Investigación de Operaciones

1. Investigacin de Operaciones.
La investigacin de operaciones o investigacin operativa o investigacin operacional

(conocida tambin como teora de la toma de decisiones o programacin matemtica)
(I.O.) es una disciplina moderna que consiste en el uso de modelos matemticos,
estadstica y algoritmos con objeto de realizar un proceso de toma de decisiones.
Frecuentemente trata del estudio de complejos sistemas reales, con la finalidad de
mejorar (u optimizar) su funcionamiento. La investigacin de operaciones permite el
anlisis de la toma de decisiones teniendo en cuenta la escasez de recursos, para
determinar cmo se puede optimizar un objetivo definido, como la maximizacin de
los beneficios o la minimizacin de costos.
a) Definicin:
En este contexto la Investigacin de Operaciones utiliza tcnicas de modelamiento
matemtico, anlisis estadstico y optimizacin matemtica, con el objetivo de
alcanzar soluciones ptimas o cercanas a ellas cuando se enfrentan problemas de
decisin complejos. Se espera que las decisiones alcanzadas mediante el uso de un
modelo de investigacin operativa sean significativamente mejores en comparacin a
aquellas decisiones que se podran tomar haciendo uso de la simple intuicin o
experiencia del tomador de decisiones. Lo anterior es particularmente cierto en
aquellos problemas de naturaleza real complejos, que consideran cientos, incluso
miles de variables de decisin y restricciones.
Origen:
Cuando comenz a Segunda Guerra Mundial, haba un pequeo grupo de
investigadores militares, encabezados por A. P. Rowe, interesados en el uso militar
de una tcnica conocida como radioubicacin (o radiolocalizacin), que desarrollaron
cientficos civiles. Algunos historiadores consideran que esta investigacin es el punto
inicial de la investigacin de operaciones. Otros creen que los estudios que tienen las
caractersticas del trabajo de investigacin de operaciones aparecieron
posteriormente. Algunos consideran que su comienzo est en el anlisis y solucin
del bloqueo naval de Siracusa que Arqumedes present al tirano de esa ciudad, en el
siglo III A.C. F. W. Lanchester, en Inglaterra, justo antes de la primera guerra mundial,
desarroll relaciones matemticas sobre la potencia balstica de las fuerzas
opositoras que, si se resolvan tomando en cuenta el tiempo, podan determinar el
resultado de un encuentro militar. Thomas Alva Edison tambin realiz estudios de
guerra antisubmarina. Ni los estudios de Lanchester ni los de Edison tuvieron un
impacto inmediato; junto con los de Arqumedes, constituyen viejos ejemplos del
empleo de cientficos para determinar la decisin ptima en las guerras, optimizando
los ataques.
No mucho despus de que estallara la Segunda Guerra Mundial, la Bawdsey
Research Station, bajo la direccin de Rowe, particip en el diseo de utilizacin
ptima de un nuevo sistema de deteccin y advertencia prematura, denominado radar
(Radio Detection And Ranging Deteccin y medicin de distancias mediante radio).
Poco despus este avance sirvi para el anlisis de todas las fases de las
operaciones nocturnas, y el estudio se constituy en un modelo de los estudios de
investigacin de operaciones que siguieron.
En agosto de 1940 se organiz un grupo de 20 investigadores, bajo la direccin de P.
M. S. Blackett, de la Universidad de Mnchester, para estudiar el uso de un nuevo
sistema antiareo controlado por radar. Se conoci al grupo de investigacin como el
Circo de Blackett, nombre que no parece desatinado a la luz de sus antecedentes y
orgenes diversos. El grupo estaba formado por tres fisilogos, dos fisicomatemticos,
un astrofsico, un oficial del ejrcito, un topgrafo, un fsico general y dos
1
matemticos. Generalmente se acepta que la formacin de este grupo constituye el
inicio de la investigacin de operaciones.
b) Aplicaciones:
reas funcionales, Una muestra de los problemas que la IO ha estudiado y resuelto
con xito en negocios e industria se tiene a continuacin:
Personal: La automatizacin y la disminucin de costos, reclutamiento de personal,
clasificacin y asignacin a tareas de mejor actuacin e incentivos a la produccin.
Mercado y distribucin: El desarrollo e introduccin de producto, envasado, prediccin
de la demanda y actividad competidora, localizacin de bodegas y centros
distribuidores.
Compras y materiales: Las cantidades y fuentes de suministro, costos fijos y
variables, sustitucin de materiales, reemplazo de equipo, comprar o rentar.
Manufactura: La planeacin y control de la produccin, mezclas ptimas de
manufactura, ubicacin y tamao de planta, el trfico de materiales y el control de
calidad.
Finanzas y contabilidad: Los anlisis de flujo de efectivo, capital requerido de largo
plazo, inversiones alternas, muestreo para la seguridad en auditoras y
reclamaciones.
Planeacin: Con los mtodos Pert para el control de avance de cualquier proyecto
con mltiples actividades, tanto simultneas como las que deben esperar para
ejecutarse.
Algunas personas se veran tentadas a aplicar mtodos matemticos a cuanto
problema se presentase, pero es que acaso siempre es necesario llegar al ptimo?
Podra ser ms caro el modelar y el llegar al ptimo que a la larga no ofrezca un
margen de ganancias muy superior al que ya se tiene.
Tmese el siguiente ejemplo:
La empresa EMX aplica I.O. y gasta por el estudio y el desarrollo de la aplicacin
$100, pero despus de aplicar el modelo observa que la mejora no es muy diferente a
la que actualmente tena.
Puede sealarse, entonces, que la investigacin de operaciones slo se aplicar a los
problemas de mayor complejidad, sin olvidar que el simple uso de la I.O. trae un costo
que, si se supera el beneficio, no resultar econmicamente prctico. Algunos
ejemplos prcticos donde resulta til la aplicacin de I.O. son:
En el dominio combinatorio, muchas veces la enumeracin es imposible. Por ejemplo,
si hay 200 trabajos por realizar, que toman tiempos distintos y solo cuatro personas
que pueden hacerlos, enumerar cada una de las combinaciones podra ser ineficiente
(aparte de desanimante). Luego los mtodos de secuenciacin sern los ms
apropiados para este tipo de problemas.
De igual manera, la I.O. es til cuando en los fenmenos estudiados interviene el
azar. La nocin de esperanza matemtica y la teora de procesos estocsticos
ofrecen la herramienta necesaria para construir el cuadro en el cual se optimizar la
funcin econmica. Dentro de este tipo de fenmenos se encuentran las lneas de
espera y los inventarios con demanda probabilstica.
Con mayor motivo, la investigacin de operaciones se muestra como un conjunto de
instrumentos precioso cuando se presentan situaciones de concurrencia. La teora de
juegos no permite siempre resolverlos formalmente, pero aporta un marco de reflexin
que ayude a la toma de decisiones.
Cuando se observa que los mtodos cientficos resultan engorrosos para el conjunto
de datos, se cuenta con otra opcin: simular tanto el comportamiento actual as como
2
las propuestas y ver si hay mejoras sustanciales. Las simulaciones son experiencias
artificiales.
Es importante resaltar que la investigacin de operaciones no es una coleccin de
frmulas o algoritmos aplicables sistemticamente a situaciones determinadas. Si se
cae en este error, ser muy difcil captar en condiciones reales los problemas que
puedan deducirse de los mltiples aspectos de esta disciplina, la cual busca
adaptarse a las condiciones variantes y particulares de los diferentes sistemas que
puede afrontar, usando una lgica y mtodos de solucin muy diferentes a problemas
similares mas no iguales.
Una de las problemticas actuales del mundo es el cambio climtico y desaparicin
de muchas especies animales por lo que se han realizado numerosas investigaciones
en el campo de la ecologa y biologa donde se aplican tcnicas de la investigacin
operativa. Por ejemplo en la investigacin: "Un nuevo mtodo para tratar con
autocorrelacin espacial residual en los modelos de distribucin de especies".1 En
este ejemplo se aplica Probabilidad y Estadstica a un nuevo mtodo en la que se
utilizan dos modelos uno de distribucin de especies (SDM) y el otro modelo de auto
correlacin espacial (SAC) en el que las observaciones estn relacionadas entre si
por su distancia geogrfica. El nuevo mtodo auto logstico incluye la covarianza que
representa la similitud entre el valor de la variable de respuesta en un lugar y
localidades vecinas.
Otras investigaciones que se han realizado son:
"Proteccin de la vida marina de California iniciativa de Ley: Apoyo a la aplicacin de
la legislacin que establece una red estatal de reas marinas protegidas",2 en esta
investigacin se utilizan conceptos de Teora de grafos .
"Una topologa de los desajustes de escala de tiempo e intervenciones conductuales
para diagnosticar y solucionar problemas de conservacin".3 Los sistemas ecolgicos
operan comnmente en escalas temporales que son significativamente ms largas o
ms cortas que las de un proceso de la toma de decisiones, lo que ocasiona una
dificultad para la conservacin y manejo de sistemas socio-ecolgicos.
Como podemos ver el campo de aplicacin de la Investigacin de Operaciones es
muy amplio y que la podemos aplicar en nuestra vida diaria, simplemente a cada
instante tomamos Decisiones de vida, por ejemplo que ruta tomar cuando voy de la
casa a la escuela, como hago la Planeacin de mis actividades para que realice mis
actividades diarias o por semana, o en la casa como Minimizamos el gasto de todo lo
que compramos.
c) Objetivos
El objetivo y finalidad de la investigacin operacional es encontrar la solucin ptima
para un determinado problema (militar, econmico, de infraestructura, logstico, etc.)
Est constituida por un acercamiento cientfico a la solucin de problemas complejos,
tiene caractersticas intrnsecamente multidisciplinares y utiliza un conjunto
diversificado de instrumentos, prevalentemente matemticos, para la modelizacin, la
optimizacin y el control de sistemas estructurales en conocimiento a dems cosas.
En el caso particular de problemas de carcter econmico, la funcin objetivo puede
ser obtener el mximo rendimiento o el menor costo.
La investigacin operacional tiene un rol importante en los problemas de toma de
decisiones porque permite tomar las mejores decisiones para alcanzar un
determinado objetivo respetando los vnculos externos, no controlables por quien
debe tomar la decisin.
La elaboracin del problema est subdividida en fases obligatorias. Las principales
son:
examen de la situacin real y recoleccin de la informacin;
3
formulacin del problema, identificacin de las variables controlables y las
externas (no controlables) y la eleccin de la funcin objetivo, a ser
maximizada o minimizada;
construccin del modelo matemtico, destinado a dar una buena
representacin del problema; debe ser fcil de usar; representar el problema,
dando toda la informacin para poder tomar una decisin lo ms idnea
posible;
resolucin del modelo (mediante diferentes modalidades);
anlisis y verificacin de las soluciones obtenidas: se controla si la funcin
objetivo ofrece las ventajas esperadas; se verifica la representatividad del
modelo; y, se efectan anlisis de sensibilidad de la solucin obtenida;
utilizacin del sistema obtenido para su posterior uso.
d) Modelo Icnica y Estndar

MODELO ICONICO
Es una representacin fsica de algunos objetos, ya sea
en forma idealizada (bosquejos) o a escala distinta.
Ejemplo:
Planos y mapas (dos dimensiones).
Maquetas y prototipos (4 dimensiones).
Un modelo icnico ofrece una representacin pictrica del objeto. El objeto se suele
presentar como una proyeccin bidimensional; la escala y los colores con frecuencia
se cambian, los detalles menos interesantes se omiten, y la presentacin se
concentra en aquellos detalles del objeto que son interesantes -- estos son con
frecuencia aquellas invariantes que son comunes a todos o la mayor parte de los
objetos que fueron estudiados. La idea de un modelo icnico es antigua, y es el
mtodo estndar de presentacin en artes pictricas y tambin en el diseo de
productos. Por ello suele ser tambin una buena eleccin en lainvestigacin de
productos. Bsicamente, todas las imgenes son modelos icnicos.
Hoy tenemos excelentes instrumentos, como cmaras fotogrficas y de video, para
facilitar la tarea de registrar imgenes. Sin embargo, las fotografas y grabaciones
hechas con estas mquinas con frecuencia incluyen una gran cantidad de detalle,
ocultando as los rasgos generales de los objetos, ms interesantes desde un punto
de vista terico (en otras palabras, aquellos rasgos que varios o todos los objetos
tienen en comn). Por tanto, en proyectos de investigacin, se suele preferir el
mtodo del dibujo. Su ventaja es que ser facil omitir la variacin perturbadora entre
los objetos. A continuacin se representa una cafetera y algunas invariancias (crculos
etc.) en su forma
Cuando se selecciona el mtodo de presentacin para aquellos objetos que en el
presente se estn diseando y fabricando, una posibilidad es adoptar los mtodos de
dibujo de los diseadores. Esto comprende vistas y secciones desde una o ms
direcciones dibujadas a escala. Sin embargo, tales mtodos estn diseados para la
manufactura de objetos. Para los propsitos de la investigacin puede ser ms
gratificante desarrollar un mtodo de representacin que ponga el nfasis
exactamente en aquellos rasgos de los objetos que son interesantes. Esto puede
lograrse, por ejemplo, por un dibujo en tinta en perspectiva donde los detalles no
esenciales simplemente se omiten
La dimensin de tiempo, por ejemplo la evolucin histrica de un tipo de producto, es
difcil de ser presentado en medias de dos dimensiones como el papel, porque dos
4
dimensiones de la imagen son ya reservadas para presentar la forma fsica. Una
solucin usual a este problema es hacer una serie de cuadros, como la sucesin de
modelos de coche
MODELO ESTANDAR
Estndares y hechos a la medida Se llaman modelos estndar a los que solo hay que
insertar o sustituir diferentes valores con el fin de obtener un valor a una respuesta de
un sistema y son aplicables al miso tipo de problemas en negocios. Ejemplo, el
clculo de costos o gastos, el clculo de ganancias, etc.
Se llaman modelos hechos a la medida cuando se crean modelos para resolver un
caso de problema especfico que se ajusta nicamente a este problema.
FORMA CANONICA Y FORMA ESTANDAR
Un problema de programacin lineal puede ser establecido en diferentes formas

equivalentes a travs de manipulaciones apropiadas. Dos formas en particular sern
de bastante utilidad. Estas son las formas Estndar y Cannica. Un problema lineal se
dice que esta en la forma estndar si ;
a) Todas las restricciones son igualdades
b) Todas las variables son no-negativas

c) Las limitaciones ( lado derecho de la restriccin) son positivas
El Mtodo Simplex, esta diseado para ser aplicado nicamente hasta que el
problema se encuentre en la forma Estndar. La forma Cannica es tambin de
bastante utilidad, especialmente en explorar la relacin de Dualidad. Un problema de
P.L. est en la forma cannica si para un problema de:
Maximizacin, las variables son no-negativas y las restricciones son del tipo
Minimizacin, las variables son no-negativas y las restricciones son del
tipo
Considere el siguiente problema de P.L. en forma cannica
n
Minimice Z = c j x j Minimice Z=CX
j =1
Sujeto a; Sujeto a;
n
aij x j bi ,i = 1,2,...m Ax b
X0
j =1
xj 0
Donde :
A= Matriz de coeficientes de las variables en el sistema de ecuaciones de

(mxn) aij= coeficiente de la variable j en la restriccin i
5
x=Vector solucin (nx1)
xj= Variable j
bi= Lado derecho de la restriccin i ( Limitacin i )

C=Vector de costos o utilidades (1xn)
cj= Coeficiente de la variable j en la funcin objetivo
Los motivos para que un problema no este en la forma estndar son:
1. Algunas restricciones son desigualdades

x b a a12
1 1 . a1n 2. Algunas bi son negativas
11
a . a
X = x2 b=
b2
A=
a21
22 2n 3. Algunas variables de
. . . decisin xj pueden ser negativas
am
. . .
xn bn 1
am Igualdades y desigualdades en
las 2 . amn restricciones
Una desigualdad puede fcilmente ser transformada a una igualdad (ecuacin ) a

travs del uso de las variables de holgura qu representan en caso de:
a) La desigualdad menor o igual ( ), la deficiencia de unidades para el lado

izquierdo de la restriccin iguale a lado derecho de la misma. Por lo que se
agrega una variable de holgura con signo positivo en el lado izquierdo de la
restriccin..
b) La desigualdad menor o igual ( ),el exceso de unidades que tiene el lado

izquierdo de la restriccin con respecto al lado derecho de la misma. Por lo
que se agrega una variable de holgura con signo negativo en el lado izquierdo
de la restriccin.
En el caso de una desigualdad mayor o igual
n
aij x j bi Seagrega una variable con signo negativo xn+1, como se muestra
A continuacin
j =1
n
aij x j xn+1 = bi donde xn+1 0
j=1
En el caso de una desigualdad menor o igual
n
aij x j bi se agrega una variable con signo positivo xn+1, como se muestra a
continuacin
j=1
n 6
+ =
aij x j xn+1 bi donde xn+1 0
j=1
As mismo, la ecuacin de la forma

n
aij x j = bi j=1
Pude ser transformada en dos desigualdades
n n
aij x j bi aij x j bi
y
j=1 j=1
Para la mayora de los problemas prcticos, las variables representan cantidades

fsicas y por lo tanto no pueden ser negativas. El Mtodo Simplex, que se cubrir ms
adelante, esta diseado para resolver problemas lineales donde las variables deben
ser no-negativas. Si una variable xn no tiene restriccin en signo, entonces esta puede
ser reemplazada por:
xj y xj+1 , donde ambas son 0 y xj representa la parte positiva de la variable xj y

xj+1 representa la parte negativa de la variable xj . Una vez resuelto el problema, en
el
caso de que la variable xj este en solucin, nicamente podr tener valor una de las
variables xj y xj+1 y la otra deber tener valor de cero, es decir que solamente podr
estar en solucin una de las dos variables (pero no necesariamente esta variable x j
estar en solucin).
Ejemplo:
Minimizar Z= -x1 - 3x2

Sujeto a;
x1 x2 6 -x1 +
2x2 8 x1,x2 0
Transformando a l forma estndar tenemos:

Sujeto a;
x1
x2 + x3 =6
-x1 + 2x2 + x4 = 8
xs 0
x3, y x4 son variables de holgura.
Si ahora consideramos que x1 no esta restringida en signo, el problema se puede

plantear de la forma siguiente;
Minimizar Z= -(x1 - x1 ) - 3x2
Sujeto a;
7
(x1 - x1 )
x2 + x3 =6
-(x1 - x1 ) + 2x2 + x4 = 8
xs 0
donde x1=-(x1 - x1 ) no esta restringida en signo y x2
, x1 0
Forma Cannica y Estndar Investigacin de Operaciones I
Para efectos de resolver este problema por el mtodo Simplex, se

modifican los subndices de las variables;
Minimizar Z= -x1
x2 - 3x3 Sujeto a;
x1 - x2 + x3 + x4 =6
-x1 + x2 + 2x3 +
x5 = 8 xs 0
donde x1= x1 y x2 = x1 y se recorren los subndices delas variables

restantes. Una vez que se resuelva este problema, las variables retoman
sus subndices iniciales.
No-negatividad de las limitaciones bi
Cuando el problema se desea representar en forma estndar y alguna de

las bi es negativa, se multiplica la restriccin que corresponda a esta
limitacin por (-1) y as se hace positiva.
Ejemplo:
Sujeto a;
x1 x2 + x3 =6
-x1 + 2x2 + x4 = -8
xs 0
x3, y x4 son variables de holgura.
Se multiplica la segunda restriccin por (-1),
resultando;
Sujeto a;
x1 x2 + x3 =6
x1 - 2x2 - x4 = 8
xs 0
.
8
VALOR DE LA FUNCIN OBJETIVO
TIPO DE
RESTRICCIONES MAXIMIZACION MINIMIZACION
1.- Desigualdad , aadir

una
variable de Holgura de Coeficiente de la Coeficiente de la
Dficit variable de variable de
(con signo + ). Holgura igual a cero. Holgura igual a cero.
2.- Desigualdad , aadir
una
variable de Holgura de Coeficiente de la Coeficiente de la
Exceso variable de variable de
(con signo - ) y una Holgura igual a cero y de Holgura igual a cero y de
variable la la
variable Artificial igual a - variable Artificial igual a
Artificial (con signo + ). M. +M.
3.- Igualdad =, aadir
una
variable Artificial ( con Coeficiente de la
signo +) variable Coeficiente de la variable
Artificial igual a -M. Artificial igual a -M.
9
2. Formacin y Planteamiento (Mtodo Simplex)
El Mtodo Simplex es un mtodo analtico de solucin de problemas de programacin
lineal capaz de resolver modelos ms complejos que los resueltos mediante el
mtodo grfico sin restriccin en el nmero de variables.
El Mtodo Simplex es un mtodo iterativo que permite ir mejorando la solucin en
cada paso. La razn matemtica de esta mejora radica en que el mtodo consiste en
caminar del vrtice de un poliedro a un vrtice vecino de manera que aumente o
disminuya (segn el contexto de la funcin objetivo, sea maximizar o minimizar), dado
que el nmero de vrtices que presenta un poliedro solucin es finito siempre se
hallar solucin.
Este famossimo mtodo fue creado en el ao de 1947 por el estadounidense George
Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el nimo de crear un
algoritmo capaz de solucionar problemas de m restricciones y n variables.
QUE ES UNA MATRIZ IDENTIDAD?
Una matriz puede definirse como una ordenacin rectangular de elementos, (o listado
finito de elementos), los cuales pueden ser nmeros reales o complejos, dispuestos
en forma de filas y de columnas.
La matriz idntica o identidad es una matriz cuadrada (que posee el mismo nmero
tanto de columnas como de filas) de orden n que tiene todos los elementos
diagonales iguales a uno (1) y todos los dems componentes iguales a cero (0), se
denomina matriz idntica o identidad de orden n, y se denota por:
Matriz identidad
La importancia de la teora de matrices en el Mtodo Simplex es fundamental, dado
que el algoritmo se basa en dicha teora para la resolucin de sus problemas.
OBSERVACIONES IMPORTANTES AL UTILIZAR MTODO SIMPLEX
VARIABLES DE HOLGURA Y EXCESO
El Mtodo Simplex trabaja basndose en ecuaciones y las restricciones iniciales que
se modelan mediante programacin lineal no lo son, para ello hay que convertir estas
inecuaciones en ecuaciones utilizando unas variables denominadas de holgura y
exceso relacionadas con el recurso al cual hace referencia la restriccin y que en el
tabulado final representa el "Slack or surplus" al que hacen referencia los famosos
programas de resolucin de investigacin de operaciones, estas variables adquieren
un gran valor en el anlisis de sensibilidad y juegan un rol fundamental en la creacin
de la matriz identidad base del Simplex.
Estas variables suelen estar representadas por la letra "S", se suman si la restriccin
es de signo "<= " y se restan si la restriccin es de signo ">=".
Por ejemplo:
Mtodo Simplex
Mtodo Simplex
VARIABLE ARTIFICIAL / MTODO DE LA "M"
Una variable artificial es un truco matemtico para convertir inecuaciones ">=" en
ecuaciones, o cuando aparecen igualdades en el problema original, la caracterstica
principal de estas variables es que no deben formar parte de la solucin, dado que no
representan recursos. El objetivo fundamental de estas variables es la formacin de la
matriz identidad.
10
Estas variables se representa por la letra "A", siempre se suman a las restricciones,
su coeficiente es M (por esto se le denomina Mtodo de la M grande, donde M
significa un nmero demasiado grande muy poco atractivo para la funcin objetivo), y
el signo en la funcin objetivo va en contra del sentido de la misma, es decir, en
problemas de Maximizacin su signo es menos (-) y en problemas de Minimizacin su
signo es (+), repetimos con el objetivo de que su valor en la solucin sea cero (0).
Ejercicios resueltos
EJERCICIOS DE PROGRAMACIN LINEAL RESUELTOS MEDIANTE EL METODO

SIMPLEX
I. 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
solo se encuentran dos clases de compuestos: el tipo I con una composicin de una
unidad de A y cinco de B, y el tipo II con una composicin de cinco unidades de A
y una de B. El precio del tipo I es de 10 dlares y el del tipo II es de 30 dlares. Se
pregunta:
Qu cantidades se han de comprar de cada tipo para cubrir las necesidades con un
coste mnimo?
Sustancia A Sustancia B Precio $

Tipo I (x) 1 5 10
Tipo II (y) 5 1 30
15 15
Variables de decisin:
Tipo I x
Tipo II y
Funcin Objetivo:
Min z=10x +30y
Restricciones:
11
sa: + 5 15
5 + 15
, 0
1. Convertir a igualdad las restricciones:
+ 5 1 02 = 15
5 + 01 2 = 15
2. Igualar la funcin objetivo a 0
10 + 30 = 0
12
3. Escribir la tabla inicial simplex
Iteracin 1
Base x y e1 e2 Vs
e1 1 5 -1 0 15
e2 5 1 0 -1 15
-z 10 30 0 0 0
Vfe2: 5 1 0 -1 15 Vf-z: 10 30 0 0 0
- - - - - - - - - -
1 1 1 1 1 30 30 30 30 30
* * * * * * * * * *
1/5 1 -1/5 0 3 1/5 1 -1/5 0 3
= = = = = = = = = =
Nfe2: 24/5 0 1/5 -1 12 Nf-z: 4 0 6 0 -90
Iteracin 2
Base x y e1 e2 Vs
y 1/5 1 -1/5 0 3
e2 24/5 0 1/5 -1 12
-z 4 0 6 0 -90
Vfy: 1/5 1 -1/5 0 3 Vf-z: 4 0 6 0 -90

- - - - - - - - - -
1/5 1/5 1/5 1/5 1/5 4 4 4 4 4
* * * * * * * * * *
1 0 1/24 - 5/2 1 0 1/24 -5/24 5/2
5/24
= = = = = = = = = =
Nfy: 0 1 - 1/24 5/2 Nf-z: 0 0 35/6 5/6 -100
5/24
Iteracin 3
Base x y e1 e2 Vs
y 0 1 - 1/24 5/2
5/24
x 1 0 1/24 - 5/2
5/24
z 0 0 - -5/6 +100
35/6
Respuestas:
x= 5/2 3
y=5/2 3
z=100
13
II. Cierto fabricante produce dos artculos, A y B, para lo que requiere la utilizacin de
dos secciones de produccin: seccin de montaje y seccin de pintura.
El artculo A requiere una hora de trabajo en la seccin de montaje y dos en la de

pintura; y el artculo B, tres horas en la seccin de montaje y una hora en la de
pintura.
La seccin de montaje solo puede estar en funcionamiento nueve horas diarias,

mientras que la de pintura solo ocho horas cada da. El beneficio que se obtiene
produciendo el artculo B es de 40 dlares y el de A es de 20 dlares.
Calcula la produccin diaria de los artculos A y B que maximiza el beneficio.
Articulo A (x) Articulo B (y)

Montaje 1 3 9
Pintura 2 1 8
Precio $ 20 40
Articulo A x
Articulo B y
Funcin Objetivo:
Max z=20x +40y
Restricciones:
sa: + 3 9
2 + 8
, 0
14
+ 3 + 1 + 02 = 9
5 + + 01 + 2 = 8
20 40 = 0
Iteracin 1
Base x y h1 h2 Vs
h1 1 3 1 0 9
h2 5 1 0 1 8
z -20 -40 0 0 0
Vfh2: 5 1 0 1 8 Vfz: -20 -40 0 0 0

- - - - - - - - - -
1 1 1 1 1 -40 -40 -40 -40 -40
* * * * * * * * * *
1/3 1 1/3 0 3 1/3 1 1/3 0 3
= = = = = = = = = =
Nfh2: 14/3 0 -1/3 1 5 Nfz: - 0 40/3 0 120
20/3
Iteracin 2
Base x y h1 h2 Vs
y 1/3 1 1/3 0 3
h2 14/3 0 -1/3 1 5
z - 0 40/3 0 120
20/3
Vfy: 1/3 1 1/3 0 3 Vfz: - 0 40/3 0 120

20/3
- - - - - - - - - -
1/3 1/3 1/3 1/3 1/3 - -20/3 - - -20/3
20/3 20/3 20/3
* * * * * * * * * *
1 0 - 3/14 15/1 1 0 - 3/14 15/14
1/14 4 1/14
= = = = = = = = = =
15
Nfy: 0 1 15/4 - 37/1 Nfz 0 0 90/7 10/7 890/7
2 1/14 4 :
Iteracin 3
Base x y h1 h2 Vs
y 0 1 15/42 - 37/14
1/14
x 1 0 -1/14 3/14 15/14
z 0 0 90/7 10/7 890/7
Respuestas:
x= 15/14
y=37/14
z=890/7
III. Un orfebre fabrica dos tipos de joyas. Las del tipo A precisan 1 g de oro y 1,5 g de
plata, vendindolas a 40 dlares cada una. Para la fabricacin de las de tipo B
emplea 1,5 g de oro y 1 g de plata, y las vende a 50 dlares. El orfebre tiene solo en el
taller 750 g de cada uno de los metales.
Calcula cuntas joyas ha de fabricar de cada clase para obtener un beneficio mximo.
Oro Plata Precio $

Tipo A (x) 1 3/2 40
Tipo B (y) 3/2 1 50
750 750
Tipo A x
Tipo B y
Funcin Objetivo:
16
Max z=40x +50y
Restricciones:
3
sa: + 2
750
3
2
+ 750
, 0
3
+ + 1 + 02 = 750
2
3
2
+ + 01 + 2 = 750
40 50 = 0
Iteracin 1
Base x y h1 h2 Vs
h1 1 3/2 1 0 750
h2 3/2 1 0 1 750
z -40 -50 0 0 0
Vfh2: 3/2 1 0 1 750 Vfz: -40 -50 0 0 0

- - - - - - - - - -
1 1 1 1 1 -50 -50 -50 -50 -50
* * * * * * * * * *
2/3 1 2/3 0 500 2/3 1 2/3 0 500
= = = = = = = = = =
Nfh2: 5/6 0 -2/3 1 250 Nfz: - 0 100/3 0 25000
20/3
Iteracin 2
Base x y h1 h2 Vs
17
y 2/3 1 2/3 0 500
h2 5/6 0 -2/3 1 250
z - 0 100/3 0 25000
20/3
Vfy: 2/3 1 2/3 0 500 Vfz - 0 100/3 0 2500

: 20/3 0
- - - - - - - - - -
2/3 2/3 2/3 2/3 2/3 - - -20/3 - -20/3
20/3 20/3 20/3
* * * * * * * * * *
1 0 -4/5 6/5 300 1 0 -4/5 6/5 300
= = = = = = = = = =
Nfy: 0 1 6/5 -4/5 300 Nfz 0 0 28 8 2700
: 0
Iteracin 3
Base x y h1 h2 Vs
y 0 1 6/5 -4/5 300
x 1 0 -4/5 6/5 300
z 0 0 28 8 27000
Respuestas:
x= 300
y=300
z=27000
IV. Una fbrica produce neveras utilitarias y de lujo. La fbrica est dividida en dos
secciones: montaje y acabado. Los requerimientos de trabajo vienen dados por la
siguiente tabla:
Montaje Acabado
Utilitaria 3 horas 3 horas
Lujo 3 horas 6 horas
El mximo nmero de horas de trabajo disponibles diariamente es de 120 en montaje

y 180 en acabado, debido a las limitaciones de operarios.
Si el beneficio es de 300 euros por cada nevera utilitaria y de 400 euros por cada
nevera de lujo, cuntas deben fabricarse diariamente de cada una para obtener el
mximo beneficio?
Montaje Acabado Precio $

Utilitarias (x) 3 3 300
18
Lujo (y) 3 6 400
120 180
Utilitarias x
Lujo y
Funcin Objetivo:
Max z=300x +400y
Restricciones:
sa: 3 + 3 120
3 + 6 180
, 0
3 + 3 + 1 + 02 = 120
3 + 6 + 01 + 2 = 180
300 400 = 0
Iteracin 1
Base x y h1 h2 Vs
19
h1 3 3 1 0 120
h2 3 6 0 1 180
z -300 -400 0 0 0
Vfh1: 3 3 1 0 120 Vfz: -300 - 0 0 0

400
- - - - - - - - - -
3 3 3 3 3 -400 - - -400 -400
400 400
* * * * * * * * * *
1/2 1 0 1/6 30 1/2 1 0 1/6 30
= = = = = = = = = =
Nfh1: 3/2 0 1 -1/2 30 Nfz: -100 0 0 200/3 12000
Iteracin 2
Base x y h1 h2 Vs
h1 3/2 0 1 -1/2 30
y 1/2 1 0 1/6 30
z -100 0 0 200/3 12000
Vfy: 1/2 1 0 1/6 30 Vfz: - 0 0 200/3 12000

100
- - - - - - - - - -
1/2 1/2 1/2 1/2 1/2 - - -100 -100 -100
100 100
* * * * * * * * * *
1 0 2/3 -1/3 20 1 0 2/3 -1/3 20
= = = = = = = = = =
Nfy: 0 1 -1/3 1/3 20 Nfz: 0 0 200/3 100/3 14000
Iteracin 3
Base x y h1 h2 Vs
x 1 0 2/3 -1/3 20
y 0 1 -1/3 1/3 20
z 0 0 200/3 100/3 14000
Respuestas:
x= 20
y=20
z=14000
20
V. Unos grandes almacenes encargan a un fabricante pantalones y chaquetas
deportivas. El fabricante dispone para la confeccin de 750 m de tejido de algodn y
1000 m de tejido de polister. Cada pantaln precisa 1 m de algodn y 2 m de
polister, y cada chaqueta precisa 1,5 m de algodn y 1 m de polister. El precio del
pantaln se fija en 50 $ y el de la chaqueta en 40 $. Qu nmero de pantalones y
chaquetas debe suministrar el fabricante a los almacenes para que stos consigan
una venta mxima?
Algodn Polister Precio $

Pantalones 1 2 50
(x)
Chaquetas (y) 3/2 1 40
750 1000
Pantalones x
Chaquetas y
Funcin Objetivo:
Max z=50x +40y
Restricciones:
sa: + 2 750
3
+ 1000
2
, 0
+ 2 1 02 = 750
21
3
2
+ 01 2 = 1000
50 + 40 = 0
Iteracin 1
Base x y e1 e2 Vs
e1 1 2 -1 0 750
e2 3/2 1 0 -1 1000
-z 50 40 0 0 0
Vfe1: 1 2 -1 0 750 Vf- 50 40 0 0 0

z:
- - - - - - - - - -
1 1 1 1 1 50 50 50 50 50
* * * * * * * * * *
1 2/3 0 - 2000/3 1 2/3 0 -2/3 2000/3
2/3
= = = = = = = = = =
Nfe1: 0 4/3 -1 2/3 250/3 Nf- 0 20/3 0 100/3 -
z: 100000/3
Iteracin 2
Base x y e1 e2 Vs
e1 0 4/3 -1 2/3 250/3
x 1 2/3 0 -2/3 2000/3
-z 0 20/3 0 100/3 -
100000/3
Vfx: 1 2/3 0 - 2000/3 Vf- 0 20/3 0 100/3 -

2/3 z: 100000/3
- - - - - - - - - -
2/3 2/3 2/3 2/3 2/3 20/3 20/3 20/3 20/3 20/3
* * * * * * * * * *
0 1 - 1/2 125/2 0 1 -3/4 1/2 125/2
3/4
= = = = = = = = = =
Nfx: 1 0 1/2 -1 625 Nf- 0 0 5 30 -33750
z:
Iteracin 3
22
Base x y e1 e2 Vs
y 0 1 -3/4 125/2
x 1 0 -1 625
z 0 0 -5 -30 33750
Respuestas:
x= 625
y=125/2
z=33750
23
24
25
26
27
3. Conceptos bsicos de dualidad
DEFINICIN DE DUALIDAD
Del latn dualtas, el trmino dualidad seala la existencia de dos fenmenos o
caracteres diferentes en una misma persona o en un mismo estado de cosas. En el
mbito de la filosofa y la teologa, se conoce como dualismo a la doctrina que postula
la existencia de dos principios supremos independientes, antagnicos e irreductibles.
Dualidad
En este sentido, las nociones del bien y del mal son un ejemplo de dualidad. Ambas
pueden definirse por oposicin y hacen referencia a dos esencias completamente
distintas. Materia-espritu y realismo-idealismo son otras muestras de conceptos que
conforman una dualidad.
En este caso, todo el conjunto de doctrinas dualistas existentes y que, como hemos
mencionado, parten de esa diferenciacin entre el Bien y el Mal tienen una serie de
rasgos en comn. As, por ejemplo, nos encontramos con el hecho de que el Bien
siempre se identifica con la luz y tambin con el espritu. Por su parte, el Mal se
asocia en todo momento con la oscuridad, con lo que es la parte corporal y tambin
con el propio Diablo.
De esta manera, podemos ver perfectamente esa dualidad de la que estamos
hablando en uno de los personajes literarios ms importantes de toda la historia. Nos
estamos refiriendo al protagonista de la obra El extrao caso del doctor Jekyll y el
seor Hyde, que en el ao 1886 cre el escritor escocs Robert Louis Stevenson.
En concreto, se trata de un cientfico que ha sido capaz de crear una pocin que le
permite cambiar fsica y personalmente. As, cuando se convierte en Hyde pasa a ser
un hombre violento capaz de acabar con la vida de otro ser humano. De esta manera,
asistimos a las dos caras que puede tener cualquier persona, el doctor representa al
Bien y Hyde a la cara ms oculta, siniestra y violenta del gnero humano.
La filosofa china apela a la nocin del yin y el yang para resumir la dualidad de todo
aquello que existe en el universo. Esta idea puede aplicarse a cualquier situacin u
objeto, ya que podra explicarse en la premisa que sostiene que en todo lo bueno hay
algo malo y viceversa.
No obstante, a lo largo de la historia han existido otros dualismos importantes. En el
caso de la filosofa nos encontramos, por ejemplo, con el pensador prusiano
Immanuel Kant que estableci la siguiente dualidad: la razn prctica y la razn pura.
El dualismo teolgico se basa en la existencia de un principio divino del bien
(asociado a la Luz) en contraposicin a un principio divino del mal (las Tinieblas). Dios
es sealado como responsable de la creacin del bien, mientras que el mal es
atribuido al diablo. El dualismo, por lo tanto, libera al hombre de la responsabilidad por
la existencia del mal en el mundo.
La Iglesia catlica se opone a esta dualidad ya que defiende a un Dios omnipotente e
infinito, sin que pueda existir un mal que limite su potencial. Todo lo que existe fue
creado por Dios, nada de lo creado por Dios puede ser malo.
En Matemticas, una dualidad, generalmente hablando, traduce conceptos, teoremas
o estructuras matemticas en otros conceptos, teoremas o estructuras, en una
manera "uno a uno", a menudo (pero no siempre) por medio de una operacin de
involucin: Si la dualidad de A es B, entonces la dualidad de B es A. Como a veces la
involucin tiene puntos fijos, la dualidad de A es a veces A (ella misma). Por ejemplo,
el Teorema de Desargues en la geometra proyectiva es Dual a ella misma en este
sentido.
En el contexto de las matemticas, la dualidad posee numerosos significados, y
aunque es "un concepto muy penetrante e importante en las matemticas
28
modernas"1 y "un tema general importante que se ha manifestado en casi todas las
reas de las matemticas",2 no hay una sola definicin universal aceptada que
unifique todos los conceptos de dualidad.
Muchas dualidades matemticas entre objetos de dos tipos corresponden a
emparejamientos, funciones bilineales de un objeto de un tipo y otro objeto de un
segundo tipo en alguna familia de escalares. Por ejemplo, la dualidad del lgebra
lineal se corresponde de este modo con mapeos bilineales de pares de espacios
vectoriales a escalares, la dualidad entre distribuciones y las funciones de prueba
(Test Function)asociadas corresponde a los pares en el que uno integra una
distribucin contra una funcin de prueba, y la dualidad de poincar corresponde de
manera similar al nmero de intersecciones (Intersection number), visto como un
emparejamiento entre subvariedades de una variedad determinada.
29
4. Teora De Modelos De Transporte
MODELO DE TRANSPORTE
El objetivo primordial del modelo de transporte es buscar minimizar el cotos de envi
de la cantidad de elementos que se enviaran de cada fuente a cada destino, tal que
se minimice el costo del transporte total de los envos. Por otra parte el modelo de
transporte establece un mtodo que regula el transporte de mercancas de varias
fuentes a varios destinos.
Los elementos del modelo son:
1. Indica el nivel de oferta que tiene cada fuente y la cantidad de demanda en cada
destino.
2. por lo contrario el costo de transporte unitario de la mercanca enviado por el
proveedor a cada destino.
Como solo existe una mercanca y el destino puede recoger su demanda varias
fuentes (proveedores).
EJEMPLO
Una empresa de componentes informticos puede comprar Discos Duros a tres
proveedores y su objetivo es minimizar el costo total de la compra los proveedores
disponen de 1.000, 3.000, 1.000 disco respectivamente.
La empresa necesita los discos en tres cadenas de montajes si en las tres
localizaciones distintas. Dichas cadenas requieren de 1.500, 1.000, y 2.500 discos
respectivamente; los precios en cientos de euros por cada disco entregado a cada
cadena son los siguientes:
Funcin Objetivo
Z = 4X11 + 7X12 + 2X13
Min + 3X21 + 5X22 + 2X23
+ 9X31 + 11X32 +10X33
Restricciones de oferta
(lo que disponen los proveedores)
S.a. X11 + X12 + X13 <= 1000
X21 + X22 + X23 <= 3000
X31 + X32 +X33 <= 1000
Restricciones de demanda
(lo que requieren las cadenas)
X11 + X21 + X31 = 1500
X12 + X22 + X32 = 1000
X13 + X23 +X33 = 2500
Variable de decisin: i j >= 0
i = 13 total de proveedores (ofertas)
j= 13 total de cadenas (demandas)
30
METODO DE LA ESQUINA NOROESTE
Este mtodo asigna la cantidad mxima autorizada para la oferta y la demanda a la
variable X11 ubicada en la esquina noroeste de la tabla.
La columna o fila satisfecha se satura dejando ver las variables restantes en la
columna o fila saturadas son igual a cero. Si la columna y la fila se satisfacen
simultneamente, solo uno de los dos debe ser saturada; garantizando localizar las
variables bsicas cero si existen.
Despus de ajustar las cantidades de oferta y demanda para todas las filas y
columnas no saturadas, la cantidad mxima factible se asigna al primer elemento no
saturado en la nueva columna o fila; el mtodo finaliza cuando las filas o la columna
se saturan.
Indicaciones para implementar el mtodo de la esquina noroeste:
1. Se estructura una tabla de ofertas que muestra la disponibilidad de los
proveedores y las demandas o lo que requieren los proveedores.
2. Se inicia la esquina noroeste. Determina al mximo lo mnimo entre la oferta y la
demanda, equitativamente.
3. Restablezca la oferta y la demanda y sature con ceros el resto de las filas
columnas en donde la oferta la demanda quede satisfecha.
4. Muvase a la derecha o hacia abajo, segn aquedado la disponibilidad para
asignar.
5. se repiten nuevamente los pasos del 3 al 5 recprocamente hasta llegar a la
esquina inferior derecha en la que se saturan fila y columna al mismo tiempo.
6. para calcular el costo total del Metodo de la esquina se multiplica cada una de las
variables ubicada en la tabla y luego se suma los resultados y encontraremos el total
costo
Asi:(4*1000)+(3*500)+(5*1000)+(2*1500)+(10*1000)= 23.500
observacion : No se pueden saturar fila y columna al mismo tiempo, a no ser que sea
la ltima fila o colimna; al satura filas o columnas este modelo ocasionar una
solucin en donde el nmero de variables bsicas es menor a m+n-1, ocasionando
una solucin bsica factible arruinada .
MTODO VOGEL
Este mtodo suele producir una mejor solucin inicial que los mtodos de
noroeste, costo mnimo. Ya que provoca una solucin inicial ptima, o inmediata al
nivel ptimo.
Indicaciones para implementar el mtodo vogel:
1. Elaborar una tabla reflejando las ofertas y demanda y los costos.
2. Calcular el contraste entre el menor costo y el segundo costo menor; para cada fila
y columna.
3. Escoger entre filas y columnas, que mayor diferencia en caso de igualdad, decida
arbitrariamente.
4. Determine al mximo posible en el sector con el menor costo en la fila o columna
elegida en el puesto 3.
5. Asigne cero (0) a las otras sector de la fila o columna donde la recurso el
requerimiento quede saturado.
6. Nuevamente se realizan los pasos 2 al 5, sin tener en cuantas filas y columnas
saturas hasta que los sectores en su totalidad queden asignados.
31
7. para calcular el costo total del Metodo de vogel se multiplica cada una de las
costo.
Asi:(3*1500)+(2*1000)+(2*1500)+(11*1000)+(9*0)= 20.500
Observacin: no olvide que se debe saturar filas y columnas al mismo tiempo; caso
en que la disponibilidad sea semejante al requerimiento.
MTODO DEL COSTO MNIMO

Este mtodo se elabora en funcin al sector con menor costo para realizar las
asignaciones de la tabla.
Indicaciones para implementar el mtodo del costo mnimo:
1.Se Construye una tabla de disponibilidad, requerimientos y costos
2.Se inicia en el sector que tenga el menor costo de toda la tabla, si hay igualdad, se
escoge de manera arbitrariamente cualquiera de los igualados.
3.Se asigna lo mximo posible entre la disponibilidad y el requerimiento el mnimo de
los dos.
4.Sature con ceros 0 la fila o columna saturada y restablezca la disponibilidad y el
requerimiento, restndoles lo asignado.
5.Muvase al sector con el costo mnimo de la tabla resultante no se debe tener en
cuenta la fila o columna saturada.
6.Retornar a los puntos 3,4,5 continuamente, hasta que todas los sectores queden
asignadas.
7. para calcular el costo total del Metodo de vogel se multiplica cada una de las
costo.
Asi:(2*1000)+(2*1500)+(3*1500)+(11*1000)+(5*0)= 20.500
Observacin: no se debe saturar fila y columna al mismo tiempo.
32
METODO DE BANQUILLO.
La solucin obtenida por los mtodos anteriores es la solucin inicial del mtodo de
banquillo. La forma de verificar si la solucin actual puede mejorarse es examinar las
variables no bsicas actuales en busca de mejoras potenciales en el valor de la
funcin objetivo. Si existe una de tales variables, ser la variable que entra en cuyo
caso una de las variables b{asicas actuales debe dejar la solucin (como en el
mtodo simplex).
A fin de determinar la variable que entra y la que sale, se identifica un circuito cerrado
para cada variable no bsica. El circuito comienza y termina con la variable no bsica
designada. Un circuito consiste en segmentos horizontales y verticales sucesivos
(conectados) cuyos puntos extremos deben ser variables bsicas, excepto para los 2
segmentos de inicio y terminacin en la variable no bsica.
El circuito se utiliza para comprobar si el valor de la funcin objetivo puede mejorarse
cuando la variable no bsica se aumenta sobre su valor actual de cero.
El procedimiento consiste en encontrar el aumento o disminucin en el costo de
transporte como resultado de aumentar unidades en la variable no bsica investigada.
Este valor se encuentra asignando signos positivos y negativos alternos en los costos
asociados a las variables que forman el circuito, empezando con el costo de la
variable no bsica. La suma de los costos del circuito puede hacerse en el sentido de
las manecillas del reloj o en sentido contrario.
El resultado obtenido en la suma de los costos del circuito puede ser positivo o
negativo. Si es positivo indica que el asignar unidades a la variable que se est
considerando aumenta el costo total de transporte. Pero si este valor es negativo, la
solucin puede mejorarse asignado a la variable no bsica el valor ms pequeo de
las variables que deben reducir su valor en el circuito que se est considerando.
El procedimiento termina hasta que todas las variables no bsicas tienen valor
positivo en la suma de los costos del circuito.
Ejemplo:
Encuentre la solucin ptima del problema de la compaa de renta de autos
utilizando una solucin inicial por el mtodo de costo mnimo y empleando el mtodo
de utilizacin de banquillo.
33
34
10 ejercicios resueltos de transporte
1. El servicio de Parque Nacionales est recibiendo cotizaciones para talar arboles en

tres localidades de un bosque. Las localidades tiene reas de 10.000, 20.000 y
30.000 hectreas. Una sola empresa taladora puede cotizar para no mas de 50% de
la superficie en todas las localidades. Cuatro empresas han presentado sus
cotizaciones por hectrea, en unidades monetarias para las tres localidades, de
acuerdo con la siguiente tabla:
Localidad 1 Localidad 2 Localidad 3

Cotizador 1 520 430 570
Cotizador 2 -- 510 495
Cotizador 3 650 -- 710
Cotizador 4 180 210 240
Cuntas hectreas deben asignarse a cada empresa para maximizar la suma total
de ingreso? Resuelva el problema con TORA e interprete la solucin.
Solucin:
Localidad Localidad Localidad 3 sobrante oferta

1 2
Cotizador 520 430 570 0 30.000
1
Cotizador M 510 495 0 30.000
2
Cotizador 650 M 710 0 30.000
3
Cotizador 180 210 240 0 30.000
4
Demanda 10.000 20.000 30.000 60.000
2. Tres plantas generadoras de energa elctrica, con capacidad de 25, 40 y 30

millones de kilowatts-hora (kWh), suministran electricidad a tres ciudades cuyas
demanda mximas son de 30, 35 y 25 millones de kWh. El costo en unidades
monetarias ($) de la venta de corriente elctrica a las diferentes ciudades, por
milln de kWh, es como sigue:
Ciudad 1 Ciudad 2 Ciudad 3

Planta 1 600 700 400
Planta 2 320 300 350
Planta 3 500 480 450
Durante el mes de agosto se incrementa un 20% la demanda en cada una de las

tres ciudades. Para satisfacer el exceso de demanda, la compaa elctrica debe
comprar electricidad adicional de otra red, a un precio de 1000 $ por milln de
kWh. Sin embargo, esta red no est conectada a la ciudad a la ciudad 3. Formule el
problema como uno de transporte, con el fin de establecer el plan
35
INVESTIGACION DE OPERACIONES TRANSPORTE
de distribucin ms econmico, desde el punto de vista de la compaa
elctrica. Resuelve el problema con TORA e interpreta la solucin.
Solucin:
Incremento ciudad 1 Incremento ciudad 2 Incremento ciudad 3
30+6=36 35+7=42 25+5=30
Objetivo: minimizar costos.
Ciudad 1 Ciudad 2 Ciudad 3 oferta

Planta 1 600 700 400 25
Planta 2 320 300 350 40
Planta 3 500 480 450 30
Exceso Planta 4 1000 1000 M 13
Demanda 36 42 30
maxima
Solucin dos:
Ciuda Ciudad1 Ciudad Ciudad2 Ciudad Ciudad3 oferta
d1 aumento 2 aumento 3 aumento
Planta 1 600 M 700 M 400 0 25
Planta 2 320 M 300 M 350 0 40
Planta 3 500 M 480 M 450 0 30
Exceso M 1000 M 1000 M M 13
Planta 4
Demand 30 36 35 42 25 30
a max
3. 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 tubera. 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 aqu se resume muestra que la
refinera 1 no esta conectada al rea de distribucin 3. Formule el problema como
un modelo de transporte. Resuelva el problema con TORA e interpreta la
solucin.
rea rea rea

distribucion1 distribucion2 distribucin3
Refinera 1 120 180 --
Refinera 2 300 100 80
Refinera 3 200 250 120
36
Solucin:
4000 8000 7000

rea rea rea
6000 Refinera 1 12 18 M
5000 Refinera 2 30 10 8
8000 Refinera 3 20 25 12
4. Tres refineras con capacidades diarias mximas de 6, 5 y 6 millones de galones de

gasolina reparten a tres reas de distribucin con demanda diarias de 4, 8 y 7
millones de galones del combustible. La gasolina se transporta a las tres reas de
por milla recorrida. La tabla de distancia que aqu se resume muestra que la
refinera 1 no esta conectada al rea de distribucin 3. Asimismo, el rea de
distribucin 1 debe recibir toda su demanda y cualquier escasez en las reas 2 y 3
dar lugar a una penalizacin de 5 centavos por galn. Formule el problema como
un modelo de transporte. Resuelva el problema con TORA e interpreta la solucin.
4 8 7
rea rea rea
6 Refinera 1 12000 18000 M
5 Refinera 2 30000 10000 8000
6 Refinera 3 20000 25000 12000
2 FALTANTE M 50000 50000
5. Tres refineras con capacidades diarias mximas de 6, 5 y 8 millones de galones de

gasolina reparten a tres reas de distribucin con demanda diarias de 4, 8 y 4
millones de galones del combustible. La gasolina de transporta a las tres reas de
por milla recorrida. Cualquier produccin excedente en las refineras 1 y 2 deber
desviarse a otras reas de distribucin por medio de camiones tanques. Los costos
de transporte promedio resultantes por 100 galones son $1.50 desde refinera 1 y
$2.20 desde la refinera 2. La refinera 3 puede desviar su gasolina excedente a
otros procesos qumicos dentro de la planta. La tabla de distancia que aqu se
resume muestra que la refinera 1 no esta conectada al rea de distribucin 3.
Formule el problema como un modelo de transporte. Resuelva el problema con
TORA e interpreta la solucin.
4 8 4 3
rea rea rea SOBRANTE
37
6 Refinera 1 120 180 M 15000
5 Refinera 2 300 100 80 22000
8 Refinera 3 200 250 120 M
6. Se envan automviles en camin de tres centros de distribucin a cinco

distribuidores. El costo de envi esta basado en la distancia recorrida entre las
fuentes y destinos. El costo es independiente de si el camin hace el recorrido con
una caga parcial o completa. La tabla que sigue hace un resumen de las distancias
de recorrido ente los centros de distribucin y los distribuidores y tambin las
cifras mensuales de oferta y demanda calculadas en nmeros de automviles. Cada
camin puede transportar un mximo de 18 vehculos. Dado que el costo de
trasporte por milla recorrida por el camin es de $10, formule el problema como
un modelo de transporte. Resuelva el problema con TORA e interprete la solucin.
Distribui Distribui Distribui Distribui Distribui Oferta

dores 1 dores 2 dores 3 dores 4 dores 5
Centro 100 150 200 140 35 400
distribu
cin 1
Centro 50 70 60 65 80 200
distribu
cin 2
Centro 40 90 100 150 130 150
distribu
cin 3
demand 100 200 150 160 140
a
SOLUCION:
Distribuid Distribuid Distribuid Distribuid Distribuid Ofer

ores 1 ores 2 ores 3 ores 4 ores 5 ta
Centro $1000 $1500 $2000 $1400 $350 23
distribu
cin 1
Centro $500 $700 $600 $650 $800 12
distribu
cin 2
Centro $400 $900 $1000 $1500 $1300 9
distribu
cin 3
demand 6 18 9 90 8
a
7. considere el problema de asignar cuatro categoras diferentes de maquinas y cinco

tipos de tareas. El numero de maquinas disponible en las cuatro categoras son 25,
30, 20 y 30. El numero de trabajos en las cinco tareas son 20, 20, 30, 16 y 25. La
categora de maquina 4 no se puede asignar al tipo de tarea
38
Para los costos unitarios dados, formule un modelo matemtico para determinar la
asignacin optima de maquinas a tareas. Resuelva el problema con TORA e
interprete la solucin.
Modelo de trasporte:
20 20 30 16 25
Tipo Tipo Tipo Tipo Tipo
tarea 1 tarea 2 tarea 3 tarea 4 tarea 5
25 Categora 10 2 3 15 9
maquina 1
30 Categora 5 10 15 2 4
maquina 2
20 Categora 15 5 14 7 15
maquina 3
30 Categora 20 15 13 M 8
maquina 4
6 faltante 0 0 0 0 0
Modelo de asigancion:
1 1 1 1 1
Tipo Tipo Tipo Tipo Tipo
tarea 1 tarea 2 tarea 3 tarea 4 tarea 5
1 Categora 10 2 3 15 9
maquina 1
1 Categora 5 10 15 2 4
maquina 2
1 Categora 15 5 14 7 15
maquina 3
1 Categora 20 15 13 M 8
maquina 4
1 faltante 0 0 0 0 0
8. La demanda de un articulo perecedero en los prximos cuatro meses es de 500,

630, 200 y 230 toneladas, respectivamente. La capacidad de abastecimiento para
los meses sucesivos del periodo de planeacin es de 400, 300, 420 y 380 toneladas
y los precios correspondientes por tonelada son 100, 140, 120 y 150 $,
respectivamente. Como el articulo es perecedero, la compra corriente de un mes se
debe consumir totalmente dentro de los tres meses siguientes a la compra
(incluido el mes corriente). Se estima que el costo de almacenamiento por tonelada
y mes es de 3$. De nuevo, la naturaleza del articulo no permite tener pedidos
pendientes de surtir. Formule el problema como un modelo de transporte. Utilice
TORA e interprete la solucin.
39
DEMANDA- 500 630 200 230 430
OFERTA M1 M2 M1 M4 Sobrante
ficticio
400 M1 $100 103 106 109 0
300 M2 M 140 143 146 0
420 M3 M M 120 123 0
380 M4 M M M 150 0
40
490 Faltante 0 0 0 0
9. La demanda de un motor especial, pequeo, en los prximo 5 periodos es de 200,

150, 300, 250 y 400 unidades. El fabricante que surte los motores tiene
capacidades diferentes de produccin que se estiman en 180, 230, 430, 300 y 300
unidades para los cinco periodos. No se pueden surtir los pedidos con retraso, en
caso necesario, el fabricante puede ocupar tiempo extra para cubrir la demanda.
La capacidad por tiempo extra, en cada periodo, se estima igual a la mitad de la
capacidad de la produccin regular. Los costos de produccin por unidad en los
cinco periodos son 100, 96,115, 102 y 105 $, respectivamente. El costo del tiempo
extra por motor es 50% mayor que el costo de produccin regular. Si se produce
un motor ahora, para usarse en periodos posteriores, se tendr un costo adicional
de almacenamiento de 4 $ por motor y periodo. Formule el problema como un
modelo de transporte. Utilice TORA para resolver el problema e interprete la
solucin.
Demanda 200 150 300 250 400 860

Oferta Periodo1 Periodo2 Periodo3 Periodo4 Periodo5 Sobrante
180 Periodo1 100 104 108 112 116 0
90 ExtraP1 150 154 158 162 166 0
230 Periodo2 M 96 100 104 108 0
115 ExtraP2 M 144 148 152 156 0
430 Periodo3 M M 115 119 123 0
215 ExtraP3 M M 172,5 176,5 180,5 0
300 Periodo4 M M M 102 106 0
150 ExtraP4 M M M 153 158 0
300 Periodo5 M M M M 105 0
150 ExtraP5 M M M M 157.5 0
10. En forma peridica se lleva a cabo un mantenimiento preventivo en motores de

avin en los que se debe reemplazar una pieza importante. El numero de aviones
programados para mantenimiento en los prximos 6 meses es de 200, 180, 300,
198, 230 y 290, respectivamente. Todo el trabajo de mantenimiento se hace
durante los primeros dos das del mes. Una componentes usada se puede
reemplazar por otra nueva o repararla. La reparacin de las piezas usadas se
puede hacer en talleres locales, donde quedaran listas para usarse al principio de
siguiente mes, o puede enviarse a un taller de reparacin central, donde se tendr
una demora de 4 meses (incluido el mes cuando tiene lugar el mantenimiento). El
costo de reparacin en el taller local es de $120 por componente. En el taller
central, el costo es de solo $ 35. Una pieza reparada que no se use en el mismo mes
en que se recibe, originara a un costo adicional de almacenamiento de $1.50
mensuales. Las componentes nuevas se pueden comprar durante el primer mes de
periodo de planeacin a $200 cada una, con un incremento en el precio de 5% cada
2 meses. Formule el problema como un modelo de transporte. Resuelva el
problema con TORA e interprete los resultados.
200 180 300 198 230 290

MES Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Sobr
1
41
150 TallerLocal M $120 $121.5 $123 $124.5 $126 0
mes 1
150 TallerCentral M M M M $35 $36.5 0
mes 1
150 NewPiez $200 M M M M M 0
mes 1
125 TallerInt M M $120 $121.5 $123 $124.5 0
mes 2
125 TallerExt M M M M M $35 0
mes 2
125 NewPiez M $200 M M M M 0
mes 2
107 TallerInt M M M $120 $121.5 $123 0
mes 3
107 TallerExt M M M M M M 0
mes 3
107 NewPiez M M $204 M M M 0
mes 3
72 TallerInt M M M M $120 $121.5 0
mes 4
mes 4
72 NewPiez M M M 204 M M 0
mes 4
52 TallerInt M M M M M $120 0
mes 5
mes 5
52 NewPiez M M M M 208.08 M 0
mes 5
29 TallerInt M M M M M M 0
mes 6
mes 6
29 NewPiez M M M M M 212.2416 0
mes 6
42
6. Proyectos probabilsticos y determinsticos
Un modelo determinstico es un modelo matemtico donde las mismas entradas producirn
invariablemente las mismas salidas, no contemplndose la existencia del azar ni el principio de
incertidumbre. Est estrechamente relacionado con la creacin de entornos simulados a travs
de simuladores para el estudio de situaciones hipotticas, o para crear sistemas de gestin que
permitan disminuir la incertidumbre.
La inclusin de mayor complejidad en las relaciones con una cantidad mayor de variables y
elementos ajenos al modelo determinstico har posible que ste se aproxime a un modelo
probabilstico o de enfoque estocstico.
Ejemplos
Por ejemplo, la planificacin de una lnea de produccin, en cualquier proceso industrial, es posible
realizarla con la implementacin de un sistema de gestin de procesos que incluya un modelo
determinstico en el cual estn cuantificadas las materias primas, la mano de obra, los tiempos de
produccin y los productos finales asociados a cada proceso.
En los modelos determinsticos, una buena decisin es juzgada de acuerdo a los
resultados. Sin embargo, en los modelos probabilsticos, el gerente no esta preocupado
solamente por los resultados, sino que tambin con la cantidad de riesgo que cada
decisin acarrea.
Como un ejemplo de la diferencia entre los modelos probabilsticos versus determinsticos,
considere el pasado y el futuro: Nada que hagamos ahora puede cambiar el pasado, pero
cualquier cosa que hacemos influencia y cambia el futuro, a pesar de que el futuro tiene un
elemento de incertidumbre. Los gerentes se encuentran mucho mas cautivados por darle
forma al futuro que por la historia pasada.
El concepto de probabilidad ocupa un lugar importante en el proceso de toma de
decisiones, ya sea que el problema es enfrentado en una compaa, en el gobierno, en las
ciencias sociales, o simplemente en nuestra vida diaria. En muy pocas situaciones de
toma de decisiones existe informacin perfectamente disponible todos los hechos
necesarios.- La mayora de las decisiones son hechas de cara a la incertidumbre. La
probabilidad entra en el proceso representando el; rol de sustituto de la certeza un
sustituto para el conocimiento completo.
Los modelos probabilsticos estn ampliamente basados en aplicaciones estadsticas para
la evaluacin de eventos incontrolables (o factores), as como tambin la evaluacin del
riesgo de sus decisiones. La idea original de la estadstica fue la recoleccin de
informacin sobre y para el Estado. La palabra estadstica no se deriva de ninguna raz
griega o latina, sino de la palabra italiana state. La probabilidad tiene una historia mucho
ms larga. La Probabilidad se deriva del verbo probar lo que significa "averiguar" lo que no
es tan fcil de obtener o entender. La palabra "prueba" tiene el mismo origen el cual
proporciona los detalles necesarios para entender lo que se requiere que sea cierto.
Los modelos probabilsticos son vistos de manera similar que a un juego; las acciones
estn basadas en los resultados esperados. El centro de inters se mueve desde un
modelo determinstico a uno probabilstico usando tcnicas estadsticas subjetivas para
estimacin, prueba y prediccin. En los modelos probabilsticos, el riesgo significa
incertidumbre para la cual la distribucin de probabilidad es conocida. Por lo tanto, la
evaluacin de riesgo significa un estudio para determinar los resultados de las decisiones
junto a sus probabilidades.
Los tomadores de decisiones generalmente se enfrentan a severa escasez de
informacin. La evaluacin de riesgo cuantifica la brecha de informacin entre lo que es
conocido y lo que necesita saber para tomar una decisin ptima. Los modelos
probabilstico son utilizados para protegerse de la incertidumbre adversa, y de
la explotacin de la propia incertidumbre.
La Dificultad en la Evaluacin de la Probabilidad se obtiene de la informacin, la cual es
escasa, vaga, inconsistente, o incompleta. Una afirmacin tal y como que "la probabilidad
de una baja de electricidad se encuentra entre 0,3 y 0,4" es mas natural y realista que su
contraparte exacta de que "la probabilidad de una baja de electricidad es 0,36342."
Es una tarea desafiante comparar varios cursos de accin y finalmente seleccionar la
accin que se va a realizar. En determinados casos, esta tarea puede resultar
43
excesivamente desafiante. Las dificultades de la toma de decisiones estn representadas
por la complejidad de las alternativas de decisin. La capacidad que tiene un decisor de
procesar informacin limitada es un factor de exigencia ya cuando se consideran las
implicancias de un solo curso de accin, pero en muchas decisiones se deben visualizar y
comparar las implicancias de varios cursos de accin. Adems, hay factores desconocidos
que se inmiscuyen en la situacin problemtica; rara vez se conoce con certeza el
resultado. La mayora de las veces, el resultado depende de las reacciones de otras
personas que quizs ni siquiera saben qu van a hacer. No es de sorprender entonces
que a veces los decidores pospongan la eleccin lo ms posible y que luego decidan sin
intentar considerar todas las implicancias de su decisin.
La toma de una decisin, fundamentalmente, tiene que ver con combinar informacin
sobre probabilidades con informacin sobre deseos e intereses. Cuntas ganas tienes de
conocer a esa mujer? Cun importante es la salida? Cunto vale ese premio?
Abordar las decisiones como si fueran apuestas es la base de la teora de la decisin.
Significa que tenemos que compensar el valor de un cierto resultado contra su
probabilidad.
Para operar segn los cnones de la teora de la decisin debemos hacer clculos del
valor de un cierto resultado y sus probabilidades, y a partir de all de las consecuencias de
nuestras elecciones.
El origen de la teora de la decisin para la toma de decisiones se deriva de la economa,
en el rea de la funcin de la utilidad del pago. Propone que las decisiones deben tomarse
calculando la utilidad y la probabilidad de rangos de opciones, y establece estrategias para
una buena toma de decisiones:
Este sitio web muestra el proceso de anlisis de alternativas para la toma de decisiones
publicas y privadas, usando diferentes criterios de decisin, diferentes tipos de informacin
e informacin de calidad variable. Describe los elementos usados en el anlisis de las
alternativas de decisin y eleccin, as como tambin las metas y objetivos que guan la
toma de decisiones. Se presenta los principales aspectos relacionados a las preferencias
de las alternativas en la toma de decisiones, criterios y modos de eleccin; asimismo, se
44
presenta las herramientas de evaluacin de riesgo. En la seccin siguiente examinaremos
aspectos claves relacionados con las preferencias que puede tener un decisor en relacin
con las alternativas, los criterios de eleccin y las modalidades de eleccin.
Los objetivos son importantes, tanto para identificar los problemas como para evaluar las
soluciones alternativas. En la evaluacin de alternativas, los objetivos del decisor deben
expresarse como criterios que reflejen los atributos de las alternativas relevantes para la
eleccin.
El estudio sistemtico de la toma de decisiones proporciona el marco para escoger cursos
de accin en situaciones complejas, inciertas o dominadas por conflictos. La eleccin entre
acciones posibles y la prediccin de resultados esperados resultan del anlisis lgico que
se haga de la situacin de decisin.
Un Inconveniente Posible en la Aproximacin del Anlisis de Decisin: Usted ya podra
haber notado que el criterio anterior siempre resulta en la seleccin de un solo curso de
accin. Sin embargo, en muchos problemas de decisin, el tomador de decisiones
deseara la combinacin de algunas acciones. Por ejemplo, en un problema de inversin,
el inversionista deseara distribuir los activos entre una mezcla de opciones de forma tal de
optimizar los retornos de portafolio. Visite la pagina web de Teora de Juegos con
Aplicaciones el cual est diseado para una estrategia ptima mixta.
Modelos Probabilsticos: De los Datos a un Conocimiento Decisivo

El conocimiento es lo que sabemos. La informacin es la comunicacin de conocimientos.
En cada intercambio de conocimientos, hay un remitente y un receptor. El remitente hace
comn lo que es privado, hace la informacin, la comunicacin. La informacin se puede
clasificar como formas explcitas y tcitas. La informacin explcita se puede explicar de
forma estructurada, mientras que la informacin tcita es inconsistente e imprecisa de
explicar.
Los datos son conocidos como informacin cruda y no como conocimientos en s. La
secuencia que va desde los datos hasta el conocimiento es (observe el siguiente cuadro):
de los Datos (Data) a la Informacin (Information), de la Informacin (Information) a
los Hechos (Facts), y finalmente, de los Hechos (Facts) al Conocimiento
(Knowledge) . Los datos se convierten en informacin, cuando se hacen relevantes para
la toma de decisin a un problema. La informacin se convierte en hecho, cuando es
respaldada por los datos. Los hechos son lo que los datos revelan. Sin embargo el
conocimiento instrumental es expresado junto con un cierto grado estadstico de confianza
(gl).
Los hechos se convierten en conocimiento, cuando son utilizados en la complementacin
exitosa de un proceso de decisin. Una vez que se tenga una cantidad masiva de hechos
integrados como conocimiento, entonces su mente ser sobrehumana en el mismo sentido
en que, con la escritura, la humanidad es sobrehumana comparada a la humanidad antes
de escribir. La figura siguiente ilustra el proceso de razonamiento estadstico basado en
datos para construir los modelos estadsticos para la toma de decisin bajo incertidumbre.
de donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico.
Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de
Decisiones
La figura anterior representa el hecho que a medida que la exactitud de un modelo
estadstico aumenta, el nivel de mejoramiento en la toma de decisin aumenta. Esta es la
razn del porqu necesitamos la estadstica de negocio. La estadstica se creo por la
necesidad de poner conocimiento en una base sistemtica de la evidencia. Esto requiri
un estudio de las leyes de la probabilidad, del desarrollo de las propiedades de medicin,
relacin de datos.
La inferencia estadstica intenta determinar si alguna significancia estadstica puede ser
adjunta luego que se permita una variacin aleatoria como fuente de error. Una inteligente
y crtica inferencia no puede ser hecha por aquellos que no entiendan el propsito, las
condiciones, y la aplicabilidad de las de diversas tcnicas para juzgar el significado.
45
Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas
decisiones sean tomadas incrementa con la disponibilidad de la buena informacin. El
chance de la disponibilidad de la buena informacin incrementa con el nivel de
estructuracin del proceso de Direccin de Conocimiento. La figura anterior tambin ilustra
el hecho que mientras la exactitud de un modelo estadstico aumenta, el nivel de mejora
en la toma de decisiones aumenta.
El conocimiento es mas que simplemente saber algo tcnico. El conocimiento necesita la
sabidura. La sabidura es el poder de poner nuestro tiempo y nuestro conocimiento en el
uso apropiado. La sabidura viene con edad y experiencia. La sabidura es la aplicacin
exacta del conocimiento exacto. La sabidura es sobre saber como algo tcnico puede ser
mejor utilizado para cubrir las necesidades de los encargados de tomar decisiones. La
sabidura, por ejemplo, crea el software estadstico que es til, ms bien que tcnicamente
brillante. Por ejemplo, desde que la Web entr en el conocimiento popular, los
observadores han notado que esto pone la informacin en nuestras manos, pero guardar
la sabidura fuera de nuestro alcance. HR>
46
7. DIAGRAMA DE FLECHAS
Definicin
Representacin grfica en forma de "red" de las secuencias lgicas de actividades

necesarias para realizar un proyecto.
Ejemplo:
Diagrama de flechas PERT PROGRAM EVALUATION AND REVIEW

TECHNIQUE-Tcnica de Evaluacin y Revisin de Programas
Definicin
Mtodo de planificacin de proyectos, basado en el Diagrama de Flechas y

enfocado a la evaluacin de los tiempos y de la probabilidad de completar el
proyecto, dentro de los parmetros de tiempo definidos.
Diagrama de flechas CPM CRITICAL PATH METHOD-Mtodo del Camino

Crtico
Definicin
Mtodo de planificacin de proyectos, basado en el Diagrama de Flechas y

enfocado a la optimizacin simultanea de los tiempos y de la distribucin de
recursos entre las actividades que constituyen el proyecto.
47
Caractersticas principales de las herramientas
A continuacin se comentan una serie de caractersticas, comunes a las tres

herramientas, que ayudan a comprender su naturaleza fundamental.
Enfoque lgico
La utilizacin de estas herramientas obliga a una planificacin completa y

disciplinada del proyecto.
Impacto visual
Proporcionan una visin global, clara y ordenada de la secuencia de actividades

necesarias para llevar a cabo un proyecto, de sus interdependencias lgicas y de
otros aspectos relevantes (tiempos, costes, etc), facilitando la comprensin y
comunicacin del plan.
Priorizacin
Permiten ordenar las reas y actividades involucradas en el proyecto segn su

relevancia en el cumplimiento del plan.
Evento / hito
Definicin
Un evento o hito, tal como se utiliza en el Diagrama de Flechas, es el punto de

comienzo o de trmino de un trabajo. Representa una situacin y no consume, ni
tiempo ni otros recursos.
Evento / hito sucesor (predecesor)
Definicin
Un evento o hito se considera sucesor (predecesor) de otro, cuando lo sigue

(precede) directamente, sin que exista un hito intermedio.
48
Actividad
Definicin
Ejecucin real de la tarea, y consume tiempo y otros recursos. En un Diagrama de

Flechas, las actividades representan el trabajo necesario para pasar de un
acontecimiento al siguiente.
Ejemplo:
Construccin del Diagrama de Flechas
La construccin de un Diagrama de Flechas se basa en las siguientes ideas clave:
Para pasar de un evento a otro, hay que completar la actividad que une los dos
eventos.
No puede terminarse ninguna actividad hasta que el evento que le precede haya
tenido lugar.
Ningn evento puede considerarse como alcanzado hasta que todas las
actividades que conducen al mismo estn terminadas.
El Diagrama de Flechas se construir tal y como se explica a continuacin.
Paso 1: Concretar el objetivo de la construccin del Diagrama de Flechas
Es importante identificar claramente para qu tipo de decisiones se utilizar el

Diagrama de Flechas, puesto que el objetivo de la construccin influir sobre el
grado de detalle del Diagrama, la eleccin de los puntos clave (hitos) del proyecto,
y, naturalmente sobre la oportunidad de realizar un anlisis PERT o CPM.
49
Realizacin de un Anlisis PERT
50
Paso 1: Construir el Diagrama de Flechas
El Diagrama de Flechas se construir
Ejemplo:
Paso 2: Evaluar los tiempos para cada actividad
Para cada actividad se harn tres estimaciones acerca del tiempo necesario para
llevarla a cabo:
- El tiempo optimista, to = Es el mnimo periodo de tiempo posible necesario para

realizar la actividad.
- El tiempo ms probable, tm = Es la mejor estimacin del periodo de tiempo

necesario para llevar a cabo la actividad.
- El tiempo pesimista, tp = Es el mximo periodo de tiempo que podra tardarse en

realizar la actividad.
Siendo, por tanto: to < tm < tp.
Hay que asegurar que todos los tiempos sean expresados en la misma unidad de
medida (minutos, das, semanas, etc).
Ejemplo:
51
Paso 3: Calcular para cada actividad, el tiempo esperado necesario para
llevarla a cabo
El tiempo estadsticamente esperado, te, es el tiempo promedio (media

ponderada), que la actividad consumira, si fuese repetida muchas veces.
Para cada actividad se calcular el tiempo esperado, aplicando a las evaluaciones

de tiempo hechas para la actividad en cuestin en el Paso 2 la siguiente frmula:
to +4tm
+tp
t
e=
El valor te es la base de todos los clculos de tiempos en el Diagrama de Flechas

del PERT, y se escribir para cada actividad sobre la lnea que la representa.
Ejemplo:
52
Paso 4: Calcular para cada actividad, la varianza del tiempo, ste2
La varianza, s te2 , indica la incertidumbre asociada con la estimacin de la

duracin de la actividad.
Si la varianza es grande, hay gran incertidumbre sobre el tiempo de terminacin de

la actividad.
Si la varianza es pequea, la evaluacin de la duracin de la actividad ser

bastante precisa, es decir, las estimaciones optimista y pesimista sern muy
parecidas.
La varianza se calcula segn la siguiente frmula:
ste2 = [(t p - to ) 6]2
Ejemplo:
Paso 5: Calcular, para cada evento, el tiempo mnimo posible, TE, y su

varianza s TE2 .
El TE de un evento representa el tiempo ms breve posible en que el evento

puede tener lugar, y se calcula sumando los te de la secuencia de actividades
necesarias para alcanzarlo.
Cuando hay ms de un camino que conduce a un evento, el camino que consuma

el mayor tiempo, determina el tiempo ms breve posible en que puede esperarse
alcanzar el evento en cuestin, dado que es necesario realizar las actividades de
todos los caminos que llegan a ese evento.
53
El valor s TE2 indica el nivel de incertidumbre asociado a la estimacin del
tiempo TE.
Los valores TE y s TE2 de un evento N se calculan de la siguiente manera:
Se empieza con el primer evento (su TE y su s TE2 son iguales a cero)

considerando luego, sus directos sucesores etc..., hasta llegar al ltimo evento del
proyecto. El valor TE del ltimo evento representa el tiempo mnimo esperado para
finalizar el proyecto.
Se identifican todos los eventos que preceden directamente al evento N.
Para cada evento N, se aade al TE del evento N-1 (predecesor) la duracin

esperada te de la actividad que le conecta con el evento N.
Se elige entre los resultados as obtenidos el mayor, es decir el valor mximo. Este
ser el nico TE del evento N. Los dems valores obtenidos son
irrelevantes y no se volvern a considerar.
e) Se suma al valor s TE2 del evento predecesor resultante del punto c), la
varianza s
te2 de la actividad que le conecta con el evento N. El resultado ser el
nico valor s
TE2 correspondiente al evento N.
Los valores TE as obtenidos se escribirn en el Diagrama de Flechas, por encima

del evento correspondiente.
Ejemplo:
54
Paso 6: Calcular, para cada evento, el tiempo mximo permisible TL.
El TL de un evento representa el tiempo mximo en que debe alcanzarse dicho

evento para poder seguir el proyecto tal y como ha sido planificado, siendo el TL
del ltimo evento el tiempo establecido para finalizar el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
a) Se empieza con el ltimo evento (= fin del proyecto), operando en sentido

inverso hasta el primero.
El TL del ltimo evento se considera aqu como un dato "externo", ya establecido.

(Deseo del cliente, compromiso, fecha "orientativa" interna, a menudo el valor TE
obtenido en el Paso 5 para el evento final del proyecto, etc...)
Para cada evento N, se identifican todos los eventos sucesores inmediatos del
mismo.
Se resta del TL del evento sucesor al evento N la duracin esperada te de la

actividad que le conecta con el evento N.
Se elige entre los resultados as obtenidos el menor. Este ser el nico TL del
evento N. Los dems valores obtenidos son irrelevantes y no se volvern a
considerar.
Los valores TL as obtenidos, se escribirn en el Diagrama de Flechas debajo del

respectivo evento.
Ejemplo:
55
Paso 7: Calcular, para cada evento, la holgura TL - TE
La holgura de un evento es la diferencia entre el tiempo mximo permisible y el

tiempo esperado (tiempo mnimo posible) para alcanzarlo.
La holgura de un evento puede ser positiva, igual a cero o negativa.
Ejemplo:
Paso 8: Identificar el camino crtico
El camino crtico es aquella secuencia de actividades, desde el primer evento

hasta el ltimo, en el que los eventos tienen la holgura mnima.
Se identificar en el Diagrama de Flechas el camino crtico, marcando las

actividades que lo constituyen con lneas ms gruesas.
Ejemplo:
Camino crtico: 1;2;3;5;7
56
Paso 9: Clculo de la probabilidad de cumplir con una determinada fecha
(tiempo), PR
Esta probabilidad se puede calcular tanto para el ltimo evento (final de proyecto),
como para cualquier otro evento del Diagrama de Flechas considerado lo
suficientemente importante como para que se le asigne una fecha de terminacin
propia. La fecha asignada se indicar con TS, y la probabilidad de cumplir con ella
se determina de la siguiente manera:
a) Se calcula el valor del factor de probabilidad utilizando la frmula:
Z = TS - TE
sTE2
donde Z es el factor de probabilidad, TE y sTE2 los valores correspondientes al

evento para el cual se ha establecido el tiempo de terminacin TS.
b) Se determina la probabilidad de cumplir con la fecha establecida, PR, leyendo el

valor correspondiente al obtenido para Z en la Tabla de valores de la distribucin
normal (valores Z y PR).
Ejemplo:
Paso 10: Revisin del Diagrama y de los datos durante el seguimiento del
proyecto. (Fase de realizacin).
Para el seguimiento del proyecto, se establecern fechas o eventos asociados a

una revisin del Diagrama.
Se sustituirn, con el fin de actualizar el Diagrama, los tiempos esperados para las
actividades que se hayan ya realizado, por los tiempos ciertos alcanzados.
Si resulta oportuno se revisarn tambin los tiempos para las dems actividades.
En base a estos datos se volvern a calcular todos los tiempos mximos y

mnimos, las holguras y el camino crtico.
57
Realizacin de un Anlisis CPM
58
Paso 1: Construir el Diagrama de Flechas
El Diagrama de Flechas se construir como se ha indicado en el Punto 5.1.1.
Ejemplo:
Paso 2: Estimar la duracin de cada actividad, t.
Las evaluaciones sern realizadas por expertos que se hayan enfrentado muchas
veces con la respectiva actividad, y puedan estimar su duracin con el suficiente
nivel de certidumbre.
Si hay diferentes posibilidades, segn los recursos que se emplean en la

realizacin de la tarea, se elegir la alternativa que origine los menores costes.
La duracin estimada de cada actividad, t, se escribir en el Diagrama de Flechas

sobre la lnea que le representa, teniendo cuidado de que todas las duraciones
estn expresadas en la misma unidad de medida.
Paso 3: Estimar los costes, Cm.
Estimar para cada actividad, los costes mnimos, cm, a soportar para su
realizacin y anotarlos en una Tabla de Costes. Estos costes permitirn, por lo
dicho en el Paso 2, llevarla a cabo en el tiempo t.
Ejemplo:
59
Paso 4: Calcular, para cada evento, el tiempo mnimo posible, TE.
El TE de un evento representa el tiempo ms breve posible en que el evento

puede alcanzarse, y se calcula sumando los tiempos t de la secuencia de
actividades que conduce al mismo.
Cuando hay ms de un camino que conduce a un evento, el camino que consume

el mayor tiempo, determina el tiempo ms breve posible en que puede esperarse
alcanzar dicho evento.
El valor TE de un evento N se calcula de la siguiente manera:
Se empieza con el primer evento (su TE es igual a cero), considerando sus

directos sucesores etc..., hasta llegar al ltimo evento del proyecto. (Su TE indica
el tiempo mnimo esperado para terminar el proyecto).
Se identifican todos los eventos que preceden directamente al evento N.
Para cada uno de estos eventos se aade a su TE la duracin t de la actividad que

le conecta con el evento N.
Se elige entre los resultados as obtenidos el mayor. Este ser el nico TE del
considerar.
Los valores TE as obtenidos, se escribirn en el Diagrama de Flechas por encima

del respectivo evento.
Ejemplo:
60
Paso 5: Calcular, para cada evento, el tiempo mximo permisible, TL.
El TL de un evento representa el tiempo mximo en que debe alcanzarse el evento

para poder seguir el proyecto tal y como ha sido planificado, siendo el TL del ltimo
evento el tiempo establecido para finalizar el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
Se empieza con el ltimo evento (= fin del proyecto), operando en sentido inverso
hasta el primero. El TL del ltimo evento se considera aqu como un dato externo,
ya establecido. (Deseo del cliente, compromiso, fecha "orientativa" interna, a
menudo el valor TE obtenido en el Paso 4 para el evento final del proyecto, etc...).
Se identifican todos los eventos sucesores del evento N.
Para cada uno de estos eventos se resta de su TL la duracin t de la actividad que

le conecta con el evento N.
Se elige entre los resultados as obtenidos el menor. Este ser el nico TL del
considerar.
Los valores TL as obtenidos, se escribirn en el Diagrama de Flechas debajo del

respectivo evento.
Ejemplo:
61
Paso 6: Calcular, para cada evento, la holgura TL-TE.
La holgura de un evento es la diferencia entre el tiempo mximo permisible y el

tiempo mnimo posible para alcanzarlo.
La holgura indica entonces el margen de seguridad de tiempo de que se dispone

para alcanzar este evento, sin comprometer el plan de marcha del proyecto. La
holgura de un evento puede ser positiva, negativa o igual a cero.
Ejemplo:
62
Paso 7: Identificar el camino crtico
El camino crtico es aquella secuencia de actividades, desde el primer evento

hasta el ltimo, en la que los eventos disponen de la holgura mnima.
Se identificar en el Diagrama de Flechas, el camino crtico, sealando las

actividades que lo constituyen con lneas ms gruesas.
Ejemplo:
Paso 8: Evaluar, para cada actividad, la relacin entre su duracin y los

costes de su realizacin.
Esta relacin se obtiene de la siguiente manera:
Se evala el tiempo absolutamente mnimo, tm, necesario para realizar la actividad

considerada y los costes correspondientes, c.
Se calculan los costes suplementarios a soportar para disminuir la duracin de la

actividad de una unidad de tiempo, utilizando la frmula:
c - cm
t - tm
Si la duracin de una actividad se puede reducir slo en determinados intervalos

diferentes de la unidad de medida (ej. 2 das, 7 semanas, etc), o si existen slo
unas pocas opciones realizables, esto se anotar en la tabla y se tendr en cuenta
durante el paso siguiente.
63
Ejemplo:
64
Paso 9: Construir diferentes alternativas eficientes de combinaciones costes /
tiempo.
A este fin se considerarn nicamente las actividades del camino crtico. Slo estas
son las que influyen sobre la duracin del proyecto total. (El camino crtico puede
cambiar a lo largo del anlisis). Entre ellas se repartirn recursos suplementarios,
asignndose primero a aquellas que tengan el menor valor (c-cm)/(t-tm), puesto que
permite conseguir el ahorro de tiempo "ms barato".
Despus de cada sustitucin se modificarn todos los datos involucrados, y se

recalcularn los costes y el tiempo total del proyecto, presentando los resultados en
un Diagrama de Flechas y una Tabla de Datos. Se obtendrn de esta forma varias
combinaciones alternativas de costes y tiempo.
Todas estas son combinaciones eficientes, es decir para cualquiera de ellas vale que:
Es imposible acabar el proyecto en un tiempo menor, sin gastar ms.
Es imposible gastar menos, sin necesitar ms tiempo para finalizar el proyecto.
Ejemplo: Alternativa Reducir A3;4 de t=8 a T=6 y A1;3 de t=5 a t=3
65
Tiempo Total : 12 semana (reduccin de 4 semanas)
Costes: 122+21+21.5=127 (aumento de 5 mill.)
INTERPRETACIN
El Diagrama de Flechas, el anlisis PERT y el anlisis CPM proporcionan informacin

de gran relevancia para la toma de decisiones a lo largo de un proyecto.
Sin embargo son "herramientas", y como tales, ayudan al que toma la decisin en su
labor, no toman nunca la decisin por l.
A continuacin se comenta ms detalladamente el aspecto ms importante para la

interpretacin de estas herramientas.
UTILIZACIN
El Diagrama de Flechas, el anlisis PERT y el anlisis CPM se aplican, con gran

beneficio, a cualquier tipo de proyecto o clase de esfuerzo que se pueda
descomponer en varias actividades, y que requiera trabajo planeado, controlado e
integrado para conseguir objetivos establecidos.
66
Teora de Juegos
Criterios de Savage y Hurwics
La teora de los juegos es una rama de la matemtica con aplicaciones a la
economa, sociologa, biologa y psicologa, que analiza las interacciones entre
individuos que toman decisiones en una marco de incentivos formalizados (juegos).
En un juego, varios agentes buscan maximizar su utilidad eligiendo determinados
cursos de accin. La utilidad final obtenida por cada individuo depende de los cursos
de accin escogidos por el resto de los individuos.
La teora de juegos es una herramienta que ayuda a analizar problemas de

optimizacin interactiva. La teora de juegos tiene muchas aplicaciones en las
ciencias sociales. La mayora de las situaciones estudiadas por la teora de juegos
implican conflictos de intereses, estrategias y trampas. De particular inters son las
situaciones en las que se puede obtener un resultado mejor cuando los agentes
cooperan entre s, que cuando los agentes intentan maximizar slo su utilidad.
La teora de juegos fue ideada en primer lugar por John von Neumann. Luego, John
Nash, A.W. Tucker y otros hicieron grandes contribuciones a la teora de juegos.
JUEGO
Se denomina juego a la situacin interactiva especificada por el conjunto de
participantes, los posibles cursos de accin que puede seguir cada participante, y el
conjunto de utilidades.
ESTRATEGIA
Cuando un jugador tiene en cuenta las reacciones de otros jugadores para realizar su
eleccin, se dice que el jugador tiene una estrategia. Una estrategia es un plan de
acciones completo que se lleva a cabo cuando se juega el juego. Se explicita antes
de que comience el juego, y prescribe cada decisin que los agentes deben tomar
durante el transcurso del juego, dada la informacin disponible para el agente. La
estrategia puede incluir movimientos aleatorios.
RESULTADOS DE LOS JUEGOS
El resultado de un juego es una cierta asignacin de utilidades finales. Se denomina
resultado de equilibrio si ningn jugador puede mejorar su utilidad unilateralmente
dado que los otros jugadores se mantienen en sus estrategias. Un equilibrio
estratgico es aquel que se obtiene cuando, dado que cada jugador se mantiene en
su estrategia, ningn jugador puede mejorar su utilidad cambiando de estrategia.
Alternativamente, un perfil de estrategias conforma un equilibrio si las estrategias
conforman la mejor respuesta a las otras.
FORMA NORMAL VS FORMA EXTENSIVA DE LOS JUEGOS
En juegos de forma normal, los jugadores mueven simultneamente. Si el conjunto de
estrategias es discreto y finito, el juego puede ser representado por una matriz NxM
(ver abajo). Un juego en forma extensiva especifica el orden completo de movimientos
a travs de la direccin del juego, generalmente en un rbol de juego.
JUEGOS NxM
Una forma de juegos de dos jugadores, en la cual un jugador tiene N acciones
posibles y el otro tiene M acciones posibles. En un juego as, los pares de utilidades o
pagos pueden ser representados en una matriz y el juego es fcilmente analizable.
Los juegos NxM dan una idea de cmo puede verse la estructura de un juego mas
complejo.
67
ESTRATEGIA DOMINANTE
Una estrategia dominante es aquella eleccin que realiza el jugador
independientemente de lo que haga el otro. En el juego representado en la matriz de
arriba, la estrategia dominante para A es elegir abajo, mientras que la estrategia
dominante para B es elegir izquierda. Estas estrategias dominantes dan como
resultado el equilibrio de estrategias dominantes del juego. Si cada jugador tiene una
estrategia dominante se puede predecir el resultado del juego.
Juegos de suma cero

Denominaremos a uno jugador fila y al otro jugador columna. El primero ha de elegir
una de m estrategias y el jugador columna una de n estrategias. Se supondr que si
el primero elige i y el segundo j habr una ganancia de aij para el primero y una
prdida de aij para el segundo. Esto se conoce como juego de suma cero. Se podra
decir que en un juego de suma cero con dos jugadores lo que gana uno proviene del
otro sin posibilidad de cooperacin entre ellos. Cuando uno gana el otro pierde la
misma cantidad. Todo esto puede representarse mediante una matriz de ganancias
del jugador fila:
Se dice que el juego tiene punto silla y a este nmero se le llama valor (v) del juego
para el jugador fila. Una forma sencilla de determinar este punto es buscar un
numero de la matriz que sea el menor en su fila y el mayor en su columna.
EJEMPLO
Supongamos que los dos grandes productores de agendas electrnicas se proponen
sacar al mercado un modelo nuevo con telfono mvil incorporado. Pueden
establecer
un convenio con cuatro de las compaas telefnicas y uno de los dos productores
podra
desarrollar una compaa telefnica propia. La matriz de ganancias sera:
68
Vemos que en 5 hay un punto silla y corresponde a la eleccin de Entfone por
parte de la compaa CASIE y de Windtel por parte de la compaa PAM. Este es un
punto de equilibrio en el que ninguno de los jugadores puede beneficiarse con un
cambio unilateral de estrategia. En este caso el equilibrio se logra asumiendo CASIE
una prdida de 5 como mal menor y PAM una ganancia segura de 5.
Juegos de suma cero para dos jugadores con estrategias aleatorizadas
Se analizarn ahora aquellos juegos que no tienen punto silla, que de hecho son
mucho ms frecuentes en la prctica. Para ello supongamos que dos personas van a
jugar a pares o impares solamente con la posibilidad de sacar uno o dos dedos cada
uno. Si la suma de ambos es par el jugador A pagar un euro al jugador B. En caso
contrario ser B el que pague a A. Por tanto la matriz de beneficios se puede expresar
de la forma siguiente:
No hay punto silla. Eso significa que para cualquier decisin de estrategias hay un
jugador que puede beneficiarse cambiando de estrategia unilateralmente. Si por
ejemplo los dos sacan dos dedos el resultado sera par y ganara B. Pero al cambiar
A de estrategia pasara a ganar A y por tanto a perder B.
Se determinarn ahora estrategias ptimas y el valor de este juego. Para ello se

ampla
el conjunto de estrategias posibles. Hasta ahora se ha supuesto que cada vez que un
jugador participa en un juego utilizar la misma estrategia. Ahora se permitir que un
jugador opte por una estrategia concreta en una proporcin determinada de casos,
que llamaremos probabilidad. Este tipo de estrategias se denominan estrategias
aleatorizadas o mixturas. En general podramos representar una estrategia
aleatorizada de A de la forma (x1, x2) y una de B de la forma (y1, y2). Esto quiere
decir que si el jugador A utiliza la estrategia (x1, x2) sacar un dedo en el 100x1 % de
las veces que juegue y dos en el resto (100x2 %). Por supuesto ha de verificarse que
69
Criterio de Laplace y Maximax
1. Modelo Maximin o de Wald
Lo que propone el modelo de Maximin o de Wald es fijarnos en las valoraciones mas

bajas dentro de todas las soluciones es decir, las valoraciones mas bajas son 1 para
la solucin A, 2 para la B y 4 para la C, entonces dentro de este rango nos quedamos
con C, pues es la mas alta dentro de las peores, la filosofa es la mejor de las peores ,
esto supone una perdida de informacin porque no se tienen en cuenta el resto de
campos y la opcin elegida no podra ser la mas optima. Estamos hablando de una
forma Pesimista de elegir segn Wald.
2. Modelo Maximax
Al contrario que el anterior, el modelo Maximax propone trabajar con los datos que
mayor puntuacin han obtenido, por ejemplo, en nuestro cuadro las de mayor
puntuacin son 8 para A, 10 para B y de 9 para C, aplicando la lgica de este modelo
tomaramos como decisin final la B pues su puntuacin es superior al resto, la mejor
de las mejores, por lo que es la que mas beneficios dara. Nos encontramos en la
misma tesitura que antes, no contamos con toda la informacin y podemos estar
eligiendo, como antes, no la mejor de las decisiones. Como hemos comentado esta
ves la forma de tomar la decisin sera Optimista
3. Modelo de Hurwicz
Este modelo toma una lgica intermedia entre las anteriores, y para el peor valor da
un valor de 1-, mientras que para el valor mas alto otorga un valor de , donde es
el valor de optimismo que utilizamos, este valor oscila de 0 a 1, sin llegar a los
extremos para no coincidir con las teoras anteriores, un valor razonable es 1/2, para
nuestro caso trabajamos con =1/4. Por lo que el resultado sera el siguiente:
A: 1*3/4 + 8*1/4= 2,75

B: 2*3/4 + 10*1/4= 4
C: 4*3/4 + 9*1/4= 5,25
La opcin a elegir en este caso es la C, pues tenemos la mxima puntuacin, aun as
con este modelo seguimos despreciando informacin pudiendo llegar a resultados
similares a los de Maximin y Maximax.
4. Modelo de razn insufiencente o de Laplace
Laplace plantea la utilizacin de todos los valores que se han obtenido anteriormente,
no despreciamos nada por lo que trabajamos con todos los campos. La lgica que
aplica es asignar a cada valor la misma probabilidad (1/n) de tal modo que todos
estn en igualdad de condiciones. N muestra los posibles estados de la naturaleza, es
decir, un ejemplo para nuestra organizacin: aumento de ganancias, perdidas o
estancamiento. En nuestro ejemplo trabajamos con estos 3 campos.
70
Con estos criterios nuestra opcin seguira siendo la C pues a priori parece la mas
completa y equilibrada, este mtodo no arriesga en la toma de decisiones.
A: 7*1/3 + 8*1/3 + 1*1/3= 5.3

B: 10*1/3 + 2*1/3 + 5*1/3= 5.6
C: 5*1/3 + 4*1/3+ 9*1/3= 6
5. Modelo de Savage
Para el razonamiento que aplica Savage nos encontramos ante una dualidad, es
decir, se busca la mxima ganancia a travs de la perdida mnima. Entonces para
cada una de las soluciones tenemos diferentes resultados, lo que hacemos es tomar
los escenarios (columnas) como referente y dentro de estas tomamos el mayor valor
para restarlo por cada valor dentro de esa misma columna para cada solucin.
Para nuestro ejemplo el valor mximo de la primera columna es 10, por lo que le
restamos 7,10 y 5 respectivamente, as hacemos en las siguientes columnas. Por lo
que la solucin C se presenta como la mejor de todas.
Escenarios Suma

1 2 3
3 0 8 11
A
0 6 4 10
B
5 4 0
Soluciones C 9
No se ha profundizado mas en cada una de ellas porque tratamos de simplificar
cada uno de los modelos para facilitar su compresin y darle una aplicacin sencilla a
la practica. Existen mltiples criterios para la toma de decisiones, en este articulo
hemos rescatado algunas de ellas que esperemos sean de utilidad.
71
Bibliografa
http://juliovargas.udem.edu.ni/wp-content/uploads/2014/01/SIMPLEX.pdf
http://www.abaco.com.ve/lineal/MetodoSimplexBarreto.pdf
https://es.wikipedia.org/wiki/Investigacin_de_operaciones
https://www.uaeh.edu.mx/docencia/P.../investigacion_operaciones/modelos.pdf
hemaruce.angelfire.com/FORMA_CANONICA_Y_FORMA_ESTANDAR.pdf
http://definicion.de/dualidad/
http://metododetransporte2011.blogspot.com/
http://invop2.blogspot.com/p/teoria-de-juegos.html
http://www.pdcahome.com/4655/modelos-para-la-toma-de-decisiones/
72
CONCLUSIONES
La IO es el procedimiento cientfico que est auxiliado por modelos y tcnicas

matemticas, servible para disear y operar a los problemas complejos de la direccin
y administracin de grandes sistemas que forman una organizacin compleja en las
cuales las decisiones son muy importantes y difciles de elegir, ya que la eficacia de
una decisin sobre guardar la supervivencia y desarrollo de sta, al contrario estara
en camino hacia el fracaso.
73
INTRODUCCION
Cada vez es ms difcil asignar los recursos o actividades de la forma ms eficaz,

pues los recursos cada vez son ms escasos y crecen las complejidades de los
sistemas generando problemas para decisiones ptimas.
En el siglo pasado las Organizaciones del mundo solo estaban constituidas por un
nmero reducido de personas y eran dirigidos por una sola persona. Todo este
panorama cambia radicalmente con la Primera Revolucin Industrial. Como se sabe,
sta trajo consigo la energa, las maquinarias y los equipos que revolucionaron las
industrias mecanizando la produccin. Consecuentemente con ello vino la divisin o
especializacin del trabajo trayendo con ello las nuevas responsabilidades de
finanzas, produccin, mercado e investigacin y desarrollo por parte de especialistas
y cientficos.
Investigacin de Operaciones se le atribuye ms a los servicios militares prestados a
principios de la II Guerra Mundial. Debido a los esfuerzos blicos, exista una
necesidad urgente de asignar recursos escasos a las distintas operaciones militares y
a las actividades dentro de cada operacin, en la forma ms efectiva. Por esto, las
administraciones militares americana y Britnicas hicieron un llamado a un gran
nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros
problemas estratgicos y tcticos. Estos equipos de cientficos fueron los primeros
equipos de IO. Con el desarrollo de mtodos efectivos que contribuyeron a
numerosos triunfos.
74
OBJETIVOS
La Investigacin de Operaciones se ocupa de la resolucin de problemas
relacionados con la conduccin y coordinacin de las operaciones o actividades
dentro de una organizacin. Su mbito de aplicacin es muy amplio, aplicndose a
problemas de fabricacin, transporte, construccin, telecomunicaciones, planificacin
y gestin financiera, ciencias de la salud, servicios pblicos, etc. En general, puede
aplicarse en todos los problemas relacionados con la gestin, la planificacin y el
diseo.
La Investigacin de Operaciones incluye un conjunto muy amplio de tcnicas
orientadas a proporcionar una ayuda cuantitativa a la toma de decisiones. El mtodo
empleado es el mtodo cientfico, y las tcnicas que se utilizan son, en buena medida,
tcnicas matemticas.
El objetivo de esta asignatura es que el estudiante asimile los principios que guan la
resolucin de problemas mediante la aplicacin de las tcnicas de Investigacin de
Operaciones. En concreto:
La construccin de modelos de decisin basados en descripciones matemticas, con
el objetivo de tomar decisiones en situaciones de complejidad o incertidumbre.
La resolucin, mediante anlisis matemtico o simulacin, de los modelos de
decisin, obteniendo los valores ptimos de las variables de decisin que intervienen
en el modelo.
La realizacin de estudios de sensibilidad de la solucin o soluciones propuestas,
para evaluar su robustez frente a cambios en las condiciones de los parmetros del
modelo.
Obtener una visin general sobre el concepto de sistema e identificar sus partes
componentes en un sistema productivo
Atender a las expectativas que presenta el medio productivo mundial para poder ser
componente clave dentro de su desarrollo.
Desarrollar capacidades necesarias para el diseo de modelos particulares para
resolver problemas en situaciones especficas.
Comprender la importancia de la Investigacin de Operaciones como metodologa de
optimizacin dentro de cualquier tipo de organizacin.
Conocer y utilizar herramientas computacionales, soporte para la aplicacin de los
modelos.
75
INDICE
1. Investigacin de Operaciones Pag.01-09
2. Formacin y Planteamiento (Mtodo Simplex) Pag.10-27
3. Conceptos bsicos de dualidad...Pag.28-29
4. Teora De Modelos De Transporte....Pag.30-34
5. Ejercicios resueltos de transporte...Pag.35-42
6. Proyectos probabilsticos y determinsticos...Pag.43-46
7. Diagrama De Flechas.Pag.47-66
8. Teora de Juego...Pag.67-71
9. BibliografaPag.72
10. Conclusin..Pag.73
76

Investigación de Operaciones

Transféré par

Informations du document

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

Investigación de Operaciones

Transféré par

Droits d'auteur :

Formats disponibles

1. Investigacin de Operaciones.

La investigacin de operaciones o investigacin operativa o investigacin operacional

d) Modelo Icnica y Estndar

FORMA CANONICA Y FORMA ESTANDAR

Un problema de programacin lineal puede ser establecido en diferentes formas

a) Todas las restricciones son igualdades

b) Todas las variables son no-negativas

Considere el siguiente problema de P.L. en forma cannica

A= Matriz de coeficientes de las variables en el sistema de ecuaciones de

bi= Lado derecho de la restriccin i ( Limitacin i )

1. Algunas restricciones son desigualdades

Una desigualdad puede fcilmente ser transformada a una igualdad (ecuacin ) a

a) La desigualdad menor o igual ( ), la deficiencia de unidades para el lado

b) La desigualdad menor o igual ( ),el exceso de unidades que tiene el lado

En el caso de una desigualdad mayor o igual

En el caso de una desigualdad menor o igual

As mismo, la ecuacin de la forma

Pude ser transformada en dos desigualdades

Para la mayora de los problemas prcticos, las variables representan cantidades

xj y xj+1 , donde ambas son 0 y xj representa la parte positiva de la variable xj y

Minimizar Z= -x1 - 3x2

Transformando a l forma estndar tenemos:

Si ahora consideramos que x1 no esta restringida en signo, el problema se puede

Minimizar Z= -(x1 - x1 ) - 3x2

Forma Cannica y Estndar Investigacin de Operaciones I

Para efectos de resolver este problema por el mtodo Simplex, se

donde x1= x1 y x2 = x1 y se recorren los subndices delas variables

No-negatividad de las limitaciones bi

Cuando el problema se desea representar en forma estndar y alguna de

1.- Desigualdad , aadir

EJERCICIOS DE PROGRAMACIN LINEAL RESUELTOS MEDIANTE EL METODO

Sustancia A Sustancia B Precio $

Min z=10x +30y

1. Convertir a igualdad las restricciones:

2. Igualar la funcin objetivo a 0

Vfy: 1/5 1 -1/5 0 3 Vf-z: 4 0 6 0 -90

El artculo A requiere una hora de trabajo en la seccin de montaje y dos en la de

La seccin de montaje solo puede estar en funcionamiento nueve horas diarias,

Calcula la produccin diaria de los artculos A y B que maximiza el beneficio.

Articulo A (x) Articulo B (y)

Max z=20x +40y

2. Igualar la funcin objetivo a 0

3. Escribir la tabla inicial simplex

Vfh2: 5 1 0 1 8 Vfz: -20 -40 0 0 0

Vfy: 1/3 1 1/3 0 3 Vfz: - 0 40/3 0 120

Oro Plata Precio $

1. Convertir a igualdad las restricciones:

2. Igualar la funcin objetivo a 0

3. Escribir la tabla inicial simplex

Vfh2: 3/2 1 0 1 750 Vfz: -40 -50 0 0 0

Vfy: 2/3 1 2/3 0 500 Vfz - 0 100/3 0 2500

El mximo nmero de horas de trabajo disponibles diariamente es de 120 en montaje

Montaje Acabado Precio $

Max z=300x +400y

1. Convertir a igualdad las restricciones:

2. Igualar la funcin objetivo a 0

3. Escribir la tabla inicial simplex

Vfh1: 3 3 1 0 120 Vfz: -300 - 0 0 0

Vfy: 1/2 1 0 1/6 30 Vfz: - 0 0 200/3 12000

Algodn Polister Precio $

Max z=50x +40y

4. Convertir a igualdad las restricciones:

5. Igualar la funcin objetivo a 0

6. Escribir la tabla inicial simplex