Investigación de Operaciones: Programación Lineal y Análisis de Redes

Investigacin de Operaciones
Antologa
de
Ing. Ren Zahor Torres Becerra

Ingeniera en Sistemas Computacionales Temario

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 Smplex
1.5. Aplicaciones diversas de programacin lineal
2. Anlisis de Redes
2.1. Conceptos bsicos
2.2. Problema de Transporte
2.3. Problema de Asignacin
2.4. Problema de la ruta ms corta
2.5. Programacin de Proyectos (PERT-CPM)
3. Programacin no Lineal
3.1. Conceptos bsicos de problemas de programacin no lineal
3.2. Ilustracin grfica de problemas de programacin no lineal
3.3. Tipos de problemas de programacin no lineal
3.4. Optimizacin clsica
3.4.1. Puntos de inflexin
3.4.2. Mximos y mnimos
4. Teora de Inventarios
4.1. Sistemas de Administracin y control
4.2. Modelos Determinsticos
4.2.1. Lote econmico sin dficit
4.2.2. Lote econmico con dficit
4.3. Lote Econmico de produccin
5. Lneas de espera
5.1. Definiciones, caractersticas y suposiciones.
5.2. Terminologa y notacin
5.3. Proceso de nacimiento o muerte
5.4. Modelos de Poisson
5.4.1. Un servidor
5.4.2. Mltiples Servidores
5.5. Anlisis de Costos

Unidad 1
Programacin Lineal
1.1.Definicin, desarrollo y tipos de modelos de Investigacin de Operaciones
Investigacin de Operaciones o Investigacin Operacional. Se puede definir de la siguiente

manera: La Investigacin de Operaciones es la aplicacin por grupos interdisciplinarios del mtodo
cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se
produzcan soluciones que mejor sirvan a los objetivos de toda la organizacin.
Historia de la Investigacin de Operaciones.
La primera actividad de Investigacin de Operaciones se dio durante la Segunda Guerra Mundial en

Gran Bretaa, donde la Administracin Militar llam a un grupo de cientficos de distintas reas del saber
para que estudiaran los problemas tcticos y estratgicos asociados a la defensa del pas.
El nombre de Investigacin de Operaciones fue dado aparentemente porque el equipo estaba
llevando a cabo la actividad de investigar operaciones (militares).
Motivados por los resultados alentadores obtenidos por los equipos britnicos, los administradores
militares de Estados Unidos comenzaron a realizar investigaciones similares. Para eso reunieron a un grupo
selecto de especialistas, los cuales empezaron a tener buenos resultados y en sus estudios incluyeron
problemas logsticos complejos, la planeacin de minas en el mar y la utilizacin efectiva del equipo
electrnico.
Al trmino de la guerra y atrados por los buenos resultados obtenidos por los estrategas militares,
los administradores industriales empezaron a aplicar las herramientas de la Investigacin de Operaciones a
la resolucin de sus problemas que empezaron a originarse debido al crecimiento del tamao y la
complejidad de las industrias.
Aunque se ha acreditado a Gran Bretaa la iniciacin de la Investigacin de Operaciones como una
nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rpidamente creciente. La
primera tcnica matemtica ampliamente aceptada en el medio de Investigacin de Operaciones fue el
Mtodo Smplex de Programacin Lineal, desarrollado en 1947 por el matemtico norteamericano George
B. Dantzig. Desde entonces las nuevas tcnicas se han desarrollado gracias al esfuerzo y cooperacin de las
personas interesadas tanto en el rea acadmica como en el rea industrial.
Un segundo factor en el progreso impresionante de la Investigacin de Operaciones fue el desarrollo
de la computadora digital, que con sus tremendas capacidades de velocidad de cmputo y de
almacenamiento y recuperacin de informacin, permitieron al tomador de decisiones rapidez y precisin.
Si no hubiera sido por la computadora digital, la Investigacin de Operaciones con sus grandes
problemas de computacin no hubiera crecido al nivel de hoy en da.
Actualmente la Investigacin de Operaciones se est aplicando en muchas actividades. Estas
actividades han ido ms all de las aplicaciones militares e industriales, para incluir hospitales, instituciones
financieras, bibliotecas, planeacin urbana, sistemas de transporte y sistemas de comercializacin.

Caractersticas de la Investigacin de Operaciones.
Es muy notable el rpido crecimiento del tamao y la complejidad de las organizaciones (empresas)
humanas que se ha dado en estos ltimos tiempos. Tal tamao y complejidad nos hace pensar que una sola
decisin equivocada puede repercutir grandemente en los intereses y objetivos de la organizacin y en
ocasiones pueden pasar aos para rectificar tal error. Tambin el ritmo de la empresa de hoy implica que las
DECISIONES se tomen ms rpidamente que nunca, pues el hecho de posponer la accin puede dar una
decisiva ventaja al contrario en este mundo de la competencia.
La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la bsqueda de una
herramienta o mtodo que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a
los objetivos que persigue. Tal herramienta recibi el nombre de Investigacin de Operaciones.
De la definicin de Investigacin de Operaciones, como veremos en el siguiente apartado, podemos
resaltar los siguientes trminos: organizacin, sistema, grupos interdisciplinarios, objetivo y metodologa
cientfica.
Una organizacin puede entenderse como un sistema, en el cual existen componentes; canales que
comunican tales componentes e informacin que fluye por dichos canales. En todo sistema las
componentes interactan unas con otras y tales interacciones pueden ser controlables e incontrolables. En
un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o
mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema.
Por lo tanto es necesario que exista un procedimiento sistemtico que identifique a quienes toman
decisiones y a las interacciones que tengan importancia para los objetivos de la organizacin o sistema. Uno
de esos procedimientos es precisamente la Investigacin de Operaciones.
Una estructura por la que no fluye informacin, no es dinmica, es decir, no podemos considerarla
como un sistema. Por lo tanto podemos decir que la informacin es lo que da vida a las estructuras u
organizaciones humanas.
Los objetivos de toda organizacin sern siempre alcanzar el liderato en su rama, controlando la
eficiencia y efectividad de todas sus componentes por medio de mtodos que permitan encontrar las
relaciones ptimas que mejor operen el sistema, dado un objetivo especfico.
Ante el tremendo avance que se ha dado en casi todas las ciencias en las ltimas dcadas, ya no es
factible querer saber un poco de todo, sino ms bien especializarse en alguna rama de la ciencia. Los
problemas que se presentan en las organizaciones no fcilmente se pueden resolver por un slo especialista.
Por el contrario son problemas multidisciplinarios, cuyo anlisis y solucin requieren de la participacin de
varios especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje comn para
poder entenderse y comunicarse, donde la Investigacin de Operaciones viene a ser ese puente de
comunicacin.
El enfoque de la Investigacin de Operaciones es el mismo del mtodo cientfico. En particular, el
proceso comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin
de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En
este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las
caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas
tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas adecuadas.
Entonces, en cierto modo, la Investigacin de Operaciones incluye la investigacin cientfica creativa de las
propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la
Investigacin de Operaciones se ocupa tambin de la administracin prctica de la organizacin. As, para
tener xito, deber tambin proporcionar conclusiones positivas y claras que pueda usar el tomador de
decisiones cuando las necesite.

La contribucin del enfoque de Investigacin de Operaciones proviene principalmente de:
1. La estructuracin de una situacin de la vida real como un modelo matemtico,

logrando una abstraccin de los elementos esenciales para que pueda buscarse una solucin que
concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el
problema dentro del contexto del sistema completo.
2. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos
sistemticos para obtenerlas.
3. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que
lleva al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los
cursos de accin opcionales evaluando esta medida para cada uno).
Metodologa de la Investigacin de Operaciones.
El proceso de la Investigacin de Operaciones comprende las siguientes fases:

1 Formulacin y definicin del problema.
2 Construccin del modelo.
3 Solucin del modelo.
4 Validacin del modelo.
5 Implementacin de resultados.
Demos una explicacin de cada una de las fases:
1. Formulacin y definicin del problema. En esta fase del proceso se necesita: una descripcin de
los objetivos del sistema, es decir, qu se desea optimizar; identificar las variables implicadas, ya sean
controlables o no; determinar las restricciones del sistema. Tambin hay que tener en cuenta las
alternativas posibles de decisin y las restricciones para producir una solucin adecuada.
2. Construccin del modelo. En esta fase, el investigador de operaciones debe decidir el modelo a
utilizar para representar el sistema. Debe ser un modelo tal que relacione a las variables de decisin
con los parmetros y restricciones del sistema. Los parmetros (o cantidades conocidas) se pueden
obtener ya sea a partir de datos pasados o ser estimados por medio de algn mtodo estadstico. Es
recomendable determinar si el modelo es probabilstico o determinstico. El modelo puede ser
matemtico, de simulacin o heurstico, dependiendo de la complejidad de los clculos matemticos
que se requieran.
3. Solucin del modelo. Una vez que se tiene el modelo, se procede a derivar una solucin matemtica
empleando las diversas tcnicas y mtodos matemticos para resolver problemas y ecuaciones.
Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso, son
matemticas y debemos interpretarlas en el mundo real. Adems, para la solucin del modelo, se
deben realizar anlisis de sensibilidad, es decir, ver cmo se comporta el modelo a cambios en las
especificaciones y parmetros del sistema. Esto se hace, debido a que los parmetros no
necesariamente son precisos y las restricciones pueden estar equivocadas.
4. Validacin del modelo. La validacin de un modelo requiere que se determine si dicho modelo
puede predecir con certeza el comportamiento del sistema. Un mtodo comn para probar la validez
del modelo, es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las
situaciones pasadas del sistema. Pero como no hay seguridad de que el comportamiento futuro del
sistema contine replicando el comportamiento pasado, entonces siempre debemos estar atentos de
cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo.
5. Implementacin de resultados. Una vez que hayamos obtenido la solucin o soluciones del
modelo, el siguiente y ltimo paso del proceso es interpretar esos resultados y dar conclusiones y
cursos de accin para la optimizacin del sistema. Si el modelo utilizado puede servir a otro
problema, es necesario revisar, documentar y actualizar el modelo para sus nuevas aplicaciones.
Tipos de Modelos de la Investigacin de Operaciones
1. Determinsticos 2. Probabilsticos
1.1. Programacin matemtica 2.1. Programacin estocstica
1.1.1. Programacin lineal 2.2. Gestin de inventarios
1.1.2. Programacin entera 2.3. Fenmenos de espera (colas)
1.1.3. Programacin dinmica 2.4. Teora de juegos
1.1.4. Programacin no lineal 2.5. Simulacin
1.1.5. Programacin multiobjetivo 2
1.2. Modelos de transporte 3
1.3. Modelos de redes 4
5
1
6 Concepto de optimizacin.
7
8 Una caracterstica adicional, que se mencion como de pasada, es que la Investigacin de
Operaciones intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo
consideracin. En lugar de contentarse con slo mejorar el estado de las cosas, la meta es identificar
el mejor curso de accin posible. An cuando debe interpretarse con todo cuidado, esta bsqueda
de la optimalidad es un aspecto muy importante dentro de la Investigacin de Operaciones.
9
10 reas de aplicacin de la Investigacin de Operaciones.
11
12 Como su nombre lo dice, Investigacin de Operaciones significa hacer investigacin sobre
las operaciones. Esto dice algo del enfoque como del rea de aplicacin. Entonces, la Investigacin
de Operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones
o actividades dentro de una organizacin. La naturaleza de la organizacin es esencialmente
inmaterial y, de hecho, la Investigacin de Operaciones se ha aplicado en los negocios, la industria,
la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente
amplia. Casi todas las organizaciones ms grandes del mundo (alrededor de una docena) y una
buena proporcin de las industrias ms pequeas cuentan con grupos bien establecidos de
Investigacin de Operaciones. Muchas industrias, incluyendo la area y de proyectiles, la
automotriz, la de comunicaciones, computacin, energa elctrica, electrnica, alimenticia,
metalrgica, minera, del papel, del petrleo y del transporte, han empleado la Investigacin de
Operaciones. Las instituciones financieras, gubernamentales y de salud estn incluyendo cada vez
ms estas tcnicas.
13

14 Para ser ms especficos, se consideran algunos problemas que se han resuelto mediante
algunas tcnicas de Investigacin de Operaciones. La programacin lineal se ha usado con xito en
la solucin de problemas referentes a la asignacin de personal, la mezcla de materiales, la
distribucin y el transporte y las carteras de inversin. La programacin dinmica se ha aplicado
con buenos resultados en reas tales como la planeacin de los gastos de comercializacin, la
estrategia de ventas y la planeacin de la produccin. La teora de colas ha tenido aplicaciones en la
solucin de problemas referentes al congestionamiento del trfico, al servicio de mquinas sujetas a
descomposturas, a la determinacin del nivel de la mano de obra, a la programacin del trfico
areo, al diseo de presas, a la programacin de la produccin y a la administracin de hospitales.
Otras tcnicas de Investigacin de Operaciones, como la teora de inventarios, la teora de juegos y
la simulacin, han tenido exitosas aplicaciones en una gran variedad de contextos.
15
1.2.Formulacin de Modelos
16
17 Para llevar a cabo la Formulacin de un Modelo es necesario seguir los siguientes puntos:
18
1 Identificar los elementos de decisin
1 Alternativas (Variables de decisin)
2 Limitaciones del sistema (Restricciones)
3 Objetivos (uno o varios, optimizar o satisfacer)
2 Hay que recoger informacin relevante (los datos pueden ser un grave problema)
19
20 Es la etapa fundamental para que las decisiones sean tiles
21
22 Estructura de los modelos empleados en la Investigacin de Operaciones.
23
24 El enfoque de la Investigacin de Operaciones es el modelaje. Un modelo es una
herramienta que nos sirve para lograr una visin bien estructurada de la realidad. As, el propsito
del modelo es proporcionar un medio para analizar el comportamiento de las componentes de un
sistema con el fin de optimizar su desempeo. La ventaja que tiene el sacar un modelo que
represente una situacin real, es que nos permite analizar tal situacin sin interferir en la operacin
que se realiza, ya que el modelo es como si fuera un espejo de lo que ocurre.
25 Para aumentar la abstraccin del mundo real, los modelos se clasifican como 1) icnicos, 2)
anlogos, 3) simblicos.
26 Los modelos icnicos son la representacin fsica, a escala reducida o aumentada de un
sistema real.
27 Los modelos anlogos esencialmente requieren la sustitucin de una propiedad por otra con
el fin de permitir la manipulacin del modelo. Despus de resolver el problema, la solucin se
reinterpreta de acuerdo al sistema original.
28 Los modelos ms importantes para la investigacin de operaciones, son los modelos
simblicos o matemticos, que emplean un conjunto de smbolos y funciones para representar las
variables de decisin y sus relaciones para describir el comportamiento del sistema. El uso de las
matemticas para representar el modelo, el cual es una representacin aproximada de la realidad,
nos permite aprovechar las computadoras de alta velocidad y tcnicas de solucin con matemticas
avanzadas.
29 Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos que
son:

30

1 Variables y parmetros de decisin. Las variables de decisin son las incgnitas (o decisiones)
que deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que
relacionan las variables de decisin con las restricciones y funcin objetivo. Los parmetros del
modelo pueden ser determinsticos o probabilsticos.
31
2 Restricciones. Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras del sistema, el
modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las variables de decisin a
un rango de valores factibles.
32
3 Funcin objetivo. La funcin objetivo define la medida de efectividad del sistema como una
funcin matemtica de las variables de decisin. Se Maximiza Ganancia y se Minimiza Costos.
33
34 La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a
las restricciones.
35 Ejemplos
36
1 La WYNDOR GLASS CO. Produce artculos de vidrio de Alta calidad, entre ellos ventanas y
puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los
de madera en la planta 2 y la 3 produce el vidrio y ensambla los productos.
37 Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar la lnea de
produccin de la compaa. Se descontinuarn varios productos no rentables y se dejar libre una
parte de la capacidad de la produccin para emprender la fabricacin de los 2 productos nuevos que
tienen ventas potenciales grandes:
38 Producto 1: Una puerta de vidrio de 8 pies con marco de aluminio.
39 Producto 2: Una ventana corrediza con marco de madera de 4 pies por 6.
40 El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta
2. El producto 2 solo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha
concluido que la compaa puede vender todos los productos que se puedan fabricar en las plantas.
Sin embargo, como ambos productos competirn por la misma capacidad de produccin en la
planta 3, no est claro que mezcla de productos sera la ms rentable. Por lo tanto se ha formado un
equipo de IO para estudiar este problema.
41 Despus de hacer una investigacin, el depto. De IO determin:
42 El porcentaje de la capacidad de produccin en cada planta que estar disponible para estos
productos.
43 El porcentaje de esta capacidad que requiere cada unidad producida por minuto.
44 La ganancia unitaria por cada minuto.
45
46 Esta informacin se ve reflejada en la siguiente tabla:
47
49 Tiempo de produccin por lote, horas 50 Tiempo de produccin
48 Plata 52 Producto disponible a la semana
55 1 56 2 en hrs.
58 1 59 1 60 0 61 4
62 2 63 0 64 2 65 12
66 3 67 3 68 2 69 18
70 Ganancia por Lote 71 $3,000.00 72 $5,000.00 73
74

75 Solucin del problema
76
77 Definicin de variables:
78
79 X1 = Cantidad a producir del producto 1
80 X2 = Cantidad a producir del producto 2
81
82 Formulacin del modelo:
83
84 Max Z = 3X1 + 5X2
85 s.a.
86 X1 <= 4
87 2X2 <= 12
88 3X1 + 2X2 <= 18
89
90 Xi >= 0 para todo valor de ( )i
91
2 La compaa XYZ fabrica zapatos de dos clases: Normales y de Lujo, se desea determinar su
produccin de cada clase de zapatos en tal forma que maximice sus utilidades diarias durante el mes
siguiente. El tiempo empleado en producir un par de zapatos de lujo, es el doble del necesario para
un par estndar.
92 Si todos los zapatos fuesen de clase estndar la compaa tendra la capacidad de producir 1200
pares por da. El suministro de piel es suficiente para 900 pares por da sin importar la clase de
zapatos. De los otros materiales necesarios se tiene la capacidad de producir 600 pares de lujo por
da y 1300 pares estndar por da.
93 Las utilidades netas son de $60.00 y $30.00 para zapatos de Lujo y estndar respectivamente.
94
96
98
99 X1 = Cantidad de zapatos de lujo a producir
100 X2 = Cantidad de zapatos estndar a producir
101
103
104 Max Z = 60X1 + 30X2
105 s.a.
106 2X1 + X2 <= 1200 } Capacidad de produccin
107 X1 + X2 <= 900 } Piel
108 X1 <= 600 Otros Materiales
109 X2 <= 1300
110
111 Xi >= 0 i
112

3 Una fbrica de televisores desea maximizar sus utilidades en la venta de sus dos artculos principales:
televisores a color y televisores de plasma.
113 Una televisin a color requiere en promedio 4 horas-hombre en produccin de partes, 2 horas-
hombre para ensamble y 0.5 horas-hombre para inspeccin. Una televisin de plasma requiere en
promedio 6 horas-hombre en produccin de partes, 3 horas-hombre para ensamble y 1 horas-hombre
para inspeccin.
114 Durante cada periodo de produccin hay disponibles 2500 horas-hombre para produccin de
partes, 1100 horas-hombre para ensamble y 600 horas-hombre para inspeccin. La utilidad neta para
cada televisor de plasma y color es de $2500.00 y $1000.00 respectivamente.
115
117
119
120 X1 = Cantidad de televisores de plasma
121 X2 = Cantidad de televisores a color
122
124
125 Max Z = 2500X1 + 1000X2
126 s.a.
127 6X1 + 4X2 <= 2500
128 3X1 + 2X2 <= 1100
129 X1 + .5X2 <= 600
130
131 Xi >= 0 i
132
4 Un experimento social interesante en la regin del mediterrneo es el sistema kibbutzim, tambin
conocido como comunidades agrcolas comunales, en Israel.
133 Es usual que los grupos de kibbutzim se unan para compartir los servicios tcnicos comunes
y coordinar su produccin. El primer grupo se refiere a 3 subgrupos de kibbutzim el cual se llamar
la Confederacin Sur de kibbutzim.
134 La planeacin global de la Confederacin Sur de kibbutzim se hace en su oficina de
coordinacin tcnica. En la actualidad estn planeando la produccin agrcola para el ao prximo.
La produccin agrcola est limitada tanto por la extensin de la tierra disponible para la irrigacin
como por la cantidad de agua que la comisin de aguas asigna para irrigarlo.
135 El tipo de cosecha apropiada para la regin incluye: remolacha, algodn y sorgo, y son estos
los 3 tipos de cosechas los que se estn estudiando para la estacin venidera.
136 Las cosechas difieren primordialmente en su rendimiento por acre esperado y en su consumo
de agua, adems el ministerio de cultura ha establecido una cantidad mxima de acres que la
Confederacin Sur de kibbutzim puede dedicar a estas cosechas.
137 Los 3 kibbutzim que pertenecen a Confederacin Sur estn de acuerdo en sembrar la misma
proporcin de sus tierras irrigables disponibles.
138 Cualquier combinacin de estas cosechas se puede sembrar en cualquiera de los kibbutzim. El
trabajo al que se enfrent la oficina de coordinacin tcnica consiste en planear cuantos acres deben
asignarse a cada tipo de cosecha para cada kibbutzim.
139
140 Los datos de recursos para la Confederacin Sur de kibbutzim son los siguientes:
141
143 Terreno para uso 145 Asignacin de Agua
142 No. de Kibbutzim
144 (Acres) 146 (pies Acre)
147 1 148 400 149 600
150 2 151 600 152 800
153 3 154 300 155 375
156
157 Los datos de cosechas para la Confederacin Sur de kibbutzim son los siguientes:
158
164 Rendimiento
160 Cantidad Mxima 162 Consumo de agua
159 Cosecha Neto
161 (Acres) 163 (pies-acre/acres)
165 ($/acre)
166 1 167 600 168 3 169 400
170 2 171 500 172 2 173 300
174 3 175 325 176 1 177 100
178
179 Cumpliendo con las restricciones dadas el objetivo es maximizar el rendimiento total para la
Confederacin Sur.
180
182
183 Definicin de variables: Xi es la cantidad de cosecha sembrada en cada kibbutzim
184
185 X1 = Remolacha en el 188 X4 = Remolacha en el 191 X7 = Remolacha en el
kibbutzim 1 kibbutzim 2 kibbutzim 3
186 X2 = Algodn en el 189 X5 = Algodn en el 192 X8 = Algodn en el
187 X3 = Sorgo en el 190 X6 = Sorgo en el 193 X9 = Sorgo en el
194
196
197 Max Z = 400(X1 + X4 + X7) + 300(X2+ X5+ X8) + 100(X3+ X6+ X9)
198
199 s.a.
200 Terreno: X1 + X2 + X3 <= 400 208 X2 + X5 + X8 <= 500
201 X4 + X5 + X6 <= 600 209 X3 + X6 + X9 <= 325
202 X7 + X8 + X9 <= 300 210
203 211 Proporcin:
204 Agua: 3X1 + 2X2 + X3 <= 600 X 1+ X 2 + X 3 X 4 + X 5 + X 6 X 7 + X 8+ X 9
205 3X4 + 2X5 + X6 <= 800 = =
400 600 300
206 3X7 + 2X8 + X9 <= 375 212 Xi >= 0 i
207 Cosecha: X1 + X4 + X7 <= 600

213

5 Cierta compaa tiene 3 plantas con un exceso en su capacidad de produccin. Las 3 plantas pueden
fabricar un determinado producto y la gerencia ha decidido usar parte de la capacidad adicional para
este fin.
214 El producto puede fabricarse en 3 tamaos que son: chico, mediano y grande los cuales darn
una ganancia neta de $275.00, $330.00 y $375.0 respectivamente. Las plantas 1, 2 y 3 tienen
capacidad de mano de obra y equipo para producir 750, 900 y 450 unidades diarias cada una, sin
importar el tamao o la combinacin de tamaos que se pidan. Sin embargo, la cantidad de espacio
disponible para almacenar material en el proceso impone una limitacin en las tasas de produccin.
Se cuenta con 13000, 12000 y 5000 pies2 de espacio en las plantas, para los materiales en proceso de
produccin diaria de este producto. Cada unidad chica, mediana y grande que se produce requiere 12,
15 y 20 pies2 respectivamente.
215 Los pronsticos de mercado indican que se pueden vender 750, 1200 y 900 unidades diarias,
correspondientes a los tamaos chico, mediano y grande.
216 Con el fin de mantener una carga de trabajo uniforme entre las plantas y para conservar
alguna flexibilidad, la gerencia ha decidido que la produccin adicional que se asigne emplee el
mismo porcentaje de la capacidad adicional con que cuenta la fbrica.
217 El gerente quiere saber cuntas unidades de cada tamao debe producir en la planta para
maximizar la ganancia.
218
220
221 Definicin de variables: Xi es la cantidad de producto i en cada planta
222
223 X1 = Chico en la planta 1 227 X5 = Mediano en la planta 230 X8 = Mediano en la planta
224 X2 = Mediano en la planta 2 3
1 228 X6 = Grande en la planta 231 X9 = Grande en la planta 3
225 X3 = Grande en la planta 1 2
226 X4 = Chico en la planta 2 229 X7 = Chico en la planta 3
232
233
235
236 Max Z = 275(X1 + X4 + X7) + 330(X2+ X5+ X8) + 375(X3+ X6+ X9)
237
238 s.a.
239 Capacidad: X1 + X2 + X3 <= 750 246
240 X4 + X5 + X6 <= 900 247 Demanda: X1 + X4 + X7 >= 750
241 X7 + X8 + X9 <= 450 248 X2 + X5 + X8 >= 1200
242 249 X3 + X6 + X9 >= 900
243 Cap.esp.dis.:12X1+15X2+20X3 <= 250
13000 251 Proporcin:
244 12X4 + 15X5 + 20X6 <= X 1+ X 2 + X 3 X 4 + X 5 + X 6 X 7 + X 8+ X 9
12000 = =
750 900 450
245 12X 7 + 15X8 + 20X9 <=
5000 252 Xi >= 0 i

253
15
6 Una familia es propietaria de 125 acres y tiene fondos por $40,000.00 para invertir. Sus miembros
pueden producir un total de 3500 Hrs-Hombre. De mano de obra durante el invierno y 4000 Hrs-
Hombre durante el verano. En caso de que no se necesite una parte de esas Hrs-Hombre, los jvenes
de la familia las emplean para trabajar en el campo vecino por $5.00 la hora durante los meses de
invierno y por $6.00 la hora en el verano.
254 La familia puede obtener el ingreso en efectivo a partir de 3 tipos de cosecha y dos tipos de
animales de granja; Vacas lecheras y gallinas ponedoras. Para la cosecha no se necesita inversin,
pero cada vaca requerir un desembolso de $1,200.00 y cada gallina costara $9.00.
255 Cada vaca necesita 1.5 acres, 100 Hrs-Hombre durante el invierno y otras 50 Hrs-Hombre en
el verano; cada una producir un ingreso anual neto de $1,000.00 para la familia. Las cifras
correspondientes para cada gallina son: nada de terreno, 0.6 Hrs-Hombre en el invierno, 0.3 Hrs-
Hombre en el verano y un ingreso anual neto de $5.00. Caben 3000 gallinas por gallinero y el corral
limita el ganado a un mximo de 32 vacas.
256 Las estimaciones de las Hrs-Hombre y el ingreso por acres planteado con cada tipo de
cosecha son:
257
258 259 Soya 260 Maz 261 Avena
262 Hrs-Hombre en
263 20 264 35 265 10
Invierno
266 Hrs-Hombre en el
267 50 268 75 269 40
Verano
270 Ingreso neto anual
271 500 272 750 273 350
($)
274
275 La familia quiere determinar cuntos acres debe sembrar con cada tipo de cosecha y cuantas
vacas y gallinas debe mantener para maximizar su ingreso neto.
276
278
279 Definicin de variables: Xi es la cantidad de producto i a sembrar o mantener.
280
281 X1 = Cantidad de Soya a sembrar por acre 285 X5 = Cantidad de gallinas a mantener por acre
282 X2 = Cantidad de Maz a sembrar por acre 286 X5 = Cantidad ganada en Invierno
283 X3 = Cantidad de Avena a sembrar por acre 287 X6 = Cantidad ganada en Verano
284 X4 = Cantidad de vacas a mantener por acre
288
290
291 Max Z = 500X1 + 750X2 + 350X3+ 1000X4+ 5X5+ 5X6+ 6X7
292
293 s.a.
294 Terreno: X1 + X2 + X3 + 1.5X4 <= 299
125 300 20X1 + 35X2 + 10X3 + 100X4 + 0.6X5 <=
295 3500
301
296 Inversin: 1200X4+9X5 <= 40,000
302 Hrs.-Hombre Verano:
297
303
298 Hrs.-Hombre Invierno:
16
304 50X1 + 75X2 + 40X3 + 50X4 + 0.3X5 <= 4000 307 X5 <= 3,000
305 308Xi >= 0 i
306 Capacidad: X4 <= 32
309
17
7 Se tienen 4 proyectos con sus respectivos costos durante un periodo de 3 aos, as como la utilidad
total en el periodo de los 3 aos. Se desea maximizar la utilidad total si se dispone de $30,000.00,
$28,000.00 y $25,000.00 en cada uno de los aos segn la siguiente tabla:
310
312 Costos 313 Utilidad
311 Proyecto
316 Ao 1 317 Ao 2 318 Ao 3 314 Total
320 1 321 7 322 10 323 3 324 95
325 2 326 3 327 13 328 7 329 50
330 3 331 16 332 12 333 16 334 130
335 4 336 12 337 8 338 15 339 100
340
342
344
345 X1 = Proyecto 1
346 X2 = Proyecto 2
347 X3 = Proyecto 3
348 X4 = Proyecto 4
349
351
352 Max Z = 95X1 + 50X2 + 130X3 + 100X4
353 s.a.
354 7X1 + 3X2 + 16X3 + 12X4 <= 30,000
355 10X1 + 13X2 + 12X3 + 8X4 <= 28,000
356 3X1 + 7X2 + 16X3 + 15X4 <= 25,000
357
358 Xi >= 0 i
359
8 Una compaa distribuidora de cerveza desea saber que poltica de distribucin minimizar sus costos
de distribucin, si cuenta con depsitos en: Monterrey, Mxico y Guadalajara, y los centros de
consumo a los que tiene que surtir son: Tecate, Culiacn, Durango y Mrida.
360 Los costos de distribucin entre centros de consumo y depsitos, as como las capacidades y
demandas por periodos son:
361
367 Capacida
362 363 Tecate 364 Culiacn 365 Durango 366 Mrida
d
368 Monterre
369 8+ 370 3+ 371 4+ 372 5+ 373 550
y
+ + + +
374 Mxico 375 7 376 6 377 5 378 2 379 300
380 Guadalaj
381 2+ 382 4+ 383 3+ 384 5+ 385 250
ara
391 + Miles de cartones
386 Demanda 387 250* 388 300* 389 200* 390 160* 392 * Costo/km en
cartones
393
394 Formule el problema de programacin lineal.
395
397
18
398 Definicin de variables: Xij Cantidad de miles de cartones que se van a mandar del centro
de produccin i al lugar de consumo j. (i=1,2,3 y j=1,2,3,4).
399
401
402 Min Z = 8X11 + 3X12 + 4X13 + 5X14 + 7X21 + 6X22 + 5X23 + 2X24 + 2X31 + 4X32 + 3X33 + 3X34
403 s.a.
404 Capacidad: X11 + X12 + X13 + X14 <= 550
405 X21 + X22 + X23 + X24 <= 300
406 X31 + X32 + X33 + X34 <= 200
407
408 Demanda: X11 + X21 + X31 <= 250
409 X12 + X22 + X32 <= 300
410 X13 + X23 + X33 <= 200
411 X14 + X24 + X34 <= 160
412
413 Xij >= 0 ij
414
9 Una granja desea encontrar la frmula de una dieta para pollos que suponga una mezcla de 100 lbs.
que es el lote diario requerido. La dieta debe contener al menos 0.8% pero no ms de 1.2% de calcio,
al menos 22% de protenas, a lo ms 5% de fibra cruda. Suponga que los principales ingredientes
utilizados contienen maz, soya y caliza. El contenido nutritivo de estos ingredientes se resume a
continuacin:
415
417 Ingredientes (lbs * lb de ingrediente)
416 Producto 418 Costo /lb
420 Calcio 421 Protenas 422 Fibra
424 Piedra caliza 425 0.380 426 0.00 427 0.00 428 0.0164
429 Maz 430 0.001 431 0.09 432 0.02 433 0.0463
434 Soya 435 0.002 436 0.50 437 0.08 438 0.1250
439
441
442 Definicin de variables: Xi Cantidad de ingredientes que debe contener la mezcla.
443
444 X1 = Piedra Caliza
445 X2 = Maz
446 X3 = Soya
447
449
450 Min Z = 0.0164X1 + 0.0463X2 + 0.1250X3
451 s.a.
452 0.380X1 + 0.001X2 + 0.002X3 >= 0.008 * 100 (Libras de la mezcla)
453 0.380X1 + 0.001X2 + 0.002X3 <= 0.012 * 100
454 0.009X2 + 0.500X3 >= 0.220 * 100
455 0.020X2 + 0.080X3 <= 0.050 * 100
456
19
457 Xi >= 0 i
458
459
20
10 Una fabrica produce 3 modelos (I, II y III) de un cierto producto y usa 2 tipos de materia prima (A y
B) de los cuales se tienen disponibles 2,000 y 3,000 unidades respectivamente. Los requisitos de
materia prima por unidad de los 3 modelos son:
460
461 Materia 462 Requisitos por unidad de modelo 463 Disponibi
Prima 465 I 466 II 467 III lidad
469 A 470 2 471 3 472 5 473 2,000
474 B 475 4 476 2 477 7 478 3,000
479
480 El tiempo de mano de obra para cada unidad del modelo I es 2 veces el del modelo II y 3
veces el del modelo III. La fuerza laboral completa de la fbrica puede producir el equivalente de 700
unidades del modelo I. En una encuesta de mercado se indica que la demanda mnima de los 3
modelos es de 200, 250 y 150 unidades respectivamente, sin embargo las relaciones del no. unidades
producidas debe ser igual a 3:2:5. Suponga que los beneficios pos unidad de los modelos I, II y III
son: 30, 20 y 50 unidades monetarias. Formule el problema por medio de un modelo de
programacin lineal.
481
483
484 Definicin de variables: Xi Cantidad de artculos a producirse de cada modelo.
485
486 X1 = Modelo I
487 X2 = Modelo II
488 X3 = Modelo III
489
491
492 Max Z = 30X1 + 20X2 + 50X3
493 s.a.
494 Materia Prima:2X1 + 3X2 + 5X3 <= 2000
495 4X1 + 2X2 + 7X3 <= 3000
496
497 Demanda: X1 >= 200, X2 >= 250, X3 >= 150
498
499 Cap. Disponible: X1 + 2X2 + 3X3 <= 700
500
501 Xi >= 0 i
502
11 Se procesan 4 productos sucesivamente en 2 maquinas. Los tiempos de manufactura en hrs. por
unidad de cada producto se tabulan a continuacin para las 2 maquinas:
503
505 Tiempo por unidades (horas) 506 Disponi
504 Maqui bilidad
naria 508 Produc 509 Produc 510 Produc 511 Produc
512
to 1 to 2 to 3 to 4
513 A 514 2 515 3 516 4 517 2 518 $10.00
519 B 520 3 521 2 522 1 523 2 524 $15.00
525
21
526
22
527 El costo total de producir una unidad de cada producto est basado directamente en el tiempo
de mquina. Suponga que le costo por hora de las maquinas 1 y 2 es de 10 y 15 horas. Las horas
totales presupuestadas para todos los productos en las maquinas 1 y 2 son 500 y 380.
528 Si el precio de venta por unidad para los productos 1, 2, 3 y 4 es de 65, 70, 55 y 45
respectivamente, formle el problema como un modelo de programacin lineal para maximizar el
beneficio neto total.
529
531
532 Definicin de variables: Xi Cantidad de artculos a producirse de cada producto
533
534 X1 = Producto 1
535 X2 = Producto 2
536 X3 = Producto 3
537 X4 = Producto 4
538
539 Utilidad: Precio de Venta Costo, por lo tanto:
540
541 Producto 1 = 65 2(10) 3(15) = 0
542 Producto 2 = 70 3(10) 2(15) = 10
543 Producto 3 = 55 4(10) 1(15) = 0
544 Producto 4 = 45 2(10) 2(15) = 5
545
547
548 Max Z = 0X1 + 10X2 + 0X3 5X4
549 s.a.
550 2X1 + 3X2 + 4X3 + 2X4 <= 500
551 3X1 + 2X2 + X3 + 2X4 <= 380
552
553 Xi >= 0 i
554
12 Para una cafetera que trabaja 24 horas se requieren las siguientes meseras:
555
557 No. de meseras
556 Horarios del da
requeridas
558 02 06 559 4
560 06 10 561 8
562 10 14 563 10
564 14 18 565 7
566 18 22 567 12
568 22 02 569 4
570
571 Cada mesera trabaja turnos de 8 horas consecutivas por da. El objetivo es encontrar el
nmero ms pequeo de meseras requerido para cumplir los requisitos anteriores. Formule el
problema con un modelo de programacin lineal.
572
573
23
575
576 Definicin de variables: Xi no de meseras que inician su turno
577
579
580 Min Z = X1 + X2 + X3 + X4 + X5+ X6 + X0
581 s.a.
582 X0 + X1 >= 4 (Turno de 02 06)
583 X1 + X2 >= 8 (Turno de 06 10)
584 X2 + X3 >= 10 (Turno de 10 14)
585 X3 + X4 >= 7 (Turno de 14 18)
586 X4 + X5 >= 12 (Turno de 18 22)
587 X5 + X0 >= 4 (Turno de 22 02)
588
589 Xi >= 0 i
590
13 Dos aleaciones A y B se hacen de materiales (I, II, III y IV) de acuerdo con las siguientes
especificaciones:
591
592 Aleacin A: 597 Aleacin B:
593 A lo ms 80% de I 598 Entre 40% y un 60% de II
594 A lo ms 30% de II 599 Al menos 30% de III
595 Al menos 50% de IV 600 A lo menos 70% de IV
596
601 Los 4 metales se extraen de diferentes minerales cuyos constituyentes en % de stos metales,
cantidad mxima disponible y costo por tonelada se tabulan como sigue:
602
607 P
re
ci
603 M
604 Cantida o
at 606 Constituyentes (%)
d 608 ($
er
605 Mxima( /T
ia
tons) o
l
n)
611 612 613 614 615
616
I II III IV Otros
618 1,000 619 620 621 622 623
617 1 624 30
20 10 30 30 10
626 2,000 627 628 629 630 631
625 2 632 40
10 20 30 30 10
634 3,000 635 636 637 638 639
633 3 640 50
5 5 70 20 0
641
642 Suponiendo que los precios de venta de las aleaciones A y B son $200.00 y $300.00 pesos por
tonelada. Formule un modelo de programacin lineal para resolver este problema.
643
24
645
646 Definicin de variables: Xijk Cantidad de minerales necesarios para extraer los metales
(Aleacin i=1,2, Mineral j=1,2,3 y Constituyente k=1,2,3,4).
647
649
650 Min Z = 30(X111 + X112 + X113 + X114 + X211 + X212 + X213 + X214) + 40(X121 + X122 + X123 +
X124 + X221 + X222 + X223 + X224) + 50(X131 + X132 + X133 + X134 + X231 + X232 + X233 + X234)
651
25
652 s.a.
653 Aleacin 1: 0.20X111 + 0.10X121 + 0.05X131 <= .80
654 0.10X112 + 0.20X122 + 0.05X132 <= .30
655 0.30X114 + 0.30X123 + 0.20X134 <= .50
656
657 Aleacin 2: 0.10X212 + 0.20X222 + 0.05X232 >= .40
658 0.10X212 + 0.20X222 + 0.05X232 <= .60
659 0.30X213 + 0.30X223 + 0.70X233 >= .30
660 0.30X214 + 0.30X224 + 0.20X234 <= .70
661
662 Toneladas por mineral: Xi1k <= 1,000, Xi2k <= 2,000, Xi3k <= 3,000
663
664 Xi >= 0 i
665
1.3. Mtodo Grfico
666
667 El mtodo grfico se utiliza para la solucin de problemas de PL, representando

geomtricamente a las restricciones, condiciones tcnicas y el objetivo.
668
669 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.
670
671 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.
672
673 Los pasos necesarios para realizar el mtodo son nueve:
674
1 Graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones
en forma simultnea.
675
2 Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles.
26
676
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.
677
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.
678
5 Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y
por consiguiente, representa un punto factible.
679
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.
680
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.
681
27
682 Ejemplo
683
684 La WYNDOR GLASS CO. Produce ()
685
686 Formulacin del problema
687
688 Max Z = 3X1 + 5X2
689 s.a.
690 X1 <= 4 .(1)
691 2X2 <= 12 .(2)
692 3X1 + 2X2 <= 18 .(3)
693
694 Xi >= 0 para todo valor de ( )i
695
697
698
699 Para (1) 707 Para (3)
700 Si X1 = 0, X2 = 0 708 Si X1 = 0, X2 = 9
701 y X2 = 0, X1 = 4 709 y X2 = 0, X1 = 6
702 710
703 711 Para (Z)
704 Para (2) 712 3X1 + 5X2 = 15
705 Si X1 = 0, X2 = 6 1 713 Si X1 = 0, X2 = 3
706 y X2 = 0, X1 = 0 X 2 3 4 5 6 7 8 9 10 11
714 y X2 = 0, X1 = 5
715
12
716
1 13 14 15 16 17 18 19 20 21 22
717
718
719 23
28 29
720 1 24 25 26 27
(
30 31 32 33
Punto Optimo (2,6)
721
722 34 35 36 37 38 39 40 41 42 43 44
723 9
724 45 46 47 48 49 50 51 52 53 54 55
(
725 8
726 Z 56 57 58 59 60 61 62 63 64 65 66
(
727 7
728 67 68 69 70 71 72 73 74 75 76 77
729 6
730 78 79 80 81 82 83 84 85 86 87 88
731 5
732 89 90 91 92 93 94 95 96 97 98 99
733 4 Regin
734 100 101 102
Factible
103 104 105 106 107 108 109 110
3
111 112 113 114 115 116 117 118 119 120 121 28
2
122 123 124 125 126 127 128 129 130 131 132
1
133 134135136137138139140141142143
X
0 1 2 3 4 5 6 7 8 9
735 Resuelve los siguientes problemas por el mtodo Grfico
736
737 1. Max Z = 6X1 + 3X2 751 767 Xi >= 0 i
738 s.a. 752 Xi >= 0 i 768
739 2X1 + X2 <= 12 753 3. Min Z = 4X1 + 3X2 769 5. Max Z = 3X1 + 2X2
740 X1 + X2 <= 9 754 s.a. 770 s.a.
741 X1 <= 6 755 2X1 + X2 <= 771 X1 =6
742 X2 <= 13 10 772 X2 <= 6
743 756 -3X1 + 2X2 <= 6 773 X1 + X2 <= 9
744 Xi >= 0 i 757 X1 + X2 >= 6 774
745 758 775 Xi >= 0 i
746 2. Max Z = 25X1 + 10X2 759 Xi >= 0 i 776
747 s.a. 760 777
748 6X1 + 4X2 <= 761 778
25 762 4. Min Z = 3X1 + 2X2 779
749 3X1 + 2X2 <= 763 s.a. 780
11 764 X1 >= 9 781
750 X1 + .5X2 <= 6 765 X1 + X2 >= 12 782
766 783
784
1.4.Formas estndar y cannicas
785
786 Introduccin a la programacin lineal
787
788 Muchas personas clasifican el desarrollo de la programacin lineal entre los avances
cientficos ms importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la
actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas
compaas o negocios, incluyendo empresas medianas en los distintos pases industrializados del mundo; su
aplicacin a otros sectores de la sociedad se est ampliando con rapidez. Una proporcin muy grande de los
clculos cientficos en computadoras est dedicada al uso de la programacin lineal.
789
790 Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede manejar.
Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos
limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Con ms
precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos
necesarios para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que
consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin
duda muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la
asignacin de los recursos nacionales a las necesidades de un pas; desde la seleccin de una cartera de
inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola, hasta el diseo de una
terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de
asignar recursos a las actividades eligiendo los niveles de las mismas.
791
792 La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo
lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso,
las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de
planeacin. As, la programacin lineal trata la planeacin de las actividades para obtener un resultado
29
ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre
todas las alternativas de solucin.
793
794 Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la
programacin lineal tiene muchas otras posibilidades. de hecho, cualquier problema cuyo modelo
matemtico se ajuste al formato general del modelo de programacin lineal es un problema de
programacin lineal. An ms, se dispone de un procedimiento de solucin extraordinariamente eficiente
llamado mtodo smplex, para resolver estos problemas, incluso los de gran tamao. Estas son algunas
causas del tremendo auge de la programacin lineal en las ltimas dcadas.
795
796 MODELO DE PROGRAMACIN LINEAL
797
798 Los trminos clave son recursos y actividades, en donde m denota el nmero de distintos
tipos de recursos que se pueden usar y n denota el nmero de actividades bajo consideracin. Algunos
ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Los
ejemplos de actividades incluyen inversin en proyectos especficos, publicidad en un medio determinado y
el envo de bienes de cierta fuente a cierto destino. En cualquier aplicacin de programacin lineal, puede
ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada
una correspondera en forma individual a las alternativas especficas dentro de esta categora general.
799
800 El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a
ciertas actividades. La cantidad disponible de cada recurso est limitada, de forma que deben asignarse con
todo cuidado. La determinacin de esta asignacin incluye elegir los niveles de las actividades que lograrn
el mejor valor posible de la medida global de efectividad.
801
802 Ciertos smbolos se usan de manera convencional para denotar las distintas componentes de
un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con su interpretacin
para el problema general de asignacin de recursos a actividades.
803 Z = valor de la medida global de efectividad
804 xj = nivel de la actividad j (para j = 1,2,...,n)
805 cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j
806 bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m)
807 aij = cantidad del recurso i consumido por cada unidad de la actividad j
808
809 El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las
actividades, por lo que x1,x2,....,xn se llaman variables de decisin. Los valores de cj, bi y aij (para i =
1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como
parmetros del modelo.
810
811 Forma Cannica
812
813 La forma cannica de un problema de programacin lineal es:
814
815
816
817
818
30
819
31
820 Todas las variables de decisin son no negativas.
821 Todas las restricciones son del tipo menor o igual.
822 La funcin objetivo es de tipo de maximizacin.
823
824 Forma estndar del modelo
825
826 Ahora se puede formular al modelo matemtico para este problema general de asignacin de
recursos a actividades. En Datos necesarios para un modelo de programacin lineal que maneja la
asignacin de recursos a actividades particular, este modelo consiste en elegir valores de x1,x2,....,xn para:
827 Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn,
828 Sujeta a las restricciones:
829 a11x1 + a12x2 +....+ a1nxn < b1
830 a21x1 + a22x2 +....+ a2nxn < b2
831 .
832 .
833 .
834 am1x1 + am2x2 +....+ amnxn < bm
835
836 X1 0, X2 0, ..., Xn 0.
837
838 Suposiciones del Modelo de Programacin Lineal
839
840 Proporcionalidad
841 La contribucin de cada actividad al valor de la funcin objetivo Z es proporcional al nivel
de actividad xj, como lo representa el trmino cjxj en la funcin objetivo. De manera similar, la contribucin
de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de la actividad xj,
en la forma en que lo representa el trmino a ijxj en la restriccin. En consecuencia, esta suposicin elimina
cualquier exponente diferente a 1 para las variables en cualquier trmino de las funciones (ya sea la funcin
objetivo o la funcin en el lado izquierdo de las restricciones funcionales) en un modelo de programacin
lineal.
842
843 Actividad
844 Establece que la entrada y salida de un recurso en particular al conjunto de actividades,
deben ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o
destruyen. Esta suposicin garantiza que la contribucin total tanto a la funcin objetivo como a las
restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se
tenga la aditividad puede recurrirse al empleo de otras tcnicas de la programacin matemtica,
dependiendo de cada caso en particular.
845
846 Aditividad
847 Cada funcin en un modelo de programacin lineal (ya sea la funcin objetivo o el lado
izquierdo de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades
respectivas.
848
849
32
850 Divisibilidad
851 Las variables de decisin en un modelo de programacin lineal pueden tomar cualquier
valor, incluyendo valores no enteros, que satisfagan las restricciones funcionales y de no negatividad. As,
estas variables no estn restringidas a slo valores enteros. Como cada variable de decisin representa el
nivel de alguna actividad, se supondr que las actividades se pueden realizar a niveles fraccinales.
852
853 Limitaciones del modelo de programacin lineal
854
855 Modelo Determinstico
856 El modelo de PL involucra nicamente tres tipos de parmetros: C j, aij y bi; de ah su
sencillez y gran aplicacin. Sin embargo, el valor de dichos parmetros debe ser conocido y constante.
Cuando el valor de los parmetros tiene un cierto riesgo o incertidumbre, pude utilizarse la programacin
paramdica, la programacin estocstica, o realizarse un anlisis de sensibilidad.
857
858 Modelo Esttico
859 En algunos modelos matemticos se han empleado con xito las ecuaciones diferenciales,
para inducir la variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un modelo
esttico, ya que la variable tiempo no se involucra formalmente. Adquiriendo un poco de experiencia en la
formulacin de modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de subndices en
las variables.
860
861 Modelo que no suboptimiza
862 Debido a la forma que se plantea el modelo de PL, o encuentra la solucin ptima o declara
que sta no existe. Cuando no es posible obtener una solucin ptima y se debe obtener alguna, se recurre
a otra tcnica ms avanzada que la PL, la cual se denomina programacin lineal por metas.
863
864 Riesgo al aplicar la Investigacin de Operaciones
865
866 Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se corre el riesgo
de tratar de manipular los problemas para buscar que se ajusten a las diferentes tcnicas, modelos de
algoritmos establecidos en lugar de analizar los problemas y buscar resolverlos obteniendo las soluciones
mejores, utilizando los mtodos apropiados, es decir resolver el problema utilizando los mtodos que
proporcionan las mejoras soluciones y no buscar ajustar el problema a un mtodo especfico.
867 Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender la metodologa
para resolver los problemas, as como los fundamentos de las tcnicas de solucin para de esta
forma saber cundo utilizarlas o no en las diferentes circunstancias.
868
869 Limitaciones de la Investigacin de Operaciones
870
871 1. Frecuentemente es necesario hacer simplificaciones del problema original para poder
manipularlo y detener una solucin.
872 2. La mayora de los modelos slo considera un solo objetivo y frecuentemente en las
organizaciones se tienen objetivos mltiples.
873 3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema
prctico, debido a que los mtodos de enseanza y entrenamiento dan la aplicacin de esta ciencia
centralmente se basan en problemas pequeos para razones de ndole prctico, por lo que se
33
desarrolla en los alumnos una opinin muy simplista e ingenua sobre la aplicacin de estas
tcnicas a problemas reales.
874 4. Casi nunca se realizan anlisis costo-beneficio de la implantacin de soluciones
definidas por medio de la I de O, en ocasiones los beneficios potenciales se van superados por los
costos ocasionados por el desarrollo e implantacin de un modelo.
875
1.5.Mtodo Smplex
876
877 En la solucin grfica observamos que la solucin ptima est asociada siempre con un
punto extremo del espacio de soluciones. El mtodo smplex est basado fundamentalmente en este
concepto.
878 Careciendo de la ventaja visual asociada con la representacin grfica del espacio de soluciones,
el mtodo smplex 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. En otras palabras Es un procedimiento iterativo que
permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir
mejorando ms dicha solucin.
879
880 Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo smplex:
881 1. El siguiente punto extremo debe ser adyacente al actual.
882 2. La solucin no puede regresar nunca a un punto extremo considerado con la
anterioridad.
883 El algoritmo smplex 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.
884 Para comprender mejor realicemos el siguiente ejemplo:
885
886 Max Z = 3X1 + 5X2
887 s.a.
888 X1 <= 4
889 2X2 <= 12
890 3X1 + 2X2 <= 18
891
892 Xi >= 0 i
893
894 Se consideran los siguientes pasos:
895
896 1. Convertir las desigualdades en igualdades
897
898 Se introduce una variable de holgura (S) por cada una de las restricciones, para
convertirlas en igualdades, tomando en cuenta que si la restriccin es (<=), la variable de holgura se
suma y si es (>= o =) la variable de hogula se resta y el lado derecho puede hacerse siempre positico
multiplicando ambos lados por -1. El resultado de esto da el siguiente sistema de ecuaciones lineales:
899 X1 + S1 = 4
34
900 2X2 + S2 = 12
901 3X1 + 2X2 + S3 = 18
902
903 2. Igualar la funcin objetivo a cero, agregando las variables de Holgura
904
905 - 3X1 - 5X2 + 0S1 + 0S2 + 0S3 = 0
906
907 3. Escribir la tabla inicial smplex
908
909 En las columnas aparecern todas las variables del problema y, en las filas, los
coeficientes de las igualdades obtenidas (restricciones), una fila para cada restriccin y la ltima fila con
los coeficientes de la funcin objetivo:
910
912 913 914 915 916
911 917
X1 X2 S1 S2 S3
918 919 920 921 922 923
924
Z -3 -5 0 0 0
925 926 927 928 929 930 931
S1 1 0 1 0 0 4
932 933 934 935 936 937 938
S2 0 2 0 1 0 12
939 940 941 942 943 944 945
S3 3 2 0 0 1 18
946
947 4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale
de la base
948
1 Para escoger la variable de decisin que entra en la base, nos fijamos en la fila (Z), la de los
coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor
(en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de
desicin que entra en la base, es la variable con el coeficiente positivo mayor (en valor
absoluto), esto es conocido como CONDICIN DE OPTIMALIDAD.
2 En nuestro caso, la variable X2 de coeficiente - 5.
949 Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces
se elige uno cualquiera de ellos.
950 Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado
la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del
mtodo del smplex, es que en la ltima fila no haya elementos negativos.
951 La columna de la variable que entra en la base se llama columna pivote (Flecha Azul).
3 Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la
ltima columna (vector solucin) por el trmino correspondiente de la columna pivote, siempre
que estos ltimos sean mayores que cero. En nuestro caso:
952
953 4/0 [=Error]
954 12/2 [=6]
955 18/2 [=9]
35
956 Como hay algn elemento menor o igual que cero no se toma en cuenta cociente. En el
caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una
solucin no acotada y no se puede seguir.
957 El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente
positivo, indica la fila de la variable de holgura que sale de la base. Esta fila se llama fila pivote
(Flecha rojo) y corresponde al numero 6. Recuerde ceros y negativos no son tomados en cuenta.
Esto se conoce como CONDICIN DE FACTIBILIDAD.
958
36
959 Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables
correspondientes pueden salir de la base.
4 En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 2.
960
961 5. Encontrar los coeficientes de la nueva tabla.
962
963 Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por
el pivote operacional, 2, que es el que hay que convertir en 1.
964 A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de
su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin
objetivo Z.
965 Tambin se puede hacer utilizando el siguiente esquema:
966
967 Fila del pivote:
968 Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
969 Resto de las filas:
970 Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante)
X (Nueva fila del pivote)
971 Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
972
973
975 976 977 978 979
974 980
X1 X2 S1 S2 S3
981 982 983 984 985 986
987
Z -3 -5 0 0 0
988 989 990 991 992 993 994
S1 1 0 1 0 0 4 Fila/2
995 996 997 998 999 1000 1001
S2 0 2 0 1 0 12
1002 1003 1004 1005 1006 1007 1008
Para Z en nueva tabla = ((Fila/2)*5) +Z
S3 3 2 0 0 1 18
1009 Para S en nueva tabla = ya tiene 0 se copia igual
1010 1011 1012 1013 1014 1015
1
Fila/2
(0 1 0 1/2 0 6) Para S en nueva tabla =((Fila/2)*-2) + S
3 3
1016
1017
1018
1019 Se obtiene una nueva Iteracin en la nueva tabla (tabla II):
1021 1022 1023 1024 1025
1020 1026
X1 X2 S1 S2 S3
1027 1028 1029 1030 1031 1032 1033
Z -3 0 0 5/2 0 30
1034 1035 1036 1037 1038 1039 1040
S1 1 0 1 0 0 4
1041 1042 1043 1044 1045 1046 1047
37
X2 0 1 0 1/2 0 6
1048 1049 1050 1051 1052 1053 1054 Fila/3
S3 3 0 0 -1 1 6
1055
1056 1057 1058 1059 1060 1061
Fila/3
1 0 0 -1/3 1/3 2
1062
1063
1064 Como en los elementos de la fila Z hay uno negativo, -3, significa que no hemos llegado
todava a la solucin ptima. Hay que repetir el proceso:
1 La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente -3.
2 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos
correspondientes de la nueva columna pivote:
1065
38
1066 4/1 [=4]
1067 6/0 [=Error]
1068 6/3 [=3]
1069 y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S3.
1070 El elemento pivote, que ahora hay que hacer 1, es 3.
1071
1072 Tabla II
1074 1075 1076 1077 1078
1073 1079
X1 X2 S1 S2 S3
1080 1081 1082 1083 1084 1085 1086
Z -3 0 0 5/2 0 30
1087 1088 1089 1090 1091 1092 1093
S1 1 0 1 0 0 4
1094 1095 1096 1097 1098 1099 1100
X2 0 1 0 1/2 0 6
1101 1102 1103 1104 1105 1106 1107 Fila/3
S3 3 0 0 -1 1 6
1108
1109 1110 1111 1112 1113 1114 Para Z en nueva tabla = ((Fila/3)*3) +Z
Fila/3
(1 0 0 -1/3 1/3 2)
Para S1 en nueva tabla = ((Fila/3)*-1) + S3
1115
Para S3 en nueva tabla =ya tiene 0 se copia igual
1116
1117 Se obtiene una nueva Iteracin en la nueva tabla (tabla III):
1119 1120 1121 1122 1123
1118 1124
X1 X2 S1 S2 S3
1125 1126 1127 1128 1129 1130 1131
Z 0 0 0 3/2 1 36
1132 1133 1134 1135 1136 1137 1138
S1 0 0 1 1/3 -1/3 2
1139 1140 1141 1142 1143 1144 1145
X2 0 1 0 1/2 0 6
1146 1147 1148 1149 1150 1151 1152
X1 1 0 0 -1/3 1/3 2
1153 1154 1155 1156 1157 1158 1159
1160
1161
1162 Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado
a la solucin ptima.
1163 La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en
nuestro caso el valor de Z es: 36. En la misma columna se puede observar el vrtice donde se alcanza,
observando las filas correspondientes a las variables de decisin que han entrado en la base: Sol(2,6).
1164
1165 Nota:
1166 * Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por -
1 se transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior.
39
1167 * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del
criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los
positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos.
1168
1169
40
1170 Para comprender mejor realicemos el siguiente ejemplo2:
1171
1172 Min Z = - 3X1 - 5X2
1173 s.a.
1174 X1 <= 4
1175 2X2 <= 12
1176 3X1 + 2X2 <= 18
1177
1178 Xi >= 0 i
1179
1181
1183
1184 Se introduce una variable de holgura (S) por cada una de las restricciones, para
convertirlas en igualdades, tomando en cuenta que si la restriccin es (<=), la variable de holgura se
suma y si es (>= o =) la variable de hogula se resta y el lado derecho puede hacerse siempre positico
multiplicando ambos lados por -1. El resultado de esto da el siguiente sistema de ecuaciones lineales:
1185 X1 + S1 = 4
1186 2X2 + S2 = 12
1187 3X1 + 2X2 + S3 = 18
1188
1190
1191 3X1 + 5X2 + 0S1 + 0S2 + 0S3 = 0
1192
1194
1196
1198 1199 1200 1201 1202
1197 1203
X1 X2 S1 S2 S3
1204 1205 1206 1207 1208 1209
1210
Z 3 5 0 0 0
1211 1212 1213 1214 1215 1216 1217
S1 1 0 1 0 0 4
1218 1219 1220 1221 1222 1223 1224
S2 0 2 0 1 0 12
1225 1226 1227 1228 1229 1230 1231
S3 3 2 0 0 1 18
1232
1233 4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale
de la base
1234
41
1 Para escoger la variable de decisin que entra en la base, nos fijamos en la fila (Z), la de los
coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor
(en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de
desicin que entra en la base, es la variable con el coeficiente positivo mayor (en valor
absoluto), esto es conocido como CONDICIN DE OPTIMALIDAD.
2 En nuestro caso, la variable X2 de coeficiente 5.
1235 Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces
se elige uno cualquiera de ellos.
1236 Si en la ltima fila no existiese ningn coeficiente positivo, significa que se ha alcanzado
la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del
mtodo del smplex, es que en la ltima fila no haya elementos negativos.
1237 La columna de la variable que entra en la base se llama columna pivote (Flecha Azul).
3 Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la
ltima columna (vector solucin) por el trmino correspondiente de la columna pivote, siempre
que estos ltimos sean mayores que cero. En nuestro caso:
1238 4/0 [=Error]
1239 12/2 [=6]
1240 18/2 [=9]
1241 Como hay algn elemento menor o igual que cero no se toma en cuenta cociente. En el
caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una
solucin no acotada y no se puede seguir.
1242 El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente
positivo, indica la fila de la variable de holgura que sale de la base. Esta fila se llama fila pivote
(Flecha rojo) y corresponde al numero 6. Recuerde ceros y negativos no son tomados en cuenta.
Esto se conoce como CONDICIN DE FACTIBILIDAD.
1243 Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables
correspondientes pueden salir de la base.
4 En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 2.
1244
1245 5. Encontrar los coeficientes de la nueva tabla.
1246
1247 Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por
el pivote operacional, 2, que es el que hay que convertir en 1.
1248 A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de
su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin
objetivo Z.
1249 Tambin se puede hacer utilizando el siguiente esquema:
1250
1251 Fila del pivote:
1252 Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
1253 Resto de las filas:
1254 Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante)
X (Nueva fila del pivote)
1255
42
1256 Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
1257
1258
1260 1261 1262 1263 1264
1259 1265
X1 X2 S1 S2 S3
1266 1267 1268 1269 1270 1271
1272
Z 3 5 0 0 0
1273 1274 1275 1276 1277 1278 1279
S1 1 0 1 0 0 4 Fila/2
1280 1281 1282 1283 1284 1285 1286
S2 0 2 0 1 0 12
1287 1288 1289 1290 1291 1292 1293
Para Z en nueva tabla = ((Fila/2)*-5) +Z
S3 3 2 0 0 1 18
1294 Para S1 en nueva tabla = ya tiene 0 se copia igual
1295 1296 1297 1298 1299 1300
Fila/2
(0 1 0 1/2 0 6) Para S3 en nueva tabla =((Fila/2)*-2) + S3
1301
1302
1303 Se obtiene una nueva Iteracin en la nueva tabla (tabla II):
1305 1306 1307 1308 1309
1304 1310
X1 X2 S1 S2 S3
1311 1312 1313 1314 1315 1316 1317
Z 3 0 0 -5/2 0 -30
1318 1319 1320 1321 1322 1323 1324
S1 1 0 1 0 0 4
1325 1326 1327 1328 1329 1330 1331
X2 0 1 0 1/2 0 6
1332 1333 1334 1335 1336 1337 1338 Fila/3
S3 3 0 0 -1 1 6
1339
1340 1341 1342 1343 1344 1345
Fila/3
1 0 0 -1/3 1/3 2
1346
1347 Como en los elementos de la fila Z hay uno positivo, 3, significa que no hemos llegado todava a
la solucin ptima. Hay que repetir el proceso:
1348
1 La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente 3.
2 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos
correspondientes de la nueva columna pivote:
1349
1350 4/1 [=4]
1351 6/0 [=Error]
1352 6/3 [=3]
1353 y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S3.
1354
43
3 El elemento pivote, que ahora hay que hacer 1, es 3.
1355
1356 Tabla II
1358 1359 1360 1361 1362
1357 1363
X1 X2 S1 S2 S3
1364 1365 1366 1367 1368 1369 1370
Z 3 0 0 -5/2 0 -30
1371 1372 1373 1374 1375 1376 1377
S1 1 0 1 0 0 4
1378 1379 1380 1381 1382 1383 1384
X2 0 1 0 1/2 0 6
1385 1386 1387 1388 1389 1390 1391 Fila/3
S3 3 0 0 -1 1 6
1392
1393 1394 1395 1396 1397 1398 Para Z en nueva tabla = ((Fila/3)*-3) +Z
Fila/3
(1 0 0 -1/3 1/3 2)
Para S1 en nueva tabla = ((Fila/3)*-1) + S3
1399
1400
1401
44
1402 Se obtiene una nueva Iteracin en la nueva tabla (tabla III):
1404 1405 1406 1407 1408
1403 1409
X1 X2 S1 S2 S3
1410 1411 1412 1413 1414 1415 1416
Z 0 0 0 -3/2 -1 -36
1417 1418 1419 1420 1421 1422 1423
S1 0 0 1 1/3 -1/3 2
1424 1425 1426 1427 1428 1429 1430
X2 0 1 0 1/2 0 6
1431 1432 1433 1434 1435 1436 1437
X1 1 0 0 -1/3 1/3 2
1438 1439 1440 1441 1442 1443 1444
1445
1446
1447 Como todos los coeficientes de la fila de la funcin objetivo son negativos o ceros, hemos
llegado a la solucin ptima.
1448 La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en
nuestro caso el valor de Z es: -36. En la misma columna se puede observar el vrtice donde se alcanza,
observando las filas correspondientes a las variables de decisin que han entrado en la base: Sol(2,6).
1449
1450 Ejemplos para el curso:
1451
1452 Max Z = 3X1 + 4X2 1469 Min Z = - 5X1 - 3X2
1453 s.a. 1470 s.a.
1454 2X1 + 7X2 <= 21 1471 2X1 + 4X2 <= 400
1455 7X1 + 2X2 <= 49 1472 6X1 + X2 <= 100
1456 1473 4X1 + 3X2 <= 400
1457 Xi >= 0 i 1474
1458 1475 Xi >= 0 i
1459 1476
1460 Max Z = 3X1 + 2X2 + 5X3 1477 Min Z = 2X1 - 2X2 + 4X3
1461 s.a. 1478 s.a.
1462 X1 + 2X2 + X3 <= 430 1479 - X1 + X2 + X3 <= 20
1463 3X1 + 2X3 <= 460 1480 2X1 - X2 + X3 <= 10
1464 X1 + 4X2 <= 420 1481 X1 + X2 +3X3 <= 60
1465 1482
1466 Xi >= 0 i 1483 Xi >= 0 i
1467 1484
1468
1485
1486
1487
1488
1489
1490
1491
45
1492
1493 http://www.investigacion-operaciones.com/SMPLEX_analitico.htm
1494
46
1.6.Tcnicas con variables artificiales
1495
1496 Mtodo de la M grande o de Penalizacin
1497
1498 Hasta este momento se han presentado los detalles del mtodo smplex con la suposicin de
que el problema se encuentra en nuestra forma estndar (maximizar Z sujeta a las restricciones
funcionales de la forma <= y restricciones de no negatividad sobre todas las variables) con b i
0 para toda i = 1, 2, ..., m. En esta seccin se establecer cmo hacer los ajustes requeridos a
otras formas legtimas de modelos de Programacin Lineal. Se ver que todos estos ajustes se
pueden hacer en el paso inicial, de manera que el resto del mtodo smplex se aplica justo como se
aprendi.
1499 El nico problema serio que introducen las otras formas de restricciones funcionales (=
>=) es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en
forma muy conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales,
donde cada una era igual a la constante no negativa del lado derecho de la ecuacin
correspondiente. Ahora debe hacerse algo ms. El enfoque estndar que se utiliza es estos casos es
la tcnica de variables artificiales. sta construye un problema artificial ms conveniente
introduciendo una variable ficticia (llamada variable artificial) en cada restriccin que lo requiera.
Esta nueva variable se introduce slo con el fin de que sea la variable bsica inicial para esa
ecuacin. Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la
funcin objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que
adquieran valores mayores que cero. Las iteraciones del mtodo smplex automticamente fuerzan a
las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de
la solucin; despus de esto se resuelve el problema real.
1500 Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en que la
nica forma no estndar en el problema es la presencia de una o ms restricciones en forma de
igualdad.
1501
1502 Restricciones en forma de igualdad (=).
1503
1504 En realidad, cualquier restriccin en forma de igualdad:
1505 ai1x1 +ai2x2 + . . . + ainxn = bi
1506 es equivalente a dos restricciones de desigualdad:
1507 ai1x1 + ai2x2 + . . . + ainxn <= bi,
1508 ai1x1 + ai2x2 + . . . + ainxn >= bi
1509
1510 Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de
restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el
problema de ejemplo presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo de
programacin lineal es que la restriccin, 3x1 + 2x2 = 18, se convierte en una restriccin de igualdad:
1511 3x1 + 2x2 = 18
1512 Aplicando la tcnica de las variables artificiales se introduce una variable artificial no
negativa (denotada por R) en la ltima ecuacin, como si fuera una variable de holgura:
1513 3x1 + 2x2 + R =18
1514 En resumen si tenemos una restriccin funcional en forma de igualdad y deseamos pasarla
a su forma de igualdad, nicamente debemos sumar una variable artificial.
47
1515
48
1516 Restricciones funcionales de la forma
1517
1518 Una restriccin en forma de Mayor o igual:

1519 ai1x1 +ai2x2 + . . . + ainxn bi
1520 es equivalente a una restricciones de desigualdad multiplicada por -1:
1521 ai1x1 + ai2x2 + . . . + ainxn <= bi, (-1)
1522
1523 Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de
restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el
problema de ejemplo presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo de
programacin lineal es que la restriccin, 3x1 + 2x2 18, se convierte de una restriccin Mayor o Igual:
1524 3x1 + 2x2 18
1525 Aplicando la tcnica de las variables artificiales se introduce una variable artificial no
negativa (denotada por S + R) en la ltima ecuacin, como si fuera una variable de holgura:
1526 3x1 + 2x2 S + R =18
1527 En resumen si tenemos una restriccin funcional en forma Mayor o Igual y deseamos
pasarla a su forma de igualdad, nicamente debemos sumar una variable artificial.
1528 Para entender mejor esto veamos el siguiente ejemplo:
1529
1530 Min Z = 3X1 + 5X2
1531 s.a.
1532 X1 <= 4
1533 2X2 = 12
1534 3X1 + 2X2 >= 18
1535
1536 Xi >= 0 i
1537
1539
1541
1542 Se introduce una variable de holgura (S) por cada una de las restricciones (<=), para las
restricciones de igualdad (=) se agrega la variable de penalizacin R y para las restricciones (>=), se
agrega la variable de holgura de forma negada y la penalizacin (- S + R). Nota es importante tener en
cuenta que en la Minimizacin el valor de penalizacin despus de igualar Z a cero debe ser Negativo y
en la Maximizacin el valor de penalizacin debe ser Positivo. El resultado de esto da el siguiente
sistema de ecuaciones lineales:
1543 X1 + S1 = 4
1544 2X2 + R2 = 12
1545 3X1 + 2X2 - S3 + R3 = 18
49
1546
1548
1549 - 3X1 - 5X2 + 0S1 - 0S3 MR2 - MR3 = 0
1550
50
1551
1553
1555
1557 1558 1559 1560 1561 1562
1556 1563
X1 X2 S1 S3 R2 R3
1564 1565 1566 1567 1568 1569 1570
1571
Z -3 -5 0 0 -M -M
1572 1573 1574 1575 1576 1577 1578 1579
S1 1 0 1 0 0 0 4
1580 1581 1582 1583 1584 1585 1586 1587
R2 0 2 0 0 1 0 12
1588 1589 1590 1591 1592 1593 1594 1595
R3 3 2 0 -1 0 1 18
1596
1597 4. Encontrar la variable de decisin que entra en la base y la variable de holgura o
penalizacin que sale de la base, pero antes los valores de penalizacin deben tener un valor
inicial de cero (0).
1598
1599 Para ello multiplicamos las filas correspondientes a las variables de penalizacin por su
correspondiente valor (M o M) de tal manera que al sumarlo con Z las variables e penalizacin
tomen el valor inicial de Cero.
1600
1602 1603 1604 1605 1606 1607
1601 1608
X1 X2 S1 S3 R2 R3
1609 1610 1611 1612 1613 1614 1615
1616
Z -3 -5 0 0 -M -M
1617 1618 1619 1620 1621 1622 1623 1624
S1 1 0 1 0 0 0 4 Fila R2 * M
1625 1626 1627 1628 1629 1630 1631 1632 Fila R3 * M
R2 0 2 0 0 1 0 12
1633 1634 1635 1636 1637 1638 1639 1640
R3 3 2 0 -1 0 1 18
1641
1642 Y obtendremos:
1643
1645 1646 1647 1648 1649 1650 1651
1644
0 2M 0 0 M 0 12M
1653 1654 1655 1656 1657 1658 1659
1652
3M 2M 0 -M 0 M 18M
1661 1662 1663 1664 1665 1666 1667
1660
3M 4M 0 -M M M 30M
51
1668
1669
1670 Este resultado se suma a la fila Z y obtendremos la siguiente tabla:
1671
1672
1674 1675 1676 1677 1678 1679
1673 1680
X1 X2 S1 S3 R2 R3
1681 1682 1683 1684 1685 1686 1687 1688
Z 3M-3 4M-5 0 -M 0 0 30M
1689 1690 1691 1692 1693 1694 1695 1696
S1 1 0 1 0 0 0 4 Fila/2
1697 1698 1699 1700 1701 1702 1703 1704
Para Z en nueva tabla = ((Fila/2)*-4M+5) +Z
R2 0 2 0 0 1 0 12
1705 1706 1707 1708 1709 1710 1711 1712 Para S1 en nueva tabla =ya tiene 0 se copia igual
R3 3 2 0 -1 0 1 18 Para S3 en nueva tabla = ((Fila/2)*-2) + S3
1714 1715 1716 1717 1718 1719 1720
1713
(0 1 0 0 1/2 0 6)
1721
1722
1723
1724 Ya una vez prepara la tabla se sigue resolviendo por el mtodo Smplex.
1725
1726
1728 1729 1730 1731 1732 1733
1727 1734
X1 X2 S1 S3 R2 R3
1740 1742
1735 1736 1737 1738 1739 1741
- 6M+3
Z 3M-3 0 0 -M 0
1743 1744 1745 1746 1747 1748 1749 1750
S1 1 0 1 0 0 0 4
1751 1752 1753 1754 1755 1756 1757 1758
R2 0 1 0 0 1/2 0 6 Fila/3
1759 1760 1761 1762 1763 1764 1765 1766
Para Z en nueva tabla = ((Fila/2)*-3) +Z
R3 3 0 0 -1 -1 1 6
1768 1769 1770 1771 1772 1773 1774 Para S1 en nueva tabla = ((Fila/2)*-1) + S3
1767
(1 0 0 -1/3 -1/3 1/3 2)
1775
1776 Tabla Final:
1777
1779 1780 1781 1782 1783 1784
1778 1785
X1 X2 S1 S3 R2 R3
1786 1787 1788 1789 1790 1791 1792 1793 3
Z 0 0 0 -1 -M+3/2 -M+1 6
1794 1795 1796 1797 1798 1799 1800
1801 2
S1 0 0 1 1/3 1/3 -1/3
52
1802 1803 1804 1805 1806 1807 1808
1809 6
R2 0 1 0 0 0
1810 1811 1812 1813 1814 1815 1816
1817 2
R3 1 0 0 -1/3 -1/3 1/3
1818
1819 Ejemplos para el curso:
1820
1821 Max Z = 4X1 + 3X2 1838
1822 s.a. 1839 Min Z = 4X1 + X2
1823 2X1 + X2 >= 25 1840 s.a.
1824 -3X1 + 2X2 <= 15 1841 3X1 + X2 = 3
1825 X1 + X2 >= 15 1842 4X1 + 3X2 >= 6
1826 1843 X1 + 2X2 <= 3
1827 Xi >= 0 i 1844
1828 1845 Xi >= 0 i
1829 1846
1830 Max Z = 5X1 - 6X2 - 7X3 1847 Min Z = 5X1 + 3X2
1831 s.a. 1848 s.a.
1832 X1 + 5X2 - 3X3 >= 15 1849 2X1 + 4X2 = 400
1833 5X1 - 6X2 +10X3 <= 20 1850 6X1 + X2 >= 240
1834 X1 + X2 + X3 = 5 1851 4X1 + 3X2 >= 640
1835 1852
1836 Xi >= 0 i 1853 Xi >= 0 i
1837 1854
1855
1856
1857
1858
1859
1860
53
1861 Unidad 2
1862
1863 Anlisis de Redes
1864
2.1.Problema de Transporte
1865
1866 El modelo de transporte busca determinar un plan de transporte de una mercanca de varias
fuentes a varios destinos. Los datos del modelo son:
1867
1868 1. Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.
1869 2. El costo de transporte unitario de la mercanca a cada destino.
1870
1871 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.
1872
1873 La suposicin bsica del modelo es que el costo del transporte en una ruta es directamente
proporcional al nmero de unidades transportadas. La definicin de unidad de transporte variar
dependiendo de la mercanca que se transporte.
1874
1875
1876
1877
1878
1879
1880
1881
1882
1883
1884
1885
1886
1887
54
1888
1889
1890 El esquema siguiente representa el modelo de transporte como una red con m fuentes y n
destinos. Una fuente o un destino est representado por un nodo, el arco que une 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.
1891
55
1892
1893 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:
1894
1895 Minimiza Z= i=1 m j=1 n C i j X i j
1896
1897 Sujeta a:
1898
1899 j=1 n X i j <= ai , i=1,2,, m
1900 i=1 X I j >= bj ,
m
j=1,2,, n
1901
1902 X i j >=0 para todas las i y j
1903
1904 El primer conjunto de restricciones estipula que la suma de los envos desde una fuente no
puede ser mayor que su oferta; en forma anloga, el segundo conjunto requiere que la suma de los envos a
un destino satisfaga su demanda.
1905
1906 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:
1907
1908 X i j = ai, i=1,2,..., m
1909 X i j = bj, j=1,2,..., n
1910
1911 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.
1912
1913 Ejemplo 1 (Modelo de transporte estndar)
1914
1915 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 centros de distribucin son:
1916
1917
1918 1919 Denver 1920 Miami
56
1921 Los ngeles 1922 1 000 1923 1 690
1924 Detroi 1925 1 250 1926 1 350

t
1927 Nuev 1928 1 275 1929 850
a Orleans
1930
1931
57
1932
1933 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:
1934
144 145 Denve 146 Miami
1935
r
1936
1937 147 Los ngeles 148 80 149 215
1938 150 Detroit 151 100 152 108
1939
1940
153 Nueva 154 102 155 68
Mediante el uso de
cdigos Orleans 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 est equilibrado. Por lo tanto, el siguiente modelo
de PL que representa el problema tiene todas las restricciones de igualdad.
1941
1942 Minimizar Z = 80X 11 + 215X 12 + 100X 21 + 108X 22 + 102X 31 + 68X 32
1943
1944 Sujeto a:
1945
1946 X 1947 X 1948 1949 1950 1951 1952 = 1
11 12 000
1953 1954 1955 X 1956 X 1957 1958 1959 = 1
21 2 500
2
1960 1961 1962 1963 1964 X 1965 X 1966 = 1
3 3 200
1 2
1967 X 1968 1969 X 1970 1971 X 1972 1973 = 2
11 21 3 300
1
1974 1975 X 1976 1977 X 1978 1979 X 1980 = 1
12 2 3 400
2 2
1981 1982
1983 1984 X i j >= 0 para todas las i y j
1985
1986 Un mtodo ms 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:
1987
1988
1989
58
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
59
2003
2004 Ejemplo 2 (Modelo de transporte con equilibrio)
2005
2006 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.
2007
2008 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.
2009
2010 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.
2011
2012
2013 2014 Denver 2015 Miami 2016
2017 Los 2018 80 2019 215 2020 1 000
ngeles
2021 Detroit 2022 100 2023 108 2024 1 300
2025 Nueva 2026 102 2027 68 2028 1 200
Orlens
2029 Planta 2030 0 2031 0 2032 200
ficticia
2033
2034
2035 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.
2036
2037
2038 2039 Denver 2040 Miami 2041 Destin 2043
o
2042 Fictici
o
2044 Los 2045 80 2046 215 2047 0 2048 1 000
ngeles
2049 Detroit 2050 100 2051 108 2052 0 2053 1 500
60
2054 Nueva 2055 102 2056 68 2057 0 2058 1 200
Orleans
2059
2060
2061 La aplicacin del modelo de transporte no se limita al problema de transporte.
2062
2063 El siguiente ejemplo ilustra el uso del modelo del transporte en otros campos.
2064
61
2065
2066 En otras palabras cuando la Demanda es mayor que la Oferta se crea una fila ficticia a la
Oferta y se le agrega el valor faltante para balancear el ejercicio.
2067
20682069 2070 Destino 20712072
207320742075 1 2076 2 2077 3 2078 4 20792080
2083 2084 2085 2086 2087 2088 2089 2090
2082 2091
1 2095 2096 2097 2098 2099 2100 2101 2102 10
2107 2108 2109 2110 2111 2112 2113 2114

2106 2115
2 2119 2120 2121 2122 2123 2124 2125 2126 30
2131 2132 2133 2134 2135 2136 2137 2138

2081 2092
2130 2139
Or Of
3 2143 2144 2145 2146 2147 2148 2149 2150 20
2155 2156 2157 2158 2159 2160 2161 2162

2154 2163
4 2167 2168 2169 2170 2171 2172 2173 2174 15
2179 2180 2181 2182 2183 2184 2185 2186

2178 2187
5 2191 2192 2193 2194 2195 2196 2197 2198 10
220122022203 20 2204 25 2205 15 2206 25 22072208

22092210 2211 Demanda 22122213
2214
2215 Otro caso es cuando la Demanda es menor que la Oferta se crea una columna ficticia a la
Demanda y se le agrega el valor faltante para balancear el ejercicio.
2216
22172218 2219 Destino 22202221
222222232224 1 2225 2 2226 3 2227 4 22282229
2230 2232 2233 2234 2235 2236 2237 2238 2239 2241
Or 2231 2240Of
1 2244 2245 2246 2247 2248 2249 2250 2251 50
2256 2257 2258 2259 2260 2261 2262 2263

2255 2264
2 2268 2269 2270 2271 2272 2273 2274 2275 50
2280 2281 2282 2283 2284 2285 2286 2287

2279 2288
3 2292 2293 2294 2295 2296 2297 2298 2299 20
23032304 2305 2306 2307 2308 2309 2310 2311 2312

62
4 2316 2317 2318 2319 2320 2321 2322 2323 30
2328 2329 2330 2331 2332 2333 2334 2335

2327 2336
5 2340 2341 2342 2343 2344 2345 2346 2347 20
235023512352 30 2353 20 2354 70 2355 50 23562357

23582359 2360 Demanda 23612362
2363
2364 Nota. Los costos deben ser ceros (0) y cuando queda un valor en la casilla ficticia se
interpreta como que falta por vender un no. de productos.
2365
2366
63
2367
2.1.1. Mtodos para hallar una solucin bsica factible a los problemas de transporte.
2368
2369 Estos mtodos parten de un modelo balanceado y generan una solucin bsica factible con
n+m-1 asignaciones, es decir valores >= 0. El costo total del envo se obtiene a travs de la siguiente
frmula:
2370
m n
2371 Costo Total= C ij x ij
i=1 j=1
2372
2373 Mtodo de la Esquina Noroeste
2374
1) Asignar a la casilla (1,1) tantas unidades como lo permita la demanda y la oferta. Actualizar valores
de ambas.
2) Tachar columna o rengln que haya sido satisfecho (demanda u oferta), pero no ambas en caso de
haber sido satisfechas ambas.
3) Continuar asignando en las dems casillas continuas a la columna o rengln tachados siempre
considerando que este se encuentre en la esquina Noroeste, siga con el paso 2.
4) El problema terminar cuando exista solo una columna o solo un rengln sin tachar.
2375
2376 Mtodo de Costo Mnimo
2377
1) Seleccione la casilla con el menor costo de envo y asignar tanto tantas unidades como lo permita la
demanda y la oferta.
2) Actualizar la demanda y la oferta.
4) Continuar asignando de acuerdo al paso 2 hasta que quede un rengln o columna sin marcar.
2378
2379 Mtodo de Vogel
2380
1) Se calcula la diferencia de fila y columna entre El mayor y el menor costo que exista en cada fila y
columna.
2) Seleccione aquella columna o rengln que presente la mayor diferencia (los empates se rompen
arbitrariamente).
3) Localice el costo ms pequeo de la matriz de costos en la columna o rengln elegidos por el paso
anterior.
4) Asigne tantas unidades como lo permita la oferta y la demanda.
5) Actualizar la demanda y la oferta.
7) Retornar al paso 2 hasta que quede un rengln o columna sin marcar.
2381
2382
64
2383
2384 Ejemplos:
2385
2386 Resolver los siguientes ejemplos aplicando los tres mtodos de solucin del modelo de
transporte:
2387
2388 Ejercicio 1)
23892390 2391 Destino 23922393
239423952396 1 2397 2 2398 3 2399 4 24002401
2404
2405 24062407 24082409 2410
2411
2403 7 4 2 6 2412
1 2416
2417 24182419 2420 2423 20
2421 2422
2428
2429 2430
2431 2432
2433 2434
2435
2402 2413
2427 8 3 5 6 2436
Or Of
2 2440
2441 2442
2443 2444 2447 35
2445 2446
2452
2453 2454
2455 2456
2457 2458
2459
2451 1 2 0 4 2460
3 2464
2465 2466
2467 2468 2471 40
2469 2470
247424752476 30 2477 19 2478 25 2479 21 24802481

24822483 2484 Demanda 24852486
2487 Ejercicio 2)
2488
24892490 2491 Destino 24922493
249424952496 1 2497 2 2498 3 2499 4 25002501
2504
2505 2506
2507 2508
2509 2510
2511 4
2503 5 6 2 2512
1 25162517 2518
2519 2520
2521 2522 35
2523
2528
2529 2530
2531 2532
2533 2534
2502 2535 62 2513
2527 3 6 8 2536
Or Of
2 2540
2541 2542
2543 2544
2545 2546 42
2547
2552
2553 2554
2555 2556
2557 2558
2559 10
2551 4 1 9 2560
3 2564
2565 2566
2567 2568
2569 2570 23
2571
2576 2 2577 1 2578 4
25742575 0 0 0 2579 30 25802581
25822583 2584 Demanda 25852586
2587
2588 Ejercicio 3)
2589
25902591 2592 Destino 25932594
65
259525962597 1 2598 2 2599 3 2600 4 26012602
2605
2606 2607
2608 1 2609
2610 2611
2612 6
2604 9 2 9 2613
1 2617
2618 2619 2621
2622 2623 50
2620 2624
2629
2630 2631 2633
2634 2635
2603 2632 3 2636 7 2614
2628 7 7 2637
Or Of
2 2641
2642 2643 2645
2646 2647 60
2644 2648
2653
2654 2655 2657
2658 2659
2660 1
2656 5
2652 6 9 1 2661
3 2665
2666 2667 2669
2670 2671 20
2668 2672
2677 2 2679 4
26752676 0 2678 40 0 2680 60 26812682
26832684 2685 Demanda 26862687
2688
2689
66
2690
2691
2692 Modelos de redes
2693
2694
2695 Hay una multitud de situaciones, en investigacin de operaciones, que se pueden modelar
y resolver como redes (nadas conectados por ramas). Algunas encuestas recientes informan que hasta el
70% de los problemas de programacin matemtica en el mundo real se pueden representar como
modelos relacionados con redes. La lista siguiente ilustra algunas aplicaciones posibles de las redes.
2696
1. Diseo de una red de gasoductos marinos para conectar bocas de pozos en el Golfo de
Mxico con un punto de entrega en tierra. El objetivo del modelo es minimizar el costo de
construccin del gasoducto.
2. Determinacin de la ruta ms corta entre dos ciudades, en una red de Carreteras.
3. Determinacin de la capacidad mxima (en toneladas anuales) de una red de tubera para lodo
de carbn que une las minas en Wyoming con las centrales elctricas en Houston. (Las
tuberas de lodo de carbn transportan el carbn suspendido en agua a travs de tubos de
diseo especial.)
4. Determinacin del programa de flujo con costo mnimo desde los campos petroleros hasta las
refineras a travs de una red de oleoductos.
5. Determinacin del cronograma (fechas de inicio y terminacin) de las actividades en la
construccin de un proyecto.
2697
2698 La solucin de esas situaciones y otras parecidas se logra con una variedad de algoritmos
de optimizacin de redes. Este captulo presentar cinco de esos algoritmos:
2699
1. Algoritmo de la ruta ms corta (situacin 2).
2. Algoritmo del flujo mximo (situacin 3).
3. Algoritmo de la ruta crtica (situacin 5).
2700
2701 Las situaciones en las que se pueden aplicar estos algoritmos tambin se pueden fallar y
resolver en forma de programas lineales explcitos. Sin embargo, los algoritmos puestos, basados en
redes, son ms eficientes que el mtodo -smplex.
2702 -
2703 Definiciones para redes
2704
2705 Una red consiste en una serie de nodos enlazados con arcos (o ramas). La notacin para
describir una red es (N, A), donde N es el conjunto de nadas y A es el conjunto de arcos. Por ejemplo, la
red de la figura 2.2.1 se describe como sigue:
2706
2707 N = {1,2,3,4,5}
2708
2709 A = {(1,2), (1,3), (2,3), (2,5),(3,4), (3,5), (4,2), (4,5)}
2710
67
2711
2712 Figura 2.2.1. Ejemplo de una red (N,A)
2713
2714
2715
2716 Con cada red se asocia algn tipo de flujo (por ejemplo, flujo de productos petrolero en
un oleoducto y flujos de trfico de automviles en carreteras). En general, el flujo en una red est
limitado por la capacidad de sus arcos, que pueden ser finitos o infinitos.
2717
2718 Se dice que un arco es dirigido u orientado si permite un flujo positivo en una
direccin, y flujo cero en la direccin opuesta. Una red dirigida tiene todos sus arcos dirigidos.
2719
2720 Una ruta es una sucesin de arcos distintos que unen dos nodos pasando por otros nodos,
independientemente de la direccin de flujo en cada arco. Una ruta forma un ciclo si conecta un nodo
consigo mismo, pasando por otros nodos. Por ejemplo, en la figura 2.2.1, los arcos (2,3), (3,5) y (5,2)
forman un bucle o circuito cerrado. Un ciclo es dirigido si consiste en una ruta dirigida, por ejemplo
(2,3), (3,4).y (4,2) en la figura anterior.
2721
2722 Una red conectada es aquella en que cada dos nadas distintos estn enlazados al menos
por una ruta. La red de la figura 2.2.2 es un ejemplo de este tipo. Un rbol es una red conectada que
puede consistir slo en un subconjunto de todos los nadas en ella, donde no se permiten ciclos, y un
rbol de expansin es un rbol que enlaza todos los nadas de la red, tambin sin permitir ciclos. En la
figura 2.2.2. se ven ejemplos de un rbol y de un rbol de expansin para la red de la figura 2.2.1
2723
2724 FIGURA 2.2.2 Ejemplos de un rbol y de un rbol de expansin, para la red de la figura 2.2.1
2725
2726
68
2727
2728 rbol rbol de expansin
2729
2730
2731
69
2732
2.2.Problema de la ruta ms corta.
2733
2734 Aunque existen muchas versiones de problemas de la ruta ms corta, la atencin se centrar
en la versin sencilla. Considere una red conexa y no dirigida con 2 nodos especialmente llamados
origen y destino. A cada ligadura (arco no dirigido) se asocia una distancia no negativa. El objetivo
es encontrar la ruta ms corta del origen al destino.
2735
2736 Se dispone de un algoritmo relativamente sencillo para manejar este problema. La esencia
del procedimiento es que analiza toda la red a partir del origen; identifica de manera sucesiva la ruta
ms corta a cada uno de los nodos en orden ascendente de sus distancias (ms cortas), desde el
origen; el problema queda resuelto en el momento de llegar al nodo destino. Primero se describir el
mtodo y despus se ejemplificar con la solucin del problema de la ruta ms corta que enfrenta la
administracin de Seervada Park en la siguiente seccin.
2737
2738 Algoritmo de la Ruta ms Corta
2739
2740 Objetivo de la n-sima iteracin: Encontrar el n-simo nodo ms cercano al origen (Este
paso se repetir para n = 1, 2, hasta que el n-simo nodo ms cercano sea el nodo destino).
2741
2742 Datos de la n-sima iteracin: n 1 nodos ms cercanos al origen que se encontr en las
iteraciones previas -, incluida su ruta ms corta y la distancia desde el origen. (Estos nodos y el
origen se llaman nodos resueltos; el resto son nodos no resueltos).
2743
2744 Candidatos para n-simo nodo ms cercano: cada nodo resuelto que tiene conexin
directa por una ligadura con uno o ms nodos no resueltos proporcionan un candidato esto es, el
nodo no resuelto que tiene la ligadura ms corta -. (Los empates proporcionan candidatos
adicionales).
2745
2746 Clculo del n-simo nodo ms cercano: para cada nodo resuelto y sus candidatos, se suma
la distancia entre ellos y la distancia de la ruta ms corta desde el origen a este nodo resuelto. El
candidato con la distancia total ms pequea es el n-simo nodo ms cercano los empates
proporcionan nodos resueltos adicionales -, y su ruta ms corta es la que genera esta distancia.
2747
2748 Aplicacin del algoritmo al problema de Seervada Park
2749
2750 La administracin de Seervada Park necesita encontrar la ruta ms corta desde la entrada del
parque (nodo O) hasta el mirador (nodo T) a travs del sistema de caminos que se presenta en la
siguiente figura. En la tabla se encuentran los resultados obtenidos al aplicar el algoritmo anterior
donde el empate del segundo nodo ms cercano permite pasar directo a buscar el cuarto nodo ms
cercano -. La primera columna (n) indica el nmero de la iteracin, despus de quitar los que no
sirven los que no tienen conexin directa con nodos no resueltos -. La tercera columna da los
candidatos para el n-simo nodo ms cercano nodos no resueltos con la ligadura ms corta al nodo
resuelto -. La cuarta columna calcula la distancia de la ruta ms corta desde el origen a cada
candidato esto es, la distancia al nodo resuelto ms la de la ligadura que va al candidato -. El
candidato con la suma de distancias ms pequeas es el n-simo nodo ms cercano al origen, segn
70
se indica en la quinta columna. Las dos ltimas columnas resumen la informacin de este ltimo
nodo resuelto necesitara para pasar a las iteraciones siguientes es decir, la distancia de la ruta ms
corta del origen a este nodo y la ltima rama en esta ruta -.
71
2751
2752 Tabla de datos
2753
2755 Nodos 2756 Nodo 2758 n-
resueltos no 2757 Dista
simo 2759 Dista 2760 ltim
conectad resuelt ncia
os nodo ncia a
2754 n directam
o ms total
ms mni conex
ente a cercano involu
nodos no conecta cerca ma in
do crada
resueltos no
2761 1 2762 O 2763 A 2764 2 2765 A 2766 2 2767 OA
2769 O 2771 C 2773 4 2775 C 2777 4 2779 OC
2768 2,3
2770 A 2772 B 2774 2+2=4 2776 B 2778 4 2780 AB
2782 A 2785 D 2788 2+7=9
2781 4 2783 B 2786 E 2789 4+3=7 2791 E 2792 7 2793 BE
2784 C 2787 E 2790 4+4=8
2795 A 2798 D 2801 2+7=9 2804 2807 2810
2794 5 2796 B 2799 D 2802 4+4=8 2805 D 2808 8 2811 BD
2797 E 2800 D 2803 7+1=8 2806 D 2809 8 2812 ED
2818 8+5=1
2814 D 2816 T 3 2820 T 2822 13 2824 DT
2813 6
2815 E 2817 T 2819 7+7=1 2821 2823 2825
4
2826
2827 Ahora se debe relacionar las columnas con la descripcin del algoritmo. La entrada para la
n-sima iteracin se encuentra en las columnas 5 y 6 de las iteraciones anteriores, donde los nodos
resueltos de la quinta columna se enumeran despus en la segunda par la iteracin actual despus de
eliminar los que no tienen conexin directa con nodos no resueltos. Los candidatos, para el n-simo
nodo ms cercano se realiza en la columna 4 y los resultados se registran en las ltima tres
columnas de la iteracin actual.
2828
2829 La ruta ms corta desde el nodo destino hasta el origen se puede rastrear hacia atrs en la
ltima columna de la tabla, con lo que se obtiene TDEBAO o bien TDBAO.
Por lo tanto, se identificaron las dos opciones de ruta ms corta desde el origen hasta el destino
como OABEDT y OABDT, con una distancia total de 13 millas en
cualquiera de las dos.
2830
2.3.Problema del rbol de Expansin Mnima
2831
2832 El problema del rbol de expansin mnima tiene algunas similitudes con la versin
principal del problema de la ruta ms corta. En ambos casos se considera una red no dirigida y
conexa, en la que la informacin dada incluye alguna medida de longitud positiva distancia, costo,
tiempo, etc. asociada con la ligadura. Los dos problemas involucran tambin el hecho de
seleccionar un conjunto de ligaduras con la longitud ms corta entre los dos conjuntos de ligaduras
que satisfacen cierta propiedad. En el caso del problema de la ruta ms corta, esta propiedad es que
la ligadura seleccionada debe proporcionar una trayectoria entre el origen y el destino. Para el rbol
de expansin mnima la propiedad requerida es que las ligaduras seleccionadas deben proporcionar
una trayectoria entre cada par de nodos.
2833
2834 El problema del rbol de expansin mnima se puede resumir de la siguiente manera:
2835
72
1. Se tiene los nodos de una red pero no las ligaduras. En su lugar se proporcionan las ligaduras
potenciales y la longitud positiva de cada una si s inserta en la red. (Las medidas alternativas
para la longitud de una ligadura incluyen distancia, costo y tiempo).
2. Se desea disear la red con suficientes ligaduras para satisfacer el requisito de que haya un
camino entre cada par de nodos.
3. El objetivo es satisfacer este requisito de manera que se minimice la longitud total de las
ligaduras insertadas en la red.
2836
73
2837
2838 Una red con n nodos requiere de slo (n-1) ligaduras para proporcionar una trayectoria entre
cada par de nodos. No debe usarse ms ligaduras puesto que ello aumentara, sin necesidad, la longitud total
de las ligaduras seleccionadas. Las (n-1) ligaduras deben elegirse de tal manera que la red resultante con
solo las ligaduras seleccionadas forme un rbol de expansin segn la definicin que se present
anteriormente - . Por lo tanto, el problema es encontrar el rbol de expansin con la longitud total mnima
de sus ligaduras.
2839
2840 La figura de 2.3. (a) se ilustra el concepto de rbol de expansin, pues los nodos O, A,B y C
no estn conectados con los nodos D, E y T. Se necesita una ligadura ms para hacer esta conexin.
En realidad, esta red consta de dos rboles, uno para cada uno de dos conjuntos de nodos. Las
ligaduras de la figura 2.3. (b), s se expanden por toda la red es decir, es una grfica conexin
segn la definicin de redes -, pero no es un rbol porque tiene dos ciclos (O-A-B-C-O y D-T-E-D),
esto es, tiene demasiadas ligaduras. Como el problema de Seervada Park tiene n = 7 nodos, en la
definicin de redes se indic que una red debe tener exactamente n-1 = 6 ligaduras y ningn ciclo
para calificar como rbol de expansin. Esta condicin se logra en la figura 2.3. (c), por lo que esta
red es una solucin factible con una longitud total de 24 millas en las ramas o ligaduras para el
problema del rbol de expansin mnima (Se ver que esta solucin no es ptima, puesto que es
posible construir un rbol de expansin con slo 14 millas es sus ramas).
2841
2842 Figura 2.3. (a)
2843
2844
2845 Figura 2.3. (b)
2846
2847
2848 Figura 2.3. (c)
74
2849
75
2850
2851 Algunas aplicaciones
2852
2853 A continuacin se proporciona una lista de algunos tipos importantes de aplicaciones de este
problema:
2854
1. Diseo e redes de telecomunicaciones redes de fibra ptica, de computadoras, telefnicas, de
televisin por cable, etctera - .
2. Diseo de redes de transporte para minimizar el costo total de proporcionar las ligaduras vas
ferroviarias, carreteras, etctera -.
3. Diseo de una red de lneas de transmisin de energa elctrica de alto voltaje.
4. Diseo de una red de cableado de equipo elctrico como sistemas de cmputo para
minimizar la longitud total del cable.
5. Diseo de una red de tuberas para conectar varias localidades.
2855
2856 Un Algoritmo
2857
2858 El problema del rbol de expansin mnima se puede resolver una forma bastante directa,
puesto que se trata de uno de los pocos problemas de la IO en el que se puede ser codicioso en cada
etapa del procedimiento de solucin conduce al final de una solucin ptima. As, con el inicio en
cualquier nodo, la primera etapa consiste en elegir la rama ms corta posible a otro nodo, sin
preocuparse del efecto que esta eleccin pueda tener en las decisiones posteriores. En la segunda
etapa se trata de identificar el nodo no conectado que est ms cerca de cualquiera de los dos que se
acaban de conectar y despus agregar la ligadura correspondiente a la red. Este proceso se repite,
segn el resumen que se presenta a continuacin, hasta conectar todos los nodos. (Obsrvese que
este proceso se ilustr en la figura 2.3. para construir el rbol de expansin, pero ahora con la regla
especfica para seleccionar cada ligadura nueva.) Se garantiza que la red resultante es un rbol de
expansin mnima.
2859
2860 Algoritmo del problema del rbol de expansin mnima
2861
1. Se selecciona, de manera arbitraria, cualquier nodo y se conecta es decir, se agrega una
ligadura al nodo distinto ms cercano.
2. Se identifica el nodo no conectado ms cercano a un nodo conectado y se conecta estos dos
nodos es decir, se agrega una ligadura entre ellos -. Este paso se repite hasta que todos los
nodos estn conectados.
3. Rompimiento de empates: los empates para el nodo ms cercano distinto (paso 1) o para el nodo
conectado ms cercano (paso 2), se pueden romper en forma arbitraria, pero el algoritmo debe
llegar a una solucin ptima. No obstante, estos empates son seal de que puede existir (pero no
necesariamente) soluciones ptimas mltiples. Todas esas soluciones se pueden identificar si se
trabaja con las dems formas de romper los empates al final.
2862
2863 La manera ms rpida de ejecutar este algoritmo en forma manual es el enfoque grfico (ver
ejemplo).
2864
76
2865 La administracin de Seervada Park necesita determinar los caminos bajo los cuales se
deben tender las lneas telefnicas para conectar todas las estaciones con una longitud total mnima
de cable. Se describir paso a paso la solucin de este problema con base en los datos que se
proporcionan en la figura, en donde todas las lneas delgadas ahora representan las ligaduras
potenciales
2866
2867
2868 Figura Sistema de caminos para Seervada Park
2869
2870 En forma arbitraria se selecciona el nodo O como inicio. El nodo no conectado ms cercano
a O es A. Se conecta el nodo A con el nodo O
2871
2872
2873
2874 El nodo no conectado ms cercano a cualquiera de los nodos O o A es el nodo B (ms cerca
a A). Se conecta el nodo B con el nodo A
2875
2876
2877
2878 El nodo no conectado ms cercano a O, A o B es el nodo C (ms cercano a B). Se conecta el
nodo C con el nodo B.
2879
77
2880
2881
78
2882
2883 El nodo no conectado ms cercano a O, A o B es el nodo E (ms cercano a B). Se conecta el
nodo E con el nodo B.
2884
2885
2886
2887 El nodo no conectado ms cercano a O, A, B, C o E es el nodo D (ms cercano a E). Se
conecta el nodo D con el nodo E.
2888
2889
2890
2891 El nico nodo no conectado es T. Est ms cerca del nodo D. Se conecta el nodo T con el
nodo D.
2892
2893
2894
2895 Todos los nodos han quedado conectados, por lo que sta solucin (ptima) que se buscaba.
La longitud total de las ramas es 14 millas.
2896
2897 Aunque con este procedimiento a primera vista puede parecer que la eleccin del nodo
inicial afectar la solucin final y la longitud total de las ligaduras -, en realidad no es as. Se
sugiere verificar este hecho en el caso del ejemplo, mediante otra aplicacin del algoritmo, pero con
un nodo distinto de O.
2898
2.4.Problema de Flujo Mximo
2899
79
2900 El tercer problema al que se enfrenta el administrador de Seervada Park durante la
temporada pico es determinar la ruta de algunos viajes de tranva desde la entrada del parque (estacin O)
hasta el mirador (estacin T), de manera que el nmero de viajes diarios sea el mximo (cada camioneta
debe regresar por la misma ruta que tom de ida, por lo que el anlisis se harpa slo sobre los viajes de ida).
Para evitar perturbaciones innecesarias a la ecologa y a la vida silvestre se impusieron lmites superiores
estrictos sobre el nmero de viajes de salida permitidos hacia el mirador para cada camino individual en la
direccin de ida. Para cada camino, la direccin del viaje de ida se indica mediante una flecha en la
siguiente figura. El nmero que aparece en la base de la flecha proporciona el lmite superior de ese camino
en la direccin de salida de la estacin. Dados los lmites, una solucin factible es mandar 7 camiones al
da, 5 por la ruta
2901 OBET, 1 por la ruta OBCET y 1 por la ruta OBCEDT. Esta solucin
bloquea el uso de cualquier ruta que comience con OC por que las capacidades de ET y
ED estn saturadas-. Es sencillo encontrar mejores soluciones factibles. Es necesario considerar
muchas combinaciones de rutas y el nmero de viajes asignados a cada una para encontrar la(s)
ruta(s) que maximicen el nmero de viajes al da. Este tipo de problemas se conoce como
problemas del flujo mximo.
2902
2903 En trminos generales, el problema de flujo mximo se puede describir de la siguiente
manera.
2904
1. Todo flujo a travs de una red conexa dirigida se origina en un nodo, llamado Fuente, y termina
en otro nodo llamado destino la fuente y el destino en Seervada Park son la entrada en el nodo
O y el morador en el nodo T, respectivamente -.
2. Los nodos restantes son nodos de trasbordo en el problema de Seervada Park son los nodos A,
B, C, D y E
3. Se permite el flujo a travs de un arco slo en la direccin indicada por la flecha, donde la
cantidad mxima de flujo est dada por la capacidad del arco. En la fuente, todos los arcos
sealan hacia afuera. En el destino, todos los arcos sealan hacia el nodo.
4. El objetivo es maximizar la cantidad total de flujo de la fuente al destino. Esta cantidad se mide
en cualquiera de las dos maneras equivalentes, esto es, la cantidad que sale de la fuente o la
cantidad que entra al destino.
2905
2906 Algunas aplicaciones
2907
2908 A continuacin se mencionan algunos tipos de aplicaciones comunes del problema del flujo
mximo.
2909
1. Maximizar el flujo a travs de la red de distribucin de una compaa desde sus fbricas hasta
sus clientes.
2. Maximizar el flujo a travs de la red de suministros de una compaa de proveedores a las
fbricas.
3. Maximizar el flujo de petrleo por un sistema de tuberas.
4. Maximizar el flujo de agua a travs de un sistema de acueductos.
5. Maximizar el flujo de vehculos por una red de transporte.
2910
80
2911 En algunas de estas aplicaciones, el flujo a travs de la red se puede originar en ms de un
nodo y tambin puede terminar en ms de uno, aunque en el problema de flujo mximo puede tener slo un
origen y un destino. Por ejemplo, una red de distribucin de una compaa tiene varias fbricas y mltiples
clientes. En este caso se recurre a una reformulacin ingeniosa para ajustar esta situacin al problema. Se
trata de aumentar la red original para que incluya una fuente ficticia, un destino ficticio y algunos arcos
nuevos. La fuente ficticia se maneja como el nodo que da origen a todo el flujo que en realidad se origina
en algunos otros nodos. En cada uno de estos otros nodos se inserta un nuevo arco que va desde la fuente
ficticia hasta este nodo, donde la capacidad del arco es igual al flujo mximo que puede originar en este
nodo. De manera similar, el destino ficticio se trata como al nodo que absorbe todo el flujo que, en realidad,
termina en algn otro nodo. Por lo tanto, s coloca un nuevo arco desde cada uno de los otros nodos hasta el
destino ficticio con capacidad igual al mximo que en realidad termina en este nodo. Debido a estos
cambios, todos los nodos de la red original se convierten en nodos de trasbordo para que la red aumentada
tenga un solo origen (la fuente ficticia) y un solo destino (el destino ficticio) y se ajuste al problema del
flujo mximo.
2912
2913 Un Algoritmo
2914
2915 Como el problema de flujo mximo se puede formular como un problema de programacin
lineal, se puede resolver con el mtodo smplex. Sin embargo s dispone de un algoritmo de
trayectorias aumentadas mucho ms eficiente. Este algoritmo se basa en dos conceptos intuitivos, el
de una red residual y el de una trayectoria aumentada.
2916
2917 Una vez que se han asignado flujos a los arcos de la red original, la red residual muestra las
capacidades restantes llamados capacidades residuales para asignar flujos adicionales. Por
ejemplo, considere el arco OB de la figura que tiene una capacidad de 7. Ahora suponga que los
flujos asignados incluyen un flujo de 5 a travs de este arco, lo que deja una capacidad residual de
7-5 = 2 para cualquier asignacin de flujo adicional a travs de OB. Este estado se describe en la
red residual de la siguiente manera
2918
2919
2920
2921 El nmero sobre el arco junto a u nodo seala la capacidad residual del flujo desde ese nodo hasta el
otro. Por lo tanto, adems de que la capacidad residual de 2 del flujo de O a B, el 5 de la derecha
indica una capacidad residual de 5 para asignar un flujo desde B hasta O es decir, para cancelar
algn flujo asignado antes de O a B -.
2922
2923 De inicio, antes de asignar cualquier flujo, la red residual tiene la apariencia que se muestra
en la figura 2.4. Todos los arcos de la red original se cambiaron de un arco dirigido a un arco no
dirigido. No obstante, las capacidades en la direccin original son las mismas y las capacidades en
la direccin opuesta son cero, de manera que las restricciones sobre los flujos no cambian.
2924
2925 Despus, siempre que se asigna una capacidad de flujo a un arco, esa cantidad se resta de la
capacidad residual en la misma direccin y se suma la capacidad residual en la direccin opuesta.
2926
81
2927 Una trayectoria de aumento es una trayectoria dirigida del nodo fuente al nodo destino en la
red residual, tal que todos los arcos es esta trayectoria tienen capacidad residual estrictamente
positiva. El mnimo de estas capacidades residuales se llama capacidad residual de la trayectoria de
aumento porque representa la cantidad de flujo que es factible agregar en todo flujo a travs de la
red original.
2928
2929 El algoritmo de la trayectoria de aumento selecciona varias veces una trayectoria de
aumento y agrega un flujo igual a su capacidad residual a la trayectoria en la red original. Este
proceso contina hasta que no hay trayectorias de aumento, con lo que el flujo del nodo fuente al
nodo destino no puede crecer. La clave para asegurar que la solucin final es ptima por necesidad
es el hecho de que las trayectorias de aumento puedan cancelar flujos asignados con anterioridad en
la red original; as, una seleccin indiscriminada de trayectorias para asignar flujos no puede evitar
el uso de una combinacin mejor de asignaciones de flujos.
2930
2931 Algoritmo de la trayectoria de aumento del problema de flujo mximo
2932
1. Se identifica una trayectoria de aumento cuando se encuentra alguna trayectoria dirigida del
origen al destino en la red residual, tal que cada arco sobre ella tenga capacidad residual
estrictamente positiva. (si no existe una, los flujos netos asignados constituyen un patrn de
flujo ptimo)
2. Cuando se encuentra el mnimo de las capacidades residuales de los arcos sobre esta trayectoria
se identifica la capacidad residual c* de esta trayectoria de aumento. Se aumenta en c* el flujo
de esta trayectoria.
3. Se disminuye en c* la capacidad residual de cada arco en esta trayectoria de aumento. Se
aumenta en c* la capacidad residual de cada arco en la direccin opuesta en esta trayectoria. Se
regresa al paso 1.
2933
2934 Cuando se lleva a cabo el paso 1, con frecuencia habr varias alternativas de trayectorias de
aumento entre las cuales se podr escoger. Aunque la estrategia algortmica para elegir es importante para
elevar la eficiencia de las aplicaciones a gran escala, no se profundizar en este tema relativamente
especializado. En consecuencia, en el siguiente ejemplo, la seleccin se har en forma arbitraria.
2935
2936 Aplicacin del algoritmo al problema de Flujo Mximo de Seervada park
2937
2938 La aplicacin de este algoritmo al problema de Seervada Park conduce a los siguientes
resultados. A partir de la red residual inicial de la siguiente figura 2.4, se proporciona la nueva red
residual despus de una o dos iteraciones, donde la cantidad total de flujo de O a T logrado hasta el
momento se muestra en negritas (junto a los nodos O y T).
2939
82
2940
2941 Figura 2.4. Red residual del problema de Flujo Mximo de Seervada park
2942
2943 Iteracin 1: en la figura 2.4, una trayectoria de aumento en OBET que tiene la
capacidad residual igual al min {7,5,6} = 5. Si se asigna un flujo de 5 a esta trayectoria, la red
residual que resulta es:
2944
2945
2946
83
2947
2948 Iteracin 2: Se asigna un flujo de 3 a la trayectoria de aumento en OA. La red residual que
resulta es:
2949
2950 Iteracin 3: Se asigna un flujo de 1 a la trayectoria de aumento en OABDT.
2951 Iteracin 4: Se asigna un flujo de 2 a la trayectoria de aumento en OBDT. La red
2952
2953
2954 Iteracin 5: Se asigna un flujo de 1 a la trayectoria de aumento en OCEDT.
2955 Iteracin 6: Se asigna un flujo de 1 a la trayectoria de aumento en OCET. La red
2956
2957
2958 Iteracin 7: Se asigna un flujo de 1 a la trayectoria de aumento en OCEBDT. La
red residual que resulta es:
2959
84
2960
2961
85
2962
2963 Ya no existe trayectoria de aumento por lo que el patrn de flujo actual es ptimo.
2964
2965 El patrn de flujo actual se puede identificar ya sea por la acumulacin de las asignaciones
de flujo o mediante la comparacin de las capacidades residuales finales con las capacidades
originales de los arcos. Si se emplea este mtodo, existe un flujo a travs de un arco si la capacidad
residual final es menor que la capacidad original. La magnitud de este flujo es igual a la diferencia
entre las capacidades. Al aplicar este mtodo de comparacin de la red residual obtenida en la
ltima iteracin, se obtiene el patrn de flujo que se muestra en la siguiente figura:
2966
2967
2968
2.5.Mtodo de la Ruta Crtica
2969
2970 Una actividad es critica si su retraso cusa retraso en el proyecto. Una no crtica es aquella
que su retraso no retrasa el proyecto, es decir tiene tiempo de holgura. La holgura puede definirse como el
tiempo de inicio ms tardo (I.T.) menos su tiempo de inicio ms prximo (I.P.).
2971
2972 La Ruta crtica de un proyecto es una cadena de actividades crticas. Los clculos para
obtenerla se realizan en dos fases, y por ello se considera a dij como la duracin de la catividad que
va del nodo i al nodo j.
2973
2974 Primera Fase: Clculos hacia adelante.
2975
1. Calcular el tiempo de inicio ms proximo(IP).
2976
2977 IPj = Max { IPi + dij } para toda actividad (i,j) {IP0 = 0}
2978
2. Tiempo de terminacin ms proximo(TP).
2979
2980 TPi = IPj + dij
2981
2982 IP TP
2983
2984
2985
86
2986
2987 Segunda Fase: Clculos hacia atrs.
2988
1. Calcular el tiempo de terminacin ms tardo(TT).
2989
2990 TTi = Min { TTj - dij }
2991
2. Tiempo de terminacin ms proximo(TP).
2992
2993 ITi = TTi - dij
2994
2995 IT TT
2996
2997 Clculo de Holgura
2998 Holgura = TT-TP
2999 = IT - IP
3000
3001 De donde la RUTA CRTICA ser la actividad en la que se presenta una HOLGURA
CERO
3002
3003 Ejemplo:
3004
3005 Hallar la ruta crtica del siguiente ejemplo:
3006
3007 18
3008 2 5
8 13
3 15
3009
3010 12 20 6
3011 1 4 6 8
3012
3013 4
3014 4 6
3015 3 7
3016
3017 Primera Fase: Hacia adelante ()
3018
3019 Del Nodo 1 al 2 = 3023 Del Nodo 2 al 5 = 3027 Del Nodo 5 al 6 =
(0,3) (3,21) (27,32)
(0,12) (4,10) (27,40)
(0,4) (12,27) (32,36)
(3,11) (12,32) (32,38)
87
3031
3032 Inicia el da 0 y Termina el da 3
3033
3034 Notacin: (0,3)
3035
3036 Se toma como tiempo de suracin el mayor tiempo, por lo tanto el mayor es 40 y la
tipificacin tiene 4 unidades de Holgura.
3037 Primera Fase: Retroceso ()
3038
3039 18
3040 2 5
8 13
3 15 <40,27>
3041 <27,12>
3042 12 20 6
3043 1 4 6 8
3044 <12,0>
3045 4
3046 4 6
3047 3 7
3048
3049 Como se puede observar TD= 40 y la Ruta crtica es RC = 1,4,5,8
3050
3051
3052
3053 Ejemplos:
3054
3055 Resolver los siguientes ejemplos aplicando los cuatro mtodos de solucin del modelo de
Redes (camino ms corto, rbol de expandido mnimo, flujo mximo y ruta crtica):
3056
3057 Ejercicio 1)
3058
3059 4
10 5
3060 8 2
3061
3062 7 6 2
1 3 5 6
3063
3064 3 6
2
3065
3066 2
3067
3068
3069 Ejercicio 2)
3070 4
3071 2 5
3072 7
3
3073 0 2 6
3074 5 6
3075 3 3
3076 2
3077 2
3078 2
1 3
3079
3080
3081
3082 Unidad 3
3083
3084 Programacin No Lineal
3085
3086 Diferencias entre Programacin No Lineal y Programacin Lineal
3087
3088 La solucin para el problema de programacin lineal es un conjunto convexo.
3089
3090 Tambin sabemos que la solucin de programacin lineal se encuentra en un punto
extremo de un conjunto convexo. Pronto veremos, sin embargo, que aunque la regin factible para un
problema de programacin no lineal sea un conjunto convexo, la solucin ptima para un problema de
programacin no lineal no tiene que ser un punto extremo de la regin factible del problema de
programacin no lineal.
3091
3092 La Figura 1 muestra grficamente la regin factible (acotada por el tringulo ABC) para el
ejemplo y las
3093 curvas de isobeneficio KL = 1; KL = 2 y KL = 4
3094
3095
3096
3097 Figura 1 UN PROBLEMA DE PROGRAMACIN NO LINEAL CUYA
3098 SOLUCIN PTIMA NO ES UN PUNTO EXTREMO
3099
3100 Obsrvese que la solucin ptima es tangente a la frontera de la regin factible
3101
3102 La solucin ptima para el ejemplo es z = 4, K = 1 y L = 4 (el punto D).
3103
3104
3105 D no es un punto extremo de la regin factible de programacin no lineal.
3106
3107 Para este ejemplo (y para muchos otros problemas de programacin no lineal), la
solucin ptima no es un punto extremo de la regin factible, porque las curvas isoganancias no son
lneas rectas.
3108
3.1.Planteamiento de problemas de Programacin No Lineal (PNL)
3109
3110 Un modelo de Programacin No Lineal (PNL) es aquel donde las variables de decisin se
expresan como funciones no lineales ya sea en la funcin objetivo y/o restricciones de un modelo de
optimizacin. Esta caracterstica particular de los modelos no lineales permite abordar problemas donde
existen economas o deseconomas de escala o en general donde los supuestos asociados a la
proporcionalidad no se cumplen.
3111
3112 Formulacin matemtica del problema
3113
3114 El problema de programacin no lineal puede enunciarse de una forma muy simple:
3115
3116
3117
3118 Mtodos de resolucin del problema
3119
3120 Si la funcin objetivo f es lineal y el espacio restringido es un poltopo, el problema es de

Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de
programacin lineal.
3121
3122 Si la funcin objetivo es cncava (problema de maximizacin), o convexa (problema de

minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar el mtodo general de
Optimizacin convexa
3123
3124 Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos consiste
en utilizar formulaciones especiales de problemas de programacin lineal. Otro mtodo implica el uso de
tcnicas de Ramificacin y poda, cuando el problema se divide en subdivisiones a resolver mediante
aproximaciones que forman un lmite inferior del coste total en cada subdivisin. Mediante subdivisiones
sucesivas, se obtendr una solucin cuyo coste es igual o inferior que el mejor lmite inferior obtenido por
alguna de las soluciones aproximadas.
3125
3126
3127 Esta solucin es ptima, aunque posiblemente no sea nica. El algoritmo puede ser parado
antes, con la garanta de que la mejor solucin ser mejor que la solucin encontrada en un porcentaje
acotado. Ello se utiliza en concreto en problemas importantes y especialmente difciles y cuando el
problema cuenta con costes inciertos o valores donde la incertidumbre puede ser estimada en un grado de
fiabilidad apropiado.
3128
3129 Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias para que
una solucin sea ptima.
3130
3131 Planteamiento de problemas de Programacin no lineal y optimizacin
3132
3133 Una suposicin importante de programacin lineal es que todas sus funciones (Funcin
objetivo y funciones de restriccin) son lineales. Aunque, en esencia, esta suposicin se cumple para
muchos problemas prcticos, es frecuente que no sea as. De hecho, muchos economistas han encontrado
que cierto grado de no linealidad es la regla, y no la excepcin, en los problemas de planeacin econmica,
por lo cual, muchas veces es necesario manejar problemas de programacin no lineal.
3134
3135 De una manera general, el problema de programacin no lineal consiste en encontrar

x=(x1,x2,,xn) para
3136
3137 maximizar (x),
3138 sujeta a
3139
3140
3141
3142 No se dispone de un algoritmo que resuelva todos los problemas especficos que se ajustan a
este formato. Sin embargo, se han hecho grandes logros en lo que se refiere a algunos casos especiales,
haciendo algunas suposiciones sobre las funciones, y la investigacin sigue muy activa.
3143
3.2. Optimizacin Clsica

3144
3.2.1. Puntos de inflexin
3145
3146 Mtodo de Newton
3147
3148 El encontrar la solucin a un sistema de ecuaciones no lineal es mucho ms difcil que el
de un sistema lineal. El mtodo de Newton es un procedimiento iterativo y permite la linealizacin de un
sistema de ecuaciones no lineal, para posteriormente darle solucin por cualquier mtodo numrico de
ecuaciones lineales simultneas, ste forma parte de los mtodos conocidos como mtodos de gradiente.
3149 Un sistema de n ecuaciones con n incgnitas (x1, x2, ... xn), se conoce como no lineal, si una o
ms de estas no es lineal.
3150
3151
3152 De manera general, la solucin de un sistema de n ecuaciones no lineal aplicando el
mtodo de Newton [Conte y Boor, 1987] se plantea como sigue:
3153
3154 Evaluado en (xi, yi, zi,...) y resolviendo se tiene:

3155
3156
3157
3158 Sea la expresin (2) la suma de todas las ecuaciones no lineales que representan el
sistema en estudio
3159
3160
3161
3162 La iteracin de Newton se podr obtener para el conjunto de ecuaciones a partir de (2), usando la
serie de Taylor en una aproximacin de primer orden
3163
3164
3165
3166 Las ecuaciones (3) representan un conjunto de 2n ecuaciones lineales acopladas para el vector de
incgnitas X en el paso de tiempo k+1, en la iteracin i+1. Los trminos en derivadas darn
lugar a la formacin de la matriz Jacobiana:
3167
3168
3169
3170 La solucin del conjunto de ecuaciones lineales encontradas en cada iteracin (matriz Jacobiana)
ser resuelta por cualquier mtodo lineal de matrices hasta que los residuales sean menores a una
tolerancia designada, muy prxima a cero, ecuacin (3).
3171
3172
3173 Mtodo de derivadas restringidas (Jacobiano).
3174
3175 Se puede considerar como una generalizacin del mtodo smplex para programacin
lineal.
3176 Considere el problema
3177
3178
3179 Las funciones f(X) y gi(X), donde i = 1,2,,m, se suponen diferenciables y doblemente
continuas. El utilizar derivadas restringidas es encontrar una expresin de forma cerrada para las
primeras derivadas parciales de f(X) en todos los puntos que satisfacen las restricciones g(X) = 0. Estos
puntos estacionarios entonces se sabe que son donde dichas derivadas parciales se anulan.
3180
3181 Por el teorema de Taylor, para los puntos X + DX en el entorno factible de X, se deduce
que:
3182
3183
3184
3185
3186 con esto se tienen m ecuaciones con n incgnitas, cuando m < n tenemos, si definimos a
X ahora como:
3187
3188 X = (Y, Z)
3189
3190 Donde:
3191
3192
3193
3194
3195 Indican a las variables dependientes e independientes, respectivamente y que
corresponden al vector X. Volviendo a escribir los vectores gradiente de f y g en trminos de Y y Z se
encuentra que
3196
3197
3198
3199 Jmxn se conoce como la matriz jacobiana y Cmxn-m = es la matriz de control. Utilizando las
definiciones anteriores en (4), se puede escribir el conjunto original de ecuaciones como:
3200
3201
3202 y
3203
3204
3205 Como J se supone que no es singular, existir su inversa J-1. Por lo tanto,
3206
3207
3208
3209 sustituyendo Y en la ecuacin (6) se obtiene a f como una funcin de Z
3210
3211
3212
3213 aplicando a esta ecuacin la derivada restringida con respecto a al vector independiente Z,
se tiene
3214
3215
3216
3217 donde cf representa el vector gradiente restringido de f con respecto a Z. Por
consiguiente f debe de ser nulo en los puntos estacionarios.
3218
3.2.2. Mximos y Mnimos:
3219
3220 Desde la dcada de los 60 la programacin lineal (PL) ha sido aplicada en diversas reas de
la vida como por ejemplo: sistemas militares, agrcolas, econmicos, de transporte y de salud. La PL ofrece
bases importantes en el desarrollo de mtodos de solucin de otras tcnicas de la Investigacin de
operaciones, como lo son la programacin entera, la estocstica y la no lineal [Taha 1991]. La PL juega un
papel muy importante en el estudio de los problemas continuos de optimizacin considerados como la
frontera de los problemas de optimizacin combinatoria, ya que en los continuos se tienen las
caractersticas necesarias para que sean considerados dentro del tipo combinatorio [Papadimitriou and
Steiglitz, 1982]: Un problema de optimizacin combinatoria siempre se le involucra un conjunto de
instancias, donde cada una de ellas cuenta con un conjunto finito de posibles soluciones (caracterstica
imprescindible de los problemas continuos).
3221
3222 Por otra parte la teora de optimizacin clsica se usa para la obtencin de los mximos y
mnimos de funciones no lineales restringidas y no restringidas, en los que se hace uso del clculo
diferencial.
3223
3224 Mximos y Mnimos
3225
3226 Mnimo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mnimo de la
funcin si f(X0+h) > f(X0), donde X0 es cualquier punto de la funcin y h en valor absoluto es
suficientemente pequea.
3227
3228 Mximo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mximo de la
funcin si f(X0+h) < f(X0), donde X0 es cualquier punto de la funcin y h en valor absoluto es
suficientemente pequea.
3229
3230 Una funcin puede contener varios mximos y mnimos, identificados por los puntos
extremos de la funcin. En la figura 1 se puede observar esto, los puntos x1, x3 y x6 son mximos, de la
figura notamos que f(x6) es el mayor que f(x1) y f(x3), a este punto se le conoce como mximo global de la
funcin y a los restantes como mximos locales. Lo mismo se puede ver para los mnimos, en los que
tambin existe un mnimo global f(x2) y un mnimo local f(x4). Como es de lgico, solo puede existir un
solo global y posiblemente varios locales.
3231
3232 Fig. 1. Representacin de mximos y mnimos en una funcin con una sola variable [Taha 1991].
3233
3234
3235 Una condicin necesaria pero no suficiente para que X0 sea un punto extremo, es que para
una funcin con ms de una variable, el gradiente f(X0) = 0. Si es cierto esto entonces X0 ser conocido
como punto estacionario.
3236
3237 Una condicin suficiente para que un punto estacionario sea extremo es que la matriz
Hessiana H obtenida en X0 del sistema de ecuaciones sea positiva cuando X0 es un punto extremo de
mnimo. Y negativa cuando X0 es un punto extremo de mximo.
3238
3239 Un mximo dbil implica un numero finito de mximos alternativos (ver figura 1) y se
define como X0 es un mximo dbil, si f(X0 + h) <= f(X0). Un anlisis similar es para los mnimos dbiles.
3240
3241 Un punto de inflexin se encuentra cuando la evaluacin del gradiente da cero y no es un
extremo, esto es, se debe de cumplir la condicin de la matriz Hessiana.
3242
3.3.Problemas no restringidos.
3243
3.3.1. Multiplicadores de LAGRANGE (lambda).
3244
3245 Se pueden utilizar los multiplicadores de Lagrange para resolver los problemas no lineales
en los cuales las restricciones son igualdades. Consideramos los del tipo siguiente:
3246 (1)
3247
3248 Para resolverlo, asociamos un multiplicador l 1 con la i-sima restriccin y formamos el
lagrangiano.
3249 (2)
3250 Donde son constantes (desconocidas) denominadas multiplicadores de
Lagrange. Despus resulvase el sistema de n + m ecuaciones:
3251
3252
3253
3254
3255 Teorema: Si existe una solucin al programa (1), sta se encuentra contenida entre las
soluciones al sistema anterior, siempre y cuando y todas tengan primeras
derivadas parciales continuas y la matriz jacobina de m x n, tenga rango m en X = X* .

3256
3257 El mtodo de los multiplicadores de Lagrange es equivalente a emplear las ecuaciones de
restriccin para eliminar algunas de las variables x de la funcin objetivo y resolver despus un problema
de maximizacin sin restricciones para las restantes variables x.
3258
3.3.2. Interpretacin econmica.
3259
3260 Ejemplo:
3261
3262 Una compaa planea gastar 10,000 dlares en publicidad. Cuesta 3,000 dlares un minuto
de publicidad en la televisin y 1,000 dlares un minuto de publicidad en la radio. Si la empresa compra x
minutos de comerciales en la televisin y y minutos de comerciales en la radio, su ingreso, en miles de
dlares, est dado por . Cmo puede la empresa maximizar su
ingreso?
3263
3264 Solucin:
3265
3266 Se tiene el programa no lineal siguiente:
3267
3268
3269
3270 Entonces Hacemos
3271
3272
3273
3274
3275 Obsrvese que 10 - 3x -y = 0 se convierte en la restriccin 3x + y = 10. La ecuacin (1)
da y la ecuacin (2) da As, ,
3276 o
3277
3278 Sustituyendo (4) y (5) en la (3), obtenemos, o . Entonces (4) y (5) nos
dan
3279
3280
3281
3282 El hessiano para es
3283
3284
3285
3286 Ya que cada mejor principal de primer orden es negativo, y , es una
funcin cncava. La restriccin es lineal y, por lo tanto da la solucin ptima para el programa no lineal.
3287
3288 As, la empresa tendra que comprar 69/28 minutos de tiempo de televisor y 73/28 minutos
de tiempo de radio. Ya que l = , el gasto de un D extra (en miles) (para un D pequeo) aumentara los
ingresos de la empresa en aproximadamente 0.25 D dlares (en miles).
3289
3290 En general, si la empresa tiene a dlares para gastar en la publicidad, se puede demostrar
que . Vemos que si gasta ms dinero en la publicidad, el incremento en el ingreso por cada dlar
adicional para la publicidad se hace ms pequeo.
3291
3292
3293 Unidad 4
3294
3295 Teora de Inventarios
3296
3297 4.1. Sistemas de Administracin y control
3298
3299 Los sistemas de inventarios surgen de las diferencias entre el tiempo y la localizacin de la
demanda y el abastecimiento.
3300
3301 Desde el punto de vista del cliente, un artculo debe contener tantas unidades como puedan
demandarse, y nunca debera quedar fuera de existencia. Generalmente, as sucede en el caso de la leche o
el pan en una tienda de abarrotes. Los inventarios cuestan dinero, representan el capital intil.
3302
3303 La cantidad comienza en un nivel alto y luego se reduce conforme se sacan las unidades.
Cuando el nivel baja se coloca una orden, la cual al recibirse incrementa el inventario y esto se repite una y
otra vez. La cantidad se controla con el tiempo y la cantidad de cada orden. As, lo ms importante es:
3304
3305 Cunto ordenar y cundo ordenar.
3306
3307 Definicin y caractersticas
3308
3309 Es un conjunto de bienes que se almacenan para posteriormente venderlos o utilizarlos.
3310
3311 Tipos de inventarios.
3312
a. Materias primas, productos en proceso, productos terminados y refracciones.

3313
3314 Razones para llevar inventarios.
3315
1. independizar las etapas en produccin.
2. Aprovechar los descuentos al comprar grandes cantidades.
3. Para evitar la especulacin, ej. Las fbricas de transformadores utilizan mucho su produccin el
cobre.
4. Atender oportunamente al cliente cuando requiera el producto.
3316
3317 Costos que se generan al tener inventarios (representan un total del 15 al 40 %).
3318
a. Costo de la inversin esttica en va (Costo de oportunidad) lo menos que se pierde por este
concepto es lo que nos dara el banco en intereses (12 % aprox.).
b. Terrenos y edificios (12 %).
c. Sueldos del personal de almacn (3%).
d. Seguros (1%).
e. Robos y desperdicios (3%).
f. Depreciacin y obsoletismo (6%).
3319
3320 Costo total de los inventarios.
3321
1. Costo de ordenar.
2. Costo del faltante.
3. Costo de lo comprado.
4. Costo de mantener los inventarios en almacn.
3322
3323 Ejemplo:
3324
3325 Supongamos que una ca. tiene una demanda de un producto de 97 unidades por semana y
que puede comprarse en diversas formas: una cantidad de 5040 al ao, una cantidad de 2520 cada 6 meses,
1680 cada 4 meses y as sucesivamente de acuerdo a las necesidades de la empresa.
3326
3327 El costo unitario de compra del artculo es de $2.50, el costo total y por satisfacer una orden
es de $35.00 y el costo anual de almacenamiento de la mercanca es del 20% del precio de compra de la
misma.
3328
a. Determinar el tamao econmico del lote.

b. El nmero de pedidos.
c. El costo total del inventario.
d. El punto de reorden si el proveedor tarda 2 semanas en surtir el pedido.
3329
3330 Inventario Promedio (Inv. Prom.)
3331
3332
3333
3334 Unidades
3335
3336 Costo de Mantener el inventario (Cmi) = Inventario Promedio * costo del Producto * 0.20 %
3337
3338 Cmi = 2520 * 2.50 * 0.20 = $1260
3339
3340 Costo de compra = 5040 * 2.5 =$ 12600
3341
3342 Costo Total = Costo de Mantenimiento del Inventario + Costo de Ordenar + Costo de Comprar
3343
3344 Costo total = 1260+35+12600= $ 13,895.
3345
3346
3347
3348
3349
3350
3357 C
3351 No. os
3352 Tamao 3355 Costo 3356 Costo
de 3353 Inventario 3354 Costo de to
del de de
pedid Promedio mnto de inv. to
pedido ordenar compra
os ta
l
3364 1
3
3358 1 3359 5040 3360 2520 3361 1260 3362 35 3363 12600 8
9
5
3371 1
3
3365 2 3366 2520 3367 1260 3368 630 3369 70 3370 12600 3
0
0
3378 1
3
3372 3 3373 1680 3374 840 3375 420 3376 105 3377 12600 1
2
5
3385 1
3
3379 4 3380 1260 3381 630 3382 315 3383 140 3384 12600 0
5
5
3392 1
3
3386 5 3387 1008 3388 504 3389 252 3390 175 3391 12600 0
2
7
3399 1
3
3393 6 3394 840 3395 420 3396 210 3397 210 3398 12600 0
2
0
3406 1
3
3400 7 3401 720 3402 360 3403 180 3404 245 3405 12600 0
2
5
3413 1
3
0
3407 8 3408 630 3409 315 3410 157 3411 280 3412 12600
3
7.
5
3414
3415 Nmero de pedidos = 6.
3416 Costo Total = $ 13,020.
3417 Demanda optima = 840.
3418
3419 Ejemplo 2:
3420
3421 Dadas los siguientes datos determinar:
a. El tamao econmico del lote.

b. Nmero de pedidos.
c. Costo total de adquisicin del inventario.
d. Necesidades anuales 144000 piezas.
e. Costo del producto $16.00
f. Costo de adquisicin por pedido $25.00
g. Punto de repedido si el proveedor tarda 12 das en enviar el pedido.
3422
3423 Tomando en cuenta que el costo anual de almacenamiento de la mercanca es del 10% .
3424
3431 Co
3425 No. de 3426 Tama 3427 Inv.
3428 Costo de 3429 Costo de 3430 Costo de sto
pedido o prom
mnto de inv. ordenar compra tot
s pedido edio
al
3438 24
19
3432 1 3433 144000 3434 72000 3435 115200 3436 25 3437 2304000
22
5
3445 23
61
3439 2 3440 72000 3441 36000 3442 57600 3443 50 3444 2304000
65
0
3452 23
42
3446 3 3447 48000 3448 24000 3449 38400 3450 75 3451 2304000
47
5
3459 23
32
3453 4 3454 36000 3455 18000 3456 28800 3457 100 3458 2304000
90
0
3466 23
27
3460 5 3461 28800 3462 14400 3463 23040 3464 125 3465 2304000
16
5
3467 6 3468 24000 3469 12000 3470 19200 3471 150 3472 2304000 3473 23
23
35
0
3480 23
20
3474 7 3475 20571 3476 10285 3477 16456 3478 175 3479 2304000
63
1
3487 23
18
3481 8 3482 18000 3483 9000 3484 14400 3485 200 3486 2304000
60
0
3494 23
17
3488 9 3489 16000 3490 8000 3491 12800 3492 225 3493 2304000
02
5
3501 23
15
3495 10 3496 14400 3497 7200 3498 11520 3499 250 3500 2304000
77
0
3502
3503
3504 4.2. Modelo determinstico
3505
3506 4.2.1. Lote econmico sin dficit (Modelos con reabastecimiento instantneo).
3507
3508 No se permite el faltante. Suposiciones:
3509
1. La demanda tiene que ser constante.
2. Los costos son constantes (no se permite descuento en adquisiciones voluminosas).
3. Los proveedores entregaran con puntualidad los pedidos en el periodo comprendido.
4. El lote mnimo es igual al inventario mximo.
3510
3511 Nomenclatura:
3512
3513 Q = tamao econmico del lote.
3514 N = nmero de pedido.
3515 D = Demanda.
3516 Ci = Costo de compra.
3517 Ch = Costo de mantener un unidad en los inventarios (%).
3518 Co = Costo de ordenar.
3519 R = Punto de reorden.
3520 L = Tiempo de consumo.
3521 T = Tiempo para consumir el inventario mximo.
3522 Imx = Inventario Mximo.
3523 =Inventario Promedio.
3524 Ct = Costo Total.
3525
3526
3527
3528 Ct = Costo de compra + Costo de ordenar + Costo de tenencia.
3529
3530 Costo de compra = CiD
3531
3532 Costo de ordenar =

3533
3534 Costo de tenencia =

3535
3536
3537 Si la demanda es de 50 piezas por da y el proveedor pasa 10 das en surtir por tanto
necesitamos 500 piezas para no tener faltante.
3538
3539 R = ? = 50 * 10 -500
3540 D = 50 pza/da.
3541 L = 10 das.
3542 R = D L
3543 Unidad = 5040
3544
3545
3546 Ejemplo:
3547
3548 Una Ca. fabricante de refrescos a observado que requiere anualmente de 3000 baleros que
son utilizados en las bombas de agua con un programa de mantenimiento preventivo diseado por el
departamento de produccin. El costo de cada unidad es de $ 80,000, el costo de oportunidad de inversin
es de 12% del costo del producto. Los costos generados por el control de inventarios como son el sueldo de
personal de almacn, agua y electricidad es de 2,400 * unidad, otro costo que representa aun los deterioros,
extravi y envejecimiento de los productos almacenados anualmente y alcanzan un costo de $2,000 *
unidad .La orden de compra se ha estimado en $120,000.
3549
3550 Suponga que el proveedor tarda en promedio 15 das en surtir una orden, determinar:
3551
a) El tamao econmico del lote.
b) El inventario mximo.
c) El inventario Promedio.
d) El punto de reorden.
e) El tiempo requerido para consumir el inventario mximo.
f) Costo total del inventario.
g) Nmero de pedidos.
3552
3553 Datos:
3554
3555 D = 3000 unidad por ao.
3556 Ci = $80,000
3557 Co =$120,000
3558 Ch= 0.12 (80,000)+ 2,400 + 2,000
3559 Ch = 14,000 unidades por ao.
3560 L = 15 das.
3561
a) = Q = 227 unidad.
3562
3563
b) Imx. = Q = 227 u.
3564
c) =
3565
DL 300015
d) R= = =123Unidades
365 365
3566
e) T - Q/D = 0.075 Aos = 27 das.
3567
f) Ct = $ 262,585,903
3568
g) =
3569
3570
3571 4.3. Lote econmico de produccin (Modelo con reabastecimiento uniforme, no se permite
faltante).
3572
3573 Las suposiciones de este modelo son las siguientes.

3574
La demanda se efecta a tasa constante.
El reemplazo es instantneo (la tasa se reemplazo es finita).
Todos los coeficientes de costos son constantes.
La tasa de manufacturacin es mayor que la tasa de demanda.
3575
3576 Este modelo compara el costo de ordenar una compra por el costo de iniciar una tanda de
produccin. Para determinar la cantidad optima a pedir o si sigue el procedimiento de manufacturar el
producto.
3577
3578 S = Tasa de produccin.
3579
3580 .
3581
3582
3583
3584 Formulario:
3585
3586
3587
3588 Ejemplo:
3589
3590 Frecuentemente un gerente de produccin desea tomar la produccin, ya sea de comprar o

manufacturar un artculo. Los modelos vistos hasta el momento pueden ser usados para tomar tal decisin.
3591 Suponga que un artculo puede ser comprado a $25 la unidad o fabricado a una tasa de produccin
de 10,000 unidades por ao, con un costo de $22 la unidad. Sin embargo si lo compramos el costo
de una orden es de 5 mientras que el costo de organizar una tanda de produccin. (Preparar el
equipo) es de $50. La demanda es de 2,500 unidades por ao, el costo de conservar el inventario es
de 10% del costo del producto. Determinar que es preferible, si comprar o manufacturar.
3592
3593 Comprar:
3594
3595 Ci = $25 u.
3596 Co= $5
3597 Ch = 0.10*25 = $2.5
3598 D = 2,500 u / ao.
3599
3600 =
3601
3602
3603 Ct = $ 62,750
3604
3605 Manufacturar:
3606
3607 S = 10,000 u / ao.
3608 Ci = $22 unidades.
3609 Co =$50
3610 Ch = 0.10 (22) = $2.2
3611 D = 2,500 u / ao.
3612
3613
3614
3615
502500 2.2389 2500

3616 Ct=( 222500 ) +
389
+( 2 )(
1
10000 )
=55.642.2528
3617
3618 Ct = 55,642
3619
3620 De acuerdo con los costos obtenidos conviene mejor manufacturar el producto que
comprarlo y una vez que el gerente ha decidido fabricar el producto desea conocer tambin:
3621
a. El inventario mximo.
b. El tiempo de produccin.
c. El punto de reorden (una orden tarda 1 semana en atenderse).
d. El tiempo de ciclo.
e. El tiempo en que no existe produccin y que no se puede ocupar para dar mantenimiento a las
maquinas.
f. El inventario promedio.
g. El nmero de ordenes de fabricacin.
3622
3623 Por lo tanto tenemos que:
3624
a)
3625
3626
b)
3627
3628
DL 25007
c) R= = =48
365 365
3629
3630
d)
3631
3632
e) T - t = 57 - 14 = 43
3633
3634
f)
3635
3636
g)
3637
3638
3639
3640 4.4 Modelo Probabilstico (Modelo con descuento por compras de grandes cantidades).
3641
3642 Es muy comn que el precio de un producto por la cantidad que se compra o se produce.
Esta situacin surge cuando se tiene la oportunidad de recibir un descuento en la compra de una cantidad
grande. Es posible que el costo de adicional de tener un inventario mayor, son ampliamente compensado
reduciendo el costo de compra y el costo de ordenar. La forma directa de saber si se deben acelerar
cantidades grandes es comparar el aumento de los costos con el precio normal con el ahorro generado por el
precio de descuento.
3643
3644 Ejemplo:
3645
3646 Demanda (D) = 2000 u/ao.
3647 Costo de Compra (Ci)= $5
3648 Costo por Ordenar (Co)= $5
3649 Costo por mantener el inventario (Ch)= 1.50 + 0.10 * 5 = 2
3650
1. Encuentre la Q ptima con el precio base.

3651
3652
3653 = = 100
3654
3655
2. Encontrar el costo del inventario con el precio base.
3656
3657
3658 = (5 * 2000)+ (5 * (2000/100)) + (200/2) = 10,200
3659
3660
3. Calcular el costo del inventario con el precio de descuento, comparar este costo con el anterior y
seleccionar la opcin de menor costo.
3661
3662 Ejemplo:
3663
3664 Suponga que un proveedor nos ofrece un descuento del 5% si adquirimos lotes mayores o
iguales a 200 unidades.
3665
3666 Datos:
3667
3668 Descuento 5%
3669 Ci = 5 * 0.95 = $ 4.75
3670 Ch = 1.50 + 0.10 (4.75) = $ 1.975
3671 Ct = (4.75 * 2000) + (5 * 2000/200) + (1.975 * 200/2) = 9747.5
3672 Ct = $ 9747.5 menor que la anterior.
3673
3674
3675 Otro proveedor nos ofrece ahora un descuento del 40% si compramos lotes mayores o
iguales a 120 unidades.
3676
3677 Datos:
3678
3679 Descuento 40%
3680 Ci = 5 * 0.60 = $ 3
3681 Ch = 1.50 + 0.10 (3) = $ 1.80
3682 Ct = (3 * 2000) + (5 * 2000/120) + (1.80 * 120/2) = 6191
3683 Ct = $ 6191 Optimo.
3684
3685 Unidad 5
3686
3687 Teora de Lneas de Espera (Teora de Colas)
3688
3689 5.1. Definiciones, caractersticas y suposiciones
3690
3691 En este captulo se aplica la teora de colas. Una Cola es una lnea de espera y la teora de
colas es una coleccin de modelos matemticos que describen sistemas de lneas de espera particulares o de
sistemas de colas. Los modelos sirven para encontrar el comportamiento de estado estable, como la
longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado.
3692
3693 El problema es determinar qu capacidad o tasa de servicio proporciona el balance correcto.

Esto no es sencillo, ya que el cliente no llega a un horario fijo, es decir, no se sabe con exactitud en qu
momento llegarn los clientes. Tambin el tiempo de servicio no tiene un horario fijo.
3694
3695 Definicin.
3696
3697 Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lneas de espera particulares o sistemas de colas. Los modelos
sirven para encontrar el comportamiento de estado estable, como la longitud promedio de la lnea y el
tiempo de espera promedio para un sistema dado. Esta informacin, junto con los costos pertinentes, se usa,
entonces, para determinar la capacidad de servicio apropiada.
3698
3699
3700 Caractersticas los sistemas de colas.
3701
3702 Un sistema de colas puede dividirse en sus dos componentes de mayor importancia, la cola
y la instalacin de servicio. Las llegadas son las unidades que entran en el sistema para recibir el servicio.
Siempre se unen primero a la cola; si no hay lnea de espera se dice que la cola est vaca. De la cola, las
llegadas van a la instalacin de servicio de acuerdo con la disciplina de la cola, es decir, de acuerdo con la
regla para decidir cul de las llegadas se sirve despus. El primero en llegar primero en ser servido es una
regla comn, pero podra servir con prioridades o siguiendo alguna otra regla. Una vez que se completa el
servicio, las llegadas se convierten en salidas.
3703
3704 Ambas componentes del sistema tienen costos asociados que deben de considerarse.
3705
3706
3707
3708
3709 5.2. Terminologa y notacin
3710
3711 Costo de Espera.
3712
3713 Esperar significa desperdicio de algn recurso activo que bien se puede aprovechar en otra
cosa y esta dado por:
3714
3715 Costo total de espera = Cw* L
3716
3717 Donde:
3718
3719 Cw = Costo de espera por hora (en dlares) por llegada por unidad de tiempo y
3720 L = longitud promedio de la lnea.
3721
3722 Costo de Servicio.
3723
3724 Este en la mayora se trata de comprar varias instalaciones de servicio, en estos casos solo se
ocupan los costos comparativos o diferenciales.
3725
3726 Sistema de costo mnimo.
3727
3728 Aqu hay que tomar en cuenta que para tasas bajas de servicio, se experimenta largas colas y
costos de espera muy altos. Conforme aumenta el servicio disminuyen los costos de espera, pero aumenta el
costo de servicio y el costo total disminuye, sin embargo, finalmente se llega a un punto de disminucin en
el rendimiento. Entonces el propsito es encontrar el balance adecuado para que el costo total sea el
mnimo.
3729
3730
3731
3732
3733
3734 Estructuras tpicas.
3735
3736 Las llegadas pueden ser personas, cartas, carros, incendios, ensambles intermedios en una
fbrica, etc. En la siguiente tabla se muestran algunos ejemplos de varios sistemas de colas.
3737
3738 Ejemplos de sistemas de colas
3739
3743 Mecanismo de
3740 Situacin 3741 Llegadas 3742 Cola
Servicio
3746 Aviones en
3744 Aeropuerto 3745 Aviones 3747 Pista
carreteo
3748 Aeropuerto 3749 Pasajeros 3750 Sala de espera 3751 Avin
3752 Depto de 3753 Alarmas de 3755 Depto. de
3754 Incendios
bomberos incendio Bomberos.
3756 Compaa 3757 Nmeros
3758 Llamadas 3759 Conmutador
telefnica marcados
3763 Mecanismo de
3760 Lavado de carros 3761 Autos 3762 Autos sucios
lavado
3764 La corte 3765 Casos 3766 Casos atrasados 3767 Juez
3770 Clientes con
3768 Panadera 3769 Clientes 3771 Vendedor
nmeros
3772 Carga de 3774 Camiones en
3773 Camiones 3775 Muelle de carga
camiones espera
3776 Oficina de 3779 Empleados por
3777 Cartas 3778 Buzn
correos correos
3780 Crucero 3781 Autos 3782 Autos en lnea 3783 Crucero
3786 Inventario en 3787 Estacin de
3784 Fbrica 3785 Subensamble
proceso trabajo.
3788 Cartas de 3790 Cartas para
3789 Notas de dictado 3791 Secretaria
negocios mecanografiar
3792 Reproduccin 3793 Pedidos 3794 Trabajos 3795 Copiadoras
3798 Personas
3796 Hospital 3797 Pacientes 3799 Hospital
enfermas
3800
3801 Permitiendo que varen el nmero de colas y el nmero de servidores, pueden hacerse los
diagramas de los cuatro tipos de sistemas de la siguiente figura. Cada lnea de espera individual y cada
servidor individual se muestran por separado.
3802
3803 El primer sistema que se muestra en la figura, se llama un sistema de un servidor y una cola
o puede describir un lavado de carros automtico o un muelle de descarga de un solo lugar. El segundo, una
lnea con mltiples servidores, es tpico de una peluquera o una panadera en donde los clientes toman un
nmero al entrar y se les sirve cuando llega el turno. El tercer sistema, aqul en que cada servidor tiene una
lnea de separada, es caracterstico de los bancos y las tiendas de autoservicio. El cuarto sistema, es una
lnea con servidores en serie, puede describir una fbrica.
3804
3805
3806
3807
3808 5.3. Proceso de Nacimiento y Muerte
3809
3810 La mayor parte de los modelos elementales de colas suponen que las entradas (llegada de
clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo al proceso de
nacimiento y muerte. Este importante proceso de teora de probabilidad tiene aplicaciones en
varias reas. Sin embrago en el contexto de la teora de colas, el trmino nacimiento se refiere a
llegada de un nuevo cliente al sistema de colas y el trmino muerte se refiere a la salida del
cliente servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el nmero de
clientes que hay en el sistema de colas en el tiempo t. El proceso de nacimiento y muerte
describe en trminos probabilsticos cmo cambia N (t) al aumentar t. En general, dice que los
nacimientos y muertes individuales ocurren aleatoriamente, en donde sus tasas medias de
ocurrencia dependen del estado actual del sistema.
3811
3812
3813 5.4. Modelos de Piosson
3814
3815 5.4.1. Modelo de un servidor y una cola.
3816
3817 Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el
cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de computadora que
esperan tiempo de procesador.
3818
3819 Llegadas.
3820
3821 Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es
impredecible el momento en que llegar. El modelo tambin supone que las llegadas vienen de una
poblacin infinita y llegan una a la vez.
3822
3823 Cola.
3824
3825 En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es
primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las llegadas no
pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas.
3826
3827 Instalacin de Servicio.
3828
3829 Se supone que un solo servidor proporciona el servicio que vara aleatoriamente.
3830
3831 Salidas.
3832
3833 No se permite que las unidades que salgan entren inmediatamente al servicio.
3834
3835 Caractersticas de operacin.
3836
3837 Un servidor y una cola.
3838 Llegada Poisson.
3839 Cola infinita, primero en llegar primero en ser servido.
3840 Tiempos de servicio exponenciales.
3841
3842 Cola:
3843
3844 Longitud promedio de la lnea:
3845
3846
3847
3848 Tiempo de espera promedio:
3849
3850
3851
3852
3853 Sistema:
3854
3855 Longitud promedio de la lnea:
3856
3857
3858 Tiempo de espera promedio:
3859
3860
3861 Utilizacin de la instalacin:
3862
3863
3864 Probabilidad de que la lnea exceda a:
3865
3866
3867
3868 A = tasa promedio de llegada.
3869 S = tasa promedio de servicio.
3870
3871 Ejemplo: (Un supermercado)
3872
3873 Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan
para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operacin. Si hay poco
intercambio entre las lneas, puede tratarse este problema como 10 sistemas separados de una sola lnea,
cada uno con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora:
3874
3875 A = 9 clientes por hora
3876 S = 12 clientes por hora
3877
3878 Entonces:
3879 = 2.25 Clientes
3880 = 0.25 horas o 15 minutos.
3881 = 3 clientes.
3882 = 0.33 horas o 20 minutos.
3883 = 0.75 o 75%
3884 0.32
3885
3886
3887 Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En
promedio, hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso completo lleva un
promedio de 20 minutos. La caja est ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habr
cuatro personas o ms en el sistema (o tres o ms esperando en la cola).
3888
3889 5.4.2. Modelo con Servidores Mltiples
3890
3891 Caractersticas de operacin.
3892
3893 Una sola Lnea y Mltiples Servidores.
3894 Llegada Poisson.
3895 Cola infinita, primero en llegar primero en ser servido.
3896 Tiempos de servicio exponenciales.
3897
3898 Las ecuaciones para las caractersticas de operacin se vuelven un poco ms complicadas.
3899
3900 Sea:
3901
3902 N = nmero de servidores.
3903 A = tasa promedio de llegadas (llegadas por unidad de tiempo).
3904 S = tasa promedio de servicio por cada servidor (llegadas por unidad de tiempo).
3905
3906 Entonces:
3907
3908
3909
3910
3911 La cantidad P0 es la probabilidad de que no haya llegadas en una unidad de tiempo, lo cual
no lo hace ms fcil de calcular. Para dos o tres servidores pueden combinarse y simplificar las dos
ecuaciones para obtener, para N=2
3912
3913
3914 Ntese que para N = 1 este modelo se reduce al modelo de un servidor.
3915
3916 Ejemplo:
3917
3918 Considrese la biblioteca de una universidad cuyo personal est tratando de decidir cuntas
copiadoras debe de instalar para uso de los estudiantes. Se ha escogido un equipo particular que puede
hacer hasta 10 copias por minuto. No se sabe cul es el costo de espera para un estudiante, pero se piensa
que no deben tener que esperar ms de dos minutos en promedio. Si el nmero promedio de copias que se
hacen por usuario es cinco, cuntas copiadoras se deben instalar?
3919
3920 Se usa prueba y error para resolver este tipo de problemas, no se encuentra una solucin
general como se hizo para el modelo de un servidor. Se tratar primero con dos copiadoras, despus con
tres, y as hasta que se satisfaga el criterio del tiempo de espera.
3921
3922 Cul es la tasa de servicio? Si el nmero promedio de copias es cinco y la copiadora puede
hacer hasta 10 copias por minuto, entonces pueden servirse en promedio hasta dos estudiantes por minuto.
Pero, en esto no se toma en cuenta el tiempo para insertar la moneda, cambiar originales, para que un
estudiante desocupe y otro comience a copiar. Supngase que se permite un 70 % del tiempo para estas
actividades. Entonces la tasa de servicio neta baja a 0.6 estudiantes por minuto. Adems se supone que los
periodos pico de copiado tienen una tasa de llegada de 60 estudiantes por hora, o 1 por minuto.
3923
3924 Se comenzar con dos copiadoras, ya que una no sera suficiente.
3925
3926 A = 1 por minuto.
3927 S = 0.6 por minuto.
3928 N = 2
3929
3930
3931
3932 Esto excede el criterio del mximo de 2 minutos de espera para el estudiante promedio. Se
tratarn tres copiadoras.
3933
3934
3935 Se necesitan tres copiadoras. La utilizacin de cada una ser:
3936
3937
3938 5.5. Anlisis de Costos

3939
3940 Evaluacin del sistema cuando se conoce el costo de espera.
3941
3942 Los costos de servicio influyen en el mtodo para encontrar el sistema de menor costo. Si el
costo de servicio es una funcin lineal de la tasa de servicio, puede encontrarse una solucin general para la
tasa ptima.
3943
3944 Para aplicar una solucin general, se necesita una tasa de servicio que pueda variar de
manera continua.
3945
3946 Cuando los costos de servicio cambian en forma escalonada, se usa la tcnica de prueba y
error para encontrar el sistema de menor costo. Se calcula el costo total para una tasa de servicio, despus
para la siguiente y as sucesivamente. Esto contina hasta que se encuentra un lmite inferior o un mnimo
tal, que el aumentar o el disminuir las tasas de servicio da costos totales ms altos.
3947
3948 Ejemplo:
3949
3950 Se est estudiando un muelle de carga y descarga de camiones para aprender cmo debe
formarse una brigada. El muelle tiene espacio slo para un camin, as es un sistema de un servidor. Pero el
tiempo de carga o descarga puede reducirse aumentando el tamao de la brigada.
3951
3952 Supngase que puede aplicarse el modelo de un servidor y una cola (llegadas Poisson,
tiempos de servicio exponenciales) y que la tasa promedio de servicio es un camin por hora para un
cargador. Los cargadores adicionales aumentan la tasa de servicio proporcionalmente. Adems, supngase
que los camiones llegan con una tasa de dos por hora en promedio y que el costo de espera es de $ 20 por
hora por un camin. Si se le paga $ 5 por hora a cada miembro de la brigada, Cul es el mejor tamao de
esta?
3953
3954
3955 Datos:
3956
3957 A = 2 camiones por hora.
3958 S = 1 camin por persona.
3959 Cw = costo de espera = $20 por hora por camin.
3960 CS = costo de servicio = $ 5 por hora por persona.
3961
3962 Ahora sea k = nmero de personas en la brigada. Se busca k tal que la suma de los costos de espera
y servicio se minimice:
3963
3964 Costo total = Cw LS + k CS
3965
3966 Las pruebas deben de empezar con tres miembros de la brigada, ya que uno o dos no
podran compensar la tasa de llegadas de dos camiones por hora. Para una brigada de tres, la tasa de
servicio es de tres camiones por hora y puede encontrarse Ls con la siguiente ecuacin:
3967
3968
3969
3970 De la misma manera, para una brigada de cuatro:
3971
3972
3973
3974 El costo es menor, por tanto se sigue adelante.
3975
3976 Para una brigada de cinco:
3977
3978
3979
3980
3981 Este todava es menor:
3982
3983
3984
3985 Como este costo es mayor que el de la brigada de cinco, se rebas el lmite inferior de la
curva de costo; el tamao ptimo de la brigada es cinco personas.
3986
3987 Evaluacin del sistema con costos de espera desconocidos.
3988
3989 En lugar de estimar el costo de espera, el administrador puede especificar un promedio
mnimo de tiempo de espera o de longitud de lnea. Esto establece un lmite superior para Wq, el tiempo de
espera en la cola (o para Lq, la longitud de lnea en la cola). Con este lmite superior puede encontrarse la
tasa de servicio necesaria para cualquiera tasa de llegadas dadas.
3990
3991 Ejemplo:
3992
3993 Considrese un restaurante de comida rpida con un men limitado. El restaurante se est
diseando para que todos los clientes se unan a una sola lnea para ser servidos. Una persona tomar la
orden y la servir. Con sus limitaciones, la tasa de servicio puede aumentarse agregando ms personal para
preparar la comida y servir las rdenes.
3994
3995 Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas son aleatorias,
puede aplicarse el modelo de una cola. Supngase que la administracin quiere que el cliente
promedio no espere ms de dos minutos antes de que se tome su orden. Esto se expresa como:
3996
3997 Wq = 2 minutos
3998
3999 Supngase tambin que la tasa mxima de llegadas es de 30 rdenes por hora.
4000
4001
4002 Rearreglando trminos,
4003
A
4004 S ( S A ) =
Wq
4005
A
4006 S 2 AS =0
Wq
4007
4008
4009 Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede descartarse la
solucin negativa. Entonces:
4010
4011 Para este ejemplo, se supuso:

s= +
A
2 A2 A
+
4 Wq
4012
4013 A = 30 ordenes por hora.
4014 Wq = 2 minutos o 0.033 horas
4015
4016 Entonces:
4017
4018 = 15 + 33.5 =
48.5 rdenes por hora.
4019
4020
4021 Para cumplir los requerimientos, se necesita una tasa de casi 50 rdenes por hora. Si, por
ejemplo, una brigada de cinco puede manejar 45 rdenes por hora y una de seis puede procesar 50 por hora,
entonces sera necesario tener la brigada de seis.
4022
4023 Modelo de un servidor con tiempos de servicio constantes.
4024
4025 Este modelo es igual que el anterior, excepto que se supone que el tiempo de servicio es
exactamente el mismo en cada llegada en lugar de ser aleatorio. Todava se tiene una sola lnea, tamao de
la cola infinito, disciplina de la cola como primero en llegar primero en ser servido y llegadas Poisson.
4026
4027 Las aplicaciones tpicas de este modelo pueden incluir un autolavado automtico, una
estacin de trabajo en una pequea fbrica o una estacin de diagnstico de mantenimiento preventivo. En
general, el servicio lo proporciona una mquina.
4028
4029 Las caractersticas de operacin estn dadas por 4:
4030
4031
4032
4033
4034
4035 En donde A = tasa promedio de llegadas (llegadas por unidad de tiempo) y S = tasa
constante de servicio (llegadas por unidad de tiempo).
4036
4037 Ejemplo:
4038
4039 Supngase un lavado automtico de autos con una lnea de remolque, de manera que los
autos se mueven a travs de la instalacin de lavado como en una lnea de ensamble. Una
instalacin de este tipo tiene dos tiempos de servicio diferentes: el tiempo entre autos y el tiempo
para completar un auto. Desde el punto de vista de teora de colas, el tiempo entre autos establece el
tiempo de servicio del sistema. Un auto cada cinco minutos da una tasa de 12 autos por hora. Sin
embargo, el tiempo para procesar un auto es el tiempo que se debe esperar para entregar un auto
limpio. La teora de colas no considera este tiempo.
4040
4041 Supngase que el lavado de autos puede aceptar un auto cada cinco minutos y que la tasa
promedio de llegadas es de nueve autos por hora (con distribucin Poisson). Sustituyendo:
4042
92
4043 Lq = =1.125 autos
(2) ( 12 )(129)
4044
9
4045 W q= =0.125 hrs . o 7.5 minutos
(2) ( 12 ) (129)
4046
( 9 ) ( ( 2 )( 12 ) 9)
4047 Ls = =1.875 autos
( 2) ( 12 ) (129)
4048
1.875
4049 W s= =0.208 hrs . o 12.5 minutos
9
4050
9
4051 U 0= =0.75 o 75
12
4052

Investigación de Operaciones: Programación Lineal y Análisis de Redes

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Investigación de Operaciones: Programación Lineal y Análisis de Redes

Uploaded by

Copyright:

Available Formats

Investigacin de Operaciones

Ing. Ren Zahor Torres Becerra

Ingeniera en Sistemas Computacionales Temario

Ing. Ren Zahor Torres Becerra

Investigacin de Operaciones o Investigacin Operacional. Se puede definir de la siguiente

Historia de la Investigacin de Operaciones.

La primera actividad de Investigacin de Operaciones se dio durante la Segunda Guerra Mundial en

Ing. Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

1. La estructuracin de una situacin de la vida real como un modelo matemtico,

Metodologa de la Investigacin de Operaciones.

El proceso de la Investigacin de Operaciones comprende las siguientes fases:

Demos una explicacin de cada una de las fases:

Tipos de Modelos de la Investigacin de Operaciones

Ing. Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

667 El mtodo grfico se utiliza para la solucin de problemas de PL, representando

673 Los pasos necesarios para realizar el mtodo son nueve:

2 Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles.

1516 Restricciones funcionales de la forma

1518 Una restriccin en forma de Mayor o igual:

1893 Si Xi j representa la cantidad transportada desde la fuente i al destino j, entonces, el modelo

1924 Detroi 1925 1 250 1926 1 350

2107 2108 2109 2110 2111 2112 2113 2114

2131 2132 2133 2134 2135 2136 2137 2138

2155 2156 2157 2158 2159 2160 2161 2162

2179 2180 2181 2182 2183 2184 2185 2186

220122022203 20 2204 25 2205 15 2206 25 22072208

2256 2257 2258 2259 2260 2261 2262 2263

2280 2281 2282 2283 2284 2285 2286 2287

23032304 2305 2306 2307 2308 2309 2310 2311 2312

4 2316 2317 2318 2319 2320 2321 2322 2323 30

2328 2329 2330 2331 2332 2333 2334 2335

235023512352 30 2353 20 2354 70 2355 50 23562357

247424752476 30 2477 19 2478 25 2479 21 24802481

3112 Formulacin matemtica del problema

3118 Mtodos de resolucin del problema

3120 Si la funcin objetivo f es lineal y el espacio restringido es un poltopo, el problema es de

3122 Si la funcin objetivo es cncava (problema de maximizacin), o convexa (problema de

3131 Planteamiento de problemas de Programacin no lineal y optimizacin

3135 De una manera general, el problema de programacin no lineal consiste en encontrar

3137 maximizar (x),

3.2. Optimizacin Clsica

3154 Evaluado en (xi, yi, zi,...) y resolviendo se tiene:

derivadas parciales continuas y la matriz jacobina de m x n, tenga rango m en X = X* .

3309 Es un conjunto de bienes que se almacenan para posteriormente venderlos o utilizarlos.

3311 Tipos de inventarios.

a. Materias primas, productos en proceso, productos terminados y refracciones.

a. Determinar el tamao econmico del lote.

3417 Demanda optima = 840.

3421 Dadas los siguientes datos determinar:

a. El tamao econmico del lote.

3532 Costo de ordenar =

3534 Costo de tenencia =

3573 Las suposiciones de este modelo son las siguientes.

3578 S = Tasa de produccin.

3590 Frecuentemente un gerente de produccin desea tomar la produccin, ya sea de comprar o