodo 1. En trminos lgicos, como el nodo 1 es la entrada;
o fuente, y un sitio potencial de congestionamiento, sera indeseable
permitir que fluya el trfico hacia la interseccin del nodo 1. En cualquier
caso, este ejemplo muestra que las capacidades de flujo de las ramas
pueden depender de la direccin del flujo. Considera que la red del
sistema de carreteras propuesto puede dar cabida a un flujo mximo, norte-
sur, de 15000 vehculos por hora? Cul es el flujo mximo de vehculos que
permite la red cada hora? Qu tanto flujo se debe canalizar sobre cada
rama?

Algoritmo de Flujo Mximo:

Paso 1: Encontrar cualquier camino que vaya del nodo origen al nodo
de depsito y que tenga capacidades de flujo mayores que cero para todas
las ramas del camino, en el sentido del flujo. Si no hay camino disponible,
ya se ha llegado a la solucin ptima.

Paso 2: Encontrar la menor capacidad de la rama, Pf , sobre el camino


que se eligi en paso 1. Aumentar el flujo sobre la red enviando una
cantidad de Pf sobre el camino elegido en el paso 1.

Paso 3: Para el camino que se eligi en el paso 1, reducir todas las


capacidades de flujo de las ramas en el sentido del flujo, en P f y aumentar
las capacidades de flujo en las ramas en el sentido contrario, en la misma
cantidad Pf . Volver al paso 1.

En seguida se muestran los clculos para la red de flujo en carreteras.


Figura N 11: Red del Sistema de Carreteras y Capacidades de
Flujo (en miles por hora) para Cincinnati.

0
8
3 5
0
2 1
0 2 7
0
2
Salida
5 3 1 0 de
0 3
6 Cincinna
ti (Sur)
1 7 6 7
3 0

Entrada 5 0
de 0
Cincinna
ti (Norte)
4 5
0

Iteracin 1: El camino seleccionado es: 1-3-6-7; Pf que se determina


mediante la rama 1-3, es 6. La red modificada queda como sigue:

0
3 8
5
2
0
0 1
0
2
7

6
5 0
2 3
1 6
1 7 1
3 6 0
6 0 6 0 1
6 7
5 3

0 Flujo total
despus de
la iteracin 1

0 4 5

Iteracin 2: El camino seleccionado es: 1-2-5-7; Pf que se determina


mediante la rama 2-5, es 3. La red modificada queda como sigue:

0 3 0
3 8 5
5
2
0 3
0 1
3 0
2
7

2 6 9
5 0
2 3
6
1 7 1 1
3 6 0
6 0 6 0 1
6 7
5 3

0 Flujo total
despus de
la iteracin
2
0

0 4 5

Iteracin 3: El camino seleccionado es: 1-2-3-5-7; P f que se determina


mediante la rama 1-2 ( 2-3 , es 2. La red modificada queda como sigue:

3
0
0 3
5 3 8 5 5
5
3 2
0 3
2 0 1
0
2
0 0 7
2 6
1 9
5 4 0
2 3 11
1 6
1 7 1
3 6 0
6 0 6 0 1
6 7
5 3

0
Flujo total
despus de
0 4 5 la iteracin
3

Iteracin 4: El camino seleccionado es: 1-4-6-7; Pf que se determina


mediante la rama 6-7, es 1. La red modificada queda como sigue:

3
0
0 5
3
5 3 8 5
5
3 2
0 3
2 0 1
0
2
0 0 7
2 6
1 9
5 4 0
3 6 11 12
2
1 7
1 7 1
3 6 0
6 0 6 0
6 1 0
5 3
7
4
0
1

0
Flujo total
despus de
1 0 4 5 4 la iteracin
4

Iteracin 5: El camino seleccionado es: 1-4-6-5-7; Pf que se determina


mediante la rama 6-5, es 1. La red modificada queda como sigue:

0 3 2
0 5 6
3
5 3 8
5 5
3 2
0 3
2 0 1
0
2
2
0 0 7
2 6
1 9
5 0 0
3 6 11 12
4
2
1
1 7 1 7 13
3 6 0
6 0 6 0
6 1 0
5 3
7
4
0
3
1

2
0
Flujo total
2 despus de
1 0 4 5 4 la iteracin
3
5

Iteracin 6: El camino seleccionado es: 1-4-6-3-5-7; Pf que se determina


mediante la rama 3-5, es 1. La red modificada queda como sigue:
1
2 7
3 6
5 3 8 5
5 5
3 2
0 3
0 1
3 2 0
2
2
0 0 7
0
6
5 0
3
1
1 7 1
5 6 0 6 0 03 4
3 5 6 0 06
2
1 9
0
6 11 12
4
2 2 5
7 13 14
1 0
7
4
3
1
2
2

0 3
Flujo total
3 despus de
2 4 2
1 la iteracin
3
6

Los resultados del anlisis del flujo mximo muestran que el sistema que se
plantea de red de carreteras no puede manejar el flujo pico de 15000
vehculos por hora. Las personas que estn planeando el transporte
tendrn que ampliar la red de carreteras, aumentar las capacidades
actuales del flujo en las ramas, o prepararse para enfrentar severos
problemas de embotellamiento de vehculos. Si se ampla o modifica la red,
otro anlisis de flujo mximo permitir determinar la magnitud de cualquier
aumento en el flujo.

Comparando las capacidades final e inicial de flujo para todas las ramas de
la red se puede determinar el patrn de flujo que se muestra en la figura
adjunta.

3
5 7
14
2
2 7

Salida
5 3 1 de
14 3 Cincinna
6
7 ti (Sur)
1 6
5

Entrada Rama
de 3 inutilizada
Cincinna
ti (Norte) 3
Rama: Ci - C
4f = 7 2
3-6 =5
7 0

Capacidad Inicial 3 6
( Ci ) 2 5
Capacidad Final
3 6
( Cf )
5

Patrn de Flujo (Pf 3 6

)
Rama: 5- Ci - Cf = 1 2 = -1 = |
6 -1 | = 1
1 1

Capacidad Inicial 5 6
( Ci ) 2 0

Capacidad Final 5 6
( Cf )
1
Patrn de Flujo 5 6
(Pf )

CAPITULO V: PROGRAMACION DE PROYECTOS CON PERT CPM

5.1 Antecedentes histricos

Cuando la Marina de los Estados Unidos comenz el proyecto del


submarino atmico Polaris, se dieron cuenta de que no solo deban vencer
las dificultades tcnicas y cientficas, sino tambin el problema de
coordinacin y control de estos enormes esfuerzos.

En este proyecto haba 250 contratistas directos y ms de 9000


subcontratistas, que suponan gran cantidad de recursos y factores
humanos y , por tanto, era preciso encontrar una nueva tcnica para
desarrollar el proyecto con eficacia bajo un nivel razonable de coste y
tiempo.

En colaboracin con la Casa Booz Allen y Hamilton, se iniciaron los


conceptos bsicos del Sistema PERT (Proyect Evaluation and Review
Technique), como instrumento de planificacin, comunicacin, control e
informacin. El resultado de la aplicacin de esta nueva tcnica fue el
ahorro de dos aos en un proyecto de cinco de duracin total.

Este xito no solo impresion en el campo militar, sino tambin en otros


sectores, su utilizacin se extendi rpidamente en el campo industrial y
comercial. Hoy prcticamente en los Estados Unidos todas las empresas
utilizan PERT para controlar sus proyectos, especialmente las que estn
vinculadas con el Departamento de Defensa.

En 1957, la casa E. I. Du Pont desarroll un sistema que pudiera mejorar el


mtodo de planificacin y programacin para los programas de
construccin. Bajo la direccin de los seores J. E. Nelly y M. R. Walter, se
cre la tcnica CPM (Critical Path Method).

La tcnica CPM es similar al PERT en muchos aspectos. La diferencia


fundamental de estos dos sistemas consiste en que, en PERT, estima la
duracin de cada tarea u operacin de los proyectos basndose
simplemente en un nivel de coste, mientras que el CPM relaciona duracin y
coste, de lo cual se deriva una diversidad de duraciones para cada tarea u
operacin, y la eleccin de una duracin adecuada se har de modo que el
coste total proyecto sea mnimo.

PERT y CPM son dos mtodos usados por la direccin para, con los medios
disponibles, planificar el proyecto a fin de lograr su objetivo con xito. Estos
mtodos no pretenden sustituir las funciones de la direccin, sino ayudarla.
PERT y CPM no resuelven los problemas por s solos, sino que relacionan
todos los factores del problema de manera que presentan una perspectiva
ms clara para su ejecucin. Muchas veces las decisiones no son fcilmente
tomadas por la direccin debido a su incertidumbre, pero PERT y CPM
ofrecen un medio eficaz de reducir esta, y que las decisiones tomadas y
acciones emprendidas sean las adecuadas al problema con gran
probabilidad de xito.

El mayor problema con quela direccin se enfrenta hoy en un proyecto


complejo, es cmo coordinar las diversas actividades para lograr su
objetivo. Los enfoques tradicionales sobre planificacin y programacin
resultan inadecuados e insuficientes. Generalmente los diferentes grupos
que trabajan para el proyecto tienen sus propios planes de realizacin
independientes entre s. Esta separacin conduce a una falta de
coordinacin para el proyecto como conjunto. En cambio, las tcnicas PERT
y CPM preparan el plan mediante la representacin grfica de todas las
operaciones que intervienen en el proyecto y las relacionan coordinndolas
de acuerdo con las exigencias tecnolgicas.

Adems, estas tcnicas proporcionan un mtodo de actuacin por excepcin


para la direccin; esto quiere decir que la direccin slo actuar cuando
surjan desviaciones respecto al plan previsto.

5.2 Aplicaciones de PERT Y CPM


El factor tiempo adquiere cada vez mayor importancia en las industrias. No
slo por la penalidad impuesta por el cliente respecto al plazo de entrega
sino tambin por el concepto de costes. Una empresa mueve miles de
dlares al mes; y si la direccin puede conseguir una reduccin del tiempo
de realizacin del proyecto con los mismos medios existentes y no causa
por ello aumento en los costes, significar un beneficio. Esta economa
indirecta puede ser conseguida mediante la mejora del mtodo para la
planificacin, programacin y control de proyectos.

En el pasado, la programacin de un proyecto (en el tiempo) se hizo con


poca planeacin. La mejor herramienta conocida de planeacin entonces
era el diagrama de barras de Gantt, el cual especifica los tiempos de inicio y
terminacin de cada actividad en una escala de tiempo horizontal. Su
desventaja es que la interdependencia entre las diferentes actividades (la
cual controla principalmente el progreso del proyecto) no puede
determinarse a partir del diagrama de barras. Las complejidades crecientes
de los proyectos actuales han demandado tcnicas de planeacin ms
sistemticas y ms efectivas con el objeto de optimizar la eficiencia en la
ejecucin del proyecto. La eficiencia aqu implica efectuar la mayor
reduccin en el tiempo requerido para terminar el proyecto mientras se
toma en cuenta la factibilidad econmica de la utilizacin de los recursos
disponibles.

La aplicacin de PERT se concentra en aquellas tareas en que hay


incertidumbre en cuanto a los tiempos de terminacin. Sin embargo, con
CPM se supone que las experiencias pasadas nos libran de esta
incertidumbre de tiempos, pero s existe la de costes, ya que lo importante
es el coste total mnimo y sobre ste se fijan los tiempos de los trabajos.

El caso de PERT, por ejemplo, es ms indicado para los proyectos de


investigacin, en los cuales existe el problema de la estimacin de los
tiempos de trabajo y, por otro lado, tampoco hay antecedentes para calcular
los costes por unidad de tiempo.

En cambio en CPM es aplicable a las construcciones en general en las cuales


sea fcil estimar los tiempos y los costes, y lo que interesa es saber cul es
la combinacin de coste-duracin de cada tarea para que se pueda lograr el
coste total mnimo del proyecto.

La programacin de proyectos por PERT-CPM consiste en 3 fases bsicas:


planeacin, programacin y control.

La fase de planeacin se inicia descomponiendo el proyecto en actividades


distintas. Las estimaciones de tiempo para estas actividades se determinan
luego y se construye un diagrama de red (o de flechas) donde cada uno de
sus arcos (flechas) representa una actividad. El diagrama de flechas
completo da una representacin grfica de las interdependencias entre las
actividades del proyecto. La construccin del diagrama de flechas como
una fase de planeacin, tiene la ventaja de estudiar los diferentes trabajos
en detalle, sugiriendo quiz mejoras antes de que el proyecto realmente se
ejecute. Ser ms importante su uso en el desarrollo de un programa para
el proyecto.

El objetivo ltimo de la fase de programacin es construir un diagrama de


tiempo que muestre los tiempos de iniciacin y terminacin para cada
actividad, as como su relacin con otras actividades del proyecto. Adems,
el programa debe sealar las actividades crticas (en funcin del tiempo)
que requieren atencin especial si el proyecto se debe terminar
oportunamente. Para las actividades no crticas el programa debe mostrar
los tiempos de holgura que pueden utilizarse con ventaja cuando tales
actividades se demoran o cuando se deben usar eficientemente recursos
limitados.

La fase final en la administracin de proyectos es la de control. Esto incluye


el uso del diagrama de flechas y la grfica de tiempo para hacer reportes
peridicos del progreso. La red puede, por consiguiente, actualizarse y
analizarse y si es necesario, determinar un nuevo programa para la porcin
del proyecto.

5.3 Representacin por el Diagrama de Flechas (Red)

El diagrama de flechas muestra en forma grfica el orden de precedencia


entre las actividades del proyecto. Se utiliza comnmente una flecha para
representar una actividad, y la punta indica el sentido de avance del
proyecto. La relacin de precedencia entre las actividades se especifica
utilizando eventos. Un evento representa un punto en el tiempo y significa
la terminacin de algunas actividades y el comienzo de nuevas. Los puntos
inicial y final de una actividad, por consiguiente, estn descritos por dos
eventos usualmente conocidos como evento de comienzo y evento terminal.
Las actividades que se originan de un cierto evento no pueden comenzar
hasta que las actividades que concluyen en el mismo evento hayan
terminado. En la terminologa de la teora de redes cada actividad est
representada por un arco dirigido y cada evento no necesita ser
proporcional a la duracin de la actividad ni tiene que dibujarse como una
lnea recta. La figura N 01 muestra un ejemplo de una representacin
tpica de una actividad (i, j) con su evento de comienzo i y su evento de
terminacin j. La figura N 01 (b) muestra otro ejemplo donde las
actividades (1, 3) y (2, 3) deben terminarse antes que pueda comenzar la
actividad (3, 4). La direccin de avance de cada actividad se especifica
asignando un nmero ms pequeo al evento de comienzo comparado con
el nmero de su evento terminal. Este procedimiento es especialmente
conveniente para clculos automticos y es el que adoptar en adelante.

Figura N 01:

i j 3 4

a 2 b

En seguida se presentan algunas reglas tiles para la confeccin del


diagrama de flechas:

Regla 1: Cada actividad est representada por una y solamente una flecha
en la red. Ninguna actividad puede representarse dos veces en la red.

Regla 2: Dos actividades diferentes no pueden identificarse por los mismos


eventos terminal y de comienzo. Una situacin como sta puede surgir
cuando dos o ms actividades pueden ejecutarse concurrentemente. Un
ejemplo se muestra en la figura N 02 (a) donde las actividades A y B tienen
los mismos eventos finales. El procedimiento consiste en introducir una
actividad figurada o ficticia ya sea entre A y uno de los eventos finales, o
entre B y uno de los eventos finales. Las representaciones modificadas,
despus de introducir la actividad ficticia D se muestran en la figura N 02
(b). Como resultado de usar D, las actividades A y B pueden ahora
identificarse por eventos finales nicos. Debe notarse que una actividad
ficticia no consume tiempo o recursos.

Figura N 02:

2 2

D B D
A

1 3 1 3
A
B B

1 2
A A
1 3 1 3

D B B D
B 2 2

(a)
(b)

Las actividades ficticias son tambin tiles al establecer relaciones lgicas


en el diagrama de flechas, las cuales de otra manera no pueden
representarse correctamente. Suponga que en cierto proyecto los trabajos
A y B deben preceder a C. Por otra parte, el trabajo E est precedido por el
trabajo B solamente. La figura N03 (a) muestra la forma incorrecta ya que
aunque la relacin de A, B y C es correcta, el diagrama implica que E debe
estar precedida tanto por A como B. La representacin correcta usando f 1
ficticia se muestra en la figura N 03 (b). Ya que f 1 no consume tiempo (o
recursos) las relaciones de precedencia indicadas estn satisfechas.

Figura N 03:

(a) (b)
A C
A 1

1 f1

B E
2
Regla N 03: A fin de asegurar la relacin de precedencia correcta en el
diagrama de flechas, las siguientes preguntas deben responderse cuando se
agrega cada actividad a la red.

(i) Qu actividad(es) debe(n) terminarse inmediatamente antes de


que esta actividad pueda comenzar?
(ii) Qu actividad(es) deben seguir a esta actividad?
(iii) Qu actividad(es) deben efectuarse concurrentemente con esta
actividad?

Esta regla se explica por s misma. Realmente permite verificar (y volver


a verificar) las relaciones de precedencia cuando se progresa en el
desarrollo de la red.

Ejemplo N 01: Supongamos que tenemos seis actividades bien definidas


A, B, C, D, E y F, siendo las relaciones de precedencia entre ellas las
siguientes:

1. A y B pueden comenzar simultneamente despus de la actividad de


T.P. (tiempo de preparacin)*.
2. Actividades C, D y E pueden empezar solamente cuando termine la A.
3. Al terminar la actividad B, se comienza slo la E.
4. Antes de empezar la F, deben estar terminadas las C, D y E.

Generalmente en los modelos de red para proyectos hay un tiempo


de preparacin antes de ejecutarlos. En este tiempo, se realiza una
serie de actividades restrictivas, por ejemplo: peticin de
autorizacin, espera de la ltima decisin para el lanzamiento del
proyecto, preparacin de financiacin, condiciones estacionales, etc.

Ahora podemos dibujar la red paso a paso.

Para el primer paso podemos trazar las siguientes flechas:

Figura N 04:

2
A
T.P.
0 1

B 3

Tanto la longitud como la direccin de la flecha no tienen ningn significado


vectorial. Por eso, la forma de dibujar la red es completamente a gusto del
planificador.
El segundo paso es el siguiente:

Figura N 05:

D
2

A E
T.P.

0 1

B
3

El tercer paso es aadir una actividad E despus del suceso 3, pero


unindolo con la actividad A con una flecha ficticia.

Figura N 06:

D
2

A
T.P.

0 1 f1

B
E
3

El cuarto paso es dibujar la actividad F detrs de las C, D y E.

Figura N07:
C
2 4

A
T.P.
D
0 1 f1 f2

B
E F
3 5 6

Para facilitar la denominacin de las actividades con los nmeros naturales,


es conveniente crear otra actividad ficticia f2 para la C o la D, aumentando
un suceso entre (2) y (5) que es, en nuestra Figura N 07, el suceso 4.

Ejercicios:

1. Prisney Productions hace pelculas de animacin y, recientemente ha


firmado un contrato para producir una nueva pelcula que incluye una
pequea caricatura a manera de inicio. Como productor ejecutivo, se
le ha solicitado a usted, elabore la red correspondiente al proyecto,
considerando las tareas que necesitan llevarse a cabo as como el
orden de precedencia entre aquellas. Estas aparecen en la tabla
adjunta, donde tambin se incluye la estimacin de sus tiempos de
terminacin.

TAREA DESCRIPCIN PREDECESO TIEMPO


R DE TAREA
INMEDIATO (SEMANAS
)

A Hacer la animacin Ninguna 12

B Preparar los crditos Ninguna 2

C Instrumentar la msica Ninguna 8

D Grabar la msica C 2

E Mezclar la msica A, B, D 1

F Mezclar la msica y la animacin Ninguna 8

G Preparar el avance E 1

H Editar E, F 2

I Hacer las copias G, H 1

2. Construya el diagrama de flechas que comprenda las actividades A,


B, C, , L tal que se satisfagan las relaciones siguientes:
A, B, C, las primeras actividades del proyecto pueden comenzar
simultneamente.
A y B preceden a D.
B precede a E, F y H.
F y C preceden a G.
E y H preceden a I y J.
C, D, F y J preceden a K.
K precede a L.
I, G, y L son las actividades terminales del proyecto.

3. Construya el diagrama de flechas correspondiente al proyecto que


comprende las actividades que aparecen en el cuadro adjunto.

Tarea Predecesoras Duracin


inmediatas (semanas)
A Ninguna 8
B Ninguna 7
C A 5
D B 2
E A,B 4
F C, D, E 6

CAPTULO VI: ADMINISTRACION DE PROYECTOS USANDO


TIEMPOS DETERMINSTICOS (CPM)
6.1 Clculos de la Ruta Crtica

La aplicacin de las tcnicas PERT y CPM deben proporcionar un programa,


especificando las flechas de inicio y terminacin de cada actividad. La
construccin del diagrama de flechas constituye el primer paso hacia el
logro de esa meta. La determinacin de los tiempos de inicio y de
terminacin de las diversas actividades de un proyecto requieren clculos
especiales, esto; esto en razn a las interacciones existentes entre aquellas.
Estos clculos se efectan directamente en el diagrama de flechas
empleando aritmtica simple. El resultado final es clasificar las actividades
en crticas y no crticas. Se dice que una actividad es crtica si una demora
en su comienzo causar demora en la fecha de terminacin del proyecto
completo. Una actividad no crtica es tal que el tiempo entre su inicio ms
temprano y su terminacin ms tardo (como se permiten por el proyecto)
es ms grande que su duracin actual. En este caso, se dice que la
actividad no crtica tiene un tiempo de holgura.

6.2 Determinacin de la Ruta Crtica

Una Ruta Crtica define una cadena de actividades crticas, las cuales
conectan los eventos de inicio y final del diagrama de flechas. Dicho de otra
manera, la ruta crtica identifica todas las actividades crticas del proyecto.
El mtodo para determinar la Ruta Crtica comprende dos fases: tal como se
muestra del ejemplo numrico a continuacin:
Figura N 01: Red de Proyecto:

0 2 7 5
3 19
B D F
0 3 13 19
3 6
f1
0
1 1 1 1
13
A G
3
INICIO 4 TERMINACIO
3 N
C
E
H

1
ACTIVIDAD CRTICA
6

1ra Fase: Paso hacia adelante: Donde los clculos comienzan desde el
nodo de inicio y se mueven al nodo de terminacin. En cada nodo se
calcula el nmero que representa el tiempo de ocurrencia ms temprano del
evento correspondiente. Estos nmeros se muestran en la figura anterior
dentro de los cuadrados. . En el caso citado, sea ES i el tiempo de inicio
ms temprano de todas las actividades que se originan en el evento i. Por
consiguiente, ESi representa el tiempo de ocurrencia ms temprano del
evento i. Si i = 1 es el evento de inicio, entonces convencionalmente,
para los clculos de ruta crtica, ES 1 = 0. Sea D ij la duracin de la actividad
(i, j). Los clculos del paso hacia adelante, por consiguiente, se obtienen de
la frmula:

ESj = mx. { ESi + Dij }, para todas las actividades (i, j) definidas

donde ES1 = 0. Por consiguiente, a fin de calcular ES j para el evento j, ESi


para los eventos de comienzo de todas las actividades (i, j) que entran,
deben calcularse primero.

Los clculos del paso hacia adelante aplicados a la figura anterior


proporcionan ES1 = 0 como se muestra en el cuadrado sobre el evento 1. Ya
que existe solamente una actividad que entra (1, 2) al evento 2 con D 12 = 3.

ES2 = ES1 + D12 = 0 + 3


Esto se anota en el cuadro asociado al evento 2. El siguiente evento que se
va a considerar es el 3. (Note que el evento 4 no puede considerarse en
este punto, ya que ES3 (evento 3) todava no se conoce). Por consiguiente,

ES3 = ES2 + D23 = 3 + 3 = 6

El valor de ES4 se puede obtener ahora. Ya que existen dos actividades


que entran (2, 4) y (3, 4).

ES4 = mx. { ES2 + D24 ; ES3 + D34 } = mx. {3 + 2; 6 + 0 } = 6

i = 2, 3

Esto se escribe en el cuadro asociado con el evento 4.

El procedimiento contina de la misma forma hasta que ES 1 se calcula para


toda j. Por consiguiente:

ES5 = mx. { ES3 + D35 ; ES4 + D45 } = mx. {6 + 3; 6 + 7 } = 13

i = 3, 4

ES6 = mx. { ES3 + D36 ; ES4 + D46 ; ES5 + D56 } = mx. {6 + 2; 6 + 5; 13 +


6 } = 19

i = 3, 4, 5

Estos clculos terminan el paso hacia adelante.

2da Fase: Paso hacia atrs: Comienzan los clculos desde el nodo de
terminacin y se mueven hacia el nodo de inicio. El nmero calculado
en cada nodo (mostrado dentro de un tringulo, ) representa el tiempo de
ocurrencia ms tardo del evento correspondiente. El paso hacia atrs
comienza desde el evento de terminacin. El objetivo de esta fase es
calcular LCi , el tiempo de terminacin ms tardo para todas las actividades
que estn en el evento i. Por consiguiente, i = n es el evento de
terminacin, LCn = ESn inicia el paso hacia atrs. En general, para
cualquier nodo i, :

LCi = mn. { LCj - Dij }, para todas las actividades (i, j) definidas

Los valores de LCi se determinan de la siguiente manera:

LC6 = ES6 = 19

LC5 = LC6 D56 = 19 6 = 13

LC4 = mn. { LC5 D45 ; LC6 - D46 } = mn. {13 - 7; 19 - 5 } = 6

j = 5, 6

LC3 = mn. { LC 4 D34 ; LC5 D35 ; LC6 D36 } = mn. {6 - 0; 13 3; 19 - 2 }


=6

j = 4, 5, 6
LC2 = mn. { LC3 D23 ; LC4 D24 } = mn. {6 - 3; 6 - 2 } = 3

j = 3, 4

LC1 = LC2 D12 = 3 3 = 0

Esto completa los clculos del paso hacia atrs.

Las actividades de ruta crtica pueden ahora identificarse usando los


resultados de los pasos hacia adelante y hacia atrs. Una actividad (i, j)
est en la ruta crtica si satisface las tres condiciones siguientes:

i) ESi = LCi
ii) ESj = LCj
iii) ESj - ESi = LCj - = LCi = Dij

En la grfica, las actividades (1, 2), (2, 3), (3, 4), (4, 5) y (5, 6) definen la
ruta crtica. Este es realmente el tiempo ms corto posible para terminar el
proyecto. Observe que la ruta crtica debe formar una cadena de
actividades conectadas, la cual abarca la red desde el inicio hasta la
terminacin.

Determinacin de las holguras

Siguiendo la determinacin de la ruta critica, deben calcularse las holguras


de las actividades no crticas. Naturalmente, una actividad crtica debe
tener una holgura cero. De hecho, es la principal razn para que sea crtica.

Antes de mostrar cmo se determinan las holguras, es necesario definir dos


nuevos tiempos, los cuales estn asociados con cada actividad. Estos son el
tiempo de inicio ms tardo (LS) y el tiempo de terminacin ms temprano
(EC), los cuales estn definidos para la actividad (i, j) por:

LSij = LCi Dij

Existen dos tipos importantes de holgura: Holgura Total (TF) y Holgura Libre
(FF). La Holgura Total TF ij para una actividad (i, j) es la diferencia entre el
mximo tiempo disponible para realizar la actividad ( = LC j ESi ) y su
duracin ( = Dij ); esto es:

TFij = LCj ESi Dij = LCj ECij = LSij ESj

La Holgura Libre se define suponiendo que todas las actividades comienzan


tan temprano como sea posible. En este caso, FF ij para la actividad (i, j) es
el exceso de tiempo disponible (= ESj ESi ) sobre su duracin ( = Dij );
esto es:

FFij = ESj ESi Dij

Los clculos de ruta crtica junto con las holguras para las actividades no
crticas pueden resumirse en la forma conveniente mostrada en la tabla
adjunta. Las columnas (1), (2), (3) y (6) se obtienen de los clculos de la red
en el ejemplo antecitado. La informacin restante puede determinarse de
las frmulas anteriores.
Tabla N 01: PROGRAMA DE ACTIVIDADES -CPM
Activida Duraci Temprano Tardo Holgura Holgura Libre
d n Total FFij = ESj ESi
(i, j) (Dij) TFij = LSij Dij
ESj
(1) (2) (8)
(7)
Inicio Terminacin Inicio Terminaci
ESi ECij = ESi + LCj - LSij = LCi n
(3) LSij Dij LCj
(4) (5) (6)
(1, 2) 3 0 3 0 3 0* 0
(2, 3) 3 3 6 3 6 0* 0
(2, 4) 2 3 5 4 6 1 1
(3, 4) 0 6 6 6 6 0* 0
(3, 5) 3 6 9 10 13 4 4
(3, 6) 2 6 8 17 19 11 11
(4, 5) 7 6 13 6 13 0* 0
(4, 6) 5 6 11 14 19 8 8
(5, 6) 6 13 19 13 19 0* 0
Actividad crtica

VII. ADMINISTRACIN DE PROYECTOS USANDO TIEMPOS DE TAREA


PROBABILSTICOS (PERT)

Al revisar proyectos, un gerente a menudo encuentra retrasos imprevistos al


llevar a cabo las diferentes tareas, lo cual tiene como resultado un
correspondiente retraso en el proyecto completo. Una manera de manejar
tales problemas consiste en tomar en cuenta esta variabilidad cuando se
estiman los tiempos de terminacin individuales.

En lugar de suponer que los tiempos de tarea se conocen con certeza,


puede ser ms apropiado estimar los tiempos de tarea, tomando en cuenta
la incertidumbre. Para revisar tales proyectos se requiere un anlisis
probabilstico, que se describe a continuacin.

Considere el problema de Home Construction, Inc., una compaa que


construye casas para una sola familia. Como en el caso determinstico, el
gerente de construccin debe primero identificar las principales tareas (y
sus predecesores inmediatos) que se necesitan para construir una casa,
como se muestra en la Tabla N 02, adjunta. Segn lo aprendido en la
seccin anterior, estas tareas y sus relaciones de precedencia pueden
trazarse en una red de proyecto, como se ilustra en la Figura N 01.

Tabla N 02: Predecesores inmediatos para el proyecto de Home


Construction, Inc.

TAREA DESCRIPCIN PREDECESO


R INMEDIATO
A Cimientos Ninguna
B Armazn A
C Techos B
D Plomera A
E Cableado C
F elctrico D, E
G Puertas y F
H ventanas F
I Terminado G, H
interior
Terminado
exterior
Inspeccin

Figura N 01: Red de proyecto para el proyecto de Home


Construction, Inc.

C I
2 3 7 8

B E
f1

A D F G
0 1 4 5 6

7.1 Estimacin de los tiempos de terminacin de tareas

Los tiempos de terminacin de estas tareas son bastante variables debido a


la incertidumbre de las condiciones climatolgicas, la obtencin de
suministros, el mantenimiento de las relaciones laborales, etc. As pues,
una sola estimacin del tiempo no es apropiada. Para tomar en cuenta esta
variabilidad se requiere el conocimiento de la distribucin de probabilidad
de los tiempos de terminacin de cada tarea. Esto, a su vez, requiere el
conocimiento de los parmetros de distribucin, entre los que se encuentran
la media y la varianza. La obtencin de la distribucin y de sus parmetros,
a menudo, es difcil y tardada. Sin embargo, un planteamiento que ha
resultado ser confiable en la prctica consiste en aproximar las
distribuciones desconocidas mediante una distribucin beta. El anlisis, en
esta seccin no requiere la forma exacta de la distribucin, sino solamente
del conocimiento de tres parmetros: el valor mnimo, el valor mximo y el
valor probable, presentados en la Figura N 02.
Figura N 02: Distribucin Beta de un tiempo de tarea

a m b

Tiempo Tiempo Tiempo


ms ms ms

optimista probable pesimista

En el contexto de las tareas de un proyecto, obtenga tres estimaciones de


tiempo para cada tarea:

Tiempo ms optimista (a), es decir, el tiempo ms corto en el que la


tarea puede hacerse.
Tiempo ms pesimista (b), es decir, el tiempo ms largo que se puede
llevar una tarea dentro de lo razonable.
Tiempo ms probable (m), es decir, el tiempo que la tarea requiere
con ms frecuencia en circunstancias normales.

Para una distribucin beta, estas tres estimaciones de tiempo se combinan


para obtener el valor esperado (medio) y la desviacin estndar del tiempo
de terminacin de una tarea, de acuerdo con las siguientes frmulas:

Tiempo medio esperado de tarea te = a + 4m + b/6

Desviacin estndar de tarea t = b a/6

Suponga que la tarea C, colocacin del techo, las tres estimaciones


obtenidas del subcontratista que lo va a colocar son:

a = 3 semanas

b = 11 semanas

m = 5.5 semanas

Utilizando estas tres estimaciones, el tiempo medio esperado y la desviacin


estndar de tarea se calculan de la manera siguiente:

tec = a + 4m + b/6 = 3 + 4(5.5) + 11/6 = 6 semanas


c = b a/6 = 11 3/6 = 1.333 semanas

El gerente de construccin ha obtenido estas estimaciones y ha hecho los


clculos apropiados para cada una de las tareas restantes, el resultado se
muestra en la Tabla N 03

Tabla N 03: Estimacin de los tiempos de terminacin para las


tareas de Home Construction, Inc.
TAREA DESCRIPCION ESTIMACIN DE TIEMPOS TIEMPO DESVIACION
(SEMANAS) MEDIO ESTNDAR
ESPERADO DE DE TAREA
TAREA (te) (T )
a m b
A Cimientos 2 3 4 3 0.333
B Armazn 4 7.5 8 7 0.667
C Techos 3 5.5 11 6 1.333
D Plomera 2.5 4 5.5 4 0.500
E Cableado elctrico 2 3 4 3 0.333
F Puertas y ventanas 3 5 7 5 0.667
G Terminado interior 3 3.5 7 4 0.667
f1 Ficticia 0 0 0 0 0.000
H Terminado exterior 2 5 8 5 1.000
I Inspeccin 1 1 1 1 0.000

7.4 Clculo del tiempo medio esperado de terminacin del proyecto

Utilizando los tiempos de terminacin medios para las tareas de la tabla N


03, junto con la red de proyecto de la Figura N 01, se puede calcular el
tiempo de terminacin ms temprano esperado para el proyecto completo
en, exactamente, la misma forma en que se hace para proyectos con
tiempos de tarea determinsticos como se describi en la seccin
precedente. De manera similar, los tiempos ltimos de inicio y terminacin
se calculan como fueron descritos en la seccin precedente. Los resultados
se muestran en la Figura N 03.

Figura N 03: Red de proyecto y clculos para obtener la ruta crtica


para el proyecto de Home Construction, Inc.

29 30
10 16

29 30
10 16
C I

2 3 7 8
6 1
H

3 5
B E
7
f1 0

A D F G
0 1 4 5 6
3 4 5 4
0 3 19 24 29

0 3 19 24 28
7.5 Anlisis probabilstico del tiempo de terminacin del proyecto

Recuerde que el tiempo de terminacin del proyecto calculado en la seccin


anterior es el tiempo de terminacin esperado. El tiempo de terminacin
real puede variar debido a que los mismos tiempos de terminacin de las
tareas son variables. Puesto que el tiempo de terminacin esperado de 30
semanas, hasta cierto grado, no es confiable, el gerente de construccin
deber hacerse preguntas como las siguientes:

a. Cul es la probabilidad de cumplir con una fecha especfica de


terminacin del proyecto? Por ejemplo, cul es la probabilidad de
construir la casa en 32 semanas?
b. Qu fecha de terminacin puede cumplirse con un nivel dado de confianza? Por
ejemplo, cul es la fecha ltima de terminacin en la cual usted tiene una confianza del
95% de cumplir?

Para responder a preguntas probabilsticas, usted necesita la distribucin de probabilidad para el


tiempo de terminacin del proyecto. Obtener esa distribucin, por lo general, es algo imposible,
debido a las complejas relaciones de precedencia entre las tareas individuales. En la prctica, la
distribucin real del tiempo de terminacin del proyecto se aproxima mediante una distribucin
normal. Para utilizar esta aproximacin se requieren las siguientes suposiciones:

1. Las tareas que se determinaron como crticas utilizando los tiempos de tarea esperados
siguen siendo crticas, incluso si varan los tiempos de terminacin reales de las tareas.

Para el proyecto de Home Construction Inc., esta suposicin puede ser o no verdadera.
Por ejemplo, la suposicin no es verdadera si los tiempos de terminacin reales de todas
las tareas son iguales a sus valores esperados, excepto para G, que necesita ms de
cinco semanas para llevarse a cabo. En este caso, cambian las tareas crticas. La tarea
G ahora se vuelve crtica mientras que la tarea H ya no es crtica.

Sin embargo, si la suposicin es verdadera, el tiempo de terminacin del proyecto es la


suma de los tiempos de terminacin de las tareas crticas individuales a lo largo de una
trayectoria crtica. En este ejemplo, solamente existe una trayectoria crtica, de modo
que,
Tiempo medio esperado de terminacin del proyecto = (tiempo medio esperado de
terminacin de la tarea A) + (tiempo medio esperado de terminacin de la tarea B) +
(tiempo medio esperado de terminacin de la tarea C) + (tiempo medio esperado de
terminacin de la tarea E) + (tiempo medio esperado de terminacin de la tarea F) +
(tiempo medio esperado de terminacin de la tarea H) + (tiempo medio esperado de
terminacin de la tarea I).

2. El tiempo de terminacin de cada tarea es independiente del tiempo


de terminacin de cualquier otra tarea, es decir, la cantidad de
tiempo que se lleva completar una tarea no depende del tiempo que
se lleva terminar cualquier otra tarea.

Para el proyecto de Home Construction, Inc., esta suposicin tambin


puede ser o no verdadera. Por ejemplo, suponga que se utiliza la
misma mquina para terminar tanto el interior como el exterior
(tareas G y H). Si una descomposicin de la mquina ocasiona un
retraso en el acabado del interior (tarea G), entonces es muy
probable que se presente un retraso parecido en el acabado del
exterior (tarea H). En este caso, las tareas G y H son dependientes.
Sin embargo, si se utilizan dos mquinas diferentes para llevar a cabo
las tareas, la suposicin de independencia es probablemente vlida.
Tal suposicin de independencia, junto con la suposicin 1, le permite
llegar a la conclusin de que para cualquier trayectoria crtica:

Tiempo medio esperado de terminacin del proyecto = suma de los


tiempos esperados de terminacin de todas las tareas a lo largo de
esa trayectoria crtica.
Para el proyecto de Home Construction, Inc.,
= teA + teB + teC + teE + teF + teH + teI
=3+7+6+3+5+5+1
= 30 semanas

3. Varianza del tiempo de terminacin del proyecto = suma de las


varianzas de los tiempos esperados de terminacin de las tareas a lo
largo de esa trayectoria crtica.

V = VA + VB + VC + VE + VF + VH + VI y; dado que: V = 2, se tiene:

V = (0.333)2 + (0.667)2 + (1.333)2 + (0.333)2 + (0.667)2 + (1.000)2 +


(0.000)2
V = 3.889 semanas.

En el caso de que una red de proyecto tenga ms de una trayectoria


crtica, calcule el valor esperado y la varianza del tiempo de
terminacin del proyecto a lo largo de cada trayectoria crtica.
Entonces, para clculos posteriores, escoja aquella cuya varianza se
la ms grande. (Todas las trayectorias crticas proporcionarn el
mismo tiempo de terminacin esperado).

4. El tiempo de terminacin del proyecto sigue una distribucin normal


con la media y la varianza calculadas en la suposicin 2.

Esta suposicin es vlida para proyectos que tienen un gran nmero


de tareas individuales a lo largo de una trayectoria crtica, debido al
teorema del lmite central.

Con estas tres suposiciones, el tiempo de terminacin del proyecto de


Home Construction, Inc., tiene una distribucin normal con una media
de 30 semanas y una varianza de 3.889 semanas (es decir, una
desviacin estndar de = 3.889 = 1.972 semanas). Utilizando esta
informacin, usted puede responder a las preguntas planteadas anteriormente:

a. Cul es la probabilidad de terminar una casa en 32 semanas?


De su conocimiento de la distribucin normal, la respuesta a esta
pregunta es equivalente a encontrar el rea que se encuentra a la
izquierda del 32 bajo una distribucin normal con una media de 30
y una desviacin estndar de 1.972, como se ilustra en la Figura
N 04.

Se tiene:
X: Terminacin de la casa
= 30 semanas
= 1.972 semanas
p ( X 32 ) = p ( X / 32 30 / 1.972 ) = p ( Z 1.014 )

Revisando la tabla de distribucin normal, se tiene:

0.01

1.1 1.014 1.02

0.004

1.3438 ? 0.3461

0.0023

1.1 / 0.0023 = 0.004 / x

x = 0.00092

? = 0.3438 + 0.00092 = 0.34472

p ( X 32 ) = 0.50000 + 0.34472 = 0.84472 = 84.472%

En otras palabras, la probabilidad de construir la casa en 32 semanas es de 84.47%

Figura N 04: Clculo de la probabilidad de cumplir con una


fecha de logro de objetivo
0.50000 0.34472

32

- +

X
=
28.02 31.97
30
8 2
26.05
33.94
6
4
24.08 35.916
4

- +

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

1.01
4

b. Qu fecha de terminacin deber darse de modo que se tenga


95% de confianza de que la casa estar terminada en ese tiempo?
Para responder a esta pregunta, usted necesita determinar el
punto X donde el rea bajo la distribucin normal que se
encuentra a la izquierda del punto es 0.95, como se muestra en la
Figura N 05. En la tabla normal se obtiene el valor Z de 1.645,
para lo cual el rea que est a la izquierda es de 0.95. Puede,
ahora, calcular el valor de X, a partir de la definicin de Z, de la
manera siguiente:

Se tiene:
X: Terminacin de la casa = ?
= 30 semanas
= 1.972 semanas
Nc = 95% = 0.9500 = 0.5000 + 0.4500

0.001
0.4495 0.4500 0.4505

0.0005

1.64 ? 1.65

0.01

0.001 / 0.01 = 0.0005 / x

x = 0.005

? = Z = 1.64 + 0.005

Z = 1.645

Se sabe que:

Z =X- /

1.645 = X 30 / 1.972

X = 33.24394

En otras palabras, usted puede tener el 95% de confianza de cumplir en una fecha meta
con un tiempo de terminacin de 33.24 semanas.

Figura N 05: Clculo de la fecha de logro de objetivo con un nivel


dado de confianza
0.50000 0.45000

33.2439

- +

X
=
28.02 30 31.97
8 2 33.94
26.05
4 35.91
24.08 6
6
4

- +

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

1.64
5