• Primer paso: Escoger un nodo arbitrariamente y elegir el ramal que esté más cercano a él.

• Segundo paso: Elegir el nodo más cercano a cualquiera de los nodos ya existentes en el árbol.
• Tercer paso: Anular todos los ramales que me puedan crear ciclos al entrar dicho nodo y
volver al segundo paso hasta encontrar el árbol.

265
 De acuerdo a la anterior gráfica, el árbol de mínimo recorrido se encuentra constituido por
AD - DC - CE - EH - HJ - JI - CF - FG - BF, lo cual nos da un total de 55 unidades.

Problema del PERT / CPM / LPU / ROY / RAMPS

Para solucionar los problemas planteados en el Gráfico de Gantt se presentan los sistemas de
trayectoria crítica, es decir, PERT, CPM, LPU, ROY y RAMPS.

A mediados de 1957, la E.I. Du Pont de Nemours de los Estados Unidos estaba interesada en
ampliar cerca de 300 fábricas, lo cual implicaba un gran número de actividades; pensemos que cada
ampliación tuviera 100 actividades, esto implicaba 30000 actividades, las cuales no podían ser planeadas
en Gráfica de Gantt. Morgan Walker de Du Pont y James E. Kelley de la Remington Rand pensaron
que la única posibilidad era utilizar la computadora e idearon un sistema que denominaron CPM Critical
Path Method (Método del Camino Crítico).

A fines de 1957 la Oficina de Proyectos Especiales de la Armada de los Estados Unidos, fue
encargada de administrar el gran proyecto Polaris. Se trataba de fabricar, probar y dejar en posición de
combate un cohete balístico llamado Polaris. Dicha Oficina contrató la asesoría de las firmas Lockheed
Aircraft y Booz, Alien y Hamilton, para que propusiera métodos apropiados al control del proyecto con
tan especiales características de incertidumbre. Este grupo desarrolló los procedimientos que dieron
origen al PERT Program Avaluation and Review Technique (Técnicas de Evaluación y Revisión de
Programas).

Existe un sistema llamado LPU Lines Points Union (Líneas y Puntos de Unión) desarrollado en
1961 por John W. Fondahl, profesor de la Universidad de Stanford. Este trabajo inicialmente se denominó
Sistema de Actividades en los Nodos; luego la IBM desarrolló en base a él un programa llamado
Diagrama de Precedencias. La diferencia fundamental con el CPM / PERT es que este modelo (LPU)
está orientado hacia el proceso manual y no hacia el computador.

En Europa un grupo constituido por ingenieros de los Chantiers de lAtlantique, la SEMA, la

Compagnie des Machines BULL y el Matemático Francés B. Roy estudió el problema del equilibrado
de las curvas de carga de las diferentes especialidades que intervienen en las operaciones de armamentos
de buques; estos trabajos dieron origen al ROY o Método de los Potenciales. La principal ventaja del
ROY sobre el PERT es que no exige tareas ficticias.

En un afán por sincronizar el mecanismo de la acción empresarial, respondiendo a ese deseo

de mayor orden, mayor productividad y mayor gestión que imponen las nuevas formas de la economía
actual y que viene sintetizado en la llamada gestión integrada, ha surgido el método RAMPS que se
peocupa en coordinar los medios disponibles y las tareas de varios proyectos que se llevan a cabo a
la vez.

Los modelos más extendidos en cuanto a su aplicación en nuestro medio y sus principales
diferencias son:

266
 PERT CPM

1. Probabilístico. 1. Determinístico.
2. Se basa en eventos. 2. Se basa en actividades.
3. Orientado a quien controla. 3. Orientado a quien ejecuta.
4. Se puede utilizar en proyectos 4. Se puede utilizar para todo tipo
de investigación. de proyecto.

En este momento es importante advertir las ventajas de los sistemas de trayectoria crítica
(PERT / CPM / LPU / ROY / RAMPS) sobre el sistema tradicional de barras (Gráfica de Gantt):

• Se puede conocer exactamente la secuencia de las actividades.

• Podemos analizar el efecto de cualquier atraso o adelanto de una actividad en relación al
proyecto.
• Se pueden estudiar rápidamente diferentes alternativas.
• Podemos analizar todas las variables (tiempo, costos, recursos).
• Se pueden conocer cuáles son las actividades que sufriendo retrasos no modifican el proyecto.
• La efectividad del sistema es directamente proporcional al número de actividades; cuantas
más actividades existan, más detalles y más conocimientos del proyecto tenemos.
• Podemos visualizar todos los problemas y situaciones en el papel, antes que ellos ocurran en
la realidad.

Problema PERT-CPM

Este problema resuelve situaciones atinentes a proyectos. Un proyecto está constituido por las
tareas o actividades (hechos que consumen tiempo) y/o recursos (hechos que consumen dinero). Los
recursos son los elementos necesarios de un proyecto para ejecutar una actividad; estos recursos
pueden ser:

• Mano de Obra.
• Materiales:
Permanentes; no fungibles (quedan físicamente en lo que hemos hecho).
Fungibles; dinero, energía utilizada, etc.

• Espacio.
• Maquinaria.

En todo proyecto el recurso más importante es el dinero.

267
 Entre las actividades existen unas relaciones que nos permiten ordenarlas y representarlas mediante
un grafo valuado G = (X, Y) de dos formas:

1. X : Conjunto de actividades.
Y : Relaciones entre las actividades.

2. X : Conjunto de actividades.
X : Conjunto de elementos X tales que X es el final de una actividad y el comienzo de toda
actividad inmediatamente posterior.

La diferencia entre dos métodos es que para PERT la duración de las actividades es aleatoria, de
la que conocemos su ley de distribución (Distribución P); se consideran tres clases de tiempos:

T0 = Tiempo optimista (duración prevista sin ningún tipo de retraso).

Tn = Tiempo normal (duración prevista desde un punto de vista real).

Tp = Tiempo pesimista (duración prevista si va mal la actividad en su desarrollo).

De acuerdo a la distribución P calculamos el tiempo medio de duración T^ , que estará en el

intervalo [TO ,T P J como:

Luego la varianza y la desviación estándar corresponden a:

La desviación estándar nos dice el grado de confiabilidad de la estimación hecha con Tu . Luego
calculamos la ruta crítica.

El método CPM considera que conoce exactamente lo que dura cada actividad.

Las convenciones por medio de grafos corresponden a:

268
 Donde :

TPj : Es el tiempo más próximo de empezar la actividad i .

TL¡ : Es el tiempo más lejano de comenzar la actividad i .
U : Es el identifícador del nodo.
K : Es la duración de la actividad,
i : Es la actividad.

Calculárnoslos T P¡ de la siguiente manera: TP¡ = [TP(i-l)+K.] inicializando TP¡ del nodo

inicial en cero; si un nodo tiene varios predecesores se escoge el valor mayor entre los calculados.
Cuando se llega al nodo final se habrá obtenido el tiempo más próximo de la finalización del proyecto.

El cálculo de TL; es así: TL¡ = [TL(i + l ) - K ] igualando TL¡ =TP¡ para inicializar TL¡ en
el último grado de grafo. Si un nodo tiene varios sucesores, se escoge el valor de TL (i + l) más
pequeño; cuando se llegue al nodo inicial se obtendrá el tiempo más tarde de comenzar el proyecto.

Un suceso se dice que es crítico cuando T L¡ - T P¡ = 0; la ruta o camino crítico está constituida
por el conjunto de actividades críticas. Holgura total de una actividad es el tiempo que se puede
prolongar dicha actividad sin afectar el tiempo final del proyecto. Holgura libre es el tiempo que se
puede prolongar la actividad sin afectar el suceso. Cuando una actividad tiene una duración nula se
llama hito.

269
Ejemplo

Se tiene un proyecto de sistematización de un Departamento de Programación:

La representación del proyecto anterior por medio de un grafo es:

270
271
 Ahora se realizará la gráfica de tal manera que los nodos sean las actividades.

272
 En cualquiera de los dos grafos podemos observar que la duración del proyecto es de 39 semanas
determinadas a partir de las dos (2) rutas críticas siguientes:

i = 1 , 2 , 3 , 5 , 8 , 7 , 15, 18, 19.

ii = 1,2,3,5,8,6,9,14,15,18,19.

Las varianzas y la desviación estándar total de la ruta crítica corresponden a

273
 Es decir, el proyecto lo podemos realizar en un intervalo cerrado: [37 , 4l] con una holgura
aproximada de 2 semanas por defecto y por exceso.

El proyecto se puede hacer en 39 semanas con una desviación a izquierda y derecha de 2 semanas,
o sea, el trabajo deberá ser realizado entre 37 y 41 semanas respectivamente.

274
TRAYECTORIAS DE EULER

En honor de Leonhard Euler, se llama una trayectoria de Euler a un camino que recorre todas las
aristas de una gráfica conexa.

El p r o b l e m a d e los puentes d e Königsberg

Königsberg era un puerto de la antigua Alemania (actualmente pertenece a Rusia y se llama

Kaliningrado), situado en la costa sur del mar Báltico, la segunda capital de Prusia, está dividido por el
río Pregel en cuatro zonas, incluyendo la isla de Kneiphof. Hay siete puentes que conectan las diferentes
partes de la ciudad y hay un acertijo acerca de ellos que intrigó grandemente a los ciudadanos de
Königsberg hace unos doscientos años.

Dar un paseo por los puentes ha sido siempre un entretenimiento para recreación de los jóvenes.
Según los viejos relatos, de una manera o de otra se presentó la pregunta de cuánto llevaría recorrer los
puentes. Esto condujo a la sorprendente afirmación de que un recorrido completo de todos los puentes
sin pasar más de una vez por ninguno de ellos era imposible.

Es un hecho histórico que un comité de jóvenes visitó a Leonard Euler, el matemático, en 1735,
para pedirle que resolviera el conflictivo tema. Un año más tarde, Euler presentó un voluminoso informe
a la Academia de Ciencias de San Petersburgo. Allí afirmaba haber demostrado la imposibilidad de
resolver el problema. Esta conclusión aparece en el informe de la Academia, 1741, Vol. 8, y ha sido
publicada en inglés y francés por renombrados matemáticos, ya que se ocupa del principio aplicándolo
a cualquier número de puentes.

El profesor W. Rouse Ball, de Trinity College, discute la antigüedad y los méritos del problema en
su gran obra Mathematical Recreations, pero se equivoca al adjudicar su origen a Euler en 1736 y hace
la notable afirmación de que había y aún hay, según Baedecker, solamente siete puentes. Los registros
más antiguos se refieren a ocho y el mapa presenta un acertado esquema de Baedecker, quien se
refiere especialmente a los ocho puentes.

275
 La cuestión de regresar al punto de partida no forma parte en absoluto del problema. Sólo se trata
de demostrar si es posible partir de cierto sitio de la ciudad y llegar a otro sitio pasando una sola vez por
todos los puentes. El problema es decir de cuántas maneras es posible hacerlo y cuál es la ruta más
corta.

En el año 1935 se construyó un nuevo puente, uniendo las áreas de tierra B y C. Supongamos que
cada vez que se cruza un puente de la ciudad de Königsberg se tienen que pagar $1000 y que se
requiere hacer un recorrido cruzando cada puente por lo menos una vez.

i. ¿Existe una caminata?

ii. Describir el recorrido más barato que comienza y termina en el área de tierra B.

iii. Describir el recorrido más barato si se permite empezar y terminar en áreas de tierra diferentes.

Solución

i. Si existe una caminata; la gráfica que se obtiene posee exactamente dos vértices de grado
impar, los vértices A y D. Una trayectoria de Euler que comienza en A y finaliza en D es A, B, A, C, A,
D, B, C, D.

276
 ii. El recorrido más barato cuesta $9000; de acuerdo con la gráfica del problema, un posible
recorrido que empieza y termina en el área de tierra B es B, A, C, D, C, A, D, B, A, B. En este
recorrido, tanto el puente CD como alguno de los puentes AB son cruzados dos veces.

iii. El recorrido más barato cuesta $8000. Un posible recorrido que comienza en C y finaliza en A
es B, A, C, D, C, A, D, B, A; en este recorrido el puente CD se cruza dos veces.

TRAYECTORIAS DE HAMILTON

Este problema consiste en encontrar trayectorias que visitan cada vértice de una gráfica
exactamente una vez. Este nombre se debe a que en el año 1857 el célebre matemático Irlandés
William Rowan Hamilton inventó un juego que involucra un dodecaedro regular sólido, etiquetado cada
vértice con el nombre de alguna ciudad importante; el objetivo del juego era que el jugador diseñara un
viaje en el que visitara cada una de las veinte ciudades exactamente una vez.

La diferencia entre trayectoria de Euler y trayectoria de Hamilton consiste en la sustitución de la

palabra arista por vértice, lo que constituye diferencias sustanciales.

El P r o b l e m a d e l A g e n t e V i a j e r o

Son problemas en los cuales está involucrada una gráfica completa, cuyas aristas se encuentran
etiquetadas con números; una gráfica donde sus aristas están etiquetadas con números se llama gráfica
ponderada y a los números se les denomina pesos de las aristas. A estas gráficas se les llama gráficas
completas ponderadas.

277
 El problema matemático que subyace a toda esta clase genérica de problemas, conocidos como
problemas del agente viajero, se refiere a encontrar un circuito de Hamilton para una gráfica completa
ponderada que tenga el menor peso total. El peso total de un circuito es la suma de los pesos de cada
una de las aristas que lo forman.

Los principales algoritmos para resolver el problema del agente viajero son: algoritmo de la fuerza
bruta, algoritmo ambicioso, algoritmo ambicioso repetitivo, algoritmo de mínima conexión.

Algoritmo de la fuerza bruta

Consiste en hacer una lista de todos los posibles circuitos de Hamilton de la gráfica; a continuación
se calcula el peso total de cada circuito de Hamilton sumando los pesos de todas las aristas del circuito.
Finalmente se encuentra el circuito con el menor peso posible, el cual constituye el circuito de Hamilton
óptimo.

Algoritmo ambicioso o Algoritmo glotón o Algoritmo del vecino más

cercano

Comienza con la elección de cualquier vértice como punto inicial; a partir del vértice inicial se va
hacia el vértice cuya arista tenga el menor peso posible, en caso de existir más de uno, se escoge uno
arbitrariamente; se sigue el proceso en forma sucesiva hasta que todos los vértices hayan sido escogidos.
Desde el último vértice se regresa al punto inicial.

Algoritmo ambicioso repetitivo

Se inicia con la escogencia de cualquier vértice, al cual se aplica el algoritmo ambicioso y se

calcula el costo total del circuito obtenido; se repite el proceso usando cada uno de los vértices restantes
de la gráfica como vértice inicial. De los circuitos de Hamilton obtenidos se escoge el mejor; si hay un
vértice inicial designado se reescribe este circuito con ese vértice como punto inicial.

Algoritmo de mínima conexión

Consiste en elegir la arista de menor peso, en caso de empate se toma una arbitrariamente; se
escoge la siguiente arista disponible de menor peso; se sigue eligiendo la arista que no ha sido tomada
de menor peso, excepto cuando i) se cierra un circuito que no es el final ii) se unen tres aristas en un
sólo vértice. Cuando ya no hay más vértices para conectar se cierra el circuito.

Algunos ejemplos de problemas del agente viajero son: procesos industriales, cajeros automáticos,
cristalografía de rayos X, transporte y entrega de mercancías por medio de vehículos de transporte
terrestre, circuitos integrados y bodegas automatizadas, entre otros. Ejemplo:

Un agente viajero tiene clientes en cinco ciudades A, B, C, D y E; el agente viajero vive en la

ciudad A y cada mes tiene que viajar a las otras cuatro ciudades para visitar a sus clientes y regresar
a su ciudad A. Los costos son los siguientes: AB $18.500, BC $12.100, CD $17.400, DE $19.900, EA

278
$ 13300, AC $ 11900, AD $ 15200, BD $ 15000, BE $20000, CE $ 12000. El negocio del agente viajero
es de reciente creación y él sabe que para poder crecer es muy importante gastar lo menos posible
en cada uno de sus viajes. El agente viajero requiere saber ¿cuál es la ruta más económica que
comienza en su ciudad A, visita cada una de las cuatro ciudades exactamente una vez y regresa
nuevamente a A?

Solución

Aplicando el algoritmo de la fuerza bruta, el cual consiste en encontrar un circuito de Hamilton

óptimo (con el menor peso total) para la gráfica anterior:

Circuitos de Hamilton Costo Total Circuito Reflejado

A, B, C, D, E, A 18500+ 12100 + 17400+ 19900+ 13300 = 81200 A, E, D, C, B, A
A, B, C, E, D, A 18500+ 12100 + 12000+19900+ 15200 = 77700 A, D, E, C, B, A
A, B, D, C, E, A 18500+15000 + 17400+ 12000+13300 = 76200 A, E, C, D, B, A
A, B, D, E, C, A 18500+ 15000 + 19900+12000+ 11900 = 77300 A, C, E, D, B, A
A, B, E, C, D, A 18500 + 20000 + 12000 + 17400 + 15200 = 83100 A, D, C, E, B, A
A, B, E, D, C, A 18500 + 20000 + 19900 + 17400 + 11900 = 87700 A, C, D, E, B, A
A, C, B, D, E, A 11900+ 12100 + 15000+19900+ 13300 = 72200 A, E, D, B, C, A
A, C, B, E, D, A 11900+ 12100 + 20000+19900+ 15200 = 79100 A, D, E, B, C, A
A, C, D, B, E, A 11900+ 17400 + 15000 + 20000+13300 = 77600 A, E, B, D, C, A
A, C, E, B, D, A 11900+ 12000 + 20000+15000+15200 = 74100 A, D, B, E, C, A
A, D, B, C, É, A 15200+15000 + 12100+12000+13300 = 67600 \. E, C, B, D, A
A, D, C, B, E, A 15200+ 17400 + 12100 + 20000+ 13300 = 78000 A, E, B, C, D, A

Al terminar de revisar la lista, se observa que los circuitos óptimos tienen un costo total de
$67.600 correspondientes a los circuitos A, D, B, C, E, A y su circuito reflejado A, E, C, B, D, A.

279
 Si empleamos el algoritmo ambicioso, el cual consiste en que el agente viajero al abandonar su
ciudad de residencia A se dirija a la ciudad hacia la cual el costo del viaje es más barato, y así
sucesivamente hasta llegar a la cuarta ciudad y finalmente regresar a la ciudad de origen A.

El circuito que produce esta estrategia es A, C, E, D, B, A con un costo total de $77300.

Aplicando el algoritmo ambicioso repetitivo, una vez por cada vértice de la gráfica, se obtienen
cinco circuitos de Hamilton de los cuales el mejor es el que utiliza a B como vértice inicial B, C, A, E,
D, B con un costo total de $72200.

Si trabajamos con el algoritmo de mínima conexión la solución obtenida es el circuito de Hamilton

A, C, E, B, D, A o el circuito reflejado, el cual nos da un costo total de $74100.

EJERCICIOS PROPUESTOS

Calcule la ruta más corta en la red siguiente:

280
 Encuentre el árbol de expansión mínima en la siguiente gráfica:

Calcule el flujo máximo que se puede transportar a través de:

Usted y varios amigos van a preparar lasagna para la cena; las tareas que deberán realizar, sus
tiempos (en minutos) y las restricciones de precedencia son:

Tarea Descripción de la tarea Tiem po Tareas precedentes

A Comprar el queso mozzarella 30
B Rayar el queso 5 A
C Batir dos huevos 2

281
 Tarea Descripción de la tarea Tiempo Tareas precedentes
D Mezclar huevos y queso ricota 3 C
E Picar cebollas y hongos 7
F Cocinar la salsa de tomate 25 E
G Hervir agua en una vasija 15
H Hervir la pasta de lasagna 10 G
I Enjuagar la pasta de lasagna 2 H
J Mezclar los ingredientes 10 I, F, D, B
K Precalentar el homo 15
L Hornear la lasagna 30 J, K

a) Formule este problema como un sistema tipo PERT dibujando la red de proyecto. Utilice un
evento para representar la iniciación simultánea de las primeras tareas; al lado de cada arco,
identifique la tarea que se realiza; en el otro lado mostrar el tiempo requerido.

b) Encuentre el tiempo más próximo, el tiempo más lejano y la holgura para cada evento, al igual
que la holgura para cada actividad. Identificar además la ruta crítica.

Una empresa quiere realizar un proyecto y para su programación se incluyen los costos, con el
objeto de utilizar CPM. Los costos de ejecución del proyecto (en miles de pesos), asi como las duraciones
estimadas de las actividades (en semanas) son las siguientes:

DURACIONES COSTOS
ACTIVIDADES
Normal Promedio Normal Promedio
1-2 8 6 200 208
1 -4 17 13 350 390
2-3 6 3 130 145
2-5 12 8 250 274
3-4 3 2 80 85
3-5 9 7 100 102
4-5 2 1 50 54

Los costos indirectos son imputados al proyecto, en su conjunto, estimándose que existe una
relación lineal de la forma: C¡= 600 + 3 * Dp donde C¡: Costos indirectos y D p : Duración del proyecto.
Se desea conocer:

a) Duración y costos normales del proyecto.

b) Duración del camino crítico irreductible y sus costos asociados.
c) Duración del proyecto para un costo total mínimo.

282
 Resolver el problema de los servicios públicos, el cual se refiere a la necesidad de conectar tres
casas a tres servicios públicos: agua, electricidad y telefono. Por razones de segundad es necesario
que las conexiones no se crucen entre sí. ¿Es posible conectar los servicios de esta manera?

283
CAPÍTULO X

PROGRAMACIÓN NO LINEAL

"Carecer de libros propios es el colmo de la miseria ".

Benjamín Franklin

INTRODUCCIÓN

Existen muchos problemas que no pueden ser expresados en términos de funciones lineales, sino
por medio de funciones no lineales.

Las soluciones a estos problemas son más dispersas que las de programación lineal, ya que no
existe un método de solución general como, por ejemplo, el algoritmo Simplex; por lo tanto existen
soluciones para algunos tipos muy especiales de problemas de programación no lineal.

El problema general de programación no lineal es:

Con las siguientes restricciones:

La OPT puede corresponder a un problema de maximización o de minimización.

En Programación No Lineal se trabajan en general los siguientes tópicos:

• Programación Clásica Libre

• Programación Clásica con Restricciones
• Programación No Lineal Diferenciable
• Programación No Lineal No Diferenciable

285
PROGRAMACIÓN CLÁSICA LIBRE

Este problema consiste en encontrar los valores de las variables X e M n que maximiza o minimiza
una función f: R " —» R . La programación clásica libre se utiliza en formulaciones sencillas, en ciertas
modelizaciones algo más complejas en las que se presentan restricciones de tipo presupuestal que se
pueden incluir en la función objetivo, por ejemplo, en problemas de producción, cuando el equilibrio de
la unidad económica de producción se alcanza cuando el beneficio es máximo.

Ejemplo
OPT f (X, Y) = X 2 + Y2

Condiciones necesarias d e óptimo local

Condición de primer orden

Teorema 1. Si f: ss una función de clase uno, la condición necesaria para que x* sea
un óptimo local es que , es decir, el gradiente de la función debe ser igual a cero.

Condición necesaria de segundo orden

Teorema 2. Consideremos un punto crítico de f en el cual la matriz hessiana

no es la nula. Si x* es un máximo local de f, entonces la forma cuadrática asociada a es
semidefinida negativa.

Teorema 3. Consideremos un punto crítico de f en el cual la matriz hessiana

no es la nula. Si x* es un mínimo local de f, entonces la forma cuadratica asociada a H f (x*) es
semidefinida positiva.

Punto de silla: Un punto crítico x* es punto de silla si para todo entorno

ales que y también

286
Ejemplo

Si tenemos la función f (X, Y) = X 2 - Y 2 podemos encontrar sus puntos críticos anulando el

es una matriz indefinida, ni máximo,

ni mínimo; con lo cual se concluye que (0, 0) es un punto de silla:

Cuando la matriz hessiana es la matriz nula, podemos estar ante diferentes casos: la matriz hessiana
es nula para ciertos vectores, el estudio de la optimalidad depende de las derivadas de tercer orden y la
matriz hessiana se hace idénticamente nula, en ambos casos se realiza un estudio local de la función.

Condición suficiente de óptimo global

287
 Teorema 8. Si f e C ' ( R n ) es una función convexa diferenciable y x* un punto crítico, entonces
x* es mínimo global de f. Si f es estrictamente convexa el punto crítico x* es mínimo global único.
PROGRAMACIÓN CLÁSICA CON RESTRICCIONES

Sirve para resolver el siguiente tipo de problemas:

OPT f (X)

Sujeta a:
g(X) = b

siendo f: funciones diferenciables y m, n finitos y n > m: el

número de variables debe ser mayor que el número de restricciones; n°: número de grados de libertad
= n - m.

La programación clásica con restricciones se utiliza en la mayor parte de los modelos económicos
(utilidad o producción sometidas a restricciones presupuestarias).

Función de Lagrange: Se define de la siguiente manera:

2S el vector de multiplicadores
de Lagrange. El punto crítico de la función de Lagrange es el que anula el vector
gradiente de la lagrangeana.

Condiciones necesaria y suficiente d e m á x i m o local

Condición necesaria de óptimo local

Teorema 9. Si X* es un óptimo local del problema de programación clásica con restricciones

existe un vector de multiplicadores tal que es un punto crítico de la función lagrangeana.

Condición suficiente de óptimo local

Teorema 10. Dado el problema MAX f (x) sujeta a: g (x) = b, en el que las funciones
es un punto crítico de la función de Lagrange, la condición suficiente para que X* sea
máximo local estricto del problema es que la forma cuadrática relativa a la variable
sea definida negativa respecto a los vectores del plano tangente a la superficie restricción g (x) = b, es
decir, respecto a los vectores h e R " tales que

Condición suficiente de mínimo local

Teorema 11. Dado el problema MIN f (x) sujeta a : g (x) = b, en el que las funciones
es un punto crítico de la función de Lagrange, la condición suficiente para que X* sea

289
mínimo local estricto del problema es que la forma cuadrática relativa a la variable X, HXL (x*, A,*), sea
definida positiva respecto a los vectores del plano tangente a la superficie restricción g (x) = b, es decir,
respecto a los vectores h e M n tales que hl Jg (X*) = 0.

Óptimo Global

Teorema 12. En los problemas convexos de programación clásica con restricciones, la condición
necesaria y suficiente para que X* sea óptimo global es que (x*, 7*) sea punto crítico de la función de
Lagrange. Problema convexo: f ha de ser cóncava o convexa (máximo/mínimo) y g¡ han de ser funciones
lineales; si f es estrictamente cóncava (estrictamente convexa), entonces el máximo (mínimo) global es
único.

Ejemplo:
OPT f (X, Y) = X - Y 2

Con sus restricciones:

X2 + Y2 = 4

290
291
 • P4 es un mínimo local estricto en

Máximo global en

Máximo local en

Mínimo global en

Mínimo global en

292
 Teorema 13 (Teorema de Weierstrass). Sea continua en el intervalo cerrado [a,
b]; entonces, la función toma todos los valores entre f (a) y f (b). Una función es continua
en un subconjunto D de R si es continua en todos los puntos de D.

En otras palabras, si y 0 es un número real tal que entonces

Sea X cerrado y acotado, f continua en X, entonces f alcanza un máximo y un

mínimo global en X.

Ejercicios

1. ¿Que significado tiene el multiplicador de Lagrange.

Mide la tendencia de la función objetivo o mide el grado de sensibilidad de la función objetivo

frente a cambios infinitesimales (desde la interpretación matemática de derivada) o cambios unitarios
(bajo la óptica de los problemas económicos) de la limitación del recurso i - ésimo.

Precio sombra-pseudoprecio-costo de oportunidad-valor implícito-costo marginal.

293
 El valor del multiplicador en el óptimo nos indica que si la limitación del recurso bi = k b
aumenta una unidad, la función objetivo crece en el óptimo y si dicha limitación disminuye, entonces la
función objetivo decrece.

El valor del multiplicador en el óptimo nos dice que si la limitación del recurso b2 = k2,
aumenta una unidad, la función objetivo disminuye en el óptimo y si el recurso se limitara más, entonces
la función objetivo en el óptimo aumentaría.

2. Dado el problema MIN f (x), donde f es una función convexa en R n. ¿Podemos asegurar que
siempre existe mínimo de f ?

Si f es una función convexa en R n y X* un punto crítico, entonces X* es un mínimo global de f; si f es

estrictamente convexa, entonces el punto crítico X* es un mínimo global único. Si la matriz hessiana en X*
corresponde a una forma cuadrática definida positiva, entonces X* es un mínimo local estricto.

PROGRAMACIÓN NO LINEAL DIFERENCIABLE

Este problema refleja mejor las circunstancias en las que se desenvuelve la actividad económica.
El problema tipo a resolver es:

MAX f (x)

Con sus restricciones:

Siendo __ funciones diferenciables y b e R m .

Suficiencia d e las Condiciones d e Karush - Kuhn - Tucker

Teorema 14. En el problema MAX f (x) sujeto a: f es una función cóncava

diferenciable y g una funciónconvexa diferenciable, Vi = 1,2, 3,..., m en el conjunto convexo X.
Supongamos que el punto verifica las hipótesis de cualificación de las restricciones y además
las condiciones necesarias de Karush - Kuhn - Tucker, entonces x* es máximo global.

Siendo el conjunto factible.

Teorema 15. En el problema MIN f (x) sujeto a: f es una función convexa

294
diferenciable y g una funciónconvexa diferenciable, m en el conjunto convexo X.
Supongamos que el punto verifica las hipótesis de cualificación de las restricciones y además
las condiciones necesarias de Karush - Kuhn - Tucker, entonces x* es mínimo global.

Siendo el conjunto factible.

Ejemplos ¿

1. ¿En qué tipo de problemas se deben utilizar las condiciones de Karush-Kuhn-Tucker?

Se debe usar cuando se tiene un problema de optimización con restricciones de desigualdades,

considerando que el punto X* verifica las hipótesis de cualificación de las restricciones.

MAXf(x)

Sujeta a:

MINf(x)

Sujeta a:

MAX f (x)

Con sus restricciones:

295
 MAXf(x)

Sujeta a:

MINf(x)

Con sus restricciones:

2. Calcular el óptimo global del problema:

Con sus restricciones:

Formulamos la función de Lagrange:

Aplicamos las condiciones de Karush - Kuhn - Tucker:

1.

2.

3.

Se verifican las hipótesis de cualificación de las restricciones, ya que el conjunto factible en este
problema es convexo y tiene un interior no vacío.

Realizando las operaciones que aparecen en las seis condiciones, obtenemos:

296
 Para resolver este sistema podemos hacerlo de forma secuencial, aplicando las condiciones de
holgura complementaria (ítems 2. y 5.), lo que nos lleva a resolver una serie de sistemas más sencillos
determinados por los posibles valores de las variables. En este problema se pueden plantear hasta 2 3
(porque son tres variables X, Y y ) sistemas que surgen de las siguientes combinaciones:

Escogemos de las ocho ecuaciones el caso 6. : se obtiene el sistema:

cuya solución es:

MAX(X = 0; Y>0; X=0)

297
 Análisis de la convexidad del problema: La función objetivo es una función estrictamente cóncava,
ya que su matriz hessiana es definida negativa:

La función restricción es convexa, porque su matriz hessiana es semidefinida positiva:

por tanto el conjunto nivel que expresa la restricción del problema es

convexo; el conjunto factible es convexo por ser intersección de conjuntos convexos. Por tanto, el
máximo global del problema es único, como tiene que cumplir las condiciones de Karush - Kuhn -
Tucker, según la condición suficiente, está en el único punto que hemos encontrado

PROGRAMACIÓN NO LINEAL NO DIFERENCIABLE

Si en el problema de optimización:
MAX f (X)

Sujeta a:

Siendo f: alguna de las funciones f o g no son diferenciables, hemos

de aplicar otra técnica para encontrar sus óptimos.

Punto de silla del lagrangeano: El punto es un punto de silla del

lagrangeano del problema anterior si :

Algoritmo de Levenberg-Mardquardt

El algoritmo de Levenberg-Mardquardt es un algoritmo iterativo de optimización en el que el

método de iteración presenta una lisera modificación sobre el método tradicional de Newton. Las
ecuaciones normales (donde J representa el Jacobiano de la función, A los
incrementos de los parámetros y s el vector de errores residuales del ajuste), son reemplazadas por las
ecuaciones normales aumentadas ,donde El valor
de es inicialmente puesto a algún valor, normalmente Si el valor de A obtenido resolviendo
las ecuaciones aumentadas conduce a una reducción del error, entonces el incremento es aceptado y

298
 es dividido entre 10 para la siguiente iteración. Por otro lado, si si el valor de conduce a un
aumento del error, entonces es multiplicado por 10 y se resuelven de nuevo las ecuaciones normales
aumentadas, este proceso continúa hasta que el valor de encontrado da lugar a un decremento del
error. Este proceso de resolver repetidamente las ecuaciones normales aumentadas para diferentes
valores de hasta encontrar un valor aceptable de es lo que constituye una iteración del algoritmo
de Levenberg - Mardquardt. En el caso de diferenciación numérica, cada variable independiente x¡ se
incrementa por turnos en , se calcula es valor de la función en el nuevo punto y la derivada se
calcula como un cociente. Buenos resultados han sido encontrados colocando el valor de 8 al máximo
entre En la practica no se aprecia ventaja en usar un método de diferenciación numérica
o dar una rutina de cálculo de la derivada.

Algunos de los principales métodos de solución son los siguientes:

• La solución gráfica, cuando son máximo tres (3) variables.

• Las restricciones son ecuaciones en lugar de desigualdades m < n; lo anterior constituye un
caso de optimización clásica y se puede aplicar para su solución los Multiplicadores de Lagrange.
• f ( X b X2, X3, , Xn) es no lineal, pero las g¡ (X], X2, X3, X n ) son lineales; para las
anteriores condiciones hay dos (2) casos especiales:

1. P r o g r a m a c i ó n Cuadrática

2 . P r o g r a m a c i ó n Convexa S e p a r a b l e

Donde f¡ (X¡) es una función de una sola variable.

• La Búsqueda Gradiental para Programación Convexa, si la función lineal es cóncava y las

restricciones son convexas.

• Restricciones no lineales, pero separables:

Para garantizar una solución óptima estos problemas deben contener restricciones

299
 muy estrictas en las y en la función objetivo.

3. La P r o g r a m a c i ó n G e o m é t r i c a

Los métodos más generales de solución aplicables en programación no lineal son los Multiplicadores
de Lagrange y Karush - Kuhn - Tucker.

El método de los Multiplicadores de Lagrange consiste en aplicar la función

luego calcular las primeras derivadas parciales, igualarlas a cero

y encontrar el óptimo del problema ; para verificar el máximo o mínimo de la función se encuentran las
segundas derivadas parciales.

Las condiciones necesarias de Karush - Kuhn - Tucker también son suficientes si la función
objetivo y el espacio solución satisfacen ciertos requerimientos con respecto a la convexidad y a la
concavidad.

Una solución óptima de un problema de programación no lineal, corresponde a la solución óptima

definitiva si existen n números negativos tales que satisfacen las condiciones
siguientes:

indica que la i - ésima restricción es equivalente a donde es la i - ésima

variable de holgura.

explica que la i - ésima restricción no es limitante a

300
 5.

6.

Para definir estas condiciones, definimos el problema de Programación No Lineal generalizado

como:

OPT Z = f (x)

Sujeto a :

La OPT puede corresponder a una maximización o minimización y el multiplicador de Lagrange es:

301
 Solución Gráfica: Nos permite visualizar el óptimo, pero tiene la desventaja de servir únicamente
para representar pocas variables, hasta tres (3). Ejemplos:

1. MIN W = (X, - 2)2 + (X2 - 1 )2

Sujeto a:

Graficamos:

En esta gráfica podemos observar la región sombreada, la cual es cerrada, acotada, convexa, así
como también algunas curvas de nivel.

Este problema posee solución global en la región factible; todo mínimo local es global y al verificarse
las condiciones de convexidad, todo punto candidato a mínimo lo es.

Buscamos los puntos candidatos a mínimo Construyendo la función de Lagrange:

Las derivadas parciales igualadas a cero son:

302
 2

Resolviendo el sistema de cuatro ecuaciones con cuatro incógnitas (primeras derivadas parciales)
obtenemos:

Es decir, al verificar las condiciones del problema es un mínimo global estricto.

Con sus restricciones:

Solución gráfica:

303
 Construimos la función de Lagrange:

Resolviendo el anterior sistema de ecuaciones (primeras derivadas parciales) llegamos a:

valores que corresponden al máximo propuesto inicialmente.

Sujeta a:

304
 Formamos los multiplicadores de Lagranee por las restricciones

Por y por el vector de las variables libres por Y; sea:

Aplicando las condiciones de Karush - Kuhn - Tucker el problema se reduce a encontrar la

solución del sistema

Calculamos las primeras derivadas:

Calculamos las segundas derivadas:

305
 Resolviendo las ecuaciones 1, 2, 3 y 4 llegamos a:

PROGRAMACIÓN CUADRÁTICA

Consideremos un problema de programación no lineal cuya función objetivo es la suma de términos

de la forma
el grado del término

Un problema de programación no lineal, cuyas restricciones son lineales y cuya función objetivo
es la suma de términos de la forma (en la cual cada término tiene un grado
de 2, 1 o 0) es un problema de programación cuadrática.

Vamos a ilustrar de manera general el método de WOLFE para resolver problemas de

programación cuadrática:

Se define un problema de programación cuadrática como:

Sujeta a:

Donde (Vector en E n con componentes continuas), C es un vector de precios con n

componentes, Q es una matriz de n x n, simétrica y positiva definida, es decir, para toda

excepto X = 0, b es el vector de recursos con m componentes, A es una matriz de m * n

coeficientes tecnológicos y 0 es un vector con n ceros.

El problema de optimización anterior tiene restricciones lineales, si Q es una matriz nula se

convierte en un problema de programación lineal. Como Q es positiva definida, implica que W es una
función estrictamente convexa y por lo tanto el mínimo si existe es global; si Q es negativa definida,
W es estrictamente cóncava y si el máximo existe es global.

A continuación se escribe el problema en notación algebraica, se le aplican los multiplicadores de

Lagrange, se verifican las condiciones necesarias y suficientes de Karush-Kuhn-Tucker que deben
e x i s t i r en u n ó n t i r n o p l o b a l .

306
 El método de Wolfe sigue con la reescritura del problema original como un problema de
programación lineal con holguras complementarias; este último problema es equivalente al problema
original. El problema de programación lineal a resolver será de 2 (m + n) variables, m + n restricciones
lineales y m + n restricciones de holgura complementaria.

Ejemplo

Resolver el siguiente problema de programación cuadrática por el método de Wolfe:

Con sus restricciones:

Aplicando los multiplicadores de Lagrange tenemos:

Las primeras derivadas parciales son:

El problema de programación lineal equivalente al original de acuerdo al método Wolfe es:

Sujeto a:

307
 Con las siguientes restricciones de holgura complementaria:

Utilizando el método Simplex se tiene que la solución básica inicial es:

En la primera iteración entra X, (n,=0) a la base y sale V, de la base; el punto extremo después
de iterar es:

En la segunda iteración entra (es de aclarar que aunque el Simplex escoge

para entrar a la base antes que lo haga no son aceptables, ya que Y, y Y2 son
positivos). El punto extremo luego de recalcular es:

En la tercera iteración no pueden entrar a la base son positivas; el

Simplex toma como siguiente candidato a ju, y de salida Y, ; el punto extremo después de iterar es:

En la última iteración debe entrar pero no puede porque es positivo;

el siguiente elemento a entrar a la base es el cual reemplaza a Luego de recalcular (pivotear)
el punto extremo es:

La solución anterior corresponde al óptimo:

308
 Algunos métodos para resolver problemas de Programación Cuadrádita son: Beale, Hildreth-
D"Esopo, Zheil-Van de Panne, Barankin-Dorgman y Graves-Whinston, entre otros.

PROGRAMACIÓN SEPARABLE

Una función es separable si se puede expresar como la suma de n

funciones de una sola variable, , es decir,

Un caso especial de programación separable ocurre cuando las funciones son convexas,
resultando así un espacio convexo de solución; además la función es convexa en caso de
minimización, y cóncava en caso de maximización.

No existe un algoritmo único para solucionar problemas de programación convexa; en general los
algoritmos conocidos se pueden clasificar así:

1. Algoritmos de gradiente, en estos casos se modifica de alguna manera el procedimiento de

búsqueda del gradiente para evitar que la trayectoria de búsqueda penetre la frontera de
restricción.

2. Algoritmos secuenciales no restringidos, incluye los métodos de función de penalización y de

función barrera; estos algoritmos convierten el problema de optimización restringida original
en una sucesión de problemas de optimización no restringida, cuyas soluciones óptimas
convergen a la solución óptima del problema original.

3. Algoritmos de Aproximación Secuencial, incluye métodos de aproximación lineal y aproximación

cuadrática; estos algoritmos sustituyen la función objetivo no lineal por una sucesión de
aproximaciones lineales o cuadráticas. Para problemas de optimización linealmente restringidos,
estas aproximaciones permiten la aplicación repetida de los algoritmos de programación lineal
o cuadrática.

A continuación resolvemos un problema de programación separable aplicando el método de la

base restringida.

Con sus restricciones:

309
 El método de aproximación nos sugiere que las variables separables son:

Las funciones se dejan como están (son lineales);

tienen puntos de ruptura (K2 = 4), como X 2 < 3, entonces:

Luego:

Entonces el problema original por aproximación se convierte en:

Sujeto a:

1.

2.

310
 El tablero simplex inicial corresponde a:

Donde S, es una variable de holgura (relleno).

La solución óptima por el Simplex a este problema equivalente es:

Luego el óptimo en términos de

PROGRAMACIÓN GEOMÉTRICA

La Programación Geométrica es una técnica de optimización aplicable a problemas de

programación que impliquen funciones de una forma matemática especial, llamada posinomios; se

define un posinomio como: donde

Ejemplo:

La Programación Geométrica soluciona un caso especial de problemas de Programación No

Lineal. Este método resuelve al considerar un problema dual asociando a los siguientes tipos de
Programación No Lineal:

311
• P r o b l e m a Geométrico N o Restringido

• P r o b l e m a Geométrico Restringido

supone para ambos casos n, m y p son finitas, los exponentes no tienen restricciones de
signo, las funciones W y W 0 toman la forma de un polinomio. La Programación Geométrica fue
diseñada por Duffín, Peterson y Zener.

La lógica de la Programación Geométrica se basa en la desigualdad de Cauchy-Schwarz

(desigualdad de media aritmética-geométrica):

Es decir,

312
 El método de solución consiste en calcular las primeras derivadas parciales de W y W 0 ; de la
función objetivo se obtiene la ecuación:

condición de normalidad.

De las primeras derivadas parciales iguales a cero se escribe la relación:

condición de ortogonalidad.

Donde a¡j son los coeficientes positivos, m es el número de variables y n el número de términos.
Generalmente, el número de términos determina el número de factores de peso, y el número de variables
independientes señala el número de ecuaciones.

Cuando n = m + 1, se dice que el problema tiene cero grados de dificultad.

Cuando n - (m + 1) > 0, es un problema que no se puede resolver mediante Programación

Geométrica. Finalmente se resuelven los sistemas de ecuaciones simultáneas planteadas y se obtiene
la solución del problema. Ejemplo:

1. Encontrar la cantidad económica de pedido de un producto, es decir, se debe decidir qué

cantidad del artículo conviene almacenar periódicamente; los costos totales asociados al producto y su
almacenamiento se pueden expresar como:

Donde:

CT Costo total.
CCI Costo cargado al inventario.
CHP Costo total de pedidos.
VC Valor de compra.
Q Cantidad económica de pedido.
H Costo de almacenamiento por unidad anual.
A Costo de hacer un pedido.
D Consumo promedio al año.
K,P Constantes.

313
 La función objetivo tiene la siguiente fórmula general:

1
Luego
2

De tal modo que al resolver el anterior sistema de ecuaciones simultáneas llegamos a que p, = p 2
y la variable Q* debe ser tal que haga que los dos términos de la función objetivo sean iguales:

Aparte de los métodos de solución para problemas de Programación No Lineal ya mencionados,

algunos de los conocidos son:

• Técnicas de Búsqueda Unidimensional: Minimax, Búsqueda Simultánea: Dos Experimentos,

Búsqueda Simultánea: n Experimentos, Resolución, Distinguibilidad, Escalamiento, Búsqueda
Secuencial, Método de Bolzano, Búsqueda por Bloques, Búsqueda en Bloques Pares, Búsqueda
Dicotòmica, Búsqueda de Fibonacci, Búsqueda con Resolución Desconocida, Búsqueda de Sección
Áurea, Búsqueda de Fibonacci Inverso y Búsqueda Mediante Bloques Impares, entre otros.

• Técnicas de Búsqueda Multidimensional: algunos modelos son: Eliminación Multivariate,

Métodos Geométricos, Métodos Lógicos, Búsqueda Aleatoria, Procedimientos de Aproximación
Estocásticos, Búsqueda en Forma de Malla, Método de Búsqueda Patrón: Hooke-Jeeves,
Método de Interpolación Cuadrática de Powell, Método del Ascenso Acelerado, Método de
Newton-Raphson, Método de Davidon-Fletcher-Powell, Método de Broyden-Fletcher, Método
de Fletcher-Reeves, Método de Smith.

314
 Otros métodos: método de Levenberg - Marquardt, Cuasi - Newton, Gradiente Conjugado,
Subgradiente, Zoutendijk, Programación Sucesiva Lineal (PSL), Programación Sucesiva Cuadrática
(PSC), Rosen, Zangwill y Técnica de Minimización Secuencial No Restringida (SUMT), entre otros.

ALGUNOS PROGRAMAS DE COMPUTADORA

NOMBRE AUTOR

1. MÉTODOS DE BÚSQUEDA
OPTIM Boas
Búsqueda Secuencial Cooper
COMPLEX Davies
Rosenbrock Davies
Técnica de suma multigradiente Himmelblau
CANDIDE Himmelblau
Búsqueda Simplex Miller
PROBE Sullivan

2. MÉTODOS DE GRADIENTE CON RECORRIDOS CORTOS

POP/360 Colville
Pivote gradiental Greenstadt
POP 11/7094 Grigsby
Paquete de optimización Carburo Hutton
Búsqueda del gradiente generalizado Kephart
Método de programación aproximado Miller
Ascenso deflectado Miller

3. MÉTODOS DE GRADIENTE CON RECORRIDOS LARGOS

Gradiente generalizado reducido Abadie

GRGII Abadie
Direcciones factibles Anthony
Davidon con CRST Davies
Programación convexa Gauthier
Gradiente conjugado Goldfarb
Gradiente Reducido Huard
Proyección de gradiente corregido Kalfon
Gradiente proyectado Miller
Proyección de la variable métrica Murtagh
Gradiente revisado reducido Ribiere
Direcciones factibles modificadas Zzchach

315
 4. MÉTODOS QUE USAN HESSIANAS
Gauss - Newton - Carroll Bard
SUMT MCcormick
SOLVER Wilson

5. OTROS
Programación separable Harvey
Método de centros Huard
QSB Chang / Sullivan
LINDO/LINGO Schagre
WINQSB Yih - Long Chang
CPLEX ILOG
GAMS GAMS Software GmbH
XPRESS Dash Optimization
MATHEMATICA Wolfram Research
MATLAB The Mathworks Inc

Es importante aclarar que existen estudios comparativos de algoritmos en los cuales se analiza el
número de iteraciones en la obtención de un óptimo local y su respectivo tiempo de computadora; estos
estudios corresponden a Colville, Holzman y Stocker. Algunos métodos como los de tolerancia flexible
(Paviani - Himmelblau) han resultado ser bastante eficientes en la práctica; los resultados de los estudios
de los algoritmos concluyeron que los métodos que mejor se pueden aplicar en la práctica por orden de
importancia son:

1. Método Generalizado de Reducción de Gradiente (Abadie/Carpentier)

2. Método de Tolerancia Flexible (Paviani - Himmelblau)
3. Técnica de Minimización Secuencial No Restringida -SUMT- (Fiacco/Mccormick).
4. Método de Aproximación Lineal de Smith (Smith).
5. Método Generalizado de Búsqueda de Gradiente de Cross y Kephart (Cross/Kephart).

EJERCICIOS PROPUESTOS

Para la producción de un bien X a partir de las materias primas A, B, C y D son necesarios dos
procesos productivos consecutivos. En el primero de ellos se obtienen a partir de las materias primas,
los productos intermedios E y F según la función:

316
 En el segundo proceso productivo se obtiene el artículo X a partir de E y F según la función:

X = Q 2 (E, F) = e E+F

a) Calcular la productividad marginal del factor B en la producción intermedia del factor E.

b) Calcular la productividad marginal del factor intermedio E en la producción final.
c) Calcular la productividad marginal del factor A y del factor C en la producción final.

En una fábrica el costo de poner en marcha las máquinas es directamente proporcional al

numero de maquinas empleadas; el costo de operación es inversamente proporcional al número de
máquinas utilizadas. Demuestre que cuando el costo total es mínimo, el costo de puesta en marcha es
igual al costo de operación.

Un consumidor con renta $7 puede adquirir dos bienes A y B; si X y Y son el número de

unidades compradas de cada uno de los bienes, su renta se distribuye según la función g (X, Y) =
X + Y 2 y la función de utilidad viene dada por u (X, Y) = 4 X + 16 Y. Calcular el valor máximo de la
función de utilidad para dicho consumidor.

Un fabricante con derechos exclusivos sobre una nueva maquinaria industrial planea vender
una cantidad limitada de ésta y calcula que si se suministran X máquinas al mercado nacional y Y al

mercado extranjero, las máquinas se venderán a unidades monetarias cada una en el

mercado nacional y a unidades monetarias cada una en el extranjero.

a) ¿Cuántas máquinas debería suministrar el fabricante a cada mercado para obtener el mayor
ingreso total posible?
b) ¿Cuántas máquinas debería suministrar a cada mercado para obtener el mayor ingreso total
posible si está obligado a servir un total de 1150 máquinas?

Una empresa produce un bien A a partir de dos factores productivos F. y F 2 , según la función
de producción Q (X, Y) = X Y, donde X y Y son respectivamente, las cantidades utilizadas de F] y F 2 en
el proceso. La función de costo es C (X, Y) = 3 X + 2 Y. Determinar las cantidades X y Y que
minimizan el costo para una producción fija de 600 unidades del bien A.

317
318
CAPÍTULO XI

PROGRAMACIÓN DINÁMICA

"De ahí que siga siendo algo sublime el llegar a ser maestro,
cosa enteramente distinta de ser un docente afamado". Martín Heidegger

INTRODUCCIÓN

La Programación Dinámica debe su desarrollo en gran parte a Richard Bellman (1950) y consiste
en una técnica que permite determinar de manera eficiente las decisiones que optimizan el
comportamiento de un sistema que evoluciona a lo largo de una serie de etapas. En otras palabras,
trata de encontrar la secuencia de decisiones que optimiza el comportamiento de un proceso polietápico.

La naturaleza del racionamiento que se debe realizar en Programación Dinámica es muy diferente
al de la Programación Lineal. La Programación Lineal, intenta describir una determinada situación en
términos de un modelo matemático determinado; una vez conocida la naturaleza de las variables de
decisión y expresadas la función objetivo y las restricciones en función de esas variables, la solución del
modelo puede confiarse, sin mayores dificultades, a un programa informático. La Programación Dinámica
no admite una solución sistemática de este tipo; más que un modelo concreto, es una estrategia de
solución común a muchas situaciones en principio diferentes entre sí. Además, es frecuente que la solución
del modelo esté muy relacionada con la situación que se ha de modelizar. En contrapartida, las
simplificaciones que en ocasiones deben realizarse en Programación Lineal para poder resolver el modelo
no son necesarias en Programación Dinámica, la cual admite gran variedad de relaciones entre variables.

Los elementos principales para trabajar en Programación Dinámica son: procesos polietápicos de
decisión, etapas, estados, variables de decisión, descomposición, problemas de decisión en una o en n
etapas y función de recurrencia. La Programación Dinámica se clasifica en Programación Dinámica No
Homogénea y Programación Dinámica Homogénea (horizonte finito o infinito), Programación Dinámica
Determinística y Programación Dinámica Estocástica. Las Cadenas de Markov con remuneración y
decisión son un caso particular de Programación Dinámica Estocástica Homogénea en el tiempo.

Procesos polietápicos d e decisión

Las situaciones susceptibles de ser representadas mediante Programación Dinámica pueden

describirse como procesos polietápicos de decisión. El problema suele dividirse en etapas, en cada una
de las cuales debe tomarse una decisión; conocemos la solución del problema cuando conocemos la
decisión óptima para cualquier situación que pueda presentarse en el desarrollo de un sistema. La
Programación Dinámica va asociada a situaciones de evolución que se van desarrollando a lo largo de
varias etapas (de ahí su carácter dinámico). En la mayoría de las ocasiones, se tratará de representar
el comportamiento de un sistema que evoluciona a lo largo del tiempo; en otros casos, se trata de
decisiones en las que las decisiones se toman de manera simultánea en el tiempo, pero en las que se

319
evalúan las decisiones de manera secuencial. La diferencia con la Programación Lineal, es que en esta
última las decisiones se toman de manera simultánea (aunque en ocasiones se representan sistemas
que evolucionan a lo largo del tiempo, como los planes de producción).

Al comenzar cada una de las etapas, antes de tomar la decisión, el sistema podrá encontrarse en
un estado de los varios posibles para esa etapa; lo anterior significa que para cada etapa debe definirse
un conjunto de estados; el estado debe sintetizar toda la información que debemos conocer de la
evolución del sistema en las etapas anteriores; los estados posibles para una etapa no tienen por qué
ser los mismos que para las etapas siguientes (aunque sí deben definirse de la misma manera: los
estados aseguran la continuidad entre una y otra etapa) y el número de estados puede ser finito o
infinito.

Una vez tomada la decisión en el estado correspondiente, el sistema evolucionará hacia alguno de
los estados posibles para la etapa siguiente; por lo tanto, el comportamiento del sistema puede percibirse
como una secuencia de decisiones y evoluciones; dicha evolución puede ser conocida con certeza, una
vez tomada la decisión (tendremos una situación de Programación Dinámica Determinística) o bien el
sistema puede evolucionar hacia diferentes estados, según una ley de probabilidad conocida (siendo
entonces Programación Dinámica Estocástica).

El objetivo de la Programación Dinámica es encontrar la política óptima para cada una de las
etapas de la evolución del sistema; la política para una determinada etapa es la decisión óptima en cada
uno de los posibles estados del sistema en dicha etapa. Para cada etapa debe definirse una variable de
decisión Xn; si el sistema tiene k estados en esa etapa, una política será un vector de k componentes,
cuya componente i - ésima es el valor de la variable de decisión para el estado e en la etapa n.

La esencia de la estrategia de la Programación Dinámica se expresa mediante el principio de

Optimalidad de Bellman:

En un modelo de Programación Dinámica, la política óptima para las etapas que faltan hasta la
finalización del proceso es independiente de las políticas adoptadas en las etapas anteriores. Esta
propiedad es la esencia de la Programación Dinámica.

Descomposición

Se denomina a un problema de optimización susceptible de descomposición si puede resolverse

por optimización recursiva a través de n etapas, efectuándose la optimización en cada etapa sobre una
variable de decisión. En otras palabras, un problema se puede descomponer en subsistemas y su
sintetización vuelve a generar el sistema original.

El problema de decisión de una etapa o de N etapas

En una etapa cualquiera del sistema se identifican los siguientes elementos: un vector de entrada,
un vector de salida, un conjunto de decisiones, una transformación y un vector de medida de eficiencia
del sistema.

320
 El vector de entrada proporciona toda la información de las componentes importantes del sistema,
antes de tomarse una decisión; el vector de salida brinda toda la información de las componentes
importantes del sistema, después de tomarse una decisión; el conjunto de decisiones son los instrumentos
utilizados para alcanzar los objetivos del sistema; la transformación relaciona la salida en función de la
entrada y las decisiones; el vector de medida de eficiencia del sistema es una función en términos de la
entrada, la salida y la decisión que se toma. Cuando el problema es de n etapas es repetir el proceso
anterior en forma secuencial.

La Función Recursiva

El objetivo es descomponer un problema de optimización de n etapas; se presenta el modelo de

formulación recursiva (la solución secuencial recursiva se hace del vector de entrada al vector de
salida, es decir, de izquierda a derecha) y el modelo de función de recursiva (la solución secuencial
recursiva se hace del vector de entrada al vector de salida, es decir, de derecha a izquierda). Algunos
problemas de Programación Dinámica solo pueden ser resueltos en uno de esos sentidos, pero la gran
mayoría se pueden solucionar de ambas maneras.

Características generales de los problemas de Programación Dinámica

• El problema se divide en etapas, con una decisión requerida en cada etapa.

• Cada etapa tiene algunos estados asociados.
• El efecto de una decisión en cada etapa es transformar el estado corriente (actual) en uno
asociado con la próxima etapa.
• Dado el estado corriente, la política óptima para las etapas que quedan es independiente a la
política adoptada en etapas anteriores; en este caso etapa anterior quiere decir, en tiempo, no
en el proceso de decisión.
• El procedimiento comienza por escoger la decisión (política) óptima para cada estado de la
última etapa.
• Una relación recursiva puede derivarse, la cual identifica la decisión óptima para cada estado
cuando quedan n etapas.
• Usando una relación recursiva, el método de solución mueve hacia atrás (hacia delante) etapa
por etapa, determinando la decisión óptima a cada etapa hasta llegar a la etapa inicial (final).

321
EJERCICIOS RESUELTOS

Un viajero tiene que atravesar territorios hostiles en una diligencia; el punto de partida y de
destino son fijos, el viajero debe escoger los terrenos por donde atravesar. El viajero debe
atravesar cuatro etapas desde el origen en A hasta el destino en J; el viajero debe estar lo más
seguro posible en el viaje, luego de los ofrecimientos de pólizas de seguros para el viaje; el costo
de cada póliza se basa en una cuidadosa evaluación de la seguridad de la ruta. La ruta más
segura será aquella con póliza de seguro de vida más barato.

¿Qué ruta minimizará el costo total de la póliza?

Sea el costo total de la mejor póliza para las últimas n etapas, dado que el viajero está
en el punto S (estado) y escoge a Xn como su destino inmediato. Dados S y n, sea X el valor de

X n que optimiza a así que para nuestro caso el objetivo es encontrar

y el valor de su correspondiente póliza. Debemos encontrar sucesivamente

Cuando el viajero tiene una etapa más para recorrer, su ruta será:

322
Cuando el viajero tiene dos etapas más para recorrer, la solución será:

Si el viajero está en 5 tiene que ir a 8 ó a 9, con costos de 1 y 4 respectivamente; si escoge 8, el

mínimo costo adicional después de estar en 8 es 3; la relación recursiva será:

Entonces el viajero debe escoger la ciudad 8, que le da el costo mínimo total para ir entre 5 y 10,

así:

Asuma que el viajero está en 6, tiene que ir a 8 ó a 9 con costos de 6 y 3. Si escoge 8, el mínimo
costo adicional, después de estar en 8 es 3; así que: f 2 (6, 8) = 6 + 3 = 9 ; X 2 = 8; si escoge 9,
el mínimo costo adicional, después de estar en 9 es 4 ; así que: (6, 9) = 3 + 4 = 7; X = 9;
entonces el menor valor desde 6 hasta 10 es por 9:

Asuma que el viajero está en 7, tiene que ir a 8 ó a 9 con costos de 3 y 3. Si escoge 8, el mínimo

costo adicional, después de estar en 8 es 3; así que: Í2 (7, 8) = 3 + 3 = 6; X 2 = 8; si escoge 9,

el mínimo costo adicional, después de estar en 9 es 4 ; así que: Í2 (7, 9) = 3 + 4 = 7; X 2 = 9;

escogiendo el óptimo tenemos:

En este caso Si el viajero está en el sitio 2 y escoge ir inmediatamente

al sitio 5, el mínimo costo total será: f 3 (2, 5) = C25 + f* (X3) = 7 + 4 — 11; X 3 = 5. Si está en 2
y decide ir a 6, el mínimo costo será: C 2 6 = 4 más el mínimo después de 6: f 3 (2, 6) = C26 + f*

(X3) = 4 + 7 = 11; X 3 = 6. Si está en 2 y decide ir a 7, el mínimo costo será: C 2 7 = 4 más el

m í n i m o después de 7: f 3 (2, 7) = C27 + f* (X3) = 6 + 6 = 12; X 3 = 7. El mínimo costo total desde

el estado 2 en adelante es f 3 (2) = 11 y el destino inmediato será: X 3 = 5 o X 3 = 6.

Asumamos que el viajero está en 3 y decide ir a 5, el mínimo costo total será: C35 = 3 más el

m í n i m o después de 5: f 3 (3, 5) = 3 + 4 = 7; X 3 = 5. Si está en 3 y escoge ir a 6, el mínimo costo

323
 Los resultados para el problema de tres etapas son:

Observando el problema de 4 etapas, el costo de la póliza óptima nos da el destino inmediato

y es nuevamente, la suma del costo de la póliza en la primera etapa más el mínimo costo
posterior.

Asuma que el viajero está en 1 y decide ir a 2; el costo mínimo será: C12 = 2 más el mínimo

Entonces la solución óptima será:

324
La solución óptima en el denominado problema de la diligencia es múltiple; existen tres rutas
con un costo mínimo de $ 1 1 .

El propietario de una cadena de cuatro tiendas de víveres ha comprado seis canastas de

uvas frescas; la distribución de ventas potenciales de las uvas antes que se dañen es diferente
en las cuatro tiendas; entonces el propietario desea saber cómo debe situar las seis canastas,
en las cuatro tiendas, buscando maximizar la ganancia esperada. Por razones administrativas,
el propietario no quiere dividir canastas entre tiendas, pero él está dispuesto, si es necesario, a
no dejar canastas en cualquier tienda.

La variable de decisión X n , n = 1, 2, 3, 4 corresponde al número de canastas situadas en la

i-ésima etapa, es decir, que se dejan en las tiendas, contando desde el final. Se considera que
el estado del sistema es la cantidad de canastas aún disponibles, que no han sido dejadas en
las tiendas que se visitaron antes. Si planteamos este problema, como uno de Programación
Lineal, siendo P¡ (X) la ganancia esperada al dejar X canastas en la tienda i:

Con sus restricciones:

f n (S, Xn) es la ganancia asociada con la política óptima, dado que hay S canastas disponibles
para n tiendas restantes y X n es la cantidad de canastas que se ha decidido dejar.

La función objetivo será:

entonces la relación recursiva es:

C u a n d o n = 1 tenemos que

Comenzamos con la última etapa n = 1 y seguimos hacia atrás hasta llegar a la primara etapa
n = 4:

325
 El estado en una etapa particular es igual al estado en la etapa precedente menos la decisión
(cantidad de canastas asignadas) en esa etapa.

En este problema de las canastas existen ocho soluciones óptimas múltiples:

Se está cargando un barco con varias clases de artículos; el barco tiene una capacidad de
peso de 10 unidades; hay cuatro clases de artículos con sus cuatro pesos y valores unitarios
respectivos; el problema consiste en maximizar la carga del barco.

326
 Artículo Peso (P¡) Valor ($)
1 2 4
2 3 6
3 4 8
4 5 9

El problema se puede expresar de la siguiente manera por Programación Lineal:

Sujeta a:

Para el artículo 1 :

Para el artículo 2:

327
 Para el artículo 3:

Para el artículo 4:

Para este problema de la carga del barco se obtienen las siguientes cinco soluciones óptimas

múltiples, con f* (10) = 20:

Un agente viajero debe visitar n ciudades partiendo de una ciudad origen y al final del
viaje debe regresar al punto de partida; supongamos una red de cinco ciudades, cuyas longitudes
de viaje se muestran en la matriz siguiente:

Definimos f (i; Jn, J 2 , ... , Jp) = Mínimo costo de ir de la ciudad 1

328
a la ciudad i utilizando las ciudades Ji, J2, ... , Jp donde J|< = 2, ... , N ; entonces:

donde :orresponde a la ruta más corta sin utilizar ciudades intermedias.

De acuerdo con la relación recursiva anterior se tiene:

Para ir de la ciudad 1 a la ciudad 2 se pueden utilizar las ciudades intermedias 3, 4 ó 5; por lo

tanto:

En forma similar se consiguen:

Para encontrar la ruta más corta empleando dos ciudades intermedias se tiene:

De la misma forma:

Para el caso de tres ciudades intermedias se tiene:

De igual forma:

329
 Luego, después de los cálculos anteriores:

La ruta de mínimo costo que visita todas las ciudades y regresa al punto de origen es 5; entonces
la ruta es 1 - 3 - 5 - 4 - 2 - 1 . Se puede observar que el número de rutas posibles para el
problema del agente viajero es (n - 1) !.

Un alumno tiene que presentar exámenes finales en tres materias U, V y W, pero tiene
solamente 12 horas que puede dedicar a estudiar; cree que es más efectivo estudiar en bloques
de cuatro horas y está dispuesto a dedicar cualquier número de bloques a las materias con el
fin de maximizar su promedio académico. El estima que las notas obtenidas según el tiempo
dedicado son las siguientes:

¿Cuál debe ser la política del alumno?

Sea N S X n la nota obtenida por el estudiante si estudia X n horas para la materia n.

Materia W:

330
Materia V:

Materia U:

Solución Ó p t i m a :

Estudiar 4 horas para la materia U, 0 horas para la asignatura V y estudiar 8 horas para la
materia W.

El gerente de ventas de una editorial de libros de textos universitarios tiene seis agentes de
ventas que puede asignar a tres regiones distintas del país. Ha decidido que cada región debe
tener por lo menos un agente y que cada agente individual debe quedar restringido a una de
estas regiones, pero ahora quiere determinar cuántos agentes debe asignar a las respectivas
regiones con el fin de maximizar las ventas.

La siguiente tabla da el incremento estimado de las ventas en cada región si se le asignan

diferentes cantidades de agentes.

Resolver el anterior problema construyendo las tablas normales para: n = 1, n = 2 y n = 3.

331
 Soluciones Ó p t i m a s Múltiples:

El propietario de una cadena de tres supermercados compró cinco cargas de fresas frescas.
La distribución de probabilidad estimada para las ventas potenciales de las fresas antes de que
se echen a perder difiere entre los tres supermercados. El propietario quiere saber cómo debe
asignar las cinco cargas a las tiendas para maximizar la ganancia esperada. Por razones
administrativas, no quiere dividir las cargas entre las tiendas; sin embargo, está de acuerdo en
asignar cero cargas a cualquiera de ellas; la siguiente tabla proporciona la ganancia estimada
en cada tienda al asignar distintas cantidades de cargas:

332
Determine cuántas cargas deben asignarse a cada tienda para maximizar la ganancia total
esperada.

U n a compañía está planeando una estrategia de publicidad durante el año próximo para
sus tres productos mas importantes; como los tres son bastante diterentes, cada estuerzo de
publicidad estará dedicado a un solo producto; se dispone de un total de $ 6 0 0 0 0 0 0 para esta
c a m p a ñ a de publicidad y se supone que el gasto para cada producto deberá ser un número
entero mayor o igual a 1; el Vicepresidente de Mercadotecnia ha establecido el objetivo como
sigue: determinar cuánto gastar en cada producto con el fin de maximizar las ventas totales. La
siguiente tabla da un incremento estimado en ventas para los diferentes gastos de publicidad:

333
 Productos
Gasto en publicidad
1 2 3
1 7 4 6
2 10 8 9
3 14 11 13
4 17 14 15

Una campaña política se encuentra en su última etapa y las encuestas indican que la
elección está pareja; uno de los candidatos tiene suficientes fondos para comprar tiempo de
televisión por un total de cinco comerciales en horas de mayor audiencia en estaciones localizadas
en cuatro áreas diferentes; con la información de las encuestas se hizo una estimación del
número de votos adicionales que se pueden ganar en las diferentes áreas de difusión, según el

334
número de comerciales que se contraten. Estas estimaciones se dan en la siguiente tabla en
miles de votos:

Determine cómo deben distribuirse los cinco comerciales entre las cuatro áreas con el fin de
maximizar el número estimado de votos ganados.

335
 Considere un sistema electrónico que consta de cuatro componentes, cada uno de los
cuales debe trabajar para que el sistema funcione; la confiabilidad de éste se puede mejorar si
se instalan varias unidades paralelas en una o más de las componentes; la siguiente tabla
muestra la probabilidad que las respectivas componentes funcionen si consisten en una, dos o
tres unidades paralelas:

Probabilidad de funcionamiento
Unidades
pa ralelas Componente 1 Componente 2 Componente 3 Componente 4

1 0,5 0,6 0,7 0,5

2 0,6 0,7 0,8 0,7
3 0,8 0,8 0,9 0,9

La probabilidad que el sistema funcione es el producto de las probabilidades que las respectivas
componentes funcionen. En la siguiente tabla se da el costo (en miles de pesos) de instalar una,
dos o tres unidades paralelas en las respectivas componentes:

Unidades Costos
paralelas Componente 1 Componente 2 Componente 3 Componente 4
1 1 2 1 2
2 2 4 3 3
3 3 5 4 4

Dadas las limitaciones de presupuesto, se puede gastar un máximo de $ 1 0 0 0 0 0 0 . Determine

cuántas unidades paralelas deben instalarse en cada una de las cuatro componentes para
maximizar la probabilidad que el sistema funcione.

Sea Xn el número de unidades paralelas a ser instalas en el componente n; sea Pn (Xn) la

probabilidad que el componente funcione si tiene Xn unidades paralelas; sea C n (Xn) el costo de
instalación de Xn unidades en el componente n; sea Sn el dinero (en miles de pesos) que puede
ser gastado.

Sea

336
donde

Para cuatro componentes n = 4:

Para tres componentes n = 3:

Para dos componentes n = 2:

337
 Para un componente n = 1:

Así, la solución óptima es X, = 3 ; X2 = 1; X 3 = l ; X 4 = 3 con una fiabilidad del sistema d«

0,3024.

Una estudiante universitaria tiene siete días para preparar los exámenes finales de cuatro cursos
y quiere asignar el tiempo que tiene para estudiar de la manera más eficiente posible; necesita por lo
menos un día para cada curso y quiere concentrarse sólo en un curso cada día por lo que quiere asignar
uno, dos, tres o cuatro días a cada curso. Como hace poco tomó un curso de Investigación de
Operaciones, ha decidido aplicar programación dinámica para hacer estas asignaciones que maximicen
el total de puntos obtenidos en los cuatro cursos; estima que las distintas opciones en días de estudio le
representarán puntos de calificación según la siguiente tabla:

Cursos
Número de días
1 2 3 4
1 3 5 2 6
2 5 5 4 7
3 6 6 7 9
4 7 9 8 9

El gerente de una compañía está estudiando tres nuevos productos posibles para las líneas de
artículos del año próximo; por ahora debe tomar una decisión en cuanto a qué productos comercializar
y a qué niveles de producción. La preparación de la producción de dos de estos productos requerirá un
costo fijo sustancial, como lo muestra la tabla, además de los otros datos:

338
 Sólo se pueden vender tres unidades del producto 1, mientras que es posible la venta de todas las
unidades de los otros dos productos que se pueden fabricar. El objetivo es determinar el número de
unidades que deben fabricarse de cada producto para maximizar la ganancia total (ingreso neto total
menos costos fijos).

Un proyecto espacial del gobierno conduce una investigación sobre cierto problema de ingeniería
que tiene que ser resuelto antes que el hombre pueda viajar en forma segura hasta Marte. Actualmente
hay tres equipos de investigadores intentando resolver el problema; se estima que bajo las circunstancias
actuales, la probabilidad que los respectivos equipos, llamados A, B y C fracasen, es 0,4, 0,6 y 0,8
respectivamente; entonces la probabilidad actual que los tres equipos fallen es 0,192. Puesto que el
obj etivo es minimizar esta probabilidad, se ha decidido asignar dos científicos más entre los tres equipos,
buscando bajar esa probabilidad tanto como sea posible; en la tabla se da la probabilidad estimada que
los respectivos equipos fallen si se le agregan a cada equipo 0, 1 ó 2 científicos adicionales. ¿Cómo
deben ser repartidos los científicos entre los equipos?

Una organización mundial de salud se dedica a mejorar la atención médica en los países
subdesarrollados del mundo. Dispone de cinco brigadas médicas para asignarlas a tres de estos países
con el fin de mejorar el cuidado de la salud, la educación para la salud y los programas de capacitación.
Entonces, el consejo necesita determinar cuántas brigadas debe asignar (si lo hace) a cada uno de
estos países para maximizar la medida de eficiencia de las cinco brigadas. Los equipos deben mantenerse
como están formados por lo que el número asignado a cada país debe ser un entero.

La medida de desempeño se tomará en términos de los años de vida adicionales por persona. (Para
un país específico, esta medida es igual al incremento en el promedio de vida esperado en años, multiplicado
por su población.) En la tabla se dan las estimaciones de estos años de vida adicionales por persona (en
múltiplos de 1000) para cada país y para cada número posible de brigadas médicas asignadas.

¿Cuál es la asignación que maximiza la medida de desempeño?

339
 Una joven emprendedora experta en estadística cree haber desarrollado un sistema para ganar
un popular juego en un casino. Sus colegas no piensan que este sistema sea tan bueno, por lo que le
apuestan que si comienza con tres fichas, ella no tendrá al menos cinco fichas después de tres jugadas.
Cada jugada incluye apostar cualquier cantidad de las fichas disponibles y ganar o perder este mismo
número de fichas. La joven cree que su sistema le dará una probabilidad de ganar una jugada dada.

Suponiendo que la experta en estadística está en lo correcto, se quiere usar programación dinámica
para determinar su política óptima sobre cuántas fichas apostar (si apuesta) en cada una de las tres
jugadas. La decisión en cada jugada deberá tomar en cuenta los resultados de las jugadas anteriores.
El objetivo es maximizar la probabilidad de ganar la apuesta hecha a sus colegas.
CAPÍTULO XII

MODELOS DE INVENTARIOS

'La Universidad saca a la luz todas las capacidades, incluyendo la incapacidad".

A. Chéjov.

INVENTARIOS

Lo que se debe comprar y cómo lo debo de hacer de acuerdo a las necesidades de la Empresa
(teniendo en cuenta oferta y demanda), los inventarios sirven para desacoplar las diferentes fases,
para que ninguna dependa de la otra; para ello se deben tomar dos decisiones:

• Cuánto debo comprar, se deben tener en cuenta los costos cargados al inventario, costos por
pedidos (llamadas, papelería) y costos por agotamiento de existencias.

• Cuándo debo comprar, se deben manejar las existencias de seguridad, así como el tiempo de
entrega de los diferentes pedidos.

C a n t i d a d Económica d e Pedido (CEP)

Es el tamaño de la orden que disminuye al mínimo el costo total anual (o el período que la empresa
trabaje) de mantenimiento de inventario y el costo de los pedidos.

Situación i d e a l

Cuando el tiempo de entrega de mis pedidos es constante, conocida y cuando también la demanda
es constante y conocida.

Cantidad

341
 Cantidad económica de pedido (cantidad de costos mínimos).
Consumo promedio anual.

Inventario promedio.
Costo de hacer un pedido.
Valor unitario de compra.
Costos cargados al inventario en porcentaje del inventario promedio.

Ahora vamos a calcular a

Donde CT es costo total, CCI corresponde a costos cargados al inventario en pesos, CPP es
costos por pedidos y VC es el valor de compra.

Calculamos la primera y la segunda derivada del costo total (CT) con respecto a la cantidad
económica de pedido(Q):

A continuación graficamos los costos totales en términos de los costos cargados al inventario, los
costos por pedidos y el valor de compra con la abscisa cantidad y la ordenada costos:

FIGURA N ° 2

342
 Problema: Se tienen unos requerimientos anuales en la Empresa Manizales para el artículo X
iguales a 800000 unidades; el costo de hacer un pedido es de $1250; el costo cargado al inventario es
del 20% anual y el valor unitario de compra anual es de $100. ¿Cuánto debo pedir? ¿Número de
pedidos anuales?

¿Cuánto dura un pedido?

Solución:

R = 800.000 unidades / año; S = $1250 / pedido; I = 0,2 ; C = $100/pedido ;

Q* = ?; N = ?; d = ?

Q* = 10000 unidades/pedido

N = 80 pedidos al año

Si el año tiene 360 días, entonces un pedido dura:

COMPRAS EN GRANDES CANTIDADES

Es indudable que la mayoría de empresas prefieren comprar volúmenes altos de mercancías con
el objeto de obtener una mayor utilidad en sus ventas, ya que reciben frecuentemente rebajas y/o
descuentos. Algunos de los criterios utilizados son:

1. Enfoque d e c o m p a r a c i ó n d e costos

Consiste en comparar los costos totales de nuestra situación actual con los costos totales que nos
causaría un descuento.

Problema: una Compañía compra algunas materias primas para usarlas en su línea de producción
en una cantidad de 400 al año con un costo de $5000 cada una; los costos cargados al inventario son del
20% del valor promedio de inventario y los costos de pedido son de $2000 por pedido. La empresa ha
recibido una propuesta de otro proveedor para concederle un descuento del 2% en compras de 100 o
más unidades. ¿Debe aceptar la oferta?

Solución:

R = 400 unidades / año; C = $5000 / unidad; I = 0,2; S = $2000 / pedido;

343
 D = 0,02 en compras de más de 100 unidades; CTA = ?; CT D = ?

Situación Actual:

VC = C * R; VC = 5000 * 400; VC = $2'000000

CT a = $20000 + $20000 + $2'000000; CTA = $2'040000

Situación propuesta (con descuento):

CCI = 50 * 5000 * 0,98 * 0,02; CCI = $49.000

CPP = 4 * 2.000; CPP = $8.000

VC = 400 * 5.000 * 0,98; VC = $1'960.000

CT d = $49.000 + $8.000 + $1'960000; CT D = $2'017.000

Debo aceptar esta oferta.

2. Enfoque d e cambio d e precios

Hay ahorros en el valor de compra (AD) y en los costos por pedidos (A).

Existen recargos en los costos cargados al inventario (R); A > R acepto la propuesta; A < R no
aceptamos la propuesta; A = R da lo mismo aceptar una cualquiera de las propuestas, habría que
observar algunas condiciones adicionales.

X : Máximo valor en pesos que podemos comprar, de tal manera que A = R si se compra más se
incrementan los costos y se rebajan los costos cuando se realiza la operación contraria; A: Consumo
promedio anual en pesos; B: Cantidad económica de pedido en pesos.

X = f (A, B, S, I, D )

344
 AHORROS:

Ahorros = VC + CPP

RECARGOS:

RECARGOS = CCI

Ahorros = Recargos

Despejando X tenemos:

Problema: La Compañía Caldas compra materia prima para su producción industrial; actualmente
compra $4obooooo al año de dicho producto; su proveedor le ha hecho una proposición que consiste en
el 1,25% de descuentojti le hace un pedido trimestral; la empresa ha calculado que el costo de hacer un
pedido es de $2250 por pedido y que los costos cargados al inventario son del 22%. ¿Debe aceptar la
oferta de descuento; si la respuesta es negativa ¿qué contrapropuesta debe hacerle en términos de
algún descuento?

345
 Solución:

A = $40'000000; D = 0,0125; N = 4 pedidos / año; S = $2250 / pedido;

I = 0,22; B = ? ; X = ?;x = ?
A = C * R; B = C * Q;

B = $ 2860 por pedido

X, = $ 9415 por pedido; X 2 = $ 859 por pedido (Este último resultado se desecha).

Entonces X, = $ 9.415 por pedido corresponde a lo máximo que podemos comprar con descuento,

x = Exigencia

por pedido.

Luego no aceptamos la oferta.

1)

2)

Reemplazando 1) en 2) y despejando D, :

346
 El anterior sería el descuento mínimo a aceptar, ya que el proveedor nos había ofrecido un descuento
de 1,25% si le hacíamos un pedido trimestral.

3 . Enfoque d e r e b a j a d e precios

Nos permite analizar aquellas situaciones en las cuales nos dan una escala diferencial de precios,
bien sea de tipo ascendente o descendente, de acuerdo a las cantidades que compremos cada vez.

Para el análisis de los problemas es usual utilizar el siguiente diagrama de flujo: Donde n corresponde
al nivel de menor precio (mayor cantidad), R Pn es el límite inferior del nivel n

DIAGRAMA DE FLUJO

347
 Problema: a la Compañía Colombia se le ha ofrecido una escala de descuentos para el producto
X; el costo de pedidos es de $80 por pedido, el costo cargado al inventario es del 22% y el consumo
anual es de 5000 unidades; la escala de descuentos es la siguiente:

¿Qué cantidad se debe comprar?

Solución:

R = 5000 unidades / año; S = $ 25 / pedido; I = 0,22; CEP = ?

Q, = 269 unidades por pedido

Q2 = 272 unidades por pedido

Q 3 = 276 unidades por pedido

Q 4 = 279 unidades por pedido

Q 5 = 284 unidades por pedido

Es decir, escogemos Q 3 = 276 unidades por pedido, ya que es la única que se encuentra en el
intervalo correspondiente a la escala del nivel 3 de los descuentos ofrecidos por el proveedor (dicho
intervalo está entre 200 y 3C$inidades).

348
 Aplicando el segundo enfoque:

En este caso tomamos como respuesta el costo total más bajo $227982, el cual nos dice que
debemos comprar en la escala correspondiente a 401 o más unidades.

X = f ( A, B, D, I, S )

A = R * C; A = 5000 * 47,7; A = 238500

B = Q * C; B = 276 * 47,7; B = 13165

Desechamos el último resultado por la definición de la variable X = $ 149159

Existencias d e s e g u r i d a d (Z)

Su finalidad es subsanar las deficiencias que se tienen en la entrega de proveedores y/o incrementos
en la demanda, es decir, cómo se deben calcular las existencias de seguridad y en qué momento se
deben hacer los pedidos.

donde MP: Momento de pedido, TR: Tiempo de reposición y CPD: Consumo promedio diario.

349
 El cálculo de las existencias de seguridad se debe realizar de tal manera que nos cause los costos
mínimos, tanto en costos cargados a las existencias de seguridad como en los costos por agotamiento.

Problema: Se ha comprobado que para el artículo A la cantidad económica de pedido es de 250

unidades con un promedio diario de consumo de 5 unidades, el tiempo de reposición es de 21 días; el
número óptimo de pedidos al año es de 5 y el costo por agotamiento es de $3000 por unidad; los costos
cargados al inventario son de $400 por unidad. Se tiene la siguiente historia de períodos de renovación
(se analizaron 100 períodos de renovación):

Consumo durante el período Número de veces que se Probabilidad que se presente

de renovación (unidades) presentó dicho consumo dicho consumo (%)
90 7 0,07
95 10 0,1
100 25 0,25
105 50 0,5
110 6 0,06
115 2 0,02

¿A qué valor deben corresponder las existencias de seguridad y cuál es el momento adecuado
para pedir?

21 * 5 + Z = 105 + Z; suponiendo Z = 0, la situación de arranque es de 105 unidades.

Z = 0; momento de pedido = 105 unidades; probabilidad de agotamiento = 8%

Z = 5; momento de pedido =110 unidades; probabilidad de agotamiento = 2%
Z = 10; momento de pedido=l 15 unidades; probabilidad de agotamiento= 0%

Se debe escoger cuando Z = 5, es decir, cuando existan 110 unidades en bodega es el momento
ideal de pedido.

350