Inves 140905193257 Phpapp01

FACULTAD DE INGENIERAS Y ARQUITECTURAS
Escuela Profesional de Ingeniera Industrial
Investigacin de Operaciones I
Lic. Hctor F. Cerna Maguia
Ciclo V
DireccinUniversitariadeEducacinaDistancia

Universidad Alas Peruanas
Direccin Universitaria de Educacin a Distancia (DUED)
Calle Los Lirios 144, San Isidro. LimaPer
Telf. (511) 4221808
http://dued.uap.edu.pe
dued@uap.edu.pe

Impreso en los talleres grficos de la Universidad Alas Peruanas
Av. San Felipe 1109, Jess Mara. LimaPer
Telf. (511) 2660195

Derechos reservados. No est permitida la reproduccin total o parcial de la obra por
cualquier medio o procedimiento, comprendidos la reprografa, el tratamiento informtico
y electrnico sin la autorizacin de la Universidad Alas Peruanas.

2010
Gua didctica
ndice
1. Presentacin de la Gua didctica

2. Presentacin del docente-tutor
3. Introduccin a la asignatura
4. Objetivos
5. Requisitos
6. Medios
7. Contenidos
8. Fuentes de informacin
9. Actividad acadmica
10. Evaluacin
11. Orientaciones para el estudio de la asignatura
12. Orientaciones para las tutoras
1. Presentacin de la Gua didctica
Estimado participante:
Lo saludamos nuevamente al dar inicio a la asignatura de Investigacin de

Operaciones I y esperamos que haya cumplido los objetivos del cuarto ciclo de
estudios en la modalidad de educacin a distancia.
Propsito
El propsito de esta Gua didctica es apoyar el desarrollo de la asignatura y
brindarle las orientaciones necesarias para facilitar su aprendizaje. Por ello es
importante su permanente lectura y comprensin.
Utilidad
Es importante que tenga en consideracin las precisiones detalladas en esta
gua, ya que le permitirn:
Obtener respuesta a muchas de las interrogantes que usted probablemente se

har en su proceso de aprendizaje.
Conocer, con anticipacin, muchos de los tpicos que se tratarn en la

asignatura y obtener el mximo provecho de las sesiones con el tutor y/o
docente asignado.
Partes
Introduccin general al curso
Presentacin del docente-tutor
Introduccin a la asignatura
Objetivos
Requisitos
Medios didcticos
Gua didctica
Contenidos del curso
Fuentes de informacin
Actividad acadmica
Evaluacin
Orientaciones para el estudio de la asignatura
Orientaciones para las tutoras
Recomendaciones
Lea detenidamente este documento y utilcelo en todo su proceso de estudio,

consultndolo cada vez que sea necesario.
En el caso de buscar un tpico especfico, no dude en ver el ndice que se

encuentra en la parte inicial de esta gua, el mismo que le facilitar la rpida
ubicacin del tema o aspecto que requiera consultar.
Recuerde que cuenta con el apoyo de sus profesores en general, y docente o

tutor en particular, para alcanzar los objetivos planteados para este curso y
lograr la aprobacin del mismo.
2. Presentacin del docente
La Universidad Alas Peruanas se complace en presentar al licenciado Hctor

Flix Cerna Maguia, quien ha elaborado el presente material didctico y estar a
cargo del curso de Investigacin de Operaciones I.
El docente-tutor es la persona con la cual estar en constante comunicacin a

fin de facilitarle su proceso de aprendizaje, de acuerdo a las caractersticas de esta
modalidad educativa.
Se indica el correo electrnico mediante el cual podr comunicarse con el

docente que tendr a su cargo la asignatura de Investigacin de Operaciones I, as
como los principales datos de su hoja de vida para que tenga informacin de su
experiencia e inquietudes profesionales.
Permtanos presentarle al docente-tutor de la asignatura:

Hctor Flix Cerna Maguia es docente de esta universidad en la Facultad de
Ingenieras y Arquitectura.
Docente en la Universidad Nacional Federico Villarreal en la Facultad de

Ciencias Naturales y Matemtica (1997-2007).
Docente permanente en la Universidad Nacional Mayor de San Marcos en la

Facultad de Ciencias Contables (1998 a la fecha).
Docente en Diplomado de Especializacin en Eficiencia en la Enseanza de

comunicacin y Lgico matemtica. Centro de Altos Estudios PedaggicosUniversidad Nacional Federico Villarreal.
Presidente del Captulo de Investigacin Operativa del Colegio de Matemticos

del Per (2008-2010).
Licenciado en Investigacin Operativa (Universidad Nacional Mayor de San

Marcos).
Diplomado en Docencia Universitaria (Universidad Alas Peruanas).
Experiencia en Elaboracin de Modelos Cuantitativos.
Gua didctica
Estudios concluidos en la Maestra en Docencia Universitaria y Gestin

Educativa en la Universidad Alas Peruanas.
Sus reas de inters son la investigacin cientfica aplicada a los Modelos

Matemticos para resolver problemas del mundo real, como soporte en la toma
de decisiones.
El docente siempre estar dispuesto a resolver las interrogantes que usted

tenga respecto al curso. No dude en escribirle, pues siempre responder rpidamente
sus mensajes.
3. Introduccin a la asignatura
A travs de estas lneas, queremos expresarles nuestras felicitaciones por

haber culminado con xito el curso de Inferencia Estadstica. Asimismo le damos la
bienvenida a la asignatura de Investigacin de Operaciones I (IO).
Cul es su finalidad?
La finalidad de esta asignatura es lograr que usted se familiarice con los
modelos cuantitativos y, en particular, centrar su atencin en la programacin lineal
que es una tcnica de modelo matemtico, cuya finalidad principal es optimizar el uso
de los recursos limitados. Las aplicaciones de IO se iniciaron con mucho xito en el
campo militar, la agricultura, la industria, la economa, los sistemas de salud, control
de la contaminacin ambiental, distribucin de materia prima e inclusive en los
sistemas organizacionales. En estos tiempos, el aumento de las capacidades
computacionales y la disponibilidad de programas permite que ms empresas tengan
acceso a las ventajas de los modelos de programacin lineal. La idea es lograr que
usted entienda lo que es un modelo matemtico, desarrolle habilidades para modelar y
resolver el mismo.
Qu caractersticas tiene?
Se trata de un curso terico-prctico, con mayor incidencia en la parte prctica,
por lo cual se recomienda la constante revisin y desarrollo de los ejercicios, tanto de
los realizados con el docente-tutor como de los propuestos.
10
Gua didctica
Datos informativos
Asignatura
Ciclo acadmico
Crditos
Naturaleza
Obligatoria
Requisito
Inferencia Estadstica
Docente-tutor
Lic. Hctor Flix Cerna Maguia
Cunto tiempo debe dedicar al estudio de este curso?

En la modalidad de educacin a distancia se le recomienda que dedique un
tiempo mnimo de 10 horas semanales, debido a que la asignatura ser desarrollada
en 8 semanas.
Para facilitar la organizacin de su tiempo en el desarrollo de contenidos, se

indica, a manera de sugerencia, las semanas en las que debe usted debera estudiar
los contenidos y desarrollar los ejercicios propuestos.
Cmo estn organizados los contenidos de este curso?

Se han organizado en cuatro unidades didcticas:
Unidad I: Introduccin a la investigacin de operaciones y fundamentos de

programacin lineal. Su finalidad es lograr que usted conozca la importancia de
la Investigacin Operativa en la toma de decisiones y la formulacin de
modelos lineales a gestin de operaciones de produccin, mezcla, distribucin
entre otras, La solucin de algunos modelos con dos variables de decisin
utilizando el mtodo grfico.
11
Unidad II: Representacin matemtica del modelo lineal y el mtodo simplex.

Su finalidad es la representacin matemtica y su solucin para ms de tres
variables de decisin utilizando el algoritmo simplex, utilizando este mismo
algoritmo resolveremos problemas con la teora de la dualidad y su posterior
anlisis de sensibilidad.
Unidad III: Aplicaciones Especiales de la programacin lineal. Su finalidad es

resolver problemas de transporte y asignacin utilizando nuevos algoritmos de
solucin dado que es mucho ms sencillo su desarrollo con estos algoritmos
que por el mtodo simplex.
Unidad IV: Tpicos avanzados en programacin lineal-programacin lineal

entera. La idea es mostrar modelos que tienen mltiples objetivos y convertir
los objetivos mltiples originales en una sola meta. En la parte de
programacin lineal entera es mostrar algunos problemas lineales cuyas
variables de decisin estn restringidas a valores enteros y su posterior
solucin.
12
Gua didctica
Qu materiales necesita para estudiar?

Aparte de la gua y las unidades didcticas que le sern proporcionadas por la
universidad, se recomienda (no es obligatorio) tener:
La bibliografa bsica indicada en este documento.
Importancia de la asignatura
La Investigacin de Operaciones I dentro de la teora de optimizacin es una
rama de la matemtica aplicada. Como tcnica de optimizacin se convierte en
herramienta fundamental para resolver problemas cuantitativos en diversas reas de
las ciencias tales como la biologa, la economa, la medicina, la ingeniera, entre otras.
La IO como ciencia de la administracin permitir al ingeniero industrial maximizar o
minimizar alguna funcin objetivo, optimizando recursos limitados. Como podemos ver,
la IO resulta muy valiosa pues permite al ingeniero asesorar mejor a la gerencia en la
toma de decisiones frente a problemas complejos de la administracin.
13
4. Objetivos
A continuacin le mostramos los objetivos generales y especficos del presente
curso, al mismo tiempo visualizar la semana en que debemos trabajar el logro de
cada objetivo.
Objetivo general
Introducir al alumno en los principios, tcnicas y filosofa de la investigacin de
operaciones (IO).
Como primer curso se concentra en los modelos lineales y las tcnicas de

solucin para ellos. Se enfatizar el modelamiento presentndose adems la teora
bsica y los algoritmos que permitirn entender los procedimientos y soluciones con
programas computacionales que se propondrn para el uso de los alumnos. Se
incidir en la interpretacin aplicada de los resultados obtenidos.
Unidad didctica
Objetivos
Semana de
estudio
Aprende la importancia de la definicin y formulacin

de un modelo de programacin lineal, esto es,
abstraer un problema real en trminos matemticos
1.-2.
II
Comprende la importancia de la representacin

matemtica del modelo lineal y el uso del algoritmo
simplex en la solucin de problemas de programacin
lineal con ms de dos variables de decisin
3.-4.
III
Reconoce y comprende la importancia de nuevos

algoritmos para la solucin de casos especiales de la
programacin lineal,
5.-6.
IV
Comprende la importancia de aplicar nuevos tpicos

avanzados en programacin lineal, tales como
programacin por objetivos y programacin lineal
entera.
7.-8.
14
Gua didctica
5. Requisitos
En esta seccin se detallan los requisitos mnimos que usted debe cumplir para
poder cursar la asignatura de Investigacin de Operaciones I.
Con relacin al plan de estudios

Haber aprobado la asignatura de Inferencia Estadstica.
Respecto al aspecto acadmico
Conceptos bsicos y operaciones sobre matrices
Planteamiento de ecuaciones e inecuaciones
Desigualdades lineales con dos variables
Solucin de desigualdades
Clculo de probabilidades e inferencia estadstica
Estructuras discretas-teora de grafos
15
6. Medios didcticos
Pasaremos a especificar aquellos medios que utilizaremos en el desarrollo de
la asignatura:
Impresos
La Gua didctica
Es el documento orientador del curso, su lectura y comprensin es obligatoria
porque en ella se sealan todos los criterios a tener en cuenta durante el
desarrollo de la presente asignatura. No olvide leerla con detenimiento.
Las unidades didcticas

Son los contenidos del curso exigidos por el Plan de Estudios. Su lectura
comprensiva es obligatoria para lograr los objetivos de la asignatura y como
consecuencia de ello el xito acadmico. Las unidades didcticas las
encuentra en el presente documento.
Campus virtual
Es el espacio disponible en Internet, que se utiliza como medio de transmisin
de informacin de la presente asignatura. Su acceso es muy importante durante cada
semana de estudio. Usted va a ingresar con un usuario y clave que le sern
entregados en el momento de su matrcula, en la Coordinacin de su Unidad
Descentralizada.
Ruta Web del Campus Virtual: http://dued.up.edu.pe
16
Gua didctica
En el Campus Virtual encontrar las aulas virtuales (una por cada curso en que
se haya matriculado). En cada aula virtual usted visualizar:
Orientaciones generales
En esta opcin descargar un archivo con informacin importante que lo ayudar
en el desempeo del curso.
Cronograma del curso

Aqu tiene el cronograma de evaluaciones (Examen Parcial, Final, Sustitutorio y
Trabajo Individual), y el horario del curso.
Foro de debate
A travs de esta seccin se realizarn los debates acadmicos definidos para el
curso: el docente plantear temas a ser discutidos, con la finalidad de profundizar
o aclarar temas de la asignatura. Usted puede participar del foro cuando lo
desee, tambin planteando sus dudas o comentando sobre lo aprendido.
Para acceder al foro deber ingresar al curso desde el

Campus virtual y lo encontrar como Foro de Debate
17
Sala de conferencias
En este apartado docente y alumno interactan en lnea. Es el espacio en el aula
virtual en el que usted encontrar al tutor para recibir su asesoramiento, para
intercambiar opiniones, preguntas y respuestas acerca del curso. Los horarios de
tutora estn especificados en esta seccin. Tenga en cuenta que a esta sala
ingresan todos los participantes. Recuerde adems que:
1. Para utilizar adecuadamente esta Sala debe tener conectados audfonos o
parlantes.
2. Instalar con anticipacin el programa de la Sala de Conferencia.
3. Ingresar a la sala identificndote con su nombre completo (Nombre y
Apellido)
Adems se recomienda
1.
Utilizar micrfono para poder hablar con el tutor o expositor.
2.
Prestar atencin a las instrucciones durante la charla para mantener el

orden dentro de la Sala.
3.
Leer el manual de uso de la Sala.
Para poder acceder a la sala de conferencias deber ingresar al

curso desde el Campus virtual y la encontrar como:
Sala de Conferencias. Recuerde que debe tener preparados sus audfonos o
parlantes y micrfono.
El procedimiento de acceso y adecuada comunicacin a travs

de la Sala de conferencias se encuentra detallado en el apartado 12
de la presente Gua didctica titulado Orientaciones para las tutoras.
18
Gua didctica
Compaeros de curso
Este cono muestra la lista de alumnos matriculados en el curso, sus fotos y
correos, para que usted pueda relacionarse con ellos y realizar tambin trabajos
grupales.
Envo de exmenes
Se emplea para enviar las evaluaciones escritas, en los plazos establecidos.
Envo de trabajos finales

Permite enviar el Trabajo final al docente del curso.
Visualizar trabajos enviados

A travs de esta opcin puede asegurarse de que su trabajo fue correctamente
enviado.
Visualizar notas
Con este enlace puede ir viendo las calificaciones del curso.
Finalmente en:
Material del curso

En esta opcin encontrar la presentacin del docente, ayudas y enlaces
interesantes que le enve el docente. Al ingresar usted ver esta imagen en la
parte superior:
MATERIAL DEL CURSO CICLO 200X-XX
Curso: 0201-02XXX XXXXXXX
Docente: XXXXXXXXXXXXXX
ESTRUCTURA DEL CURSO
19
Estructura del curso

Al elegir esta opcin usted podr acceder a pantalla siguiente:
Curso : XXXXXXXXXXXXX
0201-02XXX XXXXXXXXXXXX
Docente: XXXXXXXXXXXXXXXXXXXXX
Slabo del curso

Gua del curso
Unidades didcticas
Estos documentos (slabo, gua del curso y unidades didcticas) estarn a su

disposicin en la pantalla para que pueda revisarlos e informarse y estudiar,
desde el momento en que se matricule (pago en el banco y registro en su
Unidad Descentralizada). De esta forma, incluso si usted viaja, podr seguir
estudiando sin necesidad de trasladarse llevando los libros.
En esta seccin usted contar con:
Presentacin del docente

Modelo de examen
Trabajo final
Ayudas
Autoevaluaciones
Enlaces Interesantes
20
Gua didctica
Presentacin del docente
Es la presentacin que el docente hace de su asignatura.
Modelo de examen
Es el espacio desde donde usted podr descargar un modelo de examen,
de tal forma que pueda prepararse adecuadamente para su evaluacin. El
modelo de examen, como bien dice su nombre, es una demostracin de la
forma en que vendr elaborado el examen original.
Trabajo final
Es el espacio en el Aula virtual en el que usted podr descargar el trabajo
final que necesita desarrollar y entregar en el plazo que figura en el
calendario de evaluacin. No olvide descargarlo para que pueda
elaborarlo.
Ayudas
En este espacio usted podr descargar o compartir las ayudas que se
colocarn cada semana de estudio para reforzar o complementar sus
conocimientos; ellos son parte de las evaluaciones del presente curso.
Para acceder a las ayudas deber ingresar al curso desde el

campus virtual a
Material del Curso y luego a
Ayudas
Autoevaluaciones
Aqu, el docente colocar preguntas, problemas o ejercicios que usted
desarrollar para asegurarse el adecuado nivel de comprensin de los
temas desarrollados cada semana.
21
Enlaces interesantes
Es el espacio donde el docente colocar rutas o enlaces a pginas web,
con temas de la semana.
Para acceder a los enlaces interesantes deber ingresar al curso

desde el Campus virtual a
Enlaces interesantes
22
Material del curso y luego a
Gua didctica
En la parte inferior de cada aula virtual ver:
Tiene un cuadro con los nombres de todas las autoridades de su Facultad.
Para que usted pueda realizar sus pedidos.
Con todos los documentos que usted deber conocer para cumplir con sus
obligaciones, ejercer sus derechos, cumplir con las normas de su Facultad, as
como efectuar trmites siguiendo las instancias apropiadas, para evitarse
inconvenientes, frustraciones o demoras.
Manuales
Gua de Atencin al Alumno
Gua del Estudiante a Distancia UAP
Presentacin y generalidades de la universidad
Sobre la Direccin Universitaria de Educacin a Distancia
(DUED)
Informacin y orientaciones bsicas para el alumno
Componentes del sistema de educacin a distancia
Campo de accin y perfil profesional
Gua de manejo del Campus virtual
Gua de manejo del Correo electrnico
Gua de Instalacin y Manual de Sala de Conferencias
Gua de configuracin de audio y micrfono
23
Procedimientos
Actualizacin de Matrcula
Reserva de Matrcula
Cambio de Unidad Descentralizada (UDED)
Constancia de Estudios
Certificado de Estudios
Traslado de Modalidad de Estudios
Con todos los programas que usted deber trabajar:
Acrobat Reader
Abre archivos de extensin PDF.
WinZip
Comprime archivos reduciendo su tamao y
colocndolos en un solo objeto con extensin .zip. Del
modo inverso, los descomprime.
Microsoft Editor de Ecuaciones
Agrega ecuaciones a sus documentos de MS Office.
Visual C# 2005 Express Edition
Herramienta de desarrollo de software.
Versin de prueba de 30 das.
Adobe Flash
Herramienta para desarrollar contenido dinmico y
multimedia para presentaciones e Internet.
Versin de prueba de 30 das.
Minitab
Es un programa diseado para ejecutar funciones
estadsticas bsicas y avanzadas.
24
Gua didctica
7. Contenidos
A continuacin le mostramos los contenidos distribuidos por semana de

estudio.
I Unidad didctica
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Y FUNDAMENTOS DE
LA PROGRAMACIN LINEAL
Objetivo general
Al finalizar esta unidad didctica estar en la capacidad de formular modelos
de programacin lineal con dos o ms variables y su solucin mediante el
mtodo grfico para modelos con dos variables de decisin.
Unidad
Objetivos
didctica
especficos
Semana
Contenidos
de
estudios
Conoce y
Introduccin y definicin de la IO, los orgenes de
comprende la
la IO, qu es y para qu sirve la IO, la toma de
importancia de
decisiones en nuestros das, las tcnicas de la
los orgenes de la
IO, perfil de un profesional en IO, por qu son
investigacin
necesarias las tcnicas de optimizacin
operativa
Secuencia operativa de un proyecto de IO.
1.
Define y
comprende los
Definicin de PL, formulacin de un modelo de
fundamentos de
PL, Ejemplos de aplicacin, mtodo grfico de
la programacin
solucin
2.
lineal
Conoce y
comprende la
importancia de
modelar
problemas
aplicados a
diferentes reas
Aplicacin de PL en la gestin de operaciones y

presentacin de la solucin mediante software
(por ejemplo : gestin de operaciones de
2.
produccin, compra, distribucin, mezcla, entre

otros)
de la ciencia.
25
II Unidad didctica
REPRESENTACIN MATEMTICA DEL MODELO LINEAL Y EL MTODO
SIMPLEX
Objetivo general
Al finalizar la presente unidad didctica, usted estar en la capacidad de reconocer la
importancia de representar problemas reales en trminos matemticos. As como
conocer y aplicar el algoritmo Simplex para modelos con ms de dos variables de
decisin en la solucin de problemas de optimizacin.
Unidad
didctica
Semana
Objetivos especficos
Contenidos
de
estudios
Conoce y aplica la
Forma algebraica, forma matricial, solucin
representacin
bsica, interpretacin geomtrica, cantidad
matemtica de un modelo
mxima de soluciones bsicas, bsqueda de
lineal
la solucin factible ptima, interpretacin de
3.
las variables de holgura, exceso.
II
Comprende la importancia
Representacin matemtica, solucin inicial
del algoritmo Simplex en
bsica factible, la condicin de optimalidad,
la solucin de problemas
la condicin de factibilidad, el algoritmo
de programacin lineal
Simplex, representacin tabular, ejemplos.

Dualidad y anlisis de sensibilidad (cambios
sistemticos en los coeficientes de la
funcin objetivo y cambios sistemticos en
las constantes del lado derecho.
26
4.
Gua didctica
III Unidad didctica

APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL
Objetivo general
Al finalizar esta unidad didctica estar en capacidad de reconocer la importancia de
solucionar problemas especiales de la programacin lineal como son transporte y
asignacin mediante operaciones elementales.
Unidad didctica
Contenidos
Comprende y explica la
definicin del modelo de
transporte y la aplicacin
del algoritmo.
III
Definicin del modelo de

transporte, el algoritmo
de transporte, aplicacin
a problemas reales,
solucin del problema de
transporte siguiendo los
siguientes pasos: 1. la
determinacin de la
solucin inicial, 2. el
mtodo UV.
Comprende y explica la Definicin del modelo de
definicin del modelo de asignacin, el Algoritmo
transporte y la aplicacin de Asignacin, aplicacin
del algoritmo.
a problemas reales,
solucin del problemas
de asignacin: Mtodo
hngaro
Semana de estudios
5.
6.
27
IV Unidad didctica
TPICOS AVANZADOS EN PROGRAMACIN LINEAL TALES COMO:
PROGRAMACIN POR OBJETIVOS Y PROGRAMACIN LINEAL ENTERA
Objetivo general
Al finalizar esta unidad didctica estar en capacidad de comprender la importancia de
resolver modelos de mltiples objetivos y convertir los objetivos mltiples originales en
una sola meta y adems trataremos programas lineales en los cuales algunas o todas las
variables de decisin estn restringidas a valores enteros.
Unidad didctica
Comprende y explica los
conceptos bsicos de la
programacin por
objetivos
Contenidos
Semana de estudios
Definicin y formulacin
de programacin por
metas, conceptos bsicos
y solucin haciendo uso
del Lindo
7
IV
28
Comprende y explica los

conceptos bsicos de la
programacin lineal
entera.
Definicin y formulacin
de programacin lineal
entera, enfoque grfico,
problemas con el
redondeo, solucin a
travs del mtodo de
ramificacin y
acotamiento.
Gua didctica
8. Fuentes de informacin
Bibliografa bsica
Es el presente texto, material de estudio obligatorio. Su lectura y comprensin es
imprescindible para lograr los objetivos del curso.
Bibliografa complementaria
Son textos adicionales de lectura no obligatoria
MATHUR, Kamlesh y Daniel SOLOW. Investigacin de Operaciones, El arte de la

toma de decisiones. Editorial Prentice-Hall Hispanoamericana S:A. 977 pginas.
Desarrolla conceptos relacionados con la claridad, el orden y la precisin en el
rea de construccin de modelos. Constituye un material de apoyo de primer
orden, por su forma didctica y enfoque terico-prctico de los temas
desarrollados.
Enlaces de Internet
Son direcciones electrnicas (direcciones de Internet) que contienen informacin
relevante que darn soporte a las diferentes unidades didcticas. En el Campus
virtual del curso encontrar los enlaces por semana de estudio.
29
9. Actividades
Autoevaluativas
Son actividades sugeridas que usted encontrar al final de cada unidad
didctica del presente texto. No son de entrega obligatoria: estas actividades sirven
para reforzar los conocimientos o competencias que usted debi haber logrado en sus
semanas de estudio.
Lectura de textos de acuerdo al tpico desarrollado.
Ejercicios
de
ampliacin
complementacin
de
enunciados
autocomprobacin de lo aprendido.
Trabajo acadmico
Su cumplimiento en cuanto al desarrollo adecuado y entrega oportuna es de
carcter obligatorio, es decir, segn lo programado en el Aula virtual. Usted debe
desarrollar el trabajo asignado bajo este rubro teniendo en cuenta la fecha lmite para
la presentacin, pudiendo antes del plazo, consultar con el docente.
Visite desde su Aula virtual, accediendo al espacio llamado Materiales del

curso,
el
espacio
denominado
Trabajo
acadmico.
En
encontrar
las
especificaciones del trabajo a desarrollar y los detalles pertinentes que necesitar

conocer para realizarlo.
.
30
Gua didctica
10. Evaluacin
Dada la naturaleza del curso, es muy importante su participacin activa en el
proceso de aprendizaje. Por ello, se define en este acpite los criterios de evaluacin:
Exmenes
Examen es la evaluacin escrita del presente curso, se evala con escala
vigesimal y se rendirn en las fechas seala en el siguiente cuadro.
Exmenes
Semana de estudios
Examen parcial
Cuarta
Examen final
Octava
Examen sustitutorio
Dieciocho
La nota mnima aprobatoria de todos los exmenes es de once (11).
Es importante resaltar que la calificacin obtenida en el Examen sustitutorio

reemplazar a la nota del Examen parcial o del Examen final. Usted podr
acceder al examen sustitutorio si no ha sido evaluado en el examen parcial o en
el examen final, ha desaprobado alguno de ellos o desea mejorar su promedio.
RECUERDE
El examen sustitutorio solo reemplaza uno de los exmenes al
parcial o al final. Bajo ninguna circunstancia la nota del examen
sustitutorio reemplaza las actividades obligatorias o los dos
exmenes antes mencionados o al promedio final.
Trabajo acadmico
Son los trabajos que usted entregar obligatoriamente, y constituyen un requisito
indispensable para aprobar el curso.
El desarrollo de algunos trabajos acadmicos requiere trabajo en grupo, en otros
casos el desarrollo ser de forma personal.
31
Los trabajos acadmicos estn colocados en el Campus virtual y las

especificaciones de los mismos sern detalladas oportunamente en el foro y en
la sala de conversacin, as como tambin el asesoramiento en su desarrollo.
Forma de evaluacin
Permanente.
Rubros:
Examen parcial.
(35%)
Examen final.
(35%)
Actividades Obligatorias
(30%)
El Trabajo acadmico se evaluarn tambin con escala vigesimal y tambin la

nota mnima aprobatoria es 11 (once). Toda copia de trabajos de Internet
detectada en las actividades tendr la nota 00 (cero)
32
Gua didctica
11. Orientaciones para el estudio de la asignatura
Estimado participante:
Para que usted pueda lograr los objetivos de cada unidad didctica considere
lo siguiente:
Unidad didctica
II
III
IV
Objetivo
Construye a travs de los orgenes de la

investigacin operativa la importancia de la
definicin y formulacin de un modelo de
programacin lineal, es decir, abstraer un
problema real en trminos matemticos.
Comprende la importancia de la representacin
matemtica del modelo lineal y al algoritmo
Simplex en la solucin de problemas de
programacin Lineal con ms de dos variables
de decisin
Reconoce y comprende la importancia de nuevos
algoritmos para la solucin de casos especiales
de la Programacin Lineal,
Comprende la importancia de abordar tpicos
avanzados en programacin lineal, tales como
programacin por objetivos y programacin lineal
entera.
Tiempo
sugerido de
estudio
30 horas
20 horas
20 horas
20 horas
Con relacin a la Gua didctica

Le recomendamos que lea detenidamente este documento y lo considere una
gua que deber utilizar en todo su proceso de estudio, consultndolo cada vez que
sea necesario.
33
Con relacin a las unidades didcticas

En este proceso, es indispensable que cuente con un nivel de lectura
comprensiva e interpretativa para lo cual se pone en su consideracin las siguientes
pautas:
Busque las condiciones ambientales ms propicias para el estudio, lo que le

facilitar su concentracin y su aprendizaje.
Haga un cronograma de estudio que deber cumplir en forma sistemtica.
Recuerde que debe interpretar con sus propias palabras los conceptos
presentados por el autor, esto le permitir una mayor comprensin del tema.
Resuelva todas las actividades: autoevaluacin, prcticas y ejercicios

propuestos.
Cuide la adecuada presentacin de sus trabajos, ya sea de fondo (profundidad,

exactitud y rigurosidad de sus respuestas) como de forma (ortografa, orden).
34
Gua didctica
12. Orientaciones para las tutoras
Con relacin a las tutoras telemticas

La comunicacin con el docente se realizar a travs de la Sala de conferencia,
y en caso de dificultades tcnicas, en la Sala de conversacin. Antes de comunicarse
con el docente usted deber preparar:
Las preguntas de los temas que usted considere de difcil comprensin.
Comentarios que usted necesita realizarle al docente para profundizar algunos

conocimientos o para consultar los conocimientos que usted considere
conveniente.
RECUERDE
La tutora
telemtica
es para resolver asuntos estrictamente acadmicos.
Temas
sociales
(caf)
Si usted necesita que el docente le aclare el puntaje obtenido en alguna
de sus calificaciones, utilice el correo electrnico.
Se le recuerda que debe tener presente estas consideraciones cuando acuda a

la tutora telemtica:
1. Haga primero el intento de solucionar sus inquietudes estudiando con seriedad,

consultando la bibliografa pertinente e intercambiando opiniones con sus
compaeros. Si despus de ello persiste su duda, haga preguntas especficas
y no del tema en general. De lo contrario, indicara que no est haciendo su
mejor esfuerzo para aprender.
2. Formule sus preguntas de forma concreta y precisa. Esto ayudar a que el
tutor est en mejores condiciones para atenderlo y evitar confusiones
innecesarias.
3. No haga preguntas rebuscadas o que no sean pertinentes al tema.
El tiempo
es un recurso valioso para todos.
35
4. Las indicaciones sobre las evaluaciones estn dadas en las respectivas

unidades didcticas, por lo que se le sugiere que no haga preguntas referentes
a si las evaluaciones son fciles o no; qu pasar si usted no aprueba,
etctera. Estamos para apoyarlo, pero solicite la ayuda en forma necesaria,
clara y oportuna.
5. Respete el horario establecido para la tutora. Si usted estudia a ltimo minuto,
lo ms probable es que no podamos atender sus requerimientos de la misma
forma. Por eso, se le sugiere elaborar y cumplir un horario de actividades con
la finalidad de que esto le ayude a organizarse en su estudio, prcticas y
evaluaciones.
Buena suerte!
36
I Unidad didctica
Investigacin Operativa I
INTRODUCCIN A LA INVESTIGACIN DE
OPERACIONES Y FUNDAMENTOS DE LA
PROGRAMACIN LINEAL
Primera unidad didctica
Esquema de contenidos
1.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Y

FUNDAMENTOS DE LA PROGRAMACIN LINEAL
1.1
Los orgenes de la Investigacin Operativa
1.2
Qu es la investigacin Operativa?
1.3
La toma de decisiones
1.4
Tcnicas de la investigacin operativa (IO)
1.5
Perfil profesional en IO
1.6
Por qu son necesarias las tcnicas de optimizacin y anlisis?
1.7
Secuencias operativa de un proyecto de IO
1.8
Introduccin a la Construccin de Modelos
2.

SIMPLEX
2.1. Definicin de Programacin Lineal

2.1.1 Conceptos Bsicos
2.2. Conjunto Convexo
2.3. Formulacin de un problema de programacin lineal
2.3.1 Identificacin de las variables de decisin.
2.3.2 Identificacin de los datos del problema
2.3.3 Identificacin de la funcin Objetivo
2.3.4 Identificacin de las restricciones
2.4. Mtodo grfico o mtodo geomtrico de solucin
2.4.1 Graficacin de ecuaciones y desigualdades lineales
3.
APLICACIONES DE PL EN LA GESTIN DE OPERACIONES Y

PRESENTACIN DE LA SOLUCIN MEDIANTE SOFTWARE
Objetivos
Objetivo general
Al finalizar esta unidad didctica estar en la capacidad de formular modelos
de programacin lineal y su solucin mediante el mtodo grfico para
modelos con dos variables de decisin.
Conoce y comprende la importancia de los orgenes de la investigacin operativa
Define y comprende los fundamentos de la programacin lineal
Conoce y comprende la importancia de modelar problemas aplicados a diferentes

reas de la ciencia.
Prlogo
En este texto gua de Investigacin de Operaciones I a partir de nuestra

experiencia en la enseanza de los mtodos cuantitativos aplicados a las diferentes
reas como son las ingenieras, la industria, la economa, la administracin, la
medicina, la Biologa, en el campo militar, educacin, organizaciones sociales,
etctera, buscamos que el alumno aprenda el concepto de modelo matemtico y, lo
ms importante, la construccin de modelos pues sin los modelos matemticos no
tienen sentido la existencia de paquetes de computacin para resolver los modelos.
Desde este punto de vista, nuestra preocupacin se centra en ensear a nuestros
estudiantes cmo construir modelos, aunque es verdad que la construccin de
modelos es un arte que se logra con la prctica.
En este texto va a encontrar cuatro unidades referente al desarrollo del curso,

la primera unidad corresponde a la introduccin a la Investigacin de operaciones y
fundamentos de la programacin lineal; en la segunda unidad desarrollaremos la
representacin matemtica del modelo lineal y el mtodo Simples; la tercera unidad
corresponde a las aplicaciones especiales de la programacin lineal; y por ltimo, la
cuarta unidad corresponde a programacin por objetivos y programacin lineal entera.
La idea fundamental es que el estudiante se familiarice con el curso para ello

deber dedicarse con mucho esmero a cada unidad, tanto en lo que respecta a su
teora como a los ejemplos, y siempre buscar informacin adicional.
Introduccin a la investigacin de operaciones (IO)
Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y

la separacin de las responsabilidades administrativas en las organizaciones. Sin
embargo esta revolucin cre nuevos problemas que se presentan hasta la fecha en
muchas empresas. Uno de estos problemas es la tendencia de muchos de los
componentes a convertirse en imperios relativamente autnomos, con sus propias
metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la
mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de
Operaciones.
La Investigacin de Operaciones aspira a determinar la mejor solucin (ptima)

para un problema de decisin con la restriccin de recursos limitados.
Contenidos
I Unidad didctica
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Y FUNDAMENTOS DE
LA PROGRAMACIN LINEAL
EL PROBLEMA
Los recursos
son escasos
Los sistemas son cada

vez ms complejos
Cada vez es ms difcil asignar los

recursos o actividades, de la forma ms eficaz
1.1. LOS ORGENES DE LA INVESTIGACIN OPERATIVA
Antecedentes
En los siglos XVII y XVIII, Newton, Leibnitz, Bernoulli y Lagrange.
Los franceses Jean Baptiste-Joseph Fourier esboz mtodos de la actual

programacin lineal.
Von Neumann public en 1928 su trabajo Teora de Juegos.
Matemticas: modelos lineales (Farkas, Minkowski) (s.XIX).
Estadstica: fenmenos de espera (Erlang, Markov) (aos 20).
Economa: Quesnay (s.XVIII), Walras (s.XIX), Von Neumann (aos 20).
El origen de la IO moderna se sita en la Segunda Guerra Mundial para resolver

problemas de organizacin militar:
Despliegue de radares, manejo de operaciones de bombardeo, colocacin de

minas, etctera. Y luego con motivo de la revolucin industrial, ha ido teniendo
cada vez ms importancia dado el crecimiento y complejidad de las nuevas
organizaciones. Actualmente est cobrando especial importancia con el
desarrollo de la informtica.
El xito de la IO se debe a:
-
Progreso terico: RAND (Dantzig), Princeton (Gomory, Kuhn, Tucker),

Carnegie Institute of Technology (Charnes, Cooper).
Creacin del Mtodo Simplex por George Dantzing, en 1947.
El desarrollo del computador.
Gran desarrollo de los ordenadores: aumento de la capacidad de

almacenamiento de datos, incremento de la velocidad de la resolucin de
problemas
Sigue habiendo un gran desarrollo, en muchos sectores, con grandes avances

sobre todo en el campo de la Inteligencia Artificial
En la actualidad existen organizaciones dedicadas al rea de IO, en sus dos

niveles: acadmico y empresarial, estas organizaciones son:
10
ORSA, Operations Research Society of American, 1952.
TIMS, The Institute of management Science, 1953.
ALIO, Asociacin Latinoamrica de IO.
IFORS, International Federation of Operations Research.
Sociedad Espaola de Estadstica e Investigaciones Operativas (SEIO)

www.cica.es/aliens/seio.
Association of European O.R. Societies (EURO)

www.ulb.ac.be/euro/euro_welcome.html.
Institute for O.R. and the Management Sci. (INFORMS) www.informs.org.
International Federation of O.R. Societies (IFORS) www.ifors.org
1.2. QU ES LA INVESTIGACIN OPERATIVA?

Responderemos esta interrogante con algunas definiciones:
Definicin de CHURCHMAN, ACKOFF y ARNOFF
La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del
mtodo cientfico a problemas relacionados con el control de las organizaciones o
sistemas (hombre-mquina), a fin de que se produzcan soluciones que mejor sirvan a
los objetivos de la organizacin.
11
Definicin NAMAKFORROSH
Es la aplicacin del mtodo cientfico a los problemas de decisin de las empresas y
otras organizaciones, incluyendo el gobierno y la milicia.
Definicin LAWRENCE y PASTERNAK, 1998
Un enfoque cientfico para la toma de decisiones ejecutivas, que consiste en: el arte de
modelar situaciones complejas, la ciencia de desarrollar tcnicas de solucin para
resolver dichos modelos y la capacidad de comunicar efectivamente los resultados.
Objetivo de la Investigacin operativa
-
Estudiar la asignacin ptima de recursos escasos a determinada actividad.
Evaluar el rendimiento de un sistema con el objeto de mejorarlo.
En conclusin podemos observar que todos coinciden en que la IO es la aplicacin del

mtodo cientfico por un grupo interdisciplinario de personas a la resolucin de un
problema con el fin de asignar los recursos o actividades de forma eficaz, en la gestin
y organizacin de sistemas complejos y el objetivo es ayudar a la toma de decisiones
es decidir mediante estos mtodos cientficos encontrar el diseo que optimiza el
proceso analizado, generalmente bajo condiciones que implican la utilizacin de
recursos escasos.
1.3. LA TOMA DE DECISIONES

a.
Prcticamente todas las decisiones se toman en un ambiente de cierta

incertidumbre. Sin embargo, el grado vara de una certeza relativa a una gran
incertidumbre. En la toma de decisiones existen ciertos riesgos implcitos.
b.
La toma de decisin es la respuesta a un problema de evaluar un conjunto de

alternativas. Algunas decisiones tienen una importancia relativa en el desarrollo
de nuestra vida, mientras otras son gravitantes en ella.
12
c.
Toda empresa funciona dentro de un mercado con factores competitivos, el

gerente debe tener herramientas cuantitativas para tomar mejores decisiones.
d.
Tipos de decisiones
Decisiones bajo condicin de certeza
En una situacin donde existe certeza, las personas estn razonablemente

seguras sobre lo que ocurrir cuando tomen una decisin, cuentan con
informacin que se considera confiable y se conocen las relaciones de causa y
efecto.
Decisiones bajo condicin de incertidumbre
En una situacin de incertidumbre, las personas slo tienen una base de datos
muy deficiente. No saben si estos son o no confiables y tienen mucha
inseguridad sobre los posibles cambios que pueda sufrir la situacin.
Decisiones bajo condicin de riesgo
En una situacin de riesgo, quiz se cuente con informacin basada en hechos,

pero la misma puede resultar incompleta. Para mejorar la toma de decisiones se
puede estimar las probabilidades objetivas de un resultado, al utilizar, por
ejemplo modelos matemticos. Por otra parte se puede usar la probabilidad
subjetiva, basada en el juicio y la experiencia.
Base para la toma de decisiones
Bases cuantitativas: es la habilidad de emplear tcnicas presentadas como

mtodos cuantitativos o Investigacin de Operaciones, como puede ser la
programacin lineal, teora de lneas de espera y modelos de inventarios.
13
Bases cualitativas: existen ciertas cualidades que hacen que los tomadores de
decisin sean buenos o malos. Las cualidades que tienen mayor importancia a la
hora de analizar al tomador de las decisiones son:
i.
Informacin.
ii. Conocimientos.
iii. Experiencia.
iv. Anlisis.
v. Juicio.
e.
Clases de decisiones
Decisiones programadas
Son aquellas que se toman frecuentemente, es decir son repetitivas y se

convierte en una rutina tomarlas.
Decisiones no programadas
Son decisiones que se toman en problemas o situaciones que se presentan con

poca frecuencia
1.4
TCNICAS DE LA INVESTIGACIN OPERATIVA (I .O)
Las tcnicas utilizadas para resolver problemas y apoyar a la toma de decisiones son
variadas, dependiendo, entre otros factores de la naturaleza de los datos. Se utilizan
modelos matemticos
Para solucionar modelos cuantitativos, podemos hacer uso de las siguientes tcnicas
de optimizacin:
-
Determinsticos. Los casos determinsticos se presentan cuando hay certeza

sobre los parmetros, que son establecidos y fijados de antemano y en
consecuencia nos conducen a resultados ciertos. En estos casos se recurren a
modelos matemticos de optimizacin.
14
Probabilistico. Cuando no existe certeza sobre todos los datos, y algunos

parmetros o elementos no se conocen. Parten de datos estadsticos y nos
conducen a resultados probables. En estos casos se recurren a modelos
matemticos para proyectar y extrapolar, predecir.
Dentro de las tcnicas de optimizacin tanto en determinsticos como probabilsticos

sealaremos los siguientes:
A.
B.
1.5
Modelos determinsticos
Programacin matemtica
Programacin lineal
Programacin entera
Programacin dinmica
Programacin no lineal
Programacin multiobjetivo
Modelos de transporte
Modelos de redes
Modelos probabilsticos
Programacin estocstica
Gestin de inventarios
Fenmenos de espera (colas)
Teora de juegos
Simulacin
PERFIL PROFESIONAL EN IO
Un profesional en IO debe tener una buena formacin en cuatro reas:

-
Conocimientos en las reas de la IO.
Conocimientos de las tcnicas cuantitativas y los softwares correspondientes.
Conocimiento especializado en un rea diferente de la IO, esto le dar al

profesional una competencia especial de aplicar IO.
Conocimiento bsico en desarrollar Sistemas de Soporte de Decisiones, para la

fase de implementacin de la aplicacin.
15
1.6. POR QU SON N ECESARIAS LAS TCNIC AS DE OPTIMIZACIN Y

ANLISIS?
El inters por resolver un problema del mundo real nos lleva a la construccin o
formulacin de modelos, el proceso de tomar un problema real y abstraerlo en
trminos matemticos nos conduce al uso de una de las tcnicas de optimizacin y
anlisis mencionados en 1.5., que son muy importantes y necesarias pues ellas nos
permiten resolver problemas complejos y diversos aplicados a la ingeniera, economa,
minera, transporte, medio ambiente, medicina, en el campo militar, en las
organizaciones sociales, entre otros.
Las tcnicas de anlisis permiten obtener informacin muy til para interpretacin.
1.7. SECUENCIAS OPERATIVAS DE UN PROYECTO DE IO

-
A lo largo de todo el proceso debe haber una interaccin constante entre el

analista y el cliente
El proceso de aplicar mtodos cuantitativos requiere una sucesin sistemtica de

pasos estos son:
Definicin del problema
Desarrollo de un modelo
matemtico y recoleccin de
datos
Modelo Modificado
Resolucin del Modelo

Matemtico
Solucin
Es
vlida la
solucin
no
S
Implementacin
16
1.7.1. Definicin del problema

El primer paso es identificar, comprender y describir en trminos precisos el problema
que la organizacin enfrenta. En algunos casos, el problema est bien definido y es
claro.
En otras situaciones, el problema puede no estar bien definido y puede requerir

bastantes discusiones y consenso entre los miembros del equipo de proyectos.
1.7.2. Desarrollo de un modelo matemtico y recoleccin de datos
Despus de que el problema est claramente definido y comprendido, el siguiente
paso es expresar el problema en una forma matemtica, esto es, formular un modelo
matemtico. Una vez construido el modelo, existen muchas tcnicas matemticas
disponibles para obtener la mejor solucin, a pesar del vasto nmero de alternativas o
de la complejidad implicada.
Variable de decisin/v ariable/variable controlable: Es una cantidad cuyo valor se
puede controlar y es necesario determinar para solucionar un problema de decisin.
Funcin objetivo: El objetivo global de un problema de decisin expresado en una
forma matemtica en trminos de los datos y de las variables de decisin.
Limitacin: Es una restriccin sobre los valores de variables en un modelo
matemtico tpicamente impuesto por condicin externa.
Datos/ parmetros incontrolables: Informacin conocida en un problema de decisin
que no se puede controlar pero que se puede usar para determinar la solucin
1.7.3. Resolucin del modelo matemtico
Una vez formulado un modelo matemtico del problema, el siguiente paso es resolver
el modelo, es decir, obtener valores numricos para la variable de decisin. Es decir,
una vez que identifique el tipo de modelo que tiene, podr elegir una tcnica de
administracin apropiada para resolverlo. Estas tcnicas pertenecen a una de dos
categoras:
17
a) Mtodos ptimos, que producen los mejores valores para las variables de
decisin, es decir, aquellos valores que satisfacen simultneamente todas las
limitaciones y proporcionan el mejor valor para la funcin objetivo.
b) Mtodos heursticos , que producen valores para las variables que satisfacen
todas las limitaciones. Aunque no necesariamente ptimos, estos valores proporcionan
un valor aceptable para la funcin objetivo.
En
contraste
con
los
mtodos
ptimos,
los
mtodos
heursticos
son
computacionalmente ms eficientes y por tanto se usan cuando la obtencin de

soluciones ptimas lleva demasiado tiempo o es imposible porque el modelo es
demasiado complejo.
1.7.4. Validacin, instrumentacin y control de la solucin
Despus de resolver el modelo matemtico, es extremadamente importante validar la
solucin, es decir, revisar la solucin cuidadosamente para ver que los valores tienen
sentido y que las decisiones resultantes puedan llevarse a cabo. Algunas de las
razones para hacer esto son:
El modelo matemtico puede no haber captado todas las limitaciones del

problema real.
Ciertos aspectos del problema pueden haberse pasado por alto, omitido
deliberadamente o simplificado.
Los datos pueden haberse estimado o registrado incorrectamente, tal vez al

introducirlos a la computadora.
1.7.5. Modificacin del modelo

Si durante el paso de validacin se encuentra que la solucin no puede llevarse a
cabo, se pueden identificar las limitaciones que fueron omitidas durante la formulacin
del problema original o puede uno darse cuenta de que algunas de las limitaciones
originales eran incorrectas y necesitan modificarse. En estos casos, debe regresarse a
la etapa de formulacin del problema y hacerse cuidadosamente las modificaciones
apropiadas para reflejar con ms exactitud el problema real.
18
1.8. INTRODUCCIN A LA CONSTRUCCIN DE MODELOS

1.8.1. El modelado
Es una ciencia de anlisis de relaciones, aplicacin de algoritmos de solucin y a la
vez un arte: visin de la realidad, estilo, elegancia, simplicidad, uso creativo de las
herramientas y experiencia
1.8.2. Modelo
Representacin simplificada de la realidad, que facilita su comprensin y el estudio de
su comportamiento. Tambin podemos decir que un modelo es una abstraccin
selectiva de la realidad que:
Debe mantener un equilibrio entre sencillez y capacidad de representacin
Modelo matemtico: modelo expresado en trminos matemticos:
Hace ms claras la estructura y relaciones.
Facilita el uso de tcnicas matemticas y ordenadores.
A veces no es aplicable.
Los modelos pueden ser:

-
Modelos fsicos, modelos de aviones a escala, etc.
Modelos anlogos, mapa de carreteras, etc.
Modelos simblicos, modelos cuantitativos (determinsticos, probabilsticos

o estocsticos).
1.8.3. Construccin del modelo
Traduccin del problema a trminos matemticos

-
Objetivos: funcin objetivo
Alternativas: variables de decisin
Limitaciones del sistema: restricciones
Pero a veces las relaciones matemticas son demasiado complejas

-
Heursticos
Simulacin
19
1.8.4. Modelado matemtico

Paso 1. Identificar las variables de decisin
Sobre qu tengo control?
Qu es lo que hay que decidir?
Cul sera una respuesta vlida en este caso?
Paso 2. Identificar la funcin objetivo
Qu pretendemos conseguir?
Si yo fuese el jefe de la empresa, qu me interesara ms?
Paso 3. Identificar las restricciones o factores que limitan la decisin
Recursos disponibles (trabajadores, mquinas, material)
Fechas lmite
Restricciones por la naturaleza de las variables (no negatividad, enteras,
binarias)
Restricciones por la naturaleza del problema
Paso 4. Traduccin de los elementos bsicos a un modelo matemtico.
1.8.5. Resolucin del modelo
Paso 1. Elegir la tcnica de resolucin adecuada
Tcnicas existentes, modificacin, creacin o heursticos.
Paso 2. Generar las soluciones del modelo
Programas de ordenador, hojas de clculo.
Paso 3. Comprobar/validar los resultados
Probar la solucin en el entorno real
Paso 4. Si los resultados son inaceptables, revisar el modelo matemtico
Estudiar hiptesis, comprobar exactitud de datos, relajar o endurecer
aproximaciones, revisar restricciones
20
Paso 5. Realizar anlisis de sensibilidad

Analizar adaptaciones en la solucin propuesta frente a posibles cambios
1.8.6. Gua general para la formulacin de modelos
Identificacin de los elementos bsicos. Expresar en palabras:
Datos del problema

-
Variables de decisin
-
Variables sobre las que se tiene control
Restricciones
-
Factores que no son susceptibles de cambio
Causas por las que la decisin est limitada
Funcin objetivo
-
Medida del rendimiento que se quiere optimizar
Traduccin de los elementos bsicos a expresiones matemticas
Serie de problemas 1.0

1. Ampliar los orgenes de la IO
2. Qu es y para qu sirve la IO? Dar algunas otras definiciones.
3. Investigar sobre la toma de decisiones en nuestros das
4. Breves definiciones sobre las diferentes tcnicas de la IO
21
2.
FUNDAMENTOS DE LA PROGRAMACIN LINEAL (P. L.)
La programacin lineal utiliza un modelo matemtico para representar el problema que

se estudia. La palabra lineal en el nombre se refiere a la forma de las expresiones
matemticas de este modelo. Programacin no se refiere a la programacin en
computadora; ms bien es, en esencia, un sinnimo de planear. As, la programacin
lineal significa planeacin de actividades representada por un modelo matemtico
lineal.
El til desarrollo actual de la PL para los negocios y la industria, se atribuye al doctor

George D. Dantzig, un matemtico que present su mtodo Simplex, como un
procedimiento sistemtico para resolver un problema de programacin lineal. Durante
el ao de 1947, George Dantzig (con Marshall Wood y sus asociados), se ocup de
un proyecto en la Fuerza Area de los Estados Unidos, el cual dio por resultado la
bsqueda de una tcnica capaz de resolver los problemas de planeacin militar. La
esencia de esas investigaciones consiste en considerar las interrelaciones entre las
actividades de una gran organizacin como un modelo de PL, y determinar el
programa de optimizacin minimizando (o maximizando) una funcin objetivo lineal.
Dantzig indic que ese nuevo enfoque tendra amplias aplicaciones en los problemas
de los negocios, como ocurre actualmente.
La programacin Lineal se usa en las siguientes reas
-Programacin de refineras de petrleo

- Distribucin de productos
- Planeamiento de la produccin
- Estudio de mercados
- Planeamiento de inversiones
- Problemas de transporte
- Problemas de dietas, etctera
22
2.1. DEFINICIN DE PROGRAMACIN LINEAL

La programacin lineal es una tcnica matemtica que nos permite determinar la mejor
asignacin de los recursos limitados de la empresa de tal manera que la funcin
objetivo debe maximizarse o minimizarse cuando se consideran un conjunto de
restricciones.
2.1.1. Conceptos bsicos
Para resolver problemas de Investigacin de Operaciones por medio de PL debemos
primero explicar las caractersticas comunes de todos los modelos de PL y las
suposiciones matemticas que se aplican a ello:
Funcin Objetivo. La programacin lineal es un proceso de optimizacin. Con

una sola funcin objetivo la cual se expresa matemticamente lo que se intenta
maximizar (por ejemplo las ganancias o utilidades) o minimizar (por ejemplo, los
costos o el desperdicio) en cada caso.
Variable de decisin. Representa aquellas selecciones que estn bajo el control

de la persona que toma las decisiones. Resolviendo el problema se obtienen sus
valores ptimos.
Las variables pueden ser endgenas (aquellas que el modelo trata de explicar y
se conocen tambin como variables dependientes) o exgenas (aquellas fuerzas
exteriores al modelo y cuyas magnitudes intervienen como datos y tambin se
les denomina variables independientes). Estas dos expresiones tienen sentido
nicamente dentro del contexto de un modelo especfico, pues una variable
endgena en un modelo dado, puede muy bien ser exgena en otro.
Por ejemplo, una variable de decisin podra ser el nmero de unidades de un
producto que se deben fabricar en el siguiente mes.
La programacin lineal se basa en la suposicin de que las variables de decisin
son continuas.
23
Restricciones. Son limitaciones que restringen las selecciones permisibles para

las variables de decisin. Cada limitacin puede expresarse matemticamente en
cualquiera de estas tres formas:
Restriccin menor ig ual que ( ) impone un limite superior a cierta

funcin de las variables de decisin. Por ejemplo, el nmero mximo de
clientes a los cuales es posible atender.
Restriccin mayor igual que ( ) impone un limite inferior a cierta funcin

de las variables de decisin. Por ejemplo, la produccin de cierto producto
debe exceder o igualar a la magnitud de la demanda.
Restriccin igual que ( = ) Por ejemplo, que el inventario final siempre

debe ser igual al inventario inicial ms la produccin menos las ventas.
Regin factible. Todo problema de PL debe tener una o varias restricciones.

Consideradas en conjunto, esas restricciones definen una regin factible, la cual
representa todas las combinaciones permisibles de las variables de decisin. En
la mayor parte de los casos la regin factible contiene un nmero muy grande de
soluciones posibles. La meta de la persona que toma decisiones consiste en
encontrar la mejor solucin.
Parmetro. La funcin objetivo y las restricciones son funciones de las variables

de decisin y los parmetros. Un parmetro, tambin llamado coeficiente o
constante se conocen con certidumbre. Por ejemplo, un programador de
computadoras puede saber de antemano que la ejecucin de un programa de
software requerir tres horas, ni ms ni menos.
Linealidad. La funcin objetivo y las ecuaciones de restriccin son lineales. La

linealidad implica proporcionalidad y aditividad; no puede haber en ella productos
ni potencias (por ejemplo, 10 x1 x2 , x 31 ) de las variables de decisin.
No negatividad. Significa que las variables de decisin deben ser positivas o

cero. Por ejemplo, una empresa que fabrica autos jams podr producir un
nmero negativo de autos.
24
2.2. CONJUNTO CONVEXO
Un conjunto de puntos Xi del espacio n dimensional En forman un conjunto convexo,

si dado 2 puntos X1 y X2 del conjunto Xi, entonces todos los puntos contenidos en el
segmento de recta ( n dimensional ) que se obtiene al unir X1 y X2 estn en Xi.
Tambin puede definirse, un conjunto convexo, como aquel que tiene la propiedad de
que, para cualquier par de puntos pertenecientes al mismo, el segmento que los une
tambin se encuentra dentro del conjunto.
Obviamente, una lnea recta se ajusta a esta definicin y constituye un conjunto
convexo. Por convencin se considera que un punto nico, tambin es un conjunto
convexo.
l
h
a
c
d
f
k
conjuntosconvexos(a) y(b)
c)
d)
conjuntos no convexos, c y d
El conjunto convexo (c.c.) est dado por la interseccin de los planos que forman
todas las desigualdades y ecuaciones que conforman un modelo, siempre y cuando no
tengan bordes dentados u orificios.
25
En general, para ser convexo, el conjunto de puntos no debe contener orificios, y su

borde no debe ser dentado en ningn lugar.
Teorema 1: el conjunto de todas las soluciones posibles al problema de P.L., es un

conjunto convexo.
Teorema 2: la funcin objetivo alcanza su mximo o mnimo en un punto extremo del

conjunto convexo, generado por el conjunto de soluciones factibles al problema de PL.
Por lo expuesto tendremos nicamente que investigar los puntos extremos del
polgono convexo y buscar aquel punto que proporcione el mayor (menor) valor para la
funcin objetivo y obtendremos as la solucin buscada.
Graficacin de ecuaciones y desigualdades lineales
Cuando se grafica una ecuacin, se genera una recta sobre el eje de coordenadas.
Las desigualdades generan un plano al graficarlo sobre el eje de coordenadas.
Pasos para la graficacin de una desigualdad:
a.
Tomar de l a desigualdad, la parte de la ecuacin, para determinar dos puntos

que permitan graficar una recta, que sera el lmite del plano.
En el caso de que en la ecuacin el trmino constante fuese cero, la recta pasa
por la intercepcin de los ejes. Por lo tanto, uno de los puntos sera (0,0).
El otro punto se obtendra dando un valor diferente de cero a una de las
variables.
Si la constante fuese diferente de cero, se procede de la siguiente manera:
Para el primer punto, se hace cero una de las variables y se despeja la otra
variable.
Para el segundo punto, se hace cero la otra variable, y se despeja para la
variable que queda pendiente.
26
b.
Determinacin del plano que da la desigualdad.

Se escoge un punto de prueba, debajo o sobre la recta y se verifica si satisface
la desigualdad.
Si satisface la desigualdad, el plano se forma para el lado que se encuentra el
punto de prueba escogido.
Si no satisface la desigualdad, el plano se forma para el lado contrario a donde
se encuentra el punto de prueba con respecto a la recta o lmite del plano.
2.3. FORMULACIN DE UN PROBLEMA DE PROGRAMACIN LINEAL

2.3.1. Identificacin de las variables de decisin
El primer paso en la formulacin del problema es identificar las variables de decisin, a
menudo simplemente llamadas variables, una vez determinados, proporcionan la
solucin al problema.
Caracterstica clave
Pautas generales para identificar variables de decisin

Qu elementos afectan los costos y/o ganancias (en genera, el objetivo global)
Qu elementos puede elegir y/o controlar libremente?
Qu decisiones tiene que tomar?
2.3.2. Identificacin de los datos del problema
La finalidad de resolver un problema es proporcionar los valores reales para las
variables de decisin que ha identificado. Se requiere conocer cierta informacin para
ayudar a determinar esos valores
27
2.3.3. Identificacin de la funcin objetivo

Expresar el objetivo organizacional global en forma matemtica usando las variables
de decisin y los datos conocidos del problema. La funcin objetivo se crea en tres
etapas:
Establecer la funcin objetivo en forma verbal.
Donde sea adecuado descomponer el objetivo (por ejemplo, suma, diferencia).
Expresar las cantidades individuales matemticamente usando las variables de

decisin y otros datos conocidos en el problema
2.3.4. Identificacin de las restricciones

Las restricciones son condiciones que las variables de decisin deben satisfacer para
constituir una solucin aceptable. Las restricciones por lo general surgen de:
Limitaciones fsicas (por ejemplo, el nmero limitado de horas de trabajo)
Restricciones impuestas por la administracin ( por ejemplo, demanda del

producto)
Restricciones externas (por ejemplo, la empresa no puede vender ms de cierta

cantidad en el mercado)
Relaciones implicadas entre variables (por ejemplo, en un problema de inversin

la proporcin de dinero a invertir debe sumar 1.
Modelo de Programacin Lineal
Max o Min Z = c1 x1 + c2 x2 + c3 x3 + ... + cn xn ........( )

Sujeto a las restricciones estructurales

ai1 x1 + ai 2 x2 + ai 3 x3 + ... + ain xn = bi (i = 1, 2,...m);.........( )

Y las restricciones de no negatividad
x j 0; (j = 1, 2,3,..., n).............( )
28
Observaciones
i) aij , bi , y c j son valores que se asume conocidos
ii) x j son variables de decisin que se desea hallar, de tal manera que optimicen ( )
iii) la ecuacin ( ) se conoce como funcin objetivo
iv) la ecuacin ( ) se conoce como conjunto de restricciones
v) la ecuacin ( ) se conoce como variables de decisin
2.4. MTODO GRFICO O MTODO GEOMTRICO DE SOLUCIN

Es una tcnica que permite encontrar la solucin de modelos muy sencillos con dos
variables de decisin y a pesar de que casi todos los problemas reales tienen ms de
dos variables de decisin. Sirve en realidad para proporcionar una base intuitiva que
facilita el aprendizaje de soluciones de modelos ms complejos por otros mtodos.
Objetivo: establecer la naturaleza de un problema de programacin lineal,
introduciendo la terminologa asociada con el y resolverlo geomtricamente.
2.4.1. Graficacin de ecuaciones y desigualdades lineales

Cuando se grafica una ecuacin, se genera una recta sobre el eje de coordenadas.
Las desigualdades generan un plano, al graficarlo sobre el eje de coordenadas.
Pasos para la graficacin de una desigualdad:
a.
Tomar de l a desigualdad, la parte de la ecuacin, para determinar dos puntos

que permitan graficar una recta, que sera el lmite del plano.
En el caso de que la ecuacin el trmino constante fuese cero, la recta pasa por
la intercepcin de los ejes. Por lo tanto, uno de los puntos sera (0,0).
El otro punto se obtendra dando un valor diferente de cero a una de las
variables.
29
Si la constante fuese diferente de cero, se procede de la siguiente manera:

Para el primer punto se hace cero una de las variables y se despeja la otra
variable.
Para el segundo punto se hace cero la otra variable, y se despeja para la variable
que queda pendiente.
b.
Determinacin del plano que da la desigualdad

Se escoge un punto de prueba, debajo o sobre la recta y se verifica si satisface
la desigualdad.
Si satisface la desigualdad, el plano se forma para el lado que se encuentra el
punto de prueba escogido.
Si no satisface la desigualdad, el plano se forma para el lado contrario donde se
encuentra el punto de prueba con respecto a la recta o lmite del plano.
Ejemplos
A.
REGION FACTIBLE NO ACOTADA
a.
Formulacin de dieta Una dieta debe contener al menos 16 unidades de

carbohidratos y 20 de protenas. El alimento A contiene 2 unidades de
carbohidratos y 4 de protenas; el alimento B contiene 2 unidades de
carbohidratos y 1 de protenas. Si el alimento A cuesta $1.20 por unidad y el B
$0.80 por unidad, Cuntas unidades de cada alimento deben comprarse para
minimizar el costo?cul es el costo mnimo?
Solucin
30
Carbohidratos
Protenas
Costos
Alimento A
1.2
Alimento B
0.80
Rendimiento
16
20
Sea X1 en N. de unidades de alimentos A comprar
Sea X2 en N. de unidades de alimentos B comprar
F.O costo min Z = 1.2 X1+0.8 X2
Sa.
2X1+2X2 >= 16
requerimento mnimo de carbohidratos
4X1+1X2 >=20
requerimento mnimo de protenas
X1, X2 >=0
Tabulando para cada una de las rectas, pues usted sabe que por dos puntos pasa una
recta
L1: 2X1+2X2 = 16
X1
X2
(0,8)
(8,0)
L2: 4X1+1X2 =20

X1
X2
20
(0,20)
(5,0)
31
20
Regin Factible no acotada

L2: 4X1+1X2 >=20
L1: 2X1+2X2 = 16
(0,0)
Punto L1 L2
2X1+2X2 = 16 resolviendo el sistema de ecuaciones se obtiene: X=1 4
4X1+1X2 =20
Reemplazando en Z = 1.2 X1+0.8 X2
En el punto (0,20) Z= 1.2 (0)+0.8 (20) = 16
En el punto (4,4) 1.2 (4)+0.8 (4) =8
En el punto (8,0) 1.2 (8)+0.8 (0) = 9.6
Respuesta: Z min. ptimo = 8 con un plan de compra:
X1: 4 unidades del alimento A
32
X2: 4 unidades del alimento B
X2=4
Observaciones
Asumamos que el modelo matemtico del problema anterior (1) se desea

maximizar, es decir:
F.O max Z = 1.2 X1+0.8 X2

Sa.
2X1+2X2 >= 16
requerimento mnimo de carbohidratos
4X1+1X2 >=20
requerimento mnimo de protenas
X1, X2 >=0
La grfica sigue siendo la misma y los puntos tambin
Decir que el valor mximo de Z = 1.2 X1+0.8 X2 es en el punto (0,20) con z=16 es
completamente falso pues otro punto en la regin factible no acotada como por
ejemplo en: (8,20) nos da un z=25.6, y en (100,0) nos da un Z=120, es claro que
cuando (X1,X2 ) aumentan o toman otros valores dentro de la regin factible no
acotada, tambin lo hace Z. Por la tanto, ningn punto factible maximiza Z, de
modo que no existe solucin optima. En este caso decimos que la solucin es
no acotada
B.
SOLUCIN MLTIPLE
b.
Resolver grficamente
max z = x1 + x2
s.a
x1 + x2 4
x1 1
x2 2
x1 , x2 0
Solucin:
l1 : x1 + x2 = 4 tabulamos si : x1 = 0 x2 = 4 tenemos (0,4)

x2 = 0 x1 = 4 tenemos (4,0)
l1 : x1 = 1 l2 : x2 = 2
33
Payoff:
1 x1 +
1 x2 =
x2
2
0 x1 +
1 x2 =
1
:
1 x1 +
0 x2 =
1 x1 +
1 x2 =
x1
0
0
Optimal Decisions(x1,x2): ( 2, 2) ( 4, 0)
: 1x1 + 1x2 < = 4
: 1x1 + 0x2 > = 1
: 0x1 + 1x2 < = 2
Observamos que tiene soluciones ptimas alternativas en el punto (2,2) = ( x1 , x2 ) y

(4,0)= ( x1 , x2 ) para los cuales Z mximo = 4
C. REGIN FACTIBLE VACA
El ejemplo siguiente ilustra una situacin en la que no que existe solucin ptima
c. max z = x1 + x2
s.a.
x1 + x2 4
x1 + 2 x2 2
x1 , x2 0
34
18
12
Payoff:
1 x1 +
1 x2 =
6
:
:
1 x1 +
1 x1 +
1 x2 =
2 x2 =
4
2
0
0
:
:
10
1x1 +
1x1 +
1 x2 >=
2 x2 <=
20
30
40
4
2
Un punto factible ( x1 , x2 ) debe tener x1 0, x2 0 , estar sobre la recta superior o por

encima de l1 : x1 + x2 4 y sobre o por debajo de la recta inferior l2 : x1 + 2 x2 2 . Sin
embargo, no existen tales puntos. De aqu que la regin factible sea vaca y, por lo
tanto, este problema no tenga solucin ptima.
Siempre que la regin factible de un problema de P.L. sea vaca, no existe solucin
ptima.
D. SOLUCIN PTIMA NICA
max z = x1 + x2
s.a
3x1 + 2 x2 6
2 x1 + 4 x2 8
x1 , x2 0
Solucin: por dos puntos pasa una recta entonces:
l1 : 3x1 + 2 x2 = 6 Tabulando si: x1 = 0 x2 = 3 tenemos (0,3)

x2 = 0 x1 = 2 Tenemos (4,0)
35
l2 : 2 x1 + 4 x2 = 8 Tabulando si: x1 = 0 x2 = 2 tenemos (0,3)

x2 = 0 x1 = 4 Tenemos (4,0)
Resolviendo el sistema de ecuaciones l1 l2 es decir:
l1 : 3x1 + 2 x2 = 6 y l2 : 2 x1 + 4 x2 = 8 se obtiene x1 = 1 y x2 = 1.5
: 3.0 x1 + 2.0 x2 = 6.0
Payoff: 1.0 x1 + 1.0 x2 = 2.5
: 2.0 x1 + 4.0 x2 = 8.0

0
0
10
Optimal Decisions(x1,x2): ( 1.0, 1.5)

: 3.0x1 + 2.0x2 <= 6.0
: 2.0x1 + 4.0x2 <= 8.0
Observacin: Payoff = funcin objetivo
E. Un fabricante de juguetes prepara un programa de produccin para dos nuevos

juguetes, cosas y cositas, utilizando la informacin concerniente a sus tiempos de
produccin dados en la tabla que sigue. Por ejemplo, cada cosa requiere de 2 horas
en la mquina A. Las horas disponibles empleadas por semana son: Para operacin
de la mquina A, 70 horas; para B, 40 horas; para terminado, 90 horas. Si las
utilidades en cada cosa y cada cosita son de $4 y $6, respectivamente, Cuntos de
36
cada juguete debe producir por semana con el fin de maximizar la utilidad? Cul
sera la utilidad mxima?
Mquina
Mquina B
Terminado
A
Cosa
2 horas
1 hora
1 hora
Cosita
1 hora
1 hora
3 horas
Variables de decisin:
Sea: X1 el numero de juguetes a producir del juguete cosa

X2 el nmero de juguetes a producir del juguete cosita
9 Maximizar Z =
4 X1 +
6 x2
2 X1 +
1 x2 <= 70
54
s.a
48
42
36
Payoff:
4 x1 +
1 X1 +
1 x2 <= 40
1 X1 +
3 x2 <= 90
6 x2 = 210
30
Z optimo 210
24
18
12
:
6
0
:
:
0
1 x1 +
1 x1 +
2 x1 +
3 x2 =
1 x2 =
1 x2 =
10
90
40
70
20
30
40
50
60
70
80
90
Optimal Decisions(x1,x2): ( 15, 25)

:
2x1 +
1x2 <= 70
:
1x1 +
1x2 <= 40
:
1x1 +
3x2 <= 90
Respuesta: plan de produccin x1=15 juguetes cositas y X2 =25 juguetes cosas

Utilidad mxima= $210
37
EJEMPLO 12:
Mezcla
II
2
6
4
$4
2
2
12
$5
Requerimiento
mnimo
80
120
240
Nutriente
A
B
C
Costo
Variables de Decisin:
Sea:
X1 El nmeros de bolsas a comprar mezcla I

X2 El nmeros de bolsas a comprar mezcla II
f.o. Min C= 4X1 + 5X2
s.a.
+
+
+
2X2
2X2
12X2
Xi 0
i = 1,2
2X1
6X1
4X1
80
120
240
Solucin:
L1: 2X1 + 2X2 = 80
X1
0
40
X2
40
0
(0, 40)
(40, 0)
X1
0
20
X2
60
0
(0, 60)
(20, 0)
X1
0
60
X2
20
0
(0, 20)
(60, 0)
L2: 6X1 + 2X2 = 120
L3: 4X1 + 12X2 = 240
38
Grfico:
X2
(0, 60)
L2: 6X1 + 2X2 = 120
(0, 40)
L1: 2X1 + 2X2 = 80

(0, 20)
L3: 4X1 + 12X2 = 240
(20, 0)
(40, 0)
(60, 0)
X1
Pto B: L2 L1
6X1
2X1
3X1
-X1
+
+
+
-
2X2
=
2X2
=
X2 =
X2 =
2X1
=
X1
=
120
80
60
-40
20
10
X2
30
B (10,30)
39
Pto C: L1 L3
2X1
4X1
-X1
X1
+
+
+
2X2
12X2
X2
3X2
2X2
X2
=
=
=
=
=
=
80
240
40
60
20
10
X1
30
C (30,10)
f.o. Min C= 4X1 + 5X2
En el punto A (0, 60)
Z= 4(109.09)+5(63.64) = 300
En el punto B (10, 30)
Z= 4(10)+5(30) = 190
En el punto C (30, 10)
Z= 4(30)+5(10) =170
En el punto D (60, 0)
Rpta:
Z= 4(60)+5(0) = 240
X1: 30 bolsas de la mezcla I

X2: 10 bolsas de la mezcla II
Costo mnimo ptimo =$ 170
40

Resuelva cada uno de los siguientes programas lineales usando el mtodo grfico.
Indique si los problemas son:
a) ptimos: es decir que tiene una solucin ptima.
b) Infactibles: es decir, que no existen valores de las variables que satisfagan todas
las restricciones simultneamente.
c) Ilimitados: es decir, que existen valores factibles de las variables que hacen la
funcin objetivo tan grande o tan pequea como se desee.
Todo programa lineal es ptimo, infactible o ilimitado.
1. Maximizar
2. Maximizar
P = 10x +12y
Z = 4x -6y
3. Maximizar
Z = 4x 10y
Sujeta a
s.a
s.a
x + y 60
y 7,
x 4y 4
3x y 3 ,
2x - y 2
x 2y 0
x, y 0
4. Minimizar
x +y 5 ,x,y 0
5. Minimizar
Z = 7x +3y
Sujeta a
3x - y 2
C = 2x + y
s.a
x, y 0
6.a) Maximizar
Z = 10x + 2y
s.a
3x + y 3,
x +2y 4
4x +3y 6,
x - 2y 0
x y =-1
x +2y 2
x, y 0
x+y
x, y
6.b) Minimizar
x, y 0
6.c) Maximizar
Z = 3x +7y
Z = -4x + 6y
Sujeta a
s.a
x-y
x -2 y 10
-2x y 2
6x -2 y 3
-2x +3y 6
x +y 3
x, y 0
41
7.
Produccin para utilidad mxima.
Un fabricante de juguetes prepara un
programa de produccin para dos nuevos juguetes, cosas y cositas, utilizando la

informacin concerniente a sus tiempos de produccin dados en la tabla que
sigue. Por ejemplo, cada cosa requiere de 2 horas en la mquina A. Las horas
disponibles empleadas por semana son: Para operacin de la mquina A, 70
horas; para B, 40 horas; para terminado, 90 horas. Si las utilidades en cada cosa
y cada cosita son de $4 y $6, respectivamente, Cuntos de cada juguete debe
producir por semana con el fin de maximizar la utilidad? Cul sera la utilidad
mxima?
Mquina
Mquina B
Terminado
8.
Cosa
2 horas
1 hora
1 hora
Cosita
1 hora
1 hora
3 horas
Formulacin de dieta . Una dieta debe contener al menos 16 unidades de

carbohidratos y 20 de protenas. El alimento A contiene 2 unidades de
carbohidratos y 4 de protenas; el alimento B contiene 2 unidades de
carbohidratos y 1 de protenas. Si el alimento A cuesta $1.20 por unidad y el B
$0.80 por unidad, Cuntas unidades de cada alimento deben comprarse para
minimizar el costo? Cul es el costo mnimo?
9.
Extraccin de minerales. Una compaa extrae minerales de un yacimiento. El

nmero de libras de minerales A y B que puede ser extrado por cada tonelada
de los filones I y II est dado en la tabla siguiente junto con los costos por
tonelada. Si la compaa debe extraer al menos 3000 libras de A y 2500 de B,
Cuntas toneladas de cada filn deben ser procesadas con el fin de minimizar
el costo? Cul es el costo mnimo?
42
Filn I
Filn II
Mineral A
110 lb
200 lb
Mineral B
200 lb
50 lb
Costo por tonelada
$50
$60
10.
Costo de construccin. Una compaa qumica est diseando una planta para
producir dos tipos de polmeros, P1 y P2.
La planta debe ser capaz de producir al menos 100 unidades de P1 y 420
unidades de P2 cada da. Existen dos posibles diseos para las cmaras
principales de reaccin que sern incluidas en la planta. Cada cmara de tipo A
cuesta $600,000 y es capaz de producir 10 unidades de P1 y 20 unidades de P2
por da; el tipo B es un diseo ms econmico, cuesta $300,000 y es capaz de
producir 4 unidades de P1 y 30 unidades de P2 por da. A causa de los costos de
operacin, es necesario tener al menos 4 cmaras de cada tipo en la planta.
Cuntas cmaras de cada tipo deben ser incluidas para minimizar el costo de
construccin y satisfacer el programa de produccin requerido? (Suponga que
exista un costo mnimo).
11.
Produccin para utilidad mxima. Un fabricante produce dos tipos de parrillas

para asar, Old Smokey y Blaze Hawai.
Durante la produccin las parrillas requieren del uso de dos mquinas, A y B. El
nmero de horas necesarias en ambas est indicado en la tabla siguiente. Si
cada mquina puede utilizar 24 horas por da y las utilidades en los modelos
son de $4 y $6, respectivamente, cuntas parrillas de cada tipo deben
producirse por da para obtener una utilidad mxima? Cul es la utilidad
mxima?
12.
Mquina A
Mquina B
Old Smokey
2 horas
4 horas
Blaze Away
4 horas
2 horas
Nutrientes en fertilizantes. Un agricultor comprar fertilizantes que contienen

tres nutrientes: A, B y C. Los requerimientos mnimos semanales son 80
unidades de A, 120 de B y 240 de C. Existen dos mezclas populares de
fertilizante en el mercado. La mezcla I cuesta $4 por bolsa, con dos unidades de
A, 6 de B y 4 de C. La mezcla II cuesta $5 por bolsa, con 2 unidades de A, 2 de B
y 12 de C. Cuntas bolsas de cada mezcla debe comprar el agricultor para
minimizar el costo de satisfacer sus requerimientos de nutriente?
43
13.
Programa de produccin. Una compaa petrolera, que tiene dos refineras,

necesita al menos 800, 1400 y 500 barriles de petrleo de grados bajo, medio, y
alto, respectivamente. Cada da la refinera I produce 200 barriles de grado bajo,
300 de medio y 100 de alto grado, mientras que la refinera II produce 100
barriles de grado alto, 100 de bajo y 200 de grado medio. Si los costos diarios
son de $2500 para operar la refinera I y de $ 2000 para la refinera II. Cuntos
das debe ser operada cada refinera
para satisfacer los requerimientos de
produccin a un costo mnimo? Cul es el costo mnimo? (Suponga que existe

un costo mnimo).
14.
Control de contamina cin. A causa de reglamentaciones federales nuevas

sobre la contaminacin, una compaa qumica ha introducido en sus plantas un
nuevo y ms caro proceso para complementar o reemplazar un proceso anterior
en la produccin de un qumico en particular. El proceso anterior descarga 15
gramos de dixido de azufre y 40 gramos de partculas a la atmsfera por cada
litro de qumico producido. El nuevo proceso descarga 5 gramos de dixido de
azufre y 20 gramos de partculas a la atmsfera por cada litro producido. La
compaa obtiene una utilidad de 30 y 20 centavos por litro en los procesos
anterior y nuevo, respectivamente. Si el gobierno permite a la planta descargar
no ms de 10,500 gramos de dixido de azufre y no ms de 30,000 gramos de
partculas a la
atmsfera cada da, cuntos litros de qumico deben ser
producidos diariamente, por cada uno de los procesos, para maximizar la utilidad
diaria? Cul es la utilidad diaria?
15.
World Oil Company puede comprar dos tipos de petrleo crudo: crudo ligero a
un costo de $25 por barril, y petrleo pesado a $22 por barril. Cada barril de
petrleo crudo, ya refinado, produce tres productos: gasolina, turbosina y
Kerosene.
La siguiente tabla indica las cantidades en barriles de gasolina, turbosina y
queroseno producidos por barril de cada tipo de petrleo crudo:
44
Gasolina
Turbosina
Kerosene
Crudo ligero
0.45
0.18
0.30
Crudo pesado
0.35
0.36
0.20
La refinera se ha comprometido a entregar 1 260 000 barriles de gasolina,

900000 barriles de turbosina y 300 000 barriles de kerosene. Como gerente de
produccin, formule un modelo para determinar la cantidad de cada tipo de
petrleo crudo por comprar para minimizar el costo total al tiempo que se
satisfaga la demanda apropiada.
Defina todas las variables de decisin
16.
Carmac Company fabrica carros compactos y subcompactos. La produccin de

cada carro requiere una cierta cantidad de materia prima y mano de obra, como
De especifica en la siguiente tabla:
MATERIA PRIMA(libras)
MANO DE OBRA(horas)
Compactos
200
18
Subcompactos
150
20
Costo unitario$
10
70
Total disponible
80,000
9 000
La divisin de comercializacin ha estimado que a lo ms 1500 compactos

pueden venderse a $10 000 cada uno y que a lo ms 200 subcompactos pueden
venderse a $8000 cada uno. Como vicepresidente de programacin, formule un
modelo para determinar la cantidad a fabricar de cada tipo de carro para
maximizar la ganancia total. Defina todas las variables de decisin.
17.
Destilacin de crudos Una compaa de petrleos produce en sus refineras

gasleo (G), gasolina sin plomo (P) y gasolina sper (S) a partir de dos tipos de
crudos, C1 y C2. Las refineras estn dotadas de dos tipos de tecnologas. La
tecnologa nueva Tn utiliza en cada sesin de destilacin 7 unidades de C1 y 12
de C2, para producir 8 unidades de G, 6 de P y 5 de S. Con la tecnologa antigua
Ta, se obtiene en cada destilacin 10 unidades de G, 7 de P y 4 de S, con un
gasto de 10 unidades de C1 y 8 de C2.
Estudios de demanda permiten estimar que para el prximo mes se deben
producir al menos 900 unidades de G, 300 de P y entre 800 y 1700 de S. La
45
disponibilidad de crudo C1 es de 1400 unidades y de C2 de 2000 unidades. Los

beneficios por unidad producida son:
Gasolina
Beneficio/u 4
La compaa desea conocer cmo utilizar ambos procesos de destilacin, que se

pueden realizar total o parcialmente, y los crudos disponibles para que el
beneficio sea el mximo.
Sugerencia: intentar modelar de la pregunta 7 a la 17 antes de ver las

respuestas. Graficar, resolver el modelo y verificar su grafico y respuesta con el
GLP.
Respuesta a los problemas de la Serie 2

7. Variables de decisin:
Sea:
x1 = la cantidad de juguetes cosas a producir

x 2 = la cantidad de juguetes cositas a producir
f .o MaxZ = 4 x1 + 6 x 2
S .a
2 x1 + x 2 70
1x1 + x 2 40
1x1 + 3x 2 90
xi 0 i = 1,2
8. Variables de decisin
Sea:
x1 = El nmero de unidades del alimento A a comprar

x 2 = El nmero de unidades del alimento B a comprar
46
f .o MinZ = 1.20 x1 + 0.80 x 2

S .a
2 x1 + 2 x 2 16
4 x1 + 1x 2 20
xi 0 i = 1,2
sea:
x1 = El nmero de toneladas a extraer del filn I

x 2 = El nmero de toneladas a extraer del filn II
f .o
Min Z = 50 x1 + 60 x2
S .a
110 x1 + 200 x2 300
200 x1 + 50 x2 2500
xi 0 i = 1, 2
10. Variable de decisin:
Sea:
x1 = El nmero de cmaras del tipo A

x 2 = El nmero de cmaras del tipo B
f .o MinZ = 600 000 x1 + 300 000 x 2

S .a
10 x1 + 4 x 2 100
20 x1 + 30 x 2 420
1x1 4
1x 2 4
xi 0 i = 1,2

sea:
x1 = El nmero de
x 2 = El nmero de
47
f .o MaxZ = 4 x1 + 6 x 2
S .a
2 x1 + 4 x 2 24
4 x1 + 2 x 2 24
xi 0 i = 12

Sea:
x1 = El nmero de bolsas de la mezcla I

x 2 = El nmero de bolsas de la mezcla II
f .o
Min Z = 4 x1 + 5 x2
S .a
2 x1 + 2 x2 80
6 x1 + 2 x2 120
4 x1 + 12 x2 240
xi 0 i = 1, 2
Sea:
x1 = El nmero de das a operar en la refinera I

x 2 = El nmero de das a operar en la refinera II
f .o
Min Z = 2500 x1 + 2000 x2
S .a
200 x1 + 100 x2 80 0
300 x1 + 200 x2 1400

100 x1 + 100 x2 500
xi 0 i = 1, 2
sea:
x1 = El nmero de litros producidos en el proceso I

x 2 = El nmero de litros producidos en el proceso II
48
f .o
Max Z = 0.30 x1 + 0.20 x2
S .a
15 x1 + 5 x2 10500
40 x1 + 20 x2 30000
xi 0 i = 12

Sea:
x1 = la cantidad de barriles de crudo ligero a comprar

x 2 = La cantidad de barriles de crudo ligero a comprar
f .o
Min Z = 25 x1 + 22 x2
S .a
0.45 x1 + 0.35 x2 12600000 0
0.18 x1 + 0.36 x2 1900000

0.30 x1 + 0.20 x2 5300000
xi 0 i = 1, 2
Sea:
x1 = la cantidad de carros compactos a fabricar

x 2 = La cantidad de carros sub compactos a fabricar
f .o
Min Z = 6740 x1 + 5100 x2
S .a
200 x1 + 150 x2 8000 0
18 x1 + 20 x2
9000
x1
1500
x2
200
xi 0 i = 1, 2
Sea:
x1 = El numero de destilaciones con Tn

x 2 = El nmero de destilaciones con Ta
Observe que la funcin objetivo es maximizar el beneficio Z del producto destilado

49
Z= (beneficio por unidad de G X unidades producidas de G) + (beneficio por unidad de

P X unidades producidas de P) + (beneficio por unidad de S X unidades producidas de
S)
z = 4(8 x1 + 10 x2 ) + 6(6 x1 + 7 x2 ) + 7(5 x1 + 4 x2 ) = 103 x1 + 110 x2

f .o
MaxZ = 103 x1 + 110 x2
S .a
7 x1 + 10 x2 1400 limitacion de crudo c1
12 x1 + 8 x2 2000 limitacion de crudo c2
8 x1 + 10 x2 900 demanda de G
6x1 +7x 2
300 demanda de p
5x1 +4x 2 1700 demanda de S

5 x1 + 4 x2 800 demanda de S
xi 0 i = 1, 2
50
3.
APLICACIONES DE PL EN LA GESTIN DE OPERACIONES Y

PRESENTACIN DE LA SOLUCIN MEDIANTE SOFTWARE
Aunque existen numerosos paquetes de computacin para resolver un modelo, no

existen para construir un modelo. Sin un modelo de nada sirve el mejor software ni la
mejor PC.
Objetivo
El objetivo fundamental es poner nfasis en la construccin de modelos a las
diferentes gestiones de operacin como pueden ser: de produccin, compra mezcla,
distribucin etc.
Ejemplos 1
Se hace un pedido a una papelera de 800 rollos de papel corrugado de 30 pulgadas
de ancho, 500 rollos de 45 pulgadas de ancho y 1000 de 56 pulgadas. Si la papelera
tiene solamente rollos de 108 pulgadas de ancho, cmo deben cortarse los rollos
para surtir el pedido con el mnimo desperdicio de papel?
Solucin
Modelando
108 pulgadas
1) __________________________________
Tres de 30 con desperdicio 18
2) ___________________________________
Dos cortes de 30 y uno de 45 con desperdicio 3
3) _____________________________________
Uno de 30 y uno de 56 con desperdicio 22
4) ______________________________________
Dos de 45 con desperdicio 18
5) _______________________________________
Uno de 45 y uno de 56 con desperdicio 7
51
Sea
X1 el nmero de cortes a realizar 3 de 30 con desperdicio 18
X2 el nmero de cortes a realizar 2 de 30 y uno de 45 con desperdicio 3
X3 el nmero de cortes a realizar 1 de 30 y uno de56 con desperdicio 22
X4 el nmero de cortes a realizar 2 de 45 con desperdicio 18
X5 el nmero de cortes a realizar 1 de 45 y uno de 56 con desperdicio 7
La funcin Objetivo consiste en minimizar el desperdicio
F.O. Min D= 18x1+ 3x2 +22x3 +18 x4 +7x5

S.a.
3X1+2X2+1X3 = 800 (30 pulgadas)

1X2+2X4+1X5
= 500 (45 pulgadas)
1X3+1X5
= 1000 (56 pulgadas)
Xi>=0 i=1,2,3,4,5
Respuesta.
X1 =1000 cortes a realizar 3 de 30
X2 =0 cortes a realizar 2 de 30 y uno de 45
X3 =500 cortes a realizar 1 de 30 y uno de56
X4 =0 cortes a realizar 2 de 45
X5=500 cortes a realizar 1 de 45 y uno de 56
Desperdicio mn ptimo= 16300
52
Ejemplo 2
Una empresa se dedica a comprar y vender un producto durante algunos meses. El
precio de mercado tanto de compra como de venta, por tonelada, es:
60
90
80
110
ABRIL MAYO JUNIO JULIO
Se sabe que el costo de almacenamiento es de 10 u.m. por mes y tonelada, y el

almacn tiene una capacidad de 20 toneladas. Suponiendo que tanto la compra como
la venta se realizan al principio de mes, que el 1 de Abril no hay stock y que no debe
haber stock al final de julio, determinar la mejor poltica de compra/venta.
Solucin
Modelando
Observe
i)
En Abril no tenemos stok luego nos dedicamos a comprar
ii)
En Julio no debe haber stok en julio luego tanto solo vendemos
60
90
80
110

X1 C
X2C
X3C (compra)
X4V
X5V
X6V(vende)
Sea:
X1 el nmero de toneladas que compra en el mes de abril
X2el nmero de toneladas que compra en el mes de mayo
X3 el nmero de toneladas que compra en el mes de junio
X4el nmero de toneladas que vende en el mes de mayo
X5el nmero de toneladas que vende en el mes de junio
X6el nmero de toneladas que vende en el mes de julio
Ingresos: 90X4+80X5+110X6
53
Costos: 60X1+90X2+80X3
Costos de almacn: 10X1+10(X1+X2-X4)+10(X1+X2+X3-X4-X5)

Stock en abril 0<=X1<=20
Stock en mayo 0<=X1+X2-X4<=20
Stock en junio 0<=X1+X2+X3-X4-X5<=20
f.O MAX U= 90X4+80X5+110X6-60X1-90X2-80X3-10X1-10(X1+X2-X4)-10(X1+X2+X3

- X4 - X5)
Modelo matemtico
F.O MAX U=110X4+90X5+110X6-90X1-110X2-90X3
s.a
Restricciones de capacidad
X1<=20
X1+X2-X4>=0
X1+X2-X4<=20
X1+X2+X3-X4-X5>=0
X1+X2+X3-X4-X5<=20
Condicion de equilibrio
X1+X2+X3-X4-X5-X6=0
Xi>=0 i=1,2,6
54
Ejemplo 3
Gasahol Inc. tiene 14 000 galones de una mezcla de gasolina y alcohol almacenada
en su instalacin de Fresno y 16000 galones almacenados en su instalacin de
Bakerfield. Desde estas instalaciones, Gasahol debe proveer a Fresh Food Farms
(FFF) 10 000 galones y a American Growers (AG) 20 000 galones. El costo de
embarcar 1 galn desde cada instalacin de almacenado a cada cliente es:
HACIA
DE
FFF
AG
Fresno (Fr)
$0.04
$0.06
Bakersfield (B)
$0.05
$0.03
Formule un modelo de programacin lineal para determinar el plan de embarque de

costo mnimo que satisfaga las restricciones de provisin y demanda.
Solucin
Almacenado
14.000
$ 0.04
FFF
X1
Fr
$ 0.06
Demanda
X2
1000
$ 0.05
X3
X4
AG
Demanda
2000
$ 0.03
B
Almacenado
16.000
55
Sean las variables de decisin:

X1 nmero de galones que enva Fr a FFF
X2 nmero de galones que enva Fr a AG
X3 nmero de galones que enva Ba a FFF
X4 nmero de galones que enva Ba a AG
f .o.Minz = 0.04 x + 0.06 x2 + 0.05 x3 + 0.03x4

1
S.a.
x1 + x3 = 10000 demanda
x2 + x4 = 2000 demanda
x1 + x 2 14000 oferta en almacen
x3 + x4 16000 oferta en almacen

xi 0, i =1,2,3,4
Ejemplo 4
Problema de distribucin. Cosmic Computer Company CCC tiene tres plantas de
ensamblaje de microcomputadoras en San Francisco, Los ngeles y Phoenix. La
planta de los ngeles tiene una capacidad de produccin mensual de 2000 unidades.
Cada una de las plantas de San Franciscop y Phoenix puede producir un mximo de
1700 unidades al mes. Las microcomputadoras de CCC se venden a travs de cuatro
tiendas detallistas localizadas en San Diego, Barstow, Tucson y Dallas. Los pedidos
mensuales de los vendedores al menudeo son de 1700 unidades en San Diego, 1000
en Barstow, 1500 en Tucson y 1200 en Dallas. La tabla contiene el costo de embarque
de una microcomputadora desde cada planta de ensamblaje hasta cada una de las
distintas tiendas minoristas. Su trabajo es formular un modelo matemtico para
encontrar el programa de embarque de mnimo costo.
PLANTAS
San Francisco
Los ngeles
Phoenix
56
SAN DIEGO
5
4
6
TIENDAS
BARSTOW
TUCSON
3
2
7
8
5
3
DALLAS
6
10
8
Solucin
Plantas de ensamblaje-ofertas
Tiendas-demanda
San francisco
1700
Los ngeles
2000
San diego
1700
Barstow
1000
Tucson
1500
Phoenix
1700
Dallas
1200
Sean las variables de decisin:

X1 la cantidad de microcomputadoras a enviar de
SF --- SD
SF --- B
SF --- T
SF --- D
LA --- SD
LA --- B
LA --- T
LA --- D
P --- SD
P --- B
P --- T
P --- D
f .o.Min C = 5 x1 + 3x2 + 2 x3 + 6 x4 + 4 x5 + 7 x6 + 8 x7 + 10 x8 + 6 x9 + 5 x10 + 3x11 + 8 x12

s.a
57
Capacidad de produccin
x1 + x2 + x3 + x4 1700
x5 + x6 + x7 + x8 2000
x9 + x10 + x11 + x12 1700
Demanda
x1 + x5 + x9 = 1700
x2 + x6 + x10 = 1000
x3 + x7 + x11 = 1500
x4 + x8 + x12 = 1200
xi 0, i = 1, 2,3,...12
58

Aplicaciones de la programacin lineal
Leer cuidadosamente y abstraer el modelo matemtico:
1. Fresh Dairy Faros tiene dos mquinas distintas para procesar leche pura y producir
leche descremada, mantequilla o queso. La cantidad de tiempo requerido en cada
mquina para producir cada unidad de producto resultante y las ganancias netas se
proporciona en la siguiente tabla:
LECHE DESCREMADA
MANTEQUILLA
QUESO
Mquina 1
0.2 min/gal
0.5min/lb
1.5min/lb
Mquina2
0.3min/gal
0.7min/lb
1.2min/lb
$0.22/gal
$0.38/lb
$0.72/lb
Ganancia
neta
Suponiendo que se dispone de 8 horas en cada mquina diariamente, como gerente

del departamento de produccin, formule un modelo para determinar un plan de
produccin diaria que maximice las ganancias corporativas netas y produzca un
mnimo de 300 galones de leche descremada, 200 libras de mantequilla 100 libras de
queso.
2. Cada galn de leche, libra de queso y libras de manzanas proporciona un nmero

conocido de miligramos de protenas y vitaminas A, B y C. La siguiente tabla incluye
esos datos junto con los requerimientos diarios de los ingredientes nutricionales,
segn lo recomendado por el Departamento de agricultura de los EE.UU.
La tabla tambin incluye la cantidad mnima da cada alimento que debe incluirse en la
comida y su costo.
59
Requerimientos
Leche(mg/gal)
Queso(mg/lb)
Manzanas(mg/lb
Protenas
40
30
10
80
Vitamina A
50
30
60
Vitamina B
20
30
40
50
Vitamina C
30
50
60
30
Cantidad
0.5gal
0.5lb
0.5lb
$2.15
$2.25
$1.25
Mnimos diarios
Mnima
Costo
unitario
Como dietista de una escuela pblica, formule un modelo para determinar la comida
de costo mnimo que rena todos los requerimientos nutricionales.
3. Rich Oil Company, cerca de Cleveland, suministra gasolina a sus distribuidores en

camiones. La compaa recientemente recibi un contrato para iniciar el suministro de
800,000 galones de gasolina por mes a distribuidores de Cincinatti. La compaa tiene
$500 000 disponibles para crear una flota consistente en tres tipos diferentes de
camiones. En la siguiente tabla se muestra la capacidad relevante, costos de compra,
costo operativo nmero mximo de viajes por cada tipo de camin:
Tipo de
Costo
Mximo
de
de
operacin($/mes)
viajes/mes
50 000
800
20
3000
40 000
650
25
2000
25 000
500
30
Capacidad
Costo de
(galones)
compra($)
6000
2
3
camin
Sobre la base del mantenimiento y la disponibilidad de conductores, la compaa no

desea comprar ms de 10 vehculos para su flota. Asimismo, la compaa deseara
asegurarse que se compren al menos tres de los camiones del tipo 3 (se requieren
para su uso en las rutas de trayecto corto/ baja demanda). Finalmente, la compaa no
60
desea que ms de la mitad de la flota sea de camiones del tipo 1. Como gerente de
operaciones formule un modelo para determinar la composicin de la flota que
minimice los costos operativos mensuales al tiempo que satisfaga las demandas, no
salindose del presupuesto y satisfaciendo los requerimientos de las otras compaas.
4. Hexxon Oil Company tiene una gran refinera localizada en Newark, New Jersey. La
gasolina refinada es enviada de all a tanques de almacenamiento en Filadelfia a
travs de una red de oleoductos con estaciones de bombeo en Sayerville, Easton,
Trenton, Bridgewater y Allentown. El oleoducto esta construido en segmentos que
conectan parejas de estas ciudades. A lo largo de cada segmento existe un nmero
mximo conocido de galones por horas que pueden enviarse. Estos segmentos y sus
respectivas capacidades en galones por hora son:
DE
CAPACIDAD
Newark
Sayerville
150 000
Sayerville
Trenton
125 000
Trenton
Filadelfia
130 000
Newark
Bridgewater
80 000
Sayerville
Bridgewater
60 000
Bridgewater
Easton
Easton
Allentown
75 000
Easton
Trenton
50,000
Allentown
Filadelfia
90 000
100 000
En la regin de Filadelfia se espera un aumento en la conduccin en los prximos

meses de verano. Antes de incrementar la tasa de produccin de la refinera, la
administracin de Hexxon desea conocer el nmero mximo de galones de gasolina
por hora que pueden enviarse a travs de la red de oleoductos a los tanques de
almacenamiento de Filadelfia.
61
5. ManuMania Company usa una base y dos productos de goma, todos en cantidades
iguales, para producir su Gooey Gum. La compaa puede producir un total combinado
de hasta 800 libras de la base y dos productos de goma. De manera alternativa, puede
comprar estos ingredientes en el mercado abierto en las siguientes cantidades de
dlares por libra:
COSTO DE
PRODUCTO
PRODUCCIN
COSTO DE COMPRA
Base
1.75
3.00
GP-
2.00
3.25
GP-2
2.25
3.75
Formule un modelo para determinar el plan de produccin de costo mnimo/compra

para satisfacer una demanda de 1200 libras de Gooey Gum.
6. Oklahoma Oil Inc. debe transportar 100 000 barriles de cada uno de sus tres
campos petroleros a su tanque de almacenamiento en Oklahoma City. El petrleo
puede transportarse en camiones directamente de los campos al tanque de
almacenamiento a un costo de $0.03 por barril por milla. Hasta 150 000 barriles de
petrleo tambin pueden enviarse desde los campos mediante ductos a un eje central
en Tulsa a un costo de $0.02 por barril por milla y luego transportarse en camiones a
Oklahoma City por $1 por barril. Formule un modelo para determinar el plan de
embarque de costo mnimo, dadas las siguientes distancias en millas:
HACIA
DESDE
OKLAHOMA
TULSA
Campo petrolero 1
150
50
Campo petrolero 2
170
65
Campo petrolero 3
190
80
7. Incredible Indelible Ink Company mezcla tres aditivos, A1, A2 y A3 a una base en
diferentes proporciones para obtener distintos colores de tinta. La tinta roja se obtiene
mezclando A1, A2 y A3 en la proporcin de 3:1:2, la tinta azul en la proporcin de 2: 3: 4
y la tinta verde en la proporcin de 1:2:3. Despus de mezclar estos aditivos, se aade
una cantidad igual de base para cada color. La compaa actualmente tiene 1000
62
galones de A1, 1500 de A2, 2000 de A3, y 4000 de base. Dado que el precio de venta
por galn de cada tipo de tinta es el mismo, desarrolle un modelo para determinar
cmo deberan usarse estos recursos para obtener los mximos ingresos.
8. La seora Amy Jenkins, directora de comunicaciones de Tele Com, acaba de salir

de una junta. La gerencia superior ha decidido que, debido a un importante grupo
nuevo de clientes de Los ngeles y Boston, es necesario incrementar la capacidad
existente de transmisin de datos entre las oficinas y estas dos ciudades. La actual red
de comunicaciones tiene oficinas intermedias con computadoras y capacidad de
retransmisin en Salt Lake City, Phoenix, Denver, Albuquerque, Minneapolis, Houston,
Chicago, Atlanta, Cheveland, Washington, D.C. y Nueva York.
Como primer paso, la seora Jenkis necesita revisar el sistema actual. De sus
archivos ha obtenido la siguiente lista de enlaces de comunicacin entre ciertas
parejas de estas ciudades y el nmero mximo de bits por da que pueden enviarse a
travs de ese enlace:
DE
Los ngeles
Salt Lake
BITS MXIMOS POR DA

(BILLONES)
15
Los ngeles
Phoenix
12
Salt Lake
Denver
10
Salt Lake
Albuquerque
10
Phoenix
Albuquerque
12
Denver
Minneapolis
Albuquerque
Houston
Minneapolis
Chicago
15
Houston
Atlanta
12
Chicago
Cleveland
15
Atlanta
Cleveland
12
Atlanta
Washington
14
Cleveland
Washington
Cleveland
Boston
12
Washington
Nueva York
15
Nueva York
Boston
18
63
Determinar el nmero mximo de bits por da que pueden transmitirse desde la oficina
de los a ngeles a la de Boston a travs de la red existente. Formular como un PPL.
9. Una empresa se dedica a comprar y vender un producto durante algunos meses. El

precio de mercado tanto de compra como de venta, por tonelada, es:
60
90
80
110
Se sabe que el costo de almacenamiento es de 10 u.m. por mes y tonelada, y el

almacn tiene una capacidad de 20 toneladas. Suponiendo que tanto la compra como
la venta se realizan al principio de mes, que el 1 de abril no hay stock y que no debe
haber stock al final de julio, determinar la mejor poltica de compra/venta.
10. Fresh Food Faros Inc. tiene 50 acres de tierra en la cual planta cualquier cantidad
de maz, soya, lechuga, algodn y brcoli. La siguiente tabla muestra la informacin
relevante perteneciente a la produccin, el costo de plantacin, el precio de venta
esperado y los requerimientos de agua para cada cultivo:
CULTIVO
PRODUCCION
COSTO
PRECIODEVENTA
AGUA
KG/ACRE
$/KG
($/KG)
REQUERIDA
(litros/kg)
Maz
640
1.00
1.70
8.75
Frijoles de Soya
500
0.50
1.30
5.00
Lechuga
400
0.40
1.00
2.25
Algodn
300
0.25
1.00
4.25
Brcoli
350
0.60
1.30
3.50
Para la prxima temporada, hay 100 000 litros de agua disponible y la compaa ha
contratado vender al menos 5120 kilogramos de maz. Formule un programa lineal
para determinar una estrategia de plantacin ptima para Fresh Food Faros Inc. Use
el nmero de acres de cada cultivo para plantacin como las variables de decisin.
64
11. Un cierto restaurante opera 7 das a la semana. A las camareras se les contrata
para trabajar 6 horas diarias. El contrato del sindicato especifica que cada camarera
debe trabajar 5 das consecutivos y despus tener 2 das consecutivos de descanso.
Cada camarera recibe el mismo sueldo semanal. En el cuadro se presenta las
necesidades de contratacin.
Supngase que este ciclo de necesidades se repite en forma indefinida y no toma en
cuenta el hecho de que el nmero de camareras contratadas tiene que ser un nmero
entero.
El gerente desea encontrar un programa de empleo que satisfaga estas necesidades a
un costo mnimo. Formule este problema como un PPL.
Necesidades de contratacin de camareras
Lunes
Nmero mnimo de
horas de camarera
necesario
150
Martes
200
Mircoles
400
Jueves
300
Viernes
700
Sbado
800
Domingo
300
Da
12. A un gabinete de ingenieros agrnomos le encargan la planificacin del cultivo de

tres fincas de labranza de rendimiento similar. La superficie cultivable de cada finca
medida en ha y el personal disponible en cada una de ellas se tiene en la tabla.
Finca
Superficie de
Nmero de
Cultivo
trabajadores
300
20
640
40
445
30
65
Los empleados trabajan un promedio de 7 horas diarias, 22 das al mes. El gabinete

se propone dedicar la superficie cultivable a maz, que puede ser de tres variedades
diferentes denominadas largo (L), mocho(M) y grande(G). La tabla que sigue
proporciona las superficies mximas que pueden cultivarse con cada variedad (por
limitaciones en la disponibilidad de semilla), las necesidades de mano de obra por mes
y el beneficio esperado en miles de $, por ha en ambos casos.
Tipo de
Superficie
Mano de obra
Beneficio/Ha
Maz
mxima
horas/mes/Ha
miles de $
350
800
510
760
480
735
La siembra tiene asociada unos costos por ha que difieren segn la finca y el tipo de
maz utilizado y que indicamos en miles de $.
L
1 60 48 52
2 56 51 50
3 53 50 61
Para respetar los deseos del propietario, el gabinete debe desarrollar una planificacin
en la que la proporcin de tierra dedicada al cultivo sea la misma en las tres fincas,
aunque la proporcin de las variedades de maz plantado no tenga que respetar tal
condicin.
Formular un modelo de programacin lineal para conocer la superficie de cultivo y el
tipo de maz utilizado en cada finca para que el beneficio esperado sea mximo.
66
II Unidad didctica
REPRESENTACIN MATEMTICA DEL

MODELO LINEAL Y EL MTODO SIMPLEX
Segunda unidad didctica
SIMPLEX
4. REPRESENTACIN MATEMTICA DEL MODELO LINEAL
4.1. Planteamiento y formulacin de un programa lineal
4.2. Forma matricial
4.3. Diversas formas de presentacin del modelo de programacin lineal
4.3.1. Definicin: forma estandarizada de un problema de programacin lineal (ppl)
4.3.2. Definicin: forma cannica de un problema de programacin lineal (ppl). Caso
maximizacin
4.3.3. Definicin: forma cannica de un problema de programacin lineal (ppl). Caso
minimizacin
4.3.4. Propiedades de un programa lineal. Soluciones bsicas
4.3.5. Teorema fundamental de la programacin lineal
5. EL MTODO SIMPLEX
5.1
Ejemplo de maximizacin
5.2
Soluciones no acotadas y soluciones optimas mltiples
5.3. Mtodo de penalizacin

5.4. Uso del mtodo simplex
5.5. Minimizacin
6. LA TEORA DE LA DUALIDAD
6.1. El problema dual
6.2. Existe una relacin importante entre el primal y su dual
6.3. Ejemplos utilizando el algoritmo simplex dual
7. ANLISIS DE SENSIBILIDAD Y PROGRAMACIN PARAMTRICA
7.1. Anlisis de sensibilidad de los coeficientes de la funcin objetivo
7.2
Anlisis de sensibilidad de los valores del lado derecho (LD)
7.3. Programacin lineal paramtrica
69
Objetivos
II Unidad didctica
REPRESENTACIN MATEMTICA DEL MODELO LINEAL
Y EL MTODO SIMPLEX
Objetivo:
Al finalizar la presente unidad didctica estar en la capacidad de reconocer la
importancia de representar problemas reales en trminos matemticos.
As
como
conocer y aplicar el algoritmo Simplex en la solucin de problemas de optimizacin.

Conoce y aplica la representacin matemtica de un modelo lineal.
Comprende la importancia del algoritmo Simplex en la solucin de problemas de programacin

lineal.
70
Contenidos
II Unidad didctica
REPRESENTACIN MATEMTICA DEL MODELO LINEAL Y

EL MTODO SIMPLEX
4.
REPRESENTACIN MATEMTICA DEL MODELO LINEAL
4.1. PLANTEAMIENTO Y FORMULACIN DE UN PROGRAMA LINEAL

Un problema de programacin lineal es un programa matemtico en el que tanto la
funcin objetivo como las funciones que definen las restricciones son lineales. Las
restricciones pueden ser de igualdad o desigualdad no estricta. Por tanto, la
formulacin general es:
opt (max o min) c1 x1 + c2 x2 + ... + cn xn

s.a.
a11 x1 + ... + a1n xn b1
a21 x1 + ... + a2 n xn b2
#
am1 x1 + ... + amn xn bm

d11 x1 + ... + d1n xn s1
#
d k1 x1 + ... + d kn xn sk
e11 x1 + ... + e1n xn = t1
#
ei1x1 +...+ein x n =t i
x1 0, x2 0,..., xn 0
71
4.2. FORMA MATRICIAL
opt (max o min) c x

s.a.
Ax b
Dx s
Ex = t
x0
Donde c \ n , b \ m , s \ k , t \ i y A, D, y E son matrices de orden mxn , kxn y
ixn respectivamente.
4.3. DIVERSAS FORMAS DE PRESENTACIN DEL MODELO DE
PROGRAMACIN LINEAL
Ciertas formas de presentacin han recibido nombres especficos, como se vera
enseguida:
4.3.1. Definicin: Forma estandarizada de un problema de programacin lineal
(PPL)
El modelo de un PPL est en forma estandarizada si el objetivo es maximizar o
minimizar una funcin objetivo sujeta a un conjunto de restricciones de la forma igual
que exclusivamente y las variables de decisin slo admiten valores no negativos.
Luego diremos que un programa lineal est formulado en forma estndar si viene
expresado como sigue
min(max) c1 x1 + c2 x2 + ... + cn xn
s.a.
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2 n xn = b2
#
#
#
#
a m1x1 +a m2 x 2 +...+a mn x n =b m
xi 0; i = 1, 2,3,..., n
72
4.3.2. Definicin: Forma cannica de un problema de programacin lineal (PPL)

caso maximizacin
El modelo de un PPL est en forma cannica si el objetivo es maximizar una funcin
lineal sujeta a un conjunto de restricciones de la forma menor o igual que y las
variables de decisin slo admiten valores no negativos.
Luego diremos que un programa lineal est formulado en forma cannica si viene
expresado como sigue:
max c1 x1 + c2 x2 + ... + cn xn
s.a.
a11 x1 + a12 x2 + ... + a1n xn b1
a21 x1 + a22 x2 + ... + a2 n xn b2
#
#
#
#
a m1x1 +a m2 x 2 +...+a mn x n b m
xi 0; i = 1, 2,3,..., n
4.3.3. Definicin: forma cannica de un problema de programacin lineal (PPL
caso minimizacin
El modelo de un PPL est en forma cannica si el objetivo es minimizar una funcin
lineal sujeta a un conjunto de restricciones de la forma mayor o igual que y las
variables de decisin slo admiten valores no negativos.
Luego diremos que un programa lineal est formulado en forma cannica si viene
expresado como sigue
max c1 x1 + c2 x2 + ... + cn xn
s.a.
a11 x1 + a12 x2 + ... + a1n xn b1
a21 x1 + a22 x2 + ... + a2 n xn b2
#
#
#
#
a m1x1 +a m2 x 2 +...+a mn x n b m
xi 0; i = 1, 2,3,..., n
73
Teniendo en cuenta lo siguiente:

1.
Max(c1 x1 + c2 x2 + ... + cn xn )=-Min(c1 x1 c2 x2 ... cn xn )
2.
Una restriccin de igualdad
a11 x1 + ... + ain xn = bi Es equivalente a las restricciones de desigualdad:

n
a x
j =1
ij
= ai1 x1 + ai 2 x2 + ... + ain xn bi
= ai1 x1 + ai 2 x2 + ... + ain xn bi
a x
j =1
ij
3.
Una restriccin de la forma:
a x
ij
j =1
bi se puede transformar en una restriccin
a x
de igualdad de acuerdo con:
j =1
ij
+ xn +i = 0 con xn +i 0 donde xn +i recibe el
nombre de variable de holgura.

n
4.
Una restriccin de la forma:
a x
ij
j =1
bi se puede transformar en una restriccin
de igualdad de acuerdo con:
a x
j =1
ij
xn +i = 0 con xn +i 0 donde xn +i recibe el
nombre de variable de exceso.
5.
Sea xk una variable libre, es decir, una variable para la que no existe la
restriccin de no negatividad. Si se define xk = uk vk con uk 0 y vk 0 y se
sustituye en el programa se consigue que en el programa resultante todas las
variables estn sujetas a restricciones de no negatividad.
Se concluye que todo programa lineal puede expresarse siempre en forma
estndar o cannica.
74
4.3.4. Propiedades de un programa lineal. Soluciones bsicas

Proposicin 1 (propiedades de los programas lineales)
Dado un programa lineal se verifica que:
(i)
Es convexo ya sea de maximizacin o minimizacin.
(ii)
La solucin ptima. Si existe, es global.
(iii)
Nunca existen ptimos locales que no sean globales.
(iv)
Puede tener o no solucin: caso de existir solucin, sta se encuentra en

un nico punto o bien en infinitos puntos.
Proposicin 2
Si un programa lineal tiene solucin ptima, entonces siempre existe un punto extremo
del conjunto factible en el que se alcanza la solucin ptima.
Proposicin 3
*
Dado un programa lineal con conjunto factible S, se verifica que x S es un punto

extremo de S si y slo si es una solucin bsica factible del programa lineal
expresado en forma estndar.
4.3.5. Teorema Fundamental de la Programacin Lineal
Dado el programa lineal en forma estndar
min cx
s.a.
Ax = b
x0
Donde la matriz A de orden mxn con m < n tiene rango m se verifica que:
i)
Si existe una solucin factible entonces existe una solucin bsica factible.
ii)
Si existe una solucin factible ptima entonces existe una solucin bsica factible
ptima.
75
5.
EL MTODO SIMPLEX
Hasta ahora hemos resuelto problemas de programacin lineal por un mtodo

geomtrico. Este mtodo no es prctico cuando el nmero de variables aumenta a tres
y, desde luego, no es posible usarlo si las variables son ms de tres. Ahora veremos
una tcnica diferente: el Mtodo Simplex.
Este mtodo se debe a Dantzig y fue dado a conocer en 1947. Su base matemtica es
bastante amplia, pero, solamente se enunciarn las reglas de clculo.
Objetivo: mostrar cmo el mtodo Simplex es utilizado para resolver un problema de
programacin lineal estndar. Este mtodo le permitir resolver problemas que no
pueden ser resueltos geomtricamente.
Problema estndar de programacin lineal
Problema:
maximizar Z = c1 x 1 + c 2 x 2 + ... + c n x n
a11 x1 + a12 x 2 + ... + a1n x n b1
sujeto a :
a 21 x1 + a 22 x 2 + ... + a 2 n x n b2
a m1 x1 + a m 2 x 2 + ... + a mn x n bm
Donde x1 , x 2 ,...x n y b1 , b2 ,...bm son no negativos
Como se tiene m desigualdades, es necesario agregar m variables de holgura, ahora
bien, al introducir m incgnitas ms en las restricciones, deben aumentarse tambin en
la funcin objetivo. Sin embargo, para que no alteren dicha funcin, estas incgnitas
debern figurar con coeficiente cero.
maximizar Z = c1 x 1 + c 2 x 2 + ... + c n x n + 0 x n +1 + ... + 0 x n + m

sujeto a:
a11 x1 + a12 x 2 + ... + a1n x n + x n +1

a 21 x1 + a 22 x 2 + ... + a 2 n x n +
= b1
+ x n +2
= b2
a m1 x1 + a m 2 x 2 + ... + a mn x n +
76
+ x n +m = bm
Las variables de holgura: x n +1 , x n + 2 ,...x n + m

Mtodo: leer y entender cada tem cuidadosamente de estos pasos depende el xito
de las operaciones que vamos a realizar para encontrar la solucin ptima en los
diferentes casos que se nos presente.
1.
Configure la tabla Simplex inicial
| x1 x 2 x n x n +1 x n + 2 .........x n + m
Z
x | a a
0...............0
0
n +1 11 12 a1n 1
x n + 2 | a 21 a 22 a 2n 0
1...............0
0
...............................................................................
x n + m | a m1 a m2 a mn
0
0
1
0
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Z | c1 - c 2 - c n
0
0
0
1
| b1
| b2
| bm
|0
|b
in dica dores
Las variables de holgura son xn +1 , xn + 2,...
2.
Si todos los indicadores en el ltimo rengln son no negativos, entonces Z tiene

un valor mximo cuando x1 = 0, x 2 = 0.....x n = 0 . El valor mximo es 0.
Si existen indicadores negativos, localice la columna en la que aparezca el
indicador ms negativo. Esta columna pivote proporciona la variable entrante.
3.
Divida cada entrada positiva por encima de la lnea punteada en la columna de la

variable entrante, con el correspondiente valor de b. (tomando el valor de b como
dividendo y la entrada positiva como divisor).
4.
Marque la entrada en la columna pivote que corresponda al cociente ms

pequeo del paso (3). Esta es la entrada pivote. La variable saliente es aquella
que est a la izquierda en el rengln pivote.
5.
Utilice operaciones elementales sobre renglones para transformar la tabla en una

nueva tabla equivalente que tenga un 1 donde estaba la entrada pivote y ceros
en las otras entradas de esa columna.
77
6.
En el lado izquierdo de esta tabla la variable entrante reemplaza a la variable

saliente.
7.
Si los indicadores de la nueva tabla son todos no negativos, tendr usted una
solucin ptima. El valor mximo de Z es la entrada en el ltimo rengln y la
ltima columna. Ocurre cuando las variables a la izquierda de la tabla son iguales
a las correspondientes entradas en la ltima columna. Todas las dems variables
son iguales a cero. Si al menos uno de los indicadores es negativo, repita el
proceso empezando con el paso 2 aplicado a la nueva tabla.
Como ayuda para entender el mtodo Simplex, podra interpretar ciertas entradas en
la tabla. Suponga que obtenemos una tabla cuyo ltimo rengln est indicado a
continuacin
|x1 x 2 x n x n +1 x n + 2 ........... x n + m Z |
|
.
.
.
.
.
|
|.
|
.
.
.
.
.
.........................................................................
|.
.
.
.
.
.
|
- |---------------------------------------------------------
Z | a
|h
Podemos interpretar la entrada b, por ejemplo, como sigue. Si x2 es no bsica y se

fuera a convertir en bsica, entonces por cada aumento de 1 unidad en x2 ,
Si b<0, Z aumenta en b unidades;

Si b>o, Z disminuye en b unidades;
Si b =0, no hay cambio en Z.
78
Conceptos bsicos
a)
Algoritmo Simplex: es el mtodo algebraico para resolver cualquier problema
de programacin lineal en un nmero finito de pasos en una computadora.

b)
Iteracin: una serie de pasos de un algoritmo que se repite.
c)
Prueba de optimalidad : mtodo para determinar si la solucin obtenida es la

ptima.
d)
Forma estndar: una forma particular de un problema de programacin lineal

en el que la funcin objetivo debe ser maximizada; solamente existen
restricciones de igualdad y todos los lados derechos y variables son no
negativas.
e)
Variable de holgura: es una variable no negativa que se aade al lado izquierdo

de una restriccin menor o igual que, para obtener una restriccin de igualdad
equivalente.
f)
Variable de supervit : es una variable no negativa que se resta del lado

izquierdo de una restriccin mayor o igual que, para obtener una restriccin de
igualdad equivalente.
g)
Variable no bsica : conjunto seleccionado de variables de un programa lineal

en forma estndar (en nmero igual al total de variables menos el nmero de
restricciones de igualdad) cuyos valores se toman como cero o dicho de otra
forma (son las variables de decisin que toman el valor de cero).
h)
Variable bsica: una de las variables restantes, diferentes a las no bsicas,

de un PL en forma estndar (igual en nmero al total de restricciones de
igualdad) o dicho de otra forma son las variables de decisin que quedan para
resolver el sistema (toman valores por lo menos una diferente de cero).
79
i)
Solucin bsica: son valores de las variables que satisfacen las restricciones
de igualdad de un programa lineal en forma estndar, despus de que las
variables no bsicas se toman como cero.
j)
Solucin factible bsica (sfb) : valores de las variables que satisfacen las
restricciones de igualdad y de no negatividad de un programa lineal en forma
estndar, despus de que las variables no bsicas se toman como cero.
5.1. Ejemplo de maximizacin

Ejemplo 1. Una empresa que produce banjos, guitarras y mandolinas utiliza madera,
mano de obra y metal. Las cantidades de estos inputs precisas para realizar una
unidad de cada instrumento musical se muestran en la siguiente tabla.
Banjo
Guitarra
Mandolina
Madera
Mano de obra
Metal
La empresa dispone de 50 unidades de madera, 60 unidades de trabajo y 55 unidades

de metal y vende los banjos a 200 u.m., las guitarras a 175 u.m. y las mandolinas a
125.um Encontrar la produccin que maximiza el ingreso.
Solucin
i)
Sea
x1 : El numero de banjos a producir

x2 : El numero de guitarras a producir
x3 : El numero de mandolinas a producir
80
Funcin objetivo f .o. Max
Z = 200 x1 + 175 x2 + 125 x3
s.a.
1x1 + 2 x2 + 1x3 50
1x1 + 2 x2 + 2 x3 60
1x1 + 1x2 + 1x3 55
xi 0, i = 1, 2,3
ii)
Para Estandarizar el modelo introducimos variables de holgura: x4 , x5 , x6

respectivamente. Sin embargo, para que no alteren dicha funcin objetivo, estas
incgnitas debern figurar con coeficiente cero es decir:
Funcin objetivo f .o. Max
Z = 200 x1 + 175 x2 + 125 x3 + 0 x4 + 0 x5 + 0 x6
s.a.
1x1 + 2 x2 + 1x3 + x 4 = 50
1x1 + 2 x2 + 2 x3 + x5 = 60
1x1 + 1x2 + 1x3 + x6 = 55
xi 0, i = 1, 2,3..., 6
iii)
Definimos variables bsicas y no bsicas
Variables no bsicas Variables bsicas
x1 = 0
x4 = 50
x2 = 0
x5 = 60
x3 = 0
x6 = 55
z=0
81
iv)
Vamos a confeccionar el tablero Simplex
Variable que ingresa
Elemento pivote
Variable
que sale
50
60
55
-200 -175 -125
50/1=50
60/1=60
55/1=55
Indicador ms negativo
*Debajo del elemento pivote se hace ceros mediante las operaciones filas es
decir:
i) Fila
Fila
iii) Fila
Fila de Z
82
(por -1) +
-1
1
-2
2
-1
2
-1
0
0
1
0
0
0
0
-50
60
-1
10
ii) Fila de
Fila de
4 (por -1) +
(por +200) +
+200
-200
-1
1
-2
1
-1
1
-1
0
0
0
0
1
0
0
-50
55
-1
-1
+400
-175
+200
-125
+200
0
000
001
+10000
0
225
75
200
001
10000
Menor
cociente
positivo
50
60
55
-200 -175 -125 0
50
-1
10
-1
-1
225
75
200
10,000
Indicadores positivos fin del proceso
x1 = 50
x2 = 0
Las variables bsicas son: x5 = 10 y las variables no bsicas son: x3 = 0

x = 5
x = 0
4
6
Nuestra respuesta lo damos en funcin a las variables de decisin.
Plan de produccin:
x1 = 50 Banjos
x2 = 0 Guitarras
x3 = 0 Mandolinas
Z Mx. ptimo=10 000
83
Ejemplo 2. Un empresario que fabrica tres artculos A, B, y C, desea encontrar la

produccin semanal que le permita maximizar sus beneficios. Los productos A, B y C
son procesados en tres mquinas siendo la produccin mnima semanal de 100, 60, y
60 unidades respectivamente. El beneficio por unidad vendida de estos artculos es de
2 u.m. por unidad de A, 2 u.m. por unidad de B y 4 u.m. por C. las horas que se
necesitan por unidad de artculo y mquina son:
Artculo
A
Mquina1
Mquina2
Mquina3
Siendo el nmero de horas semanales disponibles en cada mquina 240, 400 y 360
respectivamente. Determinar la produccin semanal ptima
Solucin
Maquina1
Maquina2
Maquina3
Beneficio
A
>=100
0
1
2
2
B
>=60
1
1
1
2
Sea
x1 El nmero de artculos a producir de A
x2 El nmero de artculos a producir de B

x3 El nmero de artculos a producir de C
Max z = 2 x1 + 2 x2 + 4 x3
x2 + 2 x3
240
x1 + x2 + x3
400
2 x1 + x2 + x3 360
x1 100
x2 60
x3 60
xi 0
84
C
>=60
2
1
1
4
Tiempo
disponible
240
400
360
Resolveremos el ejemplo haciendo un pequeo cambio de variable

Solucin
x1 100
x2 60
x3 60
x1 100 0
x2 60 0
x3 60 0
x1 100 = y1 x1 = y1 + 100
x2 60 = y2 x2 = y2 + 60
x3 60 = y3 x3 = y3 + 60
Reemplazando en el modelo original
Max
z = 2( y1 + 100) + 2( y2 + 60) + 4( y3 + 60)
s.a
y2 + 60 + 2( y3 + 60) 240
( y1 + 100) + ( y2 + 60) + ( y3 + 60) 400
2( y1 + 100) + ( y2 + 60) + ( y3 + 60) 360
yi 0
Simplificando obtenemos un nuevo modelo a resolver por el tablero simplex
Max
z = 2 y1 + 2 y2 + 4 y3 + 560
s.a
y2 + 2 y3 60
y1 + y2 + y3 180
2 y1 + y2 + y3 40
yi 0
Estandarizando
Max
z = 2 y1 + 2 y2 + 4 y3 + 0 y4 + 0 y5 + 0 y6 + 560
s.a
y2 + 2 y3 + y 4 = 60
y1 + y2 + y3 + y5 = 180
2 y1 + y2 + y3 + y 6 = 40
yi 0
Observacin 1: para los indicadores pasar mentalmente de la siguiente manera:
-2y1-2y2-4y3+0y4+0y5+0y6+z=560
85
Observacin 2
Variables no bsicas: y1=0 y2=0
Variables bsicas: y4=60
y3=0
y5=180
y6=40
Z= 2(0)+2(0)+4(0)+0(60)+0(180)+0(40)+560=560
Y4
Y5
Y6
z
Y1
0
1
2
-2
Y2
1
1
1
-2
Y3
2
1
1
-4
Y4
1
0
0
0
Y5
0
1
0
0
Y6
0
0
1
0
z
0
0
0
1
b
60
180
40
560
i) La pregunta es que variable ingresa: ver el indicador ms negativo

RPT. El indicador ms negativo (-4) se encuentra en la columna del y3; por lo tanto, es
la variable que ingresa.
ii) para ver la variable que sale hacer la siguiente operacin con la columna Y3:
60/2=30
180/1=180
40/1=40 ver el menor cociente positivo: observamos que
se produce en la fila de Y4; por lo tanto, la variable que sale es Y4

Multiplicar a la fila Y4 por
Multiplicar a la fila de y3 por (-1) y sumar a la fila de y5 es decir: sale un nuevo y5
i) 0 -1/2
-1
-1/2 0 0 0 -30 +
1
1
1
0
1 0 0
180
1
0
-1/2 1 0 0 150
ii) Multiplicar a la fila de y3 por (-1) y sumar a la fila de y6 es decir: sale un nuevo y6
0 -1/2
-1
-1/2 0 0 0 -30 +
2
1
1
0
0 1 0 40
2
0
-1/2 0 1 0 10
ii) Multiplicar a la fila de y3 por (4) y sumar a la fila de Z es decir: sale un nuevo z
0
2
4
2
0
0 0
120 +
-2 -2
-4
0
0
0 1
560
-2
0
0
2
0
0 1
680
Y3
Y5
Y6
z
Y1
0
1
2
-2
Y2
1/2
1/2
1/2
0
Y3
1
0
0
0
Y4
1/2
-1/2
-1/2
2
Y5
0
1
0
0
Y6
0
0
1
0
z
0
0
0
1
B
30
150
10
680
i) Ver la variable que ingresa: observamos que el indicador ms negativo lo tiene la

columna del y1 (-2); por tanto, y1 es la variable q ingresa. La columna de y1 es
columna pivote.
86
ii) la variable que sale ? 30/0 no existe cociente 150/1=150
10/2=5 el menor
cociente positivo se da en la fila de y6 por tanto la variable q sale es y6

iii) Multiplicar la fila de y6 por (1/2)
iv) multiplicar a la fila y1 por (-1) y sumar a la fila y5
-1
1
0
-1/4
0
0
0
-1/2
-1/4
0
1
1
-1/2
0 -5
0
0 150
-1/2 0 145
v) multiplicar a la fila y1 por (2) y sumar a la fila del z

2
-2
0
0
0
0
Y1
0
0
1
0
y5=145
Y3
Y5
Y1
z
Y3=30
-1/2
2
3/2
Y2
1/2
1/4
1/4
1/2
y1=5
Variables bsicas Y3=30
0
0
0
1
0
1
Y3
1
0
0
0
z=690
0
1
1
10
680
690
Y4
1/2
-1/4
-1/4
3/2
y5=145
Y5
0
1
0
0
Y6
0
-1/2
1/2
1
z
0
0
0
1
B
30
145
5
690
y1=5
Variables no bsicas: y2=0 y4=0 y6=0

Observamos q todos los indicadores son positivos por lo tanto fin del proceso
Observe:
x1 100 = y1 x1 = y1 + 100 = 5 + 100 = 105

x2 60 = y2 x2 = y2 + 60 = 0 + 60 = 60
x3 60 = y3 x3 = y3 + 60 = 0 + 60 = 60
Luego damos la respuesta en funcin de las variables decisin de nuestro problema
original.
Es decir:
Plan de produccin:
x1 : 105 artculos a producir de A

x2 : 60 artculos a producir de B
x3 : 90 artculos a producir de C
Con un ingreso Mx Z ptimo= 690
87

Utilice el mtodo simplex para resolver los siguientes problemas:
1. Maximizar
2. Maximizar
3. Maximizar
Z= x1 + 2 x 2
Z = 8 x1 + 2 x 2
Z= 2 x1 + x 2 x3
s.a.
s.a.
s.a.
2 x1 + x 2
2 x1 + 3 x 2 12
x1 , x 2 0
4. Maximizar
x1 x 2
x1 + x 2
x1 2 x 2 x3 2
x1 + 2 x 2 8
x1 + x 2
x1 , x 2
x1 , x 2 , x3 0
5. Maximizar
Z= x1 + x 2
s.a.
6. Maximizar
W = x1 12 x 2 + 4 x3
Z= 60 x1 + 0 x 2 + 90 x3 + 0 x 4
s.a.
x1 x 2
s.a.
4 x1 + 3x 2 - x 3
x1 + x 2 4
x1 + x 2 - x 3
-2
8 x1 + 5 x 2 40
x1 + x 2 + x3
-1
2 x1 + x 2 6
Maximizar
x1 2 x 2
x1 + x 2
x 3 + x4 4
x1 , x 2 , x3 0
x3 2 x 4 7
x1 , x 2 , x3 , x 4 0
x1 , x 2 0
7.
8.
Maximizar
W = 2 x1 + x 2 2 x3
Z = 4 x1 + 10 x 2 6 x3 x 4
s. a:
s.a
2 x1 + x 2 + x3 2,
x1
88
+ x3 x 4 1 ,
x1 x 2 + x3 4,
x1 x 2
x1 + x 2 + 2 x3 6,
x1 + x 2 x3 + x 4 4,
x1 , x 2 , x3 0 .
x1 , x 2 , x3 , x 4 0 .
+ x 4 2,
9.
Envo de mercancas
Una compaa de fletes maneja envos para dos compaas, A y B, localizadas en la

misma ciudad. La compaa A enva cajas que pesan 3 libras cada una y tienen un
volumen de 2 pies3; la B enva cajas de 1 pies3 que pesan 5 libras cada una. Tanto A
como B envan al mismo destino. El costo de transporte por cada caja de A es de
$0.75 y el de B es de $0.50. La compaa de fletes tiene un camin con 2400 pies3 de
espacio para carga y una capacidad mxima de 9200 libras. En un trayecto, cuntas
cajas de cada compaa debe transportar este camin de modo que la compaa de
fletes reciba un ingreso mximo? Cul es el ingreso mximo?
89
5.2. SOLUCIONES NO ACOTADAS Y SOLUCIONES PTIMAS MULTIPLES

Soluciones no acotadas : si no existen cocientes en una tabla simplex, entonces el
problema de programacin lineal tiene una solucin no acotada.
Soluciones ptimas mltiples: en una tabla que da una solucin ptima, un
indicador igual a cero para una variable no bsica sugiere la posibilidad de soluciones
mltiples. Por ejemplo suponga que:
x1 = a1 , x 2 = a 2 ,...x n = a n y
x1 = b1 , x 2 = b2 ,...x n = bn
Estos son dos S:F:B. diferentes para los cuales un problema de programacin lineal es
ptimo. Por S.F.B. diferentes queremos decir que ai bi para alguna i, donde
1 i n , entonces:
x1 = (1 t )a1 + tb1 , x2 = (1 t )a2 + tb2 + ... + xn = (1 t )an + tbn , para cualquier t donde 0 t 1
Ejemplo 1.0
Una compaa fabrica tres tipos de muebles para patio: sillas, mecedoras y tumbonas.
Cada uno requiere madera, plstico, y aluminio como se indica en la siguiente tabla.
La compaa tiene disponibles 400 unidades de madera, 600 unidades de plstico y
1500 unidades de aluminio. Cada silla, mecedora y tumbona se venden en $6, $8 y
$12 respectivamente. Suponiendo que todos los muebles pueden ser vendidos, Cul
es el ingreso mximo total que puede ser obtenido? Determinar las posibles rdenes
de produccin que generarn ese ingreso.
Madera
Silla
Plstico
1 unidad 1 unidad
2 unidades
Mecedora 1 unidad 1 unidad
3 unidades
Tumbona
1 unidad 2 unidades 5 unidades
Solucin
i)
Sea
x1 : El numero de sillas a producir.

x2 : El numero de mecedoras a producir.
x3 : El numero de tumbonas a producir.
90
Aluminio
Funcin objetivo f .o. MaxZ = 6 x1 + 8 x2 + 12 x3

s.a.
1x1 + 1x2 + 1x3 400

1x1 + 1x2 + 2 x3 600
2 x1 + 3x2 + 5 x3 1500
xi 0, i = 1, 2,3
ii)
Para estandarizar el modelo introducimos variables de holgura: x4 , x5 , x6

respectivamente. Sin embargo, para que no alteren dicha funcin objetivo, estas
incgnitas debern figurar con coeficiente cero, es decir:
Funcin objetivo f .o. MaxZ = 6 x1 + 8 x2 + 12 x3 + 0 x4 + 0 x5 + 0 x6
s.a.
1x1 + 1x2 + 1x3 + x 4 = 400

1x1 + 1x2 + 2 x3 + x5 = 600
2 x1 + 3 x2 + 5 x3 + x6 = 1500
xi 0, i = 1, 2,3..., 6
iii) Definimos variables bsicas y no bsicas
Variables no bsicas Variables bsicas
x1 = 0
x4 = 400
x2 = 0
x5 = 600
x3 = 0
x6 = 1500
z=0
91
iv) Confeccionar el tablero Simplex

Segunda variable que ingresa
Primera variable que ingresa
x1
x2
x3
x4
x5
x6
x4
400
x5
600
x6
1500
-6
-8
-12
x4
1/2
1/2
-1/2
100
x3
1/2
1/2
1/2
300
x6
-1/2
1/2
-5/2
-2
3600
x4
-1
100
x3
-1
-1
300
x2
-1
-5
-2
-4
3600
x5
1/2
1/2
-1/2
50
x3
-1/2
-3/2
150
x2
3/2
5/2
-1/2
250
3800
1/2
Indicadores positivos fin del proceso.

92
Variables bsicas
=50
=150
=250
Variables no bsicas
=0
=0
=0
Variable de decisin
=0 = a1
=250 = a 2
=150 = a 3
Zptimo = 3800
Para ver si tiene solucin mltiple bastar observar si existe un indicador igual a cero
de una variable no bsica, la cual sugiere la posibilidad de solucin mltiple. Por
ejemplo, x1 es no bsica y su indicador en la tabla final es igual a cero.
*Vamos a generar la otra solucin para esto tomamos el ultimo tablero.
Hacemos ingresar no bsica que

tiene indicador igual a1cero.
z
6
1/2
1/2
1 -1/2 0
50
-1/2
0 -3/2
0 1/2 0
150
3/2
5/2
0 -1/2 0
250
3800
1 -1
100
-1
1/2
200
3/2
100
3800
Luego: x1 = 100 = b1 ; x2 = 100 = b2 ; x3 = 200 = b3 que:
= (1 t )0 + t (100) = 100t
= (1 t )250 + t (100) = 250 150t
= (1 t )150 + t (200) = 150 + 50t
1
0 t 1
93
Si t = 0
x1 : 0 Sillas a producir
x2 : 250 Mecedoras a producir
x3 : 150 Tumbonas a producir
Z ptimo =3800
Si t = 1
x1 : 100 Sillas a producir

x2 : 100 Mecedoras a producir
x3 : 200 Tumbonas a producir
Z ptimo =3800
Como podemos ver generamos soluciones mltiples alternativas.
94

1. Maximizar
2. Maximizar
W = 2 x1 + 7 x 2
s. a:
Z = 5 x1 + 6 x 2 + x3
s. a
4 x1 3 x 2 4,
9 x1 + 3x 2 2 x3 5 ,
3x1 x 2 6,
4 x1 + 2 x 2 x3 2 ,
5 x1 8,
x1 , x 2 0 .
x1 4 x 2 + x3 3,
x1 , x 2 , x3 0 .
3. Maximizar
4. Maximizar
Z = 6 x1 + 2 x 2 + x3
Z = 2 x1 + x 2 4 x3
s.a.
2 x1 + x 2 + x3 7,
s.a.
6 x1 + 3x 2 3x3 10,
4 x1 x 2 6,
x1 x 2 + x3 1,
x1 , x 2 , x3 0
2 x1 x 2 + 2 x3 12, xi 0
95
5.3. MTODO DE PENALIZACIN

Variables artificiales
Para iniciar el mtodo simplex, se requiere de una solucin factible bsica. Para un
problema de programacin lineal estndar, empezamos con la S.F.B., en la cual todas
las variables estructurales son cero. Sin embargo, para un problema de maximizacin
que no est en la forma estndar, tal S.F.B. podra no existir. En esta seccin se
presentar la forma en que el mtodo simplex es utilizado en tales situaciones.
Objetivo
Resolver problemas de maximizacin que no estn en forma estndar introduciendo
variables artificiales.
Ejemplo1
Maximizar Z=X1+4X2
s.a
X1+2X2 8
X1+6X2 12
X2 2
X1, X2 0
Solucin:
Funcin objetivo artificial: W=Z-MT1-MT2 (Donde Z=X1+4X2+0X3+0X4+0X5)
X1+2X2+ X3 = 8
X1+6X2- X4+T1 =12
0X1+X2- X5+T2 = 2
96
Tablero Inicial
X1
X2
X3
X4
X5
T1
T2
-1
12
-1
-1
-4
Debemos eliminar las M de las columnas de T1 y T2, para ello multiplicamos todos los
elementos de la fila 3 y 4 por (-M) y le vamos a sumar a la quinta fila.
-M
-6M
-M
-12M
-M
-M
-2M
-1
-4
-M-1
-7M-4
-14M
I Tablero Simplex
X1
X2
X3
X4
X5
T1
T2
X3
T1
-1
12
T2
-1
-M-1
-7M-4
-14M
Variables bsicas: X3=8 ; T1=12 y T2=2

Variables no bsicas: X1=0, X2=0 , X4=0 y X5=0 con W=-14M
Variable que entra X2 , variable que sale T2
X1
X2
X3
X4
X5
T1
T2
X3
-2
T1
-1
-6
X2
-1
-M-1
-6M-4
7M+4
8
97
II Tablero Simplex
Variable que entra X5, variable que sale T1 y eliminamos la columna de T2 por tener un
indicador positivo bastante grande. Observe que dividimos toda la fila de T1 entre 6
para hacer 1 y luego hacer ceros por encima del uno y por debajo del mismo.
X1
X2
X3
X4
X5
T1
X3
2/3
2/6
-2/6
X5
1/6
-1/6
1/6
X2
1/6
-1/6
1/6
-1/3
-2/3
M+2/3
III Tablero Simplex

Variable que entra X4, variable que sale X3 y eliminamos la columna de T1 por ser
variable no bsica y adems tener en su indicador un nmero positivo bastante
grande.
Observe que.
W=Z-Mt1-Mt2 , y como t1 =0 y t2 =0, entonces W=Z

X1
X2
X3
X4
X5
X3
2/3
2/6
X5
1/6
-1/6
X2
1/6
-1/6
-1/3
-2/3
98
Multiplicando a la fila de la variable saliente por 3 para hacer uno y luego hacer ceros
debajo de el.
X1
X2
X3
X4
X5
X4
12
X5
1/2
1/2
X2
1/2
1/2
16
Como todos los indicadores son positivos, el proceso finaliza.

Observe que las variables bsicas son: X4=12; X5=2, X2=4, y las variables no
bsicas: X1=0, X3=0
Nuestras variables de decisin en el ejemplo son: X1 y X2. Luego nuestra
respuesta es:
X1= 0 y X2 = 4 con Zptimo=16
Ejemplo2
Max Z = 2X1+X2
s.a
X1+X2<=12
X1+2X2<=20
-X1+X2>=2
Xi>=0
F.O artificial
Observe que: Z= 2X1+X2+0X3+0X4
W=Z-Mt1
X1+X2+ X3
= 12
X1+2X2+ X4
= 20
- X1+X2- X5+t1 = 2
99
I Tablero Inicial
X1
X2
X3
X4
X5
T1
12
20
-1
-1
-2
-1
Para pasar al primer tablero simplex debemos eliminar M de la columna de T1, para
ello basta multiplicar todo la fila cuatro por M y sumar a la fila cinco
I Tablero Simplex
X1
X2
X3
X4
X5
T1
X3
12
X4
20
T1
-1
-1
M-2
-M-1
-2M
Variable que sale T1, variable que entra X2

Por suerte observe que el elemento pivote es uno y por tanto no es necesario
multiplicar por algn numero para hacer uno en ese casillero
X1
X2
X3
X4
X5
T1
X3
-1
10
X4
-2
16
X2
-1
-1
-3
-1
M+1
Eliminamos la columna de T1 pues (M+1) es un nmero positivo bastante grande es

una variable no bsica.
100
Observe que en este tablero las variables bsicas son: X3=10, X4=16 y X2=2
Y las variables no bsicas son: X1=0 , X5=0, T1=0
W= Z-MT1 pero como T1 =0 W=Z
II Tablero Simplex
Variable que entra X1 variable que sale X3
X1
X2
X3
X4
X5
X3
10
X4
16
X2
-1
-1
-3
-1
Observe que a toda la fila de la variable es dividida entre dos con la finalidad de hacer
luego ceros debajo del uno. Por ejemplo:
i) A la fila de X1 multiplique por -3 y sume a la fila de X4 es decir:
-3
-3/2
-3/2
-15+
16
-3/2
ii) Luego a la fila de X1 multiplique por uno y sume a la fila de X2.

iii) A la fila de X1 multiplique por 3 y sume a toda la fila de Z y obtendr la siguiente
tabla:
X1
X2
X3
X4
X5
X1
1/2
1/2
X4
-3/2
1/2
X2
1/2
-1/2
3/2
1/2
17
101
Como los indicadores son positivos, finaliza el proceso:

Entonces las variables bsicas son: X1=5; X4=1 y X2=7 y las no bsicas son: X3=0 y
X5=0 y T1=0
Luego estamos interesados en los valores de nuestras variables de decisin es
decir, daremos como respuesta X1=5, X2=7 con ZMax ptimo = 17
Ejemplo 3
Una compaa fabrica dos tipos de estantes: estndar y ejecutivo. Cada tipo requiere
tiempos de ensamble y de terminado como se indica en la siguiente tabla. La utilidad
sobre cada unidad tambin se indica. El nmero de horas disponibles por semana en
el departamento de ensamble es de 400 y en el departamento de acabado es de 510.
A causa de un contrato sindical, al departamento de acabado se le garantiza al menos
240 horas de trabajo por semana.
Cuntas unidades de cada tipo debe producir la compaa semanalmente para
maximizar sus utilidades?
Estndar
Tiempo de
ensamblaje
1 horas
Tiempo de
acabado
2 horas
Utilidad por
unidad
$ 10
Ejecutivo
2 horas
3 horas
$ 12
Tiempo Disponible
400
510 pero 240
Sea X1 el N de unidades a producir de estantes estndar
Sea X2 el N de unidades a producir de estantes ejecutivos
F.O max Z = 10X1+12X2
s.a.
X1+2X2
400
2X1+3X2 510
2X1+3X2 240
Xi>=0
102
Solucin:
F.O artificial
W=Z-Mt1
X1+2X2+ X3
= 400
2X1+3X2+X4 = 510
2X1+3X2-X5+t1= 240
I Tablero Inicial
X1
X2
X3
X4
X5
t1
400
510
-1
240
-10
-12
Recordamos que debemos eliminar las M de la columna de T1 con operaciones fila, es

decir, a la fila 4 multiplicar por M y sumar a la fila 5. Luego pasamos al:
I Tablero Simplex
X1
X2
X3
X4
X5
t1
X3
400
X4
510
t1
-1
240
-2M-10
-3M-12
-240M
103
Variable que ingresa X2, Variable que sale t1 Observe que el elemento pivote 3 en la
fila t1 debe hacerse uno, entonces multiplicamos toda la fila de t1 por 1/3. Luego hacer
unos encima y debajo del uno ubicado en la fila de X2
X1
X2
X3
X4
X5
t1
X3
-1/3
2/3
-4/3
240
X4
-2
270
X2
2/3
-1/3
2/3
80
-2
-4
2M+8
960
Eliminamos la columna t1 por ser variable no bsica y adems su indicador es un

nmero positivo bastante grande. Es decir, t1=0 reemplazando en W=Z-Mt1 podemos
afirmar que W=Z
Por lo cual reemplazamos en los siguientes tableros.
II Tablero Simplex
X1
X2
X3
X4
X5
X3
-1/3
2/3
240
X4
270
X2
2/3
-1/3
80
-2
-4
960
Variable que sale X4 variable que entra X5 haciendo ceros encima y debajo del
elemento pivote
Que por suerte es uno. Obtenemos el:
104
III Tablero Simplex

Variable que sale X2 variable que entra X1
X1
X2
X3
X4
X5
X3
-1/3
-2/3
60
X5
270
X2
2/3
1/3
170
-2
2040
Multiplicando a la fila X2 por 3/2 para hacer uno y luego ceros tenemos el siguiente
tablero
IV Tablero Simplex
X1
X2
X3
X4
X5
X3
-1/2
145
X5
270
X1
3/2
255
2550
Como los indicadores son positivos fin del proceso podemos observar que
Nuestro plan de produccin es:
X1=255 estantes estndar y
X2=0 estantes ejecutivo
Con una utilidad mxima Z ptimo=$2550
105

Utilice el mtodo simplex para resolver los problemas siguientes.
1. Maximizar
Z= 2 x1 + x 2
Sujeto a:
x1 + x 2 12
x1 + 2 x 2 20
x1 + x 2 2
x1 , x 2 0
2. Maximizar
Z = x1 + 2x 2
x1 + x 2 9
x1 x 2 1
x1 , x 2 0
3. Maximizar
Z = 2 x1 + x 2
Sujeto a:
x1 + x 2 6,
x1 + x 2 4,
x1 , x 2 0 .
4. Maximizar
Z = 2 x1 + x 2 x3
Sujeto a:
x1 + 2 x 2 + x3 5,
x1 + x 2 + x3 1,
x1 , x 2 , x3 0
106
5. Maximizar
Z = x1 10x 2
Sujeto a:
x1 x 2 1,
x1 + 2 x 2 8,
x1 + x 2 5,
x1 , x 2 0 .
6. Maximizar
Z = 3 x1 2 x 2 + x3
Sujeto a:
x1 + x 2 + x3 1,
x1 x 2 + x3 2,
x1 x 2 x3 6,
x1 , x 2 , x3 0 .
7. Maximizar
Z = x1 + 4x 2
Sujeto a:
x1 + 2 x 2 8,
x1 + 6 x 2 12,
x 2 2,
x1 , x 2 0 .
8. Maximizar
Z = x1 5x 2
Sujeto a:
x1 2 x 2 13,
x1 + x 2 3,
x1 + x 2 11,
x1 , x 2 0 .
107
9. Maximizar
Z = 3 x1 + 4 x 2
Sujeto a:
x1 + 2 x 2 8,
x1 + 6 x 2 12,
x1 , x 2 0 .
10. Maximizar
Z = x1 x 2 + 4 x3
Sujeto a:
x1 + x 2 + x3 9
x1 2 x 2 + x3 6,
x1 , x 2 , x3 0 .
108
5.4. En general, el mtodo simplex puede ser utilizado para:
maximizar Z = c1 x1 + c 2 x 2 + ... + c n x n
sujeto a
a11 x1 + a12 x 2 + ... + a1n x n {, , =} b1 ,
a 12 x 2 + a 22 x 2 + ... + a 2n x n {, , =}b 2 ,
...........................................................
a m1 x 1 + a m2 x 2 + ... + a mn x n {, , =} b 3
donde x1 , x 2 ,..., x n , y b1 , b2 ,..., bm son no negativos. Los smbolos { , , =} significan que

existe una de las relaciones , o = para una restriccin. Si todas las
restricciones involucran , el problema est en forma cannica y se aplican las
tcnicas simplex. Si alguna restriccin involucra o =, empezamos con un
problema artificial, que se obtiene como sigue.
Cada restriccin que contenga es escrita como una ecuacin involucrando una
variable de holgura S i con coeficiente +1.:
ai1 x1 + ai 2 x 2 + ... + ain x n + S i = bi .

Cada restriccin que tenga es escrita como una ecuacin que involucre una
variable de holgura (o llamado tambin variable de supervit) S j con coeficiente -1 y
una variable artificial t j :
a j1 x1 + a j 2 x 2 + ... + a jn x n s j + t j = b j
En cada restriccin de igualdad se inserta una variable artificial no negativa t k :
a k1 x1 + a k 2 x 2 + ... + a kn x n + t k = bk .
Por ejemplo, si tuviera tres variables artificiales involucradas t1 , t 2 , t 3 , entonces la
funcin objetivo artificial es:
W = Z- Mt1 Mt 2 Mt 3 ,
109
Donde
es
un
nmero
positivo
grande.
Una
S.F.B.
ocurre
cuando
x1 = x 2 = ... = x n = 0
y cada variable de holgura que tenga coeficiente -1 es igual a cero. Despus de
obtener una tabla simplex inicial, aplicamos el mtodo simplex hasta que lleguemos a
una tabla que corresponda a una S.F.B. en la que todas las variables artificiales sean
igual a cero. Despus eliminamos las columnas da las variables artificiales, cambiando
las W por z, y continuamos utilizando los procedimientos del mtodo simplex.
12. Maximizar
Z = 4 x1 + x 2 + 2 x3
s.a
2x 1 + x 2 + 3x 3 10
x1 - x 2 + x 3 = 4
x1 , x 2 , x 3 , 0
13. Maximizar
Z = 1x1 + 3x 2 2 x3
s.a
- x 1 2 x 2 2 x 3 = 6
- x 1 - x 2 + x 3 2
x1 , x 2 , x 3 , 0
14. Maximizar
Z = 3x1 + 2 x 2
s.a
x1 x 2 4
- x1 + x 2 = 4
x1 6
x1 , x 2 0
15. Maximizar
Z = x1 + 2 x 2 + 3x3
s.a
x 2 2x 3 5
x1 + x 2 + x 3 = 8
x1 , x 2 , x 3 , 0
110
16. Maximizar
Z = x1 + 4 x 2 x3
s.a
x1 + x 2 x 3 5
x1 + x 2 + x 3 3
x1 - x 2 + x 3 = 7
x1 , x 2 , x 3 , 0
17. Maximizar
Z = x1 + 2 x 2 + x3
s.a
x 1 x 2 x 3 1
6x 1 + 3 x 2 + 2x 3 = 12
x1 , x 2 , x 3 , 0
18. Maximizar
Z = 4x 3 y
s.a
x+y 3
2x + 3y 12
5x + 8y 40
x, y 0
19. Maximizar
Z = 2 x1 + x 2
s.a
- x1 + x 2 2
x1 + x 2 1
x1 , x 2 0
111
5.5
MINIMIZACIN
En general, para minimizar una funcin es suficiente con maximizar su negativo. Por
ejemplo considere la funcin f ( x) = x 2 4 . Observe que el valor mnimo de f es -4 y
ocurre cuando x=0. Ahora considere la funcin g ( x) = f ( x) = ( x 2 4). Esta grfica
es la reflexin con respecto al eje x de la grfica de f . Observe que el valor mximo
de g es 4 y ocurre cuando x=0. Por tanto, el valor mnimo de x 2 4 es el negativo del
valor mximo de -( x 2 4 ). Esto es, mn f = mx( f )
Ejemplos: En general, para minimizar una funcin es suficiente con maximizar su

negativo.
Ejercicios de Minimizacin
1. MIN Z = 4X1 + 2X2 + 1X3
s.a
X1 - X2 - X3 9
Xi 0
i=1, 2,3
Solucin
f.o(funcin objetivo artificial)
W = -Z - Mt1
X1 X2 X3 X4 + t1 = 9
Tablero Inicial
Por (-M)
W
112
X1
X2
X3
X4
t1
-1
-1
-1
i) Debemos eliminar la M de la columna de t1 para ello multiplicamos por (-M) es

decir
ii) luego recin pasamos al primer tablero Simplex
-M
-M
-9M
(4-M)
(2+M)
-9M
1+M
I Tablero Simplex
X1
X2
X3
X4
t1
t1
-1
-1
-1
(4-M)
(2+M)
1+M
-9M
X1
-1
-1
-1
(M-4) 1
-36
Eliminamos la columna t1 por tener indicador positivo

Observe que la variable que sale es t1 y la variable que entra es x1, por ello
multiplicamos a la fila de de x1 variable ingresante por (M-4) para luego sumarle a la
fila de w para hacer cero debajo del elemento pivote.
II Tablero Simplex
X1
X2
X3
X4
X1
-1
-1
-1
654
-36
113
Observe que los indicadores son positivos; por lo tanto, fin del proceso
Variables bsicas: X1= 9
Variables no bsicas: X2=0, X3=0, X4=0, t1=0
Si t1 = 0
Rpta: X1 = 9
X2 = 0
W = -Z - Mt1
X3 = 0
Zmin ptimo = 36
-36 = -Z
Z = 36
2. MIN Z = X1 + 8X2 + 5X3
s.a
X1 + X2 + X3 8
-X1 + 2X2 + X3 2
Xi 0
i=1,2,3
Solucin
f.o W = -Z - Mt1 - Mt2
X1 + X2 + X3 X4 + t1 = 8
-X1 + 2X2 + X3 X5 + t2 = 2
TABLERO INICIAL
Por M
Por M
W
114
X1
X2
X3
X4
X5
t1
t2
-1
-1
-1
50
b
8
2
0
Antes de pasar al primer tablero Simplex eliminamos las M de la columna t1 y t2

-M
-M
-M
-M
0 0
-8M
-2M
-M
-M 0
-2M
M 1
(8-3M)
(5-2M)
-10M
I Tablero Simplex
Recordar que el elemento pivote (2) fila de t2 debemos hacer uno para ello a toda la
fila de t2 dividimos entre dos, luego en la fila de la variable que ingreso x2 mediante
operaciones elementales de fila hacemos ceros por encima y por debajo del 1.
X1
X2
X3
X4
X5
t1
t2
t1
-1
t2
-1
-1
(8-3M)
(5-2M)
-10M
t1
3/2
1/2
-1
1/2
-1/2
X2
-1/2
1/2
-1/2
1/2
(5 - 3M/2)
(1-M/2)
(-4 + 3M/2)
-8-7M
(4 M/2)
Eliminamos la columna t2 por tener indicador positivo

Es decir, es un nmero positivo bastante grande y es imposible que ingrese en
alguna iteracin.
115
II Tablero Simplex
X1
X2
X3
X4
X5
t1
t1
3/2
1/2
-1
1/2
X2
-1/2
1/2
-1/2
(5 - 3M/2)
(4 -
-8 - 7M
X1
1/3
-2/3
1/3
2/3
14/3
X2
2/3
-1/3
-1/3
1/3
10/3
-2/3
10/3
7/3
M-10/3
-94/3
(1M/2)
M/2)
Luego eliminamos la columna de t1 por tener el indicador positivo bastante grande
III Tablero Simplex

La variable que ingresa es X3 y la variable que sale X2
X1
X2
X3
X4
X5
X1
1/3
-2/3
1/3
14/3
X2
2/3
-1/3
-1/3
10/3
-2/3
10/3
7/3
-94/3
X1
-1/2
-1/2
1/2
X3
3/2
-1/2
-1/2
-28
Variables bsicas: X1=3 y X3=5

Variables no bsicas: X2=0; X4=0, X5=0 ,t1=0,t2=0
116
t1 =0 y t2 = 0
Rpta: X1 = 3
X2 = 0
W = -Z - Mt1 - Mt2
X3 = 5
Zmin ptimo = 28
-84/3= -28 = -Z
Z = 28
3. MIN Z = 2X1 + 3X2 + X3

s.a
X1 + X2 + X3 6
X1 - X3 -4
-----> por(-1) ------> -X1 + X3 4
X2 + X3 5
Xi 0
i=1,2,3
Solucin
f.o W = -Z - Mt1
X1 + X2 + X3 +X4 = 6
-X1 + X3 X5 + t1 = 4
X2 + X3 +X6 = 5
Tablero Inicial
Por M
X1
X2
X3
X4
X5
X6
t1
-1
-1
117
-M
-M
-4M
-4M
(M+2)
(1-M)
I Tablero Simplex
X1
X2
X3
X4
X5
X6
t1
X4
t1
-1
-1
X6
(2+M)
-4M
X4
-1
X3
-1
-1
X6
-1
(M-1)
-4
(1-M) 0

t1 = 0
Rpta: X1 = 0
W = -Z - Mt1
X2 = 0
X3 = 4
Zmin ptimo = 4
-4= -Z
Z=4
118

1. Minimizar
z = 3x1 + 6 x 2
s.a.
x1 + x 2 6
x1 + x 2 10
x1 , x 2 0
2. Minimizar
z = 4 x1 + 2 x 2 + x3
s.a.
x1 x 2 x3 9
x1 , x 2 , x3 0
3. Minimizar
z = 2 x1 + 3x 2 + x3
s.a.
x1 + x 2 + x3 6
x1 x3 4
x 2 + x3 5
x1 , x 2 , x3 0
4. Min z = x1 x2 3x3
s.a.
x1 + 2 x2 + x3 = 4
x2 + x3 = 1
x1 + x2 6
x1 , x2 , x3 0
119
5. Minimizar
z = x1 + 8 x 2 + 5 x3
s.a.
x1 + x 2 + x3 8
x1 + 2 x 2 + x3 2
x1 , x 2 , x3 0
6.
Una planta de cemento produce 2,500,000 barriles de cemento por ao. Los
hornos emiten 2 libras de polvo por cada barril producido. Una agencia gubernamental
para proteccin del ambiente requiere que la planta reduzca sus emisiones de polvo a
no ms de 800,000 libras anuales. Existen dos dispositivos de control de emisiones
disponibles, A y B. El dispositivo A reduce las emisiones a
1
2
libra por barril y su
costo es de $0.20 por barril de cemento producido. Para el dispositivo B, las emisiones
son reducidas a
1
5
libra por barril y el costo es de $0.25 por barril de cemento
producido. Determine el plan de accin ms econmico que la plante debe tomar de

modo que cumpla
con el requerimiento de la agencia y tambin mantenga su
produccin anual de 2,500,000 barriles de cemento.

7.
Una planta de cemento produce 3,300,000 barriles de cemento por ao. Los
hornos emiten 2 libras de polvo por cada barril producido. La planta debe reducir sus
emisiones a no ms de 1,000,000 libras anuales. Hay 2 dispositivos de control
disponibles, A y B. El dispositivo A reducir las emisiones a libra por barril y el
costo es de $0.25 por barril de cemento producido. Para el dispositivo B, las emisiones
son reducidas a de libra por barril y el costo es de $0.40 por barril de cemento
producido. Determine el plan de accin ms econmico que la planta debe tomar de
modo que mantenga su produccin anual de exactamente 3,300,000 barriles de
cemento.
120
8.
Un comerciante tienen tiendas en Exton y Whyton, y almacenes A y B en otras
dos ciudades. Cada tienda requiere de exactamente 30 refrigeradores. En el almacn

A hay 50 refrigeradores y en el B hay 20. Los costos de transporte para enviar los
refrigeradores desde los almacenes a las tiendas estn dados en la siguiente tabla.
Cmo debe solicitar los refrigeradores el comerciante de modo que los
requerimientos se satisfagan y el costo total de transporte se minimice? Cul es el
costo mnimo de transporte?
Exton
Whyton
Almacn A
$15
$13
Almacn B
$11
$12
121
6.
LA TEORA DE LA DUALIDAD
6.1. El PROBLEMA DUAL

Existe un principio fundamental llamado dualidad, que permite resolver un problema de
maximizacin resolviendo el problema de minimizacin relacionado con l.
En general, con cualquier problema de PL podemos asociar otro problema de PL
llamado su dual. El problema dado es llamado primal .Si el primal es un problema de
maximizacin, entonces su dual es un problema de minimizacin. Del mismo modo, si
el problema primal implica minimizacin, su dual implica maximizacin.
Cualquier problema primal de maximizacin puede ser escrito en la forma indicada en
la tabla 1. Observe que no existen restricciones sobre las b. El
correspondiente
problema dual de minimizacin puede ser escrito en la forma de la tabla 2.

Similarmente, cualquier problema primal de minimizacin puede ser escrito en la forma
de la tabla 2 y su dual es el problema de maximizacin en la tabla 1.
TABLA 1 Primal (Dual)
TABLA 2 Dual (Primal)
maximizar Z = c1 x1 + c 2 x 2 + ... + c n x n
minimizar W = b1 y1 + b2 y 2 + ... + bn y n
s.a.
s.a.
122
a11 x1 + a12 x 2 + ... + a1n x n b1
a11 y1 + a 21 y 2 + ... + a m1 y m c1
a 21 x1 + a 22 x 2 + ... + a 2 n x n b2
a12 y1 + a 22 y 2 + ... + a m 2 y m c 2
..
..
a m1 x1 + a m 2 x 2 + ... + a mn x n bm
a1n y1 + a 2 n y 2 + ... + a mn y m c n
x1 , x 2 ,...x n 0
y1 , y 2 ,... y n 0
Observe que si todas las restricciones en el problema primal involucran () .

Entonces todas las restricciones en su dual involucran () . Los coeficientes en la
F.O. del dual son los trminos constantes en las restricciones del primal. Del mismo
modo, los trminos constantes en las restricciones del dual son los coeficientes de la
F.O. del primal. La matriz de coeficientes de los lados izquierdos de las restricciones
del dual, es la transpuesta de la matriz de coeficientes de los lados izquierdos de las
restricciones del primal.
Si el primal involucra n variables de decisin (estructurales) y m variables de holgura,
entonces el dual involucra m variables de decisin y n variables de holgura. Debe
notarse que el dual del dual es el primal.
6.2. Existe una relacin importante entre el primal y su dual:

1.
Si el primal tiene una solucin ptima, tambin la tendr el dual, y el valor ptimo
de la funcin objetivo del primal, es el mismo que el de su dual.
2.
Adems suponga que la F.O. del primal es: Z = c1 x1 + c 2 x 2 + ... + c n x n . Entonces:

Si S i es la variable de holgura asociada con la i-sima restriccin en el dual,
entonces el indicador en la columna S i de la tabla simples final del dual, es el
valor
de xi en la solucin ptima del primal.
Por eso podemos resolver, el problema primal con slo resolver su dual. En
ocasiones esto es ms conveniente que resolver directamente el primal.
Si una restriccin de desigualdad involucra , multiplicando ambos miembros por -1
se obtiene una desigualdad que involucra . Si una restriccin es una igualdad. Puede
ser reescrito en trminos de dos desigualdades: una involucrando y otra
involucrando .
123
6.3. EJEMPLOS UTILIZANDO EL ALGORITMO SIMPLEX DUAL

El proceso de las operaciones son las mismas la diferencia esta en que tenemos que
resolver el primal por medio de su dual.
Ejercicios de Dualidad
1. MIN C = 4X1 + 4X2 + 6X3
s.a
X1 - X2 + X3 1
PRIMAL
-X1 + X2 + X3 2
Xi 0
i=1,2,3
Sol:
1 1 1
A=
1 1 1
DUAL
MAX Z = 1Y1 + 2Y2
1Y1 - 1Y2 4
-1Y1 + 1Y2 4
1Y1 + 1Y2 6
yi 0
Resolviendo el DUAL
f.o MAX Z = 1Y1 + 2Y2
1Y1 - 1Y2 +Y3 = 4
-1Y1 + 1Y2 + Y4 = 4
1Y1 +1Y2 + Y5 = 6
yi 0
124
1 1
A = 1 1
1 1
VARIABLES DE HOLGURA
Y1
Y2
Y3
Y4
Y5
Y3
-1
Y4
-1
Y5
-1
-2
Y3
Y2
-1
Y5
-1
-3
Y3
Y2
1/2
1/2
Y1
-1/2
1/2
00
1/2
3/2
11
X1
X2
X3
Rpta: X1 = 0
X2 = 1/2
X3 = 3/2
C = 11
Observe que las respuestas del primal se encuentran en las columnas de las
variables de holgura del dual y el Z = C
2.
MIN C = 6X1 + 4X2

s.a
-X1 + X2 1 ----> por(-1) ------>
X1 X2 -1
X1 + X2 3
Xi 0
i=1,2,3
125
primal : MIN C = 6X1 + 4X2

s.a
X1 X2 -1
X1 + X2 3
Xi 0
i=1,2,3
Observe si no realizamos esa sencilla multiplicacin por (-1) no podra pasar a

su dual
1 1
1 1
t
A=
A =
1 1
1 1
DUAL
MAX Z = -1Y1 + 3Y2
1Y1 + 1Y2 6
-1Y1 + 1Y2 4
Resolviendo el DUAL
f.o MAX Z = -1Y1 + 3Y2+0Y3+0Y4
1Y1 + 1Y2 + Y3 = 6
-1Y1 + 1Y2 + Y4 = 4
yi 0
126
Variables de holgura
Y1
Y3
Y2
Y4
Y3 1
Y4 -1
Z 1
-3
Y3 2
-1
Y2 -1
12
Y1 1
1/2
-1/2
Y2 0
1/2
1/2
Z 0
14
-2
Rpta: X1 = 1
X2 = 2
Cmin = 14
3.
MAX Z = 3X1 + 8X2 (PRIMAL)
s.a
X1 + 2X2 8
X1 + 6X2 12
Xi 0
i=1,2
Pasando al dual
1 2
1 1
t
A=
A =
1 6
2 6
f.o MIN C = 8Y1 + 12Y2 (DUAL)
1Y1 + 1Y2 3
2Y1 + 6Y2 8
Yi 0
127
Sol:
f.o R = -C - Mt1 - Mt2
1Y1 + 1Y2 - Y3 + t1 = 3
-1Y1 + 1Y2 - Y4 + t2 = 8
Tablero Inicial
Y1
Y2
Y3
Y4
t1
t2
Por -M
-1
Por -M
-1
12
R 8
-M
-M
-M
-3M
-2M
-6M
-M
-8M
12
(-3M+8)
(-7M+12)
-11M
I Tablero Simplex
Y1
Y2
Y3
Y4
t1
t2
t1
-1
t2
-1
(-3M+8)
(-7M+12)
-11M
t1
2/3
-1
1/6
-1/6
10/6
t2
1/3
-1/6
1/6
8/6
(-2M/3 +
(-M/6 +
(7M/6 - 2)
-10M/6 -
4)
2)
16
Eliminamos la columna t2 por tener

indicador positivo
128
II Tablero Simplex
Y1
Y2
Y3
Y4
t1
t1
2/3
-1
1/6
10/6
Y2
1/3
-1/6
8/6
(-2M/3 +
(-M/6 +
-10M/6 - 16
4)
2)
Y1
-3/2
1/4
3/2
5/2
Y2
3/6
-3/12
-1/2
3/6
(M-6)
-26
Eliminamos la columna t1 por tener

indicador positivo
III Tablero Simplex
Y1
Y2
Y3
Y4
t1
2/3
-1
1/6
10/6
Y2
1/3
-1/6
8/6
(-2M/3 + 4)
(-M/6 + 2)
-10M/6 - 16
Y1
-3/2
1/4
5/2
Y2
3/6
-3/12
3/6
-26
Indicadores positivos: fin del proceso y recuerde que los valores de X1 y X2 se

encuentran en la columna de las variables de holgura
R = -C=-26
Rpta: X1 = 6
X2 = 1
C = 26
129
4.
Una compaa paga a trabajadores calificados y semicalificados en su

departamento de ensamblado $7 y $4 por hora, respectivamente. En el
departamento de embarques, a los empleados se les paga $5 por hora y a los
aprendices $2 por hora. La compaa requiere al menos de 90 trabajadores en el
departamento de ensamblado y al menos 60 empleados en el departamento de
embarques. Debido a acuerdos sindicales, debe ser empleado al menos el doble
de trabajadores semicalificados que de calificados.
Tambin, deben ser contratados al menos dos veces empleados de embarque
que de aprendices. Utilice el dual y el mtodo simples para determinar el nmero
de trabajadores de cada tipo que la compaa debe emplear de modo que el total
en salarios pagado por hora sea mnimo.Cul es el total en salarios por hora
mnimo?
Solucin
Sea:
x1 el nmero de trabajadores calificados
x2 el nmero de trabajadores semicalificados
x3 el nmero de trabajadores empleados
x4 el nmero de trabajadores aprendices
PRIMAL
F.O Min S = 7x1+4x2+5x3+2x4
Construimos la matriz inicial:
S.A
x1 + x2 90
1x1 + 1x2 + 0x3 + 0x4 90
x3 + x4 60
0x1 + 0x2 + 1x3 + 1x4 60
x2 - 2x4 0
-2x1 + 1x2 + 0x3 + 0x4 0
x3 - 2x4 0
0x1 + 0x2 + 1x3 - 2x4 0
xi 0, i=1, 2, 3, 4
130
Su matriz transpuesta (hacer las filas columnas) seria la siguiente:
0
A=
2
1
0
1
0
0 2 0
0 1 0
1 0 1
1 0 2
0 0
1
1 1
1
T
A =
0
0 0
1 2
0
Luego el Dual del Primal es:

Estandarizando
DUAL
Max Z = 90y1 + 60y2 + 0y3 + 0y4
F.O Z = 90y1+60y2+0y3+0y4+0y5+0y6+0y7+0y8
s.a
1y1 + 0y2 - 2y3 + 0y4 7
1y1 + 0y2 + 1y3 + 0y4 4
1y1 + 0y2 - 2y3 + 0y4 + 1y5 = 7
0y1 + 1y2 + 0y3 + 1y4 5
1y1 + 0y2 + 1y3 + 0y4 + 1y6 = 4
0y1 + 1y2 + 0y3 - 2y4 2
0y1 + 1y2 + 0y3 + 1y4 + 1y7 = 5

0y1 + 1y2 + 0y3 - 2y4 + 1y8 = 2
yi0, i=1, 2, 3, 4
Tablero Simplex
y1
y2
y3
y4
y5
y6
y7
y8
y5
-2
y6
y7
y8
-2
-90
-60
131
Observemos la tabla simplex:

El la fila del Z ubicamos al indicador ms negativo, en nuestro ejemplo esta en la
columna de y1 que es -90, la cual viene hacer la columna pivote. Luego para saber
que variable ingresa y sale procedemos a dividir elemento a elemento de la columna b
entre la columna pivote. Tomando en cuenta algunas restricciones como son:
No se puede hacer divisiones entre cero
Tampoco divisiones entre numero negativos
Bien, ahora ya divido los elementos ubicamos la fila que tenga el menor cociente
positivo, siguiendo en nuestro caso la fila que cumple con esas condiciones es la fila
de y6. Entonces la variable que ingresa es y1 y la que sale es y6, ahora bien ubicamos
el elemento pivote que es la interseccin entre ambas variables, en nuestro caso es 1.
Muy importante aclarar este punto si el elemento pivote no es 1 tenemos que hacerlo 1
para la siguiente construccin del tablero simplex, adems para la siguiente iteracin
tenemos que hacer cero por encima y por debajo del elemento pivote. Repetir todos
los pasos antes mencionados hasta que todos los indicadores de Z sean positivos de
ser as se ha llegado a la solucin.
y1
y2
y3
y4
y5
y6
y7
y8
y5
-3
-1
y1
y7
y8
-2
-60
90
90
360
132
y1
y2
y3
y4
y5
y6
y7
y8
y5
-3
-1
y1
y7
-1
y2
-2
90
-120
90
60
480
y5
-3
-1
y1
y4
1/3
-1/3
y2
2/3
1/3
90
90
40
20
600
Bueno como estamos trabajando con el dual del primal recordemos que nuestras
respuestas se encuentran en la columna de las variables de holgura (y5, y6, y7, y8)
Rpta
x1 = 0 Trabajadores calificados
x2 = 90 Trabajadores semicalificados
x3 = 40 Empleados
x5 = 20 Aprendices
S mn ptimo = 600
133
Serie de problemas 6
Resuelva utilizando los duales y el mtodo simplex
1. Minimizar
Z = 4 x1 + 4 x 2 + 6 x3
s.a.
x1 x 2 + x3 1
x1 + x 2 + x3 2
x1 , x 2 , x3 0
2. Maximizar
Z = 3x1 + 8 x 2
s.a.
x1 + 2 x 2 8
x1 + 6 x 2 12
x1 , x 2 0
3. Minimizar
Z = 6 x1 + 4 x 2
s.a.
x1 + x 2 1
+ x1 + x 2 3
x1 , x 2 0
4. Minimizar
Z = x1 + 2x 2
s.a.
2 x1 + x 2 1
x1 + x 2 2
x1 , x 2 0
134
5.
Suponga que una compaa fabrica dos tipos de artculos, manuales y elctricos
y cada una requiere el uso de las mquinas A y B para su produccin.
Suponiendo que la compaa puede vender todos los artculos que produce,
determine la utilidad mensual mxima.
6.
Mquina A
Mquina B
Utilidad/unidad
Manual
1 hora
1 hora
$10
Elctrico
2 horas
4 horas
$24
Horas disponibles
120
180
Anuncios. Una compaa est comparando los costos de publicidad en dos

medios: peridico y radio. Por cada dlar de publicidad, la tabla siguiente
muestra el nmero de personas, por grupo de ingresos, que cada uno de esos
medios alcanza. La compaa quiere captar al menos 8000 personas con
ingresos menores de $20,000 y al menos 6000 con ingresos de $20,000 o ms.
Utilice el dual y el mtodo simples para determinar las cantidades que la
compaa debe gastar en publicidad en peridico y en radio, de modo que capte
este nmero de personas con un costo de publicidad mnimo. cul es el costo
mnimo de publicidad?
Menos de $20,000
$20,000 ms
Peridico
40
100
Radio
50
25
135
7.
ANLISIS DE SENSIBILIDAD Y PROGRAMACIN PARAMTRICA
En un ambiente real, algunos de los datos de un modelo de PL pueden cambiar con el

tiempo debido a la naturaleza dinmica del negocio. Qu sucede con la solucin
ptima si los precios del mercado caen? Si suben los costos de la mano de obra o de
la materia prima? Si se contratan empleados adicionales en una lnea de produccin?
Un gerente en tales situaciones deseara saber qu tan sensible es la solucin ptima
a estos valores de datos.
Las respuestas a estas preguntas pueden usarse de diversas maneras. Por ejemplo, si
la solucin ptima es muy sensible a algunos coeficientes, y si se espera que estos
valores flucten con el tiempo, entonces el gerente puede desear usar el modelo slo
para planeacin a corto plazo, o tal vez tenga que resolver el modelo peridicamente
al cambiar los datos.
Despus de formular y resolver un PPL, un gerente debe hacerse un nmero de
preguntas importantes de la forma:
1. Qu le sucede a la solucin ptima y al valor de la F.O. correspondiente si un
coeficiente particular de la F.O. se modifica?
2. Qu sucede con la solucin ptima y con el valor de la f.O correspondiente si se
modifica un valor particular del extremo derecho de las restricciones?
Estas preguntas tienen que ver con el tpico del anlisis de sensibilidad.
Anlisis de Sensibilidad : es la determinacin de qu tan sensibles son la solucin
ptima y el valor de la F.O. con respecto a los cambios en los datos del problema, es
decir, los coeficientes en la F.O. y las restricciones.
136
7.1. Anlisis de sensibilidad de los coeficientes de la funcin objetivo

Mientras un coeficiente de la funcin objetivo cae dentro de algn intervalo alrededor
de su valor original (y los dems coeficientes no cambien), la solucin ptima actual
sigue siendo ptima. Sin embargo, el valor ptimo de la funcin objetivo cambia. Si el
coeficiente de inters se modifica a un valor fuera de este intervalo, se debe encontrar
una nueva solucin ptima y un nuevo valor de F.O.
7.2. Anlisis de sensibilidad de los valores del lado derecho (LD)

Usted puede aplicar el anlisis de sensibilidad no slo a los cambios en los
coeficientes de la funcin objetivo, sino tambin a los cambios en los valores del lado
derecho de las restricciones.
Despus de encontrar una solucin ptima a su programa lineal, puede calcular, para
cada recurso correspondiente a una restriccin, un precio sombra junto con un
intervalo dentro del cual este precio sea vlido. Los precios sombra representan el
cambio en el valor ptimo de la funcin objetivo que resulta cuando se dispone de una
unidad adicional de este recurso y, por tanto, se usan para determinar si es rentable
adquirir recursos adicionales.
Observacin
1. Precio sombra, o precio dual: Es la proporcin de cambio en el valor de la funcin
objetivo por unidad de incremento en el valor del lado derecho dentro del intervalo de
sensibilidad.
2. Mientras un coeficiente de la funcin objetivo caiga dentro de cierto intervalo
alrededor de su valor original, la solucin ptima actual sigue siendo ptima, aunque
el valor ptimo de la funcin objetivo cambie. Si el coeficiente de inters se cambia por
un valor fuera de este intervalo, debe encontrarse una nueva solucin ptima y un
valor de funcin objetivo.
137
3. Aun el cambio ms pequeo en el valor del lado derecho de una restriccin puede
ocasionar que la solucin ptima cambie. Sin embargo, mientras el valor caiga dentro
de algn intervalo alrededor de su valor original, el valor ptimo de la funcin objetivo
cambia en forma lineal en proporcin con el cambio en el valor del lado derecho, de
acuerdo con el precio sombra. Incluso fuera de este intervalo, para cada valor del lado
derecho respecto del cual el programa lineal es factible, existe un precio sombra que
puede usarse para obtener el nuevo c valor ptimo de la funcin objetivo.
7.3 Programacin lineal paramtrica

La programacin lineal paramtrica
es una extensin de los procedimientos del
anlisis de sensibilidad. Investiga los cambios en la solucin ptima de la PL que son

el resultado de variaciones continuas predeterminadas en los coeficientes de la
funcin objetivo y en el lado derecho de las restricciones.
1.
Blubber Maid. Inc. fabrica tres productos de caucho: Airtex (material esponjoso),
Exteendex (material elstico) y Resistex (material rgido). Los tres productos
requieren los mismos tres polmeros qumicos y una base. La cantidad de cada
ingrediente usada por libra del producto final se muestra en la tabla.
Ingrediente (oz/
Lb de producto)
Producto
Polmero A
Polmero B
Polmero C
Base
Airtex
Extendex
Resistex
Blubber Maid Inc. tiene el compromiso de producir al menos 1000 libras de

Airtex, 500 libras de extendex y 400 libras de Resistex para la prxima semana,
pero la gerencia de la compaa sabe que puede vender ms de cada uno de
los tres productos.
138
Los inventarios actuales de los ingredientes son 500 libras del polmero A, 425
libras del polmero B, 650 libras del pomero C y 1100 libras de la base. Cada
libra de Airtex produce a la compaa una ganancia de $7, cada libra de
Extendex una ganancia de $7 y cada libra de Resistex una ganancia de $6.
Como gerente del departamento de produccin, usted necesita determinar un
plan de produccin ptimo para esta semana.
1 libra es igual a 16 onzas.
Utilice el resultado procesado en el computador para responder a las preguntas
siguientes:
a. Cul es el plan de produccin ptimo?
b. Con el plan de produccin actual, para cul de los tres productos se
puede cumplir con una demanda adicional de 5% Explique?
c. Qu coeficiente o coeficientes de ganancia podran duplicarse, mientras
se mantienen fijos todos los dems coeficiente, sin que se afecte el plan de
produccin ptimo? Explique.
d. El compromiso de producir 400 libras de resistex acaba de caer en 10%.
Qu le sucede a la ganancia? Explique.
e. Si la demanda de Airtex aumenta en 2%, cul es el nuevo plan de
produccin ptimo?. Explique.
max z= 7 A + 7 E + 6 R
s.a
Restricciones de recursos
4 A + 3E + 6 R 8000 (Polmero A en onzas)

2 A + 2E + 3R 6800 (Polmero B en onzas)
4 A + 2 E + 5 R 10400(Polmero C en onzas)
6 A + 9 E + 2 R 17600(Base en onzas)
Restricciones de demanda
A 1000 (Airtex en libras)

E 500 (Extendex en libras)
R 400 (Resistex en libras)
A, E , R 0
139
Solucin: usando el LINDO

Max 7A+7E+6R
subject to
2) 4A+3E+6R<=8000
3) 2A+2E+3R<=6800
4) 4A+2E+5R<=10400
5) 6A+9E+2R<=17600
6)A>=1000
7)E>=500
8)R>=400
End
Resultado obtenido con el LINDO
LP OPTIMUM FOUND AT STEP
OBJECTIVE FUNCTION VALUE

1)
13133.33
VARIABLE
140
VALUE
REDUCED COST
1000.000000
0.000000
533.333313
0.000000
400.000000
0.000000
ROW SLACK OR SURPLUS

Restriccin de
recursos
Demanda
DUAL PRICES
2)
0.000000
3)
2533.333252
0.000000
4)
3333.333252
0.000000
5)
6000.000000
0.000000
6)
0.000000
-2.333333
7)
33.333332
0.000000
8)
0.000000
-8.000000
NO. ITERATIONS=
2.333333
RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE
CURRENT
COEF
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
7.000000
2.333333
INFINITY
7.000000
INFINITY
1.750000
6.000000
8.000000
INFINITY
RIGHTHAND SIDE RANGES

ROW
CURRENT
RHS
Demanda
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
8000.000000
2000.000000
99.999992
6800.000000
INFINITY
2533.333252
10400.000000
INFINITY
3333.333252
17600.000000
INFINITY
6000.000000
1000.000000
24.999998
1000.000000
500.000000
33.333332
INFINITY
400.000000
16.666666
375.000000
141
a) Cul es el plan de produccin ptimo? Cules de los cuatro recursos son

acotantes o limitantes?
Respuesta:
Valor de la funcin objetivo: 13133.33
El plan de produccin ptima es:
A ( Airtex) =1000
B (Extendex) = 533.333313
C (Resistex) = 400
Recursos acotantes o limitantes:
Restriccin de
recursos
DUAL PRICES
2)
0.000000
2.333333
3)
2533.333252
0.000000
4)
3333.333252
0.000000
5)
6000.000000
0.000000
Observando la restriccin de recursos podemos ver que solo la restriccin para el

polmero A es limitante debido a que su variable holgada tiene valor cero, esto indica
que tanto la materia prima (polmero a en onzas se consume en su totalidad)
b) Con el plan de produccin actual, para cul de los tres productos se puede
cumplir con un demanda adicional de 5 %? Explique.
Respuesta:
Observe las restricciones de la demanda:
ROW
CURRENT
RHS
Demanda
142
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
1000.000000
24.999998
1000.000000
500.000000
33.333332
INFINITY
400.000000
16.666666
375.000000
A 1000 una demanda adicional de 5% significa A 1050 y podemos ver que a se

puede incrementar sola hasta 24.999998 ms es decir
(1000+24.999998)=1024.999998 lo cual como podemos ver no cumple una demanda
adicional del 5% ms.
E 500 una demanda adicional de 5% significa E 525 y podemos ver que a se puede
incrementar sola hasta 33.333332 ms, es decir, 533.333332 lo cual como podemos
ver si cumple una demanda adicional del 5%.ms, puesto que 525 es menor a
533.333332.
R 400 una demanda adicional de 5% significa R 420 y podemos ver que a se puede
incrementar sola hasta 16.666666 ms es decir 416.666666 lo cual como podemos ver
no cumple una demanda adicional del 5% ms.
Entonces diremos que Extendex puede cumplir una demanda adicional de 5% con el
plan de produccin actual.
c) Qu coeficiente o coeficientes de ganancia podran duplicarse, mientras se
mantienen fijos todos los dems coeficientes, sin que se afecte el plan de produccin
ptimo? explique.
Respuesta
VARIABLE
CURRENT
COEF
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
7.000000
2.333333
INFINITY
7.000000
INFINITY
1.750000
6.000000
8.000000
INFINITY
Como podemos observar la tabla muestra hasta cuanto se puede incrementar o

disminuir los coeficientes sin que se afecte el plan de produccin.
El coeficiente de A se puede incrementar hasta 7+2.333333=9.333333 y si duplicamos
su coeficiente seria 14 lo cual se pasa.
143
El coeficiente de E se puede incrementar hasta (7+ infinito) es decir crece

infinitamente sin problema y si duplicamos su coeficiente seria 14 lo cual estara dentro
del rango permitido segn la tabla.
El coeficiente de R se puede incrementar hasta 6+8=14 y si duplicamos su coeficiente
seria 12 lo cual estara dentro del rango permitido.
Entonces diremos que al doblar las ganancias de Extendex, E, o de Resistex, R, no
afectara el plan de produccin actual debido que al hacer el doble cualquiera de estos
coeficientes produce valores que todava se encuentran dentro del intervalo permitido
de sensibilidad para el plana actual.
d. El compromiso de producir 400 libras de Resistex acaba de caer en 10%. Qu le
sucede a la ganancia? Explique
Respuesta:
10%de 400 es 40 R 360
Restriccin de
recursos
Demanda
DUAL PRICES
2)
0.000000
2.333333
3)
2533.333252
0.000000
4)
3333.333252
0.000000
5)
6000.000000
0.000000
6)
0.000000
-2.333333
7)
33.333332
0.000000
8)
0.000000
-8.000000
Una disminucin en la demanda de una libra aumentara el valor de la funcin objetivo

en $8, puesto que el valor del lado derecho diminuye en 40 unidades, el valor de la
funcin aumenta en (40x8=320), lo que produce una ganancia de
Z=13133.33+320=13453.33
144
e) Si la demanda de Airtex aumenta en 2%, cul es el nuevo plan de produccin

ptimo? Explique.
Respuesta
No es posible responder a esta pregunta a partir del resultado dado. Al resolver el
problema con el aumento del 2% en Airtex ( A 1020 ) se tiene como resultado el
nuevo plan de produccin ptimo en el cual: A=1020, E=506.67 y R=400
Ejemplo 2. Steel company produce tres tamaos de tubos: A, B, C, que son vendidos,
respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se
requieren 0.5 minutos de tiempo de procesamiento sobre un tipo particular de mquina
de modelado.
Cada pie del tubo B requiere 0.45 minutos y cada pie del tubo C requiere 0.6 minutos.
Despus de la produccin, cada pie de tubo, sin importar el tipo, requiere 1 una onza
de material de soldar. El costo total se estima en $3 , $4 y $4 por pie de los tubos A, B
y C, respectivamente.
Para la siguiente semana, MTV Steel ha recibido pedidos excepcionalmente grandes
que totalizan 2000 pies del tubo A, 4000 pies del tubo B y 5000 pies del tubo C. Como
slo se dispone de 40 horas de tiempo de mquina esta semana y slo se tiene en
inventario 5500 onzas de material de soldar, el departamento de produccin no podr
satisfacer esta demanda, requiere un total de 97 horas de tiempo de mquina 11000
onzas de material de soldar. No se espera que contine este alto nivel de demanda.
En vez de expandir la capacidad de las instalaciones de produccin, la gerencia de
MTV est considerando la compra de algunos de estos tubos a pro-veedores de Japn
a un costo de entrega de $6 por pie del tubo A,6 $ por pie del tubo B y $7 por pie del
tubo C. Los datos se resumen en la tabla siguiente:
Tipo
Precio de
Demanda(ft)
venta($/ft)
Tiempo de
Material para
Costo de
Costo de
mquina(min/ft)
soldar(oz/ft)
produccin ($/ft)
compra($/ft)
10
2000
0.50
12
4000
0.45
5000
0.60
40hr
5500oz
Cantidad
disponible
145
Sea: x1, x2, x3, el nmero de pies de tubo de tipo A, B, C por producir respectivamente
y
x4, x5,x6, el nmero de pies de tubo de tipo A, B, C por comprar a Japn
respectivamente.
Maximizar Z:7x1 + 8x 2 + 5x 3 + 4x 4 + 6x 5 + 2x 6
s.a:
Restriccin de demanda
x1 + x4 = 2000(demanda del tipo A)

x2 + x5 = 4000 (demanda del tipo B)
x3 + x6 = 5000 (demanda del tipo C)
0.5 x1 + 0.45 x 2 + 0.6 x3 2400 (tiempo de mquina)

x1 +
x2 +
x 3 5500 (material para soldar)
x 1 , x 2 , x 3 , x 4 , x 5 , x 6 0 (restricciones Lgicas)
a. Cul es el plan de produccin/adquisicin ptimo para la MTV Steel?
b. Cules de las dos restricciones de recursos son acotantes?
c. La compaa puede vender su material para soldar con una ganancia de $32 por
libra. Cunto deber vender? explique
d. Los japoneses acaban de aumentar el precio de sus tubos tipo C de $7 a $8 por
pie. De qu manera cambia el plan de produccin/adquisicin actual? explique
e. Si pudiera obtener ms material para soldar o ms tiempo de mquina, pero no
ambas cosas, cul escogera? Explique
f.
La compaa desea aumentar sus ganancias a $57,500. Cuntas horas ms de

tiempo de mquina se necesitan para lograr este objetivo? Explique.
146
Solucin: usando el LINDO

MAX 7x1+8x2+5x3+4x4+6x5+2x6
subject to
2)x1+x4=2000
3)x2+x5=4000
4)x3+x6=5000
5)0.5x1+0.45x2+0.6x3<=2400
6)x1+x2+x3<=5500
END
Resultado obtenido con el LINDO

1)
55000.00
VARIABLE
VALUE
REDUCED COST
X1
2000.000000
0.000000
X2
0.000000
X3
2333.333252
X4
0.000000
X5
4000.000000
0.000000
X6
2666.666748
0.000000
0.250000
0.000000
0.500000
DUAL PRICES
2)
0.000000
4.500000
3)
0.000000
6.000000
4)
0.000000
2.000000
5)
0.000000
5.000000
6)
1166.666626
NO. ITERATIONS=
0.000000
2
147

VARIABLE
CURRENT
COEF
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
X1
7.000000
INFINITY
0.500000
X2
8.000000
0.250000
INFINITY
X3
5.000000
0.600000
0.333333
X4
4.000000
0.500000
INFINITY
X5
6.000000
INFINITY
0.250000
X6
2.000000
0.333333
0.600000

ROW
CURRENT
RHS
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
2000.000000
2800.000000
2000.000000
4000.000000
INFINITY
4000.000000
5000.000000
INFINITY
2666.666748
2400.000000
700.000000
5500.000000
INFINITY
1400.000000
1166.666626
Al igual que en el ejemplo anterior las respuestas se obtienen de la solucin usando el

Lindo
a. Cul es el plan de produccin/adquisicin ptimo para la MTV Steel?
Plan de produccin
Respuesta:
VARIABLE
148
VALUE
REDUCED COST
X1
2000.000000
0.000000
X2
0.000000
X3
2333.333252
X4
0.000000
X5
4000.000000
0.000000
X6
2666.666748
0.000000
0.250000
0.000000
0.500000
b. Cules de las dos restricciones de recursos son acotantes?

Respuesta:
El recurso limitante es el tiempo de mquina debido a que su variable de holg ura
tiene valor cero. Esto indica que el tiempo se consume en su totalidad
Recursos
DUAL PRICES
2)
0.000000
4.500000
3)
0.000000
6.000000
4)
0.000000
2.000000
5)
0.000000
5.000000
6)
1166.666626
0.000000
c. La compaa puede vender su material para soldar con una ganancia de $32 por
libra. Cunto deber vender? Explique.
Respuesta
Recursos
DUAL PRICES
2)
0.000000
4.500000
3)
0.000000
6.000000
4)
0.000000
2.000000
5)
0.000000
5.000000
6)
1166.666626
0.0000
Si observamos en los recursos vemos 1166.667 onzas de material para soldar no son
necesarias en el plan de produccin. Luego es la cantidad que debe venderse a $32 la
onza
Los dems tems quedan como ejercicio para el lector.
149
III Unidad didctica

APLICACIONES ESPECIALES DE LA
PROGRAMACIN LINEAL
Tercera unidad didctica
8. APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL

8.1. El problema del transporte
8.2. Mtodos para determinar una solucin factible bsica inicial
8.3
Mtodo que conduce a la solucin ptima
8.4. El problema de asignacin

8.5. Algoritmo de asignacin (mtodo hngaro)
153
Objetivos
III Unidad didctica

Aplicaciones Especiales de la Programacin Lineal
Objetivo
Al finalizar esta unidad didctica estar en capacidad de reconocer el
alcance de Internet como fuente de ventajas competitivas en las organizaciones
y construir aplicaciones web bsicas para apoyar los procesos de negocio de las
mismas.
Comprende y explica la definicin del modelo de transporte y la aplicacin del algoritmo de
transporte y su aplicacin a problemas reales para solucionar problemas de transporte siguiendo los
pasos de: 1. la determinacin de la solucin inicial, 2. el mtodo UV.
Comprende y explica la definicin del modelo de transporte y la aplicacin del algoritmo de
asignacin aplicacin a problemas reales: Mtodo Hngaro
154
Contenidos
III Unidad didctica
APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL
8. APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL

8.1.
EL PROBLEMA DEL TRANSPORTE
El problema de transporte es una clase especial de PPL. Consiste en distribuir

cualquier producto desde un grupo de centros de produccin llamados orgenes a un
grupo de
centros
de recepcin llamados destinos de manera que, conocidos la
cantidad demandada en cada destino y el costo de transportar una unidad de

productos de cada origen a cada destino; se satisfaga la demanda con el costo total
mnimo.
Consideremos el caso general de m orgenes y n destinos en forma tabular se tiene.
Destinos
.ai
C11
C12
C1n
.a1
C21
C22
C2n
.a2
..
,m
Cm1
Cm2
Cmn
.am
bj
.b1
.b2
Orgenes
.bn
Ejemplo: Cij = costo de transportar 1 unidad del origen i al destino j

Xij = Nmero de unidades a enviar del origen i al destino j.
155
El planteamiento consiste en que existen m orgenes y se supone que en cada origen

hay ai unidades disponibles o almacenadas de determinado producto, siendo i=1,2,,
m.
Existen tambin n destinos y cada una requiere de bj unidades de este producto
siendo j=1,2,.., n...Los ai y bj se llaman exigencias por fila y por columna
respectivamente y estos son positivos puesto que los valores nulos o negativos no
tendran significado fsico.
Formulacin:
min Z = C ij X ij
i =1 j =1
s.a:
Por oferta
n
X
j =1
ij
= a i ; i = 1,2,.., m
Por demanda
m
X
i =1
ij
= b j ; j = 1,2,..., n
X ij 0, (i = 1,2,..., n; j = 1,2,..., n)
Por equilibrio:
i =1
j =1
ai = b j
Solucin factible bsica no degenerada. Es una solucin factible bsica con

exactamente m+n-1 variables bsicas (positivas)
Solucin factible bsica degenerada. Es una solucin factible bsica con menos de
m+n-1 variables bsicas.
156
8.2.
MTODOS PARA DETERMINAR UNA SOLUCIN FACTIBLE BSICA

INICIAL
1. Mtodo de la esquina noroeste (N-O)

El mtodo empieza en el cuadro (ruta) de la esquina noroeste de la tabla (variable X11)
Paso1. Asigne tanto como sea posible al cuadro seleccionado y ajuste las cantidades
asociadas de oferta y demanda, restando la cantidad asignada.
Paso2.Tache el rengln o la columna con cero oferta o demanda para indicar que no
se pueden hacer asignaciones adicionales en ese rengln o en esa columna. Si tanto
el rengln como la columna dan cero simultneamente, tache slo uno de ellos y deje
una oferta (demanda) de cero en el rengln (columna) no tachado.
Paso3. Si queda sin tachar exactamente un rengln o columna, detngase, De lo
contrario, avance al siguiente cuadro a la derecha si se acaba de tachar una columna,
o al inferior si se ha tachado un rengln. Vaya, al paso 1.
2. Mtodo de la matriz mnima
Determinar la celda cuyo costo es el ms bajo de todos los que integran la matriz. Si
existen varias se selecciona arbitrariamente una de ellas. Sea la celda (i, j) entonces:
Xij = min(ai ,bj ). Si:
i) ai<bj entonces actualizar bj= bj-ai y elimnese la fila i.
ii) ai>bj entonces actualizar ai= ai-bj y elimnese la columna j.
iii) ai = bj elimnese la fila i o la columna j pero no ambos.
se continuar repitiendo el proceso para la tabla resultante.
157
3. Mtodo de VOGEL
Este mtodo provee una solucin factible bsica inicial generalmente superior a los
anteriores. El mtodo mide la diferencia entre los dos costos menores en cada fila o
columna y este indica donde la no asignacin al costo menor significa la mayor prdida
(principio de la ms grande penalidad).
1.
Determinar la penalidad para cada fila y cada columna al no colocar en la

solucin inicial la variable que tenga el menor costo en esta fila o columna. Para
la fila i, esto significa restar el costo ms pequeo de esta fila del siguiente costo
ms pequeo de la misma fila en la matriz de costos. Si dos costos de esta fila
son ambos los ms pequeos la penalidad es cero.
La penalidad de la columna j se calcula de una forma similar.
2.
Cuando se han calculado todas las penalidades, localcese la mayor, ya sea una
penalidad de fila o de columna y ah introducir a la base Xij correspondiente a la
celda de costo ms bajo (i, j) esto es:
Xij = min(ai ,bj ) Si:
i)
ai<bj entonces actualizar bj= bj-ai y elimnese la fila i., esta fila se elimina
en 01 resto del proceso y seguidamente se calcula las penalidades de
columna sin considerar ahora en el clculo de las penalidades de columna
los elementos de la matriz de costos de la fila eliminada.
Si:
ii)
ai>bj entonces actualizar ai= ai-bj y elimnese la columna j; esta columna se

elimina en el resto del proceso y seguidamente se calcula las penalidades
de fila sin considerar ahora en el clculo de la columna eliminada.
iii)
Si: ai = bj elimnese la fila i o la columna j pero no ambos, se continuar

repitiendo el proceso para la tabla resultante.
3.
158
Repetir el proceso hasta obtener la solucin factible bsica inicial.
4.
Si dos o ms penalidades de fila o columna son iguales en una iteracin

cualquiera procdase como sigue.
a)
Ver si el elemento de mnimo costo en una de las filas o columnas

igualadas es tambin el mnimo elemento de costos en su columna o fila. si
existe tal elemento mini
minj Cij entre las filas o columnas igualadas,
deshacer la relacin a favor de tal fila o columna.

b)
Si no existe en ninguna de las filas o columnas igualadas tal elemento

mnimo,
determnese
penalidades
secundarias
para
estas
filas
columnas.
La penalidad secundaria para una fila (o columna) se define como la diferencia entre el
segundo elemento de costo ms pequeo en esta fila (o columna) y el elemento de
costo ms pequeo en la columna (o fila) que contiene dicho segundo elemento.
Si hay dos o ms elementos de costos del mismo valor que el segundo elemento de
costos ms pequeo en la fila (o columna) igualada habr varias penalidades
secundarias a calcular en dicha fila (o columna). La igualdad entre las penalidades
primarias se rompe a favor de la fila o columna con la mayor penalidad secundaria, si
todava queda alguna igualdad, el mtodo dice que podemos elegir arbitrariamente ya
sea la fila o la columna.
8.3
MTODO QUE CONDUCE A LA SOLUCIN PTIMA
El mtodo UV o mtodo de Modi

1.
Comenzar con alguna solucin factible bsica inicial, utilizando cualquiera de los
mtodos anteriormente estudiados.
2.
Dibujar una matriz que corresponde a la presente matriz solucin excepto en

que los elementos son los costos de las variables bsicas en lugar de las
magnitudes de las variables. Esta matriz es la Zij.
159
3.
Se construye un conjunto de nmeros (llamados Vj) a lo largo de la parte

superior de la matriz Zij y un conjunto de nmeros (llamados Ui) a lo largo del
lado izquierdo, y tales que su suma iguale a los valores encerrados en el circulo
y de sus intersecciones y por tanto satisfagan Zij =Ui +Vj y completar las celdas
vacas con las sumas de los Ui y Vj de las correspondientes fila y columna, es
decir, completar los zij que faltan mediante el calculo de
Zij=Ui+Vj
4.
Calcular Cij-Zij, Si todos los Cij-Zij 0, la solucin es ptima. Si uno o mas CijZij<0 ser posible una solucin mejor.
5.
De estas variables que tiene un costo de entrada negativo, se determina el que

tenga el valor ms negativo. Pasando a la matriz solucin, se traza la trayectoria,
es decir, un lazo cerrado que empiece y termine en el cuadro de la variable de
entrada. El Lazo consiste nicamente en segmentos horizontales y verticales
conectados. Cada esquina del lazo resultante, con excepcin de la que esta en el
cuadro de la variable de entrada, debe coincidir con una variable bsica actual.
Existe exactamente un lazo para una determinada variable de entrada. Se traza
la trayectoria +, - que empieza en esta variable. Se iguala a la variable
solucin ms pequea de las que estn en la celda que contiene signo menos.
6.
Ahora se repiten los pasos 2 a 5 hasta que alguna iteracin demuestre que es
ptima.
7.
Si en la variable final Cij-Zij hay un costo de entrada nulo para una variable que
no este en la solucin normal, el problema tiene soluciones alternativas.
Observaciones
i)
Si se desea maximizar ganancias con el envo de una unidad origen i al destino

j, aplicamos el mtodo UV haciendo una ligera modificacin es decir:
Multiplicar todos los valores Cij por -1 ya que:
160
Max Z = C ij X ij = Min{-z} = {- C ij X ij } En
i =1 j =1
esta
forma
podemos
i =1 j=1
encontrar la solucin factible bsica inicial y luego aplicar el mtodo UV para la

obtencin de la solucin ptima.
ii)
Si se prohben los envos de un origen i a un destino j, hgase Cij=M; siendo M

un valor infinitamente grande. Esto garantiza que Xij=0 en la solucin final.
iii)
Si obligatoriamente hay que enviar de un origen i a un destino j, hgase Cij=-M.

Esto garantiza que sea Xij 0 en la solucin final.
PROBLEMA DE TRANSPORTE CASO MINIMIZACIN

1.
El problema de distribucin de Cosmic Computer Company CCC es que tiene

tres plantas de ensamblaje de microcomputadoras en San Francisco, Los
ngeles y Phoenix. La planta de Los ngeles tiene una capacidad de produccin
mensual de 2000 unidades. Cada una de las plantas de San Francisco y Phoenix
puede producir un mximo de 1700 unidades al mes. Las microcomputadoras de
CCC se venden a travs de cuatro tiendas detallistas localizadas en San Diego,
Barstow, Tucson y Dallas. Los pedidos mensuales de los vendedores al
menudeo son de 1700 unidades en San Diego, 1000 en Barstow, 1500 en
Tucson y 1200 en Dallas. La tabla contiene el costo de embarque de una
microcomputadora desde cada planta de ensamblaje hasta cada una de las
distintas tiendas minoristas.
Determinar una solucin factible bsica inicial utilizando el mtodo de la matriz
mnima y d usted la solucin ptima.
TIENDAS
PLANTAS
SAN DIEGO
BARSTOW
TUCSON
DALLAS
San Francisco
Los ngeles
10
Phoenix
161
Mtodo para obtener una solucin factible bsica inicial

Mtodo de la esquina nor oeste
Caso minimizacin
Plantas
Tiendas
San
Francisco
Los ngeles
Phoenix
Demanda bj
San Diego
Barstow
Tucson
Dallas
(OFERTAS)ai
1700
4
6
1700
7
5
1000
8
3
1500
10
8
1200
2000
1700
ai=bj=5400
Mtodo de la esquina nor oeste

Mtodo para obtener una solucin factible bsica inicial
5
4
6
1700 b1
3
7
5
1000 b2
2
8
3
1500 b3
6
10
8
1200 b4
1700 a1
2000 a2
1700 a3
X11= Min (a1,b1)=min(1700, 1700)=1700

.a1>b1
a1=a1-b1=1700-1700=0 eliminamos la columna b1
X12= min (a1,b2)= min(0, 1000)=0

. b2>a1 b2=b2-a1=1000-0=1000 eliminamos la fila a1
X22= min (a2,b2)= min (2000, 1000)=1000
.a2>b2 a2=a2-b2=2000-1000=1000 elimino la columna 2
X23 = min (a2, b3)= min (1000,1500)=1000
.a2<b3 b3=b3-a3=1500-1000=500 elimino la fila 2
X33= min (a3,b3)= min(1700,500)=500
.a3>b3
a3=a3-b3=1200 y elimino la columna 3
X34= min (a3, b4) = min (1200, 1200)=1200
San Francisco
Los ngeles
San Diego
1700pc
$5
Barstow
0pc
Tucson
1700 a1
$3
1000pc
1000pc
$7
Phoenix
Dallas
2000 a2
$8
500pc
$3
1700 b1
1000 b2
Solucin factible bsica inicial
1500 b3
1200pc
$8
1200 b4
1700 a3
Costo mnimo inicial =1700x5+0x3+1000x7+1000x8+500x3+1200x8=$34600

162
Mtodo de la matriz mnima

Para encontrar una solucin factible bsica inicial
5
4
6
1700 b1
3
7
5
1000 b2
2
8
3
1500 b3
6
10
8
1200 b4
1700 a1
2000 a2
1700 a3
X13 = min (a1,b3)=min (1700, 1500) entonces x13=1500

.a1>b3 actualizo a1=a1-b3=1700-1500=200 eliminas la columna 3
X12= min (a1,b2)= min (200,1000)=200
entonces x12=200
.a1<b2 actualiza b2=b2-a1=800 elimino la fila 1

X21 = min(a2,b1)=(2000,1700)=1700 entonces x21=1700
.a2>b1 a2=a2-b1=300 elimino la columna 1
X32= min(a3,b2)=min(1700,800)=800
x32=800
.a3>b2 a3=a3-b2=900 elimino la columna b2

X34= min (a3,b4)=min (900,1200)=900
.a3<b4
x34=900
actualiza b4=b4-a3=300 elimino la fila 3
X24= min (a2,b4)=(300,300)=300
San Diego
San Francisco
x24=300
Barstow
200pc
Tucson
1500pc
Dallas
1700 a1
$2
$3
Los ngeles
1700pc
300pc
$4
Phoenix
2000 a2
$10
800pc
900pc
$5
1700 b1
1000 b2
1500 b3
Solucin factible bsica inicial o costo mnimo inicial =
1700 a3
$8
1200 b4
200x3+1500x2+1700x4+300x10+800x5+900x8=$24600
163
Mtodo UV que conduce a la solucin ptima

Para aplicar el mtodo UV vamos a considerar la solucin factible bsica inicial
obtenida por el mtodo de la matriz mnima
Paso 1 paso2 y paso 3 lo trabajamos junto pues seala comenzar con alguna solucin
inicial y trabajar con la matriz de costos, para luego determinar el Zij
U1=0
U2=4
U3=2
Zij=
Z12=U1+V2=3
Z13=U1+V3=2
Z21=U2+V1=4
Z24=U2+V4=10
Z32=U3+V2=5
Z34=U3+V4=8
3
7
5
ZIJ
0
4
2
V4=6
6
10
8
V2=3
V3=2
V1=0
V4=6
V2=3
V4=6
6
10
8
2
6
4
6
10
8
CIJ-ZIJ=
5
0
0
0
0
2
0
0
-1
V3=2
2
6
4
Cij-Zij
2
8
3
3
7
5
V2=3
3
7
5
U1=0
U1=0
U2=4
U2=4
U3=2
U3=2
PASO 4 Calcula
Cij
5
4
6
V1=0
0
4
2
PASO 5
X33 =-1 es una variable que va a ingresar por tener el indicador ms negativo y se
trabaja con la matriz solucin
200pc
1500pc
+
1700pc
300pc
800pc-
1500- >=0
800- >=0
164
MAX=800
900pc
San Diego
San
Francisco
Los
ngeles
Phoenix
Barstow
1000PC
$3
Tucson
700PC
$2
Dallas
1700 a1
1700PC
$4
300PC
2000 a2
$10
800PC
900PC
1700 a3
$3
$8
1700 b1
1000 b2
1500 b3
1200 b4
Nuevo costo mnimo inicial= 1000X3+700X2+1700X4+300X10+800X3+900X8=23800
Mtodo UV
1 , 2, y 3
U1=0
U2=3
U3=1
Zij=
Z12=U1+V2=3
Z13=U1+V3=2
Z21=U2+V1=4
Z24=U2+V4=10
Z33=U3+V3=3
Z34=U3+V4=8
U1=0
U1=0
U2=3
U2=3
U3=1
U3=1
Paso 4 Calcular
Cij
5
3
2
4
7
8
6
5
3
V3=2
2
5
3
V4=7
7
10
8
V2=3
V3=2
V1=1
V4=7
V3=2
V4=7
6
10
8
0
3
-1
0
2
5
3
V2=3
3
6
4
Cij-Zij
ZIJ
1
3
4
6
2
4
CIJ-ZIJ=
4
0
0
1
1
V1=1
1
4
2
7
10
8
Variable que ingresa X14=-1

Paso 5
1000PC
700PC
1700PC
300PC
800PC
+
900PC
-
165
700- >=0
900- >=0
MAX=700
San diego
dalla
700PC
1700 a1
$6
1700PC
300PC
2000 a2
$4
$10
1500PC
200PC
1700 a3
$3
$8
1700 b1
1000 b2
1500 b3
1200 b4
Nuevo costo min = 3X1000+6X700+4X1700+10X300+3X1500+200X8=$23100
San
francisco
Los
ngeles
phoenix
barstow
1000PC
$3
tucson
Mtodo UV
U1=0
U2=4
U3=2
Zij=
Z12=U1+V2=3
Z14=U1+V4=6
Z21=U2+V1=4
Z24=U2+V4=10
Z33=U3+V3=3
Z34=U3+V4=8
Cij
5
3
2
4
7
8
6
5
3
V1=0
0
4
2
U1=0
U1=0
U2=4
U2=4
U3=2
U3=2
V2=3
3
7
5
V2=3
V4=6
V1=0
V4=6
V3=1
V4=6
6
10
8
Zij
0
4
2
3
7
5
Cij-Zij
5
0
0
0
1
3
0
0
166
1
5
3
6
10
8
V3=1
1
5
3
V4=6
6
10
8
Dado que (Cij-Zij )0 la solucin obtenida anteriormente es ptima, es decir Cuadro

ptimo
San Diego
San
Francisco
Los
ngeles
Phoenix
Barstow
1000PC
$3
Tucson
1700PC
$4
1700 b1
1000 b2
1500PC
$3
1500 b3
Dallas
700PC
$6
300PC
$10
200PC
$8
1200 b4
1700 a1
2000 a2
1700 a3
Interpretacin:
De SF a B transportamos 1000 pc a un costo por unidad $3 costo total
$3000
De SF a D transportamos 700 pc a un costo por unidad $6 costo total
$4200
De LA a SD transportamos 1700 pc a un costo por unidad $4 costo total
$6800
De LA a D transportamos 300 pc a un costo por unidad $10 costo total
$3000
De P a T transportamos 1500 pc a un costo por unidad $3 costo total
$4500
DeP a D transportamos 200 pc a un costo por unidad $8 costo total
$1600
Costo total mnimo ptimo $23100
PROBLEMA DE TRANSPORTE. CASO MAXIMIZACIN

En el caso maximizacin, la matriz de utilidad se multiplica por -1 y luego se trabaja
como un caso de minimizacin, es decir se sigue los mismos pasos del algoritmo,
teniendo en cuenta que la suma de ofertas debe ser igual a la suma de demandas
Ejemplo2
Hexxon Oil compaa tiene seis consultores internacionales de petrleo, tres de los
cuales estn actualmente ubicados en los EE.UU., dos en Rusia y uno en Nigeria.
Arabia Saud ha solicitado dos consultores durante una semana a una tarifa de $4200
cada uno. Venezuela ha solicitado un consultor durante una semana a una tarifa de
$4000. Indonesia ha solicitado tres consultores durante una semana a una tarifa
semanal de $4000 cada uno. Los gastos semanales por consultores son de $1400 en
Arabia Saud, $1000 en Venezuela y $700 en Indonesia. La siguiente tabla muestra las
tarifas de viaje redondo (en dlares) para enviar por avin a los consultores:
167
HACIA
DESDE
ARABIA SAUD
VENEZUELA
INDONESIA
Estados Unidos
1600
700
1900
Rusia
1500
1700
1600
Nigeria
1200
1100
1500
A. Encuentre una solucin inicial: obtener la solucin ptima.

Solucin
HACIA
DESDE
ARABIA SAUD
VENEZUELA
INDONESIA
Estados
1600
700
1900
Rusia
1500
1700
1600
Nigeria
1200
1100
1500
ai =ofertas
unidos
b j =demandas
TARIFA
GASTO MENSUAL
Estados Unidos
4200
1400
Rusia
4000
1000
Nigeria
4000
1700
Obteniendo utilidades
HACIA
DESDE
ARABIA SAUDI
VENEZUELA
INDONESIA
Estados Unidos
4200-1400-1600
4000-1000-700
4000-700-1900
Rusia
4200-1400-1500
4000-1000-1700
4000-700-1600
Nigeria
4200-1400-1200
4000-1000-1100
4000-700-1500
168
La nueva tabla (utilidad)
HACIA
DESDE
ARABIA SAUD
VENEZUELA
INDONESIA
Ai
Estados
1200
2300
1400
Rusia
1300
1300
1700
Nigeria
1600
1900
1800
unidos
Bi
Bsqueda de la solucin factible bsica inicial

Matriz de CostoMtodo de la Matriz mnima
A todo multiplico por menos uno y busco el menor valor:
HASTA
DESDE
ARABIA SAUD
VENEZUELA
INDONESIA
ai
Estados Unidos
-1200
-2300
-1400
3=a1
Rusia
-1300
-1300
-1700
2=a2
Nigeria
-1600
-1900
-1800
1=a3
2=b1
bj
1=b2
3=b3
X12 = MIN (a1,b2) = MIN (3,1)

X12 = 1
a1>b2 a1=a1-b2
a1= 3 1
a1=2
169
Elimino la columna dos y vuelvo a escoger el menor valor

-1200
-2300
-1400
-1300
-1300
-1700
-1600
-1900
-1800
X33 = MIN (a3,b3) = MIN (1,3)

X33 = 1
a3<b3 b3=b3-a3
b3= 3 1
b3=2
Elimino la fila tres y vuelvo a escoger el menor valor
-1200
-2300
-1400
-1300
-1300
-1700
-1600
-1900
-1800
X23 = MIN (A2,B3) = MIN (2,2)

X23 = 2
A2>B3 =A2=A2-B3
A2= 2-2
A2=0
Elimino la columna tres y vuelvo a escoger el menor
-1200
-2300
-1400
-1300
-1300
-1700
-1600
-1900
-1800
2
170
X21 = MIN (a2,b1) = MIN (0,2)

X21 = 0
a2<b1 b1=b1-a2
b1= 2-0
b1=2
Elimino la fila 2 y vuelvo a escoger el menor
-1200
-2300
-1400
-1300
-1300
-1700
-1600
-1900
-1800
Solo me queda -1200
X11 = MIN (a1,b1) = MIN (2,2)

X11 = 2
Matriz costo final

-1200
-2300
2
-1300
1
-1700
2
-1800
1
171
Solucin bsica inicial

MIN COSTOS: 2(-1200)+ 1(-2300)+ 0(-1300)+ 2(-1700)+ 1(-1800)
MIN COSTOS = - 9900
MAX= - (MIN)
MAX= - (-9900)
MAX= 9900
Mtodo (UV) Trabajar con la matriz de costos final
-1200
-2300
-1300
-1700
-1800
a) Construir Zij
Z ij = U i + VJ
V1
V2
U1
-1200
-2300
U2
-1300
-1700
U3
-1800
Si U1=0
Z11= U1+V1 = -1200
U1= 0
V1= -1200
Z12= U1+V2 = -2300
U1= 0
V2= -2300
Z21 = U2+ V1 = - 1300
U2=-100 V1= -1200
Z23 = U2 + V3 = -1700
U2=- 100
Z33 = U3+ V3 = -1800
U3=-200
172
V3
V3=-1600
V3= -1600
=
V1 -1200
=
V2 -2300
=
V3 -1600
U1=0
-1200
-2300
-1600
U2=-100
-1300
-2400
-1700
U3=-200
-1400
-2500
-1800
Calculando Cij Zij

-1200
-2300
-1400
-1300
-1300
-1700
-1600
-1900
-1800
-1200
-2300
-1600
-1300
-2400
-1700
-1400
-2500
-1800
+200
+1100
-200
-600
De la matriz costo final

2
- 0
2 +
Tomar solo los signos negativos
1 0
0 0
MAX = 0
-1200
-2300
1
-1700
2
-1600
-1800
1
173
b) Construir Zij
Zij =
U1
V1
V2
V3
-1200
-2300
U2
-1700
U3
-1600
-1800
Si U1=0
Z11= U1+V1 = -1200
U1= 0
V1= -1200
Z12= U1+V2 = -2300
U1= 0
V2= -2300
Z23 = U2 + V3= -1700
U2= - 300
V3= -1400
Z31 = U3+ V1 = -1600
U3= - 400
V1= -1200
Z33 = U3+ V3 = -1800
U3= - 400
V3= -1400
=
V1 -1200
=
V2 -2300
=
V3 -1400
U1=0
-1200
-2300
-1400
U2=-300
-1500
-2600
-1700
U3=-400
-1600
-2700
-1800
Calculando Cij Zij

-1200
-2300
-1400
-1200
-2300
-1400
-1300
-1300
-1700
-1500
-2600
-1700
|| -1600
-1900
-1800
-1600
-2700
-1800
174
1300
800
La matriz sali positiva por tanto:

MIN COSTOS: 2(-1200)+ 1(-2300)+ 2(-1700)+ 0(-1600)+ 1(-1800)
MIN COSTOS: -9900
Solucin ptima =
MAX= - (MIN)
MAX= - (-9900) =9900
Matriz solucin
hacia
Arabia Saudi Venezuela
Indonesia
desde
Estados
1200
Unidos
2300
2
Rusia
1700
2
Nigeria
1600
1800
0
Enviamos 2 consultores de Estados Unidos a Arabia Saud $1200 utilidad $2400

Enviamos 1 consultores de Estados Unidos a Venezuela
$2300 utilidad $2300
Enviamos 2 consultores de Rusia a Indonesia
Enviamos 1 consultores de Nigeria a Indonesia

Utilidad mxima
$9900
Ejemplo 3. Use el mtodo por aproximacin de la matriz mnima y el mtodo UV para

resolver el problema de transporte, donde la matriz contiene informacin de las
utilidades por transportar una unidad del origen i al destino j. Establezca el valor
ptimo de la funcin objetivo.
Destinos
.ai
200
300
100
bj
300
200
100
Orgenes
175
Sol.:
i)
Hallando la solucin factible bsica inicial por el mtodo de la matriz mnima:

primero verificamos que la suma de ofertas debe ser igual a la suma de
demandas, es decir:
3
=1
II)
bj
ai =
= 600
=1
Como es un caso de maximizacin multiplicamos la matriz por (-1) por ser

una matriz de utilidad y lo trabajamos de la misma manera como si fuera un
caso de minimizacin.
ai
bj
-2
-6
-3
200
-5
-1
-9
300
-7
-9
-8
100
300
200
100
* El menor valor de las celdas es:
23
23
= -9
= min(a 2,b 3) min(a 2, b 3) = (300,100) X
a2 >b3
= a 2 b 3
Elimino la columna 3
176
-2
-6
-5
-1
-7
-9
= 300 -100
23
= 100
= 200
Ahora
32
el
menor
valor
= min(100,200)
de
32
celdas
es:
= min(a 3,b 2)
32
= 100
b2 =b2 a 3
<b2
las
b 2 = 200-100 b 2 = 100
Elimino la fila 3
Ahora
12
el
-2
-6
-5
-1
menor
valor
X
a = a b
= min(200,100)
1
de
>b2
las
12
celdas
es:
12
= min(a 1, b 2)
= 100
a 1 = 100
Elimino la columna 2
-2
-5
Ahora el menor valor de las celdas

es:
21
= min(a 2, b 1) X
<b1 b1 =b1 a 2
21
= min(200,300) X
21
= 200
b 1 = 100
Elimino la fila 2
-2
177
Ahora
11
el
menor
valor
= min(100,100) X
-2
-6
100
100
-5
-9
200
100
de
11
las
celdas
es:
11
= min(a 1, b 1)
= 100
-9
100
Min Inicial
C.
2x 100 6x 100 5x 200 9x 100 9x 100 = 3600

Mx. Inicial = -(-3600) = 3600
Mtodo UV
v
-2
= -2
-6
= -6
-6
-5
-9
-9
-5
-9
-9
178
= -3
= -6
=0
= -3
11
= u 1 +v 1 = 2 u 1 = 0,v 1 = 2
12
= u 1 +v 2 = 6 u 1 = 0,v 1 = 6
21
= u 2 +v 1 = 5 u 2 = 3,v 1 = 2
23
= u 2 +v 3 = 9 u 2 = 3,v 3 = 6
32
= u 3 +v 2 = 9 u 3 = 3,v 2 = 6
-2
-6
-3
-2
-6
-6
-5
-1
-9
-5
-9
-9
-7
-9
-8
-5
-9
-9
-2
Se puede mejorar la solucin anterior:
El menor valor de las celdas es:
100
100
200
31
= 2
100
100
100 0 ; 100 0 Max = 100

179
-2
-6
200
-5
-9
200
100
-7
100
Nuevo C. Min. Inicial
2x 0 6x 200 5x 200 9x 100 7 x 100 = 3800
Nuevo Mx. Inicial = -(-3800) = 3800

Mtodo UV
v
-2
= -2
-6
= -6
-6
-5
-9
-9
-7
-9
-11
= -6
=0
= -3
= -5
11
= u 1 +v 1 = 2 u 1 = 0,v 1 = 2
12
= u 1 +v 2 = 6 u 1 = 0,v 1 = 6
21
= u 2 +v 1 = 5 u 2 = 3,v 1 = 2
23
= u 2 +v 3 = 9 u 2 = 3,v 3 = 6
31
= u 3 +v 1 = 7 u 3 = 5,v 2 = 2
180
-2
-6
-3
-2
-6
-6
-5
-1
-9
-5
-9
-9
-7
-9
-8
-7
-9
-11
No hay ndices negativos en la diferencia
ij
ij
. Fin del proceso:
Respuesta:
De:
Unidades
(1 A) Transportamos
Costo/Unidad ($)
(1 B)
200
(2 A)
200
(2 C)
100
(3 A)
100
Zopt Mx. = $ 3800
181
Ejemplo 4. Una compaa tiene fbricas en A, B, y C, las cuales proveen a los

almacenes que estn en D, E, F y G. Las capacidades mensuales de las fbricas son
70, 90 y 115 (unidades) respectivamente y las demandas para D, E, F, y G son 50, 60,
70,95 respectivamente. Los costos de embarque son los siguientes:
Destinos
.ai
17
20
13
12
70
15
21
26
25
90
15
14
15
17
115
bj
50
60
70
95
Orgenes
Determinar una solucin factible bsica inicial utilizando el mtodo de la esquina (N-O)
y d usted la solucin ptima.
Sea XAD El nmero de unidades a transportar de A-D
Sea XAE El nmero de unidades a transportar de A-E
Sea XAF El nmero de unidades a transportar de A-F
Sea XAG El nmero de unidades a transportar de A-G
Sea XBD El nmero de unidades a transportar de B-D
Sea XBE El nmero de unidades a transportar de B-E
Sea XBF El nmero de unidades a transportar de B-F
Sea XBG El nmero de unidades a transportar de B-G
Sea XCD El nmero de unidades a transportar de C-D
Sea XCE El nmero de unidades a transportar de C-E
Sea XCF El nmero de unidades a transportar de C-F
Sea XCG El nmero de unidades a transportar de C-G
F.O. Min. C = 17XAD + 20XAE + 13XAF + 12XAG + 15XBD + 21XBE + 26XBF + 25XBG +
15XCD + 14XCE + 15XCF + 17XCG
S.A.
XAD + XBD + XCD = 50

XAE + XBE + XCE = 60
182
Demandas
XAF + XBF + XCF = 70

XAG + XBG + XCG = 95
XAD + XAE + XAF + XAG = 70
XBD + XBE + XBF + XBG = 90
Ofertas
XCD + XCE + XCF + XCG = 115

Mtodo de la Esquina Noroeste
17 20 13 12 70
15 21 26 25 90
15 14 15 17 115
50 60 70 95 275
X11 = min (a1, b1) = min (70, 50)
X11 = 50
a1 > b1
a1 = a1 - b1
a1 = 70 - 50
a1 = 20 Elimino columna 1
X12 = min (a1, b2) = min (20, 60)

X12 = 20
a1 < b2
b2 = b1 - a1
b2 = 60 - 20
b2 = 40 Elimino fila 1
X22 = min (a2, b2) = min (90, 40)

X22 = 40
a2 > b2
a2 = a2 b2
a2 = 90 40
183
a2 = 50 Elimino la columna 2
X23 = min (a2, b3) = min (50, 70)
X23 = 50
a2 < b3
b3 = b3 a2
b3 = 70 50
b3 = 20 Elimino la fila 2
X33 = min (a3, b3) = min (115, 20)
X33 = 20
a3 > b3
a3 = a3 b3
a3 = 115 20
a3 = 95 Elimino la columna 3
X34 = min. (a3, b4) = min (95, 95)
X34 = 95.
Solucin Factible Bsica Inicial
17
50
20
20
21
40
26
50
15
20
17
95
Costo Mnimo Inicial: 17x50 + 20x20 + 21x40 + 26x50 + 15x20+ 17x95= 5305
184
Mtodo que conduce a la solucin ptima

El mtodo UV o mtodo de MODI
1. Comenzar con alguna solucin factible bsica inicial.
2 y 3. Dibujar una matriz solucin Zij:
v1=17 v2=20
v3=25
v4=27
u1=0
17
20
25
27
u2=1
18
21
26
28
10
15
17
u3=10
Z11 = U1+V1 = 17 U1= 0
V1 = 17
Z12 = U1+V2 = 20 U1= 0
V2 = 20
Z22 = U2+V2 = 21 U2= 1
V2 = 20
Z23 = U2+V3 = 26 U2= 1
V3 = 25
Z33 = U3+V3 = 15 U3= -10 V3 = 25

Z34 = U3+V4 = 17 U3= -10 V4 = 27
4. Cij Zij >= 0 Solucin Optima

Cij Zij < 0 Se puede mejorar la solucin
17 20 13 12
17 20 25 27
15 21 26 25 -
18 21 26 28 =
-3 0
7 10 15 17
8 4
15 14 15 17
Cij
0 0 -12 -15
0 -3
0
Zij
185
5. Variable que ingresa es el mas negativo de la matriz resultante X14 = -15

20
50 --
>= 0
50 - > = 0
95 - >= 0
20 -
40 50
+ --
max = 20
20 95
+ -Luego;
ai
17
12
50
20
21
26
60
40
50
90
30
15
70
17
75
115
60 70 95
bj
Nuevo costo mnimo: 17x50 + 12x20 + 21x60 + 16x30 + 15x40 + 17x75= 5005
1.
Comenzar con alguna solucin factible bsica inicial.
2 y 3. Dibujar una matriz solucin TIJ:

v1=17 v2=5 v3=10 v4=12
u1=0
17
10
12
u2=16
33
21
26
28
u3=5
22
10
15
17
186
Z11 = U1+V1 = 17 U1= 0
V1 = 17
Z14 = U1+V4 = 12 U1= 0
V4 = 12
Z22 = U2+V2 = 21 U2= 16
V2 = 5
Z23 = U2+V3 = 26 U2= 16
V3 = 10
Z33 = U3+V3 = 15 U3= 5
V3 = 10
Z34 = U3+V4 = 17 U3= 5
V4 = 12
4.
Cij TIJ >= 0 Solucin Optima

Cij TIJ < 0 Se puede mejorar la solucin
17 20 13 12
17 5 10 12
15 21 26 25 -
33 21 26 28 = -18 0 0 -3
15 14 15 17
22 10 15 17
Cij
0 15 3
-7 4 0
TIJ
5. Variable que ingresa es el mas negativo de la matriz resultante X21 = -18

--
20
50
60 30
+
-40 75
>= 0
30 - >= 0
75 - >= 0
50 -
max = 30
+ --
187
Luego;
ai
17
12
20
15
50
21
30
90
60
15
70
50
70
17
45
115
60 70 95
bj
v1=17 v2=23 v3=10 v4=12

u1=0
17
23
10
12
u2=-2
15
21
10
u3=5
22
28
15
17
Z11 = U1+V1 = 17 U1= 0
V1 = 17
Z14 = U1+V4 = 12 U1= 0
V4 = 12
Z21 = U2+V1 = 15 U2= -2
V1 = 17
Z22 = U2+V2 = 21 U2= -2
V2 = 23
Z33 = U3+V3 = 15 U3= 5
V3 = 10
Z34 = U3+V4 = 17 U3= 5
V4 = 12
188
4. Cij Zij >= 0 Solucin ptima

17 20 13 12
17 23 10 12
0 -3 0
15 21 26 25 -
15 21 8 10 =
15 14 15 17
22 28 15 17
Cij
0 18 15
-7 -14 0
Zij
5. Variable que ingresa es el ms negativo de la matriz resultante X32 = -14

--
50
20
>= 0
45 - >= 0
20 - > = 0
60 -
30 60
+ --
max = 20
70 45
+
--
Luego;
ai
12
70
15
50
21
20
50
90
40
14
70
15
70
17
25
115
60 70 95
bj
189

v1=3
v2=9 v3=10 v4=12
u1=0
10
12
u2=12
15
21
22
24
u3=5
14
15
17
Z14 = U1+V4 = 12 U1= 0
V4 = 12
Z21 = U2+V1 = 15 U2= 12
V2 = 3
Z22 = U2+V2 = 21 U2= 12
V2 = 9
Z32 = U3+V2 = 14 U3= 5
V2 = 9
Z33 = U3+V3 = 15 U3= 5
V3 = 10
Z34 = U3+V4 = 17 U3= 5
V4 = 12
4.
Cij Zij >= 0 Solucin Optima

17 20 13 12
15 21 26 25 15 14 15 17
Cij
3 9 10 12
14 11 3
15 21 22 24 =
0 0 4
8 14 15 17
7 0 0
Zij
Cij Zij>= 0
La solucin anterior viene a ser la solucin ptima.
190
Es decir:
ai
12
70
15
50
21
20
50
90
40
14
70
15
70
17
25
115
60 70 95
bj
Unid. $ costo
De A-G Transportamos XAG = 70 x 12
De B-D Transportamos XBD = 50 x 15
De B-E Transportamos XBE = 40 x 21
De C-E Transportamos XCE = 20 x 14
De C-F Transportamos XCF = 70 x 15
De C-G Transportamos XCG = 25 x 17
Costo Mnimo = 4185
191
Serie de Problemas 8.1

1. Una fbrica cuenta con 4 almacenes situados en diferentes partes del pas. El
almacn 1 cuenta con 10 unidades de mercanca, el 2 con 12, el tres con 5 y 4 con
10. Con las existencias de mercancas que tienen dichos almacenes se debe
abastecer a 5 centros de consumo. El centro de consumo 1 demanda 6 unidades
de mercanca; el centro 2, demanda 8; el 3 demanda tres, el 4 demanda 9 y 11 el
5. Los costos de transporte de cada almacn a cada centro de consumo aparecen
en el cuadro.
CC
Almacenes
1
Existencia
de mercanca
10
12
10
Demanda
11
Se trata de determinar aquel programa de transportes cuyo costo sea mnimo.
2.
Tres fbricas producen tres productos A, B, y C, las cuales proveen a una tienda
el cual esta interesado en comprar 60 del producto A, 25 del producto B y 30 del
producto C. Las utilidades por producto que obtendra la tienda al adquirir a cada
fbrica se encuentra en el cuerpo de la tabla, as mismo la oferta de dichas
fabricas.
Producto
.ai
11
14
17
100
12
13
18
15
10
14
19
40
bj
60
25
30
Fbrica
Determinar una solucin factible bsica inicial utilizando el mtodo de VOGEL y

d usted la solucin ptima.
192
3.
American Motors Inc. puede enviar un total de hasta 200 automviles en camin
y 600 en ferrocarril de su fbrica de Detroit a sus distribuidores de Chicago,
Cleveland, Washington D.C. y Filadelfia. El costo (en dlares) de enviar un carro
a cada uno de los distribuidores por camin y por tren y las demandas de los
distribuidores se muestran en la siguiente tabla:
Costo de embarque ($/carro)hacia
Por
Chicago
Cleveland
Washington, D.C
Filadelfia
Camin
30
20
50
60
Tren
45
30
75
90
Demanda(carros)
300
100
250
150
a) Encuentre una solucin inicial

b) Determine la solucin ptima
4.
Use el mtodo por aproximacin de Noroeste y el mtodo UV para resolver el

problema de transporte. Establezca el valor ptimo de la funcin objetivo.
Existen soluciones ptimas alternativas?
Destinos
.ai
200
100
300
bj
200
300
Orgenes
9.
Resuelva el siguiente problema. La matriz de costo es:

ai
11
14
17
300
12
13
18
350
10
14
19
150
13
11
16
10
200
150
375
225
150
bj
193
8.4.
EL PROBLEMA DE ASIGNACIN
En muchos problemas de decisin es necesario asignar un elemento de un grupo

(como una mquina, un empleado, etctera) a un elemento de un segundo grupo
(como una tarea, un proyecto, etctera). Considere, por ejemplo, asignar trabajos a
mquinas en una planta industrial, asignar representantes de ventas a territorios o
asignar investigadores a proyectos.
A.
CARACTERSTICAS CLAVE
Al hacer una asignacin, a menudo deben cumplirse dos condiciones:
Cada elemento del primer grupo debe asignarse a exactamente un

elemento del segundo grupo.
Cada elemento del segundo grupo debe asignarse a exactamente un

elemento del primer grupo.
B.
CARACTERSTICAS CLAVE
Para obtener la asignacin ptima, cada nueva matriz de asignacin satisfar:

PROPIEDAD1. Todos los nmeros son no negativos
PROPIEDAD2. Cada fila y cada columna tienen al menos una celda con un valor de 0.
Siempre que, en cualquiera de estas matrices, encuentre una asignacin en la que
cada celda seleccionada tenga un valor cero ha encontrado, de hecho, la asignacin
ptima.
8.5. ALGORITMO DE ASIGNACIN (mtodo hngaro)
Paso 0
Inicializacin: cree la matriz inicial con las propiedades 1 y 2 modificando la matriz de
asignacin de la siguiente manera:
1.
Por cada fila, identifique el nmero menor y reste ese valor de cada celda
en esta fila.
194
2. Por cada columna, identifique el nmero menor y reste ese valor de cada
celda en esta columna.
Paso 1
Prueba de optimalidad: intente identificar una asignacin factible en la matriz actual en
la que cada celda seleccionada tenga un valor de cero. Si se encuentra esta
asignacin, detngase: sta es la solucin ptima; de otra manera encuentre el
nmero de asignaciones que s tienen el valor de cero y vaya al paso 2.
Paso2
Movimiento: establezca una nueva matriz de asignacin con las propiedades 1 y 2, y
haga lo siguiente:
1.
Trace el nmero mnimo de lneas horizontales y verticales como sea

posible en la ltima matriz reducida que cubrir todas las celdas que
contienen valores cero.
2.
Entre todas las celdas no cruzadas, identifique una con el menor valor y
a.
Reste este nmero de todas las celdas no cruzadas y
b.
Aada este nmero a todas las celdas en la interseccin de dos

lneas.
Ahora vaya al paso 1.
195
EXPLICACIN SIMPLEX DEL MTODO HNGARO

El problema de asignacin en el cual n empleados se asigna a n trabajos, se puede
representar como un modelo de PL de la siguiente manera: digamos que C ij es el
costo de asignar al empleado i al trabajo j y definiremos:
X ij =
1, si se asigna al empleado i el trabajo j

0, de lo contrario
Entonces el modelo de PL se da como:
Minimice Z = C ij X ij
i =1 j =1
s.a.
n
X
j =1
ij
= 1, i = 1,2,..., n
ij
= 1, j = 1,2,..., n
X
i =1
X ij = 0 1
196
ASIGNACIN CASO MINIMIZACIN

Ejemplo 1. Joshop necesita asignar cuatro trabajos que recibi a cuatro empleados.
Las diversas habilidades de estos dan origen a costos variados por el desempeo de
los trabajadores. La tabla resume los datos del costo de las asignaciones. Los datos
indican que el empleado 1 no puede trabajar en el trabajo 3 y que el empleado 3 no
puede trabajar en el trabajo 4.
i)
Determine la asignacin ptima.

Trabajo
Trabajador
ii)
$50 $50 -
$20
$70 $40 $20 $30
$90 $30 $50 -
$70 $20 $60 $70
Supongamos que hay disponible un empleado adicional (el quinto) para

desempear los cuatro trabajos, a los costos respectivos de 60, 45,30 y 80
dlares. Es econmico reemplazar a uno de los cuatro trabajadores
actuales con el nuevo?
Trabajo
Ttrabajador
1
2
3
4
$50
$70
$90
$70
$50
$40
$30
$20
$20
$50
$60
$20
$30
$70
Solucin
Observe que no se va asignar el empleado 1 al trabajo 3 y que el empleado 3 no
puede trabajar en el trabajo 4entonces vamos a poner en la celda un valor M positivo
infinitamente grande de tal manera que sea un costo bastante elevado y no pueda ser
asignado.
50
70
90
70
50
40
30
20
M
20
50
60
20
30
M
70
197
a) Determinamos el menor valor por fila y restamos

50
70
50
40
M
20
20
30
20
20
90
30
50
30
70
20
60
70
20
30
50
60
50
30
30
20
0
0
0
M-20
0
20
40
0
0
10
M-30
50
0
b) Determinamos el menor valor por columna y restamos

0
20
30
20
30
20
(0)
0X
M-20
(0)
20
40
0
10
M-30
50
c) Observamos que es imposible asignar por tanto vamos a trazar lneas horizontales y
verticales
0
20
30
20
30
20
0
0
M-20
0
20
40
0
10
M-30
50
d) Determinamos el menor de las celdas no cruzadas =10. . Restamos los valores de

las celdas no cruzadas al menor valor y sumamos en la interseccin de dos lneas el
menor valor.
0
10
20
10
40
20
(0)
0X
M-10
0
20
40
0
0
M-40
40
e) Observamos que no se puede asignar volvemos a trazar lneas horizontales y

verticales, para cubrir los ceros de asignacin con la menor cantidad de lneas.
0
10
20
10
198
40
20
0
0
M-10
0
20
40
0
0
M-40
40
f) Menor de las celdas: 10

0X
10
10
(0)
50
30
(0)
0X
M-10
(0)
10
30
(0)
0X
M-50
30
$50
$70
$90
$70
$50
$40
$30
$20
$20
$50
$60
$20
$30
$70
Es posible asignar
Trabajo
Trabajador
1
2
3
4
Al trabajador 1 se le asigna el trabajo 4 a un costo de $20

costo min ptimo =$140
ii)
Trabajo
Trabajador
1
2
3
4
5
$50
$70
$90
$70
$60
$50
$40
$30
$20
$45
$20
$50
$60
$30
$20
$30
$70
$80
0
0
0
0
0
50
70
90
70
60
50
40
30
20
45
M
20
50
60
30
20
30
M
70
80
0
0
0
0
0
50
70
90
70
60
50
50
40
30
20
45
20
M
20
50
60
30
20
20
30
M
70
80
20
0
0
0
0
0
0
0
0
0
0
0
199
0
30
M-20
0
0X
20
20
0
10
0X
40
10
30
M-20
0X
20
(0)
40
50
0X
10
25
10
60
(0)
Imposible asignar, luego trazamos lneas horizontales y verticales
0
20
40
20
10
30
20
10
0
25
M-20
0
30
40
10
0
10
M-20
50
60
0
0
0
0
0
M-10
(0)
30
40
10
(0)
0X
M-30
40
50
10
0X
(0)
0X
0X
Menor de las celdas no cruzadas: 10

0X
10
30
10
(0)
40
20
10
(0)
25
Trabajo
Trabajador
1
2
3
4
5
$50
$70
$90
$70
$60
$50
$40
$30
$20
$45
$20
$50
$60
$30
$20
$30
$70
$80
0
0
0
0
0

Costo min ptimo $120
Respuesta: S es econmico reemplazarlo
200
ASIGNACIN CASO MAXIMIZACIN

Ejemplo 2. Un corredor de bienes races planea la venta de 5 lotes de terreno y ha
recibido ofertas individuales de 4 clientes. Debido a la cantidad de capital que se
requiere, estas ofertas se han hecho en el entendimiento de que ninguno de los 4
clientes comprar ms de un lote. Las ofertas se muestran en la tabla. El corredor de
bienes races quiere maximizar su ingreso total a partir de esas ofertas.
Lote
Comprador
A
B
C
D
16
19
15
19
15
17
15
0
25
24
18
15
19
15
0
17
20
25
16
18
Solucin
Dado que tenemos cuatro compradores para cinco lotes completamos la matriz con un
comprador artificial
Lote
Comprador
A
B
C
D
E
16
19
15
19
0
15
17
15
0
0
25
24
18
15
0
19
15
0
17
0
20
25
16
18
0
16
19
15
19
0
15
17
15
0
0
25
24
18
15
0
19
15
0
17
0
20
25
16
18
0
1) Identificar el mayor valor de las celdas: 25

2) Restar los valores de cada celda de este numero encontrado
25-16=9
6
10
6
25
10
8
10
25
25
0
1
7
10
25
6
10
25
8
25
5
0
9
7
25
201
A partir de este tablero los pasos son los mismos que en minimizacin
9
6
10
6
25
10
8
10
25
25
0
1
7
10
25
6
10
25
8
25
5
0
9
7
25
9
6
3
0
0
0
10
8
3
19
0
0
0
1
0
4
0
0
6
10
18
2
0
0
5
0
2
1
0
0
6
10
18
2
0
5
0
2
1
0
4
8
16
0
0
5
0
2
1
2
3
7
15
0X
(0)
5
(0)
2
2
3
10
0
9
6
8
1
3
3
0
0
19
4
0
0
0
8
0
9
6
6
1
3
1
0
0
17
4
2
0
2
7
(0)
8
5
5
1
2
(0)
0X
(0)
17
5
2
0X
3
Lote
Comprador
A
B
C
D
E
16
19
15
19
15
17
15
0
25
24
18
15
19
15
0
17
0
20
25
16
18
Al comprador A se le asigna el lote 3 con un ingreso de $25

Al comprador B se le asigna el lote 5 con un ingreso de $25
Al comprador C se le asigna el lote 2 con un ingreso de $15
Al comprador D se le asigna el lote 1 con un ingreso de $19
Ingreso mximo=$84
202
0
0
7
6
25
Ejemplo3
Arthur J Big and Company es una compaa de contabilidad que tiene un especialista
en impuestos en cada uno de sus oficinas en Washington D.C., Cleveland, Lousville y
Atlanta. La oficina central ha recibido una solicitud para un especialista en impuestos
en cada uno de sus clientes de Columbus, Nashville, Charleston y Pittsburgh los
costos de los siguientes especialistas se proporcionan en la siguiente tabla.
Hacia
Desde
Columbus
Nashville
Charleston
Pittsburgh
Washington
431
659
342
247
Cleveland
533
129
Lousville
214
174
259
393
Atlanta
585
246
501
683
Como socio general de la compaa, determine cmo enviar un especialista a cada

ciudad para minimizar sus costos totales del viaje.
Solucin
Como podemos observar es imposible enviar un especialista de Cleveland hacia
Columbus y Charleston, frente a estos casos se pone un M bastante grande de
manera que al ser M un costo bastante elevado nos garantiza su no asignacin. Otra
forma es asignarle un costo bastante alto en comparacin con los dems costos, por
ejemplo 2000, como podemos ver este costo es bastante alto y de seguro que no
enviamos el especialista.
De la matriz de costos:
431
659
342
247
533
129
214
174
259
393
585
246
501
683
203
Elegimos por fila el menor valor y restamos este valor de cada
celda en su
respectiva fila
184
412
95
247
M-129
404
M-129
129
40
85
219
174
339
255
437
246
Elegimos por columna el menor valor y restamos este valor de cada celda de s u
respectiva columna
144
412
10
M-169
402
M-214
219
299
170
437
40
85
Cada cero significa un cero de asignacin es decir si asigno el primer cero (posicin
X 14 ) en la primera fila me indica que envo un especialista de Washington-Pittsburg

e inmediatamente tarjo el cero que esta debajo
(posicin X 24 ) puesto que el
especialista de Cleveland ya no puede ser asignado a Pittsburg.

Como no se puede asignar trazamos lneas horizontales y verticales de tal manera
que se pueda cubrir con la menor cantidad de lneas los ceros de asignacin.
204
144
412
10
M-169
402
M-214
219
299
170
437
De las celdas no cruzadas elegimos el menor valor = 10 y restamos este numero de

todas las celdas no cruzadas, sumamos este numero a aquellas celdas cruzadas por
dos lneas y las que estn cruzadas por una sola lnea permanecen igual
134
412
M-179
402
M-224
10
229
289
160
437
Observamos que es posible asignar luego la respuesta es:

Hacia
Desde
Columbus
Nashville
Washington
Atlanta
Pittsburgh
Cleveland
Lousville
Charleston
X
X
X
205
Solucin:
De Washington a Charleston 342
De Cleveland a Pittsburgh
129
De Lousville a Columbus
214
De atlanta a Nashville
246
Solucin ptima =
931
Ejemplo 4
Arthur J Big and Company es una compaa de contabiliadad que tiene un especialista
en impuestos en cada uno de sus oficinas en Washington D.C., Cleveland, Lousville y
atlanta. La oficina central ha recibido una solicitud para un especialista en impuestos
en cada uno de sus clientes de Columbus, Nashville, Charleston y Pittsburgh las
utilidades de los siguientes especialistas se proporcionan en la siguiente tabla.
Hacia
Desde
Columbus
Nashville
Pittsburgh
Washington
431
659
247
Cleveland
240
533
129
Lousville
214
174
393
Atlanta
650
346
683
Como socio general de la compaa, determine como enviar un especialista a cada

ciudad para maximizar sus utilidades totales del viaje-dar solucin ptima
206
Creamos una columna artificial para completar el tablero
431
659
247
240
533
129
214
174
393
650
346
683
Determinamos el mayor valor de toda la tabla = 683 y lo restamos de todo el tablero
252
24
436
683
443
150
554
683
469
509
290
683
33
337
683
Determinamos el valor menor en cada fila y luego en cada columna restando

respectivamente
228
412
659
24
293
404
533
150
179
219
393
290
33
337
683
207
195
412
266
260
404
140
146
218
337
290
33
393
Trazamos las lneas
195
412
266
260
404
140
146
219
337
290
55
(0)
272
126
120
0X
264
(0)
146
359
(0)
0X
(0)
477
0X
290
Valor mnimo = X24=140
208
Columbus
Washington
Nashville
Pittsburgh
Charleston
Cleveland
Lousville
Atlanta
X
X
Solucin:
De Washington a Nashville
enviamos un especialista con una utilidad $659
De Lousville a Pittsburgh
enviamos un especialista con una utilidad $ 393
De Atlanta a Columbus
enviamos un especialista con una utilidad $ 650

1702 Es el monto total de las utilidades
209
Serie de Problemas 8.4

1.
Se trata de efectuar 5 tareas diferentes y se cuenta para tal efecto con 5

equipos. Se quiere conocer qu tarea debe realizar cada equipo productivo
empleando el mnimo de tiempo en conjunto, si el tiempo que tarda cada equipo
en realizar cada tarea es el que se indica en la tabla:
Tareas
12
17
10
11
10
16
14
11
16
12
12
16
Equipos
2.
210
Resuelva los modelos de asignacin en la tabla siguiente:
$3
$9
$2
$3
$7
$6
$1
$5
$6
$6
$9
$4
$7
$10 $3
$2
$5
$4
$2
$1
$9
$6
$2
$4
$5
$3
$8
$2
$10 $3
$8
$7
$2
$9
$7
$6
$4
$2
$7
$5
$8
$4
$2
$3
$5
$9
$10
$6
$9
$10
3. Joshop necesita asignar cuatro trabajos que recibi a cuatro empleados. Las
diversas habilidades de stos dan origen a costos variados por el desempeo
de los trabajadores. La tabla resume los datos del costo de las asignaciones.
Los datos indican que el empleado 1 no puede trabajar en el trabajo 3 y que el
empleado 3 no puede trabajar en el trabajo 4.
Trabajo
Trabajador
$50 $50 -
$20
$70 $40 $20 $30
$90 $30 $50 -
$70 $20 $60 $70
Supongamos que Joshop acaba de recibir un quinto trabajo y que los

costos respectivos de que los desempeen los cuatro empleados son
20,10, 20, y 80 dlares Debe tener prioridad el nuevo trabajo por encima
de cualquiera de los 4 trabajos que ya tiene Joshop?
4. Se usarn cuatro barcos cargueros para transportar bienes de un puerto a

otros cuatro puertos (numerados 1, 2, 3,4). Se puede usar cualquier barco para
hacer cualquiera de los cuatro viajes. Sin embargo, dadas algunas diferencias
entre los barcos y las cargas, el costo total de carga, transporte y descarga de
bienes para las distintas combinaciones de barcos y puertos vara mucho.
Estos costos se muestran en la siguiente tabla.
Puerto
Barcos
El objetivo es asignar los barcos a los puertos en una correspondencia uno a

uno de manera que se minimice el costo total para los cuatro barcos.
211
5.
El entrenador de un equipo de natacin de un equipo de natacin debe asignar

competidores para la prueba de 200 metros combinados por equipo para
mandarlos a las olimpiadas juveniles. Como mucho de sus mejores nadadores
son rpidos en ms de un estilo, no le es fcil decidir a qu estilo asignar a cada
uno. Los cinco mejores nadadores y sus mejores tiempos (en segundos) en
cada estilo son:
Tipo de nado
Carlos
Cristina
David
Antonio
Jos
Dorso
37.7
32.9
33.8
37.0
35.4
Pecho
43.4
33.1
42.2
34.7
41.8
Mariposa
33.3
28.5
38.9
30.4
33.6
Libre
29.2
26.4
29.6
28.5
31.1
El entrenador quiere determinar cmo asignar cuatro nadadores a los cuatro

tipos de nado para minimizar la suma de los mejores tiempos correspondientes.
6. Suponga que una empresa tiene 5 puestos vacantes cuyo desempeo requiere
diversas habilidades. Se han presentado 7 candidatos que han sido sometidos
a pruebas especiales de seleccin para cada empleo, habiendo obtenido las
siguientes calificaciones:
Empleos
69
97
81
68
95
61
79
27
14
38
62
83
48
65
94
45
80
41
65
70
42
39
42
32
83
33
34
10
12
17
46
50
28
33
92
Candidatos
212
Ayude a determinar al gerente de personal el mejor equipo seleccionado, donde

la puntuacin en su conjunto sea la mxima, considerando la calificacin que
haya obtenido cada candidato en el puesto al que se decida asignarlo.
7. Steel company ha decidido iniciar la produccin de cuatro nuevos productos

utilizando tres plantas que por el momento tiene exceso de capacidad de
produccin. Los productos requieren un esfuerzo productivo comparable por
unidad por lo que la capacidad de produccin disponible en las plantas se mide
por el nmero de unidades de cualquier producto que se pueden obtener por
da, como se muestra en la ltima columna de la tabla. El ltimo rengln de la
produccin diaria requerida para satisfacer las ventas proyectadas. Cada
planta puede producir cualquiera de estos productos, excepto la planta 2 que
no puede fabricar el producto 3. Sin embargo, el costo variable por unidad de
cada producto difiere entre una planta y otra, como se muestra en el cuerpo de
la tabla.
Ayude a la gerencia a minimizar el costo de asignacin de tal manera que debe
asignarse al menos uno de los productos a cada planta.
Producto
Costo unitario
Planta
Capacidad
disponible
41
27
28
24
75
40
29
23
75
37
30
27
21
45
Tasa de produccin
20
30
30
40
213
IV Unidad didctica
TPICOS AVANZADOS EN
PROGRAMACIN LINEAL:
PROGRAMACIN POR OBJETIVOS Y
PROGRAMACIN LINEAL ENTERA
Cuarta unidad didctica Investigacin de Operaciones I
TPICOS AVANZADOS EN PROGRAMACIN LINEAL: PROGRAMACIN POR

OBJETIVOS Y PROGRAMACIN LINEAL ENTERA
9.
OPTIMIZACIN MULTIOBJETIVO CON PROGRAMACIN POR METAS

(O POR OBJETIVOS)
9.1. Programacin de metas

9.2. Identificacin de las metas y penalizaciones
9.3. Formulacin de programacin lineal para un problema de programacin de metas
9.4. Identificacin de las variables de decisin
9.5. Identificacin de la funcin objetivo
9.6. Identificacin de las restricciones
10.
PROGRAMACIN ENTERA
10.1. Cmo resolver un problema de programacin lineal entera?

10.2. Interpretacin grfica del espacio de soluciones de un PPLE
10.3. Qu dificultades se presenta si se redondea la solucin de un PPLE?
10.4. Resolucin de un PPLE por el mtodo grfico
10.5. La tcnica de ramificacin y acotamiento
11.
BIBLIOGRAFA
217
Objetivos
IV Unidad didctica
TPICOS AVANZADOS EN PROGRAMACIN LINEAL:
PROGRAMACIN POR OBJETIVOS Y PROGRAMACIN LINEAL ENTERA
Objetivos generales
Comprender la importancia de resolver modelos de mltiples objetivos y convertir
los objetivos mltiples originales en una sola meta.
Resolver programas lineales en los cuales algunas o todas las variables de
decisin estn restringidas a valores enteros.
Comprende y explica los conceptos bsicos de la programacin por

objetivos.
Comprende y explica los conceptos bsicos de la programacin lineal
entera.
218
Contenidos
IV UNIDAD DIDCTICA
TPICOS AVANZADOS EN PROGRAMACIN LINEAL: PROGRAMACIN

POR OBJETIVOS Y PROGRAMACIN LINEAL ENTERA
9.
OPTIMIZACIN MULTIOBJETIVA CON PROGRAMACIN POR METAS

(O POR OBJETIVOS)
Este anlisis ampla el horizonte de la programacin lineal, donde la funcin a

maximizar es nica; y por tanto, la solucin ptima es solo una. En la programacin
por objetivos se tienen varias funciones objetivo que tratan de alcanzarse
simultneamente, y por lo tanto la solucin del modelo satisface los mltiples
objetivos planteados, en lugar de optimizar uno solo de ellos, o ms difcil an,
optimizar todos los objetivos.
Este modelo es una variante del modelo general de programacin lineal, en el cual se
llega a la solucin ptima minimizando siempre las desviaciones positivas y negativas
de las metas propuestas inicialmente. Tales metas propuestas pueden ser priorizadas
de acuerdo al grado de estimacin que se tenga por alcanzarlas. Estas metas pueden
ser tan diversas como: maximizar beneficios, aumentar el porcentaje de participacin
en el mercado, minimizar costos y maximizar la calidad del producto, todas incluidas
en el mismo problema, propuestas en diferentes unidades, lo cual ampla
considerablemente el horizonte de la programacin lineal con un solo objetivo.
Veamos un ejemplo de optimizacin multiobjetiva.
219
Ejemplo 1.
Steel company produce tres tamaos de tubos: A, B, C, que son vendidos,
respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se
requieren 0,5 minutos de tiempo de procesamiento sobre un tipo particular de
mquina de modelado.
Cada pie del tubo B requiere 0,45 minutos y cada pie del tubo C requiere 0,6
minutos.
Despus de la produccin, cada pie de tubo, sin importar el tipo, requiere 1 una
onza de material de soldar. El costo total se estima en $3, $4 y $4 por pie de
los tubos A, B y C, respectivamente.
Para la siguiente semana, MTV Steel ha recibido pedidos excepcionalmente
grandes que totalizan 2000 pies del tubo A, 4000 pies del tubo B y 5000 pies del
tubo C. Como solo se dispone de 40 horas de tiempo de mquina esta semana y
solo se tiene en inventario 5500 onzas de material de soldar, el departamento de
produccin no podr satisfacer esta demanda, requiere un total de 97 horas de
tiempo de mquina 11000 onzas de material de soldar. No se espera que
contine este alto nivel de demanda. En vez de expandir la capacidad de las
instalaciones de produccin, la gerencia de MTV est considerando la compra de
algunos de estos tubos a proveedores de Japn a un costo de entrega de $6 por
pie del tubo A, 6$ por pie del tubo B y $7 por pie del tubo C. Los datos se
resumen en la tabla siguiente:
Material
Costo de
Costo de
mquina
soldar
produccin
compra
(min/ft)
(oz/ft)
($/ft)
($/ft)
2000
0.50
12
4000
0.45
5000
0.60
40hr
5500oz
Demanda
venta($/ft)
(ft)
10
B
C
Tipo
Cantidad
disponible
220
Tiempo de
Precio de
Sea: x1, x2, x3, el nmero de pies de tubo de tipo A, B, C por producir respectivamente
y
x4, x5,x6, el nmero de pies de tubo de tipo A, B, C por comprar a Japn
respectivamente.
Maximizar Z:7x1 + 8x 2 + 5x 3 + 4x 4 + 6x 5 + 2x 6
s.a:


x1 +
x2 +
Solucin: Usando el LINDO

MAX 7x1+8x2+5x3+4x4+6x5+2x6
subject to
2)x1+x4=2000
3)x2+x5=4000
4)x3+x6=5000
5)0.5x1+0.45x2+0.6x3<=2400
6)x1+x2+x3<=5500
END
221
RESULTADO OBTENIDO CON EL LINDO


1)
55000.00
VARIABLE
VALUE
REDUCED COST
X1
2000.000000
0.000000
X2
0.000000
X3
2333.333252
X4
0.000000
X5
4000.000000
0.000000
X6
2666.666748
0.000000
0.250000
0.000000
0.500000

2)
0.000000
4.500000
3)
0.000000
6.000000
4)
0.000000
2.000000
5)
0.000000
5.000000
6)
1166.666626
NO. ITERATIONS=
222
DUAL PRICES
0.000000
2

VARIABLE
CURRENT
COEF
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
X1
7.000000
INFINITY
0.500000
X2
8.000000
0.250000
INFINITY
X3
5.000000
0.600000
0.333333
X4
4.000000
0.500000
INFINITY
X5
6.000000
INFINITY
0.250000
X6
2.000000
0.333333
0.600000

ROW
CURRENT
RHS
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
2000.000000
2800.000000
2000.000000
4000.000000
INFINITY
4000.000000
5000.000000
INFINITY
2666.666748
2400.000000
700.000000
5500.000000
INFINITY
1400.000000
1166.666626
En el ejemplo anterior, el objetivo consiste en determinar cunto de cada tipo de tubo

producir y cunto adquirir del Japn de modo que se puedan cumplir las demandas y
maximizar las ganancias de la compaa. Sin embargo, un segundo objetivo surge
cuando el director ejecutivo le informa a usted que el gobierno ha pedido un esfuerzo
voluntario para reducir la cantidad de gasto monetario en importaciones.
En trminos de estas variables de decisin nuestro nuevo modelo tiene dos objetivos:
i)
Maximizar la ganancia =ganancia de la produccin+ganancia de productos

adquiridos:
MAX= 7 x1 + 8 x2 + 5 x3 + 4 x4 + 6 x5 + 2 x6
223
ii)
Minimizar el costo de importacin=Costo de importacin de tubos tipo A

+costos de importacin de tubos Tipo B + costos de importacin de tubos
Tipo C
MIN= 6 x4 + 6 x5 + 7 x6
s.a.


x1 +
x2 +
Observaciones
A) Si el problema se corre con el lindo, es decir:
MAX= 7 x1 + 8 x2 + 5 x3 + 4 x4 + 6 x5 + 2 x6
s.a.

224

x1 +
x2 +
La respuesta es:
1)
Zmax= 55000.00
VARIABLE
B.
VALUE
X1
2000.000000
X2
0.000000
X3
2333.33252
X4
0.000000
X5
4000.000000
X6
2666.666748
Si el problema se corre con el lindo, es decir:

MIN= 6 x4 + 6 x5 + 7 x6
s.a.

225

x1 +
x2 +
La respuesta es:
1)
Zmin= 39800
VARIABLE
X1
1200
X2
4000
X3
X4
C.
VALUE
799.999
X5
X6
5000
Si la respuesta de las variables de decisin obtenidas en A) reemplazamos en

B)
1)
Zmax= 55000.00
VARIABLE
VALUE
X1
2000.000000
X2
0.000000
X3
2333.33252
X4
0.000000
X5
4000.000000
X6
2666.666748
Es decir en MIN= 6 x4 + 6 x5 + 7 x6
MIN= 6(0) +6(4000)+7(2666.666748)
MIN= $42666.67
226
Observamos que en un intento por maximizar las ganancias, el costo de las

importaciones aumenta de su valor mnimo de $39800 a $42666.67
D.
Si la respuesta de las variables de decisin obtenidas en B) reemplazamos en A)

1)
Zmin= 39800
VARIABLE
VALUE
X1
1200
X2
4000
X3
X4
799.999
X5
X6
5000
Es decir en: MAX= 7 x1 + 8 x2 + 5 x3 + 4 x4 + 6 x5 + 2 x6

Max = 7((1200)+8(4000)+5(0)+4(799.999)+6(0)+2(5000)
ZMax=$53600
Observamos que en un intento por minimizar el costo de las importaciones, la
ganancia disminuye de su valor mximo de $55000 a $53600
9.1
PROGRAMACIN DE METAS
En el ejemplo anterior debemos ver de qu modo tratamos los objetivos en conflicto de

maximizar las ganancias, y minimizar el costo de las importaciones. Un planteamiento
para manejar el equilibrio de estos objetivos es la programacin de metas, en la cual,
para cada objetivo, usted identifica metas y penalizaciones.
Definicin de programacin de metas
Planteamiento utilizado para resolver un problema de optimizacin de objetivos
mltiples como un programa lineal que equilibra los pros y los contras de los objetivos
en conflicto.
227
Para aplicar la programacin de metas y llegar a una decisin es bueno identificar lo

siguiente:
Meta: valor objetivo numrico especfico establecido para un fin en un programa de
metas o dicho de otra manera valor objetivo numrico especfico que usted desea que
esa meta logre.
Penalizacin: valor relativo que se usa para representar insatisfaccin con cada
unidad que un objetivo est por debajo de su meta, si el objetivo es maximizar, y por
encima de la meta si el objetivo es minimizar.
9.2. IDENTIFICACIN DE LAS METAS Y PENALIZACIONES

Las metas son los valores que los tomadores de decisiones, idealmente, desearan
lograr para cada objetivo.
Por ejemplo, en el problema, el director ejecutivo, sabiendo que la ganancia mxima
posible es de $55000, puede elegir este valor como el objetivo que refleja la meta de
lograr la ganancia ms alta posible. Sabiendo que el costo mnimo posible de las
importaciones, segn el resultado, es de $39800, el director ejecutivo puede escoger
este valor o algn otro como la meta. Por ejemplo, el director ejecutivo puede estar
igualmente satisfecho si se hace un intento de lograr un costo de importacin de
$40000. Esta meta de $40000 puede ser violada si el hacerlo tiene como resultado un
aumento significativo de la ganancia.
Las penalizaciones, a su vez, reflejan la importancia relativa para los tomadores de
decisiones de no cumplir las metas de cada objetivo. Un valor ms alto de una
penalidad indica que el cumplir con la meta tiene una mayor prioridad. Al escoger
valores especficos para estas penalidades, considere el objetivo de maximizar las
ganancias. La meta es de $55 000. Si se alcanza o excede la meta, entonces no hay
penalizacin. Sin embargo, si no se logra la meta de ganancia de $55 000, entonces
deber haber penalizacin y cuanto ms alejado se encuentre de lograr la meta, ms
228
alta ser la penalizacin total. Las penalizaciones pueden aumentar ya sea de manera
lineal o de manera no lineal (trabajaremos con penalizaciones lineales).
Para cada objetivo usted debe escoger un solo valor numrico para indicar la
penalizacin por unidad (por ejemplo, un dlar en el caso que presentamos
anteriormente), por no haber logrado la meta.
Las penalizaciones se escogen de modo que reflejen la desventaja relativa entre los
objetivos, de acuerdo con la preferencia de los tomadores de decisiones. Si el director
ejecutivo siente que es dos veces ms importante lograr el objetivo de $55 000 en la
ganancia que el objetivo de $40000 en el costo de las importaciones, entonces usted
puede escoger las siguientes penalizaciones:
Penalizacin de ganancia = 2 por cada dlar de ganancia que est por debajo de
$55 000
Penalizacin de importacin = 1 por cada dlar de importacin que est por
encima de $40 000
En general, las penalizaciones no tienen otro significado fsico que el de indicar la
importancia relativa de lograr las metas.
9.3
FORMULACIN DE PROGRAMACIN LINEAL PARA UN PROBLEMA DE

PROGRAMACIN DE METAS
Una vez identificadas las metas y las penalizaciones para cada uno de los objetivos,
se sigue los pasos de identificacin de variables de una sola funcin objetivo y de
restricciones.
229
9.4
IDENTIFICACIN DE LAS VARIABLES DE DECISIN
Con el enfoque de programacin de metas, adems de las variables de decisin

originales necesitaremos definir dos nuevas variables para cada objetivo: una para
representar la cantidad en la cual el objetivo se pasa del objetivo especificado y la otra
para representar la cantidad que est por debajo de la meta.
En el ejemplo anterior debido a que hay dos objetivos, tambin necesita las siguientes
cuatro variables de decisin:
P+ = Cantidad de dlares en que excede la ganancia de la meta de $55 000
P - = Cantidad de dlares que faltan para la ganancia meta de $55 000
I+ = Cantidad de dlares en que las importaciones exceden la meta de $40 000
I - = Cantidad de dlares que faltan para que las importaciones alcancen la meta de
$ 40 000.
El modelo final debe asegurar que solamente una variable de cada par tenga un valor
positivo, y que el valor de la otra sea cero
9.5
IDENTIFICACIN DE LA FUNCIN OBJETIVO
En la programacin por metas, el objetivo es minimizar la penalizacin total por no

haber logrado las dos metas es decir:
Penalizacin total = (penalizacin por no alcanzar la meta de ganancia) +
(penalizacin por exceder la meta de importacin)
Observe que el director ejecutivo ha asignado una penalizacin del doble por cada
dlar que falte para lograr la meta de ganancia que la asignada a cada dlar que se
exceda de la meta de importacin.
Luego la funcin objetivo para este problema esta definido en funcin de P y I+
Minimizar 2P +1 I+
230
9.6
IDENTIFICACIN DE LAS RESTRICCIONES
Las restricciones anteriores del problema se mantienen igual, excepto que en general
incluir la siguiente restriccin de metas para cada objetivo original.
(Valor del objetivo) (cantidad por arriba de la meta)+ (cantidad por debajo de la
meta) = Meta
Luego, el modelo anterior queda de la siguiente manera
Minimizar 2P +1 I+
S.a.

0.5 x1 + 0.45 x2 + 0.6 x3 2400 (tiempo de mquina)

x1 +
x2 +
Restricciones de metas
7 x1 + 8 x2 + 5 x3 + 4 x4 + 6 x5 + 2 x6 P + + p = 55000
6 x4 + 6 x5 + 7 x6 I + + I = 40000
x1 ,x 2 ,x 3 ,x 4 ,x 5 ,x 6 , P + , P , I + , I 0 (restricciones Lgicas)
(Observe que al menos I + o I debe tomar el valor de cero lo mismo para las P)
231
Aplicando el paquete LINDO al modelo

min 2Pmenos+Imas
subject to
2)x1+x4=2000
3)x2+x5=4000
4)x3+x6=5000
5)0.50x1+0.45x2+0.60x3<=2400
6)x1+x2+x3<=5500
7)7x1+8x2+5x3+4x4+6x5+2x6-Pmas+Pmenos=55000
8)6x4+6x5+7x6-Imas+Imenos=40000
end
Se obtiene el siguiente resultado:

1)
1888.889
VARIABLE
PMENOS
IMAS
777.777771
333.333344
REDUCED COST
0.000000
0.000000
X1
2000.000000
X4
0.000000
X2
3111.111084
0.000000
X5
888.888916
0.000000
X3
0.000000
X6
5000.000000
0.000000
0.000000
2.000000
PMAS
IMENOS
232
VALUE
0.000000
0.000000
0.888889
0.333334
1.000000
ROW SLACK OR SURPLUS DUAL PRICES

2)
0.000000
2.888889
3)
0.000000
6.000000
4)
0.000000
-3.000000
5)
0.000000
22.222221
6)
388.888885
0.000000
7)
0.000000
-2.000000
8)
0.000000
1.000000
NO. ITERATIONS=

VARIABLE
CURRENT
COEF
PMENOS
IMAS
ALLOWABLE
INCREASE
2.000000
1.000000
DECREASE
1.000001
1.333334
ALLOWABLE
1.142857
0.333333
X1
0.000000
0.888889
INFINITY
X4
0.000000
INFINITY
0.888889
X2
0.000000
0.250000
0.800000
X5
0.000000
0.800000
0.250000
X3
0.000000
INFINITY
0.333333
X6
0.000000
0.333333
INFINITY
PMAS
IMENOS
0.000000
0.000000
INFINITY
2.000000
INFINITY
1.000000

ROW
CURRENT
RHS
ALLOWABLE
INCREASE
ALLOWABLE
DECREASE
2000.000000
162.790695
50.000004
4000.000000
129.629623
55.555557
5000.000000
388.888885
47.619049
2400.000000
25.000002
1399.999878
5500.000000
INFINITY
388.888885
55000.000000
INFINITY
777.777771
40000.000000
333.333344
INFINITY
233
Observamos que nuestro plan de produccin es:

Producir 2000 pies del tubo tipo A y 3111.11 pies del tubo tipo B
Y nuestro plan de compra es:

Importar 888.9 pies del tubo Tipo B y de 5000 pies del tubo tipo C
En trminos de las metas observamos que:

P-: el valor de 777.78 para (PMenos) nos indica que la meta de ganancia de
i)
$55000 no se cumple por $777.78. En otras palabras, el plan de produccinimportacin anterior tiene una ganancia de $(55000-777.78)=$54222.22
I + : el valor de 333.3333 para (IMs) nos indica que la meta de importacin de
ii)
$40 000 se excede en $333.3333. En otras palabras el plan de produccinimportacin anterior tiene un costo de $(40000+333.3333)=$40333.33333
Observaciones:
i)
Los objetivos mltiples, a menud o, entran en conflicto entre s. S olo

se puede optimizar un objetivo a expensas de los otros.
ii)
No podemos esperar lograr los mejores valores p
ara todos los
objetivos de manera simultnea.
1. Presentar 5 ejemplos de programacin por objetivos con sus respectivos anlisis.
234
10.
PROGRAMACIN ENTERA
Definicin. Un problema de programacin lineal entera (PPLE) es aquel que

representa el siguiente formato:
n
Max c j x j
j =1
s.a.
n
a x
j =1
ij
bi i = 1, 2," m
x j entero 0
Asimismo, definimos su equivalente continuo como:
n
Max c j x j
j =1
s.a.
n
a x
j =1
ij
bi i = 1, 2," m
xj 0
Un problema de programacin lineal entera y su equivalente continuo tiene la misma
estructura solo los diferencia el hecho de que en el segundo las variables pueden
asumir valores reales.
10.1. CMO RESOLVER UN PROBLEMA DE PROGRAMACIN LINEAL

ENTERA?
Dado un PPLE primeramente resolvemos su equivalente continuo, si la solucin

obtenida es entera, entonces esta solucin ser tambin la solucin ptima del
PPLE.
Si por el contrario, la solucin ptima del equivalente continuo tiene por lo menos
una variable cuyo valor no es entero, entonces debemos utilizar Tcnicas de
Programacin Entera.
235
10.2. INTERPRETACIN GRFICA DEL ESPACIO DE SOLUCIONES DE UN PPLE

Consideremos el siguiente PPLE
Maxz = 4 x + 5 y
s.a.
x+ y 8
2 x + y 10
x, y, enteros 0
24
18
12
Payoff:
4 x+
5 y=
40
6
:
0
:
0
1x+
2x+
1y=
1y=
8
10
Optimal Decisions(x,y): ( 0,
: 1x + 1y <= 8
: 2x + 1y <= 10
236
10
20
8)
30
40
50
60
Observaciones
1.
El espacio de soluciones factibles de un PPLE est formado por puntos

aislados.
2.
El espacio de soluciones factibles de un PPLE no es conjunto convexo.
3.
Ya no se puede hablar de puntos extremos.
4.
En el ejemplo presentado la solucin ptima del equivalente continuo es

(x,y)=(0,8)
24
18
12
Payoff:
4 x+
5 y=
40
6
:
0
:
0
1x+
2x+
1y=
1y=
10
8
10
: 1x + 1y <= 8
: 2x + 1y <= 10
20
30
40
50
60
8)
Como esta solucin es entera ser tambin solucin del PPLE.
237
10.3. QU DIFICULTADES SE PRESENTA SI SE REDONDEA LA SOLUCIN DE

UN PPLE?
Si al resolver el equivalente continuo de un PPLE, la solucin no resulta entera y
optamos por redondear dicha solucin se pueden presentar las siguientes dificultades
a) La solucin redondeada es no factible
Maxz = x + y
s.a.
2x + y 6
x + 2y 4
x, y, enteros 0
Resolviendo el equivalente continuo por el mtodo grfico:
Maxz = x + y
s.a.
2x + y 6
x + 2y 4
x, y 0
12
Payoff: 1.00 x + 1.00 y = 3.33
: 1.00 x + 2.00 y = 4.00

0
: 2.00 x + 1.00 y = 6.00

0
Optimal Decisions(x,y): (2.67, 0.67)
: 2.00x + 1.00y <= 6.00
: 1.00x + 2.00y <= 4.00
238
10
20
30
Solucin ptima del equivalente continuo:
8
2.67
3
Solucin redondeada: x = 3
2
y = 0.67
3
x=
y =1
Vemos que la solucin redondeada no cumple las restricciones! Por lo que decimos
que es no factible.
Observe por ejemplo: 2 x + y 6 2(3) + 1 6 como vemos no cumple la restriccin.
b) La solucin redondeada cumple las restricciones pero no es ptima
Maxz = 5 x + 4 y
s.a.
x+ y 5
10 x + 6 y 45
x, y, enteros 0
Resolviendo el equivalente continuo por el mtodo grfico:
Maxz = 5 x + 4 y
s.a.
x+ y 5
10 x + 6 y 45
x, y 0
18
12
Payoff: 5.00 x + 4.00 y = 23.75
: 1.00 x + 1.00 y = 5.00

0
: 10.00 x + 6.00 y = 45.00

10
20
30
40

: 1.00x + 1.00y <= 5.00
: 10.00x + 6.00y <= 45.00
Solucin ptima del equivalente continuo es x = 3.75 y=1.25 con Z= 23.75

239
Redondeando:
Asumamos que redondeamos: x = 3 y=1 , es decir, en el punto (3,1)
Observamos que: Z = 5 x + 4 y Z = 5(3) + 4(1) = 19 es factible, pero no es ptimo
pues (3,2) es una mejor solucin, es decir: Z = 5 x + 4 y Z = 5(3) + 4(2) = 23 y es
ptimo.
Veamos su grfico por PPLE.
18
12
Payoff: 5.00 x + 4.00 y = 23.00
: 10.00 x + 6.00 y = 45.00

0
: 1.00 x + 1.00 y = 5.00

0
10

: 1.00x + 1.00y <= 5.00
: 10.00x + 6.00y <= 45.00
240
20
30
40
10.4 Resolucin de un PPLE por el mtodo grfico
Min 24000 x + 20000 y

s.a
40 x + 30 y 400
2 x y 15
x 10
y5
x, y enteros 0
30
24
18
12
Payoff: 24000 x + 20000 y = 248000
:
6
:
:
1x+
2x-
: 40 x +
0
0x+
0y=
1y=
1y=
10
15
30 y = 400
10
: 40x + 30y >= 400
: 2x - 1y <= 15
: 1x + 0y <= 10
: 0x + 1y <= 5
20
30
40
50
60
4)
El espacio de soluciones factibles del PPLE es:

F= {(7,5),(8,5),(9,5),(10,5),(7,4),(8,4),(9,4),(8,3),(9,3)} si reemplazamos cada punto en
la funcin objetivo veremos que el punto que minimiza la funcin objetivo es el punto
(7,4) con funcin objetivo mnimo igual a 248 000
241
10.5. LA TCNICA DE RAMIFICACIN Y ACOTAMIENTO

Esta tcnica consiste en insertar restricciones en el problema original (acotamiento) y
resolviendo por el mtodo Simplex vamos obteniendo soluciones ptimas con los
cuales se va construir un rbol de decisin (ramificacin) siguiendo luego en la
direccin del rbol con el mejor valor ptimo encontrado hasta el momento.
10.5.1. Procedimiento
1.
Resolvemos el equivalente continuo del PPLE, esto puede dar lugar a las
siguientes posibilidades:
a. Si la solucin ptima obtenida es entera, entonces fin del proceso,
sta ser la solucin del PPLE.
b. En caso contrario tomamos una de las variables cuyo valor no es
entero y generamos dos restricciones.
Por ejemplo: suponga que: x = r ]
[ r ]
[ r] +1
Podemos observar que se generan dos ramificaciones es decir:
x [ r ] ; x [ r ] + 1
2.
Resolvemos el equivalente continuo insertando una de las restricciones,

por ejemplo:
x [ r ] y ubicamos el resultado en una de las
ramificaciones. Luego resolvemos el equivalente continuo considerando

solo la segunda restriccin: x [ r ] + 1 y ubicamos el resultado en la otra
ramificacin.
242
3.
Si alguna solucin obtenida es entera y no existe ramificacin con algn

valor ptimo mejor, entonces fin de proceso en caso contrario continuamos
con el paso 1 en la ramificacin que tenga el mejor valor ptimo hasta el
momento.
Ejercicios
1.
Max. 3X1 + 4X2

s.a.
2X1 +
3X2 <= 18
8X1 +
7X2 <= 56
X1 , X2 enteros >= 0
Solucin
Resolviendo el equivalente contino
Max. 3X1 + 4X2
s.a.
2X1 +
3X2 <= 18
8X1 +
7X2 <= 56
L1: 2X1 + 3X2 = 18

X1 X2
0
6 (0,6)
0 (9,0)
L1: 2X1 + 3X2 = 18
L2: 8X1 + 7X2 = 56
L2: 8X1 + 7X2 = 56

X1 X2
0
8 (0,8)
0 (7,0)
243
30
24
18
12
Payoff: 3.0 X1 + 4.0 X2 = 25.4

: 8.0 X1 + 7.0 X2 = 56.0
: 2.0 X1 + 3.0 X2 = 18.0

0
10
20
Optimal Decisions(X1,X2): ( 4.2, 3.2)

: 2.0X1 + 3.0X2 <= 18.0
: 8.0X1 + 7.0X2 <= 56.0
244
30
40
50
60
70
L1 L2
2X1 + 3X2 = 18 (4)
2X1 + 3(3.2) = 18
8X1 + 7X2 = 56
2X1 + 9.6 = 18
8X1 + 12X2= 72 (-)
2X1 = 8.4
8X1 + 7X2 = 56
X1 = 4.2
5X2 = 16
X2 = 3.2
2X1 + 3X2 <= 18 X2 = 3 , X1 = 4.5
8X1 + 7X2 <= 56 X2 = 3 , X1 = 4.375
X2 <= [| 3.33 |]
Z= 25.13
X1 = 4.38
X2 = 3
2X1 + 3X2 <= 18 X1 = 4 , X2 = 3.333

8X1 + 7X2 <= 56 X1 = 4 , X2 = 3.428
Z= 25.33
X1 = 4
X2 = 3.23
X1 <= [| 4.2 |]
Z= 25.4
X1 = 4.2
X2 = 3.2
X2 >= [| 3.33 |] + 1
Z= 25
X1 = 3
X2 = 4
2X1 + 3X2 <= 18 X2 = 4 , X1 = 3

8X1 + 7X2 <= 56 X2 = 4 , X1 = 3.5
X1 >= [| 4.2 |] + 1
Z= 24.144
X1 = 5
X2 = 2.28
No tiene
sentido
2X1 + 3X2 <= 18 X1 = 5 , X2 = 2.667

8X1 + 7X2 <= 56 X1 = 5 , X2 = 2.285
Respuesta: X1 = 3
X2 = 4
Z ptimo = 25
245
Observaciones
1)
A medida que aumentamos de nivel el valor de la funcin objetivo no mejorar.
2)
En el problema que se ha tenido que resolver, la solucin entera es la siguiente:
max 3x1 + 4 x2
s.a. 2x1 +3x 2 18
8x1 +7x 2 56
x1 4
x2 4
x1 ,x 2 0
Resolver por ramificacin y acotamiento
1) MaxZ = 5 x1 + 4 x2
s.a.
x1 + x2 5
10 x1 + 6 x2 45
x1 , x2 , entero 0
2) MaxZ = 3 x1 + 2 x2
s.a.
2 x1 + 2 x2 9
3x1 + 3x2 18
x1 , x2 , entero 0
246
3) MaxZ = x1 + x2
s.a.
2 x1 + 5 x2 16
6 x1 + 5 x2 27
x1 , x2 , entero 0
4) MinZ = 5 x1 + 4 x2
s.a.
3x1 + 2 x2 5
2 x1 + 3x2 7
x1 , x2 , entero 0
5) MinZ = 24000 x1 + 20000 x2
s.a.
40 x1 + 30 x2 400
2 x1 x2 15
x1 10
x2 5
x1 , x2 , entero 0
247
Bibliografa
HILLER, Frederick-LIEBERMAN, Gerald

Introduccin a la Investigacin Operativa.
McGraw-Hill, Mxico, 1991.
BAZARAA, Mokhtar-JARVIS, John
Programacin lineal y flujo de redes.
Limusa-Mxico.
PRAWDA WITENBERG, Juan
Mtodos y Modelos de Investigacin de Operaciones. Vol. I
Limusa-Mxico
TAHA, Hamdy
Investigacin de Operaciones. Una Introduccin.
Representaciones y Servicios de Ingeniera S.A. Mxico.
EPEN-GOULD-SCHMIDT
Investigacin de Operaciones en la Ciencia Administrativa.
Prentice- Hall Hispanoamrica, S.A.
DANTZIG, George B.
Linear Programming and Extension.
Princeton University Press
SASIENI, YASPAN and FRIEDMAN
Operations Research.
J. Wesles & Sons Inc.
248
MOSKOWITZ, Herbert,
Investigacin de Operaciones.
Espaa, Edit Prentice-Hall
BUFFA y DYER
Ciencias de la Administracin e Investigacin de Operaciones.
Limusa.
TURBAN, Meredith,
Fundamentals of Management Science.
Irwin, 5th. Edition - 1999
KAMLESH, Mathur y Daniel SOLOW
Investigacin de operaciones. El arte de la toma de decisiones.
249

Inves 140905193257 Phpapp01

Încărcat de

Informații document

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

Inves 140905193257 Phpapp01

Încărcat de

Drepturi de autor:

Formate disponibile

FACULTAD DE INGENIERAS Y ARQUITECTURAS

Escuela Profesional de Ingeniera Industrial

Lic. Hctor F. Cerna Maguia

1. Presentacin de la Gua didctica

Escuela Profesional de Ingeniera Industrial

1. Presentacin de la Gua didctica

Lo saludamos nuevamente al dar inicio a la asignatura de Investigacin de

Obtener respuesta a muchas de las interrogantes que usted probablemente se

Conocer, con anticipacin, muchos de los tpicos que se tratarn en la

Introduccin general al curso

Presentacin del docente-tutor

Contenidos del curso

Orientaciones para el estudio de la asignatura

Orientaciones para las tutoras

Lea detenidamente este documento y utilcelo en todo su proceso de estudio,

En el caso de buscar un tpico especfico, no dude en ver el ndice que se

Recuerde que cuenta con el apoyo de sus profesores en general, y docente o

Escuela Profesional de Ingeniera Industrial

2. Presentacin del docente

La Universidad Alas Peruanas se complace en presentar al licenciado Hctor

El docente-tutor es la persona con la cual estar en constante comunicacin a

Se indica el correo electrnico mediante el cual podr comunicarse con el

Permtanos presentarle al docente-tutor de la asignatura:

Docente en la Universidad Nacional Federico Villarreal en la Facultad de

Docente permanente en la Universidad Nacional Mayor de San Marcos en la

Docente en Diplomado de Especializacin en Eficiencia en la Enseanza de

Presidente del Captulo de Investigacin Operativa del Colegio de Matemticos

Licenciado en Investigacin Operativa (Universidad Nacional Mayor de San

Diplomado en Docencia Universitaria (Universidad Alas Peruanas).

Experiencia en Elaboracin de Modelos Cuantitativos.

Estudios concluidos en la Maestra en Docencia Universitaria y Gestin

Sus reas de inters son la investigacin cientfica aplicada a los Modelos

El docente siempre estar dispuesto a resolver las interrogantes que usted

Escuela Profesional de Ingeniera Industrial

A travs de estas lneas, queremos expresarles nuestras felicitaciones por

Lic. Hctor Flix Cerna Maguia

Cunto tiempo debe dedicar al estudio de este curso?

Para facilitar la organizacin de su tiempo en el desarrollo de contenidos, se

Cmo estn organizados los contenidos de este curso?

Unidad I: Introduccin a la investigacin de operaciones y fundamentos de

Escuela Profesional de Ingeniera Industrial

Unidad II: Representacin matemtica del modelo lineal y el mtodo simplex.

Unidad III: Aplicaciones Especiales de la programacin lineal. Su finalidad es

Unidad IV: Tpicos avanzados en programacin lineal-programacin lineal

Qu materiales necesita para estudiar?

La bibliografa bsica indicada en este documento.

Escuela Profesional de Ingeniera Industrial

Como primer curso se concentra en los modelos lineales y las tcnicas de

Aprende la importancia de la definicin y formulacin

Comprende la importancia de la representacin

Reconoce y comprende la importancia de nuevos

Comprende la importancia de aplicar nuevos tpicos

Con relacin al plan de estudios

Respecto al aspecto acadmico

Conceptos bsicos y operaciones sobre matrices

Planteamiento de ecuaciones e inecuaciones

Desigualdades lineales con dos variables

Clculo de probabilidades e inferencia estadstica

Estructuras discretas-teora de grafos

Escuela Profesional de Ingeniera Industrial

Las unidades didcticas

Ruta Web del Campus Virtual: http://dued.up.edu.pe

Cronograma del curso