Documente Academic
Documente Profesional
Documente Cultură
Captulo 10
Transporte y Transbordo
Destinos
Fuentes
D
I
S
P
O
N
I
B
I
L
I
D
A
a1
C11X11
F1
C1JX1J
D1
b1
Dj
bJ
Dn
bn
C1nX1n
Ci1Xi1
ai
CijXij
Fi
CinXin
Cm1Xm1
am
Fm
CmJXmJ
CmnXmn
R
E
Q
U
E
R
I
M
I
E
N
T
O
Introduccin
En ste captulo estudiaremos un modelo particular de problema de programacin lineal, uno
en el cual su resolucin a travs del mtodo simplex es dispendioso, pero que debido a sus
caractersticas especiales ha permitido desarrollar un mtodo ms prctico de solucin.
El modelo de transporte se define como una tcnica que determina un programa de
transporte de productos o mercancas desde unas fuentes hasta los diferentes destinos al
menor costo posible.
Tambin estudiaremos el problema del transbordo en el que entre fuentes y destinos,
existen estaciones intermedias. Por ltimo estudiaremos el software WinQsb y el Invop.
153
Transporte y Transbordo
Modelo General del Problema del Transporte
Es un caso especial de problema de programacin Lineal, en el que todos los coeficientes de
las variables en las restricciones tienen coeficiente uno (1), esto es:
ai,j = 1 ; para todo i , para todo j
Grficamente:
Fuentes
D
I
S
P
O
N
I
B
I
L
I
D
A
a1
Destinos
C11X11
F1
C1JX1J
D1
b1
Dj
bi
Dn
bn
C1nX1n
Ci1Xi1
Fi
ai
CijXij
CinXin
Cm1Xm1
am
Fm
CmJXmJ
CmnXmn
R
E
Q
U
E
R
I
M
I
E
N
T
O
S
Xi,j= Unidades a enviar desde la fuente i-sima (i=1,...,m) al destino j-simo (j=1,...,n)
Ci,j= Costo de enviar una unidad desde la fuente i-sima (i=1,...,m) al destino j-simo (j=1,...,n)
ai = Disponibilidad (oferta) en unidades, de la fuente i-sima (i=1,...,m)
bj = Requerimiento (demanda) en unidades, del destino j-simo (j=1,...,n)
Lo disponible = Lo requerido
Oferta = Demanda
Mercado Perfecto
Matemticamente:
Minimizar Z = C1,1X1,1 +...+ C1,jX1,j +...+ C1,nX1,n +...+ Ci,1Xi,1 +...+ Ci,jXi,j +...+ Ci,nXi,n +...+ Cm,1Xm,1 +...+
Cm,jXm,j +...+ Cm,nXm,n
154
Transporte y Transbordo
C.S.R.
X11 ++ X1j ++ X1n = a1
:
:
:
:
Xi1 ++ Xij ++ Xin = ai
:
:
:
:
Xm1 ++ Xmj ++ Xmn = am
Xij > 0
b1
:
bj
:
bn
i , j
!! No se pierde nada !!
C.S.R.
i =1
j =1
Xij
Xij
= ai
; i = 1,...,m
= bj
; j = 1,,n
j =1
Xij
i =1
Observacin:
m
i =1
Xij =
j =1
ai
i =1
i =1
j =1
j =1
Xij = bj
ai =
i =1
bj
j =1
Disponibilidad = Requerimiento
Oferta = Demanda
Mercado Perfecto
155
Transporte y Transbordo
Metodologa General
Modelo
Imperfecto
Generalmente es
lo que ocurre en
la vida real.
Modelo
Perfecto
Igualamos la
oferta a la
demanda,
mediante fuentes
o destinos de
holgura
Mtodo de
Solucin
Solucin Interpretacin
Hallar una
solucin bsica y
factible.
Hallar la
solucin ptima
Interpretar la
solucin terica
v.s. la realidad.
Metodologa de solucin
Solucin Bsica Factible
Optimizacin
Mtodos
Mtodos
Algebraico
Esquina Noroeste
Heurstico
Costo Mnimo
Modi
Vogel
Solucin ptima
Interpretacin
Ejemplo
Tres (3) fbricas envan su producto a cinco (5) distribuidores. Las disponibilidades, los
requerimientos y costos unitarios de transporte, se dan en la siguiente tabla.
Qu cantidad del producto se
Distribuidores
Disponibilidades debe enviar desde cada fbrica a
1 2 3 4 5
cada distribuidor para minimizar los
1
20 19 14 21 16
40
costos del transporte?
2
15 20 13 19 16
60
NOTA: La X significa que desde la
3
18 15 18 20 X
70
fbrica 3 es imposible enviar
Requerimientos 30 40 50 40 60
unidades al distribuidor 5
Fbricas
Solucin
Observe que el modelo no es perfecto: La oferta es diferente a la demanda. Se adiciona una
fbrica de relleno con costos de transporte igual a cero (0) y que ofrezca justo lo que le
hace falta a la oferta para ser igual a la demanda.
156
Transporte y Transbordo
Modelo Imperfecto
ai
40
60
70
170
50
220
Fbricas
1
2
3
4
Distribuidores
1
2
3
4
5
Formulacin
Xij = Unidades a enviar desde la fbrica i-sima (i=1,2,3,4) al distribuidor j-simo
(j=1,2,3,4,5)
Minimizar Z = 20X11 + 19X12 + 14X13 + 21X14 + 16X15 + 15X21 + 20X22 + 13X23 + 19X24 + 16X25 +
18X31 + 15X32 + 18X33 + 20X34 + MX35
L Valor muy grande en comparacin con los dems Cij
Nota: A X35 se le castiga con un coeficiente muy grande Gran M ya que Z nunca se
minimizar mientras X35 > 0 ; Luego X35 terminar siendo variable NO-Bsica, igual a
cero (0) para que Z se minimice.
Con Las siguientes restricciones:
X11 + X12 + X13 + X14 + X15 = 40
X21 + X22 + X23 + X24 + X25 = 60
X31 + X32 + X33 + X34 + X35 = 70
X41 + X42 + X43 + X44 + X45 = 40
X11 + X21 + X31 +
X12 + X22 + X32 +
X13 + X23 + X33 +
X14 + X24 + X34 +
X15 + X25 + X35 +
X41 = 30
X42 = 40
X43 = 50
X44 = 40
X45 = 60
Transporte y Transbordo
Solucin Bsica Factible
Como cada variable figura dos (2) veces en el sistema de ecuaciones, entonces tiene m+n-1
grados de libertad y el nmero de variables bsicas debe ser igual al nmero de grados de
libertad del sistema. Lo anterior nos asegura una solucin bsica factible no degenerada.
NMERO DE VARIABLES BSICAS = m + n 1
40 10
60
70
50
Transporte y Transbordo
30
0
0
0
10
30
0
0
0
30
20
0
0
0
40
0
0
0
10
50
40
60
70
50
10 0
30 0
50 10 0
0
30 40 50 40 60
0 30 20 0 50
0 0
0
Como evitar eliminar fila y columna al mismo tiempo, sin estar en la ltima casilla, uso de
Supongamos que nuestro problema es:
30 0
0 30 0
70
70
50
30 40 50 40 60
Para ste caso, procedemos as: Escoger satisfacer la fila o la columna (oferta o demanda),
para nuestro ejemplo escogemos satisfacer la oferta, entonces decidimos que a la demanda
le queda una cantidad muy pequea por satisfacer, llamada (epsilon) cuyo valor es
aproximadamente igual a cero (0), 0 y para efectos de clculos futuros = 0.
30 0
40
0 0
0 0
0
30
20
0
0
0
40
0
0
0
10
50
30
70
70
50
0
70 30 0
50 10 0
0
30 40 50 40 60
0 20 0 50
0
0
0
159
Transporte y Transbordo
Mtodo del costo mnimo
Caractersticas
. Es ms elaborado que el mtodo de la esquina noroeste
. Tiene en cuenta los costos para hacer las asignaciones
. Generalmente nos deja alejados del ptimo
Algoritmo
1. Construya una tabla de disponibilidades, requerimientos y costos
2. Empiece en la casilla que tenga el menor costo de toda la tabla, si hay empate, escoja
arbitrariamente (Cualquiera de los empatados).
3. Asigne lo mximo posible entre la disponibilidad y el requerimiento (El menor de los dos).
4. Rellene con ceros (0) la fila o columna satisfecha y actualice la disponibilidad y el
requerimiento, restndoles lo asignado.
Nota: Recuerde que no debe eliminar satisfacer fila y columna al mismo tiempo, caso
en que la oferta sea igual a la demanda, en tal caso recuerde usar la (Epsilon).
5. Muvase a la casilla con el costo mnimo de la tabla resultante (Sin tener en cuenta la
fila o columna satisfecha).
6. Regrese a los puntos 3,4,5 sucesivamente, hasta que todas las casillas queden asignadas.
En nuestro ejemplo, la tabla queda as:
0
0
0
20
19
14
21
16
15
20
13
19
16
18
15
18
20
30
30 0
40
50
40
40
60
70
50
20
60
Ahora escogemos el menor costo en la tabla que queda, volvindose a presentar un mltiple
empate, el cual dirimimos escogiendo la casilla de la fila 4, columna 2, y asignamos lo mximo
posible entre 40 y 20. Diligenciando todo el tablero obtenemos:
160
Transporte y Transbordo
0
20
0
0
30
15
18
0
30 0
0
0
20
20
19
20
15
0
40 20 0
0
50
0
0
50 0
14
13
18
0
0
0
40
0
40 0
21
19
20
0
40
10
10
16
16
M
0
60 20
10 0
40
60
70
50 20
Mtodo de vogel
Caractersticas
. Es ms elaborado que los anteriores, ms tcnico y dispendioso.
. Tiene en cuenta los costos, las ofertas y las demandas para hacer las asignaciones.
. Generalmente nos deja cerca al ptimo.
Algoritmo
1. Construir una tabla de disponibilidades (ofertas), requerimientos (demanda) y costos.
2. Calcular la diferencia entre el costo mas pequeo y el segundo costo ms pequeo, para
cada fila y para cada columna.
3. Escoger entre las filas y columnas, la que tenga la mayor diferencia (en caso de empate,
decida arbitrariamente).
4. Asigne lo mximo posible en la casilla con menor costo en la fila o columna escogida en el
punto 3.
5. asigne cero (0) a las otras casillas de la fila o columna donde la disponibilidad el
requerimiento quede satisfecho.
6. Repita los pasos del 2 al 5, sin tener en cuenta la(s) fila(s) y/o columna(s) satisfechas,
hasta que todas las casillas queden asignadas.
Nota: Recuerde que no debe satisfacer filas y columnas al mismo tiempo; caso en que la
disponibilidad sea igual al requerimiento; en tal caso use el (epsilon).
161
Transporte y Transbordo
ai Di
20
19
14
15
20
13
18
15
18
bj 30
Dj 15
40
15
0
0
0
21
16 40 2
19
16 60 2
20
M 70 3
40
50
13
40 0
19
50 0
10
60
16
Ahora recalculamos las diferencias, sin tener en cuenta la columna 4, que est satisfecha.
Una vez ejecutado todo el algoritmo hasta asignar todas las casillas, obtenemos la siguiente
asignacin bsica y factible inicial.
B
R
I
C
A
S
D I S T R I B U I D O R E S
ai
1
2
3
4
5
20
19
14
21
16 40 0
0
0
0
0
40
30
bj
30 0
Diferencias 15 3
15
18
0
0
40
0
40 0
15 4
20
15
0
20
30
0
13
18
0
0
0
40
19
20
0
50 20 0 40 0
13 1
19
10
0
10
Diferencias
2
16 60 30 10 0 2 3
M 70 30 0
0
60 50 0
16 0
50 10 0
3 0 M-18
0
220
Transporte y Transbordo
Conclusin: Hemos conseguido tres (3) soluciones bsicas factibles no degeneradas (# de
variables bsicas = m+n-1=8) por medio de tres (3) mtodos: El de la esquina noroeste, el
del costo mnimo y el de Vogel. Pero ninguna de ellas nos garantiza que la solucin
encontrada es la ptima. Para saberlo, debemos estar seguros que ninguna de las variables
no bsicas pueda entrar a la base haciendo que la funcin objetivo disminuya. Para discernir
un mtodo que nos evale el efecto de introducir una unidad de cada variable no bsicas,
recurrimos al mtodo algebraico que posteriormente se convertir en el mtodo MODI.
Importante: A partir de cualquiera de stas tres (3) soluciones bsicas factibles no
degeneradas, debemos comenzar a iterar, para encontrar el ptimo.
Mtodo algebraico
El sistema de ecuaciones iniciales es:
(0) Z-20X11-19X12-14X13-21X14-16X15-15X21-20X22-13X23-19X24-16X25-18X31-15X32-18X33-20X34-MX35 = 0
(1)
(2)
(3)
(4)
X11 +
X21 +
X31 +
X41 +
(5)
(6)
(7)
(8)
(9)
X11 +
X12 +
X13 +
X14 +
X15 +
(15)
(10)
(13)
(16)
(16)
Transporte y Transbordo
Si nos preguntamos: Cual es la variable que al aumentar hace que Z disminuya ms, la
respuesta es X31 (Tiene el coeficiente ms negativo), luego es la mejor candidata para ser la
variable que entra ya que por cada unidad que aumente, los costos totales del transporte se
disminuyen en 2 unidades monetarias.
Nota: ste proceso es muy dispendioso !! y por lo tanto vamos a considerar otro.
Mtodo de tanteo:
Partiendo de la solucin bsica factible obtenida mediante el mtodo de Vogel.
40-1 40 Analizamos que efecto causa sobre el valor de la funcin
20
10+1 60 objetivo actual (Z=2.650) el intentar enviar 1 unidad desde la
40 30
70 fbrica 1 al distribuidor 1 (X11=1). ste cambio causa un
40 10 50 desequilibrio en la oferta y la demanda; La primera fila suma
41 en lugar de 40 y la primera columna suma 31 en lugar de 30.
30 40 50 40 60
Esto se arregla sumando 1 y restado 1 en sitios estratgicos, de tal forma que la oferta y la
demanda se vuelvan a cumplir.
+1
30-1
1 20
2915
30
Conclusin: Mediante ste mtodo podemos analizar todos los efectos, de considerar enviar
una unidad desde las fbricas a los distribuidores, en las casillas de las variables no-bsicas
(Xij = 0) , para observar si existen variables no-bsicas que al entrar a la base, hagan que Z
disminuya; Por supuesto, los resultados coincidirn con los coeficientes de la funcin
objetiva lograda mediante el mtodo algebraico.
Conclusin: El presente mtodo es muy dispendioso, aunque un poco menos que el mtodo
algebraico; Si se efecta en su totalidad, el resultado es:
5
9 1
10
-2
1 6 3
Transporte y Transbordo
Ahora se describe un mtodo ms practico para encontrar ste ltimo tablero en donde
podemos escoger la variable que entra de forma rpida. Primero se muestra la deduccin
matemtica del mtodo y despus su aplicacin prctica. El procedimiento recibe el nombre
del Mtodo Modificado de distribucin (Modi), ya que lleva a escoger la variable que entra,
la variable que sale y la nueva solucin mejorada en donde Z disminuye su valor.
Cij Xij
Minimice Z =
Minimice Z =
i =1 j =1
C.S.R. Xij = ai
j =1
Xij = bj
i =1 j =1
; i = 1,...,m
Cij Xij
C.S.R. ai bj -
; j = 1,,n
i =1
Xij
= 0 ; i = 1,...,m
j =1
m
Xij
= 0 ; j = 1,,n
i =1
Cij Xij
i =1 j =1
[a - Xij = 0]
n
ui
; i = 1,...,m
j =1
[b - Xij = 0] v
m
; j = 1,,n
i =1
Z=
Cij Xij
i =1 j =1
+ ui ai -
Xij = 0
j =1
+ vj bj -
Xij
i =1
=0
]
165
Transporte y Transbordo
Z=
Cij Xij
i =1 j =1
Z=
uiai
ui Xij
i =1 j =1
i =1
uiai +
(Cij ui vj)Xij +
i =1 j =1
i =1
vjbj
j =1
vj Xij
i =1 j =1
vjbj
j =1
30
20
19
15
20
18
0
40
15
0
20
30
14
21
13
19
18
20
40
ui
16 0
15
13
16 0
15 18
5
0 0 -16
vj 15 10 13 16 16
vj vj = Cij ui , as:
40
10
16
Z = 2.650
16
M
10
166
Transporte y Transbordo
V1 = C21 u2 = 15 - 0 = 15
V3 = C23 u2 = 13 - 0 = 13
V5 = C25 u2 = 16 - 0 = 16
u1 = C15 v5 = 16 - 16 = 0
u3 = C33 v3 = 18 -13 = 5
u5 = C45 v5 = 0 16 = -16
V2 = C32 u3 = 15 - 5 = 10
V5 = C45 u5 = 0 (-16) = 16
Observe que el clculo para cualquier ui ,es el costo menos el respectivo vj y para cualquier
vj , es el costo menos el respectivo ui
9 1
10
C31 u3 v1 = 18 5 15 = -2
C34 u3 v4 = 20 5 16 = -1
C35 u3 v5 = M 5 16 = M-21
C41 u4 v1 = 0 (-16) 15 = 1
C42 u4 v2 = 0 (-16) 10 = 6
C43 u4 v3 = 0 (-16) 13 = 3
Observe que stos clculos se pueden hacer directamente sobre la tabla, aplicando para las
casillas de las variables no bsicas Cij ui vj
Fjese que en sta ltima tabla, estn todos los coeficientes de las variables no bsicas en
la funcin objetiva, despus de haber sumado mltiplos de las restricciones a la funcin
objetivo para eliminar las variables bsicas. La nueva funcin objetivo es:
Z = 5X11 + 9X12 + X13 + 5X14 + 10X22 + 3X24 -2X31-X34 + (M-21)X35 + X41 + 6X42 + 3X43 + 2.650
La variable que al crecer hace que Z disminuya ms es X31 , luego escogemos sta variable
para entrar a la base.
Observe que en la tabla de costos para las variables no bsicas se encuentran los valores en
que aumenta disminuye Z por cada unidad de crecimiento de las variables no bsicas.
Identificada la variable para entrar (X31), debemos determinar la variable para salir, que
debe ser aquella que primero se vuelva cero (0) a medida que la variable que entra crezca.
para ello, construimos un circuito cerrado de (+) y (-), empezando, sumando en la casilla de
la variable que entra X31. Observe que el circuito de (+) y (-) tiene como objetivo preservar
la suma de las filas y de las columnas, esto es, seguir satisfaciendo la oferta y la demanda,
conservando la factibilidad del problema.
167
Transporte y Transbordo
30
30
20
19
14
21
15
-
20
13
+
19
18
15
18
40
30
+
-
20
20
20
19
14
21
15
20
13
19
18
40
15
0
30
50
0
40
40
40
10
16
16
M
16
16
40
40
Z=(40)(15)+(0)(15)+(50)(13)+(10)(16)+(30)(18)+
(40)(15)+(40)(0)+(10)(0) = 2.590
60 .
.
18
20
M
70 .
.
0
0
0
40
10
50
50
10
10
40
60
7
8
4
1
2
3
5
3
1
168
Transporte y Transbordo
Solucin ptima
Variables bsicas:
X15* = 40
X21* = = 0
X23* = 50
X25* = 10
X31* = 30
X32* = 40
X54* = 40
X55* = 10
Z* = 40(16)+0(15)+50(13)+10(16)+30(18)+40(15)+
40(0) +10(0) = 2.590
Interpretacin de la solucin
La forma ptima de hacer los envos desde las fbricas (1,2,3) a los distribuidores
(1,2,3,4,5) para que los costos totales del transporte sean mnimos es:
Desde la fbrica 1 al distribuidor 5 enviar 40 unidades, a un costo de: $ 640
Desde la fbrica 2 al distribuidor 3 enviar 50 unidades, a un costo de: $ 650
Desde la fbrica 2 al distribuidor 5 enviar 100 unidades, a un costo de: $ 160
Desde la fbrica 3 al distribuidor 1 enviar 30 unidades, a un costo de: $ 540
Desde la fbrica 3 al distribuidor 2 enviar 40 unidades, a un costo de: $ 600
Total de unidades enviadas 170, a un costo total de $2.590
Observe que el distribuidor 4 se quedar sin sus 40 unidades y que el distribuidor 5 sin sus
10 unidades, en total quedar una demanda insatisfecha de 50 unidades (Informacin que
conocimos desde el principio), lo relevante aqu, es que ahora sabemos a quien no enviarle las
50 unidades que no tienen los distribuidores y que podemos tomar decisiones
administrativas referentes a la demanda no cubierta, tales como:
1. Conseguir las 50 unidades a travs de la competencia agremiada, como consecuencia de
acuerdos previamente establecidos.
2. Acordar con el distribuidor 4 y 5 cubrir dicha demanda en el periodo de produccin
siguiente.
3. Otras decisiones podrn ser tomadas en concordancia con la situacin real.
Problema de transporte con costos de produccin
Una compaa tiene 4 fbricas (F1 , F2 , F3 , F4), que envan su produccin a 4 almacenes (A1 ,
A2 , A3 , A4). Los costos y capacidades de produccin, en cada una de las 4 fbricas son:
169
Transporte y Transbordo
Fbricas
F1
F2
F3
F4
Las demandas mensuales del producto en cada uno de los 4 puntos de distribucin son:
Almacn
A1
A2
A3
A4
Demanda mensual
(En Unidades)
180
280
150
200
Los costos del transporte, en $/Unidad, entre las diversas combinaciones de fbricas y
almacenes son:
Fbrica
F1
F2
F3
F4
A L M A C E N E S
A2
A3
A4
A1
48
60
56
58
47
57
53
59
51
63
61
63
51
63
55
61
Xij = Unidades de producto a enviar desde la fbrica i-sima (i=1,2,3,4), al almacn jsimo(j=1,2,3,4)
Minimizar Z = 40(X11 + X12 + X13 + X14+) + 43(X21 + X22 + X23 + X24) + 39(X31 + X32 + X33 + X34)
+ 45(X41 + X42 + X43 + X44) + 48X11 + 60X12 + 56X13 + 58X14 + 47X21 + 57X22 + 53X23 + 59X24 +
51X31 + 63X32 + 61X33 + 63X34 + 51X41 + 63X42 + 55X43 + 61X44
C.S.R.
X11 + X12 + X13 + X14
X21 + X22 + X23 + X24
X31 + X32 + X33 + X34
X41 + X42 + X43 + X44
<
<
<
<
140
260
360
220
X11 +
X12 +
X13 +
X14 +
>
>
>
>
180
280
150
200
170
Transporte y Transbordo
Simplificando la funcin objetivo, queda as:
Minimice Z = 88X11 + 100X12 + 96X13 + 98X14 + 90X21 + 100X22 + 96X23 + 102X24 + 90X31 +
102X32 + 100X33 + 102X34 + 96X41 + 108X42 + 100X43 + 106X44
Evaluamos las oferta frente a la demanda, de no ser iguales, la igualamos mediante variables
de holgura.
Fbricas
Creamos el almacn artificial A5 con una demanda
bj
ai
Distribuidores
F1
140
180 de 170 unidades.
A1
260
280
F2
A2
360
150
F3
A3
220
200
F4
A4
980
810
A5
170
980
X11
X21
X31
X41
B
R
I
C
A
S
3
4
bj
140
260
360
220
X11 +
X12 +
X13 +
X14 +
X15 +
=
=
=
=
=
180
280
150
200
170
D I S T R I B U I D O R E S
ai
1
2
3
4
5
88
100
96
98
0 140 0
0
0
0
140
0
1
2
+ X15 =
+ X25 =
+ X35 =
+ X45 =
180 0
Diferencias 2
160
100
100
96
102
88 8 2
0 260 160 90 6 4 2
0
90
102
100
102
0 370 180 90 10 2 0
180
120
0
60
0
0
96
108
100
106
0 220 50 96 4 6
0
0
50
0
170
0
0
90
Diferencias
200 60
0
40
170 0
980
Transporte y Transbordo
Partiendo de sta solucin bsica factible no degenerada encontrada por el mtodo de
aproximacin de vogel, aplicamos el mtodo de modi, para efectuar las iteraciones y
encontrar la solucin ptima.
Z = 78.880
140
160 100
180 120
60
50
170
ui
-4
-2
0
2
98
0
0
12
2
100 96
102
102
100
102 98 102
2
2
2
2
X14* = 140
X22* = 160
X23* = 100
X31* = 180
X32* = 120
X34* = 60
X43* = 50
X45* = 170
-2
6
4
2
Plantas de
Produccin
P1
P2
Requerimientos
Transporte y Transbordo
Plantas de
Produccin
P1
P2
ai
80
60
140
90
230
P4
Centros de
ventas
V1
V2
V3
V4
bj
30
20
140
40
230
P
L
A
N
T
A
Centro de Ventas
ai
1
2
3
4
37
36
36
40 80 0
0
20
60
0
30
30 0
bj
Diferencias 35
0
0
1
1
4
4
0
0
34
20 0
34
60
20
34
0
0
40
140 120 40
60
0
34
38
38 60 0
0
0
0 90 50 0
20 0
Nmero de variables
Bsicas:
m+n-1 = 3+4-1 = 6
Z = 4.920
20 60
60
30
20 40
36 36
34
0
0
0 0
0
35
Diferencias
Solucin ptima:
36
34
0
X12* = 20
X13* = 60
X23* = 60
X31* = 30
X33* = 20
X34* = 40
Z* = $4.920
173
Transporte y Transbordo
De acuerdo a la matriz de costos y al grfico presentado en el problema 6 del captulo de
formulacin, las unidades debern ser despachadas as:
P1
P2
V1
V2
V3
V4
37 (C2) 36 (C1) 36 (C2) 40 (C2)
35 (C2) 34 (C1) 34 (C2) 38 (C2)
80
$4
20
C1
P1
$11
60
$12
P2
$20
20
V1
30
- 0
30 Unidades insatisfechas
V2
20
-20
0 Demanda satisfecha
V3
140
-120
20 Unidades insatisfechas
V4
40
- 0
40 Unidades insatisfechas
60
60
$9
C2
$6
120
$19
174
Transporte y Transbordo
Costos Totales:
Tiempo
Normal
Primer
Tiempo
Trimestre
Extra
Tiempo
Maquina
Tiempo
Normal
Segundo
Tiempo
Trimestre
Extra
Tiempo
Maquina
Tiempo
Normal
Tercer
Tiempo
Trimestre
Extra
Tiempo
Maquina
Tiempo
Normal
Cuarto
Tiempo
Trimestre
Extra
Tiempo
Maquina
Demanda
Costos Totales
Primer
Trimestre
50
X11
H11
M11
75
85
Segundo
Trimestre
53
X12
H12
M12
X22
H22
M22
78
88
50
75
85
Tercer
Trimestre
56
X13
H13
M13
X23
H23
M23
X33
H33
M33
81
91
53
78
88
50
75
85
Cuarto
Capacidad de
Trimestre
Produccin
59 50.000
X14
H14
M14
X24
H24
M24
X34
H34
M34
X44
H44
M44
50.000
150.000
200.000
Plan de
Produccin
84 50.000
94 40.000
56 50.000
81 50.000
91 40.000
53 50.000
78 50.000
88 40.000
50 50.000
75 50.000
85 40.000
52.000
Transporte y Transbordo
Mij = Unidades a fabricar mediante la fuerza de trabajo subcontratada en el trimestre isimo (i=1,2,3,4), para atender la demanda del trimestre j-simo (j=1,2,3,4)
Siendo j = i, ... ,n ; Ya no es lgico producir unidades para atender demandas pasadas.
En la parte superior derecha de cada casilla aparece el costo unitario por unidad producida,
es as como una unidad producida mediante la fuerza de trabajo regular, para suplir la
demanda del segundo trimestre, tiene un costo de $53, distribuidos as: $50 de produccin
ms $3 de inventario.
Empezamos por la esquina noroeste y asignamos lo mximo posible para atender la demanda
de 50.000 unidades, produciendo lo mximo posible en tiempo normal, cubrimos la demanda.
Nos movemos a la fila del segundo trimestre con produccin en tiempo normal y asignamos
lo mximo posible (50.000), hacindose necesario producir lo mximo posible en horas
extras, (50.000) y en trabajo suplementario (40.000), para un total de 140.000 unidades a
producir, quedando sin cubrir la demanda de 10.000 unidades, ya que la totalidad de la
demanda para el segundo trimestre es de 150.000 unidades. Lo anterior obliga a recurrir a
unidades (lo ms baratas posibles) producidas en el trimestre inmediatamente anterior,
luego asignamos 10.000 unidades a producir en el primer trimestre en tiempo extra para
cubrir la demanda del segundo trimestre; Este movimiento se muestra en la tabla parcial
siguiente:
Primer
Trimestre
Segundo
Trimestre
Tiempo
Normal
Tiempo
Extra
Tiempo
Maquina
Tiempo
Normal
Tiempo
Extra
Tiempo
Maquina
Demanda
Primer
Trimestre
50
50.000
75
Segundo
Trimestre
53
Tercer
Trimestre
56
78
81
88
91
50
53
75
78
85
88
10.000
85
50.000
50.000
40.000
50.000
0
Cuarto
Capacidad de
Trimestre
Produccin
59 50.000
0
84 50.000
40.000
94 40.000
Plan de
Produccin
56 50.000
0
81 50.000
0
91 40.000
0
150.000
0
176
Transporte y Transbordo
Tiempo
Normal
Primer
Tiempo
Trimestre
Extra
Tiempo
Maquina
Tiempo
Normal
Segundo
Tiempo
Trimestre
Extra
Tiempo
Maquina
Tiempo
Normal
Tercer
Tiempo
Trimestre
Extra
Tiempo
Maquina
Tiempo
Normal
Cuarto
Tiempo
Trimestre
Extra
Tiempo
Maquina
Demanda
Costos Totales
Primer
Trimestre
50
50.000
75
Segundo
Trimestre
53
10.000
85
78
88
50.000
50.000
40.000
Tercer
Trimestre
56
40.000
20.000
91
50
53
75
78
85
88
50.000
50.000
40.000
50.000 0
$2500.000
81
150.000 0
$10430.000
50
75
85
200.000 0
$14710.000
Cuarto
Capacidad de
Trimestre
Produccin
59 50.000
0
84 50.000
40.000 0
94 40.000
20.000 0
56 50.000
0
81 50.000
0
91 40.000
0
53 50.000
0
78 50.000
0
88 40.000
0
50 50.000
50.000
0
75 50.000
2.000
48.000
85 40.000
52.000 0
$2650.000
Plan de
Produccin
50.000
50.000
20.000
50.000
50.000
40.000
50.000
50.000
40.000
50.000
2.000
$30290.000
En la ltima columna queda diseado el plan de produccin por tipo de fuerza de trabajo y
por trimestre; En la ltima fila se muestran los costos de las unidades producidas por
trimestre. Los inventarios trimestrales se observan sobre cada columna, anteriores al
trimestre observado y ellos son: 70.000 y 60.000 unidades para los semestres 2 y 3
respectivamente, todas unidades producidas durante el primer semestre.
177
Transporte y Transbordo
Software WinQsb
El WinQsb maneja el problema del transporte en su mdulo de Modelos de Redes, el cual en
su inicio nos muestra la siguiente ventana, que se debe diligenciar as:
Fjese que ste mdulo tambin
resuelve otros modelos de redes,
que se especifican en la parte
izquierda de la ventana.
Los datos se pueden ingresar de
dos formas: En una matriz
tablero de doble entrada de
forma grfica.
A continuacin se ilustra el ingreso
de datos en la tabla de doble
entrada
El modo de edicin del men
principal permite cambiar los
rtulos de las fuentes y los
destinos. No es necesario que la
oferta sea igual a la demanda, el
software se encarga de agregar fuentes destinos de holgura, segn sea la necesidad.
Para solucionar el problema, se da clic sobre el icono que aparece en la parte superior y que
se seala en la figura siguiente:
El WinQsb le ofrecer entonces una ventana con la respuesta ptima del
problema, indicando cuntas unidades enviar desde cada una de las ciudades de
origen a cada una de las ciudades de destino, con su costo por envo y el costo
total de la operacin.
Si se usa ste icono, el WinQsb nos ilustrar mediante una red la respectiva
respuesta ptima al problema.
178
Transporte y Transbordo
Software INVOP
Este software maneja las siguientes aplicaciones: Asignaciones, Transporte, Distancias en
redes (Ruta ms corta, rbol de mnimo recorrido, Agente viajero), Flujo de redes.
El invop est en Espaol y su metodologa dirigido a la enseanza, ofreciendo al usuario
tanto la parte terica de fundamento matemtico como la parte prctica de solucin de
problemas con sus respectivos ejemplos.
El Invop presenta una ventana principal, en la que hace una breve, pero til resea de sus
aplicaciones, de ellas seleccionamos la de transporte, como se muestra en la figura
siguiente:
179
Transporte y Transbordo
Al escoger la opcin de transporte, el INVOP nos ofrece una ventana en donde captura los
datos del problema y en un recuadro situado en la parte inferior derecha, donde nos ofrece
la solucin ptima. Colocando el cursor sobre algunos sitios de inters de sta ventana, se
ofrece un rtulo en fondo amarillo con la respectiva instruccin de ayuda.
En la parte inferior izquierda de la ventana se especifica el criterio de optimizacin y la
cantidad de fuentes y destinos, en la parte superior derecha se introducen los costos por
unidad a transportar y habilitando el cuadro de control, se editan los encabezados de fila y
columna, al igual que las ofertas y las demandas de fuentes y destinos.
Cuando la informacin del problema est introducida, se procede a solucionar el problema,
haciendo clic sobre el icono del men superior, que tiene la figura de una calculadora,
Entonces se llena el cuadro en la parte inferior derecha con la solucin ptima. En la
figura siguiente se ilustra sta ventana.
180
Transporte y Transbordo
Se recomienda al Usuario del Software leer la ayuda (Help), en la que se explica toda la
parte conceptual y matemtica del algoritmo del transporte al igual que se ilustran varios
ejemplos de muy buena calidad.
Problemas Propuestos
1. Formular, Resolver manualmente, e interpretar la solucin, de todos los problemas de
ejemplo de la Ayuda del Software INVOP.
2. Desarrolle un algoritmo para el caso de Maximizacin de un problema de transporte;
Tanto para encontrar la solucin bsica inicial por el mtodo de vogel, como para hallar la
solucin ptima por el mtodo MODI.
3. Una cadena de cinco (5) Almacenes, ubicados en diferentes partes del pas, requieren
cierta mercanca para cada uno de sus almacenes. Las Empresas abastecedoras han
181
Transporte y Transbordo
informado que disponen de la mercanca solicitada, pero en tres (3) diferentes fbricas.
La escasez del producto hace que la cadena de almacenes deba transportar la mercanca.
En base a los costos del transporte por unidad, a los requerimientos de los almacenes y a
la disponibilidad de las fbricas, que se muestra en el siguiente cuadro; Formule el
problema de programacin lineal que minimice los costos totales del transporte y
resulvalo.
ALMACENES
Disponibilidad
FBRICAS
1
2
3
4
5
A
10
20 40 30 50
1.000
B
20
30 50 40 10
1.000
C
30
40 10 50 20
1.500
Requerimientos 1.000 800 600 800 300
3.500
4. Una Compaa desea saber, que poltica de distribucin minimizar sus costos totales, se
cuenta con tres (3) fbricas y cuatro (4) clientes, la produccin de las fbricas es de:
550,300 y 260 unidades respectivamente; y las necesidades de los cuatro (4) clientes
son: 250,300,200, y 160 unidades respectivamente. Los costos de enviar una (1) unidad
entre cada fbrica y los clientes se da a continuacin:
C L
1
A 8
FBRICAS B 7
C 2
DEMANDA 250
I E N T E S
OFERTA
2
3
4
3
4
5
550
6
5
2
300
4
3
3
260
300 200 160
182
Transporte y Transbordo
1
2
FUENTES 3
4
5
DEMANDA
D E S
1
2
21 12
15 13
18 17
M
2
33 29
40 30
T
3
28
20
22
10
35
50
I N O
4
5
17
9
M
12
10
8
5
0
27 23
60 50
S
OFERTA
6
0
50
0
60
0
40
0
70
0
30
20
250
1
2
FUENTES
3
4
DEMANDA
D E S
1 2
2
1
3 2
3 5
4 2
30 50
T I N O S
OFERTAS
3 4 5 6
3 3 2 5
50
2 4 3 4
40
4 2 4
1
60
2
1
2 2
31
20 40 30 11
181
183
Transporte y Transbordo
7. Una compaa tiene un programa de embarque. La empresa tiene 3 fbricas y 4 bodegas.
A continuacin se dan los datos necesarios en trminos de costo del transporte,
capacidad de cada fbrica y los requerimientos de cada bodega. Busque un programa
ptimo de embarque de tal manera que los costos sean mnimos.
B O
1
A
10
FBRICAS
B
8
C
16
REQUERIMIENTOS 1.600
D E G A S
DISPONIBILIDAD
2
3
4
16 14
12
1.600
14 16
14
1.200
8
12
12
600
400 400 1.000
3.400
8. Una compaa tiene 4 almacenes y 6 tiendas. Los almacenes juntos tienen un exceso de
22 unidades de un producto dado, que se divide entre ellos como sigue:
ALMACN EXCESO
5
1
6
2
2
3
9
4
TOTAL
22
Las 6 tiendas juntas necesitan 22 unidades del producto. Los requerimientos individuales
son:
TIENDA REQUERIMIENTOS
4
1
4
2
6
3
2
4
4
5
2
6
TOTAL
22
Los costos de enviar una unidad del producto del almacn i-simo a la tienda j-sima son:
184
Transporte y Transbordo
1
2
ALMACENES
3
4
T I E N D
1 2 3 4
9 12 9 6
7 3 7 7
6 5 9 11
6 8 11 2
A
5
9
5
3
2
9. Se tiene que distribuir un producto desde 3 fbricas (A, B, C), hasta 5 almacenes (d, e,
f, g, h), la siguiente tabla muestra: Costos, demandas y ofertas.
D
A
42
B
34
C
46
DEMANDA 11
E
42
42
44
13
F
44
40
42
7
G
40
46
48
17
B U I
3
200
60
100
150
D O R
4
140
65
150
160
E S
OFERTA
5
35
400
80
200
130
150
140
Transporte y Transbordo
de Barranquilla; para atender sus pedidos de exportacin as: Panam requiere 200
Toneladas que pagar a $120.000 Tonelada; Honduras requiere 300 Toneladas que
pagar a $110.000 Tonelada y Venezuela desea 250 Toneladas que pagar a $100.000
Tonelada.
A Fibratolima le cuesta $50.000 traer cada tonelada de su planta en Ibagu hasta
Santa Marta, $40.000 Tonelada a Cartagena y $30.000 Tonelada a Barranquilla.
La siguiente tabla muestra el costo de transportar la tela desde cada puerto de
embarque al sitio de pedido.
HASTA (Por mar)
Panam (P) Honduras (H) Venezuela (V)
Santa Marta (S)
25.000
25.000
20.000
Cartagena
(C)
25.000
20.000
20.000
Barranquilla (B)
20.000
15.000
15.000
DESDE
Se requiere:
a) Formular el problema
b) Use el mtodo de vogel para obtener una solucin bsica factible
c) Obtenga la solucin ptima
12. Tres plantas generadoras de energa elctrica, con capacidades de 25,40 y 30 millones
de kilowatts-hora (KWH), suministra electricidad a 3 ciudades cuyas demandas mximas
son: 30, 35 y 25 millones de KWH. El costo en unidades monetarias (u.m.) de la venta de
corriente elctrica a las diferentes ciudades, por milln de KWH es:
CIUDADES
1 2 3
1 60 70 40
PLANTAS 2 32 30 35
3 50 48 45
Transporte y Transbordo
13. Una compaa produce motores elctricos pequeos en cada una de sus tres plantas,
para 4 fabricantes de instrumentos. Los costos de produccin por unidad varan segn
las ubicaciones, debido a diferencias en el equipo de produccin y en el rendimiento de
los trabajadores. Los costos de produccin por unidad y la capacidad mensual (Oferta)
se presentan en la siguiente tabla
Costo de
PLANTA Produccin por
Unidad
17
A
20
B
24
C
Capacidad de
Produccin
Mensual
800
600
700
DESDE
A
B
C
Los pedidos de los clientes que deben producirse el siguiente mes, se muestran en la
tabla siguiente:
CLIENTE DEMANDA La empresa debe decidir cuntas unidades se producirn en
cada planta y qu porcin de la demanda de cada cliente se
300
1
surtir desde cada una de ellas. Se desea minimizar la
500
2
produccin total y los costos de transporte. Formule el
400
3
problema como uno de transporte y resulvalo, indicando
600
4
claramente cuntas unidades se deben enviar y producir desde
cada planta a cada cliente y cul es el costo mnimo.
14. Una empresa tiene 3 centros de distribucin: Bogot, Barranquilla y Medelln, con una
capacidad de despacho de 9.000, 11.000 y 5.000 unidades por semana. Los clientes estn
clasificados por zonas: Occidente, Costa, Oriente y Viejo Caldas; Cuyas demandas por
semana son: 6.000, 5.000, 8.500 y 4.500 unidades respectivamente. En la siguiente tabla
se muestran los costos de despachar 100 unidades desde cualquier centro de
distribucin a cualquier zona.
OCCIDENTE COSTA ORIENTE VIEJO CALDAS
BOGOT
420
395
400
435
BARRANQUILLA
460
305
380
345
MEDELLN
300
375
455
405
187
Transporte y Transbordo
Cul es la cantidad de unidades que hay que despachar desde cada centro de
distribucin a cada cliente con el fin de que los costos totales del transporte sean
mnimos y todos los clientes queden satisfechos.
15. Una firma dedicada al alquiler de automviles, tiene escasez de coches en una serie de
ciudades ubicadas en Colombia. Las Ciudades de Bogot, Medelln, Cali y Barranquilla
disponen de 20,35,15 y 10 coches menos de los que se necesitan para los alquileres
esperados. El director de la firma se entera que en Ibagu, Armenia y Pereira tienen 40,
25 y 30 coches de ms respectivamente. Los costos en pesos, del transporte de un
coche entre las distintas ciudades queda reflejado en la siguiente tabla.
BOGOT MEDELLN CALI BARRANQUILLA El problema consiste en
minimizar el costo total de
IBAGU
22
20
23
24
transporte para solucionar el
ARMENIA
18
15
19
20
problema de escasez.
PEREIRA
18
15
22
30
188
Introduccin
Captulo 1
Introduccin
La Toma de Decisiones
La Investigacin de Operaciones
La Ingeniera Industrial y la Investigacin de
Operaciones
Resea histrica de la Investigacin de Operaciones
La toma de decisiones
La toma de decisiones estratgicas para la vida de una empresa, es la principal
responsabilidad indelegable de un gerente. El inicio de la toma de una decisin,
generalmente empieza cuando se detecta un problema. Conocido el problema, el gerente
debe proceder a definirlo de manera clara y formular el objetivo, seguidamente identifica
las restricciones, evala las alternativas y seguramente el mejor curso de accin que lo
llevar al la solucin ptima. Este proceso lo realiza de manera cualitativa o cuantitativa. Si
lo hace bajo el enfoque cualitativo, el gerente est confiando en su juicio personal o en su
experiencia pasada en situaciones similares. Si lo hace bajo el enfoque cuantitativo, no
necesariamente debe tener experiencia en casos similares, pero si debe hacer un anlisis
exhaustivo, especialmente si la decisin involucra una gran cantidad de dinero, un conjunto
de variables muy grande se trata de un problema altamente repetitivo, en cuyo caso, el
desarrollo de un procedimiento cuantitativo ahorrar tiempo valioso al gerente.
La habilidad para resolver problemas mediante el anlisis cuantitativo, es propio de cada
gerente, pero puede adquirirse aumentarse con la experiencia; Esta habilidad puede
adquirirse mediante el estudio de las herramientas matemticas que ofrece la investigacin
11
Introduccin
de operaciones, ellas le permitirn maximizar la efectividad en la toma de decisiones,
pudiendo comparar y combinar informacin cualitativa y cuantitativa.
Introduccin
importante en los principios de la administracin cientfica fu Henry L. Gantt quien trabaj
en resolver el problema de la planeacin de la produccin. Mientras que Taylor se enfocaba
en resolver un problema nico, Gantt adopt un punto de vista ms amplio al observar los
diferentes pasos en una operacin completa. ste cambio de inters alejndose de lo
particular de la administracin hacia aspectos ms amplios fu en realidad una
transferencia de nfasis de la Ingeniera Industrial a la Investigacin de Operaciones con
un enfoque multidisciplinario a problemas complejos, reconocindose la necesidad de tener
especialistas, reunidos para trabajar en equipos de investigacin con sistemas completos en
vez de partes del sistema.
Introduccin
El desarrollo de la Programacin Lineal ocurri hacia 1760 cuando los economistas
empezaron a describir sistemas econmicos en trminos matemticos. El profesor de
Harvard Wassily Leontieff desarroll un modelo de programacin Lineal que representaba
la totalidad de la economa de los Estados Unidos de Norte Amrica.
Como consecuencia del ingreso de Inglaterra a la segunda guerra mundial dos aos antes que
Estados Unidos, en 1939 exista un ncleo de una organizacin Britnica de Investigacin de
Operaciones y sus principales aportes fueron: El mejoramiento del sistema de radar, el
caoneo antiareo, en la guerra antisubmarina, en la defensa de la poblacin civil, en el
diseo del tamao de los convoy y en la conduccin de ataques de bombardeo sobre
Alemania.
El grupo de Investigacin de Operaciones con mayor publicidad fu el denominado El circo
de blackett dirigido por el profesor P.M.S. Blackett de la Universidad de Manchester,
ministro de la Royal Society, laureado nobel y ex-oficial naval. El grupo estaba conformado
por 3 Fisioligistas, 2 Fsicos matemticos, 1 Astrofsico, 1 Oficial del ejrcito, 1 Topgrafo,
1 Fsico general y 2 Matemticos. El valor del enfoque del equipo Heterogneo fu de xito
notorio.
Al ingresar los Estados Unidos a la segunda guerra mundial, cre grupos de anlisis de
operaciones en la fuerza area y en la armada, sta ltima cre grupos de Investigacin de
Operaciones en el Laboratorio de municiones naval y en la dcima flota.
Despus de la segunda guerra mundial, tanto el ejrcito como la fuerza area de los
Estados Unidos de Norte Amrica, continuaron con los grupos de Investigacin de
Operaciones pero las tcnicas desarrolladas empezaron a ser usadas en la planeacin de los
negocios. La industria deba renovar su produccin y organizacin para servir rpidamente a
las necesidades en tiempos de paz. En 1950 se organiz la Operations Research Society of
Amrica (ORSA) y The Institute of Management Science (TIMS). Desde 1952 ORSA
publica la revista Operations Research y desde 1953 TIMS publica su revista Management
Science. Desde la dcada de los 70 (s) las dos sociedades publican la revista trimestral
Interfases con trabajos y artculos relacionados con los problemas operacionales del uso de
la ciencia administrativa y la investigacin de Operaciones. En Inglaterra se form en 1948
el Operational Research Club quien cambi su nombre posteriormente a la Operational
Research Society of the United Kingdom y para 1950 crearon la revista Operational
Research Quarterly. Ms recientemente se han formado sociedades de Investigacin de
Operaciones en Francia, Italia, Israel y Austria.
Se recomienda al lector leer la totalidad del apndice 1, en donde se coleccionan varias
lecturas interesantes sobre el tema.
14
Captulo 9
Anlisis Post-ptimo y Sensibilidad
Cambio en
Cambio en
Cambio en
Cambio en
Cambio en
Adicin de
Adicin de
Introduccin
En todo modelo cuantitativo los distinto coeficientes pueden estar sujetos a cambios,
fluctuaciones o errores. Por ello, su conocimiento no siempre es preciso y pueden cambiar
en muchas ocasiones. Un uso tpico es el caso en el que hemos obtenido la solucin ptima y
deseamos encontrar la nueva solucin ptima cuando hayan cambiado, por ejemplo, las
disponibilidades de los recursos (bi), los precios costos unitarios por unidad (Cj), cambio
en los coeficientes tecnolgicos (ai,j), incorporacin de una nueva variable (Nuevo producto
Xj) y adicin de una nueva restriccin. Necesario para el tomador de decisiones conocer en
que rango se puede mover los distintos coeficientes mencionados, mantenindose la
presente solucin ptima; ello le da una ventaja competitiva frente a otro tomador de
decisiones, de incalculable valor en dependencia con la situacin problema particular.
En ste captulo se consideran siete (7) posibles cambios en las condiciones iniciales del
problema original, uno a la vez, con su respectivo anlisis de sensibilidad, presentando los
argumentos para cada caso y una metodologa prctica y rpida en su aplicacin; para ello se
usa el siguiente ejemplo, al que inicialmente encontramos la solucin ptima mediante el
mtodo simplex, colocando al frente de cada tablero su respectivo sistema de ecuaciones
del mtodo algebraico.
125
XJ > 0 ; J = 1,2
XJ > 0 ; J = 1,2,3,4
CJ
VB b
0 X3 4
0 X4 18
ZJ CJ 0
CJ
VB
0
X3
5
X2
ZJ CJ
3
X1
1
3
-3
b
4
9
45
5
X2
0
2
-5
0
X3
1
0
0
3
X1
1
3/2
9/2
b
0
X4 a
0 NO
1
9
0
5
X2
0
1
0
0
X3
1
0
0
X1 = 0
X2 = 0
0
X4
0
1/2
5/2
X3 = 4
X4 = 18
ZX = 0
(0) ZX + 9/2X1
+ 5/2X4 = 45
(1)
X1
+ X3
= 4
(2)
3/2X1 + X2
+ 1/2X4 = 9
X1 = 0
X2 = 9
X3 = 4
X4 = 0
ZX = 45
Problema Dual
X1* = 0
X2* = 9
X3* = 4
Y1* = 0
Y2* = 5/2
Y3* = 9/2
X4* = 0
ZX* = 45
Y4* = 0
ZY* = 45
Sobre la presente solucin ptima, consideraremos los siguientes cambios, uno a la vez para
cada caso, con su respectivo anlisis de sensibilidad y metodologa abreviada.
1. Cambio en Cj cuando Xj* es no bsica
2. Cambio en Cj cuando Xj* es bsica
126
Cambio en bi
Cambio en ai,j cuando Xj* es no bsica
Cambio en ai,j cuando Xj* es bsica
Adicin de una restriccin
Adicin de una variable
Los casos 1 y 2 se generalizarn bajo una metodologa nica que haga fcil su aplicacin, al
igual que en los casos 4 y 5 en los que adicionalmente se mostrar su relacin con el
concepto de productividad, tema importante del estudio del trabajo.
En el caso 3 se encontrar el significado de los valores de las variables del Dual,
denominado EL PRECIO SOMBRA y el COSTO REDUCIDO, valores stos importantes para
el anlisis econmico y la toma de decisiones.
127
VB
0
X3
5
X2
ZJ CJ
b
4
9
45
6
X1
1
3/2
3/2
5
X2
0
1
0
0
X3
1
0
0
0
X4
0
1/2
5/2
X1 = 0
X2 = 9
X3 = 4
X4 = 0
ZX = 45
Y1* = 0
Y2* = 5/2
Y3* = 3/2
Y4* = 0
ZY* = 45
Anlisis de sensibilidad
Ahora la pregunta es: Entre que valores puede cambiar C1 , de tal forma que se mantenga la
solucin actual ptima y factible
Para contestar sta pregunta, basta con plantear la ecuacin que recalcula el valor de (Z1
C1) , colocando en el tablero ptimo como valor para C1, un valor cualquiera que cumpla con la
condicin de que su Z1 C1 debe ser > 0 para mantener la respuesta actual ptima y factible
CJ
0
5
ZJ
C1
5
X1
X2
VB b
X3 4
1
0
X2 9
3/2
1
CJ 45 Z1 C1 0
0
0
X3 X4
1
0
0 1/2
0 5/2
Si Cj es el precio unitario de venta del artculo uno (1), entonces su precio de venta puede
estar entre cero (0) y $7,50 sin alterar la solucin ptima actual, fjese que en la solucin
actual X1* = 0 o sea no se producen ni venden unidades del producto uno (1)
128
(0) ZX 3/2X1
+ 1/2X4 = 9
(1)
X1
+ X3
= 4
(2)
3/2X1 + X2
+ 1/2X4 = 9
129
0
1
ZJ
b
3
1
0
0
3
1
0
0
CJ
VB b X1 X2
X1
X2 X3 X4
X3
X4
a
b
4
1
0
1
0
4
3 X1
4 1
0
1
0
(-3/2)
9
3/2
1
0 1/2 6
1
X2
3 0
1 -3/2 1/2
9 -3/2 0
0 1/2
ZJ CJ 15 0 0
3/2 1/2
VB
X3
X2
CJ
CJ
VB
0
X3
1
X2
ZJ CJ
b
4
9
9
3
X1
1
3/2
-3/2
1
X2
0
1
0
0
X3
1
0
0
0
X4
0
1/2
1/2
Z = (1)(9) + (0)(4) = 9
Z1 C1 = (1)(3/2) + (0)(1) 3 = Z2 C2 = (1)(1) + (0)(0) 1 =
Z3 C3 = (1)(0) + (0)(1) 0 =
Z4 C4 = (1)(1/2) + (0)(0) 0 =
3/2
0
0
1/2
Fjese que aqu, el tablero simplex ha quedado automticamente listo para iterar, ya que se
observa en l, que su solucin es factible ( bi > 0 ) pero no ptima, en atencin a que el valor
de (Z1 C1 ) < 0 sea 3/2 ; Los valores del tablero simplex para la siguiente iteracin son
los mismos que se hallaron anteriormente.
Anlisis de sensibilidad
Ahora la pregunta es: Entre que valores puede cambiar C2 , de tal forma que se mantenga la
solucin actual ptima y factible.
Para contestar sta pregunta, basta con plantear las ecuacin que recalcula el valor de (Zj
Cj) de cada una de las variables no bsicas, colocando en el tablero ptimo como valor para
C2, un valor cualquiera que cumpla con la condicin de que su Zj Cj debe ser > 0 para
mantener la respuesta actual ptima y factible.
130
3
C2 0
0
C2 > 2
VB
X1
X2 X3
X4
b
(1/2) C2 + (0)(0) 0 > 0 para Z4 C4
0
X3
4
1
0
1
0
C
2 > 0
C2 X2
9
3/2
1
0
1/2
ZJ CJ 9C2
Z1 C1
0
0
Z4 C4
Para mantener la solucin actual ptima; el valor de C2 debe estar comprendido dentro del
rango: 2 < C2 < + ; Esto se puede apreciar grficamente as:
3. CAMBIO EN bi
El anlisis de ste caso nos revelar el significado de las variables del dual, dando origen a
dos conceptos de interpretacin econmica denominados el precio sombra y el costo
reducido. En las aplicaciones prcticas, es muy aplicado, ya que se trata de cambios
efectuados sobre la disponibilidad de los recursos.
Un cambio en un bi afecta los valores de las variables bsicas en la solucin ptima, haciendo
que sta siga factible o no, por ello se dice que afecta la factibilidad del problema.
Si al efectuar el cambio, al menos un bi se hace < 0; Entonces se hace necesario aplicar el
mtodo dual simplex
El coeficiente de la variable de holgura de la ecuacin donde ocurre el cambio, nos indica el
nmero de veces que cada ecuacin ha sido sumada restada de las dems ecuaciones sea
el nmero de veces que ocurre el cambio, siendo el cambio la diferencia entre el nuevo y el
actual valor de bi
Para ste caso se propone cambiar la segunda restriccin de la siguiente forma:
3X1 + 2X2 < 18
131
Como todos los bi nuevos son > 0 ; Entonces b1 = 4 ; b2 = 7 ; La nueva solucin es:
X1* = 0
X2* = 7
X3* = 4
X4* = 0
ZX* = 35
Y1* = 0
Y2* = 5/2
Y3* = 9/2
Y4* = 0
ZY* = 35
4 + 1 (b1- 4) > 0
b 1 > 0
No restringe
Cambio en b2 de 18 a 19
(0) 45 + 5/2 (19-18) = 45 + 5/2 (1) = 95/2
(1) 4 + 0 (19-18) = 4 + 0 (1) = 4
(2) 9 + 1/2 ( 19-18) = 9 + 1/2 (1) = 19/2
Lo anterior significa que las variables reales del dual (Y1* , Y2*) son el incremento de Z* por
unidad de recurso aumentado, siempre y cuando ste aumento de los recursos se mantenga
dentro del rango de sensibilidad (0 < b1 < ) y (0 < b2 < ). Por ello, el valor de las variables
reales del dual es llamado el precio sombra.
De manera similar, las variables de holgura del dual (Y3* , Y4*) indican lo que Z* disminuye
por cada unidad que se decida hacer crecer a una variable NO bsica, esto se llama el costo
reducido.
Coeficiente tecnolgico
ai,j = t / Q
Q = Unidades
t = Tiempo
Para ste cambio y los siguientes, de nuevo se aplica el principio de que el coeficiente de la
variable de holgura de la ecuacin donde ocurre el cambio, nos indica el nmero de veces
que cada ecuacin ha sido sumada restada de las dems ecuaciones sea el nmero de
133
VB
X3
X2
0
5
ZJ CJ
CJ
b
4
9
45
3
5
VB
X1
X2
ZJ CJ
b
4
7
47
3
X1
1
1/2
-1/2
5
X2
0
1
0
0
X3
1
0
0
0
X4
0
1/2
5/2
3
X1
1
0
0
5
X2
0
1
0
0
X3
1
-1/2
1/2
0
X4
0
1/2
5/2
b
a
4
18
134
X4* = 0
ZX* = 47
Y1* = 1/2
Y2* = 5/2
Y3* = 0
Y4* = 0
ZY* = 47
Anlisis de sensibilidad
Entre que valores puede cambia a21 (Coeficiente tecnolgico) , de tal forma que se mantenga
la solucin actual ptima.
Para contestar sta pregunta, basta con replantear la ecuacin que recalcula el valor de (Z1
C1 ), remplazando el nuevo a2,1 , por un valor cualquiera que cumpla con la condicin de que
el nuevo valor de (Z1 C1 ) sea > 0 , que mantenga la respuesta actual ptima.
9/2 + 5/2 ( a2,1 3 ) > 0 ; Despejando a2,1 se encuentra que a2,1 > 6/5 ; Luego el rango de
sensibilidad para a2,1 es: 6/5 < a2,1 <
135
+ 5/2X4 = 45
+ X3
= 4
+ 1/2X4 = 9
+ 5/2X4 = 45
+ X3
= 4
+ 1/2X4 = 9
+ X3
+ 5/2X4 = 45
= 4
+ 1/4X4 = 9/2
+ X3
+ 5/4X4 = 45
= 4
+ 1/4X4 = 9
(0) ZX + 3/4X1
(1)
X1
(2)
3/4X1 + X2
(-5)
Optimalidad
Factibilidad
Solucin:
X1* = 0
X2* = 9/2
X3* = 4
X4* = 0
ZX* = 45/2
Y1* = 0
Y2* = 5/4
Y3* = 3/4
Y4* = 0
ZY* = 45/2
136
1 + (a 22'2)
2
5
5
> 0 ; Despejando a22 a22 < 4
(a 22'2) +
2
4
Concluyendo; El valor de a22 debe estar dentro del siguiente rango: 0 < a22 < 4
137
+ 1/2 X4
(3) - 3/2 X1
= 9
- X5 = -6
+ 1/2 X4 X5 = 3 Multiplicando por (-1)
(0) Z + 9/2 X1
+ 5/2 X4
(1)
X1
+ X3
(2)
3/2 X1 + X2
+ 1/2 X4
(3)
- 3/2 X1
- 1/2 X4 + X5
= 45
= 4
= 9
= -3
138
VB
0
5
0
X3
X2
X5
4
9
-3
45
ZJ - CJ
ZJ - CJ / aR,J
Cj
X1
X2
X3
X4
X5
1
3/2
-3/2
9/2
-3
0
1
0
0
NO
1
0
0
0
NO
0
1/2
-1/2
5/2
-5
0
0
1
0
NO
VB
X1
X2
X3
X4
X5
0
5
3
X3
X2
X1
2
6
2
36
0
0
1
0
0
1
0
0
1
0
0
0
-1/3
0
1/3
1
2/3
1
-2/3
3
ZJ - CJ
(- 2/3 )
Nueva solucin:
X1* = 2
X2* = 6
X3* = 2
X4* = 0
X5* = 0
ZX* = 36
Y1* = 0
Y2* = 1
Y3* = 3
Y4* = 0
Y5* = 0
ZY* = 36
139
= 45
= 4
= 9
Fjese que los nuevos coeficientes de X5 para cada ecuacin estn afectados por tres (3)
trminos: La primera columna corresponde al efecto producido por la aparicin de X5 en la
funcin objetiva, por ello solo afecta la ecuacin cero (0), la segunda columna refleja el
efecto producido por un cambio de un ai,j en la primera restriccin y por ltimo, la tercera
columna refleja el efecto producido por un cambio de un ai,j en la segunda restriccin.
Efectuando los clculos aritmticos, el sistema de ecuaciones queda as:
(0) Z + 9/2 X1
+ 5/2 X4 - 2 X5
(1)
X1
+ X3
+
X5
(2)
3/2 X1 + X2
+ 1/2 X4 +
X5
= 45
= 4
= 9
140
0
5
VB
X3
X2
Zj - Cj
Cj
7
5
b
4
9
45
VB
X5
X2
Zj - Cj
b
4
5
53
3
X1
1
3/2
9/2
5
X2
0
1
0
0
X3
1
0
0
0
X4
0
1/2
5/2
7
X5
1
1
-2
3
X1
1
1/2
13/2
Y3
5
X2
0
1
0
Y4
0
X3
1
-1
2
Y1
0
X4
0
1/2
5/2
Y2
7
X5
1
0
0
Y5
b
a
4
9
Fjese en el orden
Nueva solucin:
X1* = 0
X2* = 5
X3* = 0
X4* = 0
X5* = 4
ZX* = 53
Y1* = 2
Y2* = 5/2
Y3* = 13/2
Y4* = 0
Y5* = 0
ZY* = 53
141
El programa anuncia, mediante una ventana, que el problema ha sido solucionado y que la
solucin ptima ha sido archivada, se acepta dando clic sobre el botn de aceptar, siguiente:
142
En la parte inferior de la lnea roja, se encuentra la informacin referente a cada una de las
restricciones y su interpretacin es la siguiente:
La fila 1 corresponde a la restriccin 1, referente a la disponibilidad del recurso A , para el
que se muestra el valor del lado izquierdo, evaluado con la solucin optima y que indica que
del recurso A no se utilizar ninguna unidad, de las 4 disponibles, por ello la holgura
excedente de dicho recurso es de 4 unidades. El precio sombra nos indica que si se dispone
de una unidad adicional del recurso A, ello ocasionar un incremento en la utilidad de $0
;Siempre y cuando el valor del recurso se encuentre entre los lmites de sensibilidad 0 < b1 <
; que son los valores que hacen que la solucin actual permanezca factible.
La fila 2 corresponde a la restriccin 2, referente a la disponibilidad del recurso B , para el
que se muestra el valor del lado izquierdo, evaluado con la solucin optima y que indica que
del recurso B se utilizan 18 unidades, de las 18 disponibles, por ello la holgura excedente
de dicho recurso es de 0 unidades. El precio sombra nos indica que si se dispone de una
unidad adicional del recurso B, ello ocasionar un incremento en la utilidad de $2,50
siempre y cuando el valor del recurso se encuentre entre los lmites de sensibilidad 0 < b2 <
; que son los valores que hacen que la solucin actual permanezca factible.
144
Xj > 0 ; j = 1,2,3
a) Cul es la solucin ptima ? ZX* , X1*, X2*, X3*, X4*, X5* ^ X6* en donde X4, X5*^ X6
son variables de holgura de las restricciones correspondientes a los recursos A,B,C
respectivamente.
b) Formule el Dual.
c) Cul es la solucin ptima del dual.
d) Si consideramos que Z es ganancia en pesos. Cul seria la contribucin a la ganancia
si hubiese una unidad ms de recurso A ?, lo mismo para B, lo mismo para C.
e) Supngase que datos mas recientes nos dicen que la funcin objetiva es: Z = -X1 +
3X2 + X3 . Es la vieja solucin todava ptima ? si no, encuentre la nueva solucin
ptima.
f) Suponga que queremos investigar el efecto de cambiar la funcin objetiva a Z = -X1 +
X2 2X3 . An ser ptima la antigua solucin ? si no, encuentre el nuevo ptimo.
g) Si uno encuentra que solo hay 10 unidades disponibles del recurso B, el ptimo ser
el mismo? Si no, encuentre el nuevo ptimo.
h) Cambiara la solucin ptima si aadimos la nueva restriccin X1 + X2 + X3 < 8 . Si s,
encuentre el nuevo ptimo.
i) Supngase que se ha descubierto que una cuarta actividad, denotada por X7 , es
relevante y que el nuevo modelo matemtico es:
Maximice Z = - X1 + 3X2 2X3 + X7
C.S.R.
3X1 X2 + 2X3 + X7 < 7 Recurso A
Es la antigua solucin con X7 = 0 an
-2X1 + 4X2
ptima? Si no, encuentre el nuevo
- 2X7 < 12 Recurso B
ptimo.
-4X1 + 3X2 + 8X3 - X7 < 10 Recurso C
Xj > 0 ; j = 1,2,3,7
Nota: No son necesarios clculos largos para ninguno de los encisos del problema
145
-1
3
0
VB
X1
X2
X6
ZJ - CJ
b
4
5
11
11
-1
X1
1
0
0
0
3
X2
0
1
0
0
-2
X3
4/5
2/5
10
12/5
0
X4
2/5
1/5
1
1/5
0
X5
1/10
3/10
-1/2
4/5
0
X6
0
0
1
0
2. Se ha concedido licencia a una nueva empresa de turismo, para realizar vuelos entre
Bogot y las Islas de San Andrs y Providencia e Interinsulares (Vuelos entre las islas
del archipilago). para ello, debe comprar turborreactores con los que cubrir los vuelos
entre Bogot y las Islas, as como Aviones de Hlice y/o helicpteros con los que servir
los vuelos interinsulares. El presupuesto de compra es de $2.800000.000. Las
caractersticas de los aparatos que puede comprar la empresa de turismo son:
Tipo de
Aparato
Turborreactores
Aviones de
Hlice
Helicpteros
Costo
Por Unidad
(en Millones de
$)
Man/nto por
Unidad
( $ / da )
300
120.000
100
60.000
300
50
30.000
100
Requerimientos de
Tripulacin
CopiAzaPilotos
lotos
fatas
2
2
Capacidad
Pasajeros/mes
4.000
146
L1
0,1
0,2
1
L2
0,3
0,1
1
L3
0,8
0,1
4
L4
0,4
0,3
3
Horas / tonelada
Tipo A
Tipo B
2
3
3
3
Horas mximas
trabajadas por semana
40
75
A cul departamento debe dar prioridad en los fondos para la expancin de la planta?
6. Del problema principal, sabemos que una unidad de X1 contribuye con $6 por unidad a la
utilidad, requiere 2 horas en el departamento A y 1 hora en el departamento B. Una
unidad de x2 contribuye con $7 por unidad a la utilidad y requiere 1 hora en el
departamento A y 3 horas en el departamento B. La capacidad mxima para cada
departamento es de 40 horas.
Formule el dual e indique el valor que se incrementa la utilidad por cada hora adicional en
cada departamento.
7. Un taller de artesanas fabrica dos productos en dos departamentos. El producto X1
contribuye con $6 por unidad a la utilidad y toma 6 horas en el departamento 1 y 6 horas
en el departamento 2. El producto X2 contribuye con $14 por unidad a la utilidad y
toma 8 horas en el departamento 1 y 2 horas en el departamento 2. El departamento 1
tiene una capacidad de 38 horas y el departamento 2 42 horas. Indique el nmero
mximo de produccin en unidades y el nivel de produccin para maximizar la utilidad y
muestre la diferencia en la contrinucin a la utilidad de los dos.
8. Una compaa requiere vendedores entrenados, las ventas del producto tienden a ser
estacionales. La compaa rquiere el siguiente nmero mnimo de vendedores durante
cada mes del ao.
148
Mes
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
9. He aqu la funcin objetivo, las restricciones y la tabla simplex final para un problema de
mezcla de productos de programacin lineal:
Funcin objetivo: Maximizar Z = 2X1 + 5X2 + 8X3
con las siguientes restricciones:
6X1 + 8X2 + 4X3 < 96
2X1 + X2 + 2X3 < 40
5X1 + 3X2 + 2X3 < 60
XJ > 0 ; j = 1,2 y 3
149
CJ
V.B.
b
5
X2
8/3
8
X3
56/3
0
X6
44/3
ZJ - CJ
488/3
2
X1
1/3
5/6
7/3
19/3
5
X2
1
0
0
0
8
X3
0
1
0
0
0
X4
1/6
-1/12
-1/3
1/6
0
X5
-1/3
2/3
-1/3
11/3
0
X6
0
0
1
0
10. Del problema principal sabemos que una unidad del producto 1 contribuye a la utilidad
con $7 y que requiere 3 unidades de entrada 1 (1 ingrediente) y 2 horas de mano de
obra. Una unidad del producto 2 contribuye a la utilidad con $5 y requiere 1 unidad de
entrada 1 y 1 hora de mano de obra. La capacidad de las entradas es actualmente de 48
unidades y hay 40 horas de mano de obra. Formule el dual de este problema e indique el
valor para la firma de otra unidad de entrada 1 y otra hora de mano de obra.
11. He aqu la funcin objetivo, las restricciones, y la table simplex final de un problema de
programacin lineal de mezclas que involucra 4 productos y 3 departamentos.
Funcin objetivo: Maximice Z = 2X1 + 4X2 + X3 + X4
X1 + 3X2
+ X4 < 4
2X1 + X2
<3
X2 + 4X3 + X4 < 3
Xj > 0 ; j = 1,2,3 y 4
150
CJ
V.B.
4
X2
2
X1
1
X3
ZJ - CJ
b
1
1
1/2
13/2
2
X1
0
1
0
0
4
X2
1
0
0
0
1
X3
0
0
1
0
1
X4
2/5
-1/5
3/20
7/20
0
X5
2/5
-1/5
-1/10
11/10
0
X6
-1/5
3/5
1/20
9/20
0
X7
0
0
1/3
1/3
a) Comente sobre el valor que tiene para esta compaa el aadir capacidad adicional en
cada uno de estos tres departamentos.
b) Determine el rango sobre el cual cada uno de los precios marginales para las
variables de holgura sern vlidos.
c) Determine el rango sobre el cual cada uno de los coeficientes de X1, X2 y X3 puede
variar sin afectar la solucin ptima.
d) Cul tendra que ser la contribucin de X4 para que estuviera en la solucin ptima?
e) Cules son las implicaciones de mercado de las respuestas que encontr para las
partes c) y d) anteriores?
151
Apndice 1
Apndice 1
Lecturas
Historia de la Investigacin de Operaciones
Definiciones de Investigacin de Operaciones
Bibliografa de George Bernard Dantzig
El analsta de Investigacin de Operaciones
La Investigacin de Operaciones en la prctica
Modelos de Investigacin de Operaciones
Historia de la Investigacin de Operaciones
"Desde el advenimiento de la Revolucin Industrial, el mundo ha sido testigo de un
crecimiento sin precedentes en el tamao y la complejidad de las organizaciones. Los
pequeos talleres artesanales se convirtieron en las actuales corporaciones de miles de
millones de dlares. Una parte integral de este cambio revolucionario fue el gran aumento
de la divisin del trabajo y en la separacin de las responsabilidades administrativas en
estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con los
beneficios, el aumento en el grado de especializacin cre nuevos problemas que ocurren
hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchos de
los componentes de la organizacin a convertirse en imperios relativamente autnomos, con
sus propias metas y sistemas de valores, perdiendo con esto la visin de cmo sus
actividades y objetivos encajan con los de toda la organizacin. Lo que es mejor para un
componente, puede ir en detrimento de otro, de manera que pueden terminar trabajando
con objetivos opuestos. Un problema relacionado con esto es que, conforme la complejidad y
la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las
diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo
de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el
ambiente adecuado para el surgimiento de la investigacin de operaciones.
Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se
hicieron los primeros intentos para emplear el enfoque cientfico en la administracin de
una empresa. Sin embargo, el inicio de la actividad llamada investigacin de operaciones,
casi siempre se atribuye a los servicios militares prestados a principios de la Segunda
Guerra Mundial. Debido a los esfuerzos blicos, exista una necesidad urgente de asignar
recursos escasos a las distintas operaciones militares y a las actividades dentro de cada
217
Apndice 1
operacin, en la forma ms efectiva. Por todo esto, las administraciones militares americana
e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el enfoque
cientfico a ste y a otros problemas de estrategia y tctica. De hecho, se les pidi que
hicieran investigacin sobre operaciones militares. Estos equipos de cientficos fueron los
primeros equipos de investigacin de operaciones. Sus esfuerzos contribuyeron de una
manera definitiva al triunfo del combate areo ingls en la isla de Campaa en el Pacfico,
de la batalla del Atlntico Norte y de muchas otras.
Estimulados por el evidente xito de la investigacin de operaciones en lo militar, los
industriales comenzaron a interesarse en este nuevo campo. Como la explosin industrial
segua su curso al terminar la guerra, los problemas causados por el aumento de la
complejidad y especializacin dentro de las organizaciones pasaron a primer plano. Comenz
a ser evidente para un gran nmero de personas, incluyendo a los consultores industriales
que haban trabajado con o para los equipos de investigacin de operaciones durante la
guerra, que estos problemas eran bsicamente los mismos que los enfrentados por la milicia,
pero en un contexto diferente. De esta forma, la investigacin de operaciones comenz a
introducirse en la industria, los negocios y el gobierno. Para 1951, ya se haba introducido
por completo en Gran Bretaa y estaba Estados Unidos en proceso de hacerlo.
Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en
el desarrollo de la investigacin de operaciones durante este periodo. Uno es el gran
progreso que ya se haba hecho en el mejoramiento de las tcnicas disponibles en esta rea.
Despus de la guerra, muchos cientficos que haban participado en los equipos de
investigacin de operaciones o que tenan informacin sobre este trabajo, se encontraban
motivados a buscar resultados sustanciales en este campo; de esto resultaron avances
importantes. Un ejemplo sobresaliente es el mtodo simplex para resolver problemas de
programacin lineal, desarrollado en 1947 por George Dantzig. Muchas de las herramientas
caractersticas de la investigacin de operaciones, como programacin lineal, programacin
dinmica, lneas de espera y teora de inventarios, fueron desarrolladas casi por completo
antes del trmino de la dcada de 1950. Adems del rpido desarrollo terico, el segundo
factor que dio un gran mpetu a la investigacin de operaciones fue el advenimiento de las
computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a
esta disciplina, por lo general se requiere un gran nmero de clculos; llevarlos a cabo a
mano puede resultar casi imposible. Entonces el desarrollo de la computadora electrnica
digital, con su capacidad para realizar clculos aritmticos, miles o tal vez millones de veces
ms rpido que los seres humanos, fue una gran ayuda para la investigacin de operaciones. "
Hillier F.S., Lieberman G. J., Introduccin a la Investigacin de Operaciones, Mc Graw Hill,
Quinta Edicin.
218
Apndice 1
"Los inicios de lo que hoy se conoce como Investigacin de Operaciones se remontan a los
aos 1759 cuando el economista Quesnay empieza a utilizar modelos primitivos de
programacin matemtica. Ms tarde, otro economista de nombre Walras, hace uso, en
1874, de tcnicas similares. Los modelos lineales de la Investigacin de Operaciones tienen
como precursores a Jordan en 1873, Minkowsky en 1896 y a Farkas en 1903. Los modelos
dinmicos probabilsticos tienen su origen con Markov a fines del siglo pasado. El desarrollo
de los modelos de inventarios, as como el de tiempos y movimientos, se lleva a cabo por los
aos veintes de este siglo, mientras que los modelos de lnea de espera se originan con los
estudios de Erlang, a principios del siglo XX. Los problemas de asignacin se estudian con
mtodos matemticos por los hngaros Konig y Egervary en la segunda y tercera dcadas de
este siglo. Los problemas de distribucin se estudian por el ruso Kantorovich en 1939. Von
Neuman cimienta en 1937 lo que aos ms tarde culminara como la Teora de Juegos y la
Teora de Preferencias (esta ltima desarrollada en conjunto con Morgenstern). Hay que
hacer notar que los modelos matemticos de la Investigacin de Operaciones que utilizaron
estos precursores, estaban basados en el Clculo Diferencial e Integral (Newton, Lagrange,
Laplace, Lebesgue, Leibnitz, Reimman, Stieltjes, por mencionar algunos), la Probabilidad y la
Estadstica (Bernoulli, Poisson, Gauss, Bayes, Gosset, Snedecor, etc.).
No fue sino hasta la Segunda Guerra Mundial, cuando la Investigacin de Operaciones
empez a tomar auge. Primero se le utiliz en la logstica estratgica para vencer al enemigo
(Teora de Juegos) y, ms tarde al finalizar la guerra, en la logstica de distribucin de
todos los recursos militares de los aliados dispersos por todo el mundo. Fue debido
precisamente a este ltimo problema, que la fuerza area norteamericana, a travs de su
centro de investigacin Rand Corporation, comision a un grupo de matemticos para que
resolviera este problema que estaba consumiendo tantos recursos humanos, financieros y
materiales. Fue el doctor George Dantzig, el que en 1947, resumiendo el trabajo de muchos
de sus precursores, inventara el mtodo Simplex, con lo cual dio inicio a la Programacin
Lineal. Con el avance de las computadoras digitales se empez a extender la Investigacin
de Operaciones, durante la decena de los cincuenta en las reas de Programacin Dinmica
(Bellman), Programacin No Lineal (Kuhn y Tucker), Programacin Entera (Gomory), Redes
de Optimizacin (Ford y Fulkerson), Simulacin (Markowitz), Inventarios (Arrow, Karlin,
Scarf, Whitin), Anlisis de Decisiones (Raiffa) y Procesos Markovianos de Decisin
(Howard). La generalizacin de la Investigacin de Operaciones ha tratado de darla
Churchman, Ackoff y Arnoff. "
Prawda Juan, Mtodos y Modelos de Investigacin de Operaciones, Ed. Limusa
219
Apndice 1
Algunas Definiciones De Investigacin De Operaciones
" La Investigacin de Operaciones es la aplicacin, por grupos interdisciplinarios, del
mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a
fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda organizacin."
Ackoff, R. L. y Sasieni M. W. Fundamentals of Operations Research, John Wiley &
Sons,1968
"Qu es la investigacin de operaciones? Una manera de tratar de responder a esta
pregunta es dar una definicin. Por ejemplo, la investigacin de operaciones puede
describirse como un enfoque cientfico de la toma de decisiones que requiere la operacin
de sistemas organizacionales. Sin embargo, esta descripcin, al igual que los intentos
anteriores de dar una definicin, es tan general que se puede aplicar a muchos otros
campos. Por lo tanto, tal vez la mejor forma de entender la naturaleza nica de la
investigacin de operaciones sea examinar sus caractersticas sobresalientes.
Como su nombre lo dice, la investigacin de operaciones significa "hacer investigacin sobre
las operaciones". Esto dice algo tanto del enfoque como del rea de aplicacin. Entonces, la
investigacin de operaciones se aplica a problemas que se refieren a la conduccin y
coordinacin de operaciones o actividades dentro de una organizacin. La naturaleza de la
organizacin es esencialmente inmaterial y, de hecho, la investigacin de operaciones se ha
aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales, etc. As, la gama
de aplicaciones es extraordinariamente amplia. El enfoque de la investigacin de
operaciones es el mismo del mtodo cientfico. En particular, el proceso comienza por la
observacin cuidadosa y la formulacin del problema y sigue con la construccin de un
modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema
real. En este punto se propone la hiptesis de que el modelo es una representacin lo
suficientemente precisa de las caractersticas esenciales de la situacin como para que las
conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Esta
hiptesis se verifica y modifica mediante las pruebas adecuadas. Entonces, en cierto modo,
la investigacin de operaciones incluye la investigacin cientfica creativa de las
propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En
particular, la investigacin de operaciones se ocupa tambin de la administracin prctica
de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones
positivas y claras que pueda usar el tomador de decisiones cuando las necesite.
Una caracterstica ms de la investigacin de operaciones es su amplio punto de vista. Como
qued implcito en la seccin anterior, la investigacin de operaciones adopta un punto de
vista organizacional. Puede decirse que intenta resolver los conflictos de intereses entre
los componentes de la organizacin de forma que el resultado sea el mejor para la
organizacin completa. Esto no significa que el estudio de cada problema deba considerar en
forma explcita todos los aspectos de la organizacin sino que los objetivos que se buscan
220
Apndice 1
deben ser consistentes con los de toda ella. Una caracterstica adicional, que se mencion
incidentalmente, es que la investigacin de operaciones intenta encontrar la mejor solucin,
o la solucin ptima, al problema bajo consideracin. En lugar de contentarse con slo
mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. Aun
cuando debe interpretarse con todo cuidado, esta "bsqueda de la optimalidad" es un
aspecto muy importante dentro de la investigacin de operaciones.
Todas estas caractersticas llevan de una manera casi natural a otra. Es evidente que no
puede esperarse que un solo individuo sea un experto en todos los mltiples aspectos del
trabajo de investigacin de operaciones o de los problemas que se estudian; se requiere un
grupo de individuos con diversos antecedentes y habilidades. Entonces, cuando se va a
realizar un estudio de investigacin de operaciones completo de un nuevo problema, por lo
general es necesario organizar un equipo. ste debe incluir individuos con antecedentes
firmes en matemticas, estadstica y teora de probabilidades, al igual que en economa,
administracin de empresas, computacin electrnica, ingeniera, ciencias fsicas y del
comportamiento y, por supuesto, en las tcnicas especiales de investigacin de operaciones.
El equipo tambin necesita tener la experiencia y las habilidades necesarias para permitir la
consideracin adecuada de todas las ramificaciones del problema a travs de la organizacin
y para ejecutar eficientemente todas las fases del estudio.
En resumen, la investigacin de operaciones se ocupa de la toma de decisiones ptima y del
modelado de sistemas determinsticos y probabilsticos que se origina en la vida real. Estas
aplicaciones, que ocurren en el gobierno, en los negocios, en la industria, en ingeniera, en
economa y en las ciencias naturales y sociales, se caracterizan, en gran parte, por la
necesidad de asignar recursos escasos. En estas situaciones, se puede obtener un
conocimiento profundo del problema a partir del anlisis cientfico que proporciona la
investigacin de operaciones. La contribucin del enfoque de investigacin de operaciones
proviene principalmente de:
1.- La estructuracin de una situacin de la vida real como un modelo matemtico, con lo que
se logra una abstraccin de los elementos esenciales para que pueda buscarse una solucin
que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el
problema dentro del contexto del sistema completo.
2.- El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos
sistemticos para obtenerlas.
3.-El desarrollo de una solucin, incluyendo la teora matemtica, si es necesario, que lleve al
valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos
de accin alternativos evaluando esta medida para cada uno). "
Hillier, F. S. y Lieberman G J. Introduccin a la Investigacin de Operaciones, Mc Graw Hill,
1994
221
Apndice 1
"El ramo de la investigacin operacional desciende - bajo ciertos aspectos- de la
administracin cientfica, incrementada por mtodos ms refinados (principalmente
matemticos): la tecnologa computacional y de una orientacin rumbo a los problemas ms
amplios. La Investigacin de Operaciones adopta el mtodo cientfico como estructura para
la solucin de los problemas, dando mayor nfasis al juicio objetivo que al juicio subjetivo.
Los autores de la escuela matemtica, provienen la mayora de la matemtica, de la
estadstica, de la ingeniera y de la economa y poseen una orientacin ntidamente tcnicoeconmica y estrictamente racional y lgica.
Las definiciones de I.O. (Investigacin de Operaciones) varan desde tcnicas matemticas
especficas hasta el mtodo cientfico en s. Muchas de las definiciones incluyen tres
aspectos bsicos al enfoque de I. O. Para la toma de decisiones administrativas:
1.- Una visin sistemtica del problema a ser resuelto.
2.- Una concordancia en cuanto al uso de mtodo cientfico en la resolucin de problemas.
3.- La utilizacin de tcnicas especficas de estadstica, probabilidad y modelos
matemticos para ayudar a quien toma las decisiones a resolver el problema.
La I.O. es considerada simplemente una "teora de la decisin aplicada" : "la investigacin
operacional utiliza cualquier mtodo cientfico, matemtico o lgico, para hacer frente a los
problemas que se presentan cuando el ejecutivo busca un raciocinio eficaz para enfrentar
sus problemas de decisin". En su sentido ms amplio, la I.O. puede ser caracterizada como
la aplicacin de mtodos cientficos, tcnicas cientficas e instrumentos cientficos a
problemas que involucran operaciones de sistemas, de modo que provean a los ejecutivos
responsables de las operaciones, soluciones ptimas para los problemas".
El enfoque de I.O. incorpora el enfoque sistemtico al reconocer que las variables internas
en los problemas decisoriales son interdependientes e interrelacionadas.
La investigacin operacional es "la aplicacin de mtodos, tcnicas e instrumentos
cientficos a los problemas que envuelven las operaciones de un sistema, de modo que
proporcione, a los que controlan el sistema, soluciones ptimas para el problema observado".
Esta se "ocupa generalmente de operaciones de un sistema existente...", esto es,
"materiales, energas, personas y mquinas ya existentes". "El objetivo de la investigacin
operacional es capacitar la administracin para resolver problemas y tomar decisiones".
Los principales campos de aplicacin de la I.O. son:
a. Relativa a personas:
1.- Organizacin y gerencia.
2.- Ausentismo y relaciones de trabajo.
3.- Economa.
4.- Decisiones individuales.
5.- Investigaciones de mercado.
222
Apndice 1
b. Relativa a personas y mquinas:
1.- Eficiencia y productividad.
2.- Organizacin de flujos en fbricas.
3.- Mtodos de control de calidad, inspeccin y muestreo.
4.- Prevencin de accidentes.
5.- Organizacin de cambios tecnolgicos.
c. Relativa a movimientos:
1.- Transporte.
2.- Almacenamiento, distribucin y manipulacin.
3.- Comunicaciones.
Chiavenato Idalberto, Introduccin a la Teora General de Administracin, Mc. Graw Hill,
1989
George Dantzig: Fundador de la Programacin Lineal
SIAM News, Noviembre de 1994
A pesar de los grandes adelantos en la optimizacin computacional ocurridos durante los
ltimos 20 aos (por ejemplo, los avances en los mtodos de punto interior), el mtodo
Simplex inventado por George B. Dantzig en 1947 es an la herramienta principal en casi
todas las aplicaciones de la programacin lineal.
Dantzig es considerado como uno de los tres fundadores de la programacin lineal,
compartiendo dicho honor con Von Neumann y Kantorovich. A travs de su investigacin en
teora matemtica, computacin, anlisis econmico y aplicaciones de problemas industriales
ha logrado contribuir ms que cualquier otro investigador al desarrollo de la programacin
lineal.
El trabajo de Dantzig ha sido reconocido con numerosos honores, de entre los cuales
sobresalen: La Medalla Nacional de la Ciencia (1975), el Premio John Von Neumann de la
Sociedad Americana de Investigacin de Operaciones y el Instituto de Ciencias
Administrativas (1974), la membresa en la Academia Nacional de Ciencias, la Academia
Nacional de Ingeniera y la Academia Americana de Ciencia y Arte.
La programacin lineal y sus
derivados (tales como la optimizacin no lineal con
restricciones y la programacin entera) han sido capaces de pasar la prueba del tiempo sin
debilitarse, y en nuestros das afectan las prcticas econmicas de las organizaciones y sus
administraciones. El cientfico computacional Laszolo Lovasz dijo en 1980, "Si se tomaran
estadsticas acerca de cul problema matemtico usa la mayora del tiempo computacional
en el mundo (sin incluir problemas de manejo de bases de datos, como la bsqueda y
ordenamiento), seguramente la respuesta sera la programacin lineal." En ese mismo ao
Eugene Lawler de Berkeley dijo lo siguiente: "La programacin lineal se usa para asignar
recursos, planear la produccin, planear el horario de trabajadores, planear la cartera de
inversin y formular estrategias de mercado (y militares). La versatilidad e impacto
223
Apndice 1
econmico de la programacin lineal en el mundo industrial actual es realmente
impresionantes."
En palabras del propio Dantzig: "El tremendo poder del mtodo Simplex me sorprende
constantemente". Citando el simple ejemplo del problema de asignacin (70 personas para
70 tareas) y el enorme poder computacional que se requerira para analizar todas las
permutaciones y seleccionar la solucin ptima, observ lo siguiente: "slo toma un momento
encontrar la solucin ptima usando una computadora personal y un paquete que maneje el
mtodo simplex estndar".
Dantzig escribi en 1991: "es interesante notar que el problema original que ocasion mi
investigacin est todava pendiente, es decir, el problema de la planeacin dinmica a
travs del tiempo, particularmente bajo condiciones de incertidumbre. Si este tipo de
problemas pudieran resolverse satisfactoriamente, se podra contribuir (tras una buena
planeacin) al mejoramiento de este mundo y del ser humano."
La contribucin de Dantzig, segn sus explicaciones, naci de su experiencia en el Pentgono
durante la Segunda Guerra Mundial, en donde se convirti en experto en programacin
(mtodos de planeacin hechos con calculadoras). En 1946, como consejero matemtico de
la Fuerza Area Norteamericana, tuvo el reto de mecanizar los procesos de planeacin. En
aquellos tiempos de computadoras pre-electrnicas, mecanizar quera decir usar aparatos
analgicos o mquinas de tarjetas perforadas. ("Programar" era un trmino militar que no se
refera a las instrucciones usadas por la computadora para resolver problemas, sino a los
planes o calendarizaciones propuestas para el entrenamiento, logstica, o despliegue de
unidades de combate. El nombre de "programacin lineal", que ha confundido a mucha gente,
est basado en la definicin militar de "programa").
Las contribuciones de Dantzig van desde la programacin lineal y el mtodo Simplex hasta la
teora de la descomposicin, el anlisis de sensibilidad, los mtodos de pivote
complementarios, la optimizacin a gran escala, la programacin no lineal, y la programacin
bajo incertidumbre. Sus estudios en la programacin lineal han tenido un impacto
fundamental en el desarrollo de la investigacin de operaciones como una disciplina.
"Los que mandan generalmente mueven las manos y dicen 'He
considerado todas las alternativas'. Pero eso es casi siempre basura.
Lo ms probable es que no pudiesen estudiar todas las combinaciones."
George Bernard Dantzig naci el 8 de Noviembre de 1914 en Prtland,
Oregon, USA. Actualmente es profesor emrito en el departamento de
Investigacin de Operaciones de la Universidad de Stanford. Se recomienda consultar la
siguiente direccin en internet www.stanford.edu/dept/eesor/people/faculty/dantzig/
George B. Dantzig , el creador de la programacin lineal, en una entrevista publicada en The
College Mathematical Journal, Marzo de 1986. Se presenta a continuacin, parte de esta
entrevista:
224
Apndice 1
"Considere el problema de asignar 70 hombres a 70 empleos. Una 'actividad' consiste en
asignar el isimo hombre al j-simo empleo. Las restricciones son dos: en primer lugar hay
70 hombres, cada uno de los cuales debe asignarse a un puesto, y en segundo lugar, cada uno
de los 70 puestos existentes debe estar ocupado. El nivel de una actividad puede ser 1, lo
cual indica que est siendo usada, o 0, lo cual significa que no. En consecuencia hay 2 x 70
=140 restricciones y 70 x 70 = 4900 actividades con 4900 variables correspondientes de
decisin uno-cero. Por desgracia tambin hay factorial de 70 permutaciones o formas de
hacer las asignaciones. El problema consiste en comparar estas factorial de 70 formas y
elegir la que sea la ptima o 'mejor' segn algn criterio previamente establecido."
"En el ejemplo anterior, factorial de 70 es un nmero muy grande. A fin de tener una idea
de qu tan grande es, supngase que se hubiese tenido una computadora IBM del tipo mainframe en el instante en el que ocurri el Big Bang hace quince millones de aos. Habra
podido, entre ese entonces y ahora, examinar todas las soluciones posibles? No! No
obstante, supngase que se hubiese tenido una computadora aun ms poderosa, una que
pudiese examinar mil millones de asignaciones por segundo. La respuesta seguira siendo
negativa. Aun si la Tierra se llenase con computadoras cuyas rapideces fueran de
nanosegundos, todas ellas trabajando en paralelo, la respuesta aun sera no. Sin embargo, si
existiesen diez Tierras, todas llenas con computadoras del tipo mencionado, todas
programadas en paralelo desde el instante del Big Bang hasta que el Sol fuese una esfera
fra, entonces quizs la respuesta podra ser s. Lo notable es que el mtodo Simplex, con la
ayuda de una computadora moderna, puede resolver este problema en una fraccin de
segundo".
"Cuando el problema de la planeacin fue formulado inicialmente para la Fuerza Area, no
exista la nocin exacta de una funcin objetivo, la idea de una meta claramente definida.
Por supuesto, tenamos slo un falso respeto hacia el concepto de objetivo. En el discurso
de los militares escuch a menudo decir, 'nuestro objetivo es ganar la guerra'. En el mundo
de los negocios se escuchara quizs 'nuestro objetivo es obtener ganancias'. Sin embargo,
era imposible hallar alguna relacin directa entre la meta establecida y las acciones
emprendidas para tal fin."
"Si se estudiaba con cuidado el paso siguiente, se poda ver que algn lder haba promulgado
un montn de reglas bsicas que, en su concepto, llevaran a la meta. Esto distaba mucho de
lo que sera honestamente estudiar todas las combinaciones alternativas de las acciones a
seguir para elegir la mejor combinacin. Los que mandan generalmente mueven las manos y
dicen 'He considerado todas las alternativas'. Pero eso es casi siempre basura. Lo ms
probable es que no pudiesen estudiar todas las combinaciones. Antes de 1947 era
inconcebible pensar en la existencia de una herramienta como la programacin lineal que
permitiese examinar millones de combinaciones. No haba algoritmo o herramienta
computacional que pudiera hacer eso."
"No descubr el modelo de la programacin lineal en un instante, sino que tuvo un proceso de
evolucin. Se dedic casi un ao completo a la tarea de decidir si mi modelo podra ser
225
Apndice 1
utilizado en la formulacin de problemas prcticos de distribucin de tiempos. Como usted
sabe, la planeacin y la distribucin de tiempos se llevaron a una escala inmensa durante la
guerra. El funcionamiento de la Fuerza Area fue equivalente al funcionamiento de la
economa de toda una nacin. En el proceso intervinieron cientos de miles de personas. La
logstica tuvo una magnitud difcil de entender para alguien que no haya estado all. Mi
colega Marshall Wood y yo revisamos miles de situaciones tomadas de nuestra experiencia
durante la guerra."
"Las reglas bsicas empleadas en la planeacin se expresaban en un formato completamente
distinto del que se emplea en la actualidad para formular un programa lineal. Lo que hicimos
fue revisar estas reglas una por una y demostrar que casi todas ellas podan reformularse
aceptablemente en un formato de programacin lineal. Pero no todas. En algunos casos era
necesario tomar en cuenta el carcter discreto de las variables y las no convexidades."
"Cuando formul por primera vez mi modelo de programacin lineal, lo hice sin una funcin
objetivo. Estuve luchando por algn tiempo con la adicin de reglas bsicas para elegir de
entre las soluciones factibles la que en algn sentido fuese 'ptima'. Pero pronto abandon
esta idea y la sustitu por la de una funcin objetivo a ser maximizada. El modelo que
formul no estaba hecho especficamente para fines militares. Poda aplicarse a toda clase
de problemas de planeacin; todo lo que tena que hacerse era cambiar los nombres de las
columnas y los renglones, y entonces era aplicable a un problema de planeacin econmica lo
mismo que a un problema de planeacin industrial."
Bibliografa de George Bernard Dantzig
George Dantzig studied mathematics at the University of Maryland, receiving his A.B. in
1936. The following year he received an M.A. in mathematics from the University of
Michigan.
Dantzig worked as a Junior Statistician in the U.S. Bureau of Labor Statistics from
1937 to 1939, then, from 1941 to 1946, he was head of the Combat Analysis Branch,
U.S.A.F. Headquarters Statistical Control. He received his doctorate in
mathematics from the University of California, Berkeley in 1946. In that year he
was appointed Mathematical Advisor for USAF Headquarters.
In 1947 Dantzig made the contribution to mathematics for which he is most
famous, the simplex method of optimization. It grew out of his work with the U.S.
Air Force where he become an expert on planning methods solved with desk
calculators. In fact this was known as "programming", a military term that, at that
time, referred to plans or schedules for training, logistical supply or deployment of
men.
226
Apndice 1
His work in a wide range of topics related to optimization and operations research
over the years has been of major importance. However, writing in 1991, Dantzig
noted that:... it is interesting to note that the original problem that started my research
is still outstanding - namely the problem of planning or scheduling dynamically
over time, particularly planning dynamically under uncertainty. If such a
problem could be successfully solved it could eventually through better
planning contribute to the well-being and stability of the world.
Dantzig has received many honours including the Von Neumann Theory Prize in Operational
Research in 1975. His work is summarized by Stanford University as follows:A member of the National Academy of Engineering, the National Academy of
Science, the American Academy of Arts and Sciences and recipient of the
National Medal of Science, plus eight honorary degrees, Professor Dantzig's
seminal work has laid the foundation for much of the field of systems
engineering and is widely used in network design and component design in
computer, mechanical, and electrical engineering.
227
Apndice 1
El Analista de Investigacin de Operaciones
Naturaleza del Trabajo
Dirigir una organizacin u operacin compleja, tal como una extensa planta manufacturera,
una aerolnea, o un despliegue militar requiere coordinacin precisa de materiales, mquinas
y gente. Los analistas de investigacin de operaciones ayudan a las organizaciones a
coordinar y operar de la manera ms eficiente aplicando mtodos cientficos y principios
matemticos a los problemas organizacionales. Los administradores pueden evaluar
alternativas y escoger el curso de accin ptimo para la organizacin.
Los analistas de investigacin de operaciones, tambin llamados analistas de las ciencias
administrativas, son solucionadores de problemas. Los problemas que atacan estn en su
mayora relacionados con las grandes organizaciones de negocios: estrategia, pronsticos,
distribucin de recursos, disposicin de medios, control de inventarios, calendarizacin de
personal, y sistemas de distribucin. El mtodo que usan generalmente involucra un modelo
matemtico (conjunto de ecuaciones) que explica la manera en que ocurren las cosas dentro
de la organizacin. Dicho modelo es una representacin simplificada que permite al analista
dividir los sistemas en partes, asignar valores numricos a cada componente, y examinar las
relaciones matemticas entre ellos. Estos valores pueden ser alterados para determinar qu
ocurrira bajo diferentes circunstancias. Los principales tipos de modelos son: simulacin,
optimizacin lineal, redes, lneas de espera, y teora de juegos.
Los analistas de investigacin de operaciones hacen uso extensivo de los recursos
computacionales en su trabajo. Generalmente son expertos en el manejo de bases de datos,
programacin, y desarrollo de software sofisticado. La mayora de los modelos realizados
por los analistas de investigacin de operaciones son tan complicados que slo una
computadora los puede resolver eficientemente.
Los problemas que manipulan varan segn la industria. Por ejemplo, un analista para una
aerolnea coordinar la calendarizacin de vuelos y mantenimiento, estimados de nivel de
pasajeros, y consumo de combustible para producir un calendario que optimice todos estos
factores y as asegure la seguridad y producir la mayor ganancia posible. Por otro lado, un
analista empleado en un hospital se concentrar en diferentes problemas, como el control
de admisin de pacientes, el manejo del flujo de pacientes, la asignacin de turnos,
monitoreo de uso de servicios de farmacia y laboratorios, o el pronstico de la demanda
para nuevos servicios del hospital.
El papel del analista de investigacin de operaciones vara de acuerdo a la estructura y
filosofa administrativa de la compaa. Algunas empresas centralizan la investigacin de
operaciones en un departamento; otras dispersan el personal de investigacin de
operaciones a travs de todas las divisiones. Algunos analistas de investigacin de
operaciones se especializan en un tipo de aplicacin; otros se generalizan.
El grado de supervisin vara segn la estructura y experiencia de la organizacin. En
algunas empresas los analistas tienen un grado muy alto de independencia profesional; en
228
Apndice 1
otras, los analistas son supervisados celosamente. Los analistas de investigacin de
operaciones tienen una relacin muy cercana con los administradores de alto nivel, quienes
tienen una gran variedad de requerimientos de soporte. Los analistas deben adaptar su
trabajo para cubrir estas necesidades.
Sin considerar la estructura de la organizacin o la industria, la investigacin de
operaciones vincula un conjunto similar de procedimientos. Los administradores comienzan
el proceso describiendo los sntomas del problema al analista. El analista define entonces el
problema, el cual algunas veces es de naturaleza general y otras es especfico. Por ejemplo,
un analista de una manufacturera automotriz querr determinar el nivel ptimo de
inventario de cada uno de los materiales para un nuevo proceso de produccin o, ms
especficamente, para determinar cunto acero debe ser almacenado.
Despus de que el analista define el problema, aprende todo lo que se puede acerca de l.
Investiga el problema, despus lo divide en pequeos componentes. Entonces acumula
informacin acerca de cada una de esas partes. Generalmente esto involucra consultar a un
gran nmero de personal. Por ejemplo, para determinar la cantidad ptima de acero a ser
almacenado, el analista podra hablar con los ingenieros acerca de los niveles de produccin;
discutir arreglos de adquisicin con los compradores industriales; Y examinar los datos de
los costos de almacenamiento provistos por el departamento de contabilidad.
Con esta informacin, el analista de investigacin de operaciones est listo para seleccionar
la tcnica analtica ms apropiada. Puede haber muchsimas tcnicas que se adapten al
problema, aunque tambin puede ser que slo una se ajuste a nuestras necesidades. En
algunos casos, el analista debe construir un modelo original para examinar y explicar el
sistema. En casi todos los casos, el modelo seleccionado debe de ser modificado para
reflejar las circunstancias especficas de la situacin.
Un modelo para la calendarizacin de vuelos de una aerolnea, por ejemplo, puede tomar en
cuenta la cantidad de combustible requerido para las rutas de vuelo, varios niveles de
demanda de los pasajeros, diferentes precios de los boletos, calendarizacin de los pilotos,
y costos de mantenimiento. El analista selecciona los valores para estas variables, alimenta
con ellos a la computadora, la cual ha sido programada para hacer los clculos requeridos, y
corre el programa para producir el calendario ptimo de vuelos.
En este punto, el analista presenta el trabajo final a la administracin adems de ciertas
recomendaciones basadas en los resultados de los anlisis. Para la toma final de decisiones
se requerirn corridas adicionales basadas en diferentes suposiciones. Una vez que se toma
una decisin, el analista trabaja para asegurar su instrumentacin.
Condiciones de trabajo
Los analistas de investigacin de operaciones generalmente trabajan horas regulares en
ambiente de oficina. Debido a que trabajan en proyectos que son de inters inmediato para
la alta administracin, los analistas trabajan constantemente bajo presin y por lo general
229
Apndice 1
ms de 40 horas por semana. El trabajo es de naturaleza sedentaria, y se requiere muy poca
fuerza fsica.
Empleo
El campo para los analistas de investigacin de operaciones fue de 57,000 empleos en 1990
en Estados Unidos. Se requieren en la mayora de las industrias. Las empresas que ms
necesitan los servicios de un analista de investigacin de operaciones son las
manufactureras de qumicos, maquinaria y equipo de transporte; empresas que proveen
servicios de transporte y telecomunicaciones; bancos; agencias de seguros; empresas de
servicios pblicos; y agencias gubernamentales de todos los niveles. Algunos analistas
trabajan en agencias de consultora administrativa que desarrollan aplicaciones de
investigacin de operaciones para empresas que no tienen personal de este tipo.
La mayora de los analistas en el gobierno trabajan para las fuerzas armadas. Adems,
varios analistas que trabajan en la industria privada trabajan tambin directa o
indirectamente para la Defensa Nacional.
Perspectivas futuras de trabajo
Se espera que las oportunidades de trabajo para los analistas de investigacin de
operaciones crezcan mucho ms rpido que el promedio de las ocupaciones hasta el ao
2005 debido a la importancia que est cobrando el anlisis cuantitativo en la toma de
decisiones y la cada vez mayor disponibilidad de recursos computacionales.
Cada vez ms organizaciones estn usando tcnicas de investigacin de operaciones para
mejorar la productividad y reducir los costos. Adems, hoy en da se pueden encontrar
computadoras con las capacidades requeridas para correr aplicaciones de investigacin de
operaciones a muy bajos costos. Esto permite que hasta las empresas pequeas se interesen
por la investigacin de operaciones. Esta tendencia estimular en gran medida la demanda
de analistas de investigacin de operaciones en los prximos aos.
Se espera que el mayor crecimiento de la demanda de trabajo ocurra en los sectores de
transporte, manufactura, finanzas y servicios. Las empresas en estos sectores reconocen
que el anlisis cuantitativo puede ocasionar mejoras sustanciales en la eficiencia operativa y
las utilidades. Cada vez ms aerolneas, por ejemplo, estn usando investigacin de
operaciones para determinar la calendarizacin ptima de vuelos y mantenimiento,
seleccionar las mejores rutas de servicio, analizar las caractersticas de los clientes, y
controlar el consumo de combustible, entre otras cosas. Las cadenas de moteles estn
comenzando a utilizar la investigacin de operaciones para mejorar su eficiencia. Por
ejemplo, analizan los patrones de trfico de automviles y las actitudes de los clientes para
determinar la localizacin, tamao y estilo de los nuevos moteles.
230
Apndice 1
La Investigacin De Operaciones en la prctica
En esta seccin se presenta un breve panorama de las tcnicas de la Investigacin de
Operaciones. Despus se presentan los resultados de algunas investigaciones que muestran
cules tcnicas se han utilizado con mayor frecuencia en la prctica y qu es necesario
hacer para permitir al lector utilizar con xito la Investigacin de Operaciones a lo largo de
su carrera.
Tcnicas de la ciencia de la Investigacin de Operaciones
En este texto se describen las siguientes tcnicas de la ciencia de la Investigacin de
Operaciones.
Programacin lineal: es un mtodo de solucin de problemas que se ha desarrollado para
situaciones que implican la maximizacin o la minimizacin de una funcin lineal sujeta a
restricciones lineales que limitan la medida en la que se puede tender hacia la funcin
objetivo.
Programacin lineal con nmeros enteros: Es un mtodo que se utiliza para problemas que
pueden ser planteados como programas lineales, con el requisito adicional de que algunas o
todas las decisiones recomendadas deben asumir valores enteros.
Modelos de redes: Es una representacin grfica de un problema que consiste en pequeos
crculos, a los que se denomina nodos, interconectados por lneas a las que se denomina
arcos. Existen procedimientos de solucin especializados para este tipo de problemas que
permiten resolver rpidamente muchos problemas gerenciales en reas como diseo de
sistemas de transporte, diseo de sistemas de informacin y programacin de proyectos.
Administracin de proyectos PERT/CPM: En muchos casos los administradores asumen la
responsabilidad de la planeacin, la programacin y el control de proyectos que constan de
numerosas tareas o trabajos que son llevados a cabo por diversos departamentos, personas,
etc. PERT y CPM son tcnicas que ayudan a los administradores a cumplir con sus
responsabilidades en la administracin de proyectos.
Modelos de inventarios: Estos modelos se utilizan para auxiliar a administradores que enfrentan los problemas duales de mantener suficientes inventarios para satisfacer la
demanda de bienes y, al mismo tiempo, de incurrir en los menores costos posibles por el
mantenimiento de esos inventarios.
Modelos de lneas de espera (teora de colas): Se han desarrollado los modelos de lneas
de espera (colas o filas) para ayudar a los administradores a comprender y a tomar mejores
231
Apndice 1
decisiones con respecto a la operacin de sistemas que implican lneas de espera.
Simulacin en computadora: Esta es una tcnica que se utiliza para ensayar modelos de la
operacin de un sistema en el tiempo. Tal tcnica emplea un programa computacional para
modelar la operacin y realizar clculos sobre la simulacin.
Anlisis de decisiones: El anlisis de decisiones puede servir para determinar estrategias
ptimas en situaciones en las que existen varias alternativas de decisin y un patrn de
eventos incierto o llenos de riesgo.
Programacin de metas: Esta es una tcnica que se utiliza para resolver problemas de
decisiones con criterios mltiples, por lo general dentro de una estructura de programacin
lineal. Proceso analtico de jerarquizacin. Es una tcnica de toma de decisiones con
criterios mltiples que permite la inclusin de factores subjetivos para llegar a la decisin
que se recomienda.
Pronsticos: Los mtodos de pronstico se pueden emplear para predecir aspectos futuros
de una operacin de negocios.
Modelos de procesos de Markov: Los modelos de procesos de Markov son tiles para estudiar la evolucin de ciertos sistemas despus de varias repeticiones. Por ejemplo, se han
usado procesos de Markov para describir la probabilidad de que una mquina que est
funcionando en un periodo contine funcionando o se descomponga en otro periodo.
Programacin dinmica: Esta programacin es una tcnica que permite descomponer un
problema grande de manera que, una vez que se han resuelto los problemas ms pequeos
obtenidos en la descomposicin, se tiene una solucin ptima para el problema completo.
Mtodos que se usan con mayor frecuencia
Un estudio realizado por Forgionne acerca de ejecutivos de empresas indica la frecuencia
con la que se utilizan diversas tcnicas de la ciencia de la Investigacin de Operaciones.
Como se muestra en la Tabla siguiente, los mtodos que se usan con mayor frecuencia son
los mtodos estadsticos, la simulacin en computadora, PERT/CPM, programacin lineal y
teora de colas.
232
Apndice 1
Frecuencia de uso en % de respuestas
Nunca
Moderada
Frecuente
Estadstica
Simulacin en computadora
PERT/CPM
Programacin lineal
Teora de las colas
Programacin no lineal
Programacin dinmica
Teora de los juegos
1.6
12.9
25.8
25.8
40.3
53.2
61.3
69.4
38.7
53.2
53.2
59.7
50.0
38.7
33.9
27.4
59.7
33.9
21.0
14.5
9,7
8.1
4.8
3,2
Estudio de Ledbetter y Cox apoya estas conclusiones al jerarquizar, en orden de uso, regresin (anlisis estadstico), programacin lineal, simulacin, modelos de redes
(PERT/CPM), filas o colas, programacin dinmica y teora de juegos.
Una investigacin de Thomas y DaCostaS mostraba que el 88% de todas las empresas grandes utilizan los pronsticos y que ms de 50% hacen uso de mtodos cuantitativos para
programacin de la produccin, control de inventarios, presupuestos de capital y transporte.
Un estudio realizado por Gaither sobre las aplicaciones de la ciencia de la administracin
en empresas manufactureras apoya tambin la elevada frecuencia de utilizacin del anlisis
estadstico, la simulacin y la programacin lineal. Sin embargo, PERT/CPM es el mtodo que
se identifica como el ms frecuentemente empleado en las empresas manufactureras
investigadas. Las empresas manufactureras reportan tambin una utilizacin superior al
promedio de la teora de colas, la programacin no lineal y la programacin segn enteros.
Como parte de una investigacin sobre practicantes en el gobierno, la industria y la academia, Shannon, Long y Buckles pidieron a administradores en ejercicio que sealaran si
estaban familiarizados con los diversos mtodos cuantitativos y si haban utilizado o no esos
mtodos en aplicaciones especficas. Los resultados, que se muestran en la siguiente Tabla,
ofrecen apoyo adicional en el sentido de que es probable que las tcnicas de la ciencia de la
administracin que ms se conocen y utilizan son programacin lineal, simulacin, anlisis de
redes y teora de colas.
Implicaciones para el uso de la ciencia de la administracin
Recientemente, Morgans revis 12 investigaciones sobre empresas y 3 investigaciones sobre practicantes que se han realizado en los ltimos 30 aos, incluyendo todos los estudios
mencionados antes.
233
Apndice 1
Mtodo
Programacin Lineal
Simulacin
Anlisis de redes
Teora de las colas
rboles de decisin
Programacin segn enteros
Anlisis de reposicin
Programacin dinmica
Procesos de Markov
Programacin no lineal
Programacin de metas
Teora de los juegos
Rango de conocimiento
1
2
3
4
5
6
7
8
9
10
11
12
Uso (%)
83,8
80.3
58,1
54,7
54,7
38,5
38,5
32,5
31,6
30,7
20,5
13,7
234
Apndice 1
Modelos de la Investigacin de Operaciones
235
Asignaciones
Captulo 11
Asignaciones
Destinos
Fuentes
C11X11
F1
C1JX1J
D1
C1nX1n
Fi
Ci1Xi1
CijXij
Dj
CinXin
Cm1Xm1
Fm
CmJXmJ
CmnXmn
Dn
Introduccin
El problema de asignaciones es un caso especial del problema del transporte, uno en el cual,
todas las variables son de carcter binario (0,1) y a cada fuente se le debe asignar uno y
solo un destino, y a cada destino una y solo una fuente. Al final del captulo, se ilustra el uso
del software WinQsb e Invop para resolver ste tipo de modelo.
Caractersticas del modelo
Xij = 0 = No asigne la fuente i-sima al destino j-simo
Xij = 1 = Si asigne la fuente i-sima al destino j-simo
189
Asignaciones
ai = 1 , para todo i
bj = 1 , para todo j
Fuentes
Destinos
C11X11
F1
C1jX1j
D1
C1nX1n
Ci1Xi1
Fi
CijXij
Dj
CinXin
Cm1Xm1 CmjXmj
Fm
CmnXmn
Dn
Asignaciones
3. Examinar las filas y las columnas sucesivamente.
Para cada fila (Columna) que tenga exactamente uno y solo un cero, resrvelo para
asignarlo (encirrelo en un cuadrado), y no considere (Tache), los otros elementos cero
de la correspondiente columna (Fila). ste proceso se debe repetir hasta que todos loa
elementos cero estn reservados eliminados (Tachados). En caso de que
sistemticamente queden ceros no reservados ni tachados, despus de recorrer
repetitivamente las filas y las columnas, elija un cero al azar y resrvelo tchelo y
proceda con el resto de los ceros, reservndolos tachndolos.
Si los elementos reservados para asignar, representan una asignacin completa (A cada
fuente le corresponde un destino y a cada destino le corresponde una fuente), se ha
encontrado la solucin ptima; de lo contrario pase al punto cuatro (4).
4. Cubrir todos los ceros (Reservados Tachados), con un nmero de lneas horizontales y
verticales, igual al nmero de ceros reservados para asignar.
5. Examinar todos los elementos no cubiertos por una lnea, escoger el mnimo de stos y
restarlo de todos los elementos no cubiertos; luego sumarlo a cada elemento que se
encuentre en la interseccin (Si la hay) de dos (2) lneas.
6. Ir al punto tres (3), para tratar de encontrar un solucin completa.
Algoritmo para Maximizar
Restar del mayor de toda la tabla, todos los elementos de la tabla y proceda a minimizar con
la tabla resultante.
Ejemplo 1
Un taller a comprado 3 mquinas nuevas de usos distintos. Hay 4 sitios posibles para stas
mquinas, pero algunos de stos sitios son ms preferibles que otros, por razn de costo de
manejo de materiales, el objetivo es asignar las mquinas en los sitios, para minimizar el
costo total de manejo de materiales.
Los costos de manejo de materiales, segn se coloque cada mquina en cada sitio, son:
191
Asignaciones
S I T
1
2
A
13
10
MQUINAS B
15
X
C
5
7
Solucin
11
20
6
0
3
0
2 1
2 M-13 0 7
0
2
5 1
0
0
0 0
13
15
5
0
10
M
7
0
12
13
10
0
3
0
2 1 Teniendo como referencia la tabla anterior, el menor elemento de cada
2 M-13 0 7 columna ha sido restado de todos los elementos de cada columna. Como en
0
2
5 1 cada columna hay un cero, la tabla queda igual a la anterior.
0
0
0 0
Ahora, intentamos hacer una asignacin completa, para ello hacemos la siguiente pregunta
clave para cada fila.
HAY UN SOLO CERO (0) EN LA FILA ?, SI S, RESRVELO PARA ASIGNARLO Y
TACHE TODOS LOS CEROS DE LA COLUMNA RESPECTIVA.
Una vez recorridas todas la filas, hacemos la misma pregunta para cada columna.
HAY UN SOLO CERO (0) EN LA COLUMNA ?, SI S, RESRVELO PARA ASIGNARLO
Y TACHE TODOS LOS CEROS DE LA FILA RESPECTIVA.
192
Asignaciones
Fjese que en el ltimo tablero, todos los ceros han quedado, reservados tachados, no se
hizo necesario recorrer las columnas.
Aqu existe una asignacin completa, en atencin a que a cada mquina le a sido asignado un
sitio y a cada sitio le hemos asignado una mquina, los sitios reservados los sealizamos con
ceros encerrados en un cuadro.
Solucin ptima
La mquina A es asignada al sitio 2, con un costo de manejo de materiales de $10
La mquina B es asignada al sitio 3, con un costo de manejo de materiales de $13
La mquina C es asignada al sitio 1, con un costo de manejo de materiales de $ 5
La mquina D es asignada al sitio 4, con un costo de manejo de materiales de $ 0
La ltima asignacin corresponde a la mquina de holgura D, colocada para hacer igual el
nmero de mquinas al nmero de sitios; lo anterior significa que el sitio 4 quedar vaco y
por el momento no se usar, al menos para colocar alguna de las mquinas disponibles de que
trata el problema.
El costo ptimo de manejo de materiales es de $28; que se logra asignando las mquinas a
los sitios sealados.
193
Asignaciones
Ejemplo 2
El jefe de un departamento, tiene 5 obreros y 5 trabajos para hacer, los obreros difieren
en su eficiencia y los trabajos difieren en su dificultad intrnseca. El estimado de los
tiempos que cada hombre tomar para hacer cada trabajo, est dado en la siguiente tabla.
A
B
TRABAJOS C
D
E
TRABAJADORES
1 2 3 4 5
11 17 8 16 20
9 7 12 6 15
13 16 15 12 16
21 24 17 28 26
14 10 12 11 15
Solucin
Aqu, el nmero de fuentes es igual al nmero de destinos (El nmero de filas es igual al
nmero de columnas) dicho de otra forma, el nmero de trabajos es igual al nmero de
obreros, luego no se hace necesario ninguna variable de holgura.
Restamos el elemento ms pequeo de cada fila a todos los elementos
de cada fila.
194
Asignaciones
No se logro una asignacin completa, ya que al trabajador 3, no le fue
asignado ningn trabajo. Entonces, con un nmero de lneas,
horizontales y / verticales iguales al nmero de ceros reservados ,
tachamos todos los ceros.
Nmero de lneas = Nmero de ceros reservados = 4
De los elementos no tachados, escogemos el menor (2), lo restamos de
todos los elementos no tachados y lo sumamos en las intersecciones que
forman las lneas horizontales con las verticales. Si no hay
intersecciones, no se suma.
Con la tabla resultante, intentamos nuevamente hacer una asignacin
completa.
Aqu, hemos logrado una asignacin completa. A cada trabajo le hemos
asignado un trabajador y a cada trabajador le hemos asignado un
trabajo.
Solucin
Al trabajo A, le asignamos el trabajador 1, quien emplear 11 horas.
Al trabajo B, le asignamos el trabajador 4, quien emplear 6 horas.
Al trabajo C, le asignamos el trabajador 5, quien emplear 16 horas.
Al trabajo D, le asignamos el trabajador 3, quien emplear 17 horas
Al trabajo E, le asignamos el trabajador 2, quien emplear 10 horas.
El tiempo total para ejecutar los 5 trabajos es de 60 horas.
Para ilustrar el uso del software WinQsb e Invop, usaremos los datos numricos del
ejemplo 2.
Software WinQsb
El problema de asignaciones en el WinQsb, forma parte del mdulo de redes y el ingreso de
datos se efecta mediante la siguiente ventana:
195
Asignaciones
196
Asignaciones
Si se usa ste icono, el WinQsb nos ilustrar mediante una red la respectiva
respuesta ptima al problema.
Trabajos
Trabajadores
11
6
16
17
10
E
Software INVOP
197
Asignaciones
Se recomienda leer
todo el tutorial de
ste programa, en
ella
se
ofrecen
ejemplos prcticos
y todo el respaldo
matemtico
del
algoritmo
del
problema.
Problemas propuestos
1. El gerente de una empresa, tiene 4 trabajadores y 4 trabajos para ejecutar, por su
experiencia y el nivel de dificultad de cada uno de los trabajos, los tiempos de ejecucin
de cada trabajador, se muestran en la siguiente tabla.
El gerente desea que cada trabajo sea ejecutado por un solo trabajador y a cada
trabajador, solo se le asigne un trabajo.
A
B
TRABAJOS
C
D
198
Asignaciones
2. Considere el problema de asignacin, cuya matriz de costos es la siguiente:
A
B
C
D
1
94
74
62
11
2
1
10
88
74
3
54
88
8
81
4
68
82
76
21
199
Asignaciones
5. Una empresa va a decidir cul de cuatro vendedores debe asignar a cada uno de sus
cuatro distritos de ventas. Cada vendedor est en condiciones de lograr ventas
diferentes en cada distrito. En la tabla siguiente se muestran las estimaciones de ventas
para diferentes combinaciones de vendedor y distrito.
VENDEDORES
A
B
C
D
DISTRITOS
1 2 3 4
65 73 55 58
90 67 87 75
106 86 96 89
84 69 79 77
6. Una compaa de contadores, tiene tres nuevos clientes. Se asignarn a los tres clientes,
tres jefes de proyecto. Con base en los distintos antecedentes y experiencia de los
citados, las diversas asignaciones entre jefes de proyecto y clientes, vara en funcin de
los tiempos esperados de terminacin. Se muestra a continuacin las posibles
asignaciones y los tiempos esperados de terminacin.
C L I E N T E S Resuelva el problema y determine que
jefe de proyecto se le asigna a cada
JEFE DE PROYECTO
1
2
3
cliente.
JUAN
10
16
32
PABLO
14
22
40
BENJAMN
22
24
34
7. Se tienen 4 trabajadores que deben ser asignados a 4 trabajos, con base en los tiempos
empleados por cada uno de ellos en cada trabajo, cul es la asignacin ptima que
permite, en conjunto, obtener el tiempo mnimo?.
1
2
TRABAJADORES
3
4
TRABAJOS
A B C D
2 8 12 6
18 14 20 18
8 10 22 14
16 14 16 10
200
Asignaciones
8. Cuatro personas acaban de terminar el curso de ventas de la compaa y se les va a
asignar a cuatro distritos diferentes. Basndose en su experiencia, actuacin en el
curso, conocimiento del proyecto y los clientes potenciales, la administracin a hecho
estimaciones del xito esperado de cada uno en cada distrito. Las estimaciones en la
escala de 1 (Bajo) al 10 (Alto), son:
D I S T R I T O
PERSONA NORTE ORIENTE SUR OCCIDENTE
A
7
9
10
9
B
8
7
9
9
C
7
10
9
8
D
6
8
8
7
9. El gerente de una agencia de publicidad, debe decidir, cul de cuatro ejecutivos de
contabilidad debe asignar a cada uno de sus cuatro clientes principales. En la tabla se
presentan los costos estimados de la asignacin de cada ejecutivo. Use el mtodo
Hngaro para encontrar la solucin ptima del problema y establezca el valor de la
funcin objetivo.
EJECUTIVOS
A
B
C
D
C U
1
15
14
11
21
E N T A S
2
3
4
18
20
19
14
17
15
14
15
15
24
26
24
10. Coruniversitaria recibe ofertas para las 4 rutas de buses escolares de la ciudad. Cuatro
compaas presentaron las ofertas que se muestran en la tabla siguiente:
COMPAA 1
COMPAA 2
COMPAA 3
COMPAA 4
201
Asignaciones
11. Container, Inc., fabrica contenedores de muchos tamaos y formas. Recientemente ha
recibido pedidos para producir diversas cantidades de contenedores de cocina de 5
diferentes tamaos. Cada tamao de contenedor puede producirse en cualquiera de
cuatro mquinas. Debido a las distintas tecnologas y tiempos de disposicin, el nmero
total de horas, incluyendo el tiempo de disposicin, necesarias para procesar cada
tamao de contenedor en cada mquina vara, como se muestra en la siguiente tabla:
TAMAO DEL CONTENEDOR
3 X 4
4 X 6
6 X 8
8 X 12
12 X 18
M
1
25
24
30
38
40
Q U I N A
2
3
4
20
28
30
22
25
23
30
28
25
32
30
30
40
28
30
Adecuar una mquina para que cambie el tamao de un contenedor toma largo tiempo, as
que la gerencia ha decidido que cada mquina producir contenedores de un solo tamao.
Por tanto, solo se producirn 4 de los 5 tamaos en las 4 mquinas disponibles dentro de
la fecha lmite asignada. Como los ingresos por cada tamao de contenedor son
aproximadamente iguales, la gerencia de Container, Inc., es indiferente en cuanto a cual
de los 5 pedidos no satisfacer. Como gerente del departamento de produccin, se le ha
pedido determinar cules 4 de los 5 pedidos aceptar y desarrollar un plan de produccin
que minimice el tiempo de procesamiento total para satisfacer esos pedidos.
12. La empresa cauchos del Tolima, necesita realizar 4 proyectos, por falta de personal se
va a subcontratar a 4 empresas para que cada una realice un proyecto. Todas las
empresas estn en condiciones de realizar cualquiera de los proyectos. El gerente
general no sabe como distribuir los proyectos. Usted, como la mano derecha del gerente,
Qu le aconsejara?
1
2
EMPRESAS
3
4
P R O Y E C T O S
1
2
3
4
10
15
22
19
20
18
15
14
16
17
12
20
11
18
16
15
202
Asignaciones
13. Se cuenta con 4 aviones que deben fumigar 4 campos sembrados. Por las caractersticas
de los aviones y de los sembrados, cada avin emplea tiempos distintos en la fumigacin
de cada campo, como se ve en el siguiente cuadro:
1
2
AVIONES
3
4
C A
A
2
1
4
4
A
B
EDIFICIO
C
D
C O N T R A T I S T A S
1
2
3
4
48
48
50
44
56
60
60
68
96
94
90
85
42
44
54
46
15. Una compaa transportadora dispone de cinco camiones situados en las ciudades A, B,
C, D, E. Se requiere un camin en las ciudades 1, 2, 3, 4, 5, 6. En la tabla siguiente se
muestra el kilometraje entre las ciudades. El problema consiste en determinar la
asignacin de camiones que minimiza el kilometraje recorrido por los camiones.
DESDE LAS CIUDADES
A
B
C
D
E
HASTA
1 2
20 15
15 32
18 15
8 24
12 20
LAS
3
26
46
2
12
18
CIUDADES
4 5 6
40 32 12
26 28 20
12 6 14
22 22 20
10 22 15
203
Bibliografa
BAZARAA, Mokhtar S., JARVIS, John J., SHERALI, Hanif D., Programacin Lineal y
flujo de redes. Editorial Limusa S.A. de C.V. Grupo Noriega Editores, Balderas 95,
Mxico D. F. Segunda edicin. 1.998
CHANG, Yih-Long. WinQsb, Soporte para el software. John Wiley & Sons, Inc.
1.998
EPPEN D. G., GOULD F. J., SCHMIDT C. P. Investigacin de operaciones en la
ciencia administrativa., Editorial Prentice Hall Hispanoamericana S.A., Mxico.
Tercera edicin 1.992
GALLEGHER Charles A., HUNG, J. Watson. Mtodos cuantitativos para la toma de
decisiones en la administracin. Editorial McGraw-Hill Interamericana, Mxico.
Primera edicin 1.982
GONZALEZ ARIZA, Angel Len. Manual prctico de investigacin de operaciones.
Segunda edicin 1.998. Ediciones Uninorte.
HILLIER, Frederick S.; LIEBERMAN, Gerald J. Introduccin a la investigacin de
operaciones. Sexta edicin. Editorial McGraw-Hill Interamericana, Mxico. 1.997
Richard., KIRKPATRICK, Charles A., Enfoques cuantitativos a la
administracin. Compaa editorial continental, S. A. Mxico. Novena reimpresin
1.997
LEVIN,
Software
A continuacin damos una lista de programas informticos con la direccin Web, en las
que el lector podr obtener informacin reciente y detallada del software, incluyendo
en muchos casos una versin de evaluacin.
ARSHAM, Hossein Dr. www.brave.as/arsham
AIMMS, Paragon Decisin Technology, Haarlem, Holanda, http://www.paragon.nl
BOAZII
UNIVERSITY
ISTANBUL-TURKEY,
http://mis.boun.edu.tr/erdem/winqsb.html
Departamento
de
sistemas.,
Automated
SOLVER
for
Engineering
EXCEL,
Corporation,
frontline
Systems,
Pennington,
N.
J.,
Investigacin De Operaciones
Volumen I
Introduccin
Formulacin
Mtodo Grfico
Mtodo Algebraico
Mtodo Simplex
Mtodo de las dos fases
Mtodo Matricial
El problema Dual y el Mtodo Dual Simplex
Anlisis Post-ptimo y Sensibilidad
Transporte y Transbordo
Asignaciones
Programacin Lineal Entera y Binaria
Francisco Chediak
Ingeniero Industrial
Contenido
PRLOGO
Pgina
7
CAPTULO 1: Introduccin
11
La toma de decisiones
La Investigacin de Operaciones
La Ingeniera Industrial y la Investigacin de Operaciones
Resea histrica de la Investigacin de Operaciones
11
12
12
13
CAPTULO 2: Formulacin
15
Objetivo
Programacin Lineal Problema General
Caractersticas de la Programacin Lineal
Pautas y comentarios para la formulacin de modelos
Aprendiendo a formular modelos
Problema de produccin
Optimizacin del corte de madera
Corridas de produccin
El problema de los paquetes de tuercas
Problema clsico de transporte
El problema del transbordo
El problema de localizacin de planta
El problema de asignaciones
Problema de la mezcla
El problema del financiero
El problema de distribucin de buses
Problema de inventarios
El problema de los manteles
Sistema operativo de produccin
15
15
16
17
18
18
21
23
24
25
26
29
31
32
34
36
38
39
40
43
Introduccin
Conjunto convexo
Problema de nica solucin
Problema de mltiples soluciones
Problema de soluciones indeterminadas
Problema sin solucin
43
43
44
47
48
49
50
52
54
56
59
60
65
Introduccin
Ejemplo 1
Algoritmo del Mtodo Algebraico
Ejemplo 2
Notas Importantes
Ejemplo 3
Ejercicios propuestos
65
65
66
73
77
78
80
83
Introduccin
Ejemplo 1 : Solucin nica
Ejemplo 2 : Gran M
Ejemplo 3 : Mltiples soluciones
Ejemplo 4 : Variables irrestrictas
Ejemplo 5 : Nmero de variables v.s. Nmero de restricciones
Ejemplo 6: Solucin al problema de los paquetes de tuercas
Conclusin
WinQsb : Generalidades
WinQsb : Mdulo de Programacin Lineal
Problemas propuestos
83
84
87
88
89
92
92
94
94
95
97
101
Introduccin
Ejemplo : Fase I
Ejemplo : Fase II
Ejercicios propuestos
101
102
103
104
105
Introduccin
Forma Matricial para Maximizar; Forma Matricial para Minimizar
Ejemplo 1
Ejemplo 2
105
105
106
110
Ejercicios propuestos
112
115
Introduccin
Formulacin del problema Dual
El Mtodo Dual Simplex
Algoritmo para maximizar en el Mtodo Dual Simplex
Ejercicios propuestos
115
116
117
118
120
125
Introduccin
Cambio en Cj cuando Xj* es no bsica
Anlisis de sensibilidad
125
127
128
129
130
131
132
133
135
135
137
138
139
141
145
153
Introduccin
Modelo general del problema del transporte
Metodologa General y de Solucin
Ejemplo
Solucin Bsica Factible
Mtodo de la esquina noroeste: Caractersticas y Algoritmo
Mtodo del costo mnimo: Caractersticas y Algoritmo
Mtodo de Vogel: Caractersticas y Algoritmo
Conclusin
Mtodo Algebraico
Mtodo de tanteo
Mtodo Modificado de Distribucin (Modi)
Problema de transporte con costos de produccin
El Problema del Transbordo
153
154
156
156
158
158
160
161
163
163
164
165
169
172
175
178
179
181
189
Introduccin
Caractersticas del Modelo
Algoritmo para minimizar
Algoritmo para maximizar
Ejemplo 1
Ejemplo 2
Software WinQsb
Software INVOP
Problemas propuestos
189
189
190
191
191
194
195
197
198
205
Introduccin
Mtodo grfico
Mtodo de los planos cortantes de Gomory
Mtodo de Bifurcacin y Acotacin (Branch And Bound)
Mtodo aditivo de Egon Balas Para problemas binarios (0,1)
Software WinQsb para programacin lineal entera y binaria (0,1)
Problemas propuestos
205
205
206
209
210
214
215
Apndice 1
217
217
Dedicatoria
Francisco Chediak
Ingeniero Industrial
Captulo 8
El problema Dual y el Mtodo Dual Simplex
Introduccin
En el desarrollo de la programacin Lineal, se descubri la existencia de un problema que se
encuentra estrechamente relacionado con un problema de Programacin Lineal dado: Dicho
problema se denomin PROBLEMA DUAL. Cada problema dado (Problema principal,
Problema primo, Problema primero), de programacin lineal, tiene un problema dual que tiene
las siguientes muy interesantes caractersticas:
1. En problemas de un gran nmero de restricciones, resolver el problema dual en la
computadora es ms eficiente que resolver el problema principal.
2. En algunas ocasiones resulta ms sencilla la resolucin del problema dual que la del
problema principal, en trminos de menor nmero de iteraciones.
3. Los valores ptimos de las variables del dual, proporcionan una interpretacin econmica
del problema principal, interesante.
4. Algunas veces se puede evitar el uso de las variables artificiales (Super-Avit), mediante
la aplicacin del mtodo de solucin denominado Dual Simplex, sobre el problema dual.
5. Facilita el estudio del impacto sobre la optimalidad por cambios en el problema original.
El presente captulo tiene como objetivo principal, formular el problema dual y mostrar el
mtodo de solucin para el problema dual, denominado Mtodo Dual-Simplex, para
problemas de maximizacin, ya que, por medio de la regla de equivalencia (Min(z) = Max(z))Toda formulacin de un problema de programacin lineal se puede expresar de la forma
estndar: Maximice (z), con todas las restricciones <
115
Problema Principal
Problema Dual
En donde:
Problema Principal
Problema Dual
Problema Dual
Fjese que cada restriccin del problema principal est representada por una variable en el
dual.
Otro ejemplo numrico es el siguiente:
116
2X2
(Y1)
(Y2)
(Y3)
(Y4)
Problema Dual
Min ZY = 4Y1 + 6Y2 + 5Y3 - Y4
c.s.r.
Y1
+ Y3
> 3
Y2 + Y3 - Y4 > -2
YJ > 0 ; J = 1, 2, 3, 4
XJ > 0 ; J = 1, 2
El problema principal tiene cuatro (4) restricciones, entonces el dual tendr cuatro (4)
variables. Cada uno de los recursos del problema principal estar representado por una
variable en el problema dual.
Entre el problema principal y el problema dual existen las siguientes relaciones:
1. El dual del dual, tiene como resultado el problema principal.
2. Una restriccin que es una igualdad en el problema principal, genera una variable en el
dual sin restriccin en el signo
3. Una variable del problema principal, sin restriccin en el signo, genera una restriccin de
igualdad en el problema dual.
4. El nmero de restricciones del problema principal es igual al nmero de variables en el
problema dual.
5. El nmero de variables del problema principal es igual al nmero de restricciones en el
problema dual.
117
Mtodo Simplex
Solucin Factible
Pero NO ptima
Mtodo Simplex
Mejora su Optimalidad
Conservando su Factibilidad
5X2
4
6
18
XJ > 0 ; J = 1,2
Max Z(x) = 3X1 + 5X2
c.s.r.
X1
+ X3
= 4
X2
+ X4
= 6
3X1 + 2X2
+ X5 = 18
XJ > 0 ; J = 1,2,3,4,5
118
V.B.
0 X3
0 X4
0 X5
ZJ - CJ
X1 = 0
X2 = 0
X3 = 4
CJ
0
5
0
ZJ
V.B.
X3
X2
X5
- CJ
X1 = 0
X2 = 6
X3 = 4
CJ
0
5
3
ZJ
V.B.
X3
X2
X1
- CJ
X1 = 2
X2 = 6
X3 = 2
3 5
b X1 X2
4
1
0
6
0 1
18 3 2
0 -3 -5
Y4 Y5
X4 = 6
X5 = 18
ZX = 0
3 5
b X1 X2
4
1 0
6
0
1
6
3 0
30 -3 0
Y4 Y5
X4 = 0
X5 = 6
ZX = 30
Problema Dual
b
0 0 0
X3 X4 X5 a
1
0 0 NO
0 1 0
6
0 0
1
9
0 0 0
Y1 Y2
Y1 = 0
Y2 = 0
Y3 = 0
0
X3
1
0
0
0
Y3
Y4 = -3
Y5 = -5
ZY = 0
0 0 b
X4 X5 a
0 0 4
1
0 NO
-2 1 2
5 0
Y1 Y2
Y1 = 0
Y2 = 5
Y3 = 0
3
5
0
b X1 X2 X3
2
0
0
1
6
0
1
0
2
1
0
0
36 0
0
0
Y4 Y5 Y1
X4 = 0
Y1 = 0
X5 = 0
Y2 = 3
ZX = 36
Y3 = 1
Y3
Y4 = - 3
Y5 = 0
ZY = 30
0
0
X4
X5
2/3
-1/3
1
0
-2/3
1/3
3
1
Y2
Y3
Y4 = 0
Y5 = 0
ZY = 36
CJ
-4
V.B. b
Y1
0
Y4 -3 -1
0
Y5 -5 0
ZJ - CJ
0
4
(ZJ - CJ)/aRJ NO
Y1 = 0
Y2 = 0
Y3 = 0
X3
Y4 = -3
Y5 = -5
ZY = 0
-6 -18 0
0
Y2 Y3 Y4 Y5
0 -3
1
0
-1 -2 0
1
6 18 0
0
-6 -9 NO NO
X4 X5 X1 X2
X1 = 0
X4 = 6
X2 = 0
X5 = 18
X3 = 4
ZX = 0
CJ
V.B.
b
0
Y4
-3
-6 Y2
5
ZJ - CJ -30
(ZJ - CJ)/aRJ
Y1 = 0
Y2 = 5
Y3 = 0
-4 -6 -18 0
0
Y1 Y2 Y3 Y4 Y5
-1 0 -3 1
0
0
1
2
0 -1
4
0
6
0
6
-4 NO -2 NO NO
X3 X4 X5 X1 X2
Y4 = - 3
X1 = 0
X4 = 0
Y5 = 0
X2 = 6
X5 = 6
ZY = 30
X3 = 4
ZX = 30
CJ
-4 -6 -18
0
0
V.B. b
Y1
Y2 Y3
Y4 Y5
-18 Y3
1
1/3 0
1 -1/3 0
-6
Y2
3 -2/3 1
0 2/3 -1
ZJ - CJ -36
2
0
0
2
6
X3 X4 X5
X1 X2
Y1 = 0
Y2 = 3
Y3 = 1
Y4 = 0
Y5 = 0
ZY = 36
X1 = 2
X2 = 6
X3 = 2
X4 = 0
X5 = 0
ZX = 36
119
Trimestre
Trimestre
Trimestre
Trimestre
Total
del
del
del
del
ao
ao
ao
ao
Demanda
pronosticada (Horas)
24
29
34
48
135
Tomando en cuenta el costo por hora de mano de obra para produccin en tiempo normal
o tiempo extra y el costo de almacenar una hora de produccin por longitudes variables
de tiempo, los contadores de costos de la compaa llegaron a la cifra de costos
aplicables siguientes:
Tiempo
Tiempo
Tiempo
Tiempo
Tiempo
Tiempo
Tiempo
Tiempo
Normal
Extra
Normal
Extra
Normal
Extra
Normal
Extra
1
Trimestre
8
12
Producir en:
1
Trimestre
2
Trimestre
3
Trimestre
4
Trimestre
Tiempo
Tiempo
Tiempo
Tiempo
Tiempo
Tiempo
Tiempo
Tiempo
Normal
Extra
Normal
Extra
Normal
Extra
Normal
Extra
1
Trimestre
24
0
-
3. En una compaa que fabrica hilos se tiene el problema tpico llamado balance del telar,
que se origina en dos operaciones primarias: El cardado, que es el proceso que hace que
las fibras de algodn queden arregladas en la misma direccin y el hilado que convierte
una grea suelta de algodn en un hilo fuerte al jalar y doblar simultaneamente en un
huso. Cuando la fbrica produce hilos gruesos el proceso de cardado no puede dar abasto
a la hilatura, cada huso produce tantas yardas de hilo por hora que la operacin de
cardado simplemente se atrasa, debido a la limitacin de produccin de la seccin de
cardado. De forma contraria, cuando la fbrica produce hilos finos, la cantidad de hilo
producida por hora por huso es tan pequea, que la operacin de cardado puede
abastecer suficiente algodn para hilar en slo dos horas al da y como consecuencia las
mquinas se paran una buena parte del da. La situacin desde el punto de vista de los
trabajadores, produce horarios irregulares de trabajo y desde el punto de vista de la
gerencia la incapacidad de determinar que clase de hilos producir para maximizar la
contribucin a la utilidad. La fbrica produce y vende seis tipos de hilo, de diferente
grosor (Llamado nmeros); Cada uno de stos hilos tiene su propia contribucin a las
utilidades y se produce una cantidad diferente de hilo por hora por huso.
122
123
Formulacin
Captulo 2
Formulacin
Max Min Z = C X
C.S.R.
AX<B
XJ > 0 ;
j = 1, 2, ..., n
Objetivo
El presente trabajo es una recopilacin de algunos problemas representativos de
programacin lineal, en donde se muestra al lector la solucin a diferentes modelos,
buscando desarrollar la capacidad inventiva para formular problemas de optimizacin de
recursos.
Programacin Lineal - Problema General
La Programacin Lineal resuelve un tipo muy especial de problema, uno en el cual todas las
relaciones entre las variables son lineales, tanto en las restricciones como en la Funcin
Objetivo.
Definicin: Dado un conjunto de m desigualdades lineales ecuaciones lineales, con n
variables, se requiere hallar valores no negativos de stas variables que satisfagan las
restricciones y maximicen minimicen alguna funcin lineal de las variables llamada Funcin
Objetivo.
Matemticamente:
Hallar XJ , J = 1, 2, . . . . . n
Para:
15
Formulacin
Maximizar
Minimizar
......
Z = C1X1 + C2X2 +
+ CnXn
.....
.....
.....
+ a1jXj +
.
.
.
+ aijXj +
.
.
.
+ amjXj+
.....
.....
.....
+ a1nXn
.
.
+ ainXn
.
.
.
+ amnXn
.
.
.
.
b1
.
.
bi
.
.
bm
Xj 0 ; j = 1, 2, . . . . . . n
X32
a14Log X4
Si una unidad tipo 1 necesita 2 horas en la Mquina A y una unidad tipo 2 necesita 2
horas, entonces ambas necesitan 4 horas.
Si una unidad tipo 3 necesita 1 hora en la mquina B, entonces 10 unidades necesitan
10 horas.
16
Formulacin
b) Si la solucin satisface la condicin de no negatividad Xj 0 , se llama una solucin
factible
c) Una solucin factible que optimiza la funcin objetiva se llama una solucin factible
ptima
17
Formulacin
de horas en el lado izquierdo de la restriccin y en el otro lado minutos segundos
libras toneladas.
Es conveniente comentar que las restricciones en programacin lineal no pueden tener
una desigualdad estricta, con los signos < > . La razn de esto es de naturaleza
matemtica para que asegure que un problema bien formulado tenga solucin ya que
cualquier situacin del mundo real que uno pueda imaginar y que implique desigualdades
de restriccin es casi seguro que la representacin con los signos o captar por
completo el significado del mundo real.
Aprendiendo a Formular Modelos
Este capitulo contiene ejemplos de formulacin que le servirn para cimentar su habilidad al
traducir problemas del mundo real a modelos matemticos. Esta transicin, o modo en que
se ha de elaborar el modelo, la forma en que se definir las variables y se formularn las
restricciones y la funcin objetivo es de primordial importancia.
Intente resolver los siguientes problemas por si mismo. Formlelos con la rapidez que le
sea posible y no lea en un problema ms de lo que se le da. Por ejemplo, no introduzca
restricciones adicionales o matices lgicos o datos imaginarios que en su opinin podran
hacer ms realista el modelo. Por ejemplo, no se preocupe por lo que ocurra la semana
siguiente si el problema nunca se refiere a la semana siguiente. Los problemas que se
muestran han sido escogidos para facilitarle el desarrollo del aprendizaje de la formulacin.
Para lograr esto y que pueda comprobar su trabajo y calibrar su progreso dentro del
contexto descrito, la formulacin correcta, debe carecer por completo de ambigedad. En
otras palabras, que haya una respuesta correcta. Ms tarde, cuando tenga experiencia, la
amplitud de las dudas en la interpretacin y las sutilezas del mundo real sern mayores.
Debido a que el tema de la formulacin es tan importante y como la prctica es el nico
camino para dominarlo, se recomienda hacer un nmero de problemas grande. Como ltimo
consejo: No lea simplemente el problema y despus vaya de inmediato a la solucin. Esa
sera la mejor forma de engaarse a si mismo sobre lo que ha comprendido. No lea la
solucin hasta que est seguro de haber solucionado en forma correcta el problema por si
mismo o est totalmente convencido que se encuentra en un callejn sin salida.
1. Problema de produccin
Un taller tiene tres (3) tipos de mquinas A, B y C; puede fabricar dos (2) productos 1 y 2,
todos los productos tienen que ir a cada mquina y cada uno va en el mismo orden: Primero a
la mquina A, luego a la B y luego a la C. La tabla siguiente muestra:
1. Las horas requeridas en cada mquina, por unidad de producto
2. Las horas totales disponibles para cada mquina, por semana
3. La ganancia por unidad vendida de cada producto
18
Formulacin
Tipo de Mquina
Producto 1
Producto 2
A
B
C
Ganancia por unidad
2
1
4
1
2
2
2
1,50
Que cantidad de cada producto (1 y 2) se debe manufacturar cada semana, para obtener la
mxima ganancia ?
Cuantas horas semanales sobran en cada departamento ?
Formulacin
1. Definicin de las variables:
Xj = Unidades semanales a producir del articulo j-simo ( j=1 y 2)
2. Funcin objetivo:
Maximizar Z = X1 + 3/2 X2
3. Restricciones:
2X1 + 2X2 16 Restriccin debida a las horas disponibles por semana de la MQ A
X1 + 2X2 12 Restriccin debida a las horas disponibles por semana de la MQ B
4X1 + 2X2 28 Restriccin debida a las horas disponibles por semana de la MQ C
4. Condicin de no negatividad:
Xj 0 ; j = 1 y 2
5. Solucin Mediante el mtodo grfico:
Preparamos analticamente las restricciones para graficarlas sobre el plano cartesiano, as:
2X1 + 2X2 16
2X1 + 2X2 = 16
X1 = 0 X2 = 0
X2= 8 X1 = 8
P(0,0) => 0 16
Verdad
X1 + 2X2 12
X1 + 2X2 = 12
X1 = 0 X2 = 0
X2 = 6 X1 = 12
P(0,0) => 0 12
Verdad
4X1 + 2X2 28
4X1 + 2X2 = 28
X1 = 0 X2 = 0
X2 =14 X1 = 7
P(0,0) => 0 28
Verdad
Z = X1 + 3/2 X2
Z = X1 + 3/2 X2 = 3
X1 = 0 X2 = 0
X2 = 2 X1 = 3
19
Formulacin
Fjese que la funcin objetivo X1 + 3/2 X2 = Z es la ecuacin de una familia de rectas
paralelas, las que se generan cada vez que cambiemos el valor de Z, aqu hemos dado el valor
arbitrario a Z de 3. Como observar en la grfica siguiente, la recta que representa a sta
funcin objetivo, la desplazaremos a izquierda o derecha para encontrar el ltimo punto que
intercepta a la derecha del rea de soluciones factibles, para encontrar la solucin factible
ptima.
X1 + 3/2 X2 = 3
X1 = 0 X2 = 0
X2 = 2 X1 = 3
X1 + 3/2 X2 = 6
X1 = 0 X2 = 0
X2 = 4 X1 = 6
X1 + 3/2 X2 = 9
X1 = 0 X2 = 0
X2 = 6 X1 = 9
Mquina B
X1*+2X2* 12
(4) +2(4) 12
12 12
Se usan todas las horas
semanales disponibles
Mquina C
4X1*+2X2* 28
4(4) +2(4) 28
24 28
A la Mquina C le sobran 4
horas Semanales
20
Formulacin
2. Optimizacin del corte de madera
En una marquetera se fabrican cuadros, cuyos marcos se obtienen de cortar varillas para
bocel, cuya longitud original es de 300 cms. El Departamento de ventas tiene pedidos para
el siguiente mes de 175 cuadros de 119 x 90 cms. El Jefe de produccin ordena que se
corten 350 boceles de 119 cents. Y 350 boceles de 90 cms. (Cada cuadro lleva 2 boceles de
cada dimensin).
Con sta manera de cortar la madera, la Fbrica necesita el capital para comprar 292
varillas para bocel de 300 cms. cada una y genera 14.450 cms. De desperdicio.
Formule un problema de programacin lineal que minimice el desperdicio, la compra de
materia prima y optimice la productividad.
300 cms
90 cms
cms
90
cms
119
cms
90
cms
62
cms
90
cms
30
Formulacin
Xj = Nmero de varillas a cortar de la forma j-sima (j = 1, 2 y 3)
Formas posibles de cortar la varilla
21
Formulacin
Forma
Variable
cms
119
cms
119
cms
62
X1
cms
90
cms
90
cms
119
cms
1
X2
cms
90
cms
90
cms
90
cms
30
X3
C.S.R.
XJ 0
Minimizar el desperdicio
2X1 + X2
= 350
2X2 + 3X3 = 350
; J = 1, 2 y 3 Enteros
Resolviendo por el mtodo de Branch and Bound el mtodo de los planos cortantes de
Gomory usando el software del QSB QSB+ WINQSB, se obtiene la siguiente solucin:
X1*
X2*
X3*
Z*
Nmero de varillas a comprar: 89 + 172 + 2 = 263 varillas de 300 cms de largo cada una
Cuadro comparativo de los ahorros:
Conceptos
Antes
Despus
Diferencia
% disminuido
Materia prima
292
263
29
9,93 %
Desperdicio (cms.)
14.450
5.750
8.700
60,20 %
22
Formulacin
3. Corridas de produccin
Una empresa produce un artculo cuya unidad est compuesta por 4 unidades de componente
A y 3 unidades de componente B que se producen por corrida de produccin a partir de las
materias primas 1 y 2 y en tres diferentes departamentos. La produccin por corrida de
produccin se muestra en la siguiente tabla:
Elabore un plan de produccin para maximizar la cantidad de artculo a producir.
Departamento 1
Departamento 2
Departamento 3
Disponibilidad
Materia Prima
1
8
5
3
100
Materia Prima
2
6
9
8
200
Componente
A
7
6
8
Componente
B
5
9
4
Formulacin:
XJ = Nmero de corridas de produccin en el departamento j-simo (j = 1,2 y 3)
Nmero de componentes A: 7X1 + 6X2 + 8X3
Nmero de componentes B: 5X1 + 9X2 + 4X3
Nmero de artculos completos
con los componentes A: (7X1 + 6X2 + 8X3) / 4
Nmero de artculos completos
con los componentes B: (5X1 + 9X2 + 4X3) / 3
Usando la tcnica de la programacin por metas y usando el QSB para programacin lineal
entera el mtodo de Branch and Bound en 43 iteraciones se encuentra la siguiente
solucin ptima:
X1* = 1 Hacer la corrida de produccin en el departamento 1, 1 vez
X2* = 7 Hacer la corrida de produccin en el departamento 2, 7 veces
X3* = 16 Hacer la corrida de produccin en el departamento 3, 16 veces
23
Formulacin
Z* = 44 Unidades completas del producto
Partes A a producir: 7X1* + 6X2* + 8X3* = 7(1) + 6(7) + 8(16) = 177 unidades de A
Partes B a producir: 5X1* + 9X2* + 4X3* = 5(1) + 9(7) + 4(16) = 132 unidades de B
Con 177 unidades de A se fabrican 177/4 = 44 unidades enteras del articulo
Con 132 unidades de B se fabrican 132/3 = 44 unidades enteras del articulo
8X1* + 5X2* + 3X3* 100 ; 8(1) + 5(7) + 3(16) 100 ; 91 100 Sobran 9 unidades de materia
prima 1
6X1* + 9X2* + 8X3* 200 ; 6(1) + 9(7) + 8(16) 200 ; 197 200 Sobran 3 unidades de
materia prima 2
Xj= Peso en libras de las tuercas y tornillos del tamao j-simo (j=1,2 y 3) en la bolsa
Observe que:
24
Formulacin
20/200 es lo que vale una libra de tornillos tipo 1
8/200 es lo que vale una libra de tornillos tipo 2
12/200 es lo que vale una libra de tornillos tipo 3
Minimizar Z = 20/200 X1 + 8/200 X2 + 12/200 X3
C.S.R.
XJ 0
X1 + X3 (X1 + X2 + X3) / 2
X1 + X2 1,6
X1 0,1 (X1 + X2 + X3)
X2 0,1 (X1 + X2 + X3)
X3 0,1 (X1 + X2 + X3)
X1 + X2 + X3 2
J = 1, 2 y 3
Solucin:
Minimizar Z = 0,1X1 + 0,04X2 + 0,06X3
C.S.R.
XJ 0
X1 - X2
X1 + X2
0,9X1 -0,1X2
-0,1X1 +0,9X2
-0,1X1 -0,1X2
X1 + X2
J = 1, 2 y 3
X3 0
1,6
- 0,1X3 0
- 0,1X3 0
+ 0,9X3 0
+
X3 2
25
Formulacin
Detallistas
Pereira
55
35
40
Bogot
Centros de
Medelln
distribucin
Cali
Tula
30
30
60
Anserma
40
100
95
Ibagu
50
45
35
Armenia
40
60
30
Cuanto unidades debe mandar el fabricante desde cada centro de distribucin a cada
detallista, de manera que los costos totales de transporte sean mnimos ?
XJ = Cantidad de unidades a enviar desde el centro de distribucin i-simo (i = 1 = Bogot, i
= 2 = Medelln, i = 3 = Cali), al detallista j-simo (j = 1 = Pereira, j = 2 = Tula, j = 3 =
Anserma, j = 4 = Ibagu, j = 5 = Armenia)
Minimizar Z = 55X11 + 30X12 + 40X13 + 50X14 + 40X15 + 35X21 + 30X22 + 100X23 + 45X24 +
60X25 + 40X31 + 60X32 + 95X33 + 35X34 + 30X35
C.S.R.
X21 + X31
X22 + X32
X23 + X33
X24 + X34
X25 + X35
25
10
20
30
15
Restricciones debidas a
los requerimientos de
unidades, de los
detallistas respectivos 1,
2, 3, 4 y 5
Xij 0 ; i = 1, 2 y 3 ; j = 1, 2, 3, 4 y 5
Empleando el QSB el INVOP obtenemos la siguiente solucin factible ptima:
X*11
X*12
X*13
X*14
X*15
=
=
=
=
=
0
0
20
0
0
X*21
X*22
X*23
X*24
X*25
= 25
= 10
= 0
= 5
= 0
X*31
X*32
X*33
X*34
X*35
=
=
=
=
=
0
0
0
25
15
Z* = $ 3.525
26
Formulacin
prxima semana 30 unidades para V1, 20 para V2 y 40 para V4. V3 no ha cuantificado su
demanda indicando que va a ser muy alta y aceptara toda la produccin.
La legislacin vigente obliga a la empresa a transportar los monitores de las plantas a los
puntos de venta a travs de alguno de los dos centros de control de calidad existentes C1 y
C2 en los que se controlan los monitores y cuya capacidad es muy grande. El costo de control
por unidad en C1 es de $4.000 y en C2 es de $6.000.
Los costos en miles de pesos del transporte unitario de las plantas a los centros de control
y de estos a los puntos de venta, aparecen en la tabla siguiente:
Plantas de
Centros de venta
produccin
P1
P2
V1
V2
V3
V4
Centros de control
C1
12
10
22
20
24
de calidad
C2
11
9
20
19
23
La empresa desea distribuir toda la produccin para la semana entrante, sin mostrar
preferencia por la utilizacin de un determinado centro de control o punto de venta, pues su
inters reside en minimizar el costo global de transporte. Cual debe ser la distribucin de
las plantas a los puntos de venta ?
Formulacin:
XIJ = Unidades a enviar desde el nodo i-simo (i = 1,2,3 y 4) al nodo j-simo (j = 3,4,5,6,7 y
8)
Minimizar Z = 12X13 + 11X14 + 10X23 + 9X24 + 4(X13 + X23) + 6(X14 + X24) + 22X35 + 20X36 +
24X37 +20X45 + 19X47 + 23X48
27
Formulacin
C.S.R.
X13 + X14 80
X23 + X24 60
X35 + X45
X36
X37 + X47
X48
30
20
140
40
Xij 0 ; i, j Enteros
Restriccin de no negatividad
X21
X22
X23
X24
30
20
140
40
28
Formulacin
Xij 0 ; i = 1 y 2 ; j = 1, 2 , 3 y 4 Enteros
Condicin de no negatividad
Medelln
4
3
4
3
Cali
2
7
4
4
Bogot
6
5
8
2
Formulacin:
(a) Considerando establecer la nueva planta en Pasto
Xij = Unidades a enviar desde la planta i-sima (i = 1 = Pereira, i = 2 = Ibagu, i = 3 Pasto) al
almacn j-simo (j = 1 = Neiva, j = 2 = Medelln, j = 3 = Cali, j = 4 = Bogot)
Minimizar Z = 6X11 + 4X12 + 2X13 + 6X13 + 2X21 + 3X22 + 7X23 + 5X24 + 6X31 + 4X32 + 4X33 +
8X34
29
Formulacin
C.S.R.
X11 + X12 + X13 + X14 = 900
X21 + X22 + X23 + X24 = 1.500
X31 + X32 + X33 + X34 = 600
X11 + X21 + X31 = 700 + 175 = 875
X12 + X22 + X32 = 800 + 200 = 1.000
X13 + X23 + X33 = 500 + 125 = 625
X14 + X24 + X34 = 400 + 100 = 500
=
875
= 1.000
=
625
=
500
X*21 = 875
X*22 = 625
X*32 = 100
X*34 = 500
Z* = $7.275
30
Formulacin
De los resultados obtenidos se deriva que Villavicencio es la mejor localizacin bajo el
criterio de minimizar los costos del transporte.
8. El problema de asignaciones
Se usan cuatro barcos cargueros para transportar bienes de un puerto a otros cuatro
puertos (numerados 1,2,3 y 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 cargar, transporte y descargue de bienes para las distintas combinaciones de
barcos y puertos varia mucho. Estos costos se muestran el la siguiente tabla:
P
1
5
6
7
5
1
2
3
4
Barco
U E
2
4
6
5
4
T O
3
6
7
7
6
4
7
5
6
6
El objetivo es asignar los barcos a los puertos en una correspondencia uno a uno, de manera
que se minimice el costo total de los cuatro barcos.
Xij = 0, No asigne el barco i-simo (i = 1,2,3 y 4) al puerto j-simo (j = 1,2,3 y 4)
Xij = 1, Si asigne el barco i-simo (i = 1,2,3 y 4) al puerto j-simo (j = 1,2,3 y 4)
Minimice Z = 5X11 + 4X12 + 6X13 + 7X14 + 6X21 + 6X22 + 7X23 + 5X24 + 7X31 + 5X32 + 7X33 + 6X34
+ 5X41 + 4X42 + 6X43 + 6X44
C.S.R.
X11 + X12 + X13 + X14
X21 +X22 + X23 + X24
X31 +X32 + X33 + X34
X41 +X42 + X43 + X44
=
=
=
=
1
1
1
1
X11 +
X12 +
X13 +
X14 +
=
=
=
=
1
1
1
1
31
Formulacin
X*11 =
X*12 =
X*13 =
X*14 =
1
0
0
0
Barco 1
Barco 2
Barco 3
Barco 4
X*21 = 0
X*22 = 0
X*23 = 0
X*24 = 1
X*31 = 0
X*32 = 1
X*33 = 0
X*34 = 0
X*41 = 0
X*42 = 0
X*43 = 1
X*44 = 0
Z* = 21
5
5
5
6
9. Problema de la mezcla
Una compaa de petrleos produce tres tipos de gasolina: Super, Normal y Euro. Se
obtienen por mezcla de tres calidades de crudo (A,B,C), que contienen tres componentes
(1,2,3) . La participacin de estos componentes en la composicin de cada crudo es:
CRUDOS
A
B
C
COMPONENTES ( % )
1
2
3
80
10
5
45
30
20
30
40
25
GASOLINA
SUPER
NORMAL
EURO
COMPONENTES ( % )
1
2
3
60
25
10
50
30
15
40
35
20
Los costos por barril de crudo A, B y C son: $650, $500 y $450, respectivamente.
El presupuesto diario de compra es de $50 Millones.
La disponibilidad diaria de crudos B y C se limita, respectivamente, a 3.000 y 7.000
barriles.
Ciertos acuerdos obligan a comprar al menos 2.500 barriles de A.
Las demandas de gasolina Super y Normal son de 2.000 y 2.500 barriles diarios, que deben
satisfacerse. La compaa desea maximizar la produccin de gasolina Euro.
Formule un modelo de programacin lineal que de respuesta al problema planteado por la
compaa.
32
Formulacin
Formulacin:
Xij = Cantidad de barriles diarios del crudo i-simo (i = A, B, C) dedicado al tipo de gasolina
j-sima (j = S, N, E)
Maximizar Z = XAE + XBE + XCE
C.S.R.
650(XAS + XAN + XAE) + 500(XBS + XBN + XBE) + 450(XCS + XCN + XCE) 500'000.000
Restriccin debida a la limitacin de disponibilidad de capital
XAS + XAN + XAE 2.500
XBS + XBN + XBE 3.000
XCS + XCN + XCE 7.000
0,80XAS+0,45XBS+0,30XCS 0,60(XAS+XBS+XCS)
0,10XAS +0,30XBS+0,40XCS 0,25(XAS+XBS+XCS)
0,05XAS+0,20XBS+0,25XCS 0,10 (XAS+XBS+XCS)
0,80XAN+0,45XBN+0,30XCN 0,50(XAN+XBN+XCN)
0,10XAN +0,30XBN+0,40XCN 0,30(XAN+XBN+XCN)
0,05XAN+0,20XBN+0,25XCN 0,15 (XAN+XBN+XCN)
Restricciones debidas al
de cada componente en
Super
Restricciones debidas al
de cada componente en
Normal
porcentaje
la gasolina
0,80XAE+0,45XBE+0,30XCE 0,40(XAE+XBE+XCE)
0,10XAE +0,30XBE+0,40XCE 0,35(XAE+XBE+XCE)
0,05XAE+0,20XBE+0,25XCE 0,20(XAE+XBE+XCE)
porcentaje
la gasolina
Xij 0 ; i = A, B, C ; j = S, N, E
33
Formulacin
10.
Un inversionista tiene la intencin de hacer varias inversiones, las cuales se extendern por
un periodo de cinco aos, al final del cual necesitar de todo el capital. Las inversiones se
hacen el 1 de Enero de cada ao y son:
Inversin A: Disponible el 1 de Enero de cada ao y produce el 15% de inters al final de
cada ao.
Inversin B: Disponible en dos aos a partir de ahora (Comienzo del 3 ao), y produce un
retorno del 25% al final del 3 ao y lo mximo que el inversionista considerar son
$40.000
Inversin C: Disponible en un ao a partir de ahora (Comienzo del 2 ao), y produce el 40%
al final del cuarto ao. Esta inversin ser de $30.000 como mximo.
El inversionista tiene $100.000 disponibles para las inversiones.
Cul debe ser el portafolio de inversin que le permita obtener la mxima cantidad de
dinero al final del ao quinto ?
Formulacin:
Xij = Cantidad de dinero a invertir en la alternativa i-sima (i=A, B y C) al principio del ao jsimo (j = 1, 2, 3, 4 y 5 ).
Capital Inicial: $100.000
34
Formulacin
Restricciones debidas
a la cantidad de
dinero disponible al
principio de cada uno
de los cinco aos
Xij 0 ; i = A, B y c ; j = 1, 2, 3, 4 y 5
Empleando el WinQsb se obtiene la siguiente solucin ptima factible:
35
Formulacin
X*A1 = $100.000
X*A2 = $115.000
11.
X*A3 = $ 92.250
X*A4 = $156.087,50
X*A5 = $179.500,6
X*B3 = $ 40.000
X*C2 = $0
Z* = $206.425,7
De
De
De
De
De
De
12 a.m. a 8 a.m.
4 a.m. a 12 meridiano
8 a.m. a 4 p.m.
12 Meridiano a 8 p.m.
4 p.m. a 12 p.m.
8 p.m. a 4 a.m.
36
Formulacin
Horario
de la
demanda
12 - 4
4 - 8
8 - 12
12 - 4
4 - 8
8 - 12
X2
4 - 12
a
a
X3
8 - 4
X4
12 - 8
a
a
a
a
X5
4 - 12
a
a
X6
8 - 4
a
Nmero de
buses
necesarios
4
8
10
7
12
4
Minimizar Z = X1 + X2 + X3 + X4 + X5 + X6
C.S.R.
X1 + X6
X1 + X2
X2 + X3
X3 + X4
X4 + X5
X5 + X6
4
8
10
7
12
4
Restricciones debidas a la
demanda de buses cada
cuatro horas
Xj 0 ; j = 1, 2, 3, 4, 5 y 6 ; y enteros
Empleando la programacin lineal entera y el software WinQsb, se encuentra la solucin
ptima factible siguiente:
X*1 =
X*2 =
X*3 =
X*4 =
4
10
0
8
X*4 = 4
X*6 = 0
Z* = 26 buses
Interpretacin
X*1 =
X*2 =
X*3 =
X*4 =
X*4 =
X*6 =
4
10
0
8
4
0
37
Formulacin
12.
Problema de inventarios
Un producto de la firma XYZ tiene la siguiente demanda pronosticada para los prximos
cuatro meses: Mes 1: 2.800 unidades, Mes 2: 2.200 unidades, Mes 3: 3.200 unidades y Mes
4: 2.500 unidades.
La compaa puede producir 2.700 unidades del artculo por mes en sus turnos normales.
Utilizando tiempo extra es posible fabricar 300 unidades adicionales. La produccin en
tiempo extra tiene un sobre costo de $10 por unidad. La administracin ha estimado que se
incurre en un costo de almacenamiento de $2 por unidad que se produzca en un mes
determinado y no se venda en el mismo.
Se trata de determinar un programa ptimo de produccin que minimice los costos totales
de produccin y almacenamiento. Supngase que la cantidad en existencia es cero y se
desea un inventario final del periodo igual a cero.
X*4 = 2.500
Y*1 = 100
Y*2 = 0
Y*3 = 0
Y*4 = 0
I*1 = 0
I*2 = 500
I*3 = 0
Z* = 2.000
38
Formulacin
13.
1
80
2
60
3
100
4
130
5
200
El problema del administrador es que se requieren manteles diferentes a los que se usan,
por lo que tendr que comprar ese tipo de manteles. El costo de cada mantel es de $40 y el
costo de mandarlo a la lavandera bajo servicio urgente para tenerlo listo a los dos das es
de $10 por mantel.
Cul es el modelo que le permitir al administrador cumplir con sus requisitos y adems
minimizar el costo total ?
Y3)
Xi 0 ; i = 1, 2, 3, 4 y 5
Ii 0 ; i = 1, 2, 3 y 4
Yi 0 ; i = 1, 2 y 3
39
Formulacin
14. Sistema Operativo de Produccin
La compaa Wetski Water Ski es la ms grande productora de skis para agua, como Usted
sospecha, existe una estimacin de alta demanda, con un mximo en los meses de verano y
un mnimo en los meses de invierno. Conociendo los costos y el pronstico por trimestre;
Formule un programa de programacin lineal que minimice los costos y satisfaga la demanda.
Cules son los costos de ese plan?
Trimestre
1
2
3
4
Costo de llevar inventario
Produccin por empleado
Fuerza de trabajo regular
Capacidad en horas extras
Capacidad de subcontratar (Maquila)
Costo de produccin regular
Costo de produccin en horas extras
Costo de produccin subcontratada
Pronstico de ventas
(Unidades)
50.000
150.000
200.000
52.000
$3,00 Por par de skis por trimestre
1.000 par de skis por trimestre
50 trabajadores
50.000 pares de skis
40.000 pares de skis
$50,00 por par de skis
$75,00 por par de skis
$85,00 por par de skis
Solucin:
Produccin mxima por trimestre con la fuerza de trabajo regular:
1.000 (Pares /Empleado) * 50 (Empleados) = 50.000 skis
Xj = Pares de skis a fabricar con la fuerza de trabajo regular en el trimestre j-simo.
Hj = Pares de skis a fabricar en horas extras en el trimestre j-simo.
Mj = Pares de skis a fabricar con subcontratos en el trimestre j-simo
Ij = Unidades en inventario al final del trimestre j-simo
J = 1, 2, 3, 4
Es lgico pensar que Io = 0 y I4 = 0 , para minimizar los costos.
40
Formulacin
H1* = 50.000
H2* = 50.000
H3* = 50.000
H4* = 2.000
M1* = 20.000
M2* = 40.000
M3* = 40.000
M4* = 0
I1* = 70.000
I2* = 60.000
I3* = 0
Z* = 30290.000
Interpretacin:
Con la fuerza de trabajo regular, debemos producir 50.000, 50.000, 50.000 y 50.000 pares
de skis durante cada trimestre, respectivamente.
Usando la capacidad en horas extras, debemos producir 50.000, 50.000, 50.000 y 2.000
pares de skis durante cada trimestre, respectivamente.
41
Formulacin
Debemos subcontratar la elaboracin de 20.000, 40.000, 40.000 y 0 pares de skis durante
cada trimestre, respectivamente.
El inventario final para cada trimestre es: 70.000 para el primer trimestre, 60.000 para el
segundo trimestre y 0 para el tercer trimestre.
Fjese que los costos de produccin e inventarios para cada trimestre son:
Trimestre
Trimestre
Trimestre
Trimestre
1
2
3
4
50.000(50)+50.000(75)+20.000(85)
70.000(3)+50.000(50)+50.000(75)+40.000(85)
60.000(3)+50.000(50)+50.000(75)+40.000(85)
50.000(50) + 2.000(75)
Total
=
7950.000
=
9860.000
=
9830.000
=
2650.000
= 30290.000
42
Mtodo Algebraico
Captulo 4
Mtodo Algebraico
Introduccin
En la necesidad de desarrollar un mtodo para resolver problemas de programacin lineal de
ms de dos variables, los matemticos implementaron el mtodo algebraico, el que ms
tarde se convertira en el tan afamado mtodo simplex.
Como su nombre lo indica, el mtodo usa como su principal herramienta, el lgebra, que
ligada a un proceso de lgica matemtica dio como resultado el mtodo algebraico.
Con el siguiente ejemplo se ilustra el algoritmo del mtodo algebraico; El ejercicio que se
usa para ello es de dos variables X1 , X2 , con el propsito de observar lo que el mtodo
realiza sobre la grfica en el plano cartesiano, ofrecindonos sta metodologa la ventaja de
comparar paso a paso el mtodo grfico con el mtodo algebraico.
Ejemplo 1
Maximizar Z = X1 + X2
C.S.R.
5X1 + 3X2 < 15
3X1 + 5X2 < 15
Xj > 0 ; j = 1, 2
Mtodo Algebraico
El rea de soluciones factible, las coordenadas de cada esquina y el valor de la funcin
objetivo Z en cada una de ellas, se muestra en la grfica siguiente:
66
Mtodo Algebraico
1) Hallar una solucin bsica factible
a) Expresar todas la inecuaciones como ecuaciones lineales, para ello y en ste caso
usamos variables de relleno, tambin llamadas de holgura, para igualar el lado
izquierdo al lado derecho de la inecuacin; as:
5X1 + 3X2 < 15
5X1 + 3X2 + X3 = 15
3X1 + 5X2 + X4 = 15
X1 = X2 = 0 , entonces
X4 = 15 , valor > 0
Mtodo Algebraico
Z = 0 ; X3 = 15 y X4 = 15 ; esto es una SOLUCIN BSICA FACTIBLE.
Una lista clasificada de las variables es:
X1 = 0
X2 = 0
X3 = 15
X4 = 15
Z = 0
Variable no bsica
Variable no bsica
Variable bsica
Variable bsica
Variable bsica, Siempre !!
(1) X3 = 15 5X1
(2) X4 = 15 3X1
68
Mtodo Algebraico
Aqu la pregunta es:
(2) 15 3X1 = X4
(2) 15 3X1 = 0
X1 = 5
Resumiendo:
69
Mtodo Algebraico
Fjese que en la ecuacin ( 1 ) se encuentra la variable que entra X1 y la variable que sale
X3 por ello en sta fila solo queda como variable bsica X1 , lo molo aqu es que tiene
coeficiente diferente de uno ( 1 ), por ello multiplicamos toda la fila por el inverso del
coeficiente de X1 (1/5) y la ecuacin resultante la llamamos Fila Pivote ya que
posteriormente servir para eliminar a X1 de las ecuaciones (0) y (2).
(1) 5X1 + 3X2 +
X3 = 15 (1/5)
(1) X1 + 3/5X2 + 1/5X3 = 3
Fila pivote
Para encontrar el nuevo sistema de ecuaciones en el que en cada fila figure una y solo
una variable bsica con coeficiente uno (1), de tal forma que se pueda leer
automticamente su valor en el trmino independiente de cada ecuacin, multiplicamos la
fila pivote por el coeficiente de X1 (multiplicado por 1), de cada una de las otras
ecuaciones y sumamos la fila pivote con cada una de las otras ecuaciones para encontrar
las nuevas ecuaciones del sistema. Para nuestro problema, esto es:
Multiplicamos la fila pivote, fila (1) por uno (1) y le sumamos la fila (0). El resultado
es la nueva fila (0).
(1) X1 + 3/5X2 + 1/5X3 = 3 (1)
(0) Z X1 X2
=0
(1)
X1 + 3/5X2 + 1/5X3 = 3
(0) Z
Multiplicamos la fila pivote por (-3) y le sumamos la fila (2), el resultado es la nueva
ecuacin (2)
(1) X1 + 3/5X2 + 1/5X3 = 3 (-3)
70
Mtodo Algebraico
Una lista clasificada de variables para sta iteracin es:
X1 =
X2 =
X3 =
X4 =
Z =
3
0
0
6
3
Variable
Variable
Variable
Variable
Variable
bsica
no bsica
no bsica
bsica
bsica
Fjese en las siguientes caractersticas que siempre debe tener el sistema de ecuaciones
En cada fila hay una y solo una variable bsica con coeficiente uno (1)
En la funcin objetivo, ecuacin cero (0), la variable bsica siempre es Z y estar
acompaada por las variables no bsicas.
Los trminos independientes, siempre sern los valores de las variables bsicas para
cada ecuacin.
Observe en la grfica, que lo que ha hecho el mtodo algebraico es saltar de una esquina
del rea de soluciones factible a otra esquina contigua y ha empezado por la peor
solucin bsica factible posible.
Mtodo Algebraico
II iteracin
Variable que entra
Z = 2/5X2 1/5X3 + 3 ; variable que entra: X2
Variable que sale
X1 = 3 3/5X2 X2 < 5
X4 = 6 16/5X2 X2 < 15/8 = 1,875 ; variable que sale X4
Nuevo sistema de ecuaciones
ltimo sistema
(0) Z
(1)
X1
(2)
de ecuaciones
2/5X2 + 1/5X3
+
3/5X2 + 1/5X3
+ 16/5X2 - 3/5X3 +
X4
=
=
=
3
3
6
1/8X4 = 15/4
3/16X4 = 15/8
5/16X4 = 15/8
(5/16)
(2/5) (-3/5)
III Iteracin
Variable que entra
(0) Z +1/8X3 + 1/8X4 = 15/4
Z = 15/4 1/8X3 1/8X4
Ninguna variable al crecer hace que Z crezca, luego estamos en la solucin ptima.
Solucin ptima
Variables de decisin reales
Variables de holgura relleno
*
X1 = 15/8 = 1,875
X3* = X4* = 0
X2* = 15/8 = 1,875
Z* = 15/4 = 3,75
Fjese que X3 = X4 = 0 significa, que los recursos que representan las restricciones 1 y 2 se
usarn en su totalidad, ambas restricciones son activas, de estricto cumplimiento.
Ahora resolveremos un segundo ejemplo que tiene las siguientes caractersticas.
Mtodo Algebraico
Ejemplo 2
Minimizar Z = 6X1 + 4X2 + 2X3
C.S.R.
6X1 + 2X2 + 6X3 > 6
6X1 + 4X2
= 12
2X1 - 2X2
< 2
Xj > 0 ; j = 1, 2, 3
I Iteracin
El objetivo de la primera iteracin es conseguir la solucin bsica factible y lograr el primer
sistema de ecuaciones, para esto conseguiremos en cada una de las restricciones una
variable bsica factible, as:
Primera restriccin: 6X1 + 2X2 + 6X3 > 6
Aqu para establecer la igualdad, se hace necesario restar una variable al lado izquierdo en
atencin a que es mayor igual al lado derecho, para ello empleamos la variable X4 ,
resultando la siguiente igualdad: 6X1 + 2X2 + 6X3 X4 = 6 . Ahora escogemos una variable
en sta ecuacin para ser variable bsica factible, la candidata es X4 , pero ella toma el
valor de X4 = -6 (recuerde que X1 = X2 = X3 son Variables de decisin reales, no bsicas e
iguales a cero (0)), en atencin a que X4 asume un valor no factible (negativo, no cumple con
la condicin de no negatividad), se hace necesario emplear una nueva variable, que
adicionada convenientemente asuma un valor factible y nos sirva como variable bsica, sta
variable la llamamos X5 y se denomina variable de Super-avit variable artificial, quedando
la ecuacin de la siguiente manera: 6X1 + 2X2 + 6X3 X4 + X5 = 6 ; Aqu escogemos como
variable bsica a X5 quien asume el valor de X5 = 6, las dems variables son no bsicas
iguales a cero (0). Lo nico malo es que al adicionar X5 al lado izquierdo de la ecuacin, la
hemos desbalanceado, a no ser que nos aseguremos que X5 al final valga cero (0), esto se
logra, castigando adicionando a X5 en la funcin objetivo con un coeficiente muy grande en
comparacin con el resto de coeficientes de las dems variables, de tal forma que nunca sea
escogida para entrar a la base y termine siendo variable no bsica igual a cero (0), este
artificio matemtico es conocido como mtodo de la gran M. Aqu como nuestra funcin
objetivo tiene como criterio de optimizacin minimizar, la variable que entra ser aquella
que tenga el coeficiente ms negativo, por ello debemos adicionar a X5 como +MX5 , de sta
manera jams ser escogida para entrar a la base. La funcin objetivo queda de la siguiente
manera: Minimizar Z = 6X1 + 4X2 + 2X3 + MX5
73
Mtodo Algebraico
Segunda restriccin: 6X1 + 4X2 = 12
Aqu la igualdad ya est hecha, luego no se necesita variable de holgura relleno, pero al
escoger variable tenemos el inconveniente de no encontrar ninguna variable como candidata
ya que inicialmente X1 = X2 = X3 son Variables de decisin reales, no bsicas e iguales a
cero (0). Debemos entonces hacer uso de la variable artificial Super-avit X6 adicionndola
convenientemente en la igualdad de tal manera que asuma un valor factible ( >0 ), quedando
as: 6X1 + 4X2 + X6 = 12 , por supuesto la adicionamos a la funcin objetivo como +MX6 ,
quedando la funcin objetivo as: Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 + MX6 .
Nota: Siempre que se adiciona una variable artificial de Super-avit, se debe adicionarla
en la funcin objetivo. Si la funcin objetivo es Maximice la adicionamos como MXj y si la
funcin objetivo es Minimice la adicionamos como +MXj.
Tercera restriccin: 2X1 - 2X2 < 2
Para sta restriccin solo necesitamos una variable de holgura relleno X7 que asume como
variable bsica factible en razn a toma un valor de X7 = 2
El problema queda expresado de la siguiente manera:
Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 +
C.S.R.
6X1 + 2X2 + 6X3 X4 + X5
6X1 + 4X2
+ X6
2X1 - 2X2
+ X7
Xj > 0 ; j = 1, 2, 3, 4, 5, 6, 7
M6
= 6
= 12
= 2
= 0
= 6 (M)
= 12 (M)
= 2
Antes de empezar a iterar, debemos asegurar que en cada ecuacin exista una y solo una
variable bsica con coeficiente uno (1) y que en la ecuacin (0), la variable bsica sea Z.
Como en la ecuacin (o) existen adicionalmente a Z dos variables bsicas X5 y X6 , debemos
tratar la ecuacin (0) con las ecuaciones (1) y (2) para eliminar a X5 y X6 de la ecuacin (0),
ello se logra sumndole a la ecuacin (0) el resultado de multiplicar las ecuaciones (1) y (2)
por M. La nueva ecuacin (0) por supuesto solo tendr como variable bsica a Z.
74
Mtodo Algebraico
(0) Z 6X1
(1)
6MX1
(2)
6MX1
(0) Z + (12M-6)X1
4X2 2X3
- MX5 - MX6
+
2MX2 +
6MX3 - MX4 + MX5
+
4MX2
+ MX6
+ (6M-4)X2 + (6M-2)X3 - MX4
=
0
= 6M
= 12M
= 18M
= 18M
=
6
=
12
=
2
Solucin: X1 = 0
X5 = VB = 6
X6 = VB = 12
X2 = 0
X7 = VB = 2
X3 = 0
Z = VB = 18M
Z = 18M
II iteracin
Variable que entra: Z = 18M (12M 6)X1 (6M-4)X2 (6M-2)X3 + MX4
Variable que entra: X1
Variable que sale:
X5 = 6 6X1 X1 < 1
X6 = 12 6X1 X1 < 2
X7 = 2 2X1 X1 < 1
= 18M
=
6 (1/6)
=
12
=
2
75
Mtodo Algebraico
(0) Z
(1)
(2)
(3)
X1
+ (2M-2)X2
+
1/3 X2
2X2
8/3 X2
- (6M-4)X3
+
X3
6X3
2X3
+ (M-1)X4
1/6X4
+
X4
+
1/3X4
- (2M-1)X5
+
1/6X5
X5 + X 6
1/3X5
+ X7
= 6M+6
=
1 [-(12M-6)] (-6) (-2)
=
6
=
0
Solucin: X1 = 1
X5 = NB = 0
X6 = VB = 6
X2 = 0
X7 = VB = 0
X3 = 0
Z = VB = 6M + 6
Z = 6M + 6
III iteracin
Variable que entra: Z = (6M + 6) - (2M-2)X2 + (6M-4)X3 (M 1)X4 + (2M-1)X5
Variable que entra: X2
Variable que sale:
X1 = 1 1/3X2 X2 < 3
X6 = 6 2X2 X2 < 3
X7 =
8/3X2 No restringe
Observe que para cualquier valor positivo de la variable que entra X2 , X7 permanecer
positiva, esto quiere decir que X7 no restringe el crecimiento de la variable que entra X2
Nuevo sistema de ecuaciones
(0) Z
(1)
(2)
(3)
(0) Z
(1)
(2)
(3)
+ (2M-2)X2
X1 +
1/3 X2
2X2
8/3 X2
X1
X2
- (6M-4)X3
+
X3
6X3
2X3
- 2X3
+ 2X3 - 1/3X4
- 3X3 + 1/2X4
- 10X3 + 5/3X4
+ (M-1)X4
1/6X4
+
X4
+
1/3X4
MX5
+ 1/3X5
- 1/2X5
- 5/3X5
- (2M-1)X5
+
1/6X5
X5 + X6
1/3X5
+ X7
- (M-1)X6
1/6X6
+
1/2X6
+ 4/3X6 + X7
= 6M+6
=
1
=
6 (1/2)
=
0
= 12
= 0
= 3 [-(2M-2)] (-1/3) (8/3)
= 8
Mtodo Algebraico
X3 = NB = 0 X7 = VB = 8
X3 = 0
X4 = NB = 0 Z = VB = 12
Z = 12
Variable que entra: Z = 12 + 2X3 + MX5 + (M-1)X6
No hay variable que al crecer haga que Z disminuya (Minimizar), entonces estamos en la
solucin ptima.
El mtodo algebraico da una seal de que el problema tiene mltiples soluciones, cuando el
coeficiente en la funcin objetivo (Ecuacin (0)) de una variable no bsica es cero (0). Aqu
el coeficiente de la variable no bsica X4 en la funcin objetivo es cero (0).
Solucin: El problema tiene mltiples soluciones, una de ellas es:
Variables de decisin
X1* = 0
X2* = 3
X3* = 0
Z* = 12
Variables de holgura
Variables artificiales
X4* = 0
X7* = 8
X5* = 0
X6* = 0
Fjese que las variables artificiales X5* y X6* terminaron siendo no bsicas iguales a cero
(0), de acuerdo con el artificio matemtico inicial mtodo de la gran M.
Al reemplazar la solucin ptima en las restricciones se obtiene que:
6X1 + 2X2 + 6X3 > 6
2X1 - 2X2 < 2
6X1 + 4X2 = 12
5(0) + 2(3) + 6(0) > 6
6(0) + 4(3) = 12
2(0) 2(3) < 2
12 = 12
6> 6
-6 < 2
Restriccin activa
Restriccin activa
Restriccin no activa
Se usa el mnimo recurso Se usa todo el recurso Se usa menos del recurso
Notas importantes:
Cuando en la solucin ptima, al menos una de las variables bsicas sea variable artificial
de Super-avit, el problema no tiene solucin, a no ser que valga cero ( 0 )
Cuando al decidir cul es la variable para entrar a la base, todas las variables bsicas no
restringen a la variable que entra, entonces es un problema de solucin indeterminada.
Cuando en una iteracin se escoge una variable para entrar y otra para salir y en la
siguiente iteracin se escoge como variable para entrar la que sali y como variable para
salir la que entro, se dice que el problema se ha degenerado y por lo tanto no tiene una
77
Mtodo Algebraico
solucin, ya que en las iteraciones siguientes se repetirn sistemticamente los sistemas
de ecuaciones.
Un resumen para las reglas de decisin del mtodo algebraico es:
Criterio a decidir
Maximizar
Minimizar
Gran M
-M
+M
La ms positiva (+)
La ms negativa (-)
La menos (+)
La menos (+)
ptimo
Ejemplo 3
La empresa Laminas S.A. produce lminas de 180 x 30 cm. ; ha recibido los siguientes tres
(3) pedidos: 5.000 lminas de 60 x 30 cm. ; 15.000 lminas de 70 x 30 cm. Y 5.000 lminas
de 50 x 30 cm. La empresa desea cumplir exactamente con los pedidos, no quiere tener
existencias en inventario y desea saber cul debe ser su programacin de corte, de tal
manera que minimice el desperdicio.
Xj = Nmero de lminas a cortar de la forma j-sima ( j=1,2,3,4,5,6,7)
Minimizar Z = 10X2 + 30X3 + 40X4 + 10X5 + 20X7
C.S.R. = Con las siguientes restricciones:
3X1 + 2X2 + X6 + X7
= 5.000
2X4 + X5 + X6
= 15.000
X2 + 3X3 + 2X5 + X6 + 2X7 = 5.000
Xj > 0 ; j = 1,2,3,4,5,6,7
Min Z=10X2+30X3+40X4+10X5+20X7+MX8+MX9+MX10
C.S.R.
3X1 + 2X2 + X6 + X7 + X8
= 5.000
2X4 + X5 + X6 + X9
= 15.000
X2 + 3X3 + 2X5 + X6 + 2X7 + X10 = 5.000
Xj > 0 ; j = 1,2,3,4,5,6,7,8,9,10
Variables bsicas X8 , X9 y X10
78
Mtodo Algebraico
(0) Z
(1)
(2)
(3)
(0) Z
3MX1
- 10X2
+ 2MX2
- 30X3
+ 3MX1
MX2
+ (3M-10)X2
+ 3MX3
+ (3M-30)X3
- 40X4
- 10X5
2MX4
+ MX5
+ 2MX5
+ (3M-10)X5
+ (2M-40)X4
+ MX6
+ MX6
+ MX6
+ 3MX6
- 20X7
+ MX7
- MX8
+ MX8
- MX9
+ MX9
+ 2MX7
+ (3M-20)X7
- MX10
=
=
=
=
+ MX10
0
5.000M
15.000M
5.000M
25.000M
I Iteracin
(0) Z
(1)
(2)
(3)
+3MX1
3X1
+ (3M-10)X2 +
+
2X2
(3M-30)X3
X2 +
3X3
(2M-40)X4 + (3M-10)X5 +
2X4 +
+
3MX6
X6
X6
X6
X5 +
2X5 +
+
+
(3M-20)X7
X7 +
X8
+
X9
2X7
X10
=
=
=
25.000M
5.000
15.000
5.000
II Iteracin
Variable que entra: X6
Variable que sale : X8
(0)
(1)
(2)
(3)
Z
X1
+
+
(M-10)X2
2/3X2
(3M-30)X3
X2
3X3
(2M-40)X4
(3M-10)X5
2X4
+
+
X5
2X5
+
+
+
+
2MX6
1/3X6
X6
X6
+
+
(2M-20)X7
1/3X7
2X7
MX8
1/3X8
+
X9
+
X10
=
=
=
=
20.000M
5.000/3
15.000
5.000
III Iteracin
Variable que entra: X5
Variable que sale : X10
(0)
(1)
(2)
(3)
Z
X1
+
+
(1/2M+5)X2
2/3X2
1/2X2
1/2X2
No restringe
X1 = 5.000/3
X9 = 15.000 X5 X5 < 15.000
X10 = 5.000 2X5 X5 < 2.500
(3/2M+15)X3
(2M-40)X4
3/2X3
3/2X3
2X4
+X5
+
+
+
+
(1/2M+5)X6
1/3X6
1/2X6
1/2X6
+
+
(M+10)X7
1/3X7
X7
X7
MX8
1/3X8
+X9
(3/2M-5)X10
1/2X10
1/2X10
=
=
=
=
12.500M+25.000
5.000/3
12.500
2.500
IV Iteracin
Variable que entra: X4
Variable que sale : X9
(0) Z
(1)
X1
(2)
(3)
No restringe
X1 = 5.000/3
X9 = 12.500 2X5 X4 < 6.250
X5 = 2.500
No restringe
15X2 - 45X3
+ 2/3X2
- 1/4X2 - 3/4X3 +X4
+ 1/2X2 + 3/2X3
+X5
+ 15X6
+ 1/3X6
+ 1/4X6
+ 1/2X6
= 275.000
= 5.000/3
=
6.250
=
2.500
V Iteracin
79
Mtodo Algebraico
Variable que entra: X6
Variable que sale : X1
(0) Z -45X1
(1)
3X1
(2)
-3/4X1
(3)
-3/2X1
- 45X2 - 45X3
+
2X2
+X6
- 3/4X2 - 3/4X3 +X4
- 1/2X2 + 3/2X3
+X5
- 45X7
+
X7
- 3/4X7
+ 1/2X7
= 200.000
=
5.000
=
5.000
=
0
Variables artificiales
o
Variables de Super avit
X8* = X9* = X10* = 0
Ejercicios propuestos
Resolver empleando el mtodo grfico, si el problema es de dos (2) variables y mediante el
mtodo algebraico, los siguientes ejercicios:
1) Maximizar Z = 3X1 + 5X2
C.S.R.
X1
<4
3X1 + 2X2 < 18
Xj > 0 ; j = 1, 2
3) Minimizar Z = 4X1 + X2
C.S.R.
3X1 + X2 = 3
4X1 + 3X2 > 6
X1 + 2X2 < 4
Xj > 0 ; j = 1, 2
Respuesta:
X1* = 0
X2* = 9
Z* = 45
Respuesta:
X1* = 2/5
X2* = 9/5
Z* = 17/5
Respuesta:
X1* = 2
X2* = 6
Z* = 36
4) Minimizar Z = X1 + 2X2
C.S.R.
3X1 + X2 > 3
4X1 + 3X2 > 6
X1 + X2 < 3
Xj > 0 ; j = 1, 2
Respuesta:
X1* = 3/5
X2* = 6/5
Z* = 21/5
80
Mtodo Algebraico
5) Maximizar Z = X1 + X2
C.S.R.
X1 + 2X2 < 6
2X1 + X2 > 9
Xj > 0 ; j = 1, 2
Respuesta:
X1* = 6
X2* = 0
Z* = 6
Respuesta:
X1* = 0,857
X2* = 1,714
Z* = 6,857
Respuesta:
X1* = 0
X2* = 3
X3* = 0
Z* = 12
Respuesta:
X1* = 1
X2* = 0
X3* = 7
X4* = 0
Z* = 18
Respuesta:
X1* = 23/3
X2* =
5
X3* =
0
Z* = 85/3
Respuesta:
X1* = 5/2
X2* = 3/2
Z* = 12
Respuesta:
X 1* = 0
X 2* = 2
X 3* = 0
X 4* = 0
Z* = -18
Respuesta:
X1* = 1/2
X2* = 0
X3* = 1/2
X4* = 0
Z* = 4
Respuesta:
X1* = 0
X2* = 0
X3* = 3
Z* = -3
Respuesta:
X1* = 0
X2* = 2
X3* = 0
X4* = 0
Z* = 4
Xj > 0 ; j = 1,2,3,4
13) Min Z = 0,5X1 + 1,5X2 0,5X3
C.S.R.
-0,5X1 0,5X2 +
X3 < 2,5
X1 0,5X2 + 0,5X3 < 3,0
0,5X1 1,5X2 + 2,5X3 > 10,0
Xj > 0 ; j = 1,2,3
Sol. Mltiples
Xj > 0 ; j = 1,2
81
Captulo 6
Mtodo de las dos fases
Cj
V.B. b
M
X3
3
M
X3
6
0
X6
4
Zj - Cj
9M
4
X1
3
4
1
7M-4
1
X2
1
3
2
4M-1
M
X3
1
0
0
0
0
X4
0
-1
0
-M
M
X5
0
1
0
0
0
X6
0
0
1
0
101
Min Z = 4X1 + X2
C.S.R.
3X1 + X2 = 3
4X1 + 3X2 > 6
X1 + 2X2 < 4
XJ > 0 ; J = 1,2
Fase I
Min Z = X3 + X5
C.S.R.
3X1 + X2 + X3
=3
4X1 + 3X2
X4 + X5
=6
X1 + 2X2
+ X6 = 4
XJ > 0 ; J = 1,2,3,4,5,6
Fjese Que en la fase I , siempre ser Minimizar la suma de todas las variables Artificiales
que tenga el problema.
A continuacin procedemos a solucionar el problema planteado, usando el mtodo simplex,
ya sea manualmente mediante el software Winqsb. De forma manual, los resultados son los
siguientes:
Cj
V.B.
1
X3
1
X5
0
X6
Zj - C j
Cj
V.B.
0
X1
1
X5
0
X6
Zj - C j
Cj
V.B.
0
X1
0
X2
0
X6
Zj - C j
b
3
6
4
9
0
X1
3
4
1
7
0
X2
1
3
2
4
1
X3
1
0
0
0
0
X4
0
-1
0
-1
1
X5
0
1
0
0
0
X6
0
0
1
0
b
1
2
3
2
0
X1
1
0
0
0
0
X2
1/3
5/3
5/3
5/3
1
X3
1/3
-4/3
-1/3
-7/3
0
X4
0
-1
0
-1
1
X5
0
1
0
0
0
X6
0
0
1
0
b
3/5
6/5
1
0
0
X1
1
0
0
0
0
X2
0
1
0
0
1
X3
3/5
-4/5
1
-1
0
X4
1/5
-3/5
1
0
1
X5
-1/5
3/5
-1
-1
0
X6
0
0
1
0
b/a
1
(1/3)
3/2
4
b/a
3 (-4)(-1)
6/5 (3/5)
9/5
(-1/3)(-5/3)
102
Min Z = 4X1 + X2
En la fase I,
C.S.R.
establecimos
que X3 = X5 = 0
X1
+ 1/5X4
= 3/5
Luego las
X2 3/5X4
= 6/5
eliminamos de
+ X4 +X6 =
1
las restricciones XJ > 0 ; J = 1,2,4,6
Fjese que el nuevo problema no tiene la gran M, ya que han dejado de figurar las variables
Artificiales, en atencin a que ya sabemos que efectivamente son iguales a cero. La solucin
al nuevo problema se halla mediante el mtodo simplex. As:
Cj
V.B.
4
X1
1
X2
0
X6
Zj - C j
Cj
V.B.
4
X1
1
X2
0
X4
Zj - C j
b
3/5
6/5
1
18/5
4
X1
1
0
0
0
1
X2
0
1
0
0
0
X4
1/5
-3/5
1
1/5
0
X6
0
0
1
0
b
2/5
9/5
1
17/5
4
X1
1
0
0
0
1
X2
0
1
0
0
0
X4
0
0
1
0
0
X6
-1/5
3/5
1
-1/5
b/a
3
NO
1
(1)
(-1/5)(3/5)
Solucin
X1* = 2/5
X2* = 9/5
Z * = 17/5
X4* = 1
X6* = 0
X3* = X5* = 0
103
104
Mtodo Grfico
Captulo 3
Mtodo Grfico
Introduccin
En el presente captulo se muestra la solucin a varios tipos de problemas de programacin
lineal que solamente tienen en su formulacin dos variables empleando el mtodo grfico.
Conjunto convexo
Un conjunto C es un conjunto convexo si el segmento rectilneo que une cualquier par de
puntos de C se encuentra completamente en C.
Conjunto convexo
Conjunto no convexo
43
Mtodo Grfico
1. Problema de nica solucin
Maximice Z = 2X1 + X2
C.S.R.
2X1 - X2
X1 - X2
X1 + 2X2
X1 + 4X2
<
<
<
<
8
3
14
24
Xj > 0 ; j = 1, 2
Clculos analticos para graficar el sistema de inecuaciones lineales, incluyendo la condicin
de no negatividad (Xj > 0 ; j = 1, 2), que nos indica que solamente trabajaremos en el primer
cuadrante del plano cartesiano, cuadrante en donde X1 y X2 son positivas.
1 Restriccin
2 Restriccin
3 Restriccin
4 Restriccin Funcin Objetivo
2X1 - X2 < 8
X1 - X2 < 3
X1 + 2X2 < 14
X1 + 4X2 < 24
Z = 2X1 + X2
2X1 - X2 = 8
X1 - X2 = 3
X1 + 2X2 = 14
X1 + 4X2 = 24
2X1 + X2 = 2
X1 = 0
X2 = 0 X1 = 0 X2 = 0 X1 = 0
X2 = 0 X1 = 0 X2 = 0 X1 = 0
X2 = 0
X2 = -8 X1 = 4 X2 = -3 X1 = 3 X2 = 7 X1 = 14 X2 = 6 X1 = 24 X2 = 2
X1 = 1
P(0,0) => 0 < 8
P(0,0) => 0 < 3
P(0,0) => 0 < 14
P(0,0) => 0 < 24
Verdad
Verdad
Verdad
Verdad
Restricciones
Fjese que para cada inecuacin, primero suponemos que es una igualdad y luego tabulamos
dos puntos fciles de calcular, como lo son las intersecciones de la recta con los ejes
cartesianos abcisa y ordenada, esto siempre que el trmino independiente (Lado derecho de
la inecuacin) sea diferente de cero, es decir siempre y cuando la recta no pase por el
origen de coordenadas P(0,0).
A continuacin con un punto de prueba cualquiera P(X1 , X2), (Asegrese que se encuentre al
lado derecho izquierdo de la recta, NO sobre ella, es decir, el punto de prueba NO puede
pertenecer a la recta), Aqu, como ya sabemos que la recta no pasa por el origen de
coordenadas (Trmino independiente diferente de cero), usamos como punto de prueba
P(0,0), es decir X1 = 0, X2 = 0 que nos facilita los clculos cuando lo remplacemos en la
inecuacin y observamos si la hace una verdad una falsedad; Averiguar esto nos permite
conocer si el rea solucin de la inecuacin est al lado derecho izquierdo (Por supuesto,
incluyendo los puntos sobre la recta, ya que todas las inecuaciones son menor igual ( < ));
Si el punto de prueba hace verdad la inecuacin lineal, entonces, todos los puntos que se
encuentran al mismo lado del punto de prueba la harn verdad, si el punto de prueba no hace
verdad la inecuacin lineal, los puntos que la harn verdad estn al lado contrario en donde
se encuentra el punto de prueba. Esto es, si el punto de prueba se encuentra al lado
izquierdo de la recta y hace verdad la inecuacin, entonces el rea de soluciones para sta
inecuacin, son todos los puntos que pertenecen a la recta y los que se encuentran al lado
44
Mtodo Grfico
izquierdo de ella. Si el punto de prueba situado a la izquierda de la recta, no hace verdad la
inecuacin, entonces el rea de soluciones para sta inecuacin, son todos los puntos que
pertenecen a la recta y los que se encuentran al lado derecha de ella.
Funcin objetivo
La funcin objetivo Z = 2X1 + X2 expresada como 2X1 + X2 = Z tiene la estructura de una
lnea recta, solo que no conocemos su trmino independiente. Graficando sta ecuacin con
diferentes valores para Z, observamos que la funcin objetivo, representa una familia de
rectas paralelas, que al aumentar el valor de Z la recta se desplaza hacia el lado derecho,
por lo que concluimos que Z aumenta cuando la recta se desplaza paralelamente hacia la
derecha, esto se cumple siempre que la ecuacin de la funcin objetiva tenga pendiente
negativa, es decir inclinada al lado izquierdo. Para funciones objetivo con pendiente positiva
(Inclinadas al lado derecho), se recomienda dar varios valores a Z y graficar para observar
si al desplazarse a la derecha Z aumenta o por el contrario disminuye.
2X1 + X2 = 2
X1 = 0
X2 = 2
X2 = 0
X1 = 1
2X1 + X2 = 4
X1 = 0
X2 = 4
X2 = 0
X1 = 2
2X1 + X2 = 6
X1 = 0
X2 = 6
X2 = 0
X1 = 3
Aqu se le ha dado a Z el valor arbitrario de 2, ya que solo necesitamos graficar una de las
rectas que pertenece a la familia de rectas paralelas, para facilitar la tabulacin de la
funcin objetivo, se recomienda dar el valor arbitrario de Z como un mltiplo de los
coeficientes de las variables, que se consigue fcilmente, multiplicando el coeficiente de X1
por el coeficiente de X2 . Es conveniente fijarse en los valores de las coordenadas para
graficar la funcin objetivo observando que sean parecidos en magnitud a los hallados para
graficar las restricciones (Observe que puede dar el valor adecuado a Z), esto har que la
grfica quede convenientemente presentada para el anlisis.
Existen dos procedimientos para encontrar la solucin factible ptima:
1. Evaluar la funcin objetivo Z en cada una de las esquinas del rea de soluciones
factibles. La debilidad de este procedimiento se presenta cuando se tienen muchas
restricciones que por supuesto generan un rea con muchas esquinas, volvindose
dispendiosa la consecucin de sus coordenadas, que implica la solucin de muchos
sistemas de ecuaciones lineales.
2. Usando la funcin objetivo para determinar la esquina del rea de soluciones factible
que la optimiza. La debilidad de ste procedimiento se presenta cuando la funcin
45
Mtodo Grfico
objetiva es aproximadamente paralela a uno de los lados del rea de soluciones factible,
originando la duda visual sobre la grfica de cual de los dos extremos (esquinas) es el
que hace que la funcin objetivo se optimice.
Se recomienda usar el segundo procedimiento y en caso de dudas visuales sobre la grfica,
recurrir al primer procedimiento para dirimir la duda respecto al par de esquinas.
Primer procedimiento: Evaluar la funcin objetivo Z en cada una de las esquinas del rea de
soluciones factibles.
El valor de la funcin objetivo en cada una de las esquinas del rea de soluciones factible
es:
Z(0,0) = 2(0) + 0 = 0
Z(0,6) = 2(0) + 6 = 6
Z(4,5) = 2(4) + 5 = 13
Z(6,4) = 2(6) + 4 = 16
Z(5,2) = 2(5) + 2 = 12
Z(3,0) = 2(3) + 0 = 6
Segundo procedimiento: Usando la funcin objetivo para determinar la esquina del rea de
soluciones factible que la optimiza.
46
Mtodo Grfico
Fjese que al desplazar la funcin objetivo Z hacia la derecha, el ltimo punto a la derecha
del rea de soluciones factible que toca es: X1 = 6 , X2 = 4. Para encontrar las coordenadas
debemos interceptar las ecuaciones de las restricciones X1 + 2X2 = 14 con 2X1 - X2 = 8
Una manera de hacer esto es empleando el mtodo de los determinantes, que para un
sistema de dos ecuaciones y dos variables es:
15
10
Xj > 0 ; j = 1, 2
47
Mtodo Grfico
1 Restriccin
3X1 + 5X2 < 15
3X1 +5X2 = 15
X1 = 0
X2 = 0
X2 = 3
X1 = 5
P(0,0) => 0 < 15
Verdad
2 Restriccin
5X1 + 2X2 < 10
5X1 + 2X2 = 10
X1 = 0 X2 = 0
X2 = 5
X1 = 2
P(0,0) => 0 < 10
Verdad
Funcin Objetivo
Z = 5/2X1 + X2
5/2X1 + X2 = 5/2
X1 = 0
X2 = 0
X2 = 5/2
X1 = 1
Observe que la solucin ptima recae sobre un lado del rea de soluciones factible, o sea
que todos los puntos que pertenecen a la recta 5X1 + 2X2 = 10 entre los puntos (2,0) y
(20/19, 45/19), maximizan la funcin objetivo, esto es, existen mltiples soluciones, dos de
ellas son: X1* = 2, X2* = 0, Z* = 5 X1* = 20/19, X2* = 45/19, y por supuesto Z* = 5 .
Una forma ms tcnica de expresar la solucin es: La solucin son todas las parejas de
puntos que pertenecen a la recta 5X1 + 2X2 = 10, en el intervalo 20/19 < X1 < 2 o en el
intervalo 0 < X2 < 45/19 ; Cualquiera de estos dos puntos hace que Z valga 5
Z*20/19,45/19 = 5/2X1* + X2* = 5/2(20/19) + (45/19) = 5
Z*2,0 = 5/2X1* + X2* = 5/2(2) + (0) = 5
3. Problema de soluciones indeterminadas
Minimice Z = - X1 + X2
C.S.R.
X1
- 0,5X1 + X2
Xj > 0 ; j = 1, 2
> X2
< 1
1 Restriccin
X1 - X2 > 0
X1 - X2 = 0
X1 = 0
X2 = 5
X2 = 0
X1 = 5
P(3,0) => 3 > 0
Verdad
2 Restriccin
-1/2X1 + X2 < 1
-1/2X1 + X2 = 1
X1 = 0 X2 = 0
X2 = 1 X1 = -2
P(0,0) => 0 < 1
Verdad
Funcin Objetivo
Z = - X1 + X2
- X1 + X2 = 3
X1 = 0
X2 = 0
X2 = 3
X1 = -3
48
Mtodo Grfico
Fjese que para tabular la ecuacin de la primera restriccin, cuyo trmino independiente es
igual a cero, es una ecuacin que pasa por el origen de coordenadas P(0,0) y por lo tanto
corta el eje de la abcisa y la ordenada en el mismo punto P(0,0), esto hace necesario
tabular un segundo punto, que para el presente caso se uso X2 = 5 y se despej X1
obteniendo el valor de 5, con lo que obtenemos un segundo punto P(5,5), que delimita la lnea
recta.
- X1 + X2 = 3
X1 = 0
X2 = 3
X2 = 0
X1 = - 3
- X1 + X2 = 5
X1 = 0
X2 = 5
X1 = 0
X2 = -5
49
Mtodo Grfico
2 Restriccin
X1 < 8
X1 = 8
P(0,0) => 0 < 8
Verdad
Perpendicular al
eje X1
3 Restriccin
X2 < 10
X2 = 10
P(0,0) => 0 < 10
Verdad
Perpendicular al
eje X2
4 Restriccin
X2 > 3
X2 = 3
P(0,0) => 0 > 3
Falso
Perpendicular al
eje X2
5 Restriccin
5X1 + 4X2 > 20
5X1 + 4X2 = 20
X1 = 0
X2 = 0
X2 = 5 X1 = 4
P(0,0) => 0 > 20
Falso
Funcin Objetivo
Z = 3X1 5X2
3X1 5X2 = 15
X1 = 0
X2 = 0
X2 = -3 X1 = 5
50
Mtodo Grfico
Para encontrar las coordenadas de algunas esquinas del rea de soluciones factibles, que no
se observan a simple vista en la grfica, se hace necesario resolver los siguientes sistemas
de ecuaciones:
5X1 + 4X2 = 20
X2 = 3
5X1 + 4(3) = 20
X1 = 8/5
P(8/5,3)
Fjese que la funcin objetivo del presente ejercicio, tiene pendiente positiva (est
inclinada hacia la derecha), y que al desplazarse paralelamente hacia la derecha el valor de
Z aumenta y hacia la izquierda el valor de Z disminuye. Al remplazar los valores de las
variables (tanto del mximo como del mnimo) en las restricciones, estas deben cumplirse.
Adicionalmente observe que el punto que hace que Z sea mnimo, es la interseccin de las
rectas 5X1 4X2 = -20 y X2 = 10 , a estas restricciones se les denomina activas de
estricto cumplimiento, el resto de restricciones se les denomina no activas o de no estricto
cumplimiento. Igualmente para el caso de maximizar en el que las restricciones activas o de
51
Mtodo Grfico
estricto cumplimiento son: X1 < 8 y X2 > 3 . Para observar esto remplazamos tanto el punto
mximo como el mnimo en cada una de las restricciones.
X1* = 4 ; X2* = 10 Valor que hace a Z*Mnimo = -30
5X1* 4X2* > -20
X1* < 8
X2* < 10
X2* > 3
5X1* + 4X2* > 20
5(4)-4(10) > -20
4<8
10 < 10
10 > 3
5(4)+4(10) > 20
20 40 > -20
20+40 > 20
-20 > -20
60 > 20
Verdad
Verdad
Verdad
Verdad
Verdad
Inactiva
Inactiva
Activa
Inactiva
Activa
De no estricto
De no estricto
De estricto
De no estricto
De estricto
cumplimiento
cumplimiento
cumplimiento
cumplimiento
cumplimiento
X1* = 8 ; X2* = 3
X1* < 8
8<8
Verdad
Activa
De estricto
cumplimiento
Verdad
Inactiva
De no estricto
cumplimiento
Verdad
Activa
De estricto
cumplimiento
6. Un caso de produccin
La corporacin XYZ fabrica dos modelos de producto Z-1.200 y Z-1.500 . Los
requerimientos de produccin y las disponibilidades estn mostradas a continuacin.
Departamento
1
2
3
4
Modelo Z-1.500
Capacidad
Horas / da
20
0
25
11
0
30
23
11
2.300
1.540
2.440
1.300
Los beneficios unitarios logrados a la venta de los modelos Z-1.200 y Z-1.500 son de $50 y
$40 , respectivamente. Encuentre el nmero ptimo de cada producto que va a producir.
Si la corporacin XYZ est produciendo actualmente 30 unidades del modelo Z-1.200 y 20
unidades del modelo Z-1.500, Cunto est dejando de ganar?
52
Mtodo Grfico
Solucin
Xj = Unidades a producir y vender del producto j-simo (j = 1 = Modelo Z-1.200, j = 2 =
Modelo Z-1.500).
Maximice Z = 50X1 + 40X2
C.S.R.
20X1 < 2.300
30X2 < 1.540
25X1 + 23X2 < 2.440
11X1 + 11X2 < 1.300
Xj > 0 ; j = 1, 2
1 Restriccin
20X1 < 2.300
20X1 = 2.300
X1 = 115
2 Restriccin
30X2 < 1.540
30X2 = 1.540
X2 = 51,3
3 Restriccin
25X1+23X2 < 2.440
25X1+23X2 = 2.440
X1 = 0
X2 = 0
X2 = 106,08 X1 = 97,6
P(0,0)=>0 < 2.300 P(0,0)=>0 < 1.540
P(0,0) => 0 < 2.440
Verdad
Verdad
Verdad
4 Restriccin
11X1 + 11X2 < 1.300
11X1 + 11X2 = 1.300
X1 = 0
X2 = 0
X2 = 118,18 X1 = 118,18
P(0,0) => 0 < 1.300
Verdad
Funcin Objetivo
Z = 50X1 + 40X2
50X1+40X2=4.000
X1 = 0
X2 = 0
X2 = 100 X1 = 80
Interpretacin:
53
Mtodo Grfico
Para obtener el beneficio total mximo de $4.880, se deben producir y vender 97,6
unidades del modelo Z-1.200 y no producir el modelo Z-1.500. El modelo Z-1.200 contribuye
al beneficio total con: 50(97,6) = $4.880, y el modelo Z-1.500 contribuye al beneficio total
con: 40(0) = $0 . Un anlisis sobre las restricciones, empleando la solucin ptima nos
permite conocer la siguiente informacin:
20X1 < 2.300 El departamento 1 trabajar 1.952 horas / da de las 2.300 horas
20(97,6) < 2.300 disponibles. Luego tendr (2.300 1.952) 348 horas por da en que
1.952 < 2.300 no produce ninguno de los dos modelos.
30X2 < 1.540 En el departamento 2, todas las horas disponibles no sern usadas.
30(0) < 1.540 No se producirn unidades de ninguno de los dos modelos.
0 < 1.540
25X1+23X2 < 2.440 Todas la horas disponibles en el departamento 3, sern utilizadas,
25(97,6)+23(0)< 2.440 produciendo el modelo Z-1.200
2.440 < 2.440
11X1 + 11X2 < 1.300 En el departamento 4 se trabajarn 1.073,6 horas / da de las
11(97,6)+ 11(0) < 1.300 1.300 disponibles, se tendrn 226,4 horas / da ociosas.
1.073,6 < 1.300
7. Un caso de produccin
Una compaa automotriz produce automviles y camiones. Cada vehculo tiene que pasar por
un taller de pintura y por un taller de montaje de la carrocera. Si el taller de pintura
pintara solamente camiones, se podran pintar 40 camiones al da, y si pintara solamente
automviles, se podran pintar 60 automviles. Si el taller de carroceras ensamblara
solamente camiones, podra ensamblar 50 camiones al da y si ensamblara solamente
automviles, podra ensamblar 50 automviles al da. Cada camin aporta $300 a la utilidad
y cada automvil, $200
Solucin
Fjese que aqu nos han dado las coordenadas por donde cada restriccin corta los ejes
cartesianos abcisa y ordenada, por lo tanto debemos conseguir las ecuaciones de cada
restriccin, conociendo dos puntos que pertenecen a la recta.
Xj = Unidades a producir del j-simo tipo de vehculo (j = 1 = Automviles, j = 2 = Camiones)
54
Mtodo Grfico
Taller de pintura
Si X1 = 0 => X2 = 40
Si X2 = 0 => X1 = 60
m = Y2 Y1 / X2 X1
m = -40 / 60 = -2/3
Y = mX + b = -2/3X + 40
3Y=-2X+120 =>2X+3Y=120
2X1+3X2 = 120 =>
2X1+3X2 < 120
Si X1 = 0 => X2 = 50
Si X2 = 0 => X1 = 50
m = Y2 Y1 / X2 X1
m = -40 / 50 = - 1
Y = mX + b = - X + 50
X + Y = 50 =>
X1 + X2 < 50
2X1 + 3 X2 <
X1 +
X2 <
Xj > 0 ; j = 1, 2
1 Restriccin
2 Restriccin
2X1 + 3X2 < 120
X1 + X2 < 50
2X1 + 3X2 = 120
X1 + X2 = 50
X1 = 0
X2 = 5 X1 = 0 X2 = 0
X2 = 40 X1 = 60 X2 = 50 X1 = 50
P(0,0) => 0 < 120 P(0,0) => 0 < 50
Verdad
Verdad
Funcin Objetivo
Z = 200X1 + 300X2
200X1 + 300X2 = 6000
X1 = 0
X2 = 0
X2 = 20
X1 = 30
55
Mtodo Grfico
56
Mtodo Grfico
Estacin de
trabajo
Radios HiFi-2
Cada estacin de trabajo tiene una disponibilidad mxima de 480 minutos por da. Sin
embargo, las estaciones de trabajo requieren mantenimiento diario, que constituye el 10%,
14% y 12% de los 480 minutos totales de que se dispone diariamente para las estaciones 1,
2 y 3 respectivamente. La compaa desea determinar las unidades diarias que se
ensamblarn de HiFi-1 y HiFi-2 a fin de minimizar la suma de tiempos inactivos en las tres
estaciones.
Solucin
Xj = Cantidad de radios a producir del modelo j-simo (j = 1 = HiFi-1 ; j = 2 = HiFi-2)
Estacin
de
trabajo
Disponibilidad
Mxima
minutos
Tiempo inactivo de
Cada estacin de trabajo
minutos
(1-0,10)480=432,0
6X1 + 4X2
(1-0,14)480=412,8
5X1 + 5X2
(1-0,12)480=422,4
4X1 + 6X2
Mtodo Grfico
1 Restriccin
6X1 + 4X2 < 432
6X1 + 4X2 = 432
X1 = 0
X2 = 0
X2 = 108 X1 = 72
P(0,0) => 0 < 432
Verdad
2 Restriccin
3 Restriccin
5X1 + 5X2 < 412,8
4X1 + 6X2 < 422,4
5X1 + 5X2 = 412,8
4X1 + 6X2 = 422,4
X1 = 0
X2 = 0
X1 = 0
X2 = 0
X2 = 82,56 X1 = 82,56 X2 = 70,4 X1 = 105,6
P(0,0) => 0 < 412,8
P(0,0) => 0 < 14
Verdad
Verdad
Funcin Objetivo
Z = 15X1 + 15X2
15X1+15X2 = 600
X1 = 0
X2 = 0
X2 = 40 X1 = 40
Mtodo Grfico
Bajo la solucin X1* = 50,88 ; X2* = 31,68
Estacin de trabajo 1
6X1* + 4X2* < 432
6(50,88) + 4(31,68) < 432
432 < 432
No estar inactiva
Estacin de trabajo 2
Estacin de trabajo 3
*
*
5X1 + 5X2 < 412,8
4X1* + 6X2* < 422,4
5(50,88) + 5(31,68) < 412,8 4(50,88) + 6(31,68) < 422,4
412,8 < 412,8
393,6 < 422,4
No estar inactiva
Tiempo inactiva: 28,8 minutos
X1
X2
X1 + X2
3X1 + 2X2
<
<
>
=
3
3
4
12
Xj > 0 ; j = 1, 2
Solucin:
1 Restriccin
X1 < 3
X1 = 3
2 Restriccin
X2 < 3
X2 = 3
3 Restriccin
X1 + X2 > 4
X1 + X2 = 4
X1 = 0
X2 = 0
X2 = 4
X1 = 4
P(0,0) => 0 > 4
Falso
4 Restriccin
3X1 + 2X2 = 12
X1 = 0
X2 = 6
X2 = 0
X1 = 4
Funcin Objetivo
Z = 3X1 + X2
3X1 + X2 = 3
X1 = 0
X2 = 0
X2 = 3
X1 = 1
59
Mtodo Grfico
Mnimo
X2* = 3
3X1 + 2X2 = 12
3X1 + 2(3) = 12
X1* = 2
Z* 2,3 = 3X1* + X2* = 3(2) + 3 = 9
Mximo
X1* = 3
3X1 + 2X2 = 12
3(3) + 2X2 = 12
X2* = 3/2
Z* 3,3/2 = 3X1* + X2* = 3(3) + 3/2 = 21/2 = 10,5
Fjese que aqu, el rea de soluciones factible es un segmento de la recta 3X1 + 2X2 = 12
Y sus extremos el mnimo y mximo respectivamente.
Nota: Puede darse el caso en que el rea de soluciones factible, se reduzca a un punto, en
cuyo caso el mximo = mnimo.
Ejercicios propuestos
1. Identifique el rea de soluciones factible para cada una de las siguientes inecuaciones
lineales, de forma independiente. Suponga que todas las variables son positivas.
a) 3X1 + X2 < 7
b) X1 2X2 > 5
d)
e) X1 + X2 > 0
f)
X1 X2 < 0
X1 < 4
b) Minimizar Z = -3X1 + X2
c) Minimizar Z = - X1 2X2
Mtodo Grfico
3. Determine el rea de soluciones factibles para el siguiente sistemas de inecuaciones
lineales:
X1 + X2 < 4
Qu restricciones son redundantes ?
4X1 + 3X2 < 12
Reduzca el sistema al menor nmero de restricciones
-X1 + X2 > 1
que definirn el mismo espacio de soluciones
X1 + X2 < 6
X1 , X2 > 0
4. Escriba las restricciones asociadas con el espacio de soluciones que se presenta en la
grfica e identifique todas las restricciones redundantes.
X1 X2 <
3X1 - X2 <
1
6
Xj > 0 ; j = 1, 2
X1 2X2 >
-2X1 + 3X2 >
2
2
X1 , X2 irrestricta en signo
61
Mtodo Grfico
7. Considere el siguiente problema:
Maximizar Z = 3X1 + 2X2
C.S.R.
2X1 + X2 <
3X1 + 4X2 >
2
12
Xj > 0 ; j = 1, 2
8. Resolver grficamente:
Maximizar Z = 5X1 + 2X2
C.S.R.
X1 + X2 <
X1 =
10
5
Xj > 0 ; j = 1, 2
d) Minimizar Z = X1 2X2
e) Minimizar Z = X1
f) Maximizar Z = X1
16
24
-48
Xj > 0 ; j = 1, 2
62
Mtodo Grfico
11. Considere el siguiente problema de programacin lineal:
Minimice Z = 5X1 + 2X2
C.S.R.
3X1 + 6X2
5X1 + 4X2
8X1 + 2X2
7X1 + 6X2
> 18
> 20
> 16
< 42
Xj > 0 ; j = 1, 2
63
Mtodo Matricial
Captulo 7
Mtodo Matricial
Introduccin
Para problemas de una gran cantidad de variables y de restricciones, es dispendioso hallar
la solucin de forma manual, mediante el mtodo algebraico el mtodo simplex, se hace
necesario generar un programa de computador que agilice el proceso de solucin, para ello
se resuelve el problema de forma matricial, en atencin a que el computador maneja
eficientemente los arreglos matriciales.
Mtodo Simplex: Forma Matricial para Maximizar
I
II
III Zj Cj = am+1,j
IV
Para i = r ; j = 0,1,2,.,n
VI
105
Mtodo Matricial
VII
IIX
IX
I
II
Ejemplo 1
Maximizar Z = 3X1 + 5X2
C.S.R.
X1
< 4
2X2 < 12
3X1 + 2X2 < 18
Xj > 0 ; j = 1,2
I Iteracin
Definimos las siguientes Matrices:
Matriz que contiene las variables bsicas
XB1 = Primera posicin en la base, ocupada ahora por X3
XB2 = Segunda posicin en la base, ocupada ahora por X4
XB3 = Tercera posicin en la base, ocupada ahora por X5
(0,0,0)
Mtodo Matricial
4
12 ; Trminos independientes de las restricciones
18
4
= (0,0,0) 12 = 0
18
Z=
1
1
0
2
0
2
3
1
0
4
0
1
5
0
1
0 1 = 0 ; 2 =
3
1
0
2 ; 3 =
2
1
0 ; 4 =
0
0
1 ; 5 =
0
0
0
1
(0,0,0) j Cj
; j = 1,2,3,4,5
1
Z1 c1 = (0,0,0) 0 - 3 = -3
3
0
Z2 c2 = (0,0,0) 2 - 5 = -5
2
1
Z3 c3 = (0,0,0) 0 - 0 = 0
0
0
Z4 c4 = (0,0,0) 1 - 0 = 0
0
0
Z5 c5 = (0,0,0) 0 - 0 = 0
1
4
(0,0,0) 12 = 0
18
107
Mtodo Matricial
J=0
0
4
12
18
0
Z
i = 1,2,3
J=1
1
1
0
3
-3
Z1 c1
J=2
2
0
2
2
-5
Z2 c2
J=3
3
1
0
0
0
Z3 c3
J=4
4
0
1
0
0
Z4 c4
J=5
5
0
0
1
0
Z5 c5
i=1
i=2
i=3=m
i=4=m+1
; j = 0,1,2,3,4,5
II Iteracin
Variable que entra
Mnimo Zj Cj , siendo Zj Cj < 0 ; luego k = j y Xk entra en la base
Z1 C1 = -3
Z2 C2 = -5
Z3 C3 = 0
Z4 C4 = 0
Z5 C5 = 0
108
Mtodo Matricial
i=1
1,j = a1,j (0/2)a2,j
1,0 = 4 (0)12 = 4
1,1 = 1 (0) 0 = 1
1,2 = 0 (0) 2 = 0
1,3 = 1 (0) 0 = 0
1,4 = 0 (0) 1 = 0
1,5 = 0 (0) 0 = 0
i=r=2
2,j = a2,j /2
2,0 = 12 /2 = 6
2,1 = 0 /2 = 0
2,2 = 2 /2 = 1
2,3 = 0 /2 = 0
2,4 = 1 /2 = 1/2
2,5 = 0 /2 = 0
i=3
3,j = a3,j (2/2)a2,j
3,0 = 18 (1)12 = 6
3,1 = 3 (1) 0 = 3
3,2 = 2 (1) 2 = 0
3,3 = 0 (1) 0 = 0
3,4 = 0 (1) 1 = -1
3,5 = 1 (1) 0 = 1
i=4
4,j = a4,j (5/2)a2,j
4,0 = 0 (5/2)12 = 30
4,1 =-3 (5/2) 0 = -3
4,2 =-5 (5/2) 2 = 0
4,3 = 0 (5/2) 0 = 0
4,4 = 0 (5/2) 1 =5/2
4,5 = 0 (5/2) 0 = 0
Aqu:
III Iteracin
Variable que entra: El Zj Cj ms negativo X1 entra y k = 1
Variable que sale:
XB1 / a1,1 = 4/1 = 4
XB2 / a2,1 = 6/0 = No
XB3 / a3,1 = 6/3= 2 *
i=1
1,j = a1,j (1/3)a3,j
1,0 = 4 (1/3)6 = 2
1,1 = 1 (1/3)3 = 0
1,2 = 0 (1/3)0 = 0
1,3 = 1 (1/3)0 = 0
1,4 = 0 1/3(-1) = 1/3
1,5 = 0 (1/3)1 = -1/3
i=2
2,j = a2,j (0/3)a3,j
2,0 = 6
2,1 = 0
2,2 = 1
2,3 = 0
2,4 = 1/2
2,5 = 0
i=r=3
3,j = a3,j /3
3,0 = 6/3 = 2
3,1 = 3/3 = 1
3,2 = 0/3 = 0
3,3 = 0/3 = 0
3,4 =-1/3
3,5 = 1/3
i=4
4,j = a4,j + a3,j
4,0 = 30 + 6 = 36
4,1 = -3 + 3 = 0
4,2 = 0 + 0 = 0
4,3 = 0 + 0 = 0
4,4 = 5/2 - 1 = 3/2
4,5 = 0 + 1 = 1
Aqu:
109
Mtodo Matricial
Observe que nos encontramos en la solucin ptima, ya que para toda j, Zj Cj > 0
Solucin: X1* = 2 ; X2* = 6 ; X3* = 2 ; X4* = X5* = 0 ; Z* = 36
Ejemplo 2
Minimizar Z = 6X1 + 4X2 + 2X3
Minimizar Z = 6X1 + 4X2 + 2X3 +MX5 + MX6
C.S.R.
C.S.R.
6X1 + 2X2 + 6X3
> 6
6X1 + 2X2 + 6X3 X4 + X5
= 6
6X1 + 4X2
= 12
6X1 + 4X2
+ X6
= 12
2X1 - 2X2
< 2
2X1 - 2X2
+ X7 = 2
Xj > 0 ; j = 1,2,3
Xj > 0 ; j = 1,2,3,4,5,6,7
I Iteracin
Cj = (6,4,2,0,M,M,0)
110
Mtodo Matricial
6
12
2
18M
a1,1 = 6
a2,1 = 6
a3,1 = 2
a4,1 = 12M-6
a1,2 = 2
a2,2 = 4
a3,2 = -2
a4,2 = 6M-4
a1,3 = 6
a2,3 = 0
a3,3 = 0
a4,3 = 6M-2
a1,4 = -1
a2,4 = 0
a3,4 = 0
a4,4 = -M
a1,5 = 1
a2,5 = 0
a3,5 = 0
a4,5 = 0
a1,6 = 0
a2,6 = 1
a3,6 = 0
a4,6 = 0
a1,7 = 0
a2,7 = 0
a3,7 = 1
a4,7 = 0
II Iteracin
Variable que entra
Calcule el Zk Ck = Mximo (Zj Cj), con Zj Cj > 0 ; luego Xk entra en la base. El ms
positivo de los Zj Cj es Z1 C1 = 12M 6 , siendo M un nmero muy grande, luego la variable
que entra es X1 y k = 1
Variable que sale
Calcule XBr / ar,k = mnimo i (XBi / ai,k) ; ai,k > 0 ; i = 1,2,3
XB1 / a1,1 = 6/6 = 1
i=2
2,j = a2,j a1,j
2,0 = 12 - 6 = 6
2,1 = 6 - 6 = 0
2,2 = 4 - 2 = 2
2,3 = 0 - 6 = -6
2,4 = 0 + 1 = 1
2,5 = 0 1 = - 1
2,6 = 1 0 = 1
2,7 = 0 0 = 0
i=3
3,j = a3,j (1/3)a1,j
3,0 = 2 (1/3)6 = 0
3,1 = 2 (1/3)6 = 0
3,2 =-2 (1/3)2 = -8/3
3,3 = 0 (1/3)6 = -2
3,4 = 0 (1/3)(-1)= 1/3
3,5 = 0 (1/3)1 = -1/3
3,6 = 0 (1/30 = 0
3,7 = 0 (1/3)0 = 1
i=4
4,j = a4,j (2M-1)a1,j
4,0 = 18M-(2M-1)6 = 6M+6
4,1 = 12M-6-(2M-1)6 = 0
4,2 = 6M-4-(2M-1)2 = 2M-2
4,3 = 6M-2-(2M-1)6 = -6M+4
4,4 = -M-(2M-1)(-1) = M-1
4,5 = 0-(2M-1)1
= -2M+1
4,6 = 0-(2M-1)0
=0
4,7 = 0-(2M-1)0
=0
111
Mtodo Matricial
Variable que entra: X2 k = 2
Variable que sale:
XB1 / a1,2 = 1/1/3 = 3
XB2 /a2,2 = 6/2
=3
i= r = 2
2,j = a2,j /2
2,0 = 3
2,1 = 0
2,2 = 1
2,3 = -3
2,4 = 1/2
2,5 = -1/2
2,6 = 1/2
2,7 = 0
i=3
3,j = a3,j + (1/3)a2,j
3,0 = 8
3,1 = 0
3,2 = 0
3,3 = -10
3,4 = 5/3
3,5 = -5/3
3,6 = 4/3
3,7 = 1
i=4
4,j = a4,j [(2M-2)/2]a2,j
4,0 = 12
4,1 = 0
4,2 = 0
4,3 = -2
4,4 = 0
4,5 = -M
4,6 = -M + 1
4,7 = 0
Aqu:
Zj Cj = (0,0,-2,0,-M,-M+1,0) Estamos en el ptimo, ya que
para toda j; Zj Cj < 0 ; Luego la
solucin ptima es:
X1* = 0 ; X2* = 3 ; X3* = 0 ; X4* = X5* = X6* = 0 ; X7* = 8 ; Z* = 12
Ejercicios Propuestos
1) Maximizar Z = X1 + 3/2X2
C.S.R.
2X1 + 2X2 < 160
X1 + 2X2 < 120
4X1 + 2X2 < 280
Xj > 0 ; j =1,2
Respuesta:
X1* = 40
X2* = 40
Z* = 100
Respuesta:
X1* = 4
X2* = 6
Z* = 20
112
Mtodo Matricial
3) Maximizar Z = 3X1 + 2X2 Respuesta:
C.S.R.
X1* = 15
X1 + X2 < 20
X2* = 5
X1
15
Z* = 55
X1 + 3X2 45
-3X1 + 5X2 60
XJ 0 ; J = 1,2
XJ 0 ; J = 1,2
XJ 0 ; J = 1,2,3
113
Mtodo Simplex
Captulo 5
Mtodo Simplex
Cj
V.B.
b
5 X1
13/9
3 X3
14/9
-2 X2
1/3
Zj - Cj 101/9
5
X1
1
0
0
0
-2
X2
0
0
1
0
3
0
-M
0
0
b/a
X3
X4
X5
X6
X7
0 -4/15
4/15 7/45 4/45
NO
1/15
1
-1/15 2/45 14/45 70/3
0 -3/15
3/15 -2/15 1/15
NO
0 -11/15 M+11/15 53/45 56/45
Introduccin
El mtodo algebraico es muy dispendioso, en razn a que trabaja con todos los datos de las
ecuaciones, para mejorar ste aspecto se cre el mtodo simplex cuya gran virtud es su
sencillez, mtodo muy prctico, ya que solo trabaja con los coeficientes de la funcin
objetivo y de las restricciones. Ilustraremos su funcionamiento mediante un ejemplo, pero
previamente mostraremos las reglas de decisin para determinar la variable que entra, la
que sale, la gran M, y cmo determinar que estamos en el ptimo; Todas stas reglas de
decisin fueron deducidas del mtodo algebraico, solamente que aqu se han acomodado
para ser usadas en el tipo de tablero simplex que se usar.
Criterio de decisin
Maximizar
Minimizar
- MXj
+MXj
Solucin ptima
83
Mtodo Simplex
Si en el tablero simplex de la solucin ptima queda al menos una variable de Super avit
artificial dentro de las variables bsicas, con un valor > 0 , el problema no tiene
solucin, esto quiere decir que al menos existen dos restricciones excluyentes, por lo
tanto no existe rea de soluciones factible y menos una solucin , en ste caso se debe
revisar la formulacin del problema.
Si al escoger la variable que sale, ninguna de las variables bsicas restringe el
crecimiento de la variable no bsica escogida para entrar, el problema tiene solucin
indeterminada y se debe revisar la formulacin en busca de una nueva restriccin que no
se tuvo en cuenta en la formulacin inicial.
Si en el tablero simplex del ptimo, al menos una de las variables no bsicas tiene
coeficiente cero (0) en la funcin objetivo, esto es su Zj Cj = 0, el problema tiene
mltiples soluciones y se nos est ofreciendo una de ellas.
Ejemplo 1
Maximizar Z = X1 + X2
C.S.R.
5X1 + 3X2 < 15
3X1 + 5X2 < 15
Xj > 0 ; j = 1, 2
Aqu, al igual que en el mtodo algebraico, debemos conseguir una solucin bsica factible,
empleando las variables de holgura y/o artificiales, quedando el sistema de ecuaciones as:
Maximizar Z = X1 + X2
C.S.R.
5X1 + 3X2 + X3
= 15
3X1 + 5X2
+ X4 = 15
Xj > 0 ; j = 1,2,3,4
0 -1 -1
Mtodo Simplex
las variables bsicas en la funcin objetiva original por el vector columna de los trminos
independientes b
CXB = Vector fila de los coeficientes en la funcin objetivo original de las variables bsicas
actuales, sus valores se encuentran en la primera columna del tablero.
b = Vector columna de los trminos independientes de las restricciones, que al mismo
tiempo son los valores de las variables bsicas actuales, sus valores se encuentran bajo la
columna denominada b
15
15
0 -1 -1
El valor de los Zj Cj se calcula multiplicado el vector fila CxB por el vector apuntador aj de
la columna de la variable j-sima, menos el Cj, esto es:
Zj Cj = CxB aj Cj ; Los clculos se efectan as:
(1/5)
Recuerde que la columna de b/a se calcula, siempre y cuando el denominador sea a > 0 ; de lo
contrario la variable bsica respectiva no restringe el valor de la variable escogida para
entrar, los valores de a, estn en el respectivo vector apuntador de la variable j-sima
85
Mtodo Simplex
escogida para entrar, en sta iteracin son 5 y 3 y el calculo respectivo 15/5 = 3 y 15/3 = 5;
Lo que significa que la variable bsica X3 restringe el crecimiento de la variable que entra
X1 hasta 3 (no la deja tomar valores superiores a 3) y la variable bsica X4 restringe el
crecimiento de la variable que entra X1 hasta 5 (no la deja tomar valores superiores a 5).
Por supuesto la variable bsica que restringe ms el crecimiento de la variable que entra X1
es X3 por lo tanto es la variable bsica escogida para salir.
La fila de la variable bsica escogida para salir se divide por el elemento que se encuentra
en la interseccin de dicha fila con la columna de la variable que entra, la fila resultante es
la fila pivote y se coloca en un nuevo tablero, desde el que se suman mltiplos de la fila
pivote a las dems filas del tablero anterior de tal forma que se eliminen de cada una de
ellas la variable escogida para entrar, en nuestro caso X1 , este procedimiento se denomina,
hacer un uno (1) en la interseccin y el resto de la columna ceros (0), por lo tanto en dicha
columna aparecer un vector unitario, el procedimiento se repite en cada iteracin, hasta
que todos los Zj Cj sean mayores iguales a cero en el caso de maximizar menores
iguales a cero en el caso de minimizar.
A continuacin se muestran todas las iteraciones y en cada fila los valores por los cuales
fueron multiplicadas para ser sumadas a otras filas, ello se expresa como sumar mltiplos
de una fila a otra.
Fjese que se suman mltiplos de las restricciones a la funcin objetivo para eliminar las
variables bsicas de ella.
Cj
V.B.
1 X1
0 X4
Zj - Cj
b
3
6
3
1
1
0
0
b/a
a>0
X3 X4
X1 X2
1 3/5 1/5 0
5 (-3)
0 16/5 -3/5 1 15/8 = 1,875 (5/16)
0 -2/5 1/5 0
Cj
1 1
0
0
X4
V.B. b X1 X2 X3
1 X1 15/8 1 0 5/16 -3/16
1 X2 15/8 0 1 -3/16 5/16
Zj - Cj 15/4 0 0
1/8
1/8
Solucin ptima:
X1* = 15/8
X2* = 15/8
Z * = 15/4
Conclusiones:
86
Mtodo Simplex
Ejemplo 2
Minimizar Z = 6X1 + 4X2 + 2X3
C.S.R.
6X1 + 2X2 + 6X3 > 6
6X1 + 4X2
= 12
2X1 - 2X2
< 2
Xj > 0 ; j = 1, 2, 3
Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 +
C.S.R.
6X1 + 2X2 + 6X3 X4 + X5
6X1 + 4X2
+ X6
2X1 - 2X2
+ X7
Xj > 0 ; j = 1, 2, 3, 4, 5, 6, 7
Cj
M
M
0
Zj
Cj
6
M
0
Zj
Cj
6
4
0
Zj
6
4
2
X1
X2
X3
V.B. b
X5
6
6
2
6
X6
12
6
4
0
X7
2
2
-2
0
- Cj 18M 12M-6 6M-4 6M-2
M6
= 6
= 12
= 2
0 M M 0
b/a
X4 X5 X6 X7
-1 1 0 0
1 (1/6)
0 0 1 0
2
0 0 0 1
1
-M 0 0 0
4
2
0
M
M 0
6
b/a
X3
X4
X5
X6 X7
V.B.
b
X1 X2
X1
1 1
1/3
1 -1/6
1/6 0 0
3 (-6) (-2)
X6
6 0
2
-6
1
-1 1 0
3 (1/2)
X7
0 0 -8/3
-2 1/3 -1/3 0 1 NO
- Cj 6M+6 0 2M-2 -6M+4 M-1 -2M+1 0 0
6 4 2
0
M
M
0
X5
X6 X7
V.B. b X1 X2 X3 X4
X1 0 1 0
2 -1/3 1/3 -1/6 0
X2 3 0 1 -3 1/2 -1/2 1/2 0
X7 8 0 0 -10 5/3 -5/3 4/3 1
- Cj 12 0 0 -2
0 -M -M+1 0
Solucin ptima:
Variables de decisin:
X1* = 0 , X2* = 3 , X3* = 0 , Z* = 12
Variables de holgura : X4* = 0 , X7* = 8
Variables artificiales: X5* = 0 , X6* = 0
87
Mtodo Simplex
Ejemplo 3
Aqu, se muestra el mtodo simplex aplicado al ejemplo 3 del captulo de mtodo algebraico.
Minimizar Z = 10X2 + 30X3 + 40X4 + 10X5 + 20X7
C.S.R. = Con las siguientes restricciones:
3X1 + 2X2 + X6 + X7
= 5.000
2X4 + X5 + X6
= 15.000
X2 +3X3 + 2X5 + X6 + 2X7 = 5.000
Xj > 0 ; j = 1,2,3,4,5,6,7
Adicionando las variables artificiales necesarias para obtener una solucin bsica factible,
el problema queda expresado de la siguiente forma:
Min Z = 10X2 + 30X3 + 40X4 + 10X5 +
C.S.R.
3X1 + 2X2 + X6 + X7 + X8
=
2X4 + X5 + X6 + X9
=
X2 + 3X3 + 2X5 + X6 + 2X7 + X10 =
Xj > 0 ; j = 1,2,3,4,5,6,7,8,9,10
Variables bsicas X8 , X9 y X10
Cj
V.B.
M X8
M X9
M X10
Zj - Cj
10
30
40
10
0
20
M M M
0
b/a
X2
X3
X4
X5
X6
X7
X8 X9 X10
X1
3
2
0
0
0
1
1 1 0
0 2.000 (1/3)
0
0
2
1
1
0 0 1
0 15.000
0
1
3
0
2
1
2 0 0
1 5.000
0
0
3M 3M-10 3M-30 2M-40 3M-10 3M 3M-20 0 0
b
5.000
15.000
5.000
25.000M
Cj
V.B.
0 X1
M X9
M X10
Zj - Cj
0
10
30
40
0
20
M M M
10
b/a
X3
X4
X6
X7
X8 X9 X10
X5
b
X 1 X2
5.000/3 1
2/3
0
0
1/3 1/3 0
0
NO
0 1/3
15.000 0
0
0
2
1
0
0 1
0 15.000
1
5.000 0
1
3
0
2
1
2
0 0
1 2.500 (1/2)
20.000M 0 M-10 3M-30 2M-40 3M-10 2M 2M-20 -M 0
0
88
Mtodo Simplex
Cj
V.B.
0 X1
M X9
10 X5
Zj - Cj
Cj
0
b
X1
5.000/3 1
12.500 0
2.500 0
12.500M+25.000
V.B.
0 X1
40 X4
10 X5
Zj - Cj
b
5.000/3
6.250
2.500
275.000
0
X1
1
0
0
0
10
X2
2/3
-1/2
1/2
-1/2M-5
10
X2
2/3
-1/4
1/2
-15
30
X3
40
X4
0
-3/2
3/2
-3/2M-15
30
X3
0
-3/4
3/2
-45
10
X5
0 0
2 0
1
0
2M-40
40 10
X4 X5
0
0
1
0
0
1
0
0
0
X6
1/3
1/4
1/2
15
0
X6
1/3
1/2
1/2
1/2M+5
20
X7
1/3
-1/2
1
-30
20
M M
X7
X8 X9
1/3 1/3 0
-1
0 1
1
0 0
-M-10
M
X8
1/3
0
0
-M
-M
M
X9
0
1/2
0
-M+20
M
X10
b/a
0 NO
-1/2 6.250
1/2 NO
-3/2M+5
M
X10
0
-1/4
1/2
-M-5
b/a
5.000
25.000
5.000
Cj
0
10
30 40 10 0 20
M
M
M
X
X
X
X
X
X
X
X
X
V.B.
b
X
1
2
3
4
5
6
7
8
9
10
0 X6
5.000
3
2
0 0 0 1
1
1
0
0
40 X4
5.000 -3/4 -3/4 -3/4 1 0 0 -3/4 -1/4
1/2 -1/4
10 X5
0 -3/2 -1/2 3/2 0 1 0 1/2 -1/2
0 1/2
Zj - Cj 200.000 -45 -45 -45 0 0 0 -45 -M-15 -M+20 -M-5
Solucin:
Variables de Decisin: X1* = X2* = X3* = X5* = X7* = 0 ; X4* = X6* = 5.000 ; Z* = 200.000
Variables Artificiales: X8* = X9* = X10* = 0
Interpretacin: Para que halla un mnimo de desperdicio de 200.000 cm de lmina y cumplir
exactamente con los pedidos, hay que cortar 5.000 lminas de la forma 4 y 5.000 lminas
de la forma 6
Ejemplo 4
En este ejemplo se muestra como resolver un problema en donde no todas las variables
deben cumplir la condicin de no negatividad, dicho de otra manera, con variables
irrestrictas. Aqu el secreto consiste en reemplazar cada una de las variables irrestrictas
por la diferencia de dos variables que si deban cumplir la condicin de no negatividad.
89
Mtodo Simplex
Maximizar Z = 4X1 + 5X2 + 2X3 X4
C.S.R.
X1 + X2 + 2X3 X4 > 1
2X1 + 2X2 - 3X3 + X4 < 3
X1 + 4X2 + 3X3 + 2X4 < 5
Xj > 0 ; j = 1, 2, 4
Fjese que si K > W => X3 ser positiva, si K = W => X3 ser igual a cero (0) y si K < W => X3
ser negativa.
Lo que hemos conseguido es convertir un problema que es irrestricto en su variable X3 en
uno que es restringido en todas sus variables, el problema queda as:
Maximizar Z = 4X1 + 5X2 + 2K 2W
C.S.R.
X1 + X2 + 2K 2W X4
2X1 + 2X2 - 3K + 3W + X4
X1 + 4X2 + 3K 3W + 2X4
Xj > 0 ; j = 1, 2, 4 ; K > 0 ; W > 0
X4
> 1
< 3
< 5
Cj
V.B.
-M X6
0 X7
0 X8
Zj - Cj
0 -M 0 0
X5 X6 X7 X8
-1 1 0
0
0 0 1
0
0 0 0
1
M 0 0
0
b
1
3
5
-M
2
K
4
X1
5
X2
1
2
1
-M-4
1
2
2
-3
4
3
-M-5 -2M-2
Cj
4
X1
V.B. b
2 K 1/2 1/2
0 X7 9/2 7/2
0 X8 7/2 -1/2
Zj - Cj
1
-3
5
X2
1/2
7/2
5/2
-4
2
K
1
0
0
0
-2
W
-2
3
-3
2M+2
-1
X4
-1
1
2
M+1
b/a
1/2 (1/2)
NO
5/3 = 1,66
-2
-1
0
-M 0 0
b/a
W
X4
X5
X6 X7 X8
-1 -1/2 -1/2 1/2 0 0
1 (3) (-3) (2)
0 -1/2 -3/2 3/2 1 0 9/7 = 1,28
0 7/2 3/2 -3/2 0 1 7/5 = 1,40
0
0
-1 M+1 0 0
90
Mtodo Simplex
Cj
V.B.
5 X2
0 X7
0 X8
Zj - Cj
b
1
1
1
5
4 5 2 -2
X1 X2 K W
1 1 2 -2
0 0 -7 7
-3 0 -5 5
1 0 8 -8
Cj
4 5
b
X1 X2
V.B.
5 X2
9/7 1 1
-2 W
1/7 0 0
0 X8
2/7 -3 0
Zj - Cj 43/7 1 0
-1
X4
-1
3
6
-4
0 -M 0 0
b/a
X5 X6 X7 X8
-1
1 0 0
NO (-7/2) (-5/2)
2 -2 1 0 1/7 = 0,14 (1/7)
4
-4 0 1 1/5 = 0,20
-5 M+5 0 0
0
-M
0
0
2 -2 -1
b/a
K W X4
X5
X6
X7 X8
0 0 -1/7 -3/7
3/7 2/7 0
NO
-1 1 3/7
2/7
-2/7 1/7 0 1/2 = 0,5 (2) (-5)
0 0 27/7 18/7 -18/7 -5/7 1 1/9 = 0,1 (7/18)
0 0 -4/7 -19/7 M+19/7 8/7 0
4
5 2 -2 -1 0 -M
0
0
Cj
b/a
X1
X2 K W X4 X5 X6 X7
X8
b
V.B.
5 X2
4/3
1/2 1 0 0 1/2 0 0
1/6
1/6 8/3 = 2,6
-2 W
1/9
1/3 0 -1 1
0 0 0
2/9 -1/9 1/3 = 0,3 (3)
0 X5
1/9 -7/6 0 0 0 3/2 1 -1 -5/18 7/18
NO (-2/7) (3/7)
Zj - Cj 58/9 -13/6 0 0 0 7/2 0 M 7/18 19/18
2
-2
-1 0 -M
0
0
Cj
4 5
b/a
K
W
X4 X5 X6 X7
X8
b
X1 X2
V.B.
5 X2
7/6 0 1
3/2 -3/2 1/2 0 0 -1/6 -1/3 7/9 = 0,7 (2/3)
4 X1
1/3 1 0
-3
3
0 0 0 2/3 -1/3
N0 (-1/2) (7/6)
0 X5
1/2 0 0 -7/2 7/2 3/2 1 -1 1/2
0
N0
Zj - Cj 43/6 0 0 -13/2 13/2 7/2 0 M 11/6 1/3
Cj
4
5
b
X1 X2
V.B.
2 K
7/9 0 2/3
4 X1
8/3 1
2
0 X5 29/9 0 7/3
Zj - Cj 110/9 0 13/3
2 -2 -1
0 -M 0
0
K W X4 X5 X6 X7
X8
1 -1 1/3 0 0 -1/9 2/9 (3) (7/2)
0 0
1 0 0 1/3 1/3
0 0 8/3 1 -1 1/9 7/9
0 0 17/3 0 M 10/9 16/9
91
Mtodo Simplex
Variables de decisin
X1* = 8/3
X2* = 0
X3* = K* - W* = 7/9 0 = 7/9
X4* = 0
Z * = 110/9 = 12,22
Variables de holgura
X5* = 29/9
X7* = 0
X8* = 0
Variables artificiales
X6* = 0
Ejemplo 5
En este ejemplo observaremos que a pesar de que el sistema tiene 4 variables, el nmero de
iteraciones es apenas de 2
Minimizar Z = 3X1 - 9X2 - 5X3 4X4
Minimizar Z = 3X1 - 9X2 - 5X3 4X4
C.S.R.
C.S.R.
X1 + 4X2 + 5X3 + 8X4 < 8
X1 + 4X2 + 5X3 + 8X4 + X5
=8
X1 + 2X2 + 6X3 + 4X4 < 4
X1 + 2X2 + 6X3 + 4X4
+ X6 = 4
Xj > 0 ; j = 1, 2, 3, 4
Xj > 0 ; j = 1, 2, 3, 4, 5, 6
Cj
V.B.
0 X5
0 X6
Zj - Cj
Cj
3 -9 -5 -4 0 0
b/a
b X1 X2 X3 X4 X5 X6
8 1 4 5 8 1 0
2 (1/4)
4 1 2 6 4 0 1
2
0 -3 9 5 4 0 0
V.B.
-9 X2
b
2
3
-9
X1 X2
1/4 1
0 X6
0
1/2
Zj - Cj -18 -21/4
-5
-4
X3
X4
5/4 2
0
0
X5 X6
1/4 0
0
7/2 0 -1/2
0 -25/4 -14 -9/4
1
0
Solucin: X1* = 0
X2* = 2
X3* = 0
X4* = 0
Z * = -18
X5* = 0
X6* = 0
Ejemplo 6
Solucin al problema nmero 4) El problema de los paquetes de tuercas, del captulo 2,
formulacin.
92
Mtodo Simplex
Minimizar Z = 0,1X1 + 0,04X2 + 0,06X3
Min Z = 1/10X1 + 1/25X2 + 3/50X3
C.S.R.
C.S.R.
X1 X2 + X3 > 0
X1 X2 +
X3 > 0
X1 +
X2
< 1,6
X1 +
X2
< 8/5
0,9X1 0,1X2 0,1X3 > 0
9/10X1 1/10X2 1/10X3 >
0
-0,1X1 + 0,9X2 0,1X3 > 0
-1/10X1 + 9/10X2 1/10X3 >
0
-0,1X1 0,1X2 + 0,9X3 > 0
-1/10X1 1/10X2 + 9/10X3 >
0
X1 +
X2 +
X3 > 2
X1 +
X2 +
X3 > 2
Xj > 0 ; j = 1, 2, 3
Xj > 0 ; j = 1, 2, 3
V.B.
1/25 X2
0
0
0
0
M
Zj -
b
0
1/10
X1
1/25
X2
3/50
X3
0
X4
0 0 0 0 0 M
b/a
X5 X6 X7 X8 X9 X10
-1
-1
0 NO
X5 8/5
2
X6
0
-4/5
X7
0
-4/5
X8
0
1/5
X10
2
2
2M 2M-7/50
Cj
0
0
0
0
0
1
1/5
-4/5
-4/5
2
-1
-1/10
9/10
-1/10
-1
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0 0
0 0
0 0
1 0
0 -1
0 8/5
0
0
0 NO
0 NO
1
1
0 2M-1/10 -M+1/25
0 -M
(-1)(-1/10)(9/10)
(-1/10)(-1)
(5)
93
Mtodo Simplex
Cj
1/25 3/50
X2
X3
-5
1
0
6
0
0
0
0
X4 X5
1/2 1
-1/2 0
-4
-1/2
NO
(1)(-1)
(4/5)(-2)
0
0
2
-4
-3
10
0
0
0
0
0
0
1/2
-1/2
0
0
0
0
4
4
-10
1
0
0
0 0
1 0
0 -1
0
0
1
NO
NO
1/5
(1/10)
2M 10M-27/50
0 -1/100
0 -10M+1/2
0 -M
V.B. b
1/25 X2
0
0 X5 8/5
3/50 X3
0
0
M
Zj -
X7
X8
X10
Cj
Cj
1/25
0
3/50
0
0
V.B.
X2
X5
X3
X7
X8
1/10
X1
Zj - Cj
b
1
2/5
4/5
4/5
3/5
1/10
X1
0
0
X4 X5
1/2 0
-1/2 1
-1/2 0
1/2 0
-1/2 0
1/5
27/250
0 -1/100
Variables de decisin
X1* = 1/5
X2* = 1
X3* = 4/5 = 0,8
Z * = 27/250 = 0,108
0
X6
0
X6
0
1
1
0
1
0 0
X7 X8
0 0
0 0
0 0
1 0
0 1
0
X9
-1/2
3/5
-2/5
-2/5
-3/10
1/2
-3/5
2/5
2/5
3/10
0 -1/25
0 -27/500 -M+27/500
=0
= 2/5 = 0,4
=0
= 4/5 = 0,8
= 3/5 = 0,6
=0
-1/10
M
X10
-1
Variables de holgura
X4*
X5*
X6*
X7*
X8*
X9*
0 0 0 M
b/a
X7 X8 X9 X10
5 0 0 0 0 NO
-5 0 0 0 0 8/30
1/10
(5)(-2)(4)
(4)(3)
Variables artificiales
X10* = 0
Conclusin
El mtodo simplex es ms prctico que el mtodo algebraico, pero para problemas de un
gran nmero de variables y restricciones, fcilmente se vuelve dispendioso por el nmero de
iteraciones y por supuesto demorado para obtener la solucin ptima, es aqu donde el uso
del computador se hace indispensable y til en trminos de eficiencia, para ello existe el
software adecuado, los ms conocidos son:
Winqsb de Yih-Long Chang, distribuido por John Wiley & Sons. Inc N.Y.
Solver de Frontline Systems Inc. , que viene integrado con el Excel de Microsoft.
Lindo de Lindo Systems Inc. Que viene integrado con Visicalc.
El AD, Ayuda a la decisin de la Universidad Cienfuegos de Cuba.
94
Mtodo Simplex
Se sugiere consultar las siguientes pginas en Internet:
www.cui.edu.co/industrial/SOF01.html
http://members/tripod.com/~operativa
www.lindo.com
De estos lugares se puede bajar software gratuito en demostracin, y manuales, adems
se dispone de interesantes enlaces.
El Winqsb es un software muy completo para resolver problemas de Mtodos Cuantitativos,
tiene los siguientes mdulos:
1) Anlisis de aceptacin.
2) Planeacin agregada.
3) Anlisis de decisin.
4) Programacin dinmica.
5) Localizacin y distribucin.
6) Series de tiempo.
7) Programacin meta.
8) Sistemas y teora de inventarios.
9) Programacin del trabajo.
10) Programacin lineal y entera.
95
Mtodo Simplex
Fjese que hay que darle un nombre al problema, los datos de entrada se pueden almacenar
en un archivo que tendr el nombre del problema, esto es til cuando el problema es grande.
El resto de la ventana se explica por si sola, debido a la claridad de las preguntas. Fjese en
la variedad en el tipo de variables.
A continuacin se muestra un ejemplo de cmo se introducen los datos de un pequeo
problema.
Fjese que se puede cambiar el tipo de variable, de forma individual, al igual que el sentido
de la desigualdad cambiarla por una igualdad.
El software resuelve problemas de dos variables por el mtodo grfico, resuelve el
problema mostrando todos los tableros (paso a paso) muestra la solucin de inmediato;
Tambin efecta anlisis de sensibilidad, hace grficas y trabaja con el problema de la
dualidad. La solucin final se muestra a continuacin:
Mtodo Simplex
Problemas propuestos
1. Suponga que una persona acaba de heredar $6.000 y desea invertirlos. Al or sta
noticia, dos amigos distintos le ofrecen la oportunidad de participar como socio en dos
negocios, cada negocio planteado por cada amigo. En ambos casos, la inversin significa
dedicar un poco de tiempo el siguiente verano, al igual que invertir efectivo. Con el
primer amigo, al convertirse en socio completo, tendra que invertir $5.000 y 400 horas,
y la ganancia estimada (ignorando el valor del tiempo) sera de $4.500. Las cifras
correspondientes a la proposicin del segundo amigo son $4.000 y 500 horas, con una
ganancia estimada de $4.500. Sin embargo, ambos amigos son flexibles y le permitiran
entrar en el negocio con cualquier fraccin de la sociedad; la participacin en las
utilidades sera proporcional a esa fraccin. Como de todas maneras, sta persona est
buscando un trabajo interesante para el verano (600 horas a lo sumo), ha decidido
participar en una ambas propuestas, con la combinacin que maximice la ganancia total
estimada. Formule y resuelva el problema.
Solucin:
X1* = $3.333,3
X3* = X4 * = 0 Precio sombra, para el capital: $0,50
X2* = $2.666,6
Precio sombra, para el tiempo: $5,00
Z * = $6.000
Mxima utilidad a lograr $6.000
Con el amigo 1, invertir $3.333,33 y obtendr una utilidad de $3.000
Con el amigo 2, invertir $2.666,66 y obtendr una utilidad de $3.000
Con el amigo 1, trabajar 266,6 horas
Con el amigo 2, trabajar 333,3 horas
Por cada peso ($) adicional que invierta, incrementar la utilidad en $0,50
Por cada hora adicional que trabaje, incrementar la utilidad en $5
Fresadora
500
Torno
350
Rectificadora
150
Mtodo Simplex
Tipo de mquina
Producto 1
Producto 2
Producto 3
Fresadora
Torno
Rectificadora
El departamento de ventas ha indicado que las ventas potenciales para los productos 1 y
2 exceden la tasa mxima de produccin y que las ventas potenciales del producto 3 son
20 unidades por semana. La ganancia unitaria sera $50, $20 y $25, respectivamente,
para los productos 1, 2 y3 . El objetivo es determinar cuntos productos de cada tipo
debe producir la compaa para maximizar la ganancia.
Solucin:
X1*=26,1905 unidades del producto 1
X2*=54,7619 unidades del producto 2
X3*=20
unidades del producto 3
Mtodo Simplex
Tipo de
Costo / unid.
Avin
(X 106 $)
Turborre.
300
A. hlice
100
Helicptero
50
Mant./Unid.
Capacidad
Tripulacin
($/da)
Pilotos Copilotos Azafatas (pas/mes)
120.000
2
2
4.000
60.000
1
1
1
300
30.000
1
100
99
Mtodo Simplex
Solucin:
Debe producir 882 congeladores tipo A y 764 congeladores tipo B con un beneficio
ptimo de $34684.000
En el departamento de ensamblaje sobran 3 horas, no se consumirn 295,6 Kg. De
esmalte, sobrarn 12 horas de control de calidad, se dejarn de producir 54
congeladores, se fabricarn 282 congeladores tipo A por encima del lmite de 600
Por cada hora de ensamble adicional (dentro del intervalo 4.268,5 ; 4.725) el beneficio
aumentar en $3.530
5. En un laboratorio se fabrican 4 productos P1, P2, P3, P4 que consumen un da por unidad en
su proceso completo de produccin, aunque se pueden producir varias unidades
simultneamente. El espacio (m2) en el almacn y la mano de obra (nmero de
trabajadores) disponibles limitan la produccin. La siguiente tabla contiene los datos
relevantes del proceso de produccin, as como los costos de fabricacin y precios de
venta (en miles de pesos).
Producto
2
rea (m /und.)
P1
P2
P3
P4
Disponibilidad
10
30
80
40
900
80
Costos /unidad
20
30
45
58
30
50
85
90
Trabajadores /und.
100
Captulo 12
Programacin Lineal Entera y Binaria
X2
Max Z = 5X1+2X2
C.S.R. 2X1 + 2X2 < 9
3X1 + X2 < 11
X2 < 1
Max Z = 5X1+2X2
C.S.R. 2X1 + 2X2 < 9
3X1 + X2 < 11
X2 > 2
XJ > 0 ; J = 1,2
X2 > 2
X2 < 1
X1
Z = 5X1 + 2X2 = 10
Introduccin
Muchos de los problemas de la vida real exigen soluciones con nmeros entero, por lo tanto
las variables de dicho problema deben ser definidas como variables enteras. Los mtodos
de solucin que contemplaremos en ste capitulo son: Mtodo grfico, Mtodo de los planos
cortantes de Gomory, Mtodo de Bifurcacin y Acotacin (Branch And Bound), el Mtodo
de Egon Balas en donde las variables son de carcter binario (0,1). Por ltimo se ilustra el
uso del software WinQsb para atender ste tipo de problema.
Mtodo Grfico
Es idntico al mtodo grfico de programacin lineal continua, solo que aqu, se seleccionan
solo las soluciones enteras dentro del rea de soluciones factibles.
205
Z = 5X1 + 3X2
Z = 5X1 + 3X2 = 15
X1 = 0
X2 = 5
X2 = 0
X1 = 3
206
Max:
C.S.R.
Xj > 0
Z = X1 + 5X2
X1 + 10X2 + X3
= 20
X1
+ X4 = 2
y enteros para toda j
Cj
VB
0 X3
0 X4
Zj - Cj
Cj
VB
5 X2
0 X4
Zj - Cj
1
b X1
20 1
2 1
0 -1
5
X2
10
0
-5
1
X1
b
2 1/10
2
1
10 -5/10
0
X3
1
0
0
0 b
X4 a
0 2 (1/10)
1 NO
0
5
0
0
X2 X3 X4
1 1/10 0
0
0
1
0 5/10 0
b
a
20
2
207
1
VB b X1
5 X2 9/5 0
1 X1
2
1
Zj - Cj 11 0
5
0
0
X2 X3
X4
1 1/10 -1/10
0
0
1
-1/10
0 1/2 1/2
Simplificando
1
5
0
0
0
X1 X2
VB b
X3
X4
X5
5 X2 9/5 0
1
1/0 -1/10 0
1 X1
2
1
0
0
1
0
0 X5 -4/5 0
0 -1/10 -9/10 1
Zj - Cj 11
0
0
1/2
1/2
0
Zj Cj / arj NO NO -5
-5/9 NO
Cj
Cj
VB
5 X2
1 X1
0 X4
Zj - Cj
b
17/9
10/9
8/9
95/9
1
X1
0
1
0
0
5
0
0
X2 X3 X4
1
1/9 0
0 -1/9 0
0 1/9
1
0 4/9 0
0
X5
-1/9
10/9
-10/9
5/9
VB
X1
X2
5 X2 17/9 0
1
1 X1 10/9 1
0
0 X4 8/9 0
0
0 X6 -8/9 0
0
Zj - Cj 95/9 0
0
Zj Cj / arj NO NO
X1* = 0
X2* = 2
X3* = 0
X4* = 2
X5* = 1
X6* = 0
Zx* = 10
X3
X4
1/9 0
-1/9 0
1/9 1
-1/9 0
4/9 0
-4 NO
X5
X6
-1/9 0
10/9 0
-10/9 0
-8/9 1
5/9
0
-5/8 NO
Cj
VB
X1
X2
X3
X4
X5
X6
5 X2
1 X1
0 X4
0 X5
Zj - Cj
2
0
2
1
10
0
1
0
0
0
1
0
0
0
0
1/8
-1/4
1/4
1/8
3/8
0
0
1
0
0
0
0
0
1
0
-1/8
5/4
-5/4
-9/8
5/8
Y1* = 3/8
Y2* = 0
Y3* = 0
Y4* = 5/8
Y5* = 0
Y6* = 0
ZY* = 10
209
X1 < 3
X1 = 3
X2 = 1
Z = 17
INICIO
X1 = 3,25
X2 = 1,25
Z = 18,75
X2 < 1
X2 > 2
X1 = 3,33
X2 = 1,00
Z = 18,67
X1 = 2,50
X2 = 2,00
Z = 16,50
El Mayor Z
X1 > 4
No hay
Solucin
Factible
Observe que la primera acotacin se realiz sobre la variable X2 , pero pudo haber sido
sobre X1 , de todas formas el mtodo es dispendioso, en especial si se hace manualmente.
210
X1
X2
X3
X4
X5
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
1
1
0
0
1
0
0
0
0
1
0
1
0
0
1
1
0
0
0
1
1
1
0
1
0
0
0
0
1
0
0
1
32 POSIBLES
0 0 0 0 0 0
1 1 1 1 1 1
0 0 1 1 1 1
1 1 0 0 1 1
0 1 0 1 0 1
SOLUCIONES
1 1 1 1 1 1
0 0 0 0 0 0
0 0 0 0 1 1
0 0 1 1 0 0
0 1 0 1 0 1
1
0
1
1
0
1
0
1
1
1
1
1
0
0
0
1
1
0
0
1
1
1
0
1
0
1
1
0
1
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
0
1
1
1
1
1
211
212
X1 = X2 = X3 = X4 = X5 = 0
3<0
7 < 0 Infactibilidad = 10
X1 = 1 ; X3 = X4 = X5 = 0
-6 < 0
-2 < 0 Infactibilidad = 0 ;
X1 = 1 ; X2 = X3 = X4 = X5 = 0
-3 < 0
3 < 0 Infactibilidad = 3
X3 = 1 ; X1 = X4 = X5 = 0
2<0
-2 < 0 Infactibilidad = 2
X2 = 1 ; X1 = X3 = X4 = X5 = 0
0<0
2 < 0 Infactibilidad = 2 ; La menor
X4 = 1 ; X1 = X3 = X5 = 0
-4 < 0
-1 < 0 Infactibilidad = 0
X3 = 1 ; X1 = X2 = X4 = X5 = 0
5<0
3 < 0 Infactibilidad = 8
X5 = 1 ; X1 = X3 = X4 = 0
-1 < 0
5 < 0 Infactibilidad = 5
X4 = 1 ; X1 = X2 = X3 = X5 = 0
-1 < 0
4 < 0 Infactibilidad = 4
X5 = 1 ; X1 = X2 = X3 = X4 = 0
2 <0
10 < 0 Infactibilidad = 12
Aqu concluimos, que lo menos malo es fijar
la primera variable con valor de uno (1) a X2
ya que presenta la menor infactibilidad,
remplazamos a X2 = 1 en las dos
restricciones e iniciamos la 2 iteracin.
Z=15
Z=12
213
c) Max : Z = 5/2X1 + X2
C.S.R. 3X1 + 5X2 < 15
5X1 + 2X2 < 10
Xj > 0 j y Enteros
XJ > 0 j y X2 Entero
Solucin: X1*=3,3 ; X2*=1 ; X3*=0,3
X4*=X5*=0 ; Z*= 18,67
215
A
2
150
B A J O
3
4
5
200 100 50
216
Prlogo
urante el desarrollo de los temas que lo ameritan, se ilustrar el uso del software
WinQsb e INVOP; Programas especializados en la investigacin de operaciones. Es de
vital importancia el aprendizaje y manejo e interpretacin de la informacin suministrada
por el software, en atencin al impulso que la invencin del computador, trajo al desarrollo
de la Investigacin de Operaciones.
EInvestigacin
l primer captulo trata de manera introductoria los temas de: La toma de decisiones, La
de Operaciones, La Ingeniera Industrial y la Investigacin de
Operaciones y una breve resea histrica de la Investigacin de Operaciones,
recomendando al lector efectuar la lectura del apndice 1 que recopila lecturas de
diferentes autores que tratan los siguientes temas: Historia de la investigacin de
Operaciones, Definicin de la Investigacin de Operaciones, Resea del fundador de la
programacin Lineal George Dantzing, La naturaleza del trabajo, condiciones de trabajo,
Empleo y perspectivas futuras de trabajo de un analista de Investigacin de Operaciones,
La investigacin de Operaciones en la Prctica, Estadsticas de las tcnicas ms usadas de
Investigacin de Operaciones y una visualizacin general de los modelos de Investigacin de
Operaciones. La lectura de stos artculos tiene como finalidad, responder la pregunta:
para qu sirve la Investigacin de Operaciones?
objetivo capacitar al lector para enfrentarse a nuevos problemas. Al inicio del captulo se
define matemticamente su forma general y sus caractersticas, adems se incluyen los
artculos sobre Pautas y comentarios para la formulacin de modelos y Aprendiendo a
formular Modelos. Se recomienda al lector enriquecerse, estudiando la mayor cantidad de
modelos posibles en los textos de la bibliografa.
de valor muy grande y que se representa con una M, ello hace que los clculos sean
dispendiosos, para evitar usarla se dise el Mtodo de las dos Fases, cuyo objetivo es
eliminar el uso de la gran M durante el proceso de solucin, siendo ste mtodo el objetivo
del captulo sexto.
l captulo ocho y nueve presentan la formulacin del problema Dual, el Mtodo Dual
Simplex, el anlisis post ptimo y de sensibilidad, herramienta fundamental para el
tomador de decisiones quien podr analizar alternativas y generar estrategias, posteriores
a la solucin del problema.
asignaciones. Se ilustra en cada uno de estos captulos el uso del software WinQsb e
INVOP.
or ltimo el captulo doce presenta Mtodos de solucin para atender aquellos problemas
que por su naturaleza, exigen valores enteros para sus variables variables de carcter
binario (0,1). Tambin se muestra el uso del software WinQsb para atender estos casos.
Para terminar esta presentacin, motivo a los lectores al uso de las tcnicas que ofrecen los
Mtodos Cuantitativos para la toma de decisiones en su vida profesional, el hacerlo
beneficiar grandemente a la sociedad, tal como ha ocurrido en otros pueblos que lo han
hecho.
Francisco Chediak
Ingeniero Industrial