Vous êtes sur la page 1sur 56

Hoy en día existe una extensa variedad de herramientas que permiten

incrementar la probabilidad de tomar mejores decisiones en cualquier


organización. Cabe mencionar que entre esta gama de herramientas figuran los
sistemas de información, los métodos estadísticos, las técnicas tradicionales de
ingeniería industrial, la ingeniería económica, el procesamiento de datos, la
investigación de operaciones y otras más.

La actividad llamada investigación de operaciones se desarrolla durante la


segunda guerra mundial, pero sus orígenes pueden remontarse a muchos años
atrás. Los que la ejercieron en tiempo de guerra estaban demasiados ocupados
con los problemas que se presentaban para dedicarse a un análisis conciso de su
metodología o escribir libros que pudieran ayudar a futuras generaciones. Los
textos comenzaron a aparecer por el año de 1950, que fue cuando se consideró
que investigación de operaciones era una materia digna de incluirse en los
programas de estudios profesionales, como en las carreras de: economía,
administración pública, psicología, trabajo social, matemáticas, estadística y las
numerosas ramas de la ingeniería.

El objetivo de la Investigación de Operaciones es proporcionar un método


sistemático y racional para los problemas fundamentales del control del sistema,
mediante la toma de decisiones, las cuales, de alguna forma, producen los mejores
resultados.

Definición
Investigación de Operaciones, es el trabajo desarrollado por especialistas en la
solución de problemas, con el fin de que produzcan soluciones que mejor sirvan a
los objetivos de toda organización.

Organización
Una organización se puede interpretar como un sistema, todo sistema tiene
componentes e interacciones entre los mismos.

1
Sistema
Todo sistema es una estructura que funciona. La forma es el elemento que
convierte a la estructura en un sistema. Se puede concluir que todo sistema es un
sistema de información.

Investigación de operaciones
Las investigaciones es la aplicación de la metodología científica a través de los
modelos, primero para representar al problema real que se quiere resolver en un
sistema y segundo resolverlo (objetivo).

Formulación de modelos
Es el proceso de tomar un problema del mundo real y describirlo en términos
matemáticos.

Técnicas de solución o algoritmos


Son las técnicas matemáticas usadas para encontrar respuestas a partir de los
modelos creados.

Soluciones por computadora


Es el manejo de programas estandarizados de cómputo para resolver los modelos.

Filosofía
Es una panorámica de las relaciones entre el mundo real, los modelos, los
administradores y las soluciones.

La investigación de operaciones utiliza tres tipos de problemas: determinísticos,


con riesgos y bajo incertidumbre:

a) Los problemas determinísticos son aquellos en los que cada alternativa del
problema, tiene una y sólo una solución.

b) Los problemas con riesgos son aquellos en los que cada alternativa del
problema, tiene varias soluciones.

c) Los problemas de bajo incertidumbre son aquellos en los que cada


alternativa del problema, tiene varias soluciones sin embargo, se ignora con
que probabilidad o distribución probabilística ocurrirán estas soluciones.

2
Construcción de modelos
En la investigación de operaciones existen tres clases de modelos: Icónicos,
Analógicos y simbólicos:

a) Los modelos icónicos son imágenes a escala del sistema cuyo problema se
requiere resolver. Por ejemplo, las fotografías, las maquetas, dibujos y
modelos a escala de barcos, automóviles, aviones, canales, etc.

b) Los modelos analógicos se basan en la representación de las propiedades de


un sistema cuyos problemas se requieren para resolver utilizando otro
sistema cuyas propiedades son equivalentes. Por ejemplo, las propiedades
de un sistema hidráulico son equivalentes a un sistema eléctrico o,
inclusive, económico.

c) Los modelos simbólicos son conceptualizaciones abstractas del problema


real a base de del uso de letras, número, variables y ecuaciones.

FUNDAMENTOS DE LA PROGRAMACIÓN LINEAL

Desde un punto de vista puramente matemático, “La programación lineal es una


técnica utilizada para maximizar o minimizar una función sujeta a restricciones
lineales”. Ahora bien, hablando en términos económicos, “La programación lineal es
una técnica empleada para distribuir un grupo de recursos limitados, entre un
número de demandantes competidores, los cuales, toman decisiones sobre el
intercambio de productos”, es decir, el papel fundamental que juega esta
herramienta matemática dentro de la economía, es el de economizar al máximo los
recursos disponibles, determinando el programa óptimo más conveniente para su
aplicación en la unidad (centro de producción, empresa, etc.) objeto de estudio.

Conceptos Básicos
El problema general de la programación lineal está representado por una serie de
ecuaciones e inecuaciones lineales formadas por un número finito de variables.

Función objetivo
Es la función lineal que indica la finalidad que se persigue en el problema, en el
caso de la economía, maximizar ganancias o minimizar costos, es de la forma
siguiente: Y= a + bX.

3
Costos
Se refiere a los coeficientes de las variables de la función objetivo (en el cuadro
simplex los representamos con Ci), implica el total de recursos monetarios
utilizados en la producción de un producto determinado.

Actividad
Es un método específico que conduce a la realización de un fin determinado. Por
ejemplo, cultivar ajonjolí, maíz, frijol, etc., en una granja, de tal forma que se
obtenga la producción deseada.

Alternativas
Implica las diferentes formas de combinación que se pueden hacer para lograr un
objetivo. Por ejemplo, las formas de cultivo que se deben combinar los tres
productos anteriores, de tal manera que se obtenga una utilidad óptima.

Restricciones
Es la condición en que normalmente se presentan los recursos escasos con que se
cuentan para producir. Si no hay restricciones prácticamente no hay problema(Se
pueden aparecer como ecuaciones o bien como inecuaciones).

Variable de holgura
Es la cantidad de recursos no utilizado en el programa, cuya función principal
desde un punto de vista matemático es la de romper la inecuación o desigualdad
llamada restricción, que se presenta en todo el problema de programación lineal.
El coeficiente, o sea el costo de esta variable, será siempre cero.

Variable artificial
Es un artificio para poder trabajar con el cuadro simplex pero no interviene en la
solución del problema; esta variable artificial cuando se trate de un problema de
minimización, su valor será +M, en donde M es un valor tan grande como se desee.

Programa optimo
Es la solución básica factible que nos conduce a obtener una utilidad o beneficio
mayores, esto es, a maximizar las ganancias o minimizar los costos de un
programa.

Variable entrante

4
Es la variable o actividad que entra o se incorpora la solución del problema, ella
incrementa la función en cierta cantidad.
Variable saliente
Es la actividad que deja de intervenir en la producción por resultar in-eficiente
en relación con otras actividades.

Minimizar
Es la reducción de los costos en la generación de un producto en su optima
expresión.

Maximizar
Es elevar lo más posible las utilidades en la solución de un problema de
programación lineal.

INTERSECCIÓN DE RECTAS

Dos rectas no paralelas en el plano deben cortarse y las coordenadas del punto de
intersección satisfacen ambas ecuaciones puesto que el punto está en las dos
rectas; sí, por ejemplo, las ecuaciones de las rectas son

2X - Y - 7 = 0 y 4X + 3Y - 9 = 0

entonces la solución del sistema da los valores de X e Y que satisfacen ambas


ecuaciones y estos valores deben ser las coordenadas del punto de intersección.
Un método simple para encontrar la solución es de eliminación; multiplicamos la
primer ecuación por tres y sumándosela a la segunda, obtenemos

6X - 3Y - 21 = 0
4X + 3Y - 9 = 0
10X - 30 = 0 : X = 3

Ahora, reemplazamos X por 3 en cualquiera de las dos ecuaciones iniciales y nos


da como resultado Y = -1. El punto de intersección es (3, -1).

5
Y

3-

2-

1-
X
-1 0 1 2 3 4

-1- (3, -1)

-2-

-3-

Dos rectas que se cortan dividen el plano en cuatro regiones. La siguiente figura
muestra como las rectas:

2x – y = 4 y 3x + y = 11

Dividen el plano en 4 regiones que denotaremos R 1 R 2 R 3 R 4. Cada una de las


regiones queda descritas por un par de desigualdades; es decir, cada punto en R1
satisface simultáneamente.

2x - y - 4 = 0 y 3x + y - 11 = 0

análogamente, las regiones restantes satisfacen los pares de desigualdades que


se indican en la figura:

6
Considerando el siguiente par de rectas conteste las siguientes preguntas:
a) ¿Cuál es la intersección?
b) Indique las regiones del dominio de valores.

Recta 1: 2X - Y = 4 Recta 2: 3X + Y = 11

Solución:

7
a) 5X = 15 X = 3 Y = 2 (3,2)

b) R1 (3,4) R2 (4,2) R3 (3,0) R4 (2,2)


2< 4 6 >4 6>4 2<4 Ec. 1
13 > 11 14 > 11 9 < 11 8 < 11 Ec. 2

(1) 2X – 3Y + 5 = 0 (2) X – 6Y + 7 = 0

R1 (2,2) R2 (-1,0) R3 (-3,0) R4 (-2,2)


1er. Ec. 3>0 3>0 -1 < 0 -5 < 0
2da. Ec. –3 < 0 7>6 6>4 -7 < 0

EXPRESIÓN MATEMÁTICA DE PROGRAMACIÓN LINEAL

El problema general de la programación lineal en forma matemática, se empleará


la variable “Xi” con el objeto de simbolizar las actividades que intervienen en el
problema. Después de analizar el concepto del programa general de la
programación lineal, es factible expresarlo matemáticamente de la siguiente
manera: encontrar X1, X2, X3,...Xn. Cuyos valores optimicen la función lineal
llamada función objetivo.

8
Max. Zx = U1X1 + U2X2 + U3X3 + .......... + UnXn

Sujeta a las condiciones:

A11X1 + A12X2 + A13X3 + .......... + A1nXn < B1

A21X1 + A22X2 + A23X3 + ........ + A2nXn < B2


. . . . .
. . . . .
. . . . .
Am1X1 + Am2X2 + Am3X3 + .....… + AmnXn < Bn

Con X1, X2, X3, ........, Xn > 0

Donde Aj, Bj, Uj son constantes

También es posible expresar el problema general de la programación lineal de la


forma que sigue:

Max. Zx = UX

s.a. Ax < Bx

X > 0

Ambas expresiones tienen el mismo significado, solo que la primera es en forma


algebraica y la segunda en forma matricial.

PLANTEAMIENTO DE PROBLEMAS LINEALES

PROBLEMA 1
Una ama de casa interesada por satisfacer las necesidades alimenticias de su
esposo, empleando para ello el menor gasto posible.
Decide comprar solamente leche, carne y huevos. Al llegar al mercado se
encuentra con los siguientes costos: un litro de leche cuesta $4.00, un Kg de
carne $40.00 y una docena de huevos $4.00

9
Consultando su guía de dietas aprende que el contenido de vitaminas B en las
anteriores cantidades de alimento es igual a 20 mgs.; 10 mgs. Y 10 mgs,
respectivamente.
El contenido de vitamina C es en forma análoga: 10 mgs., 20 mgs, y 10 mgs.
¿Qué cantidades de cada uno de los alimentos debe comprar el ama de casa si los
requerimientos mínimos diarios para un adulto son de : 60 mgs. de vitamina B y 50
mgs. de vitamina C?

Planteamiento del problema.


Para llegar al modelo matemático con mayor facilidad, es conveniente elaborar
una tabla presentando las interrelaciones que existen entre los elementos que se
dan en el problema

VITAMINAS LITRO KILO DOCENA


REQUERIMIENTOS
LECHE CARNE HUEVOS
MÍNIMOS

B 20 10 10
60
C 10 20 10
50
PRECIOS $4.00 $40.00 $4.00

Nuestras variables de decisión serán:


X1 = Número de litros de leche a comprar
X2 = Número de kgs. de carne a comprar
X3 = Número de docenas de huevo a comprar.

Se conoce que el ama de casa quiere cumplir la dieta alimenticia, al mínimo costo
posible, es decir, que los $4.00 que le cuesta el litro de leche (4X1), más los
$40.00 que vale el kilogramo de carne (40X2), más los $4.00 que le cuesta la
docena de huevos (4X3),
Signifiquen para ella un gasto mínimo y al mismo tiempo cumpla con la dieta
alimenticia. Entonces la función objetivo expresada matemáticamente será:

Minimizar G = 4X1 + 40X2 + 4X3

10
Esta función objetivo, estará sujeta a ciertas restricciones que corresponden a
los requerimientos mínimos de vitaminas que deben tener cada uno de los
alimentos comprados.
La primera restricción indica que el contenido de vitamina B, de los tres
productos no deberá ser menor de 60 mgs., o sea que el contenido de vitamina B
del litro de leche (20X1) más el contenido de vitamina B del kg. de carne (10X2),
más el contenido de vitamina B de una docena de huevo (10X 3) que se compren sea
mayor o igual a 60 mgs. que es el requerimiento mínimo de vitamina B, para
cumplir la dieta. De esta manera nuestra primera restricción será:

20X1 + 10X2 + 10X3 ≥ 60

En forma análoga lo que se compre de leche, carne y huevo no deberá ser menor
que 50 mgs. de vitamina C, que se requieren en la dieta como mínimo. Entonces la
segunda restricción será:

10X1 + 20X2 + 10X3 > 50

Resumiendo el modelo quedará:

Minimizar Z = 4X1 + 40X2 + 4X3

s.a. 20X1 + 10X2 + 10X3 > 60

10X1 + 20X2 + 10X3 > 50

X1, X2, X3 > 0

PROBLEMA 2
En una región agrícola un modesto agricultor desea conocer que cantidad de cada
producto le conviene cultivar para obtener una utilidad máxima bajo el siguiente
programa. Los recursos con que cuenta son: 12 hectáreas de tierra, 48 horas de
mano de obra y $360 de capital.

Sus actividades reales, o sea lo que puede cultivar dada la naturaleza del suelo
son: maíz, sorgo y avena.
Los correspondientes coeficientes técnicos para el cultivo de maíz son: 1
hectárea de tierra, 6 horas hombre y $36 de capital, con lo que espera obtener
una utilidad de $40. Los coeficientes para el sorgo de manera similar son: 1
hectárea de tierra, 6 horas hombre y $24 de capital, esperando obtener $30 por

11
la venta del producto. Por ultimo los coeficientes técnicos para el cultivo de
avena son: 1 hectárea de tierra, 2 horas hombre y $18 de capital, con lo que
espera obtener un ingreso de $20 al vender el producto.
Formulación del modelo:

Recursos Maíz Sorgo Avena Disponibilidad total

Tierra 1 ha. 1 ha. 1 ha. 12 has.


Trabajo 6 hrs 6 hrs. 2 hrs. 48 hrs.
Capital $ 36 $ 24 $ 18 $ 360
Utilidad $ 40 $ 30 $ 20 ----

Debido a que lo que se desea, es conocer el número de has. que se deben sembrar
de cada cultivo, las variables de decisión son:

X1 = Número de has. a sembrar de maíz


X2 = Número de has, a sembrar de sorgo
X3 = Número de has. a sembrar de avena

Una vez elaborado el cuadro y conociendo que el deseo del agricultor es


maximizar su utilidad, la función objetivo será: Maximizar los $40 que se espera
recibir por la venta de maíz (40X1) más los $30 que espera obtener por la venta
de sorgo (30X2), más los $20 que espera obtener por la venta de avena (20X3);
matemáticamente.

Maximizar Z = 40X1 + 30X2 + 20X3

s.a. X1 + X2 + X3 < 12

6X1 + 6X2 + 2X3 < 48

36X1 + 24X2 + 18X3 < 360

X1, X2, X3 > 0

PROBLEMA 3

12
Proyecto para el control de avenidas de un río.
El gobierno de un país desea construir un sistema de presas para el control de
avenidas de un extenso río de cuencas.
Por razones topográficas, los técnicos estiman que deben construirse 4 presas a
lo largo del río en diferentes lugares; además para el sistema de avenidas y que
sea efectivo se estima que las capacidades mínimas de las presas deben ser:
5000, 10000, 12000 y 7000 has./m3 para las presas P1, P2, P3, P4.

El gobierno considera que la realización del proyecto ayudara a un rápido


desarrollo agrícola e industrial de la región; para fomentar dicho desarrollo y al
mismo tiempo minimizar parte del costo del proyecto, se planea distribuir la
capacidad de las presas con el propósito de proveer agua para riego y agua para
generar corriente eléctrica.

Además tomando en consideración las posibilidades de desarrollo económico de


las diferentes localidades, se ha establecido que la capacidad total del proyecto
de agua para irrigación y la capacidad total para generar energía eléctrica se ha
distribuido de la siguiente manera:

Presa %Para riego %Para e. Eléctrica


P1 0 40
P2 20 30
P3 30 20
P4 50 10

El costo sobre ha. de riego es de $200 y por ha. de energía eléctrica es de $500.
Se desea conocer qué cantidad de has. debe destinar para riego y que cantidad
para energía eléctrica.

Minimizar Z = 200X1 + 500X2

s.a. 0.4X2 > 5000

0.2X1 + 0.3X2 > 10000

0.3X1 + 0.2X2 > 12000

13
0.5X1 + 0.1X2 > 7000

X1, X2 > 0

De la Ec. 1 : (0.40X2 ≥ 5000 )(10) 4X2 = 50000 X2 = 12500

De la Ec. 2: (0.20X1 + 0.30X2 > 10000)(10) 2X1 + 3X2 = 100000


X1 = 0 X2 = 0
X2 = 33.33 X1 = 50000

De la Ec. 3: (0.30X1 + 0.20X2 ≥ 12000)(10) 3X1 + 2X2 > 120000


X1 = 0 X2 = 0
X2 = 60000 X1 = 40000

De la Ec. 4: (0.50X1 + 0.10X2 > 7000)(10) 5X1 + X2 = 70000


X1 = 0 X2 = 0
X2 = 70000 X1 = 1

X2 (miles)

70

60
PLANO DE SOLUCIONES
50
FACTIBLE
40

30

20 1
10

X1 (miles)
10 20 30 40 50 60 70 80 90 100
4 3 2

14
Ec. 1 y 2 Ec. 1 y 3 Ec. 2 y 3
X2 = 12500 X2 = 12500 (2X1 + 3X2 = 100000)(3)
2X1 + 3X2 = 100000 3X1 + 2X2 = 120000 (3X1 + 2X2 = 120000)(2)
X1 = 31250 X1 = 31666.66 X1 = 32000
X2 = 12500 X2 = 12500 X2 = 12000
Z = 12500000 Z = 12583332 Z = 12400000

MÉTODO SIMPLEX

CONCEPTOS BÁSICOS

Variables de Holgura
El método simplex requiere que las restricciones sean ecuaciones en vez de
inecuaciones. Cualquier inecuación puede ser convertida en una ecuación
agregando una cantidad no negativa en el lado de menor valor de la inecuación.
Considere la siguiente restricción, agregando una variable no negativa, llamada
variable de holgura.

6X1 + 12X2 + X3 = 120 (a*)

En (a*) X3 es el número de horas en construcción que faltan a (6X1+ 12X2) para


aprovechar las 120 horas.

X3 = cantidad de tiempo no utilizado en construcción.

(Tiempo utilizado en construcción) + (Tiempo no utilizado en construcción) =120


( 6X1 + 12X2 )+( X3 ) =120

Similarmente, sea X4 la variable de holgura que representa el número de horas no


utilizadas en pintura para la restricción de capacidad de pintura dada.

8X1 + 4X2 + X4 = 64 (b*)

Es importante observar que las variables de holgura nunca pueden ser negativas.

15
VARIABLE BÁSICAS Y SOLUCIONES BÁSICAS FACTIBLES

El conjunto de soluciones básicas en el nuevo problema dado en (a*) y (b*) no


puede ser graficado ya que ahora tenemos cuatro variables. Por lo tanto,
debemos buscar otra alternativa, para encontrar las soluciones factibles (a*) y
(b*) tienen dos ecuaciones y cuatro variables. Si tenemos más variables que
ecuaciones, podemos tener un conjunto extra de variables iguales a 0, obteniendo
así un sistema con igual numero de variables y restricciones. Una solución así
llamada “solución básica” y por tanto, estamos interesados en encontrar
soluciones básicas de tal manera que todas las variables tengan valores no
negativos. Las variables que tienen valores positivos en la solución básica factible
son llamadas variables básicas, las otras variables que tienen valor cero, son
llamadas variables no básicas. Esto es la solución básica factible.

X3 y X4 son las variables básicas.


X1 y X 2 son las variables no básicas.

RESUMEN SOBRE EL MÉTODO SIMPLEX

1. El método simplex encuentra una solución óptima (o una solución básica óptima
factible).
2. El método simplex es un método de cambio de bases. Una variable entra a la
base, la variable básica entrante, y una variable sale de la base, la variable
básica saliente.
3. El método de cambio implica el reemplazo de un sistema de restricciones –
inecuaciones por un sistema equivalente de restricciones – ecuaciones.
4. En un sistema de restricciones – ecuaciones, una ecuación puede ser
remplazada por una ecuación equivalente aplicando las operaciones siguientes:
a) Remplazar una ecuación por sí misma, tantas veces una constante
diferente de cero.
b) Remplazar una ecuación por sí misma, sumada a tantas veces una
constante diferente de cero otra ecuación restricción.

16
5. El método simplex requiere que la función objetivo sea expresada de tal forma
que cada variable básica, tenga coeficiente 0.
6. El método simplex requiere que cada variable básica aparezca en una y
solamente una ecuación-restricción.

Columna pivote. Es la columna de coeficientes que están asociados con la variable


no básica que ha sido escogida para convertirse en la variable básica entrante.

Fila pivote. Es la fila de coeficientes que contiene la variable básica actual y que
contiene coeficiente + 1, es la que se ha escogido como la variable básica saliente.

Número pivote. Es el coeficiente que está en la intersección entre la columna y


la fila pivote.

Considerando el problema de la Fabrica de Muebles Tennessee (FMT).

Maximizar Z = 200X1 + 240X2


s.a. 6X1 + 12X2 < 120 (1)
8X1 + 4X2 < 64 (2)
X1, X2 > 0

Solución:

Z - 200X1 - 240X2 = 0 (0)


6X1 + 12X2 + X3 = 120 (1)
8X1 + 4X2 + X4 = 64 (2)

Varia No. de Lado


ble ecuaci Z X1 X2 X3 X4 derec
básica ón ho
Z 0 1 - - 0 0 0
200 240
X3 1 0 6 1 1 0 120
2
X4 2 0 8 4 0 1 64

Varia No. de Lado

17
ble Ecuaci Z X1 X2 X3 X derech
básica ón 4 o
Z 0 1 -80 0 20 0 2400
X2 1 0 ½ 1 1/1 0 10
2
X4 2 0 6 0 - 1 24
1/3

Varia No. de Lado


ble ecuaci Z X1 X2 X3 X4 derech
básic ón o
a
Z 0 1 0 0 280/1 40/3 2720
8
X2 1 0 0 1 1/9 - 8
1/12
X1 2 0 1 0 -1/18 1/6 4

Z = 2720
X1 = 4
X2 = 8

COMPROBACIÓN GRÁFICA

6X1 + 12X2 = 120 (1)


8X1 + 4x2 = 64 (2)

De la Ec. (1) De la Ec. (2)


X1 = 0 X2 = 0 X1 = 0 X2 = 0
X2 = 10 X1 = 20 X2 X2 = 16 X1 = 8

18

16

Solución: 14

12 2
X1 = 4
X2 = 8 10

18
8
Z = $2720 Plano
6 de
Soluciones 1
X1
6 8 10 12 14 16 18 20

Maximizar Z = 12X1 + 4X2 (Cuaderno Pág. 63-A)


s.a. X1 + 2X2 < 800
X1 + 3X2 < 600
2X1 + 3X2 < 2000
X1, X2 > 0

Varia No. de Z X1 X2 X3 X4 X5 Lado


ble ecuació derech
básica n o
Z 0 1 -12 -4 0 0 0 0
X3 1 0 1 2 1 0 0 800
X4 2 0 1 3 0 1 0 600
X5 3 0 2 3 0 0 1 2000

Varia No. de Z X1 X2 X3 X4 X5 Lado


ble ecuació derech
básica n o
Z 0 1 0 32 0 12 0 7200
X3 1 0 0 -1 1 -1 0 200
X1 2 0 1 3 0 1 0 600
X5 3 0 0 -3 0 -2 1 800

X1 = 600
X2 = 0
Z = 7200

Comprobación:

19
0 12 0 800 7200
1 -1 0 600 = 200
0 1 0 2000 600
0 -2 1 800

Max. Z = 2X1 + X2 + 3X3 (Libro del Politécnico Pág. 91


s.a. X1 + X2 + X3 < 6 cuaderno Pág. 78-A)
2X1 + 3X2 + x3 ≤ 9
4X1 + 2X2 + x3 = 10
X1, X2, X3 ≥ 0

X1 + X2 + X3 + X4 = 6 (1)

2X1 + 3X2 + X3 + X5 = 9 (2)

4X1 + 2X2 + X3 + X*6 = 10 (3)

Max Z = 2X1 + X2 + 3X3 - MX*6

Z - 2X1 - X2 - 3X3 + MX*6 = 0 (0)


-M(4X1 + 2X2 + X3 + X*6 = 10)
Z + X1 (-2 –4M) + X2 (-1 –2M) + X3 (-3 –M) = -10M

Varia No. de Z X1 X2 X3 X X X* Lado


ble ecuaci 4 5 6 Derec
básica ón ho
Z 0 1 -2- -1- -3- 0 0 0 -10M
4M 2M M
X4 1 0 1 1 1 1 0 0 6
X5 2 0 2 3 1 0 1 0 9
X*6 3 0 4 2 1 0 0 1 10

Varia No. de Z X X2 X3 X X X*6 Lado


ble ecuaci 1 4 5 Derecho
básica ón
Z 0 1 0 0 - 0 0 1/2+ 5
5/ M
2

20
X4 1 0 0 ½ ¾ 1 0 -1/4 7/2
X5 2 0 0 2 ½ 0 1 -1/2 4
X1 3 0 1 1/ 1/ 0 0 1/4 5/2
2 4

Varia No. de Z X X2 X3 X4 X5 X*6 Lado


ble ecuaci 1 derech
básica ón o
z 0 1 0 5/3 0 10/ 0 - 50/3
3 1/3+
M
X3 1 0 0 2/3 1 4/3 0 -1/3 14/3
X5 2 0 0 5/3 0 - 1 -1/3 5/3
2/3
X1 3 0 1 1/3 0 - 0 1/3 4/3
1/3

Z = 50/3
X1 = 4/3
X2 = 0
X3 = 14/3

Minimizar Z = 3X1 + 5X2


s.a. 2X1 – 5X2 > 8 (1)
X1 + X2 < 5 (2)
X1 - 3X2 = 7 (3)
X1 , X2 > 0

De la Inecuación (1)
(2X1 – 5X2 > 8) (-1)
-2X1 + 5X2 < -8
(-2X1 + 5X2 + X3 = -8) (-1)
2X1 –5X2 – X3 + X*4 = 8 (1)

De la inecuación (2)
X1 + X2 < 5
X1 + X2 + X5 = 5 (2)

21
De la inecuación (3)
X1 – 3X2 = 7
X1 – 3X2 + X*6 = 7 (3)

De la inecuación (0)
Min Z = 3X1 + 5X2
(Min Z = 3X1 + 5X2) (-1)
Max -Z = -3X1 - 5X2 + 0X3 + 0X5 – MX*4 – MX*6
Max -Z + 3X1 + 5X2 + MX*4 + MX*6 = 0
Max -Z + 3X1 + 5X2 + MX*4 + MX*6 = 0
(2X1 – 5X2 – X3 + X*4 = 8) (-M)

-Z + (3 –2M)X1 + (5 +5M)X2 + MX3 + MX*6 = -8M


(X1 – 3X2 + X*6 = 7) (-M)

-Z + (3 –3M)X1 + (5 + 8M)X2 + MX3 = -15M (0)

Varia No. de Z X1 X2 X3 X* X5 X* Lado


ble ecuaci 4 6 derech
básica ón o
Z 0 -1 3- 5+8 M 0 0 0 -15
3M M
X*4 1 0 2 -5 -1 1 0 0 8
X5 2 0 1 1 0 0 1 0 5
X*6 3 0 1 -3 0 0 0 1 7

NOTA: Este problema no tiene solución, se checo con el programa Tora.

Minimizar Z = 0.4X1 + 0.5X2 Z = 4X1 + 5X2


s.a. 0.3X1 + 0.1X2 < 2.7 3X1 + X2 < 27
0.5X1 + 0.5X2 = 6 5X1 + 5X2 = 60
0.6X1 + 0.4X2 > 6 6X1 + 4X2 > 60
X1, X2 > 0 X1, X2 > 0

22
De la inecuación (1)
3X1 + X2 + X3 = 27 (1)

De la inecuación (2)
5X1 + 5X2 + X*4 = 60 (2)

De la inecuación (3)
6X1 + 4X2 – X5 + X*6 = 60 (3)
(Min Z = 4X1 + 5X2) (-1)
Max -Z = - 4X1 – 5X2 – MX*4 – MX*6

-Z + 4X1 + 5X2 + MX*4 + MX*6 = 0


-M(5X1+ 5X2 + X*4 = 60)

-Z + X1(4 – 5M) + X2(5 – 5M) + MX*6 = - 60M


-M(6X1 + 4X2 – X5 + X*6 = 60)

-Z + X1(4 – 11M) + X2(5 – 9M) + MX5 = -120M (0)

Varia No. de Lado


ble ecuaci Z X1 X2 X5 X3 X* X*6 derech
básica ón 4 o
Z 0 -1 4-11M 5–9 M 0 0 0 -120M
M
X3 1 0 3 1 0 1 0 0 27
X*4 2 0 5 5 0 0 1 0 60
X*6 3 0 6 4 -1 0 0 1 60

Varia No. de Lado


ble ecuaci Z X1 X2 X5 X3 X*4 X* derech
básica ón 6 o
Z 0 -1 0 11/3 – M -4/3 0 0 -36-
16/3M + 21M
11/3
M
X1 1 0 1 1/3 0 1/3 0 0 9

23
X*4 2 0 0 10/3 0 -5/3 1 0 15
X*6 3 0 0 2 -1 -2 0 1 6

Varia No. de Lado


ble ecuaci Z X1 X2 X5 X3 X* X*6 derech
básica ón 4 o
Z 0 -1 0 0 11/6 7/3 0 - - 47 –
– – 11/6 5M
10/6 5/3 +
M M 16/6
M
X1 1 0 1 0 1/6 2/3 0 -1/6 8

X*4 2 0 0 0 10/6 5/3 1 -5/3 5

X2 3 0 0 1 -1/2 -1 0 1/2 3

Varia No. de Lado


ble ecuaci Z X1 X2 X5 X3 X*4 X* derech
básica ón 6 o
Z 0 -1 0 0 0 1/2 - M 315/6
11/10+
M
X1 1 0 1 0 0 1/2 -1/10 0 15/2

X5 2 0 0 0 1 1 3/5 -1 3
X2 3 0 0 1 0 - 3/10 0 9/2
1/2

X1 =
15/2
X2 =
9/2 Min. Z = 32X1 + 8X2
Z = s.a. X1 > 200
5.25 2X1 + X2 > 300
X1, X2 > 0

De la inecuación (1):
X1 – X3 + X*4 = 200 (1)

24
De la inecuación (2):
2X1 + X2 – X5 + X*6 = 300 (2)

(Min. Z = 32X1 + 8X2) (-1)


Max. –Z = -32X1 – 8X2 – X*4 – X*6

-Z + 32X1 + 8X2 + MX*4 + MX*6 = 0


-M(X1 – X3 + X*4 = 200)

-Z + X1(32 – M) + 8X2 + MX3 + MX*6 = -200M


-M(2X1 + X2 –X5 + X*6 = 300)

-Z + X1(32 – 3M) + X2(8 – M) + MX3 + MX5 = -500M (0)

Varia No. de Z X1 X2 X3 X5 x* x Lado


ble ecuaci 4 *6 derech
básica ón o
Z 0 -1 32- 8-M M M 0 0 -500M
3M
X*4 1 0 1 0 -1 0 1 0 200
X*6 2 0 2 1 0 -1 0 1 300

Varia No. de Z X X2 X3 X5 x x*6 Lado


ble ecuaci 1 *4 derecho
básica ón
Z 0 -1 0 -8 + M 16 – 0 - -4800 –
1/2M 1/2 16+3/2 50M
M M
X*4 1 0 0 -1/2 -1 1/2 1 -1/2 50
X1 2 0 1 1/2 0 -1/2 0 1/2 150

Varia No. de Z X X2 X3 X X*4 X* Lado


ble ecuaci 1 5 6 derech
básica ón o
Z 0 -1 0 8 32 0 - M -6400
32+
M

25
X5 1 0 0 -1 -2 1 2 -1 100
X1 2 0 1 0 -1 0 1 0 200

Comprobación:

-32 + M M 200 -6400 + 500M


2 -1 300 = 100
1 0 200

X1 = 200
X2 = 0
Z = 6400

DUALIDAD
Dado un conjunto cualquiera de datos para un modelo de programación lineal,
podemos usar los mismos datos para formar un modelo de programación lineal
diferente. El problema resultante se llamará Dual del origen. El Dual tiene
importancia teórica, económica y computacional que vamos a analizar. Primero,
vamos a ver como se forma exactamente el problema dual.

Reglas de transformación.

Para examinar la teoría de la dualidad en una forma satisfactoria tenemos que


desechar la restricción de que las variables de un modelo de programación lineal
sean no negativas. Por ejemplo, consideremos el siguiente problema.

Problema (E1)

Max 3X1 + 4X2 – 2X3


s.a. 4X1 –12X2 + 3X3 ≤ 12
- 2X1 + 3X2 + X3 ≤ 6
- 5X1 + X2 – 6X3 ≥ -40
3X1 + 4X2 – 2X3 = 10
X1 ≥ 0, X2 ≤ 0, X3 no restringida en signo.
Vemos en este problema la presencia de todos tipos de restricciones (<, > y =),
Además, hemos desechado, el requerimiento de que todas las variables deban ser
no negativas. En este ejemplo, sólo hemos requerido que X1 sea no negativa. Se ha

26
requerido que la variable X2 sea no positiva y X3 carece de restricción de signo.
(Es decir, el valor óptimo de X3 podrá ser positivo, negativo o cero). El dual de
este problema (El) se formula aplicando las siguientes reglas.

REGLA 1.- El número de Variables del problema dual es igual al número de


restricciones del problema original.
El número de restricciones del problema dual es igual al número de variables del
problema original.

REGLA 2.- Los coeficientes de la función objetivo en el problema dual serán el


vector de recursos del problema original. La función objetivo del problema dual
será:

Z = 12Y1 + 6Y2 – 40Y3 + 10Y4

REGLA 3.- Si el problema original es un modelo de maximización, el dual será uno


de minimización. Si el problema original es uno de minimización, el dual será uno
de maximización.

Min Z = 12Y1 + 6Y2 – 40Y3 + 10Y4

REGLA 4.- Los coeficientes de la primera función de restricción de los


problemas dual son los coeficientes de la primera variable en las restricciones del
problema original, y en forma análoga para las otras restricciones.

s.a. 4Y1 – 2Y2 – 5Y3 + 3Y4


-12Y1 + 3Y2 + Y3 + 4Y4
3Y1 + Y2 – 6Y3 – 2Y4

REGLA 5.- Los lados derechos de las restricciones duales son los coeficientes de
la función objetivo del problema original.

Función de restricción LD
4Y1 – 2Y2 – 5Y3 + 3Y4 3
-12Y1 + 3Y2 + Y3 + 4Y4 4

27
3Y1 + Y2 – 6Y3 – 2Y4 -2

REGLA 6.- El sentido de iésima restricción dual es = si y solo si la iésima


variable del problema original no tiene restricción de signo.

3Y1 + Y2 – 6Y3 – 2Y4 = -2

REGLA 7.- Si el problema original es un modelo de maximización (minimización),


entonces, después de aplicar la regla 6, asigne a las restricciones duales el mismo
(opuesto) sentido a la variable correspondiente del problema original.

Y1 – 2Y2 – 5Y3 + 3Y4 > 3


-12Y1 + 3Y2 + Y3 + 4Y4 < 4

REGLA 8.- La i-ésima variable del problema dual no tendrá restricción del signo
si y solo si la i-ésima restricción del problema original es una igualdad.

REGLA 9.- Si el problema original es un problema de maximización


(minimización), entonces, después de aplicar la regla 8 asigne a las demás
variables duales el signo contrario (el mismo signo) que las restricciones
correspondientes en el problema original.

Y1 ≥ 0 Y2 ≥ 0 Y3 ≤ 0 Y4 no restringida en signo

Ejemplos:

PRIMAL:
Min –2X1 – X2 – 4X3 – 5X4
s.a. X1 + 3X2 + 2X3 + 5X4 ≤ 20
2X1 + 16X2 + X3 + X4 ≥ 4
3X1 – X2 – 5X3 + 10X4 ≤ -10
X1, X2, X3, X4 ≥ 0

DUAL:
Max 20y1 + 4y2 – 10y3
s.a y1 + 2y2 + 3y3 ≤ -2

28
3y1 + 16y2 – y3 ≤ -1
2y1 + y2 – 5y3 ≤ -4
5y1 + y2 + 10y3 ≤ -5
y1 ≤ 0, y2 ≥ 0, y3 ≤ 0

PRIMAL:
Min. Z = X1 + 12X2 – 2X3
s.a 4X1 + 2X2 + 12X2 ≤ 10
2X1 – X2 + 11X3 ≥ -2
X1 ≤ 0, X2 no restringida en signo, X3 ≥ 0

DUAL:
Max Z = 10Y1 – 2Y2
s.a. 4Y1 + 2Y2 ≥ 1
2Y1 – Y2 = 12
12Y1 + 11Y2 ≤ -2
Y1 ≤ 0, Y2 ≥ 0

INTERPRETACIÓN ECONÓMICA DEL PROBLEMA DUAL

Por ejemplo, a menudo, el problema primal tiene la interpretación de encontrar


niveles de maximización de utilidad de la producción sujeta a restricciones sobre
escasez de recursos. ¿Cómo se interpretaría el dual de este problema? Puesto
que el dual sería un problema de minimización, diríamos que es un modelo de
minimización de costos. Pero ¿minimizar el costo de hacer qué? El siguiente
panorama dará la respuesta a esta pregunta.

Supóngase que una firma posee dos fábricas en dos diferentes distritos
mercantiles. Por simplicidad, supóngase que cada fábrica usa las mismas tres
materias primas, escasas. La fábrica 1 elabora dos productos, tales como
segadoras de pasto y esparcidoras, en las cantidades X1 y X2. La fábrica 2
elabora tres diferentes productos, perillas para puertas, manijas para
refrigerador y cencerros para el ganado, en las cantidades Z1, Z2, y Z3, y la
fábrica 2 usa precisamente las mismas materias primas que la fábrica 1. Los
datos de la fábrica 1 se dan en la figura siguiente.

29
Datos de la fábrica 1
Insumo por Insumo por Disponibilidad
Materia prima segadora de pasto aspersora total

1 6 4 38
2 1 3 34
3 10 7 44
Redituabilidad 4 3
por unidad

Modelo de producción de la fábrica 1

Max 4X1 + 3X2


s.a. 6X1 + 4X2 < 38
X1 + 3X2 < 34
10X1 + 7X2 < 44
X1 , X2 > 0

Modelo de producción de la fábrica 2

Max 6Z1 + 2Z2 + Z3


s.a. 4Z1 + 2Z2 + 7Z3 < 54
3Z1 + 9Z2 + 8Z3 < 126
6Z1 + 5Z2 + 2Z3 < 33
Z1, Z2, Z3 > 0

Datos de la fábrica 2
Materia prima Insumo por Insumo por manija Insumo por Disponibilidad
perilla de refrigerador cencero total

30
1 4 2 7 54
2 3 9 8 126
3 6 5 2 33
Redituabilidad
por unidad 6 2 1

¿QUÉ ES UN PRECIO JUSTO?

Recordemos ahora nuestros supuestos de que la misma empresa posee ambas


fábricas y que éstas están situadas en diferentes distritos mercantiles.
Supongamos también que las tres materias primas son escasas porque
transcurren largos plazos para su reparto. Supongamos ahora que el
administrador obtiene información de que por diversas razones económicas, los
precios (es decir, las utilidades) en el distrito de la fábrica 2 van a subir en
forma drástica. No se sabe exactamente cuánto van a aumentar, pero el
administrador confía en que el aumento será tan grande que conviene que la
fábrica 2 se haga cargo de toda la producción. Así, todas las existencias de la
fábrica 1 de materias primas deberán transferirse a la fábrica 2. Sin embargo el
administrador decide que la fábrica 2 deberá pagar un “precio justo” a la fábrica
1 por las transferencias de esas materias primas. ¿Cuál será ese precio?.

Intuitivamente parece claro que, al menos desde el punto de vista de la fábrica 1,


el precio justo sería aquel que igualase la máxima utilidad posible que ésta
obtendría si retuviese el uso de sus recursos, que ahora se van a pasar a la
fábrica 2. Este es el V.O. de la fábrica 1 y sería un justo “pago por paquete” por
las tres materias primas. La firma, sin embargo, necesita saber más que el pago
en paquete. Debe tener precios por unidad de cada material. Estos precios se
necesitan para el informe financiero (es decir, para el impuesto).

Toda la contabilidad para productos individuales se formula sobre una base por
artículo. La firma debe encontrar precios “justos” por unidad que puedan aceptar
el escrutinio de una revisión cuidadosa. Para obtener precios “justos” por unidad
haremos las siguientes observaciones. Si la fábrica 2 paga por unidad precios de
Y1, Y2, y Y3 por las materias primas, puesto que la fábrica 1 posee 38, 34 y 44
unidades, respectivamente, de cada materia prima.

31
Cantidad que paga la fábrica 2 = 38y1 + 34Y2 + 44Y3

La fábrica 2 quiere obtener la máxima utilidad posible, por lo que su meta es

Min 38Y1 + 34Y2 + 44Y3

Sin embargo, la fábrica 1 quiere asegurarse de que obtendría tanta utilidad como
si permaneciese en el negocio por si misma. En los datos que muestra la tabla de
datos de la fábrica 1, vemos que si la fábrica 1 tuviese 6 unidades de la materia
prima1, 1 unidad de ka materia prima 2 y 10 unidades de ka materia prima 3,
podría producir una segadora de pasto para obtener una utilidad de $4. Recuerde
que Y1 es el precio de venta de la materia i . Así, la fábrica 1 insistirá en que

6Y1 + Y2 + 10Y3 > 4

Si esta condición no se sostiene, la fábrica 1 preferirá no vender sus materias


primas a la fábrica 2. Usando las materias primas para producir segadoras de
pasto producirá más utilidades. De igual manera, la fábrica 1 insistirá en que

4Y1 + 3Y2 + 7Y3 > 3

De otro modo, resulta más provechosos fabricar aspersoras que vender las
materias primas a la fábrica 2. En síntesis, entonces, el problema de determinar
precios justos consiste en

Min 38Y1 + 34Y2 + 44Y3


s.a. 6y1 + y2 + 10y3 > 4
4Y1 + 3Y2 + 7Y3 > 3
Y1, Y2 > 0

Y este problema es el dual de (F1). Con esto hemos demostrado que el dual del
problema de producción tiene la siguiente interpretación.

Proporciona “precios justos” en el sentido de que producen el pago mínimo


aceptable de liquidación.

32
INTERPRETACIÓN COMPUTACIONAL DEL PROBLEMA DUAL

Cuando se usa el algoritmo simples para resolver un problema de programación


lineal, resulta que se obtienen las soluciones óptimas tanto del problema original,
que puede ser de maximización o de minimización, como de su dual Ya hemos visto
este hecho sobre el listado de resultados por computadora (sujeta a un posible
cambio de signo) y será demostrado matemáticamente en el capítulo 6. Así es
que se requiere resolver un problema particular puede continuar con la resolución
directa del problema. En forma alterna, se puede tomar el problema dual del
original y resolverlo en la computadora. Esto producirá una solución del dual del
dual, que es el problema original. Puesto que cada una de estas rutas posibles
conduce al mismo resultado, será interesante, desde el punto de vista de la
computación, inquirir cuál es el procedimiento más eficiente.

Para ilustrar esta cuestión, debe tomarse nota del hecho empírico de que el
tiempo requerido para resolver un programa lineal depende críticamente más del
número de restricciones que el número de variables. Si el problema original tiene
m restricciones y n variables, el problema dual tendrá n restricciones y m
variables. Es entonces evidente que, siendo igual todo lo demás, se debe escoger
resolver el problema que tenga menos restricciones.

Aunque la regla práctica anterior es una prescripción general razonablemente


buena, cuando hay que habérselas con modelos bastante grandes y estructurados
puede fallar, por que en tales casos los demás factores pueden no ser iguales. Las
posibles razones para apartarse de esta regla práctica tienden a ser de
naturaleza demasiado técnica. En algunos casos, sin tomar en cuenta el número
de restricciones, uno de los dos problemas, debido a su forma, puede ser resuelto
mediante un código especial, como el que llamamos código de redes, en oposición
al código PL de índole general. Sin embargo, el otro problema puede no tener la
estructura especial requerida y, por lo tanto, quizá deba ser resuelto con el
código de índole general. Puesto que los códigos de estructuras especiales
tienden a ser más eficientes en el cómputo que los de índole general, ésta es una
consideración importante.
Otras consideraciones técnicas se refieren al hecho de que, aun con un código
general de programación lineal, puede ser mas fácil “arrancar” con un problema
que con el otro.

33
La elección entre resolver el problema original o su dual no tiene demasiada
importancia para el cómputo cuando se trata de problemas pequeños, digamos
cuando ambos modelos tienen unos cuántos cientos de restricciones, ya que
dichos problemas pueden ser manejados a gran velocidad por los equipos de
computación modernos. Cuando los problemas se complican, en el rango de varios
miles de restricciones, la elección entre el problema original y su dual llega a ser
muy importante. En estos casos, la consulta técnica con un profesional de la
programación lineal bien puede ser valiosa.

SENSIBILIDAD

El análisis de sensibilidad constituye una parte muy esencial en casi todos los
estudios de programación lineal. Dado que algunos o todos los valores de los
parámetros que se emplean en el modelo original son sólo estimaciones de las
condiciones futuras, es necesario investigar el efecto que se tendría sobre la
solución óptima en caso de que prevalecieran otras condiciones. Aún más, ciertos
valores de estos parámetros (como la cantidad de recursos) pueden representar
decisiones de la gerencia, en cuyo caso de su elección debe ser el punto más
importante de la investigación y, por supuesto, se puede estudiar a través del
análisis de sensibilidad.

El análisis de sensibilidad se basa en la proporción de que todos los datos con


excepción de una parte en el problema, se conservan fijos y que pedimos
información sobre el efecto del cambio en esta parte de los datos a la que se
permite variar. La información en la que podríamos estar interesados incluye: (1)
el efecto sobre el VO (es decir, la máxima utilidad posible) y (2) el efecto sobre
la política óptima E*, F*

PROBLEMA

PROTRAC, Inc, produce dos líneas de equipo pesado. Una de estas líneas de
productos (llamada equipo para remoción de escombros) se destina esencialmente

34
a aplicaciones de construcción. La otra línea (llamada equipos forestales) está
destinada a ala industria maderera. El miembro más grande de la línea de equipos
para remover escombro (el E-9) y el miembro mayor de la línea de equipos
forestales (el F-9) se producen en el mismo departamento y con el mismo equipo.
Haciendo uso de las predicciones económicas para el próximo mes, el gerente de
mercadotecnia de PROTRAC juzga que durante ese periodo será posible vender
todos los E-9 y F-9 que la empresa pueda producir. La administración debe ahora
recomendar una meta de producción para el próximo mes. Es decir, ¿cuántos E-9s
y F-9s deben producirse?

En la toma de decisión , los principales factores a considerar son los siguientes:


PROTRAC tendrá una utilidad de $5000 por cada E-9 que se venda y $4000 por
cada F-9. Cada producto pasa por operaciones mecánicas tanto en el
departamento A como en el departamento B.

Para la producción del próximo mes, estos dos departamentos tienen disponibles
150 y 160 horas, respectivamente. Cada E-9 consume 10 horas de operación
mecánica en el departamento A y 20 horas en el departamento B, mientras que
cada F-9 consume 15 horas en el departamento A y 10 horas en el departamento
B. Estos datos se resumen en la figura siguiente.

Horas
Departament E-9 F-9 Total disponible
o

A 10 15 150
B 20 10 160

Con el objeto de cumplir un compromiso un compromiso con el sindicato, el total


de horas de trabajo que se dedicarán a la verificación de los productos
terminados del próximo mes no puede ser menos en 10% a una meta establecida
de 150 horas. Esta verificación se realiza en un tercer departamento que no tiene
relación con las actividades de los departamentos A y B. cada E-9 requiere de 30
horas de comprobación y cada F-9, 10. puesto que el 10% de 150 es 15, el total de

35
horas de trabajo destinadas a la verificación no puede ser menos de 135. estos
datos se concentran en la figura .

Requerimientos en
1 E-9 1 F-9 total de horas
Horas
para verificación 30 10 135

Formulación completa del problema de la PROTRAC, Inc.

Max 5000E + 4000F (función objetivo)

s.a. 10E + 15F < 150 (horas en el departamento A) (1)


F 20E + 10F < 160 (horas en el departamento B) (2)

30E + 10F > 135 (horas de comprobación) (3)


E - 3F < 0 (restricción de mezcla) (4)
11 E+ F > 5 (total de unidades requeridas) (5)
E,F > 0 (condiciones de no negatividad)
9
Plano de soluciones factibles
7 3
Línea de la función objetivo
5 Plano
5
3 4
1
1 2
E
1 3 5 7 9 11 13 15 17

36
SENSIBILIDAD DE COEFICIENTES DE LA FUNCIÓN OBJETIVO

Consideremos incrementos en el coeficiente de F en la función objetivo, es decir,


en su redituabilidad por unidad, en tanto que el coeficiente de E se mantiene fijo.
Hemos visto en la figura, que los contornos de la función objetivo tenderán a ser
más horizontales (tiene una pendiente menos negativa) cuando este coeficiente
aumenta. Refiriéndonos a la figura anterior vemos que la solución óptima
permanece en el vértice E* = 4.5, F*= 7.0 hasta que el coeficiente de F aumenta
lo suficiente como para que los contornos de la función objetivo sean paralelos a
la restricción (3). Cuando esto ocurra, habrá soluciones óptimas alternativas, el
vértice actual (E* = 4.5, F* = 7.0) y el vértice determinado por la intersección
de las restricciones (3 y 5).

Si el coeficiente de F continua creciendo, la solución actual (E* = 4.5, F* = 7.0) ya


no será óptima y el punto determinado por la intersección de las restricciones
(3 y 5) será el único óptimo. El aumento permisible para el coeficiente de F es así
determinado por el aumento en el coeficiente que hace que los contornos de la
función objetivo sean paralelos a la restricción (3). Podemos preguntar, ¿Cuándo
sucede esto?.

Los contornos de la función objetivos serán paralelos a la restricción (3) cuando


ambas rectas tengan la misma pendiente, lo que significa que los coeficientes
deberán satisfacer la siguiente igualdad.

Coeficiente de E en (3) = coeficiente de E en objetivo


Coeficiente de F en (3) = coeficiente de F en objetivo

Lo cual implica que


10 = 5000
15 coeficiente de F en objetivo

de lo cual se obtiene el coeficiente de F en el objetivo = (5000)(15/10) = 7500

En la función objetivo, el coeficiente actual de F en la función objetivo es 4000.


Esta llega a ser paralela a (3), es decir, ocurren óptimos alternativos si este
valor aumenta a 7500. Entonces la solución óptima actual permanece vigente en

37
tanto que el incremento de F sea < 3500. Esto es lo que se llama aumento
permisible del coeficiente de F. Es el valor que se muestra en la figura 5.6 bajo
el rubro “ALLOWABLE INCREASE” para F. Esta combinación de álgebra y
geometría explica tanto el significado como el valor de este dato en el resultado
computacional. Mas aún, mediante la observación de cómo afecta el cambio de los
coeficientes a la pendiente de la función objetivo, podemos hacer las siguientes
generalizaciones importantes.

EFECTO SOBRE LOS CONTORNOS DE LA FUNCIÓN OBJETIVO

El cambio de los coeficientes de la función objetivo altera la pendiente de los


contornos de ésta. Esto puede afectar o no a la solución óptima y al valor óptimo
de la función objetivo

Recordamos ahora que cuando el coeficiente de F aumenta (conservándose fijo el


coeficiente de E) obtendremos finalmente una nueva solución en la que el valor
óptimo de F habrá aumentado. Esto concuerda con la intuición, ya que un aumento
en la redituabilidad de F no motivará que produzcamos F a un nivel más bajo. Esto
ilustra el concepto general de que

EFECTO SOBRE LA ACTIVIDAD EN UN MODELO DE MAXIMIZACIÓN

Es un modelo de maximización el aumento en la redituabilidad de una actividad,


conservando invariables los demás datos, no puede reducir el nivel óptimo de esa
actividad.

La situación para un modelo de minimización de costos es precisamente lo inverso.


Puesto que se quiere minimizar el costo total, no se esperará que cuándo se
aumenten los costos de una actividad, mientras se mantienen constantes los
demás datos, se puede llegar aun nivel óptimo mayor de esa actividad. Eso ilustra
el concepto general de que

38
EFECTOS SOBRE LA ACTIVIDAD EN UN MODELO DE MINIMIZACIÓN

En un modelo de minimización el aumento en el costo de una actividad,


conservando invariables los demás datos, no puede aumentar el nivel óptimo de
dicha actividad.

Considere el siguiente PL.

Maximizar 20X1 + 10X2


s.a. X1 + 2X2 < 120
X1 + X2 < 90
X1 < 70
X2 < 50
X1 > 0; X2 > 0

Tabla final

Variable No. de Lado


básica ecuación Z X1 X2 X3 X4 X5 X6 derecho

Z 0 1 0 0 0 10 10 0 1600
X3 1 0 0 0 1 -2 1 0 10
X2 2 0 0 1 0 1 -1 0 20
X1 3 0 1 0 0 0 1 0 70
X6 4 0 0 0 0 -1 1 1 30

Resuelva el problema haciendo los siguientes cambios.


Cambios bi: (b1, b2, b3, b4) = (100, 70, 70, 40)
Cambios Ci: (C1, C2) = (15, 20)

39
Comprobación:

0 10 10 0 120 1600
1 -2 1 0 90 10
0 1 -1 0 70 = 20
0 0 1 0 50 70
0 -1 1 1 30

0 10 10 0 100 1400
1 -2 1 0 70 30
0 1 -1 0 70 = 0
0 0 1 0 40 70
0 -1 1 1 40

Variable No. de Lado


básica ecuación Z X1 X2 X3 X4 X5 X6 derecho

Z 0 1 5 0 0 10 10 0 1400
X3 1 0 0 0 1 -2 1 0 30
X2 2 0 0 1 0 1 -1 0 0
X1 3 0 1 0 0 0 1 0 70
X6 4 0 0 0 0 -1 1 1 40

0 10 10 0 1 20 20 – 15 = 5
1 -2 1 0 1 0
0 1 -1 0 1 = 0
0 0 1 0 0 1
0 -1 1 1 0

40
Variable No. de Lado
básica ecuación Z X1 X2 X3 X4 X5 X6 derecho

Z 0 1 0 0 0 10 5 0 1050
X3 1 0 0 0 1 -2 1 0 30
X2 2 0 0 1 0 1 -1 0 0
X1 3 0 1 0 0 0 1 0 70
X6 4 0 0 0 0 -1 1 1 40

0 10 10 0 2 10 10 – 20 = -10
1 -2 1 0 1 0
0 1 -1 0 0 = 1
0 0 1 0 1 0
0 -1 1 1 0

Variable No. de Lado


básica ecuación Z X1 X2 X3 X4 X5 X6 derecho

Z 0 1 0 -10 0 10 5 0 1050
X3 1 0 0 0 1 -2 1 0 30
X2 2 0 0 1 0 1 -1 0 0
X1 3 0 1 0 0 0 1 0 70
X6 4 0 0 0 0 -1 1 1 40

Variable No. de Lado


básica ecuación z X1 X2 X3 X4 X5 X6 derecho

Z 0 1 0 0 0 20 -5 0 1050
X3 1 0 0 0 1 -2 1 0 30
X2 2 0 0 1 0 1 -1 0 0
X1 3 0 1 0 0 0 1 0 70
X6 4 0 0 0 0 -1 1 1 40

41
Variable No. de Lado
básica ecuación Z X1 X2 X3 X4 X5 X6 derecho

Z 0 1 0 0 5 10 0 0 1200
X5 1 0 0 0 1 -2 1 0 30
X2 2 0 0 1 1 -1 0 0 30
X1 3 0 1 0 -1 2 0 0 40
X6 4 0 0 0 -1 1 0 1 10

Para este problema, la solución es:


X1 = 40
X2 = 30
Z = 1200

Si comprobamos todos los cambios, resolviendo el modelo como uno original, el


resultado sería el mismo.

PROBLEMAS DE TRANSPORTE

La programación lineal es el caballito de batalla de los modelos cuantitativos. La


aptitud para manejar cientos de restricciones, miles de variables de decisión, y la
increíble cantidad de iteraciones que esos números implican, hacen que la
programación lineal (PL) sea un instrumento para una gran variedad de problemas.

En los problemas de transporte, el administrador debe determinar como hacer


llegar los productos de sus diversos almacenes a sus consumidores con el objeto
de satisfacer la demanda a un costo mínimo. Este modelo es importante debido a
sus exitosas aplicaciones y por que se puede resolver en forma rápida y eficiente
mediante algoritmos especiales.

EJEMPLO 1
La PROTRAC tiene cuatro plantas ensambladoras en Europa. Están ubicadas en:
(1) Leipzig Alemania Oriental
(2) Nancy Francia
(3) Lieja Bélgica
(4) Tilburgo Holanda

42
Las máquinas ensambladoras usadas en esas plantas se producen en E.U. y se
embarcan a Europa, llegan a los puertos de Amsterdam (A), Amberes (B), El
Havre (C).
Los planes de producción del tercer trimestre (julio-septiembre) ya han sido
formulados. Los requerimientos (La demanda en destinos) de motores diesel E-4
son las siguientes:

PLANTA CANTIDAD DE MOTORES

(1) LEIPZIG 400

(2) NANCY 900

(3) LIEJA 200

(4) TILBURGO 500

2000

La cantidad disponible de máquinas E-4 en los puertos (la oferta en orígenes) a


tiempo para usarse en el tercer trimestre, se muestra enseguida:

PUERTO CANTIDAD D’ MOTORES

(A) AMSTERDAM 500

(B) AMBERES 700

(C) EL HAVRE 800

2000

PROTRAC debe decidir cuántas máquinas enviará de cada puerto a cada planta.
Las máquinas se envían a través de los transportes comunes y se paga un cargo
por máquina. Los costos pertinentes se muestran enseguida.

Costo del transporte de un motor desde un origen hasta un destino.

43
DESDE ÉL AL DESTINO

ORIGEN 1 2 3 4

A 12 13 4 6

B 6 4 10 11

C 10 9 12 4

Amsterdam (A) . . Tilburgo (4)

. Leipzig (1)
Amberes (B) .

. Lieja (3)

.
El Havre (C)

. Nancy (2)

Las variables de decisión son:


Xij = Número de motores enviados del puerto i a la planta j.
i = A, B, C
j = 1, 2, 3, 4

El objetivo. 12XA1 + 13XA2 + ........ + 4XC4


El problema tiene dos tipos de restricciones:

44
1.- El número de artículos embarcados desde un puerto no puede exceder el
número disponible. Por ejemplo,

XA1 + XA2 + XA3 + XA4

Es el número total de motores embarcados desde A. Puesto que sólo hay


500 motores disponibles en A, la restricción es

XA1 + XA2 + XA3 + XA4 < 500

Se requiere una restricción similar para cada origen

2.- Debe ser satisfecha la demanda de cada planta. Por ejemplo,

XA1 + XB1 + XC1

Es el número total de motores enviados a la planta 1. Puesto que la demanda


de la planta 1 es de 400 motores, la restricción será

XA1 + XB1 + XC1 = 400

Se requiere una restricción similar para cada planta.

MIN 12XA1 + 13XA2 + 4XA3 + 6XA4 + 6XB1 + 4XB2 + 10XB3 + 11XB4 + 10XC1 +
9XC2 + 12XC3 + 4XC4

Sujeto a 1) XA1 + XA2 + XA3 + XA4 < 500


2) XB1 + XB2 + XB3 + XB4 < 700
3) XC1 + XC2 + XC3 + XC4 < 800
4) XA1 + XB1 + XC1 = 400
5) XA2 + XB2 + XC2 = 900
6) XA3 + XB3 + XC3 = 200
7) XA4 + XB4 + XC4 = 500

Valor de la función objetivo = 12 000

45
SOLUCIÓN DEL PROBLEMA DE TRANSPORTE

REGLA DE LA ESQUINA NOROESTE

1. Comience en la esquina superior izquierda (origen A, destino 1) y asigne a


esa celdilla tantas unidades como sea posible. Esto es, use toda la oferta
del origen A que se pueda, para satisfacer la demanda del destino 1. Esto
significa que la cantidad asignada será el mínimo entre la oferta en A y la
demanda en 1.
2. Reduzca la oferta actual disponible del origen y la demanda actual
insatisfecha del destino en la cantidad asignada.
3. Identifique el primer origen con oferta disponible. Este es o bien el origen
actual o el que está directamente abajo.
4. Identifique el primer destino con demanda insatisfecha. Este es o bien el
destino actual o el que está inmediatamente a la derecha de él.
5. Asigne, como en el paso 1, tantos artículos como sea posible a la ruta
asociada con la combinación de origen-destino identificados en los pasos 3
y 4.
6. Regrese al paso 2.

ORIGE 1 1 2 3 4 OFERTA

12 13 4 6

A
400 100 500 100
0

6 4 10 11
B
700 700 0

10 9 12 4
800 700

C 100 200 500 500 0

DEMANDA 400 900 200 500


0 0 0 0

46
Función objetivo Z = 12XA1 + 13XA2 + 4XB2 + 9XC2 + 12XC3 + 4XC4
Z = 12(400) + 13(100) + 4(700) + 9(100) + 12(200) + 4(500)
Z = 14200.00

MÉTODO DE APROXIMACIÓN DE VOGEL

1. Para cada renglón con una oferta disponible y cada columna con una
demanda insatisfecha, calcule un costo de penalidad restando el dato
menor del que le sigue en valor.
2. Identifique el renglón o columna que tengan el mayor costo de penalidad.
(Los empates se resuelven arbitrariamente).
3. Asigne la máxima cantidad posible a la ruta disponible que tenga el costo
más bajo en el renglón o columna elegido en el paso 2.
4. Reduzca la oferta y la demanda adecuados en la cantidad asignada en el
paso tres.
5. Descarte cualquier renglones con oferta disponible cero y columnas con
demanda insatisfecha cero, para consideraciones posteriores.
6. Regrese al paso uno.

Penalidades de renglones y columnas.

Mínimo del Segundo mínimo del


renglón A renglón A
Penalidades
Origen 1 2 3 4 0ferta de renglón

12 13 4 6 500 2
A

6 4 10 11 700 2
B

10 9 12 4 800 5
C

Demanda 400 900 200 500

Penalidades 4 5 6 2
de columna
Penalidad máxima Calculado como 6-4

47
Origen 1 2 3 4 0ferta

12 13 4 6
A 200 300 500 300
0

6 4 10 11
B 700 700
0

10 9 12 4
C 800 600
400 200 200 0

Demanda 400 900 200 200 500 200


0 0 0 0

Costo total según el método por aproximación de Vogel.

Cantidad de Costo ($)


Ruta motores por motor Costo ($)
A3 200 4 800
A4 300 6 1800
B2 700 4 2800
C1 400 10 4000

48
C2 200 9 1800
C4 200 4 800

Costo total $12,000

PROBLEMA 1
Una compañía construye una planta maestra para la producción de un articulo en
un periodo de cuatro meses. Las demandas en los cuatro meses son 100, 200, 180
y 300 unidades respectivamente. El costo de producción variable por unidad en un
mes cualquiera es de cuatro pesos. Una unidad producida para consumo posterior
incurrirá en un costo de almacenamiento a razón de 50 centavos por unidad por
mes. Por otra parte, los artículos ordenados en meses anteriores incurren en un
costo de penalización de 2 pesos por unidad y por mes.
La capacidad de producción para elaborar el producto varia cada mes. Los cálculos
de los cuatro meses siguientes son 50, 180, 280 y 270 unidades respectivamente.
El objetivo es el de formular el plan de inventario de producción al costo mínimo.

Destinos
Origen 1 2 3 4 Capacidad
1 4 4.5 5 5.5 50
2 6 4 4.5 5 180
3 8 6 4 4.5 280
4 10 8 6 4 270
Demanda 100 200 180 300

Costo total según


Capacidad el método por
Origen 1 2 3 4
4 4.5 5 5.5 aproximación de
A 50 Vogel.
50 0

6 4 4.5 5 .5
180 130
B 50 130 0

8 6 4 4.5 .5 .5 .5
280 210
C 70 180 30 30 0
2 10 .5 8 .5 6 .5 4 .5 .5 .5 .5 .5
2 2 .5 .5 270
D 2 ,5 270.5 0
2 2 .5 2 2 2 2
49
2
Demanda 100 50 200 70 2
180 .5
300
0 0 0 0
Costo total según el método por aproximación de Vogel.

Cantidad de Costo
Ruta Unidades por unidad Costo ($)
A1 50 4 200
B1 50 6 300
B2 130 4 520
C2 70 6 420
C3 180 4 720
C4 30 4.5 135
D4 270 4 1080
Costo total $3,375

ADMINISTRACIÓN DE PROYECTOS (PERT Y CPM)

Los proyectos modernos, arrancan desde la construcción de un centro comercial


suburbano hasta poner un hombre en la luna; son impresionantes grandes,
complejos y costosos. Completar dichos proyectos a tiempo, y dentro del
presupuesto, no es tarea fácil. En particular, veremos que los problemas
complicados surgen al programar dichos proyectos con frecuencia dichos, son
estructurados mediante la interdependencia de las actividades. Normalmente,
algunas de las actividades no pueden realizarse antes de que se hayan terminado
otras.

Algunas de las preguntas que se contestarán con estos métodos son las
siguientes:

1. ¿Cuál es la fecha de terminación del proyecto?

50
2. ¿Cuál es la variabilidad probable de ese dato?
3. ¿Cuáles son las fechas programadas del principio y terminación de cada
actividad especifica?
4. ¿Cuáles actividades son críticas en el sentido de que deban terminar con
exactitud como fueron programadas para llegar a la meta de la terminación
del proyecto total?
5. ¿Cuánto se pueden demorar las actividades no criticas, antes de provocar
un retraso en la fecha de conclusión del proyecto total?
6. ¿Cómo puedo concentrar en forma efectiva los recursos y actividades, con
el objeto de acelerar la terminación del proyecto?
7. ¿Qué controles se deben ejercer en el flujo de recursos financieros para
las diversas actividades durante el proyecto, para poder apegarse al
proyecto total?

PERT: Program Evaluation Review Technique (Técnica de revisión y evaluación de


programas).
CPM: Critical Path Method (Método de la ruta crítica).

PERT
Fue desarrollado, a fines de la década de 1950 por la Navy Special Proyects
Office. En colaboración con la empresa de consultoría administrativa de Booz,
Allen y Hamilton. La técnica recibió una considerable publicidad, favorable para
su uso, en el programa de ingeniería y desarrollo del misil Polaris, un complicado
proyecto que tenía 250 contratistas primarios y 9000 sub. contratistas. Desde
esa fecha, ha sido ampliamente recibido en otras ramas del gobierno y de la
industria y se ha aplicado en proyectos tan diferentes como la construcción de
fábricas, edificios y carreteras, investigación administrativa, desarrollo de
productos, instalación de nuevos sistemas de computadoras, etc.

CPM

Fue desarrollado en 1957, por J.E. Kelly, de Remingtón Rand, y M.R. Walker, de
Dupont. Se diferencia del PERT en principio por los detalles de como se manejan

51
el tiempo y el costo. En realidad, las diferencias entre PERT y CPM en la
instrumentación efectiva se han ido borrando en cuanto las empresas han
integrado las mejores características de ambos sistemas en sus esfuerzos
propios por manejas con eficacia sus proyectos.

Por lo general se emplea el CPM. en los proyectos, en donde se ha tenido más


experiencia y los tiempos de cada actividad ya están bastante definidos.

El método PERT se emplea en aquellos proyectos, en donde no se conoce con


certeza la duración de cada actividad y por lo tanto hay que hacer una estimación
con cierto nivel de seguridad.

MÉTODO DE LA RUTA CRITICA (CPM)

Es necesario definir algunos términos antes de desarrollar una red.

Actividad. Es la parte individual de trabajo, que hay que efectuar en un proyecto.


Es un trabajo único con una duración determinada. La actividad se representa
por medio de una flecha.

Evento. Es el punto de partida de una actividad y sucede solo cuando todas las
actividades que le preceden han llegado a su término.

Red. Es el conjunto de actividades y eventos que reflejan, de una manera fiel el


proyecto.

Actividad virtual. Es una actividad que dura un tiempo igual a cero. Como cada
actividad debe estar precedida por un evento y debe concluir con otro evento, a
veces es necesario usar una actividad virtual para satisfacer la regla anterior.
Esta actividad se indica mediante una flecha punteada.

Tiempos libre u holgura. Es el tiempo que existe entre el final de una actividad y
el principio de la siguiente.

52
Ruta Critica. Es la secuencia de actividades y de eventos en donde el tiempo
libre es mínimo. La duración de la ruta critica es el tiempo mínimo requerido para
terminar el proyecto.

T ie m p o m a s p ro x im o p T ai e r ma pe om mp e a z s a pr r o x im o p a ra t e rm

A c t iv id a d

A 1 B C F G 2D H
I
N u m e ro e n H t e o r l og u ra D u ra c io n t o ta l d e la s a c t iv id

T ie m p o m a s re m o t o p a ra t e rm in a r
T ie m p o m a s re m o t o p a ra e m p e z a r

EJERCICIO 1

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


siguiente. Elabore el modelo de la red y realice los cálculos de ruta crítica.

No. Actividad Actividad Duración


antecesora (días)
A Selección de la música -- 21
B Aprendizaje de la música A 14
C Elaboración de copias y compra de libros A 14
D Pruebas B,C 3
E Ensayos D 70
F Ensayos individuales D 70
G Renta de candelabros D 14
H Compra de velas G 1
I Instalación y decoración de candelabros H 1
J Compra de artículos decorativos D 1
K Instalación de artículos decorativos J 1
L Solicitud de estolas para el coro D 7
M Planchado de estolas L 7
N Revisión del sistema de sonido D 7

53
O Selección de pistas musicales N 14
P Instalación del sistema de sonido O 1
Q Ensayo final E,F.P 1
R Grupo de coro Q,I,K 1
S Programa final M,R 1

ELABORACIÓN DE LA RUTA CRÍTICA

94 59 108 60
N 14 O 1
P
45 94 49 59 108
49 60 109

45
109

49 0
49 7 108 1 0 109 60
B 0 0 E
Q 109 1
38 108
0
35 38 3 108 108 1 0
108 109 109
35 70
14 3 8
24 35 7 38 109
110
O 0 21 A D 39 108 F
I 110 54 R
21 70
0
0 21 21 38 38 1 108 109 54
110 56 110 110
21 38 94 54 40
110
9 1
14 0 0 7 0 56 1 56
8
35 109
C 35 3 14 52 G 108 1 53 H 70
0
35 35 59 70 52 108 56
53 109
7

1 39 J 109 1 40
K 110

70 39 109 70 40
110
45

54
L 104 7 52 M 111 0
52 S 111 1
45 104 52 111 111 111
59 59 0

(A, B, D, E, Q, R, S) = 111 días


(A, B, D, F, Q, R, S) = 111 días
(A, C, D, E, Q, R, S) = 111 días
(A, C, D, F, Q, R, S) = 111 días

BIBLIOGRAFÍA

1. INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES


Frederick S. Hillier, Gerald J. Lieberman
Mc Graw Hill

2. INVESTIGACION DE OPERACIONES.
Hamdy A. Taha
Alfa Omega

3. INVESTIGACIÓN DE OPERACIONES EN LA CIENCIA


ADMINISTRATIVA
Eppen, Gould y Schmidt
Prentice Hall

4. INVESTIGACIÓN DE OPERACIONES
Moskowitz y Wright
Prentice-hall

55
56