Investigacion de Operaciones - 2017 II

Calidad que se acredita internacionalmente
ASIGNATURA
INVESTIGACIN DE
OPERACIONES
(TEXTO UNIVERSITARIO)
Asignatura: Investigacin de Operaciones
VISIN
Ser una de las 10 mejores universidades

privadas del Per al ao 2020, reconocidos por
nuestra excelencia acadmica y vocacin de
servicio, lderes en formacin integral, con
perspectiva global; promoviendo la
competitividad del pas.
MISIN
Somos una universidad privada, innovadora y

comprometida con el desarrollo del Per, que se
dedica a formar personas competentes, ntegras
y emprendedoras, con visin internacional; para
que se conviertan en ciudadanos responsables e
impulsen el desarrollo de sus comunidades,
impartiendo experiencias de aprendizaje
vivificantes e inspiradoras; y generando una alta
valoracin mutua entre todos los grupos de
inters.
Universidad Continental de Ciencias e Ingeniera

Material publicado con fines de estudio
Cuarta edicin
Huancayo, 2013
pg. 2
INTRODUCCIN
El desarrollo del material de la asignatura, se hace considerando la Investigacin de

Operaciones como una ciencia administrativa basada en el enfoque cientfico, para resolver
problemas y proporcionar ayuda para la toma de decisiones. Planear, programar, organizar,
dirigir, dotar de personal, controlar, son actividades que el alumno en su ejercicio profesional
puede desempear, y la Investigacin de Operaciones le sirve de ayuda con su mtodo analtico
y sistemtico. Con base en este enfoque gerencial es que se plantea en el presente manual el
estudio de esta ciencia.
La primera Unidad Didctica, es una puerta de entrada al estudio de las diversas tcnicas y los
respectivos modelos que conforman la asignatura. Se hace nfasis en el anlisis cuantitativo
que es la base del enfoque cientfico, punto de partida del proceso que determinar la toma de
una decisin.
La segunda Unidad Didctica, se inicia en las tcnicas a estudiar, siendo la primera,
Programacin Lineal. Esta es una de las tcnicas ms empleadas y se aplica en sistemas con
relaciones lineales, para usar los recursos escasos de la mejor manera posible.
La tercera unidad estudia las aplicaciones especiales de la programacin lineal, los cuales son
el problema de transporte y el problema de asignacin.
La cuarta unidad didctica contiene el estudio de tcnicas utilizadas para el manejo de
proyectos que son: PERT y CPM. Ambas tcnicas tienen el objetivo de ahorrar el mayor tiempo
posible en la ejecucin de proyectos. Didcticamente, su estudio ha sido dividido en tres fases:
Planeamiento, Programacin y Control.
La quinta unidad est dedicada al estudio de la Teora de Colas, con especial mencin del
modelo M/M/1, llamado as segn la notacin de Kendall. La Teora es un estudio de los
sistemas de espera y de los diferentes modelos que provee la Investigacin de Operaciones
para ayudar en la toma de decisiones en este campo.
La sexta unidad es la Teora de decisiones, en la cual se desarrollan los diversos modelos de
decisiones, complementado con el clculo del valor de la informacin perfecta. Adems se
incluye los rboles de decisin para la representacin de decisiones secuenciales.
La sptima unidad consiste en las Cadenas de Markov para la evaluacin de ocurrencias de
eventos ante situaciones ocurridas.
El presente material es una gua para el desarrollo del curso y debe ser complementada por el
estudiante a travs de la investigacin y bsqueda de informacin en diversas fuentes como
biblioteca e internet as como con el desarrollo de las clases presenciales.
pg. 3
NDICE
Pg.
INTRODUCCIN 3
INDICE 4
PRIMERA UNIDAD 7
Tema N 1: LA INVESTIGACIN DE OPERACIONES Y EL USO DE MODELOS 7
1.1 Los modelos 7
1.2 Qu es la investigacin de operaciones? 8
SEGUNDA UNIDAD 10
Tema N 2: PROGRAMACIN LINEAL 10
2.1 Introduccin. 10
2.2 Expresin matemtica 10
2.3 Modelo de Programacin Lineal 11
2.4 Forma estndar del modelo 12
2.5 Suposiciones del Modelo de Programacin Lineal 12
2.6 Modelos matemticos 13
2.7 Formulacin de modelos de programacin lineal 13
Casos de aplicacin 14
Tema N 3: METODOS DE SOLUCION DE PROBLEMAS DE PL 20

3.1 Mtodo grfico 20
3.2 El Mtodo Simplex 33
Tema N 4: ANALISIS DE DUALIDAD Y SENSIBILIDAD 40

4.1 Anlisis de Dualidad 40
4.2 Definicin de Problema dual 40
4.3 Anlisis de sensibilidad 43
TERCERA UNIDAD 46
Tema N 5: MODELO DE TRANSPORTE 46
5.1 Problema de Transporte 47
5.2 Modelo general del problema de transporte 47
5.3. Mtodos para encontrar soluciones factibles 49
5.4 Mtodo de la esquina noroeste 49
5.5 Mtodo de aproximacin de Vogel 50
5.6 Modelos Balanceados y no balanceados 50
Tema N 6: MODELO DE ASIGNACION DE RECURSOS 59

6.1 Problemas de asignacin de recursos 59
6.2 El mtodo Hngaro 60
pg. 4
CUARTA UNIDAD 65
Tema N 7: ADMINISTRACIN DE PROYECTOS PERT/CPM 65
7.1 Introduccin 66
7.2 Procedimiento para trazar un modelo de red 66
7.3 Pasos en el planeamiento del proyecto del CPM 68
7.4 Utilidad de las tcnicas PERT y CPM 69
7.5 Programacin de proyectos 70
7.6 Ventajas del PERT y CPM 70
7.7 Pasos en el mtodo PERT (Program Evaluation and Review Technique) 71
7.8 Asignacin de tiempos 72
QUINTA UNIDAD 80
Tema N 8: SISTEMA DE LNEA DE ESPERA 80
8.1 Modelo de formacin de colas. 80
8.2 Elementos existentes en un modelo de colas 81
8.3 Casos de colas o lneas de espera 87
SEXTA UNIDAD 97
Tema N 9: TEORA DE DECISIONES 97
9.1 Introduccin 97
9.2 Toma de decisiones bajo incertidumbre 97
9.3 Caso de aplicacin: Criterios de decisin en incertidumbre 103
9.4 rboles de decisin 108
SEPTIMA UNIDAD 114

Tema N 10: CADENAS DE MARKOV 114
10.1 Introduccin 114
10.2 Caso de aplicacin 114
10.3 Formulacin de las Cadenas de Markov 114
REFERENCIAS BIBLIOGRFICAS 119

REFERENCIAS ELECTRNICAS 119
ANEXO 120
pg. 5
ICONOGRAFA DE TEXTO
METODOLOGA DE LA INVESTIGACIN DE OPERACIONES
El texto se fundamenta en la metodologa de la investigacin de operaciones alineada a

la investigacin cientfica. Las diversas tcnicas de investigacin de operaciones buscan
optimizar el uso de recursos en las organizaciones mediante la definicin del problema
a resolver en un sistema empresarial o social en base a lo cual se construyen los modelos
matemticos y se recolectan los datos en forma paralela y cclica; planteado el modelo
se procede a resolverlo mediante los mtodos de cada tcnica operativa, lo cual puede
llevar a un replanteamiento del modelo, a recopilar ms datos o ambos; solucionado el
modelo se procede a hacer la verificacin de la validez de los resultados, su coherencia
con la realidad; finalmente se realiza la implementacin para solucionar el problema
definido mejorando la situacin inicial.
pg. 6
PRIMERA UNIDAD
Tema N 1: LA INVESTIGACIN DE OPERACIONES Y EL USO DE

MODELOS
1.1 Los modelos

Un modelo es una representacin ideal de un sistema y la forma en que este opera. El
objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento
futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal
manera que se hacen las suposiciones y restricciones necesarias para representar las
porciones ms relevantes del mismo. Claramente no habra ventaja alguna de utilizar
modelos si estos no simplificaran la situacin real. En muchos casos podemos utilizar
modelos matemticos que, mediante letras, nmeros y operaciones, representan
variables, magnitudes y sus relaciones.
1.1.1 Clasificacin de modelos

Se podra decir que un modelo de las ciencias fsicas es una traduccin de la realidad fsica
de un sistema en trminos matemticos, es decir, una forma de representar cada uno de
los tipos entidades que intervienen en un cierto proceso fsico mediante objetos
matemticos. Las relaciones matemticas formales entre los objetos del modelo, deben
representar de alguna manera las relaciones reales existentes entre las diferentes
entidades o aspectos del sistema u objeto real. As una vez "traducido" o "representado"
cierto problema en forma de modelo matemtico, se pueden aplicar el clculo, el lgebra
y otras herramientas matemticas para deducir el comportamiento del sistema bajo
estudio. Un modelo fsico requerir por tanto que se pueda seguir el camino inverso al
modelado, permitiendo reinterpretar en la realidad las predicciones del modelo. Los
modelos matemticos pueden clasificarse de la siguiente manera:
Determinista. Se conoce de manera puntual la forma del resultado ya que no hay
incertidumbre. Adems, los datos utilizados para alimentar el modelo son
completamente conocidos y determinados.
Estocstico. Probabilstico, que no se conoce el resultado esperado, sino su
probabilidad y existe por tanto incertidumbre.
Adems con respecto a la funcin del origen de la informacin utilizada para construirlos
los modelos pueden clasificarse de otras formas, se distinguen modelos heursticos y
modelos empricos:
Modelos heursticos (del griego euriskein 'hallar, inventar'). Son los que estn
basados en las explicaciones sobre las causas o mecanismos naturales que dan
lugar al fenmeno estudiado.
Modelos empricos (del griego empeirikos relativo a la experiencia). Son los
que utilizan las observaciones directas o los resultados de experimentos del
fenmeno estudiado.
Adems los modelos matemticos encuentran distintas denominaciones en sus diversas
aplicaciones. A continuacin veremos algunos tipos en los que se puede adecuar algn
modelo matemtico de inters. Segn su campo de aplicacin los modelos:
Modelos conceptuales. Son los que reproducen mediante frmulas y algoritmos
matemticos ms o menos complejos los procesos fsicos que se producen en la
naturaleza
pg. 7
Modelo matemtico de optimizacin. Los modelos matemticos de

optimizacin son ampliamente utilizados en diversas ramas de la ingeniera para
resolver problemas que por su naturaleza son indeterminados, es decir presentan
ms de una solucin posible.
Categoras por su aplicacin suelen utilizarse en las siguientes tres reas, sin embargo
existen muchas otras como la de finanzas, ciencias etc.
Simulacin. De situaciones medibles de manera precisa o aleatoria, por ejemplo
con aspectos de programacin lineal cuando es de manera precisa, y probabilstica
o heurstica cuando es aleatorio.
Optimizacin. Para determinar el punto exacto para resolver alguna problemtica
administrativa, de produccin, o cualquier otra situacin. Cuando la optimizacin
es entera o no lineal, combinada, se refiere a modelos matemticos poco
predecibles, pero que pueden acoplarse a alguna alternativa existente y
aproximada en su cuantificacin.
Control. Para saber con precisin como est algo en una organizacin,
investigacin, rea de operacin, etc.
1.1.2 Principios de los modelos

"Los modelos no pueden remplazar al tomador de decisiones, slo auxiliarlos"
A continuacin se presenta una lista, no exhaustiva, de los principios generales de
modelacin.
No debe elaborarse un modelo complicado cuando uno simple es suficiente.
El problema no debe ajustarse al modelo o mtodo de solucin.
La fase deductiva de la modelacin debe realizarse rigurosamente.
Los modelos deben validarse antes de su implantacin.
Nunca debe pensarse que el modelo es el sistema real.
Un modelo debe criticarse por algo para lo que no fue hecho.
No venda un modelo como la perfeccin mxima.
Uno de los primeros beneficios de la modelacin reside en el desarrollo del modelo.
Un modelo es tan bueno o tan malo como la informacin con la que trabaja.
Los modelos no pueden remplazar al tomador de decisiones.
Los modelos de Investigacin de Operaciones, conducen a mejores decisiones y no
a simplificar la toma de stas.
1.2 Qu es la investigacin de operaciones?

Como toda disciplina en desarrollo, la investigacin de operaciones ha ido evolucionando
no slo en sus tcnicas y aplicaciones sino en la forma como la conceptualizan los
diferentes autores, en la actualidad no existe solamente una definicin sino muchas,
algunas demasiado generales, otras demasiado engaosas, aqu seleccionamos dos de
las ms aceptadas y representativas.
La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios,

del mtodo cientfico a problemas relacionados con el control de las
organizaciones o sistemas (hombre-mquina), a fin de que se produzcan
soluciones que mejor sirvan a los objetivos de la organizacin.
Churchman, Ackoff y Arnoff
De sta definicin se pueden destacar los siguientes conceptos:
1. Una organizacin es un sistema formado por componentes que se interaccionan,
unas de estas interacciones pueden ser controladas y otras no.
pg. 8
2. En un sistema la informacin es una parte fundamental, ya que entre las

componentes fluye informacin que ocasiona la interaccin entre ellas. Tambin
dentro de la estructura de los sistemas se encuentran recursos que generan
interacciones. Los objetivos de la organizacin se refieren a la eficacia y eficiencia
con que las componentes pueden controlarse, el control es un mecanismo de
autocorreccin del sistema que permite evaluar los resultados en trminos de los
objetivos establecidos.
3. La complejidad de los problemas que se presentan en las organizaciones ya no
encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su anlisis y solucin se requieren grupos
compuestos por especialistas de diferentes reas del conocimiento que logran
comunicarse con un lenguaje comn.
4. La investigacin de operaciones es la aplicacin de la metodologa cientfica a
travs modelos matemticos, primero para representar al problema y luego para
resolverlo. La definicin de la sociedad de investigacin de operaciones de la
Gran Bretaa es la siguiente:
5. La investigacin de operaciones es el ataque de la ciencia moderna a los
complejos problemas que surgen en la direccin y en la administracin de
grandes sistemas de hombres, mquinas, materiales y dinero, en la industria,
en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste
en desarrollar un modelo cientfico del sistema tal, que incorpore valoraciones
de factores como el azar y el riesgo y mediante el cual se predigan y comparen
los resultados de decisiones, estrategias o controles alternativos. Su propsito
es el de ayudar a la gerencia a determinar cientficamente sus polticas y
acciones.
En relacin a sta definicin deben destacarse los siguientes aspectos:
i. Generalmente se asocian los conceptos de direccin y administracin a las empresas
de tipo lucrativo, sin embargo, una empresa es un concepto ms amplio, es algo
que utiliza hombres, mquinas, materiales y dinero con un propsito especfico;
desde ste punto de vista, se considera como empresa desde una universidad hasta
una armadora de automviles.
ii. Para tratar de explicar el comportamiento de un sistema complejo, el cientfico debe
representarlo en trminos de los conceptos que maneja, lo hace expresando todos
los rasgos principales del sistema por medio de relaciones matemticas. A esta
representacin formal se le llama modelo.
iii. La esencia de un modelo es que debe ser predictivo, lo cual no significa predecir el
futuro, pero si ser capaz de indicar muchas cosas acerca de la forma en que se
puede esperar que un sistema opere en una variedad de circunstancias, lo que
permite valorar su vulnerabilidad. Si se conocen las debilidades del sistema se
pueden tomar cursos de accin agrupados en tres categoras:
a. Efectuar cambios que lleven a la empresa o parte de ella a una nueva ruta;
b. Realizar un plan de toma de decisiones;
c. Instalar estrategias que generen decisiones.
Cuando se aplica alguno de estos remedios, la investigacin de operaciones nos
ayuda a determinar la accin menos vulnerable ante un futuro incierto.
iv. El objetivo global de la investigacin de operaciones es el de apoyar al tomador de
decisiones, en cuanto ayudarlo a cumplir con su funcin basado en estudios
cientficamente fundamentados.
pg. 9
SEGUNDA UNIDAD
Tema N 2: PROGRAMACIN LINEAL
2.1 Introduccin.
Se considera al desarrollo de la Programacin Lineal (PL) entre los avances cientficos
ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn
que ha ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo
industrias medianas y pequeas en distintos pases del mundo. Cul es la naturaleza
de esta notable herramienta y qu tipo de problemas puede manejar? Expresado
brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar
recursos limitados entre las distintas actividades de la mejor manera posible (es decir,
en forma ptima). La variedad de situaciones a las que se puede aplicar esta descripcin
es sin duda muy grande, y va desde la asignacin de instalaciones productivas a los
productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas.
No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar
recursos a las actividades.
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 ptimo, esto es, el
resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre
todas las alternativas de solucin.
2.2 Expresin matemtica

La Funcin Objetivo del Modelo Lineal es la formulacin matemtica de una
meta establecida y por lo tanto su valor final mide la efectividad lograda. Es
una funcin lineal a ser maximizada o minimizada y tiene la siguiente forma
general:
Optimizar C 1X1 + C 2X2 + C3X3 + C4X4 +...................+ CnXn
Xj, simboliza matemticamente a las variables de decisin. Son los valores
numricos que se determinan con la solucin del modelo y representan o
estn relacionadas con una actividad o accin a tomar. Son los nicos valores
desconocidos en el modelo y pueden existir en cualquier cantidad, desde 1
hasta n variables. Es decir, j vara desde 1 hasta n.
Cj, matemticamente, simboliza el coeficiente de la variable j en la
Funcin Objetivo. Son datos relevantes, insumos incontrolables ya
conocidos. En la Funcin Objetivo representan la cantidad con la cual
contribuye cada unidad de la variable j, al valor total deseado en el objetivo.
Las restricciones, desde el punto de vista matemtico, son funciones
lineales expresadas como igualdades o desigualdades, que limitan el valor
de las variables de decisin a valores permisibles. Representan recursos,
condiciones o requerimientos establecidos. Las restricciones del Modelo
Lineal general tienen la forma siguiente:
a11 X1 + a 12 X 2 + a 13 X 3 + a14 X 4 + + a1nXn <= b1
a21 X1 + a 22 X 2 + a 23 X 3 + a24 X 4 + + a2n Xn <= b2
.
.
am1 X1 + a m2 X 2 + a m3 X 3 + am4 X 4 + + amn Xn <= bm
pg. 10
aij, matemticamente simboliza el coeficiente, en la restriccin i, de las variable

j.
El subndice i indica el recurso, requerimiento o condicin cuya limitacin se est
expresando; j indica la variable correspondiente. Cuando la limitacin es de un
recurso i, estos coeficientes representan la cantidad del recurso total limitado i,
que es utilizada en cada unidad de la variable j. Cuando la limitacin es de un
requerimiento o condicin i, representan la cantidad del requerimiento o
condicin i limitada, que aporta cada unidad de la variable j, al requerimiento o
condicin total establecida. Son, por ello, valores unitarios, al igual que los
coeficientes de las variables en la Funcin Objetivo.
bi, matemticamente constituye el lado derecho de la restriccin i.
Representa la cantidad total disponible del recurso limitado i, o la cantidad total
de un requerimiento o condicin i establecida. Puede existir cualquier cantidad
de restricciones por lo tanto i puede variar desde 1 hasta m.
Xj >= 0 es una restriccin de no negatividad de las j variables, la cual se le
considera siempre presente como una condicin natural en el Modelo Lineal
General.
2.3 Modelo de Programacin Lineal

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.
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.
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.
Z = valor de la medida global de efectividad
xj = nivel de la actividad j (para j = 1,2,...,n)
cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j
bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m)
aij = cantidad del recurso i consumido por cada unidad de la actividad j

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.
2.4 Forma estndar del modelo

Ahora se puede formular al modelo matemtico para este problema general de
asignacin de recursos a actividades. En Datos necesarios para un modelo de
pg. 11
programacin lineal que maneja la asignacin de recursos a actividades particular, este

modelo consiste en elegir valores de x 1,x2,....,xn para:
Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn,
Sujeto a las restricciones:
a11x1 + a12x2 +....+ a1nxn < b1
a21x1 + a22x2 +....+ a2nxn < b2
.
.
am1x1 + am2x2 +....+ amnxn < bm
X1 0, X2 0, ..., Xn 0.
2.5 Suposiciones del Modelo de Programacin Lineal
2.5.1 Proporcionalidad
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 x j, en la forma en que lo representa el trmino
aijxj 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.
2.5.2 Actividad
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.
2.5.3 Aditividad
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.
2.5.4 Divisibilidad
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.
2.6 Modelos matemticos

Existen muchos problemas administrativos que se ajustan a este molde de tratar de
minimizar o maximizar un objetivo que est sujeto a una lista de restricciones. Un
fabricante, al planear la produccin futura, busca un costo mnimo al mismo tiempo
cmo cumplir restricciones sobre la demanda del producto, la capacidad de produccin,
pg. 12
los inventarios, el nivel de empleados y la tecnologa. La PL se ha aplicado con xito a

estos y otros muchos problemas. Para ello emplea modelos matemticos.
Un modelo matemtico consta al menos de tres conjuntos bsicos de elementos:
a) Variables de decisin y parmetros
Las variables de decisin son incgnitas que deben ser determinadas a partir de la
solucin del modelo. Los parmetros representan los valores conocidos del sistema
o bien que se pueden controlar.
b) Restricciones
Las restricciones son relaciones entre las variables de decisin y magnitudes que
dan sentido a la solucin del problema y las acotan a valores factibles. Por ejemplo
si una de las variables de decisin representa el nmero de empleados de un taller,
es evidente que el valor de esa variable no puede ser negativa.
c) Funcin Objetivo
La funcin objetivo es una relacin matemtica entre las variables de decisin,
parmetros y una magnitud que representa el objetivo o producto del sistema. Por
ejemplo si el objetivo del sistema es minimizar los costos de operacin, la funcin
objetivo debe expresar la relacin entre el costo y las variables de decisin.
La solucin PTIMA se obtiene cuando el valor del costo sea mnimo para un
conjunto de valores factibles de las variables.
Es decir hay que determinar las variables x1, x2, ..., xn que optimicen el valor de
Z = f(x1, x2, ..., xn) sujeto a restricciones de la forma g(x 1, x2, ..., xn) b.
Donde x1, x2, ..., xn son las variables de decisin Z es la funcin objetivo, f es una
funcin matemtica.
2.7 Formulacin de modelos de programacin lineal

Como su nombre lo indica, la formulacin estriba en pasar directamente del sistema
asumido al modelo de PL. Para tal efecto, se propone el siguiente orden: definir el objetivo,
definir las variables de decisin, enseguida las restricciones estructurales y finalmente
establecer las condiciones tcnicas
2.7.1 Pasos a seguir

a) Definir el Objetivo: Consiste en definir un criterio de optimizacin el cual puede ser
Maximizacin o Minimizacin dependiendo del problema que se desee resolver, el cual es
una funcin lineal de las diferentes actividades del problema. Bajo el criterio de
optimizacin definido se pretende medir la contribucin de las soluciones factibles que
puedan obtenerse y determinar la ptima.
b) Definir las variables de decisin: Son las incgnitas del problema bsicamente
consisten en los niveles de todas las Actividades que pueden llevarse a cabo en el problema
a formular, estas pueden ser de tantos tipos diferentes como sea necesario, e incluir tantos
subndices como sea requerido.
c) Definir las restricciones: Son los diferentes requisitos que debe cumplir cualquier
solucin para que pueda llevarse a cabo. En cierta manera son las limitantes en los valores
de los niveles de las diferentes actividades (variables). Las restricciones ms comunes son
de seis tipos, las cuales se listan a continuacin:
Restriccin de capacidad: limitan el valor de las variables debido a la disponibilidad
de horas-hombre, horas-mquina, espacio, etc.
Restriccin de mercado: Surge de los valores mximos y mnimos en las ventas o
el uso del producto o actividad a realizar.
pg. 13
Restriccin de entradas: Son limitantes debido a la escasees de materias primas,

mano de obra, dinero, etc.
Restriccin de calidad: Son las restricciones que limitan las mezclas de
ingredientes, definiendo usualmente la calidad de los artculos a manufacturar.
Restricciones de balance de material: Estas son las restricciones que definen las
salidas de un proceso en funcin de las entradas, tomando en cuenta generalmente
cierto porcentaje de merma o desperdicio.
Restricciones Internas: Son las que definen a una variable dada, en la formulacin
interna del problema, un ejemplo tipo, es el de inventario.
Condiciones Tcnicas: En este apartado se establece que todas las variables deben
tomar valores no negativos.
2.7.2 Casos de aplicacin

En cada uno de los enunciados de problemas dados a continuacin, se debe trasladar
la informacin del sistema a un modelo que lo represente, es decir, formular y
construir el Modelo Lineal respectivo.
CASO 1.
Una empresa fabrica los productos A, B y C y puede vender todo lo que produzca a los
siguientes precios: A, S / . 700.00, cada unidad; B, S / . 3 500; C, S / 7 000.
Producir cada unidad de A necesita 1 hora de trabajo, 2 horas de acabado y 3 unidades
de materia prima. Producir una unidad de B necesita 2 horas de trabajo, 3 horas de
acabado y 2.5 unidades de materia prima. Producir una unidad de C necesita 3 horas
de trabajo, 1 hora de acabado y 4 unidades de materia prima. Para este perodo de
planificacin estn disponibles 100 horas de trabajo, 200 horas de acabado y 600
unidades de materia prima.
Con base en la teora sealada, para formular y construir el modelo, se tiene lo

siguiente:
a) Debe definirse claramente a las variables de decisin y expresarlas simblicamente.

X1: unidades a producir de producto A
X2: unidades a producir de producto B Estos son insumos controlables
X3: unidades a producir de producto C
b) Debe Definirse claramente el objetivo y expresarse como funcin lineal.
Objetivo: Maximizar ingresos de venta
Max S/. 700 por unidad * X1 unidades de A + 3.500 X2 + 7.000 X3
Escribir el objetivo de esta forma es expresar en unidades fsicas uno de sus
trminos. Este trmino presenta la informacin especfica de lo que contiene y
permite confirmar la esencia fsica de lo que se est sumando y tambin que ello
es consecuente con lo que se est obteniendo en el total de la ecuacin; en este
caso, ingreso en Nuevos soles.
c) Deben definirse las restricciones y expresarlas como funciones lineales.

Restriccin 1: Disponibilidad limitada de horas de trabajo.
pg. 14
1 hora de trabajo X1(unid. de producto A) + 2 X2 + 3 X3 100 horas de trabajo

Unidad de A
Restriccin 2: Horas de acabado disponibles en este perodo:
2 X1 + 3 hora de acabado X2 (unid. de producto B) + 1 X3 200 horas de acabado

Unidad de B
Restriccin 3: Disponibilidad limitada de unidades de materia prima:
3X1 + 2.5 X2 + 4 unid. mat. prima X3 (unid. de prod. B) 600 Unid de Mat prima
Unidad de B
De esta forma las restricciones estn expresadas en unidades fsicas. Se destaca en

cada una de ellas alguno de sus trminos, con indicacin de lo que representa. Esto
confirma que lo que se est sumando es consecuente con lo que se est obteniendo del
lado derecho de la ecuacin.
Finalmente, incorporando la restriccin de no-negatividad de las variables de decisin,

se resume as el modelo:
Max z: 700 X1 + 3.500 X2 + 7.000 X3
Sujeto a:
1X1 + 2 X2 + 3 X3 100
2X1 + 3 X2 + 1 X3 200
3X1 + 2.5 X2 + 4 X3 600
X1, X2, X3 0
CASO 2.
La Cmara de Industriales de la regin peridicamente promueve servicios pblicos,
seminarios y programas. Actualmente los planes de promocin para este ao estn
en marcha. Los medios alternativos para realizar la publicidad as como los costos y
la audiencia estimados por unidad de publicidad, adems de la cantidad mxima de
unidades de publicidad en que puede ser usado cada medio se muestran a
continuacin.
Restricciones Televisin Radio Prensa

Audiencia por unidad de publicidad 100.000 18.000 40.000
Costo por unidad de publicidad $ 2.000 $ 300 $ 600
Uso mximo del medio 10 20 10
Para lograr un uso balanceado de los medios, la publicidad en radio no debe exceder el
50% del total de unidades de publicidad autorizados. Adems la cantidad de unidades
solicitadas en televisin debe ser al menos 10% del total autorizado. El presupuesto
total para promociones se ha limitado a $18.500.
Utilizando el mismo proceso terico, se tiene lo siguiente:
Variables de decisin:
X1: unidades de publicidad a contratar en televisin.
X2: unidades de publicidad a contratar en radio.
X3: unidades de publicidad a contratar en prensa.
pg. 15
Objetivo: Maximizar la audiencia total o cantidad de personas que ven la publicidad

Max 100.000 personas X1 Unid en t.v + 18.000 X2 + 40.000 X3
Unid en t.v
Restriccin 1: Disponibilidad limitada de presupuesto para la publicidad:
2.000 X1 + 300 X2 + 600 X3 18.500
Restricciones 2, 3 y 4: Uso mximo de medios para la publicidad:

X1 10 unidades de publicidad a contratar en t.v
X2 20 unidades de publicidad a contratar en radio
X3 10 unidades de publicidad a contratar en prensa
Restriccin 5: Publicidad limitada a un mximo de 50% en radio, con relacin al total

de unidades a contratar:
X2 0.5 (X1+ X2+ X3)
Finalmente quedar expresada as:
- 0.5 X1 + 0.5 X2 - 0.5 X3 0
Restriccin 6: La cantidad de unidades solicitadas en televisin debe ser al menos 10%

del total autorizado
X1 0.10 (X1+ X2+ X3)
Finalmente quedar expresada as: 0.9 X1 0.1 X2 - 0.1 X3 0
Posteriormente puede resumir el modelo agregndole la restriccin de no-negatividad
de las variables
CASO 3.
El Banco Internacional abre de lunes a viernes de 8 a.m. a 4 p.m. De experiencias
pasadas sabe que va a necesitar la cantidad de cajeros sealados en la tabla dada.
Hay dos tipos de cajeros: los que trabajan tiempo completo de 8 am a 4 pm, los cinco
das, excepto la hora que utilizan para almorzar. El Banco determina cundo debe
almorzar cada cajero, pero debe ser entre las 12 m y la 1 p.m. o entre la 1 p.m. y
las 2 p.m. A los empleados a tiempo completo se les paga S/. 1.800 la hora (incluida
la hora de almorzar). Tambin hay trabajadores a tiempo parcial que deben trabajar
exactamente 3 horas consecutivas cada da y se le paga S/. 1.100 la hora, sin ningn
otro pago. A fin de mantener la calidad del servicio el Banco desea tener un mximo
de 5 cajeros contratados a tiempo parcial. Se desea minimizar los costos de empleados
contratados.
8-9 9 - 10 10 - 11 11 - 12 - 1 1-2 2-3 3-4
Tiempo
a.m. a.m. a.m. 12 m. p.m. p.m. p.m. p.m.
Cajeros
4 3 4 6 5 6 8 8
Requeridos
a) Variables de decisin:
X1: Empleados a tiempo completo que toman su almuerzo de 12 m- 1pm
X2: Empleados a tiempo completo que toman su almuerzo de 1 pm-2 pm
X3: Empleados a tiempo parcial que empiezan a trabajar a la 8 am
pg. 16

X7: Empleados a tiempo parcial que empiezan a trabajar a la 12 m
X8: Empleados a tiempo parcial que empiezan a trabajar a la 1 pm
Empleados a tiempo parcial que trabajan desde la 1pm hasta que cierre y por lo tanto
no se necesitan empleados a tiempo parcial que empiecen a las 2 pm o las 3 p.m.
b) Objetivo: Minimizar Costos de contratacin
Min 14.400 (X1+ X2) + 3.300(X3+ X4 + X5 + X6 + X7 + X8)
c) Restricciones de requerimientos de empleados totales en los ocho horarios

sealados (8 restricciones)
Restriccin de empleados en el horario de 8 am - 9 a.m.
X1 + X2 + X3 4
Restriccin de empleados en el horario de 9 a.m. - 10 a.m.
X1 + X2 + X3 + X4 3
X1 + X2 + X3 + X4 + X5 4
X1 + X2 + X4 + X5 + X6 6
Restriccin de empleados en el horario de 12m - 1 p.m.
X2 + X5 + X6 + X7 5
Restriccin de empleados en el horario de 1 p.m. - 2 p.m.
X1 + X6 + X7 + X8 6
X1 + X2 + X7 + X8 8
X1 + X2 + X8 8
Restriccin de cantidad mxima de 5 cajeros contratados a tiempo parcial:
X3 + X4 + X5 + X6 + X7 + X8 5
Restriccin de no negatividad de las variables: Todas las variables no negativas
NOTA: Para obtener las restricciones puede elaborar un cuadro de doble entrada: Una
entrada conteniendo cada Tipo de trabajador y la otra con las horas durante las
cuales existen requerimientos especficos; esta ltima se dividir en 8 columnas de 8
horarios, al final de las cuales est el total de empleados requeridos en cada uno de
ellos.
Caso 3:
Sean x1 y x2 la cantidad a producirse de dos productos 1 y 2 respectivamente, los costos
de produccin de ambos productos, S/. 3 para el producto 1 y S/. 5 para el producto
2. Si el tiempo total de produccin est restringido a 500 horas y el tiempo de produccin
es de 8 horas por unidad para el producto 1 y de 7 horas por unidad para el producto
2, entonces podemos representar el modelo como:
pg. 17
C = 3x1 + 5x2 (Costo total de Produccin)

Sujeto a:
8x1 + 7x2 500
x1 0 y x 2 0
Caso 4:
Un fabricante de dos productos sillas y mesas y dispone de 6 pies de madera y 28 horas
para su ensamblaje, luna silla requiere 2 pies de madera y 7 horas de ensamblaje, una
mesa requiere 1 pie de madera y 8 horas de ensamblaje, los precios de los productos
son S/. 120 y S/. 80 respectivamente. Cuantas sillas y cuantas mesas se deben fabricar
para maximizar su ingreso?
Sea x1 y x2 la cantidad de sillas y mesas a producir respectivamente
El objetivo se expresa como: Maximizar z = 120x 1 + 80x2
El fabricante est sujeto a dos restricciones:
- De Material : 2x1 + x2 6
- De Horas : 7x1 + 8x2 28
- De no negatividad x1 0 y x2 0
- Adems no se venden productos no terminados por lo tanto las variables
x1 y x2 deben ser enteras.
Recomendaciones finales.
Para formular un problema en forma matemtica, deben expresarse afirmaciones
lgicas en trminos matemticos. Esto se realiza cuando se resuelven problemas
hablados al estudiar un curso de lgebra. Algo muy parecido sucede aqu al formular
las restricciones. Por ejemplo, considrese la siguiente afirmacin: Para fabricar el
producto A se emplea 3 horas por unidad y para B se emplea 2 horas por unidad. Si
deben usarse todas las 100 horas- hombre, disponibles, la restriccin ser:
3A + 2B = 100
Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio que se
usen todos los recursos (en este caso, horas de mano de obra). Ms bien la limitacin
es que se use, cuando mucho, lo que se tiene disponible. Para este caso, la afirmacin
anterior puede escribirse como una desigualdad:
3A + 2B 100
Para que sea aceptable para PL, cada restriccin debe ser una suma de variables con
exponente 1. Adems, la forma estndar para una restriccin pone a todas las variables
del lado izquierdo y slo una constante positiva o cero del lado derecho. Esto puede
requerir algn reacomodo de los trminos. Si, por ejemplo, la restriccin es que A debe
ser por los menos el doble de B, esto puede escribirse como:
A 2B A - 2B 0
La metodologa de PL requiere que todas las variables sean positivas o cero, es decir,
no negativas. Para la mayora de los problemas esto es real, no se querra una solucin
que diga: prodzcanse menos dos cajas o contrtense menos cuatro personas.
Mientras que no existe un lmite en el nmero de restricciones que puede tener un
problema de PL, slo puede haber un objetivo. La forma matemtica del objetivo se
llama funcin objetivo. Debe llevar consigo el maximizar o minimizar alguna medida
numrica. Podra ser maximizar el rendimiento, la ganancia, la contribucin marginal o
pg. 18
los contactos con los clientes. Podra ser minimizar el costo, el nmero de empleados o
el material de desperdicio. Con frecuencia el objetivo es evidente al observar el
problema.
Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema,
se usa la letra Z para representarlo. La funcin objetivo tendr, entonces, la forma:
Maximizar Z = 3A + 2B
Minimizar Z = 3x1 + 2x2
Actividad
Formular los modelos de programacin lineal.

PROBLEMA N 01
Un herrero con 80 kg. de acero y 120 kg. de aluminio quiere hacer bicicletas de paseo
y de montaa que quiere vender, respectivamente a 2.000 y 1.500 Euros cada una para
sacar el mximo beneficio. Para la de paseo emplear 1 kg. De acero y 3 kg de aluminio,
y para la de montaa 2 kg. de ambos metales. Cuntas bicicletas de paseo y de
montaa vender?
PROBLEMA N 02
Un autobs Caracas-Maracaibo ofrece plazas para fumadores al precio de 100 euros y
a no fumadores al precio de 60 euros. Al no fumador se le deja llevar 50 kg. de peso y
al fumador 20 kg. Si el autobs tiene 90 plazas y admite un equipaje de hasta 3.000
kg. Cul ha de ser la oferta de plazas de la compaa para cada tipo de pasajeros, con
la finalidad de optimizar el beneficio?
PROBLEMA N 03
A una persona le tocan 10 millones de euros en una lotera y le aconsejan que los
invierta en dos tipos de acciones, A y B. Las de tipo A tienen ms riesgo pero producen
un beneficio del 10 %. Las de tipo B son ms seguras, pero producen slo el 7% anual.
Despus de varias deliberaciones decide invertir como mximo 6 millones en la compra
de acciones A y por lo menos, 2 millones en la compra de acciones B. Adems, decide
que lo invertido en A sea, por lo menos, igual a lo invertido en B. Cmo deber invertir
10 millones para que el beneficio anual sea mximo?
PROBLEMA N 04
Un estudiante dedica parte de su tiempo al reparto de propaganda publicitaria. La
empresa A le paga 5 euros por cada impreso repartido y la empresa B, con folletos ms
grandes, le paga 7 euros por impreso. El estudiante lleva dos bolsas: una para los
impresos A, en la que caben 120 y otra para los impresos B, en la que caben 100. Ha
calculado que cada da es capaz de repartir 150 impresos como mximo. Lo que se
pregunta el estudiante es: Cuntos impresos habr que repartir de cada clase para que
su beneficio diario sea mximo?
pg. 19
Tema N 3: METODOS DE SOLUCION DE PROBLEMAS DE PL
3.1 Mtodo grfico

En el anlisis cuantitativo, una vez que se ha formulado y construido un modelo lineal
para resolver un problema existente, en un sistema cualquiera, es necesario resolverlo.
La solucin de un modelo lineal muestra siempre un conjunto convexo delimitado por las
restricciones del mismo y en el cual, si existe solucin posible, al menos uno de sus puntos
extremos es la solucin ptima. Un punto extremo existe en la interseccin de, al menos,
dos rectas.
El mtodo grfico se usa para resolver modelos lineales con dos variables y muestra el
conjunto convexo que constituye la denominada regin solucin y el(los) punto(s)
extremo(s) que proporciona(n) la solucin del modelo. Permite conocer la base
matemtica de la solucin de modelos lineales, los conjuntos convexos, y observar
grficamente situaciones que se presentan en modelos de cualquier tamao. Esto ayuda
a la comprensin de la Programacin Lineal.
El proceso para trabajar con el Mtodo Grfico sigue los pasos siguientes:
a) Graficar las restricciones como igualdades y luego determinar el rea
correspondiente a la desigualdad, sombreando el espacio correspondiente.
b) Determinar el rea comn a todas las restricciones.
c) Evaluar la Funcin Objetivo en cada punto extremo del espacio de soluciones
posibles. El punto o los puntos extremos en el que se obtenga el mejor valor,
determinarn la solucin del modelo.
d) Existe un procedimiento alterno al punto c), sealado en el Mtodo Grfico, para
obtener la solucin del modelo. Este procedimiento alterno consiste en graficar la
Funcin Objetivo con un valor arbitrario dentro de la regin solucin. Luego se
desplaza paralelamente en la direccin que incremente su valor (si est
maximizando) o decrezca su valor (si est minimizando). El punto o los puntos
extremos que toque esa Funcin Objetivo antes de salir totalmente fuera de la
regin de soluciones posibles determinarn el ptimo, o solucin del modelo.
3.1.1 Criterios a considerar

Al conjunto convexo de solucin se le llama regin de soluciones posibles, porque
todos los puntos de esa regin satisfacen TODAS las restricciones del modelo.
Un modelo tiene solucin ptima UNICA cuando slo una combinacin de variables
proporciona el mejor valor para el objetivo; se reconoce en el grfico porque un
nico punto extremo provee el mejor valor del objetivo o un nico punto extremo
limita el valor de la recta objetivo.
Un modelo tiene soluciones ptimas ALTERNAS cuando ms de una combinacin
de variables proporciona el ptimo valor del objetivo. Se reconoce en el grfico
porque ms de un punto extremo proporciona el ptimo valor del objetivo o ms
de un punto extremo limita el valor de la recta objetivo. La recta objetivo al
desplazarse dentro de la regin solucin cae paralelamente sobre alguna
restriccin antes de salir totalmente de la regin solucin. Un modelo NO TIENE
SOLUCIN POSIBLE cuando no hay alguna combinacin de variables que satisfaga
todas las restricciones. Se debe a la presencia de restricciones inconsistentes en el
modelo. Se reconocen en el grfico porque no existe ninguna regin comn para
todas las restricciones.
pg. 20
Un modelo tiene SOLUCIN CON VALOR INFINITO cuando hay combinaciones de

variables que proporcionan valor infinito para el objetivo y no hay alguna
combinacin que limite el valor del objetivo a un valor finito. Esto se debe a la
omisin de restricciones importantes, del sistema, en el modelo. Estas
restricciones limitaran las variables de decisin a valores factibles. Se reconocen
en el grfico porque el espacio de solucin es abierto, no acotado, no limitado y la
Funcin Objetivo puede moverse dentro de esa regin hasta el infinito sin que un
punto extremo, con valor finito, limite su valor.
Un modelo tiene ESPACIO DE SOLUCION NO ACOTADO y SOLUCION DE VALOR
FINITO cuando existen combinaciones de variables que dan un valor infinito al
objetivo pero existe al menos una combinacin de variables que le proporciona un
valor finito. Se reconocen en el grfico porque la regin de soluciones posibles es
abierta, no limitada pero hay por lo menos un punto extremo que limita el valor
del objetivo.
Un modelo tiene SOLUCION DEGENERADA cuando existen combinaciones de
variables que tienen ms de la cantidad normal (una por cada restriccin) de
variables con valor cero. Esto se debe a la presencia de restricciones redundantes
en el modelo. Ms de la cantidad normal de variables (una por cada restriccin del
modelo) debe tomar valor cero para satisfacer a mayor cantidad de restricciones
en el punto ptimo. Se reconocen en el grfico porque ms de dos restricciones
cruzan sobre el punto extremo ptimo.
3.1.2 Casos de aplicacin

CASO 1.
a) Dibuja el recinto formado por los puntos que cumplen las siguientes condiciones:
y 3

y x 1
y 3 x 0

b) Indica si los puntos (0, 0), (2, 1) y (1, 2) forman parte de las soluciones del
sistema anterior.
Solucin:
y 3

a) Representamos las rectas y x 1 y x 1
y 3 x 0 y 3 x

Tomamos un punto cualquiera; por ejemplo el (1, 0), para comprobar cules
son los puntos que cumplen las desigualdades propuestas.
El recinto buscado es:
pg. 21
A la vista de la grfica anterior, tenemos que (0, 0) y (2, 1) no son soluciones

del sistema, pero (1, 2) s lo es.
CASO 2.
Maximiza la funcin z = x + y, sujeta a las siguientes restricciones:
x 3 y 26

4 x 3 y 44
2 x 3 y 28
x 0

y 0
Solucin:
x 3 y 26 y 26 x
3
44 4 x
Representamos las rectas 4 x 3 y 44 y
3
28 2x
2 x 3 y 28 y 3
Se halla la regin que cumple las condiciones del problema, teniendo en cuenta
que: x 0 e y 0.
Representamos la direccin de las rectas z = x + y, dibujando la que pasa por
el origen de coordenadas: x + y = 0
pg. 22
4 x 3y 44
El punto M, interseccin de es decir, M 8, 4, es el que proporciona
2x 3y 28
el mximo, que vale: z = 8 + 4 = 12
CASO 3.
En una granja de pollos se da una dieta "para engordar" con una composicin mnima
de 15 unidades de una sustancia A y otras 15 de una sustancia B. En el mercado solo
se encuentran dos clases de compuestos: el tipo I con una composicin de una unidad
de A y cinco de B, y el tipo II con una composicin de cinco unidades de A y una de B.
El precio del tipo I es de 10 euros y el del tipo II es de 30 euros. Se pregunta:
Qu cantidades se han de comprar de cada tipo para cubrir las necesidades con un
coste mnimo?
Solucin:
Llamamos x a las unidades que se compran de tipo I e y a las que se compran
de tipo II.
Resumamos los datos en una tabla:
Las restricciones son:
x 5 y 15

5 x y 15

x 0
y 0
La funcin que nos da el coste es z = 10x + 30y = 10(x + 3y).

Debemos hacer mnima esta funcin, sujeta a las restricciones anteriores.
Dibujamos el recinto correspondiente a las restricciones, y la recta 10(x + 3y) = 0

x + 3y = 0, que nos da la direccin de las rectas z = 10(x + 3y).
pg. 23
x 5y 15
El mnimose alcanzaen el punto de interseccin de ; es decir,en (2,5; 2,5).
5 x y 15
Por tanto, hay que comprar 2,5 de tipo I y 2,5 de tipo II. El precio en este caso
ser de z = 10(2,5 + 3x2,5) = 100 soles.
CASO 4.
Disponemos de 210 000 soles para invertir en bolsa. Nos recomiendan dos tipos de
acciones. Las del tipo A que rinden el 10% y las de tipo B que rinde el 8%. Decidimos
invertir un mximo de 130 000 soles en las de tipo A y, como mnimo, 6 000 soles en
las de tipo B. adems, la inversin en las del tipo A debe ser menor o igual que el doble
de la inversin en B.
Cul tiene que ser la distribucin de la inversin para obtener mximo inters anual?
Solucin:
Llamamos x al dinero que invertimos en acciones de tipo A e y al que invertimos
en las de tipo B. Resumimos los datos en una tabla:
Las restricciones son:
x y 210 000

x 130 000
y 6 000

x 2y
x 0

y 0
La funcin que nos da el rendimiento total es:
pg. 24
z 0,1x 0,08y
1
10x 8y 2 5x 4y 1 5x 4y .
100 100 50
Debemos maximizar esta funcin, sujeta a las restricciones anteriores.

Dibujamos el recinto correspondiente a las restricciones (la unidad es 10 000)
y la recta
1
5x 4y 0 5 x 4y 0, que nos da la direccinde las rectas
50
z
1
5x 4y .
50
El mximo se alcanza en el punto (13, 8).

Por tanto, debemos invertir 130 000 soles en acciones del tipo A y 80 000 soles
en las de tipo B. En este caso, el beneficio anual ser de
z
1
5 130000 4 80 000 19 400 euros.
50
CASO 5.
a) Representa el recinto que cumple estas restricciones:
x 3y 9

2 x y 8

x 0
y 0
b) Da tres puntos que sean solucin del sistema anterior.

Solucin:
pg. 25
x 3y 9 9x
y
3

a) Representamos las rectas 2 x y 8 y 8 2x
x 0

y 0
Tomamos un punto cualquiera, por ejemplo el (0, 0), para comprobar cules
son los puntos que cumplen las desigualdades propuestas.
El recinto buscado es:
b) Por ejemplo: (1, 1), (2, 2) y (2, 0).
3.1.3 Situaciones especiales

a) Modelos con soluciones ptimas alternas o mltiples.
Max z =
6X1+2X2
(Beneficio)
Sujetos a:
3 X1 + X2 48 horas de trabajo
3 X1 + 4 X2 120 unidades de materia Prima
3 X1 + X2 36 horas de supervisin.
X1, X2 0
El modelo es formulado por una empresa que desea determinar la cantidad de unidades
de producto 1 (X1) y producto 2 (X2) a fabricar para satisfacer el objetivo establecido
de maximizar el beneficio. El monto total disponible de horas de trabajo para este
perodo es de 48. La disponibilidad de materia prima es de 120 unidades y la cantidad
mnima de horas disponibles para supervisin es de 36 horas.
Graficar las restricciones y obtener el espacio de solucin se efecta en forma similar
al proceso efectuado en el caso 1 y por lo tanto no se repetirn las instrucciones.
Los puntos extremos del conjunto convexo son: A(16,0), B(8,24), C(8/3,28) y D(12,0).
pg. 26
Dos puntos extremos proporcionan el mximo valor del objetivo, los puntos A y B.
Esto permite afirmar que existen soluciones ptimas Alternas para este modelo.
Son ptimos todos los puntos sobre el segmento de lnea AB que limita el
conjunto convexo de solucin y corresponden a la primera restriccin.
Si utiliza el mtodo de graficar la Funcin Objetivo con un valor arbitrario, 48 por
ejemplo, podr observar que la lnea es completamente paralela a la primera y
tercera restriccin. Al desplazarla paralelamente hacia su optimizacin, hacia
arriba porque se est maximizando, finalmente caer completamente sobre la
primera restriccin, de horas de trabajo, antes de salir totalmente fuera de la regin
solucin. Dos puntos extremos estaran limitando el crecimiento del objetivo, el
punto B y el punto A.
Cualquier recta que tenga ratio de coeficientes igual al de otra recta, es paralela
a esa otra recta
La ventaja que presentan los modelos con este Tipo de solucin es que se puede
elegir cualquiera de las soluciones ptimas, porque todas presentan el mismo valor
ptimo para el objetivo. Por ejemplo, si una de las soluciones tiene valores
fraccionales para las variables y no puede trabajarse con valores fraccionales, el que
toma la decisin seleccionar una solucin con valores enteros.
Es una solucin ptima alterna porque existe ms de una combinacin de productos
1 y 2 a producir, que proporcionan el mismo valor ptimo para el beneficio.
Se reconoce en el grfico porque ms de un punto extremo limita el valor
ptimo del objetivo o proporciona su valor ptimo, los puntos: A (16,0) y punto
B (8,24). Por lo tanto, todos los puntos sobre la recta AB son tambin ptimos.
Debe seleccionar una de todas las soluciones. Suponga que elige la del punto
extremo B (8, 24). En este caso la decisin sera: Producir 8 unidades de producto1
y 24 unidades del producto 2 para maximizar el beneficio en 96 unidades
monetarias: 6 (8) + 2 (24) = 96. Este valor para la Funcin Objetivo tambin se
obtendra en el otro punto extremo A (16, 0) y en cualquier punto sobre la recta
AB en la regin solucin.
Considerando las restricciones:

Restriccin 1: 3 (8) + 1 ( 24) = 48 48 = 48
Se observa que se cumple como igualdad. Esto indica que con esa decisin ptima
se utiliza totalmente el monto mximo de horas de trabajo disponible para la
produccin.
pg. 27
Restriccin 2: 3 (8) + 4 ( 24) = 120

Cumple exactamente, es decir como una igualdad, indica que con esa decisin
ptima se utilizar totalmente el monto mximo disponible de Materia Prima.
Restriccin 3: 3 (8) + 1(24) > 36 48 > 36
Cumple como una desigualdad. Esto indica que con esa decisin ptima se utilizan
12 horas sobre el monto mnimo disponible de horas de supervisin. Se utilizan 48
horas.
b) Modelos sin solucin posible.

No se definirn los elementos del modelo porque no habr una solucin posible para
tomar alguna decisin.
Max z=40 X1 + 30 X2
Sujeto a:
2/5 X1 + 1/2X2 20
1/5 X2 5
3/5 X1 + 3/10 21
X2 X1 30
X2 15
X1, X2 0
Puede observarse en l, que mientras las 3 primeras restricciones delimitan un

espacio en comn, las 2 ltimas delimitan otro espacio comn para ellas. Por lo
tanto, no hay una regin de puntos comunes que satisfagan ambos conjuntos de
restricciones y el modelo no tendr solucin posible. En estos casos es
necesario determinar cules son las restricciones inconsistentes para el modelo. Es
decir, cules son realmente vlidas para el modelo.
Observe que si las variables X1 y X2 toman el valor mnimo que pueden tomar en
las dos ltimas restricciones, es decir X1 = 30 y X2 = 15 entonces la tercera
restriccin no se cumplira. Esto es una inconsistencia.
Estos modelos no deben existir en el mundo real. Si el sistema e s re al , entonces
el modelo debe representarlo de tal manera que permita obtener una solucin
posible.
pg. 28
c) Modelos que presentan solucin con valor infinito

Max z= X1+ 2X2
Sujeto a:
-4 X1 + 3 X2 3
X1 - X2 3
X1, X2 0
No se definirn los elementos del modelo porque no habr una solucin para
tomar alguna decisin.
En el grfico, el conjunto convexo llamado regin solucin, que contiene todas las
soluciones posibles, es un espacio abierto.
Tiene tres puntos extremos A, B y C, pero ninguno delimita el crecimiento del

objetivo. Esta funcin puede tomar valores infinitos ya que las variables
conforman puntos con valores infinitos dentro de la regin factible y ninguno
proporciona un valor finito ptimo. Por tanto, no es lgico encontrar un objetivo
de valor infinito.
En estos casos debe buscarse dentro del sistema, la restriccin o las
restricciones que se omitieron modelo y que limitaran las variables de decisin a
valores factibles.
d) Modelos con espacio de solucin no acotado y solucin de valor finito.
Min z=0.06 X1+ 0.05 X2 (costos)

Sujeto a:
0.30 X1 + 0.20 X2 500 Protena
0.15 X1 + 0.30 X2 300 Grasa
X1, X2 0
El modelo es formulado para una guardera de perros que se destaca por dar una
alimentacin balanceada a las mascotas. El alimento lo elabora mezclando 2
pg. 29
marcas conocidas de alimentos que llamaremos X1 y X2. Se desea determinar la

cantidad de gramos de X1 y X2 a mezclar en el alimento, con el objetivo
establecido de minimizar los costos de la mezcla. Esta, debe contener al menos
500 gramos de protenas y al menos 300 gramos de grasa por da. Los porcentajes
de contenido de grasa y protena de cada gramo de X1 y X2 se conocen y son usados
en el modelo.
El espacio de solucin obtenido se muestra en el grfico. Se observa una regin

abierta con las soluciones posibles y puntos extremos A, B, C. Esto indica que
pueden existir combinaciones de cantidad de gramos de alimento X1 y X2 con
valor infinito, en este caso los costos seran infinitos. Esto es posible porque no se
est limitando directamente la cantidad de X1 y X2 en alguna restriccin especfica
y las restricciones existentes son todas de Tipo que.
Pero, mientras exista al menos una combinacin con valor finito, en algn punto
extremo que limite el valor del objetivo, a esa combinacin se le considerar
ptima. En los casos de regin abierta de soluciones posibles, es conveniente
entonces encontrar el valor ptimo con el procedimiento de graficar la Funcin
Objetivo.
Al graficar la Funcin Objetivo, con un valor arbitrario de 120, se observa que al
desplazarla paralelamente hacia su optimizacin, hacia abajo porque se est
minimizando, la lnea cae sobre el punto B, antes de salir completamente de la
regin solucin. A este punto se le considerar punto extremo ptimo.
La solucin ptima es nica con los valores: X1 = 1.500, X2 = 250 F.O. =
102.5
e) Modelos con solucin degenerada

Min z= 2500 X + 2200 Y (costos)
Sujeto a:
X+ Y 10 Empleados temporales
300 X + 400 Y 3.400 cartas
80 X + 50 Y 680 paquetes
X, Y 0
pg. 30
El modelo es formulado por una oficina de correos que puede contratar hasta 10
empleados para manejar el correo. La oficina conoce que un empleado (hombre)
puede manejar 300 cartas y 80 paquetes por da y una empleada (mujer) puede
manejar 400 cartas y 50 paquetes en un da. No menos de 3.400 cartas y de 680
paquetes se esperan por da. A cada empleado hombre (X), se le paga $ 2.500 por
da y a una empleada mujer (Y) se le paga $ 2.200 por da.
Se quiere determinar la cantidad de hombres (X) y mujeres (Y) que se deben
contratar para satisfacer las restricciones y lograr el objetivo establecido de
minimizar los costos de la nmina.
Siguiendo el procedimiento el grfico obtenido es:
Se observa una regin de soluciones posibles de un solo punto comn para todas las
restricciones y por lo tanto un nico punto extremo A.
Esto indica que existe una nica combinacin posible y adems ptima, de cantidad
de empleados X e Y que satisface las restricciones y optimiza el objetivo.
Conociendo la definicin del modelo, se plantean las siguientes consultas:
a) Qu representa el coeficiente de la variable Y en la Funcin Objetivo y en la
segunda restriccin?
b) Qu Tipo de solucin presenta el modelo?, Por qu? y Cmo se reconoce en el
grfico?
c) Cul es la solucin y la decisin que se recomendara con la solucin encontrada?
d) Analice las restricciones en el punto ptimo y presente la informacin que se
obtiene.
e) Qu efecto tendra, sobre la solucin ptima encontrada, un cambio en el nmero
de cartas esperadas. Suponga que cambia a 2.400. Explique y muestre sobre el
grfico.
Respuestas:
a) El coeficiente de la variable Y en la Funcin Objetivo representa lo que se le paga
diariamente a cada trabajadora (mujer), es decir, el costo de contratar una
trabajadora al da es de Bs. 2.200. En la segunda restriccin representa la cantidad
de cartas que puede manejar al da cada mujer contratada, es decir, 400 cartas al
da puede manejar cada mujer contratada.
pg. 31
b) nica y Degenerada. Normalmente la solucin de un modelo contiene una variable

(Estructural o de holgura) con valor mayor que cero por cada restriccin del
modelo. En este caso, ms variables de las normales toman valor cero, para poder
satisfacer mayor nmero de restricciones, en el punto ptimo. Hay entonces
menor cantidad de variables con valor mayor que cero con relacin al nmero de
restricciones. Por eso se le llama Solucin Degenerada en contraposicin a la
Solucin Normal. Adems es nica porque una sola combinacin de empleados,
hombres y mujeres, proporciona el mnimo costo. Se debe a la presencia de
restricciones redundantes en el modelo y se reconoce en el grfico porque ms de
dos restricciones cruzan sobre el punto ptimo. Del total de restricciones que
cruzan el punto ptimo, slo dos son necesarias para calcular sus coordenadas. En
este caso slo hay una restriccin redundante, por ello la Solucin es Degenerada.
Se reconoce que es nica porque hay un solo punto extremo que proporciona el
valor ptimo del objetivo.
c) La solucin es X = 6, Y = 4, F.O. = 23800. La decisin sera contratar 6
empleados hombres y 4 mujeres para minimizar los costos diarios de
contratacin en 23.800 unidades monetarias: 2500(6) + 2200 (4).
d) Restriccin 1
X + Y 10
6 + 4 = 10 De esta manera se contrata el mximo de empleados que se
estaba dispuesto a contratar.
Restriccin 2
300 X + 400 Y 3400
300(6) + 400(4) = 3400 As se manejar el mnimo de cartas.
Restriccin 3
80 X + 50 Y 680
80(6) + 50 (4) = 680 Se manejar el mnimo de paquetes.
e) Se realiza el anlisis de sensibilidad.

Sobre el grfico est graficada la nueva restriccin
300X + 400 Y 2400
pg. 32
Se observa que no cambia el espacio de soluciones posibles y por lo tanto la

solucin ptima seguir siendo la misma.
En general, disminuir la cantidad del lado derecho de una restriccin Tipo ,
es relajar la restriccin y hacerla ms fcil de satisfacer.
Esto puede expandir el conjunto convexo o dejarlo igual. En este caso qued
igual. Esto se estudia ms detalladamente en Anlisis de Sensibilidad.
Actividad
Solucionar mediante el Mtodo Grfico los siguientes programas lineales
a) Halla el mnimo de la funcin z = 3x + 2y con las siguientes restricciones:
3 x 4 y 12

3 x 2 y 2

x 0
y 0
b) Dibuja el recinto definido por:
2 x y 3

2x y 2
x 2y 4

Halla los vrtices del recinto anterior.

Halla el mximo de la funcin z = 4y - x, sujeta a las restricciones propuestas.
En qu punto del recinto alcanza dicho mximo?
c) Hallar la solucin:
x 3 y 200

x y 100

x 20
y 10
Maximizar las ganancias equivale a maximizar los ingresos.

La funcin que nos da los ingresos es z = 30x y = 10(3x y). Debemos
obtener el mximo de esta funcin sujeta a las restricciones anteriores.
pg. 33
3.2 El Mtodo SIMPLEX

Los problemas reales de programacin lineal generalmente tienen variables de decisin
y muchas restricciones. Tales problemas no pueden ser resueltos grficamente. Se usan
algoritmos tales como el simplex. El mtodo simplex es un procedimiento iterativo que
progresivamente permite obtener una solucin ptima para los problemas de
programacin lineal. Existen numerosos programas tanto para computadoras centrales
como para personales. Aunque el mtodo simplex es especialmente til en problemas
de gran escala (resueltos con una computadora).
Procedimiento general del simplex

1. Establzcase la tabla inicial de simples. Formular la funcin objetivo y las
restricciones e introducir las variables de decisin, variable en la solucin, valor
en solucin (LD), C (contribucin de la variable), Z (costo de introducir la
variable), C Z (contribucin neta de la variable).
2. Seleccinese la columna pivote. sta es la columna con el nmero positivo ms
grande en el rengln inferior (C - Z). Esta se convierte en la nueva variable de
la solucin.
3. Seleccinese la fila pivote. sta es la fila con la razn ms pequea del valor LD
dividido por el valor de la columna pivote. sense slo nmeros positivos. Esto
identifica la variable que deja la solucin.
4. Encirrese en un crculo el elemento pivote. sta es la interseccin de la fila y la
columna pivotes.
5. Convirtase al elemento pivote en un 1. Hgase esto dividiendo cada valor de la
fila pivote entre el valor pivote. Ingrsese esta fila en una tabla nueva.
6. Genrense las dems filas de la nueva tabla con ceros en la columna pivote. Esto
se hace multiplicando la nueva fila (del paso 5) por el negativo del elemento en
la columna pivote. El resultado ser sumado a la antigua fila. Introdzcase esta
fila revisada en la nueva tabla, y continese este procedimiento en cada fila de
la seccin central de la tabla.
7. Prueba de optimizacin. Calclense los valores de Z y C Z. Los valores de Z de
cada columna son (elementos de la columna) (C). Si todos los valores de C Z
son 0, la solucin es ptima. Lanse los valores de las variables en la solucin
de la columna de LD y el valor de la funcin objetivo de la fila de Z en la columna
de LD. Si la solucin no es ptima, regrese al paso 2.
Variables de holgura- El mtodo simplex empieza con el planteamiento de una

funcin objetivo y ecuaciones de restriccin. Las rutinas computarizadas de
programacin lineal (PL) automticamente arreglarn esos datos iniciales, pero
tratndose de soluciones manuales, debe construirse en cada paso la tabla de simples.
Esto requiere que las restricciones sean establecidas como igualdades. En los problemas
de maximizacin se logra esto aadiendo variables de holgura (s) a cada restriccin. La
holgura representa una cantidad no utilizada, o la diferencia entre lo que es usado y el
lmite de lo que puede usarse.
Caso de aplicacin
La metodologa de solucin de los problemas de maximizacin hace necesario
seleccionar una columna y una fila pivotes y revisar los valores de la tabla hasta que en
la fila inferior sean menores o iguales que cero.
pg. 34
C 10 30 0 0 Valores de
Variables de Variables de decisin solucin
la solucin X Y S1 S2 (LD)
0 S1 4 6 1 0 12
0 S2 8 4 0 1 16
Z 0 0 0 0 0
C-Z 10 30 0 0 0
1. Seleccionar una columna y una fila pivotes

a) La columna pivote es la que tiene el nmero positivo ms grande en la fila
inferior
C-Z 10 30 0 0 0
En este ejercicio es 30.
b) La fila pivote es la que tiene la razn ms pequea, de la fila pivote

12 16
2 (Mnimo) 4
6 4
0 S1 4 6 1 0 12
0 S2 8 4 0 1 16
Z 0 0 0 0 0
C-Z 10 30 0 0 0
Por lo tanto la fila 1 es la fila pivote.
c) El elemento pivote es encerrado en un crculo 6
0 S1 4 6 1 0 12
0 S2 8 4 0 1 16
Z 0 0 0 0 0
C-Z 10 30 0 0 0
2. Divdase cada valor de la fila pivote 1 entre el elemento pivote (6) y colquense los
valores en una nueva tabla.
0 Y 2/3 1 1/6 0 2
a) Genrense las otras filas para la siguiente tabla, de tal manera que los elementos
de la columna pivote sean iguales a cero.
Se empieza con la fila S2, el cual tiene 4 en la columna de Y. Se multiplica la
nueva fila (del paso 2) por el negativo del valor que se desea convertir (-4), y se
suma a la anterior fila de S2. Se multiplica la nueva fila por (-4) el resultado se
muestra en la siguiente tabla.
pg. 35
X Y S1 S2 (LD)
El rengln del paso 2 se -4(2/3) -4(1) -4(1/6) -4(0) -4(2)
multiplica por -4
Obtener el resultado -8/3 -4 -2/3 0 -8
Sumarlo a la fila de S2 8 4 0 1 16
Para obtener la nueva fila 16/3 0 .2/3 1 8
La fila obtenida se introduce a la nueva tabla del paso 2.
30 Y 2/3 1 1/6 0 2
0 S2 16/3 0 .2/3 1 8
Z
Si hay ms filas que convertir, debe repetirse este paso en la siguiente fila. Dado
que ah no hay ms, puede calcularse la fila Z y C-Z.
Los valores en la fila Z son (elem. de la columna) (C) Elementos de la fila Z:
Para X: Z = 2/3(30) + 16/3(0) = 20
Para Y: Z = 1(30) + 0(0) = 30
Para S1: Z = 1/6(30) 2/3(30) = 5
Para S2: Z = 0(30) + 1(0) = 0
Para LD: 2(30) + 8(0) = 60
Despus de que se introducen ste y los valores de C-Z en la siguiente matriz,

se tiene:
30 Y 2/3 1 1/6 0 2
0 S2 16/3 0 .2/3 1 8
Z 20 30 5 0 60
C-Z -10 0 -5 0
Repetir los pasos anteriores hasta que todos los valores de la fila inferior sean
0. Dado que todos los valores son 0, ha sido alcanzada la solucin ptima. Las
variables en la solucin son identificadas por las columnas en la parte central de
la tabla que tienen un 1, y el resto de los valores son cero. Los valores solucin
son datos en la columna del lado derecho, como se ve en la siguiente tabla.
X Y S1 S2 (LD)
- 1 - 0 2
- 0 - 1 8
Z - - - - 60
Por tanto,
X = no est en la solucin
Y = 2 unidades
Z = $60
Note que la variable de holgura asociada con la restriccin 2 tambin tiene un 1 y ceros,
lo cual significa que tiene holgura en la solucin y que la restriccin no se agot.
Entonces hay slo una variable de decisin (no holgura) en la solucin (Y) y una
restriccin agotada (nmero 1). Esto concuerda con el teorema fundamental de
programacin lineal, que establece que el nmero de variables de decisin (no holgura)
de la solucin siempre ser igual a nmero de restricciones que son agotadas.
pg. 36
Actividad
Resolver mediante el mtodo simplex los siguientes casos:

1. Textil Donnell, produce dos modelos, Chompas y Sacones. El beneficio que arroja
cada chompa es de 40 S/. y cada sacn de 60 S/. El mercado puede adquirir hasta
400 chompas/semana y hasta 300 sacones/semana y en total la planta solo puede
fabricar 600 unidades/semana.
a. Cuntas unidades de cada modelo debe producir la fbrica Textil, para
obtener el mximo de ingresos?
2. Un fabricante produce dos artculos, A y B cada uno de los cuales requiere de dos
tipos de mquinas y los tiempos respectivos tal como se indica en el siguiente
cuadro:
Mq / Prod A B
Mquina 1 2 4
Mquina 2 3 1
Utilidad S/. 2.5 3.5
Si el nmero de horas disponibles en las mquinas al mes son de 200 y 150
respectivamente,
a. Determine cuantas unidades de cada producto debe producirse al mes, a fin
de maximizar la utilidad total?
b. Cul es esa utilidad total?
3. Un camin distribuidora Central SA. puede transportar como mximo 9 TM. por
viaje. En un viaje debe transportar al menos 4 TM. de la mercanca A y un peso
de la mercanca B que no sea inferior a la mitad del peso que transporta de A.
Sabiendo que cobra 30 S/. / kilo de A y 20 S/. / kilo de B.
a. Cmo se debe cargar el camin para obtener la ganancia mxima?
4. Un comerciante acude al mercado mayorista a comprar naranjas con S/. 5 000. Le
ofrecen dos tipos de naranjas: las de tipo Valencia a 5 S/. el kg. y las de tipo
Huando a 8 S/. el kg. Sabiendo que slo dispone de su camioneta con espacio para
transportar 700 kg. de naranjas como mximo y que piensa vender el kg. de
naranjas tipo Valencia a 8 S/. y el kg. de tipo Huando a 12 S/.
a. Cuntos kg. de naranjas de cada tipo deber comprar para obtener mximo
beneficio?
b. Cul ser ese beneficio mximo?
5. La empresa Bembos vende hamburguesas de dos tipos: de un cuarto de libra y
hamburguesas bembonas. La hamburguesa de un cuarto de libra obviamente
utiliza de libra de carne y la hamburguesa bembona, slo utiliza 0,2 libras de
carne. El restaurante empieza cada da con 200 libras de carne. La utilidad neta
es la siguiente: 2.00 $ por cada hamburguesa de cuarto de libra y 1.50 $ por cada
hamburguesa normal. El gerente estima adems que no vender ms de 900
hamburguesas en total.
Aplicando el mtodo grfico, determine la mxima utilidad que obtiene Bembos.
pg. 37
6. Un carpintero fabrica dos productos: sillas y mesas. Su produccin est limitada

por las disponibilidades en listones de madera (36 semanales) y por las horas de
mano de obra contratada (48 semanales). Cada silla requiere 4 listones de madera
y 3 horas de mano de obra. Cada mesa requiere 4 listones y 6 horas hombre. El
carpintero obtiene S/. 30 y S/. 20 de utilidades por cada silla y mesa
respectivamente. Halle por medios grficos el programa de fabricacin que haga
mximas las utilidades.
7. Un estudiante del ISTPC dedica parte de su tiempo al reparto de propaganda
publicitaria. La empresa A le paga S/. 5 por cada impreso repartido y la empresa
B, con folletos ms grandes, le paga S/. 7 por impreso. El estudiante lleva dos
bolsas: una para los impresos A, en la que caben 120 y otra para los impresos B,
en la que caben 100. Ha calculado que cada da es capaz de repartir 150 impresos
como mximo.
Cuntos impresos habr que repartir de cada tipo para que su beneficio diario
sea mximo?
8. Un agricultor tiene 480 hectreas en la que se puede sembrar ya sea trigo o maz.
El calcula que tiene 800 horas de trabajo disponible durante la estacin crucial del
verano. Dados mrgenes de utilidad y los requerimientos laborales mostrados en
el cuadro.
Disp. / Prod maz trigo
Horas de trabajo por hectrea 2 4
Utilidad S/. 40 30
a. Cuntas hectreas de cada uno debe plantar para maximizar su utilidad?
b. Cul es sta utilidad mxima?
9. La cervecera Andina S.A. produce cerveza Premium y la de tipo Light. La cerveza

Premium se vende a 5 dlares el barril, y la Light a 2 dlares el barril. La produccin
de un barril de cerveza Premium requiere de 5 kilos de cebada y 2 kilos de lpulo.
La produccin de un barril de Light requiere de 2 kilos de cebada y 1 kilo de lpulo.
Se dispone de 60 kilos de cebada y de 25 kilos de lpulo.
a. Cuntos barriles de cada tipo de cerveza debe producir para maximizar sus
ingresos?
b. Cules son esos ingresos mximos?
10.Una fbrica de carroceras de automviles y camiones tiene 2 plantas-talleres. En

el taller A, para hacer la carrocera de un camin, se invierten 7 das-operario,
para fabricar la de un auto se precisan 2 das-operario. En el taller B se invierten
3 das-operario tanto en carroceras de camin como de auto. Por limitaciones de
mano de obra y maquinaria, el taller A dispone de 300 das-operario, y el taller B
de 270 das-operario. Si los beneficios que se obtienen por cada camin son de 6
mil soles y de 3 mil soles por cada auto.
Cuntas unidades de cada clase se deben producir para maximizar las ganancias?
11.Un constructor va a edificar dos tipos de viviendas A y B. Dispone de 600 mil

dlares y el costo de una casa de tipo A es de 13 mil y 8 mil una de tipo B. El
nmero de casas de tipo A ha de ser, al menos, del 40 % del total y el de tipo B,
el 20 % por lo menos. Si cada casa de tipo A se vende a 16 mil y cada una de tipo
B en 9 mil dlares respectivamente.
Cuntas casas de cada tipo debe construir para obtener el beneficio mximo?
pg. 38
12.Una fbrica produce camisas y pantalones los produce con dos tipos de mquinas
(de cortar, coser). Fabricar una camisa representa emplear la mquina de cortar
una hora y la de coser tres horas; fabricar un pantaln representa usar la mquina
de cortar una hora, la de coser una hora. La mquina de coser se puede usar hasta
doce y la de cortar hasta 7 horas al da, sino se recalienta. Todo lo que se fabrica
es vendido y se obtiene un beneficio de ocho soles por cada camisa y de cinco
soles por cada pantaln.
Cmo emplearamos las mquinas para conseguir el beneficio mximo?
13.Un fabricante de cemento produce dos tipos de cemento, a saber en grnulos y
polvo. l no puede hacer ms de 1600 bolsas un da debido a una escasez de
vehculos para transportar el cemento fuera de la planta. Un contrato de ventas
establece que l debe producir 500 bolsas al da de cemento en polvo. Debido a
restricciones del proceso, se requiere el doble del tiempo para producir una bolsa
de cemento granulado en relacin al tiempo requerido por el cemento en
polvo. Una bolsa de cemento en polvo consume para su fabricacin 15
minutos/bolsa y la planta opera 8 horas al da. Su ganancia es S/.4 por la bolsa de
cemento granulado y S/ 3 por la bolsa de cemento en polvo.
Cunto se debe producir de cada tipo de cemento para maximizar sus ingresos?
14.En Justicia Paz y Vida de El Tambo, se van a construir casas de dos tipos: A y B.
La empresa constructora dispone para ello de un mximo de 1,8 millones de soles,
siendo el costo de cada tipo de casa de 30 y 20 mil soles respectivamente. El
Ministerio de Vivienda, por la normatividad de paisajismo y urbanismo exige que
el nmero total de casas no sea superior a 80. Sabiendo que el beneficio obtenido
por la venta de una casa de tipo A es 4 mil soles y de 3 mil soles por una de tipo
B.
a. La constructora cuntas casas debe construir de cada tipo para obtener
el mximo beneficio?
b. Cules son esos ingresos mximos?
15.Doe Run SRL. produce Cobre y Zinc. Por el momento es capaz de vender todo el
mineral producido. La ganancia por tonelada de Cobre y Zinc vendida es de 4 y 3
mil dlares respectivamente. El proceso de cada tonelada de Cobre requiere 3
horas de trabajo en el horno y otras 4 horas de lavado. Para cada tonelada de
Zinc se requieren 4 horas de horneado y 2 horas de lavado. Las horas diarias
disponibles en el horno y el lavado son 35 y 30, respectivamente. Adems se
supone que al menos se deben producir diariamente 4 toneladas de Zinc.
Cuntas toneladas de Cobre y cuntas de Zinc deben producir a fin de maximizar
el ingreso?
16.Una compaa puede anunciar su producto mediante el uso de estaciones de radio

y televisin locales. Su presupuesto limita los gastos en publicidad a $1000 por
mes. Cada minuto de anuncio en la radio cuesta $5 y cada minuto de publicidad
en televisin cuesta $100. La compaa deseara utilizar la radio cuando menos
dos veces ms que la televisin. La experiencia pasada muestra que cada minuto
de publicidad por televisin generar en trminos generales 25 veces ms ventas
que cada minuto de publicidad por la radio. Determine la asignacin ptima del
presupuesto mensual para anuncios por radio y televisin.
pg. 39
Tema N 4: ANALISIS DE DUALIDAD Y SENSIBILIDAD
4.1 Anlisis de Dualidad

Hemos visto como la programacin lineal puede ser usada para resolver una extensa
variedad de problemas propios de los negocios, ya sea para maximizar utilidades o
minimizar costos. Las variables de decisin en tales problemas fueron, por ejemplo, el
nmero de productos a producir, la cantidad de pesos a emplear, etc. En cada caso la
solucin ptima no explic cmo podran ser asignados los recursos (ejemplo: materia
prima, capacidad de las mquinas, el dinero, etc.) para obtener un objetivo establecido.
En este captulo veremos que a cada problema de programacin lineal se le asocia otro
problema de programacin lineal, llamado el problema dual. La solucin ptima del
problema de programacin dual, proporciona la siguiente informacin sobre el problema
original:
La solucin ptima del problema dual proporciona los precios en el mercado o
los beneficios de los recursos escasos asignados en el problema original.
La solucin ptima del problema dual aporta la solucin ptima del problema
original y viceversa.
Normalmente llamamos al problema de programacin lineal original el problema de
programacin primal. Es el concepto clave que permite resolver un problema a partir de
otro, y se deriva de las relaciones primo-dual, en el valor de la funcin objetivo.
Formulacin del problema dual. El problema dual es un problema de PL auxiliar que

se define directa y sistemticamente a partir del modelo de PL original o primal.
El problema de programacin lineal vienen dado por:
Maximizar Z = CX
sujeto a: AX B
X 0
Su dual asociado es el problema de PL dado por:
Minimizar Z = BW
sujeto a: AW C
W 0
El paso al dual se lleva a cabo teniendo presente las cuatro reglas siguientes:
a. Los coeficientes de la i-sima restriccin para el problema primal pasan a ser los
coeficientes de las variables Wi en las restricciones del problema dual. El
problema dual tiene tantas variables como restricciones hay en el primal.
b. Los coeficientes de las variables de decisin Xj en el problema primal pasan a ser
los coeficientes de la restriccin j-sima en el problema dual. El problema dual
tiene tantas restricciones como variables hay en el primal.
c. Los coeficientes de la funcin objetivo en el problema primal pasan a ser los
coeficientes del segundo miembro de las restricciones en el problema dual.
d. Los coeficientes del segundo miembro de las restricciones del problema primal
pasan a ser los coeficientes de la funcin objetivo del dual.
pg. 40
Primal
Ejemplo: Maximizar: Z = 60 X1 + 30 X2 + 20 X3
sujeto a: 8X1 + 6X2 + X3 48
4X1 + 2X2 + 1.5X3 20
2X1 + 1.5X2 + 0.5X3 8
X1, X2, X3 0
Dual:
Minimizar Z = 48 W1 + 20 W2 + 8W3
sujeto a: 8W1 + 4W2 + 60
2W3
6W1 + 2W2 + 1.5W3 30
W1 + 1.5W2 + 0.5W3 20
" W1, W2, W3 0
4.2 Definicin de Problema dual

El desarrollo de la programacin lineal se ha visto reforzado por el descubrimiento de
que todo problema de programacin lineal tiene asociado otro problema llamado dual.
El problema original se llama primal, ambos problemas estn relacionados de tal
manera que la el valor de la funcin objetivo en el ptimo es igual para ambos
problemas, y la solucin de uno conduce automticamente a la del otro.
Las relaciones entre ambos problemas facilitan el anlisis de sensibilidad de un
problema.
El dual es un problema de programacin lineal se obtiene matemticamente de un
problema primal.
La forma del problema dual es nica y se define en base a la forma estndar general
del problema primal:
Optimizar (Max o Min) z = S j =1..ncjxj
Sujeto a S j =1..naijxj = bi
xj 0 con i = 1..m, j = 1..n
Donde las n variables xj incluyen los excesos y las holguras.
El problema dual se construye simtricamente del primal de acuerdo a las siguientes
reglas.
1. Para cada restriccin primal (m restricciones) existe una variable dual yi (m
variables), la funcin objetivo se construye con los valores libres bi como
coeficientes de las variables yi.
2. Para cada variable primal xj (n variables) existe una restriccin dual (n
restricciones), la restriccin se construye con los m coeficientes de las
restricciones primales de esa variable. Los valores libres son los n coeficientes
cj.
3. Si la optimizacin primal es una Maximizacin, el problema dual es una
Minimizacin y las restricciones son . (y a la inversa Minimizacin primal,
Maximizacin dual, restricciones). El siguiente diagrama muestra la construccin
del dual:
pg. 41
x1 x2 .. xj .. xn
Variables duales
Valores libres
Objetivo primal c1 c2 .. c1 .. c1 de restricciones l
duales
v
Coeficientes
a11 a12 .. a1j .. a1n b1 y1
restricciones duales
a21 a22 .. a2j .. a2n b2 y2
am1 a22 .. a2j .. a2n bm ym
Restr.
Funcin Objetivo dual
dual j
Nota: si consideramos los excesos y holguras las variables duales (yi) no tienen
restricciones de signo, en caso contrario en ambos problemas se considera variables
0. Por lo que las variables duales correspondientes a restricciones del tipo = deben ser
sin restricciones de signo, recprocamente cuando una variable en el primal no tiene
restriccin de signo, la restriccin correspondiente en el dual debe ser del tipo =.
Ejemplo
Sea Max z = 3x1 + 5x2
x1 + 10x2 < 80
2x1 + 3x2 < 45
4x1 - 2x2 < 25
3x2 <60
x1, x2 > 0
Aplicando las reglas y la nota:

1. Para cada restriccin primal (4 restricciones) existe una variable dual yi (4
variables) y1 y2 y3 y4, la funcin objetivo se construye con los valores libres bi
(80,45,25,60) como coeficientes de las variables yi.
2. Para cada variable primal xj (2 variables sin considerar las variables de holgura)
existe una restriccin dual (2 restricciones), la restriccin se construye con los
4 coeficientes de las restricciones primales de esa variable. Los valores libres son
los 2 coeficientes cj (3, 5).
3. la optimizacin primal es una Maximizacin, el problema dual es una
Minimizacin y las restricciones son >.
Nota: No hemos considerado las variables de excesos ni holguras las variables
duales por lo que en ambos problemas se considera variables > 0, no existen
restricciones de =.
pg. 42
Problema dual:
Min Y = 80y1 + 45y2 + 25y3 + 60y4
Sujeto a:
Y1 + 2y2 + 4y3 > 3
10y1 + 3y2 - 2y3 + 3y4 > 5
y1, y2, y3, y4 > 0
2. Max Z = 3x1 + 7x2
Sujeto a:
2x1 + 5x2 = 15
x1 + 8x2 < 30
x1, x2 > 0
0. Para cada restriccin primal (2 restricciones) existe una variable dual yi (2
variables) y1 y2, la funcin objetivo se construye con los valores libres bi (15,
30) como coeficientes de las variables yi.
1. Para cada variable primal xj (2 variables sin considerar las variables de
holgura) existe una restriccin dual (2 restricciones), la restriccin se
construye con los 2 coeficientes de las restricciones primales de esa variable.
Los valores libres son los 2 coeficientes cj (3, 7).
Aplicando las reglas y la nota:
Nota: Para la segunda restriccin no hemos considerado las variables de
excesos ni holguras las variables duales por lo que en el dual y 2 0, la
primera restriccin es de igualdad por lo que la primera variable no tiene
restriccin de signo.
Problema dual:
Min Y= 15y1 + 30y2
Sujeto a:
2y1 + y2 > 3
5y1 + 8y2 > 7
y1 sin restriccin de signo (irrestricta)
y2 > 0.
4.3 Anlisis de sensibilidad

Una vez obtenida la solucin de un problema de programacin lineal, es deseable
investigar cmo cambia la solucin del problema al cambiar los parmetros del
modelo.
Por ejemplo si una restriccin de un problema es 4x1 + 6x2 < 80 donde 80
representa la cantidad de recurso disponible. Es natural preguntarse qu pasa con
la solucin del problema si la cantidad de recurso (por ejemplo Horas) disminuye
a 60? Otras veces podemos preguntarnos qu pasa si cambiamos algunos
coeficientes de la funcin objetivo? O bien si agregamos una restriccin o una
variable. El estudio de la variacin de un problema de programacin lineal debido a
cambios de los parmetros del mismo, se llama anlisis de sensibilidad.
pg. 43
Una forma de responder estas preguntas sera resolver cada vez un nuevo problema.
Sin embargo esto es computacionalmente ineficiente.
Para esto es preferible hacer uso de las propiedades del mtodo Simplex y de los
problemas primal y dual.
Recordemos que una vez que en un problema lineal se conoce B, CB y XB, la tabla
simplex se puede calcular utilizando B-1 y los datos originales del problema.
El efecto de los cambios en los parmetros del problema del anlisis de sensibilidad
(post ptimo) se puede dividir en tres categoras:
0. Cambios en los coeficientes C de la funcin objetivo, solo afecta la
optimalidad.
1. Cambios en el segundo miembro b solo pueden afectar la factibilidad.
2. Cambios simultneos en C y b pueden afectar la optimalidad y la factibilidad.
Ejercicio 1
CIDEMETAL SRL, produce mesas y sillas para venta en el pas. Se requieren dos tipos
bsicos de mano de obra especializada: para ensamblado y acabado. Producir una mesa
requiere tres horas de ensamblado, dos horas de acabado y se vende con una ganancia
de $30. La produccin de una silla requiere 1 hora de acabado y se vende con una ganancia
de $18. Actualmente, la compaa dispone de 200 horas de ensamblado y 160 horas de
acabado.
La formulacin a este problema es:
Maximizar: X0 = 30X1 + 18X2
Sujeta a: 3X1 + X2 200 (ensamblado)
2X1 + X2 160 (acabado)
X1, X2 0
Y la solucin ptima la siguiente
Base X0 X1 X2 X3 X4 Solucin
X0 1 6 0 0 18 2880
X3 0 1 0 1 -1 40
X2 0 2 1 0 1 160
La compaa desea consejo en los siguientes planteamientos:

a. Cunto es lo mximo que pueden reducirse las horas-hombre disponibles en
ensamblado sin que la factibilidad de la mezcla actual cambie?
b. Cul es el rango de variacin de la utilidad unitaria de las sillas en donde la
inmejorabilidad de la mezcla ptima se mantiene?
c. En cul departamento recomendara usted contratar tiempo extra?
d. Si se comprara una mquina que redujera el tiempo de ensamblado en las mesas,
de 3 a 1/2, recomendara usted una inversin de dicha mquina?
e. En cunto se incrementara la utilidad ptima actual si se programan 15 horas-
hombre extra en la operacin de acabado?
pg. 44
f. Si la utilidad unitaria de las sillas disminuye a $16, Cmo se afecta a la solucin

ptima y el objetivo?
g. Si los obreros que llevan a cabo la operacin de acabado ofrecen trabajar horas
extras a razn de $12/hora Recomendara usted contratar tiempo extra? Si lo
recomienda, qu tanto tiempo extra puede programarse sin cambiar la
optimalidad de la mezcla actual?
Ejercicio 2
GRANDE PERU SAC, se especializa en la fabricacin de camas (colchones). La compaa
fabrica tres clases de colchones: matrimonial, "King-size" e individual. Los tres tipos de
colchones se fabrican en dos plantas diferentes que son propiedad absoluta de la
compaa. En un da hbil normal de 8 horas, la planta No. 1 fabrica 50 colchones
matrimoniales, 80 colchones "King-size" y 100 individuales. La planta No.2 fabrica 60
colchones matrimoniales, 60 "King-size" y 200 individuales. El gerente de mercadotecnia
de la GRANDE ha proyectado la demanda mensual para los tres tipos de colchones y calcula
ser de 2500, 3000 y 7000 unidades, respectivamente. Los contadores de la compaa
indican que el costo diario de operacin de la planta No. 1 es de $3500 diarios. A los
administradores les gustara determinar el nmero ptimo de das de operacin por mes
en las dos diferentes plantas con el objeto de minimizar el costo total de produccin, al
mismo tiempo que se satisface la demanda.
Utilizando
y1 = nmero de das de operacin por mes de la planta No.1
y2 = nmero de das de operacin por mes de la planta No.2
Entonces el planteamiento puede expresarse de la siguiente manera:
Minimizar: Z = 2500Y1 + 3500Y2
Sujeto a: 50Y1 + 60Y2 2500
80Y1 + 60Y2 3000
100Y1 + 200Y2 7000
Y1, Y2 0
Es fcil observar que el problema se encuentra en forma del problema dual estndar.
a. Plantee el problema primario para el problema dual que se dio antes.
b. Cules son las unidades de medicin de las variables primarias?
c. Resuelva el problema utilizando el mtodo simplex. Por qu fue ms sencillo resolver
el problema primario que el dual?
d. Utilizando el problema primario ptima, determine el valor ptimo para las variables
duales de decisin para el problema de la GRANDE.
e. Qu significado tienen las variables primarias en el problema de la GRANDE?
pg. 45
TERCERA UNIDAD
Tema N 5: MODELO DE TRANSPORTE
5.1 Problema de Transporte

En esta unidad presentaremos dos aplicaciones importantes de la programacin lineal
que son el modelo de transportes y el de asignacin de recursos. Aun cuando la
solucin de estos modelos puede obtenerse aplicando el mtodo simplex, se estudian
algoritmos especiales para la solucin de estos problemas.
Debido a su estructura especial, hace posible hace posible mtodos de solucin ms
eficientes en trminos del clculo.
La programacin lineal es un campo tan amplio que se extiende a subclases de
problemas para los cuales existen mtodos de solucin especiales. Una de estas
subclases se conoce como problemas de transporte. El mtodo smplex de programacin
lineal, puede servir para resolver estos problemas. Pero se han desarrollado mtodos
ms sencillos que aprovechan ciertas caractersticas de los problemas. Entonces, el
mtodo del transporte son slo tcnicas especiales para resolver ciertos tipos de
problemas de programacin lineal.
El transporte desempea un papel importante en la economa y en las decisiones
administrativas. Con frecuencia la disponibilidad de transporte econmico es crtica para
la sobrevivencia de una empresa.
Qu significa problema de transporte? Supngase que un fabricante tiene tres plantas
que producen el mismo producto. Estas plantas a su vez mandan el producto a cuatro
almacenes. Cada planta puede mandar productos a todos los almacenes, pero el costo
de transporte vara con las diferentes combinaciones. El problema es determinar la
cantidad que cada planta debe mandar a cada almacn con el fin de minimizar el costo
total de transporte.
La manera ms fcil de reconocer un problema de transporte es por su naturaleza o
estructura
de-hacia: de un origen hacia un destino, de una fuente hacia un usuario, del presente
hacia el futuro, de aqu hacia all. Al enfrentar este tipo de problemas, la intuicin dice
que debe haber una manera de obtener una solucin. Se conocen las fuentes y los
destinos, las capacidades y demandas y los costos de cada trayectoria. Debe haber una
combinacin ptima que minimice el costo (o maximice la ganancia). La dificultad
estriba en el gran nmero de combinaciones posibles.
Puede formularse un problema de transporte como un problema de programacin lineal
y aplicarse el mtodo smplex. Si se hiciera, se encontrara que los problemas de
transporte tienen caractersticas matemticas nicas. Para visualizar esto, considrese
el siguiente ejemplo:
El problema
Suponga que una compaa tiene m plantas de produccin (i), de capacidad ai (i = 1..m)
y n almacenes de distribucin (j), con demanda bj (j=1..n). El costo de transporte entre
la planta i y el almacn es conocido como cij.
El problema es determinar la cantidad (xij) que debe suministrar la planta i al almacn
j, de tal manera que el costo de transporte total sea mnimo. Las consideraciones de
costos de produccin e inventario se pueden incorporar al modelo bsico.
El modelo tpico tiene cuatro componentes:
pg. 46
- Un conjunto de m fuentes
- Un conjunto de n destinos
- Costos de transporte entre las fuentes y los destinos
- Cantidades de producto para enviar entre las fuentes y los destinos.
El modelo general que representa el modelo de transporte es:

Min z = S iS j cijxij
Sujeto a:
S j xij = ai (fuentes i = 1..m)
S i xij = bj (destinos j = 1..n)
xij 0
5.2 Modelo general del problema de transporte.

Cualquier problema de programacin lineal que se ajuste a esta formulacin especial es
del tipo de problemas de transporte, sin importar su contexto fsico. De hecho, se han
realizado numerosas aplicaciones no relacionadas con el transporte que se ajustan a
esta estructura especial. sta es una de las razones por las que el problema de
transporte se suele considerar como uno de los tipos especiales de problemas de
programacin lineal ms importantes.
Adems de los datos de entrada (los valores de cij, si y dj), la nica informacin que
necesita el mtodo smplex de transporte es la solucin bsica factible actual, los valores
actuales de ui y vj y los valores resultantes de cijuivj para las variables no bsicas xij.
Cuando se resuelve un problema a mano es conveniente registrar esta informacin en
una tabla smplex de transporte, como la que se muestra enseguida:
pg. 47
En los casos en que la sumatoria de todo lo que se produce en todos los orgenes
es mayor que la sumatoria de todo lo que se demanda en todos los destino o viceversa,
entonces se dice que el problema no est balanceado. En estos casos lo primero que se
debe hacer antes de intentar resolver el problema es balancearlo.
m n
si dj
Para el caso de SOBREPRODUCCIN ( i 1 j 1 )
Si el caso es que se dispone de mayor produccin de la que se demanda,
entonces para balancear el problema se agrega un destino imaginario o artificial
(llamado tambin destino ficticio) el cual tendr como demanda dicha sobreproduccin.
En cuanto a los costos asociados a este nuevo destino los estableceremos a cero (por
qu?). El siguiente dibujo muestra lo que se debe hacer:
pg. 48
5.3. Mtodos para encontrar soluciones factibles.

Al iniciar, todos los renglones de los orgenes y las columnas de destinos de la
tabla smplex de transporte se toman en cuenta para proporcionar una variable
bsica (asignacin).
1. Se selecciona la siguiente variable bsica (asignacin) entre los renglones y
columnas en que todava se puede hacer una asignacin de acuerdo a algn
criterio.
2. Se hace una asignacin lo suficientemente grande como para que use el resto
de los recursos en ese rengln o la demanda restante en esa columna
(cualquiera que sea la cantidad ms pequea).
3. Se elimina ese rengln o columna (la que tena la cantidad ms pequea en los
recursos o demanda restantes) para las nuevas asignaciones. (Si el rengln y
la columna tiene la misma cantidad de recursos y demanda restante, entonces
arbitrariamente se elimina el rengln. La columna se usar despus para
proporcionar una variable bsica degenerada, es decir, una asignacin con cero
unidades.)
4. Si slo queda un rengln o una columna dentro de las posibilidades, entonces
el procedimiento termina eligiendo como bsicas cada una de las variables
restantes (es decir, aquellas variables que no se han elegido ni se han eliminado
al quitar su rengln o columna) asociadas con ese rengln o columna que tiene
la nica asignacin posible. De otra manera se regresa al paso 1.
5.4 Mtodo de la esquina noroeste.

1. Regla de la esquina noroeste: la primera eleccin es x11 (es decir, se comienza
en la esquina noroeste de la tabla smplex de transporte). De ah en adelante,
si xij fue la ltima variable bsica seleccionada, la siguiente eleccin es x i,j+1 (es
decir, se mueve una columna a la derecha) si quedan recursos en el origen i.
De otra manera, se elige xi+1,j (es decir, se mueve un rengln hacia abajo).
Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general,
utilizando la regla de la esquina noroeste en el siguiente ejemplo:
Recursos
3 7 6 4 5
2 4 3 2 2
4 3 8 5 3
Demanda 3 4 2 1 10
10
Lo primero que debemos hacer al resolver cualquier problema de transporte es

comprobar que est balanceado, si no lo estuviera, agregamos un origen o un destino
artificial segn sea el caso para conseguir que el problema quede balanceado y podamos
comenzar a resolverlo. En nuestro ejemplo, la sumatoria de los recursos de los tres
orgenes es de 10 unidades que es igual a la sumatoria de las demandas de los destinos,
por lo que nuestro problema est balanceado y podemos iniciar con la resolucin.
pg. 49
5.5 Mtodo de aproximacin de Vogel

Mtodo de Aproximacin de Vogel: para cada rengln y columna que queda bajo
consideracin, se calcula su diferencia, que se define como la diferencia aritmtica
entre el costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese
rengln o columna. (Si se tiene un empate para el costo ms pequeo de los restantes
de un rengln o columna, entonces la diferencia es 0). En el rengln o columna que
tiene la mayor diferencia se elige la variable que tiene el menor costo unitario que
queda. (Los empates para la mayor de estas diferencias se pueden romper de manera
arbitraria).
Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna.
De las diferencias que obtuvimos nos fijamos en la mayor (Por qu?), que resulta ser
para la tercera columna. En esa columna encontramos el costo unitario (c ij) menor y en
esa celda realizamos la primera asignacin:
Recursos DIF.
3 7 6 4 5 1
2 4 3 2 2 0 0
2
4 3 8 5 3 1
10
Demanda 3 4 2 0 1 10
DIF. 1 1 3 1
2
Nota: Marcar la mayor de las diferencias seleccionadas encerrndola en un crculo

y escribiendo como superndice el nmero que le corresponda en la secuencia de
seleccin.
Observemos en la figura anterior que nicamente eliminamos el segundo rengln

ya que la tercera columna nos servir despus para hacer la asignacin de una variable
bsica degenerada. Continuando con la aplicacin del mtodo, tenemos que calcular
nuevamente las diferencias de las columnas ya que hemos eliminado un rengln y sto
puede ocasionar que las diferencias aritmticas entre el costo unitario ms pequeo y
el que le sigue ya no sean las mismas:
Recursos DIF.
3 7 6 45 1
2 4 3 22 0 0
2
4 3 8 53 0 1
3
10
Demanda 3 4 1 2 0 1 10
DIF. 1 1 3 1
2
1 4 2 2 1
pg. 50
Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya
que solamente queda un rengln dentro de las posibilidades (sto no significa que
solamente un rengln quede bajo consideracin ya que podemos observar que ninguna
de las cuatro columnas (destinos) ha sido eliminada y todas quedan todava bajo
consideracin), no es posible encontrar la diferencia aritmtica entre el costo menor y
el que le sigue, por lo tanto vamos tomando una a una las celdas que quedan
comenzando con la de menor costo unitario hasta que todas hayan sido asignadas.
Recursos DIF.
3 7 6 45 2 1 0 1
3 1 0 1
2 4 3 22 0 0
2
4 3 8 53 0 1
3
10
Demanda 3 0 4 1 0 2 0 1 0 10
1
DIF. 1 1 3 2
2
1 4 2 1
La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica

degenerada), x14=1, x23=2 y x32=3 y el costo total de transporte asociado a esta primera
Poltica de Transporte factible es de:
x11 c11 x12 c12 x13 c13 x14 c14 x23 c23 x32 c32
Costo = 3 (3) + 1 (7) + 0 (6) + 1 (4) + 2 (3) + 3 (3) = 35
Es necesario aclarar que sta puede o no ser la solucin final del problema, es necesario
aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir
una mejor poltica de transporte que minimice todava ms el costo total.
5.6 Modelos Balanceados y no balanceados

Un modelo de transporte se llama balanceado cuando:
S i ai = S j b
Esto significa que la suma de los suministros de todas las plantas debe ser igual a la
suma de las demandas de todos los almacenes.
Sin embargo en problemas de la vida real, esta igualdad rara vez se satisface.
Lo que se hace entonces es balancear el problema.
Si los requerimientos exceden a los suministros, se agrega una planta ficticia, que
suministrar la diferencia.
El costo de transporte desde la planta ficticia hacia cualquier almacn es cero.
Recprocamente, si los suministros exceden a los requerimientos, se agrega un
almacn ficticio que absorber el exceso.
El costo unitario de transporte desde las plantas al almacn ficticio es cero.
pg. 51
Actividad
Problemas para resolver por el mtodo de transporte

El siguiente cuadro indica el costo de transporte unitario en nuevos soles, desde los orgenes
a los destinos y sus respectivas ofertas y demandas. Empleando el mtodo de costo mnimo
determine la cantidad a transportar de cada origen a cada destino y determine tambin el
costo mnimo en que se incurre.
a.
Destino Oferta
A B C TM
Origen I 3 6 9 200
Origen II 1 4 5 300
Origen III 3 2 1 400
Demanda TM 150 250 500
b.
Destino Oferta
A B C Kg.
Origen 1 4 6 8 50
Origen 2 1 3 5 200
Origen 3 2 4 5 250
Demanda Kg. 200 150 150
c.
Destino Oferta
W X Y Z m3
Origen P 6 10 6 8 200
Origen Q 7 9 6 11 300
Origen R 8 10 14 6 450
Demanda m3 100 150 400 300
pg. 52
d. Caso I: Cuando la oferta es igual a la demanda (O = D )
Destino Oferta
X Y Z TM
Origen I 3 6 4 1000
Origen II 2 3 1 2000
Demanda TM 2000 1500 1000
e. Caso II: Cuando la oferta es mayor que la demanda (O D)
Destino Oferta
X Y Z TM
Origen I 4 3 5 600
Origen II 2 1 3 120
Demanda TM 100 150 60
f. Caso III: Cuando la oferta es menor que la demanda (O < D)
Destino Oferta
X Y Z TM
Origen I 2 4 6 25
Origen II 1 3 5 35
Origen III 4 2 3 50
Demanda TM 40 30 60
1. INTELL Co. una empresa dedicada a la fabricacin de componentes de computadoras

tiene dos fbricas que producen, respectivamente, 800 y 1500 piezas mensuales. Estas
piezas han de ser transportadas a tres tiendas que necesitan 1000, 700 y 600 piezas,
respectivamente. Los costos de transporte, en nuevos soles por pieza son los que
aparecen en la tabla adjunta. Cmo debe organizarse el transporte para que el costo
sea mnimo?
Tienda A Tienda B Tienda C

Fbrica I 3 7 1
Fbrica II 2 2 6
pg. 53
2. Desde dos almacenes A y B, se tiene que distribuir fruta a tres mercados de la ciudad
Lima. El almacn A dispone de 10 toneladas de fruta diarias y el B de 15 toneladas, que
se reparten en su totalidad. Los dos primeros mercados necesitan, diariamente, 8
toneladas de fruta, mientras que el tercero necesita 9 toneladas diarias. El costo del
transporte desde cada almacn a cada mercado viene dado por el siguiente cuadro:
Mercado 1 Mercado 2 Mercado 3

Almacn A 10 15 20
Almacn B 15 10 10
Utilizando el mtodo matriz mnima, determine el transporte para que el costo sea
mnimo.
3. Una compaa tiene tres Plantas (A, B y C) para fabricar bebidas gaseosas BIG KOLA, y
dispone de tres distribuidores mayoristas para la venta (D, E y F). Las cantidades
producidas por A, B y C son 1000, 5000 y 4000 litros por da respectivamente. La
mxima cantidad que puede vender el almacn D es 3000 litros/da, E es 6000 litros/da
y F es 7000 litros/da. Los costos de transporte de cada fbrica a cada distribuidor
mayorista estn dados en la siguiente tabla:
Demanda
D E F
Planta A 1 4 2
Planta B 3 1 2
Planta C 4 5 2
Determine la cantidad a transportar desde los orgenes a los destinos para que el costo
sea mnimo.
4. SEDAM Huancayo SA. tiene que distribuir el agua de tres pozos entre tres localidades.
La tabla de costos de distribucin de cada m 3 es la siguiente:
LOCALIDADES OFERTA
(m3/da)
A B C
Pozo I 7 8 10 40
Pozo II 5 12 4 30
Pozo III 9 7 8 45
DEMANDA (m3/da) 55 40 60
Determine la distribucin del agua para cada una de las localidades de modo que el
costo sea el mnimo.
5. Una empresa de electricidad ElectroSURMEDIO SA. tiene 4 plantas termoelctricas que
son abastecidas por 3 minas de carbn. La oferta total de carbn de las minas es igual
a los requerimientos totales de las plantas termoelctricas. Existe un costo de transporte
de una unidad desde cada mina a cada planta. En la tabla que se muestra a continuacin
se indican la oferta disponible, los requerimientos y los costos de transporte por unidad.
pg. 54
PLANTA
Oferta
M N O P
Mina X 2 3 4 5 14
Mina Y 5 4 3 1 15
Mina Z 1 3 3 2 17
Demanda 6 11 17 12
La empresa de electricidad quiere determinar cuntas unidades debe transportar desde
la mina a cada planta para minimizar el costo de transporte.
Actividad
PROBLEMAS PROPUESTOS
1. Una empresa KINGTEX S.A. produce 120 unidades del producto A y 360 unidades
del producto B cada da. Estos productos han de someterse a control de calidad,
siendo la capacidad de control de 200 unidades al da. El producto A se vende en el
mercado a un precio 4 veces superior al precio del producto B. Determnese la
produccin de la empresa que hace posible maximizar el beneficio.
2. CEPER PIRELLI SA. fabrica cable elctrico de alta calidad usando dos tipos de
aleaciones metlicas, M y N. La aleacin M contiene un 80% de cobre y un 20% de
aluminio, mientras que la N incluye un 68% de cobre y un 32% de aluminio. La
aleacin M tiene un precio de 80 euros por tonelada, y la N, 60 euros por tonelada.
Cules son las cantidades que Pedro Prez debe usar de cada aleacin para
producir una tonelada de cable que contenga al menos un 20% de aluminio y cuyo
costo de produccin sea el menor posible?
3. SAN FERNANDO S.A. posee 200 cerdos que consumen 90 lb. de comida especial
todos los das. El alimento se prepara como una mezcla de maz y harina de soya
con las siguientes composiciones:
Libras por libra de alimento
Alimento Calcio Protena Fibra Costo ($/lb)
Maz 0.001 0.09 0.02 0.20
Harina de soya 0.002 0.60 0.06 0.60
Los requisitos diarios de alimento de los cerdos son:
i. Cuando menos 1% de calcio
ii. Por lo menos 30% de protena
iii. Mximo 5% de fibra
Determine la mezcla de alimentos con el mnimo de costo por da.
pg. 55
4. CATALINA HUANCA SAC fabrica dos tipos de joyas. Las del tipo A precisan 1 g de
oro y 1,5 g de plata, vendindolas a 40 euros cada una. Para la fabricacin de las
de tipo B emplea 1,5 g de oro y 1 g de plata, y las vende a 50 euros. El orfebre
tiene solo en el taller 750 g de cada uno de los metales.
Cuntas joyas se han de fabricar de cada clase para obtener un beneficio mximo?
5. PIERS SAC. desean liquidar 200 camisas y 100 pantalones de la temporada

anterior. Para ello, lanzan dos ofertas, A y B. La oferta A consiste en un lote de
una camisa y un pantaln, que se venden a 30 nuevos soles; la oferta B consiste
en un lote de tres camisas y un pantaln, que se vende a 50 nuevos soles. No se
desea ofrecer menos de 20 lotes de la oferta A ni menos de 10 de la B.
Cuntos lotes han de vender de cada tipo para maximizar la ganancia?
6. POLAR EIRL. fabrica helados A y B, hasta un mximo diario de 1 000 kilos. La

fabricacin de un kilo de A cuesta 1,8 euros y uno de B, 1,5 euros. Calcula
cuntos kilos de A y B deben fabricarse, sabiendo que la casa dispone de 2 700
euros /da y que un kilo de A deja un margen igual al 90% del que deja un kilo de
B.
7. SOL DE PIURA EIRL. elabora dos tipos de sombreros. Cada sombrero del primer
tipo requiere dos veces ms tiempo de mano de obra que un producto del segundo
tipo. Si todos los sombreros son exclusivamente del segundo tipo, la compaa
puede producir un total de 500 unidades al da. El mercado limita las ventas diarias
del primero y segundo tipos a 150 y 200 unidades. Supngase que la ganancia que
se obtiene por producto es $8 para el tipo 1 y $5 para el tipo 2. Determine el nmero
de sombreros de cada tipo que deben elaborarse para maximizar la ganancia.
8. NACIN WANKA SRL. ha decidido manufacturar algunos o todos de cinco productos

nuevos en tres de sus fbricas que tienen capacidades productivas sobrantes. Los
productos se venden por peso y suponga que una unidad de ese producto equivale
a la cantidad de ese producto. El esfuerzo productivo para hacer cada producto es
igual. Las capacidades disponibles a cada fabrica se ven a continuacin:
FABRICA CAPACIDAD DISPONIBLE
I 40 unidades
II 60 unidades
III 90 unidades
La investigacin de mercados indica que las ventas potenciales son as:
VENTAS POTENCIALES
PRODUCTOS
(Unidades)
1 30
2 40
3 70
4 40
5 60
Los costos variables de produccin (miles $) de cada producto en cada fbrica son:
pg. 56
Producto 1 2 3 4 5
Fabrica
I 20 19 14 21 16
II 15 20 13 19 16
III 18 15 18 20 X
La X quiere decir que la fbrica 3 no puede producir el producto 5.
Qu cantidad de cada producto debe fabricarse en cada fbrica? y Cul es el
costo Total de Produccin?
9. SCORZA SAC. dedicada a la fabricacin de muebles ha de determinar cuntas

mesas, sillas, escritorios y estantes debe hacer para optimizar el uso de sus
recursos. Estos productos utilizan dos tipos diferentes de paneles, y la compaa
dispone de 1500 tableros MDF y 1000 de MELAMINE. Por otro lado cuenta con 800
horas de mano de obra. Las predicciones de venta as como los pedidos atrasados
exigen la fabricacin de al menos 40 mesas, 130 sillas, 30 escritorios y como
mximo 10 estantes. Cada mesa, silla, escritorio y estantes necesita 5, 1, 9, y 12
tableros, respectivamente, de MDF y 2, 3, 4, y 1 tableros de MELAMINE. Una mesa
requiere 3 horas de trabajo; una silla, 2; un escritorio, 5; y un estante 10. La
compaa obtiene un beneficio de 12 dlares en cada mesa, 5 dlares en cada silla,
15 dlares en un escritorio, y 10 dlares en un estante. Plante el modelo de
programacin lineal para maximizar los beneficios totales.
10. PEPE DIAZ SRL. produce tres modelos (I, II y III) de cierto producto. El utiliza dos
tipos de materia prima (A y B), de los cuales se dispone de 4000 y 6000 unidades,
respectivamente. Los requisitos de materias primas por unidad de los tres modelos
son:
Requisitos por unidad

del modelo dado
Materia prima I II III
A 2 3 5
B 4 2 7
El tiempo de mano de obra para cada unidad del modelo I es dos veces mayor que
el del modelo II y tres veces mayor que el del modelo III. Toda la fuerza de trabajo
de la fbrica puede producir el equivalente de 1500 unidades del modelo I. Un
estudio del mercado indica que la demanda mnima de los tres modelos es 200, 200
y 150 unidades, respectivamente. Sin embargo, las razones del nmero de unidades
producidas deben ser iguales a 3:2:5. Supngase que la ganancia por unidad de los
modelos I, II y III es $30, $20 y $50, respectivamente. Formule el problema como
un modelo de programacin lineal para determinar el nmero de unidades de cada
producto que maximizarn la ganancia.
11. TANS PER SAC. Posee un avin de carga que tiene tres compartimientos para
almacenar: delantero, central y trasero. Estos compartimientos tienen un lmite de
capacidad tanto en peso como en espacio. Los datos se resumen en seguida:
pg. 57
Compartimiento Capacidad de peso Capacidad de espacio

(toneladas) (pies cbicos)
Delantero 12 7000
Central 18 9000
Trasero 10 5000
Para mantener el avin balanceado, el peso de la carga en los respectivos
compartimientos debe ser proporcional a su capacidad.
Se tienen ofertas para los siguientes envos en un vuelo prximo ya que se cuenta
con espacio:
Carga Peso Volumen Ganancia

(toneladas) (pies cbicos/tonelada) ($/tonelada)
1 20 500 320
2 16 700 400
3 25 600 360
4 13 400 290
Se puede aceptar cualquier fraccin de estas cargas. El objetivo es determinar qu
cantidad de cada carga debe aceptarse (si se acepta) y cmo distribuirla en los
compartimientos para maximizar la ganancia del vuelo. Formule el modelo de
programacin lineal para este problema.
12. KONDA MOTORS SA. es especialista en el ensamble de vehculos. En los siguientes

cuadros se dan las ofertas, demandas y costos (semanales):
OFERTA DE DEMANDA DE
ENSAMBLADORA CIUDAD
MOTOS MOTOS
Bogot 35 Cartagena 30
Medelln 60 Cali 45
Barranquilla 25 Montera 25
Pasto 20
A
Cartagena Cali Montera Pasto
DE
Bogot 50 30 60 70
Medelln 20 80 10 90
Barranquilla 100 40 80 30
Determine el PLAN PTIMO de distribucin con su Costo Total.
pg. 58
Tema N 6: MODELO DE ASIGNACION DE RECURSOS

6.1 Problemas de asignacin de recursos
Los problemas de asignacin presentan una estructura similar a los de transporte, pero
con dos diferencias: asocian igual nmero de orgenes con igual nmero de demandas
y las ofertas en cada origen es de valor uno, como lo es la demanda en cada destino. El
problema de asignacin debe su nombre a la aplicacin particular de asignar hombres
a trabajos (o trabajos a mquinas), con la condicin de que cada hombre puede ser
asignado a un trabajo y que cada trabajo tendr asignada una persona. La condicin
necesaria y suficiente para que este tipo de problemas tenga solucin, es que se
encuentre balanceado, es decir, que los recursos totales sean iguales a las demandas
totales. El modelo de asignacin tiene sus principales aplicaciones en: Trabajadores,
Oficinas al personal, Vehculos a rutas, Mquinas, Vendedores a regiones, productos a
fabricar, etc.
Transporte Asignacin
Unidades de un bien
m orgenes m recursos
n destinos n actividades
si recursos en el origen i
Demanda dj en el destino j
Costo cij por unidad distribuida
desde el origen i al destino j
Ganancia Z Medida global de la efectividad Z
As, por lo general, el origen i (i = 1, 2, ..., m) dispone de si unidades para distribuir a
los destinos y el destino j (j = 1, 2, ..., n) tiene una demanda de dj unidades que recibe
desde los orgenes. Una suposicin bsica es que el costo de distribucin de unidades
desde el origen i al destino j es directamente proporcional la distancia, donde cij denota
el costo por unidad distribuida. Igual que para el ejemplo prototipo, estos datos de
entrada se pueden resumir en forma muy conveniente en la tabla de costos y
requerimientos que se muestra enseguida:
Costo por unidad distribuida consumo Cantidad de

de recursos por unida de actividad recursos
disponibles
Destino Actividad
1 2 ... n Recursos
1 c11 c12 ... c1n s1
Origen 2 c21 c22 ... c2n s2
Recurso . . . . .
. . . . .
m cm1 cm2 ... cmn sm
Demanda d1 d2 ... dn
Contribucin a Z por
unidad de actividad
pg. 59
6.2 El mtodo Hngaro

Este algoritmo se usa para resolver problemas de minimizacin, ya que es ms
eficaz que el empleado para resolver el problema del transporte por el alto grado de
degeneracin que pueden presentar los problemas de asignacin. Las fases para la
aplicacin del mtodo Hngaro son:
Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz
de costos m*m; se debe construir una nueva matriz al restar de cada costo el
costo mnimo de cada fila; encontrar para esta nueva matriz, el costo mnimo en
cada columna. A continuacin se debe construir una nueva matriz (denominada
matriz de costos reducidos) al restar de cada costo el costo mnimo de su
columna.
Paso 2: (En algunos pocos textos este paso se atribuye a Flood). Consiste en
trazar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente
de esas maneras) que se requieren para cubrir todos los ceros en la matriz de
costos reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene
una solucin ptima entre los ceros cubiertos de la matriz. Si se requieren menos
de m lneas para cubrir todos los ceros, se debe continuar con el paso 3. El
nmero de lneas para cubrir los ceros es igual a la cantidad de asignaciones que
hasta ese momento se pueden realizar.
Paso 3: Encontrar el menor elemento diferente de cero (llamado k) en la matriz

de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2;
a continuacin se debe restar k de cada elemento no cubierto de la matriz de
costos reducidos y sumar k a cada elemento de la matriz de costos reducidos
cubierto por dos lneas (intersecciones). Por ltimo se debe regresar al paso 2.
Notas:
Para resolver un problema de asignacin en el cual la meta es maximizar la
funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (-1)
y resolver el problema como uno de minimizacin.
Si el nmero de filas y de columnas en la matriz de costos son diferentes, el
problema de asignacin est desbalanceado. El mtodo Hngaro puede
proporcionar una solucin incorrecta si el problema no est balanceado; debido
a lo anterior, se debe balancear primero cualquier problema de asignacin
(aadiendo filas o columnas ficticias) antes de resolverlo mediante el mtodo
Hngaro.
En un problema grande, puede resultar difcil obtener el mnimo nmero de filas
necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede
demostrar que si se necesitan j lneas para cubrir todos los ceros, entonces se
pueden asignar solamente j trabajos a un costo cero en la matriz actual; esto
explica por qu termina cuando se necesitan m lneas.
Mediante el siguiente ejemplo vamos a ilustrar la manera de aplicar el mtodo Hngaro
a la solucin de un problema de asignacin de minimizacin:
Una factora tiene cuatro operarios, los cuales deben ser asignados al manejo de cuatro
mquinas; las horas requeridas para cada trabajador en cada mquina se dan en la
tabla adjunta; el tiempo a laborar por cada operario en cada una de las mquinas se
pretende que sea mnimo, para lo cual se busca la asignacin ptima posible.
pg. 60
OPERARIOS MAQUINAS
1 2 3 4
Antonio 10 14 16 13
Bernardo 12 13 15 12
Carlos 9 12 12 11
Diego 14 13 18 16
Planteamiento del Modelo Primal:

Min W = 10X11+ 14X12+ 16X13+ 13X14+ 12X21+ 13X22+ 15X23+ 12X24+ + 9X31+ 12X32+
12X33+ 11X34+ 14X41+ 13X42+ 18X43+ 16X44
sujeto a las siguientes restricciones:
Aplicando el mtodo Hngaro tenemos:
1 2 3 4
A 10 14 16 13
B 12 13 15 12
C 9 12 12 11
D 14 13 18 16
Restamos 10, 12, 9 y 14 (costos mnimos de cada fila) de cada elemento en cada una de las filas
correspondientes:
1 2 3 4
A 0 3 6 3
B 0 1 3 0
C 0 3 3 2
D 0 2 4 2
pg. 61
En la matriz anterior trazamos el menor nmero de lneas (3), de manera tal que cubran todos los ceros
(Mtodo de Flood):
1 2 3 4
A 0 3 3 3
B 0 0 0 0
C 0 2 0 2
D 0 1 1 2
En la matriz anterior trazamos el menor nmero de lneas (3), de manera tal que cubran todos los ceros
(Mtodo de Flood):
1 2 3 4
A 0 2 3 2
B 1 0 1 0
C 0 1 0 1
D 0 0 1 1
Solucin ptima Unica:A-1, B-4, C-3 y D-2.Lo anterior quiere decir que Antonio va a laborar en la
mquina 1 (10 horas), Bernardo en la mquina 4 (12 horas), Carlos va a trabajar en la mquina 3 (12
horas) y Diego en la mquina 2 (16 horas).
La combinacin ptima de los recursos para este problema de minimizacin de asignacin es de 50
horas, resultantes de adicionar las asignadas a cada uno de los operarios en cada una de las mquinas.
Dicho valor corresponde al valor ptimo de la funcin objetivo.
pg. 62
Actividad
1. Una fbrica dispone de cuatro obreros para completar cuatro trabajos. Cada obrero slo
puede hacer uno de los trabajos. El tiempo que requiere cada obrero para completar
cada trabajo se da a continuacin:
Tiempo Trabajo 1 Trabajo 2 Trabajo 3 Trabajo 4

requerido por
obreros
Obrero 1 14 5 8 7
Obrero 2 2 12 6 5
Obrero 3 7 8 3 9
Obrero 4 2 4 6 10
La fbrica desea minimizar el tiempo total dedicado a los cuatro trabajos.

a) Formular un modelo que determine la mejor asignacin de los obreros.
2. Un pequeo taller arma dispositivos mecnicos, ya sea como un producto terminado

que entrega al mercado, o como un proceso intermedio para entregar a una gran fbrica.
Trabajan 3 personas en jornadas de 40 horas semanales. Dos de estos obreros no
calificados reciben $0.4 por hora, y el tercero, un obrero calificado, recibe $0.6 por hora.
Los tres estn dispuestos a trabajar hasta 10 horas adicionales a la semana con un
salario 50% superior durante este perodo.
Los costos fijos semanales son de $800. Los gastos de operacin variables son de $1.0
por hora de trabajo de obrero no calificado y $2.4 por hora de obrero calificado. Los
dispositivos mecnicos sin acabar son vendidos a la planta a $6.5 cada uno. El taller
tiene un contrato bajo el cual debe entregar 100 de estos dispositivos semanalmente a
la empresa. El dueo del taller tiene como poltica el producir no ms de 50 dispositivos
a la semana por sobre el contrato.
Los dispositivos terminados se venden a $15 cada uno sin restricciones de mercado.
Se requieren 0.5 horas de obrero no calificado y 0.25 horas de obrero calificado para
producir un dispositivo sin acabar listo para entregar a la empresa. Uno de estos
dispositivos puede ensamblarse y dejarlo terminado agregndole 0.5 horas de
trabajador calificado.
Un dispositivo acabado listo para entregar al mercado se puede producir con 0.6 horas
de obrero no calificado y 0.5 horas de obrero calificado. Plantear el modelo de
programacin lineal que permita responder la consulta: cmo y cunto producir para
cumplir el contrato de modo de maximizar las utilidades?
3. El gestor de un hospital debe planificar el horario de los trabajadores del mismo.

Determnese el coste mnimo de personal para el hospital sabiendo que
a. La jornada laboral consta de 3 turnos.
b. En cada turno ha de haber al menos 1 medico, 3 enfermeras y 3 auxiliares de clnica.
c. El nmero mximo de empleados que se requiere en cada turno es 10.
d. Los salarios son los siguientes: 50 dlares/turno para un medico, 20 dlares/turno
para un enfermero, y 10 dlares/turno para un auxiliar de clnica.
e. El nmero total de empleados es: 15 mdicos, 36 enfermeras, y 49 auxiliares de
clnica.
f. Cada empleado debe descansar al menos dos turnos consecutivos.
pg. 63
4. Una empresa tiene un trabajo compuesto de 5 mdulos para ser desarrollado por 5
programadores, se desea que cada mdulo sea desarrollado por un solo programador y
que cada programador desarrolle un solo mdulo. Debido a los diferentes grados de
dificultad de los mdulos y a las diferencias individuales de los programadores, el tiempo
(en das) que ellos emplean es diferente y se da en la siguiente tabla:
MODULOS PROGRAMADORES
A B C D E
Mdulo 1 2 4 4 3 6
Mdulo 2 2 6 5 4 6
Mdulo 3 5 6 5 3 7
Mdulo 4 3 5 7 2 4
Mdulo 5 8 5 6 2 1
a) Determine la asignacin ptima de modo de minimizar el tiempo total
b) Para cundo debe comprometerse a entregar el trabajo
c) Cmo sera la formulacin si un programador puede desarrollar ms de un
mdulo?
a) Cul es la opcin que ms le conviene hacer a la empresa?
a. Si la utilidad unitaria de las sillas disminuye a $16, Cmo se afecta a la solucin

ptima y el objetivo?
pg. 64
CUARTA UNIDAD
Tema N 7: ADMINISTRACIN DE PROYECTOS PERT/CPM
7.1 Introduccin
En muchas situaciones los administradores son responsables de planear, programar y
controlar proyectos compuestos de numerosas actividades, tareas, y complejos
procesos. Estos pueden variar en un rango de menor a mayor complejidad en relacin
directa al monto de la inversin, en esta ltima se hace difcil coordinar la duracin, su
presupuesto, la precedencia todas las actividades.
La existencia de mtodos cuantitativos muy relacionados entre s como el PERT y el CPM
asisten eficazmente al administrador de proyectos. En esa oportunidad la variedad de
las utilidades de estas dos tcnicas solo se estudiaran aquellas orientados a la
mercadotecnia como:
- Investigacin y desarrollo de nuevos productos
- Conduccin de una campaa publicitaria
- Capacitacin a la fuerza de ventas
- Asesora y consultora en marketing
- Disear o modificar procesos productivos complejos
El origen de estas tcnicas se debi a la complejidad de las tareas y actividades a
desarrollar en mega proyectos donde decenas, centenas y millares de actividades en el
campo militar eran necesarias planear, programa y controlar. Un factor que complica el
trmino a una fecha determinada de tales actividades es la interdependencia de las
mismas, por ejemplo: Algunas actividades dependen de la terminacin de otras antes
de que puedan iniciarse. Los proyectos pueden llegar a varios miles de tareas o
actividades por lo que los administradores de proyectos buscan procedimientos a
responder a algunas interrogantes como:
1. De qu modo puede desplegarse el proyecto en forma grfica para visualizar
mejor el flujo de actividades?
2. Cul es el tiempo total para terminar el proyecto?
3. Cules son las fechas programadas de inicio y trmino para cada una de las
actividades?
4. Cules son las actividades cuello de botella denominadas actividades crticas?,
dnde deben evitarse los retrasos?
5. Dada la incertidumbre al estimar con precisin las duraciones de las actividades
Cul es la probabilidad de terminar el proyecto a la fecha programada?
6. Si se gasta dinero adicional para acelerar el proyecto o para evitar penalidades
por la demora en la entrega o finalizacin del proyecto. Cul es la forma menos
costosa de intentar cumplir con el tiempo programado?
En toda actividad a realizar se requieren conocimientos precisos y claros de lo que se
va a ejecutar, de su finalidad, viabilidad, elementos disponibles, capacidad financiera,
etc. Esta etapa aunque esencial para la ejecucin del proyecto no forma parte del
mtodo. Es una etapa previa que se debe desarrollar separadamente y para la cual
tambin puede utilizarse el Mtodo del Camino Critico. Es una investigacin de objetivos,
mtodos y elementos viables y disponibles.
De modo que el PERT CPM, es un instrumento de direccin vlido para obtener la
seguridad en la planificacin y control y es aplicable en todos los niveles de complejidad,
desde los problemas simples y de corto plazo, hasta el ms complicado y de largo
alcance.
pg. 65
7.2 Procedimiento para trazar un modelo de red

Para aplicar CPM o PERT se requiere conocer la lista de actividades que incluye un
proyecto. Se considera que el proyecto est terminado cuando todas las actividades han
sido completadas. Para cada actividad, puede existir un conjunto de actividades
predecesoras que deben ser completadas antes de que comience la nueva actividad. Se
construye una malla o red del proyecto para graficar las relaciones de precedencia entre
las actividades. En dicha representacin grfica, cada actividad es representada como
un arco y cada nodo ilustra la culminacin de una o varias actividades.
Consideremos un proyecto que consta de solo dos actividades A y B. Supongamos que
la actividad A es predecesora de la actividad B. La representacin grfica de este
proyecto se muestra en la figura. As, el nodo 2 representa la culminacin de la actividad
A y el comienzo de la actividad B.
A B
1 2 3
Si suponemos ahora que las actividades A y B deben ser terminadas antes que una
actividad C pueda comenzar, la malla del proyecto queda como se muestra en la figura2.
En este caso, el nodo representa que las actividades A y B se han terminado, adems
del inicio de la actividad C. Si la actividad A fuera predecesora de las actividades B y C,
la red quedara como se muestra.
A
1
2 C B
Proyecto de tres actividades
Dado un conjunto de actividades y sus relaciones de predecesoras, se puede construir

una representacin grfica de acuerdo a las siguientes reglas:
El nodo 1 representa el inicio del proyecto. Por lo tanto, las actividades que
parten del nodo 1 no pueden C tener predecesoras.
El nodo Terminal o final del proyecto debe representar el trmino de todas las
actividades incluidas en la red.
Una actividad no puede ser representada por ms de un arco en la red.
Dos nodos deben estar conectados por a lo ms un arco.
Para no violar las reglas 3 y 4, a veces es necesario introducir una actividad artificial
o dummy que posee tiempo de duracin nulo. Por ejemplo, supongamos que las
actividades A y B son predecesoras de la actividad C y adems comienzan al mismo
tiempo. En este caso, una primera representacin podra ser la indicada en la figura 2.4.
Sin embargo, la red de la figura 3 viola la regla 4. Para corregir este problema, se
introduce una actividad artificial indicada con un arco segmentado en la figura
La red de la figura 4 refleja el hecho de que la actividad C tiene como predecesoras a A
y B, pero sin violar la regla 4. En otros casos, se deben agregar actividades artificiales
para no violar la regla 3.
1 2
B C
A y B predecesoras de C
pg. 66
Razones para usar actividades ficticias:

a) Para evitar que dos o ms actividades tengan el mismo Evento inicial y final y
b) Para representar relaciones de precedencia que de otra manera no pueden ser
representadas. Una red bien debe contener el mnimo necesario de este tipo de
actividades.
pg. 67
7.3 Pasos en el planeamiento del proyecto del CPM

a) Especifique las actividades individuales
De la estructura de la interrupcin del trabajo, un listado se puede hacer de todas
las actividades en el proyecto. Este listado se puede utilizar como la base para
agregar la informacin de la secuencia y de la duracin en pasos ms ltimos.
b) Determine la secuencia de las actividades
Algunas actividades son dependientes en la terminacin de otras. Un listado de los
precursores inmediatos de cada actividad es til para construir el diagrama de la
red del CPM.
c) Dibuje el diagrama de la red
Una vez que se hayan definido las actividades y el su ordenar, el diagrama del CPM
puede ser dibujado. El CPM fue desarrollado originalmente como actividad en red
del nodo (AON), pero algunos planificadores del proyecto prefieren especificar las
actividades en los arcos.
d) Estime la poca de la terminacin para cada actividad
El tiempo requerido para terminar cada actividad se puede estimar usando
experiencia previa o las estimaciones de personas bien informadas. El CPM es un
modelo determinista que no considera la variacin en el tiempo de la terminacin,
tan solamente un nmero se utiliza para la estimacin del tiempo de una actividad.
e) Identifique la trayectoria crtica (la trayectoria ms larga a travs de la red)
La trayectoria crtica es la trayectoria de larga duracin a travs de la red. La
significacin de la trayectoria crtica es que las actividades que intervienen en ella
no se pueden retrasar sin retrasar el proyecto. Debido a su impacto en el proyecto
entero, el anlisis de trayectoria crtica es un aspecto importante del planeamiento
del proyecto. La trayectoria crtica puede ser identificada determinando los cuatro
parmetros siguientes para cada actividad:
ES, Principio temprano.
EF, principio tardo.
LS, terminacin temprana.
LF, terminacin tarda.
La poca floja para una actividad es el tiempo entre su hora de salida ms temprana
y ms ltima, o entre su tiempo ms temprano y ms ltimo del final. La holgura
es la cantidad de tiempo que una actividad se puede retrasar ms all de su
comienzo ms temprano o final ms temprano sin retrasar el proyecto.
La trayectoria crtica es la trayectoria a travs de la red del proyecto en la cual
ningunas de las actividades tienen holgura, es decir, la trayectoria para la cual
ES=LS y EF=LF para todas las actividades en la trayectoria. Retrasa en la
trayectoria crtica retrasa el proyecto. Semejantemente, acelere el proyecto que es
necesario reducir el tiempo total requerido para las actividades en la trayectoria
crtica.
f) Ponga al da el diagrama del CPM
Pues progresa el proyecto, los tiempos reales de la terminacin de la tarea sern
sabidos y el diagrama de la red se puede poner al da para incluir esta informacin.
Una trayectoria crtica nueva puede emerger, y los cambios estructurales se pueden
realizar en la red si los requisitos del proyecto cambian.
g) Limitaciones del CPM
El CPM fue desarrollado para el complejo pero los proyectos bastante rutinarios con
incertidumbre mnima en los tiempos de la terminacin del proyecto. Para menos
proyectos de la rutina hay ms incertidumbre en los tiempos de la terminacin, y
lmites de esta incertidumbre la utilidad del modelo determinista del CPM. Una
alternativa al CPM es el modelo del planeamiento del proyecto del PERT, que permite
que una gama de duraciones sea especificada para cada actividad.
pg. 68
Ejemplo: Construccin de un Complejo Deportivo

La universidad del Estado est considerando construir un complejo atltico de sus
mltiples dentro de su campo. El complejo proveer un gimnasio para juegos inter-
universidades, espacio de oficinas, salones de clases y todos los servicios necesarios
dentro de l. Las actividades que sern emprendidas antes de su construccin se
muestran, con la informacin necesaria, a continuacin:
Actividades
Actividad Descripcin Duracin
Precedentes
A Estudios del sitio para la construccin ------ 6

B Desarrollo del diseo inicial ------ 8
C Obtener aprobacin de las instancias A,B 12
superiores
D Seleccionar al arquitecto C 4
E Establecer el presupuesto C 6
F Finalizar el diseo D,E 15
G Obtener financiamiento E 12
H Contratar al constructor F,G 8
7.4. Utilidad de las tcnicas PERT y CPM

El PERT/CPM fue diseado para proporcionar diversos elementos tiles de
informacin para los administradores del proyecto.
a) Expone la "ruta crtica" de un proyecto. Estas son las actividades que limitan la
duracin del proyecto. En otras palabras, para lograr que el proyecto se realice
pronto, las actividades de la ruta crtica deben realizarse pronto. Por otra parte,
si una actividad de la ruta crtica se retarda, el proyecto como un todo se retarda
en la misma cantidad. Las actividades que no estn en la ruta crtica tienen una
cierta cantidad de holgura; esto es, pueden empezarse ms tarde, y permitir
que el proyecto como un todo se mantenga en programa.
b) Identifica estas actividades y la cantidad de tiempo disponible para retardos.
c) Considera los recursos necesarios para completar las actividades. En muchos
proyectos, las limitaciones en mano de obra y equipos hacen que la
programacin sea difcil.
pg. 69
d) Identifica los instantes del proyecto en que estas restricciones causarn

problemas y de acuerdo a la flexibilidad permitida por los tiempos de holgura de
las actividades no crticas, permite que el gerente manipule ciertas actividades
para aliviar estos problemas.
e) Proporciona una herramienta para controlar y monitorear el progreso del
proyecto. Cada actividad tiene su propio papel en ste y su importancia en la
terminacin del proyecto se manifiesta inmediatamente para el director del
mismo. Las actividades de la ruta crtica, permiten por consiguiente, recibir la
mayor parte de la atencin, debido a que la terminacin del proyecto, depende
fuertemente de ellas. Las actividades no crticas se manipularan y remplazaran
en respuesta a la disponibilidad de recursos.
Simplemente hablando, el PERT-CPM es una tcnica de planificacin y un instrumento
de control de la direccin que utiliza la teora de la Red. Una vez definidas las varias
actividades que componen el proyecto, se forma con ellos la Red, mostrando la
sucesin de las actividades en secuencia lgica y el grado de interdependencia entre
ellas. Se estima el tiempo de duracin asociado a cada actividad, y se determinan las
partes crticas del proyecto La Red es el mapa, la representacin grfica de la
organizacin interna del proyecto.
7.5. Programacin de proyectos

Una vez elaborado el diagrama queda clara la secuencia de actividades y se puede
pasar a la programacin de las mismas. Para ello, es necesario conocer las
duraciones de las distintas actividades. Generalmente, stas no se pueden fijar con
exactitud, ya que son muchos los factores de carcter aleatorio que estn relacio-
nados con ellas. Sirva de ejemplo la actividad escribir un informe: nos podra
decir qu tiempo tardada usted? Suponemos que la respuesta sera algo parecido a
depende. El PERT aborda este problema evaluando la duracin de una actividad
a partir de tres estimaciones:
a) Duracin optimista: que representa el tiempo mnimo en que podra ejecutarse la
actividad si todo marchara excepcionalmente bien, no producindose ningn
contratiempo durante la fase de ejecucin. Se considera que la probabilidad de
poder finalizar la actividad en esta duracin no es Superior al 1 por 100.
b) Duracin ms probable, o estimacin modal, que es el tiempo que, normalmente,
se emplear en ejecutar la actividad; en el caso de que dicha tarea se hubiera
realizado varias veces, sera la duracin con mayor frecuencia de aparicin.
c) Duracin pesimista, que representa el tiempo mximo en que se podra ejecutar la
actividad si todas las circunstancias que influyen en su duracin fueran totalmente
desfavorables su probabilidad se considera, como mximo, del 1 por 100.
7.6. Ventajas del PERT y CPM

a) Ensea una disciplina lgica para planificar y organizar un programa detallado
de largo alcance.
b) Proporciona una metodologa estndar de comunicar los planes del proyecto me-
diante un cuadro de tres dimensiones (tiempo, personal; costo).
c) Identifica los elementos (segmentos) ms crticos del plan, en que problemas
potenciales puedan perjudicar el cumplimiento del programa propuesto.
d) Ofrece la posibilidad de simular los efectos de las decisiones alternativas o
situaciones imprevistas y una oportunidad para estudiar sus consecuencias en
relacin a los plazos de cumplimiento de los programas.
e) Aporta la probabilidad de cumplir exitosamente los plazos propuestos.
pg. 70
En otras palabras: CPM es un sistema dinmico, que se mueve con el progreso del
proyecto, reflejando en cualquier momento el STATUS presente del plan de accin.
El administrador de proyectos no tiene por qu saber el manejo matemtico de las
herramientas de planeacin que muchas veces es complicado, pero es fundamental
saber los conceptos, el Por qu? y Cundo? usar cada tcnica, y como sacar provecho
de los resultados de las mismas para la toma de decisiones
Las tcnicas de planificacin por redes son nicas en su forma, especialmente por lo
que respecta a los conceptos de la ruta crtica. Los conceptos relativos a nivelacin de
cargas, costo mnimo y programacin de recursos limitados han aportado una base
racional a una direccin de proyectos que se apoya en planes amplios cuidadosamente
tratados. Se puede decir que los planes se derivan del anlisis de diversas alternativas
sobresalientes. Estando basados en la computadora, se pueden aplicar a sistemas muy
grandes. Son flexibles, de manera que se pueden modificar cuando as lo aconseje la
experiencia.
Una vez establecidas la red de actividades, la ruta crtica y los datos estadsticos del
programa se tiene un plan de proyecto. De la informacin se puede extraer datos
adicionales con respecto a la demanda de recursos del programa inicial; es posible la
formulacin de programas alternativos, con el fin de nivelar las cargas. La distribucin
del tiempo que se supone para la actividad se define por tres estimados, (estimado de
tiempo probable, tiempo optimista, tiempo pesimista) tomado en cuenta que el tiempo
de terminacin del proyecto es la suma de todos los tiempos esperados de las
actividades sobre la ruta crtica, de ese modo se sabe que las distribuciones de los
tiempos de las actividades son independientes y la varianza del proyecto es la es la
suma de las varianzas de las actividades en la ruta crtica.
Mientras que el CPM y PERT son esencialmente lo mismo, sus matices hacen cada uno
aplicable ms que el otro en situaciones diferentes. En ambos mtodos la informacin
esencial deseada es la ruta crtica y las holguras. Estas, le permiten al director del
proyecto hacer decisiones con base a informacin, basado en el principio de
administracin por excepcin, sobre los planes y proyectos del trabajo actual y
monitorear el progreso del proyecto.
7.7. Pasos en el mtodo PERT (Program Evaluation and Review Technique)

En CPM se asume que la duracin de cada actividad es conocida con certeza.
Claramente, en muchas ocasiones este supuesto no es vlido. PERT intenta
corregir este error suponiendo que la duracin de cada actividad es una variable
aleatoria. Para cada activad, se requiere estimar las siguientes cantidades:
a=Tiempo Optimista. Duracin de la actividad bajo las condiciones ms

favorables
b=Tiempo Pesimista. Duracin de la actividad bajo las condiciones ms
desfavorables
m=Tiempo Normal. El valor ms probable de la duracin de la actividad.
La forma de la distribucin se muestra en la figura, tiempo ms probable es el

tiempo requerido para completar la actividad bajo condiciones normales. Los
tiempos optimistas y pesimistas proporcionan una medida de la incertidumbre
inherente en la actividad, incluyendo desperfectos en el equipo, disponibilidad de
mano de obra, retardo en los materiales y otros factores.
pg. 71
7.8. Asignacin de tiempos

Es necesario estimar los tiempos de las tareas incluidas en la red. Para ello se
podr disponer de sistemas de estudio y medicin del trabajo, de estadsticas
histricas o de datos de ejecucin de tareas iguales, similares o comparables.
Cuando mencionamos las diferencias entre CPM y PERT, dijimos que para el
primero, la determinacin de tiempo de cada una de las tareas es estimada
mientras que para el segundo la determinacin es probabilstica. Es decir, la
tcnica PERT hace un uso explcito de la teora de la probabilidad mientras que en
el CPM es intuitivo.
Sintetizando, el mtodo PERT utiliza tres distintas estimaciones de tiempo, que se
aplican al caso de planes desarrollados para aplicaciones no tradicionales, en que
existe un desconocimiento total de la duracin de una actividad:
Estimaciones optimistas (to): duracin mnima en que la tarea puede ser
finalizada.
Estimacin pesimista (tp): duracin mxima en que la tarea puede ser
totalizada.
Estimacin ms probable (tm): representa el valor ms probable, es decir el
de mayor frecuencia, o sea, la moda.
Con estos tiempos, podemos obtener el tiempo esperado (te) bajo la siguiente
frmula:
+ 4 +
=
6
La ventaja de tener tres estimaciones de los tiempos de cada actividad es que
puede calcularse la dispersin de los tiempos y puede utilizarse esta informacin
para evaluar la incertidumbre de que el proyecto se termine de acuerdo con el
programa.
Clculos bsicos:
La siguiente parte del proceso, que es la determinacin de los tiempos en cada
actividad.
Lo primero que tendramos que hacer es calcular el tiempo ms temprano de iniciacin
de cada actividad (ES), que est determinado por el tiempo de terminacin de las
actividades predecesoras a esta.
pg. 72
El tiempo ms temprano de terminacin de una actividad (EF) es igual al tiempo ms

temprano de inicio de dicha actividad (ES) ms el tiempo esperado de la actividad (t),
es decir:
EF = ES + t
Regla de tiempo de ES El tiempo ms temprano de inicio de una actividad (ES) es

igual al ms tardo de los tiempos ms tempranos de terminacin de las actividades
predecesoras.
Por otro lado, el ES de una actividad sin predecesores es 0.
Una vez terminado este proceso (conocido como proceso hacia adelante), haremos el
proceso hacia atrs, el cual nos servir para determinar los tiempos ms tardos de
inicio y terminacin de cada una de las actividades.
Como su nombre lo dice, esta parte del proceso es hacia atrs ya que iniciamos
calculando el tiempo ms tardo de terminacin (LF) de la ltima actividad, que es igual
al tiempo ms temprano de terminacin (EF) de esta misma actividad (que es el mismo
del proyecto).
El tiempo ms tardo de inicio (LS) de cada actividad es igual al tiempo ms tardo de
terminacin (LF) menos el tiempo esperado de la actividad (t), esto es:
LS = LF t
Regla de tiempo para LF El tiempo ms tardo de terminacin (LF) para una actividad
es igual al menor de los tiempos ms tardos de inicio (LS) de sus actividades sucesoras.
Una vez terminada esta actividad, ya podemos definir la ruta crtica, que es la formada
por las actividades crticas de la red. Las actividades crticas son aquellas que tienen un
tiempo de holgura igual a cero.
Tiempo de holgura = LS ES = LF EF
Resumen del procedimiento de diagramacin de red:

1. Identificar todas las actividades relacionadas con el proyecto
2. Determinar las relaciones de precedencia entre las actividades
3. Estimar el tiempo de terminacin de cada actividad
4. Elaborar la red del proyecto, mostrando las relaciones de precedencia
5. Con el proceso hacia delante calcular el tiempo ms temprano de inicio (ES) y
el tiempo ms temprano de terminacin (EF) de cada actividad
6. Con el proceso hacia atrs calcular el tiempo ms tardo de terminacin (LF) y
el tiempo ms tardo de inicio (LS) de cada actividad
7. Calcular el tiempo de holgura de cada actividad
8. Identificar la ruta crtica del proyecto
Una de las caractersticas de este modelo es el poder manejar la incertidumbre en los
pronsticos de tiempo para terminar las tareas
pg. 73
CONSIDERACIN DE LOS INTERCAMBIOS DE TIEMPO Y COSTO
Los desarrolladores originales de CPM dieron al administrador del proyecto la posibilidad

de agregar recursos a actividades seleccionadas para reducir el tiempo de terminacin
del proyecto. Los recursos aadidos (como ms trabajadores, tiempo extra y otros)
generalmente incrementan los costos del proyecto, por lo que la decisin de reducir los
tiempos de las actividades debe tomar en consideracin el costo adicional involucrado.
En efecto, el administrador del proyecto tiene que tomar una decisin que implica
negociar un tiempo ms reducido de actividad contra un costo adicional del proyecto.
La tabla siguiente define un proyecto de mantenimiento de dos mquinas que involucra
cinco actividades. Dado que la administracin ha tenido gran experiencia con proyectos
similares, se considera que los tiempos para las actividades de mantenimiento son
conocidos; por lo que se da una sola estimacin de tiempo para cada actividad.
El procedimiento para efectuar clculos de camino crtico para la red del proyecto de
mantenimiento es el mismo que utilizamos para determinar el camino crtico en las
redes tanto para el proyecto de expansin del Western Hills Shopping Center como para
el proyecto Porta-Vac. Efectuando los clculos de pase hacia adelante y pase hacia atrs
de la red obtuvimos el programa de actividades que aparece en la tabla.
Los tiempos de holgura cero, y por lo tanto el camino crtico, quedaron asociados con
las actividades A-B-E. La duracin del camino crtico, y por lo tanto el tiempo total
requerido para finalizar el proyecto, es de 12 das.
Tiempos de actividades apresuradas

Ahora suponga que los niveles actuales de produccin hacen imperativo terminar el
proyecto de mantenimiento en diez das. Observando la duracin del camino crtico de
la red (12 das) nos damos cuenta de que es imposible cumplir con el tiempo deseado
de finalizacin del proyecto a menos que podamos reducir algunos tiempos
seleccionados de actividad. Esta reduccin de los tiempos de actividad, que por lo
general se puede conseguir agregando recursos, se conocen como apresurar. Sin
embargo, los recursos aadidos asociados con tiempos de actividad de apresuramiento
pg. 74
generalmente dan como resultado costos agregados del proyecto, por lo que
requeriremos identificar las actividades cuyo apresuramiento cuesta menos y a
continuacin apresurar esas actividades nicamente lo necesario para cumplir con el
tiempo deseado de finalizacin del proyecto.
Para determinar simplemente dnde y cunto apresurar los tiempos de actividad,
necesitamos informacin sobre cunto se puede apresurar cada una de las actividades
y cunto cuesta este proceso de apresuramiento, por lo que debemos solicitar la
siguiente informacin:
1. Costo de la actividad bajo el tiempo de actividad normal o esperado
2. Tiempo para finalizar la actividad bajo un apresuramiento mximo (es decir,
el tiempo de actividad ms corto posible)
3. Costo de la actividad bajo apresuramiento mximo.
Actividad
PROBLEMAS PROPUESTOS DE PROGRAMACIN DE PROYECTOS

1. Corporacin de Alimentos S.A. fabrica y distribuye diversos productos alimenticios que
se venden a travs de tiendas de abarrotes y supermercados. La empresa recibe
pedidos directamente de cada una de las tiendas individuales: un pedido tpico solicita
la entrega de varias cajas de bienes que abarcan entre 20 a 50 productos diferentes,
Bajo la operacin actual del almacn de la empresa, los almaceneros despachan
personalmente seleccionando los pedidos llevndolos al rea de embarque. Debido a
los elevados costos de la mano de obra y a la relativa baja productividad de la seleccin
manual de pedidos, la administracin ha decidido automatizar la operacin del
almacn instalando un sistema de seleccin de pedidos controlado por computadora,
junto con un sistema de banda o faja transportadora para mover los productos del
rea de almacenaje a la rea de embarque.
El gerente de logstica de la Corporacin fue designado administrador del proyecto
encargado del sistema automatizado. Despus de consultar con el rea de ingeniera
y de administracin se ha realizado una listado actividades y los tiempos de las
mismas, las que son:
Act Descripcin Precedente Te
A Determinar necesidades del equipo - 4
B Obtener cotizaciones de los proveedores - 6
C Seleccionar proveedor A, B 2
D Disear el sistema de pedidos C 8
E Disear nueva disposicin fsica del almacn C 7
F Acondicionar el almacn E 4
G Disear interface con la computadora C 4
H Realizar el interface de la computadora D, F, G 4
I Instalar sistema D, F 4
J Capacitar a los operadores del sistema H 3
K Probar el sistema I, J 2
Se desea conocer: El grafico del proyecto indicando su duracin y el / los caminos

critico/s
pg. 75
2. Un empresario que se dedica a la venta de cueros y suelas ha decidido incursionar en

la fabricacin de calzados y propone para la puesta en marcha de su proyecto de
inversin, las siguientes actividades hasta el inicio de sus operaciones fabriles y le ha
dado un plazo de 6 semanas para terminar la implementacin.
(Emplea a su sobrino para administrar implementar y ejecutar- el proyecto ya que
no desea tener desavenencias con clientes de su tienda de cueros y suelas que son
fabricantes de calzados)
Actividad Precedente Duracin (das)

A E 4
B - 10
C D, E, F 3
D A, B 16
E - 5
F H 10
G H 12
H A, B 15
I C, G 7
Se desea conocer:
a. Grfico de las actividades
b. Las actividades crticas (camino crtico)
c. Puede asegurarse en las condiciones actuales terminar el proyecto en 42
das?
d. A su criterio qu debera realizarse para cumplir con el plazo previsto?
3. En un proyecto de inversin las actividades que se desarrollaran son las siguientes:
Act. Descripcin Precedente Duracin (das)

A Acondicionar los puntos de venta - 12
B Contratar vendedoras A 6
C Instruir vendedoras B 13
D Seleccionar agencia de publicidad A 3
E Planear campaa de publicidad D 7
F Dirigir campaa de publicidad E 17
G Disear etiqueta (de especificaciones) - 3
H Fabricar etiqueta G 14
I Colocar etiqueta a stocks iniciales H, J 8
J Especificar lotes al fabricante - 15
K Seleccionar distribuidores A 13
L Vender a los distribuidores C, K 11
M Enviar mercadera a los distribuidores I, L 9
pg. 76
Se desea conocer:
a. Cul es el menor nmero de das, necesarios para introducir al mercado el
nuevo producto?
b. Si se contratara vendedoras con experiencia y se elimina la actividad de
instruccin Qu sucedera con el plazo mnimo de terminacin del proyecto?
4. Antes de poder introducir un nuevo producto al mercado se deben realizar todas las
actividades que se muestran en la tabla (todos los tiempos estn en semanas).
Actividad Descripcin Predecesores a b m

A Diseo del producto - 2 10 6
B Estudio de mercado - 4 6 5
C Emitir ordenes de materiales A 2 4 3
D Recibir materiales C 1 3 2
E Construir prototipo A, D 1 5 3
F Desarrollo y promocin B 3 5 4
G Produccin masiva E 2 6 4
H Distribuir producto PDV G, F 0 4 2
Dibuje la malla del proyecto y determine la ruta crtica. Interprete sus resultados.
Realice un modelo de programacin lineal que permita determinar la duracin mnima
del proyecto.
5. Una empresa de micro finanzas de la ciudad de Huancayo desea abrir otra sucursal
en la ciudad de Ayacucho, la junta de accionistas ha puesto un plazo inflexible de 24
semanas para la apertura. El grupo analistas de sistemas y operaciones esta a cargo
de la planeacin, programacin y control de este proceso, cuidando de que todo se
desarrolle de acuerdo a lo planeado y que se cumpla con el plazo previsto.
La nueva sucursal es casi difcil aunque hay relativa experiencia en apertura de
otras sucursales, esta es sui gneris ya que se prev darle mayor autonoma para
tratar de ser centro de operaciones de otras sucursales que tambin planean abrir
en Andahuaylas, Puno y Cuzco.
Se debe elegir entre:
- Acondicionar un local cntrico de la ciudad
- Construir un nuevo local previamente derrumbar la construccin
antigua o
- Alquilar un piso de un edificio cntrico
- Determinar cuntos empleados de la sede central Huancayo se mudaran
a Ayacucho, cuantos se contratan y cuntos de ellos deben ser
capacitados
El grupo de sistemas y la oficina de planeamiento deben organizar e instrumentar
los procedimientos operativos y los desembolsos a seguir en cada actividad de la
apertura de la nueva sede.
pg. 77
Los arquitectos tienen que disear el espacio interior, el estilo de la tienda y contar
con la superficie suficiente, previamente el estudio de mercado ha determinado que
gradualmente se incrementara la cantidad de clientes.
Un segundo motivo de complicacin es que hay interdependencia de actividades
como por ejemplo:
No se puede amoblar las oficinas, no sin antes haberlas acabado y previamente
haberlas diseado.
Tampoco puede contratarse nuevos empleados mientras no se haya
determinado el requerimiento de personal.
Pasos a seguir:
Debe efectuarse un listado de actividades (no tareas) necesarias del proyecto,
estableciendo la relaciones de precedencia correspondiente.
Actividad Descripcin Precedente Tiempo

(semanas)
A Crear el plan financiero y de - 3
organizacin
B Elegir ubicacin de la sede - 5
C Determinar requerimiento d personal B 3
D Disear ambientes del local A, C 4
E Construir acondicionar el local D 8
F Determinar personal a trasladar de sede C 2
G Contratar nuevos empelados F 4
H Trasladar sistemas y personal clave F 2
I Probar sistemas y hacer ajustes B 5
financieros con central
J Entrenar nuevo personal H, E, G 3
K Apertura de nueva sede J 1
Se desea conocer: El grfico del proyecto indicando su duracin y el / los caminos

critico/s
pg. 78
QUINTA UNIDAD
Tema N 8: SISTEMA DE LNEA DE ESPERA
La teora de lneas de espera se origin en los trabajos de A. K. Erlang que principiaron

eh 1909. Experimento con un problema relacionado con la congestin del trfico
telefnico. Durante los periodos ocupados, los que pretendan hacer llamadas sufran
algunas demoras, porque las operadoras eran incapaces de atender las llamadas con la
rapidez con que se hacan. El problema original que trato Erlang fue el clculo de esa
demora para una operadora, y en 1917 los resultados se extendieron al caso de varias
operadoras. En ese ao Erlang public su obra muy conocida, Solutions of Some
Problems in the Theory of Probabilities of Significance in Automatic Telephone
Exchanges. Los adelantos en el campo del trfico telefnico continuaron generalmente
en el sentido iniciado por Erlang, y las publicaciones principales fueron las de Molina en
1927 y de Thornton D. Fry en 1928, pero solo fue hasta el fin de la Segunda Guerra
Mundial cuando esos trabajos se extendieron a otros problemas relacionados con lneas
de espera. Inicialmente, este captulo se concentrara en las derivaciones matemticas
de las frmulas de un problema de lneas de espera de un solo canal. Los modelos
matemticos para problemas de lneas de espera de canales mltiples, se darn sin
ninguna prueba matemtica. Se presentara el mtodo de Montecarlo, que bsicamente
es una tcnica de simulacin en la que se crean funciones estadsticas de distribucin,
usando una tabla de nmeros aleatorios. Se empleara para resolver problemas de lneas
de espera de un solo canal y de canales mltiples.
8.1 Modelo de formacin de colas.

En los problemas de formacin de cola, a menudo se habla de clientes, tales como
personas que esperan la desocupacin de lneas telefnicas, la espera de mquinas
para ser reparadas y los aviones que esperan aterrizar y estaciones de servicios, tales
como mesas en un restaurante, operarios en un taller de reparacin, pistas en un
aeropuerto, etc. Los problemas de formacin de colas a menudo contienen una
velocidad variable de llegada de clientes que requieren cierto tipo de servicio, y una
velocidad variable de prestacin del servicio en la estacin de servicio.
Cuando se habla de lneas de espera, se refieren a las creadas por clientes o por las
estaciones de servicio. Los clientes pueden esperar en cola simplemente porque los
medios existentes son inadecuados para satisfacer la demanda de servicio; en este
caso, la cola tiende a ser explosiva, es decir, a ser cada vez ms larga a medida que
transcurre el tiempo. Las estaciones de servicio pueden estar esperando por que los
medios existentes son excesivos en relacin con la demanda de los clientes; en este
caso, las estaciones de servicio podran permanecer ociosas la mayor parte del tiempo.
Los clientes puede que esperen temporalmente, aunque las instalaciones de servicio
sean adecuadas, porque los clientes llegados anteriormente estn siendo atendidos.
Las estaciones de servicio pueden encontrar temporal cuando, aunque las
instalaciones sean adecuadas a largo plazo, haya una escasez ocasional de demanda
debido a un hecho temporal. Estos dos ltimos casos tipifican una situacin equilibrada
que tiende constantemente hacia el equilibrio, o una situacin estable.
En la teora de la formacin de colas, generalmente se llama sistema a un grupo de

unidades fsicas, integradas de tal modo que pueden operar al unsono con una serie
de operaciones organizadas. La teora de la formacin de colas busca una solucin al
problema de la espera prediciendo primero el comportamiento del sistema. Pero una
solucin al problema de la espera consiste en no solo en minimizar el tiempo que los
clientes pasan en el sistema, sino tambin en minimizar los costos totales de aquellos
que solicitan el servicio y de quienes lo prestan.
pg. 79
La teora de colas incluye el estudio matemtico de las colas o lneas de espera y

provee un gran nmero de modelos matemticos para describirlas.
Se debe lograr un balance econmico entre el costo del servicio y el costo asociado
a la espera por ese servicio.
La teora de colas en s no resuelve este problema, slo proporciona informacin

para la toma de decisiones.
Objetivos de la Teora de Colas
Los objetivos de la teora de colas consisten en:
Identificar el nivel ptimo de capacidad del sistema que minimiza el coste

global del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la
capacidad del sistema tendran en el coste total del mismo.
Establecer un balance equilibrado (ptimo) entre las consideraciones
cuantitativas de costes y las cualitativas de servicio.
Hay que prestar atencin al tiempo de permanencia en el sistema o en la
cola: la paciencia de los clientes depende del tipo de servicio especfico
considerado y eso puede hacer que un cliente abandone el sistema.
8.2. Elementos existentes en un modelo de colas
Fuente de entrada o poblacin potencial: Es un conjunto de individuos (no

necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin.
Podemos considerarla finita o infinita. Aunque el caso de infinitud no es realista, s
permite (por extrao que parezca) resolver de forma ms sencilla muchas
situaciones en las que, en realidad, la poblacin es finita pero muy grande. Dicha
suposicin de infinitud no resulta restrictiva cuando, aun siendo finita la poblacin
potencial, su nmero de elementos es tan grande que el nmero de individuos que
ya estn solicitando el citado servicio prcticamente no afecta a la frecuencia con la
que la poblacin potencial genera nuevas peticiones de servicio.
pg. 80
Cliente: Es todo individuo de la poblacin potencial que solicita servicio. Suponiendo

que los tiempos de llegada de clientes consecutivos son 0<t1<t2<..., ser
importante conocer el patrn de probabilidad segn el cual la fuente de entrada
genera clientes. Lo ms habitual es tomar como referencia los tiempos entre las
llegadas de dos clientes consecutivos: T{k} = tk - tk-1, fijando su distribucin de
probabilidad. Normalmente, cuando la poblacin potencial es infinita se supone que
la distribucin de probabilidad de los Tk (que ser la llamada distribucin de los
tiempos entre llegadas) no depende del nmero de clientes que estn en espera de
completar su servicio, mientras que en el caso de que la fuente de entrada sea finita,
la distribucin de los Tk variar segn el nmero de clientes en proceso de ser
atendidos.
Capacidad de la cola: Es el mximo nmero de clientes que pueden estar haciendo

cola (antes de comenzar a ser servidos). De nuevo, puede suponerse finita o infinita.
Lo ms sencillo, a efectos de simplicidad en los clculos, es suponerla infinita.
Aunque es obvio que en la mayor parte de los casos reales la capacidad de la cola
es finita, no es una gran restriccin el suponerla infinita si es extremadamente
improbable que no puedan entrar clientes a la cola por haberse llegado a ese nmero
lmite en la misma.
Disciplina de la cola: Es el modo en el que los clientes son seleccionados para ser
servidos. Las disciplinas ms habituales son:
La disciplina FIFO (first in first out), tambin llamada FCFS (first come first served):
segn la cual se atiende primero al cliente que antes haya llegado.
La disciplina LIFO (last in first out), tambin conocida como LCFS (last come first
served) o pila: que consiste en atender primero al cliente que ha llegado el ltimo.
La RSS (random selection of service), o SIRO (service in random order), que

selecciona a los clientes de forma aleatoria.
Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los clientes

que lo solicitan. Para determinar totalmente el mecanismo de servicio debemos
conocer el nmero de servidores de dicho mecanismo (si dicho nmero fuese
aleatorio, la distribucin de probabilidad del mismo) y la distribucin de probabilidad
del tiempo que le lleva a cada servidor dar un servicio. En caso de que los servidores
tengan distinta destreza para dar el servicio, se debe especificar la distribucin del
tiempo de servicio para cada uno.
pg. 81
La cola, propiamente dicha, es el conjunto de clientes que hacen espera, es decir

los clientes que ya han solicitado el servicio pero que an no han pasado al
mecanismo de servicio.
El sistema de la cola: es el conjunto formado por la cola y el mecanismo de

servicio, junto con la disciplina de la cola, que es lo que nos indica el criterio de qu
cliente de la cola elegir para pasar al mecanismo de servicio. Estos elementos pueden
verse ms claramente en la siguiente figura:
Un modelo de sistema de colas debe especificar la distribucin de probabilidad de

los tiempos de servicio para cada servidor.
La distribucin ms usada para los tiempos de servicio es la exponencial, aunque es

comn encontrar la distribucin degenerada o determinstica (tiempos de servicio
constantes) o la distribucin Erlang (Gamma).
Notacin de Kendall
Por convencin los modelos que se trabajan en teora de colas se etiquetan
Las distribuciones que se utilizan son:
M: Distribucin exponencial (markoviana)

D : Distribucin degenerada (tiempos constantes)
E k : Distribucin Erlang
G : Distribucin general
pg. 82
Terminologa
Datos bsicos:
El nmero esperado de llegadas por unidad de tiempo se llama tasa media de

llegadas ()
El tiempo esperado entre llegadas es 1/
El tiempo esperado de servicio depende de la tasa media de servicio ()
El tiempo esperado de servicio equivale a 1/
Medidas del desempeo del sistema de colas:
Nmero esperado de clientes en la cola Lq

Nmero esperado de clientes en el sistema Ls
Tiempo esperado de espera en la cola Wq
Tiempo esperado de espera en el sistema Ws
Frmulas generales para las medidas del desempeo:
1
Ws Wq

Ls Ws
Lq Wq

Ls Lq

Factor de utilizacin del sistema:
Modelos de una cola y un servidor:
2
M/M/1: Lq
( )
2 2 2
M/G/1: Lq
2(1 )
2
M/D/1: Lq
2(1 )
2 (k 1)
M/Ek/1: Lq
2k (1 )
pg. 83
Modelos de varios servidores:
1
P0
s s 1 n
s

M/M/s: s! s n 0 n!
s
Lq P0
( s 1)!( s ) 2
3
Lq
4 2
M/M/2 y M/M/3:
4
Lq
(3 )(6 4 2 )
M/D/s
M/Ek/s
ANLISIS ECONMICO DE COLAS:
Costos
Costo
total
Costo del
servicio
Costo de
espera
Tasa ptima Tasa de
Caractersticas claves.
de servicio servicio
Existen dos clases bsicas de tiempo entre llegadas:
Determinstico, en el cual clientes sucesivos llegan en un mismo intervalo de tiempo,

fijo y conocido. Un ejemplo clsico es el de una lnea de ensamble, en donde los
artculos llegan a una estacin en intervalos invariables de tiempo (conocido como
ciclos de tiempo)
Probabilstico, en el cual el tiempo entre llegadas sucesivas es incierto y variable.

Los tiempos entre llegadas probabilsticos se describen mediante una distribucin de
probabilidad.
En el caso probabilstico, la determinacin de la distribucin real, a menudo, resulta

difcil. Sin embargo, una distribucin, la distribucin exponencial, ha probado ser
confiable en muchos de los problemas prcticos. La funcin de densidad, para una
distribucin exponencial depende de un parmetro, digamos (letra griega lambda),
y est dada por:
pg. 84
f(t)=(1/ )e - t
En donde l (lambda) es el nmero promedio de llegadas en una unidad de tiempo.
Con una cantidad, T, de tiempo se puede hacer uso de la funcin de densidad para
calcular la probabilidad de que el siguiente cliente llegue dentro de las siguientes T
unidades a partir de la llegada anterior, de la manera siguiente:
P(tiempo entre llegadas <=T)=1- e - t
El proceso de servicio.
El proceso de servicio define cmo son atendidos los clientes. En algunos casos,
puede existir ms de una estacin en el sistema en el cual se proporcione el servicio
requerido. Los bancos y los supermercados, de nuevo, son buenos ejemplos de lo
anterior. Cada ventanilla y cada registradora son estaciones que proporcionan el
mismo servicio. A tales estructuras se les conoce como sistemas de colas de canal
mltiple. En dichos sistemas, los servidores pueden ser idnticos, en el sentido en
que proporcionan la misma clase de servicio con igual rapidez, o pueden no ser
idnticos. Por ejemplo, si todos los cajeros de un banco tienen la misma experiencia,
pueden considerarse como idnticos.
Al contrario de un sistema de canal mltiple, considere un proceso de produccin

con una estacin de trabajo que proporciona el servicio requerido. Todos los
productos deben pasar por esa estacin de trabajo; en este caso se trata de un
sistema de colas de canal sencillo. Es importante hacer notar que incluso en un
sistema de canal sencillo pueden existir muchos servidores que, juntos, llevan a cabo
la tarea necesaria. Por ejemplo, un negocio de lavado a mano de automviles, que
es una sola estacin, puede tener dos empleados que trabajan en un auto de manera
simultnea
Otra caracterstica del proceso de servicio es el nmero de clientes atendidos al

mismo tiempo en una estacin. En los bancos y en los supermercados (sistema de
canal sencillo), solamente un cliente es atendido a la vez. Por el contrario, los
pasajeros que esperan en una parada de autobs son atendidos en grupo, segn la
capacidad del autobs que llegue.
Otra caracterstica ms de un proceso de servicio es si se permite o no la prioridad,

esto es puede un servidor detener el proceso con el cliente que est atendiendo
para dar lugar a un cliente que acaba de llegar? Por ejemplo, en una sala de urgencia,
la prioridad se presenta cuando un mdico, que est atendiendo un caso que no es
crtico es llamado a atender un caso ms crtico. Cualquiera que sea el proceso de
servicio, es necesario tener una idea de cunto tiempo se requiere para llevar a cabo
el servicio. Esta cantidad es importante debido a que cuanto ms dure el servicio,
ms tendrn que esperar los clientes que llegan. Como en el caso del proceso de
llegada, este tiempo pude ser determinstico o probabilstico. Con un tiempo de
servicio determinstico, cada cliente requiere precisamente de la misma cantidad
conocida de tiempo para ser atendido. Con un tiempo de servicio probabilstico, cada
cliente requiere una cantidad distinta e incierta de tiempo de servicio. Los tiempos
de servicio probabilsticos se describen matemticamente mediante una distribucin
de probabilidad. En la prctica resulta difcil determinar cul es la distribucin real,
sin embargo, una distribucin que ha resultado confiable en muchas aplicaciones, es
la distribucin exponencial.
En general, el tiempo de servicio puede seguir cualquier distribucin, pero, antes de
que pueda analizar el sistema, se necesita identificar dicha distribucin.
pg. 85
8.3. Casos de lneas de espera

En la teora de colas se estudian los procesos de llegada, tiempo en cola que pasa
el cliente, tiempo de servicio as como nmero de clientes que se encuentran. El
proceso de entrada se conoce por lo general como proceso de llegada, la llegada de
los clientes. Los modelos en los que las llegadas se toman de una poblacin
pequea se llaman modelos de origen finito. Ha servidores en paralelo como por
ejemplo los cajeros de un banco que estn organizados generalmente en paralelo,
el otro es servidores en serie en los cuales se debe de pasar por varios de ellos
antes de completar el servicio un ejemplo de esto son la lneas de ensamble.
La disciplina de cola es el mtodo que se usa para determinar el orden en que se
sirve a los clientes. La disciplina ms comn es la disciplina PLPS (primero en llegar
primero en ser servido), ULPS (ltimo en llegar primero en ser servido) este se
puede ejemplificar cuando alguien es el ltimo en subirse a un elevador lleno y el
primero que se baja, o sea el primero en ser servido. Disciplina SEOA (servicio en
orden aleatorio), DG disciplina general en la cola.
1. Naturaleza del proceso de llegada
2. Naturaleza de tiempos de servicio
3. Nmero de servidores en Paralelo
4. Disciplina de la cola
5. Nmero mximo de clientes en el sistema, incluyendo los que esperan y los que
estn en ventanilla.
6. Tamao de la poblacin de la cual se toman los clientes.
Donde:
1. puede ser M: exponencial, D: tiempos de llegada son idnticamente
determinstica. Ek: los tiempos entre llegadas son con distribucin de Erlang con
parmetro de forma k. GI: los tiempos de llegadas son idnticamente
determinsticos y estn gobernados por alguna distribucin general.
2. M, D, Ek, G: los tiempos de servicio son idnticamente determinsticas y siguen
alguna distribucin general.
3. PLPS, ULPS, SEOA, DG.
EJEMPLO 1
M/M/8/PLPS/10/ puede representar una clnica con 8 doctores (8) con tiempos
exponenciales de llegada y servicio (M/M/), la disciplina en la cola es el primero que
llega es el primero en ser servido (PLPS), y una capacidad de 10 pacientes (10) con una
poblacin infinita ().
SISTEMA DE COLAS M/M/1/DG//
En este sistema la tasa de llegada y servicio son exponenciales con 1 servidor, disciplina
general en la cola con infinitos clientes en el sistema y poblacin infinita.
= nmero promedio de llegas que entran por unidad de tiempo
= nmero de clientes que se atienden por unidad de tiempo
Lq = nmero promedio de clientes que esperan en la cola
Ls = nmero promedio de clientes en el sistema
Wq = tiempo promedio que pasa un cliente en la cola
Ws = tiempo promedio que pasa un cliente en el sistema
= factor de utilizacin
pg. 86

En estas definiciones, todos los promedios son para estado estable donde = <1, si

>1 es fcil ver por qu no puede existir distribucin de estado estable. Supongamos
=6 clientes por hora y que = 4 clientes por hora. Aun si el despachador estuviera
trabajando todo el tiempo, slo podra atender a 4 clientes por hora. As, el nmero
promedio de clientes en el sistema crecera al menos en 6 4 =2 clientes por hora. Esto
significa que despus de mucho tiempo, el nmero de clientes que hay explotara y
no podra existir distribucin de estado estable. Entonces para cualquier sistema de
colas en el que exista una distribucin de estado estable, se cumplen las siguientes
ecuaciones
Lq = .Wq; Ls = .Ws
EJEMPLO 2
A un cajero para automovilistas, slo llega un promedio de 10 vehculos por
hora. Suponga que el tiempo promedio de servicio para cada cliente es de 4
minutos, y que los tiempos entre llegadas y los de servicio son exponenciales.
Conteste las siguientes preguntas.
a) Cul es la probabilidad de que el cajero se encuentre vaco?
b) Cul es el nmero promedio de automviles que esperan en la cola su turno?,
se considera que un vehculo que est ocupando el cajero, no est en la cola
esperando.
c) Cul es el tiempo promedio que un cliente pasa en el estacionamiento del banco,
incluyendo el tiempo en el servicio?
d) En promedio, Cuntos clientes por hora sern atendidos por el cajero
automtico?
Solucin:
Identificamos el modelo M/M/1/DG//, ya que no especifica la cantidad de clientes en
el sistema ni la poblacin asumimos infinito, y se coloca una disciplina general.
Identificamos = 10 vehculos/hora y =4 minutos/hora, lo primero que hay que fijarse
es que no estn en las misma unidades entonces la colocamos en vehculos por hora
si atiende 1 vehculo en 4 minutos entonces atender 15 en una hora por lo tanto =15
vehculos/hora. RECORDARSE SIEMPRE EN LAS MISMA UNIDADES.
a. La probabilidad de que el cajero se encuentre vaci es Po = 1- ;
10 2
== = = 0.667, entonces Po =1-0.667 = 0.33, por lo tanto el cajero estar
15 3
vaci el 33% del tiempo.
2 0.6672
b. = 1 = 10.667 = 1.33
c. Ahora buscamos Ws que es el tiempo total de todo el sistema.

2 1
= = = = 12
10 5
d. Si el cajero estuviera ocupado siempre, podra atender 15 clientes por hora. Pero
sabemos que solo se est ocupado 0.67 del tiempo. As que durante cada hora
llegaran 0.67 (15)=10 clientes. El valor de 0.67 se obtiene de 1-Po, que es el
tiempo que est ocupado.
EJEMPLO 3.
Supongamos que todos los propietarios de automviles llenan sus tanques de gasolina
cuando estn exactamente a la mitad, En la actualidad, llega un promedio de 7.5 clientes
por hora a una gasolinera que tiene una sola bomba surtidora. Se necesita un promedio
pg. 87
de 4 minutos para atender un automvil. Suponga que tanto los tiempos entre llegadas
como los tiempos de servicio son exponenciales.
a) Para el caso actual, calcule L y W
b) Suponga que se presenta escasez de gasolina y que hay compras de pnico. Para
modelar este fenmeno, suponga que todos los propietarios de automvil
compran gasolina cuando sus tanques les falta exactamente partes. Como
cada conductor pone menos gasolina al tanque durante cada visita a la
gasolinera, suponga que el tiempo promedio de servicio se ha reducido a 3.33
minutos Cmo afecto la compra de pnico a L y a W?
Solucin:
a) Al identificar el sistema observamos que es M/M/1/DG// con =7.5 vehculos
/hora y =15 vehculos por hora. Primero encontramos =7.5/15=0.50, ntese
que aqu se hace conversin porque tiene diferentes unidades. Teniendo
logramos obtener L = / (1-) = 0.50 / (1-0.5) = 1 , luego obtenemos :
W = L/ = 1/7.5 = 0.13 horas. Con estos resultados podemos observar que todo
est bajo control y son improbables las largas colas.
b) Con la segunda opcin tenemos el mismo sistema M/M/1/DG// con
=2(7.5)=15 vehculos por hora, se preguntar porque por 2 y es dado que el
cliente llenar con doble de frecuencia su tanque porque ahora no estar a la
mitad sino que 3/4, y visitara la gasolinera cada vez que se haya gastado 1/4 de
tanque. Y es igual a 60/3.33 = 18 vehculos por hora donde =15/18=5/6.
Con los datos utilizamos las ecuaciones: L= (5/6) /(1-5/6) =5 automviles y
W = 5/15 =1/3 horas = 20minutos.
Ya comparando se ve que las compras de pnico han originado colas mas largas
y tiempos ms largos en el sistema.
EJEMPLO 4.
En una aerolnea se debe revisar cada pasajero, as como su equipaje, para ve si trae
armas. Suponga que al aeropuerto Internacional La Aurora llega un promedio de 10
pasajeros/minuto. Los tiempos entre llegadas son exponenciales. Para revisar a los
pasajeros, el aeropuerto debe tener una estacin que consiste en un detector de metales
y una mquina de rayos X para el equipaje. Cuando est trabajando la estacin se
necesitan dos empleados. Una estacin puede revisar un promedio de 12 pasajeros/min.
Con la hiptesis que el aeropuerto slo tiene una estacin de verificacin, responda las
siguientes preguntas.
a. Cul es la probabilidad de que un pasajero tenga que esperar para ser revisado?
b. En promedio, Cuntos pasajeros esperan en la cola para entrar a la estacin?
c. En promedio, Cunto tiempo pasar el pasajero en la estacin de verificacin?
Solucin:
Primero identificamos el modelo M/M/1/DG// donde existe un servidor, en
el problema puede confundirse pensando que son dos servidores porque hay
dos empleados trabajando, pero NO es as ya que un servidor aqu se
considera una estacin independientemente que se realice en ella y cuantos
la atiendan.
a. =10 pasajeros/minuto =12 pasajeros/minuto
=/=10/12=0.833 Po=1-0.833=0.17 (probabilidad de que este vaci)
Entonces estar ocupado 1-0.17= 0.833 = 83.33% del tiempo esto es
igual a .
pg. 88
b. Lq= Wq=2/((-)) = 102/(12(12-10))= 4.17 personas en la cola.

c. Ws=1/(-)=1/(12-10)= 0.5 minutos.
MODELO M/M/1/DG/m/
Este sistema es parecido al anterior con la variante que tiene una capacidad total de
m clientes, y cuando existen estos m clientes, todas las llegadas se regresan y el
sistema las pierde para siempre. Este nmero mximo de clientes es una constante y
vara segn el libro que se utiliza c,m, etc. En este modelo de capacidad finita, llega
un promedio de Pm, de esas llegadas encuentran al sistema lleno a toda capacidad y
se van. Por lo tanto, en realidad entrar al sistema un promedio de =(1-Pm) llegadas
por unidad de tiempo. En este modelo existir estado estable an si > Esto se debe
que aun cuando >, la capacidad finita de m en el sistema evita que explote el
nmero de personas en la cola.
EJEMPLO 5
En una peluquera hay un peluquero y un total de 10 asientos. Los tiempos de llegada
tienen distribucin exponencial, y llega un promedio de 20 clientes posibles por hora.
Los que llegan cuando la peluquera est llena no entran. El peluquero tarda un promedio
de 12 minutos en atender a cada cliente. Los tiempos de corte de pelo tienen distribucin
exponencial.
a) En promedio Cuntos cortes de pelo har el peluquero?
b) En promedio Cunto tiempo pasar un cliente en la peluquera, cuando entra?
Solucin
Identificacin del modelo M/M/1/DG/10/

a) Una fraccin de P10 de las llegadas encuentra que la peluquera est llena. Por
lo tanto, entrar a ella un promedio de (1-P10) por hora. Todos los clientes que
desean que se les corte el cabello, y por lo tanto, el peluquero har un promedio
de (1-P10) cortes por hora.
m=10, =20 clientes por hora y =5 clientes/hora. Entonces =20/5=4
1 n
Pn Donde n=1,2,....m
m 1
1
Sustituyendo datos P10=0.75
As, los cortes de pelo son en promedio 20(1-0.75) = 5 cortes/hora.
b) Para calcular W=L/((1-Pm))
1 m 1 m m m1 41 10 1410 10 4101
L
1 m1 1 1 4101 1 4 9.67clientes
W=9.67/(20(1-0.75))=1.93 horas.
pg. 89
EJERCICIOS RESUELTOS
Problema 1 M/M/1/
Suponga que un cajero bancario puede atender a los clientes a una velocidad promedio
de diez clientes por hora. Adems, suponga que los clientes llegan a la ventanilla del
cajero a una tasa promedio de 7 por hora. Se considera que las llegadas siguen la
distribucin Poisson y el tiempo de servicio sigue la distribucin exponencial. Realice un
anlisis acerca de la situacin actual del Banco.
Solucin:
=10 clientes/hora =7 clientes/hora k=1
=/=7/10=0.7
Po=1-0.7=0.3
7 7
Ls 2.33
10 7 3
2 72
Lq 1.63
( ) 10(10 7)
1 1 1
Ws 0.33
10 7 3
7
Wq 0.233
( ) 10(10 7)
Segn los datos obtenidos el sistema est ocupado el 70% del tiempo, vaco el 30% en
promedio hay 2.33 unidades en el sistema y 1.63 en la cola con un tiempo en el sistema
de 1/3 hora = 20 minutos y un tiempo en la cola de 0.233 horas = 14 minutos.
Problema 2. M/M/K/
Suponga que se coloca un segundo cajero bancario en el problema antes descrito. Qu
tanto se mejorar el servicio? De sus conclusiones y recomendaciones para el Banco.
Solucin:
S=k=2 nmero de servidores =7 clientes/hora =10 clientes/hora
7
0.35
k 2(10)
1 1
Po 0.48148
7
0
7
1
7
2
1 0.7 0.3769

10 10 10 10(2)

0! 1! 2! 10(2) 7
pg. 90
7(10)(7 / 10) 2
Ls (0.48148) 7 / 10 0.7977
(2 1)!(2(10) 7) 2
Lq = 0.7977 7/10 = 0.0977
Ws =Ls/ = 0.7977/7 =0.11396
Wq = Lq / = 0.0977/7 = 0.01396
Con dos cajeros las estadsticas de los clientes mejoraran dramticamente. Ahora se
tiene un promedio de solamente 0.0977 clientes en la lnea y el cliente promedio
esperara solamente 0.0139 horas para recibir el servicio (menos de un minuto). El costo
de este buen servicio es que los prestadores de este solamente estn ocupados durante
el 35% de su tiempo. A menos que se desee un servicio extraordinariamente bueno el
banco no deseara incurrir en el gasto de un segundo cajero. Puede tomarse en
consideracin en las horas pico.
Problema 3. M/M/K/
En un restaurante se vende comida para llevar y tratan de determinar cuntos

servidores o colas deben trabajar el turno del almuerzo. Durante cada hora, llegan en
promedio 100 clientes al restaurante. Cada cola puede manejar en promedio 50 clientes
por hora. Un servidor cuesta Q 5 /hora y se carga un costo de Q 20 por cada cliente que
espere en la cola durante 1 hora. Calcule el nmero de colas que minimice el costo.
Solucin:
=100 clientes/hora =50 clientes / hora
1 servidor ------- Q 5/hora
k servidores ------ 5k Q 20 por cada cliente que espera en la cola por hora 20Wq
Costo total = 5k + 20Wq quetzales / hora

K=?
100 2
1 1 k2 2 , 3, 4....
50k k
=100/2(50)=1 pero 1
Aunque se realice el clculo con k=2 los datos generados serian incoherentes.
Se deja al estudiante que lo compruebe.
Con K=3
=100/3(50) =2/3 =0.667
1 2
(100 / 50) 0 (100 / 50)1 (100 / 50) 2
Po A 1 2 2 5
A B n 0 0! 1! 2!
pg. 91
(100 / 50) 3 50(3) 1 1

B 4 Po 0.111
3! 50(3) 100 54 9
(100)(50)(100 / 50) 3 26
Ls (1 / 9) (100 / 50) 2.89
3 1!(3(50) 100) 2
9
Lq = 2.89 100/50 = 0.89
Ws = 2.89/100 = 0.0289 horas = 1.73 minutos
Wq = Lq / = 0.89/100=0.0089 horas
CT = 5(3) + 20(0.0089) =Q15.18 / hora
Al utilizar k>3 servidores el costo se aumenta por lo tanto se deben tener 3 Servidores.
Problema 4. M/M/1/m
Hay un promedio de 40 automviles por hora, con tiempos exponenciales entre llegadas,
que desean que se les atienda en la ventanilla de servicio en su auto de Pizza Hut. Si
hay una cola de ms de 4 coches, incluyendo el de la ventanilla, el coche que llegue se
va. En promedio toman cuatro minutos en servir a un automvil.
(a) Cul es el nmero promedio de automviles esperado en la cola, sin incluir al que
est frente a la ventanilla?
(b) En promedio a cuntos automviles se atiende en cada hora?
(c) Acabo de formarme en la cola. En promedio Cunto tiempo pasar para que llegue
a la ventanilla?
Solucin:
=40 autos/ hora =4 minutos/ hora = 15 autos / hora m=4
Lq = ? Ls =? Wq =?
= 40/15 =2.67
1 1 2.67
Po 0.012398
1 m 1
1 2.67 5
1 2.67
P4 4 1
(2.67) 4 0.63011
1 2.67
(m 1) m1 2.67 (4 1)(2.67) 41
Ls 3.438
1 1 m1 1 2.67 1 2.67 41
Ls =3.438 autos / hora
Lq = Ls - (1- Po)= 3.438 - (1 - 0.012398)=2.45
= (1-Pm) = 40 (1-0.63011) =14.80 = 14.80
Wq = Lq/ Wq = 2.45 /14.80 = 0.1655 Wq =0.1655 horas = 9.9
minutos
a) El nmero promedio de autos en la cola es Lq=2.45 autos

b) El nmero promedio de autos atendidos cada hora es Ls=3.438 autos/hora
c) En llegar a la ventanilla me tardo Wq=0.1655 horas = 9.9 minutos
pg. 92
Actividad
PROBLEMAS PROPUESTOS DE TEORIA DE COLAS
1. MexiCars de la Av. J.C. Maritegui tiene un empleado que se encarga de instalar

sistemas de alarma a carros y lo hace a una tasa promedio de 3 por hora; cerca de
1 cada 20 minutos. Los clientes que solicitan este servicio llegan en promedio de 2
por hora. Los aspectos del sistema M/M/1 se encuentran aqu presentes. Cmo es
el comportamiento de este sistema?
2. Grupo Hinostroza SAC. divisin llantas, la gerencia est considerando contratar un

nuevo mecnico para manejar todos los cambios de llantas para los clientes que
ordenan nuevos juegos de llantas. Dos mecnicos han solicitado el trabajo. Uno de
ellos tiene experiencia limitada y puede ser contratado pagndole 5.00 S/. la hora.
Se espera que este mecnico pueda atender un promedio de 3 clientes por hora. El
otro mecnico tiene varios aos de experiencia, puede servir un promedio de 4
clientes por hora y se le pagara 10.00 S/. la hora. Asuma que los clientes arriban
a una tasa de 2 por hora.
En el sistema es aplicable el modelo M/M/1.
a. Calcule las caractersticas Operacionales con cada mecnico.
b. Si el taller asigna un costo de espera a cada cliente de 15.00 S/. por hora,
Cul mecnico proporciona el menor costo de operacin?
3. Una franquicia de comida rpida, est pensando abrir operaciones de servicio por
ventanilla a los clientes, desde su vehculo. Los clientes que llegan al
intercomunicador a colocar rdenes y luego manejan hasta la ventanilla para pagar
y recibir sus rdenes lo hacen a una tasa de 24 por hora. En el sistema es aplicable
el modelo M/M1. Se est considerando las alternativas siguientes:
a. Realizar la operacin con un solo empleado que llene la orden y reciba el dinero
del cliente. En esta alternativa, el tiempo promedio de servicio es de 2 minutos.
b. Realizar la operacin con un empleado y un ayudante que tome el dinero del
cliente. En esta alternativa, el tiempo promedio de servicio es de 1.25 minutos.
En ambos caso es un sistema de una sola ventanilla, por lo que se mantiene el
sistema de un solo servidor, modelo M/M/1. Se le pide:
a. Calcule las caractersticas operacionales para cada alternativa y tome una
decisin.
b. Si dispone de informacin del costo de espera de S/. 25.00 por hora, pues es
considerado alto este costo en los servicios de comida rpida y el costo de cada
empleado es de 8.00 S/. por hora, siendo adems cargado 20.00 S/. por
equipos y espacio. Cul sera la alternativa de menor costo para el servicio?
4. Sam Lawer Mdico Veterinario maneja una clnica de vacunacin antirrbica para
perros, en la clnica municipal. Sam puede vacunar un perro cada tres minutos. Se
estima que los perros llegarn en forma independiente y aleatoriamente en el
transcurso del da, en un rango de un perro cada seis minutos, de acuerdo con la
distribucin de Poisson. Tambin suponga que los tiempos de vacunacin de Sam
estn distribuidos exponencialmente.
Datos = 1 / 6 = 0.167 perros/min
= 1 / 3 = 0.34 perros/min
pg. 93
Determinar:
a. La probabilidad de que Sam este de ocioso
b. La proporcin de tiempo en que Sam est ocupado.
c. El nmero total de perros que estn siendo vacunados
d. El nmero promedio de perros que esperan a ser vacunados
5. Las llamadas llegan a la central telefnica de la OEC a una tasa de dos por minuto,
l tiempo promedio para manejar cada una de estas es de 20 segundos.
Actualmente solo hay una operadora de la central. Las distribuciones de Poisson y
exponencial parecen ser relevantes en esta situacin.
Datos
= 2 llamadas/minutos
= (1 / 20 seg.)(60 seg.) = 3 llamadas/minuto
Determine:
a. La probabilidad de que la operadora este ocupada
b. El tiempo promedio que debe de esperar una llamada antes de ser tomada por
la operadora
c. El nmero de llamadas que esperan ser contestadas
6. Al principio de la temporada de ftbol, la ventanilla de boletos se ocupa mucho el

da anterior al primer juego. Los clientes llegan a una tasa de cuatro llegadas cada
10 minutos y el tiempo promedio para realizar la transaccin es de dos minutos.
Datos
= (4 / 10) = 0.4 c/min
= (1 /2) = 0.5 c/min
Determine:
a. El nmero promedio de aficionaos en lnea de espera
b. El tiempo promedio que una persona pasara en la oficina de boletos
c. La proporcin de tiempo que el servidor est ocupado
7. Una empleada administra un gran complejo de cines Cinemark Comas I, II, III y
IV. Cada uno de los cuatro auditorios proyecta una pelcula diferente, el programa
se estableci de tal forma que las horas de las funciones se encuentren escalonadas
para evitar las multitudes que ocurriran si los cuatro cines comenzarn a la misma
hora. El cine tiene una sola taquilla y un cajero que puede mantener una tasa de
promedio de servicio de 280 clientes por hora. Se supone que los tiempos de
servicio siguen una distribucin exponencial. Las llegadas en un da son distribucin
de Poisson y promedian 210 por hora.
Determine:
a. El nmero promedio de cinfilos esperando en la lnea para adquirir un boleto
b. Qu porcentaje del tiempo est ocupado el cajero?
c. Cul es el tiempo promedio que pasa un cliente en el sistema?
d. Cul es el tiempo promedio que pasa esperando en la lnea para llegar a la
taquilla?
e. Cul es la probabilidad de que haya ms de dos personas en la cola?
pg. 94
SEXTA UNIDAD
Tema N 9: TEORA DE DECISIONES

9.1 Introduccin
La teora de decisiones proporciona una manera til de clasificar modelos para la toma
de decisiones. Se supondr que se ha definido el problema, que se tienen todos los
datos y que se han identificado los cursos de accin alternativos. La tarea es entonces
seleccionar la mejor alternativa. La teora de decisiones dice que esta tarea de hacer
una seleccin caer en una de las cuatro categoras generales dependiendo de la
habilidad personal para predecir las consecuencias de cada alternativa.
Categoras Consecuencias
Certidumbre Deterministas
Riesgo Probabilsticas
Incertidumbre Desconocidas
Conflicto Influidas por un oponente
9.2 Toma de decisiones bajo incertidumbre

En los procesos de decisin bajo incertidumbre, el decisor conoce cules son los posibles
estados de la naturaleza, aunque no dispone de informacin alguna sobre cul de ellos
ocurrir. No slo es incapaz de predecir el estado real que se presentar, sino que
adems no puede cuantificar de ninguna forma esta incertidumbre. En particular, esto
excluye el conocimiento de informacin de tipo probabilstico sobre las posibilidades de
ocurrencia de cada estado.
Reglas de decisin
A continuacin se describen las diferentes reglas de decisin en ambiente de
incertidumbre, y que sern sucesivamente aplicadas al ejemplo de construccin del
hotel.
Criterio de Wald
Criterio Maximax
Criterio de Hurwicz
Criterio de Savage
Criterio de Laplace
Para trabajar con los criterios utilizaremos la siguiente matriz:
Estados de la Naturaleza
Alternativas e1 e2 ... en
a1 x11 x12 ... x1n
a2 x21 x22 ... x2n
.. ... ... ... ...

.
am xm1 xm2 ... xmn
pg. 95
a) Criterio de Laplace
Este criterio, propuesto por Laplace en 1825, est basado en el principio de razn
insuficiente: como a priori no existe ninguna razn para suponer que un estado se puede
presentar antes que los dems, podemos considerar que todos los estados tienen la
misma probabilidad de ocurrencia, es decir, la ausencia de conocimiento sobre el estado
de la naturaleza equivale a afirmar que todos los estados son equiprobables. As, para
un problema de decisin con n posibles estados de la naturaleza, asignaramos
probabilidad 1/n a cada uno de ellos.
La regla de Laplace selecciona como alternativa ptima aquella que proporciona un
mayor resultado esperado:
1 n
mx _ ai xai , e j
n j 1
EJEMPLO
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra los
resultados esperados para cada una de las alternativas.
Alternativas Estados de la Naturaleza
Terreno
Aeropuerto en A Aeropuerto en B Resultado esperado
comprado
A 13 -12 0.5
B -8 11 1.5
AyB 5 -1 2
Ninguno 0 0 0
En este caso, cada estado de la naturaleza tendra probabilidad ocurrencia 1/2. El

resultado esperado mximo se obtiene para la tercera alternativa, por lo que la decisin
ptima segn el criterio de Laplace sera comprar ambas parcelas.
CRTICA
La objecin que se suele hacer al criterio de Laplace es la siguiente: ante una misma
realidad, pueden tenerse distintas probabilidades, segn los casos que se
consideren. Por ejemplo, una partcula puede moverse o no moverse, por lo que la
probabilidad de no moverse es 1/2. En cambio, tambin puede considerarse de la
siguiente forma: una partcula puede moverse a la derecha, moverse a la izquierda o
no moverse, por lo que la probabilidad de no moverse es 1/3.
Desde un punto de vista prctico, la dificultad de aplicacin de este criterio reside en la
necesidad de elaboracin de una lista exhaustiva y mutuamente excluyente de todos
los posibles estados de la naturaleza.
Por otra parte, al ser un criterio basado en el concepto de valor esperado, su
funcionamiento debe ser correcto tras sucesivas repeticiones del proceso de toma de
decisiones. Sin embargo, en aquellos casos en que la eleccin slo va a realizarse una
vez, puede conducir a decisiones poco acertadas si la distribucin de resultados presenta
una gran dispersin, como se muestra en la siguiente tabla:
pg. 96
Alternativas e1 e2 Resultado
esperado
a1 15000 -5000 5000
a2 5000 4000 4500
Este criterio seleccionara la alternativa a1, que puede ser poco conveniente si la toma
de decisiones se realiza una nica vez, ya que podra conducirnos a una prdida elevada
b) Criterio de Wald
Este es el criterio ms conservador ya que est basado en lograr lo mejor de las peores
condiciones posibles. Esto es, si el resultado x(ai, ej) representa prdida para el decisor,
entonces, para ai la peor prdida independientemente de lo que ej pueda ser, es mx
ej { x(ai, ej) }. El criterio minimax elige entonces la accin ai asociada a:

Elegir _ ai mn ai mx e j x( ai , e j )
En una forma similar, si x(ai, ej) representa la ganancia, el criterio elige la accin ai
asociada a :

Elegir _ ai mx ai mn e j x( ai , e j )
Este criterio recibe el nombre de criterio maximin, y corresponde a un pensamiento
pesimista, pues razona sobre lo peor que le puede ocurrir al decisor cuando elige una
alternativa.
EJEMPLO
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con los niveles de seguridad de las diferentes alternativas:

Terreno
Aeropuerto en A Aeropuerto en B si
comprado
A 13 - 12 -
12
B -8 11 -8
AyB 5 -1 -1
Ninguno 0 0 0
La alternativa ptima segn el criterio de Wald sera no comprar ninguno de los terrenos,
pues proporciona el mayor de los niveles de seguridad.
pg. 97
CRTICA
En ocasiones, el criterio de Wald puede conducir a decisiones poco adecuadas. Por
ejemplo, consideremos la siguiente tabla de decisin, en la que se muestran los niveles
de seguridad de las diferentes alternativas.
Estados de la
Naturaleza
Alternativas e1 e2 si
a1 1000 99 99
a2 100 100 100
El criterio de Wald seleccionara la alternativa a2, aunque lo ms razonable parece ser

elegir la alternativa a1, ya que en el caso ms favorable proporciona una recompensa
mucho mayor, mientras que en el caso ms desfavorable la recompensa es similar.
c) Criterio de Hurwicz
Este criterio representa un intervalo de actitudes desde la ms optimista hasta la ms
pesimista. En las condiciones ms optimistas se elegira la accin que proporcione el
mx ai mx ej { x(ai, ej) }. Se supone que x(ai, ej), representa la ganancia o beneficio.
De igual manera, en las condiciones ms pesimistas, la accin elegida corresponde a
mx ai mn ej { x(ai, ej) }. El criterio de Hurwicz da un balance entre el optimismo
extremo y el pesimismo extremo ponderando las dos condiciones anteriores por los
pesos respectivos y (1- ), donde 0 1. Esto es, si x(ai, ej) representa beneficio,
seleccione la accin que proporcione:

mx ai mx e j x( ai , e j ) (1 )mn e j x( ai , e j )
Para el caso donde x(ai, ej) representa un costo, el criterio selecciona la accin que
proporciona:

mn ai mn e j x( ai , e j ) (1 )mx e j x( ai , e j )
El parmetro se conoce como ndice de optimismo: cuando = 1, el criterio es
demasiado optimista; cuando = 0, es demasiado pesimista. Un valor de entre cero
y uno puede ser seleccionado dependiendo de si el decisor tiende hacia el pesimismo o
al optimismo. En ausencia de una sensacin fuerte de una circunstancia u otra, un valor
de = 1/2 parece ser una seleccin razonable.
pg. 98
EJEMPLO
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con la media ponderada de los niveles de optimismo y
pesimismo de las diferentes alternativas para un valor = 0.4:

Terreno
comprado Aeropuerto en A Aeropuerto en B mnei mxei S(ai)
A 13 -12 -12 13 -2
B -8 11 -8 11 -0.4
AyB 5 -1 -1 5 1.4
Ninguno 0 0 0 0 0
La alternativa ptima segn el criterio de Hurwicz sera comprar las parcelas A y B, pues
proporciona la mayor de las medias ponderadas para el valor de seleccionado.
d) Criterio de Savage
En 1951 Savage argumenta que al utilizar los valores xij para realizar la eleccin, el
decisor compara el resultado de una alternativa bajo un estado de la naturaleza con
todos los dems resultados, independientemente del estado de la naturaleza bajo el que
ocurran. Sin embargo, el estado de la naturaleza no es controlable por el decisor, por
lo que el resultado de una alternativa slo debera ser comparado con los resultados de
las dems alternativas bajo el mismo estado de la naturaleza.
Con este propsito Savage define el concepto de prdida relativa o prdida de
oportunidad rij asociada a un resultado xij como la diferencia entre el resultado de la
mejor alternativa dado que ej es el verdadero estado de la naturaleza y el resultado de
la alternativa ai bajo el estado ej:
As, si el verdadero estado en que se presenta la naturaleza es ej y el decisor elige la

alternativa ai que proporciona el mximo resultado xij, entonces no ha dejado de ganar
nada, pero si elige otra alternativa cualquiera ar, entonces obtendra como ganancia xrj
y dejara de ganar xij-xrj.
Savage propone seleccionar la alternativa que proporcione la menor de las mayores
prdidas relativas, es decir, si se define ri como la mayor prdida que puede obtenerse
al seleccionar la alternativa ai,
el criterio de Savage resulta ser el siguiente:
pg. 99
Conviene destacar que, como paso previo a la aplicacin de este criterio, se debe
calcular la matriz de prdidas relativas, formada por los elementos rij. Cada columna de
esta matriz se obtiene calculando la diferencia entre el valor mximo de esa columna y
cada uno de los valores que aparecen en ella.
Observe que si x(ai, ej) es una funcin de beneficio o de prdida, la matriz de prdidas
relativas, formada por los elementos rij representa en ambos casos prdidas. Por
consiguiente, nicamente el criterio minimax (y no el maximin) puede ser
aplicado a la matriz de de exploracin.
EJEMPLO
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra la matriz de
prdidas relativas y el mnimo de stas para cada una de las alternativas.

Terreno
Aeropuerto en A Aeropuerto en B ri
comprado
A 0 23 23
B 21 0 21
AyB 8 12 12
Ninguno 13 11 13
El mayor resultado situado en la columna 1 de la tabla de decisin original es 13; al

restar a esta cantidad cada uno de los valores de esa columna se obtienen las prdidas
relativas bajo el estado de la naturaleza Aeropuerto en A. De la misma forma, el mximo
de la columna 2 en la tabla original es 11; restando a esta cantidad cada uno de los
valores de esa columna se obtienen los elementos rij correspondientes al estado de la
naturaleza Aeropuerto en B. Como puede observarse, el valor ri menor se obtiene para
la tercera alternativa, por lo que la decisin ptima segn el criterio de Savage sera
comprar ambas parcelas.
CRTICA
El criterio de Savage puede dar lugar en ocasiones a decisiones poco razonables. Para
comprobarlo, consideremos la siguiente tabla de resultados:
Alternativas e1 e2
a1 9 2
a2 4 6
La tabla de prdidas relativas correspondiente a esta tabla de resultados es la siguiente:
pg. 100
Estados de la
Naturaleza
Alternativas e1 e2 ri
a1 0 4 4
a2 5 0 5
La alternativa ptima es a1. Supongamos ahora que se aade una alternativa, dando
lugar a la siguiente tabla de resultados:
Alternativas e1 e2
a1 9 2
a2 4 6
a3 3 9
La nueva tabla de prdidas relativas sera:
Estados de la
Naturaleza
Alternativas e1 e2 ri
a1 0 7 7
a2 5 3 5
a3 6 0 6
El criterio de Savage selecciona ahora como alternativa ptima a2, cuando antes
seleccion a1. Este cambio de alternativa resulta un poco paradjico: supongamos que
a una persona se le da a elegir entre peras y manzanas, y prefiere peras. Si
posteriormente se la da a elegir entre peras, manzanas y naranjas, esto equivaldra a
decir que ahora prefiere manzanas!
9.3 Caso de aplicacin: Criterios de decisin en incertidumbre

Una instalacin recreativa debe decidir acerca del nivel de abastecimiento que debe
almacenar para satisfacer las necesidades de sus clientes durante uno de los das de
fiesta. El nmero exacto de clientes no se conoce, pero se espera que est en una de
cuatro categoras: 200,250, 300 o 350 clientes. Se sugieren, por consiguiente, cuatro
niveles de abastecimiento, siendo el nivel i el ideal (desde el punto de vita de costos) si
pg. 101
el nmero de clientes cae en la categora i. La desviacin respecto de niveles ideales

resulta en costos adicionales, ya sea porque se tenga un abastecimiento extra sin
necesidad o porque la demanda no puede satisfacerse. La tabla que sigue proporciona
estos costos en miles de unidades monetarias.
Nivel de e1(200) e2(250) e3(300) e4(350)

abastecimiento
a1(200) 5 10 18 25
a2(250) 8 7 8 23
a3(300) 21 18 12 21
a4(350 30 22 19 15
Determine cul es el nivel de aprovisionamiento ptimo, utilizando los criterios

explicados.
RESULTADOS
a) LAPLACE:
El principio de Laplace establece que e1, e2, e3, e4 tienen la misma probabilidad de
suceder. Por consiguiente las probabilidades asociadas son P(x)=1/4 y los costos
esperados para las acciones son:
E(a1) = (1/4)(5+10+18+25) = 14.5
E(a2) = (1/4)(8+7+8+23) = 11.5
E(a3) = (1/4)(21+18+12+21) = 18.0
E(a4) = (1/4)(30+22+19+15) = 21.5
Por lo tanto, el mejor nivel de inventario de acuerdo con el criterio de Laplace est
especificado por a2.
b) WALD
Ya que x(ai, ej) representa costo, el criterio minimax es aplicable. Los clculos se
resumen en la matriz que sigue. La estrategia minimax es a3:
Nivel de e1(200) e2(250) e3(300) e4(350)

abastecimiento
a1(200) 5 10 18 25 25
a2(250) 8 7 8 23 23
a3(300) 21 18 12 21 21
(valor
minimax)
a4(350 30 22 19 15 30
pg. 102
c) HURWICZ
Supongamos =1/2. Los clculos necesarios se muestran enseguida. La solucin
ptima est dada por a1 a2.
a1 5 25 15 (mn)
a2 7 23 15 (mn)
a3 12 21 16.5
a4 15 30 22.5
d) SAVAGE
Se obtiene primero la matriz rij restando 5, 7, 8 y 15 de las columnas 1, 2, 3 y 4
respectivamente.
Nivel de e1(200) e2(250) e3(300) e4(350)

abastecimien
to
a1(200) 5 10 18 25 10
a2(250) 8 7 8 23 8 (valor minimax)
a3(300) 21 18 12 21 16
a4(350 30 22 19 15 25
CASO DE APLICACIN
La empresa Z de servicios computarizados especializadas en servicios de informacin

tales como encuestas, anlisis de datos, etc., actualmente est en la etapa final de
seleccin del sistema de computadoras que utilizar en una nueva dependencia que
abrir en una zona del pas.
Aunque la empresa ya ha decidido la marca de computadoras que utilizar, est
tratando de determinar el tamao del sistema de computadoras que para sus
condiciones resulta ms econmico de arrendar.
A partir del anlisis realizado en las empresas se consider que existen 3 alternativas
de decisin pudiendo ocurrir 2 posibles eventos o estados de la naturaleza, los cuales
son:
Decisiones Alternativas
D1: Arrendar un sistema de computadoras grande
D2: Arrendar un sistema de computadoras mediano
D3: Arrendar un sistema de computadoras pequeo
Estado de la Naturaleza
E1: Alta aceptacin de los servicios de la empresa Z
E2: Baja aceptacin de los servicios de la empresa Z
Teniendo en cuenta lo anterior y usando la mejor informacin disponible la empresa ha
estimado la posible ganancia a obtener para cada combinacin decisin-estado de la
naturaleza la cual aparece en la siguiente matriz de decisin:
pg. 103
Matriz de decisin
Decisiones Alternativas Alta Acept. E1 Baja Acept. E2
D1 $200 000 -$20 000
D2 $150 000 $20 000
D3 $100 000 $60 000
En estas condiciones: Qu decisin debe tomar la empresa Z si quiere lograr la mxima

ganancia?
Solucin:
Aplicando los criterios para la toma de decisiones en condiciones de incertidumbre se
tiene:
Criterio pesimista
Para aplicar este criterio se lista primeramente para cada decisin alternativa el "peor"
resultado, seleccionando entonces la decisin que proporcione el mayor valor para esos
resultados peores, lo cual se resume en la siguiente tabla:
Decisiones Alternativas Peor resultado

Sistema grande D1 -$20 000
Sistema mediano D2 $20 000
Sistema pequeo D3 $60 000
De acuerdo con este criterio la decisin a recomendar es arrendar un sistema pequeo,

la cual garantiza una ganancia mnima de $60 000. Aunque PSI puede obtener ms, no
puede obtener menos que dicho valor que corresponde al valor MaxiMin.
Criterio optimista
La aplicacin de este criterio se resume en la siguiente tabla:
Decisiones Alternativas Mejor resultado

Sistema grande D1 $200 000
El resultado obtenido conduce a recomendar que la decisin a tomar es arrendar un

sistema grandes la cual proporciona la posibilidad d obtener la mayor ganancia que es
de $200 000. Obsrvese que aunque este criterio proporciona tambin expone a la
empresa a la posibilidad de prdida de $20 000.
Criterio de Laplace
La aplicacin de este criterio presupone el clculo del resultado medio y se expresa en
la siguiente tabla:
Decisiones Alternativas Resultado Medio

Sistema grande D1 $ 90 000
El resultado obtenido conduce a recomendar como mejor decisin el arrendar un sistema
grande, la que proporcionara la un resultado promedio de $90 000. Ntese que en
este casa son vlidos las mismas observaciones realizadas a los resultados que
proporciono el criterio optimista.
Criterio de Savage
Para aplicar este criterio es necesario calcular primeramente la matriz de prdida de
oportunidad, la cual se muestra a continuacin:
pg. 104
Matriz de prdida de oportunidad
Decisiones Alternativas Alta Acept. E1 Baja Acept. E2

D1 $0,00 $80 000,00
D2 $50 000,00 $40 000,00
D3 $100 000,00 $0,00
Para aplicar el criterio se busca entonces para cada decisin el mximo valor de las
Oij a fin de determinar de entre estos el mnimo, lo cual se refleja en la siguiente tabla:
Decisiones Alternativas Max. O ij

Sistema grande D1 $80 000,00
Sistema mediano D2 $50 000,00
Sistema pequeo D3 $100 000,00
La decisin a recomendar, de acuerdo con este criterio es arrendar un sistema mediano,

lo que proporcionara una prdida de oportunidad de $50 000,00.
Criterio de Hurwitz
Para aplicar este criterio hay que definir un valor para el coeficiente . Fijemos un
0,4 y calculamos los valores que adoptara en los hi.
h1 =0.4 (200000) + 0.6 (-20000) = $68000
h2 = 0.4 (150000) + 0.6 (20000) - 72000
h3 = 0.4 (100000) + 0.6 (60000) = 76000 < - Mayor valor
En este caso la decisin a recomendar es arrendar un sistema pequeo. Ntese que al

fijar un valor de = 0.4 nos inclinamos hacia un criterio pesimista. Fijando otro valor
para podremos obtener otra solucin.
Observe que los criterios de decisin utilizados han conducido a recomendaciones

diferentes. Esto no es malo en s mismo, sino que refleja la diferencia en cuanto a la
actitud que adapta el decisor, ante el riesgo que subyace en los diferentes criterios.
Finalmente la decisin la debe adaptar la direccin de la empresa Z.
Estos criterios sirven para que basta los tenga en cuenta y seleccione el que lo parezca
ms razonable de acuerdo con su experiencia, intuicin, objetivos, etc. En definitiva el
decisor seleccionar l que mejor reflejo sus criterios.
No olvidemos que la toma de decisiones en condiciones de incertidumbre siempre es
convencional y subjetiva.
Pero pese a todo, los mtodos empleados son tiles, ya que permiten:
Expresar en la matriz de decisin los elementos esenciales que se daban tener en
cuenta para tomar la misma y lo cual es bueno cuando se tienen muchas
alternativas.
Sustituir la mera contemplacin de la matriz de decisin con el empleo de diferentes
criterios que permiten valorar las decisiones desde diferentes puntos de vistas,
considerar las recomendaciones de cada uno de ellos y por ultimo detenerse en algo
concreto.
Esto es semejante a discutir el problema desde diferentes puntos de vista, pues como
se sabe de la discusin sale la mejor solucin. Por tanto no puede esperarse de la teora
de la decisin soluciones definitivas e indiscutibles, con lo nico que puede ayudarnos
es con consejos.
Si las recomendaciones que se deducen de los diferentes criterios coinciden, tanto
mejor, entonces se puede elegir sin vacilar la alternativa recomendada. Si como sucede
frecuentemente, las recomendaciones son contradictorias, entonces razonemos sobre
pg. 105
estas, aclaremos hasta qu punto divergen los resultados obtenidos, precisemos los
puntos de vista y hagamos la eleccin definitiva.
No olvidemos que en cualquier problema en el que se deben fundamentar decisiones es

inevitable cierta arbitrariedad que puede estar dado Incluso al elegir el criterio de
seleccin. La teora de la decisin no elimina la arbitrariedad sino que permite solo
"ponerla en su lugar".
En los problemas de teora de la decisin luego de identificar el tipo de problema
presente, un paso importante es contar con la matriz de decisin, de conocerse la matriz
de decisin el trabajo se reduce a aplicar los criterios de decisin, es por ello que
veremos un ejemplo donde se desconoce la matriz.
Actividad
PROBLEMAS PROPUESTOS DE TEORIA DE DECISIONES
1. La vendedora Phyllis Pauley vende peridicos en la esquina de la avenida Kirkwood

y la calle Indiana, y todos los das debe determinar cuntos peridicos pedir.
Phyllis paga a la compaa $ 20 por cada ejemplar y los vende a $ 25 cada uno. Los
peridicos que no se venden al terminar el da no tienen valor alguno. Phyllis sabe
que cada da puede vender entre 6 y 10 ejemplares, cada uno con una posibilidad
equiprobable. Demuestre cmo se ajusta este problema en el modelo del estado del
mundo.
9.4 rboles de decisiones
El rbol de decisin es un diagrama que representan en forma secuencial condiciones y

acciones; muestra qu condiciones se consideran en primer lugar, en segundo lugar y
as sucesivamente. Este mtodo permite mostrar la relacin que existe entre cada
condicin y el grupo de acciones permisibles asociado con ella.
Un rbol de decisin sirve para modelar funciones discretas, en las que el objetivo es
determinar el valor combinado de un conjunto de variables, y basndose en el valor de
cada una de ellas, determinar la accin a ser tomada.
Los rboles de decisin son normalmente construidos a partir de la descripcin de la

narrativa de un problema. Ellos proveen una visin grfica de la toma de decisin
necesaria, especifican las variables que son evaluadas, qu acciones deben ser tomadas
y el orden en la cual la toma de decisin ser efectuada. Cada vez que se ejecuta un
rbol de decisin, solo un camino ser seguido dependiendo del valor actual de la
variable evaluada.
Se recomienda el uso del rbol de decisin cuando el nmero de acciones es pequeo y

no son posibles todas las combinaciones.
El desarrollo de rboles de decisin beneficiado analista en dos formas. Primero que

todo, la necesidad de describir condiciones y acciones llevan a los analistas a identificar
de manera formal las decisiones que actualmente deben tomarse. De esta forma, es
difcil para ellos pasar por alto cualquier etapa del proceso de decisin, sin importar que
este dependa de variables cuantitativas o cualitativas. Los rboles tambin obligan a los
analistas a considerar la consecuencia de las decisiones.
Se ha demostrado que los rboles de decisin son eficaces cuando es necesario describir
problemas con ms de una dimensin o condicin. Tambin son tiles para identificar
los requerimientos de datos crticos que rodean al proceso de decisin, es decir, los
pg. 106
rboles indican los conjuntos de datos que la gerencia requiere para formular decisiones
o tomar acciones. El analista debe identificar y elaborar una lista de todos los datos
utilizados en el proceso de decisin, aunque el rbol de decisin no muestra todo los
datos.
Si los rboles de decisin se construyen despus de completar el anlisis de flujo de

datos, entonces es posible que los datos crticos se encuentren definidos en el
diccionario de datos (el cual describe los datos utilizados por el sistema y donde se
emplean). Si nicamente se usan rboles de decisiones, entonces el analista debe tener
la certeza de identificar con precisin cada dato necesario para tomar la decisin.
Los rboles de decisin no siempre son la mejor herramienta para el anlisis de

decisiones. El rbol de decisiones de un sistema complejo con muchas secuencias de
pasos y combinaciones de condiciones puede tener un tamao considerable. El gran
nmero de ramas que pertenecen a varias trayectorias constituye ms un problema que
una ayuda para el anlisis. En estos casos los analistas corren el riesgo de no determinar
qu polticas o estrategias de la empresa son la gua para la toma de decisiones
especficas. Cuando aparecen estos problemas, entonces es momento de considerar las
tablas de decisin.
ESTRUTURA DE UN RBOL DE DECISIN
Los rboles de decisin estn formados por:

Nodos de decisin representados por cuadrados. Estos nodos representan los
puntos donde el que toma una decisin debe elegir entre varias acciones posibles
Nodos de oportunidad o de evento representados por crculos. Estos nodos
indican aquellas artes del proceso de toma de decisin ' es en las que ocurre un
evento o estado de la naturaleza.
Ramas que se representan por una lnea. Se utilizan para denotar las decisiones
(ramas de decisin) a los estados de la naturaleza (ramas de oportunidad). En
estas se reflejan las probabilidades de que ocurra un estado dado de la
naturaleza
El final del rbol lo indican las Ramas Terminales, las cuales pueden ser ramas
de decisin o de oportunidad. Al lado de estas se reflejan los Resultados a Pagos.
En la toma de decisiones empresariales son recuentos las situaciones en las que el

decisor debe adoptar una secuencia de decisiones, ya que una decisin en el momento
actual puede condicionar y exigir otras decisiones en momentos de tiempo posteriores.
El anlisis basado en el rbol de decisin es una herramienta til en la toma de
decisiones referente a inversiones, la estrategia de nuevos productos, etc.
CMO DIBUJAR UN RBOL DE DECISIONES
Para comenzar a dibujar un rbol de decisin debemos escribir cul es la decisin que
necesitamos tomar. Dibujaremos un recuadro para representar esto en la parte
izquierda de una pgina grande de papel.
Desde este recuadro se deben dibujar lneas hacia la derecha para cada posible solucin,
y escribir cul es la solucin sobre cada lnea. Se debe mantener las lneas lo ms
apartadas posibles para poder expandir tanto como se pueda el esquema. Al final de
cada lnea se debe estimar cul puede ser el resultado. Si este resultado es incierto, se
puede dibujar un pequeo crculo. Si el resultado es otra decisin que necesita ser
tomada, se debe dibujar otro recuadro. Los recuadros representan decisiones, y
los crculos representan resultados inciertos. Se debe escribir la decisin o el
causante arriba de los cuadros o crculos.
Comenzando por los recuadros de una nueva decisin en el diagrama, dibujar lneas
que salgan representando las opciones que podemos seleccionar. Desde los crculos se
pg. 107
deben dibujar lneas que representen las posibles consecuencias. Nuevamente se debe
hacer una pequea inscripcin sobre las lneas que digan que significan. Seguir
realizando esto hasta que tengamos dibujado tantas consecuencias y decisiones como
sea posible ver asociadas a la decisin original.
Un ejemplo de rbol de decisin se puede ver en la siguiente figura:
Una vez que tenemos hecho esto, revisamos el diagrama en rbol. Controlamos cada
cuadro y crculo para ver si hay alguna solucin o consecuencia que no hayamos
considerado. Si hay alguna, la debemos agregar. En algunos casos ser necesario
dibujar nuevamente todo el rbol si partes de l se ven muy desarregladas o
desorganizadas. Ahora ya tendremos un buen entendimiento de las posibles
consecuencias de nuestras decisiones.
EVALUAR LOS RBOLES
Aqu es cuando podemos analizar cul opcin tiene el mayor valor para nosotros.
Comencemos por asignar un costo o puntaje a cada posible resultado (cunto creemos
que podra ser el valor para nosotros si estos resultados ocurren).
Luego, debemos ver cada uno de los crculos (que representan puntos de incertidumbre)
y estimar la probabilidad de cada resultado. Si utilizamos fracciones, estas deberan
sumar 1 (si utilizamos porcentajes, el total debe sumar 100%). Si tenemos algn tipo
de informacin basada en eventos del pasado, quizs estemos en mejores condiciones
de hacer estimaciones ms rigurosas sobre las probabilidades. De otra forma, debemos
realizar nuestra mejor suposicin
Esto dar un rbol parecido al de la siguiente figura:
pg. 108
CALCULO DE LOS VALORES DE LOS RBOLES
Una vez que calculamos el valor de cada uno de los resultados, y hemos evaluado la
probabilidad de que ocurran las consecuencias inciertas, ya es momento de calcular el
valor que nos ayudar a tomar nuestras decisiones. Comenzamos por la derecha del
rbol de decisin, y recorremos el mismo hacia la izquierda. Cuando completamos un
conjunto de clculos en un nodo (cuadro de decisin o crculo de incertidumbre), todo
lo que necesitamos hacer es anotar el resultado. Podemos ignorar todos los clculos que
llevan a ese resultado.
CALCULAR EL VALOR DE LOS NODOS DE INCERTIDUMBRE (crculos)
Cuando vayamos a calcular el valor para resultados inciertos (los crculos),

debemos hacerlo multiplicando el costo de estos resultados por la probabilidad
de que se produzcan. El total para esos nodos del rbol lo constituye la suma de
todos estos valores.
CALCULAR EL VALOR DE LOS NODOS DE DECISIN (recuadros)
Cuando evaluamos los nodos de decisin, debemos escribir el costo de la opcin

sobre cada lnea de decisin. Luego, debemos calcular el costo total basado en
los valores de los resultados que ya hemos calculado. Esto nos dar un valor que
representa el beneficio de tal decisin. Hay que tener en cuenta que la cantidad
ya gastada no cuenta en este anlisis - estos son costos ya perdidos y (a pesar
de los argumentos que pueda tener un contador) no deberan ser imputados a
las decisiones. Cuando ya hayamos calculado los beneficios de estas decisiones,
deberemos elegir la opcin que tiene el beneficio ms importante, y tomar a este
como la decisin tomada. Este es el valor de este nodo de decisin.
pg. 109
El rbol final con los resultados de los clculos puede verse en la siguiente figura:
CUL ES EL RESULTADO
Realizando este anlisis podemos ver que la mejor opcin es el desarrollo de un

nuevo producto. Es mucho ms valiosos para nosotros que tomemos suficiente
tiempo para registrar el producto antes que apurarnos a sacarlo rpidamente al
mercado. Es preferible el mejorar nuestros productos ya desarrollados que echar
a perder un nuevo producto, incluso sabiendo que nos costar menos.
Actividad
PROBLEMAS PROPUESTOS DE RBOLES DE DECISIONES
1. Una empresa que fabrica un determinado producto est pensando en aumentar su

capacidad. Sus principales alternativas son: construir una planta pequea,
construir una planta mediana, construir una planta grande o no hacer nada. La
nueva instalacin fabricar un nuevo tipo de producto, cuyo potencial de
comercializacin actualmente es desconocido. Si se construye una planta grande
y existe un mercado favorable, se podra obtener un beneficio de 200 millones de
Bs. Un mercado desfavorable supondra una prdida de 180 millones de Bs. Sin
embargo, con una planta mediana se obtendra un beneficio de 120 millones si el
mercado fuera favorable, mientras que la prdida sera de 20 millones si el mercado
fuera desfavorable. Por otro lado, una planta pequea dara un beneficio de 80
millones de Bs. si el mercado fuera favorable, y una prdida de 10 millones si fuera
desfavorable.Recientes estudios de mercado indican que existe una probabilidad de
0.4 de que el mercado sea favorable.
Cul alternativa seleccionara?
pg. 110
2. Como director de operaciones de Muebles & Madera, usted debe tomar una decisin
sobre la ampliacin de la lnea de mobiliario infantil (cunas, cajas para juguetes,
camas, etc.). Estudia las posibilidades con la directora de ventas y ambos estn de
acuerdo en que va a haber mercado y que la compaa debe entrar en l. Sin
embargo, como el mobiliario infantil a menudo se debe pintar en lugar de barnizar,
usted decide que necesita otra lnea de produccin. No tiene duda alguna sobre su
decisin, y est seguro que necesita un segundo proceso. Pero la cuestin es saber
cul ha de ser su tamao. Una lnea de produccin grande costar 300 millones de
Bs.; una lnea de produccin pequea costar 200 millones de Bs. Por tanto, es
importante saber la demanda que habr de mobiliario infantil. Despus de una
extensa discusin con los representantes de una empresa de marketing que se
contrat para que hiciera el estudio de mercado, se determin que la mejor
estimacin que se puede hacer es que hay un 66.5% de probabilidades de que la
demanda sea alta, y un 33.5 % de probabilidades de que la demanda sea baja.
Con una lnea de produccin grande y una demanda alta puede obtener ganancias
de 400 millones. Si la demanda es baja obtendr beneficios de 200 millones. Con
una lnea de produccin pequea no podr cubrir una demanda alta, por lo que la
empresa se ver en la necesidad de expandirse; despus de la expansin las
ganancias sern de 330 millones. Si no se expande, las ganancias se quedaran en
280 millones. Si se decide por un proceso pequeo y la demanda es baja, podr
satisfacerla sin ningn problema con una ganancia de 200 millones.
Abrir una lnea de produccin grande o pequea?
pg. 111
SEXTA UNIDAD
Tema N 10: CADENAS DE MARKOV
10.1 INTRODUCCIN
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra
un evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo
tienen memoria. Recuerdan" el ltimo evento y esto condiciona las posibilidades de los
eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov
de las series de eventos independientes, como tirar una moneda al aire o un dado.
En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de
compra de los deudores morosos, para planear las necesidades de personal y para
analizar el remplazo de equipo.
El anlisis de Markov, llamado as en honor de un matemtico ruso que desarrollo el
mtodo en 1907, permite encontrar la probabilidad de que un sistema se encuentre en
un estado en particular en un momento dado. Algo ms importante an, es que permite
encontrar el promedio a la larga o las probabilidades de estado estable para cada estado.
Con esta informacin se puede predecir el comportamiento del sistema a travs del
tiempo.
La tarea ms difcil es reconocer cundo puede aplicarse. La caracterstica ms
importante que hay que buscar en la memoria de un evento a otro.
10.2 CASO DE APLICACIN

Aplicacin a la administracin: Planeacin de Personal.
El anlisis de transicin puede ser til al planear satisfacer las necesidades de personal.
Muchas firmas emplean trabajadores de diferentes niveles de clasificacin dentro de la
misma categora de trabajo. Esto es comn para personal de confianza, oficinistas,
obreros calificados, no calificados y personal profesional. La firma debe tener el nmero
de empleados en cada nivel de clasificacin para proporcionar la oportunidad de
promocin adecuada, cumplir con las habilidades necesarias para el trabajo y controlar
la nmina. Una planeacin de personal a largo plazo apropiada requiere que se considere
el movimiento de personas tanto hacia arriba en el escalafn de clasificacin como hacia
afuera de la organizacin. El anlisis de Markov puede ayudar en este esfuerzo de
planeacin.
El movimiento de personal a otras clasificaciones puede considerarse como una cadena
de Markov. Se supone que hay tres clasificaciones; el grado 1 es la ms baja. Adems,
los descensos se consideran raros y se omiten. El estado "salen" es absorbente, el cual
incluye renuncias, ceses, despidos y muertes. Por supuesto, todos los empleados
finalmente alcanzan este estado.
Las transiciones del grado 1 al grado 2 y del grado 2 al grado 3 representan
promociones. Como transiciones de probabilidad, estn controladas por la firma, puede
establecerse el nivel que la firma determine que es necesario para cumplir sus objetivos.
Como ejemplo, supngase que la firma tiene en este momento 30 empleados del 3, 90
empleados del grado 2 y 300 empleados del grado 1 y que desea mantener este nivel
de empleados durante el prximo ao. Por experiencia, se espera que salgan el 30 %
de los empleados de grado 1 al ao, el 20 % de los empleados de grado 2 y el 10 % de
aquellos que estn en el grado 3. Si la poltica es contratar slo en los niveles de
clasificacin ms bajos, cuntos se deben contratar y cuntos se deben promover el
siguiente ao para mantener estables los niveles?
Este problema puede resolverse sin el anlisis de Markov, pero el modelo es til para
ayudar a conceptualizar el problema. Como se trata slo de un ciclo, se usa el anlisis
de transicin. El anlisis comienza con el grado ms alto. No se hacen promociones pero
el 10 %, o sea, 3, sale. Todos ellos deben de remplazarse por promociones del grado 2.
En el nivel de clasificacin, el 20 % sale y se deben promover 3, con una prdida de 21.
pg. 112
Esto se debe compensar por promocin del grado 1. Al pasar al grado 1, el 30 % sale y
21 deben promoverse, lo cual una prdida total de 111. Por tanto, el siguiente ao se
deben contratar 111 empleados del nivel 1.
En este ejemplo se derivan algunas tasas de transicin a partir de consideraciones
externas.
10.3 FORMULACIN DE LAS CADENAS DE MARKOV

Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra
un evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo
tienen memoria. Recuerdan" el ltimo evento y esto condiciona las posibilidades de los
eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov
de las series de eventos independientes, como tirar una moneda al aire o un dado.
En la siguiente se muestra el proceso para formular una cadena de Markov. El generador
de Markov produce uno de n eventos posibles, Ej , donde j = 1, 2, . . . , n, a intervalos
discretos de tiempo (que no tiene que ser iguales ). Las probabilidades de ocurrencia
para cada uno de estos eventos dependen del estado del generador. Este estado se
describe por el ltimo evento generado. En la figura 4.1.1, el ltimo evento generado
fue Ej , de manera que el generador se encuentra en el estado Mj .
Generador de Markov
La probabilidad de que Ek sea el siguiente evento generado es una probabilidad

condicional: P (Ek / Mj). Esto se llama probabilidad de transicin del estado Mj al estado
Ek. Para describir completamente una cadena de Markov es necesario saber el estado
actual y todas las probabilidades de transicin.
Probabilidades de transicin
Una forma de describir una cadena de Markov es con un diagrama de estados, como el
que se muestra en la figura 4.1.2. En sta se ilustra un sistema de Markov con cuatro
estados posibles: M1, M2, M3 y M4. La probabilidad condicional o de transicin de
moverse de un estado a otro se indica en el diagrama
pg. 113
Diagrama de estados
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de
transicin. . La matriz de transicin para el ejemplo del diagrama de estados se muestra
en la tabla Matriz de transicin.
Matriz de transicin
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de
transicin. .
Para n = 0, 1, 2,
El superndice n no se escribe cuando n = 1.
CASOS RESUELTOS
pg. 114
pg. 115
Actividad
PROBLEMAS PROPUESTOS DE CADENAS DE MARKOV
1.
2.
pg. 116
REFERENCIAS BIBLIOGRFICAS
1. ANDERSON y WILLIAMS, 2004 Mtodos Cuantitativos Para los Negocios, 9

Edicin, Mxico, Editorial IThomson Learning
2. EPPEN G D y Otros, 2000 Investigacin de operaciones en la ciencia
administrativa 5 edicin Mxico Editorial Prentice Hall
3. HILLIER F y LIEBERMAN G. 1991 Introduccin a la investigacin de operaciones
5 edicin Mxico Editorial McGraw-Hill
4. TAHA, H. 1998 Investigacin de Operaciones. 6 edicin. Mxico, Prentice
Hall,
REFERENCIAS ELECTRNICAS
1. Administracin de operaciones
http://admoperaciones.pe.tripod.com/admope.htm
2. Operations Management and Principles of Operations Management
http://wps.prenhall.com/bp_heizer_opsmgmt_10/147/37737/9660836.cw/index.ht
ml
3. Sistemas de produccin integrado
http://italica.us.es/asignaturas/it/spi.htm
pg. 117
ANEXO
DISTRIBUCION DE PROBABILIDAD NORMAL ESTANDAR
normal 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.5 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.5279 0.53188 0.53586
0.1 0.53983 0.5438 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.6293 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.6591 0.66276 0.6664 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.7054 0.70884 0.71226 0.71566 0.71904 0.7224
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.7549
0.7 0.75804 0.76115 0.76424 0.7673 0.77035 0.77337 0.77637 0.77935 0.7823 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.8665 0.86864 0.87076 0.87286 0.87493 0.87698 0.879 0.881 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.9032 0.9049 0.90658 0.90824 0.90988 0.91149 0.91308 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.9222 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.9452 0.9463 0.94738 0.94845 0.9495 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.9608 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.9732 0.97381 0.97441 0.975 0.97558 0.97615 0.9767
2 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.9803 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.983 0.98341 0.98382 0.98422 0.98461 0.985 0.98537 0.98574
2.2 0.9861 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.9884 0.9887 0.98899
2.3 0.98928 0.98956 0.98983 0.9901 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.9918 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.9943 0.99446 0.99461 0.99477 0.99492 0.99506 0.9952
2.6 0.99534 0.99547 0.9956 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.9972 0.99728 0.99736
2.8 0.99744 0.99752 0.9976 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.999
3.1 0.99903 0.99906 0.9991 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.9994 0.99942 0.99944 0.99946 0.99948 0.9995
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.9996 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.9997 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.9998 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.7 0.99989 0.9999 0.9999 0.9999 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997
4 0.99997 0.99997 0.99997 0.99997 0.99997 0.99997 0.99998 0.99998 0.99998 0.99998
pg. 118

Investigacion de Operaciones - 2017 II

Uploaded by

Document Information

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

Investigacion de Operaciones - 2017 II

Uploaded by

Copyright:

Available Formats

Calidad que se acredita internacionalmente

Ser una de las 10 mejores universidades

Somos una universidad privada, innovadora y

Universidad Continental de Ciencias e Ingeniera

El desarrollo del material de la asignatura, se hace considerando la Investigacin de

Tema N 3: METODOS DE SOLUCION DE PROBLEMAS DE PL 20

Tema N 4: ANALISIS DE DUALIDAD Y SENSIBILIDAD 40

Tema N 6: MODELO DE ASIGNACION DE RECURSOS 59

SEPTIMA UNIDAD 114

REFERENCIAS BIBLIOGRFICAS 119

METODOLOGA DE LA INVESTIGACIN DE OPERACIONES

El texto se fundamenta en la metodologa de la investigacin de operaciones alineada a

Tema N 1: LA INVESTIGACIN DE OPERACIONES Y EL USO DE

1.1 Los modelos

1.1.1 Clasificacin de modelos

Modelo matemtico de optimizacin. Los modelos matemticos de

1.1.2 Principios de los modelos

1.2 Qu es la investigacin de operaciones?

La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios,

2. En un sistema la informacin es una parte fundamental, ya que entre las

Tema N 2: PROGRAMACIN LINEAL

2.2 Expresin matemtica

aij, matemticamente simboliza el coeficiente, en la restriccin i, de las variable

2.3 Modelo de Programacin Lineal

bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m)

aij = cantidad del recurso i consumido por cada unidad de la actividad j

2.4 Forma estndar del modelo

programacin lineal que maneja la asignacin de recursos a actividades particular, este

2.5 Suposiciones del Modelo de Programacin Lineal

2.6 Modelos matemticos

los inventarios, el nivel de empleados y la tecnologa. La PL se ha aplicado con xito a

2.7 Formulacin de modelos de programacin lineal

2.7.1 Pasos a seguir

Restriccin de entradas: Son limitantes debido a la escasees de materias primas,

2.7.2 Casos de aplicacin

Con base en la teora sealada, para formular y construir el modelo, se tiene lo

a) Debe definirse claramente a las variables de decisin y expresarlas simblicamente.

c) Deben definirse las restricciones y expresarlas como funciones lineales.

1 hora de trabajo X1(unid. de producto A) + 2 X2 + 3 X3 100 horas de trabajo

Restriccin 2: Horas de acabado disponibles en este perodo:

2 X1 + 3 hora de acabado X2 (unid. de producto B) + 1 X3 200 horas de acabado

Restriccin 3: Disponibilidad limitada de unidades de materia prima:

De esta forma las restricciones estn expresadas en unidades fsicas. Se destaca en

Finalmente, incorporando la restriccin de no-negatividad de las variables de decisin,

Restricciones Televisin Radio Prensa

Objetivo: Maximizar la audiencia total o cantidad de personas que ven la publicidad

Restricciones 2, 3 y 4: Uso mximo de medios para la publicidad:

Restriccin 5: Publicidad limitada a un mximo de 50% en radio, con relacin al total

Restriccin 6: La cantidad de unidades solicitadas en televisin debe ser al menos 10%

X5: Empleados a tiempo parcial que empiezan a trabajar a la 10 am

c) Restricciones de requerimientos de empleados totales en los ocho horarios

C = 3x1 + 5x2 (Costo total de Produccin)

Formular los modelos de programacin lineal.

Tema N 3: METODOS DE SOLUCION DE PROBLEMAS DE PL

3.1 Mtodo grfico

3.1.1 Criterios a considerar

Un modelo tiene SOLUCIN CON VALOR INFINITO cuando hay combinaciones de

3.1.2 Casos de aplicacin

A la vista de la grfica anterior, tenemos que (0, 0) y (2, 1) no son soluciones

Las restricciones son:

La funcin que nos da el coste es z = 10x + 30y = 10(x + 3y).

Dibujamos el recinto correspondiente a las restricciones, y la recta 10(x + 3y) = 0

Las restricciones son:

La funcin que nos da el rendimiento total es: