You are on page 1of 96

ASIGNATURA

INVESTIGACIÓN DE OPERACIONES I
(MATERIAL DE AUTOAPRENDIZAJE)

Universidad Continental de Ciencias e Ingeniería Material publicado con fines de estudio Primera edición Huancayo, 2010

Investigación de operaciones I

PRESENTACIÓN DE LA ASIGNATURA
La Investigación Operativa es una moderna disciplina científica que se caracteriza por la aplicación de teoría, métodos y técnicas especiales, para buscar la solución de problemas de administración, organización y control que se producen en los diversos sistemas que existen en la naturaleza y los creados por el ser humano, tales como las organizaciones a las que identifica como sistemas organizados, sistemas físicos, económicos, ecológicos, educacionales, de servicio social, etc. El objetivo más importante de la aplicación de la Investigación Operativa es apoyar en la “toma óptima de decisiones” en los sistemas y en la planificación de sus actividades. El enfoque fundamental de la Investigación Operativa es el enfoque de sistemas, por el cual, a diferencia del enfoque tradicional, se estudia el comportamiento de todo un conjunto de partes o sub-sistemas que interaccionan entre sí, se identifica el problema y se analizan sus repercusiones, buscándose soluciones integrales que beneficien al sistema como un todo. Para hallar la solución, la Investigación Operativa generalmente representa el problema como un modelo matemático, que es analizado y evaluado previamente. La Investigación de Operaciones es una ciencia interdisciplinaria La asignatura tiene por finalidad proporcionar los conocimientos básicos para la formulación de modelos lineales, su solución y análisis para tomar decisiones adecuadas en la gestión de organizaciones, por lo cual el presente material se ha estructurado en tres capítulos. El capítulo I comprende los fundamentos sobre los modelos operativos. E el capítulo II se desarrolla los aspectos concernientes a la programación lineal desde la formulación hasta las diversas formas de solución. El capítulo 3 abarca los casos especiales de la programación lineal como el problema de transporte y el problema de asignación.

RESEÑA HISTÓRICA DE LA INVESTIGACIÓN DE OPERACIONES 1.1.5 ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION 1. SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL 2.4.5.1 DEFINICIÓN DEL PROBLEMA Y RECOLECCIÓN DE DATOS 1.1.4.1.3.2 ¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES? 1.3 OBTENCIÓN DE UNA SOLUCIÓN A PARTIR DEL MODELO 1. FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL 2.3. FORMULACIÓN DE UN MODELO MATEMÁTICO 1.2.1 FORMA ESTÁNDAR DEL MODELO 2.2 PRINCIPIOS DE LOS MODELOS 1.2.3. METODOLOGÍA DE LA INVESTIGACION DE OPERACIONES 1.1 CLASIFICACIÓN DE MODELOS 1.2.5.3.2 CASOS DE FORMULACIÓN 2.4.1.Investigación de operaciones I CONTENIDO CAPITULO 1: FUNDAMENTOS DE LA INVESTIGACIÓN DE OPERACIONES 1.3. LOS MODELOS 1.1 NATURALEZA DE LA INVESTIGACIÓN DE OPERACIONES 1.2.3.4 PRUEBA DEL MODELO 1.3 MODELO DE PROGRAMACIÓN LINEAL 2. SUPUESTOS DEL MODELO DE PROGRAMACIÓN LINEAL 2.3.1 PROBLEMAS PROPUESTOS 2.1 PASOS A SEGUIR 2.2.6 IMPLANTACION DE LA SOLUCION CAPITULO 2: PROGRAMACIÓN LINEAL 2.4.3.3. EXPRESIÓN MATEMÁTICA 2.1 MÉTODO GRÁFICO 1 1 1 3 3 5 6 8 8 9 10 11 12 12 14 15 15 17 18 18 18 19 24 25 25 .

2 TEORÍA DE DUALIDAD CAPITULO 3: APLICACIONES ESPECIALES DE PROGRAMACIÓN LINEAL 3.2 PROBLEMA DE ASIGNACIÓN 3.4 SITUACIONES ESPECIALES 26 27 34 34 2.2 MÉTODOS PARA ENCONTRAR SOLUCIONES FACTIBLES 3.5.1.1 TEOREMA FUNDAMENTAL DE LA ASIGNACIÓN 44 47 51 51 54 58 58 60 67 73 85 88 .5.1.1 DEFINICIONES GENERALES DEL ANÁLISIS DE SENSIBILIDAD 2.1 PROCEDIMIENTO GENERAL DEL SIMPLEX 2.1.2.2 CASOS DE APLICACIÓN 2.1 PROBLEMA DE TRANSPORTE 3.5.5. DUALIDAD Y ANÁLISIS DE SENSIBILIDAD 2.3 COMPARACIÓN DE CRITERIOS ALTERNATIVOS PARA EL PASO 1 3.5.1.6.1.1.5.2.2.1 CRITERIOS A CONSIDERAR 2.1.2 METODOLOGÍA DE CÁLCULO 2.5.3 EJERCICIOS PROPUESTOS 2.6.6.Investigación de operaciones I 2.2 SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL: MÉTODO SIMPLEX 44 2.1 MODELO GENERAL DEL PROBLEMA DE TRANSPORTE 3.

El objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento futuro. deben representar de alguna manera las relaciones reales existentes entre las diferentes entidades o aspectos del sistema u objeto real. es decir. Obviamente los modelos no son tan complejos como el sistema mismo. En muchos casos podemos utilizar modelos matemáticos que. mediante letras. Probabilístico. se pueden aplicar el cálculo. números y operaciones. Claramente no habría ventaja alguna de utilizar modelos si estos no simplificaran la situación real. Los modelos matemáticos pueden clasificarse de la siguiente manera: • Determinista.1 LOS MODELOS Un modelo es una representación ideal de un sistema y la forma en que este opera. de tal manera que se hacen las suposiciones y restricciones necesarias para representar las porciones más relevantes del mismo. el álgebra y otras herramientas matemáticas para deducir el comportamiento del sistema bajo estudio. 1.Investigación de operaciones I CAPITULO 1 FUNDAMENTOS DE LA INVESTIGACIÓN DE OPERACIONES 1. Además. Las relaciones matemáticas formales entre los objetos del modelo. permitiendo reinterpretar en la realidad las predicciones del modelo. Así una vez "traducido" o "representado" cierto problema en forma de modelo matemático. representan variables.1 CLASIFICACIÓN DE MODELOS Se podría decir que un modelo de las ciencias físicas es una traducción de la realidad física de un sistema en términos matemáticos. Se conoce de manera puntual la forma del resultado ya que no hay incertidumbre. 1 . • Estocástico.1. una forma de representar cada uno de los tipos entidades que intervienen en un cierto proceso físico mediante objetos matemáticos. magnitudes y sus relaciones. Un modelo físico requerirá por tanto que se pueda seguir el camino inverso al modelado. que no se conoce el resultado esperado. sino su probabilidad y existe por tanto incertidumbre. los datos utilizados para alimentar el modelo son completamente conocidos y determinados.

Investigación de operaciones I Además con respecto a la función del origen de la información utilizada para construirlos los modelos pueden clasificarse de otras formas. Los modelos matemáticos de optimización son ampliamente utilizados en diversas ramas de la ingeniería para resolver problemas que por su naturaleza son indeterminados. • Control. • Modelos empíricos (del griego empeirikos relativo a la 'experienia'). es decir presentan más de una solución posible. área de operación. sin embargo existen muchas otras como la de finanzas. se refiere a modelos matemáticos poco predecibles. • Simulación. A continuación veremos algunos tipos en los que se puede adecuar algún modelo matemático de interés. investigación. Para determinar el punto exacto para resolver alguna problemática administrativa. inventar'). combinada. de producción. y probabilística o heurística cuando es aleatorio. Categorías por su aplicación suelen utilizarse en las siguientes tres áreas. 2 . Para saber con precisión como está algo en una organización. se distinguen modelos heurísticos y modelos empíricos: • Modelos heurísticos (del griego euriskein 'hallar. pero que pueden acoplarse a alguna alternativa existente y aproximada en su cuantificación. ciencias etc. Son los que reproducen mediante fórmulas y algoritmos matemáticos más o menos complejos los procesos físicos que se producen en la naturaleza • Modelo matemático de optimización. De situaciones medibles de manera precisa o aleatoria. Son los que utilizan las observaciones directas o los resultados de experimentos del fenómeno estudiado. etc. Cuando la optimización es entera o no lineal. o cualquier otra situación. Son los que están basados en las explicaciones sobre las causas o mecanismos naturales que dan lugar al fenómeno estudiado. según su campo de aplicación los modelos: • Modelos conceptuales. • Optimización. Además los modelos matemáticos encuentran distintas denominaciones en sus diversas aplicaciones. por ejemplo con aspectos de programación líneal cuando es de manera precisa.

1. • • • • • • • • • • • No debe elaborarse un modelo complicado cuando uno simple es suficiente. a generar alternativas de solución y evaluarlas hasta seleccionar la que le parece mejor. El enfoque cualitativo se basa en la experiencia y el juicio personal. reconocer las limitaciones o restricciones. Los modelos no pueden reemplazar al tomador de decisiones. La investigación de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro. Nunca debe pensarse que el modelo es el sistema real. este proceso puede se cualitativo o cuantitativo. La fase deductiva de la modelación debe realizarse rigurosamente. sólo auxiliarlos" A continuación se presenta una lista. Los modelos deben validarse antes de su implantación. 3 . El problema no debe ajustarse al modelo o método de solución. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de herramientas matemáticas que le permitan a la persona mejorar su efectividad en la toma de decisiones.Investigación de operaciones I 1. conducen a mejores decisiones y no a simplificar la toma de éstas. de los principios generales de modelación. no exhaustiva. Los modelos de Investigación de Operaciones. En muchas ocasiones este proceso basta para tomar buenas decisiones. Uno de los primeros beneficios de la modelación reside en el desarrollo del modelo.2 RESEÑA HISTÓRICA DE LA INVESTIGACIÓN DE OPERACIONES La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo.2 PRINCIPIOS DE LOS MODELOS "Los modelos no pueden reemplazar al tomador de decisiones. No venda un modelo como la perfección máxima. las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la práctica. Un modelo debe criticarse por algo para lo que no fue hecho. a formular un objetivo. Este enfoque es útil cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un análisis exhaustivo para tener mayor posibilidad de elegir la mejor solución. Un modelo es tan bueno o tan malo como la información con la que trabaja.1.

casi siempre se atribuye a los servicios militares prestados a principios de la segunda guerra mundial. De hecho. con sus propias metas y sistemas de valores. el mundo ha sido testigo de un crecimiento sin precedentes en el tamaño y la complejidad de las organizaciones. Desde la Revolución Industrial. de manera que pueden terminar trabajando con objetivos opuestos.Investigación de operaciones I En el ambiente socioeconómico actual altamente competitivo y complejo. existía una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operación. estos equipos contribuyeron al triunfo del combate aéreo inglés. Estos equipos de científicos fueron los primeros equipos de IO. Sin embargo. uno de estos problemas es las tendencia de muchas de los componentes de una organización a convertirse en imperios relativamente autónomos. se vuelve más difícil asignar los recursos disponibles a las diferentes actividades de la manera más eficaz para la organización como un todo. cuando se hicieron los primeros intentos para emplear el método científico en la administración de una empresa. puede ir en detrimento de otra. proporcionaron el ambiente adecuado para el surgimiento de la Investigación de Operaciones (IO). Lo que es mejor para una componente. A través de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de protección. perdiendo con esto la visión de la forma en que encajan sus actividades y objetivos con la organización. se les pidió que hicieran investigación sobre operaciones (militares). Debido a los esfuerzos bélicos. el inicio de la actividad llamada investigación de operaciones. conforme la complejidad y la especialización crecen. y la necesidad de encontrar la mejor forma de resolverlos. Una parte integral de este cambio revolucionario fue el gran aumento en la división del trabajo y en la separación de las responsabilidades administrativas en estas organizaciones. el aumento en el grado de especialización creo nuevos problemas. Este tipo de problemas. Por esto. Un problema relacionado con esto es que. en la forma más efectiva. Junto con los beneficios. jugaron también un papel importante en la victoria 4 . Con el desarrollo de métodos efectivos para el uso del nuevo radar. las administraciones militares americana e inglesa hicieron un llamado a un gran número de científicos para que aplicaran el método científico a éste y a otros problemas estratégicos y tácticos. los métodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y prácticas apoyadas en una base cuantitativa sólida. Las raíces de la investigación de operaciones se remontan a muchas décadas.

de esto resultaron avances importantes. se encontraban motivados a buscar resultados sustanciales en este campo. esto puso las técnicas al alcance de un gran número de personas. el transporte. 5 . desarrollado en 1947 por George Dantzing. el desarrollo de la computadora electrónica digital. la investigación de operaciones se aplica a problemas que se refieren a la conducción y coordinación de operaciones (o actividades) dentro de una organización. Otros dos factores jugaron un papel importante en el desarrollo de la investigación de operaciones durante este período. Un ejemplo sobresaliente es el método simplex para resolver problemas de programación lineal. Esfuerzos similares fueron de gran ayuda en a isla de campaña en el pacífico. con su capacidad para realizar cálculos aritméticos.Investigación de operaciones I de la batalla del Atlántico Norte.1 NATURALEZA DE LA INVESTIGACIÓN DE OPERACIONES Como su nombre lo dice. la constitución. acompañado de buenos paquetes de software para resolver problemas de IO. la milicia y los servicios públicos. Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina. Uno es el gran progreso que ya se había hecho en el mejoramiento de las técnicas disponibles en esta área. Después de la guerra. miles o tal vez millones de veces más rápido que los seres humanos. por lo general se requiere un gran número de cálculos. Un avance más tuvo lugar en la década de 1980 con el desarrollo de las computadoras personales cada vez más rápidas. la gama de aplicaciones es extraordinariamente amplia. de hecho. muchos científicos que habían participado en los equipos de IO o que tenían información sobre este trabajo. 1. Llevarlos a cabo a mano puede resultar casi imposible. Un segundo factor fue el advenimiento de las computadoras. como programación lineal. Muchas de las herramientas características de la investigación de operaciones. fueron desarrolladas casi por completo antes del término de la década de 1950. Entonces. la planeación financiera. líneas de espera y teoría de inventarios. el cuidado de la salud. por nombrar sólo unas cuantas. La naturaleza de la organización es esencialmente inmaterial y. Así. programación dinámica.2. fue una gran ayuda para la investigación de operaciones. Por lo tanto. la investigación de operaciones significa "hacer investigación sobre las operaciones". las telecomunicaciones. la investigación de operaciones se ha aplicado de manera extensa en áreas tan diversas como la manufactura.

Esto no significa que el estudio de cada problema deba considerar en forma explícita todos los aspectos de la organización sino que los objetivos que se buscan deben ser consistentes con los de toda ella. se usa el método científico para investigar el problema en cuestión. ciencias del comportamiento y.) En lugar de contentarse con mejorar el estado de las cosas. la meta es identificar el mejor curso de acción posible. en las técnicas operativas. Una característica adicional es intenta encontrar una mejor solución. se llevan a cabo los experimentos adecuados para probar esta hipótesis. en 6 .2. esta "búsqueda de lo óptimo es un aspecto importante dentro de la investigación de operaciones. intentando resolver los conflictos de intereses entre las componentes de la organización de forma que el resultado sea el mejor para la organización completa. por lo general es necesario contar con un equipo de profesionales.Investigación de operaciones I La parte de investigación en el nombre significa que la investigación de operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigación en los campos científicos establecidos. el proceso comienza por la observación cuidadosa y la formulación del problema incluyendo la recolección de los datos pertinentes. En gran medida. al igual que en economía. (Con frecuencia este paso se conoce como validación del modelo). Después.2 ¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES? Como toda disciplina en desarrollo. 1. administración de empresas. La investigación de operaciones tiene un amplio punto de vista organizacional. estadística y teoría de probabilidades. Aun cuando debe interpretarse con todo cuidado en términos de las necesidades reales de la administración. En este punto se propone la hipótesis de que el modelo es una representación lo suficientemente precisa de las características esenciales de la situación como para que las conclusiones (soluciones) obtenidas sean válidas también para el problema real. ingeniería. En particular. Este debe incluir individuos con bases en matemáticas. ciencias de la computación. por supuesto. El siguiente paso es la construcción de un modelo científico (por lo general matemático) que intenta abstraer la esencia del problema real. Cuando se va a emprender un estudio de investigación de operaciones completo de un nuevo problema. (Decimos una mejor solución y no la mejor solución porque pueden existir muchas soluciones que empaten como la mejor. (llamada solución óptima) para el problema bajo consideración. modificarla si es necesario y eventualmente verificarla. la investigación de operaciones ha ido evolucionando no sólo en sus técnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores.

• La investigación de operaciones es la aplicación de la metodología científica a través modelos matemáticos. a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organización. Definición de Churchman. Ackoff y Arnoff: la investigación de operaciones es la aplicación. estrategias o controles alternativos. • La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento. que incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y comparen los resultados de decisiones. También dentro de la estructura de los sistemas se encuentran recursos que generan interacciones. del método científico a problemas relacionados con el control de las organizaciones o sistemas (hombre-máquina). • En un sistema la información es una parte fundamental. La definición de la sociedad de investigación de operaciones de la Gran Bretaña es la siguiente: La investigación de operaciones es el tratamiento de la ciencia moderna a los complejos problemas que surgen en la dirección y en la administración de grandes sistemas de hombres. otras demasiado engañosas. en el gobierno y en la defensa. ya que entre las componentes fluye información que ocasiona la interacción entre ellas. se han convertido en multidisciplinario por lo cual para su análisis y solución se requieren grupos compuestos por especialistas de diferentes áreas del conocimiento que logran comunicarse con un lenguaje común. máquinas. el control es un mecanismo de autocorrección del sistema que permite evaluar los resultados en términos de los objetivos establecidos. primero para representar al problema y luego para resolverlo. unas de estas interacciones pueden ser controladas y otras no. 7 . Su propósito es ayudar a determinar científicamente sus políticas y acciones. materiales y dinero. aquí seleccionamos dos de las mas aceptadas y representativas. por grupos interdisciplinarios. algunas demasiado generales. en los negocios.Investigación de operaciones I la actualidad no existe solamente una definición sino muchas. Los objetivos de la organización se refieren a la eficacia y eficiencia con que las componentes pueden controlarse. en la industria. Su diferencia está en desarrollar un modelo científico del sistema tal. De ésta definición se pueden destacar los siguientes conceptos: • Una organización es un sistema formado por componentes que se interaccionan.

1 DEFINICIÓN DEL PROBLEMA Y RECOLECCIÓN DE DATOS La mayor parte de los problemas prácticos con los que se enfrenta el equipo IO están descritos inicialmente de una manera vaga. la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. b) identificar los posibles cursos de acción. las restricciones sobre lo que se puede hacer.3 METODOLOGÍA DE LA INVESTIGACION DE OPERACIONES 1. En lugar de ello. idealmente. no sólo de algunos de sus componentes. d) Los cursos de acción alternativos que se pueden tomar para resolverlo.Investigación de operaciones I 1. los objetivos usados en un estudio deben ser tan específicos como sea posible. ¡Es difícil extraer una respuesta "correcta" a partir de un problema "equivocado"! Por su naturaleza. etc. Un estudio de IO busca soluciones óptimas globales y no soluciones sub óptimas aunque sean lo mejor para uno de los componente.3. los objetivos que se formulan debe coincidir con los de toda la organización. los diferentes cursos de acción posibles. los límites de tiempo para tomar una decisión. Entonces. Muchos problemas interesan nada más a una parte de la organización. la investigación de operaciones se encarga del bienestar de toda la organización. a) identificar las componentes y variables controlables y no controlables del sistema. Las condiciones fundamentales para que exista un problema es que se establezca una diferencia entre lo que es (situación actual) y lo que debe ser (situación deseada u objetivo) y además exista cuando menos una forma de eliminar o disminuir esa diferencia. determinados por las componentes controlables. Para formular un problema se requiere. esto no siempre es conveniente. Este proceso de definir el problema es crucial ya que afectará en forma significativa la relevancia de las conclusiones del estudio. Los componentes de un problema son: a) el tomador de decisiones o ejecutivo. Por consiguiente. Sin embargo. de manera que el análisis sería innecesariamente besado si los objetivos fueran muy generales y si se prestara atención especial a todos los efectos secundarios sobre el resto de la organización. b) los objetivos de la organización. siempre y cuando contemplen las metas principales del tomador de decisiones y mantengan un nivel razonable de consistencia con los objetivos de los altos niveles. las interrelaciones del área bajo estudio con otras áreas de la organización. d) definir los objetivos que se busca alcanzar y clasificarlos por orden de 8 . Esto incluye determinar los objetivos apropiados. c) definir el marco de referencia dado por las componentes no controlables. c) el sistema o ambiente en el que se sitúa el problema.

necesariamente. por lo que casi siempre se 9 . existe una amplia disponibilidad de paquetes de software para muchos tipos de modelos matemáticos. la de los modelos matemáticos. Una ventaja obvia es que el modelo matemático describe un problema en forma mucho más concisa. Sin duda. que representa la esencia el problema que se pretende solucionar. en particular. Un modelo es.2 FORMULACIÓN DE UN MODELO MATEMÁTICO Una vez definido el problema del tomador de decisiones. se procede a determinar matemáticamente cada una de las dos partes que constituyen un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una función (ecuación) llamada función objetivo. un modelo matemático forma un puente para poder emplear técnicas matemáticas y computadoras de alto poder. una idealización abstracta del problema. para micro y minicomputadoras. De esta manera. Luego. Para construir un modelo es necesario primero definir las variables en función de las cuales será establecido. e) identificar las interpelaciones importantes entre las diferentes partes del sistema y encontrar las restricciones que existen. b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstáculos para la consecución del objetivo. para analizar el problema. El modelo matemático está constituido por relaciones matemáticas (ecuaciones y desigualdades) establecidas en términos de variables. existen obstáculos que deben evitarse al usar modelos matemáticos. Un modelo siempre debe ser menos complejo que el problema real. indica con más claridad que datos adicionales son importantes para el análisis.Investigación de operaciones I importancia. se explorará la naturaleza general de los modelos y. La forma convencional en que la investigación de operaciones realiza esto es construyendo un modelo matemático que represente la esencia del problema. Esto tiende a hacer que toda la estructura del problema sea más comprensible y ayude a revelar las relaciones importantes entre causa y efecto. Los modelos matemáticos tienen muchas ventajas sobre una descripción verbal del problema. es una aproximación abstracta de la realidad con consideraciones y simplificaciones que hacen más manejable el problema y permiten evaluar eficientemente las alternativas de solución. Antes de analizar como formular los modelos de este tipo. 1. También facilita simultáneamente el manejo del problema en su totalidad y el estudio de todas sus interpelaciones. Por otro lado. Por último. la siguiente etapa consiste en reformularlo de manera conveniente para su análisis.3.

3. Aunque esta fase de pruebas se haya colocado después en el orden del libro. Los procedimientos de solución pueden ser clasificados en tres tipos: a) analíticos. debe tenerse cuidado de que el modelo sea siempre una representación válida del problema. es importante hacer un número considerable de pruebas del modelo y las modificaciones consecuentes. 10 . La selección del método de solución depende de las características del modelo. que utiliza métodos que imitan o. que utilizan procesos de deducción matemática. En consecuencia. El criterio apropiado para juzgar la validez de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de acción. Para asegurar que este requisito se cumpla. si la hay. c) simulación. b) numéricos. o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. emulan al sistema real.Investigación de operaciones I requieren aproximaciones y suposiciones de simplificación si se quiere que el modelo sea manejable (susceptible de ser resuelto). Muchos de los procedimientos de solución tienen la característica de ser iterativos. que son de carácter inductivo y funcionan en base a operaciones de prueba y error. Por lo tanto. gran parte del trabajo de validación del modelo se lleva a cabo durante la etapa de construcción para que sirva de guía en la obtención del modelo matemático. si es posible. en base a un modelo. 1. siempre que sus valores relativos (es decir. Entonces.3 OBTENCIÓN DE UNA SOLUCIÓN A PARTIR DEL MODELO Resolver un modelo consiste en encontrar los valores de las variables dependientes. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alternativas. no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las opciones. es decir buscan la solución en base a la repetición de la misma regla analítica hasta llegar a ella. o cuando menos a una aproximación. asociadas a las componentes controlables del sistema con el propósito de optimizar. todo lo que se requiere es que exista una alta correlación entre la predicción del modelo y lo que ocurre en la vida real. las diferencias entre sus valores) sean bastante preciso. para poder tomar una decisión que tenga sentido.

y comprobando que los resultados del modelo se comporten de una manera factible. Aunque sin duda quedarán algunos problemas menores ocultos en el modelo (y quizá nunca se detecten). el programador (o equipo de programación) concluye que el actual da. También es útil asegurarse de que todas las expresiones matemáticas sean consistentes en las dimensiones de las unidades que emplean. después de una larga serie de modelos mejorados. algunos factores o interpelaciones relevantes no se incorporaron al modelo y algunos parámetros no se estimaron correctamente. De manera similar. después de una larga serie de programas mejorados. el equipo de IO concluye que el modelo actual produce resultados razonablemente válidos. una buena manera de comenzar las pruebas es observarlo en forma global ("el bosque") para verificar los errores u omisiones obvias. Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas detalladas del modelo. se habrán eliminado suficientes problemas importantes como para que sea confiable utilizarlo.Investigación de operaciones I 1. así como la dificultad de recolectar datos confiables. Aunque sin duda quedarán algunas fallas ocultas en el programa (y quizá nunca se detecten. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se pueda. es sencillo "no ver el bosque por buscar los árboles". Con 11 . después de completar los detalles ("los árboles") de la versión inicial del modelo. Por lo tanto. en general. es inevitable que la primera versión de un modelo matemático grande tenga muchas fallas. Esto no se puede eludir dada la dificultad de la comunicación y la compresión de todos los aspectos y sutilezas de un problema operacional complejo.4 PRUEBA DEL MODELO El desarrollo de un modelo matemático grande es análogo en algunos aspectos al desarrollo de un programa de computadora grande. Sin duda. El grupo que hace esta revisión debe. Además.3. Con el tiempo. de preferencia. Eventualmente. Cuando se completa la primera versión. Al examinar de nuevo la formulación del problema y comprarla con el modelo pueden descubrirse este tipo de errores. es inevitable que contenga muchas fallas. incluir por lo menos a una persona que no haya participado en la formulación. resultados razonablemente válidos. las fallas importantes se habrán eliminado de manera que ahora es confiable usar el modelo. puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de los parámetros de entrada y/o de las variables de decisión. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validación del modelo. Entonces.

Cuando se determina que el modelo y la solución no son válidos. permanece como tal siempre y cuando las condiciones del problema tales como: las variables no controlables.5 ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION Una solución establecida como válida para un problema. esta fase consiste en determinar los rangos de variación de los parámetros dentro de los cuales no cambia la solución del problema. 12 . 1. se debe traducir la solución encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operación y administración del sistema. es necesario generar información adicional sobre el comportamiento de la solución debido a cambios en los parámetros del modelo. Esta situación se vuelve más factible cuando algunos de los parámetros fueron estimados aproximadamente.3. La etapa de implantación de una solución se simplifica en gran medida cuando se ha propiciado la participación de todos los involucrados en el problema en cada fase de la metodología. 1. el emplear las alternativas de solución y estimar sus desempeños históricos hipotéticos. Una vez superado éste obstáculo. En pocas palabras. indica si el uso del modelo tiende a dar mejoras significativas sobre la práctica actual. Lo que es más. etc. Por lo anterior. Un enfoque más sistemático para la prueba del modelo es emplear una prueba retrospectiva.3. se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de acción.6 IMPLANTACION DE LA SOLUCION El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. usualmente esto se conoce como análisis de sensibilidad.. los parámetros. Cuando es aplicable. de haberse usado. La comparación de la efectividad de este desempeño hipotético con lo que en realidad ocurrió. es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodología de la investigación de operaciones.Investigación de operaciones I frecuencia. esto es especialmente revelador cuando se asignan a los parámetros o a las variables valores extremos cercanos a su máximo o a su mínimo. no cambien significativamente. las relaciones. Puede también indicar áreas en las que el modelo tiene fallas y requiere modificaciones. esta prueba utiliza datos históricos y reconstruye el pasado para determinar si el modelo y la solución resultante hubieran tenido un buen desempeño.

Primero. ya que es aquí. y se inicia entonces el nuevo curso de acción. En seguida. Por lo tanto. el equipo de IO supervisa la experiencia inicial con la acción tomada para identificar cualquier modificación que tenga que hacerse en el futuro. como para corregir cualquier defecto en la solución que salga a la luz en este momento. estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operación. es apropiado que el equipo de investigación de operaciones documento su metodología con suficiente claridad y detalle para que el trabajo sea reproducible. Es más probable que el equipo de IO obtenga este apoyo si ha mantenido a la administración bien informada y ha fomentado la guía de la gerencia durante el estudio. La gerencia operativa se encarga después de dar una capacitación detallada al personal que participa. Con esto en mente. y sólo aquí. El éxito de la puesta en práctica depende en gran parte del apoyo que proporcionen tanto la alta administración como la gerencia operativa. Poder obtener una réplica debe ser parte del código de ética profesional del investigador de operaciones. tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo. es importante que el equipo de IO participe. La buena comunicación ayuda a asegurar que el estudio logre lo que la administración quiere y por lo tanto merezca llevarse a la práctica. Esta condición es crucial especialmente cuando se estudian políticas gubernamentales en controversia.Investigación de operaciones I Preparación para la aplicación del modelo Esta etapa es crítica. También proporciona a la administración el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantación. donde se cosecharán los beneficios del estudio. La etapa de implantación incluye varios pasos. 13 . Si tiene éxito. el equipo de investigación de operaciones de una cuidadosa explicación a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relación con la realidad operativa. el nuevo sistema se podrá emplear durante algunos años. A la culminación del estudio.

Después. este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas.Investigación de operaciones I CAPITULO 2 PROGRAMACIÓN LINEAL Considerado entre los avances científicos más importantes de mediados del siglo XX (desde 1950). En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compañías o negocios. hasta el diseño de una terapia de radiación. el resultado que mejor alcance la meta especificada (según el modelo matemático) entre todas las alternativas de solución. desde la planeación agrícola. se dispone de un procedimiento de solución eficiente llamado método simplex. La programación lineal utiliza un modelo matemático para describir el problema. Aún más. las palabra programación no se refiere a programación en computadoras. esto es. en esencia es un sinónimo de planeación. Con más precisión. En este caso. en forma óptima). 14 . cualquier problema cuyo modelo matemático se ajuste al formato general del modelo de programación lineal es un problema de programación lineal. Aunque la asignación de recursos a las actividades es la aplicación más frecuente. hasta la asignación de los recursos nacionales a las necesidades de un país. Expresado brevemente. la programación lineal tiene muchas otras posibilidades. desde la selección de una cartera de inversiones. y va desde la asignación de instalaciones de producción a los productos. Estas son algunas causas del tremendo auge de la programación lineal en las últimas décadas. la programación lineal trata la planeación de las actividades para obtener un resultado óptimo. La variedad de situaciones a las que se puede aplicar esta descripción es muy grande. El adjetivo lineal significa que todas las funciones matemáticas del modelo deber ser funciones lineales. hasta la selección de los patrones de envío. los niveles de actividad elegidos dictan la cantidad de cada recurso que consumirá cada una de ellas. el ingrediente común de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. Así. etc. No obstante. Una proporción muy grande de los cálculos científicos en computadoras está dedicada al uso de la programación lineal. el tipo más común de aplicación abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir.

..Investigación de operaciones I 2.. en la forma en que lo representa el término aijxj en la restricción. c) Aditividad Cada función en un modelo de programación lineal (función objetivo o el lado izquierdo de las restricciones) es la suma de las contribuciones individuales de las actividades respectivas. que las actividades transforman los recursos y no los crean o destruyen. Es una función lineal a ser maximizada o minimizada y tiene la siguiente forma general: Optimizar C1X1 + C2X2 + C3X3 + C4X4 +.. incluyendo valores no enteros.. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo de otras técnicas de la programación matemática.+ CnXn 15 .1 SUPUESTOS DEL MODELO DE PROGRAMACIÓN LINEAL a) Proporcionalidad La contribución de cada actividad al valor de la función objetivo Z es proporcional al nivel de actividad xj. o sea.. la contribución de cada actividad al lado izquierdo de cada restricción funcional es proporcional al nivel de la actividad xj. En consecuencia. es igual a la suma de las contribuciones individuales... que satisfagan las restricciones y de no negatividad.. Esta suposición garantiza que la contribución total tanto a la función objetivo como a las restricciones... dependiendo de cada caso en particular... como lo representa el término cjxj en la función objetivo. 2...2 EXPRESIÓN MATEMÁTICA • La Función Objetivo del Modelo Lineal es la formulación matemática de una meta establecida y por lo tanto su valor final mide la efectividad lograda. De manera similar. d) Divisibilidad Las variables de decisión en un modelo de programación lineal pueden tomar cualquier valor.. deben ser la misma cantidad.. b) Actividad Establece que la entrada y salida de un recurso en particular al conjunto de actividades.. esta suposición elimina cualquier exponente diferente a 1 para las variables en cualquier término de las funciones (función objetivo y en el lado izquierdo de las restricciones.

condiciones o requerimientos establecidos. son funciones lineales expresadas como igualdades o desigualdades.Investigación de operaciones I • Xj. estos coeficientes representan la cantidad del recurso total limitado i. j varía desde 1 hasta n. Son datos relevantes. Es decir. 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 a31 X1 + a 32 X 2 + a 33 X 3 + a34 X 4 + … + a3n Xn <= b3 . insumos incontrolables ya conocidos. al igual que los coeficientes de las variables en la Función Objetivo. Representan recursos. que limitan el valor de las variables de decisión a valores permisibles. al valor total deseado en el objetivo. que es utilizada en cada unidad de la variable j. El subíndice i indica el recurso. en la restricción i. Cuando la limitación es de un requerimiento o condición i. . desde 1 hasta n variables. Cj. que aporta cada unidad de la variable j. simboliza matemáticamente a las variables de decisión. En la Función Objetivo representan la cantidad con la cual contribuye cada unidad de la variable j. por ello. al requerimiento o condición total establecida. Son los únicos valores desconocidos en el modelo y pueden existir en cualquier cantidad. matemáticamente. requerimiento o condición cuya limitación se está expresando. de las variable j. simboliza el coeficiente de la variable j en la Función Objetivo. • • 16 . desde el punto de vista matemático. . valores unitarios. j indica la variable correspondiente. matemáticamente simboliza el coeficiente. Son los valores numéricos que se determinan con la solución del modelo y representan o están relacionadas con una actividad o acción a tomar. Cuando la limitación es de un recurso i. Son. Las restricciones. am1 X1 + a m2 X 2 + a m3 X 3 + am4 X 4 +… amn Xn <= bm • aij. representan la cantidad del requerimiento o condición i limitada.

de forma que deben asignarse con todo cuidado.. La cantidad disponible de cada recurso está limitada.. publicidad en un medio determinado y el envío de bienes de cierta fuente a cierto destino.Investigación de operaciones I • bi.3 MODELO DE PROGRAMACIÓN LINEAL Los términos clave son recursos y actividades. En cualquier aplicación de programación lineal. El tipo más usual de aplicación de programación lineal involucra la asignación de recursos a ciertas actividades. matemáticamente constituye el lado derecho de la restricción i..m) cantidad del recurso i consumido por cada unidad de la actividad j El modelo establece el problema en términos de tomar decisiones sobre los niveles de las actividades. vehículos y personal..2. bi y aij 17 .xn se llaman variables de decisión. Los valores de cj.. y entonces cada una correspondería en forma individual a las alternativas específicas dentro de esta categoría general.. Ciertos símbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programación lineal. • Xj >= 0 es una restricción de no negatividad de las j variables. Z= xj = cj = bi = aij = valor de la medida global de efectividad nivel de la actividad j (para j = 1..n) incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j cantidad de recurso i disponible para asignar a las actividades (para i = 1. junto con su interpretación para el problema general de asignación de recursos a actividades.2. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria. la cual se le considera siempre presente como una condición natural en el Modelo Lineal General. Los ejemplos de actividades incluyen inversión en proyectos específicos. Puede existir cualquier cantidad de restricciones por lo tanto i puede variar desde 1 hasta m.x2. equipo.. puede ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos).. Representa la cantidad total disponible del recurso limitado i. Estos símbolos se enumeran a continuación. 2.. en donde m denota el número de distintos tipos de recursos que se pueden usar y n denota el número de actividades bajo consideración. o la cantidad total de un requerimiento o condición i establecida. La determinación de esta asignación incluye elegir los niveles de las actividades que lograrán el mejor valor posible de la medida global de efectividad.. por lo que x1...

. Para tal efecto... la formulación estriba en pasar directamente del sistema asumido al modelo de PL... Bajo el criterio de optimización definido se pretende medir la contribución de las soluciones factibles que puedan obtenerse y determinar la óptima.+ amnxn < bm X1 ≥ 0. definir las variables de decisión.n) son las constantes de entrada al modelo. ... bi y aij también se conocen como parámetros del modelo..+ a2nxn < b2 .1 FORMA ESTÁNDAR DEL MODELO Ahora se puede formular al modelo matemático para este problema general de asignación de recursos a actividades.+ cnxn..4.3........ enseguida las restricciones estructurales y finalmente establecer las condiciones técnicas 2.. se propone el siguiente orden: definir el objetivo...1 PASOS A SEGUIR a) Definir el Objetivo: Consiste en definir un criterio de optimización el cual puede ser Maximización o Minimización dependiendo del problema que se desee resolver.2.2. Sujeta a las restricciones: a11x1 + a12x2 +...m y j = 1.4.+ a1nxn < b1 a21x1 + a22x2 +. 2. este modelo consiste en elegir valores de x1.xn para: Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +.Investigación de operaciones I (para i = 1.. X2 ≥0. estas 18 .. ..... Xn ≥0.. 2. FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL Como su nombre lo indica...x2.. el cual es una función lineal de las diferentes actividades del problema. am1x1 + am2x2 +. b) Definir las variables de decisión: Son las incógnitas del problema básicamente consisten en los niveles de todas las Actividades que pueden llevarse a cabo en el problema a formular. En Datos necesarios para un modelo de programación lineal que maneja la asignación de recursos a actividades particular. Las cj.

• Restricciones de balance de material: Estas son las restricciones que definen las salidas de un proceso en función de las entradas. S / . CASO 1. un ejemplo tipo. etc. En cierta manera son las limitantes en los valores de los niveles de las diferentes actividades (variables). es decir. S / . definiendo usualmente la calidad de los artículos a manufacturar. tomando en cuenta generalmente cierto porcentaje de merma o desperdicio. S / 7 000. 3 500. • Restricción de calidad: Son las restricciones que limitan las mezclas de ingredientes. etc. espacio. formular y construir el Modelo Lineal respectivo.5 19 . 2. Producir cada unidad de A necesita 1 hora de trabajo.2 CASOS DE FORMULACIÓN En cada uno de los enunciados de problemas dados a continuación. mano de obra. 2 horas de acabado y 3 unidades de materia prima. 3 horas de acabado y 2.Investigación de operaciones I pueden ser de tantos tipos diferentes como sea necesario. c) Definir las restricciones: Son los diferentes requisitos que debe cumplir cualquier solución para que pueda llevarse a cabo. C. • Condiciones Técnicas: En este apartado se establece que todas las variables deben tomar valores no negativos. Una empresa fabrica los productos A. • Restricción de mercado: Surge de los valores máximos y mínimos en las ventas o el uso del producto o actividad a realizar. 700. en la formulación interna del problema.4. e incluir tantos subíndices como sea requerido.00. las cuales se listan a continuación: • Restricción de capacidad: limitan el valor de las variables debido a la disponibilidad de horas-hombre. B y C y puede vender todo lo que produzca a los siguientes precios: A. cada unidad. Las restricciones más comunes son de seis tipos. es el de inventario. B. Producir una unidad de B necesita 2 horas de trabajo. • Restricción de entradas: Son limitantes debido a la escasees de materias primas. • Restricciones Internas: Son las que definen a una variable dada. dinero. horas-máquina. se debe trasladar la información del sistema a un modelo que lo represente.

materia prima X3 (unid. Producir una unidad de C necesita 3 horas de trabajo. Objetivo: Maximizar ingresos de venta Max S/. Para este período de planificación están disponibles 100 horas de trabajo. Este término presenta la información específica de lo que contiene y permite confirmar la esencia física de lo que se está sumando y también que ello es consecuente con lo que se está obteniendo en el total de la ecuación. de prod. 1 hora de acabado y 4 unidades de materia prima. c) Deben definirse las restricciones y expresarlas como funciones lineales. de producto A) + 2 X2 + 3 X3 ≤ 100 horas de trabajo Unidad de A Restricción 2: Horas de acabado disponibles en este período: 2 X1 + 3 hora de acabado X2 (unid.5 X2 + 4 unid.Investigación de operaciones I unidades de materia prima. X1: unidades a producir de producto A X2: unidades a producir de producto B X3: unidades a producir de producto C b) Debe Definirse claramente el objetivo y expresarse como función lineal. 200 horas de acabado y 600 unidades de materia prima. B) ≤600 Unid de Materia prima Unidad de B Estos son insumos controlables 20 . Con base en la teoría señalada. 700 por unidad * X1 unidades de A + 3.500 X2 + 7. en este caso. 1 hora de trabajo X1(unid.000 X3 Escribir el objetivo de esta forma es expresar en unidades físicas uno de sus términos. se tiene lo siguiente: a) Debe definirse claramente a las variables de decisión y expresarlas simbólicamente. para formular y construir el modelo. de producto B) + 1 X3 ≤200 horas de acabado Unidad de B Restricción 3: Disponibilidad limitada de unidades de materia prima: 3X1 + 2. ingreso en Nuevos soles. Restricción 1: Disponibilidad limitada de horas de trabajo.

Esto confirma que lo que se está sumando es consecuente con lo que se está obteniendo del lado derecho de la ecuación. se resume así el modelo: Max 700 X1 + 3. Utilizando el mismo proceso teórico. El presupuesto total para promociones se ha limitado a $18.5 X2 + 4 X3 ≤ X1. seminarios y programas. Se destaca en cada una de ellas alguno de sus términos. incorporando la restricción de no-negatividad de las variables de decisión. se tiene lo siguiente: Variables de decisión: X1: unidades de publicidad a contratar en televisión. La Cámara de Industriales de la región periódicamente promueve servicios públicos. X3 ≥ 0 CASO 2.Investigación de operaciones I De esta forma las restricciones están expresadas en unidades físicas. X2. Finalmente. con indicación de lo que representa.000 $ 2. Además la cantidad de unidades solicitadas en televisión debe ser al menos 10% del total autorizado. la publicidad en radio no debe exceder el 50% del total de unidades de publicidad autorizados. 21 .000 $ 600 10 600 Para lograr un uso balanceado de los medios.000 X3 Sujeto a: 1X1 + 2 X2 + 3 X3 ≤ 100 2X1 + 3 X2 + 1 X3 ≤ 200 3X1 + 2. además de la cantidad máxima de unidades de publicidad en que puede ser usado cada medio se muestran a continuación. Actualmente los planes de promoción para este año están en marcha.000 10 Radio 18.000 $ 300 20 Prensa 40.500.500 X2 + 7. Restricciones Audiencia por unidad de publicidad Costo por unidad de publicidad Uso máximo del medio Televisión 100. Los medios alternativos para realizar la publicidad así como los costos y la audiencia estimados por unidad de publicidad.

m. los cinco días. 3 y 4: Uso máximo de medios para la publicidad: X1 ≤ 10 unidades de publicidad a contratar en t.10 (X1+ X2+ X3) Finalmente quedará expresada así: variables 0.m.v + 18. El Banco Internacional abre de lunes a viernes de 8 a.000 X1 + 300 X2 + 600 X3 ≤ 18. con relación al total de unidades a contratar: X2 ≤ 0.5 X1 + 0.9 X1 – 0.0.Investigación de operaciones I X2: unidades de publicidad a contratar en radio. excepto la hora que utilizan para almorzar.5 (X1+ X2+ X3) Finalmente quedará expresada así: . El Banco determina cuándo debe almorzar cada cajero. Objetivo: Maximizar la audiencia total o cantidad de personas que ven la publicidad Max 100.5 X2 .1 X3 ≥ 0 Posteriormente puede resumir el modelo agregándole la restricción de no-negatividad de las CASO 3.0.000 X2 + 40.v X2 ≤ 20 unidades de publicidad a contratar en radio X3 ≤ 10 unidades de publicidad a contratar en prensa Restricción 5: Publicidad limitada a un máximo de 50% en radio. a 4p. Hay dos tipos de cajeros: los que trabajan tiempo completo de 8 am a 4 pm. pero 22 .0.500 Restricciones 2.v Restricción 1: Disponibilidad limitada de presupuesto para la publicidad: 2.5 X3 ≤ 0 Restricción 6: La cantidad de unidades solicitadas en televisión debe ser al menos 10% del total autorizado X1 ≥ 0.000 personas X1 Unid en t. X3: unidades de publicidad a contratar en prensa. De experiencias pasadas sabe que va a necesitar la cantidad de cajeros señalados en la tabla dada.000 X3 Unid en t.1 X2 .

m.1pm X2: Empleados a tiempo completo que toman su almuerzo de 1pm-2pm X3: Empleados a tiempo parcial que empiezan a trabajar a la 8am X4: Empleados a tiempo parcial que empiezan a trabajar a la 9am X5: Empleados a tiempo parcial que empiezan a trabajar a la 10am X6: Empleados a tiempo parcial que empiezan a trabajar a la 11am X7: Empleados a tiempo parcial que empiezan a trabajar a la 12m X8: Empleados a tiempo parcial que empiezan a trabajar a la 1pm 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. 1.10 a.Investigación de operaciones I debe ser entre las 12m y la 1 p.11 a.m. y las 2 p. ..400 (X1+ X2 ) + 3. A fin de mantener la calidad del servicio el Banco desea tener un máximo de 5 cajeros contratados a tiempo parcial. sin ningún otro pago.. .300( X3+ X4 + X5 + X6 + X7 + X8) c) Restricciones de requerimientos de empleados totales en los ocho horarios señalados ( 8 restricciones) Restricción de empleados en el horario de 8 am .100 la hora. X1 + X2 + X3 + X4 ≥ 3 Restricción de empleados en el horario de 10 a. X1 + X2 + X3 + X4 + X5 ≥ 4 23 .m.m.m. X1 + X2 + X3 ≥ 4 Restricción de empleados en el horario de 9 a. También hay trabajadores a tiempo parcial que deben trabajar exactamente 3 horas consecutivas cada día y se le paga Bs. Se desea minimizar los costos de empleados contratados.m.. b) Objetivo: Minimizar Costos de contratación Min 14.m.m.m. A los empleados a tiempo completo se les paga Bs. Período de tiempo 8-9 am 9-10am 10-11am 11am-12m 12m-1pm 1-2pm 2-3pm 3-4pm Cajeros requeridos 4 3 4 6 5 6 8 8 a) Variables de decisión: X1: Empleados a tiempo completo que toman su almuerzo de 12m. o entre la 1 p.1.9 a.800 la hora (incluida la hora de almorzar).

.m. esta última se dividirá en 8 columnas de 8 horarios.m. de aluminio quiere hacer bicicletas de paseo y de montaña que quiere vender. ..4.m. .3. X1 + X2 + X4 + X5 + X6 ≥ 6 Restricción de empleados en el horario de 12m . X2 + X5 + X6 + X7 ≥ 5 Restricción de empleados en el horario de 1 p.m.m. de acero y 120 kgs.Investigación de operaciones I Restricción de empleados en el horario de 11 a. . de peso y al fumador 20 kgs. X1 + X2 + X8 ≥ 8 Restricción de cantidad máxima de 5 cajeros contratados a tiempo parcial: X3 + X4 + X5 + X6 + X7 + X8 ≤ 5 Restricción 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 específicos.m.1 PROBLEMAS PROPUESTOS Formular los modelos de programación lineal de los siguientes problemas PROBLEMA N° 01 Un herrero con 80 kgs. respectivamente a 2.3 p.m.000 y 1. de ambos metales. Para la de paseo empleará 1 kg. ¿Cuántas bicicletas de paseo y de montaña venderá? PROBLEMA N° 02 Un autobús Caracas-Maracaibo ofrece plazas para fumadores al precio de 100 euros y a no fumadores al precio de 60 euros. Si el autobús tiene 90 plazas y admite un equipaje de hasta 3.000 kg.1 p. De acero y 3 kgs de aluminio. X1 + X2 + X7 + X8 ≥ 8 Restricción de empleados en el horario de 3 p. Al no fumador se le deja llevar 50 kgs. y para la de montaña 2 kgs. X1 + X6 + X7 + X8 ≥ 6 Restricción de empleados en el horario de 2 p. ¿Cuál ha de ser 24 .2 p.m.4 p.12 a..m. 2. al final de las cuales está el total de empleados requeridos en cada uno de ellos.500 Euros cada una para sacar el máximo beneficio.

por lo menos. en la que caben 100. Ha calculado que cada día es capaz de repartir 150 impresos como máximo. Las de tipo B son más seguras. le paga 7 euros por impreso. El estudiante lleva dos bolsas: una para los impresos A. Las de tipo A tienen más riesgo pero producen un beneficio del 10 %. Después de varias deliberaciones decide invertir como máximo 6 millones en la compra de acciones A y por lo menos.1 MÉTODO GRÁFICO En el análisis cuantitativo. 2 millones en la compra de acciones B. con folletos más grandes. dos rectas. con la finalidad de optimizara el beneficio? PROBLEMA N° 03 A una persona le tocan 10 millones de euros en una lotería y le aconsejan que las invierta en dos tipos de acciones. Permite conocer la base matemática de la solución de 25 .5. La empresa A le paga 5 euros por cada impreso repartido y la empresa B. en la que caben 120 y otra para los impresos B. en un sistema cualquiera. SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL 2. ¿Cómo deberá invertir 10 millones para que le beneficio anual sea máximo? PROBLEMA N° 04 Un estudiante dedica parte de su tiempo al reparto de propaganda publicitaria. es necesario resolverlo. pero producen sólo el 7% anual. al menos. Además. decide que lo invertido en A sea. una vez que se ha formulado y construido un modelo lineal para resolver un problema existente. A y B. El método gráfico se usa para resolver modelos lineales con dos variables y muestra el conjunto convexo que constituye la denominada región solución y el(los) punto(s) extremo(s) que proporciona(n) la solución del modelo. Lo que se pregunta el estudiante es: ¿Cuántos impresos habrá que repartir de cada clase para que su beneficio diario sea máximo? 2.Investigación de operaciones I la oferta de plazas de la compañía para cada tipo de pasajeros. La solución de un modelo lineal muestra siempre un conjunto convexo delimitado por las restricciones del mismo y en el cual. si existe solución posible. Un punto extremo existe en la intersección de. al menos uno de sus puntos extremos es la solución óptima. igual a lo invertido en B.5.

c) Evaluar la Función Objetivo en cada punto extremo del espacio de soluciones posibles. los conjuntos convexos. • Un modelo tiene soluciones óptimas ALTERNAS cuando más de una combinación de variables proporciona el óptimo valor del objetivo. d) Existe un procedimiento alterno al punto c). para obtener la solución del modelo. El punto o los puntos extremos en el que se obtenga el mejor valor. Se reconoce en el gráfico porque más de un punto extremo proporciona el óptimo valor del objetivo o más de un punto extremo limita el valor de la recta objetivo. señalado en el Método Gráfico.Investigación de operaciones I modelos lineales. y observar gráficamente situaciones que se presentan en modelos de cualquier tamaño. El punto o los puntos extremos que toque esa Función Objetivo antes de salir totalmente fuera de la región de soluciones posibles determinarán el óptimo. se reconoce en el gráfico porque un único punto extremo provee el mejor valor del objetivo o un único punto extremo limita el valor de la recta objetivo. o solución del modelo. Luego se desplaza paralelamente en la dirección que incremente su valor (si está maximizando) o decrezca su valor (si está minimizando). Un modelo NO TIENE SOLUCIÓN POSIBLE cuando no hay alguna combinación de variables que satisfaga todas las restricciones. Se debe a la presencia 26 . La recta objetivo al desplazarse dentro de la región solución cae paralelamente sobre alguna restricción antes de salir totalmente de la región solución. • Un modelo tiene solución óptima UNICA cuando sólo una combinación de variables proporciona el mejor valor para el objetivo. porque todos los untos de esa región satisfacen TODAS las restricciones del modelo. Esto ayuda a la comprensión de la Programación Lineal.1 CRITERIOS A CONSIDERAR • Al conjunto convexo de solución se le llama región de soluciones posibles. determinarán la solución del modelo. sombreando el espacio correspondiente. El proceso para trabajar con el Método Gráfico sigue los pasos siguientes: a) Graficar las restricciones como igualdades y luego determinar el área correspondiente a la desigualdad.5.1. Este procedimiento alterno consiste en graficar la Función Objetivo con un valor arbitrario dentro de la región solución. 2. b) Determinar el área común a todas las restricciones.

1. no acotado.Investigación de operaciones I de restricciones inconsistentes en el modelo. con valor finito. puede no serlo en otro período posterior. • Una restricción redundante puede ser removida sin afectar la región solución. del sistema. Estas restricciones limitarían las variables de decisión a valores factibles. una restricción redundante en un período de planificación dentro de ese sistema. En los modelos con solución degenerada. a) Dibuja el recinto formado por los puntos que cumplen las siguientes condiciones: 27 . Más de la cantidad normal de variables (una por cada restricción del modelo) debe tomar valor cero para satisfacer a mayor cantidad de restricciones en el punto óptimo. Esto se debe a la omisión de restricciones importantes. • Un modelo tiene SOLUCIÓN CON VALOR INFINITO cuando hay combinaciones de variables que proporcionan valor infinito para el objetivo y no hay alguna combinación que limite el valor del objetivo a un valor finito. • Un modelo tiene SOLUCION DEGENERADA cuando existen combinaciones de variables que tienen más de la cantidad normal (una por cada restricción) de variables con valor cero. Se reconocen en el gráfico porque la región de soluciones posibles es abierta. en el modelo. limite su valor. Se reconocen en el gráfico porque más de dos restricciones cruzan sobre el punto extremo óptimo. • Los modelos lineales que son formulados en sistemas cuya solución tiene valor infinito y los que no presentan solución posible son casos que no deben existir en el mundo real. 2. no limitada pero hay por lo menos un punto extremo que limita el valor del objetivo. la solución es Degenerada. Cuando la restricción redundante está sobre el punto extremo óptimo. Se reconocen en el gráfico porque no existe ninguna región común para todas las restricciones.2 CASOS DE APLICACIÓN CASO 1. • 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 combinación de variables que le proporciona un valor finito.5. por lo tanto es recomendable tener en cuenta esa consideración. no limitado y la Función Objetivo puede moverse dentro de esa región hasta el infinito sin que un punto extremo. Se reconocen en el gráfico porque el espacio de solución es abierto. Esto se debe a la presencia de restricciones redundantes en el modelo.

0) y (2. 0). 1) no son soluciones del sistema. Maximiza la función z = x + y.Investigación de operaciones I y ≤ 3  y − x ≥ 1 y − 3 x ≤ 0  b) Indica si los puntos (0. 0). El recinto buscado es: A la vista de la gráfica anterior. para comprobar cuáles son los puntos que cumplen las desigualdades propuestas. 2) forman parte de las soluciones del sistema anterior. CASO 2. pero (1. 1) y (1. sujeta a las siguientes restricciones: 28 . tenemos que (0. 2) sí lo es. Solución: y = 3  Representamos las rectas y − x = 1 → y = x + 1 y − 3 x = 0 → y = 3 x  Tomamos un punto cualquiera. por ejemplo el (1. (2.

es el que proporciona 2 x + 3 y = 28 el máximo. M (8. 4 ). dibujando la que pasa por el origen de coordenadas: x + y = 0 4 x + 3 y = 44 El punto M. intersección de  es decir. teniendo en cuenta que: x ≥ 0 e y ≥ 0.Investigación de operaciones I  x + 3 y ≤ 26  4 x + 3 y ≤ 44   2 x + 3 y ≤ 28 x ≥ 0   y ≥ 0 Solución: x + 3 y = 26 → y = 26 − x  3  44 − 4 x  • Representamos las rectas 4 x + 3 y = 44 → y = 3  28 − 2 x  2 x + 3 y = 28 → y =   3 Se halla la región que cumple las condiciones del problema. que vale: z = 8 + 4 = 12 29 . • Representamos la dirección de las rectas z = x + y.

En una granja de pollos se da una dieta "para engordar" con una composición mínima de 15 unidades de una sustancia A y otras 15 de una sustancia B. 30 . Dibujamos el recinto correspondiente a las restricciones. Debemos hacer mínima esta función. El precio del tipo I es de 10 euros y el del tipo II es de 30 euros. y la recta 10(x + 3y) = 0 → x + 3y = 0. sujeta a las restricciones anteriores.Investigación de operaciones I CASO 3. que nos da la dirección de las rectas z = 10(x + 3y). y el tipo II con una composición de cinco unidades de A y una de B. Resumamos los datos en una tabla: Las restricciones son:  x + 5 y ≥ 15  5 x + y ≥ 15  x ≥ 0  y ≥ 0 La función que nos da el coste es z = 10x + 30y = 10(x + 3y). Se pregunta: ¿Qué cantidades se han de comprar de cada tipo para cubrir las necesidades con un coste mínimo? Solución: Llamamos x a las unidades que se compran de tipo I e y a las que se compran de tipo II. En el mercado solo se encuentran dos clases de compuestos: el tipo I con una composición de una unidad de A y cinco de B.

Resumimos los datos en una tabla: 31 .5. ¿Cuál tiene que ser la distribución de la inversión para obtener máximo interés anual? Solución: Llamamos x al dinero que invertimos en acciones de tipo A e y al que invertimos en las de tipo B.5 de tipo II. CASO 4. Nos recomiendan dos tipos de acciones. Disponemos de 210 000 soles para invertir en bolsa. en (2.5).5 + 3⋅2. Las del tipo A que rinden el 10% y las de tipo B que rinde el 8%. 2. 6 000 soles en las de tipo B. es decir.5) = 100 soles. El precio en este caso será de z = 10(2. hay que comprar 2.5 de tipo I y 2. además.Investigación de operaciones I  x + 5 y = 15 El mínimo se alcanza en el punto de intersección de  . la inversión en las del tipo A debe ser menor o igual que el doble de la inversión en B. 5 x + y = 15 Por tanto. Decidimos invertir un máximo de 130 000 soles en las de tipo A y. como mínimo.

50 El máximo se alcanza en el punto (13. el beneficio anual será de 32 .08 y = 1 (10 x + 8y ) = 2 (5 x + 4y ) = 1 (5 x + 4y ). debemos invertir 130 000 soles en acciones del tipo A y 80 000 soles en las de tipo B. Dibujamos el recinto correspondiente a las restricciones (la unidad es 10 000) y la recta 1 (5 x + 4 y ) = 0 50 → 5 x + 4 y = 0.Investigación de operaciones I Las restricciones son:  x + y ≤ 210 000   x ≤ 130 000 y ≥ 6 000    x ≤ 2y x ≥ 0   y ≥ 0 La función que nos da el rendimiento total es: z = 0. 100 100 50 Debemos maximizar esta función. que nos da la dirección de las rectas z= 1 (5 x + 4y ). En este caso.1x + 0. Por tanto. sujeta a las restricciones anteriores. 8).

Solución: x + 3y = 9   a) Representa mos las rectas 2 x + y = 8 x = 0  y = 0 → → y = 9−x 3 y = 8 − 2x Tomamos un punto cualquiera. para comprobar cuáles son los puntos que cumplen las desigualdades propuestas. El recinto buscado es: b) Por ejemplo: (1. 0). 33 .Investigación de operaciones I z= 1 (5 ⋅ 130 000 + 4 ⋅ 80 000 ) = 19 400 euros . 2) y (2. 0). 50 CASO 5. 1). 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 solución del sistema anterior. (2. por ejemplo el (0.

Debemos obtener el máximo de esta función sujeta a las restricciones anteriores. ¿En qué punto del recinto alcanza dicho máximo? c) Hallar la solución: x  x  x  y + 3 y ≤ 200 + y ≤ 100 ≥ 20 ≥ 10 • • Maximizar las ganancias equivale a maximizar los ingresos.5. sujeta a las restricciones propuestas. La función que nos da los ingresos es z = 30x + 50y = 10(3x + 5y).4 SITUACIONES ESPECIALES a) Modelos con soluciones óptimas alternas o múltiples.1. Max 6X1+ 2X2 (Beneficio) Sujetos a: 3 X1 + X2 4 8 horas de trabajo 34 .1.5.Investigación de operaciones I 2.x.3 EJERCICIOS PROPUESTOS Solucionar mediante el Método Gráfico los siguientes programas lineales a) Halla el mínimo de la función z = 3x + 2y con las siguientes restricciones: 3 x + 4 y ≤ 12  3 x + 2y ≥ 2  x ≥ 0  y ≥ 0 b) Dibuja el recinto definido por: − 2 x + y ≤ 3   2x − y ≤ 2  x + 2y ≤ 4  • • • Halla los vértices del recinto anterior. 2. Halla el máximo de la función z = 4y .

La disponibilidad de materia prima es de 120 unidades y la cantidad mínima de horas disponibles para supervisión es de 36 horas. 48 por ejemplo. C(8/3.28) y D(12. • 35 . Dos puntos extremos proporcionan el máximo valor del objetivo. X2 120 unidades de materia Prima 36 horas de supervisión.Investigación de operaciones I 3 X1 + 4 X2 3 X1 + X2 X1.24). Esto permite afirmar que existen soluciones óptimas Alternas para este modelo. 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. Los puntos extremos del conjunto convexo son: A(16. Son óptimos todos los puntos sobre el segmento de línea AB que limita el conjunto convexo de solución y corresponden a la primera restricción. B(8.0). Graficar las restricciones y obtener el espacio de solución se efectúa en forma similar al proceso efectuado en el caso 1 y por lo tanto no se repetirán las instrucciones. • Si utiliza el método de graficar la Función Objetivo con un valor arbitrario. los puntos A y B.0). El monto total disponible de horas de trabajo para este período es de 48.

el punto B y el punto A. antes de salir totalmente fuera de la región solución. porque todas presentan el mismo valor óptimo para el objetivo. “Cualquier recta que tenga ratio de coeficientes igual al de otra recta. si una de las soluciones tiene valores fraccionales para las variables y no puede trabajarse con valores fraccionales. • Restricción 3: 3 (8) + 1(24) 36 48 > 36 Cumple como una desigualdad. • Se reconoce en el gráfico porque más de un punto extremo limita el valor óptimo del objetivo o proporciona su valor óptimo.0) y punto B (8. Por lo tanto. Esto indica que con esa decisión óptima se utilizará totalmente el monto máximo disponible de Materia Prima. • Restricción 2: 3 (8) + 4 ( 24) = 120 Cumple exactamente. es decir como una igualdad. que proporcionan el mismo valor óptimo para el beneficio. es paralela a esa otra recta” • La ventaja que presentan los modelos con este Tipo de solución es que se puede elegir cualquiera de las soluciones óptimas. 36 . Se utilizan 48 horas. Esto indica que con esa decisión óptima se utiliza totalmente el monto máximo de horas de trabajo disponible para la producción. los puntos: A (16. el que toma la decisión seleccionará una solución con valores enteros. En este caso la decisión sería: Producir 8 unidades de producto1 y 24 unidades del producto 2 para maximizar el beneficio en 96 unidades monetarias: 6 (8) + 2 (24) = 96.Investigación de operaciones I podrá observar que la línea es completamente paralela a la primera y tercera restricción. Considerando las restricciones: • Restricción 1: 3 (8) + 1 ( 24) 48 48 = 48 Se observa que se cumple como igualdad.24). • Es una solución óptima alterna porque existe más de una combinación de productos 1 y 2 a producir. 24). Este valor para la Función Objetivo también se obtendría en el otro punto extremo A (16. todos los puntos sobre la recta AB son también óptimos. hacia arriba porque se está maximizando. 0) y en cualquier punto sobre la recta AB en la región solución. Esto indica que con esa decisión óptima se utilizan 12 horas sobre el monto mínimo disponible de horas de supervisión. finalmente caerá completamente sobre la primera restricción. Debe seleccionar una de todas las soluciones. de horas de trabajo. Suponga que elige la del punto extremo B (8. Al desplazarla paralelamente hacia su optimización. Por ejemplo. Dos puntos extremos estarían limitando el crecimiento del objetivo.

Investigación de operaciones I b) Modelos sin solución posible.

No se definirán los elementos del modelo porque no habrá una solución posible para tomar alguna decisión. Max 40 X1 + 30 X2 Sujeto a: 2/5 X1 + ½ X2 ≤ 1/5 X2 ≤ 3/5 X1 + 3/10 X2 ≤ X1 ≥ X2 ≥ X1, X2 ≥ 20 5 21 30 15 0

Puede observarse en el, que mientras las 3 primeras restricciones delimitan un espacio en común, las 2 últimas delimitan otro espacio común para ellas. Por lo tanto, no hay una región de puntos comunes que satisfagan ambos conjuntos de restricciones y el

37

Investigación de operaciones I

modelo no tendrá solución posible. En estos casos es necesario determinar cuáles son las restricciones inconsistentes para el modelo. Es decir, cuáles son realmente válidas para el modelo. • Observe que si las variables X1 y X2 toman el valor mínimo que pueden tomar en las dos últimas restricciones, es decir X1 = 30 y X2 = 15 entonces la tercera restricción no se cumpliría. Esto es una inconsistencia. • Estos modelos no deben existir en el mundo real. Si el sistema es r eal , entonces el modelo debe representarlo de tal manera que permita obtener una solución posible.
c) Modelos que presentan solución con valor infinito

Max X1+ 2X2 Sujeto a: -4 X1 + 3 X2 ≤ 3 X1 X2 ≤ 3 X1, X2 ≥ 0 No se definirán los elementos del modelo porque no habrá una solución para tomar alguna decisión. • En el gráfico, el conjunto convexo llamado región solución, que contiene todas las soluciones posibles, es un espacio abierto.

38

Investigación de operaciones I

Tiene tres puntos extremos A, B y C, pero ninguno delimita el crecimiento del objetivo. Esta función puede tomar valores infinitos ya que las variables conforman puntos con valores infinitos dentro de la región factible y ninguno proporciona un valor finito óptimo. Por tanto, no es lógico encontrar un objetivo de valor infinito. En estos casos debe buscarse dentro del sistema, la restricción o las restricciones que se omitieron modelo y que limitarían las variables de decisión a valores factibles.

d) modelos con espacio de solución no acotado y solución de valor finito.

Min

0.06 X1+ 0.05 X2

( costos)

Sujeto a: 0.30 X1 + 0.20 X2 ≥ 500 Proteína 0.15 X1 + 0.30 X2 ≥ 300 Grasa X1, X2 ≥ 0 • El modelo es formulado para una guardería de perros que se destaca por dar una alimentación balanceada a las mascotas. El alimento lo elabora mezclando 2 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 proteínas y al menos 300 gramos de grasa por día. Los porcentajes de contenido de grasa y proteína de cada gramo de X1 y X2 se conocen y son usados en el modelo.

39

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 nómina. la línea cae sobre el punto B. Pero. X2 = 250 F. a esa combinación se le considerará óptima. B. Esto es posible porque no se está limitando directamente la cantidad de X1 y X2 en alguna restricción específica y las restricciones existentes son todas de Tipo “que”.500 por día y a una empleada mujer ( Y) se le paga Bs. se observa que al desplazarla paralelamente hacia su optimización. C. Al graficar la Función Objetivo. se le paga Bs. A cada empleado hombre (X). hacia abajo porque se está minimizando.500. mientras exista al menos una combinación con valor finito. La oficina conoce que un empleado (hombre) puede manejar 300 cartas y 80 paquetes por día y una empleada (mujer) puede manejar 400 cartas y 50 paquetes en un día. 2.400 cartas y de 680 paquetes se esperan por día.400 cartas ≥ ≥ El modelo es formulado por una oficina de correos que puede contratar hasta 10 empleados para manejar el correo. Siguiendo el procedimiento el gráfico obtenido es: • • 40 .Investigación de operaciones I • El espacio de solución obtenido se muestra en el gráfico. La solución óptima es Única con los valores: X1 = 1.O. Esto indica que pueden existir combinaciones de cantidad de gramos de alimento X1 y X2 con valor infinito. es conveniente entonces encontrar el valor óptimo con el procedimiento de graficar la Función Objetivo. en algún punto extremo que limite el valor del objetivo.5 • • • e) Modelos con solución degenerada Min 2500 X + 2200 Y ( costos) Sujeto a: X+ Y ≤ 10 Empleados temporales 680 paquetes 0 300 X + 400 Y 80 X + 50 Y X. A este punto se le considerará punto extremo óptimo. En los casos de región abierta de soluciones posibles. en este caso los costos serían infinitos. antes de salir completamente de la región solución. = 102. 2. Se observa una región abierta con las soluciones posibles y puntos extremos A. con un valor arbitrario de 120. No menos de 3. Y • ≥ 3.200 por día.

3 ¿Cuál es la solución y la decisión que se recomendaría con la solución encontrada? 1.2 ¿Qué Tipo de solución presenta el modelo?. Suponga que cambia a 2. ¿Por qué? y ¿Cómo se reconoce en el gráfico? 1. Explique y muestre sobre el gráfico. sobre la solución óptima encontrada. se plantean las siguientes consultas: 1. de cantidad de empleados X y Y que satisface las restricciones y optimiza el objetivo.4 Analice las restricciones en el punto óptimo y presente la información que se obtiene. Conociendo la definición del modelo. Esto indica que existe una única combinación posible y además óptima.1 ¿Qué representa el coeficiente de la variable Y en la Función Objetivo y en la segunda restricción? 1.5 ¿Qué efecto tendría.Investigación de operaciones I Se observa una región de soluciones posibles de un solo punto común para todas las restricciones y por lo tanto un único punto extremo A.400. un cambio en el número de cartas esperadas. 1. 41 .

400 cartas al día puede manejar cada mujer contratada. proporciona el mínimo costo. 2. Y = 4. En este caso. F. Se debe a la presencia de restricciones redundantes en el modelo y se reconoce en el gráfico porque más de dos restricciones cruzan sobre el punto óptimo. Por eso se le llama Solución Degenerada en contraposición a la Solución Normal. 1. = 23800.O. Normalmente la solución de un modelo contiene una variable (Estructural o de holgura) con valor mayor que cero por cada restricción del modelo.200.4 R e s t r i c c i ón 1 X + Y ≤ 10 6 + 4 = 10 D e es t a m an er a s e c on t r at a e l m áx i m o de em pl e ado s q ue s e es t ab a di s p ues t o a c o nt r at a r . más variables de las normales toman valor cero. La decisión sería contratar 6 empleados hombres y 4 mujeres para minimizar los costos diarios de contratación en 23.800 unidades monetarias: 2500(6) + 2200 (4) . Hay entonces menor cantidad de variables con valor mayor que cero con relación al número de restricciones. para poder satisfacer mayor numero de restricciones. En la segunda restricción representa la cantidad de cartas que puede manejar al día cada mujer contratada. en el punto óptimo. sólo dos son necesarias para calcular sus coordenadas. 1.2 Única y Degenerada. el costo de contratar una trabajadora al día es de Bs. En este caso sólo hay una restricción redundante. Además es única porque una sola combinación de empleados.Investigación de operaciones I Respuestas: 1. R e s t r i c c i ón 3 42 . por ello la Solución es Degenerada. R e s t r i c c i ón 2 3 00 X + 40 0 Y ≥ 340 0 3 00( 6 ) + 40 0( 4) = 340 0 A s í s e m ane j ar á e l m íni m o de c ar t a s . Del total de restricciones que cruzan el punto óptimo.1 El coeficiente de la variable Y en la Función Objetivo representa lo que se le paga diariamente a cada trabajadora (mujer). hombres y mujeres. es decir. es decir.3 La solución es X = 6. Se reconoce que es única porque hay un solo punto extremo que proporciona el valor óptimo del objetivo. 1.

Investigación de operaciones I 8 0 X + 50 Y ≥ 680 S e m an ej a r á el m ín i m o de pa q ue t es . es • • Esto puede expandir el conjunto convexo o dejarlo igual. 8 0( 6) + 50 ( 4 ) = 68 0 1. Sobre el gráfico está graficada la nueva restricción 300X + 400 Y ≥ 2400 • Se observa que no cambia el espacio de soluciones posibles y por lo tanto la solución óptima seguirá siendo la misma. En este caso quedó igual. Esto se estudia más detalladamente en Análisis de Sensibilidad. En general. disminuir la cantidad del lado derecho de relajar la restricción y hacerla más fácil de satisfacer.5 S e r e a l i z a e l análisis d e s e n s i b i l i d a d . 43 . una restricción Tipo ≥ .

Si todos los valores de C – Z son ≤ 0. El resultado será sumado al antiguo renglón. variable en la solución. 2. 7. Existen numerosos programas tanto para computadoras centrales como para personales. 2. regrese al paso 2. Generar los demás renglones de la nueva tabla con ceros en la columna pivote. Si la solución no es óptima. Formular la función objetivo y las restricciones e introducir las variables de decisión. C (contribución de la variable). Los valores de Z de cada columna son (elementos de la columna) ( C ). valor en solución (LD). C – Z (contribución neta de la variable). Prueba de optimización. Seleccionar la columna pivote. y continuar este procedimiento en cada renglón de la sección central de la tabla. Esta se convierte en la nueva variable de la solución. Esto identifica la variable que deja la solución. 6.5.Z). Ésta es la columna con el número positivo más alto en el renglón inferior (C . El método simplex es un procedimiento iterativo que progresivamente permite obtener una solución óptima para los problemas de programación lineal. Hacer esto dividiendo cada valor del renglón pivote entre el valor pivote. Se usan algoritmos tales como el simplex. Selecciónese el renglón pivote. Establézcase la tabla inicial de simples. Leer los valores de las variables en la solución de la columna de LD y el valor de la función objetivo del renglón de Z en la columna de LD.2 SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL: MÉTODO SIMPLEX Los problemas reales de programación lineal generalmente tienen variables de decisión y muchas restricciones.1 PROCEDIMIENTO GENERAL DEL SIMPLEX 1. 4. Introducir este renglón revisado en la nueva tabla.2. 44 . Esto se hace multiplicando el nuevo renglón (del paso 5) por el negativo del elemento en la columna pivote. Tales problemas no pueden ser resueltos gráficamente. Úsense sólo números positivos. Z (costo de introducir la variable).Investigación de operaciones I 2. Convertir al elemento pivote en un 1. 5. Ésta es la intersección del renglón y la columna pivotes. Introducir este renglón en una tabla nueva. la solución es óptima. Éste es el renglón con la razón más pequeña del valor LD dividido por el valor de la columna pivote.5. 3. Enciérrese en un círculo el elemento pivote. Calcular los valores de Z y C – Z.

y las otras variables de decisión (X y Y) no están en la solución (así. o la diferencia entre lo que es usado y el límite de lo que puede usarse. pero factible. Esto corresponde al origen en la solución gráfica. Si ni X ni Y son producidas. La holgura representa una cantidad no utilizada.Investigación de operaciones I • Variables de holgura. dónde X y Y son iguales a cero. pero tratándose de soluciones manuales. debe construirse en cada paso la tabla de simplex. Ambos productos requieren procesarse en las mismas 45 . si una unidad de X y una Y son producidas. cero utilidad. y $30 en Y. es decir. En los problemas de maximización se logra esto añadiendo variables de holgura (s) a cada restricción. pero factible. Se empieza con una solución inexacta. Esto requiere que las restricciones sean establecidas como igualdades. más las horas de holgura = 12. Nótese que S1 está relacionada con la restricción de la máquina A y S2 lo está con la máquina B. Así. donde sólo se produce holgura. El método simplex siempre comienza con una solución factible dentro de la cual sólo se produce holgura. dado que 4(1) + 6(1) + 2 = 12. Ejemplo de aplicación Una empresa química “Chemical” produce limpiadores para automóviles X y pulidores Y y gana $10 en cada lote de X. Por tanto. Se empieza con una solución inexacta. se tienen dos horas de tiempo de holgura S en la máquina A. “se produce” una holgura total. pues. Por ejemplo añadiendo variables de holgura a las desigualdades del ejemplo de la industria “Chemical”. Las rutinas computarizadas de programación lineal (PL) automáticamente arreglarán esos datos iniciales. tienen valores de cero). se tienen las nuevas ecuaciones que se muestran en la siguiente tabla. las variables de holgura (por ejemplo S1 y S2 están en la solución. El método simplex empieza con el planteamiento de una función objetivo y ecuaciones de restricción. que corresponde a una esquina de la región factible. Restricción Desigualdad Ecuación con holgura Máquina A h Máquina B h 4x + 6y ≤ 12 8x + 4y ≤ 16 4x + 6y + S1 = 12 8x + 4y + S2 = 16 La restricción de la máquina A ahora indica cuatro horas por el número de unidades de X producidas más seis horas por el número de unidades de Y producidas. que corresponde al origen. y S1 = 12.

Por semana las máquinas A y B tienen 12 y 16 horas de capacidad. respectivamente. pero X requiere cuatro horas en A y ocho en B. Suponiendo que existe demanda de ambos productos. La parte central de la tabla simplex consta de los coeficientes de las restricciones de: 4X + 6Y + 1S1 + 0S2 = 12 8X + 4Y + 0S1 + 1S2 =16 Nótese que se ha asignado un uno (1) a la variable de holgura asociada con su propia restricción. 12 horas de holgura para la máquina A y 16 horas para la B) 46 . Los números vienen del lado derecho LD de las restricciones (en este caso. sólo las de hoguera) y la columna de valores solución indica las cantidades de solución.Investigación de operaciones I máquinas. cuántos lotes de cada uno deben producirse para alcanzar la unidad óptima Z? La función objetivo es: Max Z = $10X + $30Y Las restricciones son: h maquina A : 4X + 6Y = 12 h máquina B : 8X + 4Y =16 X. A y B.Y ≥ 0 Formato simplex C 10 30 0 0 Valores de solución Variables de la solución 0 0 S1 S2 Z C-Z Variables de decisión X 4 8 0 10 Y 6 4 0 30 S1 1 0 0 0 S2 0 1 0 0 (LD) 12 16 0 0 Elementos de la tabla simplex. y un cero (0) a la otra variable de holgura La columna de variables en la solución indica cuáles variables están en la solución (en este caso. mientras que Y requiere seis horas en A y cuatro en B.

47 . Los valores del renglón inferior (C-Z) representan la contribución neta de introducir una unidad de la columna variable en la solución. El renglón de Z en la tabla muestra el costo de oportunidad. El renglón de Z en la solución inicial siempre tiene ceros. el valor de Z para la columna X es (4 x 0) + (8 x 0) = 0. y debido a que la holgura no tiene ningún valor deben introducirse X o Y en esta etapa.2 METODOLOGÍA DE CÁLCULO La metodología de solución de los problemas de maximización hace necesario seleccionar una columna y un renglón pivotes y revisar los valores de la tabla hasta que en el renglón inferior sean menores o iguales que cero.2. con un costo de $0. y ocho horas de holgura en la máquina B. pero cambia al progresar la solución.5. Es decir. Esto se calcula para cada columna multiplicando los elementos de la columna por la contribución en la columna C y sumándolos después Esto es. El tiempo de holgura de la maquina A y B proporciona $0 de contribución tanto de S1 como de S2. o la cantidad de contribución que debe ser introducida o (producida) por unidad (o por unidad extra) de la variable en cada columna.Investigación de operaciones I La C en la esquina superior izquierda encabeza a la vez un renglón y una columna. Esto significa que para introducir una unidad de X (limpiador) en la solución. Esto es. la utilidad total de esta solución inicial es cero. El valor de Z para la columna LD representa la contribución total de las variables en la solución. deben darse cuatro horas de tiempo de holgura en la máquina A. debido a que esta solución (inicial) es “producir” 12 horas de holgura en la máquina A (con $0 de contribución) y 16 horas de holgura en la máquina B con ($0 de contribución). se puede incrementar el valor de la función objetivo en un total de $10 por cada unidad de X producida y en $30 por cada unidad de Y producida. Produciendo más holgura obviamente no se incrementan las utilidades. también con un costo de $0. Especifican la cantidad de contribución a la función objetivo de cada unidad de las variables a que se refiere. En la tabla inicial aparecen simplemente los coeficientes de la función objetivo seguidos por ceros en las columnas de las variables de holgura. cada unidad de X (limpiador) contribuye con $10 a las utilidades y cada unidad de Y (pulidor) lo hace con $30. 2.

Investigación de operaciones I C Variables de la solución 0 0 S1 S2 Z C-Z 10 X 4 8 0 10 30 Y 6 4 0 30 0 S1 1 0 0 0 0 S2 0 1 0 0 Valores de solución (LD) 12 16 0 0 Variables de decisión 1. b) El renglón pivote es el que tiene la razón más pequeña. del renglón pivote 10 30 0 0 0 12 16 = 2 (mínimo) =4 6 4 C Variables de la solución 0 0 S1 S2 Z C-Z 10 30 0 0 Valores de solución (LD) 12 16 0 0 Variables de decisión X 4 8 0 10 Y 6 4 0 30 S1 1 0 0 0 S2 0 1 0 0 Por lo tanto el renglón 1 es el renglón pivote. Seleccionar una columna y un renglón pivotes a) La columna pivote es la que tiene el número positivo más grande en el renglón inferior C-Z En este ejercicio es 30. 48 .

Divídase cada valor del renglón pivote 1 entre el elemento pivote (6) y colóquense los valores en una nueva tabla. y se suma al anterior renglón de S2. Se multiplica el nuevo renglón (del paso 2) por el negativo del valor que se desea convertir (-4). el cual tiene 4 en la columna de Y. C Variables de la solución 0 Y 10 X 2/3 30 Y 1 0 S1 1/6 0 S2 0 Valores de solución (LD) 2 Variables de decisión a) Genérense los otros renglones para la siguiente tabla. Se multiplica el nuevo renglón por -4.Investigación de operaciones I c) El elemento pivote es encerrado en un círculo 6 C Variables de la solución 0 0 S1 S2 Z C-Z 10 X 4 8 0 10 30 Y 6 4 0 30 0 S1 1 0 0 0 0 S2 0 1 0 0 Valores de solución (LD) 12 16 0 0 Variables de decisión 2.2/3 0 1 1 -8 16 8 -4(2/3) Y -4(1) S1 -4(1/6) S2 -4(0) (LD) -4(2) 49 . de tal manera que los elementos de la columna pivote sean iguales a cero. X El renglón del paso 2 se multiplica por -4 Obtener el resultado Sumarlo al renglón de S2 Para obtener el nuevo renglón -8/3 8 16/3 -4 4 0 -2/3 0 . el resultado se muestra en la siguiente tabla. Se empieza con el renglón S2.

debe repetirse este paso en el siguiente renglón. Dado que todos los valores son ≤ 0. Dado que ahí no hay más. puede calcularse el renglón Z y C-Z. ha sido alcanzada la solución óptima.2/3 0 S2 0 1 Valores de solución (LD) 2 8 Variables de decisión Después de que se introducen éste y los valores de C-Z en la siguiente matriz.Investigación de operaciones I El renglón obtenido se introduce a la nueva tabla del paso 2. Las variables en la solución son identificadas por las columnas en la parte central de la tabla que tienen 50 . se tiene: C Variables de la solución 30 0 Y S2 Z C-Z 10 X 2/3 16/3 20 -10 30 Y 1 0 30 0 0 S1 1/6 .2/3 5 -5 0 S2 0 1 0 0 Valores de solución (LD) 2 8 60 Variables de decisión Repetir los pasos anteriores hasta que todos los valores del renglón inferior sean ≤ 0. Los valores en el renglón Z son ∑ (elementos de la columna) (C) Elementos del renglón Z: Para X: Para Y: Para S1: Para S2: Para LD: Z = 2/3(30) + 16/3(0) = 20 Z = 1(30) + 0(0) = 30 Z = 1/6(30) – 2/3(30) = 5 Z = 0(30) + 1(0) = 0 2(30) + 8(0) = 60 10 X 2/3 16/3 30 Y 1 0 0 S1 1/6 . C Variables de la solución 30 0 Y S2 Z Si hay más renglones que convertir.

En algunos casos prefieren decir “creo que la probabilidad de que este evento ocurra está entre 0.1 DEFINICIONES GENERALES DEL ANÁLISIS DE SENSIBILIDAD • Efecto neto.Investigación de operaciones I un 1. 2. El análisis de sensibilidad concierne el estudio de posibles cambios en la solución óptima disponible como resultado de hacer cambios en el modelo original. Bajo estas circunstancias.6 DUALIDAD Y ANÁLISIS DE SENSIBILIDAD La asignación de probabilidades a los eventos es una tarea difícil que muchos gerentes pueden mostrarse difícil a hacer. como se ve en la siguiente tabla. 2.Es la ganancia o pérdida por unidad adicional de una variable que entra a la base. y el resto de los valores son cero. Los valores solución son datos en la columna del lado derecho. Entonces hay sólo una variable de decisión (no holgura) en la solución (Y) y una restricción agotada (número 1).7”.5 y 0. X = no está en la solución Y = 2 unidades Z = $60 Note que la variable de holgura asociada con la restricción 2 también tiene un 1 y ceros. 51 . es útil realizar un análisis de sensibilidad para determinar cómo afecta a la decisión la asignación de probabilidades.6. como en cualquier aspecto de decisión gerencial. Esto concuerda con el teorema fundamental de programación lineal.. El efecto neto de una variable básica siempre será cero. por lo menos con cierto grado de exactitud. X Z Y S1 S2 1 0 0 1 (LD) 2 8 60 Por tanto. que establece que el número de variables de decisión (no holgura) de la solución siempre será igual a número de restricciones que son agotadas. lo cual significa que tiene holgura en la solución y que la restricción no se agotó.

Es importante mencionar que una variación de Cj a Cj’ en el coeficiente objetivo de una variable no-básica.33 400/3 500/3 400/3 -13/5 -12/15 29/15 19/10 -1/30 Cambios en los coeficientes de la función objetivo. X2. aunque en ciertas ocasione si lo haga. como en incremento en el precio de un producto para un objetivo de maximización. se considerarán a continuación dos alternativas de cambio mutuamente exclusivas en el Cj de una variable no-básica. Base Xo X2 X6 X1 Xo 1 0 0 0 X1 0 0 0 1 X2 0 1 0 0 X3 7/3 -1/3 X4 5 -3/2 X5 2/3 1/15 -1/6 X6 0 0 1 0 X7 5/6 -1/6 -5/6 1/3 Sol. por ejemplo. ya que las consecuencias en cada caso son muy diferentes. Finalmente. Cambios en el coeficiente Objetivo de una variable No-básica.Investigación de operaciones I f j = efecto neto Ejemplo: Realizar un análisis de sensibilidad para el siguiente modelo. X4 >= 0 Solución óptima del problema. Maximizar: Xo = 10X1 + 15X2 + 4X3 + 2X4 sujeto a: 10X1 + 20X2 + 2X3 + 3X4 <= 4. no necesariamente conlleva a una infracción inmejorable de la solución óptima actual.Zj < 0 52 . El cambio en el Cj de una variable se interpretaría. se estudiará por separado si la modificación en el Cj es para una variable no-básica o para una básica.000 5X1 + 5X2 + 5X3 + 4X4 <= 1500 4X1 + 2X2 + 6X3 + 6X4 <= 800 X1. X3. 3. Por este motivo. • Cuando Cj’ < Cj (maximización) en la solución óptima actual f j = Cj . o como la disminución en el costo de una materia prima para un objetivo de minimización.333.Zj <= 0 ==> f j = Cj’ .

básica. Ya C4’ = 8 sobrepasa el límite de incremento en C4. debe calcularse el f j’ el cual será positivo. surge la posibilidad de que se altere la inmejorabilidad y por ende la optimidad actual. se deduce que cuando el Cj’ < Cj en un problema de maximización.Investigación de operaciones I Con lo cual la inmejorabilidad no se infringe. tal que la solución óptima no se altere. de lo contrario. Cuando Cj’ > Cj (maximización) Es claro que solamente cuando el precio de la utilidad de una variable no-básica se incrementa. • Para el problema dado. si el nuevo Cj satisface la desigualdad. Cj’ <=Cj + I fi j I C3’ <= 4 + I -7/3I <= 19/3 C4’ <=2 + I -5I <= 7 C5’ <= 0 + I -2/3I <= 2/3 C7’ <= 0 + I -5/6I = 5/6 • Evaluar los efectos de un incremento en la utilidad unitaria del producto 3 de $4 a $5. Cj’ > Cj. el incremento no modifica la solución óptima actual. e introducirse Xj a la base para encontrar la nueva solución óptima. El nuevo f4 es f4’ = C4’ . la solución óptima actual cambiará.Z4 = 8 -7 = 1 y al ser positivo.Zj <= 0 ==> Cj’ <= Cj -fj Cj’ <= Cj + I fj I o alternativamente. la solución óptima actual no se alterara. Ejemplo: Cambio en el Cj de una variable no . la actual solución permanece óptima. fj = Cj . por lo tanto. En consecuencia. cuando • Es decir. Dado C3’ = 5 = 15/3 satisface el límite máximo de 19/3. lo mismo en minimización con Cj’ > Cj. en un problema de maximización. 53 . • Evaluar el efecto de de un aumento en la utilidad actual del producto 4 de $2 a $8. X4 debe entrar a la base. Determinar los rangos de variación en la utilidad unitaria de las variables no-básicas.

6. b) La solución óptima del problema dual aporta la solución óptima del problema original y viceversa. proporciona la siguiente información respecto del problema de programación original: a) La solución óptima del problema dual proporciona los precios en el mercado o los beneficios de los recursos escasos asignados en el problema original. la cantidad de pesos a emplear.) para obtener un objetivo establecido. La solución óptima del problema de programación dual.Investigación de operaciones I Base Xo X2 X6 X1 Xo 1 0 0 0 X1 0 0 0 1 X2 0 1 0 0 X3 7/3 -1/3 X4 -1 -3/2 S1 2/3 1/15 -1/6 -1/30 S2 0 0 1 0 S3 5/6 -1/6 -5/6 1/3 Sol.1 Forma canónica de dualidad Sea el problema P : minimizar cx sujeto a El problema dual se formula entonces como D: Ax ≥ b x ≥ 0 maximizar wb sujeto a wA ≤ c w ≥ 0 54 . 3.33 400/3 500/3 400/3 ----------4000/57 -13/15 -12/15 29/15 19/10 2. Asociado a cada problema de programación lineal existe otro problema de programación lineal que se denomina problema dual. etc.2. problema primal). Las variables de decisión en tales problemas fueron. Normalmente llamamos al problema de programación lineal original el problema de programación primal.333.2 TEORÍA DE DUALIDAD Hemos visto como la programación lineal puede ser usada para resolver una extensa variedad de problemas propios de los negocios. ya sea para maximizar utilidades o minimizar costos. por ejemplo. El problema dual aporta información importante acerca de la solución del problema original (en lo sucesivo. etc. el dinero. 2. el número de productos a producir.6. capacidad de las máquinas. En cada caso la solución óptima no explicó cómo podrían ser asignados los recursos (ejemplo: materia prima.

en el valor de la función objetivo.6.2. Formulación del problema dual. El problema de programación lineal viene dado por: 55 .6.4 Holgura complementaria Maximizaci´ on ≥ ≤ ≥0 ≤0 restricciones variables ≤0 ≥ ≤ Es el concepto clave que permite resolver un problema a partir de otro.2.2. 2. se puede escribir el dual utilizando las siguientes relaciones Minimizacion ≥0 Variables Restricciones 2. Dado el problema P : minimizar cx sujeto a su problema dual se define como D: Ax = b x ≥ 0 maximizar wb sujeto a wA ≤ c w no restringido 2.3 Formas mixtas de dualidad Para escribir el dual de un problema general. y se deriva de las relaciones primo-dual.Investigación de operaciones I donde w es un vector fila con tantas componentes (variables duales) como restricciones tenga el problema primal.2 Forma estándar de dualidad La formulación del problema dual para forma estándar se deduce pasando a forma canónica el problema primal.6. El problema dual es un problema de PL auxiliar que se define directa y sistemáticamente a partir del modelo de PL original o primal.

5W2 + 0.5W3 >= 20 W1. X2. El problema dual tiene tantas restricciones como variables hay en el primal.5X3 <= 8 X1. d) Los coeficientes del segundo miembro de las restricciones del problema primal pasan a ser los coeficientes de la función objetivo del dual.5W3 >= 30 W1 + 1. b) Los coeficientes de las variables de decisión Xj en el problema primal pasan a ser los coeficientes de la restricción j-ésima en el problema dual. W2.5X2 + 0. Primal Ejemplo: Maximizar : Z = 60 X1 + 30 X2 + 20 X3 sujeto a: 8X1 + 4X1 + 6X2 + X3 <= 48 2X2 + 1. c) Los coeficientes de la función objetivo en el problema primal pasan a ser los coeficientes del segundo miembro de las restricciones en el problema dual.5X3 <= 20 2X1 + 1. X3 >=0 Dual: Minimizar Z’ = 48 W1 + 20 W2 + 8W3 sujeto a: 8W1 + 4W2 + 2W3 >= 60 6W1 + 2W2 + 1. W3>= 0 56 .Investigación de operaciones I Maximizar Z = C’X sujeto a: AX <= B X >= 0 su dual asociado es el problema de PL dado por: Minimizar Z’ = B’W sujeto a: AW<= C W >= 0 De lo anterior se deduce que el paso al dual se lleva a cabo teniendo presente las cuatro reglas siguientes: a) Los coeficientes de la i-ésima restricción 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.

Investigación de operaciones I 2. m * del recurso i-ésimo Observaciones • Las restricciones j-ésima del dual indican que el valor total de los recursos consumidos para elaborar una unidad de la j-ésima actividad. . . . n Suma i =1 recurso i-ésimo utlizados por unidad de la actividad j-ésima Valor unitario i .2... Wi.. . debe ser al menos tan grande como la ganancia asignada a cada unidad de la actividad j-ésima. La interpretación económica de la dualidad se basa directamente en la interpretación más frecuente del problema primal..1.. sujeto a: unidades del m j = 1. + Wmbm donde cada bi Wi puede interpretarse como la contribución a la ganancia por disponer de bi unidades del recurso i.Se define como la proporción con que mejora el valor de la función objetivo a partir de la i . asignada a cada unidad de la actividad j-ésima ¿Qué valor.ésima restricción...2.5 Interpretación económica del problema dual Precio Sombra. cuando se usa el conjunto actual de variables básicas para obtener la solución primal.. Para ver cómo la interpretación del problema primal conduce a una interpretación económica del problema dual: Z = W1b1 + W2b2 + W3b3 + . .. Interpretación del problema dual. 6. m). se debe asignar a cada unidad del recurso i-ésimo de forma que se minimice el valor total de los recursos?” >= 0 * Valor unitario del recurso i-ésimo = Ganancia asignada a cada unidad de la actividad j-ésima 57 . Wi se interpreta como la contribución a la ganancia por unidad del recurso i ( i = 1. • A partir de lo visto anteriormente se puede interpretar el problema dual en los siguientes términos: ” Dados unos recursos bi y un límite inferior para la ganancia Cj.. dependiendo si se trata de maximización tiende a aumentar y a disminuir cuando es de minimización.

Chícharos enlatados es uno de los productos más importantes de la compañía P & T. El transporte desempeña un papel importante en la economía y en las decisiones administrativas. Los chícharos se preparan en tres enlatadoras y después se mandan por camión a cuatro almacenes de distribución. Debe haber una combinación óptima que minimice el costo (o maximice la ganancia). La dificultad estriba en el gran número de combinaciones posibles. la intuición dice que debe haber una manera de obtener una solución. Entonces. Pero se han desarrollado métodos más sencillos que aprovechan ciertas características de los problemas. pero el costo de transporte varía con las diferentes combinaciones. Es crítica para la sobre-vivencia de una empresa. El problema es determinar la cantidad que cada planta debe mandar a cada almacén con el fin de minimizar el costo total de transporte. El método simplex de programación lineal. La manera más fácil de reconocer un problema de transporte es por su naturaleza o estructura “de-hacia”: de un origen hacia un destino. la gerencia ha iniciado un estudio para reducirlos lo más posible que se pueda. Se ha hecho una estimación de la producción de cada enlatadora para la próxima temporada y se ha asignado a 58 . de una fuente hacia un usuario. ¿Qué significa problema de transporte? Supóngase que un fabricante tiene tres plantas que producen el mismo producto. puede servir para resolver estos problemas. el método del transporte son sólo técnicas especiales para resolver ciertos tipos de problemas de programación lineal. Se conocen las fuentes y los destinos. se encontraría que los problemas de transporte tienen características matemáticas únicas. las capacidades y demandas y los costos de cada trayectoria. Cada planta puede mandar productos a todos los almacenes. Puede formularse un problema de transporte como un problema de programación lineal y aplicarse el método simplex. Una de estas subclases se conoce como problemas de transporte.Investigación de operaciones I CAPITULO 3 APLICACIONES ESPECIALES DE PROGRAMACIÓN LINEAL 3. Si se hiciera.1 PROBLEMA DE TRANSPORTE La programación lineal es un campo tan amplio que se extiende a subclases de problemas para los cuales existen métodos de solución especiales. de aquí hacia allá. Ejemplo prototipo. Puesto que los costos de embarque constituyen un gasto importante. Al enfrentar este tipo de problemas. del presente hacia el futuro. Estas plantas a su vez mandan el producto a cuatro almacenes.

es un problema de programación lineal del tipo de los problemas de transporte. 3. Para formularlo. 4) el número de cargas de camión que se mandan de la enlatadora i al almacén j. 4) La tabla muestra los coeficientes de las restricciones. no su contexto. Entonces el objetivo es seleccionar los valores de estas 12 variables de decisión (las xij) para: Minimizar Z= 464x11 + 513x12 + 654x13 + 867x14 + 352x21 + 416x22 + 690x23 + 791x24 995x31 + 682x32 + 388x33 + 685x34 sujeta a las restricciones: x11 + x12 + x13 + x14 x21 + x22 + x23 + x24 x11 x12 x13 x14 + x21 + x22 + x23 + x24 x31 + x32 + x33 + x34 + x31 + x32 + x33 + x34 = 75 = 125 = 100 = 80 = 65 = 70 = 85 xij ≥ 0 (i = 1. 3. junto con el costo de transporte por camión cargado para cada combinación de enlatadora-almacén. j = 1. lo que distingue a este problema como un problema de transporte es la estructura especial en el patrón de estos coeficientes. 2.Investigación de operaciones I cada almacén una cierta cantidad de la producción total de chícharos. 2. 3. de hecho. 2. Hay 300 cargas de camión que se deben transportar. 59 . 3. En la tabla se proporciona esta información (en unidades de carga de camión). j = 1. Como se verá enseguida. sea Z el costo total de transporte y sea xij (i = 1. Costo de embarque ($) por carga Almacén 1 2 3 4 Producción 1 464 513 654 867 Enlatadora 2 352 416 690 791 3 995 682 388 685 Asignación 75 125 100 80 65 70 85 Este. 2. El problema es determinar el plan de asignación de estos embarques a las distintas combinaciones de enlatadora-almacén que minimice el costo total de transporte.

a cualquier grupo de centros de recepción. x31 = 0. . x24 = 0. por lo general. x34 = 30. Una suposición básica es que el costo de distribución de unidades desde el origen i al 60 . n) tiene una demanda de dj unidades que recibe desde los orígenes.. x12 = 20. m) dispone de si unidades para distribuir a los destinos y el destino j (j = 1. llamados destinos.1 MODELO GENERAL DEL PROBLEMA DE TRANSPORTE Para describir el modelo general del problema de transporte es necesario emplear términos que sean mucho menos específicos que los que se usaron para los componentes del ejemplo prototipo.. x21 = 80. el origen i (i = 1.. . Cuando se conozca la prueba de optimización se podrá verificar este resultado.. la solución óptima para este problema es x11 = 0.. 2.1. x33 = 70. x32 = 0. de tal manera que se minimicen los costos totales de distribución. llamados orígenes. 3. x23 = 0.. x14 = 55. La terminología entre el ejemplo prototipo y el problema general se resume en: Ejemplo prototipo Problema general Cargas de chícharos enlatados Tres enlatadoras Cuatro almacenes Producción de la enlatadora i Asignación al almacén j Costo de embarque por carga desde la enlatadora i al almacén j Unidades de un bien m orígenes n destinos si recursos en el origen i Demanda dj en el destino j Costo cij por unidad distribuida desde el origen i al destino j Así.Investigación de operaciones I Entre paréntesis. 2. x13 = 0. El problema general de transporte se refiere a la distribución de cualquier bien desde cualquier grupo de centros de abastecimiento. x22 = 45.

... n c1n c2n . .. n para toda i y j y xij ≥ 0. . . cmn dn ..... . . . . . 2.. ... .. donde cij denota el costo por unidad distribuida. .Investigación de operaciones I destino j es directamente proporcional al número distribuido.. la formulación de programación lineal para este problema es: Minimizar sujeta a Z= ∑∑c i =1 j =1 m n ij xij ∑x j =1 n ij = si para i = 1. j = 1. sm Sea Z el costo total de distribución y xij (i = 1.. 2.. . m ∑x i =1 m ij = dj para j = 1.. . Note que la tabla que resulta de los coeficientes de las restricciones tiene la estructura especial que se muestra en la siguiente tabla: 61 . cm1 d1 . . . Recursos s1 s2 . 2..... c m2 d2 . 2. Igual que para el ejemplo prototipo. m Demanda ... c11 c21 .. m. . . n) el número de unidades que se distribuyen del origen i al destino j. 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 Destino 1 1 2 Origen 2 c12 c22 ..

Una condición necesaria y suficiente para que un problema de transporte tenga soluciones factibles es que: ∑s = ∑d i i =1 j =1 m n j Esta propiedad se puede verificar observando que las restricciones requieren que: ∑s i =1 m i y ∑d j =1 n j sean iguales a ∑∑x i =1 j =1 m n ij Esta condición de que los recursos totales deben ser iguales a la demanda total en realidad exige que el sistema esté balanceado. de convertir la función objetivo a la forma de maximización y de 62 . Sin embargo. se puede lograr un importante ahorro en los cálculos. Si el problema tiene algún significado físico y esta condición no se cumple. se introduce un “origen” o “destino” imaginario (llamado origen ficticio o destino ficticio) para captar la holgura. Después de construir la tabla de los coeficientes de restricción (vea la tabla anterior). se revisará primero la forma en que el método símplex general (no simplificado) establecería el problema de transporte en forma tabular. Se hará referencia a este procedimiento simplificado como el método simplex de transporte. El problema de transporte es un tipo especial de problemas de programación lineal y puede resolverse aplicando el método simplex. bien si.Investigación de operaciones I Cualquier problema de programación lineal que se ajuste a esta formulación especial es del tipo de problemas de transporte. o bien dj de hecho representan una cota y no un requerimiento exacto. y convertir las desigualdades en igualdades. Para hacer hincapié en la simplificación lograda por el método símplex de transporte. veremos que si se aprovecha la estructura especial que se muestra en la tabla anterior. Si este es el caso.

z2.. . xij cij ... Coeficiente de núm (0) Z −1 . zm+j M . se ve que las columnas de la tabla símplex tendrían la forma que se muestra en la siguiente tabla: Variable básica Z Ec. zi M−ui . (m+j) . m Lado derecho − ∑ siui − ∑ djvj i =1 j =1 n A causa del patrón de ceros y unos que siguen los coeficientes en la tabla anterior. zm+n en las m+n ecuaciones de restricción respectivas. Después de cualquier iteración subsecuente.Investigación de operaciones I usar el método de la M para introducir las variables artificiales z1.. .... zm+j M−vj . . .. (i ) . . derecho 0 Lado zi 0 1 1 si zm+j 0 1 1 dj En esta tabla.. el renglón 0 tendría la forma que se muestra en la siguiente tabla: Variable básica Z Ec. todos los elementos que no se muestran en estas columnas son ceros... xij cij−ui−vj .. ui y vj tienen la siguiente interpretación: 63 .. zi M . ... . Coeficiente de núm... (0) (1) ... (m+n) Z −1 . El único ajuste que queda por hacer antes de la primera iteración es eliminar algebraicamente los coeficientes distintos de cero de las variables básicas iniciales (artificiales) en el renglón de Z (renglón 0).

El renglón 0 actual se puede obtener sin usar ningún otro renglón con sólo calcular los valores de ui y vj directamente.Investigación de operaciones I ui = múltiplo del renglón i original que se ha restado (directa o indirectamente) del renglón 0 original durante todas las iteraciones del método símplex que llevaron a la tabla actual. estos valores se pueden obtener resolviendo el sistema de ecuaciones: cij−ui−vj = 0 para cada i y j tal que xij es variable básica. como la que se muestra enseguida: 64 . si y dj). la única información que necesita el método símplex de transporte es la solución básica factible actual. Cuando se resuelve un problema a mano es conveniente registrar esta información en una tabla símplex de transporte. Además de los datos de entrada (los valores de cij. los valores actuales de ui y vj y los valores resultantes de cij−ui−vj para las variables no básicas xij. lo cual se puede hacer de manera directa. vj = múltiplo del renglón m+j original que se ha restado (directa o indirectamente) del renglón 0 original durante todas las iteraciones del método símplex que llevaron a la tabla actual. Como cada variable básica debe tener coeficiente cero en el renglón 0.

donde dn+1 = y ci.n+1 = 0. 3. entonces para balancear el problema se agrega un destino imaginario o artificial (llamado también destino ficticio) el cual tendrá como demanda dicha sobreproducción.. el problema no está balanceado.1..1.Investigación de operaciones I Si todo lo que se produce en todos los orígenes es mayor que lo que se demanda en los destinos o viceversa. m 65 . Lo primero que se debe es balancearlo. ∑s − ∑d i m n j i =1 j =1 para i = 1.. . 2.1 PARA EL CASO DE SOBREPRODUCCIÓN ( ∑ si i =1 m > ∑ dj j =1 n ) Si el caso es que se dispone de mayor producción de la que se demanda. En cuanto a los costos asociados a este nuevo destino los estableceremos a cero (¿por qué?).

PARA EL CASO DE SOBREDEMANDA ( ∑ dj j =1 n ∑s > j =1 n i ) Si el caso es que se tiene mayor demanda de lo que se produce.. por lo que se necesita un buen número de iteraciones para hacer que el valor de estas variables artificiales sea cero y se alcancen las soluciones básicas factibles reales. 66 . n Como todas las restricciones funcionales en el problema de transporte son igualdades. La solución básica que resulta de hecho sólo es factible para la versión aumentada del problema. el método simplex obtendría una solución inicial básica factible introduciendo variables artificiales y usándolas como variables básicas iniciales.1. En cuanto a los costos asociados a este nuevo origen los estableceremos a cero (¿por qué?).1. El siguiente dibujo muestra lo que se debe hacer: donde sm+1 = y cm+1j = 0 ∑ d j − ∑ si j =1 i =1 n m para j = 1. El método simplex de transporte pasa por alto todo esto. entonces para balancear el problema se agrega un origen imaginario o artificial (llamado también origen ficticio) el cual tendrá como recursos (producirá) dicha sobredemanda.. 2. ..Investigación de operaciones I 3.2.

Por lo tanto.2 MÉTODOS PARA ENCONTRAR SOLUCIONES FACTIBLES Al iniciar. Esto se debe a que se manejan restricciones de igualdad y este conjunto de m + n ecuaciones tiene una ecuación adicional o (redundante) que se puede eliminar. cualquier solución básica factible en una tabla de transporte aparece con exactamente m + n − 1 asignaciones no negativas. se tiene una variable básica por cada restricción funcional. es decir. Sin embargo. De otra manera se regresa al paso 1. entonces el procedimiento termina eligiendo como básicas cada una de las variables restantes (es decir. La columna se usará después para proporcionar una variable básica degenerada. entonces arbitrariamente se elimina el renglón. 1. En los problemas de transporte con m recursos y n destinos el número de restricciones funcionales es m+n. y la suma de las asignaciones en cada renglón o columna es igual a su demanda o sus recursos 3. La razón es que se sabe que la cantidad total que se manda desde todos los orígenes debe ser igual que la cantidad total que se recibe en todos los destinos. aquellas variables que no se han elegido ni se han eliminado al quitar su renglón o columna) asociadas con ese renglón o columna que tiene la única asignación posible.) 4. Se asigna una cantidad grande como para que use el resto de los recursos en ese renglón o la demanda restante en esa columna. Se elimina ese renglón o columna (la que tenía la cantidad más pequeña en los recursos o demanda restantes) para las nuevas asignaciones. el número de variables básicas = m + n − 1. una asignación con cero unidades. 3. Antes de describir este procedimiento. (Si el renglón y la columna tiene la misma cantidad de recursos y demanda restante. Si sólo queda un renglón o una columna dentro de las posibilidades.Investigación de operaciones I pues usa un procedimiento más sencillo para construir directamente una solución básica factible real en la tabla de transporte. todos los renglones de los orígenes y las columnas de destinos de la tabla simplex de transporte se toman en cuenta para proporcionar una variable básica (asignación). 2. Se selecciona la siguiente variable básica (asignación) entre los renglones y columnas en que todavía se puede hacer una asignación de acuerdo a algún criterio. 67 . es necesario establecer que el número de variables básicas en cualquier solución básica de un problema de transporte es una menos de lo que se espera.1. Normalmente en los problemas de programación lineal.

si xij fue la última variable básica seleccionada. se mueve un renglón hacia abajo). se elige xi+1. De ahí en adelante. 1. entonces enviamos las 3 unidades demandadas desde el origen 1 hacia el destino 1 (ya que hay los recursos suficientes para satisfacer toda la demanda) y se disminuye a 2 los recursos restantes en ese origen (paso 2). se mueve una columna a la derecha) si quedan recursos en el origen i. se asigna en la esquina noroeste de la tabla (celda de la variable básica x11). la siguiente elección es xi.1 MÉTODO DE LA ESQUINA NOROESTE. Recursos 3 2 4 7 4 3 6 3 8 4 2 5 5 2 3 10 Demanda 3 4 2 1 10 Verificado el balanceo (igual a 10 unidades).j+1 (es decir. Regla de la esquina noroeste: la primera elección es x11 (es decir.j (es decir. se observa que en la primera columna se demandan 3 unidades del bien y se dispone de 5 unidades. Se cubre toda la demanda del primer destino (ó almacén) y lo cancelamos para las próximas asignaciones (paso3): Recursos 3 3 7 4 3 6 3 8 4 2 5 5 2 2 3 2 4 Demanda 3 0 4 2 1 68 . se comienza en la esquina noroeste de la tabla simplex de transporte).Investigación de operaciones I 3.1. De otra manera.2.

El segundo destino demanda 4 unidades del bien y se dispone de 2 unidades en el origen 1. Faltan 2 unidades para satisfacer por completo la demanda del segundo destino y se disponen de 2 unidades en el segundo origen. entonces enviamos 2 unidades del bien del origen 2 al destino 2 y cancelamos el segundo renglón ya que no le quedan más unidades para enviar a otro destino. Recursos 3 3 2 7 4 2 6 3 8 4 2 5 5 2 0 2 0 3 2 4 3 Demanda 3 0 4 2 0 2 1 69 . se envían las 2 unidades del origen 1 al destino 2 quedando 2 por satisfacer (paso 2) y se cancela el origen 1 ya que no tiene más unidades (paso 3): Recursos 3 3 7 2 6 3 8 4 2 5 5 2 0 2 3 2 4 4 3 Demanda 3 0 4 2 2 1 La siguiente asignación será en la celda correspondiente a la variable x22 (paso 1) ya que no le quedan unidades del bien al origen 1 (esquina noroeste de la tabla restante después de haber eliminado el primer renglón y la primera columna).Investigación de operaciones I La siguiente asignación será en la celda de la variable x12 (paso 1) porque todavía el origen 1 tiene recursos (además es la esquina noroeste de la tabla restante después de haber eliminado la primera columna).

Ya que la demanda del tercer destino (2 unidades) puede ser satisfecha muy bien por el tercer origen. Notemos que esta demanda de cero unidades es satisfecha sin ningún problema por el origen 3 ya que éste dispone todavía de 3 unidades del bien: Recursos 3 3 7 2 6 3 8 4 2 5 5 2 0 2 0 3 2 4 4 2 3 0 Demanda 3 0 4 2 0 2 1 Como solamente queda un renglón dentro de las posibilidades (el renglón 3 no ha sido cancelado). entonces enviamos 2 unidades del bien del origen 3 al destino 3 quedando solamente 1 unidad en el tercer origen (paso 2) para enviarlo al cuarto destino y con eso cubrir su demanda de una unidad. entonces aplicando el paso 4 del procedimiento general para construir una solución inicial básica factible. una asignación con cero unidades (paso 3): La siguiente asignación será en la celda correspondiente a la variable x32 (paso1) ya que no le quedan más unidades al origen 2. Notemos que “se demandan cero unidades del bien en el segundo destino”. en este momento es cuando hacemos una asignación de cero unidades convirtiendo así a la variable x32 en una variable básica degenerada (paso 2) y ahora sí podemos cancelar la segunda columna para ya no considerarla más en las siguientes asignaciones (paso 3). es decir. cancelando de esta manera tanto el destino 3 como el destino 4 y el tercer renglón ya que la demanda de todos los destinos ya ha sido satisfecha y no quedan más unidades del bien en ningún origen: 70 . la siguiente asignación será en la celda que corresponde a la variable x33 (paso 1).Investigación de operaciones I Dejamos pendiente la eliminación de la segunda columna ya que nos servirá más adelante para hacer la asignación de una variable básica degenerada.

2 MÉTODO DE APROXIMACIÓN DE VOGEL Método de Aproximación de Vogel: para cada renglón y columna que queda bajo consideración. entonces la diferencia es 0). se calcula su diferencia.2. (Si se tiene un empate para el costo más pequeño de los restantes de un renglón o columna. En el renglón o columna que tiene la mayor diferencia se elige la variable que tiene el menor costo unitario que queda. x12=2. (Los empates para la mayor de estas diferencias se pueden romper de manera arbitraria). que se define como la diferencia aritmética entre el costo unitario más pequeño (cij) y el que le sigue.1. que resulta ser para la tercera columna. x32=0 (variable básica degenerada). es necesario aplicar a esta primera solución factible la prueba de optimalidad ya que puede existir una mejor “política de transporte” que minimice todavía más el costo total. x22=2.Investigación de operaciones I Recursos 3 3 7 2 6 3 2 4 2 5 2 1 5 2 0 2 0 3 1 0 2 4 4 3 0 8 Costo = 52 Demanda 3 0 4 2 0 2 0 1 0 La solución inicial básica factible es x11=3. En esa columna encontramos el costo unitario (cij) menor y en esa celda 71 . 3. Iniciamos el método calculando las primeras diferencias para cada renglón y columna. De las diferencias que obtuvimos nos fijamos realizamos la primera asignación: en la mayor (¿Por qué?). x33=2 y x34=1 y el costo total de transporte asociado a esta primera “Política de Transporte” factible es de: x11 c11 Costo = 3 (3) + x12 c12 2 (7) + x22 c22 2 (4) + x32 c32 0 (3) + x33 c33 2 (8) + x34 c34 1 (5) = 52 unidades Es necesario aclarar que esta no es la solución final del problema. de los que quedan en ese renglón o columna.

3 1 4 1 2 0 3 1 3 2 4 7 4 3 6 3 2 4 2 5 5 2 0 3 8 1 2 10 Nota: Marcar la mayor de las diferencias seleccionadas encerrándola en un círculo y escribiendo como superíndice el número que le corresponda en la secuencia de selección. Continuando con la aplicación del método.Investigación de operaciones I Recursos DIF. 3 1 1 4 1 1 4 2 3 2 4 7 4 3 3 6 3 2 4 2 5 5 2 0 3 0 8 2 0 3 2 1 1 2 1 10 72 . 1 0 1 10 Demanda DIF. tenemos que calcular nuevamente las diferencias de las columnas ya que hemos eliminado un renglón y ésto puede ocasionar que las diferencias aritméticas entre el costo unitario más pequeño y el que le sigue ya no sean las mismas: Recursos DIF. Observemos en la figura anterior que únicamente eliminamos el segundo renglón ya que la tercera columna nos servirá después para hacer la asignación de una variable básica degenerada. 1 0 1 10 Demanda DIF.

Investigación de operaciones I Como siguiente paso deberíamos calcular las nuevas diferencias de columnas. 3 3 7 1 6 0 4 1 5 2 1 0 1 2 0 3 0 10 0 1 2 4 4 3 3 3 2 2 5 8 Demanda DIF. no es posible encontrar la diferencia aritmética entre el costo menor y el que le sigue. pero ya que solamente queda un renglón dentro de las posibilidades (ésto no significa que solamente un renglón quede bajo consideración ya que podemos observar que ninguna de las cuatro columnas (destinos) ha sido eliminada y todas quedan todavía bajo consideración). La virtud principal de la regla de la esquina noroeste es la facilidad y rapidez con que se aplica. x13=0 (variable básica degenerada). 3. por lo general la solución que se 73 . es necesario aplicar a esta primera solución factible la prueba de optimalidad ya que puede existir una mejor “política de transporte” que minimice todavía más el costo total.3 COMPARACIÓN DE CRITERIOS ALTERNATIVOS PARA EL PASO 1 Se compararán estos dos criterios para elegir la siguiente variable básica. Sin embargo. 3 0 1 1 4 1 0 1 4 2 2 0 3 2 1 1 0 2 1 10 La solución inicial básica factible es x11=3.1. x23=2 y x32=3 y el costo total de transporte asociado a esta primera “Política de Transporte” factible es de: x11 Costo = 3 c11 (3) + x12 c12 1 (7) + x13 0 c13 (6) + x14 c14 1 (4) + x23 c23 2 (3) + x32 3 c32 (3) = 35 unidades Es necesario aclarar que ésta puede o no ser la solución final del problema. x14=1. 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. x12=1. como no le da importancia a los costos unitarios cij. Recursos DIF.

Podemos decir. La prueba de optimalidad estándar del método símplex para el problema de transporte. resulta muy fácil obtener algebraicamente los valores del resto de las 74 . por lo que la única diferencia (menor) estriba en la facilidad para resolver estas ecuaciones.Investigación de operaciones I obtiene distará mucho de la óptima. es posible que se reduzca mucho el número de iteraciones que después necesita el método símplex de transporte para encontrar la solución óptima. aun cuando xij sea no básica. Si se realiza un esfuerzo un poco mayor para encontrar la solución inicial básica factible. El método de aproximación de Vogel ha sido el más popular durante muchos años. La elección de esta variable y su valor no afecta el valor de ningún cij−ui−vj. Así. Como el valor de cij−ui−vj debe ser cero si xij es una variable básica. Una elección conveniente para lograr esto es seleccionar la ui que tiene el mayor número de asignaciones en su renglón (los empates se rompen de manera arbitraria) y asignarle un valor de cero. Como el número de incógnitas (las ui y vj) es m+n. en parte porque es relativamente fácil hacerlo a mano. ui y vj satisfacen el conjunto de ecuaciones: cij = ui + vj para cada (i. que el método de aproximación de Vogel proporciona una mejor solución inicial que el criterio de la esquina noroeste. El objetivo del otro criterio es precisamente encontrar una solución así. El siguiente paso después de hallar una solución inicial básica factible (por cualquiera de los dos criterios expuestos anteriormente) es verificar si esta solución inicial es efectivamente óptima aplicando la prueba de optimalidad. Este criterio toma en cuenta los costos unitarios en forma efectiva ya que la diferencia representa el mínimo costo adicional en que se incurre por no hacer una asignación en la celda que tiene el menor costo en esa columna o renglón.j) tal que xij es no básica. Existen m+n−1 variables básicas y por tanto hay m+n−1 ecuaciones de este tipo. se puede asignar un valor arbitrario a cualquiera de estas variables sin violar las ecuaciones. Gracias a la sencilla estructura de estas ecuaciones. lo único que hay que hacer para realizar esta prueba es obtener los valores de ui y vj para la solución básica factible actual y después calcular los valores cij−ui−vj según se describe enseguida. se puede reducir de la siguiente manera: Una solución básica factible es óptima si y sólo si cij−ui−vj ≥ 0 para toda (i.j) tal que xij es básica. en otras palabras es más cualitativo.

De esta asignación resulta lo siguiente: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4 →v2 = 3 →v3 = 8 →v4 = 5 75 . el renglón 1 tuvo dos asignaciones. el renglón 2 tuvo una asignación y por último el tercer renglón tuvo tres asignaciones. por lo que este sistema de ecuaciones no es cuadrado. a partir de él encontremos el valor de las demás. consideremos la solución inicial básica factible obtenida por la regla de la esquina noroeste para nuestro ejemplo en cuestión: Para este problema. originando las ecuaciones: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4 Son 6 ecuaciones que involucran 7 incógnitas (tres de las ui y cuatro de las vj). existen m+n−1=3+4−1=6 variables básicas. para que. por lo que asignamos el valor de cero a la incógnita u3. En el ejemplo. Para ejemplificar la prueba de optimalidad.Investigación de operaciones I variables. La regla para hacer esta asignación arbitraria nos dice que sea para la ui (ó renglón) que haya tenido el mayor número de asignaciones. La forma de resolverlo es dando un valor arbitrario a una de las incógnitas.

4): 4 − 4 − 5 = −5 Para la celda (2. los cuales nos ayudarán para hallar el valor de las incógnitas restantes: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4 si u1=4. este valor es cero (por la forma de las ecuaciones con que se hallaron los valores de las incógnitas ui y vj). ya que para las básicas.Investigación de operaciones I Hemos obtenido el valor de tres incógnitas más. v2. entonces u2= 1 →v2 = 3 →v3 = 8 →v4 = 5 De esta forma se obtiene el valor las incógnitas y procede a colocarlos en la tabla: v1 u1 u2 u3 v2 v3 v4 Recursos 5 2 3 1 Costo=52 Demanda vj 3 −1 4 3 2 8 1 5 ui 4 1 0 3 3 7 2 6 3 2 4 2 5 2 2 4 4 3 0 8 Ahora calculemos los valores cij−ui−vj para las variables no básicas.4): 2 − 1 − 5 = −4 Para la celda (3. v3 y v4.1): 4 − 0 − (−1) = 5 76 . y coloquemos estos valores en la esquina inferior izquierda de cada celda: Para la celda (1. entonces v1= −1 si v2=3.3): 6 − 4 − 8 = −6 Para la celda (1.1): 2 − 1 − (−1) = 2 Para la celda (2.3): 3 − 1 − 8 = −6 Para la celda (2. entonces u1= 4 si v2=3.

los candidatos en la tabla anterior son x13. Entonces. ya que tarde o temprano llegaremos a la misma solución independientemente de la elección de la variable. se concluye que la solución básica factible actual no es óptima. c14−u1−v4= −5. una variable básica que sale (paso 2) y después identificar la nueva solución básica factible que resulta (paso 3). observemos lo siguiente: ya que debemos elegir la variable básica “entrante. c23−u2−v3= −6. para que el costo total Z disminuya. que en este caso corresponde a x13 y x23. la variable que entra debe tener un valor de cij−ui−vj negativo.Investigación de operaciones I v1 u1 v2 v3 v4 Recursos 5 ui 4 3 0 3 7 0 4 0 3 0 4 3 0 2 2 6 −6 3 −6 8 0 2 8 2 4 −5 2 −4 5 0 1 5 1 u2 2 2 2 1 u3 4 5 3 0 Costo=5 Demanda vj 3 −1 2 En este momento se puede aplicar la prueba de optimalidad para verificar los valores de cij−ui−vj obtenidos. Como cuatro de estos valores (c13−u1−v3= −6. x23 y x24 . es decir. este empate se rompe de manera arbitraria. una iteración del método símplex de transporte debe determinar una variable básica entrante (paso 1). Una iteración. son negativos. Igual que para método símplex estándar. c24−u2−v4= −4). Pero. el método símplex de transporte debe proceder a hacer una iteración para encontrar una mejor solución básica factible. Entonces. Paso 1: como cij−ui−vj representa la tasa a la que cambia la función objetivo si se incrementa la variable no básica xij. En los casos en que haya empate para la elección de la variable básica entrante. Entre ellos se elige el valor negativo más grande (en términos absolutos) de cij−ui−vj como la variable básica entrante. • 77 . x14.

En nuestro caso. la reacción en cadena de la tabla anterior se resume enseguida. Si x23 es la variable básica entrante. es conveniente que elijamos aquella que tenga el costo menor. cuando la variable básica entrante aumenta su valor. siempre existe sólo una reacción en cadena (en cualquier dirección) que se puede completar con éxito para conservar la factibilidad.Investigación de operaciones I aquella que comenzará a tener un valor (ya que antes no lo tenía porque era variable no básica). La primera variable básica que disminuya su valor hasta cero será la variable básica que sale. Cuando una columna o renglón tiene más de una celda adicional con variable básica. Después de identificar la reacción en cadena. Esta reacción en cadena se puede identificar si se hace una selección entre las celdas que tienen variables básicas: primero. la celda receptora en el renglón que corresponde a la celda donadora. ya que el valor de la variable entrante multiplicado por su respectivo costo será la contribución al costo total. y así sucesivamente. después. el costo asociado a x13 es 6 y el costo asociado a x23 es 3. luego. (Todas las demás menos la adecuada llegarán tarde o temprano a un camino sin salida en un renglón o columna que no tiene otra celda con una variable básica). En general. La celda donadora que tiene la asignación menor proporciona en forma automática la variable básica que sale. (Siempre se indicará la variable básica entrante colocando un signo + encuadrado dentro de su celda): • 78 . Paso 2: si se incrementa el valor de la variable básica entrante. puede ser necesario explorar el camino que se va aseguir para averiguar cuál debe seleccionarse como celda donadora o receptora. por lo que la variable que debemos elegir como entrante es x23. la celda donadora en la columna en que se encuentra esta celda receptora. hasta que la reacción en cadena conduce a una celda donadora en el renglón que tiene a la variable básica entrante. entonces. se establece una reacción en cadena de cambios compensatorios en otras variables básicas (asignaciones) para seguir satisfaciendo las restricciones de recursos y demanda. la celda donadora en la columna que tiene la variable básica. (En caso de un empate para la celda donadora. se puede elegir cualquiera para proporcionar la variable básica que sale).

2) y (3. esto a su vez requiere que se aumente x32 en esa cantidad para mantener la oferta de 3 en el renglón 3 y esto a su vez exige una disminución en el valor de x22 para conservar la demanda de 4 en la columna 2.3).2) y (3.4). Cada celda donadora disminuye su asignación en una cantidad exactamente igual al aumento que tiene la variable básica entrante (y las otras celdas receptoras). la celda donadora que comienza con la asignación más pequeña −en este caso las celdas (2. a excepción de la variable básica entrante. El resultado final es que las celdas (2. Note además que. cada una con su asignación adicional proveniente de las celdas donadoras (2.3) y (3.2) se convierten en celdas receptoras. x22 ó x23 se pueden convertir en la variable básica que sale.Investigación de operaciones I v1 u1 v2 v3 v4 Recursos 5 ui 4 3 3 7 2 6 −6 3 + 2 4 −5 2 −4 − 2 0 u2 0 4− 0 3 0 + 2 2 2 1 −6 8 0 2 8 u3 4 5 5 1 3 0 0 4 3 0 Costo=5 1 5 2 Demanda vj 3 −1 Al aumentar x23 debe disminuir x33 en la misma cantidad para conservar la demanda de 2 en la columna 3.2) como celda receptora para el renglón 3 y no la (3.3)− debe ser la primera en llegar a una asignación de cero conforme se incrementa la variable entrante x23. ya que esta última no hubiera tenido celda donadora en la columna 4 para continuar la reacción en cadena. Cuando existe 79 . Estas celdas están indicadas en la tabla anterior por medio de los signos + y −). Así. Esta disminución en x22 completa con éxito la reacción en cadena ya que también conserva la oferta del renglón 2. Entonces. todas las celdas receptoras y donadoras en la reacción en cadena deben corresponder a variables básicas en la solución básica factible actual. Observe que tuvo que elegirse la celda (3.

esperaríamos que el costo total de transporte disminuya.Investigación de operaciones I empate para la variable básica que sale. v1 u1 v2 v3 v4 Recursos 5 ui 3 0 3 7 0 4 0 3 0 4 2 0 2 6 −6 3 −6 8 0 2 2 4 −5 2 −4 5 1 u2 2 2 2 u3 4 5 3 0 Costo=40 1 Demanda vj 3 En este momento se puede señalar una interpretación útil de las cantidades cij−ui−vj que se obtienen en la prueba de optimalidad. como se ilustra en la siguiente tabla para la nueva solución. podemos seleccionar como variable básica saliente aquélla que tenga asociado el mayor costo unitario. ya que como esta variable perderá completamente su valor (es decir. Así. por lo que esta porción de la tabla símplex de transporte cambia. se convertirá de variable básica a variable no básica). En la tabla anterior se observa que el valor de la variable básica que sale x33 es 2. eligiendo cualquiera de las variables donadoras con la asignación más pequeña como variable básica saliente. es decir. éste puede romperse de manera arbitraria. Debido al cambio de 2 unidades en las asignaciones de las celdas donadoras a las receptoras. Como una regla empírica. el costo total cambia en: ∆Z = 2(3−8+3−4) = 2(−6) = −12 = 2(c23−u2−v3) 80 . Paso 3: la nueva solución básica factible se identifica sumando el valor (antes de los cambios) de la variable básica que sale a las asignaciones de cada celda receptora y restando esta misma cantidad de las asignaciones de cada celda donadora. su nueva asignación es cero y ya no se muestra en la tabla). (Como x33 es no básica en la nueva solución. escogeríamos a x33 como variable básica saliente.

entonces la solución actual es óptima por lo que el proceso se detiene. y después resolviendo el sistema de ecuaciones cij = ui+vj para cada (i. se regresa a una iteración. De lo contrario. Entre las celdas donadoras se selecciona la variable básica que tiene el menor valor. Se realiza la prueba de optimalidad. Se determina la variable básica entrante: se elige la variable no básica xij que tiene el valor negativo más grande (en términos absolutos) para cij−ui−vj.3. Se determina la nueva solución básica factible: se suma el valor de la variable básica que sale a las asignaciones de las celdas receptoras y se resta este valor a las asignaciones de las celdas donadoras. el costo total de transporte se decrementa en 12 unidades con respecto al costo anterior que era de 52 unidades. se hará un resumen de las reglas del método simplex de transporte.1. Iteración: 1. 81 . Notemos que hemos obtenido una nueva política de transporte.j) tal que xij es básica. Prueba de optimalidad: Se obtiene ui y vj eligiendo el renglón con el mayor número de asignaciones y estableciendo su ui = 0. la cual podemos resumir así: La nueva solución básica factible es x11=3. x22=0 (variable básica degenerada).1 RESUMEN DEL MÉTODO SÍMPLEX DE TRANSPORTE Inicialización: Se construye una solución inicial básica factible. 3. 3. Se determina la variable básica que sale identificando la reacción en cadena (encontrar un circuito) que se necesita para conservar la factibilidad cuando se aumenta el valor de la variable básica entrante. Si cij−ui−vj ≥ 0 para toda (i. x12=2. x23=2. 2.Investigación de operaciones I es decir.j) tal que xij es no básica. x32=2 y x34=1 y el costo total de transporte asociado es de: x11 c11 Costo = 3 (3) + x12 c12 2 (7) + x22 0 c22 (4) + x23 c23 2 (3) + x32 2 c32 (3) + x34 c34 1 (5) = 40 unidades Antes de completar la solución del problema ejemplo.

v1. Ya que hay empate en el número de asignaciones que tiene cada renglón (2 asignaciones en cada renglón). asignemos el valor de cero a la incógnita u1. entonces u3= −4 si u3= −4. y v2. De esta asignación resulta lo siguiente: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4 → v1=3 → v2=7 Hemos obtenido el valor de dos incógnitas más. tenemos que calcular los nuevos valores de las ui y vj y después los valores cij−ui−vj correspondientes a las variables no básicas para determinar si todos cumplen con la prueba de optimalidad: Nuevamente existen m+n−1=3+4−1=6 variables básicas. entonces v3=6 si v2=7. entonces u2= −3 si u2= −3. entonces v4=9 De esta forma hemos obtenido el valor de todas las incógnitas y procedemos a colocarlos en la tabla como sigue: 82 . que dan origen al siguiente conjunto de ecuaciones: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4 Observemos que nuevamente resultaron ser 6 ecuaciones que involucran 7 incógnitas (tres de las ui y cuatro de las vj). los cuales nos ayudarán para hallar el valor de las incógnitas restantes: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4 → v1=3 → v2=7 si v2=7.Investigación de operaciones I Continuando con la aplicación de este procedimiento a nuestro problema.

Investigación de operaciones I

v1 u1

v2

v3

v4

Recursos 5

ui 0

3
3

7
2

6

4

u2

2

4
0

3
2

2

2

−3

u3

4

3
2

8

5
1 2 6 1 9

3

−4

Demanda vj

3 3

4 7

Costo=40

Ahora calculemos los valores cij−ui−vj para las variables no básicas y coloquemos estos valores en la esquina inferior izquierda de cada celda: Para la celda (1,3): 6 − 0 − 6 = 0 Para la celda (1,4): 4 − 0 − 9 = −5 Para la celda (2,1): 2 − (−3) − 3 = 2 Para la celda (2,4): 2 − (−3) − 9 = −4 Para la celda (3,1): 4 − (−4) − 3 = 5 Para la celda (3,3): 8 − (−4) − 6 = 6 v1 u1 v2 v3 v4 Recursos 5 ui 0

3 0
3

7 0 4 0 3 0
3 3 4 7 2 0 2

6 0 3 0 8 6
2 6 2

4 −5 2 −4 5 0
1 9 1

u2

2 2

2

−3

u3

4 5

3

−4

Demanda vj

Costo=40

83

Investigación de operaciones I Aplicando la prueba de optimalidad para verificar los valores de cij−ui−vj obtenidos, vemos que dos de estos valores ( c14−u1−v4= −5, c24−u2−v4= −4) son negativos, se concluye que la solución básica factible actual no es óptima. Entonces, el método símplex de transporte debe proceder a hacer una iteración para encontrar una mejor solución básica factible. Aplicando el procedimiento descrito anteriormente, se llega al siguiente conjunto de tablas símplex de transporte que se muestra enseguida y que dan solución al problema planteado: v1 u1 v2 v3 − 2 v4 Recursos 5 + 2 −3 ui 0

3 0
3

7 0 4 0 3 0
3 3 v1 4 7 v2 2

6 0 3

4 −5 2
2

u2

2 2

0 +

0 8 6
2 6 v3

−4 5 0
1 9 v4 Recursos 5 1 2 ui 1 Costo=4 − 3 −4

u3

4 5

Demanda vj

0

u1

3 0
3

7 0 4 0 3 0
3 4 3 0 1

6 0 3 0 8 6
2 2

4 −5 2 −4 5 0
1

u2

2 2

u3

4 5

3

Demanda vj

Costo=35

84

Investigación de operaciones I La nueva solución básica factible es x11=3, x12=1, x14=1, x22=0 (variable básica degenerada), x23=2 y x32=3 y el costo total de transporte asociado es de: x11 c11 Costo = 3 (3) + x12 c12 1 (7) + x14 1 c14 (4) + x22 c22 0 (4) + x23 2 c23 (3) + x32 c32 3 (3) = 35 unidades

Como en esta última tabla todas las cij−ui−vj son no negativas, la prueba de optimalidad identifica este conjunto de asignaciones como óptimo, lo cual concluye el algoritmo. 3.2 PROBLEMA DE ASIGNACIÓN El Problema de la Asignación es un problema clásico de la Investigación de Operaciones y es un caso particular del Problema del Transporte. Este problema se trata de asignar una serie de Recursos a una serie de tareas. Tiene una limitante y es que a cada tarea se le puede asignar sólo un recurso, pueden sobrar recursos o podrían sobrar tareas pero no se le puede asignar dos recursos a una misma tarea, o tres... por ejemplo si se tienen tres operarios con diferentes tiempos de operación en cuatro máquinas el modelo nos diría como asignar los tres operarios a tres máquinas (nos sobraría una) de manera que se minimice el tiempo total, pero no nos diría como asignar dos operarios a dos máquinas y el otro operario a las otras dos máquinas. Ejemplos de Asignaciones: Operarios a Tareas, Máquinas a Operarios, Nadadores a Estilos, Novias a días de la semana, etc, etc, etc. El Problema de la Asignación se basa en una información comparativa para tomar la decisión de que asignar a que, por ejemplo una matriz de costos, una matriz de tiempos, de ingresos, etc. Cuando la matriz no está balanceada, es decir, cuando no es cuadrada, cuando sobran filas o columnas, se debe balancear para que tenga solución mediante la inclusión de filas o columnas ficticias, con valores de cero en dicha matriz. Ejemplo prototipo: Existen cuatro operarios que se pueden asignar al trabajo con tres máquinas. Un estudio de tiempos y movimientos ha arrojado los siguientes tiempos por operario para las tres máquinas. Indicar que operario debe trabajar en que máquina y cuál de ellos no será asignado a ninguna.

85

pero solo una variable de las tres anteriores puede tomar el valor de Sí. debido a que todo número multiplicado por 1 da el mismo número entonces el 1 se puede reemplazar por la respuesta Sí y como todo número multiplicado por cero da cero entonces se puede reemplazar por la respuesta No. y eso es debido a que el operario 1 sólo puede ser asignado a una máquina. lo que significaría que el tiempo que utilice el operario 1 puede ser ya sea de "10" de "7" o de "9". Con base en esto podemos formular la función objetivo: 86 . es necesario incluir una máquina ficticia: Máquina 1 Máquina 2 Máquina 3 Máquina Ficticia Operario 1 Operario 2 Operario 3 Operario 4 10 7 9 8 7 5 8 9 9 8 10 7 0 0 0 0 Xij = Se debe asignar el operario i a la máquina j? Sí o no? En matemáticas existen dos números cuyas propiedades hacen que puedan representar estas respuestas son el 1 y el 0. o sea de 1 las demás tendrán que tomar el valor de 0. Así por ejemplo: 10X11 + 7X12 + 9X13 + 0X14 representa el tiempo sumado que emplearía el operario1 en operar las máquinas.Investigación de operaciones I Máquina 1 Máquina 2 Máquina 3 Operario 1 Operario 2 Operario 3 Operario 4 10 7 9 8 7 5 8 9 9 8 10 7 Como la matriz no está balanceada.

. 87 . Al resolver la respuesta que se obtiene es la siguiente: Máquina 1 Máquina 2 Máquina 3 Máquina Fic. X11 + X12 + X13 + X14 = 1 X21 + X22 + X23 + X24 = 1 X31 + X32 + X33 + X34 = 1 X41 + X42 + X43 + X44 = 1 Y como cada máquina solo puede tener un operario asignado.. el operario 3 se asigna a la máquina 1 y el operario 4 se asigna a la máquina 3.j.. Operario 1 0 Operario 2 0 Operario 3 1 Operario 4 0 0 1 0 0 0 0 0 1 1 0 0 0 Esto significa que el Operario 1 queda asignado a la Máquina Ficticia (es decir.Investigación de operaciones I Min Z = 10X11 + 7X12 + 9X13 7X21 + 5X22 + 8X23 9X31 + 8X32 + 10X33 8X41 + 9X42 + 7X43 Restricciones: Como cada operario sólo puede estar asignado a una máquina. es el que sobra)... el operario 2 se asigna a la máquina 2. X11 + X21 + X31 + X41 = 1 X12 + X22 + X32 + X42 = 1 X13 + X23 + X33 + X43 = 1 X14 + X24 + X34 + X44 = 1 Xij = 1 o 0 para toda i.

se tiene una solución óptima entre los ceros cubiertos de la matriz. Las fases para la aplicación del método Húngaro son: • Paso 1: Encontrar primero el elemento más pequeño en cada fila de la matriz de costos m*m. El algoritmo Húngaro está destinado para minimizar si tenemos que maximizar tendremos previamente que darle la vuelta a la matriz restándole el mayor elemento de toda la matriz a cada uno de los elementos de la misma de manera que el elemento que era más pequeño pasara a ser el más grande y a la inversa. 3. A continuación se debe construir una nueva matriz (denominada matriz de costos reducidos) al restar de cada costo el costo mínimo de su columna. König y E.1. Si en alguna columna no hubiera ceros le quitamos el mayor a la columna. Consiste en trazar el número mínimo de líneas (horizontales o verticales o ambas únicamente de esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos reducidos. el costo mínimo en cada columna.2. Si se requieren menos de m líneas para cubrir todos los ceros.1 EL MÉTODO HÚNGARO Este algoritmo se usa para resolver problemas de minimización. se debe continuar con el paso 3. El algoritmo Húngaro se debe a D. • Paso 2: (En algunos pocos textos este paso se atribuye a Flood). que no está cubierto por las líneas dibujadas en el paso 2.1 TEOREMA FUNDAMENTAL DE LA ASIGNACIÓN Si a todos los elementos de una fila o de una columna de una matriz de rendimientos se le suma o se le resta una cantidad constante la asignación óptima no varía. Paso 3: Encontrar el menor elemento diferente de cero (llamado k) en la matriz de costos reducidos. El número de líneas para cubrir los ceros es igual a la cantidad de asignaciones que hasta ese momento se pueden realizar. se debe construir una nueva matriz al restar de cada costo el costo mínimo de cada fila. E Egervóry.Investigación de operaciones I 3. a continuación se debe restar k de cada elemento no cubierto de la matriz de costos reducidos y sumar k a • 88 .2. Cuando hay que pasar de maximizar a minimizar en lugar de operar con el mayor de toda la matriz tomar el mayor de cada fila o columna e ir restándole todos los elementos de esa fila o columna con lo cual se obtiene por lo menos un cero como mínimo en cada fila o columna. encontrar para esta nueva matriz. si se necesitan m líneas para cubrir todos los ceros. ya que es más eficaz que el empleado para resolver el problema del transporte por el alto grado de degeneración que pueden presentar los problemas de asignación.

para lo cual se busca la asignación óptima posible. Notas: • Para resolver un problema de asignación en el cual la meta es maximizar la función objetivo.Investigación de operaciones I cada elemento de la matriz de costos reducidos cubierto por dos líneas (intersecciones). el problema de asignación está desbalanceado. se debe multiplicar la matriz de ganancias por menos uno (-1) y resolver el problema como uno de minimización. el tiempo a laborar por cada operario en cada una de las máquinas se pretende que sea mínimo. El método Húngaro puede proporcionar una solución incorrecta si el problema no está balanceado. OPERARIOS MAQUINAS 1 2 14 13 12 13 3 16 15 12 18 4 13 12 11 16 Antonio Bernardo Carlos Diego 10 12 9 14 89 . entonces se pueden asignar solamente j trabajos a un costo cero en la matriz actual. esto explica porqué termina cuando se necesitan m líneas. debido a lo anterior. • En un problema grande. Mediante el siguiente ejemplo vamos a ilustrar la manera de aplicar el método Húngaro a la solución de un problema de asignación de minimización: Una factoría tiene cuatro operarios. puede resultar difícil obtener el mínimo número de filas necesarias para cubrir todos los ceros en la matriz de costos actual. los cuales deben ser asignados al manejo de cuatro máquinas. Se puede demostrar que si se necesitan j líneas para cubrir todos los ceros. se debe balancear primero cualquier problema de asignación (añadiendo filas o columnas ficticias) antes de resolverlo mediante el método Húngaro. Por último se debe regresar al paso 2. • Si el número de filas y de columnas en la matriz de costos son diferentes. las horas requeridas para cada trabajador en cada máquina se dan en la tabla adjunta.

12.Investigación de operaciones I Planteamiento del Modelo Primal: MIN W = 10 X11+ 14 X12+ 16 X13+ 13 X14+ 12 X21+ 13 X22+ 15 X23+ 12 X24+ + 9 X31+ 12 X32+ 12 X33+ 11 X34+ 14 X41+ 16 X42+ 18 X43+ 16 X44 sujeto a las siguientes restricciones: Aplicando el método Húngaro tenemos: 1 A B C D 10 12 9 14 2 14 13 12 16 3 16 15 12 18 4 13 12 11 16 Restamos 10. 9 y 14 (costos mínimos de cada fila) de cada elemento en cada una de las filas correspondientes: 1 A B C D 0 0 0 0 2 3 1 3 2 3 6 3 3 4 4 3 0 2 2 90 .

C-3 y D-2. La combinación óptima de los recursos para este problema de minimización de asignación es de 50 horas.Lo anterior quiere decir que Antonio va a laborar en la máquina 1 (10 horas). de manera tal que cubran todos los ceros (Método de Flood): 1 A B C D 0 0 0 0 2 3 0 2 1 3 3 0 0 1 4 3 0 2 2 En la matriz anterior trazamos el menor número de líneas (3). de manera tal que cubran todos los ceros (Método de Flood): 1 A B C D 0 1 0 0 2 2 0 1 0 3 3 1 0 1 4 2 0 1 1 Solución Optima Unica:A-1.Investigación de operaciones I En la matriz anterior trazamos el menor número de líneas (3). resultantes de adicionar las asignadas a cada uno de los operarios en cada una de las máquinas. B-4. Carlos va a trabajar en la máquina 3 (12 horas) y Diego en la máquina 2 (16 horas). Dicho valor corresponde al valor óptimo de la función objetivo. Bernardo en la máquina 4 (12 horas). 91 .