Unidad 1 Programacin Lineal

1.1 Definicin desarrollo y tipos de modelos de investigacin de operaciones

1.2 Formulacin de modelos.
1.3 Mtodo grfico.
1.4 Fundamentos del mtodo simplex.
1.5 Aplicaciones diversas de programacin lineal

1.1 Caractersticas de la Investigacin de Operaciones

La Investigacin de Operaciones usa el mtodo cientfico para investigar el

problema
en
cuestin.
En
particular,
el proceso comienza
por
la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin
de datos pertinentes.

La Investigacin de Operaciones adopta un punto de vista organizacional. De esta

manera intenta resolver los conflictos de inters entre los componentes de la
organizacin de forma que el resultado sea el mejor para la organizacin
completa.

La Investigacin de Operaciones intenta encontrar una mejor solucin (llamada

solucin ptima), para el problema bajo consideracin. En lugar de contentarse
con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin
posible.

En la Investigacin de Operaciones es necesario emplear el enfoque de equipo.

Este
equipo
debe
incluir
personal
con
antecedentes
firmes
en matemticas, estadsticas yteora de probabilidades, economa, administracin
de empresas ciencias de lacomputacin, ingeniera, etc. El equipo tambin
necesita tener la experiencia y las habilidades para permitir la consideracin
adecuada de todas las ramificaciones del problema.

La Investigacin de Operaciones ha desarrollado una serie de tcnicas y modelos

muy tiles a la Ingeniera de Sistemas. Entre ellos tenemos: la Programacin No
Lineal,Teora de Colas, Programacin Entera, Programacin Dinmica, entre
otras.

La Investigacin de Operaciones tiende a representar el

cuantitativamente para poder analizarlo y evaluar un criterio comn.

problema

Definicin de Modelos

Un modelo de decisin debe considerarse como un vehculo para resumir un

problema de decisin en forma tal que haga posible la identificacin
y evaluacin sistemtica de todas las alternativas de decisin del problema.
Despus se llega a una decisin seleccionando la alternativa que se juzgue sea la
mejor entre todas las opciones disponibles.

Un modelo es una abstraccin selectiva de la realidad.

El modelo se define como una funcin objetivo y restricciones que se expresan en

trminos de las variables (alternativas) de decisin del problema.

Una solucin a un modelo, no obstante, de ser exacta, no ser til a menos que el
modelo mismo ofrezca una representacin adecuada de la situacin de decisin
verdadera.

El modelo de decisin debe contener tres elementos:

Alternativas de decisin, de las cuales se hace una seleccin.
Restricciones, para excluir alternativas infactibles.
Criterios para evaluar y clasificar alternativas factibles.
Tipos de Modelos de Investigacin de Operaciones.
(a) Modelo Matemtico: Se emplea cuando la funcin objetivo y las restricciones
del
modelo
se
pueden
expresar
en
forma
cuantitativa
o matemtica como funciones de las variables de decisin.
(b) Modelo de Simulacin: Los modelos de simulacin difieren de los
matemticos en que las relaciones entre la entrada y la salida no se indican en
forma explcita. En cambio, un modelo de simulacin divide el sistema
representado en mdulos bsicos o elementales que despus se enlazan entre si
va relaciones lgicas bien definidas. Por lo tanto, las operaciones de clculos
pasaran de un mdulo a otro hasta que se obtenga un resultado de salida.
Los modelos de simulacin cuando se comparan con modelos matemticos;
ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad
no esta libre de inconvenientes. La elaboracin de este modelo suele ser costoso
en tiempo y recursos. Por otra parte, los modelos matemticos ptimos suelen
poder manejarse en trminos de clculos.
Modelos
de
Investigacin
de
Operaciones
de la
ciencia de
la administracin: Los cientficos de la administracin trabajan con modelos
cuantitativos de decisiones.
Modelos Formales: Se usan para resolver problemas cuantitativos de decisin en
el mundo real. Algunos modelos en la ciencia de la administracin son llamados
modelos determinsticos. Esto significa que todos los datos relevantes (es decir,
los datos que los modelos utilizarn o evaluarn) se dan por conocidos. En los
modelos probabilsticos (o estocsticos), alguno de los datos importantes se
consideran inciertos, aunque debe especificarse la probabilidad de tales datos.
En la siguiente tabla se muestran los modelos de decisin segn su clase de
incertidumbre y su uso en las corporaciones. (D, determinista; P, probabilista; A,
alto; B, bajo)
Tipo de Modelo

Clase de Incertidumbre

Frecuencia de uso en
corporaciones

Programacin Lineal

Redes

D,P

(Incluye PERT/CPM)
Inventarios, produccin y
programacin

D,P

Econometra, pronstico y
D,P
simulacin

Programacin Entera

Programacin Dinmica

D,P

Programacin Estocstica P

Programacin No Lineal

Teora de Juegos

Control Optimo

D,P

Lneas de Espera

Ecuaciones Diferenciales

Modelo de Hoja de Clculo Electrnica: La hoja de clculo electrnica facilita

hacer y contestar preguntas de "que si" en un problema real. Hasta ese grado la
hoja de clculo electrnica tiene una representacin selectiva del problema y
desde este punto de vista la hoja de clculo electrnica es un modelo.
En realidad es una herramienta ms que un procedimiento de solucin.
Etapas de la Investigacin de Operaciones.
Las etapas de un estudio de Investigacin de Operaciones son las siguientes:
Definicin del problema de inters y recoleccin de los datos relevantes.
Formulacin de un modelo matemtico que represente el problema.
Desarrollo de un procedimiento basado en computadora para derivar una solucin
al problema a partir del modelo.
Prueba del modelo y mejoramiento segn sea necesario.
Preparacin para la aplicacin del modelo prescrito por la administracin.
Puesta en marcha.
1.2 Formulacin del Modelo
Una vez que nos aseguramos que la definicin del problema ha sido construida de
manera especfica y correcta, continuamos con la formulacin del modelo. El
modelo, usualmente matemtico, debe ser formulado de tal manera que exprese
la esencia del problema:

El modelo matemtico est basado en ecuaciones y desigualdades establecidas

en trminos de variables, las cuales expresan la esencia del problema a resolver;
las cuales son definidas en funcin del modelo del problema.
Despus de localizar las variables en funcin del problema, se procede a
determinar matemticamente las dos partes que constituyen el modelo:

La medida de efectividad que permite conocer el nivel de logro de los objetivos y

generalmente es una funcin llamada funcin objetivo.

Las limitantes del problema, llamadas restricciones, que son un conjunto de

igualdades o desigualdades que constituyen las barreras y obstculos para la
consecucin del objetivo.

Un modelo matemtico es una idealizacin abstracta de un problema, lo

cual mayormente nos lleva a aproximaciones y suposiciones. Por lo que debemos
cuidar que el modelo siempre sea una representacin valida del problema.
La valides de un modelo requiere que exista una alta correlacin entre las
predicciones del modelo y la realidad; para lograr esto es importante hacer un
nmero considerable de pruebas al modelo y caso de ser necesario, las
pertinentes modificaciones. Aun cuando la validacin del modelo se incluyera al
final de este documento, la mayor parte de la validacin del modelo se hace
durante la etapa de la construccin del modelo.

Validacin del Modelo

Solucin Optima

1.3 METODO GRAFICO

La PL es una tcnica mediante la cual se toman decisiones, reduciendo el
problema bajo estudio a un modelo matemtico general, el cual debe ser resuelto
por mtodos cuantitativos.
En desarrollo de este captulo se aplicarn la solucin de dichos modelos
aplicando diversas tcnicas como: el mtodo grfico, mtodo simplex, mtodo
matricial, tcnica de la gran M.
Adems se desarrollara la aplicacin de variables artificiales y obtencin de
soluciones para identificar a qu tipo de clasificacin pertenecen. Por medio de
dichos modelos de solucin se podr obtener la solucin adecuada para cada
problema y facilitar la toma de decisiones.
Mtodo grfico.
El mtodo grfico se utiliza para la solucin de problemas de PL, representando
geomtricamente a las restricciones, condiciones tcnicas y el objetivo.
El modelo se puede resolver en forma grfica si slo tiene dos variables. Para
modelos con tres o ms variables, el mtodo grfico es imprctico o imposible.
Cuando los ejes son relacionados con las variables del problema, el mtodo es
llamado mtodo grfico en actividad. Cuando se relacionan las restricciones
tecnolgicas se denomina mtodo grfico en recursos.

Los
pasos
necesarios
para
realizar
el
mtodo
son
nueve:
1. graficar las soluciones factibles, o el espacio de soluciones (factible), que
satisfagan
todas
las
restricciones
en
forma
simultnea.
2. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles.
3. El espacio encerrado por las restricciones restantes se determinan sustituyendo
en primer trmino <= por (=) para cada restriccin, con lo cual se produce la
ecuacin
de
una
lnea
recta.
4. trazar cada lnea recta en el plano y la regin en cual se encuentra cada
restriccin cuando se considera la desigualdad lo indica la direccin de la flecha
situada
sobre
la
lnea
recta
asociada.
5. Cada punto contenido o situado en la frontera del espacio de soluciones
satisfacen todas las restricciones y por consiguiente, representa un punto factible.
6. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones,
la solucin ptima puede determinarse al observar la direccin en la cual aumenta
la
funcin
objetivo.
7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la
asignacin de valores arbitrarios a fin de determinar la pendiente y la direccin en
la cual crece o decrece el valor de la funcin objetivo.
Ejemplo.
Maximizar Z = 3X1 + 2X2
restricciones: X1 + 2X2 <=6 (1)
2X1 + X2 <=8 (2)
-X1 + X2 <=1 (3)
X2 <= 2 (4)
X1 >= 0 (5)
X2 >= 0 (6)
Convirtiendo las restricciones a igualdad y representndolas grficamente se
tiene:
X1 + 2X2 = 6 (1)
2X1 + X2 = 8 (2)
-X1 + X2 = 1 (3)
X2 = 2 (4)
X1 = 0 (5)
X2 = 0 (6)
Figura 1 Espacio de solucin presentada con WinQsb

Figura 2 Determinacin de solucin

1.4 Mtodo simplex

En la solucin grfica observamos que la solucin ptima est asociada siempre
con un punto extremo del espacio de soluciones. El mtodo simplex est basado
fundamentalmente en este concepto.
Careciendo de la ventaja visual asociada con la representacin grfica del espacio
de soluciones, el mtodo simplex emplea un proceso iterativo que principia en un
punto extremo factible, normalmente el origen, y se desplaza sistemticamente de
un punto extremo factible a otro, hasta que se llega por ltimo al punto ptimo.
Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo
simplex:
1. El siguiente punto extremo debe ser adyacente al actual.
2. La solucin no puede regresar nunca a un punto extremo considerado con la
anterioridad.
El algoritmo simplex da inicio en el origen, que suele llamarse solucin inicial.
Despus se desplaza a un punto extremo adyacente. La eleccin especfica de
uno a otro punto depende de los coeficientes de la funcin objetivo hasta
encontrar el punto ptimo.

Al aplicar la condicin de optimidad a la tabla inicial seleccionamos a Xi como la

variable que entra. En este punto la variable que sale debe ser una de las
variables artificiales.
Los pasos del algoritmo simplex son (10):
1. Determinar una solucin bsica factible inicial.
2. Prueba de optimidad: determinar si la solucin bsica factible inicial es ptima y
slo si todos los coeficientes de la ecuacin son no negativos ( >= 0 ). Si es as, el
proceso termina; de otra manera se lleva a cabo otra interaccin para obtener la
nueva solucin bsica factible inicial.
3. Condicin de factibilidad.- Para todos los problemas de maximizacin y
minimizacin, variable que sale es la variable bsica que tiene la razn ms
pequea (positiva). Una coincidencia se anula arbitrariamente.
4. Seleccionar las variables de holgura como las variables bsicas de inicio.
5. Selecciona una variable que entra de entre las variables no bsicas actuales
que, cuando se incrementan arriba de cero, pueden mejorar el valor de la funcin
objetivo. Si no existe la solucin bsica es la ptima, si existe pasar al paso
siguiente.
6. Realizar el paso iterativo.
a) Se determina la variable bsica entrante mediante la eleccin de la variable con
el coeficiente negativo que tiene el valor mayor valor absoluto en la ecuacin. Se
enmarca la columna correspondiente a este coeficiente y se le da el nombre de
columna pivote.
b) Se determina la variable bsica que sale; para esta, se toma cada coeficiente
positivo (>0) de la columna enmarcada, se divide el lado derecho de cada rengln
entre estos coeficientes, se identifica la ecuacin con el menor cociente y se
selecciona la variable bsica para esta ecuacin.
c) Se determina la nueva solucin bsica factible construyendo una nueva tabla en
la forma apropiada de eliminacin de Gauss, abajo de la que se tiene. Para
cambiar el coeficiente de la nueva variable bsica en el rengln pivote a 1, se
divide todo el rengln entre el nmero pivote, entonces
Rengln pivote nuevo = rengln pivote antiguo
nmero pivote
Para completar la primera iteracin es necesario seguir usando la eliminacin de
Gauss para obtener coeficientes de 0 para la nueva variable bsica Xj en los otros
renglones, para realizar este cambio se utiliza la siguiente frmula:
Rengln nuevo = rengln antiguo - ( coeficiente de la columna pivote X rengln
pivote nuevo)
Cuando el coeficiente es negativo se utiliza la frmula:
Rengln nuevo = rengln antiguo + (coeficiente de la columna pivote X rengln
pivote nuevo)
TABLA SIMPLEX
como se capturara la solucin bsica factible inicial en el siguiente ejemplo:

Sea:
Maximizar Z = 2X1+4X2
sujeto a:
2X1+ X2<= 230
X1+ 2X2<= 250
X2<= 120
todas las X1,X2>=0
BASE
Z X1
X2
S1
S2
S3
SOLUCIN
Z
0 -2
-4
0
0
0
0
S1
0
2
1
1
0
0
230
S2
0
1
2
0
1
0
250
S3
0
0
1
0
0
1
120
Seleccione la variable que entra y la variable que sale de la base:

RAZN
0
230/1
250/2
120/1

Entra X2 y sale S3, se desarrolla la nueva tabla solucin y se continua el proceso

iterativo hasta encontrar la solucin optima si es que est existe.
Tabla ptima:
BASE
Z X1
X2
S1
Z
0
0
0
0
S1
0
0
0
1
X1
0
1
0
0
X2
0
0
1
0
Solucin: Z = $500
fabricando
X1=10
X2=120
Sobrante de
S1 = 90
Tipo de solucin: Optima Mltiple

S2
2
-2
1
0

S3
0
3
-2
1

SOLUCIN
500
90
10
120

RAZN

1.5 Aplicaciones diversas de programacin lineal.

Conceptos fundamentales
Programacin lineal y mtodo simplex:
Una vez se tiene un concepto general de lo que es la programacin lineal, es
importante conocer la forma de actuacin particular de los algoritmos que
resuelven programas lineales. De entre todos los algoritmos destaca por su
importancia histrica y prctica el mtodo simplex. Dicho mtodo fue desarrollado
por Dantzig en 1947, alcanzando un xito inusitado en las dcadas posteriores

con el desarrollo de los computadores. El conocimiento bsico de dicho mtodo

ayuda a la comprensin de las diferentes formas de resolucin de programas
lineales. Dicho mtodo puede ser estudiado en alguno de los manuales que se
presentan a continuacin: Hillier y Liebermann (2001) (Captulos 4 y 5) o bien
Winston (1994) (Captulos 3 y 4). Por otra parte, el estudio de aplicaciones de la
Programacin Lineal es exhaustivo en los textos de Hillier, Hillier y Liebermann
(2000); Eppen et al.(1998); o bien de Anderson, Sweeney y Williams (2001).

Clasificacin de las aplicaciones de PL:

La Programacin Lineal presenta un gran nmero de aplicaciones en multitud de
mbitos empresariales, industriales, de gestin y en general, de toma de
decisiones. En este mathblock tan slo se hace una exposicin sucinta de las
aplicaciones ms clsicas. Sin embargo, se aconseja al lector la consulta de los
documentos de Internet siguientes:
UNIDAD 2 ANALISIS DE REDES
2.1 Conceptos Bsicos.

Anlisis Reticular

El anlisis de redes o anlisis reticular ("network analysis" en ingls) designa una

orientacin en la investigacin social que se ha venido desarrollando, sobre todo en los
pases anglosajones, desde mediados los aos sesenta.

Es difcil, en el corto espacio del que disponemos, establecer con claridad las
dimensiones de esta perspectiva de investigacin: por una parte, se trata de un conjunto
de tcnicas, por otra de una metodologa y, consecuentemente, de un paradigma
cientfico. Lo que hace difcil delimitarlo es, ante todo, que no se trata de un movimiento
intelectual limitado a una ciencia social particular, sino que se extiende, prcticamente, al
conjunto de las ciencias sociales.

Postulados bsicos

El anlisis reticular en sociologa comparte con el desarrollado en otras ciencias sociales

un cierto nmero de preocupaciones bsicas:

1.- El anlisis reticular se encuadra en una sociologa estructural: su principal objetivo es

la bsqueda de las determinaciones estructurales de la accin humana, y no de las
motivaciones individuales o colectivas de los individuos.

2.- El concepto de estructura, implcito o explcito, utilizado en las investigaciones

reticulares presupone que las estructuras se manifiestan en la forma de los VNCULOS
("ties") existentes entre los elementos o NODOS diferenciados que integran un sistema
social, siendo estos nodos "actores sociales" o cualquier tipo de entidades sociales
significativas (individuos, grupos, organizaciones, clases). Las REDES SOCIALES son
pues CONJUNTOS DE VNCULOS ENTRE NODOS.

3.- Los conjuntos de vnculos entre entidades sociales constituyen los datos bsicos del
anlisis reticular: la estructura buscada se concibe como pautas o regularidades en las
formas de vinculacin que emergen en los conjuntos relacionales como consecuencia de
un anlisis: la estructura de las relaciones no es directamente observable en los datos,
que son de naturaleza compleja e incoherente en su apariencia inmediata.

4.- El anlisis relacional presupone que las caractersticas estructurales de las redes de
relaciones sociales descubiertas en el curso del anlisis determinan los comportamientos
de los individuos implicados en ellas.

5.- Por ello, el anlisis reticular concibe los sistemas sociales como redes de relaciones
sociales, ms que como conjunto de individuos cuya conducta est regularizada por
conjunto de normas y valores interiorizados, por atributos individuales o por meras
relaciones didicas (la interaccin de la psicologa social). Los VNCULOS no son
necesariamente diadicos y el anlisis reticular considera los VNCULOS ENTRE
VNCULOS como un elemento esencial de la estructura.

6.- As, el anlisis reticular de un sistema social es, ante todo, el de un conjunto
estructurado de posiciones sociales: el concepto de rol aparece como una variable
dependiente de la posicin misma y no como la que designa las unidades significativas de
los sistemas sociales. En consecuencia, las dimensiones valorativas y normativas de la
conducta son, para el anlisis reticular, como las dems dimensiones de la motivacin,
ms bien efectos que causa.

7.- Los vnculos entre los nodos que definen un retculo social son, en buena parte de las
investigaciones concretas realizadas hasta hoy, flujos de informacin, de bienes o de
influencia. Por ello las estructuras sociales descritas diferencian posiciones relativamente
a esas dimensiones.

Instrumentos analticos

Las tcnicas de anlisis empleadas en las investigaciones reticulares presentan

caractersticas diferenciales respecto a las tcnicas usuales de investigacin
social. Estas diferencias se derivan del objeto mismo que se analiza

En efecto, las REDES de relaciones sociales son CONJUNTOS DE VNCULOS

entre entidades y no conjunto de entidades o individuos. Por ello, las tcnicas
estadsticas usuales no son adecuadas para el anlisis reticular, ya que postulan
el carcter aleatorio de las relaciones inter-individuales al considerar conjuntos de
individuos atomizados, elegidos aleatoriamente por los procedimientos de
muestreo
Las tcnicas estadsticas usuales conllevan una concepcin categorial y
distributiva de las estructuras: sus resultados son siempre distribuciones uni o
multivariadas- de atributos individuales. Y cuando se examinan distribuciones de
categora agregadas de atributos tampoco se analizan directamente relaciones
sociales, sino sus efectos sobre las variables atributivas.
Adems, al desdear las vinculaciones concretas entre los individuos, las tcnicas
usuales de anlisis slo pueden explicar la accin colectiva atribuyendo a las
normas interiorizadas un papel causal desmesurado.
Por todo ello, el anlisis reticular ha buscado instrumentos heursticos y de
formalizacin en formas de pensamiento matemtico ajenas a la estadstica.
Primero, en la TEORIA DE GRAFOS, sector de la teora matemtica poco
formalizado, muy descriptivo y que se incluye en la topologa. Pero despus ha
encontrado inspiracin en teoras algebraicas abstractas como la teora de
semigrupos. Finalmente, la teora de las categoras y desarrollos topolgicos como
la teora de los complejos simpliciales han visto en el anlisis de redes sociales un
inesperado campo de aplicacin y desarrollo.

Una de las dimensiones ms interesantes del pensamiento reticular en sociologa

estriba, precisamente, en el desarrollo de instrumentos matemticos propios en
lugar de la aplicacin a su propio campo de conceptos forjados en problemticas
empricas muy alejadas: as puede concebirse el esfuerzo realizado por la
"escuela de Harvard" y, en particular, por los trabajos de FRANCOIS LORRAIN.
Caractersticas estructurales de las redes Las redes de relaciones sociales se han
analizado mediante el uso de conceptos de:
Centralidad
"Cliques" o conglomerados
Ambos conceptos estn destinados a poner en evidencia singularidades
estructurales, puntos de particular significacin o conjuntos de puntos asimilables
entre ellos. Pero su empleo exige la definicin de medidas adecuadas, cuyo
desarrollo ha llevado a plantearse con mayor rigor la problemtica de las
variaciones locales en la densidad relacional. Para resolver el problema se han
aplicado conceptos de la teora de grafos, como entre otros, el de la longitud de
los caminos ms cortos entre dos puntos.
Existen hoy numerosas definiciones de la centralidad y de su medida, como de las
cliques o conglomerados y de la heurstica que lleva a su deteccin. Sin embargo,
en el curso de las investigaciones empricas ha acabado por emerger (LORRAIN y
WHITE, 1971) el concepto de equivalencia estructural en las redes: dos individuos
o NODOS SON ESTRUCTURALMENTE EQUIVALENTES CUANDO SUS
RELACIONES CON TODOS LOS DEMAS PUNTOS SON IDENTICAS.
El concepto de equivalencia estructural permite identificacin de todos los nodos
equivalentes, constituye, por as decirlo, el esqueleto de la red analizada: se
llaman POSICIONES los nodos de una red reducida mediante la aplicacin de
este concepto de equivalencia estructural. El concepto de equivalencia estructural
desarrollado por Lorrain y White se traduce en una metodologa de difcil
aplicacin para redes formadas por nmeros sustanciales de nodos, ya que acude
al anlisis de categoras para la identificacin de las vinculaciones compuestas
vinculaciones entre vinculaciones- de orden N, siendo N el nmero total de nodos
existentes en la red. El anlisis de la COMPOSICION de LAS RELACIONES exige
un elevado volumen de clculo, que para redes de 1000 nudos sigue siendo
irrealizable a pesar del aumento de capacidad y de velocidad de los ordenadores
electrnicos. Por ello se han desarrollado conceptos menos exigentes de
equivalencia estructural, como el de los BLOCKMODELS de Breiger, Boormar y
White (1976) que desemboco en algoritmos para el anlisis de la equivalencia
aplicables a redes de centenares de nodos.

No es posible detenerse aqu en un examen de los conceptos y los mtodos

desarrollados hasta hoy para el anlisis de las redes de relaciones sociales: cabe
afirmar que las diferentes formalizaciones matemticas y empricas son menos
significativas en el devenir de esta problemtica que su insistencia en definir el
objeto de la investigacin sociolgica como de naturaleza intrnsecamente
relacional, desde los datos bsicos que se acumulan hasta los resultados de sus
anlisis.
Antecedentes del anlisis de redes
La insistencia en el carcter relacional del objeto de la sociologa, como buena
parte de los postulados comunes a las investigaciones reticulares contemporneas
tiene antecedentes que llegan hasta los orgenes de la sociologa: para muchos
socilogos, se pueden encontrar en DURKHEIM, en SIMMEL, o en el mismo
MARX; para los antroplogos, el concepto de red de relaciones sociales se
identifica con el objeto mismo de sus investigaciones empricas, como evidencian
los trabajos de NADEL o de BARNES. Los psicosocilogos encuentran en la
sociometra de MORENO el indiscutible origen de la problemtica del anlisis
reticular...
Es indudable que el pensamiento estructural en las ciencias sociales est
asociado desde sus orgenes a la bsqueda regularidades en las redes de
relaciones sociales, que estas regularidades en las formas de relacin han sido
concebidas como factores causales en la conducta individual o colectiva. No es
menos indudable que la componente estructural en el pensamiento sociolgico no
ha desaparecido en los avatares de una historia en gran parte cclica. Por ello, la
principal novedad del anlisis reticular estriba ante todo en la decidida voluntad de
construir modelos matemticos de las propiedades de los espacios reticulares en
los que se dibujan las estructuras sociales.
Siendo una voluntad modesta, es esta una contribucin de capital importante al
desarrollo de la sociologa, como lo fue para la fsica la construccin matemtica
del espacio continuo y tridimensional en el que se podan definir con rigor las
posiciones y los desplazamientos de los cuerpos. El concepto de posicin de un
punto es indispensable para describir el ms simple de los fenmenos de la fsica
clsica: el cambio de posicin.
Pero el concepto de posicin solo se construye con rigor en fsica con el clculo
diferencial. La construccin de un concepto de posicin en sociologa va a requerir
construir un espacio con propiedades peculiares respecto al de la fsica: discreto,
discontinuo y relacional, el espacio propio de los sistemas sociales exige una
matemtica propia y no la mera aplicacin de unos instrumentos analticos
desarrolladas para la fsica, para un espacio continuo o infinito.

Limitaciones del anlisis reticular

Por el momento al menos, las investigaciones inspiradas en la perspectiva del
anlisis de redes tienen dos limitaciones de capital importancia: son
fundamentalmente estticas y descriptivas.
La introduccin de una problemtica temporal en el anlisis reticular conlleva, an
manteniendo el carcter descriptivo de las investigaciones empricas, sustanciales
ventajas para la definicin de los criterios de invariancia y de regularidad
estructurales. Sin embargo, no es una tarea sencilla ni en sus dimensiones
tericas ni prcticas: hay que articular lo diacrnico y lo histrico en la elaboracin
de los paradigmas de investigacin emprica y tener en cuenta esta articulacin en
la elaboracin de conceptos matemticas. En gran medida, estas tareas no han
sido an siquiera abordadas, peses a que existan elementos dispersos que las
faciliten.
Pero se puede afirmar que cuando se construya un espacio reticular en el que se
puedan definir estructuras sociales y, sin cambiar de paradigma ni de conceptos,
sus transformaciones histricas, se estar en condiciones de plantear con rigor la
problemtica de una sociologa cientfica, a la vez estructural e histrica.

2.2 Problema de transporte.

DEFINICIN Y APLICACIN DEL MODELO DE TRANSPORTE

El modelo de transporte busca determinar un plan de transporte de una mercanca

de varias fuentes a varios destinos. Los datos del modelo son:

1. Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.

2. El costo de transporte unitario de la mercanca a cada destino.

Como solo hay una mercanca un destino puede recibir su demanda de una o
ms fuentes. El objetivo del modelo es el de determinar la cantidad que se enviar
de cada fuente a cada destino, tal que se minimice el costo del transporte total.

La suposicin bsica del modelo es que el costo del transporte en una ruta es
directamente proporcional al numero de unidades transportadas. La definicin de
unidad de transporte variar dependiendo de la mercanca que se transporte.

El esquema siguiente representa el modelo de transporte como una red

con m fuentes y ndestinos. Una fuente o un destino esta representado por un
nodo, el arco que une fuente y un destino representa la ruta por la cual se
transporta la mercanca. La cantidad de la oferta en la fuente i es ai, y la demanda
en el destino j es bj. El costo de transporte unitario entre la fuente i y el destino j es
Cij.
Si Xi j representa la cantidad transportada desde la fuente i al destino j, entonces,
el modelo general de PL que representa el modelo de transporte es:

Minimiza Z= i=1 m j=1 n C i j X i j

Sujeta a:

j=1 n X i j <= ai , i=1,2,, m

i=1 m X I j >= bj , j=1,2,, n

X i j >=0 para todas las i y j

El primer conjunto de restricciones estipula que la suma de los envos desde

una fuente no puede ser mayor que su oferta; en forma anloga, el segundo
conjunto requiere que la suma de los envios a un destino satisfaga su demanda.

El modelo que se acaba de escribir implica que la oferta total i=1 m ai debe ser
cuando menos igual a la demanda total j=1 n bj. Cuando la oferta total es igual a la
demanda total, la formulacin resultante recibe el nombre de modelo de transporte
equilibrado. Este difiere del modelo solo en el hecho de que todas las restricciones
son ecuaciones, es decir:
X i j = ai, i=1,2,..., m
X i j = bj, j=1,2,..., n
En el mundo real, no necesariamente la oferta debe ser igual a la demanda o
mayor que ella. Sin embargo, un modelo de transporte siempre puede equilibrarse.
El equilibrio, adems de su utilidad en la representacin a travs de modelos de
ciertas situaciones prcticas, es importante para el desarrollo del mtodo de
solucin que explote completamente la estructura especial del modelo de
transporte. Los dos ejemplos que siguen presentan la idea del equilibrio y tambin
sus implicaciones prcticas.

Ejemplo 1 (Modelo de transporte estndar)

MG Auto Company tiene plantas en Los ngeles, Detroit y Nueva Orlens. Sus
centros de distribucin principales son Denver y Miami. Las capacidades de las
plantas durante el trimestre prximo son 1 000, 1 500, y 1 200 automviles. Las
demandas trimestrales en los dos centros de distribucin son de 2 300 y 1 400
vehculos. El costo del transporte de un automvil por tren es de 8 centavos por
milla. El diagrama de las distancias recorridas entre las plantas y los centro de
distribucin son:

Denver
Los ngeles
1 000
Detroit
1 250
Nueva Orleans 1 275

Miami
1 690
1 350
850

Esto produce en costo por automvil a razn de 8 centavos por milla recorrida.
Produce los costos siguientes (redondeados a enteros), que representan a C i j del
modelo original:

Denver

Miami

80

215

Detroit

100

108

Nueva Orleans

102

68

Los ngeles

Mediante el uso de cdigos numricos que representan las plantas y centros de

distribucin, hacemos que X i j represente el nmero de automviles transportados
de la fuente i al destino j. Como la oferta total ( = 1 000 + 1 500 + 1 200 = 3 700)
es igual a la demanda ( = 2 300 + 1 400 = 3 700), el modelo de transporte
resultante esta equilibrado. Por lo tanto, el siguiente modelo de PL que representa
el problema tiene todas las restricciones de igualdad.

Minimizar Z = 80X 11 + 215X 12 + 100X 21 + 108X 22 + 102X 31 + 68X 32

Sujeto a:
j=1 n X i j <= ai , i=1,2,, m
i=1 m X I j >= bj , j=1,2,, n

X i j >=0 para todas las i y j

Un mtodo mas resumido para representar el modelo de transporte consiste en

utilizar lo que se llama tabla de transporte. Esta es una forma de matriz donde
sus renglones representan las fuentes y sus columnas los destinos. Los elementos
de costo C i j se resumen en la esquina noroeste de la celda de la matriz (i, j). Por
lo tanto, el modelo de MG se puede resumir en la tabla siguiente:
Ejemplo 2 (Modelo de transporte con equilibrio)

En el ejemplo anterior suponga que la capacidad de la planta de Detroit es de 1

300 automviles (en vez de 1 500). Se dice que la situacin esta desequilibrada
debido a que la oferta total (=3 500) no es igual a la demanda total (=3
700).Nuestro objetivo consiste en volver a formular el modelo de transporte de
manera que distribuya la cantidad faltante(=3 700 3 500 = 200) en forma optima
entre los centros de distribucin.

Como la demanda es mayor que la oferta se puede agregar una planta

ficticia con una capacidad de 200. Se permite que dicha planta, en condiciones
normales, enve su produccin a todos los centros de distribucin. Fsicamente,
la cantidad de unidades enviadas a un destino desde una planta ficticia
representar la cantidad faltante en ese destino.

La nica informacin que falta para completar el modelo son los costos de
transporte unitarios de la planta ficticia a los destinos. Como la planta no existe,
no habr ningn envo fsico y el costo de transporte unitario es cero. Sin
embargo, podemos enfocar la situacin desde otro ngulo diciendo que se incurre
en un costo de penalizacin por cada unidad de demanda insatisfecha en los
centros de distribucin. En este caso los costos de transporte unitarios sern
iguales a los costos de penalizacin unitarios en los diversos destinos.

Los ngeles

Denver
80

Miami
215

1 000

Detroit
Nueva Orlens
Planta ficticia

100
102
0

108
68
0

1 300
1 200
200

De manera anloga, si la oferta en mayor que la demanda podemos aadir

un destino ficticio que absolver la diferencia. Por ejemplo, suponga que la
demanda en Denver disminuye a 1 900cualquier automvil enviado de una planta
a un centro de distribucin ficticio representa un excedente en la planta.

Denver

Miami

Destino
Ficticio

Los ngeles

80

215

1 000

Detroit

100

108

1 500

Nueva Orleans

102

68

1 200

La aplicacin del modelo de transporte no se limita al problema de transporte.

El siguiente ejemplo ilustra el uso del modelo del transporte en otros campos.

Ejemplo 3 (Modelo de inventario de produccin)

Una compaa construye una planta maestra para la produccin de un articulo

en un periodo de cuatro meses. Las demandas en los cuatro meses son: 100, 200,
180 y 300 unidades. Una demanda para el mes en curso puede satisfacerse a
travs de:

1. Produccin excesiva en un mes anterior almacenada para su consumo posterior.

2. Produccin en el mes actual.
3. Produccin excesiva en un mes posterior para cubrir pedidos de meses anteriores.

El costo de produccin variable por unidad en un mes cualquiera es de $4.00.

una unidad producida para consumo posterior incurrir en un costo de
almacenamiento razn de $0.50 por unidad por mes. Por otra parte, los artculos
ordenados en meses anteriores incurren en un costo de penalizacin de $2.00 por
unidad por mes. La capacidad de produccin para elaborar el producto vara cada
mes. Los clculos de los cuatro meses siguientes son 50, 180, 280 y 270
unidades, respectivamente.
El objetivo es el de formular el plan de inventario de produccin a costo mnimo.
Este problema se puede formular como un modelo de transporte. La equivalencia
entre los elementos de los sistemas de produccin y transporte se establece de la
manera siguiente:

Sistema de Transporte

Sistema de Produccin

1. Fuente i

1. Periodo de produccin i

2. Destino j

2. Periodo de demanda j

3. Oferta en la fuente i

3. Capacidad de produccin del periodo i

4. Demanda en el destino j

4. Demanda del periodo j

5. Costo de transporte
fuente i al destino j

de

la 5. Costo de producto e inventario del

periodoi al j

En tabla de abajo se presenta un resumen del problema como un modelo de

transporte:

Periodo
1

Capacidad

Demanda 1

4.5

5.5

50

4.5

180

4.5

280

10

270

200

180

300

Demanda: 100

El costo de transporte unitario del periodo i al j es:

Costo de produccin en i,
Cij =
en i a j

en i a j

i=j

Costo de produccin en i / costo de almacenamiento

i<j
Costo de produccin en i / costo de penalizacin
i>j

La definicin de C i j indica que la produccin en el periodo i para el mismo periodo

(i = j) slo iguala el costo unitario de produccin. Si el periodo i se produce para
periodos futuros j (i < j), se incurre en un costo de almacenamiento adicional. De la
misma manera, la produccin en i para cubrir j pedidos hechos con anterioridad (i
> j) incurre en un costo de penalizacin adicional.

PROBLEMAS DE ASIGNACIN (Mtodo Hungaro)

Un problema de asignacin es un problema de transporte balanceado, en

el cual todas las ofertas y todas las demandas son iguales a uno. Se puede
resolver eficientemente un problema de asignacin m x m mediante el mtodo
Hngaro:

o Paso 1.- Empiece por encontrar el elemento mas pequeo en cada rengln de la
matriz de costos. Construya una nueva matriz, al restar de cada costo, el costo
mnimo de su rengln. Encuentre, para esta nueva matriz el costo mnimo en cada
columna. Construya una nueva matriz ( la matriz de costos reducidos ) al restar de
cada costo el costo mnimo de su columna.

o Paso 2.- Dibuje el mnimo numero de lneas (horizontales o verticales ) que se

necesitan para cubrir todos los ceros en la matriz de costos reducidos. Si se
requieren m lneas para cubrir todos los ceros, siga con el paso 3.

o Paso 3.- Encuentre el menor elemento no cero (llame su valor k en la matriz de costos
reducidos, que no esta cubiertos por las lneas dibujadas en el paso 2. Ahora reste
k de cada elemento no cubierto de la matriz de costos reducidos y sume k a cada
elemento de la matriz de costos reducidos cubierto por dos lneas. Regrese
al paso 2.

Un problema de asignacin es un problema de transporte balanceado en el

que todas las ofertas y demandas son iguales a 1; as se caracteriza por el
conocimiento del costo de asignacin de cada punto de oferta a cada punto de
demanda. La matriz de costos del problema de asignacin se llama: matriz de
costos.
Como todas las ofertas y demandas para el problema de asignacin son
nmeros enteros, todas las variables en la solucin ptima deben ser valores
enteros.

EJEMPLOS DE PROBLEMAS DE ASIGNACION

1. Una empresa ha contratado a 4 individuos para 4 trabajos, los 4 individuos y 4

trabajos pueden mostrarse en una tabla que indique las clasificaciones obtenidas,
analizando al individuo para cada trabajo. Los renglones se refieren a los
hombres, mientras que las columnas se refieren a los trabajos; el problema
consiste en maximizar las calificaciones para asignar los 4 trabajos.
Se supone que las calificaciones de un individuo es directamente proporcional a la
ganancia que obtendra la compaa si ese individuo se encargara del trabajo.

2. Otro problema que utiliza la misma estructura del modelo de transporte, es la

asignacin de camiones para reducir al mnimo los costos de un problema de
asignacin.

3. Una empresa cubre el territorio nacional con dos camiones especialmente

equipados para funcionar en condiciones climatolgicas especficas. La empresa
ha dividido en cinco regiones geogrficas. Se compra el camin A y se modifica
para que funcione eficientemente en las regiones uno y dos, y para que funcione
bastante bien en las regiones tres y cuatro. El mismo camin no funciona bien en
la regin cinco. Los gastos de gasolina, mantenimiento y otros costos directos de
operacin, seran mnimos en las regiones uno y dos, promedio en las regiones
tres y cuatro, y altos en la regin cinco. Se tiene esa misma informacin con
respecto a los dems camiones de la compaa, o sea, los tipos B, C y D.

SOLUCION DEL PROBLEMA DE TRANSPORTE.

En esta seccin presentamos los detalles para resolver el modelo de transporte.

TECNICA DE TRANSPORTE.

Los pasos bsicos de la tcnica de transporte son:

Paso 1: determnese una solucin factible.

Paso 2: determnese la variable que entra, que se elige entre las variables no
bsicas. Si todas estas variables satisfacen la condicin de optimidad (del mtodo
simplex), detngase; de lo contrario, dirjase al paso 3.

Paso 3: determnese la variable que sale (mediante el uso de la condicin de

factibilidad) de entre las variables de la solucin bsica actual; despus obtngase
la nueva solucin bsica. Regrese al paso 2.

OBTENCIN DE SOLUCIONES BSICAS FACTIBLES PARA PROBLEMAS DE

TRANSPORTES

Podemos obtener una solucin bsica factible (sbf) para un problema de

transporte balanceado mediante el mtodo de la esquina Noroeste, el mtodo de
costo mnimo, o el mtodo de Vogel.
Para obtener una sbf mediante el mtodo de la esquina noroeste, empiece en la
esquina superior izquierda del cuadro del transporte y haga a X11 lo ms grande
posible.

Naturalmente, X11 no puede ser mayor que el menor valor Si y as X11 S1

tache el primer rengln del cuadro de transporte; Esto indica que si habr ms
variables bsicas del rengln 1 del cuadro. Tambin d1-S1 . Si X11=d1, tache la
primera la columna del cuadro de transporte y cambie S1 d1.

Si X11= S1 = d1, tache o el rengln 1, o la columna 1 (pero no ambos), del

cuadro de transporte. Si tacha el rengln 1, cambie d1 por cero; si tacha columna
1, cambie S 1 por 0.

Contine aplicando este procedimiento a la celda mas noroeste del cuadro

que no cae en un rengln eliminado o en una columna eliminada.

Finalmente, llegara un momento en el cual solo queda una celda a la cual

se puede asignar un valor.
Asigne a esta celda un valor igual a la oferta de su rengln o a la demanda de su
columna, y tache el rengln y la columna de la celda. Se obtiene de esta manera
unasolucin bsica factible.

OBTENER LA SOLUCIN PTIMA PARA UN PROBLEMA DE TRANSPORTE

 Paso 1: Si el problema no est balanceado, balancelo.

Paso 2: Utilice uno de los mtodos descritos anteriormente para obtener una
solucin bsica factible.

Paso 3: Utilice el hecho de que U1=0, y Ui+Vj=Cij en todas las variables bsicas
para encontrar (U1,U2...Um V1,V2...Vn) para la sbf actual.

Paso 4: Si Ui + Vj Cij es menor o igual a cero, para todas las variables no bsicas,
entonces la sbf actual es ptima. Si no es as se introduce la variable con valor
ms positivo de Ui + Vj Cij en la base. Para hacer esto, encuentre un circuito
cerrado (se puede demostrar que solamente existe un circuito cerrado) que
contiene la variable que entra y algunas de las variables bsicas. Despus,
tomando en cuenta solamente las celdas en el circuito cerrado marque las que se
encuentren alejadas en nmero par (0,2,4,6,...) de celdas de la variable que entra
como celdas pares. Tambin marque las celdas en el circuito cerrado, que se
encuentra un nmero impar de celdas de la variable que entra como celdas
impares. Ahora encuentre la celda impar cuya variable toma el menor valor. Llame
este valor teta. La variable correspondiente a esta celda impar saldr de la base.
Para realizar el pivoteo, disminuye el valor de cada celda impar en teta y aumenta
el valor de cada celda par en teta. Los valores de las variables que no se
encuentran en el circuito cerrado permanecen sin cambio. Ahora se complet el
bloqueo.
S teta es igual a cero, la variable que entra ser igual a cero, y una variable impar
que tiene un valor actual de cero, saldr de la base. En este caso, exista un sbf
degenerada antes del pivoteo y resultar despus del pivoteo.

Si ms de una celda impar en el circuito cerrado es igual a teta. Puede escoger

arbitrariamente una de estas celdas impares para que salga de la base; se
obtendr una vez ms una sbf degenerada. El pivoteo produce una nueva sbf.

 Paso 5: Regrese a los pasos 3 y 4, utilizando la nueva sbf. Para un problema de

maximizacin, proceda como se especific, pero cambie el paso 4 por el paso 4.

Paso 6: Si Ui + Vj Cij es mayor o igual a cero, para todas las variables no bsicas,
entonces, la sbf actual es ptima. De otra manera, coloque la variable con el valor
ms negativo de Ui + Vj Cij en la base mediante el procedimiento de pivoteo.

METODO DE ESQUINA NOROESTE

Determinacin general del modelo de transporte requiere que:

mn

ai = bj

i=1 j = 1

Este requisito da origen a una ecuacin dependiente, lo que significa que el

modelo de transporte tiene slo m + n 1 ecuaciones independientes. Por lo tanto,
como en el mtodo simplex, una solucin factible bsica inicial debe incluir m + n
1 variables bsicas.

Normalmente, si el modelo de transporte se formula como una tabla simplex, sera

necesario utilizar variables artificiales para asegurar una solucin bsica inicial.
Sin embargo, cuando se utiliza la tabla de transporte, una solucin factible bsica
inicial se puede obtener fcil y directamente. Presentamos un procedimiento
llamado regla de la esquina noroeste para este fin.

Destino
1
Fuente 1

2
10

3
0

4
20

Oferta
11

15

X11
2

X12
12

X21
3

Demanda

X13
7

X22
0

X14
9

X23
14

20

25

18

X24
16

X31

X32

X33

X34

15

15

10

El mtodo de la esquina noroeste comienza con la asignacin de la mxima

cantidad admisible atravs de la oferta y la demanda de la variable x11 (la de la
esquina noroeste de la tabla). Despus se tacha la columna (rengln) satisfecha,
lo que indica que las variables restantes de la columna (rengln) tachada son
iguales a cero. Si se satisfacen una columna y un rengln al mismo tiempo, slo
una (una u otro) puede ser tachado. (Esta condicin garantiza la ubicacin
automtica de variables bsicas cero, si las hay). Despus de ajustar las
cantidades de oferta y demanda de todos los renglones y columnas no tachados,
la cantidad factible mxima se asigna al primer elemento no tachado de la nueva
columna (rengln). El proceso se completa cuando se deja sin tachar exactamente
un rengln o una columna.

El procedimiento que se acaba de describir se aplica ahora en el ejemplo:

1. x11 = 5, se tacha la columna 1. Por lo tanto, no se puede hacer otra asignacin en

la columna 1. La cantidad que falta en el rengln 1 son 10 unidades.
2. x12 = 10, se tacha el rengln 1 y faltan 5 unidades en la columna 2.
3. x22 = 5, se tacha la columna 2 y faltan 20 unidades en el rengln 2.
4. x23 = 15, se tacha la columna 3 y faltan 5 unidades en el renglon 2.
5. x24 = 5, se tacha el rengln 2 y faltan 5 unidades en la columna 4.

6. x34 = 5, se tacha el rengln 3 o la columna 4. Como slo un rengln ouna columna

se mantiene sin tachar, el proceso llega a su fin.

La solucin bsica inicial resultante se presenta a continuacin.

Las variables bsicas son x11 = 5, x22 =10, x23 =15, x24 =5 y x34 = 5. Las variables
restantes son no bsicas en el nivel cero. El costo de transporte asociado es:
5 x 10 +10 x 0 + 5 x 7+ 15 x 9 + 5 x 20 +5 x 18 = $410.

1
5

1
2
3

2
10
5

15

15

15

15
25
5

5
5
10

Cuando se satisfacen al mismo tiempo una columna y un rengln, la siguiente

variable que se agregar a la solucin bsica estar necesariamente en el nivel
cero. La siguiente tabla ilustra este aspecto. La columna 2 y el rengln 2 se
satisfacen simultneamente.

1
2
3

1
5

2
5
5
10
5

3
0
8
8

7
7

10
5
15
15

5
0

Si se tacha la columna 2, x23 se vuelve bsica en el nivel cero en el paso

siguiente, ya que la demanda restante del rengln 2 vale ahora cero.(Este caso se
presenta en la tabla anterior). Si en cambio se cruza el rengln 2, x32 sera la
variable bsica cero.

Las soluciones iniciales de las dos ltimas tablas incluyen el nmero adecuado
de variables bsicas, o sea, m + n-1 = 6. La regla de la esquina noroeste produce
siempre el nmero adecuado de variables bsicas.

DETERMINACION DE LA VARIABLE DE ENTRADA

(METODO DE MULTIPLICADORES)

La variable que entra se determina mediante el uso de la condicin de

optimalidad del mtodo simplex. Los clculos de los coeficientes de la funcin
objetivo estn basados en las relaciones primales-duales. Primero presentamos la
mecnica del mtodo y despus damos una explicacin con base en la teora de
la dualidad. Otro mtodo, llamado procedimiento Saltando Piedras, tambin sirve
para determinar la variable que entra.

En el mtodo de multiplicadores asociamos los multiplicadores u i y vj con el

renglon i y la columna j de la tabla de transporte. Para cada variable basica xij ed
la solucion actual, los multiplicadores ui y vj deben satisfacer la ecuacion que
sigue:

ui + vj = cij , para cada variable basica xij

Estas ecuaciones producen m+n-1 ecuaciones con m+n incognitas. Los valores
de los multilicadores se pueden determinar a partir de estas ecuaciones
suponiendo un valor arbitrario para cualquiera de los multiplicadores y resolviendo
las m+n-1 multipilicadores desconocidos restantes.

Al hacer esto, la evaluacion de cada variable no basica Xpq esta dada por:

Cpq = up vq - cpq

Despus se selecciona la variable que entra como la variable no basica con la

variable no basica con la variable cpq mas positiva.

Si aplicamos este procedimiento a las variables no basicas estan dadas como:

X11:
X12:
X22:
X23:
X24:
X34:

U1
U1
U2
U2
U2
U3

+
+
+
+
+
+

V1
V2
V2
V3
V4
V4

=
=
=
=
=
=

C11
C12
C22
C23
C24
C34

=
=
=
=
=
=

10
0
7
9
20
18

Haciendo u1= 0 los valores de los multiplicadores se determinan sucesivamente

como V1=10, V2=0, U2=7, V3=2, V4=13, y U3=5. Las evaluaciones de las variables
no basicas estan dadas de la manera siguiente:

X13: c13 = u1 + v3 c13 = 0+2-20 = -18

X14: c14 = u1+ v4 c14 = 0+13-11 = 2
X21: c21 = u2 + v1 c21 = 7+10-12 = 5
X31: c31 = u3+v1 c3 = 5+10-0 = 15
X32: c32 = u3+v2 c32 = 5+0-14 = -9
X33: c33 = u3 +v3 c33 = 5+2-16 = -9

Como x31 tiene la variable cpq mas positiva, esta se selecciona como la variable
que entra.

Las ecuaciones ui+vj = cij que utilizamos para determinar los multiplicadores,
tienen una estructura tan sencilla que es necesario escribirlos en forma explicita.

DETERMINACION DE LA VARIABLE QUE SALE

(Construccion de un ciclo)

Este paso es equivalente a aplicar la condicion de factibilidad del metodo

simplex.Sin embargo, como todos los coeficientes de restriccion del modelo de
transportes original son cero o uno, las razones de condicion de factibilidad
tendran siempre su denominador igual a uno .Por lo tanto los valores de las
variables basicas producuran dirfectamente las razones asociadas.

Para el fin de determinar la razon minima, construimos un ciclo cerrado para la

variable actual que entra. El ciclo empieza y termina en la variable no basica
designada. Este consta de los segmentos sucesivos horizontales y verticales
cuyos puntos extremos deben de ser variables basicas salvo para los puntos
extremos que estan asociados con la variable que entra. Esto significa que todo
elemento de esquina del ciclo debe ser una celda que contenga una variable
basica. La tabla 6-10 ilustra un ciclo para la variable que entra dada en la solucion
basica de la tabla 6-8.Observese que para la solucion basica dada solo se puede
construir un ciclo unico para cada variable no basica.

La variable que sale se selecciona de entre las variables de esquina del ciclo
que disminuiran cuando las variables del ciclo que entra aumente arriba del nivel
cero. Estas situaciones se indican en la tabla siguiente a travez de las variables
contenidas en el cuadro etiquetado con los signos menos.

2
10

5-

20

11

15

20

25

18

10 +
12
50

15
14

5+
16

X 31 0

5-

15

15

10

La solucion basica de la tabla de abajo es degenerada, ya que las variables

basicas x11 y x22 son cero.Ahora se revisa la optimidad de la nueva solucion basica
de la tabla 6-11 calculando los nuevos multiplicadores como se indica en la tabla
6-12. Los valores de cpq estan dados por los numeros de la esquina de cada celda
no basicaLa variable no basica x21 con la variable cpq positiva mayor entra en la
solucion. El ciclo cerrado asociado con x21 muestra que x21 o x22 pueden ser la
variable que sale. Seleccionamos arbitrariamente x11 como la que sale de la
solucion.

1
1

2
10

0
2

3
0

20

11

15

20

25

18

15
12
0

15
14

10
16

5
5

15

15

10

V1=10
U1=0

V2=0
10

0U2=7

0
15 +

12
+5

U3=10

V3=2

X 21 +

20
-18

7
0-

V4=13
15

20

25

18

+2
9

15
14

11

10
16

-24

-24

-15

15

15

10

La tabla de arriba muestra la nueva solucion basica que sigue de la tabla

siguiente. Los nuevos valores de ui, vj y cpq se vuelven a calcular. La tabla
muestra la variable que entra y la que sale como x14 y x24, respectivamente.
Al efectuar este cambio en la tabla de abajo obtenemos la nueba solucion de la
tabla final. Como todas las variables cpq de la tabla final son no positivas se ha
llegado a la solucion optima.

V1=5
U1=0

V2=0
10

-5
U2=7

0
15 -

12
0

U3=5

V3=2
20
-18
7

0+
0

V4=13
11
+2
9

15
14

15

X 14 +
20

25

18

10 16

-19

-19

-10

15

15

10

V1=5
U1=0

V2=0
10

-5
U2=7

0
5

12
0

U3=5

V3=2
20
-18
7

10
0

V4=11
15

20

25

18

10
9

15
14

11

-2
16

-19

-19

-12

15

15

10

EXPLICACION DEL METODO DE MULPIPLICADORES CON UN METODO

SIMPLEX

La relecion que existe entre el metodo multiplicadores y el metodo simplex se

puede establecer demostrando que cpq segn se define, es igual directamente a
los coeficientes de la funcion objetivo de la tabla simplex asociada con la iteracion
actual.

Para mostrar como se obtiene el problema dual para el metodo de transporte,

considerese primero el caso especial de ,=2 y n=3 que se indica en la tabla 6-15.
Sean las variables duales u1 y u2 para las restricciones de las fuentes y v1,v2, y
v3 para las restricciones de los destinos. El problema dual se convierte en:

Maximizar w = (a1u1+a2u2) + (b1v1+b2v2+b3v3)

Sujeto a:

U1 +v1 <= c11

U1 +v2 <=c12
U1 +v3 <=c13
U2+v1 <=c21
U2+v1 <=c22
U2 +v3 <=c23
Ui, U2, v1, v2, v3, irrestrictas

El problema dual correspondiente esta dado por:

Maximizar w = m i-1 a1 u1 + n bi vj

sujeto a:

ui + vj <=cij para todas las i y j

ui y vj irrestrictas

La evaluacion de las variables no basicas se determinan mediante la sustitucion

de los valores actuales de las variables duales en las restricciones duales y
despues tomando la diferencia entre sus miembros primero y segundo. Los
valores de las variables duales se pueden determinar observando que las
restricciones deuales correspondientes a una variable basica se deben satisfacer
como ecuaciones escritas.
En realidad en la iteracion optima los multiplicadores producen los valores
duales optimos directamente.

En lo antes expuesto se asigna un valor arbitrario a una de las variables duales

que indica que los multiplicadores simplex asociados con una solucion basica
dada no son unicos. Esto puede parecer inconsistente con los resultados donde
los multiplicadores deben ser unicos.

SOLUCION INICIAL MEJORADA

En esta seccion presentamos dos procedimientos que determinan la solucion
inicial a travez de la seleccion de las rutas economicasdel modelo.

A. MODELO DEL COSTO MINIMO

Asignese el mas grande valor posible a la variable con el menor costo unitario de
toda la tabla. Tachese el renglon o columna satisfecho.Despues de ajustar la
oferta y la demanda de todos los renglones y columnas no tachados, repitase el

proceso asignando el valor mas grande posible a la variable con el costo unitario
no tachado mas pequeo. El procedimiento esta completo cuando queda
exactamente un rebglon o bien una columna sin tachar.

1
1

2
10

0
2

3
0

4
20

15
12

15

20

25

18

0
9
15

11

14

10
16

5
5

15

15

10

B. METODO DE APROXIMACION DE VOGEL (VAM)

Este metodo es heuristico y suele producir una mejor solucion inicial que los
dos metodos antes descritos. De hecho, VAM suele producir una solucion inicial
optima, o proxima al nivel optimo.
Los pasos del procedimiento son los siguientes:

Paso1: Evaluese una penalizacion para cada renglon restando el menor elemento
del costo del renglon del elemento de costo menor siguiente en el mismo renglon.

Paso2: Identifiqueze el renglon o columna con la mayor penalizacion, rompiendo

empates en forma arbitraria. Asignese el valor mayor posible a la variable con el

costo mas bajo del renglon o columna seleccionado. Ajustese la oferta y la

demanda y tachese el renglon o columna satisfecho. Si un renglon o columna se
satisfacen al mismo tiempo, solo uno de ellos se tacha y al renglon restante se le
asigna una oferta cero.Cualquier renglon o columna con oferta o demanda cero no
debe utilizarce para calcular penalizaciones futuras.

Paso 3:
a.-si solo hay un renglon o columna sin tachar, detengase.
b.-si solo hay un renglon conoferta positiva sin tachar, determinense las variables
basicas del renglon a travez del metodo del costo minimo.
c.-si todos los renglones y columnas sin tachar tienen oferta o demanda cero
asignadas, determinese las variables basicas cero a travez del metodo del costo
minimo. Detengase.
d.-de lo contrario, calculense las penalizaciones de las renglones y columnas no
tachados y despues dirijase al paso 2.

PR

10

20

11

15

10

12

20

25

14

16

18

14

5
PC

15

15

10

10

PR = Penalizacin de Rengln

PC = Penalizacin de Columna

PR

10

20

11

15

11

12

20

25

10

15
3

0
5

PC

15

15

10

11

Se han presentado varios mtodos para obtener una solucin al problema

de transporte u otro semejante. Una consideracin muy importante que hay que
tener en cuenta con cualquier mtodo que se utilice, es que el problema de
transporte no siempre puede aislarse y resolverse dentro de sus propios lmites. El
transporte es tan slo una parte de todo el sistema de distribucin de la compaa.
Es muy difcil resolver el mejor programa de transporte en trminos de servicio y
bajo costo. Esa rea de la empresa requiere de una constante atencin para
incorporar los cambios que constituyan y una difcil tarea para cualquier grupo de
investigaciones de negocios.

2.3 Problemas de asignacion

MODELOS DE ASIGNACIN
Introduccin al modelo de asignacin.
Los problemas de asignacin presentan una estructura similar a los de transporte,
pero con dos diferencias: asocian igual nmero de origenes con igual nmero de
demandas y las ofertas en cada origen es de valor uno, como lo es la demanda en
cada destino.

El problema de asignacin debe su nombre a la aplicacin particular de asignar

hombres a trabajos ( o trabajos a mquinas), con la condicin de que cada hombre
puede ser asignado a un trabajo y que cada trabajo tendr asignada una persona.
La condicin necesaria y suficiente para que este tipo de problemas tenga
solucin, es que se encuentre balanceado, es decir, que los recursos totales sean
iguales a las demandas totales.
El modelo de asignacin tiene sus principales aplicaciones en: Tabajadores,
Oficinas al personal, Vehculos a rutas, Mquinas, Vendedores a regiones,
productos a fabricar, etc.

ETAPAS DEL METODO, ALGORITMO HUNGARO

1. RESTE EL VALOR MS PEQUEO DE LA FILA EN CADA UNA DE LAS
FILAS
2. RESTE EL VALOR MAS PEQUEO EN LA COLUMNA DE CADA UNA DE LAS
COLUMNAS.
3. TRAZAR SEGMENTOS: Este es el criterio de decisin de asignacin, es decir
A) S el nmero de segmentos es = m, entonces podemos asignar, recuerda que
m=n asignaciones. Un Segmento es una lnea vertical u Horizontal que se va a
trazar a lo largo de toda la fila o toda la columna, no se pueden trazar segmentos
en forma diagonal.
B) Caso contrario ir al paso 4
4. ATENDER LOS SIGUIENTES INCISOS:
A) Seleccione la posicin del dato menor de los no segmentados y restelo a los no
segmentados, (esto har que se generen nuevos ceros)
B) Localizar los datos en donde se INTERSECTAN los segmentos, y sumar el dato
menor seleccionado.
C) El resto de los datos segmentados quedan EXACTAMENTE igual.
5. REPITA EL PASO 3
Casos especiales del modelo de asignacin

Casos especiales del modelo de asignacin

*Oferta y demanda desiguales.
Cuando la oferta y la demanda son desiguales, se asigna una actividad ficticia con
un costo de cero para mantener la condicin de mtodo que deben ser igual
nmero de ofertas y demandas
*Problemas de maximizacin.
Considere un problema de asignacin en el que la respuesta a cada asignacin es
una utilidad en vez de un costo. Considere la matriz de utilidades del problema
como la caracterstica nueva la cual consiste en que el nmero que aparece en
cada celdilla representa un beneficio en lugar de un costo.
*Problemas con asignacin inaceptable.
Supngase que se est resolviendo un problema de asignacin y que se sabe que
ciertas asignaciones son inaceptables. Para alcanzar esta meta, simplemente
asigna un costo arbitrariamente grande representado mediante la letra M . M es un
nmero tan grande que si se le resta un nmero finito cualquiera, queda todava
un valor mayor que los dems.
Cuando la oferta y la demanda son desiguales, se asigna una actividad ficticia con
un costo de cero para mantener la condicin de mtodo que deben ser igual
nmero de ofertas y demandas
2. Problemas de maximizacin.
Considere un problema de asignacin en el que la respuesta a cada asignacin es
una utilidad en vez de un costo. Considere la matriz de utilidades del problema
como la caracterstica nueva la cual consiste en que el nmero que aparece en
cada celdilla representa un beneficio en lugar de un costo.
3. Problemas con asignacin inaceptable.
Supngase que se est resolviendo un problema de asignacin y que se sabe que
ciertas asignaciones son inaceptables. Para alcanzar esta meta, simplemente
asigna un costo arbitrariamente grande representado mediante la letra M . M es un

nmero tan grande que si se le resta un nmero finito cualquiera, queda todava
un valor mayor que los dems.

La ruta ms corta

Un algoritmo clsico de Investigacin de Operaciones es el de La Ruta ms

Corta, usado por ejemplo para encontrar en una serie de ciudades conectadas por
carreteras, la ruta para llegar de una ciudad a otra, siguiendo una trayectoria
mnima. Existen dos tipos principales de algoritmos: Cclicos y Acclicos. Los
algoritmos Acclicos son usados en redes que no tienen ciclos, es decir que no
tienen rutas que partiendo de un nodo lo lleven a l mismo de nuevo. Los ciclos
son tambin llamados "lazos".
Los algoritmos cclicos son para las redes que tienen ciclos o lazos... o en espaol
vueltas en redondo. Un ejemplo de un lazo: Si del nodo "A" puedo ir al nodo "B", y
del nodo "B" puedo ir al "C" y del "C" al "D" y del "D" puedo retornar al "A" de
nuevo, ah hay un lazo o un ciclo. Las flechas indican en que sentido esta
permitido el movimiento.
Algoritmo Acclico:
Si la red no tiene ciclos, apliquemos el siguiente algoritmo:
Etiquetar cada nodo con el siguiente formato [distancia desde el nodo inicial,
Nombre del Nodo Precedente]. Para el nodo inicial por definicin la distancia es
cero (la distancia a s mismo), y el nodo precedente es vaco (ninguno): [0 , ] .
Despus para cada nodo, se analiza los nodos que lo preceden por las flechas, se
escoge aquel cuya distancia al nodo inicial ms la distancia al nodo presente sea
mnima. Se etiqueta con la suma, y el nombre del nodo escogido... bueno, esto en
carreta es muy enredador... mejor con un ejemplo, paso a paso.
Consideremos la siguiente red:

Los nodos pueden representan sitios (p.e ciudades, facilidades, etc) las flechas
(tambin llamadas Arcos) indican las trayectorias permitidas y sobre ellas estn

las distancias (pero tambin puede representar el costo de desplazamiento, o el

nivel de riesgo, o un producto de ambos).
Encontremos la distancia ms corta entre el nodo "A" y el nodo "G".
1. Rotular el Nodo Inicial : Recordemos el formato del rtulo es : [distancia al
primer nodo, nodo precedente]. La distancia al primer nodo, es la distancia a s
mismo en ste caso, por lo tanto es cero. El nodo precedente: como no viene de
ningn nodo, lo rotulamos vacio: [ 0, ] :

2. Rotular todos los nodos que dependan unicamente del nodo inicial:
A el Nodo B se puede llegar desde el Nodo A, con la ruta A-C-B o con la ruta A-DC-B. Asi que depende de otros nodos a parte del Nodo inicial. Lo mismo podemos
decir del Nodo C. Pero...
... Pero al Nodo D slo se puede llegar directamente desde el Nodo A. Este es el
nodo que vamos a rotular, y si hubieran ms como l tambin los rotulariamos,
pero en este ejemplo slo tenemos el D.
El rtulo del Nodo D, es : [distancia mnima desde el Nodo Inicial, Nodo
Precedente]. La distancia mnima desde el Nodo Inicial al Nodo D es 15: pos no
hay otra alternativa, che! y el Nodo Precedente el "A". Rtulo: [15, "A"]

3. Rotular Todos los Nodos que tengan la informacin suficiente para

rotularlos:

La informacin necesaria para rotular un Nodo con este algoritmo, es que todos
los Nodos de los que dependa, deben estar ya rotulados. Por ejemplo el Nodo B:
depende del A y del C. El Nodo A ya esta rotulado, pero el C an no. As que an
no se puede rotular el Nodo B. El Nodo C depende del A y del D, y ambos estan
rotulados, as que si podemos rotularlo. La distancia desde A es 8, y desde D es:
la distancia que tiene en el rtulo (que es la distancia mnima desde l al Nodo
inicial, o sea 15), MAS la distancia entre D y C = 15 +4 = 19: entre 8 y 19 es ms
pequeo 8. As que escogemos el Nodo A como precedente: el rtulo es [ 8 , "A"]

4. Seguir rotulando todos los Nodos que tengan informacin suficiente hasta
llegar al Nodo deseado:
G. Ahora ya hay informacin suficiente para rotular los Nodos B y F. Entonces
rotulemos el Nodo B (no importa cul se haga primero, igual hay que rotularlos
todos). El rotulo para el Nodo B: La distancia desde A es 10, la distancia mnima al
Nodo inicial desde C es: el la distancia del rtulo de C: 8 + la distancia de C a B : 3
=> 8 + 3 = 11. El mnimo entre 10 y 11 es 10. Rtulo= [10, "A"].

Rtulo para el F: Desde C : 8 + 4 = 12 y desde D : 15 + 15 = 30. Entonces el

Rtulo es [12, "C" ]

Rtulo para el Nodo E: Desde B : 10 + 20 = 30 y desde C: 8 + 15 = 23 Rtulo :

[23,"C"]

Por ltimo para el Nodo G: la distancia desde E es 23 + 5 = 28 y desde F es 12 +

3 = 15 Rtulo [15, F]

Ahora se puede leer la trayectoria mnima partiendo del rtulo del Nodo G, dicho
rotulo nos dice que viene del F el de F dice que viene del C y el del C dice que
viene del A. Solucin: Distancia Mnima= 15 Ruta Ms Corta = A-C-F-G