Modulo - INVESTIGACIÓN DE OPERACIONES PDF

PUCESE
Ingeniera en Sistemas y Computacin

Ingeniera en Administracin de Empresas
Ingeniera en Comercio Exterior
INDICE
Diseo Curricular
Cap. 1: Introduccin
1.1
Investigacin de Operaciones
1.2
Modelo de Decisin Simple
1.3
Modelos de la Investigacin de Operaciones
1.4
Clculos en Investigacin de Operaciones
1.5
Fases de un Estudio de Investigacin de Operaciones
6
6
6
9
12
14
Cap. 2: Programacin Lineal

2.1
Introduccin
2.2
Modelo de Programacin Lineal Simple y Solucin Grfica
2.3
Programacin Lineal: Solucin Algebraica: Mtodo Simplex
2.4
Post-Optimizacin o Sensibilidad
16
16
16
38
59
Cap. 3: Problemas de Programacin Lineal

3.1
Definicin y aplicacin del Modelo de Transporte
3.2
Solucin del problema de Transporte
3.3
Modelos de Asignacin
3.4
Modelos de Transbordo
70
70
78
85
87
Cap 4: Programacin de Proyectos con PERT / CPM

4.1
Representaciones con diagramas de flechas (red)
4.2
Clculos de Ruta Crtica
4.3
Construccin del diagrama de tiempo y nivelacin de recursos
4.4
Control de Proyecto
98
99
101
105
Cap 5: Modelos de Inventarios

5.1
Sistema de Inventario ABC
5.2
Modelo de inventario generalizado
5.3
Modelos deterministas
5.4
Modelos probabilsticos
118
118
119
122
134
Ing. Klber Vera T.
109
PUCESE

1. INTRODUCCIN
1.1. INVESTIGACIN DE OPERACIONES

La Investigacin de Operaciones utiliza el mtodo cientfico a fin de representar las
relaciones funcionales como modelos matemticos para suministrar una base cuantitativa para la toma de decisiones, y descubrir nuevos problemas para su anlisis.
La Investigacin de Operaciones (IO) aspira a determinar el mejor curso de accin (ptimo) de un problema de decisin con la restriccin de recursos limitados. El trmino
investigacin de operaciones muy a menudo est asociado casi en exclusiva con la
aplicacin de tcnicas matemticas para representar por medio de un modelo y analizar problemas de decisin. Aunque las matemticas y los modelos matemticos representan una piedra angular de Investigacin de Operaciones, la labor consiste ms en
resolver un problema que en construir y resolver modelos matemticos. Especficamente, los problemas de decisin suelen incluir importantes factores intangibles que no se
pueden traducir directamente en trminos del modelo matemtico. El principal de estos
factores es la presencia del elemento humano en casi todos y cada uno de los entornos
de decisiones. En realidad, se han reportado situaciones de decisin donde el efecto
de la conducta humana ha ejercido tanta influencia en el problema de decisin, que la
solucin obtenida a partir del modelo matemtico se considera imprctica.
Como tcnica para la solucin de problemas, la Investigacin de Operaciones debe
visualizarse como una ciencia y un arte. El aspecto de la ciencia radica en ofrecer tcnicas y algoritmos matemticos para resolver problemas de decisin adecuados. La
Investigacin de Operaciones es un arte debido a que el xito que se alcanza en todas
las fases anteriores y posteriores a la solucin de un modelo matemtico, depende en
forma apreciable de la creatividad y la habilidad personal de los analistas encargados
de tomar las decisiones. Por lo tanto, la obtencin de los datos para la construccin del
modelo, la validacin de ste y la implantacin de la solucin obtenida dependern de
la habilidad del equipo de Investigacin de Operaciones, para establecer lneas de comunicacin ptimas con las fuentes de informacin, y tambin con los individuos responsables de implantar las soluciones recomendadas.
Se espera que un equipo de Investigacin de Operaciones competente demuestre la
habilidad adecuada en los aspectos cientfico y artstico de la Investigacin de Operaciones. Si se destaca un aspecto y no el otro, probablemente se impedir la utilizacin
efectiva de Investigacin de Operaciones en la prctica.
El equipo de Investigacin de Operaciones debe ser interdisciplinario; profesionales de
varias ramas deben estar involucrados para analizar aspectos humanos que no son
tangibles.
1.2. MODELO DE DECISIN SIMPLE

Un modelo de decisin simple debe considerarse meramente como un vehculo para
resumir un problema de decisin, en forma tal que haga posible la identificacin y
evaluacin sistemtica de todas las alternativas de decisin del problema. Despus se
llega a una decisin seleccionando la alternativa que se juzgue sea la mejor entre
todas las opciones disponibles.
Ing. Klber Vera T.
PUCESE

Ejemplo:
El gerente de un departamento de produccin debe decidir si adquiere una mquina
automtica o una semiautomtica. Las dos mquinas producen una parte especfica en
lotes. El costo fijo inicial por lote y el costo de produccin unitario variable son:
Costo
Semiautomtica
20.00
0.60
Costo fijo inicial por lote

Costo variable unitario
Automtica
50.00
0.40
Para formalizar la situacin como un modelo de decisin debemos:

a) Identificar las alternativas de decisin
b) Disear un criterio para evaluar el valor de cada alternativa
c) Utilizar el criterio generado como base para seleccionar la mejor de las alternativas disponibles
El planteamiento del problema nos dice que hay dos alternativas:
a) Comprar una mquina automtica
b) Comprar una mquina semiautomtica
La evaluacin de estas dos alternativas puede basarse adecuadamente en el costo de
operacin de la mquina que consta de un costo fijo inicial y un costo de produccin
variable. El objetivo es seleccionar la alternativa con el costo ms bajo.
Para formalizar el criterio del costo, sea x la que represente el nmero de unidades que
se producirn en un lote. Por lo tanto, la funcin de costo se convierte en:
Costo de produccin por lote = costo fijo inicial + (costo unitario variable) x
50 + 0.4x, para la mquina automtica
=
20 + 0.6x, para la semiautomtica
Podemos expresar ahora el modelo de decisin completo.

Seleccionar una de las alternativas:
1. Comprar una mquina automtica
2. Comprar una mquina semiautomtica
La alternativa escogida debe generar el menor costo de produccin por lote
El paso que sigue despus de la elaboracin del modelo es el de obtener la solucin, o
sea, tomar una decisin. Podemos lograr esto mediante el uso de una grfica de equilibrio.
Sea x el eje que representa el tamao del lote y se define el eje y para que represente
el costo de produccin. Las funciones de costo asociadas se trazan despus como
lneas rectas, como se ilustra en la figura 1-1. Las dos alternativas cuestan exactamente la misma cantidad en x = 150 unidades. Para tamaos de lote menores que 150 uniInvestigacin de Operaciones
Ing. Klber Vera T.
PUCESE

dades, la mquina semiautomtica es ms econmica. Sucede lo contrario con lotes

mayores que 150 unidades. Una solucin general basada en el modelo es:
1. Comprar la mquina semiautomtica si el tamao del lote es < 150 unidades
2. Comprar la mquina automtica si el tamao del lote es > 150 unidades
3. Comprar cualquier mquina si el tamao del lote es = 150 unidades.
Figura 1.1. Punto de equilibrio
En esta solucin simplemente se supone que ambas mquinas producen partes a la

misma velocidad, de manera que los tamaos de lote correspondientes a un perodo de
produccin dado, son necesariamente iguales. Supongamos que en realidad las velocidades de produccin por hora de las mquinas automtica y semiautomtica son de
25 y 15 unidades, respectivamente. Supongamos adems que la fbrica opera sobre
una base de un solo turno diario de 8 horas.
La nueva informacin suma restricciones que no se previeron en el modelo. Como la
fbrica opera sobre una base de un solo turno de 8 horas, el tamao de lote mximo
para las mquinas automtica y semiautomtica est limitado a 200 (= 25 * 8) y 120 (=
15 * 8), respectivamente. Dada esta informacin, el modelo de la nueva situacin se
modifica segn se muestra en la figura 1-2.
Figura 1.2. Punto de equilibrio con restricciones
Ing. Klber Vera T.
PUCESE

Observemos el efecto de la restriccin del turno nico de 8 horas. Si el tamao del lote
no excede 120 unidades, el problema de decisin tiene dos alternativas, de las cuales
la mquina semiautomtica es la mejor eleccin. Por otra parte, para tamaos de lote
entre 120 y 200 unidades, la mquina semiautomtica es una alternativa infactible, lo
que deja a la mquina automtica como la nica opcin factible. Por ltimo, para tamaos de lote de ms de 200 unidades, ambas alternativas son infactibles.
Ejercicio 1.1.- Determinar la decisin ptima suponiendo que la duracin del
turno se extiende a 10 horas.
Podemos apreciar que las restricciones en un problema de decisin, actan para limitar
las opciones mediante la eliminacin de las alternativas infactibles o no factibles.
Este sencillo ejemplo sirve para presentar todos los elementos bsicos de cualquier
modelo de decisin. En esencia, el modelo de decisin debe contener tres elementos:
Alternativas de decisin, de las cuales se hace una seleccin.

Restricciones para excluir alternativas infactibles.
Criterios para evaluar, y por consiguiente, clasificar alternativas factibles.
Normalmente, el primer paso en el proceso de toma de una decisin consiste en construir el modelo. Despus de este paso, el encargado de tomar la decisin debe hallar
un mtodo para resolver el modelo. En algunos casos, puede haber ms de una manera de resolverlo. En otros casos, el modelo resultante puede ser tan complejo que quiz
ser difcil obtener una solucin aproximada al problema.
El procedimiento general de construccin de un modelo de decisin y la bsqueda de
su solucin, representa la parte fundamental del proceso de toma de decisiones en el
campo de la investigacin de operaciones. Sin embargo, la Investigacin de Operaciones emplea una terminologa un poco diferente. Se habla de variables de decisin en
lugar de alternativas de decisin. As mismo, se busca determinar el valor de las variables de decisin optimizando (minimizando el costo o maximizando las ganacias)
una funcin objetivo, procedimiento que es exactamente equivalente a la clasificacin
de las alternativas de decisin. El proceso de optimizacin est confinado normalmente
a los valores factibles de las variables de decisin que satisfacen todas las restricciones del modelo.
1.3. MODELOS DE INVESTIGACIN DE OPERACIONES
En la mayora de las aplicaciones de Investigacin de Operaciones, se supone que la
funcin objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemtica como funciones de las variables de decisin. En este caso, decimos
que tratamos con un modelo matemtico.
Por desgracia, pese a los adelantos impresionantes en la representacin por modelos
matemticos, un nmero apreciable de situaciones reales siguen estando fuera del
alcance de las tcnicas matemticas de que se dispone en el presente. Por un motivo,
el sistema real puede tener demasiadas relaciones, variables, para hacer posible una
representacin matemtica adecuada. En otro sentido, aun cuando se pueda formular
un modelo matemtico, ste puede ser demasiado complejo para resolverse a travs
de mtodos de solucin disponibles.
Ing. Klber Vera T.
PUCESE

Un enfoque diferente a la representacin por medio de modelos de sistemas consiste

en utilizar la 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, partiendo del mdulo de entrada, las operaciones de clculo pasarn de un
mdulo a otro hasta que se obtenga un resultado de salida.
Ejemplo 1.1
Farmers Coop tiene dos almacenes o bodegas centrales que abastecen de semillas de
maz a tres tiendas regionales para ser distribuidas a agricultores. El suministro mensual disponible en las dos bodegas se estima de 1000 y 2000 sacos de semilla de
maz. La demanda en las tres tiendas regionales se estima en 1500, 750 y 750 sacos,
respectivamente. El costo por saco para transportar la semilla de las bodegas a las
tiendas se muestra a continuacin:
Tiendas
Almacn
50
100
60
30
20
35
La meta de Coop consiste en satisfacer la demanda mensual en las tres tiendas regionales al menor costo de transportacin posible.
Solucin:
Objetivo: minimizar el costo total de transporte en todas las rutas
Costo de transporte = 50x11 + 100x12 + 60x13 + 30x21 + 20x22 + 35x23
Sujeto a:
x11 + x12 + x13
x21 + x22 + x23
x11 +
x21
x12 +
x22
x13 +
x23
= 1000
= 2000
= 1500
= 750
= 750
(oferta del almacn 1)

(oferta del almacn 2)
(demanda de la tienda 1)
Todas las variables de decisin son no negativas.

Ejemplo 1.2
Un banco debe decidir qu nmero de cajeros se instalar para atender a su clientela.
Si el nmero de cajeros no es suficiente, quizs un cliente espere mucho tiempo para
ser atendido. Por otra parte, la instalacin de demasiados cajeros podra representar
costos adicionales innecesarios. Por lo tanto, el objetivo es el de equilibrar el costo de
esperar para ser atendido contra el costo de operacin de los cajeros.
Ing. Klber Vera T.
PUCESE

Solucin:
La variable de decisin de este problema es el nmero de cajeros que se instalar. El
valor ptimo de la variable de decisin se determina minimizando la suma del costo de
operacin de los cajeros y el costo de esperar a ser atendidos. La figura 1-3 presenta
un resumen de la situacin en forma grfica.
Figura 1.3 Nmero de cajeros vs. Costo por tiempo de espera
Aunque este modelo no tiene restricciones explcitas, tiene la estructura bsica de un

modelo matemtico. De hecho, si estipulamos que el banco no puede alojar a ms de 4
cajeros debido a la limitacin de espacio, entonces el modelo se reducira a determinar
el nmero de cajeros, sin pasar de 4, que minimice la funcin del costo total.
Por qu este modelo es diferente de cualquier otro modelo matemtico? En lo que
concierne al modelo mismo, realmente no hay diferencia. Sin embargo, cuando se llega
a la implantacin del modelo, nos enfrentaremos con el problema de cmo determinar
el costo de la espera.
Figura 1.4 Simulacin de clientes en el banco
Los modelos de simulacin, cuando se comparan con modelos matemticos, ofrecen

mayor flexibilidad al representar sistemas complejos. La razn principal de esta flexibilidad es que la simulacin visualiza el sistema desde un nivel elemental bsico. La representacin a travs de modelos matemticos, por otra parte, tiende a considerar el
sistema desde un nivel de representacin menos detallado.
La flexibilidad de la simulacin no est libre de inconvenientes. La elaboracin de un
modelo de simulacin suele ser muy costosa en tiempo y recursos. Adems, la ejecucin del modelo de simulacin, aun en la computadora ms veloz, pudiera incurrir en
costos considerables. Por otra parte, los modelos matemticos ptimos suelen poder
manejarse en trminos de clculo.
Ing. Klber Vera T.
PUCESE

1.4. CLCULOS EN INVESTIGACIN DE OPERACIONES

En la Investigacin de Operaciones existen dos tipos de clculos diferentes: aquellos
en que interviene la simulacin y los que tiene que ver con modelos matemticos. En
los modelos de simulacin, los clculos son comnmente voluminosos y, lo que es ms
importante, consumen mucho tiempo. No obstante, en la simulacin uno siempre tiene
la seguridad de que los resultados buscados se obtendrn en definitiva. Slo es cuestin de contar con el tiempo suficiente en la computadora.
Por otra parte, los clculos en los modelos matemticos de la investigacin de operaciones son comnmente iterativos en naturaleza. Con esto nos referimos a que la solucin ptima de un modelo matemtico no suele estar disponible en forma cerrada. En
cambio, se llega a la respuesta final en pasos o iteraciones, donde cada nueva iteracin acerca la solucin al nivel ptimo. A este respecto, decimos que la solucin converge en forma iterativa al nivel ptimo. Como ejemplo, refirindonos al modelo de
transporte del ejemplo 1.1, comenzamos con un programa de transporte que es factible
(satisface las condiciones de oferta y demanda). Despus, al probar la solucin resultante, podemos decidir si la solucin es ptima o no. Si no lo es, hallamos una mejor
solucin. Lgicamente, si toda nueva iteracin debe mejorar (o reducir) el costo de
transporte, eventualmente se llegar a una iteracin terminal o final donde ya no se
puedan reducir los costos. Este es el nivel ptimo.
Por desgracia, no todos los modelos matemticos de Investigacin de Operaciones
poseen algoritmos de solucin que siempre converjan al nivel ptimo. Existen dos razones de ser de esta dificultad:
1. Se puede probar que el algoritmo de solucin converge al nivel ptimo, pero slo en un sentido terico. La convergencia terica seala que hay un lmite superior finito para el nmero de iteraciones, pero no indica cun alto puede estar
este lmite. Por lo tanto, podemos consumir horas de tiempo de computadora
sin llegar a la iteracin final.
2. La complejidad del modelo matemtico puede hacer imposible idear un algoritmo de solucin. En este caso, el modelo se puede mantener infactible en trminos de clculo.
Las dificultades evidentes en los clculos de los modelos matemticos han obligado a
los analistas a buscar otros mtodos de clculo. Estos mtodos tambin son de naturaleza iterativa, pero no garantizan la optimizad de la solucin final. En cambio, simplemente buscan una buena solucin al problema. Tales mtodos suelen denominarse
heursticos porque su lgica est basada en reglas o mtodos prcticos que conllevan
a la obtencin de una buena solucin. La ventaja de los mtodos heursticos es que
normalmente implican un menor nmero de clculos cuando se comparan con algoritmos exactos.
En la investigacin de operaciones, los mtodos heursticos suelen emplearse para dos
fines:
1. Se pueden utilizar dentro del contexto de un algoritmo de optimizacin exacto,
con el fin de aumentar la velocidad del proceso para alcanzar el nivel ptimo. La
necesidad de fortalecer el algoritmo de optimizacin se hace ms evidente con
modelos a gran escala.
2. Se utilizan simplemente para obtener una buena solucin al problema. La solucin resultante no tiene la garanta de ser ptima y, de hecho, su calidad en
relacin con el nivel ptimo real puede ser difcil de determinar.
Ing. Klber Vera T.
PUCESE

Como ejemplo de stos casos tomaremos el modelo de transporte del ejemplo 1.1.
Pese a que el modelo e transporte posee un algoritmo exacto eficiente, podemos emplear un mtodo heurstico para hacerlo an ms eficiente. Esto se logra a travs de la
seleccin inteligente del programa de transporte inicial. La idea del mtodo heurstico
es la de asignar la tarea, hasta donde sea posible, a la ruta ms econmica de la tabla
sin violar las restricciones de oferta y demanda. El proceso de seleccin de la siguiente
ruta ms econmica se repite entonces hasta que se satisfacen todas las demandas.
Tiendas
1
50
2
100
30
20
3
60
1
Almacn
35
Aplicando esto a la tabla anterior tenemos:

x22 = 750 sacos
x21 = 1250 sacos
x11 = 250 sacos
x23 = 750 sacos
Resumiendo:
De / A
1/1
1/3
2/1
2/2
Costo Unitario ()
50
60
30
20
Cantidad (sacos)
250
750
1250
750
Costo ($)
125.00
450.00
375.00
150.00
Para ilustrar el segundo tipo de un mtodo heurstico, consideremos el problema de un

agente viajero que debe viajar a 5 ciudades, donde cada ciudad es visitada exactamente una vez antes de volver a su ciudad de origen. La figura 1.5 presenta un resumen de
las distancias (en kilmetros) entre todas las ciudades. El objetivo del vendedor es el
de minimizar la distancia total de recorrido.
2
5
1
3
6
7
4
5
4
1
Figura 1.5 Problema del viajero
Ing. Klber Vera T.
PUCESE

Este problema se puede formular como un modelo matemtico exacto. Sin embargo, la
obtencin de la solucin ptima exacta a este problema ha probado ser formidable. No
obstante, se puede obtener una buena solucin mediante el uso de un mtodo heurstico que requiere se viaje de la ciudad presente a la ciudad no visitada ms prxima.
1.5. FASES DE UN ESTUDIO DE INVESTIGACIN DE OPERACIONES
Un estudio de Investigacin de Operaciones no puede ser realizado y controlado por el
analista de Investigacin de Operaciones solamente. Aunque puede ser un experto en
modelos y tcnicas de solucin, posiblemente no ser un perito en todas las reas
donde surgen los problemas de investigacin de operaciones. Consecuentemente, un
equipo de investigacin de operaciones deber incluir a los miembros de la organizacin directamente responsables de las funciones donde existe el problema, as como
para la ejecucin e implantacin de la solucin recomendada. En otras palabras, un
analista de Investigacin de Operaciones comete un grave error al suponer que puede
resolver problemas sin la cooperacin de aquellos que implantarn sus recomendaciones.
Las principales fases a travs de las cuales pasara el equipo a fin de efectuar un estudio de Investigacin de Operaciones son:
1.
2.
3.
4.
5.
Definicin del problema

Construccin del modelo
Solucin del modelo
Validacin del modelo
Implantacin de los resultados finales
Aunque esta sucesin de ninguna manera es estndar, parece generalmente aceptable. Excepto para la fase solucin del modelo, la cual est basada comnmente en
tcnicas bien desarrolladas, las fases restantes no parecen seguir reglas fijas. Esto
surge del hecho de que los procedimientos para estas fases dependen del tipo de problema en investigacin y el mbito de operacin en el cual existe. En este aspecto, un
equipo de investigacin de operaciones estara guiado en el estudio principalmente por
las diferentes experiencias profesionales de sus miembros, en lugar de reglas fijas.
La primera fase del estudio requiere una definicin del problema. Desde el punto de
vista de investigacin de operaciones esto indica tres aspectos principales:
a) Una descripcin de la meta o el objetivo del estudio
b) Una identificacin de las alternativas de decisin del sistema, y
c) Un reconocimiento de las limitaciones, restricciones y requisitos del sistema
La segunda fase del estudio corresponde a la construccin del modelo. Dependiendo
de la definicin del problema, el equipo de investigacin de operaciones deber decidir
sobre el modelo ms adecuado para representar el sistema. Tal modelo deber especificar expresiones cuantitativas para el objetivo y las restricciones el problema en funcin de sus variables de decisin. Si el modelo resultante se ajusta a uno de los modelos matemticos comunes puede obtenerse una solucin conveniente mediante tcnicas matemticas. Si las relaciones matemticas del modelo son demasiado complejas
para permitir soluciones analticas, puede ser ms apropiado un modelo de simulacin.
Algunos casos pueden requerir el uso de una combinacin de modelos matemticos,
heursticos y de simulacin. Esto depende mucho de la naturaleza y complejidad del
sistema que se est investigando.
Ing. Klber Vera T.
10
PUCESE

La tercera fase del estudio corresponde a la solucin del modelo. En modelos matemticos esto se logra usando tcnicas de optimizacin bien definidas y se dice que el
modelo proporciona una solucin ptima. Si se usan los modelos de simulacin o
heursticos, el concepto de optimizar no est tan bien definido, y la solucin en estos
casos se emplea para obtener evaluaciones aproximadas de las medidas del sistema.
Adems de la solucin del modelo se debe tambin asegurar, siempre que sea posible,
informacin adicional sobre el comportamiento de la solucin debida a cambios en los
parmetros del sistema. Usualmente esto se conoce como anlisis de sensibilidad.
Este anlisis es especialmente necesario cuando los parmetros del sistema no pueden estimarse con exactitud. En este caso es importante estudiar el comportamiento de
la solucin ptima en los entornos de estas estimaciones.
La cuarta fase busca la validacin del modelo. Un modelo es vlido si, independientemente de sus inexactitudes al representar el sistema, puede dar una prediccin confiable del funcionamiento del sistema. Un mtodo comn para probar la validez de un
modelo es comparar su funcionamiento con algunos datos pasados disponibles del
sistema actual. El modelo ser vlido si bajo condiciones similares de entradas puede
reproducir el funcionamiento pasado del sistema. Este mtodo de validacin no es
apropiado para sistemas que no existen, ya que no habr datos disponibles para comparacin.
La fase final del estudio trata sobre la implantacin de los resultados probados del
modelo. La tarea de aplicar estos resultados recae principalmente en los investigadores
de operaciones. Esto bsicamente implicara la traduccin de estos resultados en instrucciones de operacin detallada, emitidas en una forma comprensible a los individuos
que administrarn y operarn el sistema despus.
Ing. Klber Vera T.
11
PUCESE

2. PROGRAMACIN LINEAL
2.1. INTRODUCCIN
Es la tcnica matemtica para determinar la mejor asignacin de los recursos limitados
de una empresa.
Se necesitan 5 requerimientos bsicos para emplear la programacin lineal para resolver problemas de investigacin de operaciones:
1. Hay que expresar un objetivo bien definido, que pueda servir para maximizar la
produccin, o minimizar los costos. El objetivo debe estar bien definido en forma
matemtica.
2. Debe haber una solucin que satisfaga la funcin objetivo.
3. Las ecuaciones y desigualdades deben describir el problema en forma lineal.
4. Las variables de decisin debe interrelacionarse
5. Los recursos son limitados.
2.2. MODELO DE PROGRAMACIN LINEAL SIMPLE Y SU SOLUCIN GRFICA
Reddy Mikks Company posee una pequea fbrica de pinturas que produce colorantes
para interiores y exteriores de casa para su distribucin al mayoreo. Se utilizan dos
materiales bsicos, A y B, para producir las pinturas. La disponibilidad mxima de A es
de 6 toneladas diarias; la de B es de 8 toneladas por da. Los requisitos diarios de materias primas por tonelada de pintura para interiores y exteriores se resumen en la tabla
siguiente:
Toneldas de materia prima
por tonelada de pintura
Exterior
Interior
Disponibilidad Mxima (toneladas)
Materia prima A
Materia prima B
Un estudio de mercado ha establecido que la demanda diaria de pintura para interiores

no puede ser mayor que la de pintura para exteriores en ms de una tonelada. El estudio seala as mismo, que la demanda mxima de pintura para interiores est limitada
a dos toneladas diarias.
El precio al por mayor por tonelada es de $ 3000 para la pintura de exteriores y $ 2000
para la pintura de interiores.
Cunta pintura para exteriores e interiores debe producir la compaa todos los das
para maximizar el ingreso bruto?
2.2.1. Construccin del modelo matemtico
La construccin de un modelo matemtico se puede iniciar respondiendo a las tres
preguntas siguientes:
Ing. Klber Vera T.
12
PUCESE

1. Qu busca determinar el modelo? 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 ptima (mejor) de entre todos los valores factibles de las variables?
Una manera efectiva de responder a estas preguntas consiste en hacer un resumen
verbal del problema. En trminos del ejemplo de Reddy Mikks, la situacin se describe
en la forma siguiente:
La compaa busca determinar las cantidades (toneladas) de pintura para exteriores e interiores que se producirn para maximizar (incrementar hasta donde sea
factible) el ingreso bruto total (en miles de unidades monetarias), a la vez que se
satisfacen las restricciones de la demanda y el uso de materias primas
El punto principal del modelo matemtico consiste en identificar en primer trmino las
variables y despus expresar el objetivo y las restricciones como funciones matemticas de las variables.
2.2.1.1. Variables
Como se desea determinar las cantidades de pintura para exteriores e interiores que se
producirn, las variables del modelo se pueden definir como:
xE = toneladas de pintura para exteriores producidas diariamente
xI = toneladas de pintura para interiores producidas diariamente
2.2.1.2. Funcin objetivo
Como cada tonelada de pintura para exteriores se vende en $ 3000, el ingreso bruto
obtenido de la venta de xE toneladas es 3xE miles de unidades monetarias. En forma
anloga, el ingreso bruto que se obtiene de vender xI toneladas de pintura para interiores es 2xI miles de unidades monetarias. Bajo la suposicin de que las ventas de pintura para exteriores e interiores son independientes, el ingreso bruto total se convierte en
la suma de los dos ingresos.
Sea z el ingreso bruto total (en miles de unidades monetarias), la funcin objetivo se
puede escribir matemticamente como z = 3xE + 2xI. La meta consiste en determinar
los valores (factibles) de xE y xI que maximizarn este criterio.
2.2.1.3. Restricciones
El problema de Reddy Mikks impone restricciones sobre el uso de materias primas y
sobre la demanda. La restriccin del uso de materias primas se puede expresar en
forma verbal como
(uso de materias primas en ambas pinturas) (disponibilidad mxima de materias primas)
Esto nos lleva a las restricciones siguientes:

xE + 2xI 6 (materia prima A)
2xE + xI 8 (materia prima B)
Las restricciones sobre la demanda se expresan en forma verbal como
Ing. Klber Vera T.
13
PUCESE

(cantidad en exceso de pinturas para interiores sobre exteriores) (1 tonelada por da)
(demanda de pintura para interiores) (2 toneladas por da)
Matemticamente, stos se expresan, respectivamente, como:

xI - xE 1
xI 2
(exceso de pinturas para interiores sobre exteriores)

(demanda mxima de pintura para interiores)
Una restriccin implcita (o sobreentendida) es que la cantidad que se produce de cada

pintura no puede ser negativa. Para evitar obtener una solucin como sta, imponemos
las restricciones de no negatividad, que normalmente se escriben como
xI 0 (pintura para interiores)
xE 0 (pintura para exteriores)
Los valores de las variables xI y xE se dice constituyen una solucin factible si satisfacen todas las restricciones del modelo.
El modelo matemtico completo para el problema de Reddy Mikks se puede resumir
ahora de la siguiente manera:
maximizar z = 3xE + 2xI
sujeto a
xE + 2xI 6
2xE + xI 8
xI - xE 1
xI 2
xI 0 ; xE 0
Qu hace que este modelo sea un programa lineal? Tcnicamente, es un programa
lineal porque todas sus funciones (restricciones y objetivo) son lineales. La linealidad
implica que se cumplen las propiedades de proporcionalidad y de aditividad.
1. La proporcionalidad requiere que la contribucin de cada variable en la funcin
objetivo o su uso de los recursos sea directamente proporcional al nivel de la
variable. Por ejemplo, si Reddy Mikks Company ofrece vender la tonelada de
pintura para exteriores en $ 2500 cuando las ventas sean superiores a dos toneladas, no ser cierto que cada tonelada de pintura producir un ingreso de $
3000; puesto que generar $ 3000 por tonelada para xE 2 toneladas y $ 2500
por tonelada para xE > 2 toneladas. Esta situacin no satisface la condicin de
proporcionalidad directa con xE.
2. La aditividad requiere que la funcin objetivo sea la suma directa de las contribuciones individuales de las variables. En forma anloga, el primer miembro o
lado izquierdo de cada restriccin debe ser la suma de los usos individuales de
cada variable del recurso correspondiente. Por ejemplo, en el caso de dos productos en competencia, donde un aumento en el nivel de ventas de un producto
afecta contrariamente al del otro, los dos productos no satisfacen la propiedad
de aditividad.
Ing. Klber Vera T.
14
PUCESE

2.2.2. Solucin grfica del modelo matemtico

El modelo de Reddy Mikks se puede resolver de forma grfica porque slo tiene 2 variables. Para modelos con 3 o ms variables, el mtodo grfico es impracticable o imposible. No obstante, se puede deducir conclusiones generales del mtodo grfico que
servirn como la base para el desarrollo del mtodo de solucin general algebraico.
El primer paso del mtodo grfico consiste en graficar las soluciones factibles, o el espacio de soluciones, que satisfaga todas las restricciones en forma simultnea. La
figura 2.1 representa el espacio de soluciones que se requiere. Las restricciones de no
negatividad xI 0 y xE 0 confinan todos los valores factibles al primer cuadrante.
Figura 2.1 Espacio de solucin factible
El segundo paso consiste en encontrar los valores correspondientes a los vrtices del
rea de solucin (A, B, C, D, E, F). Esto se lo realiza resolviendo el sistema de ecuaciones formado por las rectas que se cruzan en cada uno de los puntos.
El tercer paso es reemplazar cada una de estas coordenadas en la funcin objetivo y
verificar cual de ellas es la que proporciona el mximo valor. En este ejemplo, el mayor
1
3
valor est en el punto C (xE = 3 ; xI = 1 ) con un valor para z = 12
(miles de $)
CASOS DE ESTUDIO
CASO 1: Poltica de Prstamos Bancarios
Una institucin financiera, Imperial Bank, se encuentra en el proceso de formular su
poltica de prstamos para el prximo trimestre. Para ese fin se asigna un total de $ 12
millones. Siendo una institucin de servicios integrales, est obligado a otorgar prstamos a diversos clientes. La tabla que sigue seala los tipos de prstamos, la tasa de
inters que cobra el banco y la posibilidad de que el cliente no cubra sus pagos, irrecuperables o incobrables, segn se estima por experiencia:
Ing. Klber Vera T.
15
PUCESE
Tipo de Prstamos
Personal
Automvil
Vivienda
Agrcola
Comercial

Tasa de inters
0.140
0.130
0.120
0.125
0.100
Probabilidad de incobrables
0.10
0.07
0.03
0.05
0.02
Se supone que los pagos que no se cubren son irrecuperables y, por lo tanto, no producen ingreso por concepto de intereses.
La competencia con otras instituciones financieras del rea requiere que el banco asigne cuando menos el 40% de los fondos totales a prstamos agrcolas y comerciales.
Para dar asistencia a la industria de la construccin en la regin, los prstamos para
vivienda deben ser iguales cuando menos al 50% de los prstamos personales, para
automvil y para vivienda. El banco tiene adems una poltica establecida que especifica que la relacin global de pagos irrecuperables no puede ser superior a 0.04.
Determine el modelo matemtico correspondiente al problema.
CASO 2: Uso y Urbanizacin de la tierra
Invasores Corp. posee 800 acres de tierra de primera clase, pero no urbanizada, en un
lago en la parte central de Imbabura. En el pasado, se aplicaba poca o ninguna regulacin a nuevas urbanizaciones en torno al lago. Las orillas del lago ahora estn alineadas con residencias vacacionales agrupadas. Debido a la falta de servicio de drenaje, o
desage por alcantarillado, se utilizan muchos tanques spticos, la mayora instalados
en forma inadecuada. Con el paso de los aos, la infiltracin de los tanques spticos ha
provocado un severo problema de contaminacin del agua.
Para controlar la degradacin ms profunda en la calidad del agua, los funcionarios del
municipio presentaron y aprobaron algunos reglamentos estrictos aplicables a todas las
urbanizaciones a futuro:
1. Slo se pueden construir casas para una, dos y tres familias, donde las unifamiliares constituyen cuando menos el 50% del total.
2. Para limitar el nmero de tanques spticos, se requieren tamaos de lote mnimos de 2, 3 y 4 acres para casas de una, dos y tres familias.
3. Se deben establecer reas de recreo de 1 acre cada una a razn de un rea
por cada 200 familias.
4. Para preservar la ecologa del lago, no se puede extraer agua del subsuelo para
uso en la casa o el jardn.
El presidente de Invasores Corp. estudia la posibilidad de urbanizar los 800 acres de la
compaa en el lago. La nueva urbanizacin incluir casas para una, dos y tres familias. El estima que el 15% del terreno se utilizar en la apertura de calles y vas de acceso para servicios. Tambin calcula que los siguientes sern sus ingresos derivados
de la venta de las diversas unidades habitacionales:
Unidades habitacionales
Ingreso Neto por unidad ($)
Sencilla
10000
Ing. Klber Vera T.
Doble
15000
Triple
20000
16
PUCESE

El costo de conexin del servicio de agua al rea es proporcional al nmero de unidades que se construyan. Sin embargo, la comunidad estipula que se deber colectar un
mnimo de $ 100000 para que el proyecto sea econmicamente factible. Adems, la
expansin del sistema acufero ms all de su capacidad actual est limitada a 200000
galones por da durante perodos de consumo mximo, pico. Los datos que siguen resumen el costo de conexin del servicio de agua y tambin del consumo de agua suponiendo una familia de tamao medio:
Unidad habitacional
Costo del servicio de
agua por unidad ($)
Consumo de agua
por unidad (gal/da)
Sencilla
Doble
Triple
Recreo
1000
1200
1400
800
400
600
840
450
Determine el modelo matemtico correspondiente al problema.

EJERCICIOS RESUELTOS
1. Un frutero necesita 16 cajas de naranjas, 5 de pltanos y 20 de manzanas. Dos
mayoristas pueden suministrarle para satisfacer sus necesidades, pero slo venden
la fruta en contenedores completos. El mayorista A enva en cada contenedor 8 cajas de naranjas, 1 de pltanos y 2 de manzanas. El mayorista B enva en cada contenedor 2 cajas de naranjas, una de pltanos y 7 de manzanas. Sabiendo que el
mayorista A se encuentra a 150 Km. de distancia y el mayorista B a 300 Km., calcular cuntos contenedores habr de comprar a cada mayorista, con objeto de ahorrar tiempo y dinero, reduciendo al mnimo la distancia de lo solicitado.
Solucin:
Matematizacin del problema

MAYORISTA A
MAYORISTA B
Necesidades mnimas
Naranjas
16 cajas
Pltanos
5 cajas
Manzanas
20 cajas
Distancia
150 Km
300 Km
Variables
Llamamos x al nmero de contenedores del mayorista A
Llamamos y al nmero de contenedores del mayorista B
Funcin objetivo (minimizar)

z = 150x + 300y
Restricciones
Ing. Klber Vera T.
17
PUCESE

Regin de soluciones factibles
Solucin factible ptima

Observamos que el mnimo se alcanza en el punto R(3,2) (solucin ptima)
Por tanto el frutero solicitar 3 contenedores del mayorista A y 2 contenedores
del mayorista B.
2. Una compaa tiene dos minas: la mina A produce diariamente 1 tonelada de carbn de antracita de alta calidad, 2 toneladas de carbn de calidad media y 4 toneladas de carbn de baja calidad; la mina B produce 2 toneladas de cada una de las
tres clases. La compaa necesita 70 toneladas de carbn de alta calidad, 130 de
calidad media y 150 de baja calidad. Los gastos diarios de la mina A ascienden a
150 dlares y los de la mina B a 200 dlares. Cuntos das debern trabajar en
cada mina para que la funcin de costo sea mnima?
Solucin:

Mina A
Mina B
Necesidades mnimas
Alta
70
Media
130
Baja
150
Coste diario
150 $
200 $
Variables
Llamamos x al nmero de das trabajados en la mina A
Llamamos y al nmero de das trabajados en la mina B

z = 150x + 200y
Ing. Klber Vera T.
18
PUCESE

Restricciones

El mnimo se obtiene en el punto R (60,5) es decir, la compaa debe trabajar
60 das en la mina A y 5 das en la mina B para que el costo sea mnimo.
Valor del programa lineal

Como la funcin objetivo es z = 150x + 200y el valor del programa lineal (gasto)
es z = 15060 + 2005 = 10.000 $ diarios.
3. Imaginemos que las necesidades semanales mnimas de una persona en protenas, hidratos de carbono y grasas son, respectivamente, 8, 12 y 9 unidades. Supongamos que debemos obtener un preparado con esa composicin mnima mezclando dos productos A y B, cuyos contenidos por Kg. son los que se indican en la
siguiente tabla:
Protenas
Hidratos
Grasas
Costo/Kg.
600
400
a) Cuntos Kg. de cada producto debern comprarse semanalmente para que el

costo de preparar la dieta sea mnimo?
b) Cuntos Kg. de cada producto deberamos comprar si el precio de A subiera a
1.000 Pts/Kg?
Ing. Klber Vera T.
19
PUCESE

Solucin:

A
Necesidades
Protenas
Hidratos
12
Grasas
Costo
600
400
Variables
Llamamos x al nmero de Kg. usados del producto A
Llamamos y al nmero de Kg. usados del producto B

z = 600x + 400y
Restricciones

Todos los puntos que forman la regin F son soluciones factibles, vemos que
R(3,2) es el punto mnimo. Por tanto, deben comprarse 3 Kg. de A y 2 Kg. de B
para que el gasto sea mnimo.
Ing. Klber Vera T.
20
PUCESE

Valor del programa lineal

Cuando la funcin objetivo es z = 600x + 400y el valor del programa lineal (gasto) es 2.600 Pts.
Si la funcin objetivo es z = 100x + 400y la solucin ptima est en el punto
Q(1,6) y el valor del programa lineal (gasto) es 3.400 Pts.
4. En la elaboracin de un producto A se necesita una sustancia B. La cantidad de A

obtenida es menor o igual que el doble de B utilizada, y la diferencia entre las cantidades del producto B y A no supera los 2g mientras que la suma no debe sobrepasar los 5g. Adems se utiliza por lo menos 1g de B y se requiere 1g de A. La sustancia A se vende a 5 millones y la B cuesta 4 millones el gramo. Calcular la cantidad de sustancia B necesaria para que el beneficio sea mximo.
Solucin:
Variables
Llamamos x a la cantidad de sustancia A
Llamamos y a la cantidad de sustancia B
Funcin objetivo (maximizar)

z = 5x + 4y
Restricciones
Ing. Klber Vera T.
21
PUCESE


Se encuentra en el punto Q (10/3, 5/3), es decir la cantidad de sustancia B para
que el beneficio sea mximo debe ser 5/3 g.
EJERCICIOS PROPUESTOS
1. Se considera la regin del plano determinada por las inecuaciones:
x+3y
8x+y
yx3
x0
y0
a) Dibujar la regin del plano que definen, y calcular sus vrtices.

b) Hallar el punto de esa regin en el que la funcin z = 6x + 4y alcanza el valor
mximo y calcular dicho valor.
2. Una industria vincola produce vino y vinagre. El doble de la produccin de vino es
siempre menor o igual que la produccin de vinagre ms cuatro unidades. Por otra
parte, el triple de la produccin de vinagre sumado con cuatro veces la produccin
de vino se mantiene siempre menor o igual a 18 unidades. Hallar el nmero de
unidades de cada producto que se deben producir para alcanzar un beneficio mximo, sabiendo que cada unidad de vino deja un beneficio de 800 Ptas. y cada
unidad de vinagre de 200 Ptas.
3. Una fbrica de carroceras de automviles y camiones tiene dos naves. En la nave
A, para hacer la carrocera de un camin, se invierten 7 das-operario, para fabricar
la de un coche se precisan 2 das-operario. En la nave B se invierten tres das operario tanto en carroceras de camin como de coche. Por limitaciones de mano de
obra y maquinaria, la nave A dispone de 300 das operario, y la nave B de 270
das-operario. Si los beneficios que se obtienen por cada camin son de 6 millones
de pesetas y por cada automvil 2 millones de pesetas, cuntas unidades de cada uno se deben producir para maximizar las ganancias?
4. Una entidad financiera capta depsitos y presta dinero. La captacin de depsitos
lleva una hora para convencer al cliente y otra de trabajo burocrtico. El prstamo
de dinero lleva una hora para convencer al cliente y dos horas de trabajo burocrtico. El mximo nmero de horas de trabajo disponibles es de 40 horas para convencer a los clientes y 60 horas para el trabajo burocrtico. El beneficio obtenido
por prestar dinero es 1/3 mayor que el de captar depsitos. Cuntas operaciones
de cada tipo le conviene realizar para obtener el mximo beneficio? Seguir los siguiente pasos:
Expresar mediante inecuaciones el recinto definido.

Dar la funcin objetivo.
Cuntas operaciones realiza de cada tipo?
5. Una persona tiene 500.000 pesetas para invertir en dos tipos de acciones A y B. El
tipo A tiene bastante riesgo con un inters anual del 10% y el tipo B es bastante
seguro con un inters anual del 7%. Decide invertir como mximo 300.000 pesetas
en A y como mnimo 100.000 pesetas en B, e invertir en A por lo menos tanto como en B. Cmo deber invertir sus 500.000 pesetas para maximizar sus intereses
anuales?
Ing. Klber Vera T.
22
PUCESE

6. Las restricciones pesqueras impuestas por la CEE obligan a cierta empresa a pescar como mximo 2.000 toneladas de merluza y 2.000 toneladas de rape, adems,
en total, las capturas de estas dos especies no pueden pasar de las 3.000 toneladas. Si el precio de la merluza es de 1.000 Ptas./Kg. y el rape del rape es de 1.500
Ptas./Kg., qu cantidades debe pescar para obtener el mximo beneficio?
7. Un pastelero tiene 150 Kg. de harina, 22 Kg. de azcar y 27.5 Kg. de mantequilla
para hacer dos tipos de pasteles P y Q. Para hacer una docena de pasteles de tipo
P necesita 3 Kg. de harina, 1 Kg. de azcar y 1 de mantequilla y para hacer una
docena de tipo Q necesita 6 Kg. de harina, 0.5 Kg. de azcar y 1 Kg. de mantequilla. El beneficio que obtiene por una docena de tipo P es 20 y por una docena de
tipo Q es 30. Halla, utilizando las tcnicas de programacin lineal, el nmero de
docenas que tiene que hacer de cada clase para que el beneficio sea mximo.
8. En una fbrica de bombillas se producen dos tipos de ellas, las de tipo normal valen 450 pesetas y las halgenas 600 pesetas. La produccin est limitada por el
hecho de que no pueden fabricarse al da ms de 400 normales y 300 halgenas
ni ms de 500 en total. Si se vende en toda la produccin, cuntas de cada clase
convendr producir para obtener la mxima facturacin?
9. Un hipermercado necesita como mnimo 16 cajas de langostino, 5 cajas de ncoras y 20 de percebes. Dos mayoristas, A y B, se ofrecen al hipermercado para satisfacer sus necesidades, pero slo venden dicho marisco en contenedores completos. El mayorista A enva en cada contenedor 8 cajas de langostinos, 1 de ncoras y 2 de percebes. Por su parte, B enva en cada contenedor 2, 1 y 7 cajas respectivamente. Cada contenedor que suministra A cuesta 210.000 ptas., mientras
que los del mayorista B cuestan 300.000 pesetas cada uno. Cuntos contenedores debe pedir el hipermercado a cada mayorista para satisfacer sus necesidades
mnimas con el menor coste posible?
10. Se va a organizar una planta de un taller de automviles donde van a trabajar electricistas y mecnicos; por necesidades de mercado, es necesario que haya mayor
o igual nmero de mecnicos que de electricistas y que el nmero de mecnicos
no supere al doble que el de electricistas. En total hay disponibles 20 electricistas y
30 mecnicos. El beneficio de la empresa por jornada es 25.000 ptas. por electricista y 20.000 por mecnico. Cuntos trabajadores de cada clase deben elegirse
para obtener el mximo beneficio?
11. Imaginemos que las necesidades semanales mnimas de una persona en protenas, hidratos de carbono y grasas son 8, 12, 9 unidades respectivamente. Supongamos que debemos obtener un preparado con esa composicin mnima mezclando los productos A y B cuyos contenidos por kilogramo son los que se indican en la
siguiente tabla:
Producto A
Producto B
Protenas
2
1
Hidratos
6
1
Grasas
1
3
Coste (kg)
600
400
Cuntos kilogramos de cada producto debern comprarse semanalmente para

que el costo de preparar la dieta sea mnimo?
12. Se considera la regin del primer cuadrante determinada por las inecuaciones:
x+y 8
x+y 4
Ing. Klber Vera T.
x + 2y 6
23
PUCESE

a) Dibujar la regin y determinar sus vrtices.

b) Dada la funcin objetivo z = 3x + 2y hallar dnde alcanza dicha funcin su valor
mnimo y calcular ste.
13. Dada la regin del plano definida por las inecuaciones
x+y10
0x3
0 y 2
Para qu valores de la regin es mxima la funcin z = 5x + 2y?

14. Un carpintero tiene que construir mesas rectangulares cuyas dimensiones no sobrepasen 2 metros y tales que la suma de su dimensin mayor y el doble de la
menor no sobrepase 4 metros. Cul es el mximo valor del permetro de dichas
mesas?
15. Una empresa fabrica dos tipos de colonia: A y B. La primera contiene un 15% de
extracto de jazmn, un 20% de alcohol y el resto es agua y la segunda lleva un
30% de extracto de jazmn, un 15% de alcohol y el resto es agua. Diariamente se
dispone de 60 litros de extracto de jazmn y de 50 litros de alcohol. Cada da se
pueden producir como mximo 150 litros de la colonia B. El precio de venta por litro de la colonia A es de 500 pesetas y el de la colonia B es 2.000 pesetas. Hallar
los litros de cada tipo que deben producirse diariamente para que el beneficio sea
mximo.
16. Cada mes una empresa puede gastar. Como mximo, 1.000.000 ptas. en salarios
y 1.800.000 ptas. en energa (electricidad y gasoil). La empresa slo elabora dos
tipos de productos A y B. Por cada unidad de A que elabora gana 80 ptas. y 50
ptas. por cada unidad de B. El coste salarial y energtico que acarrea la elaboracin de una unidad del producto A y una del B aparece en la siguiente tabla:
Coste salarial
Coste energtico
A
200
100
B
100
300
Se desea determinar cuntas unidades de cada uno de los productos A y B debe

producir la empresa para que el beneficio sea mximo.
17. Los precios de venta de dos productos A y B estn en la misma relacin que 7 y 6.
La produccin de estos est definida por las siguientes condiciones:
La produccin de A es mayor o igual que la mitad de B y menor o igual que

el doble de B.
La produccin total es tal que si slo se produce A, se producen 10 Kg., y si
slo se produce B, se producen 15 kg. Y si se producen conjuntamente, la
produccin mxima se encuentra en la recta que une los puntos anteriores.
a) Dar la funcin objetivo de la venta de ambos productos.

b) Expresar mediante inecuaciones el recinto definido.
c) Determinar los kilos que se han de producir de cada producto para obtener
el mximo beneficio.
18. Me ofrecen la posibilidad de vender hasta un mximo de 24 toneladas de dos productos A y B. Me dan una comisin de 15.000 ptas. por tonelada vendida de A y
Ing. Klber Vera T.
24
PUCESE

10.000 ptas. por tonelada vendida de B. Averiguar, razonadamente, cuntas toneladas debo vender de A y cuntas de B para maximizar la ganancia.
19. Una fbrica textil elabora prendas de punto de calidades A y B. Las de calidad A se
fabrican con 1 unidad de lana y 2 unidades de fibra sinttica y las de calidad B con
dos unidades de lana y 1 de fibra sinttica. Los beneficios obtenidos en la venta de
las prendas son de 1.500 ptas. para las de calidad A y 1.000 ptas. para las de calidad B. Sabiendo que slo se dispone de 180 unidades de lana y 240 de fibra sinttica, se pide:
a) Determinar cuntas prendas de cada tipo deben elaborarse para obtener un
beneficio mximo si la produccin no puede ser superior a 1.000 prendas.
b) A cunto ascender dicho beneficio? Justificar las respuestas.
20. Una compaa fabrica dos modelos de sombrero: Bae y Viz. La fabricacin de los
sombreros se realiza en las secciones de moldeado, pintura y montaje. La fabricacin de cada modelo Bae requiere 2 horas de moldeado, 3 de pintura y una de
montaje. La fabricacin del modelo Viz requiere tres horas de moldeado, 2 de pintura y una de montaje. Las secciones de moldeado y pintura disponen, cada una,
de un mximo de 1.500 horas cada mes, y la de montaje de 600. Si el modelo Bae
se vende a 10.000 pesetas y el modelo Viz a 12.000 pesetas, qu cantidad de
sombreros de cada tipo ha de fabricar para maximizar el beneficio mensual?
21. Se considera la funcin z = 20000x + 16000y. Determinar el punto en que esta
funcin toma valor mnimo con las siguientes restricciones:
6x + 2y 12
2x + 2y 8
4x + 12y 24
x0
y0
x7
y7
22. Optimizar la funcin objetivo z = y x condicionada a:
y -x + 4
y -x + 2
yx+2
y x-2
23. Una empresa fabrica dos tipos de rotuladores, de la clase A a 200 ptas. la unidad y
de la clase B a 150 ptas. En la produccin diaria se sabe que el nmero de rotuladores de la clase B no supera en 1000 unidades a los de la A; adems, entre las
dos clases no superan las 3000 unidades y la de la clase B no bajan de 1000 unidades por da. Hallar el costo mximo y mnimo de la produccin diaria.
24. En un taller de motos estiman que, por trmino medio, la revisin normal de una
moto nueva supone 0.5 h en la seccin de mecnica, y 1 h. en la seccin de electricidad, mientras que la revisin de una moto usada supone 3h de mecnica y 1h
de electricidad. Por la revisin de una moto nueva cobran 2500 ptas. y por la revisin de una moto usada cobran 4500 ptas. Si la seccin mecnica puede trabajar
durante 9 h al da como mximo, y la de electricidad durante 8h al da, calcular
cmo deben seleccionar el trabajo para obtener los mximos ingresos.
25. Podemos comprar paquetes de abono A o B. Cada paquete contiene las unidades
de potasio (K), fsforo (P) y nitrgeno (N) indicadas en la tabla.
Ing. Klber Vera T.
25
PUCESE

Marca
A
B
K
4
1
P
6
10
N
1
6
Precio
15
24
En qu proporcin hay que mezclar ambos tipos de abono para obtener al mnimo precio un abono que contenga 4 unidades de K, 23 de P y 6 de N?
26. Para fabricar los artculos A y B se dispone de 600 Kg. de acero. Para producir un
artculo A se consumen 4 Kg. de acero y, para obtener uno de B, 8 kg. Calcular
cuntos artculos de cada tipo se deben fabricar para obtener el mximo beneficio,
sabiendo que el precio de venta de cada artculo de tipo A es de 1200 ptas. y cada
uno del tipo B es de 2000 ptas. y que, por falta de otros materiales, no se pueden
fabricar ms de 120 unidades del tipo A ni ms de 70 unidades del tipo B.
27. En una granja se preparan dos clases de piensos, P y Q, mezclando dos productos
A y B. Un saco de P contiene 8 Kg. de A y 2 de B, y un saco de Q contiene 10 Kg.
de A y 5 de B. Cada saco de P se vende a 300 ptas. y cada saco de Q a 800 ptas.
Si en la granja hay almacenados 80 Kg. de A y 25 de B, cuntos sacos de cada
tipo de pienso deben preparar para obtener los mximos ingresos?
28. A una persona que quiere adelgazar se le ofrecen dos productos A y B para que
tome una mezcla de ambos con las siguientes recomendaciones:
No de be tomar ms de 150 g de la mezcla ni menos de 50 g.

La cantidad de A debe ser igual o superior a la de B.
No debe incluir ms de 100 g de A
Si 100g de A contiene 30 mg de vitaminas y 450 caloras y 100 g de B contienen 20 mg de vitaminas y 150 caloras
a) Cuntos gramos de cada producto debe mezclar para obtener el preparado ms rico en vitaminas?
b) Y el ms pobre en caloras?
29. Dos mataderos, P y Q, se encargan de suministrar la carne consumida semanalmente en tres ciudades, R, S y T: 20, 22 y 14 toneladas, respectivamente. El matadero P produce cada semana 26 toneladas de carne, y el Q, 30. Sabiendo que
los costes de transporte, por tonelada de carne, desde cada matadero de a cada
ciudad, son los reflejados en la siguiente tabla:
P
Q
R
1
2
S
3
1
T
1
1
Determinar cul es la distribucin de transporte que supone un coste mnimo.

30. Optimizar la funcin z = 3x 2y sujeta a las restricciones:
x1
y2
Ing. Klber Vera T.
3y 24 2x
y + 2x 12
26
PUCESE

31. Hallar los valores mximo y mnimo de la funcin z = x + 2y 2, sometida a las

restricciones:
x+y20
xy+20
x3
y1
y3
32. Se considera la funcin z = 2350x 2690y. Determinar el punto en el que la funcin toma valor mximo con las siguientes restricciones:
x + y 100
x 3y
x0
y0
33. Un fabricante produce sillas y mesas. Tiene la produccin montada en dos secciones, la de montaje y la de pintura. Fabricar una mesa requiere 3 horas de montaje
y 1 hora de pintura, una silla requiere 1 hora de montaje y 2 horas de pintura. La
seccin de montaje slo puede funcionar 9 horas al da como mximo, mientras
que la de pintura puede funcionar 8 horas a lo sumo. El beneficio que se obtiene
en cada mesa es de 500 ptas. y en cada silla de 250 ptas. Cul sera la produccin de sillas y mesas que permitira maximizar el beneficio?
34. Un camin puede transportar como mximo 9 Tm por viaje. En cierto viaje desea
transportar al menos 4 Tm de la mercanca A, y un peso de la mercanca B que no
sea inferior a la mitad del peso que transporta de A. Sabiendo que se cobran 3
ptas. por Kg. de A y 2 ptas. por Kg. de B cmo se debe cargar el camin para obtener la ganancia mxima?
35. En una urbanizacin se van a construir casas de dos tipos: A y B. La empresa
constructora dispone para ello de un mximo de 1800 millones de ptas., siendo el
coste de cada tipo de casa de 30 y 20 millones respectivamente. El Ayuntamiento
exige que el nmero total de casas no sea superior a 80. Sabiendo que el beneficio
obtenido por la venta de una casa de tipo A es de 4 millones y de 3 millones por
una de tipo B cuntas casas deben construirse de cada tipo para obtener el mximo beneficio?
36. Resolver grficamente el siguiente problema de programacin lineal:
Maximizar z= 0.75x + y
Sujeto a:
x + 3y 15
5x + y 20
3x + 4y 24
x0
y0
Es nica la solucin?
37. En una granja de pollos se da una dieta para engordar con una composicin mnima de 15 unidades de una sustancia A y otras 15 de una sustancia B. En el mercado slo se encuentran dos clases de compuestos: el tipo X con una composicin
de una unidad de A y cinco de B, y el tipo Y, con una composicin de cinco unidades de A y una de B. El precio del tipo X es de 1000 pesetas y el del tipo Y es de
3000 pesetas. Qu cantidades se han de comprar de cada tipo para cubrir las
necesidades con un coste mnimo?
Ing. Klber Vera T.
27
PUCESE

38. Minimizar y maximizar la funcin 5x + 4y en el recinto
12x + 5y 120
6x + 8y 180
5x + 10y 100
x0
y0
x0
y0
39. Maximizar z = 3x + 2y sujeta a:
-7x + 5y 10
-7x + 3y -15
2x 3y -10
40. Representar el conjunto de puntos que satisfacen simultneamente las ecuaciones:
x2
x -2
y1
41. Maximizar la funcin z= 6x 2y en el primer cuadrante con las restricciones:
y + 2x =1
2y 1 + x
Analizando la posibilidad de resolucin del problema.

42. Un orfebre fabrica dos tipos de joyas. Las del tipo A precisan 1g de oro y 1,5g de
plata, vendindolas a 4000 ptas. cada una. Para la fabricacin de las del tipo B
emplea 1,5g de oro y 1g de plata, y las vende a 5000 ptas. El orfebre tiene slo en
el taller 750g de cada uno de los metales. Calcular cuntas joyas ha de fabricar de
cada clase para obtener un beneficio mximo.
43. Los 400 alumnos de un colegio van a ir de excursin. Para ello se contrata el viaje
a una empresa que dispone de 8 autobuses con 40 plazas y 10 con 50 plazas, pero slo de 9 conductores para ese da. Dada la diferente capacidad y calidad, el alquiler de cada autobs de los grandes cuesta 8000 ptas. y el de cada uno de los
pequeos, 6000 ptas. Cuntos autobuses de cada clase convendr alquilar para
que el viaje resulte lo ms econmico posible?
44. Un quiosco vende bolgrafos a 20 ptas. y cuadernos a 30 ptas. y pretendemos
comprar los mismos cuadernos que bolgrafos por lo menos. Cul ser el nmero
mximo de piezas que podemos comprar?
45. Cierto fabricante produce dos artculos A y B, para los que requiere la utilizacin de
dos secciones de produccin: seccin de montaje y seccin de pintura. La fabricacin del artculo A requiere una hora de trabajo en la seccin de montaje y dos horas en la de pintura, y la del artculo B tres horas en la seccin de montaje y una
hora en la de pintura. La seccin de montaje slo puede estar en funcionamiento
nueve horas diarias, mientras que la de pintura slo ocho horas cada da. El beneficio que se obtiene produciendo el artculo B es doble que produciendo el artculo
A. Calcular la produccin diaria de los artculos A y B que maximiza los beneficios.
46. Se desea obtener tres elementos qumicos a partir de las sustancias A y B. Un kilo
de A contiene 8 gramos del primer elemento, 1 gramo del segundo y 2 del tercero;
Ing. Klber Vera T.
28
PUCESE

un kilo de B tiene 4 gramos del primer elemento, 1 gramo del segundo y 2 del tercero. Si se desea obtener al menos 16 gramos del primer elemento y las cantidades del segundo y del tercero han de ser como mucho 5 y 20 gramos respectivamente y la cantidad de A es como mucho el doble que la de B, calcule los kilos de
A y los de B que han de tomarse para que el coste sea mnimo si un kilo de A vale
200 ptas. y uno de B 1000 ptas. Puede eliminarse alguna restriccin?
47. Un fabricante de aviones produce en dos fbricas tres tipos de aparatos: el A, el B
y el C. Se ha comprometido a entregar semanalmente a un emirato rabe 12 aviones del tipo A, 8 del tipo B y 24 del tipo C. Al fabricante le cuesta 2 millones de pesetas diarias el funcionamiento de la primera fbrica y 16 millones el de la segunda. La primera fbrica produce, en un da, 6 aviones tipo A, 2 tipo B y 4 tipo C
mientras que la segunda produce, respectivamente, 2, 2 y 12. Cuntos das por
semana debe trabajar cada fbrica para, cumpliendo el contrato con el emir, conseguir reducir al mximo los costos de funcionamiento de las fbricas?
48. Considerar la funcin z = 1.5x + y en el conjunto:
x0
y0
3x + 2y- 2 0
3x + 4y 12 0
Comprobar que esta funcin alcanza su valor mnimo en ms de un punto.

49. Maximizar z = x + y sujeta a:
x + 3y 26
4x + 3y 44
2x + 3y 28
x0
y0
50. La casa X fabrica helados A y B, hasta un mximo diario de 1000 kg. La fabricacin de un Kg. de A cuesta 180 ptas. , y uno de B, 150. Calcule cuntos Kg. de A y
B deben fabricarse, sabiendo que la casa dispone de 270000 Ptas./da y que un
Kg. de A deja un margen igual al 90% del que deja uno de B.
51. En la regin determinada por:
x + 2y 3
xy1
x -1
y -1
Hallar el mximo y el mnimo de la funcin z = x + y.

52. Una compaa area tiene dos aviones A y B para cubrir un determinado trayecto.
El avin A debe hacer ms veces el trayecto que el avin B pero no puede sobrepasar 120 viajes. Entre los dos aviones deben hacer ms de 60 vuelos pero no
menos de 200. En cada vuelo A consume 900 litros de combustible y B 700 litros.
En cada viaje del avin A la empresa gana 300000 ptas. y 200000 por cada viaje
del B. Cuntos viajes debe hacer cada avin para obtener el mximo de ganancias? Cuntos vuelos debe hacer cada avin para que el consumo de combustible sea mnimo?
53. Pablo dispone de 12000 ptas. para gastar en libros y discos. A la tienda donde
acude, el precio de los libros es de 400 Ptas. y el de discos es de 1200 ptas. Suponiendo que desea comprar como mucho doble nmero de libros que de discos,
se pide:
Ing. Klber Vera T.
29
PUCESE

a) Formular el problema y representarlo grficamente.

b) Contestar razonadamente si puede comprar 12 libros y 6 discos. En caso
afirmativo, indicar si gasta todo su presupuesto.
c) Puede adquirir 15 libros y 5 discos?, cunto dinero le sobra? Razonar la
respuesta.
54. En un problema de programacin lineal se desea minimizar la funcin lineal
3x + 4y + 2(10 x) + 3(18 y) con las siguientes restricciones:
x0
y0
10- x 0
18 y 0
x + y 13
(10-x) + (18-y) 15
Se pide:
a) Representacin grfica del conjunto factible
b) Hallar las coordenadas de todos sus vrtices.
c) Hallar todas las soluciones ptimas.
55. En una pequea empresa se fabrican diariamente slo dos tipos de aparatos, A y
B. Como mximo pueden fabricarse 3 aparatos de cada tipo y, obligatoriamente, al
menos 1 artculo del tipo B. Indicar todas las posibilidades de fabricacin si se
quieren obtener unas ventas superiores a 6000 ptas., teniendo en cuenta que los
precios de los artculos A y B son de 3000 y 1000 ptas., respectivamente.
56. Represente la regin del plano delimitada por:
x + 2y 6
3x + 2y 12
x0
y0
Es posible maximizar y minimizar la funcin z = 4x + 3y en ella? Razone la respuesta y, en caso afirmativo, indique en qu puntos se consigue el mximo.
57. Se dispone de 600 g de un determinado frmaco para elaborar pastillas grandes y
pequeas. Las grandes pesan 40 g y las pequeas 30 g. Se necesitan al menos
tres pastillas grandes y al menos el doble de pequeas que de grandes. Cada pastilla grande proporciona un beneficio de 20 ptas. y la pequea de 10 ptas. Cuntas pastillas se han de elaborar de cada clase para que el beneficio sea mximo?
58. Maximizar y minimizar la funcin z = x y/3 sujeta a las siguientes restricciones:
2x y -3
y + 3x 3
y3
59. Se considera la funcin z = 12x + 8y. Determinar el punto donde la funcin toma su
valor mnimo con las siguientes restricciones:
20x + 25y 100
35x +10y 70
60. En unos grandes almacenes necesitan entre 6 y 15 vigilantes cuando estn abiertos al pblico y entre 4 y 7 vigilantes nocturnos. Por razones de seguridad, debe
haber ms vigilantes cuando estn abiertos. Si el salario nocturno es un 60% ms
Ing. Klber Vera T.
30
PUCESE

alto que el diurno, cmo debe organizarse el servicio para que resulte lo ms
econmico posible?
61. La Compaa Hierros del Norte debe decidir cuntas toneladas de acero puro X y
cuntas de chatarra Y se deben utilizar en la preparacin de una aleacin para un
cliente. El costo por tonelada de acero puro es de 3 y el de chatarra 6 (por las impurezas); la demanda del cliente es de por lo menos 5, y l aceptara ms si as se
requiere. La disponibilidad de X es 4 toneladas y 7 la de Y. La relacin entre chatarra y acero puro no puede exceder 7/8. La fbrica tiene 18 horas disponibles para
derretir y fundir; una tonelada de acero puro requiere 3 horas mientras que la de
chatarra slo 2 horas.
a) Escribir el problema de programacin lineal
b) Resolverlo grficamente.
62. Desde dos almacenes A y B, se tiene que distribuir fruta a tres mercados de la ciudad. El almacn A dispone de 10 toneladas de fruta diarias y el B de 15 toneladas,
que se reparten en su totalidad. Los dos primeros mercados necesitan, diariamente, 8 toneladas de fruta, mientras que el tercero necesita 9 toneladas diarias. El
coste del transporte desde cada almacn a cada mercado viene dado por el siguiente cuadro:
Almacn
A
B
Mercado 1
10
15
Mercado 2
15
10
Mercado 3
20
10
Planificar el transporte para que el coste sea mnimo.

63. Para el tratamiento de cierta enfermedad, hay que administrar tres vitaminas: X,Y,
Z. Cada semana es preciso consumir, al menos, 437 mg de la vitamina X, 270 mg
de la Y y 199 mg de la Z. Estas vitaminas se presentan en dos preparados: el A,
con comprimidos de 80 mg que cuestan 25 ptas. y cuya composicin es de un 20%
de X, 40% de Y y 40% de Z; y el preparado B, cuyos comprimidos pesan 90mg,
cuestan 30 pesetas y tienen una composicin de 30% de X, 60% de Y y 10% de Z.
Qu nmero de comprimidos de cada preparado harn ms econmico el tratamiento? Se puede prescindir de alguna restriccin en este problema? Por qu?
64. Dibujar el polgono de vrtices (10,0), (11,0) y (6,6), y averiguar en qu punto (x, y)
de la regin limitada por ese polgono, alcanza el mximo la funcin z = 7x + 4y.
65. Unos grandes almacenes desean liquidar 200 camisas y 100 pantalones de la
temporada anterior. Para ello, lanzan dos ofertas, A y B: La oferta A consiste en un
lote de una camisa y un pantaln, que se vende a 3000 ptas.; la oferta B consiste
en un lote de tres camisas y un pantaln, que se vende a 5000 ptas. No se desea
ofrecer menos de 20 lotes de la oferta A ni menos de 10 de B. Cuntos lotes ha
de vender de cada tipo para maximizar la ganancia?
66. Un veterinario ha recomendado que durante un mes, un animal enfermo tome diariamente para su recuperacin, al menos, 4 unidades de hidratos de carbono, 23
de protenas y 6 de grasa. En el mercado se encuentran dos marcas de pienso A y
B con la siguiente composicin:
Marca
A
Hidratos
4
Protenas
6
Ing. Klber Vera T.
Grasa
1
Precio
100 ptas.
31
PUCESE

10
160 ptas.
Cmo deben combinarse ambas marcas para obtener la dieta deseada al mnimo
precio?
67. Optimizar la funcin z = 3x 2y sujeta a las restricciones:
x1
y2
3y 24 2x
y+2x 12
68. Minimizar la funcin z = 4x + 12y sujeta a las restricciones:
y0
3y 2x 5
y+x5
3y + x 2
69. Con el comienzo del curso se van a lanzar unas ofertas de material escolar. Unos
almacenes quieren ofrecer 600 cuadernos, 500 carpetas y 400 bolgrafos para la
oferta, empaquetndolo de dos formas distintas; en el primer bloque, pondrn 2
cuadernos, 1 carpeta y 2 bolgrafos; en el segundo, pondrn 3 cuadernos, 1 carpeta y 1 bolgrafo. Los precios de cada paquete sern 650 y 700 ptas., respectivamente. Cuntos paquetes les conviene poner de cada tipo para obtener los mximos beneficios?
a) Escribir el problema de Programacin Lineal
b) Resolver grficamente
70. Mara distribuye su tiempo de ocio entre discoteca y cine. Cada vez que va a la
discoteca gasta por trmino medio 600 ptas., mientras que si va al cine su gasto es
de 400 ptas. En cierto mes su presupuesto para ocio asciende a 12000 ptas. y
desea ir a la discoteca al menos tantas veces como al cine.
a) Cuntas veces puede ir a cada sitio? Plantear el problema algebraicamente y dar su representacin grfica.
b) Puede ir 10 veces a cada uno de los sitios? Gasta todo su presupuesto?
c) Si decide ir a la discoteca solamente, cuntas veces podr hacerlo como
mximo?
d) Si Mara quiere maximizar el nmero total de veces que puede acudir a divertirse, determinar grficamente cuntas veces ir a la discoteca y cuntas
al cine.
71. En un pas hay dos fuentes de carbn, A y B, y tres centros de consumo, X, Y y Z.
Las fuentes producen 26 y 30 toneladas, respectivamente. Las necesidades de
carbn de los tres centros, son: 20,22 y 14 toneladas, respectivamente. Si los costes de transporte por tonelada de las minas a las ciudades son, en miles de pesetas, las que se indican en el siguiente cuadro, proponer el transporte para que el
coste sea mnimo.
A
B
X
1
2
Y
3
1
Z
1
1
72. Una empresa elabora dos productos, cada uno de ellos en una cantidad que es
mltiplo de 1000. Conoce que la demanda, de ambos productos conjuntamente es
mayor que 3000 unidades y menor que 6000 unidades. Asimismo, sabe que la
Ing. Klber Vera T.
32
PUCESE

cantidad que se demanda de un producto es mayor que la mitad y menor que el

doble de la del otro. Si la empresa desea vender toda la produccin:
a) De cuntos modos puede organizar la produccin?

b) Para obtener los mximos beneficios, cunto ha de ser la produccin de
cada uno de ellos si uno lo vende a un precio que es el triple que el del
otro?
73. En un almacn hay 100 cajas de tipo A y 100 cajas de tipo B. La siguiente tabla
nos informa del peso, del volumen y del valor de cada una:
Tipo
A
B
Peso (en Kg.)

100
200
Volumen(en dm3)
30
40
Valor
75000
125000
Una camioneta puede cargar 10000 Kg. y un volumen mximo de 2400 dm3. Averiguar cmo han de cargarla para que el valor de las cajas que lleve sea lo ms alto posible.
74. Un ganadero debe suministrar un mnimo de 4 mg de vitamina A y 6 de vitamina B
por cada kilogramo de pienso que da a sus reses. Dispone, para ello, de dos tipos
de pienso, F y G, cuyos contenidos vitamnicos por kilo son los siguientes:
F
G
A
2
4
B
6
3
El kilo de pienso F vale 40 ptas. y el de G, 60 ptas. Cmo debe mezclar los piensos para suministrar la vitaminas requeridas a un coste mnimo?
75. Sea el recinto poligonal convexo definido por el sistema de inecuaciones:
x 4y -4
x + 2y 4 0
x0
y0
Se pide:
a) Dibujarlo y hallar sus vrtices.
b) Razonar si es posible maximizar en l la funcin z = x + 2y.
c) En caso afirmativo, calcular el valor ptimo correspondiente y puntos donde
se alcanza.
76. Dado el siguiente sistema de desigualdades lineales:
x + 4y 16
x + 2y 10
2x + y 14
x0
y0
a) Representarlo grficamente.
b) Maximizar z = 3x + 5y sujeta a las restricciones anteriores.
c) Discutir razonadamente si el resultado obtenido en el apartado b) seguira
siendo el mismo al aadir la condicin x 5.
Ing. Klber Vera T.
33
PUCESE

2.3. PROGRAMACIN LINEAL: SOLUCIN ALGEBRAICA

Una solucin grfica de los modelos de programacin lineal (PL) con ms de dos variables es complicada en el mejor de los casos. Por lo tanto, es evidente la necesidad
de contar con un mtodo de solucin algebraico. En este captulo se presenta el mtodo general conocido como algoritmo simplex, que est diseado para resolver cualquier programa lineal.
La informacin que se puede obtener a travs del mtodo simplex va ms all de determinar los valores ptimos de las variables. En realidad, permite hacer interpretaciones rpidas e importantes del problema y muestra la forma en que los anlisis de sensibilidad pueden efectuarse en forma algebraica.
El mtodo simplex resuelve programas lineales en iteraciones, en donde se repiten los
mismos pasos de clculo un nmero de veces antes de que se llegue al ptimo. Por lo
tanto, la naturaleza de los clculos requiere el uso de la computadora digital como herramienta esencial para resolver programas lineales.
El mtodo simplex es un ejemplo perfecto del proceso iterativo caracterstico de los
clculos que se hacen en la mayora de los modelos de optimizacin.
2.3.1. Forma estndar del modelo de Programacin Lineal
Hemos visto anteriormente que un modelo de PL puede incluir restricciones de los
tipos , = y . Adems, las variables pueden ser no negativas o irrestrictas (no restringidas) en signo. Para desarrollar un mtodo de solucin general, el problema de programacin lineal debe ponerse en un formato comn, al que llamamos la forma estndar. Las propiedades de la forma de PL estndar son:
1. Todas las restricciones son ecuaciones con segundo miembro no negativo.
2. Todas las variables son no negativas.
3. La funcin objetivo puede ser la maximizacin o la minimizacin.
Ahora demostremos cmo se puede poner cualquier modelo de PL en el formato estndar.
Restricciones
1. Una restriccin del tipo o puede convertirse en una ecuacin mediante la suma
de una variable de holgura a (o restando una variable de exceso de) el primer
miembro de la restriccin.
Por ejemplo, en la restriccin
sumamos una holgura s1 0 al primer miembro para obtener la ecuacin
Ing. Klber Vera T.
34
PUCESE

Si la restriccin representa el lmite impuesto sobre el uso del recurso, s1 representar la holgura o cantidad no usada del recurso.
Despus, considrese la restriccin
Como el primer miembro no es menor que el segundo, restamos una variable de

exceso s2 0 del primer miembro para obtener la ecuacin
2. El segundo miembro de una ecuacin puede hacerse siempre no negativo multiplicando ambos lados por -1.
Por ejemplo, 2x1 + 3x2 - 7x3 = -5 es matemticamente equivalente a -2x1 - 3x2 + 7x3
= + 5.
3. La direccin de una desigualdad se invierte cuando ambos miembros se multiplican por -1.
Por ejemplo, dado que 2 < 4, -2 > -4; luego entonces la desigualdad 2x1 - x2 -5 se
puede reemplazar por -2x1 + x2 5
Funcin objetivo
Aunque el modelo estndar de programacin lineal puede ser del tipo de maximizacin
o de minimizacin, algunas veces sirve para convertir una forma a la otra.
La maximizacin de una funcin equivale a la minimizacin del negativo de la misma
funcin y viceversa. Por ejemplo,
maximizar z = 5x1 + 2x2 + 3x3
es matemticamente equivalente a
minimizar (-z) = -5x1 - 2x2 - 3x3
Equivalencia significa que para el mismo conjunto de restricciones los valores ptimos
de x1, x2 y x3 son los mismos en ambos casos. La nica diferencia es que los valores
de las funciones objetivo, pese a ser numricamente iguales, figurarn con signos
opuestos.
2.3.2. El mtodo Simplex
En la solucin grfica observamos que la solucin ptima est asociada siempre con
un punto extremo del espacio de soluciones. El mtodo simplex est basado fundamentalmente en este concepto.
Careciendo de la ventaja visual asociada con la representacin grfica del espacio de
soluciones, el mtodo simplex emplea un proceso iterativo que principia en un punto
extremo factible, normalmente el origen, y se desplaza sistemticamente de un punto
extremo factible a otro, hasta que se llega por ltimo al punto ptimo.
Ing. Klber Vera T.
35
PUCESE

La idea general del mtodo se ilustrar en trminos del modelo de Reddy Mikks, cuyo
espacio de soluciones est representado en la figura 2.2. El algoritmo simplex da inicio
en el origen (punto A de la figura 2.2), que suele denominarse solucin inicial. Despus se desplaza a un punto extremo adyacente, que pudiera ser B o F. La eleccin
especfica de uno u otro punto depende de los coeficientes de la funcin objetivo. Como xE tiene un coeficiente mayor que xI y puesto que realizamos un proceso de maximizacin, la solucin se desplazar en la direccin en la cual crezca xE hasta que se
llegue al punto extremo B. En B, el proceso se repite para ver si hay otro punto extremo que pueda mejorar el valor de la funcin objetivo. Una vez ms, mediante el uso de
la informacin de la funcin objetivo podemos decidir si existe o no este punto. Finalmente, la solucin se detendr en C, el punto extremo ptimo.
Figura 2.2 Espacio de soluciones del modelo de Reddy Mikks
Existen dos reglas que rigen la seleccin del siguiente punto extremo del mtodo
simplex:
1. El siguiente punto extremo debe ser adyacente al actual. Por ejemplo, en la figura
2.2 la solucin no se puede desplazar de A a C en forma directa. En cambio, debe
seguir los flancos (bordes) del espacio de soluciones: A B y despus B C.
2. La solucin no puede regresar nunca a un punto extremo considerado con anterioridad. Por ejemplo, en la figura 2.2 la solucin no puede "regresar" de B a A.
Para resumir las ideas del mtodo simplex, notamos que el mtodo principia siempre
en un punto extremo factible y se desplaza siempre a un punto extremo factible adyacente, verificando la optimidad de cada punto antes de pasar a uno nuevo. En el modelo de Reddy Mikks donde el mtodo empieza en A, pasa por B y ubica el ptimo en
C, decimos que se requirieron tres iteraciones (A, B y C) para llegar al ptimo.
El espacio de soluciones de un programa lineal est representado en el mtodo simplex por la forma estndar del modelo. Por lo tanto, en el modelo de Reddy Mikks, el
espacio de soluciones est representado por
maximizar z = 3xE + 2xI + 0s1 + 0s2 + 0s3
Ing. Klber Vera T.
36
PUCESE

sujeto a
El modelo consta de cuatro ecuaciones y seis incgnitas que definen completamente

todos los puntos del espacio de soluciones. En general, el modelo estndar incluir m
ecuaciones y n incgnitas (m < n).
Para determinar los puntos extremos directamente a partir de la forma estndar, observamos que un punto extremo se identifica nicamente en forma geomtrica como
una interseccin de los planos frontera del espacio de soluciones. Como la forma estndar tiene ms incgnitas (= n) que ecuaciones (= m), los puntos extremos se identifican haciendo (n - m) variables igual a cero y despus resolviendo para determinar las
m incgnitas restantes. Un requisito obligatorio para la seleccin de (n - m) variables
que se harn igual a cero es que las m variables restantes tengan una solucin no
negativa nica (de lo contrario, no representaran un punto extremo).
Para ilustrar esta idea, en la figura 2.2 que representa el espacio de soluciones de
Reddy Mikks, el punto extremo A tiene xE = xI = 0, que produce s1 = 6, s2= 8, s3= 1 y
s4= 2 como el punto deseado. En forma anloga, en el punto extremo B, s2 = 0 y xI = 0,
lo que produce xE = 4, s1 = 2, s3 = 5 y s4 = 2.
En trminos algebraicos, las soluciones nicas que resultan de hacer (n - m) variables
igual a cero se denominan soluciones bsicas. Si una solucin bsica satisface las
restricciones de no negatividad, se le conoce como solucin bsica factible. Las variables que se hacen igual a cero se llaman variables no bsicas; las restantes se
conocen como variables bsicas.
Los mtodos simplex slo tienen que ver con soluciones bsicas (factibles) en el sentido de que pasan de una solucin bsica a otra exactamente como se muestra en la
figura 2.2. Cada solucin bsica est asociada con una iteracin. Como resultado, el
nmero mximo de iteraciones del mtodo simplex no puede ser mayor que el nmero
de soluciones bsicas de la forma estndar.
Antes de presentar los detalles del algoritmo simplex, necesitamos demostrar cmo
podemos pasar de una solucin bsica a otra (es decir, de un punto extremo a otro).
Utilizamos el ejemplo de Reddy Mikks para explicarlo. En la figura 2.2 apreciamos que
los puntos extremos A y B son adyacentes. La tabla que sigue muestra una lista de las
variables no bsicas y bsicas asociadas con los dos puntos.
Ing. Klber Vera T.
37
PUCESE

La tabla muestra que el punto B (adyacente) puede generarse a partir del punto A intercambiando exactamente dos variables. En forma especfica, xE no bsica toma el
lugar de s2 bsica en A, con lo cual se produce el punto B adyacente en el cual xE es
bsica y s2 es no bsica.
El cambio de bsico a no bsico da origen a dos nombres sugerentes: la variable que
entra es una variable no bsica actual que "entrar" en el conjunto de variables bsicas en la siguiente iteracin (punto extremo adyacente). La variable que sale es una
variable bsica actual que "saldr" de la solucin bsica en la iteracin siguiente. Por
lo tanto, al pasar de A a B, las variables que entran y salen son xE y s2 respectivamente.
2.3.2.1. Detalles de clculo del Algoritmo Simplex
Los pasos del algoritmo simplex son los siguientes:
Paso 0:
mediante el uso de la forma estndar, determnese una solucin factible

bsica inicial inicializando n - m variables adecuadas (no bsicas) al nivel cero.
Paso 1:
seleccinese una variable que entra de entre las variables no bsicas

actuales (cero) que, cuando se incrementan arriba de cero, pueden mejorar el valor de la funcin objetivo. Si no existe ninguna, detngase; la
solucin bsica corriente es ptima. En caso contrario, dirjase al paso
2.
Paso 2:
seleccinese una variable que sale de entre las variables bsicas actuales que deben hacerse igual a cero (volverse no bsicas) cuando la
variable que entra se vuelva bsica.
Paso 3:
determnese la nueva solucin bsica haciendo que la variable que entra sea bsica y que la variable que sale sea no bsica. Dirjase al paso
1.
Los detalles del algoritmo simplex se explicarn mediante el uso del ejemplo de Reddy
Mikks. Esto requerir que la funcin objetivo y todas las restricciones se expresen en
la forma estndar como
Como se mencion, la solucin inicial se determina a partir de las restricciones haciendo dos variables (= 6 - 4) igual a cero, siempre que la solucin resultante sea nica y factible. Es evidente que al hacer xE = xI = 0, obtenemos de inmediato s1= 6, s2= 8,
s3 = 1 y s4= 2 (punto A en la figura 2.2).Por lo tanto, podemos utilizar este punto como
solucin factible inicial. El valor de z correspondiente es cero, ya que xE y xI son cero.
Ing. Klber Vera T.
38
PUCESE

Como resultado, al cambiar la funcin objetivo de modo que su segundo miembro sea
igual a cero, podemos apreciar que los segundos miembros de la funcin objetivo y de
las restricciones producirn automticamente la solucin inicial completa. Este es
siempre el caso cuando la solucin inicial consta exclusivamente de variables de holgura.
Podemos resumir la informacin anterior en una tabla adecuada como sigue:
La informacin contenida en la tabla se lee como sigue. La columna "bsica', identifica

las variables bsicas actuales s1, s2, s3 y s4, cuyos valores estn dados en la columna
de "solucin". Esto supone en forma implcita que las variables no bsicas xE y xI (que
no estn presentes en la columna "bsica") estn en el nivel cero. El valor de la funcin objetivo es z = 3 * 0 + 2 * 0 + 0 * 6 + 0 * 8 + 0 * 1 + 0 * 2 = 0, como se muestra en
la columna de soluciones.
Cmo sabemos si la solucin actual es la mejor (ptima)? Mediante el anlisis de la
funcin z, observamos que las variables cero actuales, xE y xI, tienen coeficientes negativos, lo que equivale a tener coeficientes positivos en la funcin objetivo original.
Como estamos efectuando un procedimiento de maximizacin, el valor de z puede
mejorarse incrementando xE o xI arriba del nivel cero. Sin embargo, siempre seleccionamos la variable con el coeficiente objetivo ms negativo porque la experiencia en las
operaciones de clculo ha demostrado que esta seleccin tiene mayor probabilidad de
conducimos a la solucin ptima con rapidez.
Esta observacin es la base de lo que llamamos la condicin de optimidad del mtodo simplex. Esta indica que, en el caso de la maximizacin, si todas las variables no
bsicas tienen coeficientes no negativos en la funcin z de la tabla actual, la solucin
actual es ptima. De lo contrario, la variable no bsica con el coeficiente ms negativo
se selecciona como la variable que entra.
Al aplicar la condicin de optimidad a la tabla inicial, seleccionamos xE como la variable que entra. En este punto, la variable que sale debe ser una de las variables bsicas actuales s1, s2, s3 y s4. Esto se logra mediante el uso de la condicin de factibilidad que selecciona la variable que sale como una variable bsica actual cuyo valor
llegar al nivel cero cuando la variable que entra xE llegue a su valor mximo en el
punto extremo adyacente. Desde luego, necesitamos hacer esto sin el uso de la solucin grfica. Sin embargo, la solucin grfica puede ayudamos a desarrollar la condicin de factibilidad en forma algebraica.
Considrese el espacio de soluciones del modelo de Reddy Mikks de la figura 2.3. El
valor factible mximo de xE es igual a la interseccin positiva ms pequea (o menor)
de las restricciones con el eje xE. Algebraicamente, cada una de estas intersecciones
es igual a la razn del segundo miembro de la ecuacin de restricciones al coeficiente
positivo asociado de la variable que entra xE. Si el coeficiente de xE es negativo o cero,
la restriccin asociada no interseca a xE en el sentido positivo. Esto se hace evidente
Ing. Klber Vera T.
39
PUCESE

en la figura 2.3, donde la restriccin (3) con el coeficiente xE negativo (= -1) interseca
al eje xE en el sentido negativo y la restriccin (4) con el coeficiente xE cero es paralelo
al eje xE. Por otra parte, las intersecciones de las restricciones (1) y (2) estn dadas
por xE = 6 / 1 y xE = 8 / 2 = 4. Por lo tanto, xE llega a su valor mximo de 4 en B, en
cuyo punto s2 ser la variable que sale.
Las razones (intersecciones) que acabamos de definir y la variable que sale se pueden
determinar directamente a partir de la tabla simplex. Primero, identifquese la columna
debajo de la variable que entra xE y atravisense todos sus elementos negativos y
cero en las restricciones. Despus excluyendo la funcin objetivo, determnense las
razones de los elementos del segundo miembro de las ecuaciones a los elementos no
atravesados situados debajo de la variable que entra. La variable que sale es la variable bsica actual asociada con la razn mnima.
Figura 2.3 Espacio de soluciones del modelo de Reddy Mikks con restricciones
La tabla inicial del modelo de Reddy Mikks se repite despus de aplicar la condicin de
factibilidad (es decir, calcular las razones e identificar la variable que sale). Para los
fines de la determinacin de la siguiente iteracin, identificamos la columna situada
debajo de la variable que entra como la columna de entrada. El rengln asociado con
la variable que sale se denominar la ecuacin pivote y el elemento en la interseccin de la columna de entrada y la ecuacin pivote se denominar elemento pivote.
Ing. Klber Vera T.
40
PUCESE

Despus de determinar las variables de entrada y de salida (mediante la aplicacin de

las condiciones de optimidad y factibilidad), la siguiente iteracin (nueva solucin bsica) se determina al aplicar el mtodo de Gauss-Jordan. El mtodo efecta un cambio
de base mediante el uso de dos nuevos tipos de operaciones de clculo:
1. Tipo 1 (ecuacin pivote):
nueva ecuacin pivote = ecuacin pivote anterior elemento pivote
2. Tipo 2 (todas las otras ecuaciones, entre ellas z):
nueva ecuacin = ecuacin anterior (su coeficiente de la columna de entrada ) * (nueva ecuacin pivote)
Los clculos de tipo 1 hacen el elemento pivote igual a 1 en la nueva ecuacin pivote,
en tanto que los clculos del tipo 2 crean coeficientes cero en cualquier otra parte de la
columna de entrada. Esto equivale esencialmente a resolver, para obtener la nueva
solucin bsica, mediante la sustitucin de la variable que entra en todas menos la
ecuacin pivote.
Al aplicar el tipo 1 a la tabla inicial, dividimos la ecuacin s2 entre el elemento pivote 2.
Como xE toma el lugar de s2 en la columna bsica, el tipo 1 nos conducir a los cambios siguientes en la tabla inicial:
Ntese que la columna "solucin" da el nuevo valor de xE (= 4), que es igual a la razn
mnima de la condicin de factibilidad.
Ing. Klber Vera T.
41
PUCESE

Para completar la tabla, realizamos los siguientes clculos de tipo 2.

a) Ecuacin z:
ecuacin z anterior: ( 1 -3
-(-3) * nueva ecuacin pivote: ( 0 3
= nueva ecuacin z: ( 1 0
-2
3/2
-1/2
0
0
0
0
3/2
3/2
0
0
0
0
0
0
0)
12)
12)
2
-1/2
3/2
1
0
1
0
-1/2
-1/2
0
0
0
0
0
0
6)
-4)
2)
1
1/2
3/2
0
0
0
0
1/2
1/2
1
0
1
0
0
0
1)
4)
5)
b) Ecuacin sI:
ecuacin sI anterior:( 0 1
-(1) * nueva ecuacin pivote: ( 0 -1
= nueva ecuacin sI: ( 0 0
c) Ecuacin s3:
ecuacin s3 anterior:( 0 -1
-(-1) * nueva ecuacin pivote:( 0 1
= nueva ecuacin s3:( 0 0
d) Ecuacin s4: La nueva ecuacin s4 es la misma que la ecuacin s4 anterior

porque su coeficiente de la columna de entrada es cero.
Por lo tanto, la nueva tabla completa se ve como sigue:
La nueva solucin resulta ser xE = 4 y xI = 0 (punto B en la figura 2.3). El valor de z ha

aumentado de 0 a 12. El incremento sigue porque cada incremento unitario en xE aumenta 3 al valor de z; por lo tanto, el incremento total en z es 3 * 4 = 12
Ntese que la nueva tabla tiene las mismas propiedades que la anterior; es decir,
cuando se igualan a cero las variables no bsicas xI y s2 los valores de las variables
bsicas se dan de inmediato en la columna de soluciones. Esto es precisamente lo
que hace el mtodo Gauss-Jordan.
Examinando la ltima tabla, la condicin de optimidad selecciona xI como la variable
que entra debido a que su coeficiente en z es -1/2. Por lo tanto, la condicin de factibilidad demuestra que s1 es la variable que sale. Las razones que se presentan en la
Ing. Klber Vera T.
42
PUCESE

ltima tabla indican que xI introduce como solucin bsica el valor 4/3 (= razn mnima), con lo que se mejora el valor de la funcin objetivo en (4/3) * (1/2) = 2/3.
Las siguientes operaciones de Gauss-Jordan producirn la nueva tabla:
(i) Nueva ecuacin pivote (s1) = ecuacin s1 anterior (3/2).
(ii) Nueva ecuacin z = ecuacin z anterior - (-1/2) * nueva ecuacin pivote
(iii) Nueva ecuacin xE = ecuacin xE anterior - (1/2) * nueva ecuacin pivote.
(iv) Nueva ecuacin s3 = ecuacin s3 anterior - (3/2) * nueva ecuacin pivote.
(v) Nueva ecuacin s4 = ecuacin s4 anterior - (1) * nueva ecuacin pivote.
Estos clculos nos llevan a la tabla siguiente.
La solucin da como resultado xE = 3 1/3 y xI = 1 1/3 (punto C en la figura 2.3). El valor

de z ha aumentado de 12 en la tabla anterior a 12 2/3. El incremento (12 2/3 - 12) =
2/3 es el resultado de que xI aumente de 0 a 4/3, donde cada incremento de una unidad contribuye en un 1/2 a la funcin objetivo. Por lo tanto, el incremento total en z es
igual a (4/3) x (1/2) = 2/3.
La ltima tabla es ptima porque ninguna de las variables no bsicas tiene un coeficiente negativo en la funcin z. Esto completa los clculos del mtodo simplex.
El algoritmo simplex se aplica a un problema de maximizacin. Al considerar un problema de minimizacin, slo necesitamos cambiar la condicin de optimidad de manera que se seleccione la variable que entra como aquella que tenga el coeficiente ms
positivo en la funcin z. La condicin de factibilidad es la misma para ambos problemas. Resumimos las dos condiciones aqu.
Condicin de optimidad. La variable que entra en el proceso de maximizacin (minimizacin) es la variable no bsica con el coeficiente ms negativo (positivo) en la funcin
z. Una coincidencia se anula en forma arbitraria. Cuando todos los coeficientes no
bsicos de la ecuacin z son no negativos (no positivos), se llega al ptimo.
Condicin de factibilidad. Para los problemas de maximizacin y minimizacin, la variable que sale es la variable bsica que tiene la razn ms pequea (con denominador positivo). Una coincidencia se anula en forma arbitraria.
2.3.2.2. Solucin inicial artificial
En nuestra presentacin del mtodo simplex hemos utilizado las variables de holgura
como la solucin bsica inicial. Sin embargo, si la restriccin original es una ecuacin
o es del tipo (), ya no tenemos una solucin factible bsica inicial preparada.
Ilustraremos este aspecto a travs del ejemplo que sigue:
minimizar z = 4x1 + x2
Ing. Klber Vera T.
43
PUCESE

sujeto a
3x1 + x2 = 3
4x1 + 3x2 6
x1 + 2x2 4
x1, x2 0
La forma estndar se obtiene aumentando una variable de exceso x3 y sumando una
variable de holgura x4 a los primeros miembros de las restricciones 2 y 3. Por lo tanto,
tenemos
sujeto a
Tenemos tres ecuaciones y cuatro incgnitas, lo que significa que una variable debe
ser no bsica en cero en cualquier solucin bsica. A diferencia del caso donde tenemos variables de holgura en todas y cada una de las ecuaciones, no podemos estar
seguros de que al hacer una variable igual a cero, las variables bsicas resultantes
sern no negativas. Desde luego, podemos valernos del ensayo y error haciendo una
variable igual a cero a la vez. Adems de consumir mucho tiempo, el ensayo y error no
es adecuado para realizar clculos por computadora. Por lo tanto, debemos recurrir a
un mtodo ms directo para obtener una solucin factible bsica inicial.
La idea de utilizar variables artificiales es muy simple. Esta solicita que se sume una
variable no negativa al primer miembro de cada ecuacin que no tenga variables bsicas iniciales evidentes. La variable agregada desempear la misma funcin que una
variable de holgura, al proporcionar una variable bsica inicial. Sin embargo, como
estas variables artificiales no tienen significado fsico desde el punto de vista del problema original (de aqu el nombre "artificial"), el procedimiento ser vlido slo si hacemos que estas variables sean cero cuando se llegue al ptimo. En otras palabras,
las utilizamos slo para iniciar la solucin y despus debemos hacer que sean cero en
la solucin final; de lo contrario, la solucin resultante ser no factible.
Obtenemos este resultado mediante el uso de la retroalimentacin de informacin que,
a travs del proceso de optimizacin, har por ltimo que las variables artificiales sean
cero en la solucin final siempre que exista una solucin factible.Una manera lgica de
lograr esto consiste en penalizar (o sancionar) las variables artificiales de la funcin
objetivo. Dos mtodos (ntimamente relacionados), que estn basados en la idea de
utilizar penalizaciones, se desarrollan con este fin: (1) la tcnica M o mtodo de penalizacin y (2) la tcnica de dos fases (o bifsica). Ilustraremos cada tcnica mediante el
uso del ejemplo que se describi anteriormente.
1.
La Tcnica M (mtodo de penalizacin)
Consideraremos la forma estn dar del ejemplo que acabamos de presentar:

Ing. Klber Vera T.
44
PUCESE

sujeto a
La primera y segunda ecuaciones no tienen variables que desempeen el papel de

una holgura. Por lo tanto, aumentamos las dos variables artificiales R1 y R2 en estas
dos ecuaciones de la manera siguiente:
Podemos penalizar a R1 y R2 en la funcin objetivo asignndoles coeficientes positivos

muy grandes en la funcin objetivo. Sea M > 0 una constante muy grande, entonces la
programacin lineal con su variable artificial se transforma en
minimizar z = 4x1 + x2 + MR1 + MR2
sujeto a
Obsrvese la razn del uso de las variables artificiales. Tenemos tres ecuaciones y
seis incgnitas. Por lo tanto, la solucin bsica inicial debe incluir 6 - 3 = 3 variables
con valor cero. Si colocamos x1, x2 y x3 en el nivel cero, inmediatamente obtenemos la
solucin R1 = 3, R2 = 6 y x4 = 4, que es la solucin factible inicial que se requiere.
Ahora, obsrvese la forma en que el "nuevo" modelo hace que R1 y R2 sean cero. Como realizamos un proceso de minimizacin, asignando M a R1 y R2 en la funcin objetivo, el proceso de optimizacin que busca el valor mnimo de z asignar por ltimo
valores de cero a R1 y R2 en la solucin ptima. Ntese que las iteraciones inmediatas
anteriores a la iteracin ptima no son de importancia para nosotros. En consecuencia,
resulta inmaterial si incluyen o no variables artificiales en el nivel positivo.
Cmo cambia la tcnica M si maximizamos en vez de minimizar? Mediante el uso de
la misma lgica de penalizar la variable artificial, debemos asignarles el coeficiente -M
de la funcin objetivo (M > 0),con lo cual se vuelve poco atractivo mantener la variable
artificial en un nivel positivo en la solucin ptima.
Habiendo construido una solucin factible inicial, debemos "condicionar" el problema
de modo que cuando lo pongamos en forma tabular, la columna del lado derecho producir la solucin inicial en forma directa. Esto se hace mediante el uso de las ecuaciones de restricciones para sustituir R1 y R2 en la funcin objetivo. De manera que
Ing. Klber Vera T.
45
PUCESE

Por lo tanto, la funcin objetivo se convierte en
y la ecuacin z ahora figura en la tabla como
Se puede advertir que en la solucin inicial, dadas x1 = x2 = x3 = 0, el valor de z es 9M,

como debe ser cuando R1 = 3 y R2 = 6.
La sucesin de tablas que nos conduce a la solucin ptima se presenta en la tabla
1.1. Obsrvese que ste es un problema de minimizacin, de manera que la variable
que entra debe tener el coeficiente ms positivo en la ecuacin z. Se llega al ptimo
cuando todas las variables no bsicas tienen coeficientes z no positivos. (Recurdese
que M es una constante positiva muy grande.)
Ing. Klber Vera T.
46
PUCESE

Tabla 1.1 Secuencia de tablas para solucionar el problema de penalizacin
La solucin ptima es x1 = 2/5, x2 = 9/5 y z = 17/5. Como no contiene variables artificiales en el nivel positivo, la solucin es factible con respecto al problema original antes
de que se sumaran las variables artificiales.
2.
La tcnica de dos fases
Una desventaja de la tcnica M es el posible error de clculo que pudiera generarse

de la asignacin de un valor muy grande a la constante M. Para ilustrar esto, supngase que M = 100 000 en el ejemplo de la tcnica M de la seccin anterior. Despus, en
la tabla inicial (vase la tabla 1.1), los coeficientes de x1 y x2 en la funcin z se transforman en (-4 + 700 000) y (-1 + 400 000). El efecto de los coeficientes originales (4 y
1) es ahora demasiado pequeo en relacin con los nmeros grandes generados por
los mltiplos de M. Debido al error de redondeo, que es inherente en cualquier computadora digital, los clculos se pueden volver insensibles a los valores relativos de los
coeficientes objetivo originales de x1 y x2. El resultado peligroso es que x1 y x2 pueden
tratarse como variables con coeficientes cero en la funcin objetivo.
El mtodo de dos fases est diseado para remediar esta dificultad. Aunque las variables artificiales se suman en la misma forma que se emplea en la tcnica M, se elimina
el uso de la constante M mediante la solucin del problema en dos fases (de aqu el
nombre de mtodo "de dos fases"). Estas dos fases se describen en la forma siguiente:
Fase l. Aumntense las variables artificiales segn se necesite para asegurar una solucin inicial. Frmese una nueva funcin objetivo que busque la minimizacin de la
suma de las variables artificiales sujeta a las restricciones del problema original modificado por las variables artificiales. Si el valor mnimo de la nueva funcin objetivo es
cero (lo que quiere decir que todas las artificiales son cero), el problema tiene un espacio de soluciones factible. Dirjase a la fase II. De lo contrario, si el mnimo es positivo, el problema no tiene solucin factible. Detngase.
Ing. Klber Vera T.
47
PUCESE

Fase II. Utilcese la solucin bsica ptima de la fase 1 como solucin inicial para el
problema original.
Ilustraremos el procedimiento mediante el uso del ejemplo de la tcnica M de la seccin anterior.
Fase l. Como necesitamos las variables artificiales R1 y R2 en la primera y segunda
ecuaciones, el problema de la fase 1 se lee como
minimizar r = R1 + R2
sujeto a
Como R1 y R2 estn en la solucin inicial, deben sustituirse en la funcin objetivo

(comprese con la tcnica M) en la forma siguiente:
Por consiguiente, la tabla inicial se convierte en
La tabla ptima se obtiene en dos iteraciones y est dada por
Como el mnimo es r = 0, el problema tiene una solucin factible y pasamos a la fase

II.
Ing. Klber Vera T.
48
PUCESE

Fase II. Las variables artificiales han servido ahora a su propsito y deben eliminarse
en todos los clculos subsiguientes. Esto quiere decir que las ecuaciones de la tabla
ptima en la fase I se pueden escribir como
Estas ecuaciones son exactamente equivalentes a las de la forma estndar del problema original (antes de que se sumen las variables artificiales). Por lo tanto, el problema original se puede escribir como
Minimizar z = 4x1 + X2
sujeto a
Como se puede apreciar, la contribucin principal de los clculos de la fase I consiste

en proporcionar una solucin inicial preparada al problema original. Como el problema
tiene tres ecuaciones y cuatro variables, al hacer la variable 4 - 3 = 1, es decir, x3 igual
a cero, inmediatamente obtenemos la solucin factible bsica inicial x1 = 3/5, x2 = 6/5 y
x4 = 1.
Para resolver el problema, necesitamos sustituir las variables bsicas x1 y x2 en la funcin objetivo como se hizo en la tcnica M. Esto se logra mediante el uso de las ecuaciones de restricciones de la manera siguiente:
Por lo tanto, la tabla inicial para la fase II se convierte en
Ing. Klber Vera T.
49
PUCESE

La tabla no es ptima, ya que x3 debe entrar en la solucin. Si realizamos los clculos

simplex, obtendremos la solucin ptima en una iteracin.
Resulta interesante observar que el nmero de iteraciones en la tcnica M y el mtodo
de dos fases son necesariamente el mismo. De hecho, existe una correspondencia
uno a uno (o biunvoca) entre las tablas de ambos mtodos. La ventaja del mtodo de
dos fases radica en la eliminacin de la constante M.
2.3.3. Casos especiales en la aplicacin del mtodo Simplex
En esta seccin consideramos casos especiales que pueden presentarse en la aplicacin del mtodo simplex, entre los que se cuentan:
1.
2.
3.
4.
Degeneracin.
Alternativas ptimas.
Soluciones no acotadas.
Soluciones inexistentes (o infactibles).
El inters al estudiar estos casos especiales tiene dos sentidos: (1) presentar una explicacin terica de la razn por la que se presentan estas situaciones y (2) ofrecer
una interpretacin prctica del significado que pudieran tener estos resultados especiales en un problema verdadero.
2.3.3.1.
Degeneracin
En la seccin 2.3.2 indicamos que en la aplicacin de la condicin de factibilidad, una

coincidencia de la razn mnima se debe descomponer en forma arbitraria para los
fines de determinar la variable que sale. Sin embargo, cuando suceda esto una o ms
veces de las variables bsicas, ser necesariamente igual a cero en la siguiente iteracin.
En este caso, decimos que la nueva solucin es degenerada. (En todos los ejemplos
de programacin lineal que hemos resuelto hasta ahora, las variables bsicas tomaron
siempre valores estrictamente positivos.)
No hay nada alarmante con respecto al manejo de la solucin degenerada, con la excepcin de una ligera desventaja terica, que analizaremos brevemente. Desde el
punto de vista prctico, la condicin revela que el modelo tiene cuando menos una
restriccin redundante. Para poder dar mayor penetracin en los impactos prcticos y
tericos de la degeneracin, consideramos dos ejemplos numricos. Los ejemplos
ilustrativos prcticos deben aclarar mejor las ideas subyacentes a estas situaciones
especiales
Mediante el uso de x3 y x4 como variables de holgura, hacemos una lista de las iteraciones simplex para el ejemplo de la tabla siguiente. En la iteracin inicial, existe una
Ing. Klber Vera T.
50
PUCESE

coincidencia de la variable que sale entre x3 y x4. Esta es la razn por la que la variable bsica x4 tiene un valor cero en la iteracin 1, con lo que se produce una solucin
bsica degenerada. Se llega al ptimo despus de que se realiza una iteracin adicional.
Cul es la implicacin prctica de la degeneracin? Obsrvese la figura 2.4, que proporciona la solucin grfica al modelo. Tres rectas cruzan el ptimo (x1 = 0, x2 = 2).
Como ste es un problema bidimensional, se dice que el punto est ms que determinado (o sobredeterminado), ya que slo necesitamos dos rectas para identificarlo. Por
este motivo, concluimos que una de las restricciones es redundante. En la prctica, el
simple conocimiento de que algunos recursos son superfluos puede probarse que es
de valor durante la implantacin de la solucin. Esta informacin puede conducirnos
tambin a descubrir irregularidades en la construccin del modelo. Por desgracia, no
existen tcnicas confiables para identificar restricciones redundantes directamente a
partir de la tabla. En ausencia de la representacin grfica, tenemos que apoyarnos en
otros medios para identificar redundancia en el modelo.
Figura 2.4 Solucin degenerada
Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La primera

tiene que ver con el fenmeno del ciclaje o reciclaje. Si se observan las iteraciones 1
y 2 de la tabla, se ver que el valor de la funcin objetivo no ha mejorado (z = 18). Por
lo tanto, es posible, en trminos generales, que el procedimiento simplex repetira la
misma sucesin de iteraciones, sin mejorar nunca el valor de la funcin objetivo ni poner fin a los clculos. Aunque existen mtodos para manejar esta situacin de manera
que no ocurra el ciclaje, estos mtodos podran conducirnos a una drstica reduccin
en la rapidez de realizacin de los clculos. Por esta razn la mayora de los cdigos
Ing. Klber Vera T.
51
PUCESE

de PL no tienen provisiones para manejar el ciclaje, apoyndose en el hecho de que el

porcentaje de problemas de programacin lineal que presentan esta complicacin suele ser demasiado pequeo para garantizar una implantacin de rutina de los procedimientos de ciclaje.
El segundo punto terico se presenta en el examen de las iteraciones 1 y 2. Ambas
iteraciones, pese a diferir en la clasificacin de las variables como bsicas y no bsicas, producen valores idnticos de todas las variables y el valor de la funcin objetivo,
es decir,
Por lo tanto, se genera un argumento relacionado con la posibilidad de suspender los

clculos en la iteracin 1 (cuando aparece la degeneracin), aunque no es ptima.
Este argumento no es vlido porque, en general, una solucin puede ser temporalmente degenerada.
2.3.3.2.
Alternativas ptimas
Cuando la funcin objetivo es paralela a una restriccin de enlace (o sea, una restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima), la
funcin objetivo tomar el mismo valor ptimo en ms de un punto de solucin. Por
esta razn reciben el nombre de alternativas ptimas. El ejemplo que sigue muestra
que normalmente existe un nmero infinito de estas soluciones. El ejemplo demuestra
asimismo el significado prctico de encontrar alternativas ptimas.
La figura 2.5 demuestra la forma en que se pueden presentar alternativas ptimas en

un modelo de PL cuando la funcin objetivo es paralela a una restriccin de enlace.
Cualquier punto en el segmento de recta BC representa una alternativa ptima con el
mismo valor en la funcin z = 10.
Figura 2.5 Alternativas ptimas
Ing. Klber Vera T.
52
PUCESE

En trminos algebraicos, sabemos que el mtodo simplex es capaz de encontrar soluciones en puntos extremos exclusivamente. La tabla siguiente muestra que el ptimo
(x1 = 0, x2 = 5/2, z = 10) se encuentra en la iteracin1 en el punto B. Cmo sabemos
por esta tabla que existen alternativas ptimas? Obsrvense los coeficientes de las
variables no bsicas en la funcin z de la iteracin 1. El coeficiente de x1 (no bsica)
es cero, lo que indica que x1 puede entrar en la solucin bsica sin alterar el valor de z,
pero provoca un cambio en los valores de las variables. La iteracin 2 hace precisamente eso (hace que x1 entre en la solucin bsica, lo que obligar a x4 a salir). Esto
da origen al nuevo punto solucin en C (x1 = 3, x2 = 1, z = 10).
Como es de esperarse, el mtodo simplex slo determina los puntos extremos B y C.

En la prctica, el conocimiento de las alternativas ptimas es de utilidad porque da a la
administracin la oportunidad de elegir la solucin que mejor se ajuste a su situacin
sin que se experimente ningn deterioro en el valor de la funcin. En el ejemplo, la
solucin en B indica que slo la actividad 2 est en un nivel positivo, en tanto que en C
ambas actividades son positivas. Si el ejemplo representa una situacin de combinacin de productos, quiz sea ventajoso desde el punto de vista de la competencia en
las ventas producir dos productos en vez de uno. En este caso la solucin en C sera
recomendable.
2.3.3.3.
Solucin No Acotada
En algunos modelos de programacin lineal, los valores de las variables se pueden

aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa
que el espacio de soluciones es no acotado cuando menos en una direccin. Como
resultado, el valor de la funcin objetivo puede crecer (caso de maximizacin) o decrecer (caso de minimizacin) en forma indefinida. En este caso decimos que el espacio
de soluciones y el valor "ptimo" de la funcin objetivo son no acotados.
La falta de explicacin en un modelo puede sealar slo una cosa: el modelo est mal
construido. Evidentemente resulta irracional hacer que un modelo produzca una ganancia "infinita". Las irregularidades ms probables en estos modelos son (1) no se
Ing. Klber Vera T.
53
PUCESE

toman en cuenta una o ms restricciones redundantes y (2) no se determinan correctamente los parmetros (constantes) de algunas restricciones.
Los ejemplos que siguen muestran cmo se puede reconocer la falta de acotacin en
la tabla simplex, tanto en el espacio de soluciones como en el valor de la funcin objetivo.
En la tabla inicial, x1 y x2 son candidatos para entrar en la solucin.
Como x1 tiene el coeficiente ms negativo, normalmente se selecciona como la variable que entra. Sin embargo, ntese que todos los coeficientes de las restricciones por
debajo de x2 son negativos o cero, lo que quiere decir que x2 se puede hacer crecer en
forma indefinida sin que se infrinja ninguna de las restricciones. Como cada incremento de una unidad en x2 aumentar z en 1, un incremento infinito en x2 tambin dar
lugar a un crecimiento infinito en z. Por lo tanto, concluimos sin hacer ms clculos
que el problema no tiene solucin acotada. Este resultado se puede apreciar en la
figura 2.6. El espacio de soluciones no est acotado en la direccin de x2 y valor de z
se puede hacer crecer en forma indefinida.
Ing. Klber Vera T.
54
PUCESE

Figura 2.6 Solucin No Acotada
La regla general para reconocer la falta de acotacin es la siguiente. Si en cualquier

iteracin los coeficientes de las restricciones de una variable no bsica son no positivos, entonces el espacio de soluciones no est acotado en esa direccin. Adems, si
el coeficiente de la funcin objetivo de esa variable es negativo en el caso de la maximizacin o positivo en el caso de la minimizacin, entonces el valor de la funcin objetivo tampoco est acotado.
2.3.3.4.
Solucin Infactible
Si las restricciones no se pueden satisfacer en forma simultnea, se dice que el modelo no tiene solucin factible. Esta situacin nunca puede ocurrir si todas las restricciones son del tipo (suponiendo constantes no negativas en el segundo miembro), ya
que la variable de holgura produce siempre una solucin factible. Sin embargo, cuando
empleamos los otros tipos de restricciones, recurrimos al uso de variables artificiales
que, por su mismo diseo, no ofrecen una solucin factible al modelo original. Aunque
se hacen provisiones (a travs del uso de la penalizacin) para hacer que las variables
artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo tiene un
espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la
iteracin ptima. Esta es nuestra indicacin de que el problema no tiene solucin factible.
Desde el punto de vista prctico, un espacio infactible apunta a la posibilidad de que el
modelo no se haya formulado correctamente, en virtud de que las restricciones estn
en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse
en forma simultnea. En este caso, quiz se necesite una estructura del modelo totalmente diferente que no admita todas las restricciones al mismo tiempo. En el ejemplo
que sigue se ilustra el caso del espacio de soluciones infactible.
Ing. Klber Vera T.
55
PUCESE

Las iteraciones simplex de la tabla muestran que la variable artificial R es positiva (= 4)

en la solucin ptima. Esta es una indicacin de que el espacio de soluciones es infactible. La figura 2.7 muestra el espacio de soluciones infactible. El mtodo simplex, haciendo posible que la variable artificial sea positiva, ha invertido en esencia la direccin
de la desigualdad de 3x1 + 4x2 12 a 3x1 + 4x2 12. El resultado es lo que podemos
llamar la solucin seudoptima, como se muestra en la figura 2.7.
Figura 2.7 Solucin Infactible
2.4. POST-OPTIMIZACIN O SENSIBILIDAD

En las secciones anteriores se presentaron los detalles del mtodo simplex. El estudiante probablemente necesitar realizar los clculos simplex a mano cuando menos
una vez. Hecho esto, puede esperar que la computadora lo releve de la pesada tarea
de tener que resolver un programa lineal a travs de clculos realizados a mano. La
comodidad de tener acceso a una amplia variedad de cdigos de PL que permiten
utilizar el procesamiento por lote o interactuar con la computadora a travs de terminales, hace innecesario resolver un programa lineal a travs de clculos realizados a
mano. En realidad, a medida que el estudiante se involucre en la solucin de modelos
de programacin lineales reales, descubrir que la mayor parte de su tiempo se destina a la formulacin del modelo, recoleccin de los datos y preparacin de la informacin de entrada que se ajuste al cdigo de PL. Una vez que el estudiante haya hecho
esto, la computadora se har cargo y le ofrecer al usuario la solucin ptima al problema.
Ahora la atencin se dirige a la lectura, interpretacin y anlisis de los resultados obtenidos por la computadora. Sin embargo, resulta equivocado suponer que se puede
interpretar la impresin generada por la computadora sin tener el conocimiento adecuado de cmo y por qu funciona el mtodo simplex. Se puede pensar que todo lo
que se puede obtener de la tabla simplex ptima es una lista de variables y sus valores ptimos. El hecho es que la tabla simplex se "llena" con informacin importante y
la menor parte de ella son los valores ptimos de las variables. En la lista que sigue se
resume la informacin que se puede obtener de la tabla simplex, ya sea directamente
o con otros clculos sencillos.
1.
2.
3.
4.
La solucin ptima.
El estado de los recursos.
El valor unitario de cada recurso.
La sensibilidad de la solucin ptima a cambios en la disponibilidad de recursos,
coeficientes de la funcin objetivo y uso de los recursos por parte de actividades.
Ing. Klber Vera T.
56
PUCESE

Los tres primeros elementos se encuentran fcilmente en la tabla simplex ptima. El

cuarto elemento requiere otros clculos que estn basados en la informacin de la
solucin ptima.
Para mostrar estos elementos, utilizamos el modelo de Reddy Mikks, que repetimos
aqu.
La tabla ptima est dada como
2.4.1. Solucin ptima

Desde el punto de vista de la implantacin de la solucin de PL, la clasificacin matemtica de las variables como bsicas y no bsicas no es de importancia y debe ignorarse en su totalidad en la lectura de la solucin ptima. Las variables no enlistadas en
la columna "bsicas" tienen necesariamente valores de cero. El resto de las variables
tienen sus valores en la columna de la solucin. En trminos de la solucin ptima del
modelo de Reddy Mikks, nos interesa principalmente la mezcla de productos de la
pintura para exteriores e interiores, es decir, las variables de decisin xE y xI. En la
tabla ptima tenemos el resumen siguiente.
Ing. Klber Vera T.
57
PUCESE

2.4.2. Estado de los recursos

Las restricciones se clasifican como escasas o abundantes, dependiendo respectivamente de si la solucin ptima "consume" o no toda la cantidad disponible del recurso
asociado. El objetivo es el de asegurar esta informacin de la tabla ptima. Primero
debemos clarificar un punto. Hablar de un recurso implica que hay un lmite mximo en
su disponibilidad, lo que significa que la restriccin debe ser originalmente del tipo .
Por lo tanto, las restricciones del tipo no pueden representar fsicamente una restriccin de recursos; en cambio, implican que la solucin debe cumplir ciertos requisitos,
como satisfacer una demanda mnima o una especificacin mnima.
En el modelo de Reddy Mikks tenemos cuatro restricciones del tipo . Las dos primeras (que representan el uso de materias primas) son restricciones de recursos "autnticas". La tercera y cuarta restricciones tienen que ver con limitaciones de demanda
impuestas por las condiciones del mercado. Podemos considerar estas restricciones
como "recursos" limitados, ya que aumentar los lmites de la demanda equivale a ampliar la participacin de la compaa en el mercado. En trminos monetarios, esto tiene
el mismo efecto que incrementar la disponibilidad de recursos fsicos (como materias
primas) a travs de la asignacin de fondos adicionales.
Continuando con esta exposicin, el estado de los recursos (abundante o escaso) en
cualquier modelo de programacin lineal puede asegurarse directamente de la tabla
ptima observando los valores de las variables de holgura. En el modelo de Reddy
Mikks tenemos el siguiente resumen.
Una holgura positiva significa que el recurso no se utiliza en su totalidad, o sea que es
abundante; en tanto que una holgura cero indica que las actividades del modelo consumen toda la cantidad del recurso. En el resumen vemos que las limitaciones de la
demanda (recursos 3 y 4) son "abundantes"; por lo tanto, cualquier incremento en su
lmite mximo simplemente los har "ms" abundantes sin afectar la solucin ptima.
Ing. Klber Vera T.
58
PUCESE

Los recursos que se pueden incrementar para los fines de mejorar la solucin (aumentar la ganancia o utilidad) son las materias primas A y B, ya que la tabla ptima demuestra que son escasos. Se presentara una pregunta lgica en forma natural: a
cules de los recursos escasos se les debe dar prioridad en la asignacin de fondos
adicionales para mejorar la ganancia de la manera ms provechosa?.
2.4.3. Valor unitario de un recurso
El valor unitario de un recurso (o precio sombra) es la tasa de mejora en el valor ptimo de z como resultado de incrementar la cantidad disponible de ese recurso. Esta
informacin se obtiene fcilmente en la tabla simplex ptima. Obsrvense los coeficientes de la funcin z debajo de las variables bsicas iniciales s1, s2, s3 y s4.
La teora de la programacin lineal nos dice que siempre es posible asegurar el valor
unitario de un recurso a partir de coeficientes de las variables bsicas iniciales de la
funcin z ptima. No debe haber confusin en cuanto a qu coeficiente se aplica a que
recurso, ya que si est asociada exclusivamente con el recurso i.
2.4.4. Cambio mximo en la disponibilidad de un recurso
Normalmente se utiliza precios sombra para decidir qu recursos deben aumentarse.
La meta consiste en determinar el rango de variacin en la disponibilidad de un recurso que producir el valor unitario (precio sombra) que se encuentra en la tabla ptima.
Para lograr esto, necesitamos realizar otros clculos. Primero demostraremos cmo
funciona el procedimiento y despus mostraremos cmo se puede asegurar la misma
informacin a partir de la tabla ptima.
Supngase que consideramos cambiar el primer recurso en el modelo de Reddy Mikks
en la cantidad 1 lo que significa que la materia prima A disponible es 6 + 1 toneladas. Si 1 es positivo, aumenta el recurso; si es negativo, el recurso disminuye. Aunque normalmente nos interesar el caso donde aumenta el recurso (1 > 0), presentaremos ambos casos para hacer una generalizacin.
Cmo se modifica la tabla simplex al efectuarse el cambio 1.? La manera ms sencilla de responder la pregunta es la de aumentar 1 al lado derecho de la primera restriccin en la tabla inicial y despus aplicar las mismas operaciones aritmticas que se
utilizaron para desarrollar las iteraciones sucesivas. Si tenemos en mente que las
constantes del segundo miembro nunca se utilizan como elementos pivote, es evidente que el cambio 1 afectar slo al segundo miembro de cada iteracin. Se debe verificar que las iteraciones sucesivas del modelo cambien como se indica en la tabla siguiente:
Ing. Klber Vera T.
59
PUCESE

En realidad, los cambios en los segundos miembros que resultan de 1 se pueden

obtener directamente de las tablas sucesivas. Primero, obsrvese que en cada iteracin los elementos del nuevo segundo miembro constan de dos componentes: (1) una
constante y (2) un trmino lineal en 1. Las componentes constantes son exactamente
iguales al segundo miembro de la iteracin antes de que se sume 1. Los coeficientes
del trmino lineal en 1 son esencialmente aquellos que estn debajo de s1 en la misma iteracin. Por ejemplo, en la iteracin ptima las constantes (12 2/3, 4/3, 10/3, 3,
2/3) representan el segundo miembro de la tabla ptima antes de que se efecte 1 y
(1/3, 2/3, -1/3, -1, -2/3) son los coeficientes debajo de s1 en la misma tabla. Por qu
s1? Porque est asociada exclusivamente con la primera restriccin. Dicho de otra
manera, para cambios de segundo miembro en la segunda, tercera y cuarta restricciones, debemos utilizar los coeficientes situados debajo de s2, s3 y s4 respectivamente.
Qu significado tiene esta informacin? Como hemos concluido que el cambio 1
afectar slo al segundo miembro de la tabla, esto quiere decir que un cambio de este
tipo slo puede afectar la factibilidad de la solucin. Por lo tanto, 1 no debe alterarse
de manera que se haga que cualquiera de las variables (bsicas) sea negativa. Esto
quiere decir que 1 debe restringirse al intervalo o rango que mantendr la no negatividad del segundo miembro de las ecuaciones de las restricciones en la tabla ptima.
Esto es,
Para determinar el intervalo admisible para 1, consideramos dos casos.
Ing. Klber Vera T.
60
PUCESE

Caso 1: 1 > 0. La relacin (1) se satisface siempre para 1 > 0. Las relaciones (2), (3)
y (4), por otra parte, producen los siguientes lmites respectivos: 1 10, 1 3 y 1
1. Por lo tanto, las cuatro relaciones se satisfacen para 1 1.
Caso 2: 1 < 0. Las relaciones (2), (3) y (4) se satisfacen siempre para 1 < 0, en tanto
que la relacin (1) produce el lmite 1 2.
Al combinar los casos 1 y 2, vemos que
-2 1 1
producir siempre una solucin factible. Cualquier cambio que se haga fuera de este
intervalo (es decir, disminuir la materia A en ms de 2 toneladas o incrementarla en
ms de una tonelada) nos conducir a una condicin de infactibilidad y a un nuevo
conjunto de variables bsicas
1. La Toms River Chemical Corporation debe producir 1000 libras de una mezcla
especial para un cliente compuesta de los ingredientes A, B y C. El ingrediente A
cuesta $ 5 la libra, el B cuesta $ 6 y el C cuesta $ 7. No pueden usarse ms de 300
libras de A y debe usarse por lo menos 150 libras de B. Adems se requieren por
lo menos 200 libras de C. Como la empresa desea minimizar los costos, el problema consiste en encontrar qu cantidad de cada ingrediente debe usar la empresa.
2. La Revco Corporation tiene una pequea fbrica situada en los alrededores de una
gran ciudad. Su produccin se limita a dos productos industriales, Alfa y beta. El
departamento de contabilidad de la empresa ha calculado las contribuciones de
cada producto en $ 10 para el producto Alfa y $ 12 para el Beta. Cada producto
pasa por tres departamentos de la fbrica. Los requerimientos de tiempo para cada
producto y el total del tiempo disponible en cada departamento son los siguientes:
DEPARTAMENTO
1
2
3
HORAS REQUERIDAS
PRODUCTO
PRODUCTO
ALFA
BETA
2.0
2.0
3.0
2.0
1.0
1.0
HORAS
DISPONIBLES
ESTE MES
1500
1500
600
3. La Dumont Company, fabricante de equipo de pruebas, tiene tres departamentos

principales para la manufactura de sus modelos S-1000 y S-2000. Las capacidades mensuales son las siguientes:
Dpto. de estructura principal

Dpto. de alambrado elctrico
Dpto. de ensamblaje
REQUERIMIENTOS
UNITARIOS DE TIEMPO (HORAS)
MODELO MODELO
S-1000
S-2000
4.0
2.0
2.5
1.0
4.5
1.5
Ing. Klber Vera T.
HORAS
DISPONIBLES EN EL
PRESENTE MES
1600
1200
1600
61
PUCESE

La contribucin del modelo S-1000 es de 40.00 dlares por unidad, y la del modelo
S-2000 es de 10.00 dlares por unidad. Suponiendo que la compaa pueda vender cualquier cantidad de cada uno de esos productos, debido a condiciones favorables de mercado, determnese la salida ptima para cada modelo, la contribucin
ms alta posible para el presente mes, y el tiempo sobrante en los tres departamentos.
4. La Kenmore Corporation, un fabricante progresista de mecanismos civiles y militares, fabrica actualmente una lnea de armas para civiles, con una produccin actual diaria de 30 unidades del modelo Z-1200 y de 120 unidades del modelo Z1500. El vicepresidente de manufactura quiere saber si podran aumentarse las
ganancias cambiando la mezcla de productos entre los dos modelos. Se compil la
siguiente informacin sobre las horas requeridas para la fabricacin de cada modelo y las capacidades de los departamentos de la fbrica.
Departamento 1
Departamento 2
Departamento 3
Departamento 4
Contribucin por unidad
HORAS-HOMBRE
REQUERIDAS
MODELO MODELO
Z-1200
Z-1500
2
0
0
3
2
2
1 1/5
1 1/2
$50
$40
CAPACIDAD DEPARTAMENTAL (HORAS

DIARIAS)
300
540
440
300
a) Determnese la mezcla ptima de productos suponiendo que pueden venderse las cantidades.
b) Cunto aumentara la mezcla ptima la contribucin a los costos fijos y a
las ganancias
c) Supngase que el precio del modelo Z-1200 se reduzca en 10.00 dlares.
Cul ser la mezcla ptima de productos?
La empresa est considerando un tercer producto, el modelo Z-1800, que utilizar
las mismas instalaciones de los otros modelos para el mercado militar. Las capacidades departamentales seguirn siendo las mismas. Los requerimientos del modelo Z-1800 son los siguientes: departamento 1, 0.1 horas; departamento 2, 3.6 horas; departamento 3, 2.2 horas, y departamento 4, 1.2 horas. La contribucin del
nuevo modelo es de 55.00 dlares por unidad (sese la contribucin original de los
otros modelos).
d) Suponiendo que la empresa pueda vender cualquier combinacin de cantidades que pueda producir, cul es la mezcla ptima de productos y la mayor contribucin diaria?
e) Es nica la respuesta a la pregunta (d)? Comprubese la respuesta. (Sugerencia: trcese grficamente el problema.)
5. De los muchos productos que fabrica la Arco Manufacturing Company, solo los
productos C, D, E y F pasan por los siguientes departamentos: cepillado (pequeo); fresado (vertical); taladrado (pequeo), y ensamble (piezas pequeas). Los
requerimientos por unidad de producto en horas y contribucin son los siguientes:
DEPARTAMENTO
CEPILLADO FRESADO TALADRADO ENSAMBLE CONTR. /
UNIDAD
Ing. Klber Vera T.
62
PUCESE
Producto C
Producto D
Producto E
Producto F

0.5
1.0
1.0
0.5
2.0
1.0
1.0
1.0
0.5
0.5
1.0
1.0
3.0
1.0
2.0
3.0
$8
$9
$7
$6
Las capacidades disponibles en este mes para los productos C, D, E y F, as como

los requerimientos mnimos de ventas, son:
Cepillado
Fresado
Taladrado
Ensamble
CAPACIDAD
(HORAS)
1800
2800
3000
6000
REQUERIMIENTOS MNIMOS
DE VENTAS
Producto C
100 unidades
Producto D
600 unidades
Producto E
500 unidades
Producto F
400 unidades
a) Determnese la cantidad de los productos C, D, E y F que habr que fabricar

este mes para maximizar la contribucin.
b) Determnese la contribucin total mxima de los productos C, D, E y F en este
mes.
c) Determnese el tiempo sobrante en los cuatro departamentos.
6. La Cincinnati Chemical Company debe producir 10.000 libras de una mezcla especial para un cliente. La mezcla se compone de los ingredientes x1, x2 y x3. x1 cuesta
8 dlares la libra, x2 10 dlares la libra, y x3 11 dlares la libra. No pueden usarse
ms de 3000 libras de x1 y por lo menos debern usarse 1500 libras de x2. Adems, se requieren por lo menos 2000 libras de x3.
a) Calclese el nmero de libras de cada ingrediente que habr que emplear, a fin
de reducir al mnimo el costo total de las 10.000 libras.
b) Calclese el costo total ms bajo posible.
c) Hay libras sobrantes en el problema?
7. La Gray Manufacturing Company ha seguido constantemente una poltica de fabricacin de aquellos productos que contribuyan con la mayor cantidad a los costos
fijos y a las ganancias. Sin embargo, siempre se ha procurado producir los requerimientos mnimos semanales de ventas, que son los siguientes para los productos
K, L, M y N:
Producto K
Producto L
Producto M
Producto N
25 unidades
30 unidades
30 unidades
25 unidades
Los requerimientos de produccin y el tiempo disponible para la semana siguiente

son:
TIEMPO REQUERIDO POR PRODUCTO (HORAS)
K
Departamento 1
0.25
TIEMPO
DISPONIBLE
LA SEMANA
PRXIMA
(HORAS)
0.20
0.15
0.25
400
Ing. Klber Vera T.
63
PUCESE

Departamento 2
Departamento 3
Departamento 4
Contribucin
por unidad
0.30
0.25
0.25
$ 10.50
0.40
0.30
0.25
0.50
0.25
0.25
0.30
0.30
0.25
$ 9.00
$ 8.00
$10.00
1000
500
500
Actualmente, la mezcla semanal de produccin (considerando los requerimientos

mnimos de ventas), es de:
Producto K
Producto L
Producto M
Producto N
1533
30
30
25
a) Son la mezcla actual de productos y la contribucin para la empresa las ptimas? En caso contrario, cules deben ser?
b) Qu recomendaciones deben hacerse a la empresa con respecto a las instalaciones de produccin, basndose en las respuestas de (a)?
8. La LaCross Manufacturing Company est considerando la fabricacin de una nueva lnea de productos, compuesta de cuatro productos. Cada producto puede fabricarse con dos mtodos diferentes y completamente distintos, uno de los cuales
consta de dos procesos y el otro de tres. Se fabricarn basndose en un segundo
turno. El precio de venta de esos productos y sus costos variables, as como las
cantidades que probablemente puedan venderse, de acuerdo con el grupo de investigaciones de mercadotecnia, son los siguientes:
PRODUCTO
2
3
1
Precio de venta al mayoreo
(40% de descuento)
Costos variables mtodo A
Costos variables mtodo B
Cantidad que puede venderse
$ 100
$ 150
$ 125
$ 140
80
110
1000
135
150
3000
120
100
4000
135
110
6000
La seccin de manufactura de la empresa ha determinado que los tiempos de manufactura para cada proceso son los siguientes:
1
Mtodo A
Dpto. 20
Dpto. 21
Dpto. 22
Mtodo B
Dpto. 31
Dpto. 32
PRODUCTO
2
3
3.0
9.0
1.0
3.6
10.0
1.0
2.0
8.0
0.5
3.5
9.0
0.5
4.0
5.0
4.0
8.0
2.0
4.0
4.0
3.0
Horas disponibles al mes:

Departamento 20
Departamento 21
Departamento 22
Departamento 31
15000
50000
8000
10000
Ing. Klber Vera T.
64
PUCESE

Departamento 32
10000
Qu debe hacer la empresa en virtud de los tiempos de produccin y de las posibles congestiones de produccin, a fin de aumentar al mximo la contribucin total
mensual?
9. Considere el siguiente conjunto de restricciones:
Resuelva el problema a travs del mtodo simplex suponiendo que la funcin objetivo est dada de la manera siguiente:
10. Considere el siguiente modelo de Programacin Lineal:

minimizar.z = x1 - 3x2 - 2x3
sujeto a
a) Resuelva el problema por el mtodo simplex, donde la variable que entra es la

variable no bsica con el coeficiente de la funcin objetivo ms positivo.
b) Resuelva el problema a travs del mtodo simplex, seleccionando siempre la
variable que entra como la variable no bsica con el coeficiente menos positivo.
c) Compare el nmero de iteraciones de los incisos (a) y (b).
d) Supngase que se cambia el sentido de optimizacin a maximizacin multiplicando la funcin objetivo de minimizacin por -1, en cuyo caso debemos utilizar
la condicin de optimidad de maximizacin. Cmo afectara este cambio los
clculos simplex?
11. Resuelva el problema siguiente mediante el uso de x4, x5 y x6 para la solucin bsica (factible) inicial:
maximizar z = 3x1 + x2 + 2x3
sujeto a
Ing. Klber Vera T.
65
PUCESE

12. Considere el siguiente conjunto de restricciones:
Suponiendo que x1, x2 0, determine la funcin objetivo inicial en cada uno de los
casos que siguen despus de que se sustituyan las variables artificiales en la tcnica M.
13. Considere el conjunto de restriccionesque sigue:
Resuelva las ecuaciones mediante la aplicacin de la tcnica M, suponiendo que la

funcin objetivo est dada como sigue
14. Resuelva el problema siguiente mediante el uso de x3 y x4 como una solucin

factible bsica inicial:
minimizar z = 3x1 + 2x2 + 3x3
sujeto a
Ing. Klber Vera T.
66
PUCESE

Ing. Klber Vera T.
67
PUCESE

3. PROBLEMAS DE PROGRAMACIN LINEAL

En este captulo se presentan el modelo de transporte y sus variantes. En el sentido
obvio, el modelo tiene que ver con la determinacin de un plan de costo mnimo para
transportar una mercanca desde varias fuentes (por ejemplo, fbricas) a varios destinos (por ejemplo, almacenes o bodegas). El modelo se puede extender de manera
directa para abarcar situaciones prcticas de las reas de control del inventario, programacin del empleo, asignacin de personal, flujo de efectivo, programacin de niveles de reserva en presas y muchos otros. El modelo se puede modificar tambin
para dar cabida a mltiples artculos.
El modelo de transporte es bsicamente un programa lineal que se puede resolver a
travs del mtodo simplex regular. Sin embargo, su estructura especial hace posible el
desarrollo de un procedimiento de solucin, conocido como tcnica de transporte, que
es ms eficiente en trminos de clculo.
La tcnica de transporte puede presentarse, y a menudo se hace, en forma elemental
que parezca completamente separada del mtodo simplex. No obstante, debemos
destacar que la "nueva" tcnica sigue esencialmente los pasos exactos del mtodo
simplex.
El modelo de transporte se puede extender para cubrir varias de las aplicaciones importantes, entre ellas el modelo de asignacin y el modelo de transbordo. Pese a ello,
el problema de transporte y sus extensiones son asimismo casos especiales de modelos de redes.
3.1. DEFINICIN Y APLICACIN DEL MODELO DE TRANSPORTE
En esta seccin presentamos la definicin estndar del modelo de transporte. Despus describimos variantes del modelo que extienden su campo de aplicacin a una
clase ms vasta de problemas reales.
En sentido estricto, el modelo de transporte busca determinar un plan de transporte de
una mercanca de varias fuentes a varios destinos. Entre los datos del modelo se
cuentan
1. Nivel de oferta en cada fuente y la cantidad de la demanda en cada destino.
2. El costo de transporte unitario de la mercanca de cada fuente a cada destino.
Como slo hay una mercanca, un destino puede recibir su demanda de una o ms
fuentes. El objetivo del modelo es el de determinar la cantidad que se enviar de cada
fuente a cada destino tal que se minimice el costo de transporte total.
La suposicin bsica del modelo es que el costo de transporte en una ruta es directamente proporcional al nmero de unidades transportadas. La definicin de "unidad de
transporte" variar dependiendo de la "mercanca" que se transporte. Por ejemplo,
podemos hablar de una unidad de transporte como cada una de las vigas de acero
que se necesitan para construir un puente. O bien podemos utilizar el equivalente a la
carga de un camin de la mercanca como unidad de transporte. En cualquier caso,
las unidades de oferta y demanda deben ser consistentes con nuestra definicin de
"unidad de transporte".
Ing. Klber Vera T.
68
PUCESE

La figura 3.1 representa el modelo de transporte como una red con m fuentes y n destinos. Una fuente o un destino est representado por un nodo. El arco que une una
fuente y un destino representa la ruta por la cual se transporta la mercanca.
Figura 3.1 Red de transporte
La cantidad de la oferta en la fuente i es a y la demanda en el destino j es bj. El costo

de transporte unitario entre la fuente i y el destino j es cij
Si xij representa la cantidad transportada desde la fuente i al destino j, entonces el modelo general de PL que representa el modelo de transporte es
sujeto a
El primer conjunto de restricciones estipula que la suma de los envos desde una fuente no puede ser mayor que su oferta; en forma anloga, el segundo conjunto requiere
que la suma de los envos a un destino satisfaga su demanda.
El modelo que acabamos de describir implica que la oferta total
debe ser
cuando menos igual a la demanda total.
Cuando la oferta total es igual a la
demanda total
, la formulacin resultante recibe el nombre de modelo de transporte balanceado. Este difiere del modelo slo en el hecho de que todas
las restricciones son ecuaciones, es decir
Ing. Klber Vera T.
69
PUCESE

En el mundo real, no es necesariamente cierto que la oferta sea igual a la demanda o,

a ese respecto, mayor que ella. Sin embargo, un modelo de transporte siempre puede
balancearse. El balanceo, adems de su utilidad en la representacin a travs de modelos de ciertas situaciones prcticas, es importante para el desarrollo de un mtodo
de solucin que explote completamente la estructura especial del modelo de transporte. Los dos ejemplos que siguen presentan la idea del balanceo y tambin sus implicaciones prcticas.
Ejemplo 3.1 (Modelo de transporte estndar).- MG Auto Company tiene plantas en
Los Angeles, Detroit y Nueva Orleans. Sus centros de distribucin principales estn
ubicados en Denver y Miami. Las capacidades de las tres plantas durante el trimestre
prximo son de 1000, 1500 y 1200 automviles. Las demandas trimestrales en los dos
centros de distribucin son de 2300 y 1400 vehculos. El costo del transporte de un
automvil por tren es aproximadamente de 8 centavos por milla. El diagrama de la
distancia recorrida entre las plantas y los centros de distribucin es el siguiente:
El diagrama de la distancia de recorrido puede traducirse en costo por automvil a

razn de 8 centavos por milla recorrida. Esto produce los costos siguientes (redondeados a nmeros enteros), que representan a cij del modelo original:
Mediante el uso de cdigos numricos para representar las plantas y centros de distribucin, hacemos que xij represente el nmero de automviles transportados de la
fuente i al destino j. Como la oferta total (= 1000 + 1500 + 1200 = 3700) es igual a la
demanda total (= 2300 + 1400 = 3700), el modelo de transporte resultante est balanceado. Por lo tanto, el siguiente modelo de PL que representa el problema tiene todas
las restricciones de igualdad:
Ing. Klber Vera T.
70
PUCESE

Un mtodo ms compacto 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 el destino. Los elementos de costo cij se resumen en la esquina noreste de la celda de la matriz (i, j). Por lo tanto, el modelo de
MG se puede resumir como se ilustra en la tabla 3.1
Tabla 3.1 Tabla de transporte
La tabla de transporte es la base para el desarrollo del mtodo especial basado en el

modelo simplex para resolver el problema de transporte.
Sucede que el modelo de MG tuvo la misma oferta y demanda. Tambin tiene que ver
con una sola mercanca (modelo de un solo automvil), que es una restriccin aparente del modelo de transporte estndar. El ejemplo 3.2 demuestra cmo se puede balancear siempre un modelo de transporte y el ejemplo 3.3 ilustra cmo se pueden manejar mltiples artculos. Tngase en mente que la razn principal para desear balancear
el problema de transporte (es decir, convertir todas las restricciones a ecuaciones) es
que permita el desarrollo de un procedimiento de clculo eficiente basado en la representacin que se ilustra en la tabla 3.1.
Ejemplo 3.2 (Modelo de transporte con balanceo).- En el ejemplo 3.1, supngase
que la capacidad de la planta de Detroit es de 1300 automviles (en vez de 1500). Se
dice que la situacin est desbalanceada (o sin balanceo) debido a que la oferta total
(= 3500) no es igual a la demanda total (= 3700).
Dicho de otra manera, esta situacin desbalanceada significa que no ser posible cubrir toda la demanda en los centros de distribucin. El objetivo consiste en volver a
formular el modelo de transporte de manera que distribuya la cantidad faltante (= 3700
- 3500 = 200 vehculos) en forma ptima entre los centros de distribucin.
Como la demanda es mayor que la oferta, se puede agregar una fuente (planta) ficticia
con una capacidad de 200 automviles. Se permite que la planta ficticia, en condiciones normales, enve su "produccin" a todos los centros de distribucin. Fsicamente,
la cantidad de unidades enviadas a un destino desde una planta ficticia representar la
cantidad faltante en ese destino.
Ing. Klber Vera T.
71
PUCESE

La nica informacin que falta para completar el modelo son los costos de "transporte"
unitarios de la planta ficticia a los destinos. Como la planta no existe, no habr ningn
envo fsico y el costo de transporte unitario correspondiente es cero. Sin embargo,
podemos enfocar la situacin desde otro ngulo diciendo que se incurre en un costo
de penalizacin por cada unidad de demanda insatisfecha en los centros de distribucin. En este caso los costos de transporte unitarios sern iguales a los costos de penalizacin unitarios en los diversos destinos.
En la tabla siguiente se presenta un resumen del modelo balanceado con la nueva
restriccin de capacidad de la planta de Detroit. La planta ficticia (que se muestra en
una regin sombreada) tiene una capacidad de 200 automviles.
De manera anloga, si la oferta es mayor que la demanda, podemos agregar un destino ficticio que absorber la diferencia. Por ejemplo, supngase en el ejemplo 3.1 que
la demanda en Denver disminuye a 1900 vehculos. La tabla siguiente3 resume el modelo con el centro de distribucin ficticio. Cualquier automvil enviado de una planta a
un centro de distribucin ficticio representa una cantidad excedente en la planta. El
costo de transporte unitario asociado es cero. Sin embargo, podemos cobrar un costo
de almacenamiento por guardar el automvil en la planta, y en este caso el costo de
transporte unitario ser igual al costo de almacenamiento unitario.
Ing. Klber Vera T.
72
PUCESE

Los ejemplos 3.1 y 3.2 ilustran el caso donde slo interviene una mercanca en el sistema de transporte. El ejemplo que sigue muestra la forma en que se puede modificar
el modelo de transporte para dar cabida a ms de una mercanca.
Ejemplo 3.3 (Modelo de transporte de mltiples mercancas).- MG Company produce cuatro modelos diferentes, a los cuales nos referimos como M1, M2, M3 y M4
con fines de simplificacin. La planta de Detroit produce los modelos M1, M2 y M4. Los
modelos M1 y M2 slo se producen en Nueva Orleans. La planta de Los ngeles manufactura los modelos M3 y M4. Las capacidades de las diversas plantas y las demandas de los centros de distribucin se presentan aqu segn el tipo de modelo.
Para simplificar, suponemos que la tasa de transporte por automvil se mantiene en 8

centavos por milla recorrida para todos los modelos.
Para considerar los mltiples modelos de automviles, visualizamos el problema de
transporte en la forma siguiente. En vez de considerar cada planta como una fuente,
ahora la subdividimos en varias fuentes iguales al nmero de modelo que produce. De
manera anloga, cada centro de distribucin se puede considerar como aquel que
consta de cuatro estaciones receptoras que representan los cuatro modelos. El resultado final de esta situacin es que tenemos siete fuentes y ocho destinos. El modelo
se ilustra en la figura 3.2.
Figura 3.2 Red de transporte de mltiples mercancas
Ing. Klber Vera T.
73
PUCESE

La tabla siguiente proporciona una representacin completa de la tabla de transporte.

Ntese que ciertas rutas no son admisibles ya que, como est ahora el modelo, los
modelos de automviles no se pueden sustituir entre s. Por ejemplo, no podemos enviar mercanca de una fuente M1 a un destino M4. En la figura 3.2, una ruta cerrada se
indica a travs de un arco faltante. Estas rutas se representan en la tabla siguiente a
travs de la asignacin de un costo unitario muy elevado M.
Si se estudia detenidamente la tabla anterior se ver que en realidad resulta innecesario representar el problema por medio de un solo modelo de transporte. En virtud de la
completa independencia de los diferentes modelos, debemos poder representar el
problema para cada vehculo a travs de una tabla de transporte independiente, aunque mucho menor. En esencia, la tabla anterior puede descomponerse en las siguientes partes para representar modelos de transporte:
Ing. Klber Vera T.
74
PUCESE

La solucin ptima combinada de estos cuatro modelos de transporte es exactamente

la misma que la solucin ptima de la tabla anterior. Desde el punto de vista del clculo, la solucin de subproblemas de menor tamao ser mucho ms eficiente que la
lucin del modelo combinado.
Entonces de qu sirve el modelo combinado de la tabla anterior? Recurdese que el
motivo principal para poder descomponer la tabla anterior es que los diversos modelos
de automviles son completamente independientes entre s. Si existe interaccin entre
los modelos de automviles (por ejemplo, un modelo puede sustituirse por otro), no
ser posible en trminos generales descomponer el modelo combinado en la forma
directa que se utiliz.
La aplicacin del modelo de transporte no est limitada al problema de "transportar"
mercancas entre fuentes y destinos geogrficos. El ejemplo que sigue ilustra un problema aparte relacionado con el rea del "control de inventario de la produccin.
Ejemplo 3.4 (Modelo de Inventario de produccin).- Una compaa construye una
planta maestra para la produccin de un artculo en un perodo de cuatro meses. Las
demandas en los cuatro meses son 100, 200, 180 y 300 unidades, respectivamente.
Una demanda para el mes en curso puede satisfacerse a travs de:
1. Produccin excesiva en un mes anterior almacenada para su futuro consumo.
2. Produccin en el mes actual.
3. Produccin excesiva en un mes posterior para cubrir pedidos de meses anteriores.
El costo de produccin variable por unidad en un mes cualquiera es de $4.00. Una
unidad producida para consumo posterior incurrir en un costo de almacenamiento a
razn de $0.50 por unidad por mes. Por otra parte, los artculos ordenados en meses
anteriores incurren en un costo de penalizacin de $2.00 por unidad por mes.
La capacidad de produccin para elaborar el producto vara cada mes dependiendo de
los otros artculos que se produzcan. Los clculos de los cuatro meses siguientes son
50, 180, 280 y 270 unidades, respectivamente.
El objetivo es el de formular el plan de inventario de produccin a costo mnimo.
Este problema se puede formular como un modelo de "transporte". La equivalencia
entre los elementos de los sistemas de produccin y transporte se establece de la manera siguiente:
Ing. Klber Vera T.
75
PUCESE
1.
2.
3.
4.
5.

Sistema de transporte
Fuente i
Destino j
Oferta en la fuente i
Demanda en el destino j
Costo de transporte de la fuente i al
destino j
1.
2.
3.
4.
5.
Sistema de produccin
Perodo de produccin i
Perodo de demanda j
Capacidad de produccin del perodo i
Demanda del perodo j
Costo de produccin e inventario del
perodo i al j
En la tabla siguiente se presenta un resumen del problema como un modelo de transporte. El costo de "transporte" unitario del periodo i al j es
cij =
La definicin de cij indica que la produccin en el periodo i para el mismo periodo (i = j)

slo generar costo de produccin. Si en el periodo i se produce para periodos a futuro
(i < j), se incurre en un costo de almacenamiento adicional. De la misma manera, la
produccin en i para cubrir pedidos hechos con anterioridad (i > j) incurre en un costo
de penalizacin adicional. Por ejemplo,
3.2. SOLUCION DEL PROBLEMA DE TRANSPORTE

En esta seccin se presenta los detalles para resolver el modelo de transporte. El mtodo aplica los pasos del mtodo simplex en forma directa y difiere slo en los detalles
de la implantacin de las condiciones de optimidad y factibilidad.
3.2.1. Tcnica de Transporte
Los pasos bsicos de la tcnica de transporte son:
Ing. Klber Vera T.
76
PUCESE

Paso 1: determnese una solucin factible inicial.

Paso 2: determnese la variable que entra, que se elige entre las variables no bsicas.
Si todas estas variables satisfacen la condicin de optimidad (del mtodo simplex),
detngase; de lo contrario, dirjase al paso 3.
Paso 3: determnese la variable que sale (mediante el uso de la condicin de factibilidad) de entre las variables de la solucin bsica actual; despus obtngase la nueva
solucin bsica. Regrsese al paso 2.
Estos pasos se explicaran usando el problema de la tabla siguiente. El costo de transporte unitario cij se expresa en unidades monetarias. La oferta y la demanda estn
dadas en nmero de unidades.
Determinacin de la solucin inicial

La definicin general del modelo de transporte requiere que
Este
requisito da origen a una ecuacin dependiente, lo que significa que el modelo de
transporte tiene slo m + n 1 ecuaciones independientes. Por lo tanto, como en el
mtodo simplex, una solucin factible bsica inicial debe incluir m + n - 1 variables
bsicas.
Normalmente, si el modelo de transporte se formula como una tabla simplex, sera
necesario utilizar variables artificiales para asegurar una solucin bsica inicial. Sin
embargo, cuando se utiliza la tabla de transporte, una solucin factible bsica inicial se
puede obtener fcil y directamente. Se presenta un procedimiento llamado regla de la
esquina noroeste para este fin.
El mtodo de la esquina noroeste comienza con la asignacin de la mxima cantidad
admisible a travs de la oferta y la demanda de la variable x11 (la de la esquina noroeste de la tabla). Despus se tacha la columna (rengln) satisfecha, lo que indica que las
variables restantes de la columna (rengln) tachada son iguales a cero. Si se satisfacen una columna y un rengln al mismo tiempo, slo uno (una u otro) puede ser tachado. (Esta condicin garantiza la ubicacin automtica de variables bsicas cero, si
Ing. Klber Vera T.
77
PUCESE

las hay). Despus de ajustar las cantidades de oferta y demanda de todos los renglones y columnas no tachados, la cantidad factible mxima se asigna al primer elemento
no tachado de la nueva columna (rengln). El proceso se completa cuando se deja sin
tachar exactamente un rengln o una columna.
El procedimiento que se acaba de describir se aplica ahora al ejemplo de la tabla anterior.
1. x11 = 5, se tacha la columna 1. Por lo tanto, no se puede hacer otra asignacin
en la columna 1. La cantidad que falta en el rengln 1 son 10 unidades.
2. x12 = 10, se tacha el rengln 1 y faltan 5 unidades en la columna 2.
3. x22 = 5, se tacha la columna 2 y faltan 20 unidades en el rengln 2.
4. x23 = 15, se tacha la columna 3 y faltan 5 unidades en el rengln 2.
5. x24 = 5, se tacha el rengln 2 y faltan 5 unidades en la columna 4.
6. x34 = 5, se tacha el rengln 3 o la columna 4. Como slo un rengln o una columna se mantiene sin tachar, el proceso llega a su fin.
La solucin bsica inicial resultante se presenta en la tabla siguiente. Las variables
bsicas son x11 = 5, x12 = 10, x22 = 5, x23 = 15, x24 = 5 y x34 = 5. Las variables restantes
son no bsicas en el nivel cero. El costo de transporte asociado es 5 x 10 + 10 x 0 + 5
x 7 + 15 x 9 + 5 x 20 + 5 x 18 = $ 410.
Cuando se satisfacen al mismo tiempo una columna y un rengln, la siguiente variable

que se agregar a la solucin bsica estar necesariamente en el nivel cero. La tabla
siguiente ilustra este aspecto. La columna 2 y el rengln 2 se satisfacen simultneamente.
Si se tacha la columna 2, x23 se vuelve bsica en el nivel cero en el paso siguiente, ya

que la demanda restante del rengln 2 vale ahora cero. (Este caso se presenta en la
tabla anterior). Si en cambio se cruza el rengln 2, x32 sera la variable bsica cero.
Las soluciones iniciales de las tablas anteriores incluyen el nmero adecuado de variables bsicas, o sea, m + n - 1 = 6. La regla de la esquina noroeste produce siempre
el nmero adecuado de variables bsicas.
Ing. Klber Vera T.
78
PUCESE

Determinacin de la variable de entrada (mtodo de multiplicadores)

La variable que entra se determina mediante el uso de la condicin de optimidad del
mtodo simplex. En el mtodo de multiplicadores se asocia los multiplicadores ui y vj
con el rengln i y la columna j de la tabla de transporte. Para cada variable bsica xij
de la solucin actual, los multiplicadores ui y vj deben satisfacer la ecuacin que sigue:
Estas ecuaciones producen m + n - 1 ecuaciones (porque slo hay m + n - 1 variables

bsicas) con m + n incgnitas. Los valores de los multiplicadores se pueden determinar a partir de estas ecuaciones suponiendo un valor arbitrario para cualquiera de los
multiplicadores (por lo general u1 se hace igual a cero) y resolviendo las m + n 1
ecuaciones de los m + n - 1 multiplicadores desconocidos restantes. Al hacer esto, la
evaluacin de cada variable no bsica xpq est dada por
(Estos valores sern los mismos sin importar la eleccin arbitraria del valor de u1).
Despus se selecciona la variable que entra como la variable no bsica con la variable
ms positiva (comprese con la condicin de optimidad de minimizacin del mtodo simplex).
Si aplicamos este procedimiento a las variables no bsicas de la tabla de solucin actual, las ecuaciones asociadas con las variables bsicas estn dadas como
Haciendo u1 = 0, los valores de los multiplicadores se determinan sucesivamente como

v1 = 10, v2 = 0, u2 = 7, v3 = 2, v4 = 13 y u3 = 5. Las evaluaciones de las variables no
bsicas estn dadas de la manera siguiente:
Como x31 tiene la variable

entra.
ms positiva, sta se selecciona como la variable que
Ing. Klber Vera T.
79
PUCESE

Determinacin de la variable que sale (construccin de un ciclo)

Este paso es equivalente a aplicar la condicin de factibilidad del mtodo simplex. Sin
embargo, como todos los coeficientes de restricciones del modelo de transporte original son cero o uno, las razones de la condicin de factibilidad tendrn siempre su denominador igual a uno. Por lo tanto, los valores de las variables bsicas producirn
directamente las razones asociadas.
Para el fin de determinar la razn mnima, construimos un ciclo cerrado para la variable actual que entra (x31 en la iteracin actual). El ciclo empieza y termina en la variable no bsica designada. Este consta de los segmentos sucesivos horizontales y verticales (conectados) cuyos puntos extremos deben ser variables bsicas, salvo para los
puntos extremos que estn asociados con la variable que entra. Esto significa que
todo elemento de esquina del ciclo debe ser una celda que contenga una variable bsica. La tabla siguiente ilustra un ciclo para la variable que entra x31 dada en la solucin bsica de la tabla actual. Este ciclo se puede definir en trminos de las variables
bsicas como x31 x11 x12 x22 x24 x34 x31. Es irrelevante si el ciclo es en
el sentido de las manecillas del reloj o en sentido contrario. Obsrvese que para una
solucin bsica dada slo se puede construir un ciclo nico para cada variable no bsica.
Podemos apreciar en la tabla anterior que si x31 (la variable que entra) se incrementa
en una unidad, entonces para mantener la factibilidad de la solucin, las variables bsicas de esquina del ciclo x31 deben ajustarse como sigue. Disminyase x11 en una
unidad, incremntese x12 en una unidad, disminyase x22 en una unidad, incremntese
x24 en una unidad y por ltimo disminyase x34 en una unidad. Este proceso se resume
a travs de los signos de ms
y de menos
de las esquinas adecuadas de la
tabla anterior. El cambio mantendr satisfechas las restricciones de oferta y demanda.
La variable que sale se selecciona de entre las variables de esquina del ciclo que disminuirn cuando la variable que entra x31 aumente arriba del nivel cero. Estas situaciones se indican en la tabla anterior a travs de las variables contenidas en el cuadro
etiquetado con los signos menos
. De la tabla anterior, x11, x22 y x34 son las varia-
Ing. Klber Vera T.
80
PUCESE

bles bsicas que disminuirn cuando aumente x31. Despus se selecciona la variable
que sale como la que tiene el valor ms chico, ya que ser la primera en llegar al valor
cero y cualquier disminucin adicional la volver negativa (comprese la condicin de
factibilidad del mtodo simplex, donde la variable que sale est asociada con la razn
mnima). En este ejemplo las tres variables
x11, x22 y x34 tienen el mismo valor (= 5)
y en este caso se puede seleccionar cualquiera de ellas como la variable que sale.
Supngase que x34 se toma como la variable que sale; despus se incrementa a 5 el
valor de x31 y los valores de las variables de esquina (bsicas) se ajustan segn este
incremento (es decir, cada una se incrementa o disminuye en 5, dependiendo de si
tiene el signo
o
asociado con ella). La nueva solucin se presenta en la tabla
siguiente. Su nuevo costo es 0 x 10 + 15 x 0 + 0 x 7 + 15 x 9 + 10 x 20 + 5 x 0 = $ 335.
Este costo difiere del asociado con la solucin inicial en 410 - 335 = $ 75, que es igual
al nmero de unidades asignadas a x31 (= 5) multiplicado por
(= $15).
La solucin bsica de la tabla anterior es degenerada, ya que las variables bsicas x11
y x22 son cero. Sin embargo, la degeneracin no requiere precauciones especiales y
las variables bsicas cero se consideran como cualquier otra variable bsica positiva.
Ahora se revisa la optimidad de la nueva solucin bsica de la tabla anterior calculando los nuevos multiplicadores como se indica en la tabla siguiente. Los valores de cpq
estn dados por los nmeros de la esquina suroeste de cada celda no bsica. La variable no bsica x21 con la variable
positiva mayor entra en la solucin. El ciclo
cerrado asociado con x21 muestra que x11 o x22 pueden ser la variable que sale. Seleccionamos arbitrariamente x11 como la que sale de la solucin.
Ing. Klber Vera T.
81
PUCESE

La tabla siguiente muestra la nueva solucin bsica que sigue de la tabla anterior (x21
entra y x11 sale). Los nuevos valores de ui, vj y
se vuelven a calcular.
La tabla anterior muestra la variable que entra y la que sale como x14 y x24 respectivamente. Al efectuar este cambio en la tabla anterior, obtenemos la nueva solucin de la
tabla siguiente.
Como todas las variables

de la tabla anterior son no positivas, se ha llegado a la
solucin ptima (comprese con la condicin de optimidad de minimizacin del mtodo
simplex).
La solucin ptima se resume como sigue. Envense cinco unidades de (la fuente) 1 a
(el destino) 2 a 5 x 0 = $0, 10 unidades de 1 a 4 a 10 x 11 = $110, 10 unidades de 2 a
2 a 10 x 7 = $70, 15 unidades de 2 a 3 a 15 x 9 = $135 y 5 unidades de 3 a 1 a 5 x 0 =
$0. El costo de transporte total del programa es $315.
Ing. Klber Vera T.
82
PUCESE

3.3. MODELO DE ASIGNACION

Considrese la situacin de asignar m trabajos (o trabajadores) a n mquinas. Un trabajo i (= 1,2,..., m) cuando se asigna a la mquina j (= 1,2,..., n) incurre en un costo cij.
El objetivo es el de asignar los trabajos a las mquinas (un trabajo por mquina) al
menor costo total. La situacin se conoce como problema de asignacin.
La formulacin de este problema puede considerarse como un caso especial del modelo de transporte. Aqu los trabajos representan "fuentes" y las mquinas representan
"destinos". La oferta disponible en cada fuente es 1; es decir, ai = 1 para toda i. De
manera anloga, la demanda requerida en cada destino es 1; esto es, bj = 1 para toda
j. El costo de "transportar" (asignar) el trabajo i a la mquina j es cij. Si un trabajo no
puede asignarse a cierta mquina, el elemento cij correspondiente se toma igual a M,
que es un costo muy elevado. La tabla siguiente presenta una representacin general
del modelo de asignacin.
Antes de que el modelo se pueda resolver a travs de la tcnica de transporte, es necesario balancear el problema sumando trabajos o mquinas ficticios, dependiendo de
si m < n o m > n. Por lo tanto, se supondr que m = n sin que se pierda la generalidad.
El modelo de asignacin se puede expresar matemticamente de la manera siguiente:
por lo tanto, el modelo est dado por
sujeto a
Para ilustrar el modelo de asignacin, considrese el problema de la tabla siguiente

con tres trabajos y tres mquinas. La solucin inicial (mediante el uso de la regla de la
esquina noroeste) es claramente degenerada. Este ser siempre el caso en el modelo
de asignacin sin importar el mtodo que se aplique para obtener la base inicial. De
hecho, la solucin seguir siendo degenerada en todas y cada una de las iteraciones.
Ing. Klber Vera T.
83
PUCESE

3.3.1. Variantes del problema

Como el problema de asignacin puede considerarse como un caso especial del probrema de transporte, las variantes que pueden surgir en el problema de asignacin
son similares a las que se presentan para el problema de transporte. En particular, se
puede manejar lo siguiente:
1. El nmero de agentes no es igual al nmero de tareas
2. Una funcin objetivo de maximizacion
3. Asignaciones inaceptables
El caso en que el nmero de agentes no es igual al nmero de tareas es anlogo a la
situacin del problema de transporte cuando la oferta total no es igual a la demanda
total. Si el nmero de agentes excede al nmero de tareas no existe problema con el
modelo de programacin lineal; los agentes adicionales simplemente permanecen sin
asignacin. Si el nmero de tareas excede al nmero de agentes, el modelo de programacin lineal no tendra solucin factible. En este caso, una modificacin simple
consiste en incluir los agentes ficticios suficientes para hacer que el nmero de agentes sea igual al nmero de tareas. Los coeficientes de la funcin objetivo para la asignacin de los agentes ficticios sera igual a cero, de manera que el valor de la solucin
ptima representara el nmero total de das que se requeran de acuerdo con las
asignaciones que de hecho se hicieron (sin que en realidad se efectuaran asignaciones a las tareas que recibieran agentes ficticios).
Si se evalan las alternativas de asignacin en trminos de los ingresos o las utilidades, en vez de hacerlo en trminos de tiempo o costo, puede resolverse el planteamiento de programacin lineal como un problema de maximizacin y no de minimizacin. Adems, si una o ms de las asignaciones son inaceptables, puede eliminarse
del planteamiento de programacin lineal la correspondiente variable de decisin. Por
ejemplo, esto podra suceder si algn agente no tuviera la experiencia necesaria para
ser asignado a una o ms tareas.
Ing. Klber Vera T.
84
PUCESE

3.4. MODELO DE TRANSBORDO

El problema de transbordo es una ampliacin del problema de transporte en el que se
aaden nodos intermedios, a los que se denomina nadas de transbordo, para tomar en
consideracin ubicaciones tales como almacenes. En este problema de distribucin
del tipo ms general, se permite que ocurran envos entre cualquier par de los tres
tipos generales de nodos: nodos de origen, nodos de transbordo y nodos de destino.
Por ejemplo, el problema de transbordo permite los envos de artculos desde una ubicacin de abasto (origen) a otra ubicacin de abasto, desde una ubicacin de transbordo a otra, y desde un destino a otro, y directamente desde orgenes hasta destinos.
Al igual que result cierto para el problema de transporte, la oferta disponible en cada
origen es limitada, y se conoce la demanda en cada destino. El objetivo del problema
de transbordo es determinar cuntas unidades se deben enviar sobre cada arco de la
red, de manera que se satisfagan las demandas de todos los destinos con el mnimo
costo de transporte posible.
Considrese ahora el problema de transbordo que enfrenta la empresa Ryan Electronics. Esta es una compaa de artculos electrnicos que tiene instalaciones de produccin en Denver y Atlanta. Los componentes, que se fabrican en ambas instalaciones, pueden enviarse a cualquiera de los almacenes regionales de la empresa, que se
encuentran en la ciudad de Kansas y en Louisville. La firma abastece, desde los almacenes regionales, sus expendios de Detroit, Miami, Dallas y Nueva Orleans. En la red
que se muestra a continuacin aparecen las caractersticas bsicas del problema.
Ing. Klber Vera T.
85
PUCESE

Obsrvese que en los mrgenes izquierdo y derecho, respectivamente, se muestran el

abasto u oferta en cada planta y la demanda en cada expendio de venta. Los nodos 1
y 2 son los de origen, los nodos 3 y 4 son los de transbordo y los nodos 5, 6, 7 y 8 son
los de destino. En la tabla siguiente aparecen los costos unitarios de transporte para
cada ruta de distribucin, as como tambin en los arcos del modelo de red.
Al igual que con los problemas de transporte y asignacin, es fcil plantear un modelo
de programacin lineal para el problema de transbordo, partiendo de la representacin
de red. De nueva cuenta, se requiere una restriccin para cada nodo y una variable
para cada arco. Se utilizan xij para representar el nmero de unidades que se envan
del nodo i al nodo j. Por ejemplo, x13 denota el nmero de unidades que se envan de
la planta de Denver al almacn de la ciudad de Kansas, x14 denota el nmero de unidades que se envan de la planta de Denver al almacn de Louisville, y as sucesivamente. Como la oferta o abasto en la planta de Denver es 600 unidades, la cantidad
que se enva desde la planta de Denver debe ser menor que o igual a 600. En trminos matemticos, esta restriccin de oferta se escribe
De manera similar, para la planta de Atlanta, se tiene
Se considera ahora la forma en la que se deben escribir las restricciones correspondientes a los dos modos de transbordo. Para el nodo 3 (el almacn de la ciudad de
Kansas) debe garantizar que el nmero de unidades que se envan es igual al nmero
de unidades que se reciben en el almacn. Dado que
Ing. Klber Vera T.
86
PUCESE

se obtiene
Colocar todas las variables en el lado izquierdo de la expresin permite escribir la restriccin correspondiente al nodo 3 de la siguiente manera:
En forma similar, la restriccin correspondiente al nodo 4 es
Con objeto de establecer las restricciones correspondientes a los nodos de destino, es

necesario advertir que -para cada nodo- la cantidad que se enva a ese destino debe
ser igual a la demanda. Por ejemplo, para satisfacer la demanda de 200 unidades en
el nodo 5 (el expendio de ventas de Detroit),
De manera similar se obtienen las siguientes restricciones para los nodos 6, 7 y 8:
Segn lo acostumbrado, la funcin objetivo refleja el costo total de los envos en las 12
rutas. Combinando la funcin objetivo con las restricciones se llega al modelo de programacin lineal de doce variables y ocho restricciones para el problema de transbordo de la Ryan Electronics
Ing. Klber Vera T.
87
PUCESE

Como se mencionaba al principio de esta seccin, en el problema de transbordo es

posible tener arcos entre cualquier par de nadas. Todos esos patrones de embarques
son posibles en los problemas de transbordo. De cualquier manera, slo se requiere
una restriccin por nodo, pero la restriccin debe incluir una variable para cada arco
que entra o sale del nodo
Para los nodos de origen, se necesita que la suma de los embarques de salida, menos
los embarques que llegan, sea menor que o igual a la oferta en el origen. Para los nodos de destino, la suma de los envos que llegan menos la suma de los envos que
salen debe ser igual a la demanda. Para los nodos de transbordo, se requiere que la
suma de los envos que salen sea igual a la suma de los envos que entran, al igual
que antes.
1. Dos camales, P y Q, se encargan de suministrar la carne consumida semanalmente en tres ciudades, R, S y T: 20, 22 y 14 toneladas, respectivamente. El camal P
produce cada semana 26 toneladas de carne, y el Q, 30. Sabiendo que los costes
de transporte, por tonelada de carne, desde cada camal a cada ciudad, son los reflejados en la siguiente tabla:
R S T
P 1 3 1
Q 2 1 1
Determinar cul es la distribucin de transporte que supone un coste mnimo.
Ing. Klber Vera T.
88
PUCESE

2. Desde dos almacenes A y B, se tiene que distribuir fruta a tres mercados de la ciudad. El almacn A dispone de 10 toneladas de fruta diarias y el B de 15 toneladas,
que se reparten en su totalidad. Los dos primeros mercados necesitan, diariamente, 8 toneladas de fruta, mientras que el tercero necesita 9 toneladas diarias. El
coste del transporte desde cada almacn a cada mercado viene dado por el siguiente cuadro:
Almacn Mercado 1 Mercado 2 Mercado 3
A
10
15
20
15
10
10
Planificar el transporte para que el coste sea mnimo.

3. La Empresa transportista ABC posee varios camiones usados para acarrear piedra
molida para proyectos de carreteras en el municipio. El contratista de carreteras
para quien trabaja le ha dado el programa de la semana siguiente. Calcule el costo
ptimo del transporte.
Proyecto
Necesidades Semanales, Cargas de Camin
Planta
Disponibilidad Semanal,
Cargas de Camin
50
45
75
60
50
40
Informacin de Costos:
De
Al proyecto A
Al proyecto B
Al proyecto C
Planta W
$4
$3
$3
Planta X
Planta Y
4. Una compaa tiene tres fbricas (A, B y C) para ensamblar computadoras, y dispone de tres tiendas habilitadas para la venta (D, E y F). Las cantidades producidas por A, B y C son 1.000, 5.000 y 4.000 unidades por da respectivamente. La
mxima cantidad que puede vender el almacn D es 3000 unidades/da, E es
6000 unidades/da y F es 7000 unidades/da. Los costos de transporte de cada
fbrica a cada almacn estn dados en la siguiente tabla:
Suministro
A
B
C
D
1
3
4
Demanda
E
4
1
5
F
2
2
2
Obtener una solucin bsica factible por el mtodo de la esquina del noroeste.
Resolver por el mtodo de los multiplicadores.
Ing. Klber Vera T.
89
PUCESE

5. Tres centrales de distribucin tienen que dar electricidad a tres ciudades. La tabla
de costos de transporte de electricidad es la siguiente:
CENTRAL
I
II
III
DEMANDA (MKwh)
CIUDAD
B
6
12
9
20
A
8
9
14
45
SUMINISTRO
(MKwh)
35
50
40
C
10
13
16
30
Determine las variables de decisin y plantee el problema de minimizacin, determinando la distribucin elctrica para cada ciudad.
6. Hay que distribuir el agua de tres pozos entre tres ciudades. La tabla de costos de
distribucin es la siguiente:
POZO
I
II
III
DEMANDA Mlts/dia)
A
7
5
9
55
CIUDADES
B
8
12
7
40
C
10
4
8
60
OFERTA
(Mlts/dia)
40
30
45
Plantear el problema del transporte dado por dicha tabla. est equilibrado?
Como puede equilibrarlo? Determine la distribucin del Agua para cada una de
las ciudades.
7. Una Empresa dispone de 3 plantas (Pli) para hacer 3 tipos de productos (Pri). Los
costos y tiempos de produccin aparecen en la tabla. Si se necesitan 100 unidades de cada producto y hay disponibles 40 horas de trabajo, formular un modelo
de transporte para minimizar costos y resolverlo.
Pl1
Pl2
Pl3
Pr1
60
50
43
Pr2
40
30
20
Pr3
28
30
20
tiempo (minutos)
20
16
15
8. Tres refineras con capacidades diarias mximas de 6, 5 y 8 millones de galones

de gasolina reparten a tres reas de distribucin con demandas diarias de 4, 8 y 7
millones de galones del combustible. La gasolina se transporta a las tres reas de
distribucin a travs de una red de tuberas. El costo de transporte se calcula con
base en la longitud de la tubera aproximadamente a 1 centavo por 100 galones
por milla recorrida. La tabla de distancia que se resume muestra que la refinera 1
no est conectada al rea de distribucin 3. Formule el problema como un modelo
de transporte.
reas
Refineras
1
2
3
1
120
300
200
Ing. Klber Vera T.
2
180
100
250
3
--80
120
90
PUCESE

9. Una empresa de electricidad tiene 4 plantas termoelctricas que son abastecidas

por 3 minas de carbn. La oferta total de carbn de las minas es igual a los requerimientos totales de las plantas termoelctricas. Existe un costo de transporte de
una unidad desde cada mina a cada planta. En la tabla que se muestra a continuacin se indican la oferta disponible, los requerimientos y los costos de transporte
por unidad.
Mina
1
2
3
Demanda
Planta
1
2
5
1
6
2
3
4
3
11
3
4
3
3
17
Oferta
4
5
1
2
12
14
15
17
La empresa de electricidad quiere determinar cuntas unidades debe transportar

desde la mina a cada planta para minimizar el costo de transporte.
10. Un fabricante tiene tres plantas P1, P2, P3 y cinco bodegas B1,..., B5, el problema
es establecer la planta Pi que debe producir el suministro para cada bodega. La
capacidad de las plantas es limitada. En la tabla aparecen la capacidad de produccin de las plantas y los requerimientos de ventas de las bodegas en miles de cajas:
Planta
Produccin
Bodega
Venta
P1
100
B1
50
P2
60
B2
10
P3
50
B3
60
B4
30
B5
20
Total
170
Total
210
El costo de despacho de 1000 cajas desde cada planta a cada bodega aparece en
la siguiente tabla:
Destino Origen US$
B1
B2
B3
B4
B5
P1
240
300
160
500
360
P1
420
440
300
200
220
P3
300
340
300
480
400
La compaa desea determinar un programa de embarques que minimice los costos generales de transporte de la empresa
11. Considerar el problema que enfrenta el departamento de transporte de una compaa que tiene 3 plantas y cuatro almacenes regionales. Cada mes se dispone de
Ing. Klber Vera T.
91
PUCESE

una lista de los requerimientos de cada almacn y se conocen tambin las capacidades de produccin de las plantas. Adems se conoce el costo de embarque de
cada planta a cada almacn. El problema es determinar que plantas deben abastecer a qu almacenes de manera que se minimicen los costos totales de transporte.
Almacenes
Plantas
1
2
3
Cantidad
requerida
1
19
70
40
2
30
30
6
3
50
40
10
4
10
60
20
14
Cantidad
disponible
7
9
18
12. Considere el problema de transporte que se originan debido a un accidente. Existen tres ambulancias con distintas capacidades para trasladar heridos hacia cuatro
Servicios de Urgencia. La siguiente tabla presenta la capacidad de las Ambulancias y los Servicios de Urgencia.
Ambulancia
1
2
3
Servicio de
Demanda
Urgencia
1
4
2
3
3
4
4
4
Capacidad
3
7
5
Los costos generados por el transporte se muestran en la siguiente tabla.
Ambulancia 1
Ambulancia 2
Ambulancia 3
SU 1
2
10
7
SU 2
2
8
6
SU 3
2
5
6
SU 4
1
4
8
Utilizando el Mtodo de Costo Mnimo, encuentre la solucin inicial. Es ptima?

Si no lo es, encuentre la solucin ptima
13. Una cadena de restaurantes de servicio rpido desea construir cuatro tiendas. Anteriormente, la compaa ha empleado 6 diferentes compaas y, estando satisfecha con todas ellas, las ha invitado a concursar para cada trabajo. Las ofertas finales en miles de dlares son las que se muestran.
Tienda
1
2
3
4
1
85.3
78.9
82
84.3
2
88
77.4
81.3
84.6
Constructora
3
4
87.5
82.4
77.4
76.5
82.4
80.6
86.2
83.3
5
89.1
79.3
83.5
84.4
6
86.1
78.3
81.7
85.5
Ya que la cadena desea tener listos los nuevos establecimientos tan pronto como
sea posible otorgar cuando ms un trabajo a cada compaa constructora, Qu
Ing. Klber Vera T.
92
PUCESE

asignacin da como resultado un costo total mnimo para la cadena de restaurantes?

14. El seleccionador del equipo de natacin de Argentina debe decidir los nadadores
que participarn en la prueba de relevos de 200 m. Como muchos de los mejores
nadadores son rpidos en ms de un estilo, le resulta difcil decidir quin nadar
cada estilo. Los tiempos de los cinco mejores nadadores en cada uno de los estilos
son:
El seleccionador quiere determinar el equipo de relevos que realizar el mejor

tiempo. Plantee el modelo de PL que soluciona el problema del entrenador.
15. Para determinar su programa de transportes, una empresa automovilstica nos da
los siguientes datos: los vehculos se fabrican en tres plantas (Crdoba, Campana
y Rosario) y se tienen que enviar a tres grandes centros distribuidores (Car One,
Hot Weels y Casares), siendo los costes de transporte por vehculo, las capacidades de produccin de cada planta y las demandas de distribucin de cada centro
las que se dan en la tabla:
Plantee el modelo de PL que minimiza los costos y resuelva el problema.

16. Considere la siguiente representacin de red para un problema de transporte.
Ing. Klber Vera T.
93
PUCESE

Se muestran en la red las ofertas, las demandas y los costos de transporte por
unidad. Resolver el problema lineal para determinar la solucin ptima
17. La Austine Manufacturing Company tiene actualmente un programa de embarques
que la administracin no considera como ptimo. La empresa tiene tres fbricas y
cinco bodegas. Buscar un programa ptimo de embarques, en trminos de costos
de embarque que sean los ms bajos posibles.
Bodegas
1
2
3
4
5
Capacidad
de fbrica
A
5
8
6
6
3
Fbricas
B
4
7
7
6
5
C
8
4
6
6
4
800
600
1000
Requerimientos
de bodega
400
400
500
400
800
18. Una empresa produce equipos musicales para automviles en cuatro pases (Burundi, Kenia, Ruanda y Uganda) que posteriormente enva a tres fbricas de automviles situadas en Valladolid, Hamburgo y Miln. Hasta ahora la produccin total
no ha sido capaz de satisfacer la demanda total, por lo que la empresa ha decidido
construir una nueva planta, ya sea en Tanzania o en Zimbabwe. Las demandas,
capacidades de produccin y los costos unitarios de transporte son:
Ing. Klber Vera T.
94
PUCESE

Formule un modelo de PL que permita determinar la mejor ubicacin de la nueva

planta y resuelva el problema para determinar cul es la ubicacin de la nueva
planta y el costo total de operacin del programa de produccin y transporte.
19. Se fabrica un producto en tres plantas y se enva a tres almacenes. Los costos de
transporte por unidad se muestran en la tabla.
Plantas
Detroit
Saint Louis
Denver
Demanda
Boston
5
8
9
300
Almacenes
Atlanta
2
4
7
200
Houston
3
3
5
200
Oferta
100
300
300
Elabore una representacin de red para este problema, elabore un modelo de

programacin lineal para el modelo de transporte y resuelva el problema de programacin lineal.
20. Pueden usarse tres clasificaciones de trabajadores (w1, w2, w3), en tres trabajos
distintos (j1, j2, j3) de acuerdo con un convenio con el sindicato. Cada trabajador
tiene un costo diferente para cada trabajo, y que aparece en la tabla siguiente:
Trabajos
j1
j2
j3
Trabajadores
disponibles
w1
4
4.40
4.60
Trabajador
w2
3.60
3.50
4.40
w3
3.75
4
4.60
Trabajadores
requeridos
5
20
10
10
15
10
35
Cual es la mejor asignacin de trabajadores a los diversos trabajos, a fin de reducir al mnimo los costos?
21. La Nielsen Printing Company tiene seis pedidos de folletos de publicidad de una
sola pgina. Las cantidades son las siguientes: 28000, 15000, 15000, 20000,
38000 y 44000. Las tres prensas disponibles pueden producir 50000, 70000 y
60000 hojas diarias, respectivamente. Los costos variables por millar para producir
los pedidos en las tres prensas son los siguientes:
Ing. Klber Vera T.
95
PUCESE

Prensas
1
2
3
1
4.48
4.40
4.63
2
5.60
5.44
4.80
Pedidos
3
4
6.40
5.4
6.70
4.82
6.20
5.26
5
6.42
7.52
6.18
6
4.88
5.44
5.26
Determinar la asignacin ptima de los pedidos a las prensas 1, 2 y 3
Ing. Klber Vera T.
96
PUCESE

4. PROGRAMACIN DE PROYECTOS CON PERT/CPM

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 en un
proyecto, usualmente se ve como un trabajo que requiere tiempo y recursos para su
terminacin. En general, un proyecto es un esfuerzo de solo un 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" entonces era el diagrama de
barras de Gantt, el cual especifica los tiempos de inicio y 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 demandado tcnicas de planeacin ms sistemticas y ms efectivas con el objeto de optimizar la eficiencia en la ejecucin del proyecto. La eficiencia aqu 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.
La administracin de proyectos ha evolucionado como un nuevo campo con el desarrollo de dos tcnicas analticas para la planeacin, programacin y control de proyectos. Tales son el Mtodo de Ruta Critica (CPM) y la Tcnica de Evaluacin y Revisin de Proyectos (PERT). Las dos tcnicas fueron desarrolladas por dos grupos
diferentes casi simultneamente (1956-1958). El CPM fue desarrollado primero por E.
I. du Pont de Nemours & Company como una aplicacin a los proyectos de construccin y posteriormente se extendi a un estado ms avanzado por MauchIy Associates.
El PERT, por otra parte, fue desarrollado para la Marina de Estados Unidos por una
organizacin consultora con el fin de programar las actividades de investigacin y
desarrollo para el programa de misiles Polaris.
Los mtodos PERT y CPM estn bsicamente orientados en el tiempo en el sentido
que ambos llevan a la determinacin de un programa de tiempo. Aunque los dos mtodos fueron desarrollados casi independientemente, ambos son asombrosamente
similares. Quiz la diferencia ms importante es que originalmente las estimaciones en
el tiempo para las actividades se supusieron determinantes en CPM y probables en
PERT. Ahora PERT y CPM comprenden realmente una tcnica y las diferencias, si
existe alguna, son nicamente histricas. En adelante, ambas se denominarn tcnicas de "programacin de proyectos".
La programacin de proyectos por PERT - CPM consiste en 3 fases bsicas: planeacin, programacin y control.
La fase de planeacin se inicia descomponiendo el proyecto en actividades distintas.
Las estimaciones de tiempo para estas actividades se determinan luego y se construye un diagrama de red (o de flechas) donde cada uno de sus arcos (flechas) representa una actividad. El diagrama de flechas completo da una representacin grfica de las
interdependencias entre las actividades del proyecto. La construccin del diagrama de
flechas como una fase de planeacin, tiene la ventaja de estudiar los diferentes trabajos en detalle, sugiriendo quiz mejoras antes de que el proyecto realmente se ejecute.
Ser ms importante su uso en el desarrollo de un programa para el proyecto.
Ing. Klber Vera T.
97
PUCESE

El ltimo objetivo de la fase de programacin es construir un diagrama de tiempo que

muestre los tiempos de iniciacin y terminacin para cada actividad, as como su relacin con otras actividades del proyecto. Adems, el programa debe sealar las actividades crticas (en funcin del tiempo) que requieren atencin especial si el proyecto se
debe terminar oportunamente. Para las actividades no crticas el programa debe mostrar los tiempos de holgura que pueden utilizarse cuando tales actividades se demoran
o cuando se deben usar eficientemente recursos limitados.
La fase final en la administracin de proyectos es la de control. Esto incluye el uso del
diagrama de flechas y la grfica de tiempo para hacer reportes peridicos del progreso. La red puede, por consiguiente, actualizarse y analizarse y si es necesario, determinar un nuevo programa para la porcin restante del proyecto.
4.1. REPRESENTACIONES CON DIAGRAMA DE FLECHAS (RED)
El diagrama de flechas representa las interdependencias y relaciones de precedencia
entre las actividades del proyecto. Se utiliza comnmente una flecha para representar
una actividad, y la punta indica el sentido de avance del proyecto. La relacin de precedencia entre las actividades se especifica utilizando eventos. Un evento representa
un punto en el tiempo y significa la terminacin de algunas actividades y el comienzo
de nuevas. Los puntos inicial y final de una actividad, por consiguiente, estn descritos
por dos eventos usualmente conocidos como evento de inicio y evento terminal. Las
actividades que originan un cierto evento no pueden comenzar hasta que las actividades que concluyen en el mismo evento hayan terminado. En la terminologa de la teora de redes cada actividad est representada por un arco dirigido y cada evento est
simbolizado por un nodo. La longitud del arco no necesita ser proporcional a la duracin de la actividad ni tiene que dibujarse como una lnea recta.
La figura siguiente (a) muestra un ejemplo de una representacin tpica de una actividad (i, j) con su evento de inicio i y su evento de terminacin j. La figura siguiente (b)
muestra otro ejemplo donde las actividades (1, 3) y (2, 3) deben terminarse antes que
pueda comenzar la actividad (3, 4). La direccin de avance de cada actividad se especifica asignando un nmero ms pequeo al evento inicial comparado con el nmero
de su evento terminal. Este procedimiento es especialmente conveniente para clculos
automticos.
Las reglas para construir el diagrama de flechas se resumirn ahora.

Regla 1. Cada actividad est representada por una y slo una flecha en la red. Ninguna actividad puede representarse dos veces en la red. Esto es distinto del caso donde
una actividad se descompone en segmentos. En este caso cada segmento puede estar representado por una flecha separada. Por ejemplo, al tender una tubera, este
trabajo puede hacerse en secciones y no como un solo trabajo.
Ing. Klber Vera T.
98
PUCESE

Regla 2. Dos actividades diferentes no pueden identificarse por los mismos eventos
terminal y de inicio. Una situacin como esta puede surgir cuando dos o ms actividades deben ejecutarse simultneamente. Un ejemplo se muestra en la figura siguiente
(a) donde las actividades A y B tienen los mismos eventos finales. El procedimiento es
introducir una actividad ficticia ya sea entre A y uno de los eventos finales, o entre B y
uno de los eventos finales. Las representaciones modificadas, despus de introducir la
actividad ficticia D se muestran en la figura siguiente (b). Como un resultado de usar
D, las actividades A y B pueden ahora identificarse por eventos finales nicos. Debe
notarse que una actividad ficticia no consume tiempo o recursos.
Las actividades ficticias son tambin tiles al establecer relaciones lgicas en el diagrama de flechas, las cuales de otra manera, no pueden representarse correctamente.
Suponga que en cierto proyecto los trabajos A y B deben preceder a C. Por otra parte,
el trabajo E est precedido por el trabajo B solamente. La figura siguiente (a) muestra
la forma incorrecta, ya que aunque la relacin de A, B y E es correcta, el diagrama
implica que E debe estar precedida tanto por A como B. La representacin correcta
usando D ficticia se muestra en la figura siguiente (b). Ya que D no consume tiempo (o
recursos) las relaciones de precedencia indicadas estn satisfechas.
Regla 3. A fin de asegurar la relacin de precedencia correcta en el diagrama de flechas, las siguientes preguntas deben responderse cuando se agrega cada actividad a
la red.
(a) Qu actividades deben terminarse inmediatamente antes de que esta actividad
pueda comenzar?
(b) Qu actividades deben seguir a esta actividad?
(c) Qu actividades deben efectuarse simultneamente con esta actividad?
Esta regla se explica por s misma. Realmente permite verificar (y volver a verificar) las
relaciones de precedencia cuando se avanza en el desarrollo de la red.
Ing. Klber Vera T.
99
PUCESE

Ejemplo 4.1
Construya el diagrama de flechas que comprenda las actividades A, B, C, . . .y L que
satisfagan las relaciones siguientes:
1. A, B y C, son las actividades iniciales del proyecto que comienzan simultneamente.
2. A y B preceden a D.
3. B precede a E, F y H.
4. F y C preceden a G.
5. E y H preceden a I y J.
6. C, D, F y J preceden a K.
7. K precede a L.
8. I, G y L son las actividades finales del proyecto.
4.2. CALCULOS DE RUTA CRITICA

La aplicacin de PERT-CPM deber proporcionar un programa, especificando las fechas de inicio y terminacin de cada actividad. El diagrama de flechas constituye el
primer paso hacia el logro de esa meta. Debido a la interaccin de las diferentes actividades, la determinacin de los tiempos de inicio y terminacin, requiere clculos especiales. Estos clculos se realizan directamente en el diagrama de flechas usando
aritmtica simple. El resultado final es clasificar las actividades de los proyectos como
crticas o no crticas. Se dice que una actividad es crtica si una demora en su comienzo causar una demora en la fecha de terminacin del proyecto completo. Una
actividad no crtica es tal que el tiempo entre su comienzo de inicio ms prximo y de
terminacin ms tardo (como lo permita el proyecto) es ms grande que su duracin
real. En este caso, se dice que la actividad no crtica tiene un tiempo de holgura.
4.2.1. Determinacin de la Ruta Crtica
Una ruta crtica define una cadena de actividades crticas, las cuales conectan los
eventos inicial y final del diagrama de flechas. En otras palabras, la ruta crtica identifica todas las actividades crticas del proyecto. El mtodo para determinar tal ruta se
ilustrar con un ejemplo numrico.
Ejemplo 4.2
Considere la red de la figura siguiente, la cual comienza en el nodo 0 y termina en el
nodo 6.
Ing. Klber Vera T.
100
PUCESE

El tiempo requerido para ejecutar cada actividad se indica sobre las flechas. Los clculos de ruta crtica incluyen dos fases. La primera fase se llama clculos hacia adelante, donde los clculos comienzan desde el nodo de "inicio" y se mueven al nodo de
"terminacin". En cada nodo se calcula un nmero que representa el tiempo de ocurrencia ms prximo del evento correspondiente. Estos nmeros se muestran en la
figura anterior dentro de cuadrados. En la segunda fase, llamada clculos hacia
atrs, comienzan los clculos desde el nodo de "terminacin" y se mueve hacia el
nodo de "inicio". El nmero calculado en cada nodo (mostrado dentro de un tringulo)
representa el tiempo de ocurrencia ms tardo del evento correspondiente. El clculo
hacia adelante se presentar a continuacin.
Sea TIPi el tiempo de inicio ms prximo de todas las actividades que se originan
en el evento i. Por consiguiente, TIPi representa el tiempo de ocurrencia ms prximo
del evento i. Si i = 0 es el evento de "inicio", entonces convencionalmente, para los
clculos de ruta crtica, TIP0 = 0. Sea Dij la duracin de la actividad (i, j). Los clculos
hacia adelante, por consiguiente, se obtienen de la frmula
TIPj = mxi {TIPi + Dij}, para todas las actividades (i, j) definidas
donde TIP0 = 0. Por consiguiente, a fin de calcular TIPj para el evento j, deben calcularse primero los eventos de comienzo de todas las actividades (i, j) que entran y los
TIPj.
Los clculos hacia adelante aplicados a la figura anterior proporcionan TIP0 = 0 como
se muestra en el cuadrado sobre el evento 0. Ya que existe solamente una actividad
que entra (0, 1) al evento 1 con D01 = 2,
TIP1 = TIP0 + D01 =0 + 2 = 2
esto se anota en el cuadrado asociado al evento 1. El siguiente evento que se va a
considerar es el 2. [Note que el evento 3 no puede considerarse en este punto, ya que
TIP2 (evento 2) todava no se conoce]. Por consiguiente
TIP2 = TIP0 + D02 = 0 + 3 = 3
que se anota en el cuadro del evento 2. El siguiente evento que se considerar es el 3.
Como hay dos actividades que entran (1, 3) y (2, 3), tenemos
TIP3 = mxi = 1, 2 {TIPi + Di 3} = mx {2 + 2, 3 + 3} = 6
que, una vez ms, se anota en el cuadro del evento 3.
El procedimiento contina de la misma manera hasta que TIPj se calcula para toda j.
Por consiguiente
TIP4 = mxi = 2, 3 {TIPi + Di 4} =mx {3 + 2, 6 + 0}= 6
TIP5 = mxi = 3, 4 {TIPi + Di 5} = mx {6 + 3, 6 + 7}= 13
TIP6 = mxi = 3, 4, 5 {TIPi + Di 6} = mx {6 + 2, 6 + 5, 13 + 6}= 19
Con estas operaciones terminan los clculos hacia adelante.
Los clculos hacia atrs comienzan desde el evento de "terminacin". El objetivo de
esta fase es calcular el TTTi, el tiempo de terminacin ms tardo, para todas las
Ing. Klber Vera T.
101
PUCESE

actividades que estn en el evento i. Por consiguiente, si i = n es el evento de "terminacin", TTTn = TIPn inicia el clculo hacia atrs. En general, para cualquier nodo i,
TTTi = minj {TTTj - Dij} para todas las actividades (i, j) definidas
Los valores de TTT (que se escriben en los tringulos) se determinan de la manera
siguiente:
TTT6 =TIP6 = 19
TTT5 = TTT6 - D56= 19 - 6 = 13
TTT4 = mnj = 5.6 {TTTj D4j }= mn {13 - 7, 19 - 5}= 6
TTT3 = mnj = 4, 5.6 {TTTj D3j }= mn {6 - 0, 13 - 3, 19 - 2} = 6
TTT2 = mnj = 3.4 {TTTj D2j }= mn {6 - 3, 6 - 2} = 3
TTT1 = TTT3 - D13= 6 - 2 = 4
TTT0 = mnj = 1.2 {TTTj D0j }=mn {4 - 2, 3 3} = 0
Esto completa los clculos hacia atrs.
Las actividades de ruta crtica pueden ahora identificarse usando los resultados de los
clculos hacia adelante y hacia atrs. Una actividad (i, j) est en la ruta crtica si satisface las tres condiciones siguientes:
TIPi = TTTi
(1)
TIPj = TTTj
(2)
TIPj - TIPi = TTTj -- TTTi = Dij
(3)
Estas condiciones realmente indican que no existe tiempo de holgura entre el inicio
ms prximo (terminacin) y el inicio ms tardo (terminacin) de la actividad. Por consiguiente, esta actividad debe ser crtica. En el diagrama de flechas estas actividades
estn caracterizadas por los nmeros en el cuadrado y el tringulo siendo los mismos
en cada uno de los eventos terminales y de comienzo y que la diferencia entre los nmeros en el cuadrado (o tringulo) en el evento terminal y el nmero en el cuadrado (o
tringulo) en el evento inicial es igual a la duracin de la actividad.
Las actividades (0, 2), (2, 3), (3, 4), (4, 5) y (5, 6) definen la ruta crtica en la figura anterior. Este es realmente el tiempo ms corto posible para terminar el proyecto. Note
que las actividades (2, 4), (3, 5), (3, 6) y (4, 6) satisfacen las condiciones (1) y (2) para
actividades crticas pero no la condicin (3). Por lo tanto, stas no son crticas. Observe tambin que la ruta crtica debe formar una cadena de actividades conectadas, la
cual abarca la red desde el "inicio" hasta la "terminacin".
4.2.2. Determinacin de las Holguras
Siguiendo la determinacin de la ruta crtica, deben calcularse las holguras de las actividades no crticas. Naturalmente, una actividad crtica debe tener una holgura cero.
De hecho, esta es la principal razn para que sea crtica.
Ing. Klber Vera T.
102
PUCESE

Antes de mostrar cmo se determinan las holguras, es necesario definir dos nuevos
tiempos, los cuales estn asociados con cada actividad. Estos son el tiempo de inicio
ms tardo (IT) y el tiempo de terminacin ms prximo (TT), los cuales estn definidos para la actividad (i, j) por
ITij = TTTj - Dij
TTij = TIPi + Dij
Existen dos tipos importantes de holguras: holgura total HT y holgura libre (HL). La
holgura total HTij para la actividad (i, j) es la diferencia entre el mximo tiempo disponible para realizar la actividad (= TTTj - TIPi) y su duracin (= Dij); esto es,
HTij = TTTj - TIPi- Dij = TTTj - TTij = ITij - TIPi
La holgura libre se define suponiendo que todas las actividades comienzan tan pronto
como sea posible. En este caso, HLij para la actividad (i, j) es el exceso de tiempo disponible (= TIPj - TIP) sobre su duracin (= Dij); esto es,
HLij = TIPj - TIPi - Dij
Los clculos de ruta crtica junto con las holguras para las actividades no crticas pueden resumirse en la forma conveniente mostrada en la tabla siguiente. Las columnas
(1), (2), (3) y (6) se obtienen de los clculos de la red en el ejemplo 4.2. La informacin
restante puede determinarse de las frmulas anteriores.
La tabla anterior da un resumen tpico de los clculos de ruta crtica. Incluye toda la
informacin necesaria para construir el diagrama de tiempos. La holgura libre debe ser
cero cuando la holgura total es cero. La inversa no es cierta, sin embargo, en el sentido de que una actividad no crtica puede tener una holgura libre cero. Por ejemplo, en
la tabla anterior, la actividad crtica (0, 1) tiene una holgura libre cero.
Ing. Klber Vera T.
103
PUCESE

4.2.3. Consideraciones de probabilidad en la programacin de proyectos

La asignacin de tiempo de duracin a las actividades es indispensable para completar la red PERT. Debe hacerse esto basndose en el costo ms bajo posible, independientemente de la longitud del tiempo requerido; en el tiempo ms corto posible,
independientemente de los costos; en algn compromiso entre los dos, o sobre cualquiera otra base? Para contestar esta pregunta es necesario emplear estadsticas, y
especialmente la curva en forma de campana y la distribucin beta. Como se recordar, segn la estadstica, la mayor parte de los grupos de datos tienden a tomar una
forma de campana cuando se trazan (figura siguiente). Sin embargo, algunas variables
no se distribuyen normalmente y no toman la forma de campana, sino que en vez de
ello, las variables son asimtricas en una direccin, como se ve en la figura siguiente.
Como los datos del mundo de los negocios reflejan bsicamente una de las tres curvas de la figura anterior, los diseadores de PERT tuvieron que encontrar un tipo especial de distribucin que satisfaciera la mayor parte de las circunstancias de tiempo
ms corto (optimistas), ms largo (pesimistas), y ms probable que se use. Es evidente que el tiempo ms probable (m), debe tener una mayor ponderacin que el ms
optimista (a) y el ms pesimista (b). Ciertamente hay ms probabilidad de que un programa se complete ms cerca del tiempo ms probable que de los otros dos tiempos
extremos. La frmula desarrollada para el tiempo esperado de una actividad (te) es
Cuando se usa esa frmula para obtener una curva normal en forma de campana, el
valor calculado de te, representa el valor intermedio de la curva en forma de campana,
que es lo que queremos para ese tipo de curva.
La amplitud o rango (a, b) se supone que abarca alrededor de 6 desviaciones estndares de la distribucin, ya que alrededor de 90% o ms de cualquier funcin densidad
de probabilidad est dentro de tres desviaciones estndares de su media. La varianza
est dada por
4.3. CONSTRUCCION DEL DIAGRAMA DE TIEMPO Y NIVELACION DE RECURSOS

El producto final de los clculos de la red es la construccin del diagrama (o programa)
de tiempo. Este diagrama de tiempo puede convertirse fcilmente en un programa
calendario apropiado para el uso del personal que ejecutar el proyecto.
Ing. Klber Vera T.
104
PUCESE

La construccin del diagrama de tiempo debe hacerse dentro de las limitaciones de los
recursos disponibles ya que no puede ser posible realizar actividades simultneas debido a las limitaciones de personal y equipo. Aqu es donde las holguras totales para
las actividades no crticas llegan a ser tiles. Cambiando una actividad no crtica (hacia
atrs y hacia adelante) entre sus lmites TIP y TT, se pueden abatir los requisitos mximos de recursos. En cualquier caso, aun en ausencia de recursos limitados, es prctica comn usar las holguras totales para nivelar los recursos sobre la duracin del
proyecto completo. En esencia, esto significara una fuerza de trabajo ms estable
comparada con el caso donde la fuerza de trabajo (y equipo) variar drsticamente de
un da a otro.
El procedimiento para construir el diagrama de tiempo se ilustrar con el ejemplo 4.3.
El ejemplo 4.4 mostrar entonces cmo puede efectuarse la nivelacin de recursos
para el mismo proyecto.
Ejemplo 4.3.- En este ejemplo se construir el diagrama de tiempos para el proyecto
dado en el ejemplo 4.2.
La informacin necesaria para construir el diagrama de tiempo se resume en la tabla
del ejemplo 4.2. El primer paso es considerar el programa de las actividades crticas.
Despus se consideran las actividades no crticas indicando sus lmites de tiempo TIP
y TTT en el diagrama. Las actividades crticas se indican con lneas llenas. Los lmites
de tiempo para las actividades no crticas se muestran con lneas punteadas, indicando que tales actividades pueden programarse donde sea dentro de esos intervalos,
siempre y cuando no se alteren las relaciones de precedencia.
La figura siguiente muestra el diagrama de tiempo correspondiente al ejemplo 4.2. La
actividad ficticia (3, 4) no consume tiempo y por lo tanto, se muestra como una lnea
vertical. Los nmeros mostrados con las actividades no crticas, representan sus duraciones.
Las funciones de las holguras total y libre en la programacin de actividades no crticas se explican en trminos de dos reglas generales:
1. Si la holgura total es igual a la holgura libre, la actividad no crtica se puede
programar en cualquier parte entre los tiempos de inicio ms temprano y de
terminacin ms tardo (extensiones de tiempo punteadas de la figura anterior).
Ing. Klber Vera T.
105
PUCESE

2. Si la holgura libre es menor que la holgura total, el inicio de la actividad no crtica se puede demorar en relacin con su tiempo de inicio ms temprano en una
cantidad no mayor que el monto de su holgura libre sin afectar la programacin
de sus actividades inmediatamente sucesivas.
En nuestro ejemplo, la regla 2 se aplica a la actividad (0, 1) nicamente, mientras que
todas las dems se programan segn la regla 1. La razn es que la actividad (0, 1)
tiene una holgura libre cero. Por lo tanto, si el tiempo inicial para (0, 1) no es demorado
ms all de su tiempo de inicio ms prximo (t = 0), la actividad inmediatamente sucesiva (1, 3) se puede programar en cualquier momento entre su tiempo de inicio ms
prximo (t = 2) y su tiempo de terminacin mas tardo (t = 6). Por otra parte, si el tiempo de inicio de (0, 1) se demora ms all de t = 0, el tiempo de inicio ms prximo de
(1, 3) deber retrasarse relativo a su tiempo de inicio ms prximo cuando menos en
la misma cantidad. Por ejemplo, si (0, 1) comienza en t = 1, termina en t = 3 y luego (1,
3) se puede programar en cualquier parte entre t = 3 y t = 6. Este tipo de restriccin no
se aplica a ninguna de las actividades no crticas restantes porque todas ellas tienen
holguras total y libre iguales. Tambin podemos observar este resultado en la figura
anterior, ya que (0,1) y (1,2) son las nicas dos actividades sucesivas cuyas extensiones de tiempo permisibles se superponen.
En esencia, tener la holgura libre menor que la holgura total nos da una advertencia de
que la programacin de la actividad no deber terminarse sin antes verificar su efecto
en los tiempos de inicio de las actividades inmediatamente sucesivas. Esta valiosa
informacin slo puede asegurarse a travs del uso de clculos de ruta crtica.
Ejemplo 4.4.- En el ejemplo 4.3, supngase que se especifican los siguientes requisitos de trabajadores para las diferentes actividades. Se requiere elaborar un programa
de tiempo que nivelar los requisitos de trabajadores mientras dure el proyecto. Ntese que las actividades (0, 1) y (1, 3) no requieren labor manual (o mano de obra), lo
que se indica asignando un nmero cero de hombres a cada actividad. Como resultado, la programacin de (0, 1) y (1,3) puede hacerse en forma independiente del procedimiento de nivelacin de recursos.
La figura siguiente (a) muestra las necesidades de personal sobre el tiempo si las actividades no crticas se programan tan pronto como sea posible, mientras que la figura
siguiente (b) muestra los requerimientos si estas actividades se programan tan tarde
como sea posible. La lnea punteada seala las necesidades para las actividades crticas que deben satisfacerse si el proyecto debe terminarse a tiempo. [Ntese que las
actividades (0, 1) y (1, 3) no requieren recursos.]
Ing. Klber Vera T.
106
PUCESE

El proyecto necesita 7 hombres cuando menos como lo indican las necesidades de la

actividad crtica (2, 3). La programacin ms prxima de las actividades no crticas se
traduce en una necesidad mxima de 10 personas, mientras que la programacin ms
tarda de las mismas actividades necesitara un mximo de 12 hombres. Esto ilustra
que las necesidades mximas dependen de cmo se utilicen las holguras totales de
las actividades no crticas. En la figura anterior, sin embargo, independientemente de
cmo se localicen las holguras, la necesidad mxima no puede ser menor de 10 hombres. Esto se deduce del hecho de que el intervalo para la actividad (2, 4) coincide con
el tiempo para la actividad crtica (2, 3). Las necesidades de personal que utiliza la
programacin ms prxima puede mejorarse volviendo a programar la actividad (3, 5)
en su tiempo ms tardo posible y la actividad (3, 6) inmediatamente despus de que
la actividad (4, 6) se termine. Este nuevo requisito se muestra en la figura siguiente. El
nuevo programa resultante, es una asignacin ms uniforme de recursos.
Ing. Klber Vera T.
107
PUCESE

En algunos proyectos, el objetivo puede ser el mantener la utilizacin mxima de los

recursos abajo de un cierto lmite en lugar de simplemente nivelar los recursos. Si esto
no puede lograr se volviendo a programar las actividades no crticas, ser necesario
ampliar el tiempo de algunas de las actividades crticas, con lo cual se reducir el nivel
diario requerido del recurso.
Debido a la complicacin matemtica, no se ha desarrollado an ninguna tcnica que

proporcione la solucin ptima al problema de nivelacin de recursos; esto es, la minimizacin de los recursos mximos necesarios para el proyecto en cualquier punto en
el tiempo. En lugar de esto, se utilizan actualmente programas heursticos similares a
los que se han mencionado con anterioridad. Estos programas se valen de las diferentes holguras para las actividades no crticas.
4.4. CONTROL DEL PROYECTO
Existe la tendencia entre algunos usuarios PERT-CPM a pensar que el diagrama de
flechas puede descartarse tan pronto se haya desarrollado el programa de tiempo.
Esto no es as. En efecto, un uso importante del diagrama de flechas ocurre durante la
fase de ejecucin del proyecto. Raras veces sucede que la fase de planeacin desarrollar un programa de tiempos que pueda seguirse exactamente durante la fase de
ejecucin. Muy a menudo algunos de los trabajos se demoran o se aceleran. Esto,
naturalmente, depende de las condiciones reales de trabajo. Tan pronto como tales
disturbios ocurren en el plan original, llega a hacerse necesario desarrollar un nuevo
diagrama de tiempos para la porcin restante del proyecto. Esta seccin delinea un
procedimiento para monitoreo y control del proyecto durante la fase de ejecucin.
Es importante seguir el progreso del proyecto sobre el diagrama de flechas, ms que
sobre el programa de tiempos solamente. El programa de tiempos se utiliza principalmente para verificar si cada actividad est en tiempo. El efecto de una demora en cier-
Ing. Klber Vera T.
108
PUCESE

ta actividad sobre la porcin restante del proyecto, puede visualizarse mejor sobre el
diagrama de flechas.
Suponga que en cuanto el proyecto progresa en el tiempo, se descubriera que la demora de algunas actividades, hace necesario desarrollar un programa totalmente nuevo. Cmo puede efectuarse esto usando el presente diagrama de flechas? La necesidad inmediata es actualizar el diagrama de flechas asignando valores cero a las duraciones de las actividades que se han terminado. A las actividades parcialmente terminadas se les asignan tiempos equivalentes a sus porciones no terminadas. Tambin
deben hacerse los cambios en el diagrama de flechas, tales como aadir o desechar
cualquier actividad futura. Repitiendo los clculos usuales sobre el diagrama de flechas con sus nuevos elementos de tiempo, se puede determinar el nuevo programa de
tiempos y cambios posibles en la duracin del proyecto. Tal informacin se utiliza hasta que es necesario actualizar el programa de tiempos nuevamente. En situaciones
reales se requieren normalmente muchas revisiones del programa de tiempos en las
primeras etapas de la fase de ejecucin. Sigue luego un perodo estable, en el cual se
requiere poca revisin del programa actual.
1. Trace el diagrama de flechas que abarque las actividades A, B, E, . . . , y P que
satisfaga las siguientes relaciones de precedencia:
(i)
(ii)
(iii)
(iv)
(v)
(vi)
(vii)
(viii)
(ix)
(x)
Las primeras actividades del proyecto, A, B y C, pueden comenzar simultneamente.

Las actividades D, E y F comienzan inmediatamente despus de que A
se termina.
Las actividades l y G comienzan despus de que tanto B como D se han
terminado.
La actividad H comienza despus de que tanto C como G se han terminado.
Las actividades K y L siguen a la actividad l.
La actividad J sigue tanto a E como a H.
Las actividades M y N siguen a F, pero no pueden empezar hasta que E
y H han terminado. .
La actividad O sigue a M e l.
La actividad P sigue a J, L y O.
Las actividades K, N y P son las actividades terminales del proyecto.
2. Los cimientos de un edificio pueden terminarse en cuatro secciones consecutivas.

Las actividades para cada seccin comprenden la excavacin, colocacin del acero y el colado del concreto. El cavar una seccin no puede comenzar hasta que la
anterior se haya terminado. Lo mismo se aplica al colado del concreto. Desarrolle
una red para terminar el proyecto.
3. Una encuesta de opinin implica disear e imprimir cuestionarios, alquilar y entrenar personal, seleccionar participantes, enviar por correo los cuestionarios y, finalmente, analizar todos los datos. Construya la red de trabajo. Explique claramente
todas las hiptesis hechas.
4. La empresa Mohawk Discount Store est diseando un programa de capacitacin
administrativa para su personal, en la casa matriz de la compaa. La firma pretende disear el programa de manera que los entrenados (trainees) o personal de entrenamiento puedan terminarlo tan pronto como sea posible. Existen importantes
relaciones de precedencia que deben mantenerse entre las asignaciones o activiInvestigacin de Operaciones
Ing. Klber Vera T.
109
PUCESE

dades del programa. Por ejemplo, un entrenando no puede actuar como asistente
de un gerente de tienda hasta que haya obtenido experiencia en el departamento
de crdito, y en cuando menos un departamento de ventas. Las actividades que se
muestran en seguida son las asignaciones que cada entrenando del programa debe llevar a cabo:
Diagrame una red PERT /CPM para este problema.

5. La tabla siguiente proporciona los datos para construir una nueva casa. Construya
el modelo de red asociado y realice los clculos de ruta crtica.
Ing. Klber Vera T.
110
PUCESE

6. Para el fin de elaborar el presupuesto del ao siguiente, una compaa debe

recolectar informacin de sus departamentos de ventas, produccin, contabilidad y
tesorera. La tabla siguiente indica las actividades y sus duraciones. Elabore el
modelo de red del problema y realice los clculos de ruta crtica.
7. Hay que instalar un nuevo sistema de computadoras para la Compaa Lawrence,

porque ya se terminaron los trmites para comprar una mquina IBM-360 (Modelo
20). La administracin quiere saber cunto tiempo tardar la instalacin del nuevo
sistema de computadoras, teniendo en cuenta que el sistema actual es de tarjetas
perforadas. Como un cambio de esa ndole puede causar muchos problemas personales si no se maneja en forma apropiada, se decidi usar PERT para asegurar
una instalacin sin tropiezos del equipo de computadoras. Se ha encargado al lector el desarrollo de la red PERT de eventos y actividades, as como la ruta ms crtica. A fin de determinar la ruta ms crtica, los eventos se han numerado en serie y
se han mostrado en trminos de secuencia, o sea que el evento 6 slo puede
completarse despus de que se haya completado el evento 5. Se pide al lector que
haga recomendaciones basndose en los resultados de su red PERT. El tiempo de
cada evento se da en trminos de semanas.
Ing. Klber Vera T.
111
PUCESE

8. Las actividades implicadas en un servicio coral vespertino se dan en la tabla

siguiente. Elabore el modelo de la red y realice los clculos de ruta crtica.
9. Determine las rutas crticas para los proyectos (a) y (b), de la figura siguiente.
Ing. Klber Vera T.
112
PUCESE

10. La tabla siguiente resume las actividades para reubicar 1 700 pies de una lnea
elctrica primaria de 13.8 kV debido al ensanchamiento de la seccin del camino
en la cual est instalada la lnea actualmente. Trace el modelo de la red y realice
los clculos de ruta crtica.
11. En el problema 9 calcule las holguras libre y total y resuma los clculos de ruta
crtica usando el formato en la tabla dada en clase.
12. Las actividades para la compra de un automvil nuevo se resumen en la tabla
siguiente. Trace el modelo de la red y efecte los clculos de ruta crtica.
Ing. Klber Vera T.
113
PUCESE

13. En el problema 9 utilice los resultados en el problema 11, construya los diagramas
de tiempo correspondientes suponiendo que no hay lmite sobre los recursos.
14. Construya el programa de tiempo del problema 5.
15. Construya el programa de tiempo del problema 6.
16. Cosmetics Incorporated, ha decidido producir un nuevo producto revolucionario
para el mercado de consumidores. Los problemas de planeacin y control de las
diversas fases del programa -promocin de ventas, adiestramiento de vendedores,
fijacin de precios, envase, publicidad y manufactura- son evidentes para la administracin de la empresa, y quieren que el lector la gue en esa difcil situacin,
empleando PERT, porque el tiempo es esencial. La primera empresa que produzca, distribuya y venda ese tipo de producto obtendr grandes utilidades y tambin
tendr el mrito de haber lanzado al mercado un producto tan revolucionario. A
continuacin se da una lista de las actividades con los tiempos esperados, en trminos de semanas. Basndose en las actividades anteriores, determinar la ruta
crtica. Hacer recomendaciones que puedan acelerar el proyecto.
Ing. Klber Vera T.
114
PUCESE

17. La H. S. Daugherty Company ha fabricado durante varios aos sistemas industriales de limpieza por aspiracin. Recientemente, un integrante del equipo de investigacin de productos nuevos de la compaa present un reporte en el que sugera
a la compaa considerar la fabricacin de una aspiradora sin cordn de enchufe.
Esta aspiradora, a la que se denomin Porta-Vac podra contribuir a la ampliacin
de las actividades de la Daugherty en el mercado domstico. Los administradores
esperan que pueda fabricarse el producto nuevo con un costo razonable y que sus
caractersticas de ser porttil y carecer de cordn lo conviertan en un producto muy
atractivo.
A los administradores de la Daugherty les gustara comenzar un proyecto para estudiar la factibilidad de la fabricacin del Porta-Vac.
Ing. Klber Vera T.
115
PUCESE

18. En el problema 9 suponga que las estimaciones (a, b, m) estn dadas como se
muestra en las siguientes tablas. Calcule la ruta crtica.
Ing. Klber Vera T.
116
PUCESE

5. MODELOS DE INVENTARIOS
Un problema de inventario existe cuando es necesario guardar bienes fsicos o mercancas con el propsito de satisfacer la demanda sobre un horizonte de tiempo especificado (finito o infinito). Casi cada empresa debe almacenar bienes para asegurar un
trabajo uniforme y eficiente en sus operaciones. Las decisiones considerando cundo
hacer pedidos y en qu cantidad son tpicas de cada problema de inventario. La demanda requerida puede satisfacerse almacenando una vez segn todo el horizonte de
tiempo o almacenando separadamente cada unidad de tiempo durante el horizonte.
Los dos casos que pueden considerarse son sobrealmacenamiento (con respecto a
una unidad de tiempo) o subalmacenamiento (con respecto al horizonte completo).
Un sobre almacenamiento requerira un capital invertido superior por unidad de tiempo
pero menos ocurrencias frecuentes de escasez y de colocacin de pedidos. Un subalmacenamiento, por otra parte, disminuira el capital invertido por unidad de tiempo
pero aumentara la frecuencia de los pedidos as como el tiempo de estar sin mercanca. Los dos extremos son costosos. Las decisiones considerando la cantidad ordenada y el tiempo en el cual se ordena pueden, por consiguiente, estar basadas sobre la
minimizacin de una funcin de costo apropiada la cual balancea los costos totales
resultantes de sobre almacenamiento y subalmacenamiento.
5.1. SISTEMA DE INVENTARIO ABC
En la mayora de las situaciones del mundo real, el manejo de inventarios suele implicar un nmero apreciable de artculos o productos que varan en precio desde los relativamente econmicos hasta los posiblemente muy costosos. Como el inventario representa en realidad capital ocioso (o inactivo), es natural que se ejerza el control de
inventario en artculos que sean los responsables del incremento en el costo del capital. Por lo tanto, los artculos rutinarios, como los tornillos y tuercas, contribuyen en
forma poco significativa al costo del capital cuando se comparan con artculos que
contienen partes de repuesto costosas.
La experiencia ha demostrado que slo un nmero relativamente pequeo de artculos
de inventario suelen incurrir en una parte importante del costo del capital. Estos artculos son los que deben estar sujetos a un control de inventario estricto. El sistema ABC
es un procedimiento simple que se puede utilizar para separar los artculos que requieran atencin especial en trminos de control de inventarios.
El procedimiento sugiere se grafique el porcentaje de artculos del inventario total contra el porcentaje del valor monetario total de estos artculos en un periodo dado (por lo
general un ao). La figura siguiente ilustra una curva ABC comn. La idea del procedimiento es determinar el porcentaje de artculos que contribuyen al 80% del valor monetario acumulado. Estos artculos se clasifican como grupo A y normalmente constituyen alrededor del 20% de todos los artculos. Los artculos de la clase B son aquellos que corresponden a valores monetarios porcentuales entre el 80% y el 95%. Estos
normalmente comprenden alrededor del 25% de todos los artculos. Los artculos restantes constituyen la clase C.
Los artculos de la clase A representan cantidades pequeas de artculos costosos y
deben estar sujetos a un estrecho control de inventarios. Los artculos de la clase B
son los que siguen en orden donde se puede aplicar una forma de control de inventario moderada. Por ltimo, a los artculos de la clase C se les debe asignar la ms baja
prioridad en la aplicacin de cualquier forma de control de inventarios. Por lo general,
Ing. Klber Vera T.
117
PUCESE

se espera que el tamao del pedido de artculos de clase A que son costosos sea pequeo a fin de reducir el costo del capital asociado. Por otra parte, el tamao del pedido de artculos de la clase C puede ser muy grande.
El anlisis ABC suele ser el primer paso que se debe aplicar en una situacin de control de inventarios. Cuando se identifican los artculos importantes del inventario, se
pueden utilizar modelos de los tipos que se presentarn en las secciones posteriores
para decidir cul es la forma ideal de controlar los inventarios.
5.2. MODELO DE INVENTARIO GENERALIZADO

El objetivo final de cualquier modelo de inventarios es el de dar respuesta a dos preguntas:
1. Qu cantidad de artculos deben pedirse?
2. Cundo deben pedirse?
La respuesta a la primera pregunta se expresa en trminos de lo que llamamos cantidad del pedido. Esta representa la cantidad ptima que debe ordenarse cada vez que
se haga un pedido y puede variar con el tiempo dependiendo de la situacin que se
considere. La respuesta a la segunda interrogante depende del tipo de sistema de
inventarios. Si el sistema requiere revisin peridica en intervalos de tiempo iguales
(por ejemplo, cada semana o cada mes), el tiempo para adquirir un nuevo pedido suele coincidir con el inicio de cada intervalo de tiempo. Por otra parte, si el sistema es del
tipo de revisin continua, el nivel de inventario en el cual debe colocarse un nuevo
pedido suele especificar un punto para un nuevo pedido.
Por lo tanto, podemos expresar la solucin del problema general de inventarios de la
manera siguiente:
1. Caso de la revisin peridica. Recepcin de un nuevo pedido de la cantidad
especificada por la cantidad del pedido en intervalos de tiempo iguales.
Ing. Klber Vera T.
118
PUCESE

2. Caso de la revisin continua. Cuando el nivel de inventario llega al punto

para un nuevo pedido se coloca un nuevo pedido cuyo tamao sea igual a
la cantidad del pedido.
La cantidad del pedido y el punto para un nuevo pedido suelen determinarse normalmente minimizando el costo de inventario total que se puede expresar como una funcin de estas dos variables. Podemos resumir el costo total de un modelo de inventarios general como funcin de sus componentes principales en la forma siguiente:
El costo de compra se vuelve un factor importante cuando el precio de una unidad de

mercanca se hace dependiente del tamao del pedido. Esta situacin se expresa
normalmente en trminos de un descuento de cantidad o una reduccin del precio,
donde el precio unitario del artculo disminuye con el incremento de la cantidad ordenada. El costo fijo representa el gasto fijo (o no variable) en que se incurre cuando se
hace un pedido. Por lo tanto, para satisfacer la demanda en un periodo, el pedido (ms
frecuente) de cantidades menores dar origen a un costo fijo mayor durante el periodo
que si se satisfaciera la demanda haciendo pedidos mayores (y por lo tanto, menos
frecuentes). El costo de almacenamiento, que representa los costos de almacenamiento de productos en bodega (por ejemplo, inters sobre capital invertido, almacenamiento, manejo, depreciacin y mantenimiento), normalmente aumenta con el nivel
de inventario. Por ltimo, el costo de escasez es una penalizacin en la que se incurre cuando se termina la existencia de un producto que se necesita. Por lo general
incluye costos que se acreditan a la prdida de la benevolencia del cliente y tambin a
la prdida potencial del ingreso.
En la figura siguiente se ilustra la variacin de las cuatro componentes de costo del
modelo de inventario general como funcin del nivel de inventario. El nivel de inventario ptimo corresponde al costo total mnimo de las cuatro componentes. Sin embargo,
obsrvese que un modelo de inventarios no necesita incluir los cuatro tipos de costos,
ya sea porque algunos de los costos son insignificantes o porque harn que la funcin
de costo total sea demasiado compleja para el anlisis matemtico. No obstante, en la
prctica podemos suprimir una componente de costo slo si su efecto en el modelo de
costo total es insignificante. Este aspecto debe tenerse en mente cuando se estudien
los diversos modelos que se presentan en este captulo.
Ing. Klber Vera T.
119
PUCESE

El modelo general de inventarios anterior parece ser lo suficientemente simple. Entonces por qu tenemos grandes variedades de modelos cuyos mtodos de solucin
van desde uso del clculo simple a las refinadas aplicaciones de la programacin dinmica y matemtica? La respuesta radica principalmente en si la demanda del artculo es determinista (se conoce con certeza) o probabilstica (la describe una densidad
de probabilidad). La figura siguiente ilustra las diversas clasificaciones de la demanda
como se toman normalmente en modelos de inventarios. Una demanda determinista
puede ser esttica, en el sentido de que la tasa de consumo permanece constante
durante el transcurso del tiempo, o dinmica, donde la demanda se conoce con certeza pero vara de un periodo al siguiente. La demanda probabilstica tiene dos clasificaciones anlogas: el caso estacionario, en el cual la funcin densidad de probabilidad de la demanda se mantiene sin cambio con el tiempo; y el caso no estacionario,
donde la funcin densidad de probabilidad vara con el tiempo.
Es raro que una demanda esttica determinista ocurriera en el mundo real. Por lo tanto, consideramos esta situacin como un caso de simplificacin. Por ejemplo, aunque
la demanda de artculos de almacn, como el pan, puede variar de un da a otro, las
variaciones pueden ser mnimas e insignificantes con el resultado de que una suposicin de demanda esttica quiz no est muy distante de la realidad.
La representacin ms precisa de la demanda puede hacerse quiz a travs de distribuciones no estacionarias probabilsticas. Sin embargo, desde el punto de vista matemtico, el modelo de inventarios resultante ser ms bien complejo, en especial a medida que aumente el horizonte de tiempo del problema. En la figura anterior se ilustra
este aspecto mostrando que la complejidad matemtica de los modelos de inventarios
aumenta conforme nos apartamos de la suposicin de la demanda esttica determinista a la demanda no estacionaria probabilstica. En realidad, podemos pensar que las
clasificaciones de la figura anterior representan diferentes niveles de abstraccin en la
demanda.
El primer nivel supone que la distribucin de probabilidad de la demanda es estacionaria en el tiempo. Esto es, la misma funcin de densidad de probabilidad se utiliza para
representar la demanda en todos los periodos sobre los cuales se hace el estudio. La
implicacin de esta hiptesis es que los efectos de tendencias estacionales en la demanda, si existe alguno, no estarn incluidos en el modelo.
Ing. Klber Vera T.
120
PUCESE

El segundo nivel de simplificacin reconoce las variaciones en la demanda entre diferentes periodos. Sin embargo, ms que utilizar distribuciones de probabilidad se utiliza
la demanda promedio para representar las necesidades de cada periodo. Esta simplificacin tiene el efecto de ignorar elementos de riesgo en la situacin de inventario. Sin
embargo, permite al analista considerar tendencias estacionales en la demanda, las
cuales por dificultades analticas y de clculo puede no ser posible incluir en un modelo probabilista. En otras palabras, parece haber alguna clase de transaccin entre la
utilizacin de distribuciones de probabilidades estacionarias y demandas variables
conocidas, segn la hiptesis de "certeza supuesta".
El tercer nivel de simplificacin elimina ambos elementos de riesgo y variabilidad en la
demanda. Por consiguiente, la demanda en cualquier periodo se supone igual al promedio de las demandas conocidas (supuestamente) para todos los periodos en consideracin. El resultado de esta simplificacin es que la demanda puede representarse
como una tasa constante por unidad de tiempo.
Aunque el tipo de demanda es un factor principal en el diseo del modelo de inventarios, los factores que siguen pueden influenciar tambin la forma en que se formula el
modelo.
1. Demoras en la entrega o (tiempos gua). Cuando se coloca un pedido, puede entregarse inmediatamente o puede requerir algn tiempo antes de que la entrega se
efecte. El tiempo entre la colocacin de un pedido y su surtido se conoce como
demora en la entrega. En general, las holguras de entrega pueden ser deterministas o probabilistas.
2. Reabasto del almacn. Aunque un sistema de inventarios puede operar con demoras en las entregas, el abastecimiento real del almacn puede ser instantneo o
uniforme. El instantneo ocurre cuando el almacn compra de fuentes externas. El
uniforme puede ocurrir cuando el producto se fabrica localmente dentro de la organizacin. En general, un sistema puede operar con demora positiva en la entrega y
tambin con reaprovisionamiento uniforme de almacn.
3. Horizonte de tiempo. El horizonte define el periodo sobre el cual el nivel de inventarios estar controlado. Este horizonte puede ser finito o infinito, dependiendo de
la naturaleza de la demanda.
4. Abastecimiento mltiple. Un sistema de inventario s puede tener varios puntos de
almacenamiento (en lugar de uno). En algunos casos estos puntos de almacenamiento estn organizados de tal manera que un punto acta como una fuente de
abastecimiento para algunos otros puntos. Este tipo de operacin puede repetirse
a diferentes niveles de tal manera que un punto de demanda pueda de nuevo llegar a ser un nuevo punto de abastecimiento. La situacin usualmente se denomina
sistema de abastecimiento mltiple.
5. Nmero de artculos. Un sistema de inventarios puede comprender ms de un artculo (mercancas). Este caso es de inters, principalmente si existe alguna clase
de interaccin entre los diferentes artculos. Por ejemplo, stos pueden competir
en espacio o capital total limitados.
5.3. MODELOS DETERMINISTAS

Es muy difcil desarrollar un modelo general de inventarios que tome en cuenta todas
las variaciones en los sistemas reales. De hecho, aun si puede ser formulado un moInvestigacin de Operaciones
Ing. Klber Vera T.
121
PUCESE

delo suficientemente general, tal vez no sea posible de resolver analticamente. Los
modelos presentados en esta seccin, por consiguiente, tratan de ser ilustrativos de
algunos sistemas de inventarios. Es improbable que estos modelos se ajusten exactamente a una situacin real; pero el objetivo de la presentacin es proveer ideas diferentes que puedan ser adaptadas a sistemas de inventario especficos.
Se describen cinco modelos en esta seccin. La mayora de estos modelos tratan con
un inventario de un solo artculo. nicamente se trata el efecto en la solucin de incluir
varios artculos competitivos. Las principales diferencias entre estos modelos son si la
demanda es esttica o dinmica. El tipo de funcin de costo es tambin importante
para formular y resolver los modelos.
5.3.1. Modelo Esttico de un solo Artculo
El tipo ms simple de modelo de inventarios ocurre cuando la demanda es constante
en el tiempo con reabastecimiento instantneo y sin escasez. Las situaciones tpicas a
las cuales este modelo se puede aplicar son:
1. Uso de lmparas en un edificio.
2. Uso de artculos de oficina, como papel, almohadillas y lpices, en una compaa grande.
3. Uso de ciertos abastecimientos industriales, como tornillos y tuercas.
4. Consumo de alimentos de almacn, como pan y leche.
La figura siguiente ilustra la variacin del nivel de inventario. Se supone que la demanda ocurre con la tasa (por unidad de tiempo). El nivel ms alto del inventario ocurre
cuando se entrega la cantidad ordenada y. (La demora en la entrega se supone una
constante conocida.) El nivel de inventario alcanza el nivel cero y/ unidades de tiempo despus que se recibe la cantidad pedida y.
Cuanto ms pequea es la cantidad y ordenada, ms frecuente ser la colocacin de

nuevos pedidos. Sin embargo, se reducir el nivel promedio del inventario mantenido
en almacn. Por otra parte, cantidades pedidas mayores indican nivel de inventario
ms grande, pero colocacin menos frecuente de pedidos (ver figura siguiente). Debido a que existen costos asociados al colocar los pedidos y mantener el inventario en
almacn, la cantidad y se selecciona para permitir un compromiso en los dos tipos de
costo. Esta es la base para formular el modelo de inventarios.
Sea K el costo fijo originado cada vez que se coloca un pedido y suponga que el costo
de mantener una unidad en inventario (por unidad de tiempo) es h. Por lo tanto, el costo total por unidad de tiempo TCU (del ingls, total cost por unit time) como funcin de
y puede expresarse como
Ing. Klber Vera T.
122
PUCESE

Como se ve en la figura anterior la longitud de cada ciclo de inventario es t0 = y/ y el

inventario promedio en el almacn es y/2.
El valor ptimo de y se obtiene minimizando TCU(y) con respecto a y. Por consiguiente, suponiendo que y es una variable continua se deduce que
que proporciona la cantidad pedida ptima como
La cantidad pedida antes usualmente se denomina tamao del lote econmico de

Wilson.
La poltica ptima del modelo requiere ordenar y* unidades cada t0* = y* / unidades
de tiempo. El costo ptimo TCU(y*) se obtiene por substitucin directa como
La mayora de las situaciones prcticas usualmente tienen tiempo de demora positivo
L desde el punto en el cual se coloca la orden hasta que realmente se entrega. La poltica de pedidos del modelo anterior, por consiguiente, debe especificar el punto de
reordenacin. La figura siguiente ilustra la situacin donde la reordenacin ocurre L
unidades de tiempo antes de lo esperado para la entrega. Esta informacin puede traducirse convenientemente para la implantacin prctica especificando slo el nivel de
inventarios en el que se vuelve a pedir. Esto da el llamado punto de reordenacin. En
la prctica esto es equivalente a observar continuamente el nivel de inventario hasta
que se alcance el punto de reordenacin. Quiz esto es por lo que el modelo del tamao de lote econmico se clasifica algunas veces como modelo de revisin contiInvestigacin de Operaciones
Ing. Klber Vera T.
123
PUCESE

nua. Observe que cuando el sistema se "estabiliza", el tiempo de demora L, en el caso

del anlisis, puede ser tomado siempre menor que la longitud de ciclo t0*. El ejemplo
siguiente ilustra este punto.
Ejemplo 5.1.- La demanda diaria para una mercanca es aproximadamente 100 unidades. Cada vez que se coloca un pedido se origina un costo fijo de $100. El costo
diario de mantener el inventario por unidad es de $0.02. Si el tiempo de demora es de
12 das, determine el tamao econmico de lote y el punto de reordenacin.
De las frmulas anteriores, el tamao econmico del lote es
Por lo tanto, la longitud del ciclo ptima asociada est dada como
Puesto que el tiempo de demora es de 12 das y la longitud de ciclo es de 10 das, el

volver a pedir ocurre cuando el nivel de inventario es suficiente para satisfacer la demanda para dos das (12 - 10). Por consiguiente, la cantidad y* = 1 000 se ordena
cuando el nivel de inventario alcanza 2 X 100 = 200 unidades.
Ejercicio 5.1.- Para el ejemplo 5.1, determine el punto de nuevo pedido en cada uno
de los casos siguientes.
Tiempo de demora = 15 das.

5.3.2. Modelo Esttico de un solo articulo con diferentes precios

En los modelos de la seccin anterior, el costo de compra por unidad e se desprecia
en el anlisis porque es constante y, por tanto, no deber afectar el nivel del inventario. A menudo sucede, sin embargo, que el precio de compra por unidad depende de
la cantidad comprada. Esto usualmente ocurre en forma de rebajas de precios notables o descuentos segn la cantidad. En tales casos el precio de compra deber ser
considerado en el modelo de inventarios.
Ing. Klber Vera T.
124
PUCESE

Considere el modelo de inventario con reposicin instantnea y sin escasez. Suponga

que el costo por unidad es c1 para y < q y c2 para y q, donde c1 > c2 y q es la cantidad superior que garantiza la rebaja del precio. El costo total por ciclo incluir ahora el
costo de compra, adems de los costos fijos y de mantenimiento del inventario.
El costo total por unidad de tiempo para y < q es
Para y q este costo es
Estas dos funciones se muestran grficamente en la figura siguiente.
Sin considerar el efecto de diferentes precios por el momento, sea ym la cantidad en la

cual ocurren los valores mnimos de TCU1 y TCU2. Esto se da por
Las funciones de costo TCU1 y TCU2 de la figura anterior revelan que la determinacin
de la cantidad ptima y* del pedido depende de dnde se ubique q, el punto de reduccin en el precio, con respecto a las zonas I, II y III que se indican en la figura. Estas
zonas estn definidas determinando q1 (> ym) a partir de
Como se conoce ym (=
), la solucin de la ecuacin producir el valor de q1.
En este caso las zonas se definen como sigue
Ing. Klber Vera T.
125
PUCESE

La figura siguiente ofrece una solucin grfica de cada caso, dependiendo de si q

queda en la zona I, II o III.
Por lo tanto, resumimos la cantidad ptima y del pedido como sigue:
El procedimiento para determinar y. puede resumirse de la manera siguiente

1. Determnese ym =
. Si q < ym (zona I), entonces y* = ym y termina el
procedimiento. En caso contrario,
2. Determnese q1 a partir de la ecuacin TCU1(ym) = TCU(q1) y decdase si q se
ubica en la zona II o III.
a. Si ym q < q1 (zona II), entonces y* = q.
b. Si q q1 (zona III), entonces y* = ym.
Ejemplo 5.2.- Considere el modelo de inventarios con la informacin siguiente: K
=$10, h = $ 1, = 5, c1 = $2, c2 = $1, y q = 15. Primero calcule ym; por consiguiente;
Puesto que q > ym, es necesario verificar si q est en la zona II o III. El valor de q1 se
calcula de
Ing. Klber Vera T.
126
PUCESE

o bien,
La substitucin proporciona
o bien,
Esto da q1 = 26.18 o bien, q1 = 3.82. Por definicin, q. se selecciona como el valor mayor. Ya que ym < q < q1, q est en la zona II. Se deduce que y* = q = 15 unidades. El
costo total asociado por tiempo unitario se determina como
Ejercicio 5.2.- En el ejemplo 5.2, determine y* y el costo total por ciclo en cada uno de
los casos siguientes.
a. q = 30.
b. q = 5.
5.3.3. Modelo Esttico de mltiples artculos con limitaciones en el almacn

Este modelo considera el sistema de inventarios que incluye n (> 1) artculos, los cuales estn compitiendo en espacio limitado de almacn. Esta limitacin representa una
interaccin entre los diferentes artculos y puede ser incluida en el modelo como una
restriccin.
Sea A el rea mxima de almacenamiento disponible para n artculos y a1 las necesidades del rea de almacn por unidad del i-simo artculo. Si yi es la cantidad ordenada del i-simo artculo, la restriccin de requisitos de almacn ser
Suponga que cada artculo se repone instantneamente y que no hay descuentos por
cantidad. Suponga adems que no se permite ninguna escasez. Sean i, Ki, y hi respectivamente, la tasa de demanda por unidad de tiempo, el costo fijo y el costo de
Ing. Klber Vera T.
127
PUCESE

mantener el inventario por unidad de tiempo, correspondiente al i-simo artculo.Los

costos de inventario asociados a cada artculo debern ser esencialmente los mismos
que en el caso de un modelo equivalente de un solo artculo. El problema por consiguiente, ser
sujeto a
La solucin general de este problema se obtiene con el mtodo de multiplicadores de

Lagrange. Sin embargo, antes de realizado, es necesario verificar si la restriccin es
activa o no. Esto significa que si el valor irrestricto de y1* dado por
satisface la restriccin de almacenamiento, se dice que dicha restriccin es inactiva y

puede ser despreciada.
Si la restriccin no se satisface por los valores de yi* debe ser activa. En este caso
deben encontrarse los valores ptimos nuevos de yi que satisfagan la restriccin de
almacenamiento en el sentido de igualdad. Esto se logra formulando primero la funcin
de Lagrange como
donde (< 0) es el multiplicador de Lagrange

Los valores ptimos de yi y pueden encontrarse igualando a cero las primeras derivadas parciales respectivas. Esto da
La segunda ecuacin implica que yi* debe satisfacer la restriccin de almacenamiento

en el sentido de igualdad.
De la primera ecuacin,
Ing. Klber Vera T.
128
PUCESE

Observe que y* depende de *, el valor ptimo de . Tambin, para * = 0, y* da la

solucin del caso irrestricto.
El valor * puede encontrarse por ensayo y error sistemticos. Ya que por definicin
< 0 en el caso anterior de minimizacin, entonces ensayando los valores negativos
sucesivos de , el valor de * deber resultar en valores simultneos de y* que satisfagan la restriccin dada en el sentido de igualdad. Por consiguiente, la determinacin
de * automticamente proporciona y*.
Ejemplo 5.3.- Considere el problema de inventario con tres artculos (n = 3). Los parmetros del problema se muestran en la tabla siguiente.
Suponga que el rea de almacenamiento total disponible est dada por A = 25 pies2.
Dada la frmula
se elabora la tabla siguiente.
Para A = 25 pies2, la restriccin de almacenamiento se satisface en el sentido de

igualdad para un valor de entre -0.25 y -0.3. Este valor es igual a * y puede ser
estimado por interpolacin lineal. Los valores correspondientes de yi debern, por consiguiente, proporcionar y* directamente. Ya que de la tabla * parece muy cercano a
-0.3, los y* ptimos estn aproximadamente dados por
Ing. Klber Vera T.
129
PUCESE

Si A 52.4, los valores irrestrictos de y correspondientes a = 0 proporcionan y*. En

este caso la restriccin es inactiva.
Ejercicio 5.3.- Considere el ejemplo 5.3. Mediante el uso de la segunda tabla, obtenga
el intervalo o rango de en el cual se ubica * suponiendo que el rea A est dada
como sigue.
a. A = 45 pies2.
b. A = 30 pies2.
c. A = 20 pies2.
5.3.4. Modelo dinmico de un solo articulo y N periodos
En este modelo se supone que la demanda, aunque conocida con certeza, puede variar de un periodo al siguiente. Tambin el nivel de inventario se revisa peridicamente
en lugar de continuamente. No obstante que puede permitirse la demora en la entrega
(expresada como un nmero fijo de periodos) el modelo supone que el almacn se
reabastece instantneamente al inicio del periodo. Finalmente, no se permite ninguna
escasez.
El desarrollo de modelos deterministas dinmicos est limitado al estudio de horizontes de tiempo finito. Esto es as ya que una solucin numrica de estos modelos requiere el uso de la tcnica de programacin dinmica, la cual en este caso es factible
nicamente por un nmero finito de periodos (etapas). Sin embargo, esta no es una
limitacin seria, ya que las demandas futuras distantes usualmente tienen poco efecto
sobre las decisiones del horizonte de tiempo finito presente. Adems, en la mayora de
las situaciones no es prctico suponer que el artculo se mantendr en existencia indefinidamente.
Defina para el periodo i, siendo i = 1, 2, ..., N.
Sea
La funcin ci(zi) es de inters nicamente si el costo de compra unitario vara de un

periodo al siguiente o si existen rebajas en los precios.
Puesto que no existe escasez permitida, el objetivo es determinar los valores ptimos
de zi que minimizan la suma de los costos fijos, de compra y de mantenimiento para
todos los N periodos. El costo de mantener el inventario se supone proporcional a
Ing. Klber Vera T.
130
PUCESE

que es la cantidad de inventario que se lleva desde i hasta i + 1. Esto significa que el
costo de mantener el inventario en el periodo i es hixi+1.La hiptesis se introduce nicamente para simplificar ya que el modelo puede extenderse fcilmente hasta cubrir
cualquier funcin de costo de mantenimiento de inventario Hi(xi+1) remplazando hixi+1
por Hi(xi+1). Anlogamente, el costo de mantenimiento de inventario puede estar basado en xi o (xi + xi +1)/2.
El desarrollo del modelo de programacin dinmica se simplifica representando grficamente el problema, como se muestra en la figura siguiente. Cada periodo representa una etapa.
Usando la ecuacin recursiva hacia atrs, se pueden definir los estados del sistema en
la etapa i como la cantidad de inventario que entra xi. Sea f(xi) el costo de inventario
mnimo para los periodos i, i + 1,..., y N. La ecuacin recursiva completa est dada por
La ecuacin recursiva de avance puede desarrollarse definiendo los estados en la etapa i como la cantidad de inventario al final de periodo i. De la figura anterior estos estados son equivalentes a xi + 1. En cualquier etapa, los valores de xi + 1 estn limitados
por
Por lo tanto, en el caso extremo, la cantidad zi en el periodo i puede ser ordenada lo

suficientemente grande de manera que el inventario restante xi + 1 satisfaga la demanda
para todos los periodos restantes.
Sea fi (xi + 1) el costo del inventario mnimo para los periodos 1, 2, ... , e i dado xi + 1, la
cantidad de inventario al final del periodo i. La ecuacin recursiva completa entonces
est dada como
Ing. Klber Vera T.
131
PUCESE

Caso especial con costos marginales constantes o decrecientes.- El modelo de

programacin dinmica anterior puede ser usado con cualquier funcin de costo. Un
caso especial importante de este modelo ocurre cuando para el periodo i el costo por
unidad de compra (produccin) y el costo de mantenimiento de inventario por unidad
son constantes o funciones decrecientes de z y x+1, respectivamente. En este caso,
se dice que la funcin de costo proporciona costo marginal constante o decreciente.
Ilustraciones tpicas de tales funciones de costos se muestran en la figura siguiente.
Matemticamente, estas funciones son cncavas. El caso (a) muestra la situacin de

un costo marginal constante. El caso (b) es tpico de muchas funciones de costo de
produccin (o de compra) donde se carga, independientemente de la cantidad producida, un costo fijo K. Entonces se incurre en un costo marginal constante; si el descuento por cantidad o rebaja en el precio se permite en z = q, el costo marginal para z
> q llega a ser ms pequeo. Finalmente, a caso (c) ilustra una funcin cncava general.
En las condiciones estipuladas anteriormente, puede comprobarse que:
1. Dado el inventario inicial x1 = 0, entonces en cualquier periodo i del modelo de
N periodos, es ptimo tener una cantidad positiva z* o un inventario de entrada positivo x* pero no ambos; esto es, zi*xi* = 0.
2. La cantidad zi ordenada en cualquier periodo i es ptima nicamente si es cero
o si satisface la demanda exacta de uno o ms periodos subsecuentes. Estos
periodos subsecuentes son tales que si la demanda en el periodo i + m ( < N)
es satisfecha por z* entonces las demandas para los periodos i, i + 1,..., e i +
m - 1 deben tambin satisfacerse por z*.
5.3.5. Modelo de programacin de la produccin en N periodos
Considere el problema de programar la produccin sobre N periodos sucesivos. Las
demandas para los diferentes periodos son variables pero deterministas. Estas demandas pueden satisfacerse ya sea por un inventario que flucte mientras se mantiene la produccin constante, o fluctuando la produccin mientras se mantiene el inventario constante, o por una combinacin de ambas. Las fluctuaciones en produccin
pueden lograrse trabajando tiempo extra, mientras que la fluctuacin en inventario
puede satisfacerse manteniendo una cantidad positiva en almacn o permitiendo que
la demanda que no se satisfaga quede pendiente para llenarse en periodos posteriores. El objetivo aqu es determinar el programa de produccin para los N periodos, lo
cual minimiza los costos totales relevantes.
Este modelo supone costo fijo cero en cada periodo. En general, la escasez se permite, excepto que toda la demanda que queda pendiente de un periodo a los siguientes
debe satisfacerse en el N-simo periodo. Esta situacin puede representarse como un
modelo de transporte. En particular, notando las caractersticas especiales del modelo
para el caso donde no se permite escasez, el problema puede resolverse en una forma fcil sin tener que aplicar el procedimiento iterativo de la tcnica de transporte
Ing. Klber Vera T.
132
PUCESE

Defina los siguientes smbolos para el periodo i, siendo i = 1,. . . ,N.

c = costo de produccin por unidad durante el tiempo regular
d = costo de produccin por unidad durante el tiempo extra, c < d
h = costo de mantener el inventario por unidad desde el periodo i al periodo i +
1
p = costo de escasez por unidad demandada en el periodo i y satisfecha en el
periodo i + 1
aRi = capacidad de produccin (en nmeros de unidades) durante el tiempo regular
aTi = capacidad de produccin (en nmero de unidades) durante el tiempo extra
b = demanda (en nmero de unidades)
Observe que c, el costo de produccin por unidad durante el tiempo normal, es menor
que di, el costo de produccin por unidad durante el tiempo extra. Esto se muestra
grficamente en la figura siguiente (a). La situacin puede generalizarse al caso en
que existen k niveles de produccin tales que los costos de produccin por unidad
aumentan con el nivel de produccin. Un ejemplo tpico se muestra en la figura siguiente (b). En tales condiciones, la funcin de costo de produccin se dice que tiene
costos marginales crecientes. Matemticamente, se dice que la funcin es convexa.
Esta restriccin sobre la funcin de costo de produccin debe mantenerse, de otra
manera el modelo que sigue no ser aplicable. Este punto se justificar posteriormente
despus que se hayan presentado los detalles del modelo.
5.4. MODELOS PROBABILlSTlCOS

Esta seccin presenta modelos de inventarios diferentes (de un solo artculo) en los
cuales la demanda es probabilstica. El primer desarrollo extiende el modelo de revisin continua determinista incluyendo directamente la demanda probabilstica en la
formulacin. Las formulaciones restantes se clasifican como modelos de un solo periodo y de periodos mltiples. En los modelos de periodos mltiples la distribucin de
la demanda es estacionaria o no estacionaria. La mayora de los modelos de periodos
mltiples con demanda estacionaria pueden extenderse fcilmente al caso no estacionario; pero los clculos relacionados, especialmente en el caso no estacionario, son
casi prohibitivos. Sin embargo, si se supone demanda estacionaria y horizonte infinito,
usualmente pueden obtenerse soluciones de forma cerrada para los modelos.
Ing. Klber Vera T.
133
PUCESE

El criterio bsico de decisin utilizado con modelos de inventario probabilsticos es la

minimizacin de costos esperados (o equivalentemente, la maximizacin del beneficio
esperado). Sin embargo, ya que el objetivo es concentrarse sobre el desarrollo del
problema de inventario en s mismo ningn otro criterio se discutir.
5.4.1. Modelo de revisin continua
Esta seccin introduce un modelo probabilstico en el cual el almacenamiento se revisa continuamente, y un pedido de tamao y se coloca cada vez que el nivel de existencias llega a un cierto punto de reorden R. El objetivo es determinar los valores ptimos de y y R que minimicen los costos esperados de inventarios por unidad de tiempo. En este modelo, un ao representa una unidad de tiempo.
Las fluctuaciones de inventario correspondientes a esta situacin se dibujan en la figura siguiente.
Un ciclo se define como el periodo entre dos llegadas sucesivas de pedidos. Las hiptesis del modelo son:
1. El tiempo de demora entre la colocacin de un pedido y su recepcin es estocstico.
2. La demanda que no se satisface durante el tiempo de demora se deja pendiente para ser satisfecha en periodos posteriores.
3. La distribucin de la demanda durante el tiempo de demora es independiente del tiempo en la cual sta ocurre.
4. No existe ms de un pedido sobresaliente a la vez.
5.4.2. Modelos de un solo periodo
Los modelos de inventarios de un solo periodo ocurren cuando un artculo es ordenado una vez, nicamente para satisfacer la demanda de un periodo especfico. Por
ejemplo, un artculo de moda llega a ser obsoleto despus de un cierto periodo y despus no puede volverse a pedir. Los modelos de un solo periodo se investigan en condiciones diferentes, incluyendo principalmente demandas instantneas y uniformes
con costo fijo y sin l. Se supone que el reaprovisionamiento ocurre instantneamente.
El nivel de inventario ptimo se deduce con base en la minimizacin de los costos esperados de inventario. Estos incluyen los costos de pedidos (costo fijo ms costos de
compra o produccin) de mantenimiento y escasez. Debido a que la demanda es probabilstica, el costo por unidad de compra (produccin), aunque constante, ser un
factor efectivo en la funcin de costo. Los diferentes modelos son:
Modelo de demanda instantnea sin costo fijo

Modelo de demanda uniforme sin costo fijo
Modelo de demanda instantnea y costo fijo
Ing. Klber Vera T.
134
PUCESE

5.4.3. Modelos de mltiples periodos

Los modelos probabilsticos se consideran para el caso de mltiples periodos (finitos o
infinitos) bajo diferentes combinaciones de las condiciones siguientes:
1. Pedidos que quedan pendientes y pedidos que no quedan pendientes con
respecto a la demanda
2. Con y sin demoras en la entrega.
Los modelos se desarrollan principalmente en el caso de horizonte finito. Los modelos
con periodos infinitos se deducirn a partir del caso finito tomando el lmite cuando el
nmero de periodos tiende a infinito. Se supone que no existe costo fijo en ningn periodo. La inclusin de costos fijos en el caso de periodos mltiples generalmente lleva
a dificultades en los clculos. Todos los modelos de periodos mltiples se formulan
como modelos de programacin dinmica.
Aunque en todos los modelos anteriores de inventario la poltica ptima se determina
minimizando una funcin de costo, las soluciones en esta seccin se basan en la maximizacin de una funcin objetivo. La idea es que el lector sepa aplicar el criterio de
maximizacin (beneficio) como una alternativa al criterio de minimizacin (costo).
A diferencia de los modelos de un solo periodo, el modelo de periodos mltiples deber tomar en cuenta el valor actualizado del dinero. Por consiguiente, si ( < 1) es el
factor de descuento por periodo, una cantidad de dinero S despus de n periodos (n
1) es equivalente ahora a n S.
Los modelos siguientes se desarrollan en la hiptesis de que la distribucin de la demanda es estacionaria para todos los periodos. En el caso de horizonte finito, los modelos estacionarios pueden extenderse para cubrir distribuciones no estacionarias reemplazando la funcin densidad de demanda f(D) por fi(D) donde i designa el periodo.
Los modelos son:
Modelo sin demora que permite satisfacer la demanda pendiente

Modelo sin demora en la entrega que no satisface pedidos pendientes
Modelo con demora positiva en la entrega que satisface pedidos pendientes
Modelo con demora positiva en la entrega que no satisface pedidos pendientes
1. Una empresa industrial produce 1000 unidades al mes de un cierto artculo, P1.
Cada unidad de producto terminado lleva incorporados 1.5kgs. de una determinada materia prima, MP. El coste de adquisicin, ca, de MP es de 11 $/kg., pero el proveedor hace un descuento de 3 $/kg. cuando el lote de pedido es mayor o igual que 50000 kilogramos. Se sabe, adems, que el coste unitario diario
de posesin, cp, supone un 1% del de adquisicin y que el coste de emisin de
un pedido, ce, es de 10000 $. Sabiendo que la empresa emplea un modelo de
cantidad fija de pedido, que el perodo de gestin es un mes y que se suponen
condiciones de certeza, se desea conocer el lote econmico, que minimiza los
costes mensuales de gestin de inventarios, y el valor de stos.
2. Un gran distribuidor de equipo de perforacin de pozos petroleros ha operado
los ltimos dos aos con polticas EOQ con base en una tasa costo anual de
posesin del inventario del 22 %. Bajo la poltica EOQ, se ha pedido un producto especfico con un Q* = 80 Una evaluacin reciente de los costos de poInvestigacin de Operaciones
Ing. Klber Vera T.
135
PUCESE

sesin del inventario muestra que debido a un incremento en la tasa de inters

asociada con los prestamos bancarios, la tasa del costo anual de posesin
debera ser del 27% Cul es la nueva cantidad econmica a pedir para el
producto?
3. Una empresa A consume mensualmente 30 unidades de un producto P, que
puede fabricar en sus propios talleres a razn de 50 unidades mensuales. Cada vez que se fabrica P en la empresa A, se gastan $100 para el lanzamiento
de la produccin. Por otra parte, almacenar en A una unidad de P durante un
mes cuesta $0,05.
a. Hallar el lote ptimo de fabricacin y la repercusin, en el coste de cada
unidad de P, de los gastos de lanzamiento y de almacenaje.
b. Si un proveedor B ofrece suministrar el producto P en las fechas y cantidades preestablecidas por A. El costo de almacenaje sigue siendo $0,05 por
unidad de P almacenada durante un mes, pero el costo de cursar un pedido a B es tan slo de $10. Hallar el pedido ptimo y la correspondiente repercusin en el coste de cada unidad de P, de los gastos de pedido a B y
almacenaje en A.
c. Calcular para la poltica ptima de A hallada en la pregunta anterior, cul
ser para el proveedor B, la repercusin en sus propios costes por unidad
de P, de los gastos de lanzamiento y almacenaje. Se sabe que el ritmo de
produccin de P en B es de 100 unidades al mes, que el coste de lanzamiento es de $75 y que almacenar en B una unidad de P durante un mes
cuesta $0,1. Dicho clculo se har para los casos en que la cantidad de P
producida por B en cada lote de fabricacin es:
a.)
Igual a la solicitada por A en cada pedido.
b.)
Doble de la solicitada por A en cada pedido.
Se supondr tambin que, en ambos casos, el lanzamiento se hace en el
momento ms conveniente.
4. ELECTROAUTO C.A. adquiere directamente de su proveedor un componente
que se utiliza en la manufactura de generadores para automvil. La operacin
de produccin de generadores de ELECTROAUTO C.A. que funciona a una tasa constante, requerir de 1000 componentes mensuales durante todo el ao
(12.000 unidades anualmente). Suponga que los costos de elaborar un pedido
son 25 dlares por pedido, el costo unitario es de 2.50 $ por componente y los
costos anuales de posesin son 20 % del valor del inventario. ELECTROAUTO C.A., labora 250 das al ao y el plazo de entrega es de 5 das. Responda
a las siguientes preguntas de polticas (de inventarios de la Empresa:
a) Cual es el EOQ de este componente?
b) Cual es el punto de pedido?
c) Cual es el tiempo del ciclo?
d) Cuales son los costos totales anuales de posicin y de pedir, asociados
con su EOQ recomendado.
5. Suponga que ELECTROAUTO, que tiene una demanda anual de 12.000 generadores por ao, con un costo de almacenamiento de 0,50 dlares la unidad
ao y costo de preparacin de un pedido por 25 dlares cada pedido, ha decidido operar con una poltica de inventarios de pedidos pendientes por surtir,
Ing. Klber Vera T.
136
PUCESE

que le acarrea un costo anual de 5 dlares la unidad. Determine los siguientes

parmetros:
a) Cantidad a pedir a costo mnimo
b) Nmero mximo de pedidos pendientes por surtir
c) Nivel mximo de inventarios
d) Tiempo del ciclo
e) Costo total anual
6. TELE-RECORD es una nueva tienda de especialidades que vende televisores,
grabadoras de cinta, juegos de video y otros productos relacionados con la televisin. Una nueva grabadora de video fabricada en Japn, le cuesta a TELERECORD unos 600 dlares por unidad. La tasa del costo anual de posesin
del inventario de TELE-RECORD es del 22% del mismo. Los costos de elaborar un pedido se estiman en 70 dlares por pedido.
a.) Si la demanda de la nueva grabadora de videocinta se estima constante
a una tasa de 20 unidades por mes, cual es la cantidad recomendada
de pedido para la grabadora de cinta?
b.) Cuales son los costos estimados anuales del inventario y de realizar
un pedido asociado a este producto?
c.) Cuntos pedidos se colocaran al ao
d.) Con 250 das laborables por ao. cul es el tiempo del ciclo de este
producto?
7. Usted como Administrador del Sistema de Inventarios de una Empresa, considera que los modelos de Inventarios son de importante ayuda para la toma de
decisiones y que el modelo de pedidos pendientes por surtir debe evitarse. Sin
embargo, debido a la presin de la Gerencia de reducir sus costos, se le ha
pedido al Administrador que analice la economa de una poltica de pedidos
pendientes por entregar, para algunos productos que pueden quedar en espera. Un producto especfico tiene una demanda anual de 800 unidades, costo de
preparacin del pedido de 150 dlares y costo anual de almacenamiento de
cada unidad es de 3 dlares y el costo de mantener pedidos pendientes es de
20 dlares la unidad por ao. Cul es la diferencia en el costo total anual entre el modelo EOQ y el de faltante planificado? Si el administrador agrega como restriccin la de que no ms del 25% de las unidades puedan quedar en la
lista de unidades pendientes por surtir y que ninguno de sus clientes deba espera ms de 15 das para satisfacer su pedido deber adoptarse la poltica de
inventarios de pedidos pendientes por surtir, considerando que la operacin es
continua durante 250 das del ao?
8. La empresa TRANSPORTE S.A., est orgullosa de su programa de capacitacin de seis semanas para todos sus nuevos conductores de camiones. Siempre que el tamao de la clase, sea inferior igual 35 choferes, el programa de
capacitacin de seis semanas, le cuesta a TRANSPORTE S.A. unos 22.000
dlares por lo que se refiere a Instructores, Equipos, Etc. El programa de capacitacin de TRANSPORTE S.A. debe darle a la empresa aproximadamente
cinco nuevos conductores al mes. Despus de finalizar el programa de capacitacin, se les paga a los nuevos choferes 1.600 dlares mensuales pero no
Ing. Klber Vera T.
137
PUCESE

trabajan hasta que quede disponible una posicin de tiempo completo de chofer. TRANSPORTE S.A., considera los 1.600 dlares mensuales cancelados a
cada conductor ocioso como un costo de posesin necesario para mantener
esa fuente de nuevos choferes de camiones capacitados disponibles para servicio inmediato. Considerando los nuevos choferes como unidades del tipo de
inventario, de que tamao debera ser la clase de capacitacin para minimizar los costos totales anuales de capacitacin y de tiempo ocioso de los nuevos choferes? Cuantas clases de capacitacin deber impartir la Empresa
cada ao? Cul es el costo total anual asociado con su recomendacin?
9. Una empresa que se dedica a la fabricacin de transformados metlicos debe
comprar en el exterior una pieza de plstico que incorpora a sus productos,
siendo su coste de adquisicin de 0.125um/unidad. El consumo diario de dicha
pieza es prcticamente constante y asciende a 178 unidades. Cada vez que se
hace un pedido, ste tarda en llegar 7 das y se generan unos costes por emisin iguales a 500um. Un estudio realizado sobre los costes, cp, originados por
el almacenamiento de las piezas de plstico en la empresa, revela que stas
suponen 1.25um/unidad y ao. La empresa no viene practicando ningn mtodo cientfico de gestin de stocks y parece ser que esto provoca unos gastos
demasiado elevados en el departamento de aprovisionamiento. Debido a ello,
el gerente solicita del mismo un estudio adecuado para la gestin de las diferentes materias primas y productos de fabricacin ajena que son adquiridos por
la empresa, entre los cuales se encuentra la pieza de plstico a la que venimos
haciendo referencia. Para ellos, y dentro del estudio general encomendado, se
desea conocer, para un perodo q, de 360 das laborables:
a.) El tamao del lote de pedido, Q*, que minimiza los costes totales de la
gestin de inventarios de este producto.
b.) El nmero de pedidos a realizar.
c.) El perodo de reaprovisionamiento ptimo.
d.) El punto de pedido.
e.) El coste total de gestin, CT.
10. Suponga que usted esta revisando la decisin del tamao del lote asociado con
una operacin de produccin de 8000 unidades por ao, con una demanda del
producto de 2000 unidades por ao, el costo de efectuar un pedido es de 300
dlares por pedido y el costo de almacenamiento es de 1.60 dlares la unidad
por ao. Considere adems que la practica actual incluye corridas de produccin de 500 unidades cada tres meses recomendara usted cambiar el tamao del lote de produccin actual? porqu si y porqu no? Cunto se podr
ahorrar al convertir la produccin a su recomendacin del tamao del lote de
produccin?
11. PUBLICACIONES C.A. produce libros para el mercado infantil cuya demanda
anual constante se estima en 7.200 ejemplares. El costo de cada libro infantil
es de 14,50 dlares. El costo de posesin se basa en una tasa anual del 18% y
los costos de puesta en marcha de la produccin es de 150 dlares por cada
puesta en marcha de la produccin. La imprenta tiene una capacidad de produccin de 25.000 libros infantiles por ao, con una operacin de 250 das al
ao y plazo de entrega de una corrida de produccin de de 15 das. Utilizando
el modelo de tamao de lote de produccin determine lo siguiente:
Ing. Klber Vera T.
138
PUCESE

a) Tamao del lote de produccin con costo mnimo

b) Nmero de corridas de produccin al ao
c) Tiempo del ciclo
d) Duracin de una corrida de produccin
e) Nivel mximo de inventario
f) Costo total anual
g) Punto de pedido
12. COLGATE-PALMOLIVE, fabricante de pastas dentales, utiliza un modelo de
tamao de lote de produccin para determinar la cantidad de produccin de
sus diferentes presentaciones del producto. El producto CREST actualmente
se est produciendo en tamao de lotes de 5.000 unidades, con una corrida de
produccin que dura 10 das. Debido a la escasez de una materia prima, su
proveedor le ha anunciado un incremento en su precio que afectar el costo de
produccin de la pasta de dientes CREST. Las estimaciones indican que por
esa razn, el costo de manufactura de CREST, se incrementa un 23% por unidad. Cul es el efecto de este incremento en costo sobre el tamao del lote
de produccin de CREST?
13. Una empresa distribuidora de rollos de cables quiere adoptar una poltica de inventarios que le permita minimizar el costo total esperado. La poltica a utilizar
ser la de comprar lotes de artculos utilizando una frecuencia entera ptima.
La demanda de rollos prevista para el perodo se calcula que ser de 400 unidades. Un proveedor ofrece un modelo de ese rollo a un precio unitario de $ 12
cuando la cantidad a comprar sea menor a 19 unidades, $ 10 cuando compre
entre 20 y 79 unidades y $ 9.50 cuando compre mas de 79 unidades. El costo
administrativo por realizar cada compra se calcula en $ 15. Para averiguar el
costo de almacenaje se determino que tener un rollo almacenado en el deposito cuesta un 55% de su precio unitario, este porcentaje incluye seguros, custodia, valor de recuperacin (valor de desecho del producto para la empresa,
como por ejemplo una venta con descuento) y la tasa de descuento (el costo
por tener invertido dinero en artculos almacenados y no por ejemplo en un plazo fijo). Determinar el lote ptimo de compra
14. La empresa de calzado deportivo ADDIDAS, tiene un modelo que se vende a

razn de 500 pares cada tres meses. La poltica actual de pedidos a fbrica es
de pedir 500 pares cada vez que se elabora un pedido a un costo de 30 dlares para elaborar cada pedido. La tasa del costo de posesin del inventario es
del 20%. Con la cantidad a pedir igual a 500 pares, ADDIDAS, obtiene el costo
ms bajo para cada par de zapatos, es decir 28 dlares el par. Con la tabla de
descuentos por volumen de compra anexa, Cul es la cantidad a pedir con un
costo mnimo para los zapatos? Cules son los ahorros anuales de su poltica
de inventarios en comparacin a la utilizada actualmente por ADDIDAS?
Clase de Descuento Tamao del pedido Descuento (%) Costo Unitario (US$)
A
0 - 499
500 ms
Ing. Klber Vera T.
30,00
20
24.00
139
PUCESE

15. Una Empresa puede producir un artculo comprarlo a un comerciante. Si lo

fabrica, a una tasa de 100 unidades por da, le costar 20 dlares cada vez
que se preparan las maquinas. Si se lo compra al comerciante le costar 15
dlares cada vez que hace un pedido. El costo de mantener un articulo en existencia ya sea fabricado comprado es de 0.02 dlares la unidad por da. El
uso que la Empresa hace del artculo se estima en 260.000 unidades al ao.
Suponiendo que no se permite ningn faltante, Debe la compaa comprar el
artculo producirlo?
16. Un proveedor les ofrece un producto a descuento, si la demanda anual del producto es de 500 unidades, el costo de preparar un pedido es de 40 dlares y la
tasa anual por posesin del inventario es del 20%, basado en la tabla de descuento anexa, que cantidad recomendara usted pedir?
Clase de Descuento Tamao del pedido Descuento (%) Costo Unitario (US$)
A
0 - 99
10,00
100 ms
9.70
Ing. Klber Vera T.
140
PUCESE

6. ANEXOS
6.1. ANEXO 1: TRABAJOS DE EXPOSICIN
Programacin Lineal: Anlisis de Dualidad y de Sensibilidad

Programacin Lineal: Redes
Programacin Entera
Programacin Dinmica
Teora de Decisiones y Juegos
Proceso de Decisin de Markov
Teora de lneas de espera
Simulacin
Teora de Optimizacin clsica
Algoritmos de Programacin No Lineal
Ing. Klber Vera T.
141

Modulo - INVESTIGACIÓN DE OPERACIONES PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Modulo - INVESTIGACIÓN DE OPERACIONES PDF

Transféré par

Droits d'auteur :

Formats disponibles

PUCESE

Ingeniera en Sistemas y Computacin

Cap. 2: Programacin Lineal

Cap. 3: Problemas de Programacin Lineal

Cap 4: Programacin de Proyectos con PERT / CPM

Cap 5: Modelos de Inventarios

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

1.1. INVESTIGACIN DE OPERACIONES

1.2. MODELO DE DECISIN SIMPLE

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Costo fijo inicial por lote

Para formalizar la situacin como un modelo de decisin debemos:

Podemos expresar ahora el modelo de decisin completo.

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

dades, la mquina semiautomtica es ms econmica. Sucede lo contrario con lotes

Figura 1.1. Punto de equilibrio

En esta solucin simplemente se supone que ambas mquinas producen partes a la

Figura 1.2. Punto de equilibrio con restricciones

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Alternativas de decisin, de las cuales se hace una seleccin.

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Un enfoque diferente a la representacin por medio de modelos de sistemas consiste

(oferta del almacn 1)

Todas las variables de decisin son no negativas.

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Figura 1.3 Nmero de cajeros vs. Costo por tiempo de espera

Aunque este modelo no tiene restricciones explcitas, tiene la estructura bsica de un

Figura 1.4 Simulacin de clientes en el banco

Los modelos de simulacin, cuando se comparan con modelos matemticos, ofrecen

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

1.4. CLCULOS EN INVESTIGACIN DE OPERACIONES

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Aplicando esto a la tabla anterior tenemos:

Para ilustrar el segundo tipo de un mtodo heurstico, consideremos el problema de un

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Definicin del problema

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Disponibilidad Mxima (toneladas)

Un estudio de mercado ha establecido que la demanda diaria de pintura para interiores

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Esto nos lleva a las restricciones siguientes:

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

Matemticamente, stos se expresan, respectivamente, como:

(exceso de pinturas para interiores sobre exteriores)

Una restriccin implcita (o sobreentendida) es que la cantidad que se produce de cada

Ing. Klber Vera T.

Ingeniera en Sistemas y Computacin

2.2.2. Solucin grfica del modelo matemtico

Figura 2.1 Espacio de solucin factible