Notas Investigacion de Operaciones.

Indice general
1. Introducci
on
1.1. Concepto de la investigacion operaciones . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1. Conceptos b
asicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.1. Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.2. Organizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.3. Metodo cientfico . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.4. Grupo interdisciplinario . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.5. Toma de decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.6. Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Tecnicas que integran a la investigacion operaciones . . . . . . . . . . . . . . . . . .
1.3. Historia de la INVO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.4. Perspectivas de la Investigacion de operaciones . . . . . . . . . . . . . . . . . . . . .
13
2. Modelaci
on de problemas de optimizaci
on
15
2.1. Modelos usados por la programacion matematica . . . . . . . . . . . . . . . . . . . .
15
2.2. El proceso de construcci

on de modelos de optimizacion . . . . . . . . . . . . . . . . .
16
2.2.1. Reconocer el problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.2.2. Definir el problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.2.3. Construir el modelo matematico . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.2.4. Solucionar el modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
2.2.5. Validar el modelo y la solucion obtenida . . . . . . . . . . . . . . . . . . . . .
24
2.2.6. Control de la solucion o analisis de sensibilidad . . . . . . . . . . . . . . . . .
24
2.2.7. Implementaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
2.2.8. Modelaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
2.2.9. Paso 0: Entendimiento del enunciado (modelo descriptivo del problema). . . .
25
2.2.10. Paso 1: Definici

on de las variables de decision.
. . . . . . . . . . . . . . . . .
26
2.3. Paso 2: Determinaci

on de las restricciones del modelo. . . . . . . . . . . . . . . . . .
26
2.3.1. Relaci
on del tipo de la igualdad (x1i x1j = b1 ) . . . . . . . . . . . . . . . .
27
2.3.2. Relaci
on del tipo mayor o igual que (x1i x1j b1 ) . . . . . . . . . . . . . .
27
2.3.3. Relaci
on del tipo menor o igual que (x1i x1j b1 ) . . . . . . . . . . . . . .
27
2.3.4. Restricciones de no negatividad. . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.3.5. Paso 3: Determinacion de una medida de desempe

no del sistema. . . . . . . .
28
2.3.6. Paso 4: Estructuracion o sntesis del modelo. . . . . . . . . . . . . . . . . . .
28
2.3.7. Ejemplos del procedimiento para modelar un problema. . . . . . . . . . . . .
28
2.3.8. Problema 1. Control de contaminantes. (Haeussler E. F., 1997) . . . . . . . .
29
2.3.9. Formulaci
on del modelo matematico. . . . . . . . . . . . . . . . . . . . . . . .
29
2.3.9.1. Paso 0: Entender el enunciado. . . . . . . . . . . . . . . . . . . . . .
29
2.3.9.2. Paso 1: Determinacion de variables. . . . . . . . . . . . . . . . . . .
29
2.3.9.3. Pas
o 2: Determinacion de las restricciones. . . . . . . . . . . . . . .
29
2.3.9.4. Paso 3: Determinacion de la funcion objetivo. . . . . . . . . . . . . .
31
2.3.9.5. Pas
o 4: Estructuracion o sntesis del modelo. . . . . . . . . . . . . .
31
2.3.10. Problema 2. Dise

no de terapia (J., 2001) . . . . . . . . . . . . . . . . . . . . .
31
2.3.10.1. Formulacion del modelo. . . . . . . . . . . . . . . . . . . . . . . . .
32
32
2.3.10.3. Paso 1: Determinacion de variables de decision. . . . . . . . . . . . .
33
2.3.10.4. Paso 2: Determinar las restricciones del problema. . . . . . . . . . .
33
2.3.10.5. Pas
o 3: Determinacion de la funcion objetivo. . . . . . . . . . . . . .
34
2.3.10.6. Pas
o 4: Estructuracion o sntesis del modelo. . . . . . . . . . . . . .
34
2.3.11. Problema 3. Ensamble de automoviles. (J., 2001) . . . . . . . . . . . . . . . .
34
ii
2.3.11.1. Formulacion del modelo. . . . . . . . . . . . . . . . . . . . . . . . .
35
35
2.3.11.3. Paso 1: Determinacion de las variables de decision. . . . . . . . . . .
36
2.3.11.4. Pas
o 2: Determinacion de las restricciones. . . . . . . . . . . . . . .
36
2.3.11.5. Pas
o 3: Determinacion de funcion objetivo. . . . . . . . . . . . . . .
38
2.3.11.6. Paso 4: Estructuracion o sntesis del modelo. . . . . . . . . . . . . .
38
2.3.11.7. Ejemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2.3.11.8. RESOLUCION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.3.12. 3. Otras clases de problemas . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
2.3.12.1. Problema de produccion . . . . . . . . . . . . . . . . . . . . . . . . .
41
2.3.13. Problema de Seleccion de Portafolios
. . . . . . . . . . . . . . . . . . . . . .
43
2.3.13.1. RESOLUCION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
2.3.14. Problema de cubrimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
2.3.15. Problema de transporte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
2.3.15.1. RESOLUCION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
2.3.16. Problema de asignacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
2.3.16.1. RESOLUCION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
2.3.17. Problema de Flujo Maximo . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
2.3.18. Problema de planeacion de la produccion . . . . . . . . . . . . . . . . . . . .
48
2.3.19. Problema de Mercadotecnia
50
. . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Elementos b
asicos de la Programaci
on lineal
51
3.1. Algebra Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
3.1.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
3.1.2. Operaciones con vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
3.1.3. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
3.1.4. Operaciones b
asicas con matrices . . . . . . . . . . . . . . . . . . . . . . . . .
54
3.1.4.1. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . .
54
3.1.4.2. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . .
55
iii
3.2. Conjuntos Convexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
3.2.0.3. Optimo local y global . . . . . . . . . . . . . . . . . . . . . . . . . .
65
3.2.0.4. Espacio de b
usqueda y espacio factible . . . . . . . . . . . . . . . .
70
3.2.0.5. Paisaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
3.2.0.6. Conceptos basicos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
3.3. Problemas cl
asicos de la programacion lineal. . . . . . . . . . . . . . . . . . . . . . .
75
3.3.1. Problema de dieta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
3.3.2. Problema 1. Problema de dieta (fertilizantes en un cultivo) . . . . . . . . . .
76
3.3.3. Paso 3. Formulaci

on de la Funcion Objetivo. . . . . . . . . . . . . . . . . . .
77
3.3.4. Paso 4. Sintetizar el modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
3.3.5. Problema 2. Problema de dieta (dieta humana).
. . . . . . . . . . . . . . . .
79
3.3.6. Problema de mezclas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
3.3.7. Problema 3. Problemas de mezcla (mezclas qumicas) . . . . . . . . . . . . .
81
3.3.8. Problema 4. Problema de mezclas (Composicion de pinturas) . . . . . . . . .
83
3.4. Problema de Inversi

on.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
3.4.1. Problema 5. Problema de inversion (herencia). (Gallagher C. A., 1982) . . . .
86
3.4.2. Problema 6. Problema de inversion (combinacion de productos para maximizar

la utilidad). (Haeussler E. F., 1997) . . . . . . . . . . . . . . . . . . . . . . .
88
3.4.3. Problema 7. Problema de inversion (Poltica de prestamos bancarios) (A., 2004). 90

3.4.4. Problema de Transporte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
3.4.5. Problema 8. Problema de transporte (distribucion de cosechas). . . . . . . . .
97
3.4.6. Problema de transporte. (energa electrica) . . . . . . . . . . . . . . . . . . . 100

3.4.7. Modelo general de los problemas de asignacion. . . . . . . . . . . . . . . . . . 104
3.4.8. El Problema de ruta mas corta . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.4.9. Problema del Flujo Maximo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.4.10. Ruta Critica en la Planificacion de Proyectos de Redes. . . . . . . . . . . . . 113
3.4.11. Problema de Flujo de Costo Mnimo. . . . . . . . . . . . . . . . . . . . . . . . 114
3.4.12. Problema de redes (arbol de expansion minima). . . . . . . . . . . . . . . . . 115
iv
3.5. Soluci
on de problemas por el metodo grafico. . . . . . . . . . . . . . . . . . . . . . . 116
3.5.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4. Algoritmo simplex
125
4.1. Conceptos b
asicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.2. B
usqueda exhaustiva de soluciones basicas . . . . . . . . . . . . . . . . . . . . . . . . 127
4.3. Metodo simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.4. Estructura del metodo simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.5. Clases de problema de acuerdo a la solucon obtenida con el algoritmo simplex . . . . 146
4.5.1.
Soluci
on u
nica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.5.2.
M
ultiples soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.5.3. Soluciones no acotadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

4.5.4. No tiene soluci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.6. Motivaci
on geometrica del algoritmo simplex . . . . . . . . . . . . . . . . . . . . . . 148
4.7. Algebra
del metodo simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
4.8. Recontruyendo el tablero inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5. Soluci
on inicial y convergencia
167
5.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
5.2. C
omo se obtiene una solucion basica factible inicial?
. . . . . . . . . . . . . . . . . 167
5.3. El metodo de las dos fases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

5.3.1. FASE 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.3.2. FASE 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
5.4. El metodo de la gran M . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
6. Dualidad
192
6.1. Dualidad y An
alisis de Sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
6.1.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
6.1.2. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
6.1.3. Relaciones entre Primal y Dual . . . . . . . . . . . . . . . . . . . . . . . . . . 218
6.1.4. Adaptaci
on a otras formas del Primal . . . . . . . . . . . . . . . . . . . . . . 222
6.1.5. Introducci
on al analisis de sensibilidad . . . . . . . . . . . . . . . . . . . . . . 223
6.1.6. Aplicaci
on del an
alisis de sensibilidad . . . . . . . . . . . . . . . . . . . . . . 226
6.2. METODO
SIMPLEX Y DUAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
6.2.1. PROBLEMA DUAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
6.2.2. An
alisis de sensibilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
6.2.3. El algoritmo dual simplex y analisis de sensibilidad . . . . . . . . . . . . . . . 242
7. Problemas de transporte y asignaci
on
248
7.0.4. Definici
on y propiedades del modelo. . . . . . . . . . . . . . . . . . . . . . . . 248
7.0.5. Representaci
on gr
afica del problema. . . . . . . . . . . . . . . . . . . . . . . . 254
7.0.6. Soluci
on Inicial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
7.0.6.1. Algoritmo de la esquina noroeste. . . . . . . . . . . . . . . . . . . . 258
7.0.6.2. Algoritmo de costo mnimo
7.0.7. Optimalidad de soluciones
7.0.8. Algoritmo de transporte
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
7.0.8.1. Algoritmo de transporte

7.1. Problema de ordenamiento
. . . . . . . . . . . . . . . . . . . . . . 263
. . . . . . . . . . . . . . . . . . . . . . . . 275
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286
7.1.1. Problema de ordenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286

7.1.2. Formulaci
on PERT
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
7.1.3. Algoritmo de solucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291

7.1.4. Justificaci
on del algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
7.2. ARBOL DE PESO MINIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
7.2.1. ALGORITMO DE DIJKSTRA . . . . . . . . . . . . . . . . . . . . . . . . . . 318
7.2.2. ALGORITMO KRUSKAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
7.2.3. ALGORITMO DE PRIM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
7.2.4. TRANSPORTE
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
7.2.5. ALGORITMO DE TRANSPORTE . . . . . . . . . . . . . . . . . . . . . . . 326

CORTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
7.2.6. RUTA MAS
vi

7.2.7. FLUJO MAXIMO
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
7.2.8. TEOREMA DE FLUJO MAXIMO

CON EL CORTE MINIMO . . . . . . . 331
7.2.9. TSP SIMETRICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332
DE NODOS . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
7.2.10. COLORACION
7.2.11. PLANARIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
. . . . . . . . . . . . . . . . . . . . . . . . . 336
7.2.12. PROBLEMA DE ASIGNACION
7.2.13. ACOPLAMIENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
7.2.14. FLUJO CON COSTO MNIMO . . . . . . . . . . . . . . . . . . . . . . . . . 339
7.2.15. METODO COSTO MNIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
7.2.16. CONEXIDAD EN REDES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
7.2.17. ANALISIS
DE REDES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
7.2.18. RUTA CRITICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
vii
Captulo 1
Introducci
on
El objetivo de este captulo es dar una panoramica general sobre la investigacion de operaciones
(INVO). En este se da el concepto de INVO y conceptos relacionados, as como una breve descripci
on
hist
orica de la INVO.
1.1.
Concepto de la investigaci
on operaciones
El hombre est
a en contacto con el mundo real y capta por medio de sus sentidos situaciones o
hechos que le cautivan. Por el proceso de razonamiento abstrae dicha informacion y crea ideas e
im
agenes sobre la realidad con objeto de obtener conocimiento. A dichas imagenes delimitadas y
conceptualizadas de la realidad se les denomina sistema.
La comprensi
on del sistema, la formulacion adecuada en un modelo, las bases teoricas utilizadas
en la resoluci
on de los problemas, as como la experiencia, interpretacion de los resultados y el juicio
que se haga de estos permiten llegar a soluciones significativas. De manera informal se puede decir
que el termino Investigaci
on de Operaciones (INVO) es el uso del metodo cientfico para solucionar
los problemas dentro de sistemas a fin de lograr un objetivo, ya que el termino de investigaci
on
indica el uso de un enfoque similar al metodo cientfico para solucionar los problemas; mientras que
el termino de operaciones implica que se analizan sistemas de actividad donde se tiene que lograr
un objetivo y se tiene recursos escasos.
Algunas de las definiciones construidas para definir investigacion de operaciones son:

Definici
on 1 La investigaci
on de operaciones es una rama de las matem
aticas aplicadas, que consiste en el uso del enfoque cientfico en la toma de decisiones con el objeto de mejorar el dise
no u
operaci
on de un sistema [?]
Definici
on 2 La investigaci
on de operaciones es la aplicaci
on por grupos interdisciplinarios del
metodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de
que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizaci
on [?]
De las definiciones anteriores, se deben resaltar los siguientes terminos: organizacion, sistema,
metodo cientfico grupo interdisciplinario y toma de decisiones; ya que estos conceptos interrelacionados dan la idea central del concepto INVO. A continuacion, se describen estos conceptos, adem
as
se define el concepto de modelo.
1.1.1.
Conceptos b
asicos
1.1.1.1.
Sistema
El hombre est
a en contacto con el mundo real y capta por medio de sus sentidos situaciones
o hechos que le cautivan. Por el proceso de razonamiento abstrae dicha informacion y crea ideas
e im
agenes sobre la realidad con objeto de obtener conocimiento. Dichas imagenes delimitadas y
conceptualizadas de la realidad se les denomina sistema.
Ackoff define a un sistema como un conjunto de elementos interrelacionados[?], en contraste
Winston, como una organizaci
on de componentes interdependientes que trabajan juntos para alcan Auna
zar un objetivo [?]. En terminos generales, se puede definir a un sistema como :A

serie de
objetos con determinada relaci
on e interaccion entre esos objetos y entre sus atributos. Entendiendo
por objetos las partes o componentes del sistema y a los atributos como las propiedades del objeto.
Debido a la naturaleza tan amplia del concepto de sistemas es necesario clasificarlos para poder
entender el concepto, en la figura 1.1 se da una clasificacion de los sistemas; cabe mencionar que
existen otras clasificaciones de sistemas.
Figura 1.1: Tipos de modelos

Sistemas conceptuales: son una unidad formada por un conjunto organizado de definiciones,
nombres, smbolos y otros instrumentos de pensamiento o comunicacion. Ejemplos de este tipo de
sistemas son la notaci
on musical, las matematicas, etc.
Sistemas reales: son una entidad material formada por partes organizadas que interact
uan entre
s. Ejemplos de estos sistemas son la sociedad, una celula, etc.
Sistemas naturales: Es un conjunto de elementos fsicos (bioticos y abioticos) que se encuentran
estructurados y organizados. Ejemplos de este tipo de sistemas es el cuerpo humano, la biosfera, la
tierra misma.
Sistemas humanos: son un conjunto de elementos organizados, estructurados y sistematizados por
el hombre con la finalidad de obtener alg
un grado de beneficio. Ejemplos de este tipo de sistemas
son: la sociedad, una unidad de manejo forestal, un campo de maz, una fabrica, etc.
Sistemas sociales: es un conjunto interrelacionado y estructurado por el hombre que proporciona
alg
un servicio o bien a la sociedad pero cuyo objetivo primordial no es el generar riqueza. Ejemplos
de este tipo de sistemas son: la cruz roja, la iglesia, un club de beneficencia, etc.
Sistemas productivos: es un conjunto de elementos interrelacionados y estructurados que llevan
a cabo un proceso de transformacion con un objetivo determinado (generalmente producir riqueza).
Ejemplos de este tipo de sistemas es un aserradero, una tienda, una mina, una fabrica de tableros,
etc.
1.1.1.2.
Organizaci
on
Una organizaci
on puede entenderse como un sistema, en el cual existen componentes; canales
que comunican tales componentes e informacion que fluye por dichos canales. En todo sistema las
componentes interact
uan unas con otras y tales interacciones pueden ser controlables e incontrolables. En un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son
importantes, o mejor dicho, no todas las interacciones tienen efectos importantes en las componentes
del sistema.
1.1.1.3.
M
etodo cientfico
El metodo cientfico es un procedimiento que ha caracterizado a la ciencia natural desde el siglo

XVII, que consiste en la observacion sistematica, medicion y experimentacion, y la formulaci
on,
an
alisis y modificaci
on de las hip
otesis. El metodo cientfico se basa en los preceptos de falsabilidad
1
y reproducibilidad 2 .
Los pasos que conforman el metodo cientfico son: a) observacion (el investigador debe apelar a
sus sentidos para estudiar el fen

omeno de la misma manera en que este se muestra en la realidad)
b) la inducci
on (partiendo de las observaciones, el cientfico debe extraer los principios particulares
de ellas), c) el planteo de una hip
otesis (surgido de la propia observacion), d) experimentacion (con
base a ella se obtienen datos que se utlizaran para aceptar o rechazar la hipotesis), e) analisis de
resultados y f) presentaci
on de resultados.
1.1.1.4.
Grupo interdisciplinario
Un grupo interdisciplinario es un conjunto de profesionales formados en diferentes areas del saber;

el trabajo conjunto de estos profesionales permite poseer una vision integral del problema de estudio;
con base en lo cual crean sistemas metodologicos integrales, se aportan soluciones y recomendaciones
que, por su car
acter holstico, superen el vaco de la accion multidisciplinar.
1 indica
2 un
que cualquier proposici

on de la ciencia debe resultar susceptible a ser falsada
experimento tiene que poder repetirse en lugares indistintos y por un sujeto cualquiera
1.1.1.5.
Toma de decisiones
Seguramente alguna vez en el trabajo o en la escuela se ha planteado alguna de las siguientes

interrogantes Cu
al decisi
on se debe tomar en estas circunstancias? La decision tomada es la mejor?.
Estas preguntas son las inc
ognitas fundamentales en el proceso de toma de decisiones.
Se define a la toma de decisiones como el conjunto de herramientas que permiten seleccionar una
alternativa entre un conjunto de ellas. Es cierto que cuando se toma una decision se toma como base
la experiencia personal, la tradici
on, la costumbre o la fe pero estos aspectos no garantizan que la
alternativa seleccionada sea la mejor.
Cuantas veces usted ha odo frases como bien o mal ya esta hecho, siempre se ha hecho as,
etc. como repuestas de personas cuando se les cuestiona por una decision mal tomada. Si bien es
cierto que la naturaleza humana (gustos, preferencias, afinidades) juegan un papel importante en
las decisiones que se toman es necesario entender que no pueden ser la base fundamental para un
decisor racional.
Un decisor racional debe cumplir con los siguientes aspectos para garantizar que sus decisiones
son basadas en elementos no subjetivos.
Debe estar bien informado: El decisor debe conocer todos los hechos y relaciones pertinentes
sobre el problema a tratar.
Conocer todas las alternativas: Identificar todas las alternativas posibles de solucion al problema.
Ser objetivo: Entender que las decisiones se basan en obtener el maximo de beneficios posibles.
A causa de la complejidad del ser humano es muy difcil alcanzar el estado racional para las
decisiones. Pero es posible llegar con facilidad al estado de racionalidad acotada. Estado al que
se llega tratando de ser lo mas racional posible dentro de las fronteras de informacion limitada
mitigando lo m
as posible los objetivos en conflicto.
1.1.1.6.
Modelo
Un modelo es una representacion o abstraccion selectiva (cuantitativa o cualitativa) de las

caractersticas de un sistema. Un modelo permite abordar un problema de forma tal que se hace
posible la identificaci
on y evaluacion sistematica de todas las alternativas de decision del problema,
es decir, el objetivo de los modelos es el brindar alg
un grado de certidumbre en la toma de decisiones.
Cabe mencionar que los modelos no trasladan enteramente al sistema real a terminos comprensivos.
La elaboraci
on de modelos conceptualiza, sistematiza y organiza el conocimiento y la experiencia
del tomador de decisiones con respecto al sistema. Y tambien revela y aclara lo que no se entiende
ni se conoce pero debera comprenderse, de las operaciones del sistema. Por lo tanto se dirige a un
importante proceso de conocimiento. Debe hacerse notar que un mismo sistema puede ser representado por diferentes modelos, de acuerdo con el problema que se desee enfrentar y resolver; en otras
palabras el tipo de modelo que se utilice para hacer frente a una situacion siempre depender
a del
prop
osito y la naturaleza del estudio, ademas es posible combinar distintos tipos de modelos con
objeto de comprender mejor el sistema bajo estudio.
Los modelos se pueden clasificar de acuerdo con sus caractersticas ( forma o grado de abstracci
on,
el grado adaptaci
on a cambios del sistema en el tiempo y la forma de manipulacion del modelo). A
continuaci
on, se da una breve descripcion de los tipos de modelos mas utilizados.
Modelos materiales
Son transformaciones de los sistemas reales (sistemas fsicos) en otros sistemas tambien fsicos
m
as sencillos que el original, pero que conservan las caractersticas esenciales de estos. Ejemplos
de esta clase de modelos son: las maquetas y modelos a escala usadas por los arquitectos e
ingenieros, los mapas y planos de todo tipo, las fotografas, pinturas o esculturas, etc. Los
modelos materiales tambien se conocen como modelos iconicos y pueden ser subdivididos en
tres tipos de acuerdo con el grado de semejanza que se tenga con la realidad.
Tipo replica. Son representaciones fsicas de los sistemas fsicos originales; que conservan
la dimensionaldad de los objetos reales. Dichas representaciones pueden tener reducciones
o aumentos en la escala de las dimensiones con respecto al objeto material, no tenerlas o
no tener la proporcionalidad en todas sus dimensiones. Ejemplos de este tipo de modelos
6
son: modelos a escala de un barco o avion, las maquetas usadas por los ingenieros, etc.
Tipo cuasi-replica. Son representaciones fsicas de los sistemas originales, en los cuales,
una o m
as de las dimensiones del objeto original no son reflejadas en el modelo.Un ejemplo
de cuasi-replicas es una fotografa donde en general el objeto original es tridimensional y
el modelo es bidimensional. Otros ejemplos son. Las cartas topograficas, los mapas y los
planos.
Tipo anal
ogicos. Son representaciones fsicas de los sistemas reales, en los cuales, el modelo
no tiene un parecido directo con los objetos reales. Sin embargo es posible establecer una
relaci
on directa uno a uno entre las variables del sistema y las del modelo. Ejemplos de
este tipo de modelos son: en el campo de la Psicologa el comportamiento de aprendizaje
de los animales ha servido para crear modelos de aprendizaje para el ser humano, en
medicina el comportamiento que tienen los medicamentos sobre los animales sirve para
crear modelos de comportamiento en los seres humanos.
Modelos simb
olicos
Consisten en una serie de declaraciones expresadas en terminos logicos que representen las
propiedades esenciales de los sistemas originales. Ejemplos de esta clase de modelos son: la
constituci
on de Mexico, los diez mandamientos de la iglesia catolica, la ley de Ohm, etc. Los
modelos simb
olicos tambien son conocidos como modelos formales, y se pueden distinguir tres
categoras de acuerdo al grado de abstraccion utilizada.
Tipo descriptivos (tambien llamdos modelos ling
uisticos). Este tipo de modelos consisten
en una serie de aseveraciones sobre el sistema original, expresadas en lenguaje com
un.
Constituye la clase menos abstracta de los modelos simbolicos y solo pueden ser manipulados y transformados usando las reglas gramaticales. Ejemplos de este tipo de modelos
son: la constituci
on de los Estados Unidos Mexicanos, los estatutos y reglamentos de
alguna empresa, un libro de divulgacion sobre teora economica.
Tipo gr
aficos. Son representaciones de los sistemas reales en los que se hace uso de esquemas, grafos o diagramas. Este tipo de modelos es muy utilizado en la vida diaria por la
facilidad que ofrece de organizar una gran cantidad de informacion. Ejemplos de este tipo
7
de modelos son: los diagramas de flujo, los diagramas de actividades, los grafos, etc.Los
modelos gr
aficos pueden ser clasificados de acuerdo a tipo de representacion y el tipo de
informaci
on utilizada en su construccion.
Representaciones esquematicas. Son representaciones del sistema real o de una parte
de el por medio de esquemas en los que se hace uso de informacion estructurada y
sistematizada. En dicha representacion se manifiesta las relaciones y propiedades de
los sub-sistemas esenciales que forman el objeto de estudio.
Grafos. Es una representacion constituida por un conjunto de puntos (distintos y
numerables), llamados vertices y un conjunto de ramas orientadas a las que se les
denomina arcos que unen a dos vertices en un sentido determinado. Son en sentido estricto las representaciones mas abstractas de los modelos graficos. Los grafos
generalmente son utilizados para registrar informacion acerca de las relaciones o conexiones entre cada elemento (vertice). Por la gran generalidad de la definici
on de
los grafos se pueden utilizar para modelar m
ultiples problemas, de los que se pueden
dar como ejemplos: redes de transporte, redes de distribucion electrica, etc.
Tipo formales. Son representaciones de los sistemas reales que consisten en una serie de
aseveraciones sobre el sistema original, expresadas en smbolos, manipuladas mediante
una estructura formal. Ejemplos de estos se tienen, el algoritmo de ruta critica, la ley de
Ohm, etc. De acuerdo con la estructura formal utilizada para la manipulacion de dichos
modelos es posible clasificarlos.
1. Modelos matem
aticos. Son representaciones de los sistemas reales, en los cuales se
utilizan expresiones matematicas. Es preciso que la representacion matematica tenga
una forma utilizable y que traduzca la realidad de los hechos lo mas fielmente como
sea posible.
a) Modelos de programacion matematica corresponde al modelo ideado para seleccionar entre varias alternativas, de acuerdo a determinados criterios, la optima.
b) Modelo descriptivo. Constituye sencillamente una descripcion matematica de una
condici
on real del sistema, es decir, este modelo solo intenta describir la situaci
on
8
no elegir una alternativa.

c) Modelo Probabilstico. Aquellos basados en la estadstica y probabilidades (donde
se incorpora las incertidumbres que por lo general acompa
nan nuestras observaciones de eventos reales).
d ) Modelos deterministas. Son aquellos que no contienen elementos aleatorios, que
afecten el desempe
no del sistema. Ecuaciones lineales, ley de Newton, etc.
e) Entre otros.
2. Pseudoc
odigos. Son representaciones del sistema real en los que se realizan una serie
de aseveraciones expresadas en un lenguaje de simulacion, aunque tambien puede contener expresiones de lenguaje natural, formulas o expresiones matematicas. Ejemplos
de estos modelos son: el algoritmo de ruta critica, el programa de una computadora,
etc.
1.2.
T
ecnicas que integran a la investigaci
on operaciones
Las caractersticas b
asicas de las tecnicas y metodos que conforman a la investigacion de operaciones son:
Un enfoque de sistema (el paradigma sistemico). Con lo cual se usa el enfoque del telescopio
para concebir los problemas en un sistema
Aplicar el metodo cientfico. Es decir se utiliza un procedimiento estructurado, comprobable y
objetivo para el planteamiento, analisis y solucion de problemas.
Bases cuantitativas para la toma de decisiones. Se refiere a utilizar modelos matematicos para
que den una idea cuantificable del impacto de las decisiones que se propongan en un sistema.
Enfoque de equipo para resolver los problemas. Con lo que se busca enriquecer y estructurar el
conocimiento disponible sobre el problema a tratar. Los equipos pueden ser multidisciplinarios
o interdisciplinarios de acuerdo con la naturaleza del problema.
Es posible clasificar las herramientas de la INVO de acuerdo al objetivo que se busca al aplicarlas.
As pues se tienen dos categoras que son las de optimizacion y las de analisis. Lo anterior se
esquematiza en la figura ??
Figura 1.2: Herramientas de la Investigacion de operaciones
La optimizaci
on es una idea fundamental en diversas disciplinas del conocimiento, como son:
investigaci
on de operaciones, administracion, finanzas, telecomunicaciones... la cual se utiliza en el
dise
no, el an
alisis y toma de decisiones en sistemas. Algunas definiciones del termino son:
1. Luenberger precisa que la optimizacion es uno de los principios basicos del analisis de problemas3 complejos de decisi
on, y su proceso consiste en la asignacion de valores a un conjunto de
variables interrelacionadas, centrando la atencion en un mecanismo dise
nado para cuantificar
la calidad de la decisi
on [?].
3 Un
problema es una diferencia, desviaci

on o un desequilibrio entre el estado real e ideal de un sistema, adem
as
de ser lo suficientemente importante para justificar su resoluci

on.
10
2. Hall expresa que la optimizacion es lograr la mejor armona entre el sistema y sus integrantes;
y su proceso comprende desde el planteamiento de un problema, hasta el analisis y selecci
on
de la mejor alternativa [?].
3. La optimizaci
on es seleccionar de un conjunto de alternativas posibles a la mejor de ellas, con
base en alg
un criterio de decision [?].
4. Optimizaci
on es obtener la mejor solucion posible de una actividad o un proceso, a traves del
uso adecuado de informaci
on y conocimientos disponibles.
5. La optimizaci
on (tambien denominada programacion matematica) es una parte de la investigaci
on de operaciones4 , la cual trata de resolver problemas de decision en los que se deben
determinar las acciones que optimicen un determinado objetivo, pero satisfaciendo ciertas limitaciones en los recursos disponibles [?].
6. La programaci
on matem
atica es una potente tecnica de modelado usada en el proceso de
toma de decisiones [?].
Basado en lo anterior, el termino optimizacion se puede entender como el conjunto de conocimiento, principios, teoras, tecnicas, herramientas u
tiles y necesarias para resolver problemas de
programaci
on matem
atica.
De manera general, resolver un problema es un proceso racional que involucra desde identificar
el problema de interes hasta la eleccion y ejecucion de alguna accion a fin de eliminarlo o reducirlo.
Este proceso debe ser sistem
atico y guiado por el conocimiento disponible sobre el sistema.
Un problema de optimizaci
on puede ser expresado como encontrar el valor de unas variables
de decisi
on para las que una determinada funcion 5 objetivo (o varias funciones objetivo) alcanza su
4 La
investigaci
on de operaciones es una rama de las matem
aticas aplicadas, que consisten en el uso del enfoque
cientfico en la toma de decisiones con el objeto de mejorar el dise

no u operaci
on de un sistema. [?]. Ackoff la define
como la aplicaci
on por grupos interdisciplinarios del m
etodo cientfico a problemas relacionados con el control de las
organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizaci
on
[?].
5 Una
funci
on f : D Rn Rm es cualquier criterio que a cada punto x D le asigna un u
nico punto f (x) Rm .
El conjunto D se llama dominio de la funci

on y f (x) es la imagen de x por f .
11
valor m
aximo o mnimo, de acuerdo con las caractersticas del problema. En ocasiones el valor de
las variables de decisi
on est
a sujeto a un conjunto de restricciones [?].
La INVO es una ciencia y un arte que sirve como herramienta para la toma de decisiones. Es
una ciencia por el uso de una metodologa estructurada y comprobable (metodo cientfico) y es un
arte porque el exito de todas las fases dependen la creatividad y experiencia de los analistas.
Todo problema de optimizaci
on debe ser formulado a traves de un modelo matematico; ya
que estos modelos describen de modo conciso y sin ambig
uedad las relaciones o condiciones del
problema a resolver por medio del lenguaje y estructuras matematicas; lo cual permite emplear
tecnicas matem
aticas y computacionales de alto poder, para analizar y resolver dicho problema. En
el anexo 3 , se analiza el proceso de modelacion de los problemas de optimizacion.
Cuando se aplica la INVO para definir, analizar y solucionar problemas presentes en un sistema
se puede perder de vista el objetivo central del estudio.
Este riesgo esta presente cuando se manipulan los problemas para ajustarlos a las diferentes tecnicas en lugar de analizar y resolver los problemas. En otras palabras el analista tiene como objetivo
central de su estudio lucirse aplicando tecnicas complejas en lugar de solucionar problemas. Para
llegar a hacer un uso apropiado de las herramientas de la INVO, es necesario primero comprender la
metodologa para resolver los problemas, as como los fundamentos de las tecnicas de solucion para
de esta forma saber cuando utilizarlas o no en las diferentes circunstancias.
1.3.
Historia de la INVO
La investigaci
on de operaciones se formalizo como un conocimiento a partir de la primera mitad
del siglo XX como un desarrollo de tecnicas belicas durante la segunda guerra mundial. Existe distintos puntos de vista dentro de la literatura disponible sobre el pas de origen de este conocimiento,
algunos autores como Taha (8) afirman que este conocimiento es de origen britanico, mientras otros
como Haeusseler (9) afirman que este conocimiento tubo sus origen en E.U.A.
Algunas de las investigaciones realizadas por los britanicos comprendan el determinar el tama
no
optimo de las caravanas que permitiera minimizar las perdidas por los ataques de los contrarios.
Mientras que los estudios de los americanos comprendan la solucion a problemas logsticos, la
12
planeaci
on de nuevos patrones de vuelo. Las bases iniciales de estos estudios en un principio se
fundamentaban en an
alisis estadstico simple.
La IO nace con los primeros intentos de aplicar el metodo cientfico a la administracion ya que
se tena la necesidad de asignar recursos escasos a una serie de actividades de la forma mas efectiva
posible. (10)
Despues de la guerra los conocimientos generados por la INVO fueron adoptados por las empresas con gran entusiasmo, ya que buscaban soluciones a problemas causados por el aumento en
la complejidad y especializaci
on. Lo que se traduca como problemas complejos de decision. Por lo
que la INVO fue adoptada como una tecnica de decisiones para problemas, pero fueron necesarios
algunas aportaciones para concretar este conocimiento de las cuales se destacan las siguientes.
A) Se mejoraron y desarrollaron las tecnicas disponibles (programacion lineal, programaci
on
din
amica, lneas de espera y teora de inventarios que fueron desarrollados casi en su totalidad antes
de la decada de los 50).
B) El desarrollo de modelos inter-industriales en economa por Leontief.
C) La revoluci
on y facilidad de manejo de problemas complejos con el uso de las computadoras.
D) El desarrollo por George B. Danzig del algoritmo del metodo simplex.
1.4.
Perspectivas de la Investigaci
on de operaciones
El impacto de la INVO ha sido impresionante en el mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. Y ha hecho contribuciones significativas al incremento de la
productividad dentro de la economa de varios pases. (10). Lo que se refleja en el creciente n
umero
de asociaciones dedicadas a promover este conocimiento en el mundo. Ahora existen 48 pases que
son miembros de la International Federation of Operational Research Societies (IFORS) (11). Y a
nivel America Latina existe la Asociacion Latinoamericana de Investigacion de operaciones (ALIO)
cuyo objetivo es el de promover, el intercambio de informacion experiencias entre investigadores,
academicos, y profesionales relacionados con la Investigacion Operativa en la region, as como de
nuevas tecnicas y conocimientos relacionados. (12) Sin duda, la demanda de profesionales de la investigaci
on de operaciones continuara aumentando. Pero se espera que el empleo de los analistas de
13
la investigaci
on de operaciones crezca mas lentamente que el promedio del resto de las ocupaciones
a partir del 2014 (13), reflejando crecimiento lento en el n
umero de trabajos con el ttulo .analista
de la investigaci
on de operaciones.Sin embargo cada vez los trabajos seran mas atractivos, ya que
ser
a un reto para las organizaciones lograr la competitividad y uso racional de los recursos en la
aldea global.
14
Captulo 2
Modelaci
on de problemas de
optimizaci
on
2.1.
Modelos usados por la programaci

on matem
atica
Estos modelos, generalmente, contienen los siguientes elementos: [?, ?, ?]:

Alternativas o variables de decisi
on: Son n decisiones cuantificables, cuyo valor afecta el
desempe
no del sistema.
Restricciones: Representan un conjunto de m relaciones o condiciones (expresadas como
ecuaciones e inecuaciones) que un subconjunto de variables estan obligadas a satisfacer.
Funci
on objetivo (o funciones objetivo): Es una medida cuantitativa sobre la calidad de
las soluciones de un problema. Se expresa como una funcion matematica de las variables de
decisi
on.
Modelar es un proceso creativo-intelectual para la generacion de modelos, el cual debe ser sistem
atico,
racional y te
oricamente guiado, su objetivo es analizar y resolver problemas. La modelaci
on de
problemas de optimizaci
on ha sido abordada, estudiada y sistematizada por la investigaci
on de
operaciones (vease Figura 2.1). La modelacion es de crucial importancia, ya que permite generar un
15
Figura 2.1: Fases de la modelacion de un problema de optimizacion

instrumento para describir, estudiar, analizar y comprender el comportamiento del sistema. Debido
a su importancia se analiza brevemente esta proceso intelectual.
2.2.
El proceso de construcci
on de modelos de optimizaci
on
De la modelaci
on de un problema se obtienen algunos beneficios implcitos y explcitos, como:
a) el modelo del sistema; b) favorece el intercambio de opiniones y conocimiento entre los actores
involucrados; c) organizaci
on, sistematizacion y explotacion de la informacion disponible sobre el
sistema; d) el an
alisis de los resultados obtenidos servira como guia para la toma de decisiones, entre
otros.
Generalmente, se utilizan los principios de parsimonia -tambien conocido como principio de sencillez, Navaja de Occam u Ockham- y el de no contradiccion como guias en la modelacion. El principio
de parsimonia (Guillermo de Ockham, 1280-1349), establece no emplear mas conceptos, ideas u objetos te
oricos que los estrictamente necesarios para generar una explicacion que sea satisfactoria del
fen
omeno (o fen
omenos) de interes [?, ?, ?].
Principio 2.1 (Principio de parsimonia) Entia non sunt multiplicanda praeter necessitatem (el n
umero de entes no debe ser multiplicado sin necesidad.)[?]
El principio de no contradiccion, establece que dos juicios contradictorios sobre un objeto o
evento no pueden ser simult
aneamente validos; y por lo tanto, basta con reconocer la validez de uno
16
de ellos para poder negar formalmente el otro. En otras palabras: no se puede atribuir al mismo
concepto dos cualidades opuestas en las mismas condiciones y en el mismo instante. A continuaci
on,
se expresa este principio en la l
ogica proposicional:
Principio 2.2 (Principio de no contradicci
on) (p p)
2.2.1.
Reconocer el problema
En esta fase se detectan, definen y plantean los problemas presentes en el sistema; para lo cual se
crean, comparan y analizan un modelo ideal y otro real del sistema, las actividades que conforman
esta fase son:
Determinar las fronteras del sistema.
Determinar y caracterizar el medio ambiente en el que se desenvuelve el sistema.
Identificar, caracterizar y analizar la funcion 1 , los fines
y los medios
del sistema.
Evaluar la situaci
on actual del sistema.
Crear la situaci
on ideal del sistema.
Detectar las posibles causas de los problemas.
Identificar las posibles consecuencias de los problemas.
Plantear los problemas.
Lo anterior, se basa en el hecho de que para la planeacion adecuada se requiere adicionar la
informaci
on de los elementos que influyan directamente en el desarrollo del sistema. Por lo que el
equipo de INVO debe detectar, conocer y clasificar los siguientes aspectos del sistema:
Entradas
1 Es
la acci
on principal que realiza el sistema.
los resultados que persiguen las acciones del sistema, pueden ser usados como una guia en la toma de
2 Son
decisiones.
3 Son el conjunto de elementos que interact
uan para alcanzar los fines del sistema.
17
Son elementos que fluyen del exterior al interior del sistema con el fin de proveer al sistema de
los recursos necesarios para alcanzar sus fines. Lo anterior se basa en el hecho de que todo sistema
requiere de bienes y servicios producidos por otros sistemas.
Subsistemas
Son los elementos que lo forman e interact
uan para alcanzar los fines del sistema. Para lo cual
se utiliza la construcci
on por descomposicion funcional del sistema.
Salidas del sistema
Son elementos que fluyen del interior del sistema hacia el exterior. Estos son, en un sistema
productivo: a) desperdicios del sistema: son salidas producto de las transformaciones del sistema y no
representan al bien central de transformacion y B) productos: son el resultado de las transformaciones
hechas por el sistema a las entradas, es decir, son los resultados de la funcion del sistema.
La informaci
on obtenida de esta fase sera utilizada en la etapa siguiente.
2.2.2.
Definir el problema
En la fase crtica se establecen los lmites del problema a resolver; por ende, esta etapa afecta en
forma significativa los resultados y conclusiones obtenidos de la modelacion ; ya que generalmente es
difcil obtener una respuesta correcta de un problema equivocado [?]. En esta fase, se tomar
a la
decisi
on sobre cual de los problemas presentes en el sistema se debe solucionar, para lo que es
conveniente tomar como referencia los fines del sistema. Las actividades que se realizan en esta fase
son:
Definir el problema que va a ser investigado.
Especificar los supuestos bajo los cuales el sistema sera modelado.
Identificar y describir las alternativas de solucion.
Determinar los objetivos del estudio.
Recolectar informaci
on sobre el problema.
Descripci
on verbal del problema.
18
2.2.3.
Construir el modelo matem

atico
Consiste en el reemplazo del objeto cognitivo por su imagen matematica. Durante la escritura
matem
atica, se deben definir: las caractersticas de las variables de decision, estructurar las ecuaciones o inecuaciones que representen correctamente las relaciones existentes entre las variables de
decisi
on en el problema real, la funcion objetivo (funciones objetivos), y los parametros necesarios.
Esta es una fase creativa, en la cual se debe prestar atencion a la precision de la formulacion.
Los modelos matem
aticos usados por la INVO constan de las siguientes partes: a) Variables y
par
ametros de decisi
on: Los par
ametros son valores conocidos relacionados a las variables de decisi
on
Las variables son inc
ognitas (decisiones) que deben ser determinadas al resolver el modelo. b) La
medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una
funci
on y se le conoce con el nombre de funcion objetivo. c) Las limitantes del problema denominadas
generalmente como restricciones que son un conjunto de igualdades o desigualdades que constituyen
las barreras (fronteras del modelo) y obstaculos para la consecucion del objetivo.
La construcci
on de un modelo adecuado para reproducir la realidad, es una etapa crucial para
obtener una soluci
on satisfactoria del problema real. Los modelos de programacion matem
atica
pueden ser clasificados de acuerdo a las caractersticas y propiedades de sus elementos en [?, ?]:
a) Modelos continuos y modelos discretos.
Si todas las variables de decision del modelo pueden asumir cualquier valor R entonces se
dice que el modelo de optimizacion es un modelo continuo; en contraste, cuando al menos
una variable de decisi
on debe asumir valores en: Z o N; entonces, se dice que el modelo de
optimizaci
on es mixto, si todas las variables asumen valores en Z o N, se dice que el modelo
es discreto. En el ejemplo 2.1, se muestran algunos problemas de optimizacion de estos
modelos.
Ejemplo 2.1
Modelo continuo
19
Pn
mn
j=1 ci
xi
sujeto a:
Pn
j=1
ai,j xi,j , o = bj i = 1, 2, . . . , m
xi 0
x Rn , c R n
Modelo discreto
max
Pn
i=1 ci
xi
sujeto a:
Pn
j=1
ai,j xi,j , o = bj i = 1, 2, . . . , m
xi 0
x Zn
Modelos lineales y modelos no lineales.

Un modelo lineal implica que todas las restricciones y el conjunto de funciones objetivo
cumplen con los principios de proporcionalidad
y superposicion 5 , pero si alguna restricci

on
o alguna de las funciones objetivo no cumplen con dichos principios entonces se trata de un
modelo no lineal. En el ejemplo 2.2, se muestran algunos problemas de optimizaci
on de
estos modelos.
Ejemplo 2.2
Modelo lineal
mn
Pn
i=1 ci
xi
sujeto a:
ai,j xi , o = bj j = 1, . . . , m
xi 0
x Zn x [0, 1]
4 Implica
5 Se
satisfacer la propiedad:f ( x) = f (x)

satisface la propiedad f (x + y) = f (x) + f (y)
20
Modelo no-lineal
Pn
mn
i=1 ci
xki
sujeto a:
ai,j xi , o = bj j = 1, . . . , m
x Rn
k 6= 1
Modelos mono objetivo o multiobjetivos.
En un modelo multiobjetivo se plantea un conjunto de funciones objetivo dos o m
as
normalmente en conflicto entre s. La existencia de m
ultiples funciones objetivo plantea una
diferencia fundamental con un modelo mono objetivo: no existira una u
nica soluci
on al
problema, sino un conjunto de soluciones que plantearan diferentes compromisos entre los
valores de las funciones a optimizar.
Ejemplo 2.3
Modelo mono objetivo
mn
Pn
i=1 ci
xi
sujeto a:
ai,j xi , o = bj j = 1, . . . , m
xi 0
x Zn x [0, 1]
Modelo multiobjetivo
mn{f1 (x), f2 (x), . . . , fk (x)}
sujeto a:
ai,j xi , o = bj para todo j = 1, . . . , m
xi 0
x Rn , c Rn , A Rnm , b Rn
Modelos determinsticos y estocasticos.
Un modelo determinista es aquel donde se supone que todos los datos pertinentes
21
se conocen con certeza; es decir, para cualquier conjunto de valores de las variables de
decisi
on se conoce con seguridad el valor de la funcion objetivo (o funciones objetivo) y si
las restricciones se cumplen o no. En contraste, en los modelos estoc
asticos tambien
conocidos como probabilsticos se presupone que algunas variables son aleatorias y por lo
tanto, no se conocer
a su valor con exactitud hasta tomar las decisiones correspondientes,
tal desconocimiento debe ser incorporado al modelo. En el ejemplo 2.4, se muestran algunos
problemas de optimizaci
on de estos modelos.
Ejemplo 2.4
Modelo determinstico
mn
Pn
i=1 ci
xi
sujeto a:
ai,j xi , o = bj j = 1, . . . , m
xi 0
x Zn x [0, 1]
Modelo estoc
astico
mn
Pr
i=1
G(i)
sujeto a:
T 0 T Zn
x(1) 0
x(i + 1) x(i), i = 1, . . . , T
x(N ) horizonte de planeacion
x(i) 0 x(i) Zn
Modelos est
aticos y din
amicos.
Un modelo est
atico se utiliza para analizar un sistema en un instante en el tiempo, por
lo cual en su formulaci
on no se considera el avance del tiempo. Por el contrario, en un
modelo din
amico se considera que al menos un elemento de decision evoluciona o cambia
con respecto del tiempo; por ende, en el modelo se describen las variables de decision como
22
funciones del tiempo, describiendo trayectorias temporales. En el ejemplo 2.5, se muestran

algunos problemas de optimizacion de estos modelos.
Ejemplo 2.5
Modelo est
atico
mn
Pn
i=1 ci
xi
sujeto a:
ai,j xi , o = bj j = 1, . . . , m
xi 0
x Zn x [0, 1]
Modelo din
amico
mn
RT
0

c1 [x0 (t)]2 + c2 x(t) dt
sujeto a:
x(0) = 0
x(T ) = B
x0 (t) 0
Las ventajas de utilizar un modelo matematico con objeto de entender, analizar y solucionar un
problema, sobre otro tipo de modelos son las siguientes: a) Un modelo matematico describe un problema en forma m
as concisa. b) Facilita el manejo del problema en su totalidad y el estudio de todas
sus interrogaciones. c) Forma un puente para poder emplear tecnicas matematicas y computacionales de alto poder, para analizar el problema. Pero tambien existen desventajas entre los modelos
matem
aticos y otros tipos de modelos las cuales son: a) Un modelo requiere de aproximaciones,
suposiciones y simplificaci
on con objeto de hacerlo manejable (susceptible de ser resuelto). Por lo
tanto, debe tenerse cuidado de que el modelo sea siempre una representacion sencilla pero valida del
problema. b) Debe existir una alta correlacion entre la prediccion del modelo y lo que ocurre en la
vida real. Es decir el modelo debe representar de manera fiel el problema que se desea analizar.
23
2.2.4.
Solucionar el modelo
Despues de construir el modelo, se utilizan mecanismos, generalmente un algoritmo6 , con el objeto

de encontrar la soluci
on
optima (o cuasi-optima) del problema en cuestion. El metodo de soluci
on a
usar en la resoluci
on de cualquier problema esta en funcion de las caractersticas y propiedades de su
modelo matem
atico. Durante esta fase es posible el desarrollo o adecuacion de alg
un (os) algoritmo
(s) para resolver un modelo de programacion matematica.
2.2.5.
Validar el modelo y la soluci

on obtenida
Tiene como prop

osito perfeccionar el modelo propuesto de tal forma que, dicho modelo sea una
herramienta adecuada para analizar y predecir el comportamiento del sistema. Comprobar si el
modelos hace lo que se espera que haga, Atiene

sentido la solucion?
2.2.6.
Control de la soluci
on o an
alisis de sensibilidad
omo se modifica la soluci
AC
on optima si cambia o cambian algunos de los parAmetros
del
problema?
2.2.7.
Implementaci
on
Traducci
on de los resultados en instrucciones de operacion detallada emitidos en forma comprensible para administradores del sistema.
2.2.8.
Modelaci
on
Aunque el lector lo dude la parte mas difcil de la IO es la formulacion matematica del sistema que desea estudiar. Ya que esta actividad involucra n decisiones relacionadas a la percepci
on y
razonamiento de los involucrados en el sistema. Una vez que se ha definido el problema el analista
del sistema tiene que traducir del lenguaje de uso com
un a un lenguaje matematico una representaci
on del sistema que desea estudiar. Esta es la fase tres de la metodologa de la investigaci
on de
operaciones. Antes de iniciar esta fase el analista debe verificar que los aspectos son directrices del
6 Un
algoritmo es un procedimiento con un n

umero finito de pasos bien definidos para realizar una tarea.
24
problema que se est

a estudiando. El procedimiento para formular el modelo matematico a partir de
un modelo descriptivo del problema bajo estudio conlleva cinco pasos los cuales se esquematizan a
continuaci
on.
Figura 2.2: Figura 1
A continuaci
on se da una breve descripcion de cada uno de los pasos. As como las consideraciones
generales a considerar durante cada uno de ellos.
2.2.9.
Paso 0: Entendimiento del enunciado (modelo descriptivo del problema).
En este paso comienza con una lectura del enunciado sobre el problema. Durante la lectura el
analista debe separar las ideas centrales que describan al problema de forma general. Dichas ideas
podr
an ser identificadas por el analista contestando las siguientes interrogantes:
25
* Cu
al es el problema?
* Por que es un problema que se desee resolver?
* Para que se desea resolver ese problema en particular?
* Cu
al es el objetivo que se busca al resolver el problema?
* Cu
ales son los elementos que intervienen en el problema y cual es su importancia?
* Cu
ales son las relaciones e interacciones entre los elementos que intervienen en el sistema?
En caso de ser necesario se puede hacer uso de modelos graficos u otro instrumento que le permita
al analista una mayor comprensi
on del problema.
2.2.10.
Paso 1: Definici
on de las variables de decisi
on.
Una vez comprendido el problema se procede a determinar a las variables de decision del sistema.
Entendiendo como variables de decision a aquellas que al ser manipuladas afectan el estado del
sistema. Por convenci
on se utiliza la notacion x1 para indicar el numero de variable del que se
trata. Esta notaci
on representa el hecho de que las variables seleccionadas representan un vector de
soluciones factibles al sistema.
Cuando se este definido cada una de las variables es necesario expresar las unidades que ser
an
cuantificadas cada una de ellas con el objeto de tener una mejor interpretacion de las soluciones
obtenidas.
2.3.
Paso 2: Determinaci
on de las restricciones del modelo.
En esta fase se representan las relaciones entre las variables del sistema en terminos de afirmaciones l
ogicas. Adem
as de establecer las relaciones entre variables tambien establece un lazo entre
estas y los recursos de el sistema.
Xalgo xalgo xalgo
26
No existe un lmite del n

umero de restricciones que puede contener un modelo. Las relaciones se
expresan en termino de ecuaciones en forma de desigualdades e igualdades. El signo de las ecuaciones
representa el tipo de relaci
on l
ogica que se establece entre las variables de decision y los recursos.
2.3.1.
Relaci
on del tipo de la igualdad (x1i x1j = b1 )
Se establece que la combinaci

on de las variables i hasta j debe ser estrictamente igual a la cantidad
de recurso. El enunciado incluir
a terminos como: que se garantice utilizar la totalidad del recurso b,
que sea igual a b, que se ocupe todo b, etc.
2.3.2.
Relaci
on del tipo mayor o igual que (x1i x1j b1 )

on de las variables i hasta j debe ser por lo menos igual a la cantidad
de recurso. Es decir la combinaci
on de variables puede tomar valores superiores al establecido en
el enunciado. El modelo descriptivo incluira terminos como: mayor o igual que b, por lo menos b,
cuando menos b, con lmite inferior de b, etc.
2.3.3.
Relaci
on del tipo menor o igual que (x1i x1j b1 )

on de las variables i hasta j debe ser cuando mucho la cantidad de
recursos del sistema. Es decir la combinacion de variables podra tomar siempre valores inferiores a
lo establecido en el enunciado y se tomara como lmite superior a los recursos del sistema. El modelo
descriptivo incluir
a terminos como: menor o igual que b, a lo mucho b, a lo sumo b, con lmite
superior en b, etc.
2.3.4.
Restricciones de no negatividad.
Son una serie de condiciones que establecen que el valor mas peque
no que puede asumir una
variable es cero. En caso de que las variables pudiesen asumir valores negativos existen tecnicas para
salvar este obst
aculo que se ver
an mas adelante.
27
2.3.5.
Paso 3: Determinaci
on de una medida de desempe
no del sistema.
Es el objetivo que se busca alcanzar al satisfacer todas las restricciones del modelo. Los modelos lineales solo pueden contener uno y solo un objetivo. La forma matematica del objetivo se
llama funci
on objetivo. El cual se expresa siempre en terminos de maximizacion (conseguir el valor m
as grande) o minimizaci
on (conseguir el valor mas peque
no). Ademas sirve como una medida
de cuantificaci
on numerica del comportamiento de determinada combinacion de recursos. Su forma
convencional es:
Funci
on objetivo Max o Min(Z)=a1 x1 + a2 x2 + . . . + an xn
2.3.6.
Paso 4: Estructuraci
on o sntesis del modelo.
Este paso consiste en dar la estructura convencional a lo obtenido en los pasos 2 y 3 de este
procedimiento de forma tal que se enuncie en primer lugar a la funcion objetivo del modelo y
despues las restricciones a la que queda sujeto este objetivo dentro del sistema.
Funci
on objetivo Max o Min(Z)= a1 x1 + a2 x2 + . . . + an xn
Sujeto a:
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
....
..
am1 x1 + am2 x2 + . . . + amn xn = bm
x1 , x2 0, . . . , xn 0
2.3.7.
Ejemplos del procedimiento para modelar un problema.
A continuaci
on se muestran unos ejemplos de como aplicar esta metodologa a los problemas con
objeto de encontrar el modelo matematico correspondiente.
28
2.3.8.
Problema 1. Control de contaminantes. (Haeussler E. F., 1997)
A causa de las reglamentaciones de la nueva ley de equilibrio ecologico sobre emisiones de contaminantes para las industrias, una compa
na x ha pensado introducir un nuevo y costoso procedimiento para la fabricaci
on del producto A que reemplazara al procedimiento actual de forma total
o parcial.
El proceso actual descarga 15 g de dioxido de azufre y 40 g de dioxido de carbono por cada
unidad de A. Mientras que el nuevo proceso descargara 5 g de dioxido de azufre y 20 g de di
oxido
de carbono a la atm
osfera por cada unidad de A. La compa
na obtiene una utilidad de $1.25 pesos
por cada unidad nuevo proceso. La ley establece que la empresa descargue a la atmosfera diariamente
a lo sumo 10500 g de di
oxido de azufre y de no mas de 30000 g de dioxido de carbono. La compa
na
desea saber cu
antas unidades de A deben producir /da en cada uno de los procesos con objeto de
obtener la mayor cantidad de utilidades posibles.
2.3.9.
Formulaci
on del modelo matem
atico.
2.3.9.1.
Paso 0: Entender el enunciado.
Para lograr esto se hace uso en este caso de un modelo grafico del sistema Figura 2. Modelo
gr
afico de problema de la compa
na x
2.3.9.2.
Paso 1: Determinaci
on de variables.
Observe que los elementos que influyen directamente en el problema son la cantidad de productos
A hechos en el proceso actual y la cantidad de A hecha en el nuevo proceso. Por lo tanto estas son
on del sistema.
x1 : U nidadesproducidasaldiaenelsistemaactual
x2 : U nidadesproducidasaldiaenelnuevosistema
2.3.9.3.
Pas
o 2: Determinaci
on de las restricciones.
En el modelo gr
afico se observa que las restricciones del problema estan relacionadas con la
cantidad de contaminantes que es posible descargar a la atmosfera diariamente por producir n
29

cantidad de A. Pero para reafirmar esta idea se analizaran los enunciados del problema original.
a) La ley establece que la empresa descargue a la atmosfera diariamente a lo sumo 10500 g de
di
oxido de azufre. Esta cantidad sera resultado de la combinacion de la cantidad producidas en
el sistema actual (15 g/unidad) y de la cantidad producida en el nuevo sistema (5 g/unidad). Lo
anterior queda representado en la siguiente afirmacion.
15x1 + 5x2 10500

b) La ley establece que la empresa descargue a la atmosfera diariamente no mas de 30000 g de
di
oxido de carbono. Esta cantidad sera resultado de la combinacion de las cantidades producidas en
el sistema actual (40 g/unidad) y por el nuevo sistema (20 g/unidad). Lo anterior queda representado
en la siguiente afirmaci
on.
40x1 + 20x2 30000

c) Las condiciones de no negatividad resultan logicas si se parte del hecho de que la cantidad
30
mnima de artculos que se pueden fabricar con cualquiera de los dos proceso es de 0. Lo que se
representa en las siguientes afirmaciones.
x1 0
x2 0
2.3.9.4.
Paso 3: Determinaci
on de la funci
on objetivo.
El objetivo de la empresa es obtener la mayor cantidad de utilidades como sea posible. Dichas
utilidades ser
an resultado del aporte de las utilidades resultado de la venta de las unidades producidas
en el sistema actual (contribuye $1.25/unidad) y del nuevo proceso (contribuyen $0.87 / unidad).
Lo anterior se traduce en la siguiente afirmacion.
Max (Z) 1,25x1 + 0,87x2
2.3.9.5.
Pas
o 4: Estructuraci
Funci
on Objetivo:
Max (Z) 1,25x1 + 0,87x2
15x1 + 5x2 10500
40x1 + 20x2 30000
x1 0 x2 0
2.3.10.
Problema 2. Dise
no de terapia (J., 2001)
Acaban de diagnosticarle a Silvia cancer de estomago en etapa 2. Lo que lleva a Silvia a buscar
las mejores opciones medicas de tratamiento que le ofrezcan mayores posibilidades de supervivencia.
Uno de los medicos onc
ologos que Silvia visita le explica que el tratamiento con radiacion le ofrece
mejores posibilidades de supervivencia. El medico le explica tambien que la base del tratamiento es
pasar radiaci
on ionizante a traves de su cuerpo que da
nara los tejidos cancerosos pero que tambien
da
nara a los tejidos sanos y que el da
no en estos tejidos sera mas severo cuanto mas cercanos esten
31
los tejidos a la zona del tumor. As mismo que las celulas cancergenas generalmente se encuentran diseminadas entre celulas sanas. Una vez terminada la explicacion del oncologo Silvia decide
someterse al tratamiento.
Ahora el medico se encuentra en la disyuntiva de balancear con cuidado todos los factores involucrados en la terapia de radiaci
on. Con el objetivo de dise
nar la combinacion adecuada de rayos a e
intensidades de cada uno para generar el tratamiento que sea lo mas efectivo posible para eliminar
el tumor, y a su vez sea lo menos da
nino para Silvia. Despues de una serie de analisis exhaustivos
el equipo dirigido por el onc
ologo estima que solo es necesario utilizar dos rayos de los cuales es
necesario estimar la dosis a aplicar.
El equipo considera como objetivo prioritario del tratamiento es minimizar la radicacion en el
tejido sano. Los datos necesarios a considerar en el tratamiento de Silvia se muestran en la siguiente
tabla.
2.3.10.1.
Formulaci
on del modelo.
2.3.10.2.
Lea otra vez el problema y se dara cuenta que los primeros parrafos solo dan el contexto de
referencia en el cual surge el problema el cual servira como base al momento de tomar decisiones.
Y que el problema propiamente dicho esta expresado en los dos u
ltimos parrafos y en la tabla
correspondiente.
32
2.3.10.3.
Paso 1: Determinaci
on de variables de decisi
on.
Los elementos que afectan directamente al problema es la dosis (en kilorads) a aplicar con cada
uno de los rayos en el tratamiento. Lo cual queda expresado en las siguientes sentencias.
x1 : intensidaddelrayo1 x2 : intensidaddelrayo2
2.3.10.4.
Paso 2: Determinar las restricciones del problema.
A continuaci
on se sistematizan las restricciones del modelo que se encuentran enunciadas en la
tabla anterior.
a) La dosis total que puede aplicarse a los tejidos crticos (tejidos sanos cercanos al tumor) es
como m
aximo de 2.7. Esta radiaci
on es una combinacion de la dosis aplicada por el rayo 1 y el rayo
2. Lo que se representa con la siguiente afirmacion.
0,3x1 + 0,1x2 2,7
b) La dosis total a aplicarse a la region del tumor es de 6 Kilorads. Esta dosis es una combinaci
on
de lo aplicado con el rayo 1 y rayo 2.
0,5x1 + 0,5x2 = 6
c) La dosis total a aplicarse en el centro del tumor es de cuando menos 6 Kilorads. Esta dosis es
una combinaci
on de lo aplicado con el rayo 1 y 2.
0,6x1 + 0,4x2 6
33
d) Las condiciones de no negatividad resultan logicas si se parte del hecho de que la dosis m
as
peque
na que se puede aplicar con cualquiera de los dos rayos de cero. Lo cual se expresa en las
siguientes sentencias.
x1 0
x2 0
2.3.10.5.
Pas
o 3: Determinaci
on de la funci
on objetivo.
El enunciado dice que el objetivo prioritario del tratamiento es minimizar la radicacion en el

tejido sano. Lo que se expresa en la siguiente sentencia.
Min (Z) 0,4x1 + 0,5x2
2.3.10.6.
Pas
o 4: Estructuraci
Funci
on objetivo:
Min (Z) 0,4x1 + 0,5x2
0,3x1 + 0,1x2 2,7
0,5x1 + 0,5x2 = 6
0,6x1 + 0,4x2 6
x1 0 x2 0
2.3.11.
Problema 3. Ensamble de autom

oviles. (J., 2001)
Una gran compa

na manufacturera dedicada a ramo automotriz organiza los vehculos que fabrica
en tres grupos distintos de acuerdo a sus caractersticas los cuales son A) Camiones, B) Autom
oviles
compactos C) Autom
oviles familiares.
34
Una de las plantas de la compa

na que se encuentra localizada en Queretaro ensambla dos
modelos del grupo de autom
oviles familiares. El primer modelo es un TSURU-87 de cuatro puertas
con asientos de vinil, recubrimientos de plastico de caractersticas austeras y de buen rendimiento.
Este modelo es generalmente comprado por familias de clase medio y por cada unidad vendida la
compa
na recibe una utilidad de $5 600. El segundo modelo es un TSURU-91 con cuatro puertas,
asientos e interiores en piel negra, con un sistema de navegacion guiado va satelite con caractersticas
de lujo. Este modelo es comprado por familias de clase media-alta y por cada unidad vendida se
genera una ganancia de $9 400.
Un gerente de la compa
na debe decidir el programa de produccion para el proximo mes en la
planta. Es decir el debe determinar cuantas unidades de TSURU-87 y TSURU-91 debe ensamblar la
f
abrica con el objeto de maximizar las ganancias de la compa
na. El sabe de antemano que la planta
cuenta con 50 000 h/mes de mano de obra y que el ensamble de una unidad TSURU-87 tarda 8.5 h
mientras que una unidad TSURU-91 tarda 10.2 h.
Debido a que la planta solo ensambla los automoviles requiere de partes que le son suministradas
por otras 2 f
abricas de la compa
na. El gerente conoce que la fabrica A solo proporcionara a la
planta de Queretaro 10000 pares de puertas, los modelos fabricados ocupan la misma cantidad de
puertas. Y la f
abrica de llantas solo proporcionara a lo sumo 5000 juegos de llantas de las que ocupa
el modelo TSURU-91 y cuando menos 2000 juegos de las que ocupa el modelo TSURU-87 .
Un pron
ostico hecho por el departamento de ventas de la compa
na estima que las ventas del
TSURU-91 est
a limitada a 3500 autos al mes. Y que las ventas del TSURU-87 es superior a 2000
autos al mes
2.3.11.1.
Formulaci
on del modelo.
2.3.11.2.
En este caso ser

au
til valerse de un modelo grafico del problema, para ayudar a la concepci
on
del modelo matem
atico.
35

2.3.11.3.
Paso 1: Determinaci
on de las variables de decisi
on.
Note que la cantidad de vehculos producidos de cada uno de los modelos son los elementos que
afectan directamente al problema por lo cual se escoge a estas como las variables de decisi
on del
problema.
x1 : CantidaddevehiculosproducidospormesdelmodeloT SU RU 87
x2 : CantidaddevehiculosproducidospormesdelmodeloT SU RU 91
2.3.11.4.
Pas
o 2: Determinaci
a) La cantidad disponibles de puertas es a lo mas de 10000 juegos. Estas cantidad sera consumida
por una combinaci
on de ambos modelos en una proporcion de 1 por cada unidad producida.
x1 + x2 10000
36
b) La cantidad disponible de mano de obra al mes es a lo sumo de 50000. Esta cantidad ser
a consumida por una combinaci
on del TSURU-87 (requiere 8.5 h/unidad) y del TSURU-91 (requiere
10.2h/ unidad).
8,5x1 + 10,2x2 50000
c) La cantidad de llantas disponibles para el TSURU-87 es de por lo menos 2000 juegos.
x2 2000
d) La cantidad de llantas disponibles para el TSURU-91 es de por lo menos 5000 juegos.
x1 5000
e) La demanda del TSURU-87 es cuando menos de 2000 unidades al mes.
x2 2000
f) La demanda de TSURU-91 es cuando mucho de 3500 unidades al mes.
x2 3500
37
g) Las condiciones de no negatividad resultan logicas si se considera el hecho de que la cantidad

mnima de ambos modelos que puede producir la planta es de cero.
x1 0
x2 0
Note que la restricci
on c y e son iguales ya que representan la misma region en el plano por lo
tanto al momento de estructurar el modelo solo se escribira un ves esta para no ser redundante en
el sistema.
As mismo que cumplir la condicion f involucra cumplir la condicion d, ya que si
x1 3500 necesariamente involucra que x2 sea menor que 5000.
2.3.11.5.
Pas
o 3: Determinaci
on de funci
on objetivo.
El gerente debe determinar cuantas unidades de TSURU-87 y TSURU-91 debe ensamblar la

f
abrica con el objeto de maximizar las ganancias de la compa
na. Lo que se traduce en la siguiente
afirmaci
on.
Max (Z): 5600x1 + 9400x2
2.3.11.6.
Paso 4: Estructuraci
Funci
on objetivo:
Max (Z) 5600x1 + 9400x2
Sujeta a:
x1 + x2 10000
8,5x1 + 10,2x2 50000
x1 2000
x2 3500
x1 0
x2 0
38
A lo largo del presente capitulo se seguira utilizando este procedimiento para la formulaci
on de
modelos matem
aticos con el objeto de que el lector se habitue a el. En los posteriores se dar
a por
hecho que esta habilidad ha sido ya adquirida.
2.3.11.7.
Ejemplo 1
Un fabricante manufactura un producto en dos versiones diferentes: estandar (E) y lujo (L). Las
principales operaciones relacionadas con la fabricacion del producto son las siguientes:
corte y te
nido
Costura
Acabados
Inspecci
on y empaque
Datos:
El jefe de producci
on ha estimado, para cada artculo, los siguientes tiempos unitarios de procesamiento (horas)
Asi mismo, la disponibilidad total de tiempo para cada departamento es la siguiente:
39
El departamento de contabilidad y finanzas estima que la contribucion marginal a la utilidad de

la empresa seg
un el tipo de producto que se fabrique es la siguiente:
Producto Est
andar =$ 10 por unidad
Producto de Lujo = $ 9 por unidad
Desarrollar un modelo matem
atico que permita maximizar la utilidad marginal de la empresa.
2.3.11.8.
RESOLUCION
1) Definimos variables de decision: X= Numero de piezas producidas del tipo i I 1, 2 Funci

on
Objetivo = Max Z: 10x1 + 9x2 Sujeto A
7/10x1 + x2 630
1/2x1 + 5/6x2 600
x1 + 2/3x2 708
1/10x1 + 1/4x2 135
X1 , x2 0
Formulaci
on verbal del problema:FO + Restricciones Formulacion del problema: variables + FO +
Restricciones Formulacion clasica de un PL (completa)
Ejemplo 2
La empresa Qumica M&D desea programar la produccion del proximo mes de dos de sus productos (A y B), a partir del mismo equipo. Conforme a la poltica de produccion de la empresa, el
programa de producci
on para el mes siguiente debe cumplir con las condiciones:
* La producci
on combinada de ambos productos debe ser de al menos 350 litros.
* El cliente principal ha hecho un pedido de 125 litros del producto A para el proximo mes.
Datos.
- La fabricaci
on de un litro de producto A requiere de 2 horas de procesamiento
- La fabricaci
on de un litro de producto B requiere de 1 hora de procesamiento,
40
- La disponibilidad del equipo para el proximo mes es de 600 horas,

- Los costos de producci
on son de $2 por cada litro de producto A y de $3 por cada litro de
producto B.
Proponga un plan de producci
on que minimice los costos.
Formulaci
on verbal del problema: FO + restricciones Formulaci
n del problema: variables + FO
+ restricciones Formulaci
on cl
asica de un PL (completa)
2.3.12.
2.3.12.1.
3. Otras clases de problemas

Problema de producci
on
La compa
na QUIMEX produce pinturas para interiores y exteriores, a partir de las materias
primas M1 y M2. La tabla siguiente proporciona los datos de disponibilidad de materias primas,
requerimientos de las mismas y utilidad de cada tipo de pintura.
De acuerdo con su nivel de participacion en el mercado, la gerencia de la empresa estima que

puede vender la producci
on total de pintura de cada da, por lo que desea obtener el nivel de
producci
on que le permita maximizar sus utilidades. Se debe producir al menos el doble de pintura
para interiores que de pintura para exteriores. Se pueden producir cuando mucho 8 toneladas de
pintura cada da. El objetivo es maximizar la utilidad. Problema de la Dieta Se desea determinar
los ingredientes a incluir en el men
u mas economico, que satisfaga los requerimientos nutricionales
41
diarios. Los nutrientes a considerar en este ejemplo, junto con el requerimiento diario de los mismos;
as como los alimentos disponibles, su precio, y su contenido nutricional se muestran en la tabla
siguiente:
Generalizaci
on. En una instancia del problema de la dieta se tienen:
n alimentos
m nutrientes
Para los cuales se conoce:
El requerimiento diario del nutriente i, i = 1, 2,. . . ,m
El costo de una unidad del alimento j, j = 1, 2,. . . ,n
La cantidad del nutriente i contenida en una unidad del alimento j (i = 1, 2, . . . , m; j = 1, 2, . . . , n)
Se definen las variables de decisi
on (controlables). Sea xj la cantidad del alimento j (j = 1, 2,. . . ,n)
incluida en la dieta. Problema de Mezclado.
El nutri
ologo de un laboratorio de investigacion en alimentos esta trabajando en el desarrollo
de un nuevo tipo de harina multigrano. En la elaboracion de la harina tiene contemplado el uso de
cuatro granos cuya composici
on en nutrientes y precio se muestran a continuacion:
Por consideraciones de gusto, la mezcla no debe contener mas del 20 % del grano dos, pero debe
contener al menos 30 % del grano tres, y entre 10 % y 25 % del grano uno. Ademas, la harina debe
42

contener al menos 18 % de protenas, entre 8 % y 13 % de gluten y no mas de 50 % de fibra. Se
desea encontrar la mezcla de granos que permita obtener la harina mas economica, que satisfaga las
condiciones dadas.
2.3.13.
Problema de Selecci
on de Portafolios
Usualmente, se trata de maximizar el retorno de inversion o minimizar el riesgo asociado a la

inversi
on. Las restricciones tpicamente toman la forma de inversion maxima permitida (legislaci
on o
poltica de la empresa), m
aximo riesgo permitido, etc. Considere el caso de Welte Mutual Funds, Inc
(WMF), quienes han obtenido $100,000 al convertir bonos industriales en efectivo, y ahora buscan
otra oportunidad para invertir. . . Especficamente, existen 5 oportunidades diferentes:
Especificaciones:
- Ninguna industria (Petr
oleo y Acero) debe de tener invertidos mas de $50,000.
43
- Los bonos de gobierno deben ser al menos iguales al 25 % de la inversion en industria del acero.
- La inversi
on en Pacific Oil no debe ser mayor al 60 % del total de la industria del petroleo.
2.3.13.1.
RESOLUCION
Definimos variables de decisi

on:
Xi : Cantidad de dinero invertida F.O: Z= 0,073x1 + 0,103x2 + 0,64x3 + 0,075x4 + 0,045x5
x1 + x2 50, 000
x3 + x4 50, 000
X5 0,25x1 0,25x2 0 (industria de petroleo)
x5 0,25(x3 + x2 ) (industria del acero)
x2 0,60(x1 + x2 )
despejando
06x1 + 0,4x2 0
2.3.14.
Problema de cubrimiento
Cada hora, desde las 10 a.m. hasta las 7 p.m., un banco recibe cheques y debe procesarlos. Su
objetivo es procesar todos los cheques el mismo da en que los recibe. El banco tiene 13 maquinas
procesadoras de cheques, cada una de las cuales tiene la capacidad de procesar hasta 500 cheques
por hora.
Se requiere un trabajador que opere cada maquina. El banco contrata empleados de tiempo
completo y de medio tiempo. os trabajadores de tiempo completo trabajan de 10 a.m. a 6 p.m., de
11 a.m. a 7 p.m.
o de medio da a 8 p.m., y cobran $160 diarios. Los empleados de medio tiempo
trabajan de 2 p.m. a 7 p.m.
o de 3 p.m. a 8 p.m. y se les paga $75 diarios. El n
umero de cheques
44

que se reciben cada hora est
a representado en la tabla. Dado que al banco le interesa conservar la
continuidad, opina que debe tener por lo menos tres trabajadores de tiempo completo bajo contrato.
Desarrollar un horario de trabajo de costo mnimo que tenga procesados todos los cheques a las 8
p.m.
Definimos variables de decisi
on:
Xij I= tipo de empeado J=horario de trabajo F.O: Min Z= 160(x11 + x12 + x13 + 75(x21 + x22 ))
S.A
x11 + x12 + x13 ) 3
500(x11 + x12 + x13 + x21 + x22 ) 5, 000
2.3.15.
Problema de transporte
Problema de transporte. La compa

na azucarera Diamante tiene dos ingenios localizados en
C
ordoba, Ver. y Ciudad Valles, SLP. La compa
na surte el az
ucar que requiere una compa
na productora de refrescos con plantas en Ro Blanco, Ver., San Luis Potos, SLP y Tehuacan, Pue. La
compa
na Diamante produce 5 y 8 toneladas de az
ucar por semana en los ingenios de Cordoba y
Ciudad Valles, respectivamente, mientras que las embotelladoras requieren de 3, 5 y 4 toneladas de
az
ucar por semana en Ro Blanco, San Luis Potos, y Tehuacan, respectivamente. El az
ucar puede
ser enviado de cualquier ingenio a cualquier embotelladora, pero el costo de transporte difiere seg
un
la trayectoria. Los costos de enviar una tonelada de az
ucar del ingenio i a la embotelladora j se
45
muestran en la tabla siguiente:
Se desea determinar la manera de transportar el az

ucar de los ingenios a las embotelladoras que
tenga un mnimo costo.
2.3.15.1.
RESOLUCION
Xij = i = 1, 2j = 1, 2, 3 Min Z= 2x11 + 6x12 + 3x13 + 5x21 + 3x22 + 7x23

S.A
x11 + x12 + x13 5
x21 + x22 + x23 8
x11 + x21 = 3
x12 + x22 = 5
x13 + x23 = 4
2.3.16.
Problema de asignaci
on
Cuatro trabajos deben realizarse simultaneamente y se dispone de cuatro maquinas diferentes

para ello, en las cuales es posible realizar cualquiera de los trabajos, pero con diferentes costos. Los
costos de realizar el trabajo i en la maquina j, para cada pareja (i,j), se muestran en la siguiente
tabla:
46
Se desea determinar la asignacion de los trabajos a las maquinas que permita realizar los trabajos
con el menor costo posible.
2.3.16.1.
RESOLUCION
Determinar variables de decisi

on: Min Z: 3x11 + 4x12 + 2x13 + 7x14 + 4x21 + 6x22 + 3x23 + 8x24 +
5x31 + 3x32 + 3x33 + 9x34 + 6x41 + 7x42 + 4x43 + 6x44
S.A: Nota: estas restricciones aseguran que para cada trabajo hay una maquina.
x11 + x12 + x13 + x14 = 1
x21 + x22 + x23 + x24 = 1
x31 + x32 + x33 + x34 = 1
x41 + x42 + x43 + x44 = 1
Nota: estas restricciones aseguran que para cada maquina se le asigno un trabajo.
x11 + x21 + x31 + x41 = 1
x12 + x22 + x32 + x42 = 1
x13 + x23 + x33 + x43 = 1
x14 + x24 + x34 + x44 = 1
xi 0
2.3.17.
Problema de Flujo M
aximo
Considerese una red de tubera (drenaje, cables electricos, etc), teniendo, cada una, una capacidad
(lmite superior de la cantidad de flujo que por ella puede pasar por unidad de tiempo). Se busca
determinar la cantidad m
axima de flujo que se puede enviar desde un vertice origen o fuente F a un
vertice destino o sumidero S, sabiendo que el flujo es conservativo (la cantidad de flujo que entra en
un vertice intermedio es igual a la cantidad de flujo que sale del mismo).
Suponga que se trata de una red de agua potable constituida por la grafica G = (V,A) mostrada en
la figura siguiente, en la cual se indica para cada arista su capacidad, en m3/seg. Se desea determinar
la cantidad del lquido que debe viajar por cada arco de manera que se maximice el flujo enviado de
F a S. Problema de corte Una empresa papelera vende rollos de papel en tres presentaciones: Rollos
47

de 1.5 pulgadas, rollos de 2.5 pulgadas y rollos de 3.5 pulgadas. Para producirlos, utiliza un rollo
maestro de papel de 10 pulgadas de ancho, el cual puede ser cortado de acuerdo a las siguientes
alternativas de corte. Por ejemplo, si se corta el rollo maestro de acuerdo a la alternativa 1, se
obtienen 6 rollos de 1.5 pulgadas de ancho y un rollo de desperdicio de una pulgada de ancho. Si se
corta el rollo maestro de acuerdo a la alternativa 2, se obtienen 4 rollos de 2.5 pulgadas sin generar
desperdicio. Etc.
La demanda esperada para las tres presentaciones es de al menos 1000, 2000 y 4000 rollos.
Formule el problema de Programacion Lineal que minimice el desperdicio que se generara en un
programa de producci
on que satisfaga la demanda apuntada para las tres presentaciones.
2.3.18.
Problema de planeaci
on de la producci
on
Se debe determinar los niveles de produccion que permitan que la empresa cumpla con sus niveles
de demanda, dadas las limitaciones de capacidad, mano de obra y espacio de almacenamiento, y
48
para que los costos totales (produccion, mantenimiento de inventario y cambio en los niveles de
producci
on) se minimicen. Datos Una compa
na manufactura 2 componentes electronicos A y B.
La demanda para el pr
oximo trimestre, los requerimientos de tiempo y espacio por componente, las
capacidades de las m
aquinas, la mano de obra y almacenamiento se ense
nan en las tablas siguientes:
El costo de producci
on es de $20 para un componente A y de $10 para un componente B. Los
costos de inventario son de 1.5 % del costo de produccion. La empresa considera que el costo asociado
a:
- un incremento en el nivel de produccion es de $0.50 por unidad,
- un decremento en el nivel de produccion es de $0.20 por unidad.
Suponga que el inventario al inicio del periodo es de 500 unidades del componente A y 200
unidades del componente B. La compa
na desea tener un inventario mnimo de 400 unidades de
componente A y 200 unidades de componente B. Finalmente, la produccion en marzo (mes anterior
al trimestre considerado) fue de 1500 unidades de A y de 1000 unidades de B. Problema de producci
on
modificado Corresponde al an
alisis de cuantos componentes debera de manufacturar una empresa y
cu
antos de ellos debera comprar a un proveedor. Una compa
na que fabrica 2 modelos de calculadora
(Financiera y Tecnica) busca determinar cuantos de sus componentes producir y cuantos comprar El
49
pron
ostico de la demanda indica que se requeriran 3000 calculadoras financieras y 2000 calculadoras
tecnicas. La capacidad de produccion esta limitada a 200 hrs de mano de obra en tiempo regular y
50 en tiempo extra (el cual se paga a $9 extra sobre salario normal). Datos del problema:
2.3.19.
Problema de Mercadotecnia
La compa
na R-E desea comercializar un fraccionamiento de descanso orientado a personas de
clase media-alta y alta, que viven en un radio de 100 millas. La compa
na BP&J esta a cargo del
plan de medios. El presupuesto disponible para el primer mes de publicidad es de $30,000, el cual
ser
a sujeto a las siguientes condiciones:
- Usar al menos 10 comerciales de TV
- Mostrar la publicidad a al menos 50,000 personas
- No gastar m
as de $18,000 en TV
50
Captulo 3
Elementos b
asicos de la
Programaci
on lineal
3.1.
3.1.1.
Algebra Lineal
Vectores
Un nvector o (tambien llamado vector de tama

no n) es una coleccion finita y ordenada de
elementos homogeneos de datos en una hilera (renglon) o una columana; algunos ejemplos de vec
1
1
tores son: 2 , [1 2 3], 0

y [1 0 3 0,65 9] entre otros. Generalmente, se emplean letras
3
0
min
usculas para denotar a un vector, ya sea columna o hilera.
Si a =
y
adem
a
s
a
y
a
R
entonces
se
dice
que
a
R
;
si
a
=
1
2
a2
a1
a2
y ai R i =
..
.
an
1, . . . , n entonces se dice que a Rn .

Un vector se puede representar por un punto, o bien, por un segmento de recta. Los elementos
y c) SENTIDO.
de un vector son: a) MODULO:
b) DIRECCION
51
El m
odulo de vector a es la longitud del vector y se denota como |a| y se determina a traves de
la siguiente ecuaci
on:
|a| =
q
a21 + a22 + . . . + a2n
La direcci
on de un vector a es la recta que lo contiene, mientras que el sentido de un vector es
la orientaci
on de dicho vector. Si dos vectores a y b poseen la misma magnitud, direccion y sentido,
entonces se dice que ambos vectores son igules a = b.
Antes de continuar se revisan algunos vectores especiales.
Vector cero es aquel cuyas componentes son todas cero y se denota como 0 e.g: a = [0 0 0 0 0].
Vector de unos es aquel cuyas componentes son todas unos e.g: a = [1 1 1]. Vector unitario es
aquel cuyo m
odulo es uno, en otras palabras, es un vector cuyas componentes todas son cero excepto
por un uno en la i esima posici
on e.g: a = [0 0 1 0 0].
3.1.2.
Operaciones con vectores
Suma entre vectores. Dados los vectores a = [a1 , a2 , . . . , an ] y b = [b1 , b2 , . . . , bn ] , se define el

vector suma a + b como: [a1 + b1 , a2 + b2 , . . . , an + bn ]
Resta entre vectores. Dados los vectores a = [a1 , a2 , . . . , an ] y b = [b1 , b2 , . . . , bn ] , se define el
vector resta a b como: [a1 b1 , a2 b2 , . . . , an bn ]
Producto de un escalar con un vector. Dado un vector a = [a1 , a2 , . . . , an ] y un escalar k se
define el producto del escalar como: ka = [ka1 , ka2 , . . . , kan ].
Producto interior. Dados los vectores a = [a1 , a2 , . . . , an ] y b = [b1 , b2 , . . . , bn ] , se define al
Pn
producto interior entre los vectores como a b = a1 b1 + a2 b2 + . . . + an bn = i=1 ai bi . Dos
vectores son ortogonales o perpendiculares si su producto interior es cero.
Norma de un vector: la norma del vector a = [a1 , a2 , . . . , an ] se denota como ||a|| y es ||a|| =
pPn
2
i=1 ai .
Se dice que un vector b = [b1 , b2 , . . . , bn ] es una combinacion lineal de a1 , a2 , . . . , ak en un espacio
Pk
Pk
euclidiano n dimensional E n ; si b = i=1 i a, en donde i R i = 1, . . . , n. Si ademas i=1 i =
1 entonces se dice que b es una combinacion afin de a1 , a2 , . . . , ak .
52
Se dice que un conjunto de vectores es linealmente independiente si ninguno de ellos puede ser
escrito con una combinaci
on lineal de los restantes.
3.1.3.
Matrices
Una matriz es un arreglo rectangular de n

umeros, llamados elementos, ordenados de tal manera
que cuente con m filas y n columnas. Los elementos pueden ser n
umeros reales o complejos.
Para definir un elemento dentro de una matriz se utiliza una notacion con doble subndice
a11
a21
A=
.
..
an1
a12
...
a22
..
.
...
..
.
an2
...
a1m
a2m
..
.
anm
As el elemento aij es aquel localizado en la i esima fila y en la j esima columna.

A continuaci
on, se presentan algunas definiciones de matrices importantes.
MATRIZ CUADRADA: Es una matriz donde m = n, se llama simplemente de n n. e.g:
2 3 4 5
0 3 0 5
A=
2 4 3 9
2 3 4 5
MATRIZ DE CEROS: Todos los elementos de la matriz son cero. e.g:
0 0
A=
0 0
MATRIZ IDENTIDAD: Es una matriz cuadrada donde todos los elementos de la diagonal principal
son 1; mientras que todos los demas elementos
0
A=
son cero. e.g:
0 0 0
1 0 0
0 1 0
0 0 1
53
MATRIZ TRIANGULAR SUPERIOR: Es una matriz cuadrada, donde los elementos por abajo
de la diagonal principal son todos cero, esto es:
0
A=
MATRIZ TRIANGULAR INFERIOR: Es una matriz cuadrada en la que los elementos por arriba
de la diagonal superior son cero; esto es:
2
A=
3.1.4.
Operaciones b
asicas con matrices
Suma entre matrices. Dadas las matrices A y B, ambas con el mismo n

umero de hileras y
columnas, se define a la matriz suma como A + B = aij + bij
Resta entre matrices. Dadas las matrices A y B, ambas con el mismo n
umero de hileras y
columnas, se define a la matriz suma como A B = aij bij
Producto escalar con matricez. Dada la matriz A y el escalar k, se define al producto escalar
como kA = k aik
Producto entre matrices. Sean A y B matrices, donde el n
umero de columnas de A es igual al
Pm
n
umero de filas de B se define al producto como A B = C donde cij = k=1 aik bkj
3.1.4.1.
Rango de una matriz
El rango de una matriz es el n

umero de vectores (filas o columnas) de esa matriz que son
linealmente independientes. Un vector es linealmente dependiente de otro u otros si se puede establecer una combinaci
on lineal entre ellos. Un vector es linealmente independiente de otro si no se
54
puede establecer una combinaci

on lineal entre ellos. Generalmente se denota el rango como rang(A)
o r(A). Se puede decir que el rango es el orden de la mayor submatriz cuadrada no nula. Utilizando
esta definici
on se puede calcular el rango usando determinantes.
3.1.4.2.
Inversa de una matriz
En matem
aticas, en particular en algebra lineal, una matriz cuadrada A de orden n se dice que es
invertible, no singular, no degenerada o regular si existe otra matriz cuadrada de orden n, llamada
matriz inversa de A y representada como A1 . Las propiedades de la inversa son: a) La inversa
de una matriz, si existe, es u
nica. b) La inversa del producto de dos matrices es el producto de
las inversas cambiando el orden. c) Si la matriz es invertible, tambien lo es su transpuesta, y la
inverso de su transpuesta es la transpuesta de su inversa. d) Una matriz es invertible s y solo si el
determinante de A es distinto de cero.
3.2.
Conjuntos Convexos
Una colecci
on g de conjuntos abiertos cuya union contiene a X con frecuencia se llama cubierta
de X. De modo que el requisito para que X sea compacto es que toda cubierta g de X se pueda
sustituir por una cubierta finita g de X.
Definici
on 3 Se dice que X es compacto si siempre que este contenido en la uni
on de una colecci
on g = G de conjuntos abiertos, tambien est
a contenido en la uni
on de alg
un n
umero finito de
conjuntos en g.
Generalmente, se dice que un conjunto X es convexo si cualquier par de puntos en X se
unen por un segmento lineal l, el cual esta totalmente incluido en X ; en contraste, se dice que X
es no-convexo si l
/ X. En otras palabras, X es convexo si la combinacion lineal de cualquier
par de puntos en X queda contenida en X. De otra manera, X es un conjunto no convexo [?]. En
on, se
la Figura 3.1, se muestran algunos conjuntos convexos y no-convexos en R2 . A continuaci
define formalmente conjunto convexo, as como otras ideas relacionadas que seran utilizadas en los
siguientes captulos.
55
Figura 3.1: Conjuntos Convexos y No-convexos
56
Definici
on 4 Un conjunto F Rn es convexo si para todo xi , xj F y [0, 1] se satisface que:
xi + (1 )xj F
(3.2.1)
[?, ?].
Una ecuaci
on equivalente es: dado un par de puntos cualquiera xi , xj el conjunto de puntos del
segmento rectilneo que los une tambien est
aF
f (xi + (1 )xj ) f (xi) + (1 )f (xj )
(3.2.2)
[?]
Definici
on 5 Un elemento x0 X es una combinaci
on lineal convexa de x1 , x2 , . . . , xk Rn si se
satisface el siguiente sistema de ecuaciones lineales:
x0 =
Pk
Pk
i=1
i=1
i xi
i = 1
(3.2.3)
i 0 para todo i = 1, 2, . . . , k
[?, ?].
Topol
ogicamente, un conjunto conexo es un subconjunto de un espacio topologico (X, U) tal que no
puede ser descrito como la uni
on disjunta de dos conjuntos abiertos de la topologa U. Es decir, el
conjunto X es conexo, si y s
olo si, los u
nicos conjuntos de U abiertos y cerrados a la vez son los
conjuntos triviales.
Definici
on 6 Un conjunto X es conexo, si y s
olo si, cada vez que X AB siendo A y B conjuntos
abiertos y A B = entonces A = X y B = o bien A = y B = X.
Proposici
on 1 Los conjuntos convexos tienen de las siguientes propiedades [?, ?, ?]:
El es un conjunto convexo.
Un punto es un conjunto convexo.
57
Un segmento de lnea recta es conjunto convexo pues satisface la siguiente condici

on x
Rn /x = xi + (1 )xj ; xi , x2 Rn ; [0, 1].
El conjunto Rn es conjunto convexo.
La intersecci
on finita o infinita de conjuntos convexos es un conjunto convexo.
La uni
on de conjuntos convexos en general, no tiene que ser un conjunto convexo.
La combinaci
on lineal de conjuntos convexos es un conjunto convexo.
Si A y B son conjuntos convexos y k R entonces los siguientes conjuntos tambien son
convexos :
A B = {
x R2n /
x = (
a, b), a
A, b B}.
A + B = {
x R2n /
x = (
a, b), a
A, b B}.
k A = {
x Rn /
x=ka
, a
A}.
En los teoremas de Heine-Borel y seleccion de Blaschke se combinan los conceptos de conjuntos
compactos y conexos.
Teorema 1 (Teorema de Heine-Borel) Si un conjunto X Rn tiene alguna de las siguientes
propiedades, entonces poseer
a tambien las otras dos:
X es cerrado y conexo.
X es conexo
Todo subconjunto infinito de X tiene un punto de acumulaci
on en la frontera de X.
Teorema 2 (Selecci
on de Blaschke) De cualquier sucesi
on uniformemente acotada de conjuntos
convexos compactos se puede extraer una subsucesi
on convergente a un conjunto convexo y compacto.
Definici
on 7 Un hiperplano h(X) es un subespacio de Rn , el cual, satisface la siguiente ecuaci
on
[?]:
h(X) =
n
X
i=1
donde: h(X) Rn , ai Rn , ai 6= 0, b R.
58
ai xi = b
Teorema 3 Un hiperplano es un conjunto convexo [?]

Un hiperplano divide a Rn en dos regiones denominadas semiespacios. En la Figura 3.2, se muestran
ejemplos de hiperplano y semiespacio en R2 y en R3 . S
Figura 3.2: Ejemplos de hiperplano y semiespacios
Definici
on 8 Un semiespacio F es un conjunto de puntos, el cual satisface [?]:

F = x Rn : a T x b

o bien:F = x Rn : aT x b
(3.2.4)
Si un semiespacio F satisface la ecuacion 3.2.4 como una desigualdad estricta, entonces se dice F es
un espacio abierto. En otro caso se dice que F es un espacio cerrado.
Teorema 4 Un semiespacio es un conjunto convexo [?].
La envoltura convexa o casco convexo de X
representada como conv(X) es el conjunto que
contiene a todas las combinaciones lineales convexas de los puntos xi , xj X [?, ?]. En la Figura
3.3, se muestra un ejemplo de una envoltura convexa para nueve puntos en R2
n
o
Pk
Pk
Definici
on 9 conv(X) = xi X| i=1 i xi , i 0 i = 1, 2, . . . , k,
i=1 i = 1, k R .
59
Figura 3.3: Ejemplo de envoltura convexa

Teorema 5 El conv(X) de un conjunto X es el menor conjunto convexo que contiene a ese conjunto
[?].
Una clase muy importante de los conjuntos convexos es la de conos convexos [?]. De manera informal,
se define a un cono convexo como un conjunto convexo cuyos elementos son todos los segmentos
de lnea que salen del origen. En la Figura 3.4 se muestra un ejemplo de cono convexo.
Figura 3.4: Ejemplo de cono convexo
A continuaci
on, presenta la definicion de cono convexo:
60
Definici
on 10 Si un conjunto convexo C satisface: x C para todo x C y todo 0, entonces
se dice que C es un cono convexo
Un rayo es una colecci
on de puntos que satisface x0 + d : 0, donde d es un vector distinto
de cero al cual se le denomina direcci
on del rayo. Un conjunto poli
edrico o poliedro P es la
intersecci
on de un n
umero finito de semiespacios; a un conjunto poliedrico acotado se le denomina
politopo [?]. En la Figura 3.5 se muestra un ejemplo de politopo en R3 .
Figura 3.5: ejemplo de politopo en R3
A continuaci
on, se define lo que es un poliedro y un politopo:
Definici
on 11 Un P Rn es el conjunto de puntos x que satisface P = {x Rn : Ax b}, donde:
A es una matriz tal que A Rmn y b es un vector tal que b Rm . Si A y b son racionales ,
entonces P es un poliedro racional [?].
Definici
on 12 Un politopo convexo es resultado por la intersecci
on finita no vaca de semiespacios
cerrados engendrados h(X) [?].
Teorema 6 Todo politopo es un conjunto convexo cerrado [?].
C) Funciones convexas y c
oncavas Sobre la idea de conjunto convexo, se definen las funciones
c
oncavas y convexas, las cuales desempe
nan un papel importante en la optimizacion [?].
61
Definici
on 13 Dado un conjunto convexo y no vaco F Rn y f : F R. La funci
on f es
convexa en F si y s
olo si para todo par de puntos xi , xj F y [0, 1] se satisface que
f (xi + (1 )x2 ) f (xi ) + (1 )f (x2 )
(3.2.5)
[?, ?]
En la Figura 3.6, se se presenta un eemplo de una funcion convexa.
Figura 3.6: Ejemplo de funcion convexa
Definici
on f es
estrictamente convexa en F si y s
olo si para todo par de puntos xi , xj F y [0, 1] se satisface
que
f (xi + (1 )x2 ) < f (xi ) + (1 )f (x2 )
(3.2.6)
[?]
Definici
on 15 Dado un conjunto convexo no vaco F Rn y f : F R. La funci
on f es c
oncava
en F si y s
olo si para todo par de puntos xi , xj F y [0, 1] se satisface que
f (xi + (1 )x2 ) f (xi ) + (1 )f (x2 )
(3.2.7)
[?]
En la Figura 3.7, se presenta un ejemplo una funcion concava.
Definici
on f es
estrictamente c
oncava en F si y s
olo si para todo par de puntos xi , xj F y [0, 1] se satisface
62
Figura 3.7: Ejemplo de funcion concava

que
f (xi + (1 )x2 ) > f (xi ) + (1 )f (x2 )
(3.2.8)
[?]
El teorema 7 establece un criterio de convexidad de las funciones diferenciables:
Teorema 7 Sea f una funci
on diferenciable en F. Entonces f es convexa si, y s
olo si:
f (x) f (x0 ) + 4f (x0 (x x0 ))
(3.2.9)
para todo x, x0 F.
Definici
on 17 Sea f una funci
on convexa definida sobre un conjunto F R (convexo no vaco),
entonces la funci
on f se define como una funci
on c
oncava en F
Teorema 8 Dada una funci
on f doblemente diferenciable, si su segunda derivada f 00 (x) es positiva,
entonces f es convexa; si f 00 (x) es negativa, entonces es c
oncava. Si f 00 (x) es cero entonces f no es
c
oncava ni convexa (vease Figura 3.8).
Definici
on 18 Una funci
on f definida sobre un conjunto F R (convexo no vaco), es lineal, si y
s
olo si, para todo par de puntos xi , xj F y [0, 1] se satisface que:
f (xi + (1 )x2 ) f (xi ) + (1 )f (x2 )
f (xi + (1 )x2 ) f (xi ) + (1 )f (x2 )
63
(3.2.10)
Figura 3.8: Ejemplo de funcion ni concava ni convexa
Figura 3.9: Ejemplo de funcion lineal
64
En la Figura 3.9, se presenta un ejemplo una funcion lineal.

Algunas de las propiedades de las funciones concavas y convexas son:
Dada una familia de funciones convexas, representada con (fi i = 1 . . . m, definida sobre el
Pn
conjunto X Rn convexo y no vaco, la funcion f = i=1 fi es convexa en X.
Sea f : X Rn R y sea X un conjunto convexo y no vaco, entonces se tiene:
f es convexa, si y s
olo si, f , con > 0, es convexa.
f es estrictamente convexa, si y solo si, f , con > 0, es estrictamente convexa.
f es convexa, si y s
olo si, f , con < 0, es concava.
f es estrictamente convexa, si y solo si, f , con < 0, es estrictamente concava.
Una funci
on f : X R lineal es convexa y concava.
3.2.0.3.
Optimo local y global
El concepto de punto extremo es fundamental para definir si un punto es optimo; en terminos

generales, se dice que x F es un punto extremo, si y solo si, x no puede ser expresado como una
combinaci
on convexa estricta de cualquier par de puntos distintos en F [?]. En la definicion 19 se
formaliza dicho concepto.
Definici
on 19 Dado x F. Si no existen x1 , x2 F, tales que:
x = x1 + (1 )x2
donde:
(3.2.11)
x1 6= x2
(0, 1)
entonces se dice que x es un punto extremo de F.
Con base en las ideas de conjunto convexo y la de punto extremo, se concluye que dado un punto x
en conjunto convexo X, si no existe ning
un segmento de recta (no degenerado) en X que contenga
a x en su interior relativo, entonces x es un punto extremo de X. Al conjunto de todos los puntos
extremos de X se le denomina perfil de X y se le denota como: ext(X).
65
Teorema 9 (Minkowski, Krein-Milman) Todo cuerpo convexo X R es la envoltura convexa

de sus puntos extremos [?].
Un punto extremo es un punto frontera; sin embargo, no todos los puntos frontera son puntos
extremos.
Localizar los puntos extremos es fundamental para la optimizacion, particularmente para la
programaci
on lineal, ya que en ellos se encuentran los valores maximos o mnimos de un funci
on.
Definici
on 20 Sea x un punto en el dominio de una funci
on f . Si f 0 (x) = 0, o bien, f 0 (x) no
est
a definida; entonces, se le denomina a x como un valor crtico y (x, f (x)) es un punto crtico.
Si en un intervalo [a, b] entorno al punto x, la funcion f toma el mayor (o menor) valor, entonces se
dice que x es m
aximo (o mnimo). A continuacion, se definen los conceptos de maximo y mnimo.
Definici
on con dominio F. Si para un punto x se satisface: f (x )
f (x) x F, entonces se dice que x es un m
aximo global de f .
Si se satisface la desigualdad f (x ) > f (x) para todos x 6= x F, entonces se dice que: x es un
punto m
aximo global estricto.
Definici
on con dominio F. Si para un punto x se satisface: f (x )
f (x) x F, entonces se dice que x es un mnimo global de f .
Si se satisface la desigualdad f (x ) < f (x) para todos x 6= x F, entonces se dice que: x es
un punto mnimo global estricto. Con base en lo anterior y al concepto de conjunto, se puede
aximo, si no existe un x1 F
concluir que: un elemento x en un conjunto F es un elemento m
tal que f (x ) < f (x1 ). En contraste, el elemento x F es un elemento mnimo de F si no existe
un elemento x1 F tal que f (x ) > f (x1 ).
Generalmente, se dice que un punto x es un m
aximo local, si f (x) f (xi ) xi X 0 , donde
X 0 es un intervalo semiabierto de F. Por otro lado, se dice que x es un mnimo local, si f (x)
f (xi ) xi X 0 . En la Figura 3.10, se presenta un ejemplo con las ideas de mnimo global y local.
66
Figura 3.10: Ejemplo de mnimo local y global

Si x es mnimo global tambien sera una mnimo local; ya que al ser f (x ) el valor mas peque
no
de f en F se implica que f (x ) sea el valor mas peque
no f en X 0 . Por otro lado un maximo global
tambien es una m
aximo local.
A continuaci
on, se dan las reglas de la primera y la segunda derivada; las cuales, permiten
identificar un mnimo (o m
aximo) local.
Prueba 3.1 (Prueba de la primer derivada) Sea f una funci
on continua diferenciable en intervalo (a, b), excepto posiblemente en el punto crtico x (a, b). Si al moverse a lo largo de f cerca
de x se satisface que:
f 0 cambie de negativo a positivo en x, entonces f tiene un mnimo local en x.
f 0 cambie de positivo a negativo en x, entonces f tiene un m
aximo local en x.
f 0 no cambie de signo en x, entonces f no tiene un extremo local en x.
[?]
En el ejemplo 3.1 se muestra el uso de la prueba de la primera derivada.
67
Ejemplo 3.1
Dada la funci
on f (x) = 5x4 6x2 +1. Utilizar la prueba de la primera derivada con el fin de encontrar
y caracterizar los puntos extremos locales. Como primer paso, se determinan los puntos crticos de
la funci
on.
f 0 (x) =
d
4
dx (5x
6x2 + 1)
f 0 (x) = 20x3 12x

igualando f 0 (x) a cero
20x3 12x = 0
5x3 3x = 0
x(5x2 3) = 0
lo cual implica que:
x=0
o bien
q
x = 35
En las tablas 3.1, se caracterizan los tres puntos crticos de la funcion.
Cuadro 3.1: Comportamiento de f (x) = 5x4 6x2 + 1 en los puntos crticos.

signo de f 0
Intervalo
q
<
q
35 < 0
q
0 < 35
q
3
5 <
3
5
Comportamiento de f
Decrecimiento
Crecimiento
Decrecimiento
Crecimiento
En la Figura 3.11, se presenta la grafica de la funcion.

Prueba 3.2 (Prueba de la segunda derivada) Sea f (x) una funci
on dos veces diferenciable en
un intervalo abierto (a, b), el cual contiene a un punto (x)
Si f 0 (x) = 0 y f 00 (x) < 0, entonces f tiene un m
aximo local en x.
68
Cuadro 3.2: Caractersticas de los puntos crticos.
x
q
0
q
3
5
3
5
f (x)
f 0 (x)
-0.8
mnimo
maximo
-0.8
mnimo
Tipo de extremo local
Figura 3.11: f (x) = 5x4 6x2 + 1

Si f 0 (x) = 0 y f 00 (x) > 0, entonces f tiene un mnimo local en x.
Si f 0 (x) = 0 y f 00 (x) = 0, entonces la prueba falla; puesto que f puede tener un m
aximo local,
mnimo local, o ninguno de ellos en x.
[?]
69
3.2.0.4.
Espacio de b
usqueda y espacio factible
Definici
on 23 Dado x F, un vector d es una direcci
on factible de x si existe un > 0 tal que
x + d F para todos los 0 .
En modelos los optimizaci
on se define de manera implcita el espacio de b
usqueda S al definir
on. S es un conjunto finito o infinito contable de puntos, integrado por todas
las soluciones candidatas; es decir, este conjunto puede verse como un rectangulo ndimensional
generado por la intersecci
on del dominio de cada una de las variables [?]. En contraste, el espacio
factible F es F S definido por un conjunto adicional de m restricciones (m 0). Lo anterior se
ilustra en la Figura 3.12.
Figura 3.12: Espacio de b

usqueda S y region factible F Fuente [?].
Definici
on 24 Dados un espacio de b
usqueda S y la regi
on factible F, un problema de optimizaci
on
es buscar un elemento x F tal que:
f (x) es mejor que f (y) para toda y F
(3.2.12)
[?]
Cualquier x F satisface el conjunto de m restricciones. Se denomina restricci
on cerrada aquella
inecuaci
on o ecuaci
on cuyo lado derecho es igual al lado izquierdo.
70
De manera informal, se dice que una vecindad de un punto x F es el conjunto abierto N (x) F
formado por aquellos puntos cercanos al punto x (incluyendo al propio punto x). En otras palabras,
N (x) es un mapeo que asigna a cada elemento x S un conjunto de elementos y S. Lo anterior
se ilustra en la Figura 3.13 .
Figura 3.13: Vecindad de una potencial solucion x Fuente [?]
Definici
on 25 Dado un problema de optimizaci
on con instancias (F, c) , una vecindad es un mapeo
N (x) sobre el espacio de b
usqueda S, tal que:
N (x) : S 2S
(3.2.13)
[?]
Ahora, se define una vecindad en terminos de una funcion distancia sobre el espacio de b
usqueda
como:
Definici
on 26 Sea d una funci
on distancia sobre el espacio de b
usqueda S, tal que:
d:S S R
71
(3.2.14)
por lo tanto una vecindad N (x) se define como:

N (xi ) = {xi : xi S d(xi , xj ) }
(3.2.15)
para alg
un 0
Todas las soluciones contenidas en una vecindad de la solucion x pueden ser encontradas desde x a
traves de s
olo un movimiento.
Teorema 10 Dada alguna instancia de un problema de optimizaci
on (F, f ), donde F Rn convexo
y f es una funci
on convexa F, entonces una vecindad N (x) se define como:
N (x) = {xi : xi F d(xi , xj ) }
para alg
un > 0
pPn
2
donde: d(xi , xj ) =
i=1 (xi xj )
3.2.0.5.
(3.2.16)
Paisaje
Un paisaje es una tercia (S, N, f ) donde S es el conjunto de soluciones factibles, N es un

operador de vecindad y f : X R es una funcion de aptitud [?].
Una funci
on de aptitud sirve para evaluar un conjunto de atributos: valor de la funcion objetivo,
fatibilidad, entre otros; para una particular solucion admisible; por ende una funcion de aptitud sirve
para cuantificar la calidad de cada solucion.
La aptitud del paisaje
es una representacion de la estructura del espacio de b

usqueda y se
define por el valor de la funci

on de aptitud, un conjunto de soluciones admisibles y un operador de
vecindad. La estructura y propiedades de la aptitud de paisaje juegan un papel importante para
determinar el grado de dificultad de un problema y el metodo mas adecuado para explorar el espacio
de b
usqueda.
Un concepto importante emanado de la aptitud de paisaje es vecindad neutral (Nn (s)) de una
soluci
on s S, el cual es una vecindad de la solucion con el mismo valor de la funcion de aptitud;
en otras palabras,Nn (s) = {s0 N (s)|f (s0 ) = f (s)} [?].
1 Concepto
propuesto por Wright.
72
3.2.0.6.
Conceptos b
asicos
La programaci
on lineal (PL) es una tecnica de la programacion matematica u optimizaci
on,
la cual se utiliza para resolver un modelo matematico compuesto por una funcion objetivo lineal y
un conjunto de restricciones tambien lineales; en este modelo todas las variables decision toman sus
valores del conjunto de los n
umeros reales no negtivos. En la ecuacion 3.2.17, se muestra el modelo
de un problema de programaci
on lineal.
mn o max
Pn
i=1 ci xi
sujeto a
ai,j xi , o = bj para todo j = 1, . . . , m
(3.2.17)
xi 0
x Rn , c Rn , A Rnm , b Rn
El modelo de programaci
on lineal satisface las suposiciones de: a) proporcionalidad 2 , b) aditividad 3 , c) divisibilidad 4 y d) certidumbre 5 Algunos de estos supuestos se exponen con mayor detalle
en el Anexo 3. Un programa lineal esta en forma estandar si:
Todas las restricciones son ecauciones con los eleentos del vector b
Una instancia de PL se puede expresar en diferentes formas equivalentes a traves de manipulaciones apropiadas; en la tabla 3.3) se muestras dichas formas equivalentes.
Generalmente, las instancias de PL se expresan en forma mixta, la cual implica que algunas
resticciones son ecuaciones y otras inecuaciones; ademas, alguna de las variables de decision puede
no ser positiva. Cualquier problema PL en forma mixta, a traves de manipulaciones matem
aticas
adecuadas, se puede expresar en equivalente forma canonica o estandar (vease el ejemplo 3.2)
2 La
supocisi
on de proporcionalidad significa que la contribuci
on al valor de la funci
on objetivo y el consumo o
requerimiento de los recursos utilizados, son proporcionales al valor de cada variable de decisi
on.
3 La suposici
on de aditividad significa que se puede valorar la funci
on objetivo z y los recursos utilizados, sumando
las contribuciones de cada una de las variables que intervienen en la funci
on z y en las restricciones
4 La supocisi
on de divisibilidad significa que las variables de decisi
on pueden tener cualquier valor que sea positivo
o nulo.
5 La suposici
on de certidumbre significa que se conocen los par
ametros del modelo.
73
Cuadro 3.3: Formas equivalentes del problema de PL

Nombre de la forma
Caso de la minimizaci
on
Caso de la maximizaci
on
Can
onica
mn cT x
m
ax cT x
sujeto a:
sujeto a:
Ax b
Ax b
x0
x0
mn cT x
m
ax cT x
sujeto a:
sujeto a:
Ax = b
Ax = b
x0
x0
Est
andar
Ejemplo 3.2
Para el siguiente problema de PL en forma mixta
max 2x1 3x2
sujeto a:
x1 + x2 3
x1
3
2
x1 0
Su correspondiente forma est
andar es:
max 2x1 3(x+

2 x2 )
sujeto a:
x1 + x+
2 x2 + x3 = 3
x1 x4 =
x1 0
x+
2 0
x
2 0
74
3
2
y su pertinente forma can

onica es:
max 2x1 3(x+

2 x2 )
sujeto a:
x1 + x+
2 x2 3
x1 23
x1 0
x+
2 0
x
2 0
Las ideas de poliedro, regi
on factible y optimo (expuestas anteriormente) han sido la base para
el desarrollo de metodos de solucion de programcion lineal. Dichos conceptos se conjuntan en el
teorema fundamental de la programacion lineal (vease Teorema 11).
Teorema 11 (Teorema fundamental de la programaci
on lineal) Dado el programa lineal
mn cT x
sujeto a:
Ax = b
x0
donde: Amn es una matriz de rango m;
3.3.
Problemas cl
asicos de la programaci
on lineal.
Los modelos de programaci

on lineal ademas de satisfacer las propiedades de linealidad (proporcionalidad y superposici
on), determinismo y convexidad y la identificacion de uno y solo un objetivo
a satisfacer se caracterizan porque las variables de decision son del tipo continuo (existen algunos
modelos que requieren variables enteras, tales como asignacion o transporte, que pueden ser resueltos
con tecnicas de PL debido a la propiedades de dichos problemas).
Es decir resulta conveniente utilizarla solo cuando se trabaja con elementos que pueden ser
divisibles (dinero, propiedades, tiempo, comida, etc).
75
3.3.1.
Problema de dieta.
En este tipo de problemas es necesario satisfacer una serie de criterios (consumo de caloras,
protenas, vitaminas, minerales, etc), pero que sea al costo mnimo. Es decir en este tipo de problemas
se satisfacen cada una de las necesidades pero a un mnimo costo. El modelo general del problema
de dieta es el siguiente:
Funci
on objetivo Min(z)= 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 bm
Se incluyen las condiciones de no negatividad.
x1 0, x2 0, . . . , xn 0
Existen variantes de este problema donde las necesidades a cumplir no se satisfacen con alimentos,
sino con medicamentos, nutrientes, etc. O bien que la dieta no es dise
nada para humanos sino para
plantas o animales, as como otras variaciones menos obvias. Pero se conserva la esencia del problema
que queda de manifiesto en el modelo general.
Como ejemplos considere los siguientes problemas.
3.3.2.
Problema 1. Problema de dieta (fertilizantes en un cultivo)
Suponga que un agricultor necesita fertilizar su cultivo de calabaza de forma tal que garantice
aplicar por lo menos 10 kg de nitrogeno por hectarea, 7 kg de potasio/ha y 5 kg de fosforo/ha.
Los fertilizantes disponibles en el mercado son A y B a un precio por kilogramo de 25y 18.50 u.m.
respectivamente. Por cada kilogramo de A se obtienen 400 g de nitrogeno,
76
300 g de potasio y 300 g de f

osforo. Mientras que por cada kg de B se obtienen 500 g de nitr
ogeno,
300 g de potasio y 200 g de f
osforo. Cuantos kg de cada fertilizante debe comprar el agricultor para
satisfacer las necesidades de su cultivo minimizando el costo?
Paso 1. Determinaci
on de variables.
x1 Cantidad de kg compradas del fertilizante A
x2 Cantidad de kg compradas del fertilizante B
Paso 2. Formulaci
on de las restricciones del sistema.
a) Se deben garantizar por lo menos 10 kg de nitrogeno/ha con la combinacion de los fertilizantes
A (aporta 0.4 kg de nitr
ogeno / kg comprado) y B (aporta 0.5 kg de nitrogeno / kg comprado).
0,4x1 + 0,5x2 10
b) Se deben garantizar por lo menos 7 kg de nitrogeno/ha con la combinacion de los fertilizantes
0,3x1 + 0,3x2 7
c) Se deben garantizar por lo menos 5 kg de nitrogeno/ha con la combinacion de los fertilizantes
0,3x1 + 0,2x2 5
d) Las condiciones de no negatividad son obvias pues la mnima cantidad que el agricultor puede
aplicar de cualquiera de los 2 fertilizantes es de 0.0 kg
x1 0 ,x2 0
3.3.3.
Paso 3. Formulaci
on de la Funci
on Objetivo.
El enunciado indica que se desea encontrar la solucion del problema que garantice minimizar los
costos necesarios para satisfacer las necesidades de fertilizante del cultivo. Y que el costo asociado
al fertilizante A es de $25 u.m. mientras que el costo asociado a B es de $18.50 u.m.
Min (z)=25x1 + 18,50x2
77
3.3.4.
Paso 4. Sintetizar el modelo.

F.O. Min (z) = 25x1 + 18,50x2
Sujeta a:
0,4x1 + 0,5x2 10
0,3x1 + 0,3x2 7
0,3x1 + 0,2x2 5
x1 0 ,x2 0
Como se puede observar este modelo particular es una aplicacion del modelo general del problema
de dietas.
78
3.3.5.
Problema 2. Problema de dieta (dieta humana).
Suponga que los alimentos A y B son los u

nicos disponibles para satisfacer su dieta diaria. El
alimento A cuesta 12 u.m. / oz mientras que el alimento B cuesta 8 u.m. / oz. Se busca minimizar
el costo total de los alimentos mientras se satisfacen sus requerimientos alimenticios. Se desea que
usted consuma por da lo menos 30 g de vitamina C, 1500 caloras, 0.6 g de sodio y 0.02 g de cloro
a. Los aportes nutritivos de cada alimento se observan en la siguiente tabla.
Paso 1. Determinaci
on de las variables.
x1 Cantidad de oz compradas del alimento A
x2 Cantidad de oz compradas del alimento B
Paso 2. Determinaci
on de restricciones.
a) Se debe garantizar la ingesta de por lo menos 30 g/da de vitamina C con la combinaci
on de
los alimentos A (aporta 2 g / oz comprada) y B (aporta 4 g / oz comprada).
2x1 + 4x2 30
b) Se debe garantizar la ingesta de por lo menos 1500 cal/da con la combinacion de los alimentos
A (aporta 95 cal / oz comprada) y B (aporta 120 g / oz comprada).
95x1 + 120x2 1500
c) Se debe garantizar la ingesta de por lo menos 0.6 g/da de sodio con la combinacion de los
alimentos A (aporta 0.08 g / oz comprada) y B (aporta 0.05 g / oz comprada).
0,08x1 + 0,05x2 0,6
d) Se debe garantizar la ingesta de por lo menos 0.02 g/da de cloro con la combinacion de los
alimentos A (aporta 0.0007 g / oz comprada) y B (aporta 0.005 g / oz comprada).
79
2x1 + 4x2 30
e) Las condiciones de no negatividad son obvias pues la mnima cantidad que usted puede comprar
de cualquiera de los 2 alimentos es de 0 oz.
Paso 3. Determinaci
on de la funcion objetivo.
El enunciado indica que se desea encontrar la solucion del problema que garantice la ingesta
necesaria de los nutrientes requeridos por da mientras se minimizan los costos asociados.. Y que el
costo por los alimentos son de A de 12 u.m. mientras que el costo asociado a B es de 8 u.m.
F.O.. . . M in(z) = 12x1 + 8x2
Sujeta a:
2x1 + 4x2 30
95x1 + 120x2 15000
0,08x1 + 0,05x2
2x1 + 4x2 30
x1 0, x2 0
3.3.6.
Problema de mezclas.
En este tipo de problemas la incognita es encontrar la mejor combinacion de ingredientes con un

menor costo posible que satisfagan las especificaciones del producto final (Gallagher C. A., 1982).
La forma general de este tipo de problemas es la siguiente:
Funci
on objetivo Min (z)= c1 x1 + c2 x2 + . . . + cn xn
Sujeto a restricciones de la forma:
a11 x1 + a12 x2 + . . . + a1n xn b1
a21 x1 + a22 x2 + . . . + a2n xn b2
...
...
...
80
am1 x1 + am2 x2 + . . . + amn xn bm

Es necesario incluir una restriccion cuya suma sea por lo menos uno, lo que significa que la mezcla
de las sustancias tiene como prop
osito implcito producir por lo menos una unidad que satisfaga las
necesidades.
x1 + x2 + . . . + xn 1
Condiciones de no negatividad.
x1 0,x2 0,. . .,xn 0
Existe una gran cantidad de variaciones que se pueden hacer con este tipo de modelo, en donde
se pueden incluir problemas de planeacion del trabajo, mezclas de recursos escasos para obtener un
producto, etc. A continuaci
on se analizan ejemplos de este tipo de problemas.
3.3.7.
Problema 3. Problemas de mezcla (mezclas qumicas)
Una ama de casa combina dos productos de limpieza comerciales para obtener un producto
adecuado para satisfacer sus necesidades. Las sustancias activas de ambos productos son Acido
acetico, cloruro de sodio, Acido

muriatico y aceites esenciales. Para que la sustancia resultante no le
sea toxica al ama de casa las concentraciones por litro de las sustancias activas deben ser a lo mas
del 12 % de
acido acetico, del 15 % de cloruro de sodio, del 10 % de acido muriatico y del 5 % de
aceites esenciales. En la siguiente tabla se muestra la concentracion/l de los componentes activos en
cada uno de los productos.
El objeto de la ama de casa es obtener la mejor combinacion, pero que sea al mnino costo ya
que un litro de producto A le cuesta $18.50 y un litro del limpiador B le cuesta $18.79.
Paso 1: Determinaci
on de variables
81
x1 Cantidad de l comprados del producto A

x2 Cantidad de l comprados del producto B
Paso 2. Determinaci
on de restricciones. (niveles toxicos de las sustancias)
a) Se debe garantizar que la concentracion / l de acido acetico sea lo mas del 10 % en el producto resultante de combinar A (que tiene una concentracion/l del 1.8 %) y a B (que tiene una
concentraci
on/l del 1.5 %)
1,18x1 + 1,17x2 12
b) Se debe garantizar que la concentracion / l de cloruro de sodio sea lo mas del 15 % en el
producto resultante de combinar A (que tiene una concentracion/l del 2.1 %) y a B (que tiene una
concentraci
on/l del 1.8 %)
2,1x1 + 1,95x2 15
c) Se debe garantizar que la concentracion / l de acido muriatico sea lo mas del 7 % en el
concentraci
on/l del 0.85 %)
1,95x1 + 1,15x2 10
d) Se debe garantizar que la concentracion / l de aceites esenciales sea lo mas del 2 % en el
concentraci
on/l del 0.1875 %)
0,58x1 + 0,52x2 5
f) Se incluye la condici
on de que al mezclar los productos A y B se produce por lo menos una
unidad del limpiador que usa el ama de casa.
x1 + x2 1
g) Las condiciones de no negatividad son obvias pues la mnima cantidad que el ama de casa
puede comprar de cualquiera de los 2 productos es de 0.
82
x1 0 ,x2 0
Paso 3. Formulaci
on de la Funcion Objetivo.
Min (z)=18,50x1 + 18,79x2
Paso 4: Sntesis del modelo.
F.O.Min (z)= 18,50x1 + 18,79x2
Sujeta a:
1,18x1 + 1,17x2 12
2,1x1 + 1,95x2 15
1,95x1 + 1,15x2 10
0,58x1 + 0,52x2 5
x1 + x2 1
x1 0 ,x2 0
3.3.8.
Problema 4. Problema de mezclas (Composici

on de pinturas)
La compa
na COMEX dedicada a la produccion de pinturas para exterior e interior con dos
materias primas, necesita minimizar sus costos de produccion y seguir satisfaciendo las necesidades
del mercado. Por lo que le proporciona los datos que se expresan en la tabla n
umero 1.
Una encuesta en el mercado indica que la demanda diaria de pintura para interiores es por lo
menos 2 toneladas m
as que la pintura de exteriores y que la produccion diaria de pintura de interiores
es como mnimo 3 toneladas.
TABLA 1. Tabla de datos de COMEX.
Paso 1: Determinaci
on de variables.
x1 Cantidad en toneladas producidas de la pintura de exteriores
x2 Cantidad en toneladas producidas de la pintura de interiores
83

Paso 2. Determinaci
a) La cantidad m
axima disponible de materia prima A es de 28 ton. La pintura de exteriores
necesita 6 ton. de la materia prima A para producir una unidad; mientras que la pintura de interiores
requiere 4 de A.
6x1 +4x2 28
b) La cantidad m
axima disponible de materia prima B es de 20 ton. La pintura de exteriores
necesita 2 ton. de la materia prima B para producir una unidad; mientras que la pintura de interiores
requiere 5 de B.
2x1 +5x2 20
c) La demanda diaria de pintura para interiores es por lo menos 2 toneladas mas que la pintura
de exteriores.
x2 2 + x1
Se reescribe esta restricci
on con objeto de tener las variables de un solo lado de la ecuacion.
x1 + x2 2
d) La producci
on diaria de pintura de interiores es como mnimo 3 toneladas.
x2 3
e) Se agrega la restricci
on de los modelos de mezclas que garantiza la eleccion diferente de cero.
x1 + x2 1
84
f) Se agregan las condiciones de no negatividad ya que lo mnimo que se puede producir de

cualquier pintura es de 0 unidades.
x1 0 ,x2 0
Paso 3: Determinaci
on de la funcion
El objetivo es minimizar los costos de produccion, el costo por produccion de una tonelada de
la pintura de exteriores es de 5 mil pesos, mientras que el costo de produccion de una tonelada de
pintura de interiores es de 6 mi pesos.
Min (z):5x1 + 6x2
Paso 4: Sntesis del modelo.
Funci
on Objetivo.
Min (z):5x1 + 6x2
Sujeta a:
6x1 + 4x2 28
2x1 + 5x2 20
x1 + x2 2
x2 3
x1 + x2 1
x1 0 ,x2 0
3.4.
Problema de Inversi
on.
El problema de inversiones es encontrar la combinacion de elementos que satisfagan las condiciones del mercado pero que a su vez maximicen los beneficios obtenidos. El modelo general de los
problemas de inversiones es el siguiente:
Funci
on objetivoMax (z)= c1 x1 + c2 x2 + . . . + cn xn
85
Sujeto a restricciones de la forma:

a11 x1 + a12 x2 + . . . + a1n xn b1
a21 x1 + a22 x2 + . . . + a2n xn b2
...
...
...
am1 x1 + am2 x2 + . . . + amn xn bm
3.4.1.
Problema 5. Problema de inversi

on (herencia). (Gallagher C. A.,
1982)
Jose acaba de recibir una herencia por la muerte de un to lejano. El monto de la herencia es
de $10 000.00. Jose desea invertir la herencia de forma tal que obtenga los mayores rendimientos
posibles.
El decide por invertir tanto en acciones como en bonos. Pero piensa solo invertir entre el 10-25 %
del total en acciones. Existe un bono que resulta sumamente interesante, por lo cual Jose desea
invertir por lo menos $4 000 en el. La tasa anual de rendimientos en bonos es del 8 % y en acciones
es del 10 % ACu
anto debe invertir Jose en acciones y cuanto en bonos?.
Paso 1: Determinaci
on de variables.
x1 Cantidad en pesos invertida en acciones
x2 Cantidad en pesos invertida en bonos
Paso 2: Determinaci
a) El recurso disponible a invertir es el monto de la herencia ($10 000) que se invertiran tanto
en acciones como en bonos.
x1 + x2 10000
b) La cantidad m
axima a invertir en las acciones es del 25 % del total invertido.
x1 0,25(x1 + x2 )
86
Reescribiendo la restricci
on para tener las variables en un solo extremo de la ecuacion.
x1 0,25(x1 + x2 ) 0,75
x1 0,25x2 0
c) La cantidad mnima a invertir en las accione es del 10 % del total invertido.
x1 0,10(x1 + x2 )
on para tener las variables en un solo extremo de la ecuacion.
x1 0,10(x1 + x2 ) 0
0,90x1 0,10x2 0
d) Jose quiere invertir por lo menos $4 000 en bonos.
x2 4000
e) Las condiciones de no negatividad, estan dadas ya que lo mnimo que puede invertir Jose en
acciones o bonos es de $0.00
x1 0, x2 0
Paso 3. Formulaci
on de la Funcion Objetivo:
Max (z):10x1 + 8x2
Paso 4. Sntesis del sistema.
Funci
on objetivo:
Max (z):10x1 + 8x2
Sujeta a:
x1 + x2 10000
0,75x1 0,25x2 0
0,90x1 0,10x2 0
x2 4000
x1 0, x2 0
87
3.4.2.

on (combinaci
on de productos para maximizar la utilidad). (Haeussler E. F., 1997)
Una compa
na fabrica dos tipos de estantes (estandar y ejecutivo) y desea obtener los mayores
beneficios disponibles. Cada tipo de estantes requiere un tiempo de ensamble y de terminado distinto
como lo indica la tabla siguiente.
TABLA 2. Datos de produccion de los estantes.
El n
umero de horas disponibles por semana del departamento de ensambles es de 400 h, mientras
que el departamento de acabados dispone de 510 h. Por una clausula del contrato colectivo de trabajo
se debe garantizar para el departamento de acabados por lo menos 240 h de trabajo a las semana y
al departamento de ensambles de por lo menos 100 h.
Paso 1. Determinaci
on de variables.
x1 Cantidad de estantes est
andar producidos
x2 Cantidad de estantes ejecutivos producidos
Paso 2. Determinaci
a) Disponibilidad de horas en el taller de ensamble es de 400 h /semana. La cual sera ocupada
por la fabricaci
on de estantes del tipo estandar (demanda 1 h/unidad) y ejecutivos (demanda 2
h/unidad).
x1 + 2x2 400
b) Disponibilidad de horas en el taller de acabado es de 510 h/semana. La cual sera ocupada
por la fabricaci
on de estantes del tipo estandar (demanda 2 h/unidad) y ejecutivos (demanda 3
h/semana).
88
2x1 + 3x2 510

c) Se debe garantizar por contrato que se le asigne al departamento de acabado por lo menos
240 h/semana de trabajo.
2x1 + 3x2 240
d) Se debe garantizar por contrato que se le asigne al departamento de ensamble por lo menos
100 h de trabajo a la semana.
x1 + 2x2 100
e) Las condiciones de no negatividad se dan ya que lo mnimo de unidades producidas de cada
uno de los tipos de estantes es de 0 unidades.
x1 0, x2 0
Paso 3. Formulaci
on de la Funcion Objetivo:
Max (z):10x1 + 12x2
Paso 4. Sntesis del modelo.
Max (z):10x1 + 12x2
Funci
on objetivo.
Sujeta a.
x1 + 2x2 400
2x1 + 3x2 510
x1 + 2x2 100
x1 + 2x2 100
x1 0, x2 0
89
3.4.3.

on (Poltica de pr
estamos bancarios) (A., 2004).
El Banco Nacional con oficinas centrales en la ciudad de Mexico esta desarrollando una poltica
de prestamos por un m
aximo de $12 000 000.00. La tabla siguiente muestra los datos pertinentes de
los distintos tipos de prestamo.
TABLA 3. Datos de los distintos tipos de prestamos.
Considerese que las deudas impagables no son recuperadas por el banco y no producen intereses.
Por la globalizaci
on del mercado bursatil el banco debe dise
nar una estrategia que le permita
ser competitiva. Por lo que necesita un mnimo del 40 % de prestamos agrcolas y PYMES del total
disponible. Y para incentivar a la industria de la construccion de su region de influencia requiere que
los prestamos para vivienda sean por lo menos del 50 % de los prestamos personales, estudiantiles y
de vivienda. Y que el total de los prestamos personales y de vivienda sean cuando menos del 38 %
del total disponible. Los prestamos estudiantiles y de automovil en conjunto no pueden ser mayores
que el 20 % del total disponible. El banco tiene una poltica de que la relacion de la deuda impagable
entre todos los prestamos nunca sea mayor que el 4 % del total asignado.
El objetivo del banco es producir en mayor retorno neto que esta en funcion del retorno por
interes y los prestamos impagables.
Formulaci
on del modelo matematico.
Paso 1. Definici
on de las variables de decision.
x1 Prestamos personales.
x2 Prestamos para autom
ovil
90
x3 Prestamos vivienda
x4 Prestamos PYMES
x5 Prestamos agrcola
x6 Prestamos estudiantiles
Paso 2. Definici
a) Fondos disponibles para el prestamo es de 12 000 000. El cual se utiliza en una combinaci
on
de los prestamos asignados de cada tipo.
x1 + x2 + x3 + x4 + x5 + x6 12000000
b) Cantidad de fondos disponibles para prestamos agrcolas y de PYMES, Debe ser cuando menos
del 40 % del total del recurso disponible para prestamos.
x4 + x5 4800000
c) Los prestamos para vivienda sean por lo menos del 50 % de los prestamos personales, estudiantiles
y de vivienda.
x3 0,5(x1 + x3 + x6 )
on para colocar todas las variables del lado derecho de la desigualdad.
0,5x3 0,5x1 0,5x6 0
d) Cantidad de fondos disponibles para prestamos personales y de vivienda. Debe ser cuando
menos del 38 % del total del recurso disponible para prestamos.
x1 + x3 4560000
e) Cantidad de fondos disponible para prestamos estudiantiles y para automovil.
x2 + x6 2400000
f) Lmite de deuda impagable.
0,1x1 + 0,07x2 + 0,03x3 + 0,05x4 + 0,02x5 + 0,02x6 0,04(x1 + x2 + x3 + x4 + x5 + x6 )
91
on para colocar todas las variables del lado derecho de la desigualdad.
(0,10,04)x1 +(0,070,04)x2 +(0,030,04)x3 +(0,050,04)x4 +(0,020,04)x5 +(0,020,04)x6 0)
0,06x1 + 0,03x2 0,01x3 + 0,01x4 0,02x5 0,02x6 0
g) Condiciones de no negatividad.
xi 0 para toda i= 1,2,3,4,5,6.
Paso 3: Determinaci
El objetivo del banco es producir en mayor retorno neto que esta en funcion del retorno por
interes y los prestamos impagables. Hay que considerar que por cada prestamo personal otorgado
con un interes de retorno del 14 % y que un 10 % de los prestamos otorgados resultan en una deuda
impagable (es decir solo se pagan el 90 % de las deudas). Por lo tanto el banco calculara al retorno
neto como el producto del interes de retorno y el valor de la deuda que si es pagada. Lo que en el
caso de los prestamos personales es del 12.6 %. Haciendo un razonamiento similar para cada uno de
los prestamos se obtiene la siguiente tabla.
92
TABLA 4. Coeficientes de retorno neto para cada uno de los prestamos.
Por lo anterior la funci

on objetivo queda definida como.
Max (z):0,126x1 + 0,1209x2 + 0,1746x3 + 0,190x4 + 0,1764x5 + 0,098x6
Paso 4. Sntesis del modelo lineal.
Max (z):0,126x1 + 0,1209x2 + 0,1746x3 + 0,190x4 + 0,1764x5 + 0,098x6
Sujeto a:
x1 + x2 + x3 + x4 + x5 + x6 12000000
x4 + x5 4800000
0,5x3 0,5x1 0,5x6 0
x1 + x3 4560000
x2 + x6 2400000
0,06x1 + 0,03x2 0,01x3 + 0,01x4 0,02x5 0,02x6 0
xi 0paratodai = 1, 2, 3, 4, 5, 6
3.4.4.
Problema de Transporte.
Introducci
on.
93
En terminos generales los modelos de transporte se refieren (en sentido literal o figurado) a la
distribuci
on de cualquier bien desde uno o varios puntos origen m hasta uno o varios puntos destino
n (J., 2001). Con el objeto de minimizar los costos totales por la distribucion.
A veces se confunden a los problemas de transporte con problemas de programacion lneal, pero
los problemas de transporte pueden tener la propiedad de que las variables de decision sean enteras.
Lo anterior se debe al hecho de que es posible utilizar la programacion lineal para resolver este tipo
de modelos, pero existen procedimientos especficos (algoritmos) para los modelos de transporte
que son m
as adecuados.
Para identificar un problema que se ajusta a un modelo de transporte es necesario que se puedan
contestar las siguientes interrogantes:
1. Que bienes se est

an trasportando?
2. Cu
ales son los m puntos de origen?
3. Cu
ales son los n puntos de destino?
4. Que cantidad de bienes existe en cada punto origen?
5. Que cantidad de bienes se requiere en cada punto destino?
6. Cu
al es el costo por llevar los bienes de los puntos origen a los pintos destino?
En caso de no poderse contestar alguna de estas interrogantes el problema estudiado no se puede

representar por un modelo de transporte.
Modelo general.
En el problema general se tienen a cantidades de ciertos bienes en m puntos de origen que

tienen que ser enviados a n puntos destinos que recibiran b cantidades de bienes. Para llevar
esto a cabo existen rutas que enlazan al punto de origen i con el punto destino j el cual es asociado
94
con un costo cij . (D., 1989)

Para comprender mejor lo anterior observese la tabla siguiente de costos y requerimientos, donde
se ordenan los elementos del modelo de transporte as como sus relaciones.
Tabla de costos y requerimientos de los problemas de transporte.
A partir de la definici
on de los problemas de transporte se puede inferir la estructura siguiente
de los modelos matem
aticos.
Funci
on Objetivo.
Donde: cij :costo de distribuci

on del origen i al destino j
xij :n
umero de unidades distribuidas del origen i al destino j
Sujeta a:
Agreg
andose la condici
on de no negatividad.
Suposiciones.
Al representar un sistema con el modelo de transporte se deben cumplir las suposiciones de
95

balance (una cantidad de suministro igual a la demanda fija) y costos (el costo es directamente
proporcional al n
umero de unidades distribuidas). En caso de no cumplirse alguna de estas se
consideraciones el sistema a no puede ser descrito como un modelo de transporte.
Suposici
on de balance. (J., 2001)
Cada punto de origen m tiene una cantidad abasto fija de unidades (ai ) y la cantidad total de las ai
debe ser distribuida por completo a los puntos destino n. De igual manera los puntos destino n tiene
una cantidad de demanda fija de unidades bj que deben ser satisfechas por los puntos de origen.
Suposici
on de costos.
El costo por distribuir unidades de un origen i a un destino j es directamente proporcional al

numero de unidades distribuidas. Por lo tanto el costo implicado en los modelos de transporte es el
costo unitario.
Ejemplos del modelo de transporte.
96
3.4.5.
Problema 8. Problema de transporte (distribuci

on de cosechas).
Una uni
on de campesinos de la zona oriente del estado de Mexico cuenta con dos almacenes
para hacer el acopio de las hortalizas producidas por sus agremiados. De los cuales el primero se
encuentra localizado en el municipio de Texcoco y tiene una capacidad de 48 toneladas y el segundo
en el municipio de Netzahualc
oyotl con una capacidad de 52 toneladas. Los municipios que conforman
la uni
on de campesinos son Texcoco, Ixtapaluca y Chalco los cuales producen respectivamente 12,
59 y 29 toneladas de hortalizas, con los siguientes costos de distribucion
Costos de distribuci
on entre los centros de produccion y los almacenes en pesos por tonelada.
Se le encarga a un Ingeniero Agronomo que dise

ne la forma de distribuir las cosechas desde los
centros de producci
on a los centros de almacenamiento pero de forma tal que sea al mnimo costo.
Formulaci
on del problema.
Antes de formular el problema como un modelo de transporte se distinguen las caractersticas
del modelo de transporte del sistema.
1. Qu
e bienes se est
an trasportando?
toneladas de hortalizas.
2. Cu
ales son los m puntos de origen?
Texcoco, Chalco, Ixtapaluca.
3. Cu
ales son los n puntos de destino?
Texcoco y Netzahualc
oyotl.
97
4. Qu
e cantidad de bienes existe en cada punto origen?
Texcoco 12 toneladas, Chalco 29 toneladas e Ixtapaluca 59 toneladas. En total en los tres puntos
existen 100 toneladas.
5. Qu
e cantidad de bienes se requiere en cada punto destino?
En Texcoco se almacenan 52 toneladas y en Netzahualcoyotl se almacenan 52 toneladas. En total
por los dos puntos se almacenan 100 toneladas.
6. Cu
al es el costo por llevar los bienes de los puntos origen a los puntos destino?
Los costos asociados por llevar una tonelada de hortalizas de los puntos origen a los puntos destino
se observa en la tabla anterior.
Para representar el enunciado se hace uso de un modelo grafico.

Modelo gr
afico de la distribuci
on de cosechas.
Paso 1. Definir las variables de decision.
Las variables de decisi

on son el n
umero de toneladas que se distribuyen del punto de origen i al
punto destino j. Se conoce que existen 3 puntos de origen y 2 puntos destinos.
98
x11 :Toneladas de Texcoco-Texcoco.

x21 :Toneladas de Ixtapaluca-Texcoco.
x31 :Toneladas de Chalco-Texcoco.
x12 :Toneladas de Texcoco-Netzahualcoyotl.
x22 :Toneladas de Ixtapaluca-Netzahualcoyotl.
x32 :Toneladas de Chalco-Netzahualcoyotl.
Paso 2. Determinaci
Antes de formular las restricciones se organizan los datos dentro de la tabla de costo y requerimientos del problema de transporte.
Tabla de costos y requerimientos del problema de cosechas.
a) Restricciones sobre la cantidad disponible en cada punto de origen.
x11 + x12 = 12
x21 + x22 = 59
x31 + x32 = 29
b) Restricciones sobre la cantidad requerida en cada punto destino.
x11 + x21 + x31 = 48
x12 + x22 + x32 = 52
99
c) Condiciones de no negatividad.
xij para(i = 1, 2, 3@j = 1, 2)
Paso 3. Determinaci
Dise
nar la forma de distribuir las cosechas desde los centros de produccion a los centros de
almacenamiento pero de forma tal que sea al mnimo costo.
Min (z): 500x11 + 750x12 + 850x21 + 750x22 + 1000x31 + 850x32
Funci
on objetivo:
Min (z):500x11 + 750x12 + 850x21 + 750x22 + 1000x31 + 850x32
Sujeta a:
x11 + x12 = 12
x21 + x22 = 59
x31 + x32 = 29
x11 + x21 + x31 = 48
x12 + x22 + x32 = 52
xij para(i = 1, 2, 3)
(j = 1, 2)
Observese que la informaci
on que contiene el modelo matematico tambien se encuentra contenida
dentro de la tabla de costo y requerimiento del problema. Por lo que en algunos libros se formula el
modelo de transporte solo haciendo uso de la tabla.
3.4.6.
Problema de transporte. (energa el

ectrica)
Tres ciudades se abastecen de electricidad de dos centrales electricas con capacidades de 90 y

60 megawatts (MW). Las demandas de las tres ciudades son 50,30 y 70 respectivamente. El precio
100
por llevar un MW de cada una de las centrales a cada una de las ciudades se expresa en la tabla
siguiente.
Precio por transportar un MW en pesos
Ciudad destino
A
Origen
150
400
150
Origen
140
100
500
El gobierno federal requiere dise

nar un plan de distribucion de energa electrica que le garantice
satisfacer los requerimientos de energa de las tres ciudades al costo mnimo. Formulacion del modelo
Paso 0. Entender el enunciado.
El problema puede ser representado por el siguiente modelo grafico.
Modelo grafico de la distribucion de electricidad.
Paso 1. Determinaci
on de variables.
x11 : M W quevandelacentral1alaciudadA.
x12 :MW que van de la central 1 a la ciudad B.
101
x13 :MW que van de la central 1 a la ciudad C.

x21 :MW que van de la central 2 a la ciudad A.
x22 :MW que van de la central 2 a la ciudad B.
x23 :MW que van de la central 2 a la ciudad C.
Paso 2. Determinaci
Limitaciones de oferta.
x11 + x12 + x13 = 90
x21 + x22 + x23 = 60
Limitaciones de demanda.
x11 + x21 = 50
x12 + x22 = 30
x13 + x23 = 70
Condiciones de no negatividad.
xij para(i = 1, 2)
(j = 1, 2, 3)
Paso 3. Determinaci
Min (z):150x11 + 400x12 + 150x13 + 140x21 + 100x22 + 500x23
Funci
on objetivo:
Min (z):150x11 + 400x12 + 150x13 + 140x21 + 100x22 + 500x23
Sujeta a:
102
x11 + x12 + x13 = 90

x21 + x22 + x23 = 60
x11 + x21 = 50
x12 + x22 = 30
x13 + x23 = 70
xij para(i = 1, 2)
(j = 1, 2, 3)
Se reescribe el modelo del problema en terminos de la tabla de costo y requerimientos.
Tabla de costos requerimientos de electricidad.
Ciudad destino
A
Recursos disponibles
Origen
150
400
150
90
Origen
140
100
500
60
50
30
70
Cantidad de electricidad requerida

on.
Introducci
on.
La mejor persona para el puesto resulta ser una buena descripcion del modelo de asignaci
on.
(A., 2004) El problema de asignacion debe su nombre a la aplicacion particular de asignar hombres
a trabajos (o trabajos a m
aquinas), con la condicion de que cada hombre puede ser asignado a un
trabajo y que cada trabajo tendr
a asignada una persona.
El modelo de asignaci
on para varios autores como Taha resulta ser un caso especial del modelo
de transporte en el cual los trabajadores representan el origen y los puestos de trabajo los destinos
(A., 2004), mientras otros como Hillier lo catalogan como un modelo especial de los modelos de
programaci
on lineal en que los asignados son recursos destinados a la realizacion de una tarea. (J.,
2001). Lo que es cierto es que esta clase de modelo presenta una serie de caractersticas particulares
103
que difieren de los modelos anteriores.
3.4.7.
Modelo general de los problemas de asignaci

on.
Dentro de los problemas de asignacion las variables de decision son binarias es decir solo pueden
asumir valores de uno o cero.
Los problemas de asignaci

on tienen el siguiente modelo matematico.
Funci
on objetivo.
Donde:
cij : costodeasignaraltrabajadorialatareaj
xij : numerodetrabajadoresiquerealizanlatareaj
N
otese que la cantidad de trabajadores siempre es igual al n
umero de tareas a realizarse.
Sujeta a:
Agreg
andose la condici
on de que las variables de decision son binarias y no negativas
xij 0P aratodaiyj
104
xij = (0, 1)P aratodaiyj.
Pero la condici
on de valores binarios es posible suprimirla debido al hecho de que las soluciones
posibles son enteros y que las restricciones funcionales del modelo de asignacion evitan que las
soluciones sean mayores a uno y que la condicion de no negatividad evita que tome valores inferiores
(J., 2001). Quedando as como valores posibles solo el uno y el cero.
Al igual que el modelo de transporte a veces la representacion del modelo de asignacion se hace
con una matriz.
Modelo general de los problemas de asignacion.
Suposiciones del modelo de asignacion.
Para que un problema se ajuste al modelo de asignacion es necesario se cumplan las siguientes
suposiciones.
105
1. El n
umero de asignados es igual al n
umero de tareas.
2. A cada asignado se le asignan estrictamente una tarea.
3. Cada tarea es realizada estrictamente solo por un asignado.
4. Existe un costo asociado con el asignado i por realizar la tarea j.
5. El objetivo es determinar como se deben hacer n asignaciones para minimizar los costos.
Ejemplos del modelo de asignacion.
Problema 10. Problema de asignacion (asignacion de trabajo a tres maquinas.)
Una compa
na compro tres m
aquinas nuevas de diferente tipo. Existen tres lugares diferentes
para colocarlas dentro del taller. Los cuales resultan mas adecuados para algunas de las maquinas
en particular que para otras debido a la cercana con los centros de trabajo que tendran un flujo
intenso hacia y desde la m
aquina. Por lo tanto el objetivo es asignar un lugar a las nuevas maquinas
de forma tal que se minimicen los costos totales de manejo de materiales.
En la tabla siguiente se estiman los costos estimados por unidad de tiempo en el manejo de
materiales en cuesti
on, con cada maquina en los sitios respectivos.
Costo por manejo de materiales en unidad de tiempo.
Localizacion
1
Maquina
13
18
20
Maquina
11
15
18
Maquina
21
32
11
Formulaci
on del modelo.
106
El problema puede ser representado por medio de un modelo grafico.
Paso 1. Determinar variables de decision.

x11 : M aquinaAcolocadaenellugar1
x21 : M aquinaBcolocadaenellugar1
x31 : M aquinaCcolocadaenellugar1
Paso 2. Determinaci
a) Limitaciones en cuanto a las maquinas.

x11 + x12 + x13 = 1
x21 + x22 + x23 = 1
x31 + x32 + x33 = 1
107
b) Limitaciones en cuanto a la localizacion.
x11 + x21 + x31 = 1

x12 + x22 + x32 = 1
x13 + x23 + x33 = 1
c) Condici
on de no negatividad.
xij 0 Para toda i y j
Paso 3. Determinaci
El objetivo es asignar un lugar a las nuevas maquinas de forma tal que se minimicen los costos
totales de manejo de materiales.
Min (z):13x11 + 18x12 + 20x13 + 11x21 + 15x22 + 18x23 + 21x31 + 32x3 2 + 11x33
Min (z):13x11 + 18x12 + 20x13 + 11x21 + 15x22 + 18x23 + 21x3 1 + 32x3 2 + 11x33
Sujeta a:
x11 + x12 + x13 = 1

x21 + x22 + x23 = 1
x31 + x32 + x33 = 1
x1 1 + x2 1 + x3 1 = 1
x1 2 + x2 2 + x3 2 = 1
x1 3 + x2 3 + x3 3 = 1
108
on (Determinacion de Actividades) (A., 2004).
El gerente de relaciones p
ublicas de una tras-nacional ubicada en Guadalajara (Gdl.) tiene que
programar sus actividades por las proximas cinco semanas. Ya que tiene reuniones con los representantes de los medios masivos del Distrito Federal (D.F.) y Guadalajara. (Gdl.)
Los compromisos contrados con anterioridad le exigen estar de lunes a miercoles en Gdl. y de
viernes a s
abado en el D.F Un boleto de viaje redondo le cuesta $1,400.00 pesos y se ofrece un 30 %
de descuento si las fechas abarcan todo un fin de semana, pero si el viaje dura de 2 o mas semanas se
omo debe comprar los boletos el gerente para el periodo de cinco
aplica un descuento del 50 % AC
semanas con el objetivo de minimizar los gastos?
Formulaci
on del modelo.
Se esquematiza el problema con un cronograma
Cronograma de actividades del gerente.
Paso 1. Determinaci
on de variables de decision.
xij :viaje redondo de Gdl.-Df-Gdl.que se sale en la semana i y se regresa en la semana j i y j
Paso 2. Determinaci
109
a) Limitaciones de origen.
b) Limitaciones de destino.
c) Condiciones de no negatividad.
Paso 3. Determinaci
110

De forma simplificada el modelo queda representado con la siguiente tabla costo requerimiento.
Modelo simplificado de la asignacion de actividades.
Destino
Origen
(D.F-1)
(D.F-2)
(D.F-3)
(D.F-4)
(D.F-5)
(Gdl.-1)
1400
980
700
700
700
(Gdl.-2)
980
1400
980
700
700
(Gdl.-3)
700
980
1400
980
700
(Gdl.-4)
700
700
980
1400
980
(Gdl.-5)
700
700
700
980
1400
Modelo de redes.
Introducci
on.
Los modelos de redes son aplicables a una extensa variedad de problemas de decision, los
cuales pueden ser modelados como problemas de optimizacion de redes que pueden ser eficiente y
efectivamente resueltos. Algunos de estos problemas de decision son realmente problemas fsicos,
tales como el transporte o flujo de bienes materiales. Sin embargo, muchos problemas de redes no
son m
as que una representaci
on abstracta de procesos o actividades, tales como el camino crtico
111
en las actividades entre las redes de un proyecto gerencial.
La familia de redes de los problemas de optimizacion incluye los siguientes prototipos de

modelos: Camino crtico, flujo m
aximo, camino mas corto, y costo mnimo de flujos. Los problemas
son establecidos f
acilmente mediante el uso de arcos de redes y de los nodos.
Que es un Nodo? Es usualmente llamado vertice, o punto. Es usualmente representado por

un crculo. En las redes de transporte, estos deberan ser las localidades o las ciudades en un mapa.
Que es un Arco? Es usualmente llamado borde o flecha. Este podra ser directo o indirecto.
La cabeza es el destino, y la cola el origen. La cabeza y la cola son nodos que pueden estar tanto
al origen como al final. En las redes de transporte, los arcos podran ser los caminos, los canales de
navegaci
on en un ro, o los patrones de vuelo de un avion. Los arcos proporcionan la conectividad
entre los nodos. Una calle de una sola direccion podra ser representada por un arco, mientras que
una calle de dos direcciones podra representada por un arco sin direccion o por dos arcos que
apuntan a direcciones opuestas.
3.4.8.
El Problema de ruta m
as corta
El problema es determinar la mejor manera de cruzar una red para encontrar la forma mas
econ
omica posible desde un origen a un destino dado. Suponga que en una red dada existen m
nodos y n arcos (bordes) y un costo Cij asociado con cada arco (i a j) en la red. Formalmente,
el problema del camino mas corto (CC) es encontrar el camino mas corto (menor costo) desde el
nodo de comienzo 1 hasta el nodo final m. El costo del camino es la suma de los costo de cada arco
recorrido. Defina las variables binarias Xij, donde Xij=1 si el arco (i a j)es sobre el CC y Xij = 0
de lo contrario. Existen dos nodos especiales llamados origen y destino. El objetivo es encontrar el
camino m
as corto entre el origen y el destino.
112
3.4.9.
Problema del Flujo M

aximo.
En una red con flujo de capacidades en los arcos, el problema es determinar el flujo m
aximo
posible proveniente de los orgenes de forma tal de ahogar las capacidades de flujos de los arcos.
Considere una red con m nodos y n arcos con un flujo simple de bienes. Denote el arco de flujo (i a
j) como Xij. Asociamos cada arco a una capacidad de flujo, kij. En esta red, deseamos encontrar el
flujo total m
aximo en la red, F, del nodo 1 al nodo m.
En la formulaci
on de la programacion lineal, el objetivo es maximizar F. El monto que parte del
origen por varias rutas. Para cada nodo intermedio, lo que entra debe ser igual a lo que sale. En
algunas rutas los flujos pueden tomar ambas direcciones. La capacidad que puede ser enviada a una
direcci
on en particular tambien es mostrada en cada ruta.
3.4.10.
Ruta Critica en la Planificaci

on de Proyectos de Redes.
El Metodo de Camino (o trayectoria) Crtico (MCC) intenta analizar la planificaci

on de
proyectos. Esto posibilita un mejor control y evaluacion del proyecto. Por ejemplo, queremos
saber Cuanto tiempo durar
a el proyecto?, Cuando se estara listo para comenzar una tarea en
particular?, si la tarea no es completada a tiempo, El resto del proyecto se retrasara?, Que tareas
deben ser aceleradas (efectivo) de forma tal de terminar el proyecto antes?
Dado una red de actividades, el primer problema que nos interesa es determinar la amplitud del
tiempo requerido para finalizar el proyecto y el conjunto de actividades que controlan el tiempo
para culminar el proyecto. Suponga que en un proyecto de actividades de redes determinado existen
m nodos, n arcos (i.e. actividades) una duracion de tiempo estimada, Cij, asociada a cada arc (i a
j) en la red. El nodo inicial de un arco corresponde al comienzo de la actividad asociada y al nodo
final que completa la actividad. Para encontrar el camino o trayectoria crtica (CC), se definen las
variables binarias Xij, donde Xij = 1 si la actividad i j es sobre la CC y Xij = 0 por lo contrario.
La amplitud de la trayectoria es la suma de la duracion de las actividades en la trayectoria. La
amplitud de la trayectoria m
as larga es el tiempo mas corto que es necesario para completar el
proyecto. Formalmente, el problema de CC es encontrar la trayectoria mas larga desde el nodo 1
113
hasta el nodo m.
3.4.11.
Problema de Flujo de Costo Mnimo.
Todos los problemas de red anteriores son casos especiales del problema de flujo de costos mnimo.
Al igual que el problema de flujo maximo, este considera flujos en las redes con capacidades. Al igual
que el problema del camino m
as corto, este considera un costo por flujo hacia un arco. Al igual que
el problema de transporte, este permite m
ultiples orgenes y destinos. Por lo tanto, todos estos
problemas pueden ser vistos como casos especiales del problema de flujo de costos mnimo.
114
3.4.12.
Problema de redes (
arbol de expansi
on minima).
Se tiene la siguiente gr
afica con 6 Vertices y 7 Arcos
Aplicamos el teorema para formar los arboles de expansion mnima y se obtiene la siguiente figura.
La grafica G produce dos

arboles de expansion mnima. Los cuales son S y V-S. El arbol S
contiene 4 vertices (J,B,D,H) y 3 arcos ((J,B),(J,D),(D,H)).Y el arbol V-S contiene 2 vertices (C,F)
y un arco (C,F).
El
arbol S tiene un peso total de 3 mientras que el arbol V-S tiene un peso de 1 la suma de
ambos
arboles es 4.
El conjunto de arcos de cruce E se compone de los arcos (B,F) y (B,H) si agregaramos alguno de
estos con objeto de unir amos arboles se obtendra un arbol que pesara 14. Que no es el arbol de
expansi
on mnima pues la suma de ambos arboles como ya se menciono es 4 Se considera que se han
obtenido los
arboles de expansi
on mnima cuando se llegado a arboles cuya suma de los pesos de los
arcos es la mnima. Por tanto los arcos que no pertenecen al arbol, son arcos que deben tener un peso
115
igual o mayor que los arcos que pertenecen al arbol. y que al agregarse a los arboles incrementaran
su peso.
3.5.
3.5.1.
Soluci
on de problemas por el m
etodo gr
afico.
Introducci
on
Existen varias maneras para resolver los problemas de programacion lineal.

El metodo gr
afico es el m
as simple de los metodos pero limita a resolver problemas de PL
que tienen una, dos variables de decision (es posible utilizarlo hasta con 3 variables pero resulta
sumamente difcil su manipulaci
on). Sin embargo, este proporciona una clara ilustracion de donde
se encuentran la regi
on de factibilidad y de no-factibilidad, as como tambien de los vertices. El tener
una comprensi
on visual del problema ayuda a un mejor proceso de pensamiento racional del mismo.
Las restricciones de los problemas de programacion lineal forman un sistema de ecuaciones lineales
(ya sean igualdades o desigualdades).
Conceptos b
asicos
Regi
on geom
etrica que representa cada tipo de restricci
on en el plano
Cuando se grafican representan en un plano las restricciones de un problema de PL forman una
regi
on en el plano distinta de acuerdo al tipo de ecuacion que se trate.
Una restricci
on del tipo a1 x1 + a2 x2 = bi queda representado por una recta que es una regi
on de
todos los puntos (x1 , x2 ) que satisfacen la ecuacion.
Regi
on geometrica de las restricciones de igualdad.
Una restricci
on del tipo a1 x1 + a2 x2 bi se representa por una region del plano que se forma
por todos los puntos x1 , x2 por debajo de la recta y la misma recta que satisfacen la desigualdad.
116

Regi
on geometrica de las restricciones de desigualdad el tipo menor o igual que
Una restricci
on del tipo a1 x1 + a2 x2 bi se representa por una region del plano que se forma
por todos los puntos (x1 , x2 ) por arriba de la recta y la misma recta que satisfacen la desigualdad.
Regi
on geometrica de las restricciones de desigualdad del tipo mayor o igual que
Soluci
on de sistema de ecuaciones lineales.
La soluci
on de un sistema de ecuaciones lineales consiste en todos los puntos cuyas coordenadas
satisfacen de manera simult
anea todas las ecuaciones dadas. Geometricamente es la region com
un a
todas las regiones determinadas por las ecuaciones (restricciones) proporcionadas.
Por ejemplo considere el siguiente sistema de ecuaciones.
117

12x1 + 15x2 85
4x1 + 7x2 25
x1 5
x2 0
Representando este sistema de ecuaciones lineales en el plano se obtiene la siguiente figura.
118
Regi
on factible de las soluciones del sistema.
Se determina regi
on factible al conjunto de puntos xi que satisfacen simultaneamente las ecuaciones del sistema, y existe un n
umero infinito de soluciones factibles dentro de este conjunto.
Lineas de indiferencia.
Aunque existe un n
umero infinito de soluciones en la region factible, es necesario considerar que
el objetivo de los problemas de PL es obtener el mejor valor que satisfaga el objetivo del modelo
(maximizar o minimizar).
La funci
on objetivo cambia de valor de acuerdo con el valor que adquieran las variables de
decisi
on x1 y x2 proporcionando un determinado valor Pi. Lo cual queda representado en la siguiente
expresi
on.
Pi = ax1 + bx2
119
Se reescribe esta afirmaci

on para que asemeje la ecuacion punto pendiente de una lnea recta.
Quedando la siguiente expresi
on.
x2 = a/bx1 + p1 /b
Lo que representa una familia de rectas paralelas con una pendiente de a b a esta familia de
rectas se les denomina lneas de iso-utilidad. Todos los puntos contenidos dentro de una lnea de
iso-utilidad proporcionan el mismo grado de satisfaccion.
Las lneas de iso-utilidad se desplazan de acuerdo con el objetivo de la funcion objetiv

o.
Para ilustrar este concepto observe las siguientes figuras.
120
Mejora del valor de la funci

on objetivo en problemas de maximizaci
on.
Observe que el valor de la funcion objetivo del tipo de maximizacion mejora conforme la lnea
de iso-utilidad se desplace hacia arriba y hacia la derecha.
Mejora del valor de la funci
on objetivo en problemas de minimizaci
on.
En caso contrario a la maximizacion, el valor de una funcion objetivo de minimizacion mejora

mientras mas se desplace hacia la izquierda y hacia abajo.
121
Las lneas de iso-utilidad no pueden crecer infinitamente quedan restringidas a la region factible acotada por las restricciones. Como se observa en la siguiente figura.
122
Hay que recordar que de acuerdo con el concepto de optimalidad se busca el punto que proporcione
el mayor grado de cumplimiento con el objetivo del sistema.
Procedimiento del m
etodo
Procedimiento del soluci
on de problemas de PL con el m
etodo gr
afico.
123
124
Captulo 4
Algoritmo simplex
4.1.
Conceptos b
asicos
Con base en el problema de programacion lineal continua en la forma estandar:

mn cx
sujeto a:
Ax = b
x0
se pueden definir los siguientes terminos:
Vertices: un vertice se tiene en la interseccion de 2 o mas restricciones.
Soluci
on factible: valores de x que satisfacen todas las restricciones, incluidas las de no negatividad
Soluci
on factible
optima: la solucion factible que proporciona el optimo para la funcion objetivo
Base o matriz b
asica: una matriz cuadrada B de dimension y rango m (n
umero de restricciones del problema) extrada de las columnas de A
Matriz no b
asica: matriz residual N formada por las columnas de A que no estan en B
Variables b
asicas:: las m variables xB de x asociadas a las columnas de B
125
Variables no b
asicas: las n m variables restantes de x
Soluci
on b
asica: Si se expresa a la matriz A y el vector x descompuestos en variables basicas y
no b
asicas se tiene que: A = [BN ] y x = [xB xN ] si estos elementos se sustituyen en el conjuto
de restricciones del problema de programacion

xB
Ax = b =
BN
xN
lineal (PL) entonces se obtiene:
= b = BxB + N xN = b
El sistema de ecuaciones lineales simultaneas anterior tiene m ecuaciones con n variables, al

resolver este sistema se pueden presentar las siguientes situaciones:
1. Tenga soluci
on u
nica.
2. Tenga infinitas soluciones.
3. No tenga soluci
on (en caso de ocurrir esto se dice que el sistema es no consistente o
inconsistente).
La soluci
on b
asica de un sistema de ecuaciones lineales de m n, si existe, es una soluci
on en
la que se forza a que (n m) variables tomen valor igual a cero. Es decir al eliminar (n m)
variables del sistema de ecuaciones lineales, la solucion existe s y solo si el sistema resultante
de m m es consistente. Con base en lo anterior si se asume que xN = 0, entonces el sistema
se reduce a BxB = b cuya solucion es xB = B 1 b, la cual es la solucion basica de Ax = b.
La direcci
on de m
aximo gradiente de la funcion objetivo es la direccion en la cual se genera
el mayor beneficio posible en la funcion objetivo desde una solucion basica a alguna de sus
adyacentes.
Funci
on de costo de una solucion basica factible Si se expresa a al vector costo c (c = [cB cN ])
y se asocia con la soluci
on b
asica xb si estos elementos se sustituyen en la funcion objetivo del
problema de PL, entonces se obtiene:

zB = cx = zB =

cB cN
126
x
B
= zB = cB xB
0
4.2.
B
usqueda exhaustiva de soluciones b
asicas
El teorema fundamental de la programacion lineal asegura que si un problema de programaci

on
lineal tiene soluci
on
optima finita, entonces necesariamente existe un punto extremo de la regi
on
factible en el que se alcanza dicha solucion. Por ende, el problema de programacion lineal, se puede
resolver examinando el valor de la funcion objetivo en un n
umero finito de puntos (vertices de regi
on
factible).
En general, el m
aximo n
umero de soluciones basicas, si existen, del problema de PL es igual al
n
umero de formas de escoger m variables de entre las n, es decir:
n!
n
=
m!(n m)!
m
.
Ejemplo 4.1
Se desea encontrar todas las soluciones basicas del siguiente problema.
mn W =
x1 + 3x2
s.a
x1 3x2 3
2x1 + x2 2
x1 , x 2 0
Como paso inicial se escribe el modelo en forma estandar.
mn W =
x1 +
s.a
x1
3x2
3x2 + x3
2x1 +
x2 +
xi
=3
x4
=2
i = 1, . . . , 4
En el modelo anterior existen 4 variables y dos restricciones ademas de las de no negatividad,

entonces el m
aximo n
umero de vertices a evaluar en este problema son:
4!
4 3 2!
12
n!
=
=
=
=6
m!(n m)!
2!(4 2)!
2!(2!)
2
127
Ahora bien si la matriz A de este problem es
1 3
A=
2 1
0 1
La matriz B se forma con 2 de las 4 columnas, como se menciono, existen 6 combinaciones posibles
de la colummnas de A tomadas en grupos de dos. En la siguiente tabla se muestran y evaluan cada
una de estas combinaciones.
Cuadro 4.1: Tabla inicial del simplex
Base
1
B=
0
1
B=
2
3
B=
1
1
B=
2
3
B=
1
1
B=
2
inversa
1
0
B 1 =
0 1
1
0 2
B 1 =
1
1
2
0 1
B 1 =
1 3
1 0
B 1 =
2 1
1
3 0
B 1 =
1
1
3
1
7
3
7
2
7
1
7
Valor de las variables

x1 = 0 x2 = 0
Tipo de solucion
Solucion factible
x3 = 3 x4 = 2
x1 = 1
x2 = 0
x3 = 4
x4 = 0
x1 = 0 x2 = 2
Solucion no factible
Solucion factible
x3 = 9 x4 = 0
x1 = 3 x2 = 0
Solucion factible
x3 = 0 x4 = 8
x1 = 0 x2 = 1
x3 = 0
x4 = 3
x1 = 1,8
x2 = 1,6
x3 = 0
x4 = 0
En la figura 4.1 se muestra la region factible del problema anterior; donde se observa que los
tres vertices que son soluciones factibles del analisis anterior corresponden a los vertices de la regi
on
factible. Para conocer la soluci
on
optima del problema de deben evaluar los vertices factibles con la
funcion objetivo. En la tabla 4.2 se muestra dicha evaluacion.
Ya que objetivo del problema es minimizar el valor de la funcion objetivo, con base en la in128
Figura 4.1: Region factible
Vertice de la region factible
Valor de la funcion objetivo
x1 = 0 x2 = 0
0 + 3(0) = 0
x3 = 3 x4 = 2
x1 = 0 x2 = 2
0 + 3(2) = 6
x3 = 9 x4 = 0
x1 = 3 x2 = 0
3 + 3(0) = 3
x3 = 0 x4 = 8
formaci
on obtenida de la evaluacion anterior se concluye que la solucion o
ptima del problema es
x1 = 0, x2 = 0, x3 = 3, x4 = 2, la cual genera que x1 + 3x2 0 + 3 0 = 0.
El principal problema con la estrategia de enumeracion exhaustiva es el gran n
umero de operaciones que se requiere al evaluar soluciones factibles y no factibles. Ademas, es difcil determinar si
la regi
on factible es no acotada.
129
4.3.
M
etodo simplex
El Metodo Simplex es la solucion algortmica inicial para resolver problemas de PL. Este es una
implementaci
on eficiente para resolver una serie de sistemas de ecuaciones lineales mediante el uso
de una estrategia ambiciosa que salta desde un vertice factible hacia otro adyacente, el algoritmo
termina en una soluci
on
optima..
En el modelo, los terminos independientes de las restricciones, es decir los del vector b, deben
ser mayores o iguales a 0, si no, no se puede emplear el metodo Simplex. Lo u
nico que habra que
hacer es multiplicar por -1 las restricciones donde los terminos independientes sean menores que
0. Con esta simple modificaci
on de los signos en la restriccion se puede aplicar el metodo Simplex al
modelo. Sin embargo, puede resultar que en las restricciones donde se tenga que modificar el signo
del termino independiente, los signos de las desigualdades fueran (=, ), quedando (=, )
lo que implica utilizar otro metodo.
Todas las restricciones son de igualdad. Si en nuestro modelo aparece una inecuacion con una
desigualdad del tipo , deberemos a
nadir una nueva variable, llamada variable de exceso con la
restricci
on . La nueva variable aparece con coeficiente cero en la funcion objetivo, y restando en
las inecuaciones. Surge ahora un problema, veamos como queda una de nuestras inecuaciones que
contenga una desigualdad :
Como todo nuestro modelo, esta basado en que todas sus variables sean mayores o iguales que
cero, cuando hagamos la primera iteracion con el metodo Simplex, las variables basicas no estar
an
en la base y tomar
an valor cero, y el resto el valor que tengan. En este caso nuestra variable xs,no
cumplira la condici
on de no negatividad, por lo que habra que a
nadir una nueva variable, xr , que
aparecer
a con coeficiente diferente de cero en la funcion objetivo, y sumando en la inecuacion de la
restricci
on correspondiente; a este tipo de variables se les llama variables artificiales, y aparecer
an
cuando haya inecuaciones con desigualdad (=,).
Del mismo modo, si la inecuacion tiene una desigualdad del tipo , deberemos a
nadir una
nueva variable, llamada variable de holgura . La nueva variable aparece con coeficiente cero en la
funci
on objetivo, y sumando en las inecuaciones. A modo resumen podemos dejar esta tabla, seg
un
la desigualdad que aparezca, y con el valor que deben estar las nuevas variables.
130
Tipo de desigualdad
Tipo de variable que aparece
- exceso + artificial
+ artificial
+ holgura
4.4.
Estructura del m
etodo simplex
El metodo simplex explota la estructura combinatoria del problema de programacion lineal; ya

que la soluci
on
optima de una instancia de PL se puede encontrar al analizar el conjunto (finito) de
puntos extremos del poliedro formado por las restricciones [?].
Con base en lo anterior, la idea basica del metodo simplex consiste en partir de un punto extremo
(soluci
on b
asica factible) xextemo ; si existe una solucion adyacente xadyacente que mejore el valor de la
funci
on objetivo; entonces xextemo xadyacente ; se contin
ua con este proceso hasta que los puntos
adyacentes a xextemo no mejoren el valor de la funcion objetivo. La esencia del metodo simplex
resinde en reconocer la optimalidad de un punto extremo solucion dado con base en consideraciones
locales, sin tener que enumerar todas las soluciones basicas factibles [?]. El algoritmo 1 muestra el
modelo general del algoritmo simplex.
El algoritmo simplex tiene una complejidad del orden exponencial (O(2m )), ya que el algoritmo
puede recorrer todos los vertices del poliedro para encontrar la solucion optima (vease Teorema
12). Sin embargo, para la mayora de los problemas practicos el algoritmo requiere de
3m
2
-en raras
ocasiones de 3m- iteraciones para solucionarlos [?].

Teorema 12 El algoritmo simplex a lo m
as realizar
a
m
n
iteraciones antes de terminar [?]
Dedido a la gran variedad en las intancias de PL, se han desarrollado variantes del algoritmo
simplex, las cuales permiten de manera natural a un conjunto particular de instancias de PL. A
continuaci
on se muestran dos ejemplos del algoritmo simplex
131
Algorithm 1: Pseudoc
odigo del algoritmo simplex [?]
Input: Instancia de PL a resolver
Output: Soluci
on
de la instancia
c = c z 0
criterio de paro
c = c z 0
en minimizaci
on
en maximizaci
on
soluci
on o
ptima No;
soluci
on no acotada No;
Determinar una soluci

on b
asica factible inicial.
repeat
6
7
8
if Se satisface el criterio de paro then

soluci
on o
ptima Si;
else
Elegir alg
un j, tal que:
10
11
for i = 1 : n do
cj < 0
en minimizaci
on
cj > 0
en maximizaci
on
if xi,j 0 then
12
13
xi,0
xi,j
else
14
15
end
16
17
end
18
k = mn(i ) if k = then
soluci
on no acotada Si;
19
20
else
21
k sea la fila asociada al k ;
22
Pivotear sobre xi,k para determinar las nueva soluci

on;
23
24
25
end
end
until soluci
on o
ptima = No y soluci
on no acotada = No;
132
Ejemplo 4.2
Se desea resolver el siguiente problema
max x1 + x2
Sujeto a:
x1 + 2x2 4
x2 2
x1 , x 2 0
En la figura 4.2 se muestra la regi
on factible del problema
Como paso inicial se escribe el modelo en forma estAndar.

max x1 + x2
Sujeto a:
x1 + 2x2 + x3 = 4
x2 + x4 = 2
x1 , x2 , x3 y x4 0
A continuaci
on, se construye la tabla simplex inicaial. Construcci
on de la primera tabla: En
la primera columna de la tabla aparecera lo que llamaremos base, en la segunda el coeficiente que
133
tiene en la funci
on objetivo cada variable que aparece en la base (llamaremos a esta columna Cb),
a partir de esta columna apareceran cada una de las variables de la funcion objetivo y por ultimo
se agregara una ultima columna con el valor de lado derecho. Al final de esta tabla incluiremos una
fila, en la cual aparecer
an los coeficientes de la funcion objetivo. En la tabla 4.2 se muetra la tabla
inicial del problema planteado

variable
c.f.o
x1
x2
x3
x4
x3
x4
cz
-1
c.f.o es el coeficiente de la funci

on objetivo, se puede usar cB para distinguirlos
En esta soluci
on b
asica se implica que la variable x3 = 4 y x4 = 2; caba hacer notar que todas
aquellas variables que no estan en la base asumen un valor de cero, por lo cual x1 = 0 y x2 = 0. En
otras palabras, la soluci
on b
asica del tablero inicial esta en el punto (x1 ,x2 ) (0,0) (ver figura 4.3)
por lo que se tiene una holgura de 4 en la primera restriccion y una holgura de 3 en la segunda
restricci
on.
Una vez que se ha contruido el iesimo tablero del algoritmo simplex se debe verificar si se
satisface el criterio de paro del algoritmo simplex (ver algorimo 1). Dicha prueba se realiza sobre
el vectro hilera c z he implica que para todos los elementos del vector c z (con esepci
on del
elemento en el vector columna
de los coeficientes de la funcion objetivo y el vector columan b) se
c = c z 0 en minimizacion
debe cumplir lo siguiente
c = c z 0 en maximizacion
Al verificar el criterio de paro sobre el vectro c z se obtiene lo siguiente:
Cuadro 4.3: Prueba de optimalidas

cz
satisface el criterio de paro
No
No
Si
Si
134

Como se ve en la tabla 4.3 no se cumple el criterio de paro en 2 elementos del vector c z, lo
cual indica que la solucion b
asica actual no es optima, por lo que se debe volver a iterar.
Para volver a iterar es necesario determinemos que variable sale de la base (variable que debe
asumir un valor igual a cero) y que variable entra a la base (variable que debe asumir un valor
diferente de cero) en la siguiente iteracion.
Elecci
on de la variable que entra: Seleccionar la variable que entra en la base como aquella
como aquella que produsca el m
aximo gradiente, es decir: en el caso de minimizacion seleccionamos
como la variable que entra a la base como aquella variable asociada al elemenoto mas negativo en
c z, en contraste en el caso de maximizacion seleccionamos como la variable que entra a la base
como aquella variable asociada al elemenoto mas positivo en c z, en ambos casos si se preserenta
un empate se rompe de forma arbitraria selecionando alguna de las variables con maximo gradiente.
Cabe mencionar que seleccionar la variable que entra con el criterio de gradiente maximo no es
la unica opci
on se pueden emplear otros criterios (e.g: gratiente minimo) si el leector desea mayor
informaci
on por favor consulte el [?]. En la tabla 4.4, se muetran las posibles variables que pueden
entrar a la base
Se observa que considerando el maximo gradiente se puede seleccionar la variable x1 y x2 , ya que
ambas presentan el valor m
as positivo en el vector c z. Dado a que se tiene un empate se procede
135

variable
cB
x1
x2
x3
x4
x3
x4
cz
-1
a romperlo de forma arbitraria, por lo cual se seleciona la variable x1 (vease la tabla 4.5)
Cuadro 4.5: Tabla inicial del simplex (seleccion de la variable que entra)
variable
cB
x1
x2
x3
x4
x3
x4
cz
-1
Una vez obtenida la variable entrante, se debe determinar a la variable que sale, para ello se
calcula el cociente
o = mn
xij >0
xi,0
xi j
donde xi j es estrictamente positivo (mayor de 0), cabe mencionar que este cociente no se calcula en
el vector c z. En la tabla 4.14, se muestra el calculo del cociente o Se observa en la tabla que la
Cuadro 4.6: Tabla inicial del simplex (seleccion variable que sale de la base)
variable
cB
x1
x2
x3
x4
x3
x4
no se puede calcular, ya
que x1,2 = 0
cz
-1
136
variable que sale de la base es x3 (vease tabla 4.7)
variable
c.f.o
x1
x2
x3
x4
x3
x4
cz
A continuaci
on se procede a actualizar el tablero simplex; por lo cual como primer paso se busca
volver al elemento en la intereccion entre la hilera de la variable que sale y la columna de la variable
que entra en un 1; para ello se puede mutiplicar el vector hilera de la variable que sale por alguna
constante k R, el vector resultado de la multiplicacion se escribe en lugar del vector de la variable
que sale y se etiqueta con el nombre de la variable que entra en la base, a este vector hilera se le
denimina hilera pivote. En la tabla 4.16, se muestra esta accion
variable
cB
x1
x2
x3
x4
x1
x4
cz
-1
Posteriormente, se busca hacer cero a todos los elementos en la columna de la variable que entra,
para ello se utilizan las operaciones elementales entre renglones las cuales son:
Multiplicar un rengl
on por un n
umero diferente de cero.
Sumar o restar un renglonn a otro renglon.
Sumar o restar el m
ultiplo de un renglon a otro renglon.
En la tabla 4.9, se muestra esta accion
137
variable
cB
x1
x2
x3
x4
x1
x4
cz
-1
-2
-1
-4
En la figura 4.4, se muestra la nueva solucion basica encontrada. La verificaicon del criterio de
paro sobre el vectro c z se muestra en la tabla 4.10

cz
-2
-1
Si
Si
Si
Si
Dado que se satisface el criterio, se puede afirmar que se ha encontrado la solucion optima. En
138
esta soluci
on x1 = 4, x2 = 0,x3 = 0 y x4 = 2 con un valor de funcion objetivo igual a 4.
Una vez resuelto el problema de PL se debe distinguir entre:
Restricciones activas: son aquellas que se cumplen con exacta igualdad en la solucion optima.
Las restricciones activas son las que impiden el obtener una solucion mejor que la soluci
on
optima encontrada. En nuetro problema la restriccion activa es x1 + 2x2 4
Restricciones inactivas: son aquellas que se cumplen como una desigualdad en la soluci
on
optima. En nuetro problema la restriccion inactiva es x2 2
Restricciones redundante Son aquellas que de no estar presentes en el modelo, no modificaran

la regi
on factible ni la solucion optima. En nuestro problema no existen restricciones redundantes.
Ejemplo 4.3
max 2x1 + 3x2
Sujeto a:
x1 + 2x2 3
2x1 x2 3
x1 , x 2 0
En la figura 4.5 se muestra la regi
on factible del problema
Como paso inicial se pasa al modelo aforma estAndar.

max 2x1 + 3x2
Sujeto a:
x1 + 2x2 + x3 = 3
2x1 x2 + x4 = 3
x1 , x2 , x3 y x4 0
A continuaci
on, se construye la tabla simplex inicaial, en la tabla 4.11 se muetra la tabla inicial
del problema planteado
139

variable
cB
x1
x2
x3
x4
x3
x4
-1
cz
-1
En esta soluci
on b
asica se implica que la variable x3 = 3, x4 = 3 x1 = 0,x2 = 0; por lo que se
tiene una holgura de 3 en la primera restriccion y una holgura de 3 en la segunda restriccion.
Ahora se verifica el criterio de paro sobre el vectro c z se obtiene lo siguiente:

cz
-1
No
No
Si
Si
140
Como se ve en la tabla 4.12 no se cumple el criterio de paro en 2 elementos del vector c z, lo

cual indica que la soluci
on b
asica actual no es optima, por lo que se debe volver a iterar.
Se selecciona a la variable que entra en la base como aquella como aquella que produsca el
m
aximo gradiente, en la tabla 4.13, se muetran las posibles variables que pueden entrar a la base

variable
cB
x1
x2
x3
x4
x3
x4
-1
cz
-1
Se selecciona a la variable x2 , tiene el valor mas positivo en el vector c z.

Posteriormente, se selecciona a la variable entrante. En la tabla ??, se muestra el calculo del
cociente o Se observa en la tabla que la variable que sale de la base es x3 (vease tabla 4.15)
Cuadro 4.14: Tabla inicial del simplex (seleccion variable que sale de la base)
variable
cB
x1
x2
x3
x4
x3
3
2
x4
-1
no se puede calcular, ya
que x2,2 es menor a cero
cz
-1
A continuaci
on se procede construir el nuevo tablero simplex
Posteriormente, se busca hacer cero a todos los elementos en la columna de la variable que entra,
para ello se utilizan las operaciones elementales entre renglones. En la tabla 4.17, se muestra esta
acci
on
La verificaci
on del criterio de paro sobre el vectro c z se muertra en la tabla 4.18
Dado que no se satisface el criterio, se contruye un nuevo tablero simplex en la tabla 4.19 se
141
variable
cB
x1
x2
x3
x4
x3
x4
-1
cz
-1
Cuadro 4.16: Segundo tablero simplex

variable
cB
x1
x2
x3
x4
x2
1
2
1
2
3
2
x4
cz
-1

variable
cB
x1
x2
x3
x4
x2
0.5
0.5
1.5
x4
2.5
0.5
4.5
cz
-1
0.5
-1.5
-4.5

cz
-1
0.5
-1.5
-4.5
No
Si
Si
Si
muetra la variable que entra y que sale de la base.

En la tabla 4.20, se muetra el nuevo tablero simplex. En este tablero se muestra que la soluci
on
optima del problema x1 = 1,8 y x2 = 0,6, con la que se obtien un beneficio de 5.4
142

variable
cB
x1
x2
x3
x4
x2
0.5
0.5
1.5
x4
2.5
0.5
4.5
1.8
cz
-1
0.5
-1.5
-4.5
Cuadro 4.20: Tercer tablero simplex

variable
cB
x1
x2
x3
x4
x2
0.4
-0.2
0.6
x1
0.2
0.4
1.8
cz
-1
-1.6
-0.2
-5.4
Ejemplo 4.4
mn 2x1 3x2 10x3 + x4
Sujeto a:
4x1 + 2x2 x3 + x4 4
x1 + 5x2 + x3 0
2x1 + x3 x4 10
x1 , x2 , x3 0
Como paso inicial se pasa al modelo aforma estAndar.

mn 2x1 3x2 10x3 + x4
Sujeto a:
4x1 + 2x2 x3 + x4 + x5 = 4
x1 + 5x2 + x3 + x6 = 0
2x1 + x3 x4 + x7 = 10
x1 , x2 , x3 , x04 , x004 , x5 , x6 , x7 0
143
Cuadro 4.21: Tablero simplex inicial

variable
cB
x1
x2
x3
x04
x004
x5
x6
x8
x5
-1
-1
x6
-1
x7
-1
10
cz
-1
-2
-3
-10
-1
Ahora, se contruye el tablero simplex inicial (vease tabla 4.22)

La verificaci
on del criterio de paro sobre el vectro c z se muertra en la tabla 4.22
Cuadro 4.22: criterio de paro

variable
cB
x1
x2
x3
x04
x004
x5
x6
x8
cz
-1
-2
-3
-10
-1
No
No
No
Si
No
Si
Si
Si
Como no se cumple el criterio de paro se construye el nuevo tablero (ver tabla 4.23).

variable
cB
x1
x2
x3
x04
x004
x5
x6
x8
x5
-1
-1
x6
-1
x7
-1
10
10
cz
-1
-2
-3
-10
-1
En la tabla 4.24 se muestra el segundo tablero simplex, ademas se muestra que variables entran
y salen de la base
En la tabla 4.25 se muestra el tercer tablero simplex, ademas se muestra que variables entran y
144

variable
cB
x1
x2
x3
x04
x004
x5
x6
x8
x5
-1
4
3
x3
-10
-1
x7
-5
-1
-1
10
10
3
cz
-1
-12
47
-1
10
salen de la base
Cuadro 4.25: Tercer tablero simplex

variable
cB
x1
x2
x3
x04
x004
x5
x6
x8
x1
-2
7
3
1
3
- 31
1
3
1
3
4
3
x3
-10
22
3
1
3
- 31
1
3
4
3
1
3
x7
-12
-2
-1
-2
cz
-1
75
-5
14
16
En la tabla 4.26 se muestra el cuarto tablero simplex.
Cuadro 4.26: Cuarto tablero simplex

variable
cB
x1
x2
x3
x04
x004
x5
x6
x8
x1
-2
1
3
1
6
1
6
7
3
x3
-10
16
3
1
6
1
6
7
3
x004
-1
-6
-1
- 12
-1
1
2
cz
-1
45
3
2
5
2
31
En el tablero 4.20 se muestra que la solucion optima del problema x1 = 17 , x3 =

la que se obtien un beneficio de 31
145
7
1
y x004 = 3, con
4.5.
Clases de problema de acuerdo a la soluc

on obtenida con
el algoritmo simplex
El modelo en forma est

ndar es de dimensiones m (restricciones, ecuaciones lineales) por n (variables). Un sistema de ecuaciones lineales simultaneas de m por n puede tener solucion o no.
Generalmente, ocurren alguna de siguientes soluciones:
Tenga una soluci
on u
nica
Tenga m
ultiples soluciones
Tenga soluciones no acotadas.
No tiene soluci
on.
4.5.1.
Soluci
on u
nica
Una instancia del problema PL tiene una solucion unica, si dada la intancia del problema de PL
mn c0 x
sujeto a:
Ax b
x0
existe un unico vector x tal que se obtiene el valor minimo de la funcion objetivo. En un tablero
simplex se identifica que la instancia tiene solucion u
nica si en el vector c z se satisface el criterio
de
optimalidad y ninguna de las variables no basicas tienen un cero en el vector c z.
4.5.2.
M
ultiples soluciones
Este caso se presenta cuando la funcion objetivo es paralela a una de las restricciones activas
del problema, entonces la funci
on objetivo asume el valor optimo en mas de un vertice de la regi
on
factible. Es decir, en una soluci
on basica factible optima al menos una de las variables no-b
asicas
tiene un coeficiente igual a cero en el vector c z
146
Un problema con soluciones multiples se pueden identificar, si al obtener la solucion optima de

dicho problema se presenta las siguientes situaciones:
a Una de las variables no-b
asicas tiene un coeficiente cero en el renglon c z.
b Al menos uno de los coeficientes de la columna identificada en el inciso a es positivo.
Otra soluci
on
optima es generada introduciendo a la base a la variable identificada en el inciso
a aplicando el algoritmo simplex.
4.5.3.
Soluciones no acotadas
Este tipo de problemas se presenta cuando el espacio de soluciones factibles es no-acotado, por lo
cual la funci
on objetivo puede incrementar (caso de maximizacion) o disminur (caso de minimizaci
on)
infinitamente. Un problea no acotado se identifica cuando en alguna iteracion del algoritmo simplex,
sobre dicho problema, se puede determinar a la variable que entra a la base, pero no es posible
identificar a la variable saliente, porque todos los coeficientes de la columna asociada con la variable
entrante son negativos o ceros. Cabe mencionar que existen problemas con una region factible no
acotado pero si poseen una soluci
on optima.
4.5.4.
No tiene soluci
on
Un problema no tiene soluci

on si la region factible es el conjunto vacio, en otras palabra dada
una instancia del problema de PL
mn c0 x
sujeto a:
Ax b
x0
no existe un vector x tal que se satisfagan todas las restriciones del problema. Esta clase de problemas
se abordaran en la siguiente unidad.
147
4.6.
Motivaci
on geom
etrica del algoritmo simplex
Es necesario analizar las operaciones anteriores desde un punto de vista geometrico. La representaci
on del espacio de variables no basicas, la region factible del PL se define terminos de n
semiespacios que se intersecan, m restricciones y p = n m asociados con las restricciones de no
negatividad. Para cada uno los semiespacios existen cierta variable que asume un valor de cero sobre
el semiespacio correspondiente.
Ejemplo 4.5
Se desea resolver el siguiente problema:
max 4x1 + 9x2
sujeto a
x1 + 2x2 5
x1 4
x1 , x2 0
La regi
on factible se muestra en la figura 4.6
La soluci
on b
asica factible inicial corresponde al vertice v1 , es decir, al origen. Observe tambien
148
que cualquier otro punto extremo tambien esta definido por la interseccion de p = 2 hiperplanos
linealmente independientes. As, para el vertice v2 con las variables no basicas x1 = 0 y x3 = 0
y las variables b
asicas son x2 y x4 . El vertice v3 consta de dos hiperplanos que pasan por el, con
las variables no b
asicas x3 = 0 y x4 = 0 y las variables basicas son x2 y x1 . Por ultimo el vertice
v4 consta de dos hiperplanos que pasan por el, con las variables no basicas x2 = 0 y x4 = 0 y las
variables b
asicas son x3 y x1 .
En el vertice v1 existen 2 hiperplanos definitorios asociados con las variables no basicas correspondientes (x1 = 0 y x2 = 0). En el tablero inicial del algoritmo simplex se muestra que la soluci
on
inicial es x1 = 0, x2 = 0 x3 = 5 y x4 = 4 ver 4.27.

variable
cB
x1
x2
x3
x4
x3
x4
cj
-1
Posteriormente, se busca un movimiento atractivo en una direccion factible hacia alguna de las
soluciones adyacente, es decir, se cambia a la solucion adyacente que genere el mejor cambio en la
funci
on objetivo. Esta direcci
on se encuntra a traves de determinar la variable que entra y que sale de
la base. La variable que entra en la base es aquella asociada a coeficiente con el mayor beneficio en la
funci
on objetivo, en contraste, la variable que sale de la base es aquella que tiende mas rapidamente
a cero (ver tablas 4.32 ).

variable
cB
x1
x2
x3
x4
x3
5
2
x4
cj
-1
149
Al seleccionar a x2 como la variable que entra de la base y a x3 como la variable que entra de
la base se implica un movimiento del vertice v1 al v2 , lo cual genera un incremeto en la funci
on
objetivo de 22.5 (ver figura 4.7). En la tabla 4.29 se muestra el nuevo tablero simplex. Al verificar

variable
cB
x1
x2
x3
x4
x2
1
2
1
2
5
2
x4
cj
-1
-0.5
-4.5
-22.5
el criterio de paro se observa que se satisface; lo cual indica que no existe una direccion que mejore
la soluci
on actual (ver figura 4.8). Es decir, cuando el criterio de paro se satisface indica que ya no
existe una soluci
on adyacente que mejore la solucion actual
150

En resumen el algoritmo simplex inicia en una solucion basica factible, posteriormente el algoritmo
b
usca entre las soluciones adyacentes a la solucion actual aquella que genere la mayor mejora en el
valor de la funci
on objetivo. El algoritmo simplex termina cuando ya no existe ningun movimiento
que mejore la soluci
on actual.
4.7.
Algebra
del m
etodo simplex
Dado el problema de programacion lineal en forma estAndar

max c0 x
sujeto a:
Ax = b
x0
donde:

vector de costos: c =

c1
c2
...
cn
151
vector de variables de desic

on: x =
x1
x2
..
.
xn
vector de recursos (o vector del lado derecho) b =
b1
b2
..
.
bm
a1,1
a2,1
matriz de los coeficientes de las restricciones: A =
.
..
am,1

A = a1 a2 . . . an
a1,2
...
a2,2
..
.
...
..
.
am,2
...
a1,n
a2,n
..
.
am,n
a
1,j
a2,j
jesima columna de la matriz A aj = .
..
xm,j
Se asume que b 0, adem
as que el conjunto de restricciones Ax = b se conforma por m ecuaciones
lineales con n variables donde (m < n) y el rango de la matriz A es de rango completo (rango de A
es m); entonces se puede obtener una solucion haciendo n m variables igual a cero y resolviendo
el sistema ecuaciones lineales para las m variables restantes, siempre y cuando el determinante de
los coeficientes de estas m variables no seas cero. Se llaman variables basicas a las m variables y a
la soluci
on del sistema obtenida con ellas, se le denomina solucion basica.
Para resolver el sistema Ax = b se debe considerar que matriz A = [B|N ]; donde: B es una
submatriz no singular formada por las columnas asociadas a las variables basicas, en contraste N es
la submatriz formada por las columnas asociadas a las variables no basicas. El vector de las variables
de desici
on x = [xB |xN ]; ya que las variables no basicas (xN ) asumen un valor igual a cero, entonces
152
se puede reescribir el vector x como x = [xB |0]

Ax = b
xB
[B | N ]
=b
0
por lo tanto:
B xB + N 0 = b
BxB = b
al despejar xB se obtiene
B 1 BxB = B 1 b
IxB = B 1 b
xB = B 1 b
Existen varios casos en la soluci
on del sistema xB = B 1 b, los cules son:
Soluci
on b
asica factible (SBF). Todas las variables basicas son mayores o iguales que cero.
Soluci
on b
asica factible no degenerada. Todas las variables basicas son estrictamente positivas.
Soluci
on b
asica factible degenerada. Alguna variable basica toma un valor nulo
153
El valor de la fuci
on objetivo se puede determinar a traves de la siguiente ecuacion:
z = cx
al sustituir
x
B
x por x =
0
y c = [cB | cN ], se obtiene:
x
B
z = [cB | cN ]
0
z = cB xB + cN 0
z = cB xB
al sustituir
xB por B 1 b
se obtiene
z = cB B 1 b
Adem
as sea A? una matriz generada a partir de A; donde las columnas de las variables en la base
sea vectores elementales, entonces A? = B 1 A y el vector z se define como: z = cB A? = cB B 1 A,
por lo cual el cambio producido en el vector de costos es
c = c z
al sustirur z
c = c cB B 1 A
al sustirur c = [cB | cN ] y A por [B | N ]
c = [cB | cN ] cB B 1 [B | N ]
c = [cB | cN ] cB [I | B 1 N ]
c = [cB | cN ] [cB | cB B 1 N ]
c = [0 | cN cB B 1 N ]
y por tanto el cambio producido en el costo de la jesima variable es
cj = cj cB B 1 aj
154
Con base en la informaci

on anterior se puede construir el tablero simplex. En la Tabla 4.30 se
muestra la estructura general del tablero simplex.
Cuadro 4.30: Estructura de tablero simplex

variable
cB
xB
c0B
x1
x2
...
xn
B 1 A
c1
c2
...
B 1 b
cn
Con objeto de explicar lo anterior considere los siguientes ejemplos:

Ejemplo 4.6
Considerar el siguiente problema:
max z = 9x1 3x2
sujeto a:
x1 x2 1
3x1 + x2 6
x1 , x 2 0
Iteraci
on 1
PASO 1 se escribe el modelo en forma estAndar

y determinar su forma matricial:
max z = 9x1 3x2
sujeto a:
x1 x2 + x3 = 1
3x1 + x2 + x4 = 6
x1 , x 2 , x 3 , x 4 0
155
Forma matricial del modelo anterior es la siguiente:
x
1
x2
max z = [9 3 0 0]
x3
x4
1
1
sujeto a:
x1
1 0 x2
0 1
x3
x4
1
=
x0
Paso 2 Construr la matriz B y su inversa. (Recuerde que incialmente las variables que forman la
base inicial son las varriables de holgura o las artificiales)
1
B=
0
B = [x3 x4 ]
0
1
1
B =
0
1
Paso 3 Determinar cB , A? , xB y z a traves de operaciones matriciales.

El vector cB se forma por los coeficiente en la funcion objetivo asociados a las varibales b
asicas
cB = [0 0]
Determinaci
on de la matriz A?
1
A? = B 1 A =
0
0 1
1
3
1
1

0 1
=
0 1
3
1
1
Determinaci
on del vector xB
1
xB = B 1 b =
0
0 1 1
6
1
6
156
0 1
Determinaci
on de z
1
z = cB B 1 b = cB xB = [0 0] = 0
6
Paso 4 Determinar c y realizar la prueba de optimalidad en sus elementos.
c = c cB B 1 A = c cB A?
1
1
1
0
c = [9 3 0 0] [0 0]
3 1 0 1
c = [9 3 0 0] [0 0 0 0]
c = [9 3 0 0]
Lo anterior se puede simplificar s
olo calculando cj para las variables no basicas.
cj = cj cB B 1 aj
variable x1
1
c1 = 9 [0 0]
=90=9
3
variable x2
c1 = 3 [0 0]
= 3 0 = 3
1
Al realizar la prueba de optimalidad (en maximizacion c z 0 y en minimizacion c z 0 ) sobre
c se observa que no se satisface por el elemento c1 , pues c1 = 9, por lo tanto la solucion actual no es
optima.
Paso 5 Determinar la variable que entra de la base.

Si se utiliza el criterio del m
aximo gradiente se identifica en los elementos de c que no satisfacen
el criterio de paro; ente estos valores se busca aquel que represente el gradiente maximo (el valor
m
as positivo si es un problema de maximizacion o el valor mas negativo si es un problema de
minimizaci
on). La variable que entra a la base es aquella asociada a valor de maximo gradiente.
Ya que c = [9 3 0 0] el valor con el maximo gradiente es c1 ; por lo tanto x1 entra a la base.
Paso 6 Determinar la variable que sale de la base; para ello se debe recordar que la variable que
sale de la base es aquella que tienda mas rapido a 0.
157
La variable que sale de la base es la asociada al

(
mn = m?n
ai,j >0
xBi,1
a?i,j
1
1
ya que los elementos xB y a?j son: xB = y a?1 =
. Entonces los cocientes
3
6
los siguientes:
(
mn
ai,j >0
xBi,1
a?i,j

= mn
ai,j >0
1 6
,
1 3
xBi,1
a?
i,j
son

= mn{1, 2} = 1
Puesto que el minimo elemento se asocia con x3 , entonces se concluye que la variable que sale
de la base es x3 .
Paso 7 Construr la nueva matriz B y su inversa. En la nueva base la variable que entra sustitye
a la variable que sale de la base. En nuestro ejemplo, para esta iteracion la variable x3 sale de la
base y es substituida por la vaiable x1 ; por lo tanto
B = [x1 x4 ]
Tomando de A los vectores columnas asociado a x1 y x4 se contruye B.
1 0
B=
3 1
La inversa de B es
B 1
1
=
3
Paso 8 Regresar al paso 3, hasta cumplir la prueba de optimalidad considerada en el paso 4.

Iteraci
on 2
Paso 3 Determinar cB , A? , xB y z a traves de operaciones matriciales. El vector cB se forma
por los coeficiente en la funci
on objetivo asociados a las varibales basicas
cB = [9 0]
Determinaci
on de la matriz A?
158
0 1
3
1
1
A? = B 1 A =
3
1
1
0 1
=
0
0 1
Determinaci
on del vector xB
1
xB = B 1 b =
3
Determinaci
on de z
0 1 1
1
6
3
1

z = cB B 1 b = cB xB = [9 0] = 9
3
c = c cB B 1 A = c cB A?
1 1 1
c = [9 3 0 0] [9 0]
0 4 3
c = [9 3 0 0] [9 9 9 0]
c = [0 6 9 0]
se observa que no se satisface el criterio de optimalidad ya que c2 = 6.
Paso 5 Determinar la variable que entra a la base. Al analizar c = [0 6 9 0] se observa a que
el m
aximo gradiente es c2 = 6, por lo tanto la variable que entra a la base es x2 .
Paso 6 Determinar la variable que sale de
la
1
Ya que los elementos xB y a?j son: xB =
3
los siguientes:
(
mn
ai,j >0
xBi,1
a?i,j

= mn
ai,j >0
base.
1
y a?2 =
. Entonces los cocientes
4
1 3
,
1 4
xBi,1
a?
i,j
son

= mn{1, 0,75} = 0,75
Puesto que el minimo elemento se asocia con x4 , entonces se concluye que la variable que sale
de la base es x4 .
Paso 7 Construr la nueva matriz B y su inversa. En nuestro ejemplo, para esta iteraci
on la
variable x4 sale de la base y es substituida por la vaiable x2 ; por lo tanto
B = [x1 x2 ]
159
Tomando de A los vectores columnas asociado a x1 y x2 se contruye B.
1
1
B=
3 1
La inversa de B es
B 1 =
1
4
1
4
34
1
4
Paso 8 Regresar al paso 3, hasta cumplir la prueba de optimalidad considerada en el paso 4.

Iteraci
on 3
Paso 3 Determinar cB , A? , xB y z a traves de operaciones matriciales. El vector cB se forma
por los coeficiente en la funci
on objetivo asociados a las varibales basicas
cB = [9 3]
Determinaci
on de la matriz A?
A? = B 1 A =
1
4
1
4
34
1
4
0 1 0
=
0 1
0 1
0,25
0,75
Determinaci
on del vector xB
xB = B 1 b =
1
4
1
4
43
1
4
1 1,75
0,75
6
Determinaci
on de z
1,75
z = cB B 1 b = cB xB = [9 3]
= 13,5
0,75
c = c cB B 1 A = cj cB A?
1 0 0,25
c = [9 3 0 0] [9 3]
0 1 0,75
c = [9 3 0 0] [9 3 4,5 1,5]
c = [0 0 4,5 1,5]
160
0,25
0,25
0,25
0,25
Como todos los elementos en c satisfacen que c z 0 y es un problema de maximizaci

on,
entonces se determina que la solucion es optima.
Ejemplo 4.7
Considerar el siguiente problema:
mn z = 9x1 + 3x2 + 9x3
sujeto a:
x1 x2 0
3x1 + x2 6
x2 + 4x3 2
x1 , x 2 0
Iteraci
on 1
Paso 1Pasar a forma estAndar

y contruir la forma matricial del modelo.
Forma estAndar
mn z = 9x1 + 3x2 + 9(x03 x003 )
sujeto a:
x1 x2 + x4 = 0
3x1 + x2 + x5 = 6
x2 + 4(x03 + x003 ) + x6 = 2
x1 , x2 , x03 , x003 , x4 , x5 x6 0
161
Forma matricial
mn z = [9 3 9 9 0 0 0]
x1
x2
0
x3
00
x3
x4
x5
x6
sujeto a:
4 4
1 0 0
0 1 0
0 0 1
x1
x2

0
x3
0
00 =
x3 6

2
x4
x5
x6
x0
Paso 2 Construr la matriz B y su inversa. (Recuerde que incialmente las variables que forman la
base inicial son las varriables de holgura o las artificiales)
B = [x4 x5 x6 ]
B=
0
0
1
0
0 B =
0
1
0
0
1
0
Paso 3 Determinar cB , A? , xB y z.
El vector cB se forma por los coeficiente en la funcion objetivo asociados a las varibales b
asicas
cB = [0 0 0]
Determinaci
on de la matriz A?
162
A =B
A=
0
0
1
0
0
3
1
1
4 4
0 1 0
= 3

1
0 0 1
4 4
0 1 0
0 0 1
Determinaci
on del vector xB
xB = B
b=
0
0
1
0
0 6 = 6
2
2
1
Determinaci
on de z
z = cB B
b = cB xB = [0 0 0] 6
=0

c = c cB B 1 A = cj cB A?
1 1 0 0
c = [9 3 9 9 0 0 0] [0 0 0]
3 1 0 0
1 0 4 4
0 1 0
0 0 1
c = [9 3 9 9 0 0 0] [0 0 0 0 0 0 0]
c = [9 3 9 9 0 0 0]
Al realizar la prueba de optimalidad sobre c se observa que no se satisface en los elementos
c1 = 9 y c003 = 9, por lo tanto la solucion actual no es optima.
Paso 5 Determinar la variable que entra de la base.
Si se utiliza el criterio del m
aximo gradiente en este caso se en este caso se b
usca el valor m
as
negativo en los elementos de c que no satisfacen el criterio de paro; dichos elementos son: c1 = 9 y
c003 = 9. Ya que, hay un empate, este se debe romper de forma arbitraria, por lo que se selecciona
como variable que entra a la base a x003
Paso 6 Determinar la variable que sale de la base
163
La variable que sale de la base es la asociada al

(
mn = m?n
ai,j >0
a?j
ya que los elementos xB y
conciente
xBi,1
a?
i,j
son: xB
xBi,1
a?i,j
= 6 y a300 =
0
4
2
. Se puede observar ning

un
se puede calcular, ya que todos los elementos de a?300 son negativos o cero.
Puesto que no se puede determinar la variable que sale de la base, entonces se concluye que el
problema es no acotado y se para el algoritmo.
4.8.
Recontruyendo el tablero inicial
La matriz inversa de la base se puede identificar del tablero actual como una submatriz, de la
matriz A, cuadrada de tama
no m; la cual se forma por las columnas donde inicialmente se encontraba
la matriz identidad. Dicho en otras palabras, la B 1 se forma por las columnas asociadas a las
variables que estaba en la base inicial.
Para explicar lo anterior considerese el siguiente ejemplo:
Ejemplo 4.8
A continuaci
on, se muestra la solucion optima de un problema del tipo maximizar, en el cual las
variables x4 y x5 son variables de holguara. Determine: la matriz inversa B 1 , B contruya el tablero
original.

xB
cB
x1
x2
x3
x4
x5
x3
c3
100
x2
c2
50
cz
-1
-4
-1
-2
200
3
Ya que x4 y x5 son variables de holgura, entonces se sabe que la base inicial (matriz identidad)
164
se conformaba por estas variables. Por lo tanto:
2
=
1
B 1
Ya que (B 1 )1 = B, entonces:
B=
4
3
5
3
1
3
2
3
Recordando que A? = B 1 A, b? = B 1 b , entonces:

BA? = BB 1 A
BA? = IA
BA? = A
Bb? = BB 1 b
Bb? = Ib
Bb? = b
Al sustituir valores se obtiene:
A=
4
3
5
3
1
3
2
3
A=
b=
1
3
5
3
4
3
1
3
2
3
1
3
4
3
5
3
1
3
2
3
100
50
50
0
Ya que c = c cB A? , entonces al substituir valores se obtiene:
[ 4
2 ] = [ c1
c2
c3
1
0 ] [c3 c2 ]
1

[ 4
[ 4
2 ] = [ c1
0
c2
c3
0 ]
2 ] = [ c1 c3 c2
165

c3 + c2
0
c2
c3
2c3 c2
2c3 + c2
5c3 + 4c2
5c3 4c2 ]
De lo anterior, se obtiene el siguiente sistema de ecuaciones:

4 = c1 c3 c2
1 = 2c3 c2
2 = 5c3 4c2
c1 + c3 + c2 = 4
2c3 + c2 = 1
5c3 + 4c2 = 3
Al resolver el sistema, de ecuaciones anterior, se obtiene:
c1 =
10
3
c2 =
2
3
c3 =
1
3
Con la informaci
on abterior se puede contruir el tablero siguiente:
Cuadro 4.32: tablero simplex inicial

xB
cB
x1
x2
x3
x4
x5
x4
- 31
- 53
4
3
50
x5
1
3
2
3
- 13
cz
-1
- 10
3
2
3
1
3
166
Captulo 5
Soluci
on inicial y convergencia
5.1.
Introducci
on
En este captulo se abordaran aquellos problemas donde no se tiene una slolucion factible inical;
por ende se requiere de utilizar un trbajo previo a fin de alcanzarla y poder aplicar el algoritmo
simplex. Estos problemas son aquellos problemas donde se agregan variables artificiales, es decir son
aquellos problemas con resticciones del tipo o =. En esta seccion se revisan el metodo de las dos
fases y el metodo de la gran M.
5.2.
C
omo se obtiene una soluci
on basica factible inicial?
En el caso que el conjunto de restricciones del problema sean del Ax b, la solucion basica
factible inicial se contruye con las variables de holgura agregadas a las resticciones. Sin embargo
cuando el sistema de restricciones es Ax b, se agregan variables de exeso y artificialaes, en este
caso las variables artificiales desempe
nan una funcion similar a las variables de holgura, ya que
proporcionan una variable b
asica inicial al agregarse a aquellas restricciones que no tenga variables
b
asicas iniciales evidentes (resticiones del tipo e =). Esta variable desempe
na la misma funci
on
que una variable de holgura, al proporcionar una variable basica inicial para una solucion b
asica
inicial. Como se menciono anteriormente las variables artificiales no tienen sentido fsico y por lo
167
tanto se b
usca que estas asuman un valor igual a cero en la solucion final, de lo contrario, la soluci
on
resultante no factible.
5.3.
El m
etodo de las dos fases
Como su nombre lo indica, consiste resolver la instancia de interes en dos etapas o fases. En
P
la primera fase se busca minimizar la suma de las variables artificiales (mn x
i ); sujeto a:
Ax + Ix = b, x 0 y x 0; si el valor optimo para este problea es cero y todas las variable
artificiales toman un valor igual a cero entonces la instancia original tiene una solucion factible, por
lo que se procede con la segunda fase, en la cual se aplica el algoritmo siplex; en contraste, si al
resolver este problema se determina que alguna variable artificial es positiva entonces el problema
original no tiene soluci
on, por lo que se da por teminado el agoritmo. En la segunda fase se inicia
con base en el tablero final de la primera fase, se retoma la funcion objetivo de la instancia original,
haciendo todas las variables artificiales iguales a cero y se las columnas asociadas del tablero. En el
algoritmo 2 se mestra el pseudocodigo del algortmo de dos fases.
5.3.1.
FASE 1
En esta primera fase, el objetivo es minimizar la suma de las variables artificiales. Al terminar la
primera fase pueden ocurrir dos casos: la funcion toma un valor 0, lo cual significa, que el problema
original tiene soluci
on basica factible; en contraste si el valor de la funcion objetivo toma un valor
distinto, indica que el problema no tiene solucion basica factible.
Se pueden clasificar a los problema en funcion de la solucion obtenida de la primera fase en :
Problemas factibles
Problemas no redundantes
Problemas redundantes
Problemas infactibles
168
Algorithm 2: Algoritmo de las dos fases

1
infactible= N O
redundante= N O
Pasar el modelo a forma estandar.
Construir el tablero correspondiente
Agregar como ultima del tablero un vectro hilera denomindo , en el cual sus elementos son
1 si la iesima variable es una variable artificial y 0 si la iesima variable no es una variable
artificial.
Por medio de operaciones elementales entre hilera volver a las columnas asociadas a la base
en vectores columnas elementales.
Fase I
Aplicar el algoritmo simplex para minimizar =
x
i , cosidere para ello que tomar el vector
como el vector objetivo.

9
if > 0 then
10
infactible= SI
11
Terminar el algoritmo, ya que el problema es infactible.
12
13
else
if alguna variable artificial esta en la base then
14
redundante= SI
15
El problema es redundate, por lo que se eliminan las hileras correspondientes en el

tablero.
16
end
17
Borrar las columnas asociadas a las variables artificiales.
18
Borar la hilera
19
Fase II
20
Aplicar el algoritmo simplex sobre el tablero resultante considerando el objetivo original.
21
end
169
5.3.2.
FASE 2
En el caso que el problema tenga una solucion basica factible se utiliza la solucion encontrada
en la primera fase como punto de partida para la segunda fase. Para lo cual se eliminan los vectores
columna de las variables artificiales y el vector auxiliar xi del tablero de la primera fase.
En los siguiente ejemplos se ilustra el funcionamiento del algoritmo de las dos fases.
Problemas factibles
Problemas no redundantes
Ejemplo 5.1
Se desea encontrar la soluci
on
optima del siguiente problema:
max 4x1 + 5x2 3x3
sujeto a:
4x1 + 2x2 x4 14
5x2 3x3 15
x1 + x2 + x3 + x4 = 10
x1 , x 2 , x 3 , x 4 0
Paso 1 y 2
infactible= N O y redundante= N O.
Paso 3 Pasar el problema a forma estandar.
max 4x1 + 5x2 3x3
sujeto a:
4x1 + 2x2 x4 + x5 = 14
5x2 3x3 x6 + x
7 = 15
x1 + x2 + x3 + x4 + x
8 = 10
x1 , x 2 , x 3 , x 4 , x 5 , x 6 , x
7 , x8 0
Paso 4 Construir el tablero correspondiente. Recuerdese la base del tablero inicial solo puede conformarse con variables do holgura o variables artificiales. En este problema las variables de la base
inicial son x5 , x
7 y x8 (ver tablero 5.1).
Paso 5 Agregar el vector al tablero inicial (ver tablero 5.2).

170
Cuadro 5.1: Tablero inicial

xB
cB
x1
x2
x3
x4
x5
x6
x
7
x
8
x5
-1
14
x
7
-3
-1
15
x
8
10
cz
-1
-3

xB
cB
x1
x2
x3
x4
x5
x6
x
7
x
8
x5
-1
14
x
7
-3
-1
15
x
8
10
cz
-1
-3
Paso 6 Por medio de operaciones elementales entre hilera volver a las columnas asociadas a la
b
ase en vectores columnas elementales.
Para eliminar los unos que estan en el vector y la columna de las variables artificaiales se resta
al vector la suma de los vectores hilera asociados a las variables artificiales.
Suma de los vectores hileras asociados a variables artificiales x
7
-3
-1
15
x
8
10
x
7 + x8
-2
-1
25
Restar al vector el vector x

7 + x8
x
7 + x8
-2
-1
25
-1
-6
-1
-25
Se sustituye el antiguo vector por el nuevo vector (ver tablero 5.3).

171

xB
cB
x1
x2
x3
x4
x5
x6
x
7
x
8
x5
-1
14
x
7
-3
-1
15
x
8
10
cz
-1
-3
-1
-6
-1
-25
Fase I
Paso 8 Aplicar el algoritmo para minimizar =
x
i
iteraci
on 1
Determinamos si la soluc
on actual es optima Aplicamos el criterio de paro sobre los
elementos . La soluci
on ser
a
optima si todos los elementos en son mayores e iguales a cero (ver
tablero 5.4).
Cuadro 5.4: Determinar si la solucion actual es optima
-1
-6
-1
-25
cumple el criterio de paro
No
NO
Si
No
Si
Si
Si
Si
Determinar la variable que entra y la que sale de la base. Ya que x2 es la variable que
tiene el elemento m
as negativoe en , esta variable es la que debe entrar a la base. Por otra parte,
x
7 es la variable asociada el menor valor de , por lo cual esta variable es la que debe salir de la
base (ver tablero 5.5).
Construir el nuevo tablero simplex. Vease tablero 5.6.
172
Cuadro 5.5: Variable que sale de la base y variable que entra a la base
xB
cB
x1
x2
x3
x4
x5
x6
x
7
x
8
x5
-1
14
x
7
-3
-1
15
x
8
10
10
cz
-1
-3
-1
-6
-1
-25
Cuadro 5.6: Tablero primera iteracion

xB
cB
x1
x2
x3
x4
x5
x6
x
7
x
8
x5
1.2
-1
0.4
-04
x2
-0.6
-0.2
0.2
x
8
1.6
0.2
-0.2
cz
-1
-1
-7
-1
-1.6
-1
-0.2
1.2
-7
iteraci
on 2
Determinamos si la soluc
on actual es optima. Vease tablero 5.7.
-1
-1.6
-1
-0.2
1.2
-7
No
Si
No
No
Si
No
Si
Si
Determinar la variable que entra y la que sale de la base. Vease tablero 5.8.
Construir el nuevo tablero simplex. En el tablero 5.9 se muestra el tablero correspondiente
a la segunda iteraci
on del algoritmo simplex.
Determinar si la soluc
on actual es optima Vease tablero 5.10. Todos los elementos son
173

xB
cB
x1
x2
x3
x4
x5
x6
x
7
x
8
x5
1.2
-1
0.4
-04
20
3
x2
-0.6
-0.2
0.2
x
8
1.6
0.2
-0.2
35
8
cz
-1
-1
-7
-1
-1.6
-1
-0.2
1.2
-7
Cuadro 5.9: Tablero segunda iteracion

xB
cB
x1
x2
x3
x4
x5
x6
x
7
x
8
x5
3.25
-1.75
0.25
-0.25
-0.75
2.75
x2
0.375
0.375
-0.125
0.125
0.375
5.625
x3
-3
0.625
0.625
0.125
-0.125
0.625
4.375
cz
-1
-1
-15
Si
Si
Si
Si
Si
Si
Si
Si
mayores o iguales que cero, por lo cual, se determina que la solucion actual es optima.
Paso 9 > 0? Ya que el valor de = 0 se determina que el problema tiene soluciones factibles,
es decir el problema es factible.
Paso 13 Existe una variable en la base? En la base no existen variables artificiales, por lo
cual, se puede decir que el problema actual no es redundante.
Paso 17 Borrar las columnas asociadas a las variables artificales. Del tablero final se
eliminan las columnas asociadas a las variables artificiales. Vease tablero 5.11.
174
Cuadro 5.11: Eliminar columnas artificiales del tablero

xB
cB
x1
x2
x3
x4
x5
x6
x5
3.25
-1.75
0.25
2.75
x2
0.375
0.375
-0.125
5.625
x3
-3
0.625
0.625
0.125
4.375
cz
-1
-15
Paso 18 Borrar la hilera del Tablero En el tablero 5.12, se muestra el tablero obtenido
mediante la primera fase.
Cuadro 5.12: Eliminar hilera del tablero

xB
cB
x1
x2
x3
x4
x5
x6
x5
3.25
-1.75
0.25
2.75
x2
0.375
0.375
-0.125
5.625
x3
-3
0.625
0.625
0.125
4.375
cz
-1
-15
Fase II
Paso 20 Aplicar el algoritmo simplex sobre el tablero resultado de la primera fase.

El tablero resultado de la primera fase da una solucion factible inicial, la cual sera como punto de
partida para aplicar el agoritmo simplex.
iteraci
on 1
Determinar si la soluci
on actual es optima. Sobre los elementos de la hilera c z se aplica
el criterio de parada, se considera el objetivo del problema que se esta resolviendo. En este problema,
ya que el objetivo es maximizar, se b
usca que todos los elementos en c z sean negativos o cero (ver
175
tablero 5.13)
Cuadro 5.13: Prueba de optimalidad

cz
-1
-15
No
Si
Si
Si
Si
No
Determinar la variable que entra a la base y la que sale de la base En el tablero 5.14
se muestra que la variable x1 es la que entra a la base y que la variable x5 debe salir de la base
Cuadro 5.14: Determinaci

on de la variable que entra y la variable que sale en la primera iteraci
on
xB
cB
x1
x2
x3
x4
x5
x6
x5
3.25
-1.75
0.25
2.75
0.846153
x2
0.375
0.375
-0.125
5.625
15
x3
-3
0.625
0.625
0.125
4.375
cz
-1
-15

a la primera iteraci
Cuadro 5.15: Tablero primera iteracion del simplex

xB
cB
x1
x2
x3
x4
x5
x6
x1
7
- 13
4
13
1
13
11
13
x2
15
26
3
- 26
2
- 13
4
5 13
x3
-3
25
26
5
- 26
1
13
3 11
13
cz
-1
2
2 13
3
-1 13
9
13
5
-18 13
iteraci
on 2
176
on actual es optima En la tabla 5.16 se muetra si se cumple el
criterio de paro en los elementos c z

cz
-1
2
2 13
3
-1 13
9
13
5
-18 13
Si
Si
Si
No
Si
No
se muestra que la variable x4 es la que entra a la base y que la variable x3 sale de la base.
Cuadro 5.17: Tablero primera iteracion del simplex

xB
cB
x1
x2
x3
x4
x5
x6
x1
7
- 13
4
13
1
13
11
13
25
x2
15
26
3
- 26
2
- 13
4
5 13
x3
-3
25
26
5
- 26
1
13
11
3 13
50
cz
-1
2
2 13
3
-1 13
9
13
5
-18 13

Cuadro 5.18: Tablero segunda iteracion del simplex

xB
cB
x1
x2
x3
x4
x5
x6
x1
14
25
1
5
3
25
x2
- 53
- 15
x4
1
1 25
- 15
2
25
cz
-1
6
-2 25
- 45
13
25
-27
177
iteraci
on 3

cz
-1
6
-2 25
- 45
13
25
-27
Si
Si
Si
Si
Si
No
se muestra que la variable x6 es la que entra a la base y que la variable x1 sale de la base.
Cuadro 5.20: Tablero segunda iteracion del simplex

xB
cB
x1
x2
x3
x4
x5
x6
x1
14
25
1
5
3
25
x2
- 53
- 15
x4
1
1 25
- 15
2
25
cz
-1
6
-2 25
- 45
13
25
-27

iteraci
on 4
Ya que se satisface el criterio de paro, se puede concluir que la solucion actual es optima.
178
Cuadro 5.21: Tablero tercera iteracion del simplex

xB
cB
x1
x2
x3
x4
x5
x6
x6
8 13
4 23
1 32
25
x2
1 23
1
3
1
3
x4
- 32
2
3
- 13
cz
-1
-4 13
-4 23
-1 23
-40

cz
-1
-4 13
-4 23
-1 32
-40
Si
Si
Si
Si
Si
Si
Ejemplo 5.2
on
max x1 + 5x2
sujeto a:
x1 4
x1 + x2 6
x1 , x 2 0
Paso 1 y 2
max x1 + 5x2
sujeto a:
x1 x3 + x
4 =4
x1 + x2 x5 + x
6 =6
x1 , x 2 , x 3 , x
4 , x5 , x6 0
Paso 4 y 5 Construir el tablero correspondiente. Recuerdese la base del tablero inicial solo puede
179
conformarse con variables do holgura o variables artificiales. En este problema las variables de la
base inicial son x

as se agrega el vector hilera ; vease tablero 5.23.
4 y x6 . Adem

xB
cB
x1
x2
x3
x
4
x5
x
6
x
4
-1
x
6
-1
cz
-1
b
ase en vectores columnas elementales. Para eliminar los unos del vector se resta este vector la
suma de los vectores hilera asociados a las variables artificiales, vease tablero 5.24.

xB
cB
x1
x2
x3
x
4
x5
x
6
x
4
-1
x
6
-1
cz
-1
Paso 8 Aplicar el algoritmo para minimizar

iteraci
on 1 (ver tablero 5.25)
iteraci
Paso 9 > 0? En el Tablero 5.26 se puede observar que ya se ha satisfecho el criterio de paro.
Ya que el valor de = 0 se determina que el problema tiene soluciones factibles, es decir el problema
es factible.
Paso 13 Existe una variable en la base? En la base no existen variables artificiales.
180

xB
cB
x1
x2
x3
x
4
x5
x
6
x1
-1
x
6
-1
-1
cz
-1
-1
-4
-1
-1
-2

xB
cB
x1
x2
x3
x
4
x5
x
6
x1
-1
x2
-1
-1
cz
-1
-4
-5
-14

xB
cB
x1
x2
x3
x5
x1
-1
x2
-1
cz
-1
-4
-14
181

xB
cB
x1
x2
x3
x5
x1
-1
x2
-1
cz
-1
-4
-14
El tablero resultado de la primera fase da una solucion factible inicial, la cual sera como punto de
partida para aplicar el agoritmo simplex. En el tablero 5.28, se observa que debe salir la variable x3 ,
sin embargo no se puede determinar la varible que debe salir de la base por lo tanto el problema es
no acotado.
Problemas redundantes
Ejemplo 5.3
on
mn 4x1 + 5x2
sujeto a:
x1 + 2x2 = 4
7x1 + 14x2 = 28
x1 , x 2 0
Paso 1 y 2
mn 4x1 + 5x2
sujeto a:
x1 + 2x2 + x
3 =4
7x1 + 14x2 + x
4 = 28
x1 , x 2 , x 3 , x 4 0
182
base inicial son x

3 y x4 . Adem

xB
cB
x1
x2
x
3
x
4
x
3
x
4
14
28
cz
-1
b

xB
cB
x1
x2
x
3
x
4
x
3
x
4
14
28
cz
-1
-8
-16
-32

iteraci
Paso 9 > 0? En el Tablero 5.31 se puede observar que ya se ha satisfecho el criterio de paro.
Ya que el valor de = 0 se determina que el problema tiene soluciones factibles, es decir el problema
es factible.
Paso 13 Existe una variable en la base? En la base existe una variable artificiale (x
4) ,
183

xB
cB
x1
x2
x
3
x
4
x2
0.5
0.5
x
4
-7
cz
-1
1.5
-2.5
-10
por lo cual, se puede decir que el problema actual es redundante. Se elimina el vector hilera asociado
a x
4 del tablero 5.32. redundante= SI

xB
cB
x1
x2
x
3
x
4
x2
0.5
0.5
cz
-1
1.5
-2.5
-10

xB
cB
x1
x2
x2
0.5
cz
-1
1.5
-10
184

xB
cB
x1
x2
x2
0.5
cz
-1
1.5
-10

El tablero resultado de la primera fase da una solucion factible inicial, la cual sera como punto
de partida para aplicar el agoritmo simplex. Ya que, la solucion actual satisface ha encontrado la
soluci
on
optima del problema
Problemas infactibles
Ejemplo 5.4
on
mn 4x1 5x2 10x3
sujeto a:
4x1 + 2x2 + x3 = 14
3x1 3x3 = 15
x1 8
x1 , x 2 0
Paso 1 y 2
185

mn 4x1 5x2 10(x03 x003 )
sujeto a:
4x1 + 2x2 + (x03 x003 ) + x
4 = 14
3x1 5(x03 x003 ) + x
5 = 15
x1 x6 + x
7 =8
x1 , x2 , x03 , x003 , x
4 , x5 , x6 , x7 0
base inicial son x

4 , x5 y x7 . Adem

xB
cB
x1
x2
x03
x003
x
4
x
5
x6
x
7
x
4
-1
14
x
5
-5
15
x
7
-1
cz
-1
-5
-10
10
b
iteraci
on 1 De la primera iteracion del algoritmo simplex se obtiene el tablero 5.37
iteraci
on 2 De la segunda iteracion del algoritmo simplex se obtiene el tablero 5.38
Paso 9 > 0? Ya que el valor de > 0 se determina que el problema es infactible; por lo que
infactible= N O. Con base en lo anterior se termina el algoritmo.
186

xB
cB
x1
x2
x03
x003
x
4
x
5
x6
x
7
x
4
-1
14
x
5
-5
15
x
7
-1
cz
-1
-5
-10
10
-8
-2
-4
-37
Cuadro 5.37: Tablero primera iteracion simplex

xB
cB
x1
x2
x03
x003
x
4
x
5
x6
x
7
x1
0.5
0.25
-0.25
0.25
3.5
x
5
-1.5
-5.75
5.75
-0.75
4.5
x
7
-0.5
-0.25
0.25
-0.25
-1
4.5
cz
-1
-7
-11
11
-1
-14
-6
-9
Cuadro 5.38: Tablero segunda iteracion simplex

xB
cB
x1
x2
x03
x003
x
4
x
5
x6
x
7
x1
10
23
5
23
1
23
3 16
23
x003
6
- 23
-1
3
- 23
4
23
18
23
x
7
- 10
23
5
- 23
1
- 23
-1
7
4 23
cz
-1
3
-4 23
5
1 23
1
1 23
-22 14
23
10
23
5
1 23
1
1 23
7
-4 23
5.4.
El m
etodo de la gran M
Tambien conocido como metodo de penalizacion o tecnica M de Charnes [?, ?], asigna una penalizaci
on, de valor M 1 , en la funci
on objetivo a cada una de las variables artificiales. La penalizaci
on
1M
es un n
umero positivo suficientemente grande, te
oricamente se requiere que M . Se asigna un coeficiente
M a las variables artificiales en un problema de minimizaci

on; en contraste, se asigma un coeficiente M a las variables
187
tiene como objeto consguir que las varibles artificiales asuman un valor de cero en la solucion final.
El procedimento del metodo de la gran M se muestra en el algoritmo 3
Algorithm 3: Metodo de la gran M

1
Expresar la instancia de PL en su forma estandar.
Incluir las artificiales con su correspondiente coeficiente en la funcion objetivo.
Contruir el tablero correspondiente
LLevar a cero los coeficientes de las variables artificiales del renglon asociado a la funcion
objetivo a traves de operaciones elementales.
Aplicar el algoritmo simplex para resolver el problema.
if Todas las variables artificiales son igual a cero en la soluci

on
optima then
7
8
9
10
Se ha encontrado la soluci
on optima del problema original
else
Se ha encontrado que el problema original es no factible
end
En los siguientes ejemplos se muestra la aplicacion del metodo de la gran M.

Ejemplo 5.5
Se desea obtener la soluci
on optima del siguiente problema
mn x1 x2 x3
sujeto a:
x1 + x2 4
x1 + 2x2 + 4x3 = 10
4x2 + x3 10
x1 , x2 , x3 0
Paso 1 y 2 Se construye la forma estandar del modelo y se agregan los coeficientes de penalizaci
on
artificiales en un problema de maximizaci
on
188
en la funci
on objetivo
mn x1 x2 x3 + M x
5 + M x7
sujeto a:
x1 + x2 + x4 = 4
x1 + 2x2 + 4x3 + x
5 = 10
4x2 + x3 x6 + x
7 = 10
x1 , x 2 , x 3 , x 4 , x
5 , x6 , x7 0
Paso 3 Contruir el tablero correspondiente (ver tablero 5.39)

xB
cB
x1
x2
x3
x4
x
5
x6
x
7
x4
-1
x
5
10
x
7
-1
10
cz
-1
-1
-1
Paso 4 Las columnas asociadas a las variables basicas se vuelven columnas linealmente independientes a traves de operaciones elementales (ver tablero 5.40)
M x
5
2M
4M
10M
M x
7
4M
-M
10M
M (x
5 + x7 )
6M
5M
-M
20M
cz
-1
-1
M (x
5 + x7 )
6M
5M
-M
20M
cz
1-M
-1-6M
-1-5M
-20M
Paso 5 Aplicar el algoritmo simplex para resolver el problema. Considerando el objetivo del
problema a resolver se aplica el algoritmo simplex sobre el tablero simplex
iteraci
on 0 (vease algoritmo 5.41)
iteraci
189

xB
cB
x1
x2
x3
x4
x
5
x6
x
7
x4
-1
x
5
10
x
7
-1
10
cz
-1
1-M
-1-6M
-1-5M
-20M

xB
cB
x1
x2
x3
x4
x
5
x6
x
7
x4
-1
x
5
10
x
7
-1
10
cz
-1
1-M
-1-6M
-1-5M
-20M

xB
cB
x1
x2
x3
x4
x
5
x6
x
7
x4
-1
-0.25
0.25
-0.25
1.5
x
5
3.5
0.5
-0.5
x2
-1
0.25
-0.25
0.25
2.5
cz
-1
1-M
-0.75-3.5M
-0.25-0.5M
0.25+0.5M
2.5-5M
iteraci
Como se cumple el criterio de paro en c z se termina el metodo de la gran M
Cuando las variables artificiale salen de la base, significa que se ha encontrado una soluci
on
factible inicial del problema original; la solucion optima se encotrara por el metodo simplex.
Si durante la ejecuci
on del metodo se llega a una solucion optima en que alguna variable artificial
tiene un valor positivo, entonces implica que el problema original no tiene solucion. En otras palabras,
190

xB
cB
x1
x2
x3
x4
x
5
x6
x
7
x4
- 13
14
1
14
2
7
- 27
15
7
x3
-1
2
7
2
7
1
7
- 17
10
7
x2
-1
0.25
-0.25
0.25
2.5
cz
-1
17
14
si en el valor de z existe un termino M.
191
1,5
7
+M
- 17
2
7
+M
25
7
Captulo 6
Dualidad
Introducci
on al problema dual.
Los problemas de programaci
on lineal tienen una SIMETRIA que es u
til. Como todo problema
PL esta asociado con un problema con el que guarda esta simetra (problema dual).
El problema dual.
Un agricultor desea programar sus cultivos para el a
no venidero con dos cultivos: papas y
trigo. El es poseedor 100 hect
areas (ha) de tierra cultivable. Cuenta con una disponibilidad de
160 das de mano de obra para emplearle en sus cosechas, el trigo requiere cuatro das de mano
de obra por hect
area de cultivo y la papa requiere un da por hectarea de cultivo. El capital
disponible por el agricultor es de $1,100 u.m. para cubrir los costos resultado de la siembra y labores
culturales . El costo de la siembra y labores culturales asociadas con una hectarea de trigo son
de 20 u.m. mientas que el costo de siembra y labores culturales de una hectarea de papa es de 10 u.m.
Si un agricultor espera un beneficio de 40 u.m. por hectarea de papa y un beneficio de 120 u.m.
por hect
area de trigo. Cu
antas hectareas de cada cultivo debe sembrar para alcanzar la m
axima
ganancia?.
192
Formulaci
on del modelo.
Variables de decisi
on.
Sea x1 =n
umero de hect
areas sembradas de papa.
x2 =n
umero de hectareas sembradas de trigo.
Max z=40x1 + 120x2
s.a. x1 + x2 100 Restriccion de disponibilidad de tierra.
x1 + 4x2 160 Restriccion de disponibilidad de das de labor.
10x1 + 20x2 1100 Restriccion de capital.
x1 , x2 0
El agricultor se encuentra dentro de un sistema economico como lo muestra la siguiente figura.
Situaci
on de agricultor en el sistema econ
omico
Contexto econ
omico y supuestos.
Se supone una economa de competencia perfecta, es decir que en tal mercado.
Si el agricultor decide vender, o rentar los excedentes de sus recursos a otras personas con el
objeto de incrementar sus ganancias debe considerar que los precios de dichos recursos tender
an a
la baja a medida que la cantidad ofertada en el mercado aumente.
193
El agricultor estar
a dispuesto a vender sus recursos siempre y cuando el los ingresos que reciba
por esta acci
on sean por lo menos iguales al ingreso que obtendra por usarlos en la producci
on.
En tanto si el agricultor decide comprar o rentar recursos a otras personas para producir mas y
con ello incrementar sus ganancias, el agricultor debe considerar que a medida que la demanda de
alg
un recurso se incrementa en el mercado su precio se eleva.
El agricultor estar
a dispuesto a pagar por una combinacion de recursos para producir una unidad
mas como m
aximo el beneficio que obtendra de la venta de la unidad adicional producida.
Se pueden vender o rentar los recursos excedentes (hectareas de tierra, das de labor y capital)
o comprar unidades adicionales de estos recursos si el empresario lo necesita.
Denotando por y1 ,y2 ,y3 como el precio unitario por comprar o vender los recursos necesarios
para la producci
on
El determinar el costo de los recursos necesarios para producir papa y trigo conducira al
siguiente an
alisis.
Para producir papa se requiere destinar un numero de hectareas donde se sembraran, el costo
por destinar estas hect
areas a esta actividad la denotaremos como y1 .
Para producir una hect

area de papa se requiere invertir un da de labor y el costo de es de y2
Y para cada hect

area producida de papa el agricultor destinara 10 u.m. para cubrir las
actividades de siembra y labores culturales, el costo por cada u.m. invertida sera de y3 .
Resumiendo el costo total por producir un unidad comercial papa se determina por la siguiente
expresi
on.
194
y1 + y2 + 10y3
Recordamos que de acuerdo al problema el precio de venta por unidad comercial de papa es de
40 u.m. Podemos determinar la ganancia por unidad comercial con la siguiente ecuacion
Ganancia=Precio de venta-Costo de produccion.

Sustituyendo
Ganancia=40-(y1 + y2 + 10y3 )
La ganancia debe ser por lo menos cero ya que nadie producira un artculo si este representara
una perdida.
0 40 (y1 + y2 + 10y3 )
Despejando la ecuaci
on anterior.
40 y1 + y2 + 10y3
De manara similar obtenemos el costo y la ganancia para el cultivo de trigo. Recordando que el
precio de venta por unidad comercial de trigo es de 120 u.m. Se obtienen las siguientes expresiones.
Costo total por unidad comercial de trigo.
y1 + 4y2 + 20y3
Ganancia= 120 (y1 + 4y2 + 20y3 )
120 y1 + 4y2 + 20y3
195
La funci
on objetivo entonces cambia a hora se tratara de minimizar los costos ligados con la
utilizaci
on de los recursos.
Min z=100y1 + 160y2 + 1100y3
Entonces se ha formulado el problema dual para poder calcular los costos asociados con la producci
on
de los cultivos de papa y trigo.
Modelo Dual.
Min z=100y1 + 160y2 + 1100y3
s.a.
40 y1 + y2 + 10y3 Costos asociados a la produccion de papa.

120 y1 + 4y2 + 20y3 Costos asociados a la produccion de trigo.
y1 , y2 , y3 0
Una caracterstica importante, es que cualquier problema puede ser primal o dual para obtener
el dual a partir de un primal o viceversa puede hacerse uso de la siguiente tabla.
Elementos para convertir un problema primal en su dual.
De lo anterior se deduce que el paso al dual se lleva a cabo teniendo presente las cuatro reglas
siguientes:
196
* Los coeficientes de la i-esima restriccion para el problema primal pasan a ser los coeficientes de
las variables Wi en las restricciones del problema dual. El problema dual tiene tantas variables
como restricciones hay en el primal.
* Los coeficientes de las variables de decision Xj en el problema primal pasan a ser los coeficientes
de la restricci
on j-esima en el problema dual. El problema dual tiene tantas restricciones como
variables hay en el primal.
* Los coeficientes de la funci
on objetivo en el problema primal pasan a ser los coeficientes del
segundo miembro de las restricciones en el problema dual.
* Los coeficientes del segundo miembro de las restricciones del problema primal pasan a ser los
coeficientes de la funci
on objetivo del dual.
Interpretaci
on de dual de un problema de maximizaci
on.
Imagine que usted es due
no de una compa
na de mueblera en la cual se producen sillas mesas y
escritorios. Para cada uno de sus productos usted necesita los siguientes recursos: madera, tiempo
de carpintera y tiempo de acabados. Como lo muestra la siguiente tabla.
Requerimientos de recursos de los tres productos.
Escritorios
Mesas
Sillas
Cantidad de recurso disponible
Piezas de madera
48
Horas de acabados
1.5
20
Horas de carpinteria
1.5
0.5
Precio unitario en el mercado
60
30
20
El problema de programaci
on lineal que usted tiene con la produccion de su empresa es el
siguiente.
Variables: x1 =Numero de escritorios
x2 =Numero de mesas
x1 =Numero de sillas
197
Problema original
max z:60x1 + 30x2 + 20x3
8x1 + 6x2 + x3 48 (rest. madera)
4x1 + 2x2 + 1,5x3 20 (rest. acabado)
2x1 + 1,5x2 + 0,5x3 8 (rest. carpintera)
Considere que a usted le quieren comprar su fabrica. Entonces cabria preguntar Cual es el precios
que usted pedira por ella? y Cuanto seria lo que estaran dispuestos a darle sus compradores?.
Considere para ello que se esta en un mercado de competencia perfecta.
Bueno el empresario estara dispuesto a pagar el mnimo de lo que usted fuese a ganar con la
producci
on dado a sus recursos limitados. Esto lo llevara al siguiente problema
Variables
y1 = Precio asociado a una unidad de madera
y2 = Precio asociado a una unidad de acabado
y3 = Precio asociado a una unidad de carpinteria
Problema dual.
min w: 48y1 + 20y2 + 8y3
8y1 + 4y2 + 2y3 60 (Escritorios)
6y1 + 2y2 + 1,5y3 30 (Mesas)
y1 + 1,5y2 + 0,5y3 20 (Sillas)
Existe una relaci
on del problema original con el problema dual.
Observe que la primera restricci
on del dual corresponde esta relacionada con la columna 1 del
problema original es decir con la cantidad de recursos necesarios para producir un escritorio.
De igual manera para las restricciones 2 y 3 correspondes a las columnas 2 y 3 del original
respectivamente.
En cambio la variable yi del problema dual; se asocia con la i-esima restriccion del problema
198
original. Por ejemplo y1 se asocia con la restriccion de madera; por que cada coeficiente asociado a
y1 proviene de la restricci
on de madera del problema original. Como se muestra a continuaci
on.
* Primera restricci
on del dual se relaciona con los escritorios (x1 ).
* Segunda restricci
on del dual se relaciona con las mesas (x2 ).
* Tercera restricci
on del dual se relaciona con las mesas (x3 ).
* La variable y1 se relaciona con la restriccion de madera del original.
* La variable y2 se relaciona con la restriccion de horas de acabado del original.
* La variable y3 se relaciona con la restriccion de horas de carpintera del original.
Como sntesis se podra se
nalar que la i-esima (hilera) restriccion del dual se relaciona con la i-esima
columna del original.
Como ya se menciono las variables yi estan asociadas al precio de una unidad del recursos. Dichos
precios de yi se deben determinar resolviendo el problema dual.
El empresario que quiere comprar su empresa tratara de pagar el mnimo costo por adquirir sus
recursos dados por la siguiente relacion.
min w: 48y1 + 20y2 + 8y3
La restricciones a las que esta sujeta el empresario son:
Los precios ofrecidos por el empresario sobre los recursos disponibles en su empresa deben ser
atractivos para su compa
na y que usted decida venderlos. Por ejemplo el empresario debiese ofrecer
por lo menos 60 u.m por la siguiente combinacion de recursos de 8 unidades de madera, 4 horas de
acabado y 2 horas de carpintera. Dado a que con esta combinacion de recursos usted podra producir
un escritorio que representa para usted una ingreso de 60 u.m. Lo anterior se puede representar con
la siguiente igualdad.
8y1 + 4y2 + 2y3 60
199
Lo que representa que el empresario debe estar dispuesto a pagar por una combinacion de recursos
que produzcan un escritorio por lo menos 60 u.m. Se observa que esta es la primera restricci
on del
dual.
An
alogamente se debe pagar por lo menos 30 u.m por los recursos utilizados para la fabricaci
on
de una mesa es decir debe satisfacer la siguiente ecuacion.
6y1 + 2y2 + 1,5y3 30

Finalmente la restricci
on para las sillas seria la siguiente.
y1 + 1,5y2 + 0,5y3 20
Por ultimo se incluyen las restricciones de no negatividad dado a que no puede existir un precio
negativo para ning
un producto.
y1 + y2 + y3 0
El an
alisis anterior muestra que la i-esima variable del problema dual corresponde con la i-esima
restricci
on del problema primal.
Nota: Cuando el primal es un problema de maximizacion normal las variables del dual representan
el valor de los recursos que se tienen disponibles. A estos valores se les denomina precio sombra.
Para casos de maximizar un problema no normal siga los siguientes pasos.
Un problema no normal es aquel que tiene dos tipos de restricciones (y ), y/o una igualdad,
y/o una variable sin restricci
on de signo por se considera no normal. Considere el siguiente ejemplo
Max = 2x1 + x2
s.a.
x1 + x2 = 2
2x1 x2 3
x1 x2 1
200
x1 0, x2
libre
PASOS:
* Multiplique cada restricci
on por -1. Esto convertira cada restriccion en una restricci
on .
Por ejemplo: 2x1 + x2 3
* Reemplace cada restricci
on en forma de igualdad por dos restricciones en forma de desigualdad.
Despues convierta la restriccion en una restriccion .
X1 + x2 2x1 + x2 2
X1 x2 2 x1 x2 2
* Cambie cada variable xi es libre por xi = (x+

i xi )
Resumen
Obtener el dual de una problema de maximizacion no normal
* Si la i-esima restricci
on del primal es una restriccion , la variable correspondiente del dual
yi tendr
a que satisfacer yi 0.
* Si la i-esima restricci
on del primal es una restriccion en forma de igualdad, la variable dual yi
ahora ser
a sin restricci
on de signo.
* Si la i-esima variable del primal es libre, la i-esima restriccion del dual sera una restricci
on en
forma de igualdad
Interpretaci
on de dual de un problema de minimizaci
on.
Para el siguiente an
alisis considere el problema de dieta siguiente:
Informaci
on nutricional sobre distintos tipos de alimentos
201
Tipo de alimento
Unidades de calorias
Unidades de chocolate
Unidades de az
ucar
Barra de chocolate (1 unidad)
400
Helado (1 bola)
200
Bebida (1 botella)
150
Pastel (1 rebanada)
500
Restricciones
* El consumo de caloras debe ser por lo menos de 500 cal/ da.
* El consumo de chocolate debe ser de por lo menos 6 oz. /da.
* El consumo de az
ucar debe ser de por lo menos 10 oz. /da.
* El consumo de grasas debe ser de por lo menos 8oz /dia.
Precios de los alimentos:
* Cada barra de chocolate cuesta a lo mucho 50 u.m.
* Cada bola de helado cuesta hasta 20 u.m.
* Cada botella de bebida cuesta hasta 30 u.m.
* Cada rebanada de pastel cuesta hasta 80 u.m.
De lo anterior puede ser formulado el PL de la mejor dieta posible con el mnimo costo.
Variables de decisi
on.
x1 = Unidades de barras de chocolate / da
x2 = Unidades de bolas de helado / da
x3 = Unidades botellas / da
x4 = Unidades de renadas de pastel / da
Modelo de la determinaci
on de dieta.
202
Unidades
Min w=50x1 + 20x2 + 30x3 + 80x4

s.a.
400x1 + 200x2 + 150x3 + 500x4 500 (res. Caloras)
3x1 + 2x2 6 (res. Chocolate)
2x1 + 2x2 + 4x3 + 4x4 10 (res. Az
ucar)
2x1 + 4x2 + x( 3) + 5x( 4) 8 (res. Grasa)
Solucionando el problema con WINQSB

Min w= 90.00 u.m.
x1 = x4 = 0
x2 = 2,5
x3 = 1,25
Suponga que usted va a la cafetera de Do
na Rosa. Ella tiene el dilema de asegurar a una persona
una dieta diaria que satisfaga sus requerimientos mnimos mediante la venta de sus productos y
obtener el m
aximo beneficio por ello. Por lo cual ella debe resolver el problema dual.
Variables de decisi
on.
y1 =Precio por caloria que se carga al consumidor

y2 =Precio por onza de chocolate que se carga al consumidor
y3 =Precio por onza de az
ucar que se carga al consumidor
y4 =Precio por onza de grasa que se carga al consumidor
Modelo dual
Max z=500y1 + 6y2 + 10y3 + 8y4
s.a.
400y1 + 3y2 + 2y3 + 2y4 50 (res. Barra de chocolate)
200y1 + 2y2 + 2y3 + 4y4 20 (res. Bola de helado)
203
150y1 + 4y3 + y4 30 (res. Botella de bebida)

500y1 + 4y3 + 4y4 80 (res. Rebanada de pastel)
As el beneficio que obtendr

a la vendedora estara representado por la siguiente ecuacion.
500y1 + 6y2 + 10y3 + 8y4

Intentando obtener el m
aximo beneficio.
Max z=500y1 + 6y2 + 10y3 + 8y4
Considerando lo siguiente.
Poner los precios de sus productos de forma tal que sean competitivos en el mercado. Es decir,
que a lo sumo sean iguales al precio medio en el mercado.
Por ejemplo si el consumidor compra una barra de chocolate en 50 u.m. en el local de Don Nacho
y obtiene por ella 400 cal., 3 oz. de chocolate, 2 oz. de az
ucar y 2 oz. de grasa. Entonces el consumidor
no estara dispuesto a pagar mas de 50 u.m. por la misma barra en la cafetera de Do
na Rosa.
Por lo anterior la vendedora no puede cargar mas de 50 u.m. por dicha combinacion de nutrientes a sus clientes. Por un razonamiento similar, se obtienen la restriccion 2,3 y 4.
Resolviendo el problema dual se obtiene le siguiente resultado.
Max z=90.00
y1 = y4 = 0
y2 = 2,5
y3 = 7,5
El valor de y2 ,y3 representan el precio sombra es decir el valor del costo de las variables que son
cargadas a los clientes
An
alisis de sensibilidad.
El an
alisis de sensibilidad es una herramienta utilizada una vez encontrada la solucion optima.
Se emplea esta herramienta para estudiar que parametros son los sensibles y observar el alcance de
la soluci
on
optima. Es decir los intervalos donde sigue siendo factible.
204
Este an
alisis sirve para observar los cambios en ciertos parametros del modelo y sus efectos en
la funci
on objetivo.
Ejemplo.
Max z=40x1 + 10x2
s.a.
10x1 + 2x2 400
15x1 + 10x2 1020
3x1 + 5x2 420
Pasando al tablero simplex.
Basica
x1
x2
s1
s2
s3
Solucion
-40
-10
s1
10
400
s2
N 15
10
1020
s3
420
Resolviendo en dos iteraciones se obtiene le siguiente cuadro simplex.

Basica
x1
x2
s1
s2
s3
Solucion
25/7
2/7
1720
x1
1/7
-1/31
28
x2
-3/14
1/7
60
s3
9/14
-22/33
36
Grafica de la regi
on factible.
Los correspondientes recursos a s1 y s2 .Son totalmente usados entonces si adquirieramos recursos
adicionales podra resultar un aumento en el valor optimo de la funcion objetivo.
Por lo tanto realizaremos un analisis de sensibilidad del problema a traves de cambiar la cantidad
en cualquier recurso escaso.
205

La soluci
on del dual (valor de los recursos) son y1 = 25/7 , y2 = 2/7 dado a que y1 > y2 se
observa que lo conveniente es analizar el impacto que traera el cambio al recurso correspondiente a
la primera restricci
on.
Sea el cambio en el recurso de la primera restriccion. Entonces reescribimos la restriccion uno
en terminos de delta.
10x1 + 2x2 + s1 = 400 +

Sin embargo el valor des1 = 0 seg
un la tabla optima por lo tanto.
10x1 + 2x2 = 400 +

10x1 + 2x2 = 400
Sea s1 = y s1 es una variable de holgura o artificial dependiendo de la restriccion.
Entonces
10x1 + 2x2 + s1 = 400
Expresando las restricciones a partir de la tabla optima en forma de ecuaciones se tendr
a lo
siguiente.
z + 25/7 s1 + 2/7 s2 = 1720
x1 +s1 /7-s2 /35 = 28
x2 -(3s1 )/14+ s2 /7 = 60
206
(9s1 )/14-(22s2 )/35 +s3 = 36

Ya que s1 = y s2 = 0 sustituimos estos valores en el sistema anterior, obteniendo lo siguiente.
z 25/7 = 1720
x1 /7 = 28
x2 + 3/14 = 60
9/14 + s3 = 36
El problema a resolver es Que tan grande puede ser sin afectar la base del la soluci
on del
problema?
Para cualquiera de los recursos, las variables deben permanecer no negativos as debe satisfacer
lo siguiente.
x1 = 28 + /7 0 28/(1/7) = 196
x2 = 60 3/14 0 60/(3/14) = 280
s3 = 36 + 9/14 0 36/(9/14) = 56
Por lo tanto, el recurso puede aumentar a lo mas 280 unidades, ya que cualquier aumento m
as
all
a de este lmite hara negativa x2 .
Tambien, los c
alculos presentan a dos posibles candidatos para determinar el limite inferior para
la disminuci
on del recurso-
207
En la grafica anterior se observa que la maxima disminucion es la cantidad que se encuentra en

el extremo izquierdo de la regi
on factible ya que la otra cantidad fuera de esta violara la restricci
on
de s3 .
As el intervalo de valores para el recurso de la primera restriccion que dejara sin cambio la base
es de:
400 56 b1 400 + 280

344 b1 680
La siguiente grafica ilustra este cambio.

Grafica representativa en el cambio del recurso
Para =280, obtenemos la siguiente tabla optima.

x1 = 28 + 280/7 = 68 0
x2 = 60 (3(280))/14 = 0 0
s3 = 36 + (9(280))/14 = 216 0
208
z = 1720 + (25(280))/14 = 2720
Las variables de holgura s1 y s2 permanecen igual a cero. Observe que mientras x2 =0 es considerada como una variable b
asica, simplemente hemos elegido el maximo aumento posible en el primer
recurso y obligado a la variable a tomar el valor factible mas peque
no.
Observese tambien que el aumento de $1000.00 en la funcion objetivo es un incremento de 25/7
por cada unidad de las 280 que se a incrementado. Ya que como se explico el valor de y1 =25/7
representa el valor unitario del recurso de la primera restriccion.
Lo anterior significa que sera deseable que la compa
na adquiriera recursos adicionales de 280
unidades, si el precio (costo) unitario es menor que $25/7.
La gr
afica muestra que al cambiar el recurso b1 , se mueve el punto de interseccion de las rectas.
10x1 + 2x2 = b1 y 15x1 + 10x2 = 1020
A lo largo del intervalo , que une los puntos (20,72) y (68,0) . El maximo aumento de 280 desde
400 a 680 mueve la intersecci
on a (68,0), deteniendose cuando el eje x1 este a punto de violar la
restricci
on de x2 0.
La m
axima disminuci
on de 400 a 344 mueve la interseccion de (20,72) y reduce el valor de la
funci
on objetivo a $1520, una disminucion de 25/7 por cada unidad de decrecimiento en b1 . El
movimiento de la intersecci
on en tal direccion es determinada por las restricciones.
3x1 + 5x2 420

Para evitar que la variable de holgura s3 se convierta en negativa.
El algoritmo dual simplex.

Este algoritmo tiene como objetivo facilitar el proceso de la optimizacion.
Para ilustrar la metodologa del algoritmo simplex dual se utilizara el siguiente ejemplo explicativo.
209
Min z:5y1 + 4y2

Sujeto a:
y1 + 2y2 12
5y1 + y2 31
3y1 + y2 21
y1 , y2 0
PASO 1: Se deben agregar las variables necesarias para pasar el problema a la forma est
andar.
En este caso se agregaran variables de exceso.
Min z:5y1 + 4y2
Sujeto a:
y1 + 2y2 s1 =12
5y1 + y2 s2 =31
3y1 + y2 s3 =21
y1 , y2 0 . PASO 2: Se deben adecuar las variables. De modo que las variables agregadas tengan
un valor superior o igual que cero.
Sujeto a: y1 2y2 + s1 = 12
5y1 y2 +s2 =-31
3y1 y2 +s3 =-21
y1 , y2 0 s1 , s2 , s3 0
PASO 3: Es necesario reescribir la funcion objetivo para eliminar las incongruencias.
Max z:5y1 4y2
Sujeto a:
y1 2y2 + s1 =-12
5y1 y2 +s2 =-31
210
3y1 y2 +s3 =-21

y1 , y2 0
s1 , s2 , s3 0
PASO 4: Escribimos el problema en un tablero de solucion simplex.
Observe que las soluciones a las ecuaciones de las restricciones son negativos.
211
PASO 5: Se selecciona el renglon con el valor de solucion mas negativo. (renglon pivote)
TABLA 4. Seleccion del renglon pivote.
Si todas las otras entradas en el renglon seleccionado son no negativas , entonces no existe
soluci
on factible. Aqu se detiene el algoritmo.
PASO 6: Se calculan los cocientes de los coeficientes de la funcion objetivo entre el valor
de su correspondiente en el rengl
on pivote seleccionado.
Cocientes (y1 = 5/5, y2 = 4/1)
La columna del pivote es aquella que produce el maximo cociente negativo del la entrada del
rengl
on objetivo sobre el valor del elemento correspondiente de la columna pivote. Las correspondientes variables entran a la base. Se puede solucionar el problema usando eliminacion gaussiana.
PASO 7: De los cocientes encontrados seleccionar el cociente mas grande y tomar como
columna pivote a la asociada con este valor. Como lo muestra la tabla siguiente.
TABLA 5. Seleccion de la columna pivote.
212
Con base en el paso anterior pivoteamos en la primera columna y obtenemos el siguiente tablero
simplex.
PASO 8: Se repiten los pasos del 4 al 7 hasta tener valores estrictamente positivos en la
columna soluci
on. En ese momento se habra terminado el algoritmo simplex.
213
De la tabla anterior se observa que el valor mas negativo es el de 29/5 por lo cual escogemos
la hilera de s1 como hilera pivote. Calculando los coeficientes se observa lo siguiente.
Por lo que se escoge para pivotear la columna y2 como lo muestra la siguiente tabla.
10/9 es el valor m
as negativo as que seleccionamos a s3 como la hilera pivote. Calculamos los
cocientes asociados.
214
De lo anterior se escoge a s2 como columna pivote. Y obtenemos la siguiente tabla simplex.
Como ya no existen valores negativos del lado derecho de las ecuaciones ligada a las restricciones
entonces se da por concluido el algoritmo y obtenemos de la u
ltima tabla la solucion al problema.
Por lo anterior se entiende que la solucion del problema encontrada sea y1 = 6 ,y2 = 3,s1 = 0,s2 =
2,s3 = 0 con un valor de z = 42 recuerde que este valor fue multiplicado por -1 al principio. Por lo
que es necesario regresarla a su forma original multiplicando el valor obtenido por -1.
6.1.
6.1.1.
Dualidad y An
alisis de Sensibilidad
Introducci
on
C
amaras Polarex produce tres modelos de camaras. C1 , C2 y C3 . El proximo a
no, basado en su
plan anual, Polarex planea vender al menos 5000 del modelo C1 , 300 del C2 y 24 del C3 . El exceso en
la capacidad de producci
on la usara en la produccion de accesorios, actividad que es muy rentable
para Polarex. Polarex tiene dos plantas, en Guadalajara (G) y en Queretaro (Q). Se desea conocer
la planeaci
on diaria de producci
on asignada a cada planta, para producir las camaras a un costo
mnimo. Los costos estimados de produccion diarios son $5000 en G y $7000 en Q.
Los n
umeros m
aximos de c
amaras de cada tipo que se pueden producir diariamente en cada planta
se presentan en la siguiente tabla:
215
Modelo
Guadalajara
Queretaro
C1
100
140
C1
10
C1
Variables de decisi
on:
X1 = n
umero de das trabajados en Guadalajara.
X2 = n
umero de das trabajados en Queretaro.
Modelo PL:
Min C= 5000 x1 + 7000 x2
s.t. 100x1 + 140x2 5000
10x1 + 6x2 300
4x1 + 8x2 240
x1 , x2 0
Si, en lugar de fabricar las c
amaras, Polarex decide encargarselas a otro fabricante, este necesita
determinar el precio al que tendra vender las camaras a Polarex para que le resulte ventajoso.
Variables de decisi
on: yi = precio al que el fabricante estara dispuesto a vender una camara Ci
(i=1, 2, 3).
Modelo lineal correspondiente:
Max Z = 5000y1 + 300y2 + 240y3

s.t. 100y1 + 10y2 + 4y3 5000
140y1 + 6y2 + 8y3 7000
y1 , y2 , y3 0
Ejemplo 2
Retomando el ejemplo 1 de los captulos anteriores, el modelo era:
216
Max 10X1 + 9X2

s.t. 7/10X1 + X2 630
1/2X1 + 5/6X2 600
1X1 + 2/3X2 708
1/10X1 + 1/4X2 135
X1 , X2 0
Consideramos ahora el punto de vista de un proveedor que quisiera vender los productos manufacturados a la empresa. Variables de decision: Yi = contribucion a la ganancia por hora de tiempo
disponible en el departamento i.
Modelo lineal correspondiente:
Min Z = 630Y1 + 600Y2 + 708Y3 + 135Y4
7/10Y1 + 1/2Y2 + Y3 + 1/10Y4 10
Y1 + 5/6Y2 + 2/3Y3 + 1/4Y4 9
Y1 , Y2 , Y3 , Y4 0.
Las nuevas formulaciones desarrolladas representan el problema dual, asociado al modelo inicial
(primal ).
6.1.2.
Generalidades
Motivaciones:
- interpretaci
on de resultados y analisis de sensibilidad (precios sombra).
- aplicaciones para problemas de redes.
En lo que sigue, asumimos que el modelo esta en forma estandar (aunque sin la restricci
on de
que los TLD son no-negativos). Formulacion clasica:
Las regiones factibles del problema Dual y Primal no se cubren, pero tienen la misma soluci
on
optima: o sea que la funci
on objetivo en la solucion optima es la misma para los problemas Primal

y Dual. 2 ESQUEMAS (RF y FO).
217

Condici
on de optimalidad: en el problema Primal, se trata de tener todos los coeficientes de las
variables no-b
asicas no negativos (o sea, en el ejemplo, cuando la participacion de las variables
no-b
asicas no permite mejorar el valor de la FO). En el problema Dual, las u
nicas soluciones
factibles son las que cumplen con la prueba de optimalidad del Primal. Se trata por lo tanto de
minimizar el valor total de los recursos consumidos por las actividades; la condicion de optimalidad
del Dual se expresa comola cantidad mnima del valor de los recursos consumidos para obtener
la ganancia
optima.
La soluci
on
optima Y* proporciona los precios sombra para el problema Primal: en cada tabla
simplex, los coeficientes de las variables de holgura representan los valores de los Yi para el problema
dual. Antes de llegar a la soluci
on optima (al resolver el problema Primal), estos Yi representan una
soluci
on no factible para el Dual.
6.1.3.
Relaciones entre Primal y Dual
Propiedades de Dualidad
Propiedad de dualidad debil:
si X es una soluci
on factible para el problema Primal y Y es una solucion factible para el problema
Dual, entonces: cX bY .
Propiedad de dualidad fuerte:
218
si X es una soluci
on
optima para el problema Primal y Y es una solucion optima para el problema
Dual, entonces: cX = bY . (Por lo tanto, si tenemos cX Yb , al menos una de las dos soluciones X
o Y no es
optima).
Soluciones complementarias
Definici
on:
en cada iteraci
on, el metodo simplex identifica simultaneamente una solucion basica factible, X,
para el Primal y una soluci
on complementaria Y para el Dual, tales que cX = Yb . Si X no es optima,
entonces Y no puede ser factible. En la u
ltima operacion, el simplex identifica una solucion optima
X* para el Primal y su soluci
on
optima complementaria Y* para el Dual, de tal forma que: cX * =
bY *.
Propiedad de simetra:
para cualquier problema Primal y su problema Dual, las relaciones entre ellos son simetricas debido a que el Dual del Dual es el Primal. En consecuencia, el metodo Simplex se puede aplicar de forma
indiferenciada al Primal o al Dual, identificara al mismo tiempo las soluciones complementarias.
Teorema de Dualidad.
las sig. relaciones son las u

nicas posibles entre los problemas Primal y Dual:
1. Si un problema tiene soluciones factibles y una FO acotada, entonces ocurre lo mismo para el
otro problema.
2. Si uno de los problemas tiene soluciones factibles y una FO no acotada, entonces el otro problema
no tiene soluciones factibles.
3. Si uno de los problemas no tiene soluciones factibles, entonces el otro problema no tiene soluciones
factibles o bien tiene una FO no acotada.
219
Aplicaciones:
- Se puede resolver el Primal o el Dual de forma indistinta; as pues, dado que, en el desarrollo del
Simplex, las restricciones afecta mucho mas el esfuerzo computacional que el n
umero de variables,
se sugiere resolver la variante (Primal o Dual) mas economica en terminos de restricciones.
- Pruebas de optimalidad.
- An
- Interpretaci
on econ
omica.
Soluciones b
asicas complementarias
El problema Dual es un PL cl
asico, por lo tanto se puede analizar como tal:
- Tiene m variables de decisi

on,
- Tiene n restricciones.
Por lo tanto, requiere de n variables basicas y m variables no-basicas (=0). La correspondencia

entre variables del Primal y del Dual es la siguiente:
Primal
Dual
n variables de decision xi
n variables de superavit
m variables de holgura
m variables de decision yj
La clave de la correspondencia entre las variables primales y duales es el renglon (0) de la tabla
simplex:
Ec.
X1
X2
...
Xn
S1
S2
...
Sm
TLD
(0)
a1
a2
...
a3
Y1
Y2
...
Ym
La soluci
on del Dual se lee, por lo tanto, en el renglon (0) de la tabla para el Primal: las m variables
b
asicas del Primal tienen un coeficiente igual a 0: son las m variables no-basicas del problema Dual.
Asimismo, las n variables del Primal tienen un coeficiente diferente de 0: son las n variables b
asicas
del problema Dual.
220
Por lo tanto, la soluci

on complementaria de una solucion basica para el Primal tambien es
b
asica para el Dual. N
otese que, por la propiedad de simetra, realmente no importa cual es el
problema Primal y el Dual, ya las relaciones son simetricas.
Propiedad de las soluciones b

asicas complementarias:
Cada soluci
on b
asica en el Primal tiene una solucion basica complementaria en el Dual, y los valores
de la FO son iguales para ambos (Z=W). Para una solucion Primal, el renglon (0) de la tabla
simplex indica el valor de las variables para el Dual.
Recuerde, sin embargo, que la solucion del Dual es factible si la del Primal lo es.
Propiedad de holgura complementaria:
Para una soluci

on b
asica en el Primal y su complementaria en el Dual, se definen las relaciones de holgura complementaria como:
Variable Primal
Variable Dual
Basica
No basica
No basica
Basica
[Si una variable tiene holgura con respecto a su restriccion de no-negatividad (0), entonces la
variable complementaria no tiene holgura con su restriccion de no-negatividad (=0)]
Propiedad de las soluciones b

asicas
optimas complementarias:
Cada soluci
on b
asica
optima en el Primal tiene una solucion basica optima en el Dual, donde los
valores de la FO son iguales. La solucion Dual se lee en el renglon (0) de la tabla simplex para el
Primal.
Esta propiedad tambien se puede expresar: una condicion necesaria y suficiente para que una
pareja de soluciones factibles de programas lineales duales (P) y (D) sea optima es que:
* Si una restricci
on de uno de los programas lineales no es activa, la variable correspondiente
221
del dual es nula.

* Si una variable de uno de los programas lineales es positiva, la restriccion correspondiente del
dual es activa.
Ejemplo: retomando el problema de las camaras Polarex, la solucion optima es (X1 =26.667, X2
= 16.667) con Z=250,000. Podemos checar que:
* Las restricciones 1 y 3 son activas, pero las 2 no: implica que la variable Dual asociada Y2 =
0.
* X1 y X2 son mayores que cero, entonces las restricciones del Dual son cerradas.
Deduzca el Precio Sombra de las restricciones del Primal?
Problema de aplicaci
on:
Considere el siguiente PL:
Max x1 + 2x2 + x3
s.t. 2x1 + x2 + x3 10
5x1 x2 x3 5
x1 , x2 , x3 0
Resuelva este problema con el metodo Simplex. Encuentre la forma Dual del problema. Encuentre
la soluci
on del Dual sin re-optimizar.
6.1.4.
Adaptaci
on a otras formas del Primal
Si el problema Primal no est

a en forma estandar, entonces se pueden realizar los pasos para
estandarizar y, luego, derivar la formulacion del Dual. Sin embargo, existen mecanismos mas directos:
* Si una restricci
on del Primal es de tipo =, entonces implica en el Dual una variable no
restringida.
* Si tenemos una restricci
on de tipo con un problema de maximizacion, la variable Dual
asociada es no-positiva.
222
Regla del Com

un-Extra
no-Raro Se reduce a:
6.1.5.
Primal(Dual)
Dual(Primal)
Funci
on Objetivo a Maximizar
Funcion Objetivo a Minimizar
j-esima restriccion
j-esima variable 0
j-esima restriccion
j-esima variable 0
j-esima restriccion =
j-esima variable X 0
i-esima variable 0
i-esima restriccion
i-esima variable 0
i-esima restriccion
i-esima variable X 0
i-esima restriccion =
Introducci
on al an
Generalidades
Los par
ametros aij , bj y ci del modelo de PL son regularmente susceptibles de sufrir alg
un
cambio. Nos gustara conocer cu
al es el impacto de uno de estos cambios sobre la solucion optima
encontrada al final del Simplex: sigue siendo optima?, sigue siendo factible?
Asimismo, se puede determinar los parametros sensibles (los parametros cuyo cambio tiene un
impacto en la soluci
on
optima actual); se puede incluso determinar, para estos parametros, el rango
permisible para que la soluci
on permanezca optima, o factible.
Se puede usar, para contestar a estas preguntas, el problema Dual, ya que los cambios en el
problema Primal se repiten en el problema Dual.
Por ejemplo:
- Cambio en los coeficientes de una variable no-basica: obviamente, ya que es no-basica, la soluci
on
actual sigue siendo factible. Para la optimalidad, usamos la factibilidad del Dual: los coeficientes
asociados a una variable del Primal solo aparecen en una restriccion del Dual: por lo tanto, s
olo
al checar la factibilidad de la restriccion Dual asociada, se puede concluir si todava es optima la
soluci
on.
223
- Introducci
on de una nueva variable: agregar una nueva variable equivale, para el Dual, a
agregar una sola restricci
on. Si se satisface la nueva restriccion, entonces la solucion actual es optima.
Un procedimiento general consistira en modificar los datos del problema inicial y luego aplicar a
la nueva instancia los mismos pasos que los que se usaron en el problema original. Se puede entonces
checar si la nueva soluci
on obtenida es factible y optima. En caso negativo, se puede partir de esta
nueva soluci
on para seguir iterando el algoritmo Simplex.
Sin embargo, volver a aplicar los mismos pasos del simplex anterior a la nueva instancia puede
resultar tedioso o pesado computacionalmente. Pero existe una forma de conseguir la tabla final
revisada a partir de la tabla final del problema original.
Precisiones preliminares
Comparemos las tablas inicial y final para el problema clasico de maximizacion:
224
Que se pueden representar bajo la forma:
Dado que inicialmente, la matriz S es la matriz identidad, entonces todos los cambios (e.g.,
las operaciones algebraicas de eliminacion de GJ) efectuados se encuentran registrados en S*: La
matriz [A*b*] se puede deducir de la matriz S*: [A*b*] = S* x[Ab].
Y sabemos que, dado que y* representa los precios sombra, entonces tenemos que Z* = y* x b.
N
otese que se tiene entonces que acomodar la tabla en caso de que variables basicas tengan un
coeficiente diferente de 0 en el renglon de la FO.
Nota: tendramos tambien que w* = y*x A.
Por lo tanto, si se conocen los nuevos datos iniciales, se pueden aplicar las mismas operaciones
a la tabla simplex usando las relaciones anteriores.
Ejemplo de aplicaci
on:
225
considere el modelo siguiente
Max Z = 3 X1 + 5 X2
s.t. X1 4
2 X2 12
3X1 + 2 X2 18
X1, X2 = 0
1. Resolver con el Simplex.
2. Cambio en los par
ametros;
Max Z = 4 X1 + 5 X2
s.t. X1 4
2 X2 24
2 X1 + 2 X2 18
X1, X2 = 0
Encuentre la nueva soluci
on.
6.1.6.
Aplicaci
on del an
Cambio en las bi
Podemos volver a calcular la nueva tabla simplex completa: [A*b*] = S* x [Ab], y deducir
Z*=y*xb. Por lo tanto 4Z = y x 4 b = y x(S x 4 b). Podemos, por lo tanto, deducir el nuevo
valor de las variables b
asicas y de la FO en la nueva solucion.
Ejemplo: para el problema anterior, solo hay un cambio en el 2ndo TLS, igual a 24 en vez de 12.
Calcule el nuevo valor de la FO y de las variables. Concluya sobre la factibilidad de la soluci
on y
encuentre la nueva soluci
on
optima.
Encontramos nuevamente el resultado enunciado anteriormente: 4Z* = y*(1) x 4b1 .
226
Intervalo permisible para seguir factible la soluci

on:
b = S xb, o sea que bnew =bold + S*x b. Dado que b* proporciona el valor de las
variables b
asicas, para que la solucion sea factible queremos: bnew 0, es decir S*x b bold .
Esto deriva en una condici
on por cada renglon de b, y posiblemente en un intervalo de variaci
on
por cada rengl
on de b.
Rangos de factibilidad: intervalo de valores para cada TLD en el que la solucion basica factible
optima es factible. As, el Precio Sombra del recurso i sigue siendo valido para calcular el nuevo
valor de la FO ssi el TLD se queda en el rango de factibilidad.

N
otese que los rangos de factibilidad calculados por cada bi son validos solo si es el u
nico cambio
en el modelo.
Ejemplo:
Determine los rangos permisibles de variacion de los TLDs para que la solucion siga siendo factible
para el problema anterior.
Cambios simult
aneos en los TLDs
Como se vio ahora mismo, se puede deducir el nuevo valor de las variables (b*=S*xb): si los
TLDs son todos no-negativos, la solucion es factible y es optima (ya que no hubo cambio en el
rengl
on de la FO).
Podemos tambien calcular los rangos de factibilidad para cada bi (cambio de un solo parametro).
Si cambian varios bi simult
aneamente, los rangos de factibilidad ya non validos.
Regla del 100 %: los Precios Sombra permanecen validos cuando los cambios en los parametros bi no
son muy grandes. Para verificar que son suficientemente peque
nos, para cada cambio se calcula el
porcentaje del cambio permitido (disminucion o aumento) para que este TLD siga dentro del rango
de factibilidad (intervalo permisible factible).. Si la suma de los porcentajes (en valor absoluto) no
excede () 100 %, es definitivo que la los Precios Sombra todava seran validos.
227
Si la suma excede 100 %, no se puede concluir.
Ejemplo: el vector b del ejemplo anterior cambia de [4 12 18] a [4 15 15]. Es factible la soluci
on
b
asica
optima actual? Cu
al es nuevo valor de la FO y de las variables?
Cambio en los coeficientes de una variable no-b

asica
Pueden cambiar los coeficientes de costo/matriz de una variable no-basica xi , identificados

en una misma columna de la tabla simplex. Siendo factible la solucion optima actual (ya que es
no-b
asica la variable considerada), solo hace falta comprobar su optimalidad: para ello se refiere a
la restricci
on del Dual asociada con la variable xi . Si sigue factible la solucion complementaria en
el Dual, entonces es
optima la solucion.
En caso de que ya no sea

optima la solucion actual y que se desee conocer la nueva soluci
on
optima, se modifica el coeficiente de xi en la FO y se consigue el nuevo valor final aplicando:
y los coeficientes de xi en los renglones 1 a m aplicando:
A i = S*x Ai
Se inicia ahora el metodo simplex con xi siendo la nueva variable entrante.
Ejemplo: retome la soluci

on
optima de la variacion (cambio en los TLDs) del problema anterior.
X1 es no-b
asica, su coeficiente de costo cambia de 3 a 4 y la columna asociada cambia de [1 0 3] a
[1 0 2].
Intervalo permisible para permanecer

optima.
Particularmente, se considera un cambio en un solo parametro de costos (ci). Buscamos el rango
228
de variaci
on de ci para que la solucion permanezca optima.
Para verificar que la soluci
on sigue siendo optima, aplicamos la prueba de optimalidad. El coeficiente
de la variable considerada en el reglon (0) de la tabla final es el u
nico que cambio: si este nuevo
coeficiente es no-negativo, entonces la solucion sigue siendo optima:
Ejemplo: retomando la soluci

on optima de la variacion (cambio en los TLDs) del problema anterior, determine el rango de c1 para que la solucion actual permanezca optima. Ilustrar con una gr
afica.
En ciertas ocasiones, el valor para una variable no-basica se llama el costo reducido de la
variable xi , es decir la cantidad mnima que tendra que reducirse el costo unitario de la actividad i
para que valga la pena realizarla (o sea aumentar el valor de xi a mas de 0). El valor es entonces el
incremento m
aximo para que la solucion basica actual siga siendo optima.
Si el costo reducido es igual a 0 y que la variable es no-basica, entonces es que tenemos soluciones
m
ultiples.
Introducci
on de una nueva variable
Se regresa al caso anterior: introducir una nueva variable equivale a considerar un cambio de
par
ametros en una variable no-b
asica, cuyos parametros eran todos iguales a 0: se presume que la
nueva variable formaba parte del modelo inicial, pero con coeficientes iguales a 0 en el vector de
costos y la matriz de coeficientes. El procedimiento es, por lo tanto, identico al del caso anterior.
Cambio en los coeficientes de una variable b

asica
Al contrario de cambios en los coeficientes de una variable no-basica, aca la columna asociada a
la variable xi debe de tener puros 0s y 1. Entonces, tenemos que volver a calcular la nueva columna
de xi en la matriz A y el nuevo coeficiente de xi en el renglon de la FO:
229

Puede que la nueva tabla no este en forma de eliminacion de Gauss. Por lo tanto se tiene que
aplicar las operaciones de eliminacion y checar si la solucion es factible y/o optima:
- Si es factible -
optima entonces ya se acabo.
- Si es factible - no
optima, se termina de optimizar el Primal partiendo de la tabla actual.
- Si no es factible, se consigue el problema Dual y se optimiza el problema Dual.
Ejemplo. Retomando la solucion optima de la variacion (cambio en los TLDs) del problema
anterior, c2 = 3 (en vez de 5) y A2 = [0 3 4] (en vez de [0 2 2]). Determine si cambia la soluci
on
optima, en caso positivo determine la nueva solucion.
Intervalo permisible para permanecer

optima.
Como en el caso de variables no-basicas, se considera un cambio en un solo parametro de costos

(ci ). Por la necesidad de convertir la tabla a la forma de eliminacion de Gauss, el procedimiento es
un poco m
as complicado.
xi es una variable b
asica entonces su coeficiente en la tabla final. Se incrementa ci en ci : el
coeficiente es ahora. Se tiene que convertir la tabla a la forma apropiada de eliminacion de Gauss
para conseguir los nuevos coeficientes: van a ser ahora funciones de ci .
Si queremos mantener la soluci
on
optima (e.g., para evaluar la variacion permisible para permanecer
optima) el coeficiente de las variables no-basicas en la FO debe de quedar no-negativo: se obtiene de
esta restricci
on un rango de variacion permisible de ci para que permanezca optima la soluci
on
actual; del cual se deduce el rango de variacion permisible de ci .
Ejemplo. Retomando la solucion optima de la u

ltima variacion (cambio en los coeficientes de
x2 ) del problema anterior, determine el rango permisible para que permanezca optima la soluci
on.
230
Ilustraci
on gr
afica.
Los rangos calculados en esta seccion se suelen denotar como rangos de optimalidad.
N
otese que los rangos de optimalidad son validos para un cambio en un solo coeficiente de la FO;
si cambian simult
aneamente los coeficientes de varias variables en la FO, hay que aplicar la regla
del 100 % para determinar si permanece optima la solucion actual.
Cambios simult
aneos en los coeficientes de la FO.
Sin importar si las variables involucradas son basicas o no, el rango de variacion de los coeficientes
para que permanezca
optima la solucion actual es valido para un cambio en solo coeficiente.
Regla del 100 %: si se hacen cambios simultaneos en los coeficientes de la FO, para cada cambio se
calcula el porcentaje del cambio permisible. Si la suma de los porcentajes no excede 100 % entonces
la soluci
on
optima original definitivamente sera todava optima (si excede 100 %, entonces no hay
seguridad: si los cambios son en la misma direccion, puede que la suma se pase de 100 % sin que
cambie la FO).
Introducci
on de una nueva restricci
on
En este caso sencillamente se checa que si la solucion optima actual cumple con la nueva
restricci
on o no:
* Si se cumple, la soluci
on
optima actual sigue sin cambiar.
* Si no se cumple, hay que agregar un nuevo renglon en la tabla final del simplex, con los
coeficientes de la nueva restriccion y la variable de holgura/artificial como variable b
asica.
Eventualmente se reacomoda la tabla simplex para ponerla en forma apropiada de eliminaci
on
de Gauss y se reoptimiza (aplicando el Simplex al problema Dual, ya que la solucion actual
231
no es factible en el Primal).
6.2.
METODO
SIMPLEX Y DUAL
Soluci
on por metodo simplex: a las restricciones tecnicas, se le suman las variables de holgura
(cantidad de recurso no utilizado), convirtiendo a estas inecuaciones en ecuaciones. Utilizando los
coeficientes de estas nuevas ecuaciones y los coeficientes de la funcion de beneficio, se arma una
matriz, la cual se transforma por el metodo del pivote hasta hallar el maximo de la producci
on.
Ejemplo
Max B = 2 Heladeras + 3 Lavarropas

Sujeto a: g1 = 3H + 4L 60 Mat. Prima
g2 = 2H + 4L 48 Mano de Obra
Agrego las variables de holgura convirtiendo las inecuaciones en ecuaciones,
3H + 4L + R1 = 60 R1 = 60 - 3H - 4L
2H + 4L + R2 = 48 R2 = 48 - 2H - 4L
Armo la matriz de coeficientes, donde en las filas de R1 y R2 bajo las columnas H y L, los
coeficientes son negativos, pues requiero insumos para su fabricacion; si los coeficientes fuesen
positivos estara generando insumos, lo que sera una inconsistencia:
Ahora se debe elegir el elemento que es el PIVOTE, para ello se debe elegir una fila y una
columna, de forma tal que el elemento que los una sea dicho PIVOTE. Para elegir por cual columna
entr tengo que buscar cu
al es el producto de mayor beneficio unitario, y entrar por esa columna.
Teniendo la columna busco por cual fila salg, para esto tengo que buscar cual es el insumo m
as
232

restrictivo (para el producto de la columna elegida), y salgo por esta fila.
En el ejemplo, el beneficio unitario de los Lavarropas es mayor al de las Heladeras (2H3L),

as que entro por esta columna. Busco ahora el insumo mas restrictivo para los Lavarropas,
Mat. Prima | 60/-4L|=15

Mano de Obra |48/-4L|=12 a menor valor, menor cantidad de unidades puedo fabricar, entonces
es el insumo m
as restrictivo.
Ahora que encontre el PIVOTE, lo que busco es transformar su columna en fila y su fila en
columna; y a partir de la relaci
on obtenida, transformar las otras filas,
R2 = 48 - 2H - 4L
L = 12 1/2H 1/4R2
Sustituyo en las otras filas,
B=2H+3L
B = 2H + 3(12 - 1/2 H - 1/4 R2)
B = 36+ 1/2 H - 3/4 R2)
R1 = 60 - 3H - 4L
R1 = 60 - 3H - 4(12 - 1/2 H - 1/4 R2)
R1 = 12 - H + R2
Armo la nueva tabla
Repito el metodo, entrando ahora por H y saliendo por R1
233

Como ninguno de los beneficios unitarios es positivo, esto quiere decir que se arribo al m
aximo
beneficio (42), produciendo 6 Lavarropas y 12 Heladeras.
Doonde los coeficientes de R1 y R2 en la fila de beneficio son, (con signo opuesto) los precios
sombra de cada insumo respectivamente. Y estos verifican la siguiente ecuacion:
Max Ben = Disp MP. Precio Sombra de Mp + Disp MO . Precio Sombra de MO

Max Ben = 60. 1/2 + 48 . 1/4
Max Ben = 30 + 12
Max Ben = 42
Tambien se puede transformar la matriz dividiendo la columna del pivote por este, la fila del
pivote tambien por el pivote, pero manteniendo el signo original de los coeficientes; y el resto de los
elementos con el metodo tradicional del pivote (rectangulo).
6.2.1.
PROBLEMA DUAL
A cada problema de programacion lineal, que denominamos primal, le corresponde un segundo

problema de tal programaci
on que recibe el nombre de DUAL.
234
El Teorema Fundamental de la dualidad dice, que si existe un valor optimo para cada uno de los
problemas, primal y dual, el valor maximo de la funcion objetivo del primal coincide con el valor
mnimo que toma la funci
on objetivo del dual.
Sntesis:
1) El dual tiene una variable para cada restriccion del primal.
2) El dual tiene tantas restricciones como variables existen en el primal.
3) Cuando el primal es de maximizacion (de beneficio), el dual es de minimizacion (de costo) y
viceversa.
4) Los coeficientes del funcional del programa original son los terminos independientes de las
restricciones del dual y los terminos independientes de las restricciones originales son los coeficientes
del funcional del problema dual.
5) Los coeficientes de una variable cualquiera en las inecuaciones del problema original aparecen
como coeficientes de una inecuaci
on en el dual, pero transpuestos.
6) Las desigualdades tienen sentidos inversos en el problema dual y en el problema original.
Soluci
on por el M
etodo Simplex
A partir del problema primal, planteo el dual y luego armo la matriz de coeficientes,
Primal:
Max B = 2 Heladeras + 3 Lavarropas
Sujeto a: g1 = 3H + 4L 60 Mat. Prima

g2 = 2H + 4L 48 Mano de Obra
Dual:
Min C = 60 MP + 48 MO
235
Sujeto a: g1 = 3 MP + 2 MO 2
g2 = 4 MP + 4 MO 3
Agrego las variables holgura y transformo las inecuaciones en ecuaciones para armar la matriz:
3 MP + 2 MO - L1 = 2
4 MP + 4 MO - L2 = 3
- L1 = 2 - 3 MP - 2 MO
- L2 = 3 - 4 MP - 4 MO
236
Entro por la columna con menor costo unitario y salgo por la mas restrictiva, repitiendo el metodo
hasta no poder entrar (o salir):
Como ninguno de los costos unitarios es positivo, esto quiere decir que se arribo al mnimo costo
(42), donde los coeficientes L1 y L2 en la fila de costo son (con signo opuesto) las cantidades de cada
producto.
6.2.2.
An
El an
alisis de sensibilidad es una herramienta utilizada una vez encontrada la solucion optima.
Se emplea esta herramienta para estudiar que parametros son los sensibles y observar el alcance de
la soluci
on
optima. Es decir los intervalos donde sigue siendo factible.
Este an
alisis sirve para observar los cambios en ciertos parametros del modelo y sus efectos en
la funci
on objetivo.
Ejemplo. Max z=40x1 +10x2
s.a. 10x1 +2x2 400
15x1 +10x2 1020
3x1 +5x2 420
Pasando al tablero simplex.

Resolviendo en dos iteraciones se obtiene le siguiente cuadro simplex.
237

Grafica de la regi
on factible.
Los correspondientes recursos a s1 y s2 .Son totalmente usados entonces si adquirieramos

recursos adicionales podra resultar un aumento en el valor optimo de la funcion objetivo.
Por lo tanto realizaremos un analisis de sensibilidad del problema a traves de cambiar la

cantidad en cualquier recurso escaso.
La soluci
on del dual (valor de los recursos) son y1 =25/7 , y2 =2/7 dado a que y1 y2 se observa
238
que lo conveniente es analizar el impacto que traera el cambio al recurso correspondiente a la

primera restricci
on.
Sea el cambio en el recurso de la primera restriccion. Entonces reescribimos la restriccion uno

en terminos de delta.
10x1 +2x2 +s1 =400+

Si embargo el valor de s1 =0 seg
un la tabla optima por lo tanto.
10x1 +2x2 =400+ 10x1 +2x2 -=400

Sea s1 =- y s1 es una variable de holgura o artificial dependiendo de la restriccion.
Entonces
10x1 +2x2 +s1 =400

Expresando las restricciones a partir de la tabla optima en forma de ecuaciones se tendra lo siguiente.
z+25/7 s1 +2/7 s2 =1720
x1 +s1 /7-s2 /35=28
x2 -(3s1 )/14+s2 /7=60
(9s1 )/14-(22s2 )/35+s3 =36
Ya que s1 = y s2 =0 sustituimos estos valores en el sistema anterior, obteniendo lo siguiente.
z-25/7 =1720
x1 -/7=28
x2 +3/14=60
-9/14+s3 =36
239
El problema a resolver es Que tan grande puede ser sin afectar la base del la solucion del problema?
Para cualquiera de los recursos, las variables deben permanecer no negativos as debe satisfacer
lo siguiente.
x1 =28+ /70 - 28/(1/7)=-196
x2 =60 - 3/14 0 60/(3/14)=280
s3 =36+9/14 0 - 36/(9/14)=-56
Por lo tanto, el recurso puede aumentar a lo mas 280 unidades, ya que cualquier aumento mas all
a de
este lmite hara negativa x2 .
Tambien, los c
alculos presentan a dos posibles candidatos para determinar el limite inferior para
la disminuci
on del recurso-
En la grafica anterior se observa que la maxima disminucion es la cantidad que se encuentra en

el extremo izquierdo de la regi
on factible ya que la otra cantidad fuera de esta violara la restricci
on
de s3 .
As el intervalo de valores para el recurso de la primera restriccion que dejara sin cambio la base
es de:
400 56 b1 400 + 280

344 b1 680
240
La siguiente grafica ilustra este cambio.

Grafica representativa en el cambio del recurso
Para =280, obtenemos la siguiente tabla optima.

x1 =28+280/7=68 0
x2 =60-(3*(280))/14=0 0
s3 =36+(9*(280))/14=216 0
z=1720+(25*(280))/14=2720
Las variables de holgura s1 y s2 permanecen igual a cero. Observe que mientras x2 =0 es considerada
como una variable b
asica, simplemente hemos elegido el maximo aumento posible en el primer recurso
y obligado a la variable a tomar el valor factible mas peque
no.
Observese tambien que el aumento de $1000.00 en la funcion objetivo es un incremento de 25/7
por cada unidad de las 280 que se a incrementado. Ya que como se explico el valor de y1 =25/7
representa el valor unitario del recurso de la primera restriccion.
Lo anterior significa que sera deseable que la compa
na adquiriera recursos adicionales de 280
unidades, si el precio (costo) unitario es menor que $25/7.
La gr
afica muestra que al cambiar el recurso b1 , se mueve el punto de interseccion de las rectas.
241
10x1 +2x2 = b1 y 15x1 +10x2 =1020

A lo largo del intervalo , que une los puntos (20,72) y (68,0) . El maximo aumento de 280 desde
400 a 680 mueve la intersecci
on a (68,0), deteniendose cuando el eje x1 este a punto de violar la
restricci
on de x2 0.
La m
axima disminuci
on de 400 a 344 mueve la interseccion de (20,72) y reduce el valor de la
funci
on objetivo a $1520, una disminucion de 25/7 por cada unidad de decrecimiento en b1 . El
movimiento de la intersecci
on en tal direccion es determinada por las restricciones.
3x1 +5x2 420
Para evitar que la variable de holgura s3 se convierta en negativa.
6.2.3.
El algoritmo dual simplex y an

Este algoritmo tiene como objetivo facilitar el proceso de la optimizacion.

Para ilustrar la metodologa del algoritmo simplex dual se utilizara el siguiente ejemplo explicativo.
Min z:5y1 +4y2
Sujeto a: y1 +2y2 12 5y1 +y2 31 3y1 +y2 21 y1 ,y2 0
PASO 1: Se deben agregar las variables necesarias para pasar el problema a la forma est
andar.
En este caso se agregaran variables de exceso.
Min z:5y1 +4y2

Sujeto a:
y1 +2y2 -s1 =12
5y1 +y2 -s2 =31
3y1 +y2 -s3 =21
y1
,y2 0
242
PASO 2: Se deben adecuar las variables. De modo que las variables agregadas tengan un valor
superior o igual que cero.
Sujeto a:
-y1 -2y2 +s1 =-12
-5y1 -y2 +s2 =-31
-3y1 -y2 +s3 =-21
y1 ,y2 0 s1 , s2 , s3 0
PASO 3: Es necesario reescribir la funcion objetivo para eliminar las incongruencias.
Max z:-5y1 -4y2

Sujeto a:
y1 2y2 + s1 =-12
-5y1 - y2 +s2 =-31
-3y1 - y2 +s3 =-21
y1 ,y2 0
s1 , s2 , s3 0
PASO 4: Escribimos el problema en un tablero de solucion simplex.
Observe que las soluciones a las ecuaciones de las restricciones son negativos.
PASO 5: Se selecciona el renglon con el valor de solucion mas negativo. (renglon pivote)
243
Selecci
on del rengl
on pivote.
Si todas las otras entradas en el renglon seleccionado son no negativas , entonces no existe
soluci
on factible. Aqu se detiene el algoritmo.
PASO 6: Se calculan los cocientes de los coeficientes de la funcion objetivo entre el valor de su
correspondiente en el rengl
on pivote seleccionado.
Cocientes y1 =-5/5,y2 =-4/1

La columna del pivote es quella que produce el maximo cociente negativo del la entrada del
rengl
on objetivo sobre el valor del elemento correspondiente de la columna pivote. Las correspondientes variables entran a la base. Se puede solucionar el problema usando eliminacion gaussiana.
PASO 7: De los cocientes encontrados seleccionar el cociente mas grande y tomar como columna
pivote a la asociada con este valor. Como lo muestra la tabla siguiente.
Selecci
on de la columna pivote.
244
Con base en el paso anterior pivoteamos en la primera columna y obtenemos el siguiente tablero
simplex.
PASO 8: Se repiten los pasos del 4 al 7 hasta tener valores estrictamente positivos en la
columna soluci
on. En ese momento se habra terminado el algoritmo simplex.
De la tabla anterior se observa que el valor mas negativo es el de -29/5 por lo cual escogemos la
hilera de s1 como hilera pivote. Calculando los coeficientes se observa lo siguiente.
245
Por lo que se escoge para pivotear la columna y2 como lo muestra la siguiente tabla.
-10/9 es el valor mas negativo as que seleccionamos a s3 como la hilera pivote. Calculamos los
cocientes asociados.
246
De lo anterior se escoge a s2 como columna pivote. Y obtenemos la siguiente tabla simplex.
Como ya no existen valores negativos del lado derecho de las ecuaciones ligada a las restricciones entonces se da por concluido el algoritmo y obtenemos de la u
ltima tabla la solucion al problema.
Por
lo
anterior
se
entiende
que
la
solucion
del
problema
encontrada
sea
y1 =6
,y2 =3,s1 =0,s2 =2,s3 =0 con un valor de z=42 recuerde que este valor fue multiplicado por -1 al
principio. Por lo que es necesario regresarla a su forma original multiplicando el valor obtenido por
-1.
247
Captulo 7
Problemas de transporte y
asignaci
on
7.0.4.
Definici
on y propiedades del modelo.
Sup
ongase que se requiere transportar cierto producto desde m centros de oferta, tambien llamados orgenes, a n centros de demanda, denominados destinos. Sean oi la oferta del origen i (i=1,. . .,
m) y dj la demanda del destino j (j=1,. . ., n). Sea cij el costo unitario de transporte del producto del
origen i al destino j (i=1, . . . , m; j=1, . . . , n). Se desea transportar el producto de los orgenes a los
destinos de tal modo que no exceda la produccion de cada origen, se satisfaga la demanda en cada
destino y se incurra en el mnimo costo de transporte. Este problema puede ser formulado mediante
el siguiente modelo de programacion lineal:
Donde: Xij = n
umero de unidades del producto a transportar del origen i al destino j; (i=1, . . .,
n). Las desigualdades (5.1) y (5.2) se llaman restricciones de oferta y demanda respectivamente. Las
propiedades de este modelo se estudian para el caso de que se cumpla el supuesto de que la oferta
total es igual a la demanda total; esto es:
Sin embargo, si esto no se cumple, puede asociarse al modelo original otro equivalente en donde
este supuesto se satisfaga. En efecto, si la oferta total excede a la demanda total, puede definirse un
destino ficticio cuya demanda sea el exceso de produccion, es decir:
248

El costo de transporte del origen i (i=0 1,. . ., m) al destino n+1 es cj ,n+1=0. Analogicamente,
si la demanda total excede la oferta total, se define un origen ficticio con oferta igual a:
249
En donde cm +1,j=0 para j=1, . . ., n.

De lo anterior se concluye que cualquier modelo de trasporte puede ser formulado como uno en
donde se satisfaga que la oferta total es igual a la demanda total por lo que de aqu en adelante se
supondr
a este hecho.
La primera propiedad del modelo de transporte es que este puede expresarse en forma estandar sin
necesidad de agregar variables de holgura.
Esto se establece en el siguiente teorema:
y propiedades del modelo
Teorema 5.1. Cualquier solucion factible del problema de transporte (PT) satisface las
restricciones (5.1) y (5.2) como igualdades.
Demostraci
on.
Entonces:
250

Lo cual es una contradicci
on puesto que los extremos de esta desigualdad estricta son iguales.
Por tanto se cumple para toda solucion factible de (PT) que:
Anal
ogicamente, para toda solucion factible de (PT) se cumple:
El modelo de transporte puede formularse entonces:
251

N
otese que la estructura de la matriz de restricciones de (PT), de orden (m+n), es muy especial:
Matriz de restricciones de (PT)
Cada columna tiene exactamente dos elementos iguales a 1 y el resto son 0, puesto que la
cantidad xij s
olo aparece en la i-esima restriccion de oferta y en la j-esima restriccion de demanda
con coeficiente 1 en ambas.
Adem
as, como puede observarse en la figura 5.1, los primeros n elementos del primer renglon son
iguales a 1 y el resto son 0, los segundos n elementos del segundo renglon 1, y as sucesivamente
hasta el rengl
on m. Los u
ltimos n renglones de la matriz estan compuestos por m submatrices
identicas de n x n. Esta estructura especial se aprovecha para una especializacion del algoritmo
simplex que se aplica a este tipo de modelos.
Otra propiedad importante de la matriz y restricciones de (PT) es que no es de rango completo; es
252

decir, hay una restricci
on redundante. En efecto, si se suman los primeros m renglones y se restan
los siguientes n se obtiene el vector 0.
Intuitivamente esto se interpreta del siguiente modo: si se desconoce la oferta de alg
un origen, o la
demanda de alg
un destino, puede calcularse esta con ayuda del supuesto de que la oferta es igual a
la demanda total. De hecho puede demostrarse que el rango de la matriz es exactamente m+n-1.
Representaci
on gr
afica del problema
Intuitivamente: si se desconoce la oferta de los orgenes, o la demanda de dos destinos, se

podr
a calcular la oferta (o la demanda) conjunta de ambos pero no la de cada uno. De aqu podemos concluir que:
N
umero de variables b
asicas en una soluci
on b
asica = m+n-1
Otras propiedades de la matriz son la unimodularidad total (es decir el determinante de cada
submatriz cuadrada vale 1-1 o 0) y la triangularidad de sus bases.
Las propiedades anteriores pueden ser explotadas cuando se aplica el algoritmo simplex al problema
(PT). En efecto, el primer paso es construir la forma estandar; (PT) ya tiene esta. Lo siguiente
es la determinaci
on de una solucion basica inicial. Esto puede resolverse utilizando, por ejemplo,
el metodo simplex de las dos fases; sin embargo, existen metodos mas eficientes que aprovechan la
estructura especial de este modelo particular de programacion lineal. Estos

seran descritos en la
253
secci
on 5.3.
Antes de describir tales metodos se proporciona una representacion grafica muy u
til del problema
de transporte.
7.0.5.
Representaci
on gr
afica del problema.
El modelo de transporte puede representarse graficamente mediante la red bipartita R=(X a U

X b , A, c) en donde:
i) Xa representa el conjunto de orgenes.
ii) Xb representa el conjunto de destinos.
iii) E(i, j) A es posible transportar el producto del origen i al destino j.
iv) c es una funci
on real tal que c(i, j) =cij , para (i, j) A.
Red asociada al problema de transporte.
Al arco (i,j) A puede asociarse la variable de decision xij . Observese que, formulado de este
modo el problema, determinar una solucion basica equivale a encontrar un conjunto de arcos de R
y la cantidad xij asociada a ellos
Solucion basica: arbol expandido.
254

De hecho, basta determinar aquellos arcos para los cuales xij es variable basica (para las otras xij
es cero); de la secci
on anterior se sabe que el n
umero de variables basicas es m + n - 1 por lo cual el
n
umero de arcos en la representaci
on grafica de la solucion basica es m+n-1. Ademas puede probarse
que estos m+n-1 arcos no formas ciclos, pues las columnas de la matriz de restricciones asociadas
con ellos son linealmente independientes y por tanto la representacion grafica de una solucion b
asica
del problema corresponde a un
arbol expandido de R (hay m+n vertices). Esta propiedad juega un
papel importante en el desarrollo de metodos para determinar la solucion basica inicial del problema
(PT) y en la especializaci
on del algoritmo simplex para estos modelos.
Otra propiedad de esta red es que, puesto que es bipartida, no existen en ella ciclos de cardinalidad
impar. Esto ser
a de gran importancia cuando efectuemos un cambio de solucion basica; es decir,
cuando realicemos un pivoteo.
7.0.6.
Soluci
on Inicial.
El modelo de transporte puede ser representado en una tabla llamada de transporte. Cada
rengl
on de esta tabla est
a asociado a un origen y cada columna a un destino por lo cual a cada
variable xij corresponde una casilla; es decir, a cada arco de la red bipartita corresponde una de
estas. En la casilla (i,j) aparece el costo de xij .
En la figura 5.4 se muestra la tabla correspondiente a la red bipartida de la figura 5.2.
255

Para determinar una soluci
on basica factible tendremos que determinar m+n-1 casillas de la tabla
de transporte que correspondan a un arbol. En la figura 5.5 se muestra la tabla correspondiente al
arbol de la figura 5.3.
Si tenemos un ciclo en la red bipartita este puede detectarse en la tabla. En efecto, una secuencia
de casillas en un rengl
on (o columna), de tal manera que no haya tres consecutivas en el mismo y
que la u
ltima tenga un rengl
on (o columna) en com
un con la primera, forman un ciclo.
Por ejemplo el ciclo formado por los arcos asociados a las variables x12 , x13 ,x23 ,x22 , se muestra en
la figura 5.6.
256
Este mismo ciclo se muestra en la figura 5.7
De lo anterior se concluye que, para determinar una solucion basica factible, debemos determinar un conjunto de m+n-1 casillas que no formen ciclo junto con los valores de las variables
correspondientes. Las variables restantes seran no basicas por lo cual su valor es cero.
Se han desarrollado diversos metodos para hacer lo anterior. Aqu se presentan dos de ellos: el de
la esquina noroeste y el de la casilla de costo mnimo.
257
En ambos la filosofa es an
aloga:
1. Se escoge una casilla (i,j).
2. Se asigna a la variable xij el maximo valor posible. Este sera el mnimo entre la oferta a
un
no asignada del origen i y la demanda a
un no satisfecha del destino j.
3. Se cancelan las casillas correspondientes al renglon o columna que haya definido el mnimo
anterior. Esto garantiza que no se formaran ciclos.
4. Si ya se han asignado m+n-1 casillas se termina el procedimiento con una solucion inicial. En
otro caso se repiten los pasos 1, 2 y 3. La u
nica diferencia entre estos dos metodos y otros como
mnimo rengl
on, mnima columna, Vogel, etc, consiste en el criterio de seleccion de la casilla que va
a ser asignada (paso1).
7.0.6.1.
Algoritmo de la esquina noroeste.
En este algoritmo se siguen los pasos 1 a 4 comentados anteriormente y el criterio para elegir la
casilla en el paso uno es:
Se escoge la casilla, no asignada y no cancelada, que este situada en la parte superior e izquierda
de la tabla.
Esto u
ltimo da al algoritmo su nombre.
A continuaci
on presentamos un ejemplo:
Ejemplo 5.1 Consideramos el problema de transporte con 3 orgenes con oferta 5, 2 y 3

unidades respectivamente, 4 destinos con demanda 3, 3, 2 y 2 unidades respectivamente y cuya
matriz de costos es:
Observemos primero que la oferta total es igual a la demanda total:

La tabla de transporte correspondiente es la figura 5.8
Soluci
on inicial
258
La esquina noroeste es la casilla (1,19. El maximo valor de x11 es el mnimo entre la oferta del
origen 1 y la demanda del destino 1; es decir:
X11 = Min 5, 3 = 3.
En la figura 5.9 se muestra la parte de la solucion que se ha construido. Puesto que la demanda
del destino 1 ha sido satisfecha, las casillas restantes de la primera columna han sido canceladas.
259

Tambien se ha indicado en esta figura cuanto falta a
un por agotarse la oferta del origen 1.
La esquina noroeste corresponde ahora a la casilla (1,2) pues es la superior izquierda no asignada
ni cancelada.
El valor de x12 = 2,3 = 2 pues en el origen 1 a
un quedan disponibles 2 unidades y en el destino 2
faltan por satisfacerse 3 unidades.
En la figura 5.10 se ha anotado este valor as como la demanda por satisfacer del destino 2.
Puesto que ha agotado la oferta del origen 1 las casillas restantes del renglon 1 han sido canceladas.
La casilla no asignada y no cancelada de la esquina noroeste es la (2,2)
Entonces X22 = Min2, 1 = 1.
En la figura 5.11 se han realizado las anotaciones correspondientes. En esta tabla se observa que
la casilla a elegir es ahora la (2,3). Entonces:
X23 = Min 1, 2 = 1. Si asignamos este valor obtenemos la parte de la solucion que se ha generado
260

en la figura 5.12.
261
Las restantes iteraciones se muestran en las figuras 5.13 y 5.14. En esta u

ltima se tiene la soluci
on
completa pues el n
umero de casillas asignadas es m + n - 1 = 3 + 4 - 1 = 6. Esta solucion b
asica
factible es:
X11 = 3, X12 = 2, X22 = X23 = X33 = 1, X34 = 2.
262
Las dem
as variables (no b
asicas) tienen valor O. El costo de esta solucion es:
4(3) + 7(2) + 4(1) + 4(1) + 8(1) + 5(2) = 52.
Una observaci
on importante que debe hacerse es que en este algoritmo no se realiza ning
un
an
alisis del costo.
El siguiente paso consiste en probar la solucion. Esto lo veremos en la siguiente seccion.
7.0.6.2.
Algoritmo de costo mnimo
En este algoritmo se siguen los pasos 1 a 4 comentados anteriormente y el criterio para elegir la
casilla a ser asignada es:
263
Se escoge la casilla, no asignada y no cancelada, que tenga el menor costo en la tabla.

A continuaci
on presentamos un ejemplo:
Ejemplo 5.2. Consideremos el problema de transporte del ejemplo 5.1. La casilla con costo
menor es la (3, 2). El m
aximo valor de X32 es el mnimo entre la oferta del origen 3 y la demanda
del destino 2; es decir:
X32 = Min 3, 3 = 3. En este caso se ha agotado la oferta a la vez que la demanda ha sido
satisfecha. Si cancel
aramos las casillas restantes de la columna 2 y del renglon 3, no asignaramos
m + n - 1 variables b
asicas y esto, como veremos en la siguiente seccion sera importante cuando se
realicen pivoteos. Para completar el n
umero de variables basicas requeridas se asignara valor O en
una casilla del rengl
on o columna en consideracion.
En la figura 5.15 se muestra la parte de la solucion que se ha construido.
Las restantes iteraciones se muestran en las figuras 5.16 a 5.19. En la u

ltima se tiene la soluci
on
completa pues el n
umero de casillas asignadas es m + n - 1 = 3 + 4 - 1 = 6.
264

Esta soluci
on b
asica factible (degenerada) es:
Xll = 1, X12 = O, X13 = X14 = X21 = 2, X32 = 3.
Las dem
as variables (no b
asicas) tienen valor O. El costo de esta solucion es:
4(1) + 7(0) + 7(2) + 5(2) + 3(2) + 2(3) = 40.

Una observaci
on importante que debe hacerse es que en este algoritmo, aun cuando se realiza un
an
alisis del costo (a diferencia del de la esquina noroeste), no se garantiza siquiera una buena soluci
on.
De nuevo, el siguiente paso consiste en probar la solucion. Esto lo veremos en la siguiente

secci
on.
7.0.7.
Optimalidad de soluciones
Una vez que se ha determinado una solucion basica factible surge el problema de probar la
optimalidad de esta; es decir, debe verificarse si esta solucion es optima o se tiene que cambiar por
otra adyacente.
Para esta prueba de optimalidad se utiliza el problema dual del de transporte (PT). Este es:
265

Donde u; es la variable dual asociada a la i-esima restriccion de oferta (i = 1,. . ., m) y i es la
variable dual asociada a la j-esima restriccion de demanda (j = 1, ... , n).
Para que un vector (u, v) E Rm+n sea solucion factible de (D PT) debe satisfacerse que Ui +
Vj :::;cij (i = 1, , m; j = 1, ... , n) o equivalentemente Ci j -Ui -Vj2 : O (i = 1, ... ,m; j = 1, ,n).
Sea x una soluci

on b
asica factible de (PT) y constr
uyase el vector (u, v) Rm+n, de componentes Ul , U2 ,... ,um , VI ,... , Vn , resolviendo el sistema:
Ci j= Ui + Vj , para Xi j variable basica. (5.3)
En donde se tienen m + n inc
ognitas y tantas ecuaciones como variables basicas de x; es decir
m + n - 1 ecuaciones. Puesto que se tiene una incognita mas que ecuaciones, para obtener una
soluci
on del sistema, el valor de una de las variables puede fijarse y las demas pueden calcularse por
sustituci
on.
266
Observese que el vector (u, v) se construye de tal modo que satisface, con igualdad, m + n - 1
restricciones del problema dual (D PT). Si ademas se satisfacen las m * n - (m + n - 1) restricciones
restantes, esto es si:
Cij -ui - vj O, para toda Xij no basica. (5.4)

Entonces (u, v) es una soluci
on factible de (D PT). Por otro lado recuerdese que la factibilidad
dual equivale a la optimalidad primal. En efecto, esto se establece a continuacion.
Proposici
on 5.2 Sean x una solucion basica factible del problema de transporte (PT) y (u,v)
Rm+n calculado por medio de (5.3); si (u,v) satisface (5.4) entonces x es solucion optima para
(PT) y (u,v) es soluci
on
optima para el dual (Dp T ).
267
Demostraci
on. Que (u, v) sea factible es inmediato de la hipotesis. Para probar la optimalidad
evaluemos la funci
on objetivo de (PT) en el vector x:
268
Puesto que las variables no b

asicas valen O y (u, v) se calcula mediante (5.3),
La cantidad anterior es igual a:
Dada la factibilidad de x la cantidad anterior es igual a:
Por tanto el valor de las funciones objetivo de (PT), en x, y de (DP T ), en (u, v), coincide y de
aqu se concluye que ambas soluciones son optimas para sus respectivos problemas.
La estructura especial del modelo lineal estudiado en este captulo permite simplificaciones del
algoritmo simplex. Esta especializacion se conoce como algoritmo de transporte y se presenta en la
siguiente secci
on.
269
7.0.8.
Algoritmo de transporte
El algoritmo de transporte consiste, como se ha mencionado anteriormente, en una especializaci

on del algoritmo simplex. Se describen detalladamente los pasos a continuacion.
Determinaci
on de una soluci
on b
asica factible inicial
La soluci
on b
asica inicial x se determina utilizando cualquiera de los metodos descritos anteriormente (esquina noroeste, costo mnimo).
Prueba de optimalidad
De la secci
on anterior se deduce que esta prueba consiste en la construccion del vector de
variables duales (u, v) Rm+n resolviendo el sistema.
De ecuaciones (5.3) de esa seccion. La solucion x sera optima si el vector (u,v) satisface la
condici
on (5.4); en otro caso debe procederse al cambio de solucion.
Recuerdese que en el algoritmo simplex la herramienta de optimalidad utilizada es el vector de
coeficientes de costos reducidos:
En donde: CB es el vector de coeficientes de las variables basicas

B es la base correspondiente a x y
A es la matriz de restricciones.
Recuerdese tambien que la solucion dual es cBB-1(factible en optimalidad). Ya que la matriz
270
de restricciones de (PT) tiene exactamente dos elementos distintos de cero e iguales a 1 en cada
columna, el coeficiente de costo reducido de la variable Xij es:
Puesto que se est

a minimizando se desea que esta cantidad sea mayor o igual a cero para
concluir la optimalidad de x. Ademas Cij debera ser cero para Xij basica.
De nuevo puede observarse que la factibilidad dual equivale a la optimalidad primal puesto que
en la construcci
on de (u, v) se satisface Ci = Ui + Vj para Xij basica y para verificar la optimalidad
de la soluci
on primal se comprueba precisamente que las demas restricciones duales son satisfechas:
Ui + Vj Cij para Xij no basica.

Determinaci
on de la variable que entra a la base.
Esta es cualquiera que cumpla Cij < O.
Determinaci
on de la variable que sale de la base
Cuando el arco correspondiente a la variable entrante se agrega al arbol asociado con la soluci
on
b
asica, se forma un ciclo u
nico de cardinalidadpar (recuerdese que la grafica es bipartita). Esto
significa que para obtener una nueva solucion basica debe eliminarse un arco de tal ciclo. La variable
correspondiente a este es la que dejara de ser basica.
Para determinar que arco dejara la base notemos lo siguiente: Cuando una variable entra a la
base su valor aumentar
a, para conservar factibilidad las variables basicas adyacentes a esta deber
an
271
entonces bajar su valor en la misma cantidad y as sucesivamente (ver figuras 5.20 y 5.21). Puesto
que nos interesa que la entrante aumente lo mas posible, conservando factibilidad, debemos cuidar
que aquellas que disminuyen no se vuelvan negativas.
El m
aximo valor de la variable entrante es igual entonces al mnimo valor de las que bajan de valor.
Supongamos, por ejemplo, que la variable elegida para convertir en basica es la de la casilla
(i3 , j1 )y que forma ciclo con las casillas basicas (i3 ,js ), (il ,j3 ) e (il ,jl ). Este ciclo se muestra en la
gr
afica de la figura 5.20 y en la tabla de la figura 5.21.
Puesto que se est

a minimizando se desea que esta cantidad sea mayor o igual a cero para concluir
la optimalidad de x. Adem
as Cij debera ser cero para Xij basica. De nuevo puede observarse que la
factibilidad dual equivale a la optimalidad primal puesto que en la construccion de (u, v) se satisface
Ci = Ui + Vj para Xij b
asica y para verificar la optimalidad de la solucion primal se comprueba
precisamente que las dem
as restricciones duales son satisfechas:
Ui + Vj Cij para Xij no basica.
Determinaci
on de la variable que entra a la base
Esta es cualquiera que cumpla Cij < O. Determinacion de la variable que sale de la base
Cuando el arco correspondiente a la variable entrante se agrega al arbol asociado con la soluci
on
b
asica, se forma un ciclo u
nico de cardinalidad par (recuerdese que la grafica es bipartita). Esto
significa que para obtener una nueva solucion basica debe eliminarse un arco de tal ciclo. La variable
272
correspondiente a este es la que dejara de ser basica.
La variable Xi3 ,jl aumentar

a (pues siendo no basica vala cero) en una cantidad 0;esto se ha
marcado con un signo + en las figuras, por lo anterior, para conservar la factibilidad, la variable
b
asica xi1 . j1 deber
a bajar su valor en la misma cantidad (se
nalandose con - en las figuras) y as sucesivamente hasta completar el ciclo. Como este es de cardinalidad par, cuando se suma (se resta)
o: al valor de las variables marcadas + (-) se obtiene una solucion que respeta las restricciones de
oferta y demanda. Ahora bien, deben cuidarse tambien las restricciones de no negatividad. Entonces
el valor m
aximo de a est
a dado por el de la variable menor marcada con aquella variable que se
vuelva cero es la que deja la base. (si hay varias se elige arbitrariamente una para sacarla de la base).
273
Actualizaci
on de la soluci
on
Una vez que se aumente el valor de las variables marcadas + en el ciclo, se disminuya el de las
marcadas - y se convierta en no basica aquella cuyo valor nuevo es cero se habra obtenido una
nueva soluci
on b
asica factible y por tanto se realiza con esta la prueba de optimalidad. En resumen:
Algoritmo de transporte.
Objetivo: Resolver un problema de transporte.
Paso 1. Determinar una solucion basica inicial (Esquina noroeste o costo mnimo). (Prueba de
optimalidad)
Paso 2. Obtener una soluci

on dual resolviendo el sistema
274
7.0.8.1.
Algoritmo de transporte
Si cij = Cij - ui - vj O xi j no basica terminar; la solucion actual es optima. - Si cij O para

alguna Xij no b
asica ir al paso 3.
(Cambio de soluci
on)
Paso 3. Determinar la variable entrante (Cualquiera con cij O).

Paso 4. Determinar la variable saliente. Marcar alternadamente + y - las variables del ciclo
empezando con la entrante. La mnima variable marcada - es la que sale. Sea su valor.
Paso 5. Sumar a las variables marcadas +, restar a las marcadas - e ir al paso 2.
Ejemplo 5.3. Consideremos el problema de transporte del ejemplo 5.I.
A continuaci
on se aplicar
a el algoritmo de transporte para determinar la forma mas econ
omica
de envo.
Iteraci
on 1
(Inicio)
Paso 1. Se tomar
a la soluci
on basica inicial obtenida en el ejemplo 5.1. Esta se muestra, de
nuevo, en la figura 5.22. El costo es de:
3 (4) + 2 (7) + 1 (4) + 1 (4) + 1 (8) + 2 (5) = 52

(Prueba de optimalidad)
Paso 2. Las variables b
asicas son X11 , X12 , X22 , X23 , X33 Y X34 , entonces:
Si se fija ul = O, se obtiene: vI = 4, v2 = 7, u2 = -3, v3 = 7, u3 = 1 Y v4 = 4.
Recordemos que las variables duales ui estan asociadas a las restricciones de oferta; es decir
a los orgenes. En la figura 5.22 se muestran acopladas al renglon correspondiente al origen i.
275

An
alogamente la variable dual Vj se ha asociado a la columna j.
En la tabla de transporte es sencillo saber que ecuaciones corresponden al sistema Cij = ui + vj (
xij b
asica) pues basta con conocer las casillas basicas, fijar una de las variables duales en cualquier
valor y despejar las dem
as utilizando estas casillas.
Calcularemos ahora Cij = Cij Ui Vj para las casillas no basicas:

C13 = C13 ul v3 = 7 O 7 = O
C14 = C14 ul v4 = 5 O 4 = 1
C21 = C21 u2 vI = 3 (3) 4 = 2
C24 = C24 u2 v4 = 3 (3) 4 = 2
C31 = C31 u3 vI = 4 1 4 = 1
C32 = C32 u3 v2 = 2 1 7 = 6
Como C31 , C32 < O la solucion actual no es optima.
276
(Cambio de soluci
on)
Paso 3. Se elige X31 para convertirla en basica.
Paso 4. El ciclo formado se muestra en la figura 5.22. Se han marcado con + y - alternadamente
las casillas del ciclo, empezando con (3,1). Entonces a = min x11 , x22 , x33 = 3, 1, 1 = 1. Se elige x22
para dejar la base.
Paso 5. Se suma y resta alternadamente esta cantidad a las variables del ciclo y se obtiene la
soluci
on mostrada en la figura 5.23, de costo:
52 1(1) = 51.
Iteraci
on 2
Paso 2. Se fija vI = O, Como la casilla (1,1) es basica se obtiene: ul = 4 de la ecuacion 4 =

c11 = ul + vI
(1,2) es basica 7 = C12 = ul + v2 v2 = 3,

(3, 1) es basica 4 = C31 = u3 + vI u3 = 4,
(3,3) es basica 8 = C33 = u3 + v3 v3 = 4,
(2,3) es basica 4 = C23 = u2 + v3 U2 = O,
(3,4) es basica 5 = C34 = u3 + v4 v4 = 1.
Estos valores se muestran en la figura 5.23.
Calcularemos ahora cij = cij - ui - vi para las casillas no basicas:
c13 C13 ul v3 = 7 - 4 - 4 = -1
277
c14 C14 ul v4 = 5 - 4 - 1 = O
c21 C21 u2 vI = 3 - O - O = 3
c22 C22 u2 v2 = 4 - O - 3 = 1
c24 C24 u2 v4 = 3 - O - 1 = 2
c32 C32 u3 v2 = 2 - 4 - 3 = -5.
Como C13 , C32 < O la soluci

on actual no es optima. (Cambio de solucion)
Paso 3. Se elige x32 para convertir en basica.
las casillas del ciclo, empezando con (3,2).
Entonces = min x12 , x31 = 3, 1 = 1 Y x31 deja la base.
soluci
51 5(1) = 46.
Iteraci
on 3
278

Paso 2. Se fija UI = O,
(1,1) es basica = 4 = c11 = uI + vI = vI = 4,

(1,2) es basica = 7 = CI2 = u1 + v2 = v2 = 7,
(3,2) es basica = 2 = C32 = u3 + v2 = u3 = -5,
(3,3) es basica = 8 = C33 = u3 + v3 = v3 = 13,
(2,3) es basica = 4 = C23 = u2 + v3 = u2 = -9,
(3,4) es basica = 5 = C34 = u3 + v4 = v4 = 10.
Estos valores se muestran en la figura 5.24.
Calcularemos ahora c = Cij ui vj para las casillas no basicas:
Como C13 , C14 < O la soluci

on actual no es optima.
(Cambio de soluci
on)
279
Paso 3. Se elige xI3 para convertir en basica.

las casillas del ciclo, empezando con (1,3).
Entonces a = min xI2 , x3 3 = 2, O = O Y x33 deja la base.
soluci
46 6(O) = 46.
las casillas del ciclo, empezando con (1,4). Entonces a = min xI2 , x34 = 2,2 = 2. Se elige x34 para
dejar la base.
280

soluci
46 5(2) = 36.
Iteraci
on 5
281
Paso 2. Se fija uI = O,
(1,1) es b
asica 4 = c11 = UI + VI :::: vI = 4,
(1,2) es b
asica 7 = CI2 = UI + V2 :::: v2 = 7,
(1,3) es b
asica - 7 = CI3 = UI + V3 :::: v3 = 7,
(1,4) es b
asica - 5 = CI4 = UI + V4 :::: v4 = 5,
(2,3) es b
asica - 4 = C23 = U2 + V3 :::: u2 = -3,
(3,2) es b
asica 2 = C32 = U3 + V2 :::: U3 = -5.
Estos valores se muestran en la figura 5.26. Calcularemos ahora Cij = Cij ui vj para las casillas
no b
asicas:
C2I = C2I u2 vI = 3 - (-3) - 4 = 2 C22 = C22 u2 v2 = 4 - (-3) - 7 = O C24 = C24 u2 v4
= 3 - (-3) - 5 = 1
Como Cij = Cij ui vj O ij no basica la solucion actual es optima. Ejemplo 5.4. Consideremos el siguiente problema de asignacion. Tres trabajos deben ser asignados a dos personas de tal
manera que reciban uno y s
olo uno de ellos. El tiempo, en horas, que tarda la persona i (i = 1,2) en
realizar el trabajo j (j = 1,2,3) es hij y se muestra en la siguiente tabla:
Trabajo 1
Trabajo 2
Trabajo 3
Persona
Persona
Se desea determinar la asignacion persona-trabajo de menor tiempo. Este problema puede ser
reformulado como uno de transporte. En efecto, defnanse los orgenes como las personas y los
destinos como los trabajos. La oferta de cada origen y la demanda de cada destino es igual a 1
puesto que cada persona har
a un solo trabajo. Es decir:
282
Oi = dj = 1; i= 1,2; j = 1,2,3.
El costo de transporte es igual al tiempo de realizacion. Esto es:
Cij = hij , i= 1,2; j = 1,2,3.

Ahora bien, en este caso:
Entonces deber
a agregarse un origen ficticio, al que se numerara 3, con oferta igual a uno. Se
define tambien C3j = O, j = 1,2,3.
La tabla de transporte correspondiente es la de la figura 5.27. En ella se muestra la soluci

on
inicial calculada con el metodo de costo mnimo.
En las figuras 5.28 a 5.30 se muestra la aplicacion del algoritmo de transporte a este problema.
En cada tabla se han anotado las variables duales y el coeficiente de costo reducido para las variables
283
no b
asicas (encerrado en un crculo). Tambien se marca la variable que viola la optimalidad y el
ciclo formado por ella.
284
En la figura 5.30 observamos que la solucion optima es X13 = X22 = X31 = 1, Y todas las
dem
as variables iguales a O, con un costo de 8 unidades. En terminos del problema de asignaci
on, la
persona 1 debe realizar el trabajo 3 y la persona 2 el 2; el tiempo optimo es de 8 horas y el trabajo
1 es el que no se realizar
a.
Finalmente comentaremos que, a pesar de que el problema de asignacion puede reformularse como
uno de transporte, esta no es la manera mas eficiente de resolverlo pues existe alta degeneraci
on en
las soluciones b
asicas. Se han desarrollado algoritmos que explotan mejor la estructura del modelo
como el h
ungaro o el de subastas que pueden consultarse en Bertzekas [1992] y Murty [1995].
285
Captulo 8
Problema de ordenamiento
8.0.9.
Problema de ordenamiento
La administraci
on de un proyecto complejo compuesto de m
ultiples trabajos elementales crea
problemas de planificaci
on y de control de ejecucion del proyecto. Las tecnicas de ordenamiento
tienen como objetivo ayudar a resolver este tipo de problemas. En general, resolver un problema
de este tipo significa establecer el orden en que deberan ser ejecutadas las actividades de manera
tal que se optimice cierta funci
on objetivo (por ejemplo, realizar el proyecto en el menor tiempo
posible). Las actividades deben satisfacer ciertas restricciones dadas por una relacion de precedencia
(anterioridad de unas actividades respecto a otras) que tiene las propiedades de ser transitiva, no
reflexiva y no simetrica.
Sean j1 , j2 ,. . ., jm las actividades del proyecto y d(j1 ) = d1 ,d(j2 ) = d2 , . . . , d(jm ) = dm

sus respectivos tiempos estimados de ejecucion. Se define una etapa como el inicio o el termino de
una actividad; as esta u
ltima puede representarse mediante la pareja de sus etapas inicial y final.
Puesto que se trata de establecer un calendario de ejecucion de las distintas actividades que
satisfaga las restricciones de precedencia y que permita realizar el proyecto en el menor tiempo posible, se deben determinar n
umeros a(i) para cada etapa, que indiquen la fecha en que debe alcanzarse
286
el evento i, tales que la cantidad a (F) (donde F es el final del proyecto) sea mnima. El n
umero
a(i) recibe el nombre de fecha m
as proximapara i y representa la mnima fecha en la cual es posible alcanzar la etapa i; es decir, en la cual es posible empezar a realizar las actividades cuyo inicio es i.
Sup
ongase que una actividad k = (i, i) requiere que otra actividad j = (i, i) sea realizada
por completo para poder llevarse a cabo; esto significa que el tiempo mas proximo en que es posible
empezar la ejecuci
on de k debe ser mayor o igual que el tiempo mas proximo en que se comienza a
realizar j m
as la duraci
on de esta actividad. La restriccion de precedencia se expresa entonces:
a(i) > a(i) + d(i, i) o a(i) - a(i) 2: d(i, i).

Cualquier funci
on : N lR, donde N representa el conjunto de etapas del proyecto, que
satisfaga las restricciones de precedencia, es un calendario posible de ejecucion de el.
Por otro lado, si 1 y F son las etapas inicial y final, la cantidad a(F)- a(I) representa la duraci
on total del proyecto (que debera ser minimizada). El problema de ordenamiento puede
formularse por tanto como uno de programacion lineal:
Min z = a(F) - a(I) s. a a(i) - a(i)d(i, i), (i, i) E A,
En donde el conjunto A representa al conjunto de las actividades del proyecto
8.0.10.
Formulaci
on PERT
En esta secci
on se formular
a el problema de ordenamiento como uno de optimizacion definido
sobre una red llamada PERT (Program Evaluation and Review Technique).
El proyecto puede ser representado en tal red de la siguiente manera: el conjunto de nodos N
representa al conjunto de etapas y el de arcos A representa al de actividades del proyecto. De
aqu que j = (i, i) E A si y s
olo si j es una actividad con etapas inicial y final i e i respectivamente.
La restricci
on de precedencia entre k y j (j terminada antes de empezar k) se representa haciendo
coincidir el extremo (etapa) final de j con el inicial de k como se muestra en la figura 6.1. El extremo
287
inicial de las actividades que no requieren de ninguna otra para su ejecucion coincide con 1, el inicio
del proyecto, y el final de aquellas que no son requeridas por ninguna otra coincide con F, la etapa
final del proyecto. Esta gr
afica recibe el nombre de red PERT.
Para ejemplificar considerese un proyecto formado por las actividades listadas en la siguiente
tabla. En la segunda columna se muestra la relacion de precedencia existente entre las actividades,
indicando como antecedente toda actividad que deba ser terminada antes de realizar la correspondiente en la primera columna.
La red o diagrama PERT correspondiente a este proyecto se muestra en la figura 6.2. En ella
288
puede observarse, por ejemplo, que el extremo inicial de A5 coincide con los finales de A3 y de A4
representando que la primera no puede realizarse antes de haber terminado la ejecucion de A3 y A4
tal como se indica en la figura.
Algunas veces es necesario utilizar arcos ficticios, representando actividades fantasma, para
expresar exactamente la relaci
on de precedencia. Por ejemplo, si A3 requiere para su ejecucion que
Al este completamente terminada y otra actividad A4 tiene como antecedentes a Al y A2 , no es
posible hacer coincidir los extremos finales de Al y A2 con los iniciales de A3 y A4 , como se muestra
en la figura 6.3(a), puesto que esto querra decir que A3 tambien tiene como antecedente a A2 .
Para evitar esto, se agrega el arco ficticio mostrado en la figura 6.3 (b); as se representa
que A4 requiere de la actividad ficticia (que a su vez necesita a Al ) y de la actividad A2 mientras
que A3 s
olo necesita que Al sea terminada para proceder a su ejecucion.
Cabe se
nalar que a los arcos ficticios se les asocia una duracion igual a cero puestos que corresponden a actividades no existentes; solo se utilizan para la representacion de la relaci
on de
precedencia.
Formulaci
on PERT
N
otese que la representaci
on del proyecto en una red PERT permite observar que actividades
289

pueden realizarse simult
aneamente y cuales no. Por otro lado, las fechas (i) asociadas a las etapas
pueden ser asociadas a los correspondientes nodos en la red; esto permitira el calculo de su valor
como se ver
a posteriormente. Una de las principales propiedades de las redes PERT es que estas no
contienen circuitos positivos como se establece en la siguiente proposicion.
Proposici
on 6.1. Una red PERT no contiene circuitos.
Demostraci
on. Sea il,al, i2, a2, ... , iq, aq, il un circuito, entonces: Para realizar a2 se requiere que al se haya completado, para realizar a3 se requiere que a2 se haya completado,
.
.
.
Para realizar al se requiere que aq se haya completado.
De aqu se concluye un absurdo: al requiere que al este totalmente terminada para poder llevarse
290
a cabo.
Por otro lado, la existencia de un circuito implicara que el problema de programacion lineal asociado
al proyecto no tendra soluci
on factible si alguna actividad involucrada en el circuito tuviera duraci
on
no nula. En efecto, sumando las restricciones de los arcos de un circuito C:
Y por tanto dii , = 0, para todo (i, i) E C .
Otra observaci
on importante es el hecho de que el modelo de programacion lineal asociado a un
proyecto puede expresarse matricialmente del siguiente modo si E es la matriz de incidencia de la
red PERT.
Min z = a(F) -a(I) s.a -aE d,
En donde d E RIAI es el vector de duraciones.
En la siguiente secci
on se analiza la solucion de este problema.
8.0.11.
Algoritmo de soluci
on
En general, resolver un problema de ordenamiento no significa solamente establecer un calendario

de ejecuci
on de las actividades del proyecto de tal modo que la duracion de este sea mnima, sino
tambien determinar cu
ales son las actividades crticas; esto es, aquellas que al sufrir un retraso
en su ejecuci
on demoran todo el proyecto. Es evidente la importancia de tales actividades y su
determinaci
on permite una mejor vigilancia de la realizacion de este.
Una ruta crtica es una trayectoria positiva de 1 a F en la red PERT formada por actividades
crticas.
Por otro lado, tambien es importante determinar la holgura de una actividad; es decir, el
291
aumento que puede sufrir su duracion sin retrasar el proyecto. Dada la definicion anterior, es claro
que la de una actividad crtica es igual a cero. Esta cantidad debe calcularse con objeto de tener
un mejor control (por ejemplo, si una actividad tiene holgura distinta de cero, podran canalizarse
recursos asignados a esta a alguna crtica).
Para calcular la duraci

on mnima del proyecto, observese que esta es igual a la longitud
(duraci
on) de una trayectoria positiva de I a F que cumpla que, al finalizar la ejecucion de las
actividades que la forman, se hayan terminado todas las demas del proyecto. En vista de lo anterior
se concluye que la duraci
on mnima del proyecto es igual a la maxima longitud de las trayectorias
positivas de I a F en la red PERT, en donde se considera como longitud de un arco a la duraci
on
de la actividad que este representa. Por tanto, calcular la duracion mnima del proyecto equivale a
determinar la trayectoria positiva mas larga en la red PERT. Mas a
un, si se considera que la etapa
inicial del proyecto puede alcanzarse cuanto antes (es decir, a(I) = O), entonces:
duracion mnima del proyecto = a(F) =

longitud de una trayectoria positiva
mas larga de I a F.
Adem
as, ninguna actividad sobre la trayectoria positiva mas larga de 1 a F puede sufrir retraso
alguno en su ejecuci
on puesto que ello conllevara al retraso del proyecto. Por tanto, la trayectoria
positiva m
as larga de 1 a F es precisamente la ruta crtica.
Con el mismo argumento que el usado para a(F), puede generalizarse que:
a(i) = longitud de una trayectoria positiva mas larga de I a i, i E N.

Antes de esta fecha no se ha terminado de realizar alguna actividad con etapa final i. Luego,
basta con determinar las trayectorias positivas mas largas de I a i, para todo i E N.
292
Una alternativa para calcular las fechas mas proximas a(i) para las etapas i E N esta basada
en el algoritmo de programaci
on dinamica, debido a Bellman, para determinar las trayectorias m
as
cortas en una red. Este metodo se basa en la no existencia de circuitos. Para su descripci
on se
introduce la siguiente notaci
on.
Sea r - (i) = i E N existe (i, i) E A para i E N. Cada elemento de este conjunto se llama
predecesor de i,
Sup
ongase ahora que, para una etapa i E N, se ha calculado a(i) para todo i E r- (i); es decir,
se conoce la longitud de las trayectorias positivas mas largas de I a i, para todo i E r- (i). Para
calcular a (i) n
otese que:
Este valor a (i) es precisamente la longitud de la trayectoria positiva mas larga de I a i puesto
que se ha buscado el m
aximo sobre todas las trayectorias positivas posibles. Observese ademas que,
para las actividades j = (i, i) de la ruta crtica se tiene que a(i) + d(i, i) = a(i).
En vista de lo anterior tenemos el siguiente algoritmo.
293
Algoritmo. Objetivo: Determinar las fechas m

as pr
oximas en una red PERT.
Algoritmo de soluci
on
Ejemplo 6.1. Consideremos el proyecto mostrado en la figura 6.2. Supongamos que las
duraciones de las actividades Al, A2, A3, A4, A5, A6, A7 y A8 son 5, 3, 6, 4, 2, 1, 7 y 7 unidades
de tiempo respectivamente. En la figura 6.4 se ha asociado a cada nodo el n
umero a(i).
La aplicaci
on del algoritmo a este proyecto se detalla a continuacion: Iteracion 1
Paso 1. S = I, a(I) = O.
Paso 2. El u
nico nodo que cumple con tener todos sus predecesores etiquetados es il , entonces:
294
a(il) = a(I) + d(I,il) = 0+5 = 5,

S = I, i1.
295

Algoritmo de soluci
on
s = I, i1, i2, i3, i4, F.

Paso 3. Como S = N terminamos.
Cabe se
nalar que la ruta crtica es I, i1 , i2 , i3 , i4 , F formada por las actividades Al , A2 ,
A4 , A5 y A7 . La longitud de esta es de 21 unidades y es la duracion mnima del proyecto.
Una observaci
on que debe hacerse es que no siempre, como en este proyecto, se presenta el caso de
que el nodo que cumple con tener todos sus predecesores contenidos en S es u
nico. En los ejemplos
6.4 y 6.5 se notar
a esto.
296
Tambien es importante calcular la fecha mas lejana en que puede alcanzarse la etapa i sin
retrasar el proyecto: es decir, la fecha maxima en que es posible empezar a realizar las actividades
cuya etapa incial es i, sin hacer la duracion del proyecto mayor que a(F). Si se denota esta fecha
con b(i), para i EN, la primera observacion que hay que hacer es que la actividad j = (i, i) puede
comenzar a realizarse en cualquier fecha en el intervalo [a(i), b(i)]. Tambien se concluye que b(F) =
a(F). De lo anterior se concluye que el calendario b(i) tambien es optimo.
Se define el conjunto de sucesores del nodo i, de manera analoga al UE predecesores, como r +

(i) = i E N [existe (i, i) E A. Supongase ahora que, para una etapa i, se ha calculado b(i), para
todo i E r + (i). N
otese que, para no retrasar el proyecto, debe cumplirse.
b(i) + d(i,i) b(i), para todo i E r +(i);

es decir:
b(i)b(i) - d(i, i), para todo i E r + (i).
Entonces, el m
aximo valor que puede tomar b(i) es:
b(i) = Min b(i) - d(i, i) . iEr + (i)

El valor b(i), para i E N, es igual al valor a(F) menos la longitud de una trayectoria positiva
297
m
as larga de i a F. En efecto, esto puede verificarse observando que, si b (i) es la longitud de la
trayectoria positiva m
as larga de i a F, por analoga con el calculo de las trayectorias mas largas de
I a i (o invirtiendo el sentido de los arcos), se tiene que:
en donde es sencillo verificar que b(i) = a(F) - b(i). Cabe se

nalar que, para las actividades
crticas j = (i, i), se tiene b(i) + d(i, i) = b(i). De hecho, puesto que b(F) = a(F), es posible
asegurar que a(i) = b(i) y a(i) = b(i) para toda actividad crtica j = (i, i) E A.
298
En vista de lo anterior tenemos el siguiente algoritmo. Algoritmo. Objetivo: Determinar las

fechas m
as lejanas en una red PERT.
Ejemplo 6.2. Consideremos el proyecto del ejemplo 6.1. En la figura 6.5 se ha asociado a cada
nodo el n
umero b(i).
Algoritmo de soluci
on
La aplicaci
on del algoritmo a este proyecto se detalla a continuacion:
Iteraci
on 1.
Paso 1. S = F, b(F) = a (F) = 21.
Paso 2. El u
nico nodo que cumple con tener todos sus sucesores etiquetados es i4, entonces:
b(i4) = b(F) - d(i4, F) = 21 - 7 = 14,
299

S = f, i4.
Paso 3. Como S6= N realizamos otra iteracion.
Iteraci
on 2
Paso 2. El u
nico nodo que cumple con tener todos sus sucesores etiquetados es i3 , entonces:
b(i3) = Min b(F) - d(i3, F), b(i4) - d(i3, i4)

Min(21 - 7, 14 - 2) = 12,
S = f, i4, i3.
Paso 3. Como S6=N realizamos otra iteracion.
Iteraci
on 3
300
Paso 2. El u
nico nodo que cumple con tener todos sus sucesores etiquetados es i2 , entonces:
Iteraci
on 4
Paso 2. El u
nico nodo que cumple con tener todos sus sucesores etiquetados es il , entonces:
b(i1 ) = Min b(i3 ) - d(i1 , i3 ), b(i2 ) - d(i1 i2 )

= Min 12 - 6, 8 - 3 = 5,
S = f, i4 , i3 , i2 , id
Iteraci
on 5
Paso 2. El u
nico nodo que cumple con tener todos sus sucesores etiquetados es 1, entonces:
b(1) = Min b(i4 ) - d(I, i4 ), b(i1 ) - d(I, i1 )

= Min7 -1, 5 - 5 = 0,
301
Paso 3. Como S = N terminamos.
De nuevo, una observaci

on que debe hacerse es que no siempre, como en este proyecto, se
presenta el caso de que el nodo que cumple con tener todos sus sucesores contenidos en S es u
nico.
Por otro lado, en este caso particular, sucede que a (i) = b (i) para toda etapa i. No es el caso
general; de hecho, como mencionamos anteriormente, esto solo puede asegurarse para los nodos
sobre la ruta crtica.
Algoritmo de soluci
on
En los ejemplos 6.4 y 6.5 se notara esto.
Finalmente, para el c
alculo de las holguras de las actividades, considerese lo siguiente: sea j = (i,
i) una actividad y sup
ongase que aquellas que requieren de j se retrasan en su inicio lo mas tarde
permisible y que j se comienza a realizar lo mas pronto posible; en otras palabras j se inicia en la
fecha a(i) y las actividades que requieren de j en el tiempo b(i). Bajo estos supuestos, la duraci
on
de j puede aumentarse en la cantidad h(j) sin retrasar el proyecto, en donde la holgura h(j) se calcula:
h(j) = b(i) - a(i) - d(j), j A.

Ejemplo 6.3. Consideremos de nuevo el proyecto del ejemplo 6.lo En la figura 6.6 se ha asociado
a cada arco el n
umero h(j) encerrado en parentesis y a cada nodo la pareja [a (i) ,b (i)].
El c
alculo se detalla a continuacion:
Las actividades crticas, de holgura O son Al, A2, A4, A5 y A7. Este resultado coincide con el
del ejemplo 6.1
A continuaci
on se presenta la descripcion detallada del algoritmo que integra todo lo anterior.
Algoritmo. Objetivo: Determinar las fechas mas proximas, las mas lejanas y las actividades
302

crticas en una red PERT.
Paso 1. Hacer S = I, a(I) = O.

Los n
umeros a(i) y b(i) son las fechas mas proximas y mas lejanas de la etapa i respectivamente.
El n
umero h(j) es la holgura de la actividad j.
8.0.12.
Justificaci
on del algoritmo
Primeramente se probar
a que el algoritmo converge:
Observese que para calcular a(i), para i N, se requiere que esta cantidad haya sido calculada
para todos los predecesores de i. En el paso 2, si no existe tal nodo, se tiene que S = N; es decir,
303

que las u
nicas alternativas que se tienen son: existe un nodo i para el cual ya se ha calculado
a(i) para todos sus predecesores o bien ya se ha calculado a(i) para todos los nodos. En efecto,
sup
ongase que no existe i. Es tal que r - (i) e S y que S 6=N; esto querra decir que existe il
r - (i) tal que i S (o bien r - (i) = pero esto es imposible para i 6= I). Como no existen
nodos fuera de S con todos sus predecesores en S, entonces existe i2 r - (i 1) tal que i2 S y
as sucesivamente. Como el n
umero de nodos es finito, con este argumento se llega a un nodo ik
r-(ik -l) fuera de S tal que r-(ik ) S, con ik = i2 , para alg
un q 1, 2, k - 1; esto pone en evidencia
un circuito lo cual constituye una contradiccion. Por tanto el n
umero de veces que se realizan los
pasos 2 y 3 es finito; de hecho estos se repiten n - 1 veces, en donde n es el n
umero de nodos de la red.
An
alogamente se prueba que el n
umero de veces que se realizan los pasos 4 y 5 es finito (de
nuevo n - 1). El paso 1 se realiza una sola vez y en el paso 6 se calculan m holguras, en donde
m es el n
umero de arcos de la red. Por tanto el algoritmo se realiza en un n
umero finito de iteraciones.
La prueba de que el algoritmo produce la solucion optima ya se ha proporcionado durante el

desarrollo de la secci
on.
304
Ejemplo 6.4
En la siguiente tabla se listan las actividades que forman un proyecto.
En la segunda columna de la tabla se indica la duracion de cada una de ellas (en semanas)
y en la tercera se enumeran las precedentes a la correspondiente en la primera columna. Determnese la duraci
on mnima del proyecto, las fechas mas proximas y mas lejanas para cada etapa y la
holgura de cada actividad.
Primeramente se construye la red PERT correspondiente. Esta se muestra en la figura 6.7. En el

primer cuadro se resume la aplicacion de la parte del algoritmo en donde se calculan las fechas m
as
pr
oximas y el segundo corresponde a las mas lejanas.
N
otese que en la iteraci
on 2 existan dos nodos con todos sus predecesores en S: i2 e i3. El orden
305
en que estos se consideraron fue arbitrario.

En este momento se tiene S = N por lo que se actualiza S = F, b(F) = a(F) = 20 y se procede al
c
alculo de las otras fechas.
306
En este momento se tiene S = N por lo que se procede al calculo de holguras.
La duraci
on mnima del proyecto es entonces a(F) = b(F) = 20 semanas. Existen dos rutas
crticas formadas por las actividades con holgura igual a cero; equivalentemente, hay dos trayectorias
positivas m
as largas, estas est
an marcadas en la figura 6.7 y son: 1, il , i3 , F (formada por las
actividades Al , A4 y A7 ) el , i3 , F (formada por las actividades A2 y A7 ); tambien se ha asociado a
cada nodo i la pareja [a(i), b(i)]. Observese que, para las etapas sobre la ruta crtica se cumple a(i)
= b(i). Las actividades j = (i, i) sobre la ruta crtica satisfacen por tanto a(i) = b(i) y a(i) = b(i).
Ejemplo 6.5.
La siguiente tabla muestra, en la primera columna, la lista de actividades de un proyecto

consistente en la elaboraci
on de una propuesta de una nueva licenciatura en una universidad; en
la segunda, se indica la duraci
on de cada una de ellas (en semanas) y en la tercera se enumeran
las precedentes a la correspondiente en la primera columna. Determnese la duracion mnima del
307
proyecto, las fechas m

as pr
oximas y mas lejanas para cada etapa y la holgura de cada actividad.
308
6.3. Algoritmo de soluci

on
Primeramente se construye la red PERT correspondiente.
Esta se muestra en la figura 6.8. En el primer cuadro se resume la aplicacion de la parte del
algoritmo en donde se calculan las fechas mas proximas y el segundo corresponde a las mas lejanas.
309
En este momento se tiene S = N por lo que se actualiza:
S = F, b(F) = a(F) = 124 y se procede al calculo de 18.3 otras fechas.
310

En este momento se tiene:
S = N, por lo que se procede al calculo de holguras.
La duraci
on mnima del proyecto es entonces a(F) = b(F) = 124 semanas. La ruta crtica corresponde a la formada por las actividades con holgura igual a cero, o equivalentemente a la trayectoria
positiva m
as larga (en este caso el arco ficticio forma parte de tal trayectoria). Esta
se encuentra
marcada en la figura 6.8; tambien se ha asociado a cada nodo i la pareja [a(i), b(i)]. Observese
que, para las etapas sobre la ruta crtica se cumple a(i) = b(i). Las actividades j = (i, i) sobre este
camino satisfacen por tanto a(i) = b(i) y a(i) = b( i). Sin embargo el inverso no es valido; esto es,
si una actividad es tal que sus etapas cumplen las dos igualdades anteriores no necesariamente es
crtica; este es el caso de A19 (las etapas inicial y final de A19 estan sobre la ruta crtica pero A19 no).
Por u
ltimo, n
otese que pudieran haberse evitado varios calculos en este caso particular. En efecto,
las etapas I, i1 , i2 , i3 , i4 e i14 , i16 y F estan contenidas en todas las trayectorias positivas de 1 a F;
en particular, est
an en la ruta crtica y por tanto b(i) = a(i) para estas y entonces no era necesario
calcular estos valores. Adem
as, la ruta crtica es la trayectoria positiva mas larga de I a F y por
311

tanto la holgura de las actividades sobre esta trayectoria es igual a cero; luego, tampoco era necesario
haber calculado estas cantidades.
312
6.4 Ejercicios
6.1. Considerar el siguiente problema de ordenamiento:
(a) Construir la red PERT.
(b) Determinar los calendarios de fechas mas proximas y mas lejanas.
(c) Determinar la duraci

on mnima del proyecto y la ruta crtica.
(d) Para cada uno de los siguientes casos (por separado) sera posible aumentar la duraci
on de
las actividades siguientes sin afectar la duracion del proyecto?
(i) d(A) = 7.
(ii) d( C) = 5.
(iii) d( G) = 3.
(iv) d(C) = 5 Y d(G) = 3.
(v) d(C) = 5 Y d(F) = 4.
6.2. Un alquimista va a elaborar su pocion para convertir un metal en oro. Usara un mortero de
agata, un crisol yagua de un lago recolectada a la luz de la luna, ademas de los siguientes
ingredientes:
(a) Una pirita arseniosa.

(b) Hierro.
313
(c) Plata.
(d) Plomo.
(e) Mercurio.
(f) Acido
tart
arico.
(g) Cobre.
Una vez reunidos todos estos ingredientes se procede del siguiente modo:
(i) El mortero de
agata debe remojarse en el agua del lago 3 meses antes de moler en el, agregandolos
de uno en uno, la pirita, el hierro y la plata durante 1, 2 y 3 meses respectivamente.
(ii) En el crisol se calientan 1 mes el plomo y el mercurio. Se agrega la mezcla del mortero
y se eleva gradualmente la temperatura durante 15 das.
(iii) Antes de meter en la composicion la plata, se disuelve con el acido tartarico y se deja
reposar durante 10 das. Esta operacion se realiza bajo una luz polarizada.
(iv) Paralelamente, se realizan los pasos anteriores usando cobre en vez de plata.
(v) Por u
ltimo, se mezclan las dos composiciones y se dejan reposar durante 5 meses.
En cuanto tiempo obtendr

a oro el alquimista?
Cu
ales son los pasos que definen este tiempo?
Cu
ando debe realizar cada paso?
6.3. Considerar el siguiente proyecto
(a) Formular la red PERT.
314

(b) Determinar la duraci
on optimista.
(c) Determinar la duraci
on realista.
(d) Determinar la duraci
on pesimista.
6.4. Considerar el proyecto:
Donde (o, r, p) son las duraciones optimista, real y pesimista de las actividades.
Contestar las preguntas a, b, c y d de 6.3.
315
6.5. Consid
erese el siguiente proyecto.
(i) Las actividades A, B y e pueden empezar simultaneamente.
(ii) D, E, F pueden empezar cuando A sea completada.
(iii) l y G empiezan cuando hayan terminado B y D.
(iv) H empieza cuando e y G sean terminadas.
(v) K y L empiezan despues de l.
(vi) J empieza despues de E y H.
(vii) M empieza despues de F, E y H.
(viii) N empieza despues de F y H.
(ix) O empieza despues de M e l.
(x) P empieza despues de J, L y O.
(xi) K, N y P son las u

ltimas actividades.
La duraci
on de las actividades es: A - 5, B - 5, E - lO, D - 12, E - 8, .
F - 2, G - 9, H - 7, I - 10, J - 13, K - 15, L - 1, M - 8, N - 11, 0 - 11, P - 5 (en semanas).
a) Formular la red PERT correspondiente utilizando el menor n

umero de arcos ficticios.
316
b) Determinar las fechas m

as proximas y mas lejanas para cada etapa y la duracion mnima del
proyecto.
c) Cu
ales son las actividades crticas?, cual es la ruta crtica?, cuanto valen las holguras de
las actividades?
6.6. Considerar el siguiente problema de ordenamiento:
a) Formular la red PERT.
b) Determinar la duraci
on mnima del proyecto.
c) Determinar: las actividades crticas, la ruta crtica y las holguras de las actividades.
317
Captulo 9
Problemas de redes
9.1.
ARBOL DE PESO MINIMO
Un
arbol es una gr
afica convexa y sin ciclos y un arbol generador en una grafica convexa es un
arbol que incluye a todos los vertices de la grafica.
Otro concepto del

arbol de peso mnimo nos dice que cada arista tiene asignado un peso proporcional entre ellos, lo cual es un n
umero representativo de alg
un objeto o distancia y se usa para
318
asignar un peso total al

arbol incluyendo la suma de todos los pesos de los aristas de dicho
arbol.
Ejemplo: Una compa
na de cable desea trazar cable a una nueva colonia, si se limita a trazar el
cable por ciertos caminos, entonces se generara una grafica que represente los puntos conectados
por dichos caminos. Algunos de estos caminos seran mas caros que otros por ser mas largos, dichos
caminos ser
an representados por las aristas de mayor peso.
9.1.1.
ALGORITMO DE DIJKSTRA
Este algoritmo tambien es conocido como el algoritmo de caminos mnimos y es utilizado para
la determinaci
on del camino m
as corto dado un vertice origen al resto de vertices en una grafica con
pesos en cada arista.
La idea de este algoritmo consiste en ir explotando todos los caminos mas cortos que parten del
vertice origen y que llevan a todos los demas vertices, una vez obtenido el camino mas corto desde
el vertice origen, al resto de vertices que componen las grafica, el algoritmo se detiene. El algoritmo
no funciona en gr
aficas con aristas con costos negativos.
9.1.2.
ALGORITMO KRUSKAL
Elegir una arista ei de tal forma que w (ei) sea lo mas peque
no posible, una vez elegidos las
aristas e1 , e2 , . . ., ei , hay que elegir el arista ei +1 de E-e1 , e2 , . . ., ei de tal manera que: a) G[(e1 ,
e2 , . . ., ei )] sea a cclica b) [ei +1] sea tan peque
no como sea posible Ejemplo: Se desea construir
una red ferroviaria que comunique a cierto n
umero de pueblos. Sea Cij el costo de construir la va
directa entre los pueblos i y j. Construir la red que minimice el costo total de la construccion.
319
9.1.3.
ALGORITMO DE PRIM
El objetivo de dicho algoritmo es determinar el arbol generador de peso mnimo en una gr

afica
G[V,A] convexa con V | V | vertices
a) Sea Vo cualquier vertice de la grafica G con Vo =(Vo ) y Ao =, hacer K=0
b) K=K+1
c) Sea Ck el cjto de aristas que tienen exactamente un extremo en Vk -1. Sea ak la arista de
peso mnimo de Ck y sea Vk el extremo de ak que no pertenece a Vk -1, hacer Vk =Vk -1 U (Vk ); Ak =
Ak -1U(ak ).
d) Si K-V-1 regresar al inciso b) Si K=V-1 terminar la grafica Gn -1=(Vn -1, Av -1) es

arbol
Generador de Peso Mnimo.
320
Ejemplo:
9.1.4.
TRANSPORTE
El modelo tiene por objetivo principal la obtencion de transportacion de las mercancas de

varias fuentes o varios destinos. La informacion que necesitamos para el modelo es:
* Relaci
on de la oferta-demanda con la relacion fuente-destino y saber el costo del transporte
por unidad de la mercanca por cada diferente ruta.
El objetivo principal del modelo de transporte es minimizar (reducir) el costo de este a traves de
distintas rutas, mandando la mercanca de cada (ruta) fuente a los diferentes destinos y observar cual
nos ahorra tiempo y dinero, y nos aumenta mercanca transportada, pensamos que el objetivo de
lograr esto es que el costo de nuestro transporte sea menor al costo de nuestra mercanca transportada
ya que el caso de tener lo contrario hablaramos de perdidas. El siguiente esquema nos muestra un
321

modelo de transporte con m fuentes y n destinos donde relacionaremos cada fuente con los diferentes
destinos.
322

i= fuente
j= destino
a= cantidad de oferta
b= demanda
c= costo
x= cantidad transportada
Las fuentes y destinos estar

an representados por los crculos que reciben el nombre de nodos.
Las lneas ser
an nuestras diferentes rutas para llegar a nuestros destinos y transportar la mercanca,
estos reciben el nombre de arcos. De tal modo que:
ai = La cantidad de la oferta en la fuente

323

bj = La demanda en el destino
cij = Costo del transporte por unidad con relacion entre fuente y destino
xij = Cantidad transportada de la fuente al destino
Y obtenemos que:
Minimizar el costo de transporte por la cantidad transportada.
s.a
Donde i=1,2,. . .m Los envos de una fuente no pueden ser mayores que su oferta
324

Xi j 0 i,j
Ejemplo: Una armadora de carros tiene plantas en los Angeles,

Detroit y Nueva Orleans y sus
principales centros de distribuci
on se encuentran en Denver y Miami, las plantas cuentan con una
capacidad trimestral de 1,000, 1,500 y 1,200 autos respectivamente y los centros de distribuci
on
tienen una demanda trimestral de 2,300 y 1,400 respectivamente, transportar un automovil por
tren cuesta 8 centavos por milla. A continuacion las distancias entre las plantas y los centros de
distribuci
on:
Si dichas distancias las multiplicamos por los 8 centavos y redondeamos obtenemos lo siguiente:
Que representa el Cij del modelo original. Como la oferta total es (1000+1500+1200=3700), y
la demanda total es (2300+1400=3700). Por lo tanto el modelo de transporte esta equilibrado.
Min Z=80X11 + 215X12 + 100X21 + 108X22 + 102X31 + 68X32 s.a
X11 X12 =1000
325
X21 X22 =1500

X31 X32 =1200
X11 X21 X31 =2300
X12 X22 X32 =1400
Xij i,j
Otra forma de representar el modelo de transporte es por medio de la tabla de transporte, la
cual es una matriz donde los renglones son las fuentes y las columnas los destinos, y los costos Cij
se resumen en la esquina derecha de la celda, por lo tanto el problema sera:
9.1.5.
ALGORITMO DE TRANSPORTE
Definici
on:
Sea T la tabla de un problema de transporte balanceado. Un ciclo C en T es un subconjunto de
celdas de T tal que cada rengl
on y cada columna de T contiene exactamente cero o dos celdas de C.
Ejemplo
C = C11 , C13 , C23 , C21 esuncicloenT
C = C11 , C12 , C22 , C23 , C31 , C31 esuncicloenT
326
9.1.6.
CORTA
RUTA MAS
El problema de la ruta m
as corta, como lo dice su nombre nos permite hallar la ruta mas corta
desde un origen hacia un destino por medio de una red que los conecta, teniendo una distancia no
negativa asociada con las ramas respectivas de la red.
Algoritmo para el problema de la ruta mas corta.

1. Hallar el n-esimo nodo que se encuentra mas cercano al origen, esto es repetido para n=1,2,. . .,
hasta llegar al destino.
2. Los nodos (n-1) que se encuentran cerca del origen, incluyendo su ruta mas corta y su
distancia al origen, a los cuales llamaremos nodos resueltos y los otros seran no resueltos.
3. Cada nodo resuelto que se encuentre conectado directamente por una rama a uno o m
as
nodos no resueltos nos arroja un candidato para el n-esimo nodo mas cercano.
327
4. A cada nodo resuelto y su candidato, hay que sumar la distancia entre ellos y la distancia de la ruta m
as corta desde su origen a este nodo resuelto, el candidato sera el que tenga la
distancia total m
as corta y ser
a el n-esimo nodo mas cercano y su ruta mas corta sera la que genere
est
a distancia.
Ejemplo:
En un parque de diversiones se necesita encontrar la ruta mas corta de la entrada al parque

(nodo 0) al paisaje (nodo T), a traves de su sistema de caminos el cual es el siguiente:
Con la tabla anterior podemos recorrer hacia atras la ruta mas corta, del destino al origen y seria
T D E B A O,
o T D B A O, por lo tanto ya tenemos identificados las dos alternativas para la ruta
m
as corta, con una distancia total de 13 en cualquiera de las dos.
328
9.1.7.
FLUJO MAXIMO
El problema de flujo m
aximo en redes lo podemos definir de la siguiente manera:
Se considera enlazar un nodo fuente y un nodo destino por medio de arcos con capacidad finita,
en este caso la red ser
a unidireccional y en el sentido que el flujo empieza en el nodo fuente y sale en
el nodo destino. Dependiendo el tipo de problema el arco (i,j) puede tener 2 capacidades distintas,
dependiendo si va de i a j o de j a i.
Ejemplo:
El arco (3,4) tiene capacidad en ambas direcciones. Si nos situamos en el nodo 1, podemos
escoger los nodos 2,3, y 4, el nodo se va seleccionar en el principio heurstico y se va a elegir el arco
329
de capacidad m
axima de flujo hacia el nodo 1, en este caso se elige el nodo 3 y lo etiquetamos con
[30, 1] lo cual representa la capacidad de flujo (=30) del arco recien conectado y que proviene del
nodo 1.
Del nodo 3 podemos conectar el nodo 4 o 5, y elegimos el nodo 5 y lo etiquetamos con

[20,3]. Con lo cual tenemos la siguiente trayectoria: 1-3-5
Ya que 5 es un nodo destino, el flujo maximo se termina a partir de las etiquetas:
C = min ,30 ,20 = 20
En el dibujo no existen trayectorias ya que todas las capacidades de flujo son cero.
Otra definici
on del problema de flujo maximo, consideramos una red convexa, la cual solo tendr
a una
sola fuente y un solo destino, vamos a suponer que cuenta con conservacion de flujo, en cada uno de
los nodos que sean la fuente y el destino, el flujo en la rama (i,j) del nodo i al nodo j es cualquier
cantidad no negativa y no mayor que la capacidad de flujo cij . Algoritmo para el problema de Flujo
M
aximo.
1. Hallar una trayectoria de la fuente al destino con capacidad de flujo positivo.
2. Examinar esta trayectoria para hallar la rama con la menor capacidad de flujo restante,
330
dicha capacidad se denotara como c*, y se incrementara en c* el flujo en esta trayectoria.
3. Disminuir c* la capacidad de flujo restante de cada rama en la trayectoria. Incrementar

en c* la capacidad de flujo restante en la direccion opuesta, para cada rama en la trayectoria.
Para explicarlo de una mejor manera tenemos el siguiente ejemplo:
Ya no quedan trayectorias con capacidad de flujo positivas, por lo tanto es optimo.
Este problema de programaci

on lineal, tiene metodos mas eficientes que el metodo simplex. Gracias
a Edmons y Karp que en 1969 modificaron el algoritmo de flujo maximo, de Ford y Fulkerson (1956)
la red puede tener capacidades m
aximas en sus arcos, que no necesariamente fueran n
umeros enteros.
9.1.8.
TEOREMA DE FLUJO MAXIMO

CON EL CORTE MINIMO
En cualquier red, el flujo m

aximo que fluye de la fuente al destino, es igual a la capacidad del
corte mnimo que separa a la fuente del destino. Este corte mnimo de separacion puede no ser u
nico.
331
9.1.9.
TSP SIMETRICO
Mejor conocido como el problema del agente viajero, y consiste en lo siguiente:

Tenemos una lista de ciudades y un agente viajero, el cual iniciara su recorrido desde una ciudad
arbitraria y debe visitar todas y cada una de las ciudades en la lista, una sola vez y volver a la
ciudad de origen.
El objetivo de dicho problema es encontrar el camino tal que el costo del viaje sea el mnimo posible.
Para que sea un TPS simetrico todas las ciudades tienen camino a las demas ciudades. Suponiendo
que tenemos N ciudades el n
umero de permutaciones posibles es de n! pero no importa el orden ya
que el recorrido es cclico y al ser un TPS simetrico cada solucion se puede representar de 2n formas
diferentes con lo cual tenemos:
Una soluci
on al problema del agente viajero, se puede representar como la secuencia n+1
ciudades.
Sea G=(V,E) donde V=1,. . .,n E=(i,j):i,jV Cij el costo asociado al arco (i,j).
332
El prob. Del agente viajero se puede formular:
9.1.10.
DE NODOS
COLORACION
La coloraci
on de una gr
afica es la asignacion de color a cada vertice de la grafica, de tal modo
que a cada vertice adyacente le corresponda distinto color.
Esto nos lleva a otro concepto llamado el n

umero cromatico el cual es el mnimo de colores
necesarios para colorear una gr
afica. Para la coloracion de vertices tenemos la siguiente definici
on:
Dada una gr
afica G=(V,A), se llama vertice coloracion de G a toda funcion c:VN, que
verifique c(u)6=c(v) si u,vA, c(u)=1, c(u)=2,. . .c(v)|=kcoloresk-vert-col
Para calcular el n
umero crom
atico: a) Se ordenan los vertices de la grafica (A,B,C,D,E,F,G,H)
b) Asignamos el primer color no asignado al primer vertice en forma ordenada y as sucesivamente.
Para calcular el n
umero crom
atico: a) Se ordenan los vertices de la grafica (A,B,C,D,E,F,G,H).
b) Asignamos el primer color no asignado al primer vertice en forma ordenada y as sucesi333
vamente.
Para la coloraci
on de aristas tenemos la siguiente definicion: Dada una grafica G=(V,A), se
llama arista coloraci
on de G a toda funcion ca:AN, que verifique ca(a)6=ca(a) si a, aA tienen
alg
un vertice en com
un Ca (a)=1, ca (a)=2,. . .. colores|ca(A)|= k k-arista-colo.
Se le dice ndice crom

atico de G(X(G)) al menor n
umero entero k, de forma que existe una
arista-coloraci
on de G con k colores.
Para calcular el ndice crom

atico:
334
a) Ordenar las aristas de la gr

afica (a,b,c,d,e,f,g,h).
b) En el arista a y de forma ordenada asignar el primer color no asignado a las aristas anteriores incidentes con ella.
9.1.11.
PLANARIDAD
En teora de gr
aficas, la planaridad puede ser un grafico dibujado sin que ninguna arista se
intercepte. Ejemplos:
Otro concepto de planaridad nos dice que se puede ver como una coleccion de puntos y lneas
que se unen entre si y dicho de otro modo una grafica G que contiene un par de conjuntos en este
caso V(G) y E(G), donde V(G) es un cjto finito no vaco de elementos llamados vertices y E(G) es
un cjto finito de pares no ordenados de elementos llamados lneas o aristas.
La planaridad de una gr
afica esta relacionada con el n
umero de aristas que tiene, entre menos aristas tenga es m
as probable que sea plana.
Por el contrario si tiene mucha arista hay mas posibilidades de que no sea plana. Esto nos
permite calcular el n
umero m
aximo de aristas que puede tener una grafica plana.
Corolario 1
335
Si G es una gr
afica plana con P vertices y q aristas y r regiones, ent. p-q+r=1+k(G) donde k(G) es
el n
umero de componentes conexos de G
Corolario 2
Si G es una gr
afica plana maximal con p=3 entonces q=3 p-6
Corolario 3
Si G es una gr
afica con p vertices y q aristas entonces q=3 p-6
Corolario 4
Cualquier gr
afica plana contiene un vertice de grado a lo mas 5.
Teorema:
Sea G es una gr
afica convexa plana con p vertices y q aristas y r caras o regiones y con p=3
entonces p-q+r=2
9.1.12.
PROBLEMA DE ASIGNACION
El problema de asignaci
on, es el problema de transporte con m=n en el que si =dj =1
Asignar trabajadores a m
aquinas itrabajadores (1,. . .,n) jmaquinas (1,. . .,n)
C[ij= es el costo de asignar el trabajador i a la maquina j. Definicion: Sea T la tabla de un
problema de asignaci
on balanceado.
MAQUINAS
Un conjunto de permutaci
on de ceros, z, es un subconjunto de caldas de t tal que cada rengl
on
y cada columna de t contiene exactamente una celda cero
336
337
Ejemplo:
9.1.13.
ACOPLAMIENTO
Entendemos por acoplamiento la relacion de algo, podramos decir que es la accion de formar
parejas, suponiendo que tenemos elementos finitos para formar cierto n
umero de parejas. Si a cada
elemento le asignamos un vertice, por cada vertice que formemos, haremos una pareja (dado que
los dos elementos est
an unidos por una arista).
El objetivo es encontrar subconjuntos de aristas que cumplan con criterios de optimizaci

on.
Claude Berge demostr
o que un acoplamiento es maximo si y solo si no hay trayectoria aumentante.
Un acoplamiento es un subconjunto de N arista donde no existen 2 aristas que tengan un

vertice en com
un. Si tenemos una grafica G con una cantidad finita de vertices y aristas, para
determinar el acoplamiento de mayor cordinalidad, n
umero de aristas, tambien se les conoce a estos
problemas con el nombre de acoplamiento sin peso o acoplamiento maximo.
Existen los problemas de acoplamiento con peso, este tipo de problemas tenemos una gr
afica
G en la cual cada una de las aristas tendra asociada un peso que puede ser positivo, cero o negativo.
Se busca hallar un acoplamiento en el cual la suma de los pesos de sus aristas sea maxima,
este tipo de problemas son generalizaciones de los problemas de cordinalidad maxima. Sea Cij el
peso de la arista (i,j) y xij la variable de decision donde:
338

Por lo tanto:
9.1.14.
FLUJO CON COSTO MNIMO
El problema de flujo con costo mnimo nos dice que una red compuesta por n nodos, a los que
se asocia un valor ki el cual indica el valor o nivel ofertado o demandado por el nodo i (origen).
Si ki > 0, existe una oferta en el nodo i (origen)

Si ki < 0, existe una demanda en el nodo i (destino)
Si ki =0, el nodo i se determina intermedio
A cada arco (i,j) se le asocia una variable xij 0 el cual representa el flujo que circula por
339
el y un costo unitario de transporte Cij , dicho flujo esta limitado por un lmite inferior lij y un
lmite superior Uij .
Y por u
ltimo todos los nodos tienen que cumplir las leyes de conservacion de Kirchhoff.
340
La formulaci
on matem
atica queda as:
Ejemplo:
341

Min 2X12 + 3X13 + X14 + 2X23 + 6X35 + X45 2X52
s.a
2X12 +3X13 +X14 =1
-X12 +X23 -X52 =-4
-X13 -X23 +X34 +X35 =0
-X14 -X34 +X45 =-3
-X35 -X45 +X52 +X52 =6
0 Xij
El problema lo podemos reescribir, en forma matricial:
Min cx
s.a Ax = k
l x u
Matriz de incidencia A=[aij ],[aij ]=ei - ej y ei es el vector unitario i-esimo.
9.1.15.
METODO COSTO MNIMO
a) Se comienza por asignarle tanto como sea posible a la casilla, con el costo mas bajo por unidad.
b) Se tacha el regl
on o la columna satisfecha y se ajusta la cantidad de la oferta y la demanda conforme a ello. Si tanto el reglon como una columna se satisfacen simultaneamente, solo se
tacha uno de ellos.
342
c) Enseguida se ajusta la oferta y la demanda de todos los renglones y columnas no tachadas con el costo m
as bajo por unidad y no refleja el proceso hasta que al final quede exactamente
un regl
on o una columna no tachados.
9.1.16.
CONEXIDAD EN REDES
Una red conexa es una red en la que cada par de nodos esta conectado, y se dice que dos nodos
est
an o se encuentran conectados si la red contiene al menos una trayectoria no dirigida entre ellos.
Otro ejemplo de red conexa, es la red del metro la cual se encuentra conectada por medio de
nodos, hacia un punto. Se dice que una grafica G=(N,A) es conexa si para cada par de nodos i,jN
existe un camino que conecte el nodo i con el nodo j.
343
9.1.17.
ANALISIS
DE REDES
Decimos que una gr

afica G sera una estructura definida por un conjunto de vertices, tendremos
que V debe ser diferente al vaco y un conjunto de arcos (aristas) A, y una funcion y que asociar
aa
cada elemento de A un par de elementos de V, estos vertices seran los extremos de A.
Llamamos cadena que forma un ciclo, cuando el vertice inicial coincida con su vertice final.
C3 =(1,3),(3,4),(4,5),(5,2),(2,1) Este es un ejemplo de ciclo en G Entendemos por grafica conexa cuando para cada par de vertices existe una cadena que los une.
344
V(G)=1,2,3,4,5,6,7
Un
arbol es una gr
afica conexa y sin ciclos
Un
arbol generador en una grafica conexa es un arbol que incluye a todos los vertices de la
gr
afica.
345
Para desarrollar el algoritmo de Prim consideremos el siguiente problema:

Tenemos un estado con siete ciudades, el objetivo es construir una red de caminos que permita
conectarlas entre s. A continuaci
on tenemos los costos de conectar a cada par de ciudades entre s.
Dise
namos la red de caminos de manera de minimizar los costos de conectar a las ciudades
COSTOS AB $3
BC $1
CD $1
CF $3
FE $1
346

EG $4
$COSTO
Esto nos indica que al resolver el algoritmo de Prim; el costo mnimo para conectar a las ciudades
es de $13
9.1.18.
RUTA CRITICA
Una maestra debe realizar las tareas que se muestran en la siguiente tabla antes de realizar un
recital (duraci
on en das)
1. Dibujamos la red
347

2. Determinar Ruta Crtica
E(TIJ)=(a+4m+b)/6 Var(Tij )=(b a)2 /36
E(T12 )=(2+12+4)/6=3
E(T23 )=(2+24+10)/6=6
E(T38 )=(3+20+7)/6=5
Var(T12 )=(4 2)2 /36=1/9

Var(T23 )=(10 2)2 /36=16/9
Var(T32 )=(7 2)2 /36=4/9
RUTA CRITICA A-C-G La duracion es de 14 das

3. Si la maestra quiere tener una probabilidad del 99 % de terminar la preparacion para el 30 de
348

junio, cuando deber
a comenzar.
E(CP)=3+6+5=14
Var(CP)=1/9+16/9+4/9=7/3
P(CPX)=0.99
P[Z((X-14)/(1.527))] | [((X-14)/1.527)] = 2.33
P(Z2.33)=0.99 X=17.5 das
Establecer el PL que se podra utilizar para obtener la ruta crtica del proyecto
Min z=X8 - X1
S.a
X2 X1 + 3 X6 X5 + 1,5
X3 X2 + 6 X8 X6 + 2
X4 X2 + 2 X8 X7
X5 X4 + 3 X8 X2 + 3
X5 X3 + 1 X8 X3 +5
X1 sin restriccion
REDES: Determinar la ruta crtica
T IPj = m
axT IPi +Dij
T T Ti = minT T Tj -Dij
349
La duracion es de 35 das.
Para la red anterior, determinar los diferentes programas de costo mnimo entre los puntos a
duraci
on normal y mnima.
La red y los costos normales del proyecto
Tiempo m
as pr
oximo de un evento
Tiempo m
as lejano de un evento
Tabla de holguras
La ruta crtica seria:
Duraci
on: 25 24 23 21 18 17 14
Costo 1150 1157 1170 1201 1276 1303 1403
350
351
352
353

Notas Investigacion de Operaciones.

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Notas Investigacion de Operaciones.

Încărcat de

Drepturi de autor:

Formate disponibile

Indice general

1.1. Concepto de la investigacion operaciones . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.1.3. Metodo cientfico . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.1.4. Grupo interdisciplinario . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.1.5. Toma de decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2. Tecnicas que integran a la investigacion operaciones . . . . . . . . . . . . . . . . . .

1.3. Historia de la INVO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4. Perspectivas de la Investigacion de operaciones . . . . . . . . . . . . . . . . . . . . .

2.1. Modelos usados por la programacion matematica . . . . . . . . . . . . . . . . . . . .

2.2. El proceso de construcci

2.2.1. Reconocer el problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.2. Definir el problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.3. Construir el modelo matematico . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.4. Solucionar el modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.5. Validar el modelo y la solucion obtenida . . . . . . . . . . . . . . . . . . . . .

2.2.6. Control de la solucion o analisis de sensibilidad . . . . . . . . . . . . . . . . .

2.2.9. Paso 0: Entendimiento del enunciado (modelo descriptivo del problema). . . .

2.2.10. Paso 1: Definici

2.3. Paso 2: Determinaci

2.3.4. Restricciones de no negatividad. . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.5. Paso 3: Determinacion de una medida de desempe

2.3.6. Paso 4: Estructuracion o sntesis del modelo. . . . . . . . . . . . . . . . . . .

2.3.7. Ejemplos del procedimiento para modelar un problema. . . . . . . . . . . . .

2.3.8. Problema 1. Control de contaminantes. (Haeussler E. F., 1997) . . . . . . . .

2.3.9.1. Paso 0: Entender el enunciado. . . . . . . . . . . . . . . . . . . . . .

2.3.9.2. Paso 1: Determinacion de variables. . . . . . . . . . . . . . . . . . .

2.3.9.4. Paso 3: Determinacion de la funcion objetivo. . . . . . . . . . . . . .

2.3.10. Problema 2. Dise

2.3.10.1. Formulacion del modelo. . . . . . . . . . . . . . . . . . . . . . . . .

2.3.10.2. Paso 0: Entender el enunciado. . . . . . . . . . . . . . . . . . . . . .

2.3.10.3. Paso 1: Determinacion de variables de decision. . . . . . . . . . . . .

2.3.10.4. Paso 2: Determinar las restricciones del problema. . . . . . . . . . .

2.3.11. Problema 3. Ensamble de automoviles. (J., 2001) . . . . . . . . . . . . . . . .

2.3.11.1. Formulacion del modelo. . . . . . . . . . . . . . . . . . . . . . . . .

2.3.11.2. Paso 0: Entender el enunciado. . . . . . . . . . . . . . . . . . . . . .

2.3.11.3. Paso 1: Determinacion de las variables de decision. . . . . . . . . . .

2.3.11.6. Paso 4: Estructuracion o sntesis del modelo. . . . . . . . . . . . . .

2.3.12. 3. Otras clases de problemas . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.12.1. Problema de produccion . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.13. Problema de Seleccion de Portafolios

2.3.14. Problema de cubrimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.15. Problema de transporte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.16. Problema de asignacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.17. Problema de Flujo Maximo . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.18. Problema de planeacion de la produccion . . . . . . . . . . . . . . . . . . . .

2.3.19. Problema de Mercadotecnia

3.1. Algebra Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1.2. Operaciones con vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1.4.1. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1.4.2. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2. Conjuntos Convexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.0.3. Optimo local y global . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.0.6. Conceptos basicos . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.1. Problema de dieta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.2. Problema 1. Problema de dieta (fertilizantes en un cultivo) . . . . . . . . . .

3.3.3. Paso 3. Formulaci

3.3.4. Paso 4. Sintetizar el modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.5. Problema 2. Problema de dieta (dieta humana).

3.3.6. Problema de mezclas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.7. Problema 3. Problemas de mezcla (mezclas qumicas) . . . . . . . . . . . . .

3.3.8. Problema 4. Problema de mezclas (Composicion de pinturas) . . . . . . . . .

3.4. Problema de Inversi