Apuntes de Investigacion de Operaciones Plan LC 2004

Universidad Autnoma de Baja California Sur
rea de Conocimiento de Ciencias del Mar

Departamento Acadmico de Sistemas Computacionales
Apuntes de la Materia:
Nombre: Investigacin de Operaciones

Clave: LDC422
Plan de Estudios: Licenciatura en Computacin
PRESENTA
Ing. Amado Alejandro Leyva Carrillo
ndice
Unidad I ......................................................................................................................................... 1
1.1 Modelo General de la Programacin Matemtica ........................................................... 3
Naturaleza De La Investigacin De Operaciones .............................................................. 4
Impacto de la Investigacin de Operaciones ...................................................................... 5
Riesgo Al Aplicar La Investigacin De Operaciones ........................................................ 5
Toma De Decisiones ............................................................................................................... 7
1.2 Metodologa en la construccin de modelos ................................................................... 8
Tipos de modelos en la IO ..................................................................................................... 9
Proceso de Construccin de un Modelo ............................................................................ 12
1.3 Modelos de Aplicacin Especfica .................................................................................... 13
Introduccin ............................................................................................................................ 13
Programacin Lineal - Problema General ......................................................................... 16
suposiciones Del Modelo De Programacin Lineal ......................................................... 17
Limitaciones Del Modelo De Programacin Lineal .......................................................... 18
Conceptos importantes para construir un modelo matemtico...................................... 18
Aprendiendo A Formular Modelos ...................................................................................... 21
Unidad II ..................................................................................................................................... 23
2. 1 El Mtodo Grafico de Solucin ................................................................................. 24
Introduccin ............................................................................................................................ 24
Mtodo De Solucin Grfico ................................................................................................ 25
Aprendiendo A Graficar Modelos ........................................................................................ 27
Los Diferentes Tipos De Soluciones en el Mtodo Grafico. ........................................... 31
2.2 El Mtodo Algebraico .......................................................................................................... 34
Introduccin ............................................................................................................................ 34
Procedimiento del Mtodo Algebraico ............................................................................... 34
2.3 El Algoritmo Simplex ........................................................................................................... 41
Antecedentes ......................................................................................................................... 41
Pasos para el Algoritmo simplex (Tabular) ....................................................................... 42
Algoritmo del Mtodo de la Gran M .................................................................................... 45
Casos Especiales del Mtodo Simplex .............................................................................. 49
Conclusiones .......................................................................................................................... 50
2.4 Teora de Dualidad ............................................................................................................. 52
Introduccin ............................................................................................................................ 52
Definicin Del Problema Dual.............................................................................................. 52
casos De Estudio ................................................................................................................... 54
Interpretacin econmica del problema dual. ................................................................... 58
2.5 Anlisis de Sensibilidad O Post-Optimo........................................................................... 62
Aplicacin del anlisis de sensibilidad ............................................................................... 63
Cambios en las bi (columna lado derecho).........................................................................63
Inclusin de una nueva variable..............................................................................................64
Cambio en los Coeficientes Funcin Objetivo....................................................................65
Inclusin de una nueva restriccin ......................................................................... 67
Unidad III .................................................................................................................................... 69
3.1 El Modelo de Transporte.................................................................................................... 70
Antecedentes ......................................................................................................................... 70
Modelo de Transporte ........................................................................................................... 70
Modelo red de un Mtodo de transporte ............................................................................ 71
Modelo general de PL que representa el modelo de transporte .................................... 72
Propiedad de Soluciones Factibles .................................................................................... 73
3.2 El Modelo de Asignacin .................................................................................................. 77
Introduccin ............................................................................................................................ 77
La formulacin del problema general de asignacin es: ................................................. 77
Casos especiales del modelo de asignacin .................................................................... 78
3.3 Modelos de Solucin .......................................................................................................... 80
A) Solucin para Problemas de Transporte. ..................................................................... 80
Procedimiento para solucionar problemas de transporte................................................81
Mtodo del Escaln (paso a paso, Spening Stone)..........................................................84
B) Solucin para Problemas de Asignacin. ..................................................................... 88
El Mtodo Hngaro .............................................................................................................. 88
Introduccin...................................................................................................................................88
Antecedentes................................................................................................................................88
Problema #1 de Asignacin.....................................................................................................90
Unidad IV .................................................................................................................................... 98
4.1 Introduccin y Conceptos Bsicos ................................................................................... 99
Conceptos ............................................................................................................................. 100
PERT..............................................................................................................................................100
CPM................................................................................................................................................100
4.2 Sistemas PERT/CPM ...................................................................................................... 101
4.3 Construccin de la red PERT. ........................................................................................ 101
4.4 Tiempos ptimos y tiempos de control ........................................................................... 106

4.5 Ruta Crtica ...................................................................................................................... 108
4.6 Barras de Gantt ................................................................................................................ 110
Cmo crear un diagrama de GANTT ............................................................................... 111
Unidad V ................................................................................................................................... 113
Introduccin .......................................................................................................................... 114
5.1 Consideraciones Generales ............................................................................................ 114
5.2 Tipos de Problemas de Decisin .................................................................................... 116
5.3Matriz de Pagos ................................................................................................................ 119
Unidad VI .................................................................................................................................. 121
Introduccin .............................................................................................................................. 122
6.1 El proceso de Simulacin. .............................................................................................. 122
Modelos de Simulacin....................................................................................................... 124
6.2 Muestreo Monte-Carlo...................................................................................................... 124
6.3 Generacin de Nmeros Aleatorios ............................................................................... 128
Bibliografa ................................................................................................................................ 134
Unidad I
Formulacin de Problemas de
Programacin Lineal
Objetivo Especifico de la Unidad
Conocer y aplicar las tcnicas necesarias para la

construccin de modelos matemticos, bajo los principios de
la Investigacin de Operaciones.
1
INTRODUCCION
L
os cambios revolucionarios originaron gran aumento en la divisin de
trabajo y la separacin de las responsabilidades administrativas en las
organizaciones. Sin embargo esta revolucin creo nuevos problemas que
ocurren hasta la fecha en muchas empresas. Uno de estos problemas es
la tendencia de muchos de los componentes a convertirse en imperios relativamente
autnomos, con sus propias metas y sistemas de valores.
Este tipo de problemas, y la necesidad de encontrar la mejor forma de

resolverlos, proporcionaron el surgimiento de la Investigacin de Operaciones.
La Investigacin de Operaciones aspira determinar la mejor solucin (optima)

para un problema de decisin con la restriccin de recursos limitados.
En la Investigacin de Operaciones utilizaremos herramientas que nos permiten

tomar una decisin a la hora de resolver un problema tal es el caso de los modelos e
Investigacin de Operaciones que se emplean segn sea la necesidad.
2
1.1 Modelo General de la Programacin Matemtica
Orgenes de la Investigacin de Operaciones.
El inicio de la Investigacin de Operaciones se remonta a la poca de la

Segunda Guerra Mundial en donde surgi la necesidad urgente de asignar recursos
escasos a las diferentes operaciones militares y a las actividades dentro de cada
operacin, en la forma ms efectiva, es por esto, que las administraciones militares
americana e inglesa hicieron un llamado a un gran nmero de cientficos para que
aplicaran el mtodo cientfico a los problemas estratgicos y tcticos, a dichos
cientficos se les pidi que hicieran investigaciones sobre las operaciones militares.
Todo el esfuerzo de este equipo de cientficos (que fueron el primer equipo de
Investigacin de Operaciones) logr el triunfo de muchas batallas.
Luego de terminar la guerra, el xito de la Investigacin de Operaciones en las

actividades blicas gener un gran inters en sus aplicaciones fuera del campo militar.
Desde la dcada de 1950, se haba introducido el uso de la Investigacin de

Operaciones en la industria, los negocios y el gobierno, desde entonces, esta disciplina
se ha desarrollado con rapidez.
Un factor importante de la implantacin de la Investigacin de Operaciones en

este periodo es el mejoramiento de las tcnicas disponibles en esta rea. Muchos de
los cientficos que participaron en la guerra, se encontraron a buscar resultados
sustanciales en este campo; un ejemplo sobresaliente es el mtodo Simplex para
resolucin de problemas de Programacin Lineal, desarrollado en 1947 por George
Dantzing. Muchas de las herramientas utilizadas en la Investigacin de Operaciones
como la Programacin Lineal, la Programacin Dinmica, Lneas de Espera y Teora
de Inventarios fueron desarrolladas al final de los aos 50.
Un segundo factor importante para el desarrollo de este campo fue el

advenimiento de la revolucin de las computadoras. Para manejar los complejos
problemas relacionados con esta disciplina, generalmente se requiere un gran nmero
de clculos que llevarlos a cabo a mano es casi imposible. Por lo tanto el desarrollo de
la computadora digital, fue una gran ayuda para la Investigacin de Operaciones.
En la dcada de los 80 con la invencin de computadoras personales cada vez

ms rpidas y acompaadas de buenos paquetes de Software para resolver
problemas de Investigacin de Operaciones esto puso la tcnica al alcance de muchas
personas. Hoy en da se usa toda una gama de computadoras, desde las
computadoras de grandes escalas como las computadoras personales para la
Investigacin de Operaciones
3
Naturaleza De La Investigacin De Operaciones
Como su nombre lo dice, la investigacin de operaciones significa "hacer

investigacin sobre las operaciones". 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
de manera extensa en reas tan diversas como la manufactura, el transporte, la
constitucin, las telecomunicaciones, la planeacin financiera, el cuidado de la salud,
la milicia y los servicios pblicos, por nombrar slo unas cuantas. As, la gama de
aplicaciones es extraordinariamente amplia.
La parte de investigacin en el nombre significa que la investigacin de

operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigacin
en los campos cientficos establecidos. En gran medida, se usa el mtodo cientfico
para investigar el problema en cuestin. (De hecho, en ocasiones se usa el trmino
ciencias de la administracin como sinnimo de investigacin de operaciones.) En
particular, el proceso comienza por la observacin cuidadosa y la formulacin del
problema incluyendo la recoleccin de los datos pertinentes. El siguiente paso es 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. Despus, se llevan a cabo los experimentos adecuados
para probar esta hiptesis, modificarla si es necesario y eventualmente verificarla.
(Con frecuencia este paso se conoce como validacin del modelo.) Entonces, en cierto
modo, la investigacin e operaciones incluye la investigacin cientfica creativa de las
propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto.
En particular, la IO se ocupa tambin de la administracin prctica de la

organizacin. As, para tener xito, deber tambin proporcionar conclusiones 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 IO adopta un punto de vista
organizacional. De esta manera, intenta resolver los conflictos de intereses entre las
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 deben ser consistentes con los de toda ella.
Una caracterstica adicional es que la investigacin de operaciones intenta

encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo
consideracin. (Decimos una mejor solucin y no la mejor solucin porque pueden
existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con
mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible.
4
Aun cuando debe interpretarse con todo cuidado en trminos de las necesidades
reales de la administracin, esta "bsqueda de la optimidad" es un aspecto 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 lo
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 emprender un estudio de investigacin de
operaciones completo de un nuevo problema, por lo general es necesario emplear el
empleo de equipo. Este debe incluir individuos con antecedentes firmes en
matemticas, estadstica y teora de probabilidades, al igual que en economa,
administracin de empresas, ciencias de la computacin, ingeniera, ciencias fsicas,
ciencias 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.
Impacto de la Investigacin de Operaciones
La investigacin de operaciones ha tenido un impacto impresionante en el

mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En el
proceso, la investigacin de operaciones ha hecho contribuciones significativas al
incremento de la productividad dentro de la economa de varios pases. Hay ahora ms
de 30 pases que son miembros de la International Federation of Operational Research
Societies (IFORS), en la que cada pas cuenta con una sociedad de investigacin de
operaciones.
Sin duda, el impacto de la investigacin de operaciones continuar

aumentando. Por ejemplo, al inicio de la dcada de los 90, el U.S. Bureau of Labor
Statistics predijo que la IO sera el rea profesional clasificada como la tercera de ms
rpido crecimiento para los estudiantes universitarios en Estados Unidos, graduados
entre 1990 y 2005. Pronostic tambin que, para el ao 2005, habra 100 000
personas trabajando como analistas de investigacin de operaciones.
Riesgo Al Aplicar La Investigacin De Operaciones
Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se

corre el riesgo de tratar de manipular los problemas para buscar que se ajusten a las
diferentes tcnicas, modelos de algoritmos establecidos en lugar de analizar los
problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los
mtodos apropiados, es decir resolver el problema utilizando los mtodos que
proporcionan las mejoras soluciones y no buscar ajustar el problema a un mtodo
especfico.
5
Para llegar a hacer un uso apropiado de la I de O, es necesario primero
comprender la metodologa para resolver los problemas, as como los fundamentos de
las tcnicas de solucin para de esta forma saber cundo utilizarlas o no en las
diferentes circunstancias.
Campos de Accin IO reas Tcnicas de IO reas De Aplicacin
9 Empresas 9 Pronsticos 9 Evaluacin de

industriales 9 Programacin proyectos de
9 Empresas lineal inversin
comerciales 9 Mtodo de 9 Localizacin de
9 Constructoras transporte plantas
9 Dependencias 9 Asignacin de industriales
gubernamentales personal 9 Plantacin y
9 Empresas 9 Simulacin programacin de
paraestatales 9 Ruta critica la produccin
9 Compaas de 9 Estudio de 9 Control de
transporte planeacin inventarios
9 Sistemas de salud 9 Teoras de colas 9 Programacin de
9 Sistemas 9 Control de calidad mantenimiento
bancarios. 9 Asignacin de
personal
FINALIDAD DE LA INVESTIGACION DE OPERACIONES
Minimizar Costos y Maximizar Ganancias
LA DEFINICION DE INVESTIGACION DE OPERACIONES
Acroff, R. L.
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.
Acroff, R. L. y Sasieni M. W. Fundamentals of Operations Research, John Wiley & Sons,1968.
6
De sta definicin se pueden destacar los siguientes conceptos:
Grupos interdisciplinarios: Especialistas en diferentes reas.
Mtodo cientfico: Es una serie de pasos sistematizados e instrumentos que nos

lleva a un conocimiento cientfico.
Una organizacin es un sistema formado por componentes que se

interaccionan, unas de estas interacciones pueden ser controladas y otras no.
La investigacin de operaciones es la aplicacin de la metodologa cientfica a

travs modelos matemticos, primero para representar al problema y luego para
resolverlo
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 decisin,
generalmente empieza cuando se detecta un problema. Conocido el problema, el
gerente debe proceder a definirlo de manera clara y formular objetivos, seguidamente
identifica las restricciones, evala alternativas y seguramente el mejor curso de accin
que lo llevara a la solucin optima.
En conclusin tomar decisiones es la tarea esencial de toda persona o grupo

que tiene bajo sus responsabilidades funcionamiento de una organizacin entera o
parte de ella y toma dos tipos de formas:
1.-Anlisis cualitativo
Se basa principalmente en el juicio y experiencia pasada de la gerencia, incluye

sentimientos intuitivos sobre el problema tratado y es ms un arte que una ciencia (el
arte se siente y la ciencia se explica).
2.-Anlisis cuantitativo
Se concreta en hechos cuantitativos o datos asociados con los problemas y

desarrolla expresiones matemticas que describen las relaciones existentes en ellos.
Este anlisis requiere habilidades que se obtienen del estudio de herramientas

matemticas que le permitan a la persona mejorar su efectividad en la toma de
decisiones.
7
1.2 Metodologa en la Construccin de Modelos
1) Definicin del problema y recoleccin de datos: Establecer cuales el

objetivo que se persigue y determinar las estrategias de solucin para el logro
del objetivo y adems determinar las restricciones.
2) Formulacin de un modelo matemtico: Significa disear una replica

matemtica que represente el problema y formular las restricciones.
3) Resolver el modelo y encontrar una solucin: Resolver un modelo consiste

en encontrar los valores de las variables dependientes, asociadas a las
componentes controlables del sistema con el propsito de optimizar, si es
posible, o cuando menos mejorar la eficiencia o la efectividad del sistema
dentro del marco de referencia que fijan los objetivos y las restricciones del
problema.
4) Prueba del modelo: Probar el modelo para asegurarse de que es vlido con
los datos reales y posibles resultados a alimentar el modelo con datos
estimados
5) Establecimiento de controles sobre la solucin: Una solucin establecida

como vlida para un problema, permanece como tal siempre y cuando las
condiciones del problema tales como: las variables no controlables, los
parmetros, las relaciones, etc., no cambien significativamente. Esta situacin
se vuelve ms factible cuando algunos de los parmetros fueron estimados
aproximadamente. Por lo anterior, es necesario generar informacin adicional
sobre el comportamiento de la solucin debido a cambios en los parmetros del
modelo. usualmente esto se conoce como anlisis de sensibilidad. En pocas
palabras, esta fase consiste en determinar los rangos de variacin de los
parmetros dentro de los cuales no cambia la solucin del problema.
6) Tomar la decisin y poner en prctica el proyecto: El paso final se inicia con

el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los
ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se
debe traducir la solucin encontrada a instrucciones y operaciones
comprensibles para los individuos que intervienen en la operacin y
administracin del sistema.
La etapa de implantacin de una solucin se simplifica en gran medida

cuando se ha propiciado la participacin de todos los involucrados en el
problema en cada fase de la metodologa. Preparacin para la aplicacin del
modelo.
8
Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn
los beneficios del estudio. Por lo tanto, es importante que el equipo de IO
participe, tanto para asegurar que las soluciones del modelo se traduzcan con
exactitud a un procedimiento operativo, como para corregir cualquier defecto en
la solucin que salga a la luz en este momento.
Tipos de Modelos en la IO
1. Modelos Determinstico
Es el modelo en el que a cada variable se le asigna un valor que es una

estimacin puntual. En estos tipos de modelos se establecen las condiciones para que
al ejecutar el experimento se determine el resultado.
A) Programacin Lineal: es una tcnica matemtica y de investigacin de

operaciones que se utiliza en la planificacin administrativa y econmica
para maximizar las funciones lineales de un gran numero de variables
sujetas a determinadas restricciones.
B) Programacin lineal entera: un problema de programacin lineal entera
es un problema de programacin lineal con la restriccin adicional de
que algunas variables deben tomar valores enteros.
C) Programacin lineal por metas: este tipo de programacin es muy til
cuando se tienen grandes problemas, por lo tanto involucra variables de
desviacin en su ecuacin, que durante el proceso una de ellas definir
la meta a alcanzar.
D) Programacin dinmica: es un mtodo para reducir el tiempo de
ejecucin de un algoritmo mediante la utilizacin de sub-problemas,
superpuestos y subestructuras optimas.
E) Optimizacin de redes: los problemas de redes surgen en una gran
variedad de situaciones. Las redes de transporte, elctricas y de
comunicacin que predominan en la vida diaria.
F) Control de inventarios: los diversos aspectos de la responsabilidad sobre
los inventarios afectan a muchos departamentos y cada uno de estos
ejerce cierto grado de control sobre los productos, a medida que los
mismos se muevan a travs de los distintos procesos de inventarios.
2. Modelos Estocsticos
En este modelo cada variable puede tomar cualquier valor posible. Adems,
cada posible resultado est ponderado por la probabilidad de que ese valor ocurra, de
esta forma el resultado genera una distribucin de probabilidades.
A) Pronsticos: es el proceso de bsqueda de elementos de juicio sobre varios

factores que pueden influenciar a futuro el alcance por metas y el uso de esta
informacin en el desarrollo de nuevos planes.
9
B) Teora de colas: rama de la teora de la probabilidad que estudia las
opciones ms ventajosas para controlar situaciones o procesos en los que
existen lneas de espera.
C) Simulacin de Sistemas: La naturaleza y tcnicas de simulacin se

presentan a problemas de control de inventarios, teoriza de decisin y a la
operacin de transporte.
3. Modelos Hbridos
Estos conjugan los modelos determinstico y probabilsticas.
4. Modelos Heursticos
Dan Soluciones Basadas en experiencias.
Definicin de MODELO
Representacin simplificada de la realidad, que facilita su comprensin y el

estudio de su comportamiento. Los modelos nos ayudan a tomar decisiones frente a
problemas administrativos. Es una representacin de la realidad.
El modelado
Es una ciencia
Anlisis de relaciones
Aplicacin de algoritmos de solucin
Y a la vez es un arte
Visin de la realidad
Estilo, elegancia, simplicidad
Uso creativo de las herramientas
Experiencia
En conclusin el arte debe sentirse y la ciencia se explica.
10
Clasificacin De Modelos
TIPO CARACTERSTICAS EJEMPLOS

Fsico Fcil de Modelos a escala
comprender de aeroplanos,
Tangible casas, ciudades.
Difcil de duplicar y
compartir
Difcil de
manipular
Baja amplitud de
uso
Analgicos Intangible Mapa de
Difcil de carreteras,
comprender Velocmetro,
Fcil de duplicar y Graficas.
compartir
Fcil de manipular
Alta amplitud de
uso
Simblicos (cuantitativos) Intangible Modelo de

Difcil de Simulacin
comprender Modelo algebraico
Fcil de duplicar Modelo de la
y compartir economa
Fcil de manipular Modelo de prog.
Muy Alta amplitud Lineal
de uso
En Investigacin de Operacin se utilizaran los modelos simblicos, que utilizan

las matemticas, para representar las relaciones entre los datos de inters.
Modelo Matemtico: Modelo Expresado en trminos matemticos, hace ms claras

las estructuras y relaciones, adems facilita el uso de tcnicas matemticas y
computadoras, pero a veces no es aplicable.
11
Proceso de Construccin de un Modelo
Modelo Modelo Resultados

Simblico
Juicio del
Abstraccin Interpretacin
administrador
Modelo
Real Situacin Toma de
Administrativa Decision
1 era. Fase de del modelo de la toma de decisiones
FORMULACION DEL MODELO Y RECOLECCION DE DATOS (Planteamiento)
Es por lo general la parte ms difcil en el anlisis en un problema real. Para

problemas grandes se utiliza la computadora para encontrar la solucin. Se utiliza el
siguiente procedimiento para plantearlo.
1. Definir las variables de decisin.

2. Plantear en trminos matemticos la funcin objetivo o de utilidad.
3. Plantear en trminos matemticos las restricciones sobre los recursos
disponibles.
4. Indicar cules son las restricciones de no negatividad.
Interrogantes para la construccin de un modelo matemtico
La construccin de un modelo matemtico se puede iniciar respondiendo a las 3

preguntas siguientes:
1.- Que busca determinar el modelo?
12
Dicho de otra manera
Cules son las variables (incgnitas) del problema?
2.- Qu restricciones deben imponerse a las variables a fin de satisfacer las

limitaciones del sistema representado por el modelo?
3.-Cul es el objetivo (Meta) que necesita alcanzarse para determinar la solucin

(Mejor) de entre todos los valores factibles de las variables?
NOTA:
La solucin del modelo dar la respuesta que se necesita?
No, Se deben tener en cuenta factores cualitativos que el modelo no est

considerando.
1.3 Modelos de Aplicacin Especfica
Programacin Lineal (PL)
INTRODUCCIN
Muchas personas clasifican el desarrollo de la programacin lineal entre los

avances cientficos ms importantes de mediados del siglo XX, su impacto desde 1950
ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha
ahorrado miles o millones de pesos a muchas compaas o negocios, incluyendo
empresas medianas en los distintos pases industrializados del mundo; su aplicacin a
otros sectores de la sociedad se est ampliando con rapidez. Una proporcin muy
grande de los clculos cientficos en computadoras est dedicada al uso de la
programacin lineal.
Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede
manejar. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema
general de asignar recursos limitados entre actividades competitivas de la mejor
13
manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye
elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios
para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada
recurso que consumir cada una de ellas. La variedad de situaciones a las que se
puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de
instalaciones de produccin a los productos, hasta la asignacin de los recursos
nacionales a las necesidades de un pas; desde la seleccin de una cartera de
inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola,
hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de
todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo
los niveles de las mismas.
La programacin lineal utiliza un modelo matemtico para describir el problema.

El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser
funciones lineales. En este caso, las palabra programacin no se refiere a
programacin en computadoras; en esencia es un sinnimo de planeacin. As, la
programacin lineal trata la planeacin de las actividades para obtener un resultado
ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo
matemtico) entre todas las alternativas de solucin.
Aunque la asignacin de recursos a las actividades es la aplicacin ms

frecuente, la programacin lineal tiene muchas otras posibilidades. de hecho, cualquier
problema cuyo modelo matemtico se ajuste al formato general del modelo de
programacin lineal es un problema de programacin lineal. An ms, se dispone de
un procedimiento de solucin extraordinariamente eficiente llamado mtodo simplex,
para resolver estos problemas, incluso los de gran tamao. Estas son algunas causas
del tremendo auge de la programacin lineal en las ltimas dcadas.
Antecedentes
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
14
Neumann de la Sociedad Americana de Investigacin de Operaciones y el Instituto de
Ciencias Administrativas (1974), la membreca 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 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.
15
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
Forma Estndar del Modelo Matemtico
Elegir los valores de las variables de decisin x1, x2, . . . xn
Para:
MAXIMIZAR Z = C1X1 + C2X2 + . . . + CnXn
Sujeta a las restricciones:
a11X1 + a12X2 + a1nXn <= b1
a21X1 + a22X2 + a2nXn <= b2

NO NEGATIVIDAD
.
. X1 >= 0
. X2 >= 0
.
am1X1 + am2X2 + amnXln <= bm XN >= 0
Donde:
Z=valor de la medida global de efectividad
Xj=nivel de la actividad j (para j = 1,2,...,n)
Cj=incremento en Z que resulta al aumentar una unidad en el nivel de la

actividad j
bj=cantidad de recurso i disponible para asignar a las actividades (para i =

1,2,...,m)
aij=cantidad del recurso i consumido por cada unidad de la actividad j
Otras Formas del Modelo Matemtico
16
1) Minimizacin en lugar de Maximizacin en la funcin objetivo
2) Algunas restricciones funcionales con desigualdad en el sentido mayor o igual
que.
3) Algunas restricciones en forma de ecuacin =
4) Las Variables de Decisin sin la restriccin de no negatividad.
SUPOSICIONES DEL MODELO DE PROGRAMACIN LINEAL
Proporcionalidad
La contribucin de cada actividad al valor de la funcin objetivo Z es

proporcional al nivel de actividad xj, como lo representa el trmino cjxj en la funcin
objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada
restriccin funcional es proporcional al nivel de la actividad xj, en la forma en que lo
representa el trmino aijxj en la restriccin. En consecuencia, esta suposicin elimina
cualquier exponente diferente a 1 para las variables en cualquier trmino de las
funciones (ya sea la funcin objetivo o la funcin en el lado izquierdo de las
restricciones funcionales) en un modelo de programacin lineal.
Aditividad
Establece que la entrada y salida de un recurso en particular al conjunto de

actividades, deben ser la misma cantidad; o sea, que las actividades transforman los
recursos y no los crean o destruyen. Esta suposicin garantiza que la contribucin total
tanto a la funcin objetivo como a las restricciones, es igual a la suma de las
contribuciones individuales. Cuando en un problema dado no se tenga la aditividad
puede recurrirse al empleo de otras tcnicas de la programacin matemtica,
dependiendo de cada caso en particular.
Cada funcin en un modelo de programacin lineal (ya sea la funcin objetivo o

el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones
individuales de las actividades respectivas.
Divisibilidad
Las variables de decisin en un modelo de programacin lineal pueden tomar

cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones
funcionales y de no negatividad. As, estas variables no estn restringidas a slo
valores enteros. Como cada variable de decisin representa el nivel de alguna
actividad, se supondr que las actividades se pueden realizar a niveles fraccinales.
17
Limitaciones Del Modelo De Programacin Lineal
Modelo Determinstico
El modelo de PL involucra nicamente tres tipos de parmetros: Cj, aij y bi; de

ah su sencillez y gran aplicacin. Sin embargo, el valor de dichos parmetros debe ser
conocido y constante. Cuando el valor de los parmetros tiene un cierto riesgo o
incertidumbre, pude utilizarse la programacin paramdica, la programacin
estocstica, o realizarse un anlisis de sensibilidad.
Modelo Esttico
En algunos modelos matemticos se han empleado con xito las ecuaciones

diferenciales, para inducir la variable tiempo en ellos. En este sentido, puede decidirse
que la PL utiliza un modelo esttico, ya que la variable tiempo no se involucra
formalmente. Adquiriendo un poco de experiencia en la formulacin de modelos de PL,
puede imbuirse la temporabilidad mencionada, con el uso de subndices en las
variables.
Modelo Que No Suboptimiza
Debido a la forma que se plantea el modelo de PL, o encuentra la solucin

ptima o declara que sta no existe. Cuando no es posible obtener una solucin
ptima y se debe obtener alguna, se recurre a otra tcnica ms avanzada que la PL, la
cual se denomina programacin lineal por metas.
Conceptos importantes para construir un modelo matemtico.
Variables De Decisin: Estas representan la cantidad desconocida de un artculo que

debe determinarse en la solucin de un modelo matemtico.
Decisiones cuantificables relacionadas unas con otras.

Ejemplo: Cunto comprar, vender.
Estas variables que intervienen se le conocen con el nombre genrico de

ACTIVIDADES y su valor genrico como nivel de actividad.
18
Variables = Actividades
Valor de las variables = Nivel de actividad
Actividades X1, X2 = Produccin de artculos 1 y 2.
Funcin Objetivo:
Es la funcin matemtica que se desea optimizar, es decir segn el

problema minimiza o maximiza. Con frecuencia la funcin objetivo est dada por un
costo a un beneficio medio en unidades monetarias.
Determinar las unidades mximas del modelo como funcin de las variables decisin;
debe llegar a maximizar o minimizar alguna medida numrica.
1.- Se puede maximizar el rendimiento, las ganancias, productos, etc.
2.- Se puede minimizar tiempo, gastos, etc.
Ej; Max 3x1 + 4x2

MIN 3X1 + 4X2
Parmetros:
Valores constantes que actan como coeficientes al lado derecho de las

variables tanto en la funcin objetivo como en las restricciones y que se basan en
datos tecnolgicos de los problemas.
Restricciones:
Son funciones lineales, describen limitaciones impuestas sobre los valores de

las variables de decisin, casi siempre en forma de ecuaciones o desigualdades.
Pueden = / / .
Ejemplo: Si suponemos que una mesa y una silla requieren de 2 y 6 hrs. De mquina,
respectivamente para su fabricacin y si se seala que la cantidad total disponible es
de 12 hrs., entonces esa restriccin puede expresarse como:
2x1 + 6x2 <= 12
Entonces las restricciones determinan posibles valores de las variables y estas definen
la zona de soluciones factibles.
19
Restricciones No Validas:
x1 + x2 <= 12
x1 x2 + x2 <= 15
3x1 + x2 <= 15
Las restricciones ms comunes son de seis tipos, las cuales se listan a continuacin:
Restriccin De Capacidad: limitan el valor de las variables debido a la

disponibilidad de horas-hombre, horas-mquina, espacio, etc.
Restriccin De Mercado: Surgen de los valores mximos y mnimos en las

ventas o el uso del producto o actividad a realizar.
Restriccin De Entradas: Son limitantes debido a la escasez de materias

primas, mano de obra, dinero, etc.
Restriccin De Calidad: Son las restricciones que limitan las mezclas de

ingredientes, definiendo usualmente la calidad de los artculos a manufacturar.
Restricciones De Balance De Material: Estas son las restricciones que

definen las salidas de un proceso en funcin de las entradas, tomando en
cuenta generalmente cierto porcentaje de merma o desperdicio.
Restricciones Internas: Son las que definen a una variable dada, en la

formulacin interna del problema, un ejemplo tipo, es el de inventario.
20
Aprendiendo A Formular Modelos
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.
Qu cantidad de cada producto (1 y 2) se debe manufacturar cada semana, para

obtener la mxima ganancia?
Cuntas horas semanales sobran en cada departamento?
Formulacin
1. Definicin de las variables:
X1 = Unidades semanales a producir del articulo 1

X2=Unidades semanales a producir del articulo 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:
X1, X2 >= 0
21
2. Problema de produccin
La firma Erlanger Manufacturing Company fbrica 2 productos. Las estimaciones

de las utilidades son de $25 dlares para cada unidad que se venda del producto 1, y
$30 para cada unida de que se venda del producto 2. Enseguida se resumen los
requerimientos de mano de obra por hora para los productos en cada uno de tres
departamentos:
Producto 1 producto 2
Departamento A 1.50 3.00

Departamento B 2.00 1.00
Departamento C .25 .25
Los supervisores de produccin de cada departamento han estimado que

estarn disponibles las siguientes cantidades de mano de obra para el siguiente mes:
450 hrs. en el depto. A, 350 hrs. en el depto. B y 50 hrs. en el depto. C. suponiendo
que a la empresa le entereza maximizar las utilidades.
Formulacin
1. Definicin de las variables:
X1 = Cantidad a producir del producto 1

X2=Cantidad a producir del producto 2
2. Funcin objetivo:
Maximizar Z = 25X1 + 30 X2
3. Restricciones:
1.50X1 + 3.00X2 450

2.00X1 + X2 350
0.25X1 + 0.25X2 50
4. Condicin de no negatividad:
X1, X2 >= 0
22
Unidad II
Solucin del Modelo de

Programacin
Formulacin Lineal de
de Problemas
Solucionar modelos matemticos de programacin lineal,

utilizando software comercial.
23
2.1 El Mtodo Grafico de Solucin
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.
La PL es una tcnica mediante la cual se toman decisiones, reduciendo el

problema bajo estudio a un modelo matemtico general, el cual debe ser resuelto por
mtodos cuantitativos.
En desarrollo de este captulo se aplicarn la solucin de dichos modelos

aplicando diversas tcnicas como: el mtodo grfico, mtodo simplex, tcnica de la
gran M.
Adems se desarrollara la aplicacin de variables artificiales y obtencin de

soluciones para identificar a qu tipo de clasificacin pertenecen. Por medio de dichos
modelos de solucin se podr obtener la solucin adecuada para cada problema y
facilitar la toma de decisiones.
24
Mtodo De Solucin Grfico
Mtodo grfico.
El mtodo grfico se utiliza para la solucin de problemas de PL, representando

geomtricamente a las restricciones, condiciones tcnicas y el objetivo.
El modelo se puede resolver en forma grfica si slo tiene dos variables. Para
modelos con tres o ms variables, el mtodo grfico es imprctico o imposible.
Cuando los ejes son relacionados con las variables del problema, el mtodo es
llamado mtodo grfico en actividad. Cuando se relacionan las restricciones
tecnolgicas se denomina mtodo grfico en recursos.
Los pasos necesarios para realizar el mtodo son:
1. Graficar las soluciones factibles, o el espacio de soluciones (factible), que

satisfagan todas las restricciones en forma simultnea.
2. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles.
3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en

primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de
una lnea recta.
4. Trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin
cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la
lnea recta asociada.
5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen

todas las restricciones y por consiguiente, representa un punto factible.
6. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la

solucin ptima puede determinarse al observar la direccin en la cual aumenta la
funcin objetivo.
7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la

asignacin de valores arbitrarios a fin de determinar la pendiente y la direccin en la
cual crece o decrece el valor de la funcin objetivo.
25
Conceptos Importantes Para Construir Una Grafica
Solucin ptima: Es una solucin factible que lleva al valor ms favorable de la

funcin objetivo. El valor ms favorable significa el valor ms grande o pequeo,
dependiendo si el objetivo es maximizar o minimizar.
Valor Ms Favorable: Significa el valor ms grande si la funcin objetivo es

maximizarse, mientras que es el valor ms pequeo si la funcin objetivo ha de ser un
mnimo.
Solucin Factible: Cualquier punto dentro de la regin representa un nivel de

actividad posible, es decir cumple con las restricciones.
Solucin No Factible: Es una solucin para que al menos una restriccin se viola.
Regin Factible: Es la solucin de todas las soluciones factibles.
26
Aprendiendo A Graficar Modelos
Retomando el problema #1 del Captulo I
Sea:
F.O
S.A
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
No Negatividad X1, X2 >= 0
Convirtiendo las desigualdades en igualdades.
2X1 + 2X2 = 16
X1 + 2X2 = 12
4X1 + 2X2 = 28
X1=0
X2=0
Obtener los puntos de la recta
1 era. Restriccin 2 da. Restriccin 3 era. Restriccin
2X1 + 2X2 = 16 X1 + 2X2 = 12 4X1 + 2X2 = 28

Despejando Despejando Despejando
X1= 0 X2= 8 X1= 0 X2= 6 X1= 0 X2= 14

X2= 0 X1= 8 X2= 0 X1= 12 X2= 0 X1= 7
Graficar cada una de las restricciones y su regin solucin en el plano

cartesiano, en el primer cuadrante dado que ya se tiene la condicin de no
negatividad.
27
18
16
14
Regin Solucin
12
Puntos Factibles
10
X2
6
Solucin Optima D(4,4) Z=10
0
0 2 4 6 8 10 12 14
X1
Cada una de las restricciones se grafican calculando los puntos de cada recta y
verificando su signo, para delimitar el rea de solucin de dicha restriccin,
posteriormente se delimita la interseccin de las reas de solucin de cada restriccin
para delimitar el rea factible de solucin.
Cuando su signo es:
<= Su regin factible va hacia la izquierda (abajo).

>= Su regin factible va hacia la derecha (arriba).
Del grafico anterior podemos deducir, los siguientes puntos factibles:
A(0,0) Z=0
B(7,0) Z=4.6666
C(6,2) Z=9
D(4,4) Z=10
E(0,6) Z= 9
De aqu se puede deducir ya a la solucin, donde el punto que maximiza el objetivo de

este problema es X1= 4 , X2=4 con valor de Z=10
28
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 objetiva es aproximadamente paralela a uno de los lados del rea de
soluciones factible, originando la duda visual sobre la grfica de cul de los dos
extremos (esquinas) es el que hace que la funcin objetivo se optimice.
Retomando el problema #2 del Captulo I
Sea:
X1 = Cantidad a producir del producto 1

X2=Cantidad a producir del producto 2
F.O
Maximizar Z = 25X1 + 30 X2
S.A
1.50X1 + 3.00X2 450

2.00X1 + X2 350
0.25X1 + 0.25X2 50
no negatividad:
X1, X2 >= 0
Convirtiendo las desigualdades en igualdades.
1.50X1 + 3.00X2 = 450

2.00X1 + X2 = 350
0.25X1 + 0.25X2 = 50
X1=0
X2=0
29
Obtener los puntos de la recta
1.50X1 + 3.00X2 = 450 2.00X1 + X2 = 350 0.25X1 + 0.25X2 = 50

Despejando Despejando Despejando
X1= 0 X2= 150 X1= 0 X2= 350 X1= 0 X2= 200

X2= 0 X1= 300 X2= 0 X1= 175 X2= 0 X1= 200
450
400
350
Regin Solucin
300
Puntos Factibles
250
X2
200
150 Punto optimo

X1= 100 X2 = 100
100 Z = 5,500
50
0
0 50 100 150 200 250 300 350 400 450 500
E E X1 E
Se aqu se puede deducir que los puntos factibles son:
A ( 0 , 0) Z=0
B ( 175, 0 ) Z=4,375
C (150, 50 ) Z= 5,250
D (100 , 100) Z= 5,500
E (0 , 150 ) Z=4,500
Por lo tanto nuestro objetivo es maximizar y el punto ptimo se encuentra en el

punto D.
30
Los Diferentes Tipos De Soluciones en el Mtodo Grafico.
Modelos Con Solucin nica:
Un modelo tiene solucin ptima UNICA cuando slo una combinacin de

variables proporciona el mejor valor para el objetivo; se reconoce en el grfico porque
un nico punto extremo provee el mejor valor del objetivo o un nico punto extremo
limita el valor de la recta objetivo.
Modelos Con Soluciones Mltiples O Alternas:
Un modelo tiene soluciones ptimas ALTERNAS cuando ms de una

combinacin de variables proporciona el ptimo valor del objetivo. Se reconoce en el
grfico porque ms de un punto extremo proporciona el ptimo valor del objetivo o ms
de un punto extremo limita el valor de la recta objetivo. La recta objetivo al desplazarse
dentro de la regin solucin cae paralelamente sobre alguna restriccin antes de salir
totalmente de la regin solucin.
La ventaja que presentan los modelos con este Tipo de solucin es que se
puede elegir cualquiera de las soluciones ptimas, porque todas presentan el mismo
valor ptimo para el objetivo.
Max 6X1+ 2X2 (Beneficio)

Sujeto a:
3 X1 + X2 4 8 horas de trabajo
3 X1 + 4 X2 120 unidades de materia Prima
3 X1 + X2 36 horas de supervisin.
X1, X2 0
Modelos Sin Solucin Posible:
Un modelo NO TIENE SOLUCIN POSIBLE cuando no hay alguna

combinacin de variables que satisfaga todas las restricciones. Se debe a la presencia
de restricciones inconsistentes en el modelo. Se reconocen en el grfico porque no
existe ninguna regin comn para todas las restricciones.
31
Estos modelos no deben existir en el mundo real. Si el sistema modelado
trabaja, entonces el modelo debe representarlo de tal manera que permita obtener una
solucin posible.
Max 40 X1 + 30 X2
Sujeto a:
2/5 X1 + X2 20
1/5 X2 5
3/5 X1 + 3/10 X2 21
X1 30
X2 15
X1, X2 0
Modelos Que Presentan Solucin Con Valor Infinito:
Un modelo tiene SOLUCIN CON VALOR INFINITO cuando hay

combinaciones de variables que proporcionan valor infinito para el objetivo y no hay
alguna combinacin que limite el valor del objetivo a un valor finito. Esto se debe a la
omisin de restricciones importantes, del sistema, en el modelo. Estas restricciones
limitaran las variables de decisin a valores factibles. Se reconocen en el grfico
porque el espacio de solucin es abierto, no acotado, no limitado y la Funcin Objetivo
puede moverse dentro de esa regin hasta el infinito sin que un punto extremo, con
valor finito, limite su valor.
Max X1+ 2X2
Sujeto a:
-4 X1 + 3 X2 3
X1 - X2 3
MODELOS CON ESPACIO DE SOLUCION NO ACOTADO Y SOLUCION DE VALOR
FINITO. X1, X2 0
Un modelo tiene ESPACIO DE SOLUCION NO ACOTADO y SOLUCION DE

VALOR FINITO cuando existen combinaciones de variables que dan un valor infinito al
objetivo pero existe al menos una combinacin de variables que le proporciona un
valor finito. Se reconocen en el grfico porque la regin de soluciones posibles es
32
abierta, no limitada pero hay por lo menos un punto extremo que limita el valor del
objetivo.
Min 0.06 X1+ 0.05 X2 (costos)
Sujeto a:
0.30 X1 + 0.20 X2 500 Protena
0.15 X1 + 0.30 X2 300 Grasa
X1, X2 0
Modelos Con Solucin Degenerada:
Un modelo tiene SOLUCION DEGENERADA cuando existen combinaciones de

variables que tienen ms de la cantidad normal (una por cada restriccin) de variables
con valor cero. Esto se debe a la presencia de restricciones redundantes en el modelo.
Ms de la cantidad normal de variables (una por cada restriccin del modelo) debe
tomar valor cero para satisfacer a mayor cantidad de restricciones en el punto ptimo.
Se reconocen en el grfico porque ms de dos restricciones cruzan sobre el punto
extremo ptimo.
Una restriccin redundante puede ser removida sin afectar la regin solucin.
Cuando la restriccin redundante est sobre el punto extremo ptimo, la solucin es
Degenerada.
Min 2500 X1 + 2200 X2 (costos)
Sujeto a:
X1+ X2 10 Empleados temporales

300 X1 + 400 X2 3,400 cartas
80 X1 + 50 X2 680 paquetes
X1, X2 0
33
El 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.
Procedimiento del Mtodo Algebraico
1) Hallar una solucin bsica y factible (Solucin inicial)
a) Expresar las inecuaciones (desigualdades) como ecuaciones

(igualdades)
b) Hallar una variable bsica para cada ecuacin
c) Organizar el sistema de ecuaciones lineales
2) Escoger la variable que entra
3) Escoger la variable que sale
4) Reorganizar el sistema de ecuaciones
5) Repetir los pasos 2, 3 y 4 hasta encontrar la solucin.
34
Retomando el problema #1 del captulo I
1) Hallar una solucin bsica factible
Sea:
F.O
S.A
2X1 + 2X2 16
X1 + 2X2 12
4X1 + 2X2 28
2X1 + 2X2 < = 16 X1 + 2X2 <= 12 4X1 + 2X2 <= 28
2X1 + 2X2 + h1 = 16 X1 + 2X2 +h2 = 12 4X1 + 2X2 + h3 = 28
Aqu h1,h2 y h3 son las variables de holgura o relleno, que al adicionarlas al lado
izquierdo, establecen la igualdad con el lado derecho de la inecuacin lineal.
Las variables X1 y X2 se denominan variables de decisin o variables reales, las

variables de relleno o holgura, se usan para convertir una inecuacin en una ecuacin,
esto es, igualar el lado izquierdo al lado derecho. Las variables de holgura o de relleno,
se suman o restan al lado izquierdo de la inecuacin, segn convenga para establecer
la igualdad
Escoger en cada ecuacin una variable que sirva como solucin inicial al
problema y que tome un valor positivo ( > 0), NO son elegibles las variables de
decisin o variables reales. Entonces, las variables de holgura o relleno (si las hay),
son las primeras en ser escogidas como variables bsicas y factibles, lo que significa
que deben tomar un valor mayor o igual a cero ( > 0), dicho de otra forma, las variable
bsicas factibles, deben cumplir con la condicin de no negatividad.
Aqu tanto h1,h2 y h3 , variables de holgura, son escogidas como variables

bsicas factibles, ya que las tres asumen valores positivos al ser X1 y X2 variables no
bsicas e iguales a cero(0).
35
Organizamos el sistema de ecuaciones de la siguiente manera:
Ec. 0 Z - X1 - 3/2 X2 = 0
Ec. 1 2X1 + 2X2 + h1 = 16 En la Ecuacin (0) Siempre Z
Es Una Variable Bsica
Ec. 2 X1 + 2X2 + h2 = 12
Ec. 3 4X1 + 2X2 + h3 = 28
Fjese que en cada ecuacin existe una y solo una variable bsica con
coeficiente ( 1 ), lo que permite leer su valor de manera automtica al lado derecho
;esto es:
Z = 0 ; h1 = 16, h2=12 y h3 = 28 ; esto es una SOLUCIN BSICA FACTIBLE.
Una lista clasificada de las variables es:
X1 = 0 Variable de decisin Variable no bsica

X2 = 0 Variable de decisin Variable no bsica
h1 = 16 Variable de holgura Variable bsica
Z=0 Variable de decisin Variable bsica, Siempre!!
2) Escoger la variable que entra
Aqu analizamos si existe una solucin mejor que la solucin bsica factible,
para ello despejamos de la ecuacin ( 0 ) del sistema de ecuaciones
inmediatamente anterior a Z y hacemos la siguiente pregunta:
Cul Es La Variable Que Al Crecer Hace Que Z Crezca Ms?
Como regla general, la variable para entrar es aquella que al crecer haga que Z
crezca ms, ya que el objetivo es Maximizar el valor de Z, Dicho de otra forma,
entrar la variable que tenga el coeficiente ms negativo, si estuvisemos
minimizando se escoge la variable que haga que Z disminuya ms, o sea la que
tenga el coeficiente ms positivo.
Si no hubiese variable para entrar, ello indica que nos encontramos en la

solucin ptima.
36
3) Escoger la variable que sale
La variable bsica que debe salir es aquella que restringa ms el crecimiento de la

variable que entra, en caso de empate, se decide arbitrariamente. Aqu se est
cuidando la factibilidad de las variables, esto es, que todas sean positivas ( > 0 ) . En el
caso de ser un problema de minimizacin, la presente regla de seleccin es igual.
Para el problema que estamos analizando:
La variable no bsica que debe entrar a la base es: X2 (contiene el negativo mayor) y
le da un mayor incremento a la funcin objetivo.
La variable bsica que debe salir de la base: La obtenemos con la regla del cociente
menor. Adems en caso de empate se elige arbitrariamente.
Ec. 0 Z - X1 - 3/2 X2 = 0 16/2= 8

Ec. 1 2X1 + 2X2 + h1 = 16
Ec. 2 X1 + 2X2 + h2 = 12 12/2= 6 Por lo tanto h2 debe salir de la base por
Ec. 3 4X1 + 2X2 + h3 = 28 cumplir con la regla anterior. Ec. 2
28/2 = 14
4) Dividir para hacer coeficiente 1 la variable entrante y 0 los coeficientes de las

otras restricciones(x2)
Ec. 2 X1 + 2X2 + h2 = 12 Dividir toda la ecuacin entre 2
Nueva Ec. 2 1/2X1 + 1X2 + h2 = 6 (Nueva Ec. Pivote)
Nueva Ec, pivote por -2 + Ec.1
1/2X1 + 1X2 + h2 = 6 (-2) -1X1 -2X2 -1h2 = -12

Nue
Ec.1 2X1 + 2X2 + h1 = 16 va
Ec,
X1+0X2+ h1 h2 = 4 pivot
e
por -
2 + Ec.3
1/2X1 + 1X2 + h2 = 6 (-2) -1X1 -2X2 -1h2 = -12

Ec. 3 4X1 + 2X2 + h3 = 28
3X1+0X2 - h1 +h3 = 16
37
Nueva Ec, pivote por 3/2 + Ec.0
1/2X1 + 1X2 + h2 = 6 (3/2) 3/4X1 + 3/2X2 +3/4h2 =9

Ec. 0 Z - X1 - 3/2 X2 =0
Z -1/4X1 + 0X2 + 3/4h2 =9
Reorganizando las Nuevas Ecuaciones
Ec.0 Z -1/4X1 + 0X2 + 3/4h2 = 9
Ec.1 X1+0X2+ h1 h2 = 4
Ec. 2 1/2X1 + 1X2 + h2 = 6
Ec.3 3X1+0X2 - h1 +h3 = 16
Solucin Presentada
X1= 0
X2= 6
Z= 9
Esta solucin presentada por las nuevas ecuaciones no es la ptima porque

todava existen nmeros negativos en la funcin objetivo, por lo tanto no es una
solucin ptima.
Por lo tanto regresar al paso nmero 2 del mtodo algebraico.
La variable no bsica que debe entrar a la base es: X1 (contiene el negativo

mayor) y le da un mayor incremento a la funcin objetivo.
La variable que sale de la base es la del cociente menor entre los trminos
independientes y la variable que entra en cada rengln.
Ec.0 Z -1/4X1 + 0X2 + 3/4h2 = 9

4/1= 4 Por lo tanto h3 debe salir de la base
Ec.1 X1+0X2+ h1 h2 = 4 por cumplir con la regla anterior. Ec.1
Ec. 2 1/2X1 + X2 + h2 = 6 6/1/2= 12
Ec.3 3X1+0X2 - h1 +h3 = 16 16/3= 5.3
38
Dividir para hacer coeficiente 1 la variable entrante y 0 los coeficientes de las
otras restricciones(x1)
Ec.1 X1+0X2+ h1 h2 = 4
Nueva Ec. 1 X1+0X2+ h1 h2 = 4 (Nueva Ec. Pivote)
Nueva Ec, pivote por -1/2 + Ec.2
X1+0X2+ h1 h2 = 4 (-1/2) -1/2X1 + 0X2 - 1/2h1 + 1/2h2 = -2

Ec. 2 1/2X1 + X2 + h2 = 6
0X1 + X2 -1/2h1 + h2 = 4
Nueva Ec, pivote por -3 + Ec.3
X1+0X2+ h1 h2 = 4 (-3) -3X1 + 0X2 -3h1 + 3h2 = -12

Ec.3 3X1+ 0X2 - h1 +h3 = 16
0X1 +0X2 - 4h1 + 3h2 +h3 = 4
Nueva Ec, pivote por 1/4+ Ec.0
X1+0X2+ h1 h2 = 4 (1/4) 1/4X1 + 0X2 +1/4h1 - 1/4h2 =1

Ec.0 Z -1/4X1 + 0X2 + 3/4h2 =9
0X1 +0X2 +1/4h1 + 1/2h2 = 10
Reorganizando las nuevas ecuaciones:
Ec.0 0X1 + 0X2 +1/4h1 + 1/2h2 = 10
Ec.1 X1+ 0X2 + h1 h2 = 4
Ec.2 0X1 + X2 - 1/2h1 +h2 = 4
Ec.3 0X1 + 0X2 - 4h1 + 3h2 +h3 = 4
De aqu nos arroja otra solucin:
39
X1 = 4
X2 = 4
Z= 10
Precios Sombras: h1 = h2= h3=0
Donde podemos deducir que es la solucin optima; puesto si analizamos la

ecuacin 0 nos damos cuenta que ya no existen numero negativos y por lo tanto se
llega a la solucin por ser un problema maximizacin.
Si corroboramos la solucin optima del mtodo grafico del tema anterior de este
mismo modelo matemtico, nos damos cuenta que es la misma solucin a la que
arroja el mtodo algebraico de este tema.
40
El Algoritmo Simplex
Antecedentes
El mtodo simplex fue creado en 1947 por el matemtico George Dantzing, es

considerado como el padre de la programacin lineal. Recibi muchos honores, tales
como la Medalla Nacional a la Ciencia en 1975 y el premio a la teora John Von
Neumann en 1974; fue miembro de la Academia Nacional de Ciencias, la Academia
Nacional de Ingeniera y la Academia Americana de Artes y Ciencia.
El mtodo simplex es procedimiento iterativo que permite ir mejorando la solucin a

cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha
solucin.
El mtodo simplex se utiliza, sobre todo, para resolver problemas de programacin

lineal en los que intervienen tres o ms variables; el algebra matricial y el proceso de
eliminacin de Gauss-Jordn para resolver un sistema de ecuaciones lineales
constituyen la base del mtodo simplex.
Para su aplicacin, se supone la forma estndar de un PL
Las iteraciones del mtodo Simplex siguen soluciones bsicas factibles

(Vrtices)
En cada paso, el mtodo se mueve de un vrtice a uno adyacente por una

arista.
El paso crucial en cada iteracin del simplex consiste en decidir que cambio se
va introducir en la base B.
Todo problema de programacin lineal que se formule de la forma Maximice,

con todas sus restricciones < y con la condicin de no negatividad, se le llama Forma
Estndar o Forma Normal, es all donde podemos iniciar a resolver por el mtodo
simplex.
41
Pasos para el Algoritmo simplex (Tabular)
1) Convertir las desigualdades en igualdades: para transformar a igualdades es

necesario introducir las llamadas variables de HOLGURA (h) por cada una de
las restricciones del tipo ( <= ).
2) Igualar la Funcin Objetivo a CERO
3) Escribir la tabla inicial del algoritmo del Simplex: en las columnas aparecern
todas las variables del problema y en las filas, los coeficientes de las igualdades
obtenidas, una fila para cada restriccin y la primera fila con los coeficientes de
la Funcin Objetivo.
4) Encontrar la variable de decisin que entra en la base y la variable de holgura

que sale de la base.
Criterios:
A. Variable que entra a la base: se debe observar en la primera fila, la de

los coeficientes de la Funcin Objetivo y escogemos la variable con el
coeficiente negativo mayor en valor absoluto. Si en la primera fila no
existiese ningn coeficiente negativo, significa que se ha alcanzado la
solucin ptima. Por lo tanto, lo que va a determinar el final del proceso
de aplicacin del mtodo simplex, es que en la ltima fila no haya
elementos negativos, adems la columna de la variable que entra es la
base se llama columna pivote.
B. Variable de holgura que tiene que salir de la base y dejarle su lugar a la

variable entrante, se divide cada termina de la ltima columna (valores
solucin) por el termino correspondiente de la columna pivote, siempre y
cuando que estos ltimos sean mayores a cero. Si al calcular los
cocientes, dos o ms son iguales, indica que cualquiera de las variables
correspondientes puede salir de la base.
5) Encontrar los coeficientes de la nueva tabla: mediante la reduccin gaussiana

encontrar la nueva solucin bsica y checar la prueba de optimidad donde
todos los Cj del rengln 0 o funcin objetivo deben ser mayores iguales a
cero.(>=0). Si no es la ptima, regresar al paso numero #4.
42
Retomando el problema #1 del captulo I
Sea:
F.O
S.A
2X1 + 2X2 16
X1 + 2X2 12
4X1 + 2X2 28
1) Convertir las desigualdades en igualdades introduciendo variables de holgura
2X1 + 2X2 < = 16 X1 + 2X2 <= 12 4X1 + 2X2 <= 28
2X1 + 2X2 + h1 = 16 X1 + 2X2 +h2 = 12 4X1 + 2X2 + h3 = 28
2) Igualar la Funcin Objetivo a Cero
F.0 MAX Z X1 - 3/2X2 = 0
3) Escribir la tabla inicial de simplex
BASE X1 X2 h1 h2 h3 Solucin
Z -1 -3/2 0 0 0 0
h1 2 2 1 0 0 16
h2 1 2 0 1 0 12
h3 4 2 0 0 1 28
Variables Bsicas: h1, h2, h3 (por estar dentro de la base)

Variables No Bsicas: X1, X2
Solucin Bsica Inicial: X1 =0, X2=0, Z=0
Prueba de Optimidad: Solucin No ptima (existen negativos en rengln de Z)
43
4) Elegir la variable que entra a la base y la variable que debe salir de la base
Variable que entra X2 (negativo mayor en valor absoluto)
Variable que sale es h2 16/2 = 8 12/2= 6 28/2= 14
BASE X1 X2 h1 h2 h3 Solucin
Z -1 -3/2 0 0 0 0
h1 2 2 1 0 0 16
h2 1 2 0 1 0 12
h3 4 2 0 0 1 28
CP
5) Encontrar los coeficientes de la nueva tabla aplicando la eliminacin de Gauss-

Jordn, haciendo 1 el coeficiente de la interseccin de la columna pivote (CP)
(dividiendo todo el rengln de h2 entre 2 para obtener el 1 en la interseccin (RP) y
ser el nuevo rengln pivote; posteriormente hacer ceros los coeficientes que se
encuentran por arriba y por debajo de la columna pivote y la interseccin, multiplicando
por el coeficiente con signo contrario y sumndole el rengln).
BASE X1 X2 h1 h2 h3 Solucin Operaciones

Gauss-Jordn
Z -1/4 0 0 3/4 0 9 RP(3/2)+Z
h1 1 0 1 -1 0 4 RP(-2)+h1
X2 1/2 1 0 1/2 0 6 h2/2 RP
h3 3 0 0 -1 1 16 RP(-2)+h3
Variables Bsicas: h1, X2, h3 (por estar dentro de la base)
Variables No Bsicas: X1, h2
Solucin Factible: X1 =0, X2=6, Z=9
Prueba de Optimidad: Solucin No ptima (existen negativos en rengln de Z)
Variable que Entra: X1
Variable que Sale: h1 4/1=4 6/1/2=12 16/3=5.333
44
BASE X1 X2 h1 h2 h3 Solucin Operaciones
Gauss-Jordn
Z 0 0 1/4 1/2 0 10 RP(1/4)+Z
X1 1 0 1 -1 0 4 h1/1 RP
X2 0 1 -1/2 1 0 4 RP(-1/2)+X2
h3 0 0 -3 2 1 4 RP(-3)+h3
Variables Bsicas: X1, X2, h3 (por estar dentro de la base)
Variables No Bsicas: h1, h2
Solucin Factible: X1 =4, X2=4, Z=10
Prueba de Optimidad: Solucin ptima (Rengln de Z todos >= 0)
Variable que Entra:
Variable que Sale:
Precios Sombras: h1 = h2=1/2 h3=0
Si corroboramos esta solucin con las anteriores veremos que indiscutiblemente

nos lleva a la misma solucin ptima (Mtodo Grafico y Mtodo Algebraico).
Hasta este momento se ha presentado los detalles del mtodo simplex con la
suposicin de que el problema se encuentra la forma estndar (maximizar Z sujeta a
las restricciones funcionales de la forma <= y restricciones de no negatividad y el
termino bi>=0. en esta seccin se establecer como hacer los ajustes requeridos a
otras formas legitimas de modelos de programacin lineal.
Se vera que todos estos ajustes se pueden hacer en el paso inicial, de manera
que el resto del mtodo smplex se aplica justo como se aprendi.
Indiscutiblemente existen problemas que no se encuentran en la forma normal,

y no podamos darle solucin por el mtodo anteriormente analizado, para ello es
necesario que en su resolucin se utilice de un mtodo llamado GRAN M o
PENALIZACION, que cubre las restricciones del tipo <= y de =.
A continuacin se detalla paso a paso la implementacin de este mtodo para

problemas que no se encuentren en la forma estndar.
Algoritmo del Mtodo de la Gran M
1. Pasar a la forma estndar el modelo matemtico.

2. Agregar variables artificiales y restar variables de excedencia a las
desigualdades del tipo <= para pasarlas a ecuacin.
45
3. Se deben penalizar a las variables artificiales en la funcin objetivo
asignndoles coeficientes positivos muy grandes. Sea M un nmero muy
grande. (En los modelos de Minimizacin la penalizacin para cada variable
artificial se suma y en los de Maximizacin se restan).
4. En la funcin objetivo no deben aparecer variables bsicas por lo que se hace
necesario eliminar las variables artificiales de la F.O.(Quitar las "M" de las
columnas de las artificiales).
5. Con la solucin inicial artificial se aplica el mtodo simplex de la forma
acostumbrada generando las tablas necesarias para llegar a una solucin.
Todas las restricciones del modelo matemtico deben convertirse en igualdades.
No debe haber ningn lado derecho negativo.

Si es "<=" entonces se agrega una hi
Si es ">=" entonces se agregan ai - ei
Si es " =" entonces se agrega una ai
Analicemos un problema donde podamos aplicar el mtodo de la gran m.
Sea:
X1:
X2:
F.O
Min Z = 0.06X1 + 0.05X2
46
S.A
0.30X1 + 0.20X2 >=5

0.15X1 + 0.30X2 >=3
1. convertir las desigualdades en igualdades: en este caso observemos que son

restricciones del tipo <= y no le corresponden variables de holgura como lo que se
hace con la restriccin del tipo >=.
En este caso es necesario restar un variable de excedencia y sumar una variable

artificial por cada restriccin del tipo <= , as estaramos convirtiendo una desigualdad
del tipo <= a igualdad.
3/10X1 + 1/5 X2 e1 + a1 = 5
3/20X1 + 3/10X2 e2 + a2 = 3
2. Penalizar la Funcin Objetivo por el solo hecho de tener variables artificiales con
una gran M positiva para problemas de Minimizacin y una gran M negativa para
problemas de maximizacin. Una Gran M por cada variable artificial introducida.
MIN Z= 3/50X1 + 1/20X2 + Ma1 + Ma2
3. Igualar la funcin objetivo a cero
MIN Z - 3/50X1 - 1/20X2 - Ma1 - Ma2 = 0
4. Construir la primera tabla con los coeficientes de todas las variables
Base X1 X2 E1 A1 E2 A2 Solucin
Z -3/50 -1/20 0 -M 0 -M 0
A1 3/10 1/5 -1 1 0 0 5
A2 3/20 3/10 0 0 -1 1 3
Se puede observa que esta primera tabla no est apta para trabajarla por el mtodo
simplex, por el simple hecho que la interseccin de las variables bsicas no estn en 1
y sus dems renglones por arriba y por abajo no estn en cero incluyendo el rengln
de Z.
47
Para solucionar el pequeo inconveniente es necesario sumar el contenido de las
variables artificiales multiplicarlas por M (si el problema es de MAX y si es MIN
Multiplicar por M) y sumrselas al rengln de Z. para esto el rengln de Z cambia su
contenido a la forma (Zj Cj ). As haremos que la interseccin este en 1 y los dems
renglones en cero.
Base X1 X2 E1 A1 E2 A2 Solucin Gauss

Z 9/20M-3/50 1/2M-1/20 -M 0 -M 0 8M RP(-1/2M+1/20)
A1 3/10 1/5 -1 1 0 0 5 RP(-1/5)+a1
A2 3/20 3/10 0 0 -1 1 3 RP/3/10

CP
Ahora as, esta tabla esta apta para desarrollarla por el mtodo simplex y esta tabla
nos arroja una solucin inicial.
X1=0 X2=0 a1=5 a2=3 Sol = 8m
Y tomando el criterio para este tipo de problema de MAX no es una solucin ptima
porque existen nmero negativos en la funcin objetivo de la diferencia de Zj - Cj
5. Variable que entra a la base: es la ms negativa en el rengln de Z de la diferencia

de Zj - Cj. por lo tanto X2 entra a la base.
6. Variable que sale de la base: mediante la regla del cociente menor de los trminos
solucin y la columna pivote. En este caso a2 debe salir de la base.
7. Realizar las operaciones de eliminacin gaussiana a la tabla anterior para hacer 1 la

interseccin de la CP y RP y los dems renglones en cero, y as sucesivamente hasta
llegar a la solucin optima.

Z 1/5M-7/200 0 -M 0 2/3M-1/6 -5/3M+1/6 3M+1/2 RP(-
2/3M+1/6)+z
A1 1/5 0 -1 1
2/3 -2/3 3 RP/2/3
X2 1 0 0
-10/3 10/3 10 RP(10/3)+a2
CP
X1 = 0 X2=10 Z= 3M+1/2 (Solucin No Optima Zj - Cj en Z existen negativos)

Z 3/200 0 -1/4 -M+1/4 0 -M 1.25 RP(-3/200)+Z
E2 3/10 0 -3/2 3/2 1 -1 9/2 RP/3/10

X2 3/2 1 -5 5 0 0 25 RP(-3/2)+X2
CP
48
X1 = 0 X2=25 Z= 1.25 (Solucin No Optima Zj - Cj en Z existen negativos)
Base X1 X2 E1 A1 E2 A2 Solucin
Z 0 0 M-7/40 -43/40M+7/40 -1/20 -19/20M 1.025
X1 1 0 -5 5 10/3 -10/3 15
X2 0 1 15/2 -15/2 -5 5 2.5
X1 = 15 X2=2.5 Z= 1.025 (Solucin Optima Zj - Cj en Z todos Positivos)
Casos Especiales del Mtodo Simplex
Solucin No Acotada
Cuando aun existe una variable entrante (existen coeficientes negativos en el

rengln cero), pero no existe una variable de salida (a causa de que en la columna
pivote todos los elementos son negativos o ceros), se tiene una solucin no acotada.
Soluciones Mltiples:
Este tipo de soluciones se identifica de la siguiente forma: En una tabla con

solucin ptima, se identifican variables no-bsicas con coeficiente de cero,
correspondientes en el rengln de la funcin Objetivo.
Esto es indicativo que es posible hacer un cambio de base, pero, sin modificar
el valor de la funcin objetivo; esto es, la magnitud de incremento es de cero.
49
Solucin Degenerada:
Un empate al elegir la variable que sale de la base se rompe arbitrariamente. El

problema ocurre en una iteracin donde los valores de una o mas variables bsicas
llegan a ser cero, en cuyo caso se dice que la solucin degenerada. En este punto no
existe la seguridad de que el valor de la funcin objetivo mejorara, ya que la nueva
solucin optima puede permanecer degenerada de ser as, es posible las iteraciones
del simplex entren en un circuito que repetir las mismas sucesin de iteraciones sin
alcanzar nunca la optima.
El problema se conoce como ciclaje y afortunadamente raras veces se presenta

en la prctica. Es una situacin de degeneracin es esencial llevar las iteraciones del
mtodo simplex hasta que se satisfaga completamente la condicin de optimidad.
CONCLUSIONES
El estado de los coeficientes en la tabla simplex indica cada uno de los posibles
estados de una solucin:
1. ptimo: Todos los coeficientes del rengln cero son mayores o iguales a cero.
50
2. Solucin no-acotada: Existe alguna columna con el coeficiente ms negativo y
todos los dems elementos en ella son negativos o cero.
3. Soluciones ptimas mltiples: En una tabla ptima existe alguna variable no-
bsica con coeficiente de cero en el rengln cero.
4. Solucin degenerada: Existe alguna variable bsica con valor de cero.
5. Si ocurren empates en la variable de entrada o de salida, stos se rompern

arbitrariamente.
51
2.4 Teora de Dualidad
Introduccin
Dado un modelo lineal determinado, podemos definir otro modelo lineal que nos
permitir obtener propiedades interesantes del primero y que ser su dual. La solucin
del modelo dual permite obtener interesantes resultados, relativos al anlisis de
sensibilidad de los trminos independientes. Ms concretamente, para los rangos de
valores de los trminos independientes para los que se mantiene la base ptima (que
podemos conocer mediante el anlisis de sensibilidad), la solucin del dual nos
permite conocer el precio sombra de la restriccin, que ser la variacin de la funcin
objetivo por unidad incrementada del trmino independiente de la restriccin.
En la primera parte de esta seccin, encontramos cmo hallar el dual de un

modelo lineal. En las siguientes, se define con ms precisin el concepto de precio
sombra, cmo obtener la solucin del dual a partir de la del primal, y su aplicacin al
anlisis de sensibilidad. Finalmente, se enuncian algunas propiedades de inters,
como el teorema de la holgura complementaria y las relaciones entre las soluciones
del primal con las soluciones del dual.
Antecedentes
Cada problema de programacin lineal tiene un segundo problema asociado

con el. Uno se denomina primal y el otro dual. Los 2 poseen propiedades muy
relacionadas, de tal manera que la solucin ptima a un problema proporciona
informacin completa sobre la solucin ptima para el otro.
Las relaciones entre el primal y el dual se utilizan para reducir el esfuerzo de

cmputo en ciertos problemas y para obtener informacin adicional sobre las
variaciones en la solucin ptima debidas a ciertos cambios en los coeficientes y en la
formulacin del problema. Esto se conoce como anlisis de sensibilidad o post-
optimidad.
Hemos visto como la programacin lineal puede ser usada para resolver una
extensa variedad de problemas propios de los negocios, ya sea para maximizar
utilidades o minimizar costos. Las variables de decisin en tales problemas fueron,
por ejemplo, el nmero de productos a producir, la cantidad de pesos a emplear, etc.
En cada caso la solucin ptima no explic cmo podran ser asignados los recursos
(ejemplo: materia prima, capacidad de las mquinas, el dinero, etc.) para obtener un
objetivo establecido.
Definicin Del Problema Dual
52
Para pod
der elabora
ar el proble
ema dual a partir del primal,
p este
e se debe presentar
p
en su forma cannica de la
l siguientee forma:
n N 1: La forma cannica de un P.P.L. de

Definicin
maximizac ando todas sus restricciiones son
cin es cua
Maximizar menores e iguales.
Definicinn N 2: La forma cannica de un P.P.L. de

minimizaccin es cuando todas sus restricciiones son
mayores e iguales.
Suje
eto a:
Normalmmente llamaamos al problema de programaccin lineal original el problema

de programaci
n primal.
El proble
ema dual se
s puede obtener
o a partir
p del prroblema prrimal y vice
eversa de
la sig
guiente maanera:
1. Cada restriccin
n de un problema corrresponde a una variab
ble en el otrro.
2. Los elementos
e d lado de
del erecho de la
as restriccio
ones en unn problema son
iguales a los coeficcientes resp
pectivos de
e la funcin
n objetivo e
en el otro.
3. Un prroblema bu
usca maxim
mizar y el ottro minimizzar.
4. El pro
oblema de maximizaccin tiene re
estricciones y el prroblema de
e
minimizaacin tiene restriccion
nes .
5. Las variables
v en
n ambos ca
asos son no
o negativass.
A cada
c prob
blema de programa acin line
eal se le asocia o
otro probllema de
prog
gramacin
n lineal, llam
mado el prroblema de
d program
macin dua
al.
La soluccin ptima
a del proble
ema de pro
ogramacin dual, prop
porciona la siguiente
inforrmacin respecto del problem
ma de programmacin original:
1. La
L solucin
n ptima de
el problema
a dual prop
porciona loss precios e
en el merca
ado o los
bene e los reccursos esscasos asignados en el problema original.
eficios de
2. La soluci
n ptima del problema dual aporta
a la solucin
s p
ptima del problema
original y viceversa.
v
53
D
Dado un pro
ograma P y su Dual D,
D se cump
ple necesarriamente un
na de las siguientes
s
afirm
maciones
Los doss programaas tienen sooluciones optimas

o y los valores de sus res
spectivas
funcione
es objetivo es el optim
mo coincide
en
Uno de los progrramas tiene

e ptimo no
n acotado o no tiene ninguna
o y el otro
solucin
n factible
Los dos programass son infactibles (no tienen solucciones factiibles)
D lo anterior se dedu
De uce que el paso al du a a cabo teniendo pre
ual se lleva esente las
cuatro reglas siguientes:
A) Los coeficiientes de la
a i-sima restriccin
r para el pro
oblema prim
mal pasan a ser los
coeficientes de
e las variab
bles Wi enn las restric
cciones deel problema
a dual. El problema
dual tiene tantas variables
v como restriccione es hay en el primal.
B) Los
L coeficie entes de la n Xj en el problema primal pas
as variabless de decisi san a ser
los coeficientes
c s de la resstriccin j-
sima en el
e problemaa dual. El p
problema dual
d tiene
tanta
as restricciones como variabbles hay en el primal.
C) Los
L coeficientes de la funcin objetivo en
e el problema primal pasan a ser los
coeficientes del segund do miembro de las s restriccio
ones en el problem
ma dual.
D) Los
L coeficiientes del segundo miembro
m de las restrricciones d
del problem
ma primal
pasa
an a ser loss coeficientes de la fun
ncin objettivo del dua
al.
La resolucin del programa

p d
dual puede interpretarrse como la
a asignaci
n a cada
recurso de un precio o vaalor, que coincide
c con el increm
mento que provoca en n el valor
ptim
mo del prob
blema primal un aume ento de unaa unidad en
n el recurso
o.
CAS
SOS DE ES
STUDIO
Caso
o 1. Consid
dere el prob
blema primal siguiente
e de acuerd
do a las reg
glas:
Maximizar
Suje
eto a:
X1 + 9X2 <= 600
2X1 + 3X2 <=445
5X1 2X2 <=20
X2 <= 300
X1,X
X2>=0
54
borar el dua
Elab al a partir de
el primal.
Minim
mizar
Suje
eto a:
Cuanndo el pro
oblema prim mal no est en forma a cannicaa, es necesario hace
er ajustes
para
a poder pressentarlo ass. Los cam
mbios ms frecuentes
f s
son:
1. Sii la funcin
n objetivo es
e minimiza
ar, se pued
de transform
mar a una funcin ob
bjetivo de
maximizar de la a siguiente forma:
Minim
mizar
Maximizar
2. Un a restriccin menor o igual

na restriccin mayor o igual que se transforma en una
que de la siguie
ente manerra:
3. Una
U restricccin de igua
aldad se tra
ansforma en 2 inecuacciones.
55
o 2. Consid
Caso dere el prob
e:
PRIMAL.
Maximizar
Suje
eto a:
No esta
e en la fo
orma cann o tanto hay que transf
nica, por lo rmalo a su
u forma
Maximizar
Suje
eto a:
Ya se
s encuentrra en la form
ma cannicca, ahora si
s hacer la transformac
t cin primal - dual
Duall
Minim
mizar
Suje
eto a:
Caso
o 3. Consid
dere el prob
e:
Maximizar
Suje
eto a:
56
nsformar a la forma ca
Tran annica
Maximizar
Suje
eto a:
Maximizar
Suje
eto a:
X1 + 2X2 + X3 <= 5
-2X1 + X2 -3X3 <= -22 (-1)
2X1 X2 +3X3 <= 2
X1, X2 ,X
X3 >= 0
Se encuentra
e y en la form
ya ma cannicca de aqu transforma
a al problem
ma Dual.
Minim
mizar
Suje
eto a:
57
Interrpretacin econmic
ca del prob
blema dua
al.
Econm micamente significa

s qu
ue cada inncremento en una unidad de un n recurso
geneera un incre
emento en el valor de e la funcin objetivo ig
gual al valor de la variable dual
de esa restricciin, por lo tanto
t el cossto que genera el incremento en n el recurso
o por una
unida
ad no debe e ser mayor al valor del dual.
Cada vaariable del dual

d est asociada
a a una restricccin del programa priimal, y su
e incremento de la fun
valorr ptimo representa el ncin objettivo del prim
mal por cad
da unidad
que aumente el e trmino independie ente de diccha restricccin, siemppre que esste ltimo
aumento no suponga un cambio
c de base. Es, por
p tanto, ele precio ad dicional mximo que
estamos dispu uestos a pagar
p por el
e incremeento del re ecurso. Loss valores de estas
varia
ables se deenominan precios
p sommbra.
Preccio Sombrra.- Se define como la a proporci e mejora el valor de la funcin

n con que
objettivo a partiir de la i - sima resstriccin, dependiend
d o si se trata de maximizacin
tiend
de a aumen ntar y a disminuir cuanndo es de minimizaci
m n.
TODO DUA
MET AL SIMPLE
EX.
Este mtodo se ap
plica a problemas ptimos pero o infactibless. En este caso, las
restrricciones se
e expresan en forma cannica
c (rrestriccione
es ).
La funcin objetivo
o puede esttar en la forma de ma aximizacinn o de minim
mizacin.
Desp pus de ag gregar las variables de d holgura a y de poner el probllema en laa tabla, si
algn elemento o de la parte derecha es negativo y si la a condicin
n de optimiidad est
satissfecha, el problema
p p
puede resoolverse por el mtod do dual sim
mplex. Note e que un
elem
mento nega ativo en el lado derech ho significa
a que el pro
oblema com mienza pttimo pero
infacctible comoo se requiiere en el mtodo dual d simpleex. En la iteracin donde la
soluccin bsicaa llega a se
er factible esta ser la solucin ptima
del p
problema.
Condicin de Factibilida
ad
La varia
able que saale es la va ariable bs
sica que tie
ene el valo or ms negativo (los
empates se roompen arbitrariamente e si todas las variables bsicass son negativas, el
proceso termina y esta lttima tabla es
e la soluciin ptima factible).
58
Condicin de Optimidad
La variable que entra se elige entre las variables no bsicas como sigue. Tome
los cocientes de los coeficientes de la funcin objetivo entre los coeficientes
correspondientes a la ecuacin asociada a la variable que sale.
Ignore los cocientes asociados a denominadores positivos o cero.
La variable que entra es aquella con el cociente ms pequeo si el problema es

de minimizar o el valor absoluto ms pequeo si el problema es de maximizacin
(rompa los empates arbitrariamente). Si los denominadores son ceros o positivos el
problema no tiene ninguna solucin factible.
Retomemos el problema el siguiente problema:
Sea:
X1:
X2:
F.O PRIMAL
Min Z = 0.06X1 + 0.05X2
S.A
0.30X1 + 0.20X2 >=5

0.15X1 + 0.30X2 >=3
Convertir a Dual
Sea:
X1:
X2:
F.O DUAL
MAX Z = 5W1 + 3W2
S.A
0.30W1 + 0.15W2 <=0.06

0.20W1 + 0.30W2 <=0.05
59
Desarrollar el modelo Dual por el mtodo Simplex
1) convertir las desigualdades en igualdades
0.30W1 + 0.15W2 + h1 = 0.06

0.20W1 + 0.30W2 + h2 = 0.05
2) Igualar la funcin objetivo a cero
MAX Z - 5W1 - 3W2 = 0
3. Construir la primera tabla con los coeficientes de todas las variables
Base W1 W2 h1 h2 Solucin
Z -5 -3 0 0 0
H1 3/10 3/20 1 0 3/50
h2 1/5 3/10 0 1 1/20
Variable que entra a la base: W1
Variable que sale de la base: h1
Base W1 W2 h1 h2 Solucin Gauss

Z 0 -1/2 50/3 0 1 RP(5)+Z
W1 1 10/3 0 1/5 h1/(3/10)RP
h2 0 1/5 -2/3 1 1/100 RP(-1/5)+h2
Variable que entra a la base: W2
Variable que sale de la base: h2
Base W1 W2 h1 h2 Solucin Gauss

Z 0 0 15 5/2 1.025 RP(1/2)+Z
W1 1 0 5 -5/2 7/40 RP(-1/2)+W1
W2 0 1 -10/3 5 1/20 H2/(1/5) RP
Solucin Optima:
Z = 1.025
W1= 7/40 X1= 15
W2= 1/20 X2 = 5/2
60
Observemos las soluciones del modelo primal y del modelo dual de este modelo en
estudio, mediante el mtodo grafico y coinciden con Z.
MODELO PRIMAL
MODELO DUAL
61
Anlisis de Sensibilidad O Post-ptimo
El anlisis de sensibilidad concierne el estudio de posibles cambios en la solucin

ptima disponible como resultado de hacer cambios en el modelo original.
Mediante el anlisis de sensibilidad pueden existir diferentes tipos de cambios en el

modelo original como:
Cambios en los coeficientes de la funcin objetivo.

Cambios en los recursos.
Cambios en los coeficientes tecnolgicos.
Adicin de una nueva variable.
Adicin de una nueva restriccin
Resumen del procedimiento para anlisis de sensibilidad
1. Revisin del Modelo: se hacen los cambios deseados en el modelo que se va a

investigar.
2. Revisin de la Tabla Simplex Final: se emplea la idea fundamental para

determinar los cambios que resultan en la tabla simplex final.
3. Conversin a la Forma Apropiada: se convierte esta tabla en la forma apropiada

para identificar y evaluar la solucin bsica actual aplicando (segn sea necesario)
eliminacin de Gauss.
4. Prueba de Factibilidad: se prueba la factibilidad de esta solucin verificando que

todas las variables bsicas sigan teniendo valores no negativos en la columna del lado
derecho.
5. Prueba de Optimalidad: se verifica si esta solucin es ptima (si es factible),

comprobando que todos los coeficientes de las variables no bsicas en el rengln 0
sigan siendo no negativos.
6. Reoptimizacin: si esta solucin no pasa cualquiera de las pruebas, se puede

obtener (si se desea) la nueva solucin ptima partiendo de la tabla actual como tabla
simplex inicial (haciendo las conversiones necesarias) para el mtodo simplex primal o
el simplex dual.
62
Aplicacin del anlisis de sensibilidad
Este anlisis casi siempre comienza con la investigacin de los cambios en los
valores de las bi, la cantidad del recurso i (i = 1, 2,. . . , m) que se encuentra disponible
para las actividades bajo consideracin. La razn es que en general existe mayor
flexibilidad al establecer y ajustar estos valores que los otros parmetros del modelo.
La interpretacin econmica de las variables duales (las yi) como precios sombra es
extremadamente til para decidir cules son los cambios que se deben estudiar.
1. Cambios en las bi (columna lado derecho)
Supongamos que los nicos cambios al modelo actual consisten en el cambio

de uno o ms de los parmetros bi (i = 1, 2, . . . , m). En este caso, los nicos cambios
que resultan en la tabla simplex final se encuentran en la columna del lado derecho,
por lo cual, se pueden omitir del procedimiento general tanto la conversin a la forma
apropiada de eliminacin de Gauss como la prueba optimalidad.
Lo que se busca identificar si las actuales variables bsicas se mantienen luego

de la modificacin de uno o ms parmetros asociados al "lado derecho" del modelo.
Si calculamos:
Y se cumple , Las mismas variables bsicas lo son tambin de la

nueva solucin ptima, calculada con el nuevo . Si lo anterior no se cumple, se
puede aplicar el Mtodo Simplex Dual.
Ejemplo: Sin resolver nuevamente el problema, se desea saber si las actuales

variables bsicas ptimas del problema tambin lo son del mismo problema, donde los
lados derechos corresponde al vector b= (20,30). (Observacin: X4 y X5 son variables
de holgura de la restriccin 1 y 2 respectivamente)
Max 2x1 + 7x2 - 3x3
s.a: x1 + 3x2 + 4x3 <= 30

x1 + 4x2 - x3 <= 10
No negatividad x1, x2, x3 >= 0
Para analizar este escenario debemos calcular el vector de variables bsicas y

verificar si todos sus componentes son positivos definidos. Ntese que para esto
necesitamos la matriz B inversa, la cual fcilmente podemos rescatar identificando los
63
parmetros asociados a X4 y X5 (variables de holgura de la restriccin 1 y 2
respectivamente) en la tabla final del Mtodo Simplex:
Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene
un valor negativo, cambia la actual base ptima. Cabe destacar que ante esta situacin
no es necesario resolver el nuevo escenario partiendo de cero, sino lo que se debe
hacer es utilizar la tabla final del simplex del escenario base, actualizando el lado
derecho y valor de la funcin objetivo.
Posteriormente, se continua iterando haciendo uso del Mtodo Simplex Dual.
2. Inclusin de una nueva variable
Debemos evaluar si la nueva variable es un aporte significativo a los resultados del

modelo original. Luego, para decir si la actual solucin bsica es ptima para el nuevo
problema, calculamos el costo reducido de la nueva variable como:
Donde k es el ndice de la nueva variable y Ak su respectiva

columna en la matriz de coeficientes. Si se cumple que rk>=0 se conserva la actual
solucin ptima. En caso contrario, se puede seguir con el Simplex agregando a la
tabla una nueva columna con entradas B-1Ak y rk y tomando como variable entrante a
la nueva base la que acabamos de introducir al problema.
Ejemplo: Se desea estudiar la posibilidad de elaborar un nuevo producto con beneficio

neto igual a 8 y que requiere 4, 2 y 5 unidades de los recursos asociados a cada
restriccin. Sin resolver nuevamente el problema, Conviene elaborar el producto?
Max 9x1 + 12x2

s.a: 4x1 + 3x2 <= 180
2x1 + 3x2 <= 150
4x1 + 2x2 <= 160
No negatividad x1,x2 >= 0
64
Se debe evaluar rk y determinar si este es >=0.
En este ejemplo rk=1>=0, por lo cual no conviene la incorporacin de esta

nueva variable al modelo, es decir, aun cuando sea incorporada no obtendremos un
valor ptimo que supere el actual V(P)=615. De todas formas mostraremos como se
incluye en la tabla final del Simplex esta modificacin de modo que el lector pueda
entender su incorporacin cuando es necesario:
Si el costo reducido de esta nueva variable hubiese sido cero, entonces el

nuevo escenario tendra infinitas soluciones.
3. Cambio en los Coeficientes Funcin Objetivo
Se busca identificar qu ocurre con la actual solucin ptima del escenario base
si se cambian uno o varios de los coeficientes que definen la funcin objetivo. La
solucin ptima actual tambin lo ser para el nuevo escenario siempre que los
65
nuevos costos reducidos sean mayores o iguales a cero (notar que tambin cambia el
valor de la funcin objetivo en la actual solucin ptima). Es decir se debe cumplir que:
En caso contrario, se aplica el Simplex a partir de la tabla final del modelo

original, con los nuevos costos reducidos y nuevo valor de la actual solucin bsica.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se

modifica los parmetros de la funcin objetivo, quedando stos de la siguiente forma: Z
= x1 + 5x2 - 2x3. (X4 y X5 son las variables de holgura de la restriccin 1 y 2
respectivamente).
Max 2x1 + 7x2 - 3x3

s.a: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
No negatividad x1,x2,x3 >= 0
Debido a que los cambios en los parmetros de la funcin objetivo se producen

en ms de una variable consideraremos la siguiente frmula:
Debido a que al menos uno de los costos reducidos de las variables no bsicas
se ha vuelto negativo, entonces cambia la actual solucin y valor ptimo del problema.
Para incorporar esta modificacin en la tabla final del Mtodo Simplex se actualiza los
costos reducidos asociados a las variables no bsicas, adems del valor ptimo,
quedando como sigue:
66
4. Inclusin de una nueva restriccin:
Para saber si la actual solucin y valor ptimo se mantendr luego de incorporar

una nueva restriccin al problema se debe evaluar la solucin actual y verificar si
satisface la nueva restriccin. En caso afirmativo, la actual solucin tambin lo ser del
problema con la nueva restriccin, en caso contrario se incorpora la nueva restriccin a
la tabla final del Simplex del escenario base.
Ejemplo: Sin resolver nuevamente el problema, se desea saber que sucede si se

considera una nueva restriccin de la forma: 3x1 + 2x2 + 3x3 <= 25. (Observacin:
Considerar mismo modelo y tabla final del ejemplo anterior)
Se evala la solucin actual en la restriccin: 3*(10) + 2*(0) + 3*(0) <= 25. No

cumple. Por tanto se incorpora esta nueva restriccin como fila a la tabla final del
Simplex. Adicionalmente, se agrega X6 como variable de holgura asociada a esta
nueva restriccin:
Una alternativa para encontrar el ptimo a travs de esta tabla es formar la

identidad (debemos hacer cero el parmetro asociado a X1 en la tercera fila)
multiplicando la fila 2 por -3 y sumando dicho resultado a la fila 3. De esta forma se
obtiene:
67
Finalmente obtenemos X4, X1 y X6 como variables bsicas. Producto de la
transformacin un lado derecho queda negativo y en este caso podemos continuar
adelante utilizando el Mtodo Simplex Dual.
68
Unidad III
Los Modelos de
Transporte y Asignacin
Conocer, Construir, resolver e interpretar modelos

matemticos de transporte y asignacin.
69
Los Modelos de Transporte y Asignacin
3.1 El Modelo de Transporte
Introduccin
En este captulo se considera el modelo de transporte por medio del cual un

administrador debe determinar la mejor forma de como hacer llegar los productos de
sus diversos almacenes a sus consumidores, con el fin de satisfacer de los clientes y a
un costo mnimo.
El modelo de transporte es un problema de optimizacin de redes donde debe

determinarse como hacer llegar los productos desde los puntos de existencia hasta los
puntos de demanda, minimizando los costos de envi.
Antecedentes
La primera referencia escrita de este problema se remota a 1781, cuando el

matemtico Francs Gaspard Monge describe el problema de la construccin y
abastecimiento de fortificaciones militares de los ejrcitos de Napolen. Monge era
entonces general de los ejrcitos napolenicos. Para resolver este problema uso el
mtodo de Cortar y Llenar, es decir, ir abasteciendo las diferentes trincheras desde
los depsitos de material existentes.
Formalmente, este problema aparece en 1942 cuando F.L. Hitchcock publica

una solucin analtica para este problema, aunque su desarrollo se produce a finales
de los 40, cuando Koopmans (un joven Holands) realiza su tesis doctoral sobre los
problemas de embarque de la marina holandesa.
Modelo de Transporte
El problema consiste en decidir cuntas unidades trasladar desde ciertos puntos

de origen (plantas, ciudades, etc.) a ciertos puntos de destino (centros de distribucin,
ciudades, etc.) de modo de minimizar los costos de transporte, dada la oferta y
demanda en dichos puntos.
Se suponen conocidos los costos unitarios de transporte, los requerimientos de

demanda y la oferta disponible.
70
Entre
e los datoss del modelo se cuenta
an:
A. N
Nivel de ofe
erta en cada fuente y la cantidad
d de la dem
manda en ca
ada
d
destino.
B. E
El costo de transporte unitario de
e la mercan da fuente a cada
nca de cad
d
destino.
En si la metta de un modelo de trransporte es

E e minimizaar el costo total de envi de un
producto desde los puntos de exxistencia ha asta los puntos
p de demanda bajo las
siguiientes restrricciones:
1. Cada pu
unto de dem
manda recibe su requ
uerimiento
2 Los em
2. mbarques desde
d un puno de suministro (existenciia) no exc
ceden su
capacida
ad disponib
ble.
Mod
delo red de
e un Mtod
do de trans
sporte
El esque
ema siguieente representa el mo odelo de traansporte co omo una re ed con m
fuentes y n desstinos. Una
a fuente o un destino o esta repreesentado p por un nodo o, el arco
que une fuente e y un desttino represe ual se transsporta la mercanca.
entan la rutta por la cu
La cantidad de la oferta en
e la fuentee i es ai, y la demanda a en el desstino j es bj. El costo
de trransporte unitario
u en
ntre la fuennte i y ell destino j es Cij. S Si Xi j repreesenta la
cantidad transpportada dessde la fuente i al destiino j.
O
Origen D
Destino
a1 1 1 b1
ai i j bj
am m n bn
Donde::
ai = Cap
pacidad de la fu
uente i.
bj = Dem
manda del alma acn j.
m = Nm
mero de fuentess distribuidoras.
n = Nm
mero de destinoos receptores
71
delo genera
Mod al de PL qu
ue represe
enta el modelo de tra
ansporte
El prroblema de e se representa a co
e transporte ontinuacin como una
a matriz, qu
ue puede
estar en funcin
f a lo
os costos o a los flujos .
DE
ESTINO
OR
RIGEN 1 2 3 ...
OFERTA
DE
EMANDA
72
piedad de Solucione
Prop es Factibles
Una conndicin neccesaria y su uficiente pa

ara que el problema d de transpo
orte tenga
soluccin es que
e la oferta total
t sea igual a la dem
manda totaal, es decir::
Si no see cumple co on esta con ndicin es necesario

n h
hacer los siguientes ajjustes
para
a que la ofe
erta total se
ea igual a la
a demanda total.
SO 1: Que
CAS e la oferta to
otal sea ma
ayor que la
a demanda total
Es decir, .
Se tendr
t que
e aadir un
n centro de
e consumo
o artificial o ficticio(n+1) cuya demanda
d
en lo
os cuales los costtos unitarios , son todo
os ceros
con k= 1,2,...,m
m
DEST
TINO Columna OFER
RTA
ORIGE
EN agregada
DEMA
ANDA
73
SO 2:
CAS Que
e la deman
nda total se
ea mayor qu
ue la oferta
a total
Es decir,
a lo cual se
Para e aadir un cticia), que ser (m+1), con capa
na fila a la matriz (Fic acidad de
ofertta , los costoss unitarios son ceros.
DES
STINO OFERTA
ORIG
GEN 1 2 ... n
DEM
MANDA
El objetiivo de aum
mentar una columna o agregar una fila ess el de bala
ancear el
prob
blema de Trransporte.
En el mundo real, no necesa ariamente la oferta deebe ser igu

ual a la de
emanda o
mayo or que ella
a. Sin embaargo, un modelo de trransporte siempre
s pu
uede equilib
brarse. El
ms de su utilidad en
equilibrio, adem n la represe
entacin a travs de modelos ded ciertas
situa
aciones prcticas, es importantee para el desarrollo
d del mtod
do de soluucin que
explo
ote comple etamente la
a estructura
a especial del
d modelo de transpo orte.
74
Problema #1T de Transporte
Uno de los productos mas importantes de la P & T company son los chncharos
enlatados. Los chncharos se preparan en 3 enlatadoras:
Bellingham (Washington)
Eugene (Oregn)
AlbertLea (Minesota)
Luego se mandan por camin a 4 almacenes de distribucin:
Sacramento (California)
Salt Lake City (Utah)
Rapld City (South Dakota)
Alburqueque(Nuevo Mxico)
Los gastos de embarque constituyen un gasto importante, en la tabla siguiente tabla se

puede ver:
Costo de Embarque X Carga

Almacn Produccin
1 2 3 4
1 464 513 654 867 75
Enlatadora 2 352 416 690 791 125
3 995 682 388 685 100
Asignacin 80 65 70 85
Representacin del problema en red
464 A1 80
75 E1
513
352 654 416 A2 65

125 E2 690
791
995 867 A3 70
682
100
E3 388
85
A4
685
Enlatadoras
Almacenes
75
El modelo matemtico del problema:
1) Variable de decisin
Xij: Nmero de cargas de camin que se mandan de la enlatadora i al almacn

j.
i: 1,2,3. j:1,2,3,4.
2) Funcin Objetivo
MIN Z= 464X11 + 513X12 + 654X13 + 867X14 + 352X21 + 416X22 + 690X23 +

792X24 + 995X31 + 682X32 + 388X33 + 685X34
3) Restricciones
Oferta (enlatadora)
X11 + X12 + X13 + X14 = 75

X21 + X22 + X23 + X24 = 125
X31 + X32 + X33 + X34 = 100
Demanda (almacn)
X11 + X21 + X31 = 80

X12 + X22 + X32 = 65
X13 + X23 + X33 = 70
X14 + X24 + X34 = 85
4) No negatividad
Xij >= 0 Donde i= 1,2,3 y j = 1,2,3,4
76
3.2 El Modelo de Asignacin
Introduccin
Este problema es de especial inters ya que una de las preocupaciones de los

gerentes de las empresas es la utilizacin ms eficiente de sus recursos escasos.
Los problemas de asignacin presentan una estructura similar a los de

transporte, pero con dos diferencias:
1.- Asocian igual nmero de orgenes con igual nmero de demandas.

2.- Las ofertas en cada origen es de valor uno, como lo es la demanda en
cada destino.
El problema de asignacin debe su nombre a la aplicacin particular de asignar

hombres a trabajos (o trabajos a mquinas), con la condicin de que cada hombre
puede ser asignado a un trabajo y que cada trabajo tendr asignada una
persona.
La condicin necesaria y suficiente para que este tipo de problemas tenga

solucin, es que se encuentre balanceado, es decir, que los recursos totales sean
iguales a las demandas totales.
El modelo de asignacin tiene sus principales aplicaciones en: Trabajadores,

Oficinas al personal, Vehculos a rutas, Mquinas, Vendedores a regiones, productos a
fabricar, etc.
La formulacin del problema general de asignacin es:
77
Casos especiales del modelo de asignacin
1) Oferta y demanda desiguales.
Cuando la oferta y la demanda son desiguales, se asigna una actividad ficticia

con un costo de cero para mantener la condicin de mtodo que debe ser igual
nmero de ofertas y demandas
2) Problemas de maximizacin.
Considere un problema de asignacin en el que la respuesta a cada asignacin

es una utilidad en vez de un costo. Considere la matriz de utilidades del problema
como la caracterstica nueva la cual consiste en que el nmero que aparece en cada
celda representa un beneficio en lugar de un costo.
3) Problemas con asignacin inaceptable.
Supngase que se est resolviendo un problema de asignacin y que se sabe

que ciertas asignaciones son inaceptables. Para alcanzar esta meta, simplemente
asigna un costo arbitrariamente grande representado mediante la letra M. M es un
nmero tan grande que si se le resta un nmero finito cualquiera, queda todava un
valor mayor que los dems.
Problema #1 de Asignacin.
Una factora tiene cuatro operarios, los cuales deben ser asignados al manejo
de cuatro mquinas; las horas requeridas para cada trabajador en cada mquina se
dan en la tabla siguiente; el tiempo a laborar por cada operario en cada una de las
mquinas se pretende que sea mnimo, para lo cual se busca la asignacin ptima
posible.
Operarios 1 2 3 4
Antonio 10 14 16 13
Bernardo 12 13 15 12
Carlos 9 12 12 11
Diego 14 16 18 16
78
El modelo matemtico del problema:
1) Variables de Decisin
Xij = Se debe asignar el operario i a la mquina j? S o no?
2) Funcin Objetivo
MIN Z = (10 X11+ 14 X12+ 16 X13+ 13 X14 ) + (12 X21+ 13 X22+ 15 X23+ 12 X24) +
( 9 X31+ 12 X32+ 12 X33+ 11 X34 ) + (14 X41+ 16 X42+ 18 X43+ 16 X44)
3) Restricciones
Como cada operario slo puede estar asignado a una mquina
1) X11 + X12 + X13 + X14 = 1

2) X21 + X22 + X23 + X24 = 1
3) X31 + X32 + X33 + X34 = 1
4) X41 + X42 + X43 + X44 = 1
Como cada mquina solo puede tener un operario asignado

5) X11 + X21 + X31 + X41 = 1
6) X12 + X22 + X32 + X42 = 1
7) X13 + X23 + X33 + X43 = 1
8) X14 + X24 + X34 + X44 = 1
1) No negatividad
Xij 0 ; donde i= 1,2,3,4 y j= 1,2,3,4
79
3.3 Modelos de Solucin
A) Solucin para Problemas de Transporte.
El problema de transporte es un tipo especial de problemas de Programacin

Lineal, sin embargo la estructura especial que tiene este tipo de problemas permite
resolverlos con un mtodo que ahorra muchos clculos.
Un mtodo mas resumido para representar el modelo de transporte consiste en

utilizar lo que se llama tabla de transporte. Esta es una forma de matriz donde sus
renglones representan las fuentes y sus columnas los destinos. Los elementos de
costo C i j se resumen en la esquina noroeste de la celda de la matriz (i, j).
Porque es ms conveniente este mtodo:
a. No se necesitan Variables Artificiales

b. Existe una forma simplificada de obtener el rengln (0) mediante Ui y Vj.
c. La variable bsica que sale se identifica de manera sencilla
d. No se tiene que hacer ninguna tabla de Simplex y tampoco actualizara.
Tabla Simplex de Transporte.
Donde:
Cij : Ganancia
Si : Origen i
di : Demanda j
Ui : Precio sombra de la restriccin de oferta i
Vj : Precio sombra de la restriccin de demanda j
80
Cij Ui Vj : para cada V.N.B
Procedimiento para solucionar problemas de transporte
1.- Hallar una solucin bsica factible (S.B.F.) inicial. Podemos obtener una solucin
bsica factible (sbf) para un problema de transporte balanceado mediante el mtodo
de la esquina Noroeste, el mtodo de costo mnimo, o el mtodo de Vogel.
A) Mtodo de la esquina noroeste: Este mtodo es considerado el ms fcil,

es tambin considerado por ser el menos probable para dar una buena solucin
bsica inicial y de bajo costo porque ignora la magnitud relativa de los costos
Cij.
1) Seleccionar la celda de la esquina noroeste de toda la tabla.
2) Haga el ms grande envo como pueda de toda la tabla, esta

operacin agotara completamente la disponibilidad de suministro en
un origen o los requerimientos de demanda en un destino.
3) Corrija los nmeros de suministro y requerimiento para reflejar lo que

va quedando de suministro y requerimiento y regrese al paso #1.
Problema de transporte #1T (mtodo de la esquina noroeste)
Destinos Demanda
464 513 654 867 75 0

75
352 416 690 792 125 120 55
Origenes
5 65 55 0
995 682 388 685

100 85 0
15 85
Oferta 80 65 70 85 300
5 0 15 0
0 0 300
81
Solucin Bsica Factible Inicial Z= 165,595
Variables bsicas: X12, X21, X22, X23, X33, X34
B) Mtodo del costo mnimo: Este es un procedimiento que se utiliza tomando

como base a las rutas que tengan el menor costo de toda la tabla.
1) Asgnese el valor ms grande posible a la variable con menor costo

unitario de toda la tabla, los empates se rompen arbitrariamente.
2) Tchese el rengln o columna satisfecha.
3) Ajuste la oferta y la demanda.
4) Regrese al paso #1. El procedimiento termina cuando queda

exactamente un rengln o columna sin tachar.
Problema de transporte #1T (mtodo del costo mnimo)
Destinos Demanda
464 513 654 867 75 55 0

20 55
352 416 690 792
Origenes 125 45 0
80 45
995 682 388 685
70 30 100 30 0
Oferta 80 65 70 85 300
0 20 0 66
0 0 300

82
C) Mtodo de Aproximacin de Vogel: Este mtodo es heurstico y suele producir
una mejor solucin inicial que los mtodos anteriores. De hecho, suele producir
una solucin inicial ptima o prxima al nivel ptimo.
1) Evalese una penalizacin, para cada columna y cada rengln

elegible, calcule la diferencia, entendida como la diferencia aritmtica
entre el menor costo y el que le sigue en orden incremental, en este
rengln.
2) Elegir el rengln o la columna con mayor penalizacin
3) Elegir la celda de menor costo del rengln o la columna elegida
4) Realizar el ms grande envo como se pueda y ajustar la oferta y la

demanda.
5) Regresar al paso #1, hasta que queden satisfechas todas las celdas.
Problema de transporte #1T (Mtodo de Aproximacin de Vogel)
Destinos Demanda Penalizacin
464 513 654 867 75 55 0 49 49 354 354 -

20 55
352 416 690 792
Origenes 125 45 0 64 64 376 - -
80 45
995 682 388 685
100 30 0 294 3 3 3 3
70 30
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
Penalizacin 112 97 266 107

112 97 - 107
- 97 - 107
- 169 - 182
- - - 182

83
2.- Despus de obtener una S.B.F inicial, se verifica si es ptima mediante la prueba
de Optimidad.
Mtodo del escaln (paso a paso, Spening Stone)
Calcule un evaluador de celda para cada celda vaca. Un evaluador de celda

para cada celda vaca es determinado, calculando el Costo Neto de traslado de 1
unidad de una celda que contiene un envo positivo a las celdas vacas. A
continuacin, el signo de los evaluadores de celda es checado por la Optimidad.
El evaluador de celda es igual a la suma de los costos de transporte de una

unidad de todas las celdas que ganaron 1 unidad menos la suma de los costos de
todas las celdas que perdieron 1 unidad. Para este paso se consideran todas y cada
una de las variables no bsicas (celdas sin asignacin).
Procedimiento de Evaluador de celda (CICLO CERRADO): Trazando una lnea

que, partiendo de la casilla a evaluar, vuelve a ella despus de un recorrido en el que
se describe nicamente ngulos rectos, en cuyos vrtices se sitan cacillas con
asignacin.
Como saber si estamos en una Solucin Optima de Transporte, cuando

todos los evaluadores de celda son cero o positivos. Entonces estamos frente a
una solucin ptima.
Si en los evaluadores de celda encontramos algn valor negativo, esto significa

que aun no es ptima la solucin
Problema de transporte #1T (Mtodo del escaln) tomando la solucin inicial factible
por el mtodo de la aproximacin de Vogel
Destinos Demanda
464 513 654 867 75 55 0

20 55
352 416 690 792
Origenes 125 45 0
80 45
995 682 388 685
70 30 100 30 0
Oferta 80 65 70 85 300
0 20 0 66
0 0 300 84
Evaluadores de celdas (Celdas sin asignacin) Variables no Basicas)
1.- (1,1)
2.- (1,3)
3.- (2,3)
4.- (2,4)
5.- (3,1)
6.- (3,2)
1.- Evaluador de Celda (1,1)
Destinos Demanda
464 +1 513 -1 654 867 75 55 0

20 55
352 -1 416 +1 690 792
Origenes 125 45 0
80 45
995 682 388 685
70 30 100 30 0
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
Evaluador de celda (1,1)= (464+416)-(513+352)=15
Destinos Demanda
464 513 654 +1 867 -1 75 55 0

20 55
352 416 690 792
Origenes 125 45 0
80 45
995 682 388 -1 685 +1
70 30 100 30 0
Oferta 80 65 70 85 300
0 20 0 66
0 0 300 85
Evaluador de celda (1,3)= (654+685)-(867+388)= 84
Destinos Demanda
464 513 +1 654 867 -1 75 55 0

20 55
352 416 -1 690 +1 792
Orgenes 125 45 0
80 45
995 682 388 -1 685 +1
70 30 100 30 0
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
Evaluador de celda (2,3)= (690+513+685)-(416+867+388)= 217
4. Evaluador de Celda (2,4)
Destinos Demanda
464 513 +1 654 867 -1 75 55 0

20 55
352 416 -1 690 792 +1
Orgenes 125 45 0
80 45
995 682 388 685
70 30 100 30 0
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
86
Destinos Demanda
464 513 -1 654 867 +1 75 55 0

20 55
352 -1 416 +1 690 792
Orgenes 125 45 0
80 45
995 +1 682 388 685 -1
70 30 100 30 0
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
Evaluador de celda (1,3)= (995+416+867)-(352+513+685)= 728
Destinos Demanda
464 513 -1 654 867 +1 75 55 0

20 55
352 416 690 792
Orgenes 125 45 0
80 45
995 682 +1 388 685 -1
70 30 100 30 0
Oferta 80 65 70 85 300
0 20 0 66
0 0 300
87
B) Solucin
S para Pro
oblemas de Asign
nacin.
El Mtodo Hngaroo
Intrroduccin
El algorritmo modeela un prob blema de asignacin n como una matriz de d costos
mm m, donde cada
c eleme
ento repressenta el coosto de asig gnar el ensimo trab bajador al
enssimo trabajo. Por defeecto, el algoritmo realiza la minimizacin dde los elemmentos de
la matriz;
m de ah
a que en n caso de ser un prroblema de e minimizaacin de co ostos, es
suficciente con comenzar la eliminaccin de Ga auss-Jordn n para haccer ceros (a al menos
un cero
c por lnea
l y poor columna a). Sin emmbargo, en n caso de e un prob blema de
maximizacin deld beneficcio, el costoo de la ma
atriz necesita ser mod dificado para que la
minim mizacin de
d sus ele ementos lle eve a una maximizaccin de los valores de costo
originales. En un problem ma de costtos infinito, el costo inicial de la matriz puede
p ser
remo ada elemento de cad
odelado resstando a ca da lnea el valor
v mxim
mo del elem mento de
esa lnea (o anlogame
a nte column na). En unn problema a de costo o infinito, todos
t los
elem
mentos son restados por
p el valor mximo de e la matriz entera.
Anttecedentees
EL algo
oritmo Hn
ngaro es un algorittmo de op
ptimizacin
n el cual resuelve
prob
blemas de asignacin
a en tiempo
o . La primeraa versin co
onocida deel mtodo
Hnggaro, fue innventado y publicado
o por Harold Kuhn en n 1955. Esste fue reviisado por
Jamees Munkre es en 1957, y ha sido conocido desde entonces como el algoritmo
Hnggaro, el alg l asignacin de Munkres, o el algoritmo
goritmo de la a de Kuhn-Mu unkres.
El algorritmo desa arrollado por Kuhn este basad
do fundam
mentalmentee en los
primeros trabajjos de otros dos mateemticos Hngaros:
H D
Dnes Knig y Jen Egervry.
E
La gran
g venta
aja del mtodo
m de Kuhn es que es fuertemente polinm mico (ver
Commplejidad co
omputacion nal para ms detalles)).
El algorritmo consstruye una solucin del proble
ema primall partiendo o de una
soluccin no admisible (quue correspo
onde a una
a solucin admisible
a d
del dual) ha
acindola
pocoo a poco m s admisib
ble.
El Mtoddo Hngaro o se usa para resolveer problemaas de minim

mizacin, ya
y que es
ms eficaz que e el emplea
ado para reesolver el problema
p d transporrte por el alto
del a grado
de degeneraci n que pueeden presenntar los pro
oblemas dee asignacin. Las fase
es para la
apliccacin del mtodo
m Hngaro son:
88
Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz
de costos m*m; se debe construir una nueva matriz al restar de cada costo el costo
mnimo de cada fila; encontrar para esta nueva matriz, el costo mnimo en cada
columna. A continuacin se debe construir una nueva matriz (denominada matriz de
costos reducidos) al restar de cada costo el costo mnimo de su columna.
Paso 2: (En algunos pocos textos este paso se atribuye a Flood). Consiste en
trazar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente de
esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos
reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene una solucin
ptima entre los ceros cubiertos de la matriz. Si se requieren menos de m lneas para
cubrir todos los ceros, se debe continuar con el paso 3.
El nmero de lneas para cubrir los ceros es igual a la cantidad de asignaciones
que hasta ese momento se pueden realizar.
Paso 3: Encontrar el menor elemento diferente de cero (llamado k) en la matriz
de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2; a
continuacin se debe restar k de cada elemento no cubierto de la matriz de costos
reducidos y sumar k a cada elemento de la matriz de costos reducidos cubierto por dos
lneas (intersecciones). Por ltimo se debe regresar al paso 2.
Notas:
1. Para resolver un problema de asignacin en el cual la meta es maximizar la
funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (1)
y resolver el problema como uno de minimizacin.
2. Si el nmero de filas y de columnas en la matriz de costos son diferentes, el

problema de asignacin est desbalanceado. El mtodo Hngaro puede
proporcionar una solucin incorrecta si el problema no est balanceado; debido
a lo anterior, se debe balancear primero cualquier problema de asignacin
(aadiendo filas o columnas ficticias) antes de resolverlo mediante el mtodo
Hngaro.
3. En un problema grande, puede resultar difcil obtener el mnimo nmero de filas

necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede
demostrar que si se necesitan j lneas para cubrir todos los ceros, entonces se
pueden asignar solamente j trabajos a un costo cero en la matriz actual; esto
explica porqu termina cuando se necesitan m lneas.
89
Aplicando el mtodo hngaro de solucin a los problemas de transporte tenemos:
A) Obtenemos la primera tabla en base al modelo matemtico del problema de asignacin.
Operarios Maquinas
1 2 3 4
A 10 14 16 13
B 12 13 15 12
C 9 12 12 11
D 14 16 18 16
B) Se elije por cada rengln el costo de mnimo y se resta ese valor al resto de los
elementos del rengln correspondiente; as obteniendo una nueva tabla.
# Rengln Valor Mnimo

1 10
2 12
3 9
4 14
Operarios Maquinas
1 2 3 4
A 0 4 6 3
B 0 1 3 0
C 0 3 3 2
D 0 2 4 2
C) Crear la matriz de costos reducidos que se obtiene seleccionando el menor costo de

cada columna y restarlo a cada elemento de dicha columna esto nos dar como
resultado una nueva tabla.
# Columna Valor Mnimo

1 0
2 1
3 3
4 0
90
Matriz de Costos Reducidos
Operarios Maquinas
1 2 3 4
A 0 3 3 3
B 0 0 0 0
C 0 2 0 2
D 0 1 1 2
D) En la matriz anterior(Matriz de Costos Reducidos) trazamos el menor nmero de lneas,

de manera tal que cubran todos los ceros (Mtodo de Flood):
Operarios Maquinas
1 2 3 4
A 0 3 3 3
B 0 0 0 0
C 0 2 0 2
D 0 1 1 2
E) Elegir de la tabla de costos reducidos en el inciso D un elemento de esa matriz que

ser el elemento menor diferente de cero, que no est cubierto en el inciso D. a este
elemento que se encontrara se le denomina K y se debe restar a cada elemento no
cubierto en la matriz de costos reducidos y sumar K a cada elemento de la matriz de
costos reducidos cubierto por la interseccin de dos lneas.
K=1
Operarios Maquinas
1 2 3 4
A 0 2 3 2
B 1 0 1 0
C 0 2 0 1
D 0 0 1 1
F) Posteriormente tratamos de cubrir con lneas horizontales y verticales nuevamente
todos los ceros con el menor nmero de Lneas de los matriz anterior.
91
Operarios Maquinas
1 2 3 4
A 0 2 3 2
B 1 0 1 0
C 0 2 0 1
D 0 0 1 1
Ntese que el nmero de lneas trazadas es igual a m por lo tanto estamos frente a
la solucin optima.
Por lo tanto podemos decir que la solucin optima es y desde luego considerando la
condicin de que cada hombre puede ser asignado a un trabajo y que cada trabajo tendr
asignada una persona.
Asignacin de Hombre-Maquina Nmero de horas.

Antonio - Maquina 1 10
Bernardo - Maquina 4 12
Carlos - Maquina 3 12
Diego - Maquina 2 16
La combinacin ptima de los recursos
para este problema de minimizacin de
asignacin es de 50 horas, resultantes de 50 Hrs.
adicionar las asignadas a cada uno de los
operarios en cada una de las mquinas. Dicho
valor corresponde al valor ptimo de la funcin
objetivo.
Modelo rede del problema de asignacin a la solucin ptima.
Antonio
Maquina 1
Bernardo
Antonio Maquina 2
Carlos Maquina 3
Diego Maquina 4
92
La gerencia general de RPG con sede en Bruselas, este ao, como parte de su
auditora anual, decidi que cada uno de sus cuatro vicepresidentes visite e inspeccione cada
una de sus plantas de ensamblaje durante las primeras dos semanas de junio. Las plantas
estn ubicadas en Leipzig (Alemania), Nancy (Francia, Lieja (Blgica) y Tilburgo (Holanda).
Para decidir a qu vicepresidente enviar a una planta determinada, se asignaron puntos

(costos) a cada uno de ellos de acuerdo a su experiencia, habilidades lingsticas, tiempo que
durar la inspeccin y otros. Estos datos se muestran en la siguiente tabla:
PLANTA
Leipzig (1) Nancy(2) Lieja (3) Tilburgo(4)
Finanzas (F) (1) 24 10 21 11
Mercadotecnia(M) (2) 14 22 10 15
Operaciones (O) (3) 15 17 20 19
Personal(P) (4) 11 19 14 13
Modelo matemtico de Programacin Lineal para el problema #2 de asignacin.
1) Variables de Decisin
Xij= Que vicepresidente enviar de i a la cuidad j

2) Funcin Objetivo
Min Z = (24 X11 + 10X12 + 21X13 + 11X14) + (14X21 + 22X22 + 10X23 + 15X24)
(15X31 + 17X32 + 20X33 + 19X34) + (11X41 + 19X42 + 14X43 + 13X44)
3) Restricciones
1) X11 + X12 + X13 + X14 = 1

2) X21 + X22 + X23 + X24 = 1
3) X31 + X32 + X33 + X34 = 1
4) X41 + X42 + X43 + X44 = 1
5) X11 + X21 + X31 + X41 = 1
6) X12 + X22 + X32 + X42 = 1
7) X13 + X23 + X33 + X43 = 1
8) X14 + X24 + X34 + X44 = 1
4) No negatividad
Xij 0 ; donde i= 1,2,3,4 y j= 1,2,3,4
93
Resolviendo el Modelo matemtico anterior por el Mtodo Hngaro
Paso 0 = Matriz de Asignacin
Leipzig (1) Nancy (2) Lieja (3) Tilburgo (4)
Finanzas (F) 1 24 10 21 11
Mercadotecnia (M) 2 14 22 10 15
Operaciones (O) 3 15 17 20 19
Personal (P) 4 11 19 14 13
Paso 1: Obtener las costos mnimo por rengln.
# Rengln Valor Mnimo

1 10
2 10
3 15
4 11
Paso 2: Reduccin de Renglones.
Finanzas (F) 1 14 0 11 1
Personal (P) 4 0 8 3 2
Paso 3: Obtener los costos mnimos por columnas de la matriz anterior
# Columna Valor Mnimo

1 0
2 0
3 0
4 1
94
Paso 4: Reduccin de columnas de la tabla del paso 2.
Finanzas (F) 1 14 0 11 0
Paso 5: Tratar de cubrir los ceros con el menor de lneas rectas ya sean horizontales o
verticales y determinar si es una matriz reducida
Finanzas (F) 1 14 0 11 0
En esta tabla se cubrieron con lneas rectas los ceros obtenido solamente tres lneas
rectas por lo tanto no es una matriz reducida. Recurdese que para que sea una matriz
reducida el nmero de lneas que se obtengan debe ser igual a n y n en este ejemplo es igual a
4 y solamente se obtuvieron 3 lneas.
Paso 6: Seleccionar el menor costo de toda la tabla anterior; restar a los elementos no
tachadas y sumar a las intersecciones sumar a las intersecciones.
K= 1 Menor de toda la tabla que no estn tachados.
Finanzas (F) 1 15 0 12 0
95
Paso 7: Se trata de tachar nuevamente a todos los ceros con lneas rectas y determinar si la
tabla ya se encuentra en una matriz reducida.
Finanzas (F) 1 15 0 12 0
Efectivamente la tabla anterior ya se encuentra en una matriz reducida puesto que el

nmero de lneas trazadas ya es igual m=4.
Paso 8: Se procede a la asignacin.
Leipzig Nancy (2) Lieja (3) Tilburgo (4)

(1)
Finanzas (F) 1 15 0 12 0
Tabla de Asignaciones: recurdese que cada hombre puede ser asignado a un trabajo y
que cada trabajo tendr asignada una persona.
Asignaciones Costo
Finanza Nancy $10
Mercadotecnia - Lieja $10
Operaciones Leipzing $15
Personal Tilburgo $13
Costo total $48
96
Modelo Red de las Asignaciones de la empresa RPG
Finanzas
Leipzig
Mercadotecnia
Nancy
Operaciones Lieja
Personal Tilburgo
97
Unidad IV
Tcnicas de Programacin
Conocer, construir, desarrollar e interpretar problemas de

optimizacin utilizando software comercial.
98
4.1 Introduccin y Conceptos Bsicos
Los proyectos en gran escala por una sola vez han existido desde tiempos
antiguos; este hecho lo atestigua la construccin de las pirmides de Egipto y los
acueductos de Roma. Pero slo desde hace poco se han analizado por parte de los
investigadores operacionales los problemas gerenciales asociados con dichos
proyectos.
Un proyecto define una combinacin de actividades interrelacionadas que

deben ejecutarse en un cierto orden antes que el trabajo completo pueda terminarse.
Las actividades estn interrelacionadas en una secuencia lgica en el sentido que
algunas de ellas no pueden comenzar hasta que otras se hayan terminado.
Una actividad es un proyecto generalmente se ve como un trabajo que requiere

tiempo y recursos para su terminacin. En general, un proyectos es un esfuerzo de un
solo periodo; esto es; la misma sucesin de actividades puede no repetirse en el
futuro.
En el pasado, la programacin de un proyecto (en el tiempo) se hizo con poca

planeacin. La mejor herramienta conocida de Planeacin era el diagrama de Barras
de Gantt (Tcnica Grafica de Programacin), el cual especifica los tiempos de inicio
terminacin de cada actividad en una escala de tiempo horizontal. Su desventaja es
que la interdependencia entre las diferentes actividades (la cual controla
principalmente el progreso del proyecto) no puede determinarse a partir del diagrama
de barras.
Las complejidades crecientes de los proyectos actuales han exigido tcnicas de

programacin ms sistemticas y ms efectiva, con el objeto de optimizar la eficiencia
en la ejecucin del proyecto. Aqu la eficiencia implica efectuar la mayor reduccin en
el tiempo requerido para terminar el proyecto, mientras se toma en cuenta la
factibilidad econmica de la utilizacin de los recursos disponibles.
Surgen entonces las tcnicas para programacin de proyectos, la cuales, las de

tipo matemtico, basan su construccin en la teora de grafos (Modelos de Redes).
Las de tipo matemtico se pueden definir en dos grupos:
Redes con actividades representadas por los arcos o flechas.
Mtodos PERT/CPM
Redes con actividades representadas por los vrtices o Nodos
Mtodos Roy y Mtodo de las Precedencias
99
Dentro de las tcnicas de programacin tambin se puede hacer una
diferenciacin de acuerdo a la forma en que se toma el tiempo ya que puede tomarse
de dos formas:
Determinstico: CPM = Mtodo de la ruta crtica

Estocstica o Probabilstica: PERT = Tcnica de evaluacin y revisin
de programas
Conceptos
PERT
PERT (Program Evaluatin and Review Technique) desarrollo por la Armada de

los Estados Unidos de Amrica, en 1957, para controlar los tiempos de ejecucin de
las diversas actividades integrantes de los proyectos espaciales, por la necesidad de
terminar cada una de ellas dentro de los intervalos de tiempo disponibles. Fue utilizado
originalmente por el control de tiempos del proyecto Polaris y actualmente se utiliza en
todo el programa espacial.
PERT considera al tiempo en forma estocstica y esto quiere decir que lo toma
como una variable aleatoria la cual puede adquirir cualquier valor de dentro de un
rango de valores establecido. Dicho rango tiene como lmite inferior el mnimo tiempo
en que puede ser desarrollada la actividad y como lmite superior al mximo tiempo
que toma hacer dicha actividad. Dada la situacin anterior se da la necesidad de hacer
una estimacin de dicho tiempo y el valor ms comn tomado para esto es un valor
promedio o media. Al tener una media, tenemos y tambin una varianza y una
desviacin estndar y al tener esto podemos asociar a una distribucin de
probabilidad.
CPM
El mtodo CPM (Crtical Path Method), desarrollado en 1957 en los Estados

Unidos de Amrica, por un centro de investigacin de operaciones para la firma
Dupont y Remington Rand, buscando el control y la optimizacin de los costos de
operacin mediante la planeacin adecuada de las actividades componentes del
proyecto.
100
4.2 Sistemas PERT/CPM
Ambos mtodos aportaron los elementos administrativos necesarios para

formar el mtodo del Camino Crtico (Ruta Critica) actual, utilizando el control de los
tiempos de ejecucin y los costos de operacin, para buscar que el proyecto total sea
ejecutado en el menor tiempo y al menor costo posible.
El PERT/CPM fue diseado para proporcionar diversos elementos tiles de

informacin para los administradores del proyecto. Primero, el PERT/CPM expone la
"ruta crtica" de un proyecto. Estas son las actividades que limitan la duracin del
proyecto. En otras palabras, para lograr que el proyecto se realice pronto, las
actividades de la ruta crtica deben realizarse pronto. Por otra parte, si una actividad de
la ruta crtica se retarda, el proyecto como un todo se retarda en la misma cantidad.
Las actividades que no estn en la ruta crtica tienen una cierta cantidad de holgura;
esto es, pueden empezarse ms tarde, y permitir que el proyecto como un todo se
mantenga en programa. El PERT/CPM identifica estas actividades y la cantidad de
tiempo disponible para retardos.
El PERT/CPM tambin considera los recursos necesarios para completar las

actividades. En muchos proyectos, las limitaciones en mano de obra y equipos hacen
que la programacin sea difcil. El PERT/CPM identifica los instantes del proyecto en
que estas restricciones causarn problemas y de acuerdo a la flexibilidad permitida por
los tiempos de holgura de las actividades no crticas, permite que el gerente manipule
ciertas actividades para aliviar estos problemas.
Finalmente, el PERT/CPM proporciona una herramienta para controlar y

monitorear el progreso del proyecto. Cada actividad tiene su propio papel en ste y su
importancia en la terminacin del proyecto se manifiesta inmediatamente para el
director del mismo. Las actividades de la ruta crtica, permiten por consiguiente, recibir
la mayor parte de la atencin, debido a que la terminacin del proyecto, depende
fuertemente de ellas. Las actividades no crticas se manipularan y remplazaran en
respuesta a la disponibilidad de recursos.
4.3 Construccin de la red PERT.
Basado en la Teora de Grafos.
Un grafo se define mediante dos conjuntos, el conjunto X de los vrtices del

grafo y el conjunto U de las relaciones existentes entre los vrtices. La representacin
grfica de los vrtices se muestra por puntos, crculos, etc. Y las relaciones por arcos
que unen los vrtices que relacionan, incluyendo la direccin.
9 Camino (es toda sucesin de arcos tales el vrtice extremo de cada arco es a
su vez origen del siguiente, excepto el ltimo)
9 Longitud del camino (es la suma de los valores numricos asociados a los arcos
que lo constituyen)
101
Elementos de la red:
1. Los arcos del grafo, representados por flechas, son las actividades de proyecto
y a ellos va asociado un nmero que indica la duracin de la actividad, el cual
ha sido calculado segn la distribucin asociada. Existen dos tipos de
actividades: Reales, representadas por una flecha de lnea contina y
representa una actividad que consume recursos a la vez indica una relacin de
precedencia. Ficticias, que no consumen recursos pero si indica una relacin
de precedencia
2. Los vrtices del grafo, representados por circunferencias y tambin llamados

nodos, son los sucesos, o eventos los cuales son puntos en el tiempo que
marca la terminacin de una o ms actividades y el comienzo de otra u otras. A
estos nodos se le incorporan nmeros que indican fechas (en trminos
relativos).
1 2
2
A
B
1 3
C
4 2
A
Cmo construir B una Red PERT:

3 5
(Dependencias) C
Una vez descompuesto el proyectos en actividades
9 Determinar las prelaciones existentes

9 Determinar el orden de ejecucin
9 Establecemos las dependencias existentes entre las actividades
9 Antes de empezar a codificar (B) necesitamos tener una mquina de desarrollo
(A)
A B
1 2 3
2
A
B D
3 5 4
C
102
Actividades Ficticias
Las actividades ficticias no consumen tiempos ni recursos, son nicamente

enlaces lgicos que nos permiten reflejar las dependencias existentes.
Diferentes Circunstancias:
1. A y B preceden a C
A D
1 3 5
B C
2 4 6
3. A precede a B,
CyD o B, C y D preceden a E
3
B
A C E
1 2 5 6
D
4
En Conclusin las actividades ficticias nos sirven cuando existe ms de una

actividad entre los mismos sucesos y evitar cruces de nodos y arcos.
Ej 1;
Sucesos ficticios
Actividades
Ficticias
103
Ej 2; AyB preceden a C
B precede a D
A C A C
B D
B D
Suceso ficticio
Reglas de Construccin de una Red PERT
Regla 1: TODA RED PERT/CPM DEBE TENER UNO NODO DE INICIO Y UN NODO
DE FINALIZACIN.
Regla 2: Una actividad comienza siempre por un suceso o evento de donde se

concluye fcilmente que ninguna actividad puede comenzar hasta que hayan
terminado las que le preceden.
De la anterior regla se puede concluir:
9 El evento inicio de una o varias actividades solo puede ocurrir

cuando el evento finalizacin de actividades sucesoras debe
haberse cumplido para que cualquiera de ellas pueda empezar.
Recuerde que: un nodo marca dos eventos: finalizacin de una(s)
actividad(es) y comienzo de la actividad(es) siguiente(s)
Regla 3: Las flechas denotan precedencia lgica, la longitud de la flecha y su direccin

angular carecen de significado.
Regla 4: Una red no puede Duplicar el nmero de identificacin de los nodos,

exceptuando casos especiales donde se manejen sub-proyectos.
Regla 5: El nmero de identificacin de un Nodo sucesor no puede ser inferior al

nmero de identificacin del nodo predecesor, por tanto la numeracin de los nodos
del proyecto se hacen de izquierda a derecha en orden ascendente.
Regla 6: Sobre le uso de actividades ficticias:
9 Cuando existe ms de una actividad entre los mismos sucesos:
104
9 Cuando dos o ms actividades tengan algunas precedentes
comunes pero no todas.
Restricciones de tipo potencial, que suponen que una actividad o ms no

pueden comenzar antes de una determinada fecha, lo cual se indica con un suceso
ficticio para el que las fechas ms temprana y ms tarda coinciden y son iguales a la
fecha antes mencionada. Este suceso ficticio se liga a las actividades correspondientes
mediante actividades ficticias.
Ej. Diseo de una Red PERT: Construccin de una casa
1. Diagrama de Actividades (Proyecto)
ACTIVIDADES DESCRIPCCION PREDECESOR DURACION

(SEMANAS)
A Cimientos, - 4
Paredes
B Plomera, A 2
Electricidad
C Techos A 3
D Pintura Exterior A 1
E Pintura Interior B,C 5
2. Red PERT
0 4 3 5 0
Ini A C E Fi
i
105
Tiempos ptimos y tiempos de control
Como se indic antes, la principal diferencia entre PERT y CPM es la manera

en que se realizan los estimados de tiempo. El PERT supone que el tiempo para
realizar cada una de las actividades es una variable aleatoria descrita por una
distribucin de probabilidad. El CPM por otra parte, infiere que los tiempos de las
actividades se conocen en forma determinstico y se pueden variar cambiando el nivel
de recursos utilizados.
La distribucin de tiempo que supone el PERT para una actividad es una

distribucin beta. La distribucin para cualquier actividad se define por tres estimados:
9 El estimado de tiempo ms probable TP

9 El estimado de tiempo ms optimista TO
9 El estimado de tiempo ms pesimista T
El tiempo ms probable es el tiempo requerido para completar la actividad bajo

condiciones normales.
Los tiempos optimistas y pesimistas proporcionan una medida de la

incertidumbre inherente en la actividad, incluyendo desperfectos en el equipo,
disponibilidad de mano de obra, retardo en los materiales y otros factores.
Para cada actividad se deben calcular cuatro tiempos
1. Tiempo de inicio temprano: Es el tiempo ms temprano posible para iniciar una

actividad (ES)
2. Tiempo de terminacin temprano: Es el tiempo de inicio temprano ms el

tiempo para completar la actividad (EF)
3. Tiempo de terminacin ms lejana: Es el tiempo ms tardo en que se puede

completar la actividad sin afectar la duracin total del proyecto (LF)
4. Tiempo de inicio ms lejano: Es el tiempo de terminacin ms lejano de la

actividad anterior menos la duracin de la actividad (LS)
106
Denotacin
ES EF
LS LF
ES = EF Ms alto de la(s) actividad(es) anterior(es)

EF = ES De la actividad ms duracin de la actividad
ES y el EF Se calculan recorriendo la red de izquierda a derecha y la inicializacin

se etiqueta con cero.
LF = LS Ms bajo de la(s) actividad(es) prxima(s)

LS = LF De la actividad duracin de la actividad
LF y LS Para calcular la red se recorre de derecha a izquierda
Ej. Retomando el Modelo Red anterior Calcular los Diferentes tipos de tiempos.
1. De Izquierda a Derecha
4 6
2
0+4=
0 0 0 4 B
7 12 12 12
4 7
0 4 3 5 0
Ini A C E Fi
i
D
4 5
107
2. de Derecha a Izquierda
4 6
5 7
2
0 0 0 4 B
7 12 12 12
0 0 4
4 7 7 12 12 12
0 4 3 5 0
4 7
Ini A C E Fin
i
D
4 5
11 12
4.5 Ruta Crtica
El mtodo del camino crtico es un proceso administrativo de planeacin,

programacin, ejecucin y control de todas y cada una de las actividades componentes
de un proyecto que debe desarrollarse dentro de un tiempo crtico y al costo ptimo.
La Planeacin requiere desglosar el proyecto en actividades, estimar recursos,

tiempo e interrelaciones entre actividades.
La Programacin requiere detallar fechas de inicio y terminacin.
El Control requiere informacin sobre el estado actual y analiza posibles
trueques cuando surgen dificultades.
La Ruta Crtica es la ruta ms larga a travs de la red y determina la longitud del

proyecto; adems toda red tiene al menos una ruta crtica y es posible que haya
proyectos con ms de una ruta crtica.
En otras palabras, para lograr que el proyecto se realice pronto, las actividades de
la ruta crtica debern realizarse pronto. Por otra parte, si una actividad de la ruta
crtica se retrasa, el proyecto como un todo se retrasar en la misma cantidad.
108
Las actividades que no estn en la ruta crtica tienen una cierta cantidad de
holgura; es decir, pueden empezar ms tarde y permiten que el proyecto como un todo
se mantenga conforme a lo programado.
La trayectoria ms larga determina el tiempo total requerido para la finalizacin del

proyecto.
Si se retardan las actividades de la trayectoria ms larga, la totalidad del proyecto

tambin se retardar, por lo que la ms larga es la ruta crtica.
Objetivo general del Mtodo de la Ruta Crtica
Que se desee el costo de operacin de un proyecto ms bajo posible dentro de

un tiempo lmite disponible.
Cules son las preguntas que el PERT/CPM (Ruta Critica) contesta a los tomadores
de decisiones?
9 Cul es el tiempo total para terminar el proyecto?
9 Cules son las fechas programadas de inicio y de terminacin para cada una
de las actividades especficas?
.
9 Qu actividades son crticas y deben terminarse exactamente como se
programaron para mantener el proyecto a tiempo?
9 Cunto se pueden retardar las actividades no crticas antes de incrementar el

tiempo de terminacin del proyecto?
Despus de calculados los cuatro tiempos de cada actividad, se calculan las

holguras que son los tiempo que se puede atrasar una actividad sin afectar la duracin
total del proyecto.
La holgura se calcula de la siguiente manera:
H = LF EF
La ruta crtica entonces se encuentra como aquella ruta para la cual todas sus
actividades tienen holgura igual a cero.
Ej. Retomando el Modelo Red anterior calcular los diferentes tiempos de
Holgura y Cual sera entonces la Ruta Critica.
109
4 6
H=1
5 7
2
H=0
0 0 0 4 B 2
H=0 7 12 12 12
0 0 0 4 H=0
4 7 7 12 12 12
0 4 3 5 0
4 7
Ini A C E Fin
i H=0
D
4 5
H=7
11 12
La Ruta Critica es la Siguiente: Inicio A C E Fin
4.6 Barras de Gantt
El diagrama de GANTT es una herramienta que le permite al usuario modelar

la planificacin de las tareas necesarias para la realizacin de un proyecto. Esta
herramienta fue inventada por Henry L. Gantt en 1917.
Debido a la relativa facilidad de lectura de los diagramas de GANTT, esta

herramienta es utilizada por casi todos los directores de proyecto en todos los
sectores. El diagrama de GANTT es una herramienta para el director del proyecto que
le permite realizar una representacin grfica del progreso del proyecto, pero tambin
es un buen medio de comunicacin entre las diversas personas involucradas en el
proyecto.
Este tipo de modelo es particularmente fcil de implementar con una simple

hoja de clculo, pero tambin existen herramientas especializadas, la ms conocida es
Microsoft Project. Tambin existen equivalentes de este tipo de software que son
gratis.
110
Cmo crear un diagrama de GANTT
En un diagrama de GANTT, cada tarea es representada por una lnea, mientras

que las columnas representan los das, semanas, o meses del programa, dependiendo
de la duracin del proyecto. El tiempo estimado para cada tarea se muestra a travs
de una barra horizontal cuyo extremo izquierdo determina la fecha de inicio prevista y
el extremo derecho determina la fecha de finalizacin estimada. Las tareas se pueden
colocar en cadenas secuenciales o se pueden realizar simultneamente.
Si las tareas son secuenciales, las prioridades se pueden confeccionar

utilizando una flecha qu desciende de las tareas ms importantes hacia las tareas
menos importantes. La tarea menos importante no puede llevarse a cabo hasta que no
se haya completado la ms importante.
A medida que progresa una tarea, se completa proporcionalmente la barra que

la representa hasta llegar al grado de finalizacin. As, es posible obtener una visin
general del progreso del proyecto rastreando una lnea vertical a travs de las tareas
en el nivel de la fecha actual. Las tareas ya finalizadas se colocan a la izquierda de
esta lnea; las tareas que an no se han iniciado se colocan a la derecha, mientras que
111
las tareas que se estn llevando a cabo atraviesan la lnea. Si la lnea est cubierta en
la parte izquierda, la tarea est demorada respecto de la planificacin del proyecto!
Idealmente, un diagrama como este no debe incluir ms de 15 20 tareas para

que pueda caber en una sola hoja con formato A4. Si el nmero de tareas es mayor,
es posible crear diagramas adicionales en los que se detallan las planificaciones de las
tareas principales.
Adicionalmente, es posible que los eventos ms importantes, que no sean las

tareas mismas, se muestren en la planificacin como puntos de conexin del proyecto:
estos se denominan acontecimientos.
Los acontecimientos permiten que el proyecto se realice en fases claramente

identificables, evitando que se prolongue la finalizacin del mismo. Un acontecimiento
podra ser la produccin de un documento, la realizacin de una reunin o el producto
final de un proyecto. Los acontecimientos son tareas de duracin cero, representadas
en el diagrama por un smbolo especfico, frecuentemente un tringulo invertido o un
diamante.
112
Unidad V
Teora de Decisiones
Construir problemas de optimizacin de sistemas

Tcnico-Econmicos.
113
Teora de Decisiones
Introduccin
La teora de decisiones se ocupa de analizar como elige una persona aquella
accin que, de entre un conjunto de acciones posibles, le conduce al mejor resultado
dadas sus preferencias.
La toma de decisiones es el proceso mediante el cual se realiza una eleccin

entre las alternativas o formas para resolver diferentes situaciones de la vida, estas se
pueden presentar en diferentes contextos: a nivel laboral, familiar, sentimental,
empresarial (utilizando metodologas cuantitativas que brinda la administracin), es
decir, en todo momento se toman decisiones, la diferencia entre cada una de estas es
el proceso o la forma en la cual se llega a ellas. La toma de decisiones consiste,
bsicamente, en elegir una alternativa entre las disponibles, a los efectos de resolver
un problema actual o potencial, (an cuando no se evidencie un conflicto latente).
La toma de decisiones a nivel individual es caracterizada por que una persona

haga uso de su razonamiento y pensamiento para elegir una decisin a un problema
que se le presente en la vida; es decir, si una persona tiene un problema, sta deber
ser capaz de resolverlo individualmente a travs de tomar decisiones con ese
especifico motivo. En la toma de decisiones importa la eleccin de un camino a seguir,
por lo que en un estadio anterior deben evaluarse alternativas de accin. Si estas
ltimas no estn presentes, no existir decisin
.
Para tomar una decisin, no importa su naturaleza, es necesario conocer,
comprender, analizar un problema, para as poder darle solucin; en algunos casos por
ser tan simples y cotidianos, este proceso se realiza de forma implcita y se soluciona
muy rpidamente, pero existen otros casos en los cuales las consecuencias de una
mala o buena eleccin puede tener repercusiones en la vida y si es en un contexto
laboral en el xito o fracaso de la organizacin, para los cuales es necesario realizar
un proceso ms estructurado que puede dar ms seguridad e informacin para
resolver el problema. Las decisiones nos ataen a todos ya que gracias a ellas
podemos tener una opinin crtica.
5.1 Consideraciones Generales

La Teora De La Decisin
Es un estudio formal sobre la toma de decisiones. Los estudios de casos reales,

que se sirven de la inspeccin y los experimentos, se denominan teora descriptiva de
decisin; los estudios de la toma de decisiones racionales, que utilizan la lgica y la
estadstica, se llaman teora preceptiva de decisin. Estos estudios se hacen ms
complicados cuando hay ms de un individuo, cuando los resultados de diversas
opciones no se conocen con exactitud y cuando las probabilidades de los distintos
resultados son desconocidas.
114
La toma de decisin es tambin un proceso durante el cual la persona debe
escoger entre dos o ms alternativas. Todos y cada uno de nosotros pasamos los das
y las horas de nuestra vida teniendo que tomar decisiones. Algunas decisiones tienen
una importancia relativa en el desarrollo de nuestra vida, mientras otras son
gravitantes en ella.
En los administradores, el proceso de toma de decisin es sin duda una de las

mayores responsabilidades.
La toma de decisiones en una organizacin se circunscribe a una serie de

personas que estn apoyando el mismo proyecto. Debemos empezar por hacer una
seleccin de decisiones, y esta seleccin es una de las tareas de gran trascendencia.
Con frecuencia se dice que las decisiones son algo as como el motor de los
negocios y en efecto, de la adecuada seleccin de alternativas depende en gran parte
el xito de cualquier organizacin. Una decisin puede variar en trascendencia y
connotacin.
Los administradores consideran a veces la toma de decisiones como su trabajo

principal, porque constantemente tienen que decidir lo que debe hacerse, quin ha de
hacerlo, cundo y dnde, y en ocasiones hasta cmo se har. Sin embargo, la toma de
decisiones slo es un paso de la planeacin, incluso cuando se hace con rapidez y
dedicndole poca atencin o cuando influye sobre la accin slo durante unos minutos.
La toma de decisiones es fundamental para cualquier actividad humana. En

este sentido, somos todos tomadores de decisiones. Existen dos tipos decisiones
programadas y no programadas:
1) Las Decisiones Programadas: Estas son apropiadas para problemas

estructurados y decisiones de rutina. Porque se toman frecuentemente, es decir
son repetitivas y se convierte en una rutina tomarlas, la persona que toma este
tipo de decisin no tiene la necesidad de disear ninguna solucin, sino que
simplemente se rige por la que se ha seguido anteriormente.
2) Las Decisiones No Programadas: Estas se usan para decisiones no

rutinarias.
Los factores que determinan la importancia de una decisin son el tamao del
compromiso, la flexibilidad e inflexibilidad de los planes, la certeza o la incertidumbre
de las metas, el grado hasta el cual se puede medir las variables.
Estas son decisiones que se toman en problemas o situaciones que se

presentan con poca frecuencia, o aquellas que necesitan de un modelo o proceso
especfico de solucin, por ejemplo: Lanzamiento de un nuevo producto al mercado,
en este tipo de decisiones es necesario seguir un modelo de toma de decisin para
generar una solucin especfica para este problema en concreto.
Existen cinco caractersticas de las decisiones:
9 Efectos Futuros: tiene que ver con la medida en que los compromisos
relacionados con la decisin afectarn el futuro. Una decisin que tiene una
influencia a largo plazo, puede ser considerada una decisin de alto nivel,
115
mientras que una decisin con efectos a corto plazo puede ser tomada a un
nivel muy inferior.
9 Reversibilidad: se refiere a la velocidad con una decisin puede revertirse y la

dificultad que implica hacer este cambio. Si revertir es difcil, se recomienda
tomar decisiones a un nivel alto; pero si revertir es fcil, se requiere tomar la
decisin a un nivel bajo.
9 Impacto: esta caracterstica se refiere a medida en que otras reas o

actividades se ven afectadas. Si el impacto es extensivo, es indicado tomar la
decisin a un nivel alto; un impacto nico se asocia con una decisin tomada a
un nivel bajo.
9 Calidad: este factor se refiere a las relaciones laborables, valores ticos,

consideraciones legales, principios bsicos de conducto, imagen de la
compaa. Si muchos de estos factores estn involucrados, se refiere tomar la
decisin a un nivel alto; si solo algunos factores son relevantes, se recomienda
tomar la decisin a un nivel bajo.
9 Periodicidad: este elemento responde a la pregunta de si una decisin se toma

frecuente o excepcionalmente. Una decisin excepcional es una decisin de
alto nivel, mientras que una decisin que se toma frecuentemente es una
decisin de nivel bajo.
5.2 Tipos de Problemas de Decisin
Modelos de criterios de decisin.
La teora de decisiones proporciona una manera til de clasificar modelos para

la toma de decisiones. Se supondr que se ha definido el problema, que se tienen
todos los datos y que se han identificado los cursos de accin alternativos. La tarea es
entonces seleccionar la mejor alternativa. la teora de decisiones dice que esta tarea
de hacer una seleccin caer en una de las cuatro categoras generales dependiendo
de la habilidad personal para predecir las consecuencias de cada alternativa.
CATEGORAS CONSECUENCIAS
Certidumbre Deterministas
Riesgo Probabilsticas
Incertidumbre Desconocidas
Conflicto Influidas por un
oponente
116
Certeza: Se sabe con seguridad cules son los efectos de las acciones.
Riesgo: No se sabe qu ocurrir tomando determinadas decisiones, pero s se
sabe qu puede ocurrir y cul es la probabilidad de ello.
Incertidumbre estructurada: No se sabe qu ocurrir tomando determinadas
decisiones, pero s sabemos qu puede ocurrir de entre varias posibilidades.
Incertidumbre no estructurada: En este caso no se sabe qu puede ocurrir ni
tampoco qu probabilidades hay para cada posibilidad. Es cuando no se tiene
idea de qu puede pasar.
Mtodos para decidir entre alternativas.
Los mtodos parten generalmente de que todas las alternativas son conocidas
o se pueden conocer. Los mtodos a disposicin son los siguientes:
1) Tcnicas de optimizacin bajo certeza: Asumen que todas las alternativas y todos
sus resultados son conocidos. El problema es calcular cul alternativa es la ptima
para una funcin objetivo dada.
A) Sistema de ecuaciones.
B) Programacin lineal.
C) Programacin entera.
D) Programacin dinmica.
E) Modelo de teora de colas.
F) Modelos de inventarios.
G) Anlisis de presupuestos de capital.
H) Anlisis de puntos de equilibrio.
2) Tcnicas de la teora de decisin estadstica: Son tcnicas que evalan

matemticamente los resultados potenciales de acciones alternativas en una situacin
de decisin dada. Todas las alternativas y resultados se asumen como conocidos, y el
decisor tiene como objetivo la maximizacin de utilidades. Cmo mtodos de presentar
los datos en la teora de decisin existen la matriz de pagos y el rbol de decisin.
El trabajar con matrices de pago y rboles de decisin requiere el uso de las

estimaciones de probabilidad. Las probabilidades objetivas basadas en situacin de
analogas generalmente no estn disponibles, de tal suerte que las probabilidades
utilizadas son subjetivas. La ventaja de la tcnica es que requiere el uso explcito de
las probabilidades subjetivas en lugar de utilizarlas sin hacerlas explcitas.
3) Curva de utilidad e indiferencia: Los ejemplos de decisiones en la teora de

decisin estadstica han usado valores monetarios. Tambin es deseable ponderar las
condiciones no monetarias. Por ejemplo, una persona puede estar interesada tanto en
el tiempo de descanso como en el dinero y negociar el uno por el otro. Este dilema se
puede representar mediante las curvas de indiferencia de cada nivel de utilidad total.
4) Clasificacin, ponderacin o eliminacin por aspectos:
Ponderacin: En las decisiones que involucran un nmero de factores o

aspectos, a cada factor se le asigna una importancia relativa o ponderacin por
117
parte del decisor. El grado al cual las alternativas satisfacen el factor de
decisin se pondera segn la importancia (o rango). La suma de los factores
ponderados se utiliza para comparar las alternativas.
Eliminacin: Los requerimientos deseados se identifican y se clasifican en

importancia o valor. Comenzando con los requerimientos ms importantes, se
eliminan todas las alternativas que no contienen dicho aspecto. Este proceso
contina a travs de todos los aspectos.
5) Teora de los juegos: Es otro medio de analizar una decisin en una situacin de
competencia, de tal suerte que cuando una unidad de decisin (jugador) gana, la otra
pierde.
Componentes De La Decisin
La tcnica de tomar decisiones en un problema est basada en cinco

componentes primordiales:
1. Informacin: Estas se recogen tanto para los aspectos que estn a favor como
en contra del problema, con el fin de definir sus limitaciones.
2. Conocimientos: Si quien toma la decisin tiene conocimientos, ya sea de las

circunstancias que rodean el problema o de una situacin similar, entonces
estos pueden utilizarse para seleccionar un curso de accin favorable.
3. Experiencia: Cuando un individuo soluciona un problema en forma particular,

ya sea con resultados buenos o malos, esta experiencia le proporciona
informacin para la solucin del prximo problema similar.
4. Anlisis: No puede hablarse de un mtodo en particular para analizar un

problema, debe existir un complemento, pero no un reemplazo de los otros
ingredientes. En ausencia de un mtodo para analizar matemticamente un
problema es posible estudiarlo con otros mtodos diferentes. Si estos otros
mtodos tambin fallan, entonces debe confiarse en la intuicin.
5. Juicio: El juicio es necesario para combinar la informacin, los conocimientos,

la experiencia y el anlisis, con el fin de seleccionar el curso de accin
apropiado. No existen substitutos para el buen juicio.
Importancia De La Toma De Decisiones
En el momento de tomar una decisin es importante ya que por medio de esta

se puede estudiar un problema o situacin que es valorado y considerado
profundamente para elegir el mejor camino a seguir segn las diferentes alternativas y
operaciones.
Tambin es de vital importancia para la administracin ya que contribuye a

mantener la armona y coherencia del grupo, y por ende su eficiencia.
118
En la Toma de Decisiones, se puede considerar un problema y llegar a una
conclusin vlida, significa que se han examinado todas las alternativas y que la
eleccin ha sido correcta. Uno de los enfoques ms competitivos de investigacin y
anlisis para la toma de las decisiones es la investigacin de operaciones. Puesto que
esta es una herramienta importante para la administracin de la produccin y las
operaciones.
La toma de decisiones, se considera como parte importante del proceso de

planeacin cuando ya se conoce una oportunidad y una meta, el ncleo de la
planeacin es realmente el proceso de decisin, por lo tanto dentro de este contexto el
proceso que conduce a tomar una decisin se podra visualizar de la siguiente manera:
1. Elaboracin de premisas.
2. Identificacin de alternativas.
3. Evaluacin de alternativas en trminos de la meta deseada.
4. Eleccin de una alternativa, es decir, tomar una decisin.
5.3 Matriz de Pagos
Una matriz de pagos muestra los resultados correspondientes a todas las

combinaciones de alternativas de decisin y estados de la naturaleza. En el cual
consta de filas para las alternativas o estrategias disponibles y de columnas para las
condiciones de los estados de la naturaleza.
Las entradas de una matriz de pagos se pueden cuantificar en trminos de utilidad,

costo, tiempo o cualquier otra medida de resultado que pudiera ser apropiada para la
situacin a analizar.
El uso de una matriz de pago se puede dar en dos situaciones:
9 Si hay certeza en cuanto a que condiciones prevalecern, el decisor necesita

seleccionar la estrategia que provee el pago ms alto.
9 Si existe incertidumbre en relacin con las probabilidades de las diferentes

condiciones que se puedan presentar, el decisor puede recurrir a algunas
reglas para decidir, y algunas de estas son las siguientes:
A. Minimizar la penalizacin: La regla es seleccionar la accin o

estrategia que minimiza la suma de la penalizacin para la estrategia.
Las penalizaciones son las diferentes entre el mejor pago de un
estado del mundo y las otras consecuencias.
B. Regla maximin: Seleccionar la estrategia que tendr el pago de

utilidad ms alto (max) si el estado del mundo (min) se presenta. Es
una visin pesimista.
119
C. Regla maximax: Seleccionar la estrategia o alternativa que general
el pago ms alto de utilizada (max) si el estado del mundo ms
favorable (max) ocurre. Es una visin optimista.
120
Unidad VI
Simulacin
Conocer la Simulacin por medio de diferentes mtodos.
121
SIMULACIN
Introduccin
La tcnica de simulacin es desde hace mucho tiempo una herramienta

importante para el diseador. Durante muchos aos, se han usado modelos a escala
de mquinas, para simular la distribucin de planta. La simulacin comn se uso
inicialmente en la investigacin de operaciones, surgi por primera vez en el trabajo de
John Von Neumann y Stanislaw Ulam, en los ltimos aos de la dcada de los 40.
Quienes a travs del anlisis de Montecarlo en conjunto con una tcnica matemtica,
resolvieron problema relacionados con las barreras nucleares de proteccin,
demasiado costosas para someterlas a pruebas de experimentacin o demasiado
complejas para realizar sus anlisis. Un el advenimiento de las computadoras, en los
primeros aos de la dcada de los 50, la simulacin experiment un avance
substancial. En la actualidad se resuelven incontables problemas de negocios, puesto
que la simulacin en la computadora es un mtodo econmico y rpido para efectuar
la vasta cantidad de clculos que se requieren.
6.1 El proceso de Simulacin.

La simulacin es una tcnica para crear modelos de sistemas grandes y
complejos que incluyen incertidumbre. Se disea un modelo para repetir el
comportamiento del sistema. Este tipo de modelo se basa en la divisin del sistema en
mdulos bsicos o elementales que se enlazan entre s mediante relaciones lgicas
bien definidas. El desarrollo de un modelo de simulacin es muy costoso en tiempo y
recursos.
Modelo de Simulacin: Los modelos de simulacin difieren de los matemticos

en que las relaciones entre la entrada y la salida no se indican en forma explcita. En
cambio, un modelo de simulacin divide el sistema representado en mdulos bsicos o
elementales que despus se enlazan entre s va relaciones lgicas bien definidas. Por
lo tanto, las operaciones de clculos pasaran de un mdulo a otro hasta que se
obtenga un resultado de salida.
Los modelos de simulacin cuando se comparan con modelos matemticos;

ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad no
est libre de inconvenientes. La elaboracin de este modelo suele ser costoso en
tiempo y recursos. Por otra parte, los modelos matemticos ptimos suelen poder
manejarse en trminos de clculos.
Antes de especificar los aspectos ms importantes que se presentan al formular

problemas de simulacin, ser til definir esta. La simulacin es la utilizacin de un
modelo de sistemas, que tiene las caractersticas deseadas de la realidad, a fin
de reproducir la esencia de las operaciones reales. Tambin se le ha definido como
una representacin de la realidad mediante el empleo de un modelo u otro sistema que
reaccione de la misma manera que la realidad, en un conjunto de condiciones dadas.
122
Ninguna de estas definiciones incluye todos requisitos fundamentales de esta,
como son, el uso de los modelos matemticos, las computadoras, los procesos
estadsticos o estocsticos, los casos las suposiciones y los cursos de accin
alternativos. La definicin ms general y amplia de esta: una tcnica cuantitativa que
utiliza un modelo matemtico computarizado para representar la toma real de
decisiones bajo condiciones de incertidumbre, con objeto de evaluar cursos
alternativos de accin con base en hechos y suposiciones.
La simulacin es til en la resolucin de problema de negocios cuando no se

conocen parcialmente las variables con anticipacin y no existe una manera fcil de
encontrar estos valores. El problema se parece que al de la secuencia, para la cual no
se conoce una frmula ya elaborada por encontrar el ensimo (o ltimo) termin. El
nico hecho conocido es una regla (relacin recursiva) que permite encontrar el
siguiente trmino a partir de los ltimos. Bsicamente, la nica manera de descubrir el
ensimo trmino es aplicando la misma regla una y otra vez hasta llegar a dicho
trmino. La simulacin utiliza un mtodo para encontrar estos estados sucesivos en un
problema, aplicando repetidamente las reglas bajo las que operan el sistema. Este
eslabonamiento sucesivo de un estado particular con otros anteriores es una
caracterstica importante de la simulacin.
Generalmente, la simulacin implica la construccin de un modelo matemtico

que describa el funcionamiento de sistema en cuanto a eventos y componentes
individuales. Adems, el sistema se divide en los elementos y las interrelaciones de
aquellos elementos de comportamiento previsible, al menos en funcin de una
distribucin de probabilidades, para cada uno de los diversos estados del sistema y
sus insumos. La simulacin es un medio de dividir el proceso de elaboracin de
modelos en parte componentes ms pequeas y combinarlas en el orden natural o
lgico. Lo que permite el anlisis en computadoras de los efectos de las interacciones
mutuas entre esta. Debido al error estadstico, es imposible garantizar que se
encontrar la respuesta ptima, no obstante la respuesta estar por lo menos prxima
a la ptima si el problema se simula correctamente. En esencia, el modelo de
simulacin realiza experimentos sobre los datos de una muestra ms que sobre el
universo entero, ya que esto sera demasiado tardado, inconveniente y costoso.
Planificar un proceso de simulacin requiere de los siguientes pasos:
1. Formulacin del problema.

2. Recoleccin y procesamiento de la informacin requerida.
3. Formulacin del modelo matemtico.
4. Evaluacin de las caractersticas de la informacin procesada.
5. Formulacin de un programa de computadora.
6. Validacin del programa de computadora.
7. Diseo de experimentos de simulacin.
8. Anlisis de resultados y validacin de la simulacin.
123
Modelos de Simulacin
9 Simulacin estadstica o Monte Carlo: Est basado en el muestreo

sistemtico de variables aleatorias.
9 Simulacin Continua: Las estados del sistema cambian constantemente su

valor. Estas simulaciones se modelan generalmente con ecuaciones
diferenciales.
9 Simulacin por Eventos Discretos: se define el mtodo cuyo comportamiento

vara en instantes del tiempo dados. Los momentos en los que se producen los
cambios son los que se identifican como los eventos del sistema o simulacin.
9 Simulacin por Autmatas Celulares: se Aplica a casos complejos, en los

que se divide al comportamiento del sistema en subsistemas ms pequeos
denominadas clulas. El resultado de la simulacin est dado por la interaccin
de las diversas clulas.
Entonces en conclusin se podr definir el Proceso de Simulacin como la

ejecucin del modelo a travs del tiempo en una computadora para generar muestras
representativas del comportamiento.
6.2 Muestreo Monte-Carlo
Bajo el nombre de mtodo Monte Carlo o simulacin monte Carlo se agrupa una
serie de procedimientos que analiza distribuciones usando simulacin de nmeros
aleatorios.
El mtodo de Montecarlo da solucin a una gran variedad de problemas

matemticos experimentos con muestreos estadsticos en una computadora. El
mtodo es aplicable a cualquier tipo de problemas, ya sea estocsticos o
determinstico.
Generalmente en estadstica los modelos aleatorios se usan para simular

fenmenos que poseen algn componente aleatorio. Pero en el mtodo Monte Carlo,
por otro lado, el objeto de la investigacin es el objeto en s mismo, un suceso aleatorio
o Pseudo-Aleatorio se usa para estudiar el modelo.
El mtodo fue llamado as por el principado de Mnaco por ser La Capital del
Juego de Azar, al tomar una ruleta como un generador simple de nmeros aleatorios.
El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan
aproximadamente de 1944 con el desarrollo de la computadora.
El uso real del mtodo Monte Carlo como una herramienta de investigacin
proviene del trabajo de la bomba atmica durante la 2da. Guerra mundial.
124
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la
generacin de nmeros aleatorios por el mtodo de transformacin inversa, el cual se
basa en las distribuciones acumuladas de frecuencias:
Determinacin de las Variables Aleatorias (V.A) y sus distribuciones

acumuladas (F)
Generar un nmero aleatorio
Uniforme E (0,1)
Determinar l valor de la V.A. para el nmero aleatorio generado de acuerdo
a las clases que se tienen.
Calcular media, desviacin estndar, error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o se tengan relaciones entre variables es la
siguiente:
Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias
relevantes.
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y
registrar el resultado.
Repetir el proceso hasta tener una muestra estadsticamente representativa.
Obtener la distribucin de frecuencias del resultado de las iteraciones.
Calcular media y desviacin estndar.
Analizar los resultados
125
Caso Prctico #1
Se tiene la siguiente distribucin de probabilidades para una demanda aleatoria

y se quiere ver qu sucede con el promedio de la demanda en varias iteraciones:
.450
Demanda .400
.400
.350
.300
Frecuencua
.250
.200 .200
.200
.150
.100 .100
.100
.050
.000
Unidades
Utilizado la distribucin acumulada (F(x) es la probabilidad que la variable

aleatoria tome valores menores o iguales a x) se puede determinar cul es el valor
obtenido de unidades cuando se genera un numero aleatorio a partir de una
distribucin continua uniforme. Este mtodo de generacin de variable aleatoria se
llama Transformacin Inversa.
Unidades Frecuencia Frecuencia Acumulada

42 0.10 0.10
45 0.20 0.30
48 0.40 0.70
51 0.20 0.90
54 0.10 1.00
Generando los valores aleatorios se va a poder ver como se obtiene el valor de

la demanda para cada da, interesando en este caso como es el orden de aparicin de
los valores. Se busca el numero aleatorio generado en la tabla de probabilidades
acumuladas, una vez encontrado (si no es el valor exacto, este debe ser menor que el
de la fila seleccionada pero mayor que de la fila anterior), de esa fila tomada como
solucin se toma el valor de las unidades (Cuando se trabaja en Excel se debe tomar
el lmite inferior del intervalo para buscar en las acumuladas, para poder emplear la
funcin BUSCARV( ), para 42 seria 0, para 43 seria 0.100001 y as sucesivamente).
Ejemplo: Supngase que el numero aleatorio generado sea 0.53 a qu valor

de unidades corresponde? Se observa en la columna de frecuencias acumuladas, ese
valor exacto no aparece, el siguiente mayor es 0.70 y corresponde a 48 unidades.
126
Se apreciara mejor en el grafico siguiente, trazando una recta desde el eje de la
frecuencia hasta que intersecta con la lnea de la funcin acumulada, luego se baja la
coordenada de unidades y se obtiene el valor correspondiente; en este caso es 48.
Cuando se trabaja con variables discretas la funcin acumulada tiene un

intervalo o salto para cada variables (Para casos prcticos hay que definir los intervalo
y luego con una funcin de bsqueda hallar el valor. Para funciones continuas se
puede hallar la inversa de la funcin acumulada.
De esta forma se logra a partir de la distribucin de densidad calcular los

valores de la variable aleatoria dada.
Nmero de Simulacin Nmeros Aleatorios Valor de la Demanda

1 0.92 54
2 0.71 51
3 0.85 51

n 0.46 48
En la siguiente tabla se muestra que a medida que aumenta el nmero de

simulaciones, el valor simulado se acerca al valor original de la media y desviacin
estndar, adems de la disminucin del error tpico.
Cantidad de Media Desviacin Error

Simulaciones Estndar
10 48.60 3.41 1.08
100 48.12 3.16 0.32
1000 47.87 3.28 0.10
10000 47.87 3.30 0.03
127
6.3 Generacin de Nmeros Aleatorios
Los nmeros aleatorios generados en la computadora se les llama nmeros

pseudoaleatorios ya que estn definidos por una secuencia generada por un proceso
aritmtico determinstico el cual cumple con ciertas propiedades estadsticas.
X n+1 = f(Xn)
Los nmeros pseudoaleatorios son un secuencia no predecible pero
reproducible, lo cual es de gran utilidad para experimentos.
Se distinguen tres mtodos para producir nmeros aleatorio cuando se usa la

computacin (computadoras), los cuales son:
1. PROVISIN EXTERNA: Consiste en grabar en la memoria de la

computadora, las tablas Randa, a fin de tratar estos nmeros como datos de
entrada para un determinado problema.
2. GENERACIN POR MEDIO DE PROCESOS FSICOS ALEATORIOS:

Consiste en usar algn aditamento especial de la computadora, para registra
los resultados de algn proceso aleatorio y adems, reduzca estas
resultados a sucesiones de dgitos.
3. GENERACIN INTERNA POR MEDIO DE UNA RELACIN DE

RECURRENCIA: Consiste en generar nmeros pseudoaleatorios por medio
de ecuaciones de recurrencia, en las que necesariamente se tiene que dar
un valor inicial o semilla, para generar los siguientes valores.
Caractersticas de los Nmeros Pseudoaleatorios
9 Uniformemente distribuidos.
9 Estadsticamente independientes.
9 Reproducibles.
9 Sin repeticin dentro de una longitud determinada.
Ejemplo: Un mecanismo comn para la generacin de nmeros aleatorios.
Xn+1 = (R Xn + S)% N
X n+1 = (25173Xn + 138499) % 65536
Genera una sucesin de nmeros entre 0 y 65535, donde X0 se le conoce como
la semilla del generador de nmeros pseudoaletorios. Y a este mecanismo se le
conoce como Generador Lineal Congruente.
Los nmeros de la secuencia estn correlacionados con Xk Xk+1, donde esta

secuencia eventualmente se repite, con un periodo no mayor que N.
128
9 Con una seleccin correcta de R, S y N este periodo se puede llevar a su
mximo, es decir, N.
9 No es recomendable utilizar los generadores predefinidos, como el

rand() de C donde N=32767.
LSB son menos aleatorios que los MSB; N * rand()/32768.0 ms eficiente que
rand()%N.
A partir del generador simple multiplicativo congruente:
Xn+1 = (R Xn) % N
Park y Miller establecieron Generador estndar Mnimo:
R = 75 = 16807
N = 231 -1 = 2147483647 (primo)
Schrage defini una forma de evaluar Generador Estndar Mnimo de tal

manera de poder implementarlo en lenguajes con limitaciones en la representacin de
los enteros a un mximo de 4 bytes.
Simplificando las operaciones
129
Construir un Generador Estndar Mnimo en Matlab y graficar los primeros N
valores. Se creara dos funciones: stdseed y stdrand.
Global define variables globales en Matlab: global variable antes de utilizarla en

cada funcin. En funcin de eliminar la correlacin (lo que ocasiona que numero
sucesivo no tenga un salto mayor a 16000), Bays y Durham propusieron un mtodo,
donde se utiliza un vector que contiene el conjunto de numero pseudoaleatorios
candidatos; este vector se construye al inicio con el generador, adems cada elemento
seleccionado es sustituido con un nuevo generado. El ndice del elemento que ser
seleccionado, se determina a partir de los elementos del mismo.
Inicialmente se genera con el generador
FASE INICIAL:
1. Se rellena el vector con el generador, 32 elementos, valor propuesto por Bays y
Durham.
2. Se genera el 1 ndice
130
FASE GENERACION:
1. Se selecciona nmero, en el cual se debe escalar el valor contenido en el ndice
entre 1 y N
2. Se guarda el nuevo ndice, el valor seleccionado en el vector es el nuevo ndice.
3. Se repone el valor tomado del vector.
131
4. Se retorna como nmero generado el valor contenido en el ndice.
En resumen:
Mtodo De Congruencia Lineal: produce una secuencia de enteros X1, X2,... entre 0 y
m-1 de acuerdo a la siguiente relacin recursiva:
Xi+1= (a * Xi + c) mod m, i=0,1,2,...
Donde:
X0 Es llamado semilla.
a Es llamado el multiplicador constante.
c Es el incremento.
m Es el mdulo.
El nmero aleatorio se encuentra de la siguiente manera:
R=X/m
Ejemplo: Utilice el mtodo de Congruencia Lineal para generar nmeros aleatorios con las
siguientes constantes:
X0 = 27 , a = 17, c = 43, m = 100
132
La secuencia de Xi y subsecuentes Ri seran:
X0 = 27
X1 = (17 * 27 + 43) mod 100 = 502 mod 100 = 2
R1 = 2/100 = 0.02
X2 = (17 * 2 + 43) mod 100 = 77 mod 100 = 77
R2 = 77/100 = 0.77
Mtodo Del Cuadrado Medio: Comienza con un nmero inicial (semilla). Este nmero
es elevado al cuadrado. Se escogen los dgitos del medio de este nuevo nmero (segn los
dgitos que se deseen) y se colocan despus del punto decimal. Este nmero conforma el
primer nmero random.
Ejemplo: X0 = 5497
X02 = (5497)2 = 30,217,009 ===> X1 = 2170
R1 = 0.2170
X12 = (2170)2 = 04,708,900 ===> X2 = 7089
R2 = 0.7089
X22 = (7089)2 = 50,253,921 ===> X3 = 2539
133
Bibliografa
1. ANDERSON, D., SWEENEY, J. Y WILLIAMS, T., Introduccin a los Modelos

Cuantitativos para Administracin. Ed. Iberoamericana, 1993.
2. EPPEN, G.D., GOULD, F.J. Y SCHMIDT, C.P. Investigacin de Operaciones en la

Ciencia Administrativa. Prentice Hall Hispanoamericana, 1992.
3. ACKOFF, R.L. y SASIENI, M. Fundamentos de Investigacin de Operaciones, Limusa,

1979.
4. BAZARAA, M. y JARVIS, J., Programacin Lineal y Flujo en Redes, Limusa, 1976.
5. BIASCA. RODOLFO, Renovacin Intencional. Ed. Macchi, 1a. Edicin, 1997.
6. BRONSON, R., Investigacin de Operaciones, Serie Schaum, Mc. Graw Hill, 1990.
7. FOULDS, L. R., Combinatorial Optimization for Undergraduates, Springer, 1984.
8. HILLIER, F. y LIEBERMAN, G., Introduccin a la Investigacin de Operaciones, Mc

Graw Hill, 5 Edicin.
9. MATHUR, Kamlesh. SOLOW, Daniel. Investigacin de Operaciones. Prentice Hall.

1996.
10. WINSTON, Wayne. Investigacin de Operaciones. Grupo Editorial Iberoamrica. 1994.
11. SAATY, T. y KEARNS, K., Analytical Planning. Pergamon Press, 1985.
12. HAMDY, TAHA. Investigacin de Operaciones, Editorial: Representaciones y servicios

de Ingeniera. 6 Edicin.
13. MOSKOWITZ, HERBERT., WRIGHT GORDON. Investigacin de Operaciones, Editorial

Prentice Hall.
14. DAVIS Y MCKEOWN. Mtodos cuantitativos para administracin, Editorial Mc. Graw
Hill.
15. THIERAUF. Investigacin de Operaciones, Editorial Limusa.
134

Apuntes de Investigacion de Operaciones Plan LC 2004

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Apuntes de Investigacion de Operaciones Plan LC 2004

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Autnoma de Baja California Sur

rea de Conocimiento de Ciencias del Mar

Nombre: Investigacin de Operaciones

Objetivo Especifico de la Unidad

Conocer y aplicar las tcnicas necesarias para la

Este tipo de problemas, y la necesidad de encontrar la mejor forma de

La Investigacin de Operaciones aspira determinar la mejor solucin (optima)

En la Investigacin de Operaciones utilizaremos herramientas que nos permiten

Orgenes de la Investigacin de Operaciones.

El inicio de la Investigacin de Operaciones se remonta a la poca de la

Luego de terminar la guerra, el xito de la Investigacin de Operaciones en las

Desde la dcada de 1950, se haba introducido el uso de la Investigacin de

Un factor importante de la implantacin de la Investigacin de Operaciones en

Un segundo factor importante para el desarrollo de este campo fue el

En la dcada de los 80 con la invencin de computadoras personales cada vez

Como su nombre lo dice, la investigacin de operaciones significa "hacer

La parte de investigacin en el nombre significa que la investigacin de

En particular, la IO se ocupa tambin de la administracin prctica de la

Una caracterstica adicional es que la investigacin de operaciones intenta

Todas estas caractersticas llevan de una manera casi natural a otra. Es

Impacto de la Investigacin de Operaciones

La investigacin de operaciones ha tenido un impacto impresionante en el

Sin duda, el impacto de la investigacin de operaciones continuar

Riesgo Al Aplicar La Investigacin De Operaciones

Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se

Campos de Accin IO reas Tcnicas de IO reas De Aplicacin

9 Empresas 9 Pronsticos 9 Evaluacin de

FINALIDAD DE LA INVESTIGACION DE OPERACIONES

Minimizar Costos y Maximizar Ganancias

LA DEFINICION DE INVESTIGACION DE OPERACIONES

La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del

Acroff, R. L. y Sasieni M. W. Fundamentals of Operations Research, John Wiley & Sons,1968.

Grupos interdisciplinarios: Especialistas en diferentes reas.

Mtodo cientfico: Es una serie de pasos sistematizados e instrumentos que nos

Una organizacin es un sistema formado por componentes que se

La investigacin de operaciones es la aplicacin de la metodologa cientfica a

La toma de decisiones estratgicas para la vida de una empresa, es la principal

En conclusin tomar decisiones es la tarea esencial de toda persona o grupo

Se basa principalmente en el juicio y experiencia pasada de la gerencia, incluye

Se concreta en hechos cuantitativos o datos asociados con los problemas y

Este anlisis requiere habilidades que se obtienen del estudio de herramientas

1) Definicin del problema y recoleccin de datos: Establecer cuales el

2) Formulacin de un modelo matemtico: Significa disear una replica

3) Resolver el modelo y encontrar una solucin: Resolver un modelo consiste

5) Establecimiento de controles sobre la solucin: Una solucin establecida

6) Tomar la decisin y poner en prctica el proyecto: El paso final se inicia con

La etapa de implantacin de una solucin se simplifica en gran medida

Es el modelo en el que a cada variable se le asigna un valor que es una

A) Programacin Lineal: es una tcnica matemtica y de investigacin de

A) Pronsticos: es el proceso de bsqueda de elementos de juicio sobre varios

C) Simulacin de Sistemas: La naturaleza y tcnicas de simulacin se

Estos conjugan los modelos determinstico y probabilsticas.

Dan Soluciones Basadas en experiencias.

Representacin simplificada de la realidad, que facilita su comprensin y el

En conclusin el arte debe sentirse y la ciencia se explica.

TIPO CARACTERSTICAS EJEMPLOS

Simblicos (cuantitativos) Intangible Modelo de

En Investigacin de Operacin se utilizaran los modelos simblicos, que utilizan

Modelo Matemtico: Modelo Expresado en trminos matemticos, hace ms claras

Modelo Modelo Resultados

1 era. Fase de del modelo de la toma de decisiones

FORMULACION DEL MODELO Y RECOLECCION DE DATOS (Planteamiento)

Es por lo general la parte ms difcil en el anlisis en un problema real. Para

1. Definir las variables de decisin.