Apunte Docente de IO1 Con Ejercicios 09feb15

2015
UABC
Apunte de Investigacin de
Operaciones I
Ingeniera Industrial
(Plan 2007-1)
Profesoras:
M.C. Teresa Carrillo Gutirrez

M.I. Karina C. Arredondo Soto
Dra. Ma. Marcela Sols Quinteros
M.C. Alma D. Corrales Orozco
Tijuana B. C. 2015
FACULTAD DE CIENCIAS QUMICAS E INGENIERA
INGENIERA INDUSTRIAL
UNIDAD 1. INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES

Competencia
Conocer los conceptos bsicos de investigacin de operaciones, as como el campo de
aplicacin en el mbito profesional del ingeniero industrial.
1.1 El campo de la investigacin de operaciones

Las races de la IO pueden encontrarse muchas dcadas atrs, cuando se hicieron los
primeros intentos por emplear el mtodo cientfico en la administracin de una empresa. Sin
embargo, el inicio de la actividad llamada investigacin de operaciones es atribuible a ciertos
servicios militares y a las actividades que componan cada operacin de la manera ms eficaz.
Como su nombre lo indica, el objetivo de esta disciplina implica investigar sobre las
operaciones. El trabajo es aplicado a la problemtica relacionada con la conduccin y la
coordinacin de actividades en una organizacin. En esencia, la naturaleza de la organizacin
no es material, por lo cual la IO ha sido aplica de manera extensa en reas tan diversas como
la manufactura, el transporte, la construccin, las telecomunicaciones, la planeacin financiera,
cuidado de la salud, fuerzas armadas y servicios pblicos, por nombrar solo unas cuantas. As,
la gama de aplicaciones es inusualmente amplia.
La IO incluye el trmino investigacin en el nombre porque utiliza un enfoque similar al aplicado
en las reas cientficas establecidas. El mtodo cientfico es usado para explorar ciertos
problemas que deben ser enfrentados en ocasiones se usa el trmino management science o
ciencia de la administracin como sinnimo de la investigacin de operaciones-. El proceso
comienza por la observacin cuidadosa y la formulacin del problema, incluyendo la
recoleccin de los datos pertinentes. El siguiente paso es la construccin de un modelo
cientfico generalmente matemtico- con el cual se intenta abstener la esencia del problema
real. En esta etapa se propone la hiptesis de que el modelo ser una representacin tan
precisa de las caractersticas esenciales de la situacin, que permitir que las conclusiones
soluciones- obtenidas sean vlidas tambin para el problema real. Despus se llevan a cabo
los experimentos adecuados para probar esta hiptesis, para modificarla si es necesario y para
verificar en determinado momento este paso se conoce como validacin del modelo -. En
cierto sentido, la IO involucra la investigacin cientfica creativa de las propiedades
fundamentales de las operaciones. Sin embargo es ms que esto. La IO se ocupa tambin de
la administracin prctica de la organizacin. Por lo tanto, para tener xito tambin debe
proporcionar conclusiones claras que el tomador de decisiones pueda usar cuando ser
necesario.
Pgina 2 de 137
Una caracterstica adicional de la investigacin de operaciones es que intenta encontrar la

mejor solucin llamada solucin ptima- para el problema en cuestin. (Se dice una mejor
solucin y no la mejor solucin porque es posible que existan muchas soluciones que puedan
considerarse como la mejor). [1]
Pgina 3 de 137
reas funcionales
Una muestra de los problemas que la IO ha estudiado y resuelto con xito en negocios e
industria se tiene a continuacin:
Personal: La automatizacin y la disminucin de costos, reclutamiento de personal,

clasificacin y asignacin a tareas de mejor actuacin e incentivos a la produccin.
Mercado y distribucin: El desarrollo e introduccin de producto, envasado, prediccin

de la demanda y actividad competidora, localizacin de bodegas y centros
distribuidores.
Compras y materiales: Las cantidades y fuentes de suministro, costos fijos y variables,

sustitucin de materiales, reemplazo de equipo, comprar o rentar.
Manufactura: La planeacin y control de la produccin, mezclas ptimas de

manufactura, ubicacin y tamao de planta, el trfico de materiales y el control de
calidad.
Finanzas y contabilidad: Los anlisis de flujo de efectivo, capital requerido de largo

plazo, inversiones alternas, muestreo para la seguridad en auditoras y reclamaciones.
Planeacin: Con los mtodos Pert para el control de avance de cualquier proyecto con
mltiples actividades, tanto simultneas como las que deben esperar para ejecutarse.
La lista de reas funcionales de la organizacin que son de posible aplicacin de la IO, es

ilustrativa del potencial que tiene para resolver el problema de la empresa.
Problemas, ejemplo de aplicacin con xito de la IO
En los siguientes problemas el gobierno o empresa, ahorraron millones de dlares en la
aplicacin de la IO:
1. Programacin del horario de las rondas de policas de San Francisco.-En 1989 Taylor y
Huxley disearon un mtodo para programar el horario de las rondas de oficiales de la
Polica de San Francisco, usando un modelo de programacin lineal, la programacin
de metas y la programacin entera. El ahorro sum 11 millones de dlares anuales.
2. Reduccin de gastos de combustible en la industria de la energa elctrica.- En 1989
Chao y Cols ahorraron a 79 empresas de servicio de energa elctrica ms de 125
millones de dlares en costos de compras y de dficit, usando programacin dinmica y
simulacin.
3. Diseo de una instalacin para desmontar lingoteras en Bethlehem Steel.- En 1989
Vasko y Cols ayudaron a esta empresa siderrgica con el diseo del sistema de quitar
lingoteras a los lingotes de acero con un modelo de programacin entera ahorrando 8
millones de dlares anuales.
Pgina 4 de 137
4. Mezcla de gasolinas en Texaco.- Con programacin lineal y no lineal Dewit y Cols

disearon un modelo de mezcla para cuatro tipos de gasolina ahorrando 30 millones de
dlares al ao; aplicando anlisis de sensibilidad calcularon el efecto de cambios al
modelo.
5. Programacin del horario de los camiones para North America Van Lines.-En 1989
Powell y Cols, con modelos de redes y programacin dinmica, formularon la
asignacin de carga a chferes, reduciendo costos en 2.5 millones de dlares, con
mejor servicio.
6. Administracin del inventario a Blue Bell.-En 1985 Edwars, Wagner y Wood con
programacin lineal y modelos probabilsticos de inventario redujeron el nivel medio de
inventario de ropa deportiva y de oficina en un 31%.
7. Determinacin de carteras de bonos.- Varias personas (Chandy y Kharabe, 1986)
utilizaron la programacin lineal para mxima ganancia con restricciones de riesgo y de
la diversificacin de la cartera.
8. Planeacin de produccin en lechera.-En 1985 Sullivan y Secrest, usaron
programacin lineal con utilidad de 48000 dlares, al determinar el proceso: del suero,
la leche cruda, el suero dulce y la crema, para obtener: queso crema, requesn, crema
agria y crema de suero.
9. Reemplazo de equipo en Phillips Petroleum.- Para el reemplazo de equipo usaron
modelos (Waddell, 1983), que se estima ahorraron 90000 dlares por ao. [2]
1.2 Programacin lineal

El desarrollo de la programacin lineal ha sido clasificado como uno de los avances cientficos
ms importantes de mediados del siglo XX, y estamos de acuerdo con esta aseveracin. Su
efecto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal
que ha ahorrado miles o millones de dlares a muchas compaas o negocios, incluso
empresas medianas, en los distintos pases industrializados del mundo; su aplicacin a otros
sectores de la sociedad se ha ampliado con rapidez. Una proporcin muy grande de los
programas cientficos en computadoras est dedicada al uso de la programacin lineal. Se han
escrito docenas de libros de texto sobre esta materia y se cuentan por cientos los artculos
publicados que describen aplicaciones importantes.
Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede manejar?
El lector adquirir una nocin de este tema a medida que trabaje en los ejemplos que se
presentarn ms adelante. Sin embargo, un resumen verbal puede permitirle elaborar una idea.
Expresado en forma breve, el tipo ms comn de aplicacin abarca el problema general de
asignar de la mejor manera posible es decir, de forma ptima recursos limitados a
actividades que compiten entre s por ellos. Con ms precisin, este problema consiste en
elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para
realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de recursos que
consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta
Pgina 5 de 137
descripcin es sin duda muy grande, ya que abarca desde la asignacin de instalaciones de
produccin a los productos hasta la asignacin de los recursos nacionales a las necesidades
de un pas; desde la seleccin de una cartera de inversiones hasta la seleccin de los patrones
de envo; desde la planeacin agrcola hasta el diseo de una terapia de radiacin, etc. No
obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos
a las actividades mediante la eleccin de los niveles de stas.
La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo
lineal significa que todas las funciones matemticas del modelo deben ser funciones lineales.
En este caso, la palabra programacin no se refiere aqu a trminos computacionales, en
esencia es sinnimo de planeacin. Por lo tanto, la programacin lineal involucra la planeacin
de las actividades para obtener un resultado ptimo; esto es, el resultado que mejor alcance la
meta especificada de acuerdo con el modelo matemtico- entre todas las alternativas
factibles.
Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la
programacin lineal tiene muchas otras posibilidades. En realidad, cualquier problema cuyo
modelo matemtico se ajuste al formato general del modelo de programacin lineal, es un
problema de programacin lineal. (Por esta razn, los problemas de programacin lineal y sus
modelos con frecuencia son llamados slo programas lineales.) An ms, se dispone de un
procedimiento de solucin muy eficiente llamado mtodo simplex para resolver estos
problemas lineales, incluso los de gran tamao. stas son algunas razones del tremendo efecto
de la programacin lineal en las dcadas recientes. [1]
1.3 Elementos bsicos de algebra lineal

Considere el siguiente sistema de dos ecuaciones lineales con dos incgnitas y :
11 + 12 = 1
21 + 22 = 2
(1)
Donde 11 , 12 , 21 , 22 , 1 y 2 son nmeros dados. Cada una de estas ecuaciones

corresponde a una lnea recta. Una solucin al sistema (1) es un par de nmeros, denotados
por (, ), que satisface (1). Las preguntas que surgen en forma natural son: tiene este
sistema varias soluciones , de ser as, cuntas? Se respondern estas preguntas despus de
ver algunos ejemplos, en los cuales se usarn dos hechos importantes del lgebra elemental:
Hecho A Si = = , entonces + = + .
Hecho B Si = y es cualquier nmero real, entonces = .
El hecho A establece que si se suman dos ecuaciones se obtiene una tercera ecuacin
correcta. El hecho B establece que si se multiplican ambos lados de una ecuacin por una
constante se obtiene una segunda ecuacin vlida. Se debe suponer que 0 ya que aunque
la ecuacin 0 = 0 es correcta, no es muy til.
Pgina 6 de 137
Ejemplo 1
Sistema con una solucin nica
=7
+ =5
(2)
Si se suman las dos ecuaciones se tiene, por el hecho A, la siguiente ecuacin:2 =

12 ( , = 6). Entonces, si se despeja de la segunda ecuacin, = 5 , 5 6 =
= 1. As, el par (6, -1) satisface el sistema (2) y la forma en que se encontr la
solucin muestra que es el nico par de nmeros que lo hace. Es decir, el sistema (2) tiene una
solucin nica.
Ejemplo 2
Sistema con un nmero innito de soluciones
Considere el sistema
=7
2 2 = 14
(3)
Se puede ver que estas dos ecuaciones son equivalentes. Esto es, cuales quiera dos nmeros,
y , que satisfacen la primera ecuacin tambin satisfacen la segunda, y viceversa. Para
comprobar esto se multiplica la primera ecuacin por 2. Esto est permitido por el hecho B.
Entonces = 7 o = 7. As, el par (, 7) es una solucin al sistema (3) para
cualquier nmero real . Es decir, el sistema (3) tiene un nmero infinito de soluciones. Para
este ejemplo, los siguientes pares son soluciones: (7, 0), (0, 27), (8, 1), (1, 26), (3, 24) y (22,
29).
Ejemplo 3
Sistema sin solucin
Considere el sistema
=7
2 2 = 13
(4)
Pgina 7 de 137
Si se multiplica la primera ecuacin por 2 (que de nuevo est permitido por el hecho B) se
obtiene 2 2 = 14. Esto contradice la segunda ecuacin. Por lo tanto, el sistema (4) no
tiene solucin. [3]
1.3.1 Matrices y sistemas de ecuaciones lineales

La matriz ampliada M de un sistema de m ecuaciones con n incgnitas es la siguiente:
Cada fila de M corresponde a una ecuacin del sistema y cada columna a los coeficientes
de una incgnita, excepto la ltima, que corresponde a las constantes del sistema.
Un sistema de ecuaciones lineales puede resolverse trabajando con su matriz ampliada,
especficamente, reducindola a forma escalonada mediante el proceso de Gauss.
Mtodo de Gauss
Para resolver sistemas de ecuaciones lineales, se aplica el mtodo de Gauss. Este
proceso se ilustra en el siguiente ejemplo.
Ejemplo:
Sea el sistema,
su matriz ampliada asociada es
Ahora resolvemos por el mtodo de Gauss sabiendo que la primera columna corresponde
a los coeficientes de la , la segunda a los de la , la tercera a los de la y la cuarta a los
trminos independientes:
Pgina 8 de 137
De este modo, el sistema tiene la solucin nica

= 2, = 1, = 3
La resolucin de sistemas de ecuaciones lineales por matrices, aplicando el mtodo de
Gauss u otros, es una de las mltiples aplicaciones que tienen stas. [3]
1.3.2 Solucin de sistemas de ecuaciones mediante el mtodo Gauss-Jordn

El Mtodo de Gauss Jordn o tambin llamado eliminacin de Gauss Jordn, es un mtodo
por el cual pueden resolverse sistemas de ecuaciones lineales con nmeros de variables,
encontrar matrices y matrices inversas, en este caso desarrollaremos la primera aplicacin
mencionada.
Para resolver sistemas de ecuaciones lineales aplicando este mtodo, se debe en primer lugar
anotar los coeficientes de las variables del sistema de ecuaciones lineales en su notacin
matricial:
Entonces, anotando como matriz (tambin llamada matriz aumentada):
Pgina 9 de 137
Una vez hecho esto, a continuacin se procede a convertir dicha matriz en una
matriz identidad, es decir una matriz equivalente a la original, la cual es de la forma:
Esto se logra aplicando a las distintas filas y columnas de las matrices simples operaciones de
suma, resta, multiplicacin y divisin; teniendo en cuenta que una operacin se aplicara a todos
los elementos de la fila o de la columna, sea el caso.
Obsrvese que en dicha matriz identidad no aparecen los trminos independientes, esto se
debe a que cuando nuestra matriz original alcance la forma de la matriz identidad, dichos
trminos resultaran ser la solucin del sistema y verificaran la igualdad para cada una de las
variables, correspondindose de la siguiente forma:
1 =
2 =
3 =
Ahora que estn sentadas las bases, podemos explicar paso a paso la resolucin de sistemas
de ecuaciones lineales por medio de este mtodo.
Para ilustrarnos mejor lo analizaremos con un ejemplo concreto:
Sea el sistema de ecuaciones:
Procedemos al primer paso para encontrar su solucin, anotarlo en su forma matricial:
Pgina 10 de 137
Una vez hecho esto podemos empezar a operar con las distintas filas y columnas de la matriz
para transformarla en su matriz identidad, teniendo siempre en cuenta la forma de la misma:
Lo primero que debemos hacer es transformar el 2 de la 1 fila de la matriz original en el 1 de la

1 fila de la matriz identidad; para hacer esto debemos multiplicar toda la 1 fila por el inverso
de 2, es decir .
Luego debemos obtener los dos ceros de la primera columna de la matriz identidad, para lograr
esto, buscamos el opuesto de los nmeros que se ubicaron por debajo del 1 de la primera
columna, en este caso el opuesto de 3 que ser -3 y el opuesto de 5 que ser -5.
Una vez hecho esto, se proceder a multiplicar los opuestos de estos nmeros por cada uno de
los elemento de la 1 fila y estos se sumaran a los nmeros de su respectiva columna. Por ej.:
en el caso de la 2 fila, se multiplicara a -3 (opuesto de 3) por cada uno de los elementos de la
1 fila y se sumara su resultado con el nmero que le corresponda en columna de la segunda
fila. En el caso de la 3 fila se multiplicara a -5 (opuesto de 5) por cada uno de los elementos de
la 1 fila y se sumara su resultado con el nmero que le corresponda en columna de la tercera
fila.
Nuestro siguiente paso es obtener el 1 de la 2 fila de la matriz identidad, y procedemos de

igual forma que antes, es decir multiplicamos toda la fila por el inverso del nmero que
deseamos transformar en 1, en este caso -13/2, cuyo inverso es -2/13.
Pgina 11 de 137
Adems si observamos la tercera fila, nos damos cuenta que todos los elementos poseen el
mismo denominador, entonces podemos eliminarlos multiplicando todos los elementos de la 3
fila por 2 (el denominador); si bien este no es un paso necesario para el desarrollo del mtodo,
es til para facilitar clculos posteriores.
Ahora queremos obtener el 0 que se ubica en la 3 fila, 2 columna de la matriz identidad, para
hacer esto buscamos el opuesto del nmero que se ubica en la 3 fila, 2 columna de la matriz
con la cual estamos operando, en este caso -17, cuyo opuesto ser 17; lo que hacemos ahora
es multiplicar este nmero por todos los elementos de la 2 fila y sumar esos resultados con el
nmero que le corresponde en columna de la 3 fila.
A esta altura podemos observar como la matriz con la cual estamos operando empieza a
parecerse a la matriz identidad.
Nuestro siguiente paso es obtener el 1 correspondiente a la 3 fila, 3 columna de la matriz
identidad, ahora bien, aplicamos el mismo procedimiento con el que estbamos trabajando, es
decir que vamos a multiplicar toda la 3 fila por el inverso del nmero que se encuentre en la
posicin de la 3 fila, 3 columna, en este caso 96/13, cuyo inverso ser 13/96.
Luego debemos obtener los dos ceros de la tercera columna de la matriz identidad, para lograr
esto, buscamos el opuesto de los nmeros que se ubicaron por encima del 1 de la 3 columna
Pgina 12 de 137
de la matriz con la cual estamos operando, en este caso 11/13 y cuyos opuestos sern 11/13 y -, respectivamente.
Una vez hecho esto, se proceder a multiplicar los opuestos de estos nmeros por cada uno de
los elemento de la 3 fila y estos se sumaran a los nmeros de su respectiva columna. Por ej.:
en el caso de la 2 fila, se multiplicara a - 11/13 (opuesto de 11/13) por cada uno de los
elementos de la 3 fila y se sumaran sus resultados con el nmero que le corresponda en
columna de la segunda fila. En el caso de la 1 fila se multiplicara a - (opuesto de ) por cada
uno de los elementos de la 3 fila y se sumaran sus resultados con el nmero que le
corresponda en columna de la primera fila.
El ltimo paso que debemos realizar es obtener el 0 de la 1 columna, 2 fila de la matriz

identidad, para hacer esto buscamos el opuesto del nmero que se ubica en la 1 columna, 2
fila de la matriz con la que estamos operando, en este caso es 3/2, cuyo opuesto ser - 3/2, lo
que hacemos ahora es multiplicar este nmero por todos los elementos de la 2 fila y sumar
esos resultados con el nmero que le corresponde en columna de la 1 fila.
Como podemos observar hemos llegado al modelo de la matriz identidad que buscbamos, y
en la cuarta columna hemos obtenido los valores de las variables, correspondindose de este
modo:
= 1
= 1
= 2
Luego, el sistema de ecuaciones est resuelto y por ltimo lo verificamos.
2 + 3 + = 1 ,
3 2 4 = 3,
5 = 4
2(1) + 3(1) + 2 = 1 , 3(1) 2(1) 4(2) = 3, 5(1) (1) 2 = 4

Pgina 13 de 137
2 3 +2 =1,
3 + 2 8 = 3 ,
5 +1 2 = 4
[4]
1 = 1 , 3 = 3 , 4 = 4.
1.4 Resolucin de problemas mediante programas de cmputo

Una parte primordial de este libro es la presentacin de los algoritmos procedimientos
iterativos de solucin ms importantes de la IO para resolver cierto tipo de problemas.
Algunos de estos algoritmos son excepcionalmente eficientes y casi siempre son utilizados
para solucionar problemas que incluyen cientos o miles de variables. Adems, se presenta una
introduccin acerca de cmo funcionan y qu los hace tan eficientes. Ms adelante, estos
algoritmos sern utilizados para resolver diversos problemas en una computadora. El CD-ROM
llamado OR Courseware es la herramienta para hacerlo.
Una caracterstica especial del OR Courseware es el programa llamado OR Tutor cuyo objetivo
es ser una gua personal para ayudar en el aprendizaje de los algoritmos. Este programa
contiene muchos ejemplos de demostracin en los que despliegan y explican los algoritmos en
accin.
Adems, el OR Courseware incluye un paquete especial llamado Interactive Operations
Research Tutorial, o IOR Tutorial. Este paquete innovador fue implementado en Java. El IOR
Tutorial incluye muchas rutinas interactivas para ejecutar los algoritmos de manera dinmica y
en un formato conveniente. La computadora realiza todos los clculos de rutina mientras el
estudiante centra su atencin en aprender y ejecutar la lgica del algoritmo. Estas rutinas
interactivas son una manera eficiente e ilustrativa para resolver muchos de los problemas de
tarea. El IOR Tutorial tambin incluye otras herramientas tiles, como algunos procedimientos
automticos para ejecutar algoritmos y varios otros que ofrecen un despliegue grfico de la
forma en que la solucin proporcionada por un algoritmo vara a medida que cambian los datos
del problema.
En la prctica, los algoritmos son ejecutados en paquetes de software comercial; por ello, es
importante familiarizar al estudiante con la naturaleza de los programas que utilizar en la vida
profesional. El OR Courseware incluye una gran cantidad de material para introducir los tres
paquetes de mayor uso. Juntos, estos paquetes permiten resolver con gran eficiencia casi
todos los modelos de IO. Adems, se agregan ciertas rutinas automticas propias del OR
Courseware slo para algunos casos en los que estos paquetes no son aplicables.
En la actualidad, es comn el uso del paquete de hojas de clculo lder, Microsoft Excel, para
elaborar pequeos modelos de IO en este formato. Despus, se utiliza el Excel Solver para
resolver los modelos en ocasiones, en una versin mejorada, como el Premium Solver for
Education incluido en el OR Courseware. El OR Courseware incluye un archivo de Excel
autnomo para casi cada captulo del libro. Cada vez que se presenta un ejemplo que pueda
ser resuelto con Excel, se proporciona la formulacin completa en una hoja de clculo y se da
la solucin en el archivo de Excel de este captulo. En el caso de muchos modelos que
aparecen en el libro, se dispone de una plantilla de Excel que incluye las ecuaciones
necesarias para resolver el modelo.
Pgina 14 de 137
Despus de muchos aos, LINDO y su lenguaje de modelado LINGO an es uno de los

programas de software ms populares para resolver modelos de investigacin de operaciones.
Actualmente, es posible bajar gratis de Internet las versiones para estudiante, pero tambin fue
incluido en el OR Courseware. En cuanto a Excel, cada vez que un ejemplo pueda ser resuelto
con este paquete, se darn todos los detalles en un archivo de LINGO/LINDO para ese captulo
en el OR Courseware.
CPLEX es un software muy usado para resolver problemas grandes que son un reto en
investigacin de operaciones. Cuando se enfrentan tales problemas, tambin es comn usar
un sistema de modelado para elaborar el modelo matemtico de manera eficiente e introducirlo
en la computadora. MPL es un sistema de modelado amigable que utiliza CPLEX para resolver
los modelos. Tambin existen versiones de estos paquetes para estudiantes que pueden
obtenerse de manera gratuita en Internet. [1]
Ejercicios: Unidad 1
Tema: Antecedentes de la Investigacin de Operaciones
Ejercicio 1. Investigar y elaborar una lnea del tiempo con las fechas y acontecimientos ms
importantes de la Investigacin de Operaciones. Para saber cmo elaborar una lnea del tiempo
realiza la siguiente lectura en http://www.historiap9.unam.mx/documentos/4.pdf
Tambin se pueden consultar los siguientes videos:
Video 1: Lnea de tiempo con PowerPoint
http://www.youtube.com/watch?v=mSJZMSXmbtQ
Duracin: 9 min.
Videos 2 y 3: Creacin de Lnea de tiempo en Time Rime

http://www.youtube.com/watch?v=lKQ6w7vXtts
Duracin: 5 min.
http://www.youtube.com/watch?v=trNR1WWs6LQ
Duracin: 9:30 min.
Ejemplo de lnea del tiempo.
Pgina 15 de 137
Tema: Fundamentos de la Investigacin de Operaciones

Ejercicio 2. Elaborar una tabla con la terminologa bsica del rea de investigacin de
operaciones.
a) Investigar las siguientes definiciones:
Investigacin
Operaciones
Investigacin de Operaciones
Linealidad
Solucin
Solucin ptima
Solucin no factible
Solucin factible
Regin factible
Valor ms favorable
Soluciones ptimas mltiples
Solucin factible en un vrtice (FEV)
Solucin aumentada
Optimizacin
Modelo
Modelo matemtico
Programacin Lineal
b) Proporcione tres ejemplos de situaciones en las cuales se presente el concepto de
linealidad.
Pgina 16 de 137
Ejercicio 3. Elaborar un mapa mental o un mapa conceptual del tema: Naturaleza de la

Investigacin de Operaciones.
Lecturas recomendadas:
Blog http://opris-masbeg.blogspot.mx/2008/06/nature-of-operations-research.html
Fuller J., Mansour A. (2003) Operations management and operations research: a historical
and relational perspective. Journal of Management History.
http://www.emeraldinsight.com/journals.htm?articleid=865411&show=abstract
Para saber cmo elaborar un mapa mental o mapa conceptual realiza la siguiente lectura
http://gamorenorod.files.wordpress.com/2012/05/mapas_conceptuales.pdf
o revisa los siguientes videos:
Video 4: Como elaborar un mapa mental (Arte y Creatividad) LDCFD Duracin: 10:22 min.
http://www.youtube.com/watch?v=-qCMqfLwTVA
Video 5: Mapas Conceptuales CmapTools
Duracin: 11:29 min.
http://www.youtube.com/watch?v=ZaTUtL_gmrY
Video 6: Software gratuito para crear Mapas Mentales y Conceptuales
http://www.smartdraw.com/specials/mapas-mentales.htm
Video 7: Tutorial SmartDraw 2010
Duracin: 11 min.
http://www.youtube.com/watch?v=2jzo-EKmvEM
Video 8: Smart Draw Floor plan part 1 of 2
Duracin: 9:45 min.
http://www.youtube.com/watch?v=0_V9l3tOH-0
Tema: Fases del Estudio de Investigacin de Operaciones
Ejercicio 4. Explicar las fases de estudio de IO. Use un ejemplo.
Tema: Principales Aplicaciones de la Investigacin de Operaciones
Ejercicio 5. Elaborar un resumen de 2 cuartillas.
Lecturas recomendadas:
Gazmuri Schleyer P. (2001). Hacia un uso efectivo de la Investigacin de Operaciones

en Chile: diagnstico y proposiciones.
http://www.dii.uchile.cl/ris/articulos/art_gazmuri.pdf
Keefer D., Kirkwood C., Corner J. (2002). Summary of Decision Analysis Applications in
the Operations Research Literature, 1990- 2001
http://www.datanubes.com/mediac/ORSynopsis.pdf
Board, J., Sutcliffe y W. T. Ziemba. (1999). Applying Operations Research Techniques
to Financial Markets, en Interfaces, 33(2): 12-24, marzo-abril, 2003.
http://edoc.hu-berlin.de/series/speps/1999-6/PDF/6.pdf
Pgina 17 de 137
Kumar A., Chawla J., Goyal N. (2012). Role of operations research applications in
financial markets. A literature review. Proceedings of the National Conference on Trends
and Advances in Mechanical Engineering, YMCA University of Science & Technology,
Faridabad, Haryana, Oct 19-20, 2012.
http://ymcaust.ac.in/tame2012/cd/industrial/IE-41.pdf
1.1 Formulacin Problemas Lineales

Ejercicio 6. Elaborar en su cuaderno de trabajo el Modelo de programacin lineal en la forma
estndar.
Ejercicio 7. Explicar los siguientes trminos utilizados en la estructura del modelo bsico de
PL.
Variables de decisin
Funcin objetivo
Restricciones
Ejercicio 8. Explicar cada uno de los supuestos de programacin lineal. Usar grficas para
fortalecer la explicacin.
Ejercicio 9. Identifique las restricciones y la funcin objetivo de:
a) El metabolismo humano.
b) El sistema elctrico de una casa habitacin.
c) Un cine con diez salas de exhibicin.
d) El sistema de transporte urbano de una ciudad.
Pgina 18 de 137
UNIDAD 2. FORMULACIN DE PROBLEMAS DE PROGRAMACIN

LINEAL
Competencia
Conocer, comprender y aplicar la metodologa de programacin lineal en la construccin de
modelos matemticos para resolver problemas de aplicacin en el campo del ingeniero
industrial.
2.1 Funcin objetivo y restricciones

La funcin objetivo es la ecuacin que ser optimizada dadas las limitaciones o restricciones
determinadas y con variables que necesitan ser minimizadas o maximizadas usando tcnicas
de programacin lineal o no lineal. Una funcin objetivo puede ser el resultado de un intento de
expresar un objetivo de negocio en trminos matemticos para su uso en el anlisis de toma de
decisiones, operaciones, estudios de investigacin o de optimizacin.
La funcin objetivo puede ser:
! =
=
! =
=
Dnde:
= .
Las restricciones pueden ser de la forma:
1:
= ,
=
2:
,
=
3:
,
=
Pgina 19 de 137
Dnde:
= ;
= ;
= ;
= , 1 ( );
, = ;
= , 1 ;
= , 1 .
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M;

, N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y puede
no tener sentido una optimizacin.
Los tres tipos de restricciones pueden darse simultneamente en el mismo problema. [5]
2.2 Planteamiento de problemas de dos variables

Ejemplo:
La empresa WYNDOR GLASS CO. produce artculos de vidrio de alta calidad, entre ellos
ventanas y puertas de vidrio. Tienen 3 plantas. Los marcos y molduras de aluminio se hacen en
la planta 1, los de madera en la 2; la 3 produce el vidrio y ensambla los productos.
Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar la lnea
de produccin de la compaa. Se descontinuaran varios productos no rentables y se dejar
libre una parte de la capacidad de produccin para emprender la fabricacin de dos productos
nuevos que tienen ventas potenciales grandes:
Producto 1: una puerta de vidrio de 8 pies con marco de aluminio.
Producto 2: una ventana corrediza con marco de madera de 4 pies por 6.
El producto 1 requiere parte de la capacidad de produccin de plantas 1 y 3 y nada de la planta
2. El producto 2 solo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha
concluido que la compaa puede vender todos los productos que se puedan fabricar en las
plantas. Sin embargo, como ambos productos competiran por la misma capacidad de
produccin en la planta 3, no est claro que mezcla de productos ser la ms rentable. Por lo
tanto, se ha formado un equipo de IO para estudiar este problema.
Pgina 20 de 137
El grupo comenz por realizar juntas con la alta administracin para identificar los objetivos del
estudio y desarrollaron la siguiente definicin del problema:
Determinar qu tasas de produccin deben tener los dos productos con el fin de maximizar las
utilidades totales, sujetas a las restricciones impuestas por las capacidades de produccin
limitadas disponibles en las tres plantas. (Cada producto se fabricara en lotes de 20 unidades,
de manera que la tasa de produccin est definida como el nmero de lotes que se producen a
la semana). Se permite cualquier combinacin de tasas de produccin que satisfaga estas
restricciones, incluso no fabricar uno de los productos y elaborar todo lo que sea posible del
otro.
El equipo de IO tambin identific los datos que necesitaba reunir:
1. Nmero de horas de produccin disponibles por semana en cada planta para estos
nuevos productos. (Casi todo el tiempo de estas plantas estn comprometido con
los productos actuales, lo que limita la capacidad para manufacturar nuevos
productos).
2. Nmero de horas de fabricacin que emplea cada lote producido de cada artculo
nuevo en cada una de las plantas.
3. La ganancia por lote de cada producto nuevo. (Se escogi la ganancia por lote
producido como una medida adecuada una vez que el equipo lleg a la conclusin
de que la ganancia incremental de cada lote adicional producido sera, en esencia,
constante, sin importar el nmero total de lotes producidos. Debido a que no se
incurre en costos sustanciales para iniciar la produccin y la comercializacin de
estos nuevos productos, la ganancia total de cada uno es aproximadamente la
ganancia por lote producido multiplicada por el nmero de lotes.)
La obtencin de estimaciones razonables de estas cantidades requiri del personal clave en
varias unidades de la compaa. El personal de la divisin de manufactura proporcion los
datos de la primera categora mencionada. El desarrollo de estimaciones para la segunda
categora requiri un anlisis de ingenieros de manufactura involucrados en el diseo de los
procesos de produccin para los nuevos artculos. Al analizar los datos de costos obtenidos por
estos ingenieros, junto con la decisin sobre los precios de la divisin de mercadotecnia, el
departamento de contabilidad calculo las estimaciones para la tercera categora.
La tabla 2.1 resume los datos obtenidos.
De inmediato, el equipo de IO reconoci que se trataba de un problema de programacin lineal
del tipo clsico de mezcla de productos y procedi a la formulacin del modelo matemtico
correspondiente.
Pgina 21 de 137
Formulacin como un problema de programacin lineal.

Para formular el modelo matemtico de programacin lineal para este problema, se define:
1 = 1
2 = 2
= ( )
Tabla 2.1. Datos del problema de la Wyndor Glass Co.
Planta
Tiempo de produccin por lote,

horas
Tiempo de produccin
disponible a la semana,
horas
Producto
1
2
3
Ganancia por lote
1
1
0
3
$ 3,000
2
0
2
2
$ 5,000
4
12
18
Por lo tanto, 1 y 2 son las variables de decisin del modelo. Si se usa el ltimo rengln de la
tabla, se obtiene:
= 31 + 52
El objetivo es elegir los valores de 1 y 2 que maximicen = 31 + 52 , sujeta a las
restricciones impuestas sobre sus valores por las capacidades de produccin limitadas
disponibles en las tres plantas. La tabla 2.1 indica que cada lote del producto 1 que se produce
por semana emplea 1 hora de produccin en la planta 1, y slo se dispone de 4 horas
semanales. Matemticamente, esta restriccin se expresa mediante la desigualdad 1 4. De
igual manera, la planta 2 impone la restriccin 22 12. El nmero de horas de produccin
usadas en la semana en la planta 3 que se consume al elegir 1 y 2 como las tasas de
elaboracin de los nuevos productos sera 31 + 22 . Entonces la expresin matemtica de la
planta 3 es 31 + 22 18. Por ltimo, como las tasas de produccin no pueden ser
negativas, es necesario restringir las variables de decisin a valores no negativos: 1 0 y
2 0.
Pgina 22 de 137
Para resumir, en el lenguaje matemtico de programacin lineal, el problema consiste en

seleccionar valores de 1 y 2 para
: 31 + 22 ,
sujeto a las restricciones
1
22 12
31 + 22 18
y
1 0, 2 0.
(Obsrvese como la informacin de la tabla 2.1 en esencia se duplica en la distribucin de los
coeficientes de 1 y 2 en el modelo de programacin lineal).
2.2.1 Solucin grafica

Este pequeo problema solo tiene dos variables de decisin, esto es, solo dos dimensiones, as
que se puede usar un procedimiento grafico para resolverlo. Este procedimiento incluye la
construccin de una grfica de dos dimensiones 1 y 2 en los ejes. El primer paso es
identificar los valores (1 , 2 ) permitidos por las restricciones. Este objetivo se logra dibujando
cada una de las rectas que limitan los valores permitidos por una restriccin. Para comenzar,
ntese que las restricciones de no negatividad 1 0 y 2 0 exigen que el punto (1 , 2 )
se encuentre en el lado positivo de los ejes (incluso sobre cualquiera de los dos ejes), es decir,
en el primer cuadrante. Despus, debe observarse que la restriccin 1 4 significa que
(1 , 2 ) no puede estar a la derecha de la recta 1 = 4. Estos resultados se muestran en la
figura 2.1, en la que el rea sombreada contiene los nicos valores de (1 , 2 ) permitidos.
Figura 2.1. El rea sombrada muestra los valores de (1 , 2 ),

permitidos por 1 0 , 2 0 , 1 4
Pgina 23 de 137
De manera parecida, la restriccin 22 12 (o de modo equivalente, 2 6) implica que la

recta 22 = 12 debe agregarse a la frontera de la regin permisible. La ltima restriccin,
31 + 22 18 ,se encuentra al graficar los puntos (1 , 2 ) tales que 31 + 22 = 18 (otra
recta) para completar la frontera. (Obsrvese que los puntos que cumplen 31 + 22 18
son aquellos que estn sobre o por debajo de la recta 31 + 22 = 18, por lo que sta es la
recta que limita, y ms all de ella, la desigualdad no se satisface.) En la figura 2.2 se muestra
la regin de valores permisibles de (1 , 2 ), llamada regin factible.
Figura 2.2 El rea sombreada muestra los valores permitidos

de (1 , 2 ), llamada la regin factible.
El paso final es seleccionar, dentro de esta regin factible, el punto que maximiza el valor de
= 31 + 52 . Para descubrir cmo realizar este paso de manera eficiente se pueden
intentar algunos valores por prueba y error. Por ejemplo, probar, = 10 = 31 + 52 para
ver si existe algn valor de (1 , 2 ) dentro de la regin permisible que d un valor de 10 para Z.
Si se dibuja la recta 31 + 52 = 10 se puede ver que existen muchos puntos sobre esta recta
que estn dentro de la regin (vase la figura 2.3). Como al intentar este valor arbitrario de
= 10, se tiene una mejor perspectiva, debe intentarse ahora un valor arbitrario ms grande,
por ejemplo = 20 = 31 + 52. De nuevo, la figura 2.3 revela que un segmento de la recta
31 + 52 = 20 se encuentra dentro de la regin, de manera que el mximo valor permisible
de Z debe ser, por lo menos, 20. [1]
Figura 2.3. El valor de (1 , 2 ), que maximiza

31 + 52 es (2,6).
Pgina 24 de 137
2.2.2 Regin factible, puntos extremos y solucin ptima

Puede ser que el lector est acostumbrado a que el trmino solucin signifique la respuesta
final a un problema, pero en programacin lineal (y sus extensiones) la convencin es bastante
distinta. Ahora, cualquier conjunto de valores especficos de las variables de decisin
1 , 2 , , ) se llama una solucin, aunque sea slo una posibilidad deseable o ni siquiera
permitida. Despus se identifican los tipos de soluciones mediante el empleo de un adjetivo
apropiado.
Una solucin factible es aquella para la que todas las restricciones se satisfacen.
Una solucin no factible es una solucin para la que al menos una restriccin se viola.
En el ejemplo, los puntos (2, 3) y (4, 1) de la figura 2 son soluciones factibles, mientras que (1,
3) y (4, 4) son soluciones no factibles.
La regin factible es la reunin de todas las soluciones factibles.
En el ejemplo, la regin factible es toda el rea sombreada de la figura 2.
Es posible que un problema no tenga soluciones factibles. Esto habra ocurrido si se hubiera
requerido que los nuevos productos tuvieran un rendimiento neto de 50 mil dlares semanales
por lo menos, para justificar la interrupcin de la fabricacin de la lnea actual. La restriccin
correspondiente, 31 + 52 50, hubiera eliminado por completo la regin factible, con lo que
ninguna mezcla de nuevos productos sera superior a la situacin actual. Este caso se ilustra
en la figura 2.4.
Figura 2.4. El problema de la

Wyndor Glass Co. no tendra
soluciones ptimas si se le
agregara la restriccin 31 +
52 50
Pgina 25 de 137
Dado que existen soluciones factibles, la meta de la programacin lineal es encontrar una
solucin factible que sea la mejor, medida por el valor de la funcin objetivo en el modelo.
Una solucin ptima es una solucin factible que proporciona el valor ms favorable de la
funcin objetivo.
El valor ms favorable significa el valor ms grande si la funcin objetivo debe maximizarse, o
el valor ms pequeo si la funcin objetivo debe minimizarse. La mayor parte de los problemas
tendr nada ms una solucin ptima. Sin embargo, tambin es posible tener ms de una. Esto
ocurrira en el ejemplo si la ganancia por lote producido del producto 2 se cambiara a 2 mil
dlares. Este hecho cambiara la funcin objetivo a = 31 + 22 de manera que todos los
puntos sobre el segmento de recta que va de (2, 6) a (4, 3) seran soluciones ptimas, situacin
que se ilustra en la figura 2.5. Igual que en este caso, cualquier problema que tenga soluciones
ptimas mltiples tendr un nmero infinito de ellas, todas con el mismo valor de la funcin
objetivo.
Figura 2.5. El problema de

la Wyndor Glass Co.
tendra soluciones ptimas
si la funcin objetivo se
cambiara a = 31 +
22
Otra posibilidad es que el problema no tenga soluciones ptimas, lo cual ocurre slo si: 1) no
tiene soluciones factibles, o 2) las restricciones no impiden que el valor de la funcin objetivo
() mejore indefinidamente en la direccin favorable (positiva o negativa). Este caso se conoce
como un problema con no acotada u objetivo no acotado. El ltimo caso sera cierto si, por
error, en el ejemplo se omitieran las ltimas dos restricciones funcionales del modelo, lo cual se
ilustra en la figura 2.6.
Pgina 26 de 137
Figura 2.6. El problema de la

Wyndor Glass Co. no tendra
soluciones ptimas si la nica
restriccin funcional fuera 1 4,
puesto que 2 podra aumentar de
modo indefinido en la regin factible
sin llegar a un valor mximo.
Ahora se introducir un tipo especial de soluciones factibles que tiene un papel importante
cuando el mtodo simplex trata de encontrar una solucin ptima.
Una solucin factible en un vrtice (FEV) o puntos extremos es una solucin que se
encuentra en una esquina de la regin factible.
La figura 2.7 pone de relieve cinco soluciones factibles en los vrtices del ejemplo.
Figura 2.7. Los puntos indican las cinco soluciones FEV

para el problema de la Wyndor Glass Co.
Relacin entre las soluciones ptimas y las soluciones FEV: Considrese cualquier
problema de programacin lineal con soluciones factibles y una regin factible acotada. El
problema debe poseer soluciones FEV y al menos una solucin ptima. Adems, la mejor
Pgina 27 de 137
solucin FEV debe ser una solucin ptima. Entonces, si un problema tiene exactamente una
solucin ptima, sta debe ser una solucin FEV. Si el problema tiene mltiples soluciones
ptimas, al menos dos deben ser soluciones FEV.
El ejemplo tiene exactamente una solucin ptima,(1 , 2 ) = (2, 6), que es FEV. (Considrese
la forma como el mtodo grfico que conduce a la solucin ptima que es FEV.) Cuando se
modifica el ejemplo para que tenga soluciones ptimas mltiples, como se muestra en la figura
7, dos de estas soluciones ptimas (2, 6) y (4, 3) son soluciones factibles en los
vrtices. [1]
2.3 Formulacin de problemas relacionados con la prctica de la Ingeniera

Industrial
El ingeniero industrial en su quehacer cientfico y empresarial utiliza mtodos cientficos y
modelos matemticos de investigacin de operaciones para tomar decisiones gerenciales con
el fin de hacer un uso eficiente de los recursos y con ello mejorar no slo los indicadores de
rentabilidad sino tambin la utilidad de los productos y servicios y el bienestar social. Estas
podran ser algunas aplicaciones de la Investigacin de operaciones en el campo de
competencias del ingeniero industrial: programacin de la produccin y de los requerimientos
de materiales, balance de lneas, programacin de transporte, localizacin de facilidades,
programacin de horarios y seleccin y programacin de proyectos. Cabe destacar la vigencia
de la optimizacin en programacin lineal y entera para la resolucin de problemas de las
reas antes mencionadas.
El profesional de la ingeniera industrial dispone de tcnicas de investigacin de operaciones
relacionadas con el diseo, mejora, eficiencia y optimizacin de todos los recursos de la
organizacin. Muchas de las tcnicas utilizan modelos matemticos que representan la parte
del proceso productivo o de negocios que se desean mejorar (Ley, 2000).
La investigacin tiene por objetivo mostrar el uso de la investigacin de operaciones en
Ingeniera Industrial, y especficamente en el desarrollo de modelos de optimizacin.
La optimizacin consiste en la seleccin de una alternativa mejor en relacin con las dems
alternativas posibles y permite tomar decisiones adecuadas para el problema
planteado (Castillo et al., 2002).
La programacin lineal (PL) forma parte de la programacin matemtica y es una tcnica de
optimizacin para tratar problemas de asignacin de recursos escasos entre actividades que
compiten, y trata exclusivamente con funciones objetivos y restricciones lineales. Sin
embargo, no todos los problemas de asignacin de recursos limitados se pueden formular de
esta manera. Cuando no se cumplen algunas de las suposiciones de programacin lineal, en
algunos casos se puede aplicar otro tipo de modelos matemticos como la programacin
entera (pura o mixta) o la programacin no lineal (Hillier y Lieberman, 2002).
La prctica profesional de los ingenieros industriales se centra en el diseo y administracin de
procesos productivos: el rea operativa como soporte de la produccin, la solucin de
problemas en lnea, el control de la calidad, as como la optimizacin de sistemas y procesos
Pgina 28 de 137
en cuanto a costos, recursos, equipos y materiales, la estandarizacin de procedimientos, la

creacin de grupos y clulas de trabajo, entre otros aspectos.
Cabe destacar que, estos ingenieros y otros profesionales en las organizaciones muchas veces
necesitan tomar decisiones gerenciales en conjunto, no slo acerca de la planificacin y
programacin de la produccin de bienes y el balance de lneas, sino tambin de las
cantidades de los recursos a utilizar (materiales, insumos, personal, capital, otros), el
transporte de los materiales y productos, la localizacin de facilidades, el
almacenamiento, la distribucin, entre otros; con el fin de minimizar el costo total de la cadena
de suministro y con ello el costo de los productos, para lo cual los modelos de optimizacin se
presentan como herramientas adecuadas para tal fin. [7]
2.3.1 Ejemplos de aplicaciones de IO en la ingeniera industrial
1. Planificacin integrada de produccin y Distribucin para un conglomerado
industrial
Este artculo presenta la modelacin matemtica de la cadena de abastecimiento de un
conglomerado, entendido como la asociacin de empresas que toman una estructura comn,
para la industria siderrgica semiintegrada en Colombia, con el objeto de brindar una
herramienta de soporte a la decisin buscando la minimizacin de costos logsticos de
produccin y distribucin de productos intermedios y finales de esta industria, el modelo
matemtico contempla: proveedores de materia prima, plantas manufactureras, centros de
distribucin, ventas locales e importaciones. Los costos relacionados, son los de materia prima,
transporte e inventarios, distribucin y administrativos. Las restricciones que se consideran en
el modelo son: capacidad de proveedores y plantas manufactureras, satisfaccin de la
demanda, ecuaciones de balance y restricciones de configuracin del sistema. El modelo se
valid en una empresa colombiana presentando resultados satisfactorios. La bsqueda de la
estrategia ptima se estableci con el apoyo del software General Algebraic Modeling SystemGAMS por medio del solver CPLEX.
Modelo de optimizacin
El modelo matemtico elaborado es un modelo determinstico de programacin lineal que
aborda la problemtica de la distribucin fsica de los diferentes productos intermedios y finales
en la industria siderrgica semi-integrada en Colombia. El modelo busca apoyar los procesos
encaminados a la minimizacin de costos logsticos de transporte y produccin, brindando
directrices que soporten la toma de decisiones a travs de la cadena de abastecimiento a
mediano plazo. [8]
2. Optimizacin del proceso logstico en una empresa de colombiana de alimento
congelado y refrigerado
La empresa en mencin fabrica aproximadamente doscientas referencias entre productos
refrigerados (bebidas lcteas y jugos) y congelados (helados en diversas presentaciones)
agrupados en trece productos principales. Los productos son enviados desde dos plantas hacia
once centros de distribucin, donde a su vez se distribuyen a los minoristas. Cada centro de
distribucin debe satisfacer la demanda mensual de los trece productos. La demanda mensual
fue calculada como el promedio de los datos histricos de ventas y no se consider ninguna
Pgina 29 de 137
tendencia o estacionalidad. El medio de transporte para la distribucin de los productos son

camiones tipo tractomula y doble troque con refrigeracin.
En la actualidad la empresa cuenta con su propia flota de camiones pero est considerando
dejar esta operacin a terceros.
La empresa debe enviar sus productos usando dos tipos de embalajes: cajas de cartn y
canastas. Las cajas de cartn preservan mejor el producto y son ms fciles de manipular y
empacar; las canastas son reutilizables pero es necesario transportarlas de vuelta, rastrearlas y
desinfectarlas. Los anlisis de costos tradicionales hechos por la empresa favorecen el uso de
las canastas, pero el Departamento de Logstica de la empresa sospecha que los costos de
administrar las canastas pueden superar los costos de las cajas de cartn.
El problema desarrollado consiste en minimizar los costos logsticos de transporte y distribucin
sujeto a restricciones de capacidad, tipos de empaque y satisfaccin de demanda. Para ello se
requiere una herramienta que brinde informacin detallada sobre cada uno de los costos y que
a su vez provea la combinacin (mezcla) ptima de embalajes para cada producto y tipo de
transporte. El modelo propuesto incorpora, entre otros, la capacidad de produccin de las
plantas, los tiempos de envo y retorno de los medios de transporte entre plantas y los centros
de distribucin, la disponibilidad de canastas y la capacidad de los camiones. Adems de
encontrar la solucin ptima, con este modelo se pueden analizar fcilmente escenarios tales
como incrementos o disminucin en los costos de transporte y de los embalajes. [9]
2.3.2 Formulacin de un modelo matemtico

Una vez que el tomador de decisiones define el problema, la siguiente etapa consiste en
reformularlo de manera conveniente para su anlisis. La forma convencional en que la IO logra
este objetivo es mediante la construccin de un modelo matemtico que representa la esencia
del problema. Antes de analizar cmo se elaboran los modelos de este tipo se explorara su
naturaleza general y, en particular, la de los modelos matemticos.
Los modelos matemticos tambin son representaciones idealizadas, pero estn expresados
en trminos de smbolos y expresiones matemticas. Las leyes de la fsica = y = 2 ,
son ejemplos familiares. En forma parecida, el modelo matemtico de un problema industrial
est conformado por un sistema de ecuaciones y expresiones matemticas relacionadas que
describen la esencia del problema. De esta forma, si deben tomarse decisiones cuantificables
relacionadas entres si, se representan como variables de decisin (1 , 2 , , ) para las que
se deben determinar los valores respectivos. En consecuencia la medida de desempeo
adecuada (por ejemplo, la ganancia) se expresa como una funcin matemtica de estas
variables de decisin (por ejemplo, = 31 + 22 + + 5 ). Esta funcin se llama funcin
objetivo. Tambin se expresan en trminos matemticos todas las limitaciones que se puedan
imponer sobre los valores de la variables de decisin, casi siempre en forma de ecuaciones o
desigualdades (como 1 + 31 2 + 22 10). Con frecuencia, tales expresiones matemticas
de las limitaciones reciben el nombre de restricciones. Las constantes (los coeficientes o el lado
derecho de las expresiones) de las restricciones y de la funcin objetivo se llaman parmetros
del modelo. El modelo matemtico puede decir entonces que el problema es elegir los valores
Pgina 30 de 137
de las variables de decisin de manera que se maximice la funcin objetivo, sujeta a las
restricciones dadas. [10]
2.3.4 Modelo de programacin lineal
Modelo en el que las funciones matemticas que aparecen tanto en la funcin objetivo como en
las restricciones son funciones lineales. La palabra programacin no se refiere aqu a trminos
computacionales; en esencia es sinnimo de planeacin; por lo tanto, la programacin lineal
involucra la planeacin de actividades para obtener un resultado ptimo.
El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a
ciertas actividades. La cantidad disponible de cada recurso es limitada, de forma que debe
asignarse con todo cuidado. La determinacin de esta asignacin implica elegir los niveles de
las actividades que lograrn el mejor valor posible de la medida global de desempeo.
Ciertos smbolos se usan de manera convencional para denotar los diversos componentes de
un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con su
interpretacin para el problema general de asignacin de recursos a actividades.
= valor de la medida global de desempeo.
= nivel de la actividad j (para j =1, 2,. . ., n).
= incremento en Z que se obtiene al aumentar una unidad en el nivel de la actividad j.
=cantidad de recurso i disponible para asignarse a las actividades (para i = 1, 2,. . ., m).
= cantidad del recurso i consumido por cada unidad de la actividad j.
El modelo plantea el problema en trminos de tomar decisiones sobre los niveles de las
actividades, por lo que 1 , 2 , , se llaman variables de decisin, los valores de , y
(para = 1,2, , = 1,2, , ) son las constantes de entrada al modelo. Las , y
tambin se conocen como parmetros del modelo
Una forma estndar del modelo
Este modelo consiste en elegir valores de 1 , 2, para
Maximizar = 1 1 + 2 2 + ,
Sujeta a las restricciones
11 1 + 12 2 + 1 1
21 1 + 22 2 + 2 2
.
.
.
1 1 + 2 2 + ,
Y
1 0, 2 0, , 0.
sta es llamada nuestra forma estndar del problema de programacin lineal. Cualquier
situacin cuya formulacin matemtica se ajuste a este modelo es un problema de
programacin lineal. [10]
Pgina 31 de 137
2.3.5 Supuestos de PL
Supuesto de proporcionalidad: La contribucin de cada actividad al valor de la funcin
objetivo Z es proporcional al nivel de la actividad , como lo representa el trmino en la
funcin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada
restriccin funcional es proporcional al nivel de la actividad , como lo representa en la
restriccin el trmino . En consecuencia, este supuesto elimina cualquier exponente
diferente de 1 para las variables en cualquier trmino de las funciones ya sea la funcin
objetivo o la funcin en el lado izquierdo de las restricciones funcionales en un modelo de
programacin lineal.
Tabla 2.2: ejemplos de proporcionalidad satisfecha o violada.
Figura 2.8:
Figura: 2.9
Pgina 32 de 137
Figura 2.10.
Supuesto de aditividad: Cada funcin de un modelo de programacin lineal (ya sea la funcin
objetivo o el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones
individuales de las actividades respectivas.
Tabla 2.3: Ejemplos que satisfacen o violan la aditividad de la funcin objetivo.
Supuesto de divisibilidad: En un modelo de programacin lineal, las variables de decisin

pueden tomar cualquier valor, incluso valores no enteros, que satisfagan las restricciones
funcionales y de no negatividad. En consecuencia, estas variables no estn restringidas a slo
valores enteros. Como cada variable de decisin representa el nivel de alguna actividad, se
supondr que las actividades se pueden realizar a niveles fraccionales.
Supuesto de certidumbre: Se supone que los valores asignados a cada parmetro de un
modelo de programacin lineal son constantes conocidas. [1]
Pgina 33 de 137
Ejercicios Unidad 2.
Tema: Formulacin Problemas Lineales
Ejercicio 1. Elaborar en su cuaderno de trabajo el Modelo de programacin lineal en la forma
estndar.
Ejercicio 2. Explicar los siguientes trminos utilizados en la estructura del modelo bsico de
PL.
Variables de decisin
Funcin objetivo
Restricciones
Ejercicio 3. Explicar cada uno de los supuestos de programacin lineal. Usar grficas para
fortalecer la explicacin.
Ejercicio 4. Identifique las restricciones y la funcin objetivo de:
e) El metabolismo humano.
f) El sistema elctrico de una casa habitacin.
g) Un cine con diez salas de exhibicin.
h) El sistema de transporte urbano de una ciudad.
Ejercicio 5. Solucin Grfica a Problemas Lineales
Video del Mtodo Grfico
http://inveoperaciones.wordpress.com/metodo-grafico-2/
Solucione mediante el mtodo grfico
= 50 1 + 60 2
Sujeto a:
2 1 + 3 2 180
3 1 + 22 150
1 , 2 0
Ejercicios (Maximizacin)
Ejercicio 6.
La WYNDOR GLASS CO, produce artculos de vidrio de alta calidad, entre ellos ventanas y
puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta
1, los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos.
Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar la lnea
de produccin de la compaa. Se discontinuarn varios productos no rentables y se dejar
libre una parte de la capacidad de produccin para emprender la fabricacin de dos productos
nuevos cuyas ventas potenciales son muy prometedoras:
Pgina 34 de 137
Producto1: una puerta de vidrio de 8 pies con marco de aluminio

Producto 2: una ventana corrediza con marco de madera de 4 por 6 pies
El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 2 y nada en la
planta 2. El producto 2 solo necesita trabajo en las plantas 2 y 3. La divisin de
comercializacin ha concluido que la compaa puede vender todos los productos que se
puedan fabricar en las plantas. Sin embargo, como ambos productos competiran por la misma
capacidad de produccin en la planta 3, no est claro cul mezcla de productos sera la ms
rentable. Por lo tanto, se ha formado un equipo de IO para estudiar este problema.
El grupo comenz por realizar juntas con la alta administracin para identificar los objetivos del
estudio. Como consecuencia de ellas se desarroll la siguiente definicin del problema:
Determinar cules tasas de produccin deben tener los dos productos con el fin de maximizar
las utilidades totales, sujetas a las restricciones impuestas por las capacidades de produccin
limitadas disponibles en las tres plantas. Cada producto se fabricara en lotes de 20 unidades,
de manera que la tasa de produccin est definida como el nmero de lotes que se producen a
la semana. Se permite cualquier combinacin de tasas de produccin que satisfaga estas
restricciones, incluso no fabricar uno de los productos y elaborar todo lo que sea posible del
otro.
El equipo de IO tambin identific los datos que necesitaba reunir:
1. Nmero de horas de produccin disponibles por semana en cada planta para fabricar
estos nuevos productos.
2. Nmero de horas de fabricacin que se emplea para producir cada lote de cada artculo
nuevo en cada una de las plantas
3. La ganancia total de cada producto nuevo.
La tabla siguiente resume los datos reunidos:
Tiempo de
produccin por lote,
hora
Producto
Planta
1
2
3
Ganancia por lote
1
0
3
$ 3000
0
2
2
$ 5000
Tiempo de
produccin
disponible a la
semana, horas
4
12
18
Ejercicio 7. Se dispone de 120 refrescos de cola con cafena y de 180 refrescos de cola sin
cafena. Los refrescos se venden en paquetes de dos tipos. Los paquetes de tipo A contienen
tres refrescos con cafena y tres sin cafena, y los de tipo B contienen dos con cafena y cuatro
sin cafena. El vendedor gana 6 euros por cada paquete que venda de tipo A y 5 euros por cada
uno que vende de tipo B. Calcular de forma razonada cuntos paquetes de cada tipo debe
vender para maximizar los beneficios y calcular ste.
Pgina 35 de 137
Ejercicio 8. Wilson es una empresa fabricante de equipo deportivo y entre sus productos tiene
dos guantes de bisbol: para jugador de cuadro y para receptor. El proceso consiste de tres
operaciones bsicas: corte y costura, detallado y empaque. Se dispone de 850, 325 y 150
horas, respectivamente. Ambos productos pasan por todo el proceso. Los requerimientos y la
ganancia por producto se muestran a continuacin:
Tiempo de produccin(h)
Modelo
Corte y costura
Detallado
Empaque
Ganancia
Jugador
de cuadro
1.2
0.6
0.15
15
Receptor
1.45
0.25
18
0.4
Se desea maximizar la utilidad total.

Ejercicio 9. RMC es una pequea empresa que fabrica una variedad de productos basados en
sustancias qumicas. En un proceso de produccin particular, se emplean tres materias primas
para producir dos productos: un aditivo para combustible y una base para solvente. El aditivo
para combustible se vende a compaas petroleras y se usa en la produccin de gasolina y
combustibles relacionados. La base para solvente se vende a una variedad de empresas
qumicas y se emplea en productos para limpieza en el hogar e industriales. Las tres materias
primas se mezclan para fabricar el aditivo para combustible y la base para el solvente, tal como
se muestra a continuacin:
Compactos
Producto
Aditivo para combustible Base para solvente
Material 1
0.4
0.5
Material 2
0.2
Material 3
0.6
0.3
sta nos muestra que una tonelada de aditivo para combustible es una mezcla de 0.4
toneladas del material 1 y 0.6 toneladas del material 3. Una tonelada de la base para solvente
es una mezcla de 0.5 toneladas del material 1, 0.2 toneladas del material 2 y 0.3 toneladas del
material La produccin de RMC est restringida por una disponibilidad limitada de las tres
materias primas. Para el periodo de produccin actual, RMC tiene disponibles las siguientes
cantidades de materia prima:
Material
Cantidad disponible para la produccin

1
20 toneladas
5 toneladas
21 toneladas
Pgina 36 de 137
Debido a los desechos y a la naturaleza del proceso de produccin, los materiales que no se
lleguen a usar en una corrida de produccin no se pueden almacenar para las subsiguientes,
son intiles y deben desecharse. El departamento de contabilidad analiz las cifras de
produccin, asign todos los costos relevantes y lleg a precios que, para ambos productos,
produciran una contribucin a la utilidad de $ 40 por cada tonelada de aditivo para combustible
producida y $ 30 para cada tonelada producida de base para solvente.
Ejercicio 10. Qumicos M & D produce dos productos que se venden como materias primas a
compaas que fabrican jabones para bao y detergentes para ropa. Basado en un anlisis de
los niveles de inventario actuales y la demanda potencial para el mes siguiente, la gerencia de
M & D ha especificado que la produccin combinada para los productos A y B debe ser en total
al menos 350 galones. Por separado, tambin debe satisfacerse un pedido de un cliente
importante de 125 galones del producto A. El producto A requiere dos horas de procesamiento
por galn, mientras el producto B requiere una hora de procesamiento por galn, y para el
siguiente mes se dispone de 600 horas de tiempo de procesamiento. El objetivo de M & D es
satisfacer estos requerimientos con un costo total de produccin mnimo. Los costos de
produccin son $2 por galn para el producto A y $3 por galn para el producto B. Para
encontrar el calendario de produccin de costo mnimo, formularemos el problema de Qumicos
M & D como un programa lineal.
Ejercicio 11. Un fabricante de muebles tiene 6 unidades de maderas y 28 horas disponibles,
durante las cuales fabricar biombos decorativos. Con anterioridad, se han vendido bien 2
modelos, de manera que se limitar a producir estos 2 tipos. Estima que el modelo uno
requiere 2 unidades de madera y 7 horas de tiempo disponible, mientras que el modelo 2
requiere una unidad de madera y 8 horas. Los precios de los modelos son 120dls. y 80dls.,
respectivamente. Cuntos biombos de cada modelo debe fabricar si desea maximizar su
ingreso en la venta? Hacer el modelo de programacin lineal.
Ejercicio 12. Una firma de contadores pblicos especializados en preparar liquidaciones y
pago de impuestos y tambin auditoras en empresas pequeas. El inters es saber cuntas
auditoras y liquidaciones pueden realizar mensualmente, de tal manera que obtengan los
mximos ingresos. Se dispone de 800 horas para trabajo directo y direccin y 320 horas para
revisin. Una auditora en promedio requiere de 40 horas de trabajo directo y direccin y 10
horas de revisin, adems aporta un ingreso de 300 dlares. Una liquidacin de impuestos
requiere de 8 horas de trabajo directo y direccin y 5 horas de revisin y produce un ingreso de
100 dlares. Se pueden realizar tantas auditoras como se desee, pero el mximo de
liquidaciones mensuales disponibles es de 60. Formule un modelo de PL para este caso.
Pgina 37 de 137
Ejercicio 13. Problema de Carmac Company, fabrica carros compactos y sub-compactos. La

produccin de cada carro requiere una cierta cantidad de materia prima y mano de obra, como
se especfica en la siguiente tabla:
Tipos de Carros
Compactos
Sub-compactos
Costo Unitario
Total disponible
Materia
(libras)
200
150
10
80000
Prima Mano
(horas)
18
20
70
9000
de
Obra
La divisin de comercializacin ha estimado que a lo ms 1500 compactos pueden venderse a

$10,000 cada uno y que a lo ms 200 sub-compactos pueden venderse a $8,000 cada uno.
Como Vicepresidente de programacin, formule un modelo de PL para determinar la cantidad a
fabricar de cada tipo de carro para maximizar la ganancia total.
Ejercicio 14. Computer Corporation manufactura dos modelos de minicomputadoras, la Alpha y
la Beta. La empresa emplea cinco tcnicos, que trabajan 160 horas por mes cada uno, en su
lnea de ensamble. Se requieren 20 horas laborables para ensamblar cada computadora Alpha,
y 25 horas laborales para ensamblar cada modelo Beta. La empresa desea tener por lo menos
10 unidades de Alpha, y 15 unidades Beta producidas durante el periodo de produccin. Las
Alpha generan una utilidad de 1200 por unidad, y las Beta generan 1800 cada una.
Determine el nmero de cada modelo de minicomputadoras con mayor utilidad para producir el
siguiente mes.
Ejercicio 15. Andys Bicycle tiene los nuevos productos ms novedosos en el mercado de
juguetes. Debido al mercado del vendedor de juguetes para la nueva generacin de nios,
Andys puede vender todas las bicicletas que fabrica en los siguientes precios: bicicleta para
nio, 220 dlares, bicicleta para nia, 175 dlares.
El contador de la empresa ha determinado que los costos de mano de obra directa sern el
45% del precio que Andys reciba por el modelo para nio, y 40% del precio recibido por el
modelo para nia. Los costos de produccin diferentes a mano de obra, pero excluyendo la
pintura y el empaque, son de 44 dlares por bicicleta para nio y 30 dlares por bicicleta para
nia. La pintura y el empaque son 20 dlares por bicicleta, sin tomar en cuenta el modelo.
La capacidad total de produccin de la empresa es de 390 bicicletas por da. Cada bicicleta
para nio requiere de 2.5 horas de mano de obra, mientras que cada modelo para nia toma
2.4 horas para completar. Andys emplea actualmente a 120 trabajadores, que laboran das de 8
horas cada uno.
Determine la mejor mezcla de productos para maximizar la utilidad.
Pgina 38 de 137
Ejercicio 16 Una fbrica vende dos tipos de productos diferentes A y B. La informacin sobre el
precio de venta y el costo por unidad es el siguiente:
Producto A
Producto B
Precio de venta
60
40
Costo
30
10
Los dos productos se fabrican dentro de un proceso comn y se venden en dos mercados
diferentes. El proceso de produccin tiene una capacidad de 30 mil horas de mano de obra, se
requiere de 3 horas para elaborar una unidad de A y 1 hora para producir una unidad de B.
El mercado ya fue estudiado, por lo que los funcionarios de la empresa consideran que lo ms
que pueden venderse de A son 8 mil unidades y de B 12 mil unidades. De acuerdo con esas
limitaciones los productos pueden venderse en cualquier combinacin.
Ejercicio 17. Una empresa manufacturera est considerando dedicar su capacidad a fabricar
3 productos; llammoslos productos 1, 2 y 3. La capacidad disponible de las mquinas que
podra limitar la produccin se resume en la siguiente tabla:
Tipo de Mquina
Fresadora
Torno
Rectificadora
Tiempo Disponible
(horas mquina)
500
350
150
El nmero de horas requeridas por cada unidad de los productos respectivos es:
Tipo de Mquina
Fresadora
Torno
Rectificadora
Producto 1
9
5
3
Producto 2
3
4
0
Producto 3
5
0
2
El departamento de ventas indica que el potencial de ventas para los productos 1 y 2 es mayor
que la tasa de produccin mxima y que el potencial de ventas para el producto 3 es de 20
unidades por semana. La utilidad unitaria sera de 30, 12 y 15 dls., respectivamente, para los
productos 1, 2 y 3.
Formlese el modelo de programacin lineal para determinar cunto debe producir la empresa
de cada producto para maximizar la utilidad.
Pgina 39 de 137
Ejercicio 18. Un banco estima que para el ao prximo tendr $10 millones disponibles para
prstamos. Hace varios tipos de prstamos a diferentes tasas de inters:
Tipo de prstamo
Inters anual %
Tipo de prstamo
Inters anual
Personal tipo A
Mejoras
a
habitacin
casa-
10
Personal Tipo B
12
Pequea empresa
12
Automvil
10
Otros
Hipoteca
Las restricciones legales y las polticas del banco colocan los siguientes lmites sobre los
prstamos: a) El total de prstamos personales no puede exceder el 15% de la cantidad total
de prstamos, b) Los prstamos para mejoras a casa- habitacin ms los prstamos a casas
mvil no pueden exceder el 20% de la cantidad total de prstamos, c) Los prstamos a
pequeas empresas no debe exceder el 30% de la cantidad total de prstamos, d) Cada
prstamo personal tipo A, hipoteca y a pequeas empresas debe sumar, por lo menos 10% del
total de los prstamos. Naturalmente, el banco quiere maximizar el inters que recibe sobre los
prstamos. Formlese ste como un problema de PL.
Ejercicio 19. Un taller fabrica tres tipos diferentes de mesas: A, B y C. Con cada mesa se
requiere determinado tiempo para cortar las partes que la constituyen, ensamblarlas y pintar la
pieza terminada. La empresa podr vender todas las mesas que consiga fabricar. Adems el
modelo C puede venderse sin pintar. El tiempo disponible para realizar cada una de las
actividades es variable. A partir de los datos siguientes, formule un problema de programacin
lineal que ayude a la empresa a determinar la mezcla de productos que le permitir maximizar
sus ganancias.
Modelo
Corte (hrs)
Montaje (hrs)
Pintura (hrs)
Ganancia
por mesa( $)
25
20
50
C sin pintar
30
Capacidad
150
200
300
Ejercicio 20. Roberto Saucedo es presidente de una microempresa de inversiones que se

dedica a administrar carteras de acciones de varios clientes. Un nuevo cliente ha solicitado que
la compaa se haga cargo de administrar para l una cartera de $ 100, 000. A ese cliente le
agradara restringir la cartera a una mezcla de tres tipos de acciones nicamente, como
podemos apreciar en la siguiente tabla. Formule un PL para mostrar cuantas acciones de cada
Pgina 40 de 137
tipo tendra que comprar Roberto Saucedo con el fin de maximizar el rendimiento anual total
estimado de esa cartera.
Rendimiento anual
estimado por accin
($)
Inversin
mxima
posible ($)
Acciones
Precio por accin ($)
60
60 000
25
25 000
20
30 000
Ejercicio 21. Una empresa produce cuatro artculos: A, B, C y D. Cada unidad del producto A
requiere de dos horas de maquinado, una hora de montaje y $10 dls. de inventario en proceso.
Cada unidad del producto B requiere de una hora de maquinado, tres horas de montaje y $5
dls. de inventario en proceso. Cada unidad del producto C requiere 2.5 horas de maquinado,
2.5 horas de montaje y $2 dls. de inventario en proceso. Finalmente, cada unidad del producto
D requiere de cinco horas de maquinado, ninguna en montaje y $12 dls. de inventario en
proceso.
La fbrica dispone de 120 000 horas de tiempo de maquinado y 160 000 horas de tiempo de
montaje. Adems, no puede tener ms de un milln de dlares de inventario en proceso.
Cada unidad del producto A genera una utilidad de $40 dls., cada unidad del producto B genera
una utilidad de $24 dls., cada unidad del producto C genera una utilidad de $36 dls. y cada
unidad del producto D genera una utilidad de $23 dls. No pueden venderse ms de 20 000
unidades del producto A, 16 000 unidades del producto C, sin embargo deben producir y
vender por lo menos 10 000 unidades del producto D y 5000 del producto B para cumplir con
los requerimientos de un contrato.
Sobre estas condiciones formular un problema de PL. El objetivo de la fbrica es maximizar la
utilidad resultante de los cuatro productos.
Ejercicio 22. Una empresa de productos electrnicos fabrica telfonos celulares. Su ltimo
producto tiene un dispositivo que evita ser interceptado mientras se est conservando. Existen
tres elementos del mercado que adquirir preferentemente este tipo de aparato. Debido al
canal de distribucin y costos de promocin, la ganancia por el producto vara segn la regin.
Adems la empresa estima que el costo por publicidad y tiempo de venta por unidad variar
tambin segn la regin. La tabla siguiente presenta las ganancias, los costos de publicidad y
el tiempo de venta por unidad y regin.
Regin
Ganancia
Costo de publicidad
Tiempo de venta
A
B
C
90
70
84
10
18
8
2.5
3
1.5
La empresa ha determinado que no gastar ms de $5 000 en publicidad y estableci un

mximo de 1200 horas de venta. Adems, la capacidad mxima de produccin es de 600
Pgina 41 de 137
unidades. El objetivo es determinar cuntas unidades del producto se debe vender por sector
para maximizar la utilidad total (diferencia entre ganancia total y costo total) de la empresa.
Ejercicio 23. Usted est tratando de hacer un presupuesto para optimizar el uso de una parte
de su ingreso disponible. Tiene un mximo de 1500 dls por mes para destinar a comida,
vivienda y diversin. Los montos gastados en alimento y vivienda juntos no pueden exceder de
1000 dls. al mes El monto asignado a vivienda no debe exceder de 700 dls. El de diversin no
debe exceder de 300 dls al mes. Cada dlar gastado en comida tiene un valor de satisfaccin
de 2, cada dlar gastado en vivienda tiene un valor de satisfaccin de 3 y cada dlar gastado
en diversin tiene un valor de satisfaccin de 5.
Formule por P.L. para maximizar el grado de satisfaccin.
Ejercicio 24. Un fabricante de camisas est tratando de decidir cuntas camisas debe producir
durante el mes prximo. Pueden hacerse siete estilos. Los estilos varan en las horas de mano
de obra que requieren, en la contribucin en la ganancia y en las ventas potenciales que el
departamento de comercializacin estima. Los datos se dan enseguida:
Estilo
Horas-hombre
Ventas mximas
Contribucin
0.5
3 000
1.00
1.0
1 000
2.00
0.25
5 000
1.00
1.5
2 000
1.50
0.7
1 500
1.25
0.9
1 500
1.10
1.2
1 600
1.20
Se dispone de un total de 7500 horas de mano de obra. El objetivo de este problema es

maximizar la contribucin total.
Ejercicio 25. Considrese un presupuesto de publicidad de $30 000 para un nuevo producto
ligeramente caro. Por lo menos deben usarse 10 anuncios de la televisin, y por lo menos
deben localizarse 50 000 compradores potenciales durante la campaa. Tambin un mximo
de $18 000 pueden gastarse en anuncios en T.V. Dado los datos de la tabla anexa, determine
el plan de medios de comunicacin de publicidad ptimo que aumentar las expectativas de
compra.
Tipo de medio
Familias
encuestadas
Costo por
aviso
Mximo
disponible
T.V. de da (1 min.)
1000
$1 500
15
65
TV. tarde (30 seg.)
2000
$3 000
10
90
Pgina 42 de 137
Expectativa
de compra
Peridico semanal
1500
$400
25
40
Peridico domingo
2500
$1 000
60
Radio (30 seg.)
300
$100
30
20
Ejercicio 26. Una compaa de inversiones tiene actualmente $10 millones para invertir. La
meta consiste en maximizar los rditos que se espera devengar en el prximo ao. Las cuatro
posibilidades de inversin se resumen en la siguiente tabla. Adems, la compaa ha
establecido que por lo menos el 30% de los fondos deber ser colocado en el tronco comn y
en bonos tipo A, y no ms del 40% en el mercado de valores y en bonos tipo B. Se deben
colocar todos los $10 millones actualmente disponibles.
Formule un modelo de P.L. que me pueda indicar cunto dinero invertir para maximizar los
crditos.
Posibilidades de
Inversin
Rditos
Esperados (%)
Inversin mxima
permisible en millones
Bonos Tipo A
Tronco Comn
Mercado de Valores
12
Bonos Tipo B
Ejercicio 27. Una mueblera fabrica escritorios, mesas y sillas. La fabricacin requiere
de materia prima y mano de obra. La mano de obra se clasifica en dos tipos:
carpintera y terminaciones. La cantidad de recurso requerido para cada tipo de
producto se muestra en la tabla siguiente. Actualmente se dispone de 48 pulgadas
madereras, 20 horas de terminaciones y 8 horas para carpintera. Cada escritorio se
vende a US$60, cada mesa a US$30 y cada silla a US$20. La empresa piensa que la
demanda por escritorios y sillas es limitada, pero cree que se vendern a lo ms 5
mesas. Debido a que los recursos ya han sido adquiridos, la empresa desea maximizar
su beneficio.
Requerimientos del tipo de producto.
Recurso
Materiales
(plg
maderera)
Terminaciones
(horas)
Carpintera(horas)
Escritorios Mesas Sillas

8
6
1
4
1.5
1.5
0.5
Pgina 43 de 137
Ejercicios (Minimizacin)
Ejercicio 28. Jack Bienstaulk tiene a su cargo la compra de mercancas enlatadas para
el servicio de alimentos GAGA en una gran universidad. l sabe cul ser la demanda
durante el transcurso del ao escolar y ha estimado tambin los precios de compra. En
la figura se muestran estos datos. Puede comprar anticipadamente y almacenar para
evitar los aumentos de precios, pero existe un costo de mantener inventario de $0.20
por caja, por mes, aplicado al inventario en existencia al final del mes. Elabore un PL
que minimice el costo y que ayude a Jack a determinar el momento de sus compras,
Sugerencia: Supngase que Pt es el nmero de cajas compradas en el mes t y que It
es el nmero de cajas en existencias al final del mes t.
Datos de la demanda y el costo
sep.
oct.
nov.
dic.
ene.
feb.
mar.
abr.
may.
Demandas 1000
(cajas)
900
850
500
600
1000
1000
1000
500
Costo por $20

caja
$20
$20
$21
$21
$21
$23
$23
$23
Ejercicio 29. Para una cafetera que trabaja 24 horas se requieren las siguientes
meseras:
Horas del da
Nmero mnimo de
meseras
2-6
6-10
10-14
10
14-18
18-22
12
22-2
Cada mesera trabaja 8 horas consecutivas por da con horarios de entrada 2, 6, 10, 14,
18 y 22 horas. El objetivo es encontrar el nmero ms pequeo requerido para cumplir
los requisitos anteriores. Formule el problema como un modelo de programacin lineal.
Pgina 44 de 137
Ejercicio 30. Un expendio de carnes acostumbra preparar carne para hamburguesa

con una combinacin de carne molida de res y carne molida de cerdo. La carne de res
contiene 80 % de carne y 20 % de grasa y le cuesta a la tienda 80 centavos por libra.
La carne de cerdo contiene 68 % de carne y 32 % de grasa y cuesta 60 centavos por
libra. Qu cantidad de cada tipo de carne debe emplear la tienda por cada libra de
carne para hamburguesa si desea minimizar el costo y mantener el contenido de grasa
no mayor de 25 %?
Ejercicio 31. Una compaa de minas opera 3 minas. El mineral de cada una de ellas
se separa antes embarcarse en 2 grados (tipos). La cantidad diaria de produccin de
las minas as como sus costos diarios de operacin son los siguientes:
Mineral Grado
Mineral Grado
Costo
Alto (ton/da)
Bajo (ton/da)
($1,000/da)
Mina I
20
Mina II
22
Mina III
18
La compaa se comprometi a entregar 54 toneladas de mineral de grado alto y 65

toneladas de mineral de grado bajo para fines de la semana siguiente (7 das
disponibles de operacin). Adems, desea determinar el nmero de das que la mina
debera operar durante la siguiente semana si debe cumplir su compromiso a un costo
mnimo.
Ejercicio 32. Una compaa fabrica tres componentes que se utilizan en telfonos
celulares y otros dispositivos de comunicacin. La empresa satisface la demanda
comprando los componentes a otro fabricante con un aumento de costo por unidad. El
costo de manufactura por unidad de la compaa y el costo de compra por unidad de
los tres componentes son los siguientes:
Fuente
Componente 1
Componente 2
Componente 3
Manufactura
$45.00
$50.00
$27.50
Compra
$65.00
$80.00
$70.00
Los tiempos de manufactura en minutos por unidad para los tres departamentos de la
empresa son los siguientes:
Departament
Componente 1
Componente 2
Pgina 45 de 137
Componente 3
o
Produccin
Ensamble
1.5
1.5
Prueba
Para el siguiente periodo de produccin la compaa tiene capacidades de 360 horas

en el departamento de produccin, 250 horas en el departamento de ensamble y 300
horas en el departamento de prueba. Formule un modelo de programacin lineal que
pueda usarse para determinar cuntas unidades de cada componente fabricar y
cuantas unidades de cada componente comprar. Suponga que las demandas que
deben satisfacer son 6000 unidades para el componente 1, 14000 unidades para el
componente 2 y 3500 unidades para el componente 3. El objetivo es minimizar el costo
total de manufactura y compra.
Pgina 46 de 137
Ejercicio 33. Dos empresas mineras extraen dos tipos diferentes de minerales, los
cuales son sometidos a un proceso de trituracin, con tres grados: alto, medio y bajo.
Las compaas han firmado un contrato para proveer de mineral a una planta de
fundicin , cada semana , 12 toneladas de mineral de grado alto, 8 toneladas de grado
medio y 24 toneladas de grado bajo. Cada una de las empresas tiene diferentes
procesos de fabricacin.
Mina
Costo/Da
Produccin (Tn/da)
(miles
de Alto
Medio
Bajo
euros)
X
180
6
3
4
Y
160
1
1
6
Cuantos das a la semana debera operar cada empresa para cumplir el contrato con
la planta de la fundicin?
Ejercicio 34. Los alumnos de un colegio van a ir de excursin. La empresa dispone de
10 autobuses de 40 pasajeros y 8 de 30 pero solo de 15 conductores en ese da. el
alquiler de los autobuses pequeos es de $500.00 y el de los grandes de $600.00
Cuntos autobuses de cada tipo convendr alquilar para que el viaje resulte lo ms
econmico posible?
Ejercicio 35. Una empresa de alimentos desea fabricar comida balanceada para
perros de acuerdo a las especificaciones dadas por el veterinario se debe producir un
compuesto que tenga por lo menos, 100 gramos de fibra, 300 gramos de protena y 70
gramos de minerales por animal si se desea alimentar 100 perros con los siguientes
productos que se encuentran en el mercado y presentan la siguiente composicin
Contenido
Productos
1
Fibra
20%
Protena
60%
Minerales
9%
Precio por Kg
$10000
Cuntos kilos de cada producto de deben
menor costo posible?
2
3
30%
5%
50%
38%
8%
8%
$11000
$9500
comprar si se desea cumplir con la cuota al
UNIDAD 3. METODOLOGAS PARA LA RESOLUCIN DE PROBLEMAS

DE PROGRAMACIN LINEAL
Competencia
Conocer, comprender y aplicar las metodologas para resolver problemas de programacin
lineal.
Pgina 47 de 137
3.1 El algoritmo Simplex

El mtodo simplex es un procedimiento algebraico. Sin embargo, sus conceptos fundamentales
son geomtricos. La comprensin de estos conceptos geomtricos proporciona una fuerte
intuicin sobre la forma en que opera el mtodo simplex y las razones de su elevada eficiencia.
Por lo tanto, antes de profundizar en los detalles algebraicos, se dedicar esta seccin a
enfocar el mtodo desde un punto de vista geomtrico.
Para ilustrar los conceptos geomtricos generales, se usar el ejemplo de la Wyndor Glass Co.
Para refrescar la memoria, el modelo y la grfica de este ejemplo se repiten en la figura 3.1. Se
marcaron las cinco restricciones de frontera y sus puntos de interseccin puesto que son
puntos clave para el anlisis. Aqu, cada frontera de restriccin es una recta que marca el
lmite de lo que permite la restriccin correspondiente. Los puntos de interseccin son las
soluciones en los vrtices del problema. Los cinco puntos que se encuentran en los vrtices
de la regin factible (0, 0), (0, 6), (2, 6), (4, 3) y (4, 0) son las soluciones factibles en los
vrtices (soluciones FEV). [Los otros tres (0, 9), (4, 6) y (6, 0) se llaman soluciones no
factibles en un vrtice.]
Figura 3.1. Restricciones de frontera y

soluciones en los vrtices del problema de la
Wyndor Glass Co.
En este ejemplo, cada solucin en un vrtice se encuentra en la interseccin de dos fronteras

de restriccin. (En el caso de un problema de programacin lineal con variables de decisin,
cada una de sus soluciones en los vrtices se encuentra en la interseccin de fronteras de
restricciones.) Algunos pares de soluciones FEV de la figura 3.1 comparten una frontera de
restriccin, y otros no. Ser importante distinguir estos casos con la siguiente definicin
general.
Pgina 48 de 137
En cualquier problema de programacin lineal con variables de decisin, dos soluciones FEV
son adyacentes entre s cuando comparten 1 fronteras de restriccin. Dos soluciones FEV
adyacentes estn conectadas por un segmento de recta que se encuentra en estas mismas
fronteras de restriccin compartidas. Dicho segmento de recta recibe el nombre de arista de la
regin factible.
Como en el ejemplo = 2, dos de sus soluciones FEV son adyacentes si comparten una
frontera de restriccin; por ejemplo, (0, 0) y (0, 6) son adyacentes porque comparten la frontera
1 = 0. La regin factible de la figura 3.1 tiene cinco aristas que consisten en los cinco
segmentos que forman la frontera de esta regin. Obsrvese que de cada solucin FEV salen
dos aristas. En consecuencia, cada solucin FEV tiene dos soluciones FEV adyacentes (cada
una se encuentra en el otro punto terminal de una de las dos aristas), como se enumera en la
tabla 2.4 (En cada rengln de esta tabla, la solucin FEV de la primera columna es adyacente a
las dos soluciones FEV de la segunda columna, pero las dos soluciones de esta ltima no son
adyacentes entre s.)
Una razn para analizar las soluciones FEV adyacentes es la siguiente propiedad general de
las soluciones, que proporciona una manera muy til de verificar si una solucin FEV es
ptima.
Tabla 3.1. Soluciones FEV adyacentes para la solucin FEV del problema de la Wyndor Glass Co.
Solucin FEV
Sus soluciones FEV adyacentes
(0,0)
(0,6) y (4,0)
(0,6)
(2,6) y (0,0)
(2,6)
(4,3) y (0,6)
(4,3)
(4,0) y (2,6)
(4,0)
(0,0) y (4,3)
Prueba de optimalidad: Considrese cualquier problema de programacin lineal que posea al

menos una solucin ptima. Si una solucin FEV no tiene soluciones FEV adyacentes que
sean mejores (segn el valor de ), entonces sa debe ser una solucin ptima.
As, por ejemplo (2, 6) debe ser ptima slo porque su valor correspondiente de = 36 es
ms grande que = 30 para (0, 6) y = 27 para (4, 3). Esta prueba de optimalidad se usa
en el mtodo simplex para determinar cundo se ha llegado a una solucin ptima.
En este momento, es posible aplicar el mtodo simplex a un ejemplo.
Solucin del ejemplo
Pgina 49 de 137
Se presenta aqu un bosquejo de cmo utilizar el mtodo simplex (desde el punto de vista
geomtrico) para resolver el problema de la Wyndor Glass Co. En cada paso, primero se
establece la conclusin y despus se expone la razn entre parntesis. (Remtase a la figura
3.1 para tener una imagen grfica del problema.)
Paso inicial: Elija (0, 0) como la solucin FEV inicial para examinarla. (sta es una
eleccin conveniente porque no se requieren clculos para identificarla.)
Prueba de optimalidad: Concluya que (0, 0) no es una solucin ptima. (Las soluciones
FEV adyacentes son mejores.)
Iteracin 1: Muvase a una solucin FEV adyacente mejor, (0, 6), y realice los siguientes
tres pasos.
1. Entre las dos aristas de la regin factible que salen de (0, 0), elija desplazarse a lo
largo de la arista que aumenta el valor de 2 . (Con una funcin objetivo = 31 +
52 , cuando aumenta el valor de 2 el valor de crece ms rpido que si aumentara el
valor de 1 .)
2. Detngase al llegar a la primera frontera de restriccin:22 = 12. [Si va ms lejos en la
direccin seleccionada en el paso 1, saldr de la regin factible; por ejemplo, cuando
se desplaza hasta la segunda frontera de restriccin en esa direccin se llega a (0, 9),
que es una solucin no factible en un vrtice.]
3. Obtenga la interseccin del nuevo conjunto de fronteras de restriccin: (0, 6). (Las
ecuaciones de estas fronteras de restriccin, 1 = 0 y 22 = 12, conducen de
inmediato a esta solucin.)
Prueba de optimalidad: Concluya que (0, 6) no es una solucin ptima. (Existe una
solucin FEV adyacente que es mejor.)
Iteracin 2: Muvase a una mejor solucin FEV (2, 6), y realice los siguientes pasos.
1. En las dos aristas de la regin factible que salen de (0, 6) elija moverse a lo largo de la
que va hacia la derecha. (Moverse a lo largo de esta arista aumenta el valor de ,
mientras que ir para atrs hacia abajo del eje 2 lo disminuye.)
2. Detngase al encontrar la primera nueva frontera de restriccin en esa direccin:
31 + 22 = 12 (se mueve ms lejos en la direccin elegida en el paso 1, saldr de la
regin factible.)
3. Determine la interseccin del nuevo conjunto de fronteras de restriccin: (2, 6). (Las
ecuaciones de estas fronteras de restriccin, 31 + 22 = 18 y 22 = 12, conducen
de inmediato a esta solucin.)
Pgina 50 de 137
Figura 3.2. Esta grfica muestra la secuencia de soluciones

FEV (, , ) examinadas por el mtodo simplex para el
problema de la Wyndor Glass Co. la solucin ptima (2,6) se
encuentra despus de examinar tres soluciones.
Prueba de optimalidad: Concluya que (2, 6) es una solucin ptima y detngase.

(Ninguna de las soluciones FEV adyacentes es mejor.
En la figura 3.2 se muestra la secuencia de solucin FEV examinada, donde cada nmero
dentro de un crculo identifica qu iteracin obtuvo esa solucin.
El procedimiento algebraico se basa en la solucin de sistemas de ecuaciones. Por lo tanto, el
primer paso para preparar el mtodo simplex es convertir las restricciones funcionales de
desigualdad en restricciones de igualdad equivalentes. (Las restricciones de no negatividad se
dejan como desigualdades porque se manejan por separado.) Esta conversin se logra
mediante la introduccin de variables de holgura. Para ejemplificar, considere la primera
restriccin funcional del problema de la Wyndor Glass Co.
1 4
La variable de holgura de esta restriccin se define como
3 = 4 1
que es la holgura que queda en el lado izquierdo de la desigualdad. Entonces,
1 + 3 = 4
Dada esta ecuacin, 1 4 se cumple si y slo si 4 1 = 3 0. En consecuencia, la
restriccin original1 4 es por completo equivalente al par de restricciones
1 + 3 = 4
3 0
Al introducir variables de holgura en las otras restricciones funcionales, el modelo de

programacin lineal original de este ejemplo (que se muestra a la izquierda en el siguiente
cuadro) se puede sustituir por el modelo equivalente (llamado forma aumentada del modelo)
que se encuentra a la derecha:
Pgina 51 de 137
Aun cuando ambas formas del modelo representan exactamente el mismo problema, la nueva
forma es mucho ms conveniente para la manipulacin algebraica y la identificacin de las
soluciones FEV. Se le da el nombre de forma aumentada del problema, porque la forma original
se aument con algunas variables suplementarias necesarias para aplicar el mtodo simplex.
Si una variable de holgura es igual a 0 en la solucin actual, entonces esta solucin se
encuentra sobre la frontera de restriccin para la restriccin funcional correspondiente. Un valor
mayor que cero significa que la solucin est en el lado factible de la frontera de restriccin,
mientras que un valor menor que 0 seala que est en el lado no factible de esta frontera. La
demostracin de estas propiedades proporcionada por el ejemplo de demostracin en el OR
Tutor tiene el nombre de Interpretation of the Slack Variables. }
Una solucin aumentada es una solucin de las variables originales (las variables de
decisin) que se aument con los valores correspondientes de las variables de holgura.
Por ejemplo, si se aumenta la solucin (3, 2) en el ejemplo, se obtiene la solucin aumentada
(3, 2, 1, 8, 5) porque los valores correspondientes de las variables de holgura son: 3 = 1,
4 = 8 y 5 = 5.
Una solucin bsica es una solucin en un vrtice aumentada.
Para ilustrar lo que decimos, considrese la solucin no factible del vrtice (4, 6) de la figura 3.2
Al aumentarla con los valores obtenidos para las variables de holgura 3 = 0, 4 = 0 5 = 6
se obtiene la solucin bsica correspondiente (4, 6, 0, 0, 6).
El hecho de que las soluciones en los vrtices (y por ende las soluciones bsicas) puedan ser o
no factibles implica la siguiente definicin:
Una solucin bsica factible (BF) es una solucin FEV aumentada.
As, la solucin FEV (0, 6) del ejemplo es equivalente a la solucin BF (0, 6, 4, 0, 6) para el
problema en la forma aumentada.
Pgina 52 de 137
La nica diferencia entre las soluciones bsicas y las soluciones en un vrtice (o entre las
soluciones BF y soluciones FEV) es el hecho de que estn incluidos los valores de las variables
de holgura. Dada cualquier solucin bsica, la solucin en el vrtice correspondiente se obtiene
con slo quitar las variables de holgura. En consecuencia, las relaciones geomtricas y
algebraicas entre estas dos soluciones son muy estrechas.
Como los trminos solucin bsica y solucin bsica factible son partes muy importantes del
vocabulario normal de programacin lineal, es necesario aclarar sus propiedades algebraicas.
En el caso de la forma aumentada del ejemplo, obsrvese que el sistema de restricciones
funcionales tiene 5 variables y 3 ecuaciones, esto es,
Nmero de variables nmero de ecuaciones = 5 3 = 2.
Este hecho proporciona 2 grados de libertad cuando se debe resolver el sistema puesto que se
pueden elegir dos variables cualesquiera e igualarlas a cualquier valor arbitrario para resolver
las tres ecuaciones en trminos de las tres variables restantes. El mtodo simplex usa cero
para este valor arbitrario. As, dos de las variables (llamadas variables no bsicas) se igualan a
cero y, entonces, la solucin simultnea de las tres ecuaciones de las otras tres variables
(llamadas variables bsicas) es una solucin bsica. Estas propiedades se describen en las
siguientes definiciones generales.
Una solucin bsica tiene las siguientes propiedades:
1. Cada variable se designa ya sea como variable bsica o como variable no bsica.
2. El nmero de variables bsicas es igual al nmero de restricciones funcionales (ahora
ecuaciones). Por lo tanto, el nmero de variables no bsicas es igual al nmero total de
variables menos el nmero de restricciones funcionales.
3. Las variables no bsicas se igualan a cero.
4. Los valores de las variables bsicas se obtienen como la solucin simultnea del
sistema de ecuaciones (restricciones funcionales en la forma aumentada). (Con
frecuencia se hace referencia al conjunto de variables bsicas como la base.)
5. Si las variables bsicas satisfacen las restricciones de no negatividad, la solucin
bsica es una solucin BF.
Con el fin de ilustrar estas definiciones se considerar de nuevo la solucin BF (0, 6, 4,0, 6).
Esta solucin se obtuvo al aumentar la solucin FEV (0, 6). Sin embargo, otra manera de
obtenerla es elegir 1 4 como variables no bsicas, es decir, como las dos variables que se
igualan a cero. Las tres ecuaciones respectivas llevan a 3 = 4, 2 = 6 y 5 = 6 como la
solucin de las tres variables bsicas, segn se muestra enseguida (las variables bsicas
aparecen en negritas):
Pgina 53 de 137
Como estas tres variables bsicas son no negativas, esta solucin bsica (0, 6, 4, 0, 6) sin
duda es una solucin BF.
Igual que ciertos pares de soluciones FEV son adyacentes, se dice que los pares
correspondientes de soluciones BF son adyacentes. La siguiente es una manera sencilla de
decir cundo dos soluciones BF son adyacentes.
Dos soluciones BF son adyacentes si todas menos una de sus variables no bsicas son las
mismas. Esto implica que todas menos una de sus variables bsicas son tambin las mismas,
aunque tal vez con valores numricos diferentes.
En consecuencia, al trasladarse de la solucin BF actual a una adyacente se cambia una
variable no bsica a bsica y viceversa para otra variable (y despus se ajustan los valores de
las variables bsicas para que satisfagan el sistema de ecuaciones).
Para dar un ejemplo de soluciones bsicas factibles adyacentes, considrese un par de
soluciones factibles en vrtices adyacentes en la figura 3.1: (0, 0) y (0, 6). Sus soluciones
aumentadas (0, 0, 4, 12, 18) y (0, 6, 4, 0, 6) son, de manera automtica, soluciones BF
adyacentes. Sin embargo, no es necesario ver la figura 11 para llegar a esta conclusin. Otra
forma de verlo es observar que sus variables no bsicas (1 , 2 ) y (1 , 4 ), son las mismas
excepto que 4 sustituye a 2 . En consecuencia, trasladarse de (0, 0, 4, 12, 18) a (0, 6, 4, 0, 6)
implica cambiar a 2 de variable no bsica a bsica y lo contrario para 4 .
Cuando se trabaja con el problema en la forma aumentada conviene tomar en cuenta y
manipular la ecuacin de la funcin objetivo al mismo tiempo que las nuevas ecuaciones de las
restricciones. Antes de comenzar con el mtodo simplex es necesario escribir el problema una
vez ms en una forma equivalente:
Maximizar Z,
sujeta a:
Pgina 54 de 137
Es justo como si la ecuacin (0) fuera una de las restricciones originales; pero como ya se
encuentra en forma de igualdad, no necesita variable de holgura. Al mismo tiempo que se
agreg una ecuacin, tambin se aadi una variable (Z) al sistema de ecuaciones. Por lo
tanto, al usar las ecuaciones (1) a (3) para obtener una solucin bsica como se describi, se
usa la ecuacin (0) para encontrar al mismo tiempo el valor de Z.
Por casualidad, el modelo del problema de la Wyndor Glass Co. se ajusta a nuestra forma
estndar, y todas sus restricciones funcionales tienen valores no negativos en el lado
derecho. Si el caso fuera diferente, sera necesario hacer ajustes adicionales en este punto
antes de aplicar el mtodo simplex.
Forma algebraica de la programacin lineal
Paso inicial
La eleccin de 1 y 2 como las variables no bsicas (las variables que se igualan a cero). Esta
eleccin elimina el trabajo requerido para despejar las variables bsicas (3 , 4 , 5 ) del siguiente
sistema de ecuaciones (donde las variables bsicas se muestran en negritas):
En consecuencia, la solucin BF inicial es (0, 0, 4, 12, 18). Obsrvese que esta solucin se
puede leer de inmediato porque cada ecuacin tiene slo una variable bsica con coeficiente 1,
la cual no aparece en ninguna otra ecuacin. Pronto se ver que cuando cambia el conjunto de
variables bsicas, el mtodo simplex recurre a un procedimiento algebraico (eliminacin
gaussiana) para convertir las ecuaciones en la misma forma conveniente para leer las
soluciones BF subsecuentes. Esta forma se llama forma apropiada de eliminacin de Gauss.
Prueba de optimalidad
La funcin objetivo es
Pgina 55 de 137
= 31 + 52
De manera que = 0 en la solucin BF inicial. Debido a que ninguna variable bsica
(3 , 4 , 5 ) tiene coeficiente distinto de cero en esta funcin objetivo, el coeficiente de las
variables no bsicas (1 , 2 ) proporciona la tasa de mejoramiento de si se aumentara el valor
de esa variable a ms de cero (mientras que los valores de las variables bsicas se ajustan
para que satisfagan el sistema de ecuaciones). Estas tasas de mejoramiento (3 y 5) son
positivas.
En el caso de cada una de las soluciones BF que se examinan despus de varias iteraciones,
al menos una variable bsica tiene coeficiente diferente de cero en la funcin objetivo. Por lo
tanto, la prueba de optimalidad usar la nueva ecuacin (0) para reescribir la funcin objetivo
en trminos de las variables no bsicas, como se ver ms adelante.
Determinacin de la direccin de movimiento (paso 1 de una iteracin)
Cuando aumenta el valor de una variable no bsica (y se ajustan los valores de las variables
bsicas para que satisfagan el sistema de ecuaciones) se realiza una accin equivalente a
moverse a lo largo de una arista que sale de la solucin FEV actual.
La eleccin de cul variable no bsica debe aumentar su valor se hace como sigue:
= 31 + 52
Aumenta 1 ? Tasa de mejoramiento de = 3.
Aumenta 2 ? Tasa de mejoramiento de = 5.
5 > 3, de manera que se elige 2 para aumentar su valor.
Como se indica enseguida, 2 se llama variable bsica entrante de la iteracin 1.
En cada iteracin del mtodo simplex el propsito del paso 1 es elegir una variable no bsica
para que aumente su valor (y se ajustan los valores de las variables bsicas para que
satisfagan el sistema de ecuaciones). Si aumenta el valor de esta variable no bsica se
convertir en variable bsica de la siguiente solucin BF. Por lo tanto, esta variable se llama
variable bsica entrante de la iteracin actual (porque es la que entrar a la base).
Determinacin de dnde detenerse (paso 2 de una iteracin)
El paso 2 contesta la pregunta de cunto aumentar el valor de la variable bsica entrante 2

antes de detenerse. Si aumenta la variable 2 crece el valor de , el cual se desea incrementar
lo ms posible sin salirse de la regin factible. El requerimiento de satisfacer las restricciones
funcionales de la forma aumentada (que se muestra enseguida) significa que al aumentar 2 (al
mismo tiempo que se mantiene la variable no bsica 1 = 0) cambia el valor de algunas
variables bsicas, como se observa en el lado derecho.
Pgina 56 de 137
El otro requisito para lograr la factibilidad es que todas las variables sean no negativas. Las
variables no bsicas (incluyendo a la variable entrante) son no negativas, pero es necesario
verificar cunto puede crecer 2 sin violar las restricciones de no negatividad de las variables
bsicas.
En consecuencia, 2 puede crecer exactamente hasta 6, punto en el que 4 ha llegado a 0. Si

se aumentara 2 a ms de 6 se provocara que 4 adquiriese signo negativo, lo que violara la
factibilidad.
Estos clculos reciben el nombre de prueba del cociente mnimo. El objetivo de la prueba es
determinar qu variable bsica llega a cero primero cuando crece la variable entrante. De
inmediato se puede descartar la variable bsica en las ecuaciones donde el coeficiente de la
variable bsica entrante es cero o negativo, puesto que estas variables no decrecen si la
variable bsica entrante aumenta. [Esto ocurri con 3 en la ecuacin (1) del ejemplo.] Sin
embargo, por cada ecuacin donde el coeficiente de la variable bsica entrante es
estrictamente positivo (> 0), esta prueba calcula el cociente del lado derecho entre el
coeficiente de la variable bsica entrante. La variable bsica de la ecuacin con el cociente
mnimo es la que llega a cero primero cuando crece la variable bsica entrante.
En cualquier iteracin del mtodo simplex, el paso 2 utiliza la prueba del cociente mnimo para
determinar cul variable bsica llega primero a cero cuando aumenta el valor de la variable
bsica entrante. Al disminuir hasta cero el valor de esta variable bsica, se convierte en
variable no bsica de la siguiente solucin BF. Por lo tanto, esta variable se llama variable
bsica saliente de la iteracin actual (puesto que es la que deja la base). De esta manera, 4 es
la variable bsica que sale de la iteracin 1 del ejemplo.
Resolucin de una nueva solucin BF (paso 3 de una iteracin)
Cuando aumenta 2 = 0 hasta 2 = 6 el procedimiento se mueve de la solucin BF inicial que

se muestra a la izquierda hacia la nueva solucin BF de la derecha:
Pgina 57 de 137
El propsito del paso 3 es convertir el sistema de ecuaciones en una forma ms conveniente (la
forma adecuada de eliminacin gaussiana) para llevar a cabo la prueba de optimalidad y la
siguiente iteracin (si es necesario) con la nueva solucin BF. En el proceso, esta forma
tambin identificar los valores de 3 y 5 de la nueva solucin.
Se escribir de nuevo el sistema de ecuaciones completo, con las nuevas variables bsicas en
negritas (Z es la variable bsica en la ecuacin de la funcin objetivo):
Entonces, 2 sustituy a 4 como la variable bsica en la ecuacin (2). Para despejar

, 2 , 3 5 , de este sistema de ecuaciones es necesario realizar algunas operaciones
algebraicas elementales para reproducir el patrn actual de coeficientes de 4 (0, 0, 1, 0) como
los nuevos coeficientes de 2 . Se pueden realizar cualquiera de los dos tipos de operaciones
algebraicas elementales:
1. Multiplicar (o dividir) una ecuacin por una constante distinta de cero.
2. Sumar (o restar) un mltiplo de una ecuacin a (o de) otra ecuacin.
Para preparar la ejecucin de estas operaciones, observe que los respectivos coeficientes de
2 en el sistema de ecuaciones anterior son 5, 0, 2 y 2, y se intenta convertirlos en 0, 0, 1 y 0,
respectivamente. Para convertir el coeficiente 2 de la ecuacin (2) en un 1, se usa el primer tipo
de operacin algebraica elemental y se divide esta ecuacin entre 2 para obtener (2) + =
6. 2 1 2 4 Para convertir los coeficientes 5 y 3 en ceros, es necesario usar un segundo tipo
de operacin elemental. En particular, se suma a la ecuacin (0) esta nueva ecuacin (2)
multiplicada por 5, y se resta de la ecuacin (3) esta nueva ecuacin multiplicada por 2. El
nuevo sistema de ecuaciones que resulta es
Pgina 58 de 137
Como 1 = 0 y 4 = 0, las ecuaciones de esta forma llevan de inmediato a la nueva solucin

BF, (1 , 2 , 3 , 4 , 5 ) = (0, 6, 4, 0, 6), de donde se obtiene = 30. Este procedimiento para
obtener la solucin simultnea de un sistema de ecuaciones lineales se llama mtodo de
eliminacin de Gauss-Jordn, o en forma corta eliminacin gaussiana. El concepto clave de
este mtodo es usar las operaciones algebraicas elementales para reducir el sistema de
ecuaciones original a la forma apropiada de eliminacin gaussiana, en donde cada variable
bsica se elimina de todas las ecuaciones menos de una (su ecuacin), en la cual tiene
coeficiente +1.
Prueba de optimalidad de la nueva solucin bsica factible
La ecuacin (0) actual proporciona el valor de la funcin objetivo en trminos nada ms de las
variables no bsicas actuales,
= 30 + 31
2 4
Al aumentar el valor de cualquiera de estas variables no bsicas (con el ajuste de los valores
de las variables bsicas para que cumplan con el sistema de ecuaciones) se realiza una accin
equivalente a trasladarse a una de las dos soluciones BF adyacentes. Como 1 tiene
coeficiente positivo, cuando crece conduce a una solucin BF adyacente que es mejor que la
solucin actual, por lo que sta todava no es ptima.
Iteracin 2 y la solucin ptima que resulta
Como = 30 + 31
5
2
4 , se puede aumentar si aumenta el valor de 1 , pero no el de 4 .
Por lo tanto, el paso 1 elige a 1 como la variable bsica entrante.

En el paso 2, el sistema de ecuaciones actual lleva a las siguientes conclusiones sobre qu
tanto se puede aumentar 1 (con 4 = 0):
Por lo tanto, la prueba del cociente mnimo indica que x5 es la variable bsica que sale.
En el paso 3 se sustituye 1 por 5 como variable bsica, se realizan las operaciones
algebraicas elementales en el sistema de ecuaciones actual para reproducir el patrn de
coeficientes de 5 (0, 0, 0, 1) como los nuevos coeficientes de 1 . De aqu se obtiene el siguiente
nuevo sistema de ecuaciones.
Pgina 59 de 137
Por lo tanto, la siguiente solucin BF es (1 , 2 , 3 , 4 , 5 ) = (2, 6, 2, 0, 0), de donde se obtiene

= 36. Para aplicar la prueba de optimalidad a esta nueva solucin BF, se usa la ecuacin (0)
actual para expresar slo en trminos de las variables no bsicas actuales,
= 36
3
= 5
4 4
Cuando se incrementa 4 o 5 el valor de disminuir, de manera que ninguna solucin BF

adyacente es tan buena como la actual.
En trminos de la forma original del problema (sin variables de holgura), la solucin ptima es
1 = 2, 2 = 6, lo que lleva a = 31 + 52 = 36.
3.2 El mtodo de la Gran M

Suponga que se modifica el problema de la Wyndor Glass Co. de la seccin 3.1, de manera
que se requiere que la planta 3 se use a toda su capacidad. El nico cambio que sufre el
modelo de programacin lineal es que la tercera restriccin, 31 + 22 18, se convierte en
una restriccin de igualdad 31 + 22 = 18, con lo que el modelo completo se convierte en el
que se muestra en la esquina superior derecha de la figura 3.3. Esta figura tambin muestra la
regin factible con tinta ms oscura, y ahora consiste nada ms en el segmento que conecta
los puntos (2, 6) y (4, 3).
Despus de introducir al sistema de ecuaciones las variables de holgura que todava se
necesitan para las restricciones de desigualdad, la forma aumentada del problema se convierte
en:
Pgina 60 de 137
Figura 3.3. Cuando la tercera restriccin

funcional se convierte en igualdad, la regin
factible del problema de la Wyndor Glass Co. Se
convierte en el segmento de recta entre (2,6) y
(4,3)
Cuando la tercera restriccin funcional se convierte en igualdad, la regin factible del problema
de la Wyndor Glass Co. se convierte en el segmento de recta entre (2, 6) y (4, 3).
Desafortunadamente, estas ecuaciones no tienen una solucin BF inicial obvia porque en la
ecuacin (3) ya no se tiene una variable de holgura para usar como variable bsica inicial. Es
necesario encontrar una solucin BF inicial para comenzar con el mtodo simplex.
Este obstculo se vence de la siguiente manera.
Obtencin de una solucin BF inicial.
El procedimiento es construir un problema artificial que tiene la misma solucin ptima que el
problema real, pero se le deben hacer dos modificaciones a este ltimo.
1. Se aplica la tcnica de la variable artificial mediante la introduccin de una
variable artificial no negativa (denotada por 5 ) en la ecuacin (3), como si fuera
una variable de holgura
(3)
31 + 22 + 5 + 18
2. Se asigna una penalizacin enorme al hecho de tener 5 > 0 el castigo
implica cambiar la funcin objetivo = 31 + 52 a:
= 31 + 52 5
Donde M representa en forma simblica un nmero positivo muy grande. (Este mtodo que
fuerza a 5 hasta llegar a 5 = 0 en la solucin ptima se llama mtodo de la gran M.)
Ahora se encuentra la solucin ptima del problema real con la aplicacin del mtodo
simplex al problema artificial; la solucin BF inicial es la siguiente:
Solucin BF inicial
Pgina 61 de 137
Variables no bsicas:
Variables bsicas:
1 = 0,
3 = 4,
2 = 0
4 = 12,
5 = 18
Como asume el papel de la variable de holgura en la tercera restriccin del problema

artificial, esta restriccin es equivalente a 31 + 22 18. A continuacin se muestra el
problema artificial que resulta (antes de aumentarlo) junto con el problema real.
En consecuencia, la regin factible de (1 , 2 ) en el problema artificial es la que se muestra

en la figura 3.4. La nica porcin de esta regin factible que coincide con la del problema
original es cuando 5 = 0 (de manera que 31 + 22 = 18).
La figura 3.3 muestra, adems, el orden en el que el mtodo simplex examina las
soluciones FEV (o las soluciones BF despus de aumentar el problema), donde los
nmeros en los crculos identifican qu iteracin obtuvo esa solucin. Observe que en este
caso, el mtodo simplex se mueve en sentido positivo (contrario al de las manecillas del
reloj) mientras que en el problema original se mova en sentido negativo. La razn de esta
diferencia es el trmino adicional M en la funcin objetivo del problema artificial.
Figura 3.4. Esta grfica muestra la

regin factible y la secuencia de
soluciones FEV (, , , ) que
examina el mtodo simplex para el
problema artificial que corresponde al
problema real de la figura 10.
Pgina 62 de 137
Antes de aplicar el mtodo simplex y comprobar que sigue el camino que se muestra en la
figura 3.3 es necesario el siguiente paso de preparacin.
Conversin de la ecuacin (0) a la forma apropiada.
El sistema de ecuaciones despus de aumentar el problema artificial es
Donde las variables bsicas iniciales (3 , 4 , 5 ) se muestran en negritas. Este sistema

todava no est en la forma apropiada de eliminacin de Gauss porque el coeficiente de es
diferente de cero en la ecuacin (0). Recuerde que todas las variables bsicas deben
eliminarse de la ecuacin (0) con operaciones algebraicas antes de que el mtodo simplex
aplique la prueba de optimalidad o encuentre la variable bsica entrante. Esta eliminacin
es necesaria para que el negativo del coeficiente de cada variable no bsica proporcione la
tasa a la que aumenta si esa variable no bsica se incrementa a un valor mayor que 0 y
se ajustan los valores de las variables bsicas.
Para eliminar algebraicamente 5 de la ecuacin (0), se resta de esta ecuacin (0) la
ecuacin (3) multiplicada por M.
Aplicacin del mtodo simplex.

Esta nueva ecuacin (0) presenta a slo en trminos de las variables no bsicas (1 , 2 ),
= 18 + (3 + 3) 1 + (2 + 5) 2
Como 3 + 3 > 2 + 5 (recuerde que M representa un nmero muy grande), si se
aumenta 1 , crece a una tasa ms rpida que al aumentar 2 de manera que se elige 1
como la variable bsica entrante. Esto causa un movimiento de (0, 0) a (4, 0) en la iteracin
1, como se muestra en la figura 13, y se incrementa en 4(3 + 3).
Pgina 63 de 137
Las cantidades que incluyen el valor M nunca aparecen en el sistema de ecuaciones en

otro rengln que no sea el (0), por lo que slo tienen que tomarse en cuenta en la prueba
de optimalidad y en el momento de determinar la variable bsica entrante. Una manera de
manejar estas cantidades es asignar a M algn valor numrico (muy grande) y trabajar con
las cantidades que resulten en la ecuacin (0) en la forma acostumbrada. Sin embargo,
este enfoque puede acarrear errores de redondeo significativos que a su vez pueden
invalidar la prueba de optimalidad. Por lo tanto, es mejor hacer lo que se acaba de explicar,
esto es, expresar cada coeficiente de la ecuacin (0) como una funcin lineal + de la
cantidad simblica M cuando se registra y actualiza por separado el valor numrico de: 1) el
factor multiplicativo y 2) el trmino aditivo . Como se supone que es tan grande que b
es despreciable comparado con M cuando 0, las decisiones en la prueba de
optimalidad y la eleccin de la variable bsica entrante se hacen slo con los valores de los
factores multiplicativos en la forma usual. La nica excepcin ocurre cuando hay un empate
que se rompe cuando se utilizan los factores aditivos.
En la tabla 3.5 se muestra la tabla simplex que resulta al aplicar esta tcnica al ejemplo.
Observe que la variable artificial es una variable bsica (5 > 0) en las dos primeras tablas
simplex y no bsica (5 = 0) en las ltimas dos. En consecuencia, las dos primeras
soluciones BF de este problema artificial son no factibles para el problema real mientras
que las dos ltimas son soluciones BF para el problema real.
Tabla 3.2. Concepto completo de tablas simplex del problema de la figura 3.4..
Este ejemplo incluy slo una restriccin de igualdad. Si un modelo de programacin lineal
tiene ms, cada una debe manejarse de la misma manera. (Si el lado derecho es negativo,
primero se multiplican ambos lados por 1.)
Pgina 64 de 137
Ejemplo adicional.
Diseo de terapia de radiacin
Acaban de diagnosticar que Mary padece cncer en una etapa bastante avanzada.
Especficamente, tiene un tumor grande en el rea de la vejiga, una lesin que afecta a toda la
vejiga.
Mary recibir los cuidados mdicos ms avanzados disponibles, para proporcionarle la mejor
posibilidad de supervivencia. Estos cuidados incluyen una terapia de radiacin extensa.
La terapia implica el uso de una mquina de rayos externos que enva radiacin ionizante a
travs del cuerpo de la paciente y daa tanto los tejidos cancerosos como los sanos. Es normal
que se administren los rayos con precisin desde diferentes ngulos en un plano de dos
dimensiones. Debido a la atenuacin, cada rayo descarga ms radiacin sobre el tejido
cercano al punto de entrada que sobre el cercano al punto de salida. La dispersin tambin
provoca que parte de la radiacin se descargue sobre tejidos que estn fuera de la trayectoria
directa del rayo. Debido a que las clulas del tumor casi siempre se encuentran diseminadas
entre clulas sanas, la dosis de radiacin a travs de la regin del tumor debe ser suficiente
para matar las clulas malignas que son un poco ms sensibles a ella, pero suficientemente
pequea para no matar a las clulas sanas.
Al mismo tiempo, la dosis acumulada que reciben los tejidos crticos no debe exceder los
niveles de tolerancia establecidos, con el objeto de prevenir complicaciones que puedan
resultar ms serias que la enfermedad misma. La dosis completa que recibe el cuerpo sano
debe minimizarse.
Debido a la necesidad de balancear con cuidado todos estos factores, el diseo de la terapia
de radiacin es un proceso muy delicado. La meta principal de este diseo es elegir la
combinacin de rayos que se utilizar y la intensidad de cada uno para generar la mejor
distribucin posible de la dosis. (La fuerza de la dosis en cualquier punto del cuerpo se mide en
unidades llamadas kilorads). Una vez diseado el tratamiento, se administra en muchas
sesiones durante varias semanas.
Figura: 3.4
En el caso de Mary, el tamao y la localizacin del tumor hacen que el diseo

de su tratamiento sea un proceso ms delicado que lo usual. La figura 3.4
muestra un diagrama de un corte transversal del tumor visto desde arriba, al
igual que los tejidos cercanos crticos que deben evitarse. Estos tejidos
incluyen rganos vitales por ejemplo, el recto y estructura sea el
fmur y la pelvis que atenuarn la radiacin. Adems, se muestra el punto
de entrada y la direccin de los nicos dos rayos que se pueden usar en este
caso con un grado relativamente moderado de seguridad. (El ejemplo se ha
simplificado en este punto, pero en la realidad se consideran docenas de
rayos posibles.)
En el caso de cualquier rayo propuesto de una cierta intensidad, el anlisis
para determinar cul sera la absorcin de radiacin resultante por distintas
Pgina 65 de 137
partes del cuerpo requiere desarrollar un difcil proceso. En resumen, con base en un anlisis
anatmico cuidadoso, la distribucin de energa dentro de un corte transversal de dos
dimensiones se puede graficar en un mapa de isodosis en el que las curvas representan la
fuerza de la dosis como un porcentaje de la fuerza de sta en el punto de entrada. Despus, se
coloca una red fina sobre dicho mapa. Si se suma la radiacin absorbida en los cuadros que
contienen cada tipo de tejido, se puede calcular la dosis promedio que absorbe el tumor, los
tejidos sanos y los tejidos crticos. La absorcin de la radiacin es aditiva cuando se administra
ms de un rayo (en forma secuencial).
Despus de un anlisis exhaustivo, el equipo mdico estim con detalle los datos necesarios
para el diseo del tratamiento de Mary, cuyo resumen se presenta en la tabla 6. La primera
columna presenta una lista de las reas del cuerpo que deben considerarse y las dos
siguientes proporcionan la fraccin de la dosis de radiacin de cada rayo en el punto de
entrada que se absorbe en promedio en las reas respectivas. Por ejemplo, si el nivel de la
dosis en el punto de entrada del rayo 1 es 1 kilorad, se absorbern 0.4 kilorad en toda la
anatoma sana en el plano de dos dimensiones, un promedio de 0.3 kilorad en los tejidos
crticos cercanos, un promedio de 0.5 kilorad en las distintas partes del tumor y 0.6 kilorad en el
centro del tumor. La ltima columna presenta las restricciones sobre la dosis total de ambos
rayos que se absorbe en promedio en las diferentes partes del cuerpo. En particular, la
absorcin promedio de la dosis por la anatoma sana debe ser tan pequea como sea posible,
los tejidos crticos no deben exceder 2.7 kilorads, el promedio sobre todo el tumor debe ser
igual a 6 kilorads y en el centro del tumor debe ser por lo menos de 6 kilorads.
Tabla 3.3. Datos para el diseo del tratamiento de radiacin de Mary.
rea
Fraccin de la dosis de entrada absorbida

por rea (promedio)
Restriccin sobre la
dosis, promedio
total, kilorads
Rayo 1
Rayo 2
Anatoma sana
0.4
0.5
Minimizar
Tejido critico
0.3
0.1
2.7
Regin del tumor
0.5
0.5
= 6
Centro del tumor
0.6
0.4
= 6
Formulacin como un problema de programacin lineal.

Las dos variables de decisin 1 y 2 representan la dosis (en kilorads) en el punto de entrada
de los rayos 1 y 2, respectivamente. Como debe minimizarse la dosis total que llega a la
anatoma sana, se definir como a esta cantidad. En este punto se pueden usar los datos de
la tabla 3.3 para formular el siguiente modelo de programacin lineal.
Pgina 66 de 137
= 0.41 + 0.52 ,
0.31 + 0.12 2.7

0.51 + 0.52 = 6
0.61 + 0.42 6
1 0, 2 0.
Observe las diferencias entre este modelo y el que se present en la seccin 3.1 para la
Wyndor Glass Co. Este ltimo involucraba , y todas las restricciones funcionales
tenan la forma . El nuevo modelo incorpora otras tres formas legtimas descritas en la seccin
3.2; a saber: , restricciones funcionales de la forma = , y restricciones funcionales
de la forma .
Sin embargo, ambos modelos tienen slo dos variables, de manera que este nuevo problema
tambin se puede resolver por el mtodo grfico que se ilustr en la seccin 3.1. La figura 16
muestra la solucin grfica. La regin factible consiste nada ms en el segmento entre los
puntos (6, 6) y (7.5, 4.5), ya que los puntos en este segmento son los nicos que satisfacen
todas las restricciones al mismo tiempo. (Observe que la restriccin de igualdad limita la regin
factible a la recta que contiene este segmento y las otras restricciones funcionales determinan
los puntos extremos del segmento.) La lnea punteada representa la funcin objetivo que pasa
por la solucin ptima (1 , 2 ) = (7.5, 4.5) con = 5.25. Esta solucin es ptima y no (6, 6)
porque (para valores positivos de Z) empuja la funcin objetivo hacia el origen
( = 0). Y = 5.25 para (7.5, 4.5) es menor que = 5.4 para (6, 6).
En consecuencia, el diseo ptimo implica utilizar una dosis total en el punto de entrada de 7.5
kilorads para el rayo 1 y 4.5 kilorads para el rayo 2.
Pgina 67 de 137
Figura 16. Solucin

grfica del diseo de la
terapia de radiacin
Solucin del ejemplo de terapia de radiacin

El ejemplo est casi listo para que se le aplique el mtodo simplex. Si se usa la forma de
maximizacin que se acaba de obtener, el sistema de ecuaciones completo es
(0)
(1)
(2)
(3)
= 0
+ 0.41 + 0.52
+
+
0.31 + 0.12 +
= 2.7
0.51 + 0.52
+
=6
= 6.
0.61 + 0.42
+ 5 +
Las variables bsicas (3 , ,

4 )
6 de la solucin BF inicial (para este problema artificial) se
muestran en negritas.
Observe que este sistema de ecuaciones todava no est en la forma apropiada de eliminacin
gaussiana para iniciar el mtodo simplex, puesto que todava deben eliminarse las variables
bsicas
4 y
6 de la ecuacin (0) de manera algebraica.
Como
4 y
6 tienen coeficiente M se tienen que restar de la ecuacin (0), las ecuaciones (2)
y (3), ambas multiplicadas por M. A continuacin se resumen los clculos de todos los
coeficientes (y los lados derechos), en donde los vectores son los renglones relevantes de la
tabla simplex correspondiente al sistema de ecuaciones anterior.
Rengln 0:
_
[0.4,
_[0.5,
_[0.6,
0.5,
0.5,
0.4,
Pgina 68 de 137
0,
0,
0,
,
1,
0,
0,
0,
1,
,
0,
1,
0]
6]
6]
________________________________________________________________________
Nuevo rengln
0 = [1.1 + 0.4, 0.9 + 0.5,
0,
0,
,
0, 12]
La tabla simplex inicial que resulta, lista para comenzar el mtodo simplex, se muestra en la
tabla 7. Al aplicar el mtodo smplex en la forma acostumbrada se obtiene la secuencia de
tablas smplex que aparecen en el resto de la tabla 4.12. En cuanto a la prueba de optimalidad
y la eleccin de la variable bsica entrante en cada iteracin, las cantidades que incluyen M se
tratan tal como se explic para la tabla 4.11. En particular, siempre que M est presente, slo
se usa su factor multiplicativo a menos que haya un empate, en cuyo caso el empate se rompe
con los trminos aditivos correspondientes. Un empate de este tipo ocurre en la ltima
seleccin de la variable bsica entrante (vea la penltima tabla smplex) en donde los
5
coeficientes de 3 y 5 en el rengln 0 tienen el mismo factor multiplicativo de 3 . Cuando se
comparan los trminos aditivos,
11
6
< 3 , se selecciona 5 como la variable bsica entrante.
Tabla 7. El mtodo de la gran M en el ejemplo de terapia de radiacin.
Observe en la tabla 7 la progresin de valores de las variables artificiales 4 y 6 y de . Se

comienza con valores grandes, 4 = 6 y 6 = 6, con = 12 ( = 12). La primera
iteracin reduce de manera considerable estos valores. El mtodo de la M logra hacer que 6
sea cero (como una nueva variable no bsica) en la segunda iteracin y en la siguiente hace lo
mismo con 4 . Con 4 = 0 y 6 = 0 se garantiza que la solucin bsica que se obtuvo en la
ltima tabla smplex es factible para el problema real. Debido a que cumple con la prueba de
optimalidad, tambin es ptima. Ahora se puede ver lo que el mtodo de la gran M ha hecho en
la grfica de la figura 7. Al iniciar, la regin factible del problema artificial tiene cuatro soluciones
FEV, (0, 0), (9, 0), (0, 12)y (7.5, 4.5), y despus sustituye las primeras tres con dos soluciones
Pgina 69 de 137
FEV nuevas, (8, 3), (6, 6),despus de que 6 decrece hasta 6 = 0 de manera que 0.61 +
0.42 6 se convierte en una restriccin adicional. (Observe que las tres soluciones FEV
sustituidas, (0, 0), (9, 0) y (0,12), eran, en realidad, soluciones no factibles en los vrtices del
problema real que se present en la figura 4.5.)Si se comienza con el origen como una solucin
FEV inicial conveniente para el problema artificial, el proceso se mueve por la frontera a las
otras tres soluciones FEV, (9, 0), (8, 3) y (7.5, 4.5). La ltima de stas es la primera que
tambin es factible para el problema real. Por coincidencia, esta primera solucin factible
resulta ptima, por lo que no se necesitan ms iteraciones. En el caso de otros problemas con
variables artificiales, puede ser necesario realizar iteraciones adicionales para llegar a una
solucin ptima despus de obtener la primera solucin factible del problema real. (ste fue el
caso del ejemplo resuelto en la tabla 4.11.) De esta forma, puede pensarse que el mtodo de la
gran M tiene dos fases. En la primera fase, todas las variables artificiales se hacen cero (debido
a la penalizacin de M por unidad al ser mayores que cero) con el fin de obtener una solucin
bsica factible inicial para el problema real. En la segunda fase todas las variables artificiales
se mantienen en cero (por esta misma penalizacin), mientras que el mtodo smplex genera
una secuencia de soluciones BF que llevan a la solucin ptima. El mtodo de las dos fases
que se describe a continuacin es un procedimiento directo para realizar estas dos fases sin
siquiera introducir la M de una manera explcita.
Pgina 70 de 137
3.3 Tcnica de la Doble Fase

Problema real:
= 0.4 + 0.5 . 1 2
Sin embargo, el mtodo de la M utiliza la siguiente funcin objetivo (o su equivalente en forma

de maximizacin) en todo el procedimiento:
Mtodo de la M: Minimizar = 0.4 1 + 0.5 2 + + .
Como los dos primeros coeficientes son despreciables comparados con M, el mtodo de las
dos fases puede eliminar la M si se usan las siguientes dos funciones objetivo que definen a
de manera completamente diferente.
Mtodo de las dos fases:
La funcin objetivo de la fase 1 se obtiene si se divide la funcin objetivo del mtodo de la M

entre M y eliminan los trminos despreciables. Como la fase 1 concluye cuando se obtiene una
solucin BF para el problema real (aquella en la que 4 = 0 y 6 = 0), esta solucin se usa
como la solucin BF inicial para aplicar el mtodo simplex al problema real (con su funcin
objetivo) en la fase 2.
Antes de resolver el ejemplo por este mtodo se har un resumen de sus caractersticas
generales.
Resumen del mtodo de las dos fases.
Paso inicial: se revisan las restricciones del problema original y se introducen variables
artificiales segn se necesite para obtener una solucin BF inicial obvia para el problema
artificial.
Fase 1: el objetivo de esta fase es encontrar una solucin BF para el problema real. Para
hacerlo, se debe,
= , .
La solucin ptima que se obtiene para este problema (con = 0) ser una solucin BF para
el problema real.
Fase 2: el objetivo de esta fase es encontrar una solucin ptima para el problema real. Como
las variables artificiales no son parte del problema real, ahora se pueden eliminar (de cualquier
manera todas tienen valor de cero). Se comienza con la solucin BF obtenida al final de la fase
1 y se usa el mtodo simplex para resolver el problema real. A continuacin se resumen los
problemas que deben resolverse por el mtodo simplex en las fases respectivas del ejemplo.
Pgina 71 de 137
Problema de la fase 1
Minimizar
= 4 + 6
Sujeta a :
1 0, 2 0, 3 0, 4 0, 5 0, 6 0,
Problema de la fase 2
= 0.4 1 + 0.5 2
Sujeta a
y
1 0, 2 0, 3 0, 4 0, 5 0
Las nicas diferencias entre estos dos problemas se encuentran en la funcin objetivo y en la
inclusin (fase 1) o exclusin (fase 2) de las variables artificiales 4 6 . Sin las variables
artificiales, el problema de la fase 2 no tiene una solucin BF inicial obvia. El nico propsito de
resolver el problema de la fase 1 es obtener una solucin BF con 4 = 0 y 6 = 0 que se
pueda usar como la solucin BF inicial para la fase 2.
La tabla 5 muestra el resultado de aplicar el mtodo simplex a este problema en la fase 1. [El
rengln 0 de la tabla simplex inicial se obtiene al convertir = 4 + 6 en
( ) = 4 6 y despus usar operaciones elementales con renglones para
Pgina 72 de 137
eliminar las variables bsicas 4 6 de + 4 + 6 = 0.] En la penltima tabla simplex

existe un empate en la variable bsica entrante entre 3 5 , que se rompe de manera arbitraria
a favor de 3 . La solucin que se obtiene al final de la fase 1 es, entonces, (1 , 2 , 3 , 4 , 5 , 6 )
= (6, 6, 0.3, 0, 0, 0) o despus de eliminar 4 6 (1 , 2 , 3 , 4 , 5 ) = (6, 6, 0.3, 0).
Tabla 5. Fase 1 de mtodo de la doble fase
Segn se afirm en el resumen, esta solucin de la fase 1 es, sin duda, una solucin BF para el
problema real (problema de la fase 2) puesto que es la solucin (despus de hacer x5 = 0) del
sistema de ecuaciones que consiste en las tres restricciones funcionales del problema de la
fase 2. De hecho, despus de eliminar las columnas de 4 6 al igual que el rengln 0 en cada
iteracin, la tabla 5 muestra una manera de utilizar la eliminacin gaussiana para resolver este
sistema de ecuaciones mediante su reduccin a la forma que tiene en la tabla simplex final.
La tabla 6 muestra la preparacin para iniciar la fase 2 despus de completar la fase 1. Se
comienza con la ltima tabla simplex de la tabla 4, se eliminan las variables artificiales (4 6 ),
se
sustituye
la
funcin
objetivo
de
la
fase
2
( = 0.41 0.52 ) en el rengln 0 y despus se restablece
la forma apropiada de eliminacin gaussiana (con la eliminacin algebraica de las variables
bsicas 1 2 del rengln 0). De esta forma, el rengln 0 de la tabla simplex se obtiene
mediante las siguientes operaciones elementales con renglones en la penltima tabla simplex:
se restan del rengln 0, el rengln 1 multiplicado por 0.4 y el rengln 3 multiplicado por 0.5.
Observe que los renglones 1 y 3 no cambian excepto por la eliminacin de las dos columnas.
Los nicos ajustes ocurren en el rengln 0 a fin de sustituir la funcin objetivo de la fase 1 por
la funcin objetivo de la fase 2.
Pgina 73 de 137
La ltima tabla simplex en la tabla 6 es la tabla simplex inicial para aplicar el mtodo simplex al
problema de la fase 2, como se muestra al inicio de la tabla 6. Una sola iteracin conduce a la
solucin ptima que se muestra en la segunda tabla simplex: (1 , 2 , 3 , 5 ) = (7.5, 4.5, 0, 0.3).
Esta solucin es la solucin ptima deseada del problema real que interesa ms que el
problema artificial construido en la fase 1.
Ahora observe lo que el mtodo de las dos fases ha hecho en la grfica de la figura 12. A partir
del origen, la fase 1 examina un total de cuatro soluciones FEV para el problema artificial. En
realidad, las primeras tres eran soluciones no factibles en los vrtices para el problema real. La
cuarta solucin FEV, en (6,6), es la primera que tambin es factible para el problema real, de
manera que se convierte en la solucin FEV inicial de la fase 2. Despus de una iteracin se
obtiene la solucin FEV ptima en (7.5, 4.5).
Tabla 6. Preparacin para la fase 2
Tabla 7. Fase 2 del mtodo de las dos fases
Pgina 74 de 137
Figura 14. La grfica muestra la secuencia de soluciones FEV de la fase 1 ( , , , ) y despus de

la fase 2 (0, 1) cuando se aplica el mtodo de las dos fases.
Si el empate en la variable bsica entrante que surgi en la penltima tabla simplex de la tabla
4.13 se hubiera roto de otra manera, entonces la fase 1 habra ido directamente de (8, 3) a (7.5,
4.5). Despus de utilizar (7.5, 4.5) para establecer la tabla simplex inicial de la fase 2, la prueba
de optimalidad habra revelado que esta solucin era ptima y no se habra realizado ninguna
iteracin.
Resulta interesante comparar los mtodos de la gran M y de las dos fases. Se comenzar por
sus funciones objetivo.
Mtodo de la gran M:
= 0.41 + 0.52 + 4 + 6
Fase 1:
= 4 + 6
Fase 2:
= 0.41 + 0.52
Dado que los trminos 4 6 dominan a los trminos 0.41 0.52 en la funcin objetivo del
mtodo de la M, esta funcin objetivo es esencialmente equivalente a la de la fase 1 mientras
Pgina 75 de 137
4 y/o 6 sean mayores que cero. Entonces, cuando4 = 0 6 = 0, la funcin objetivo del
mtodo de la M se vuelve completamente equivalente a la funcin objetivo de la fase 2.
Debido a estas equivalencias virtuales de las funciones objetivo, el mtodo de la M y el de dos
fases tienen casi siempre la misma secuencia de soluciones bsicas factibles. La nica
excepcin posible ocurre cuando existe un empate en la variable bsica entrante en la fase 1
del mtodo de las dos fases, como sucedi en la tercera tabla simplex de la tabla 4. Observe
que las primeras tres tablas simplex de las tablas 3 y 4 son casi idnticas, pues la nica
diferencia es que los factores multiplicativos de M de la tabla 3 se convierten en cantidades
nicas en los puntos correspondientes de la tabla 4. En consecuencia, no se contaba con los
factores aditivos que rompieron el empate de la variable bsica entrante en la tercera tabla
simplex de la tabla 3 para romper este mismo empate en la tabla 4. El resultado en este
ejemplo fue una iteracin adicional en el mtodo de las dos fases, aunque, en general, la
ventaja de contar con los factores aditivos es mnima. El mtodo de las dos fases sigue los
pasos del mtodo de la gran M, pero en la fase 1 utiliza slo los factores multiplicativos,
mientras que en la fase 2 elimina las variables artificiales. (El mtodo de la gran M puede
combinar los factores multiplicativos y aditivos y asignar un valor muy grande a M,
procedimiento que podra crear problemas con la inestabilidad numrica.) Por estas razones es
comn que cuando se trate de paquetes de computadora se utilice el mtodo de las dos fases.
Mtodo de las dos fases (Ejemplo de terapia de radiacin)
En el ejemplo de terapia de radiacin que se acaba de resolver en la tabla 4.12, recuerde que
la funcin objetivo real es:
:
= 0.41 + 0.52 .
Sin embargo, el mtodo de la gran M utiliza la siguiente funcin objetivo (o su equivalente en

forma de maximizacin) en todo el procedimiento:
:
= 0.41 + 0.52 +
.
4 +
6
Como los dos primeros coeficientes son despreciables comparados con M, el mtodo de las
dos fases puede eliminar la M si se usan las siguientes dos funciones objetivo que definen a Z
de manera completamente diferente.

1:
2:
=
4 +
6
(hasta
4 = 0,
6 = 0).
= 0.41 + 0.52 (con
4 = 0,
6 = 0).
La funcin objetivo de la fase 1 se obtiene si se divide la funcin objetivo del mtodo de la gran
M entre M y eliminan los trminos despreciables. Como la fase 1 concluye cuando se obtiene
una solucin BF para el problema real (aquella en la que
4 = 0 y 6 = 0), esta solucin se
usa como la solucin BF inicial para aplicar el mtodo smplex al problema real (con su funcin
objetivo) en la fase 2.
Antes de resolver el ejemplo por este mtodo se har un resumen de sus caractersticas
generales.
Pgina 76 de 137
Resumen del mtodo de las dos fases. Paso inicial: se revisan las restricciones del problema
original y se introducen variables artificiales segn se necesite para obtener una solucin BF
inicial obvia para el problema artificial.
Fase 1: El objetivo de esta fase es encontrar una solucin BF para el problema real.
Para hacerlo, se debe:
= ,
La solucin ptima que se obtiene para este problema (con Z 5 0) ser una solucin BF para el
problema real.
Fase 2: El objetivo de esta fase es encontrar una solucin ptima para el problema real. Como
las variables artificiales no son parte del problema real, ahora se pueden eliminar (de cualquier
manera todas tienen valor de cero). Se comienza con la solucin BF que se obtuvo al final de la
fase 1 y se usa el mtodo smplex para resolver el problema real.
A continuacin se resumen los problemas que deben resolverse por el mtodo smplex en las
fases respectivas del ejemplo.
Problema de la fase 1 (ejemplo de terapia de radiacin):
=
4 + ,
6
Sujeta a:
0.31 + 0.12 + 3
= 2.7
0.51 + 0.52
+
4
=6
0.61 + 0.42
5 +
6 = 6
y
1 0 ,
2 0,
3 0,
4 0,
5 0,
6 0.
Problema de la fase 2 (ejemplo de terapia de radiacin):

=
4 +
6,
sujeta a
0.31 + 0.12 + 3
0.51 + 0.52
0.61 + 0.42
= 2.7
= 6
5 = 6
1 0 ,
3 0,
y
2 0,
5 0.
Las nicas diferencias entre estos dos problemas se encuentran en la funcin objetivo y en la
inclusin (fase 1) o exclusin (fase 2) de las variables artificiales
4 y .
6 Sin las variables
artificiales, el problema de la fase 2 no tiene una solucin BF inicial obvia. El nico propsito de
resolver el problema de la fase 1 es obtener una solucin BF con
4 = 0 y
6 = 0 que se pueda
usar como la solucin BF inicial para la fase 2.
Pgina 77 de 137
La tabla 4.13 muestra el resultado de aplicar el mtodo smplex a este problema en la fase 1.
[El rengln 0 de la tabla smplex inicial se obtiene al convertir =
4 +
6 en
() =
4
6 y despus usar operaciones elementales con renglones para
eliminar las variables bsicas
4 y
6 de +
4 +
6 = 0.]
En la penltima tabla smplex existe un empate en la variable bsica entrante entre 3 y 5 , que
se rompe de manera arbitraria a favor de3 . La solucin que se obtiene al final de la fase 1 es,
entonces, (1 , 2 , 3 , ,
4 5 , )
6 = (6, 6, 0.3, 0, 0, 0) o despus
de eliminar
4 y ,
6 (1 , 2 , 3 , 5 ) =(6, 6, 0.3, 0).
Segn se afirm en el resumen, esta solucin de la fase 1 es, sin duda, una solucin BF para el
problema real (problema de la fase 2) puesto que es la solucin (despus de hacer 5 = 0) del
sistema de ecuaciones que consiste en las tres restricciones funcionales del problema de la
fase 2.
De hecho, despus de eliminar las columnas de x_4 y x_6 al igual que el rengln 0 en cada
iteracin, la tabla 4.13 muestra una manera de utilizar la eliminacin gaussiana para resolver
este sistema de ecuaciones mediante su reduccin a la forma que tiene en la tabla smplex
final.
La tabla 4.14 muestra la preparacin para iniciar la fase 2 despus de completar la fase 1. Se
comienza con la ltima tabla smplex de la tabla 4.13, se eliminan las variables artificiales
(
4 ),
6 se sustituye la funcin objetivo de la fase 2 ( = 0.41 0.52 en la forma de
maximizacin) en el rengln 0 y despus se restablece la forma apropiada de eliminacin
gaussiana (con la eliminacin algebraica de las variables bsicas 1 2 del rengln 0). De esta
forma, el rengln 0 de la tabla smplex se obtiene mediante las siguientes operaciones
elementales con renglones en la penltima tabla smplex: se restan del rengln 0, el rengln 1
multiplicado por 0.4 y el rengln 3 multiplicado por 0.5. Observe que los renglones 1 y 3 no
cambian excepto por la eliminacin de las dos columnas. Los nicos ajustes ocurren en el
rengln 0 a fi n de sustituir la funcin objetivo
de la fase 1 por la funcin objetivo de la fase 2.
La ltima tabla smplex de la tabla 4.14 es la tabla smplex inicial para aplicar el mtodo
smplex al problema de la fase 2, como se muestra al inicio de la tabla 4.15. Una sola iteracin
conduce a la solucin ptima que se muestra en la segunda tabla smplex: (1 , 2 , 3 , 5 ) =
(7.5, 4.5, 0, 0.3).
sta es la solucin ptima deseada del problema real que interesa ms que el problema
artificial que se construy en la fase 1.
Pgina 78 de 137
Pgina 79 de 137
Ahora observe lo que el mtodo de las dos fases ha hecho grficamente en la figura 4.7. A
partir del origen, la fase 1 examina un total de cuatro soluciones FEV para el problema artificial.
En realidad, las primeras tres eran soluciones no factibles en los vrtices para el problema real
que se present en la figura 4.5. La cuarta solucin FEV, en (6,6), es la primera que tambin es
factible para el problema real, de manera que se convierte en la solucin FEV inicial de la fase
2. Despus de una iteracin se obtiene la solucin FEV ptima en (7.5, 4.5).
Si el empate en la variable bsica entrante que surgi en la penltima tabla smplex de la tabla
4.13 se hubiera roto de otra manera, la fase 1 habra ido directamente de (8, 3) a (7.5, 4.5).
Despus de utilizar (7.5, 4.5) para establecer la tabla smplex inicial de la fase 2, la prueba de
optimalidad habra revelado que esta solucin era ptima y no se habra realizado ninguna
iteracin.
Pgina 80 de 137
Resulta interesante comparar los mtodos de la gran M y de las dos fases. Se comenzar por
sus funciones objetivos.
Mtodo de la gran M:
= 0.41 + 0.52 _ +
.
4 +
6
Pgina 81 de 137

1:
=
4 + .
6
2:
= 0.41 + 0.52 .
Dado que los trminos
4 y
6 dominan a los trminos 0.41 y 0.52 en la funcin objetivo
del mtodo de la gran M, esta funcin objetivo es esencialmente equivalente a la de la fase 1
siempre que
4 y/o
6 sean mayores que cero. Entonces, cuando
4 = 0 y
6 = 0, la funcin
objetivo del mtodo de la gran M se vuelve completamente equivalente a la funcin objetivo de
la fase 2.
Debido a estas equivalencias virtuales de las funciones objetivo, el mtodo de la gran M y
el de dos fases tienen casi siempre la misma secuencia de soluciones bsicas factibles. La
nica excepcin posible ocurre cuando existe un empate en la variable bsica entrante en la
fase 1 del mtodo de las dos fases, como sucedi en la tercera tabla smplex de la tabla 4.13.
Observe que las primeras tres tablas smplex de las tablas 4.12 y 4.13 son casi idnticas, pues
la nica diferencia es que los factores multiplicativos de M de la tabla 4.12 se convierten en
cantidades nicas en los puntos correspondientes de la tabla 4.13. En consecuencia, no se
contaba con los factores aditivos que rompieron el empate de la variable bsica entrante en la
tercera tabla smplex de la tabla 4.12 para romper este mismo empate en la tabla 4.13. El
resultado en este ejemplo fue una iteracin adicional en el mtodo de las dos fases, aunque, en
general, la ventaja de contar con los factores aditivos es mnima.
El mtodo de las dos fases sigue los pasos del mtodo de la gran M, pero en la fase 1 utiliza
slo los factores multiplicativos, mientras que en la fase 2 elimina las variables artificiales. (El
mtodo de la gran M puede combinar los factores multiplicativos y aditivos y asignar un valor
muy grande a M, procedimiento que podra crear problemas con la inestabilidad numrica.) Por
estas razones es comn que cuando se trate de paquetes de computadora se utilice el mtodo
de las dos fases.
Pgina 82 de 137
Ejercicios para metodo de la Gran M.
3.4 Casos especiales

Sin soluciones factibles
Hasta aqu, esta seccin se ha ocupado ms que nada del problema elemental de identificar la
solucin BF inicial cuando no se dispone de una obvia. Se ha visto que se puede utilizar la
tcnica de variables artificiales para construir un problema artificial y obtener una solucin BF
inicial para este problema artificial. El mtodo de la M o el de dos fases permiten al mtodo
simplex comenzar su recorrido hacia las soluciones BF y por ltimo hacia la solucin ptima del
problema real.
No obstante, se debe estar consciente de que se puede presentar un obstculo. Es posible que
no exista una eleccin obvia para la solucin BF inicial por la poderosa razn de que no
existan soluciones factibles! Cuando se construye una solucin factible artificial, no hay nada
que impida al mtodo simplex proceder como siempre e incluso informar que encontr una
supuesta solucin ptima.
Por fortuna, la tcnica de las variables artificiales proporciona algunas seales que indican que
esto ha ocurrido:
Si el problema original no tiene soluciones factibles, cualquier solucin ptima que se obtenga
con el mtodo de la M o en la fase 1 del mtodo de las dos fases lleva a una solucin final que
contiene al menos una variable artificial mayor que cero. De otra manera, todas son iguales a
cero.
Tabla 7. El mtodo de la Gran M que no tiene soluciones factibles
Para ilustrar lo que decimos, cambie la primera restriccin como sigue:

0.31 + 0.12 2.7 0.31 + 0.12 1.8
Pgina 83 de 137
con lo que el problema ya no tiene soluciones factibles. Si se aplica el mtodo de la M como

antes se obtiene la tabla simplex que se muestra en la tabla 7. (La fase 1 del mtodo de las dos
fases conduce a la misma tabla simplex, excepto que cada expresin que involucra a M se
reemplaza slo por el factor multiplicativo.) Entonces, por lo comn, el mtodo de la M indicara
que la solucin ptima es (3, 9, 0, 0, 0, 0.6). Sin embargo, en este caso, ya que la variable
artificial = 0.66 > 0, el mensaje real es que el problema no tiene soluciones factibles.
Variables que pueden ser negativas
En la mayor parte de los problemas prcticos, los valores negativos de las variables de decisin
tienen un significado fsico, por lo que es necesario incluir las restricciones de no negatividad
en la formulacin de los modelos de programacin lineal. Sin embargo, esto no ocurre siempre.
Como ejemplo, suponga que en el problema de la Wyndor Glass Co. el producto 1 ya est en
produccin y que la primera variable de decisin 1 representa el incremento de la tasa de
produccin. En consecuencia, un valor negativo de 1 indicara que debe reducirse la
fabricacin del producto 1 en esa cantidad. Tal reduccin podra ser deseable para permitir una
tasa de produccin ms alta del nuevo producto 2, ms rentable, con lo que se permitiran
valores negativos de 1 en el modelo. Como el procedimiento para determinar la variable
bsica que sale requiere que todas las variables tengan restriccin de no negatividad, cualquier
problema que contenga variables que puedan adquirir valores negativos debe convertirse en un
problema equivalente que emplee slo variables no negativas antes de aplicar el mtodo
simplex. Por fortuna, se puede hacer esta conversin. La modificacin que requiere cada
variable depende de que tenga o no una cota inferior (negativa) sobre los valores permitidos.
Se presentar cada uno de estos casos. [1]
Ejercicios
Tema: Forma Tabular Mtodo Simplex
Ejercicio 1. En una pastelera se hacen dos tipos de pasteles: Vienesa y Real. Cada pastel
Vienesa necesita un cuarto de relleno por cada Kg. de bizcocho y produce un beneficio de 250
Pesetas, mientras que un pastel Real necesita medio Kg. de relleno por cada Kg. de bizcocho y
produce 400 Ptas. de beneficio. En la pastelera se pueden hacer diariamente hasta 150 Kg. de
bizcocho y 50 Kg. de relleno, aunque por problemas de maquinaria no pueden hacer ms de
125 pasteles de cada tipo. Cuntos pasteles Vienesas y cuntos Reales deben vender al da
para que sea mximo el beneficio?
Ejercicio 2. Se va a organizar una planta de un taller de automviles donde van a trabajar
electricistas y mecnicos. Por necesidades de mercado, es necesario que el nmero de
mecnicos no supere al doble que el de electricistas. En total hay disponible 30 electricistas y
20 mecnicos. El beneficio de la empresa por jornada es de 250 euros por electricista y 200
euros por mecnico. Cuntos trabajadores de cada clase deben elegirse para obtener e;
mximo beneficio y cul es este?
Pgina 84 de 137
Ejercicio 3. Una compaa posee dos minas: la mina A produce cada da 1 tonelada de hierro
de alta calidad, 3 toneladas de calidad media y 5 de baja calidad. La mina B produce cada da 2
toneladas de cada una de las tres calidades. La compaa necesita al menos 80 toneladas de
mineral de alta calidad. 160 toneladas de calidad media y 200 de baja calidad. Sabiendo que el
coste diario de la operacin es de 2000 euros en cada mina Cuntos das debe trabajar cada
mina para que el costo sea mnimo?
Ejercicio 4. Un autobs Guadalajara-Culiacn ofrece lugares para fumadores al precio de 1000
pesos y a no fumadores al precio de 600 pesos. Al no fumador se le deja llevar 50 kg. de peso
y al fumador 20 Kg. Si el autobs tiene 90 lugares y admite un equipaje de hasta 3,000 Kg.
Cul ha de ser la oferta de lugares de la compaa para cada tipo de pasajeros, con la
finalidad de optimizar el beneficio?
Ejercicio 5. Un herrero con 80 Kg. de acero y 120 Kg. de aluminio quiere hacer bicicletas de
paseo y de montaa que quiere vender, respectivamente a 20.000 y 15.000 Bolvares cada una
[para sacar el mayor beneficio. Para la de paseo empleara 1 kg. De acero y 3 Kg. de aluminio,
y para la de montaa 2 kg. de ambos metales. Cuntas bicicletas de paseo y montaa
vender?
Ejercicio 6. A una persona le tocan 10 millones de pesos en una lotera y le aconsejan que las
invierta en dos tipos de acciones, A y B. Las de tipo A tienen ms riesgo pero producen un
beneficio del 10 %. Las de tipo B son ms seguras, pero producen slo el 7% anual. Despus
de varias deliberaciones decide invertir como mximo 6 millones en la compra de acciones A y
por lo menos, 2 millones en la compra de acciones B. Adems, decide que lo invertido en A
sea, por lo menos, igual a lo invertido en B. Cmo deber invertir 10 millones para que le
beneficio anual sea mximo?
Tema: Mtodo de Penalizacin (Gran M) y Tcnica de la Doble Fase
Ejercicio 1.
Max f(x, y)=2x+8y
Sujeto a:
x 0
y 0
2x + 4y8
2x 5y0
-x + 5y5
Pgina 85 de 137
Ejercicio 2.
Max Z = 6x1 - 2 x2 + 3 x3
Sujeto a:
2 x1 x2 + 2 x3 2
x1 +
4 x3 4
x1, x2, x3 0
Ejercicio 3. Una empresa que fabrica electrodomsticos est pensando abrir una
nueva factora para producir 3 modelos de lavadora: modelo de gama alta, media y
baja. Tiene dos posibles ubicaciones: 1 y 2. La inversin necesaria para construir la
fbrica en la ubicacin 1 es de 2000000 unidades monetarias y de 1750000 unidades
monetarias en la ubicacin 2. Los costes unitarios de produccin son 15, 13 y 10
unidades monetarias, respectivamente para gama alta, media y baja, en la ubicacin 1
y 16, 12 y 9 unidades monetarias, respectivamente, en la ubicacin 2.
De la gama alta se han de producir al menos 75000 unidades anuales, 100000 de la
media y 200000 de la baja.
a) Si slo se va a construir una factora, modelizar el problema con el objetivo de
minimizar costos.
b) Si se incluye la posibilidad de construir las dos factoras (ubicacin 1 y 2),
modelizar el problema con el objetivo de minimizar costes considerando,
adems, las siguientes restricciones:
En caso de producirse lavadoras de gama baja en la ubicacin 1 se recibir una
subvencin de 1000000 unidades monetarias.
La gama alta se producir nicamente en una de las dos ubicaciones.
Ejercicio 4. La empresa qumica SIGMA S.A. manufactura dos productos que se
venden como materia prima a compaas que fabrican jabones para bao, detergentes
y otros productos. Con base en un anlisis de los niveles actuales de inventario y de la
demanda potencial para el siguiente mes, los administradores de la empresa han
especificado que la produccin total combinada de los productos 1 y 2 debe ser de
cuando menos de 350 galones.
Por otro lado, se debe satisfacer tambin un pedido para un cliente importante por 125
galones del producto 1. Sabemos que el producto 1 requiere de 2 horas de tiempo de
procesamiento por galn, en tanto que el producto 2 requiere de 1 hora de
Pgina 86 de 137
procesamiento por galn y existen disponibles 600 horas de tiempo de procesamiento

para el siguiente mes.
Sigma desea satisfacer las condiciones anteriores en un costo de produccin mnimo.
Los costos de produccin son de $2.00 por galn del producto 1 y de $3.00 por galn
del producto 2.
Ejercicio 5. La empresa ANCE S.A de C.V.; produce una lnea de artculos de Peltre
para uso casero; la cual consta de 4 productos. El sistema de manufactura se divide en
5 etapas: Cortado, troquelado, esmaltado, acabado y empacado. A continuacin se
presenta la informacin relevante, tanto del sistema productivo como del producto.
Informacin sobre el sistema productivo (ndice de produccin Unidades/hrs)
Departamento
Producto
Producto
Producto
Producto
1
2
3
4
Corte
25
6
20
10
Troquelado
14
8
20
10
Esmaltado
17
9
33
8
Acabado
20
4
8
Empacado
50
13
50
20
Informacin sobre el producto
Producto
Precio de vta.
($/unidad)
Costo de vta.
($/unidad)
Capacidad
(horas/mes)
400
380
490
450
400
Demanda
mnima
Mensual(unidades
)
Mxima
1
100
50
500
5000
2
300
200
750
6000
3
160
100
650
8000
4
250
150
0
3500
Adems, se debe que en el siguiente mes solo se dispondrn de 1200m2 de lmina
que consumen los productos 1 y 2. El producto 1 requiere 0.50m2 por unidad y el
producto 2 requiere 0.80m2.
Ejercicio 6. Una tienda de autoservicio funciona las 24 horas tiene los siguientes
requerimientos mnimos para los cajeros. El periodo uno sigue inmediatamente
despus del periodo 6. Un cajero trabaja 8hrs consecutivas, empezando al inicio de
uno de los 6 periodos. Determine el nmero requerido de empleados en cada uno de
los periodos.
Periodo
Horas del
da (24
hrs)
Nmero
mnimo
1
3-7
2
7-11
3
11-15
4
15-19
5
19-23
6
23-3
20
14
20
10
Pgina 87 de 137
Ejercicio 7.La empresa olle S.A de C.V, productora de radio porttiles para
intercomunicacin (solamente entre dos personas: transmisora y receptora); va a
promover su nuevo radio con un alcance de 40Km, el cual tiene diversas funciones. El
principal canal de distribucin est enfocado a mayoristas en el rea de comunicacin
industrial, as mismo, la firma est considerando dos alternativas de distribucin: una
cadena de autoservicio y mayorista de equipos martimos. Dichos canales de
distribucin alternativos abren el mercado a personas interesadas en radio
comunicacin como aficin y como enlace entre botes de pesca y su estacin de base.
Debido a la diferencia de costos de comercializacin y de promocin, la utilidad del
producto vara con la alternativa de distribucin seleccionada. Adems, el costo
publicitario y el tiempo el vendedor por unidad son distintos para cada canal de
distribucin. Dado que la compaa solo produce bajo pedido; el nmero de unidades
fabricadas y vendidas es el mismo.
A continuacin se resume la informacin preparada por olle S.A de C.V, con respecto a
la utilidad, costo publicitario y hr/hombre de vendedor por cada unidad vendida. Lo
anterior ha sido estimado con base en experiencias con radios similares.
Canal de
distribucin
Utilidad
unitaria($)
Costo publicitario
($/unidad)
Industrial
Tienda
Martimo
20,000
12,000
18,000
1,800
3,000
1,000
Esfuerzo de
ventas (hrhombre/unidad)
4
6
7
El director general de la empresa; ha establecido que en la estrategia de ventas a

seguir deben venderse por lo menos 100 unidades al canal tienda, 250 al canal
martimo; en el siguiente mes; tambin el gasto publicitario no debe exceder de
$1,000,000. Si la capacidad de produccin se estima en 1000 unidades y las horas
hombre de un vendedor disponibles en el prximo mes son 2,000. Qu estrategia de
ventas debe adoptar la empresa? Es decir, la empresa debe decidir:
a) Cuantas unidades producir por c/canal de distribucin.
b) Cuanto gasto publicitario se debe hacer en c/canal de distribucin.
c) Cuanto esfuerzo de ventas debe dedicarse a c/canal de distribucin.
Pgina 88 de 137
Pgina 89 de 137
UNIDAD 4. DUALIDAD Y ANLISIS DE SENSIBILIDAD

Competencia
Conocer, analizar y aplicar diferentes algoritmos matemticos para realizar un anlisis de
sensibilidad y dualidad.
4.1 Anlisis de sensibilidad y dualidad

Como se describe en las dos secciones siguientes, el anlisis de sensibilidad consiste, en
esencia, en la investigacin del efecto que tiene sobre la solucin ptima el hecho de hacer
cambios en los valores de los parmetros del modelo , , . Sin embargo, al cambiar los
valores de los parmetros en el problema primal se cambian tambin los valores
correspondientes en el problema dual. Por lo tanto, se puede elegir qu problema se va a usar
para investigar cada cambio. En algunos casos es ms conveniente analizar el problema dual
en forma directa con objeto de determinar el efecto complementario sobre el problema primal.
Se comenzar por considerar dos de estos casos.
Cambios en los coeficientes de una variable no bsica
Suponga que los cambios que se hacen en el modelo original ocurren en los coeficientes de
una variable que era no bsica en la solucin ptima original. Cul es el efecto de estos
cambios sobre esta solucin? Todava es factible? Todava es ptima?
Como la variable en cuestin es no bsica (su valor es cero), el cambio en sus coeficientes no
puede afectar la factibilidad de la solucin, por lo cual, la pregunta que queda abierta en este
caso es si todava es ptima. Una pregunta equivalente es si la solucin bsica complementaria
para el problema dual todava es factible despus de hacer estos cambios. Dado que los
cambios afectan al problema dual nada ms en una restriccin, la pregunta se puede responder
de manera sencilla al verificar si esta solucin bsica complementaria satisface la restriccin
revisada.
Introduccin de una nueva variable
Las variables de decisin del modelo suelen representar los niveles de las distintas actividades
en consideracin. En algunas situaciones, estas actividades se seleccionan de entre un grupo
grande de actividades posibles en el que las actividades restantes no se eligieron por parecer
menos atractivas. O quiz estas otras actividades no fueron visibles sino hasta despus de
formular y resolver el modelo original. De cualquier manera, la pregunta en este caso es si se
justifica la inclusin de alguna de estas actividades no consideradas con anterioridad. En otras
palabras, cambiar la solucin ptima original si se agrega cualquiera de estas actividades?
La inclusin de otra actividad equivale a introducir en el modelo una nueva variable, con los
coeficientes apropiados en las restricciones funcionales y en la funcin objetivo. El nico
cambio que resulta en el problema dual es la introduccin de una nueva restriccin.
Pgina 90 de 137
Una vez hechos estos cambios, la solucin ptima original, junto con la nueva variable igual a
cero (no bsica), ser todava ptima para el problema primal? Igual que en el caso anterior,
una pregunta equivalente es si la solucin bsica complementaria todava es factible para el
problema dual, e igual que antes, esta pregunta se puede contestar con slo verificar si esta
solucin bsica complementaria satisface una restriccin que en este caso se trata de la nueva
restriccin del problema dual.
Con propsitos de ilustracin, suponga que en el problema de la Wyndor Glass Co. se planea
incluir en la lnea de produccin un tercer producto nuevo. Si representa la tasa de
produccin de este artculo, el modelo revisado que resulta es:
= 31 + 52 + 4
sujeta a
y
1 0, 2 0, 0.
Despus de introducir las variables de holgura, la solucin ptima original para este problema
sin era (1 , 2 , 3, 4 , 5 ) = (2, 6, 2, 0, 0). Si se incluye = 0, la solucin todava
es ptima?
Para responder esta pregunta se verifica la solucin bsica complementaria para el problema
dual. Como lo indica la propiedad de soluciones bsicas ptimas complementarias, esta
solucin est dada en el rengln 0 de la tabla simplex final para el problema primal.
Como esta solucin era ptima para el problema dual original, sin duda satisface las
restricciones duales originales. Pero, satisface la nueva restriccin dual?
21 + 3 2 + 3 4
Al sustituir esta solucin se ve que
3
2 (0) + 3 ( ) + (1) 4
2
Pgina 91 de 137
Se satisface, por lo que esta solucin dual an es factible (es decir, ptima). En consecuencia,
la solucin primal original (2, 6, 2, 0, 0) junto con = 0, todava es ptima, y se concluye
que no debe incluirse este nuevo producto en la produccin.
Este enfoque tambin hace que sea muy sencillo llevar a cabo un anlisis de sensibilidad sobre
los coeficientes de la nueva variable agregada al problema original. Con slo verificar la nueva
restriccin dual se puede saber cunto pueden cambiar los valores de estos parmetros antes
de que afecten la factibilidad de la solucin dual y la optimalidad de la solucin primal.
4.2 Teora de la dualidad

Dada nuestra forma estndar para el problema primal, presenta a la izquierda (quiz despus
de hacer la conversin de una a otra forma), su problema dual tiene la forma que se muestra a
la derecha.
En consecuencia, con el problema primal en la forma de maximizacin, el problema dual est

en la forma de minimizacin. An ms, el problema dual usa exactamente los mismos
parmetros que el problema primal, pero en diferentes lugares, tal como se resume a
continuacin.
1. Los coeficientes de la funcin objetivo del problema primal son los lados derechos de las
restricciones funcionales del problema dual.

2. Los lados derechos de las restricciones funcionales del problema primal son los
coeficientes de la funcin objetivo del problema dual.

3. Los coeficientes de una variable de las restricciones funcionales del problema primal son
los coeficientes de una restriccin funcional del problema dual.

Para recalcar esta comparacin, observe ahora estos mismos problemas en la notacin
matricial donde y = [1 , 2 , , ] son vectores rengln, pero y son vectores columna.
Pgina 92 de 137
A manera de ilustracin, en la tabla 8 se muestran los problemas primal y dual del ejemplo de
la Wyndor Glass Co., tanto en forma algebraica como matricial.
La tabla primal-dual para programacin lineal (tabla 9) ayuda tambin a subrayar la
correspondencia entre los dos problemas. Muestra todos los parmetros de programacin lineal
(las , ) y cmo se usan para construir los dos problemas. En el caso del problema
primal, cada columna (excepto la de los lados derechos) proporciona los coeficientes de una
sola variable de las respectivas restricciones y de la funcin objetivo, mientras que cada
rengln (excepto el ltimo) da los parmetros de una restriccin. En el problema dual, cada
rengln (excepto el rengln de los lados derechos) da los coeficientes de una variable de las
restricciones respectivas y de la funcin objetivo, mientras que cada columna (excepto la de la
derecha) proporciona los parmetros de una restriccin. Adems, la columna de los lados
derechos da los lados derechos del problema primal y los coeficientes de la funcin objetivo del
problema dual, mientras que el ltimo rengln proporciona los coeficientes de la funcin
objetivo del problema primal y los lados derechos del problema dual.
En consecuencia, ahora se tienen las siguientes relaciones generales entre los problemas
primal y dual.
1. Los parmetros de una restriccin (funcional) en cualquier problema son los
coeficientes de una variable en el otro.
2. Los coeficientes de la funcin objetivo en un problema son los valores del lado derecho
en el otro.
Pgina 93 de 137
Tabla 8. Problemas primal y dual del ejemplo de la Wyndor Glass Co.
Tabla 9. Tabla primal-dual para la programacin lineal ilustrada por el ejemplo de la Wyndor Glass Co.
Pgina 94 de 137
4.3 El mtodo dual-simplex

Recuerde tambin que la idea fundamental conduca a las siguientes relaciones entre las
cantidades y los parmetros del modelo original:
Tabla 9. Correspondencia entre los elementos de los problemas primal y dual
Tabla 10. Notacin de los elementos del rengln 0 en la tabla simplex
Pgina 95 de 137
Para ilustrar estas relaciones con el ejemplo de la Wyndor Glass Co., la primera ecuacin
resulta = 41 + 122 + 183 , que es justo la funcin objetivo del problema dual que se
presenta en la esquina superior derecha de la tabla 8. El segundo conjunto de ecuaciones
resulta 1 = 1 = 33 y 2 = 22 + 23 , que son los lados izquierdos de las restricciones
funcionales de este problema dual. As, si se restan los lados derechos de estas restricciones
tipo entonces (1 = 3 2 = 5), (1 1 ) y 2 2 ) se pueden interpretar como las variables
de supervit de estas restricciones funcionales.
La clave ahora es expresar lo que el mtodo simplex trata de lograr (de acuerdo con la prueba
de optimalidad) en trminos de estos smbolos. En particular, busca un conjunto de variables
bsicas y la solucin BF correspondiente, tal que todos los coeficientes del rengln 0 sean no
negativos. Despus se detiene con esta solucin ptima. Con la notacin de la tabla 10, esto se
expresa simblicamente de la siguiente forma:
Condicin de optimalidad:
Despus de sustituir la expresin anterior de , la condicin de optimalidad dice que el mtodo

simplex se puede interpretar como la bsqueda de los valores de 1 , 2 , , tales que
Pero, excepto por la falta de un objetivo para la funcin W, este problema es precisamente el
problema dual. Para completar la formulacin, se explorar cul debe ser ese objetivo perdido.
Pgina 96 de 137
Como W es sencillamente el valor de Z, y como el objetivo del problema primal es maximizar Z,

una reaccin natural sera que W tambin se maximizara. Sin embargo, esto no es correcto
debido a una razn bastante sutil: las nicas soluciones factibles para este nuevo problema son
aquellas que satisfacen la condicin de optimalidad para el problema primal. Por lo tanto, slo
la solucin ptima para el problema primal corresponde a la solucin factible de este nuevo
problema. En consecuencia, el valor ptimo de Z en el problema primal es el valor mnimo
factible de W en el nuevo problema, de manera que W debe minimizarse. Si se agrega este
objetivo de minimizar W, se obtiene el problema dual completo.
En consecuencia, el problema dual se puede ver como otra forma de establecer, en trminos
de programacin lineal, la meta del mtodo simplex, que es alcanzar una solucin para el
problema primal que cumpla con la prueba de optimalidad. Antes de alcanzar esta meta, la y
correspondiente del rengln 0 (los coeficientes de las variables de holgura) de la tabla simplex
final debe ser no factible para el problema dual. Sin embargo, despus de lograr la meta, la y
correspondiente debe ser una solucin ptima (indicada por y*) del problema dual, puesto que
se trata de una solucin factible que adquiere el valor factible ms pequeo de W. Esta
solucin ptima (1 , 2 , , ) proporciona los precios sombra del problema primal que se
describieron en la seccin 4.7. An ms, esta W ptima no es otra cosa que el valor ptimo de
Z, de manera que los valores de la funcin objetivo son iguales en los dos problemas. Este
hecho tambin significa que para cualesquiera x y y factibles de los problemas primal
y dual, respectivamente.
Como ilustracin, en el lado izquierdo de la tabla 11 se muestra el rengln 0 de las iteraciones
respectivas cuando se aplica el mtodo simplex al ejemplo de la Wyndor Glass Co. En cada
caso, se dividi el rengln 0 en tres partes: los coeficientes de las variables originales (1 , 2 ),
los coeficientes de las variables de holgura (3 , 4 , 5 ), el lado derecho (valor de Z). Como los
coeficientes de las variables de holgura proporcionan los valores que corresponden a las
variables duales 1 , 2 , 3 ), cada rengln 0 identifica una solucin correspondiente para el
problema dual, como se muestra en las columnas de 1 , 2 , y 3 de la tabla 11. Para interpretar
las dos columnas siguientes, recuerde que (1 1 y (2 2 ) son las variables de supervit de
las restricciones funcionales del problema dual, de modo que el problema dual completo
despus de aumentar estas variables de supervit es
Minimizar
= 41 + 122 + 183
sujeta a
y
1 0, 2 0, 3 0.
Pgina 97 de 137
Entonces, si se usan los nmeros de las columnas de1 , 2 3 los valores de estas variables
de supervit se pueden calcular como
De esta forma, un valor negativo de cualquier variable de supervit indica que se viola la
restriccin correspondiente. En la columna de la derecha tambin se incluye el valor calculado
de la funcin objetivo dual = 41 + 122 + 183 .
Como se mostr en la tabla 10, todas estas cantidades de la derecha del rengln 0 se
identifican en este rengln sin necesidad de hacer nuevos clculos. En particular, observe en la
tabla 11 cmo cada nmero obtenido para el problema dual ya aparece en el rengln 0 en la
posicin indicada de la tabla 10. En el caso del rengln 0 inicial, en la tabla 6.5 se muestra que
la solucin dual correspondiente, (1 , 2 , 3 ) = (0, 0, 0), es no factible, puesto que las dos
variables de supervit son negativas. La primera iteracin logra eliminar uno de estos dos
valores negativos, pero no el otro. Despus de dos iteraciones se satisface la prueba de
optimalidad del problema primal debido a que todas las variables duales y las de supervit son
1
2
no negativas. Esta solucin dual (1 , 2 , , 3 ) = (0, , 1) es ptima (como puede

verificarse si se aplica el mtodo simplex de manera directa al problema dual), por lo cual el
valor ptimo de Z y de es = 36 = .
Tabla 11. Valores respectivos de los renglones 0 y sus soluciones duales correspondientes del ejemplo
de la Wyndor Glass Co.
Resumen de las relaciones primal-dual

A continuacin se presenta un resumen de las importantes relaciones entre los problemas
primal y dual que se acaban de descubrir.
Propiedad de dualidad dbil: Si x es una solucin factible para el problema primal y
es una solucin factible para el problema dual, entonces
.
Por ejemplo, en el problema de la Wyndor Glass Co., una solucin factible es 1 = 3, 2 = 3,
lo que conduce a = = 24, y una solucin factible del problema dual es 1 = 1, 2 = 1,
3 = 2, que resulta en un valor ms grande de la funcin objetivo = = 52. stos son
Pgina 98 de 137
slo ejemplos de las soluciones factibles para los dos problemas. Para cualquier par de
soluciones factibles, esta desigualdad debe cumplirse debido a que el valor factible mximo de
= (36) es igual al valor factible mnimo de la funcin objetivo dual = , que es la
siguiente propiedad.
Propiedad de dualidad fuerte: Si x* es una solucin ptima para el problema primal y
y* es una solucin ptima para el problema dual, entonces
cx* = y* b.
As, estas dos propiedades implican que cx < yb para soluciones factibles si una o ambas son
no ptimas para sus problemas respectivos, mientras que la igualdad se cumple cuando ambas
son ptimas.
La propiedad de dualidad dbil describe la relacin entre cualquier par de soluciones de los
problemas primal y dual en donde las dos soluciones son factibles para sus problemas
respectivos. En cada iteracin, el mtodo simplex encuentra un par especfico de soluciones
para los dos problemas, donde la solucin del problema primal es factible pero la del dual es no
factible (excepto en la ltima iteracin). La siguiente propiedad describe esta situacin y la
relacin entre este par de soluciones.
Propiedad de soluciones complementarias: En cada iteracin, el mtodo simplex
identifica de manera simultnea una solucin FEV, , para el problema primal y una
solucin complementaria, y, para el problema dual (que se encuentra en el rengln 0,
como los coeficientes de las variables de holgura), donde
= .
Si no es ptima para el problema primal, entonces y no es factible para el problema dual.
Para ilustrar esta propiedad, despus de una iteracin en el problema de la Wyndor Glass Co.,
1 = 0, 2 = 6 y 1 = 0, 2 =
5
2
, 3 = 0, con = 30 = . Esta es factible para el
problema primal, pero y es no factible para el dual (puesto que viola la restriccin, 1 + 33
3.
La propiedad de soluciones complementarias tambin se cumple en la iteracin final del
mtodo simplex, donde se encuentra una solucin ptima para el problema primal. Sin
embargo, se puede decir ms sobre la solucin complementaria y en este caso, como se
presenta en la siguiente propiedad.
Propiedad de soluciones complementarias ptimas: Al final de cada iteracin, el
mtodo simplex identifica de manera simultnea una solucin ptima x* para el
problema primal y una solucin ptima complementaria y* para el problema dual (que se
encuentra en el rengln 0 como los coeficientes de las variables de holgura), donde
cx* = y* b.
Pgina 99 de 137
Los valores de son los precios sombra para el problema primal.

En el ejemplo, de la iteracin final se obtiene 1 = 2,2 = 6, y 1 = 0, 2 =
5
2
, 3 = 1, con
cx* = 36 = y*b.
Propiedad de simetra: En el caso de cualquier problema primal y su problema dual,
las relaciones entre ellos deben ser simtricas debido a que el dual de este problema
dual es este problema primal.
En consecuencia, todas las propiedades anteriores se cumplen sin importar a cul de los dos
problemas se le llame problema primal. (La direccin de la desigualdad de la propiedad de
dualidad dbil requiere que el problema primal se exprese o re exprese en la forma de
maximizacin y el problema dual en la forma de minimizacin.) Por lo tanto, el mtodo simplex
se puede aplicar a cualquiera de los dos problemas e identificar al mismo tiempo las
soluciones complementarias (y en ltima instancia una solucin complementaria ptima) para el
otro problema.
Hasta este punto se han estudiado las relaciones entre las soluciones factibles u ptimas para
el problema primal y las soluciones correspondientes para el problema dual. Sin embargo, es
posible que el problema primal (o el dual) no tenga soluciones factibles o bien tenga soluciones
factibles pero no una solucin ptima (debido a que la funcin objetivo no est acotada). La
ltima propiedad resume las relaciones primal-dual de todas estas posibilidades.
Teorema de la dualidad: Las siguientes son las nicas relaciones posibles entre los
problemas primal y dual.
1. Si un problema tiene soluciones factibles y una funcin objetivo acotada (y, por ende,
una solucin ptima), entonces ocurre lo mismo con el otro problema, de manera que se
aplican tanto la propiedad de dualidad dbil como la fuerte.
2. Si uno de los problemas tiene soluciones factibles y una funcin objetivo no acotada (es
decir, no tiene solucin ptima), entonces el otro problema no tiene soluciones factibles.
3. Si un problema no tiene soluciones factibles, entonces el otro problema no tiene
soluciones factibles o bien la funcin objetivo es no acotada.
El mtodo simplex dual se basa en la teora de la dualidad presentada en la primera parte del
captulo 6. Para explicar la idea bsica de este mtodo, para describir un par de soluciones
bsicas complementarias de los problemas primal y dual. En particular, recuerde que se dice
que ambas soluciones son factibles primales si la solucin bsica primal es factible, y se llaman
factibles duales si la solucin bsica dual complementaria es factible para el problema dual.
Recuerde tambin que cada solucin bsica complementaria es ptima para su problema slo
si es factible primal y factible dual.
Se puede considerar que el mtodo simplex dual es la imagen de espejo del mtodo simplex.
ste trata directamente con soluciones bsicas del problema primal que son factibles primales
pero no factibles duales. Despus se mueve hacia la solucin ptima con el objetivo de lograr
la factibilidad dual la prueba de optimalidad del mtodo simplex. Por el contrario, el mtodo
simplex dual maneja soluciones bsicas del problema dual que son factibles duales pero no
Pgina 100 de 137
factibles primales. Despus se mueve hacia la solucin ptima con la meta de alcanzar la
factibilidad primal.
An ms, el mtodo simplex dual trata un problema como si se aplicara el mtodo simplex a su
problema dual de manera simultnea. Si sus soluciones bsicas iniciales se hacen
complementarias, los dos mtodos se mueven en una secuencia completa y obtienen
soluciones bsicas complementarias en cada iteracin.
El mtodo simplex dual es muy til en algunas situaciones especiales. Lo normal es que sea
ms fcil encontrar una solucin inicial bsica que sea factible que una factible dual, aunque en
ocasiones es necesario introducir muchas variables artificiales para construir una solucin
inicial BF de manera artificial. En esos casos sera ms sencillo comenzar con una solucin
bsica factible dual y aplicar el mtodo simplex dual. Incluso, puede ser que se requiera menos
iteraciones cuando no se tiene que convertir en cero el valor de tantas variables artificiales.
Cuando se aborda un problema cuyas soluciones iniciales bsicas sin variables artificiales
no son factibles primales ni factibles duales, tambin es posible combinar las ideas de los
mtodos simplex y dual simplex en un algoritmo primal-dual que trata de alcanzar la factibilidad
tanto primal como dual.
Otra aplicacin primordial del mtodo simplex dual es su asociacin con el anlisis de
sensibilidad. Suponga que se tiene una solucin ptima por el mtodo simplex, pero que es
necesario o de inters para el anlisis de sensibilidad introducir cambios menores en el
modelo. Si la solucin bsica ptima que se tena ya no es factible primal pero todava
satisface la prueba de optimalidad, se puede aplicar de inmediato el mtodo simplex dual a
partir de esta solucin bsica factible dual. Por lo general, mediante la aplicacin del mtodo
simplex dual se llega a la nueva solucin ptima mucho ms rpido que si se resuelve el nuevo
problema desde el principio con el mtodo simplex.
El mtodo simplex dual tambin puede ser til para resolver problemas grandes de
programacin lineal desde el principio debido a la eficiencia del algoritmo. La experiencia
computacional reciente con las ltimas versiones de CPLEX indica que el mtodo simplex dual
suele ser ms eficiente que el mtodo simplex para resolver problemas particularmente
grandes que se encuentran en la prctica. Las reglas del mtodo simplex dual son muy
parecidas a las del mtodo simplex. En realidad, una vez que los mtodos se inician, la nica
diferencia entre ellos es el criterio para elegir las variables bsicas que entran y salen y la regla
para detener el algoritmo. Para poner en marcha el mtodo simplex dual si se trata de un
problema de maximizacin, todos los coeficientes de la ecuacin (0) deben ser no negativos
de manera que la solucin bsica es factible dual. Las soluciones bsicas sern no
factibles excepto la ltima slo porque algunas variables son negativas. El mtodo hace
que el valor de la funcin objetivo disminuya de manera continua, y conserve siempre
coeficientes no negativos en la ecuacin (0), hasta que todas las variables sean no negativas.
En este momento la solucin bsica es factible satisface todas las ecuaciones y, por lo
tanto, es ptima segn el criterio del mtodo simplex de coeficientes no negativos de la
ecuacin (0).
A continuacin se resumen los detalles del mtodo simplex dual.
Pgina 101 de 137
Resumen del mtodo simplex dual

1. Paso inicial: Despus de convertir cualquier restriccin funcional de la forma a la
forma mediante la multiplicacin de ambos lados por 1, se introducen las

variables de holgura necesarias para construir un conjunto de ecuaciones que describan
el problema. Encuentre una solucin bsica tal que los coeficientes de la ecuacin (0)
sean ceros para las variables bsicas y no negativos para las variables no bsicas de
manera que la solucin es ptima si es factible. El mtodo contina en la prueba de
factibilidad.
2. Prueba de factibilidad: Se verifica si todas las variables bsicas son no negativas. Si es
as, esta solucin es factible y, por lo tanto, ptima, y el algoritmo se detiene. De otra
manera, es necesario realizar una iteracin.
3. Iteracin:
Paso 1 Se determina la variable bsica que sale: Mediante la seleccin de la variable
bsica negativa que tenga el mayor valor absoluto.
Paso 2 Se determina la variable bsica entrante: Se selecciona aquella cuyo coeficiente
en la ecuacin (0) llegue primero a cero al agregar a la ecuacin (0) un mltiplo
creciente de la ecuacin que contiene a la variable bsica que sale. Para llevar a cabo
esta eleccin se examinan las variables no bsicas con coeficientes negativos de esa
ecuacin la que contiene la variable bsica que sale y se elige la que tiene el menor
valor absoluto del cociente dado por el coeficiente de la ecuacin (0) entre el coeficiente
de esa ecuacin.
Paso 3 Se determina la nueva solucin bsica a partir del conjunto actual de ecuaciones
y se despejan las variables bsicas en trminos de las no bsicas, mediante el mtodo
de eliminacin gaussiana. Cuando las variables no bsicas se hacen cero, cada variable
bsica (y Z) es igual al nuevo valor del lado derecho de la ecuacin en la que aparece
(con coeficiente +1). Se repite la prueba de factibilidad.
Para comprender bien el mtodo simplex dual se debe entender que hace lo mismo que hara
el mtodo simplex si se aplicara a las soluciones bsicas complementarias del problema dual
en realidad, sta fue la motivacin para construirlo as. El paso 1 de una iteracin, que
determina la variable bsica que sale, es equivalente a determinar la variable bsica entrante
en el problema dual. La variable negativa con el valor absoluto ms grande corresponde al
coeficiente negativo con el mayor valor absoluto de la ecuacin (0) del problema dual (vea la
tabla 6.3). El paso 2, que determina la variable bsica entrante, es equivalente a determinar la
variable bsica que sale en el problema dual. El coeficiente de la ecuacin (0) que llega primero
a cero corresponde a la primera variable que se hace cero en el problema dual. Tambin los
dos criterios para detener el algoritmo son complementarios.
4.4 Anlisis de sensibilidad

Pgina 102 de 137
El trabajo del equipo de investigacin de operaciones apenas comienza una vez que se aplica
con xito el mtodo simplex para identificar una solucin ptima para el modelo. Un supuesto
de programacin lineal es que todos los parmetros del modelo (aij, bi, y cj) son constantes
conocidas. En realidad, los valores de los parmetros que se usan en el modelo casi siempre
son slo estimaciones basadas en una prediccin de las condiciones futuras. Con frecuencia,
los datos obtenidos para desarrollar estas estimaciones son bastante burdos o no existen, as
que los parmetros de la formulacin original pueden representar poco ms que algunas reglas
rpidas proporcionadas por el personal de lnea al que tal vez presionaron para dar su opinin.
Los datos pueden incluso representar estimaciones optimistas o pesimistas que protegen los
intereses de los estimadores.
En consecuencia, un administrador razonable y el personal de investigacin de operaciones
deben mantener cierto escepticismo saludable respecto de los nmeros originales que les
proporciona la computadora y, en muchos casos, los tomarn nada ms como un punto de
partida para el anlisis posterior del problema. Una solucin ptima lo es slo en lo que se
refiere al modelo especfico que se usa para representar el problema real, y esa solucin no se
convierte en una gua confiable para la accin hasta verificar que su comportamiento es bueno
tambin para otras representaciones razonables del problema. An ms, algunas veces los
parmetros del modelo (en particular las bi) se establecen como resultado de decisiones
basadas en polticas administrativas (por ejemplo, la cantidad de ciertos recursos que se ponen
a disposicin de las actividades), y estas decisiones deben revisarse despus de detectar sus
consecuencias potenciales.
Por estas razones es importante llevar a cabo un anlisis de sensibilidad, para investigar el
efecto que tendra sobre la solucin ptima proporcionada por el mtodo simplex el hecho de
que los parmetros tomen otros valores posibles. En general, habr algunos parmetros a los
que se les pueda asignar cualquier valor razonable sin que afecten la optimalidad de esta
solucin. Sin embargo, tambin habr parmetros con valores probables que lleven a una
nueva solucin ptima. Esta situacin es seria, en particular, si la solucin original adquiere
valores muy inferiores en la funcin objetivo, o tal vez no factibles.
Por lo tanto, un objetivo fundamental del anlisis de sensibilidad es identificar los parmetros
sensibles (es decir, los parmetros cuyos valores no pueden cambiar sin que cambie la
solucin ptima). En el caso de ciertos parmetros que no estn clasificados como sensibles,
tambin puede resultar de gran utilidad determinar el intervalo de valores del parmetro para el
que la solucin ptima no cambia. (Este intervalo de valores se conoce como intervalo
permisible para permanecer ptimo.) En algunos casos, el cambio del valor de un parmetro
puede afectar la factibilidad de la solucin BF ptima. Para manejar tales parmetros, es til
determinar el intervalo de valores para el que la solucin BF ptima (con los valores ajustados
de las variables bsicas) seguir siendo factible. (Este intervalo recibe el nombre de intervalo
permisible para permanecer factible.) En la siguiente seccin se describirn los procedimientos
especficos para obtener este tipo de informacin.
Tal informacin es invaluable en dos sentidos. Primero, identifica los parmetros ms
importantes, con lo que se puede tener un cuidado especial para hacer estimaciones cercanas
y seleccionar una solucin que tenga un buen desempeo para la mayora de los valores
Pgina 103 de 137
posibles. Segundo, identifica los parmetros que ser necesario controlar muy de cerca cuando
el estudio se implante. Si se descubre que el valor real de un parmetro est fuera de su
intervalo de valores permisibles, sta es una seal incontrastable de que es necesario cambiar
la solucin.
Para problemas pequeos, la verificacin del efecto de una variedad de cambios en los valores
de los parmetros es directa con slo aplicar de nuevo el mtodo simplex para ver si cambia la
solucin ptima. Esto es en especial conveniente cuando se usa una formulacin en hoja de
clculo. Una vez que el Solver se ha preparado para obtener una solucin ptima, slo se
hacen los cambios deseados y se elige el botn de resolver otra vez.
Sin embargo, en problemas ms grandes como los que se encuentran en la prctica, el anlisis
de sensibilidad requerira de un esfuerzo computacional exorbitante si fuera necesario volver a
aplicar el mtodo simplex desde el principio para investigar cada cambio en el valor de un
parmetro. En esencia, la idea fundamental revela de inmediato la forma en que los cambios al
modelo original alteraran los nmeros de la tabla simplex final (si se supone que se duplica la
misma secuencia de operaciones algebraicas que realiz el mtodo simplex la primera vez).
Por lo tanto, despus de hacer unos cuantos clculos para actualizar esta tabla simplex, se
puede verificar con facilidad si la solucin BF ptima original ahora es no ptima (o no factible).
Si es as, esta solucin se usar como solucin bsica inicial para comenzar de nuevo el
simplex (o el simplex dual) y encontrar una nueva solucin ptima, si se desea. Si los cambios
en el modelo no son muy grandes, slo se requerirn unas cuantas iteraciones para obtener la
nueva solucin ptima a partir de esta solucin bsica inicial avanzada.
Para describir este procedimiento con ms detalle, considere la siguiente situacin. Se ha
empleado el mtodo simplex para obtener una solucin ptima para un modelo de
programacin lineal con valores especficos de los parmetros bi, cj, y aij) Para iniciar el
anlisis de sensibilidad se cambian uno o ms parmetros. Despus de hacer los cambios,
sean , , y los valores de los distintos parmetros. Entonces, en notacin matricial,
b b, c c, A A
para el modelo revisado.
El primer paso es actualizar la tabla simplex final para que refleje estos cambios. En particular,
se desea encontrar la tabla simplex final revisada que resultara si se repitieran de manera
exacta las mismas operaciones algebraicas que condujeron desde la tabla simplex inicial a la
final (inclusive los mismos mltiplos de renglones sumados o restados a los otros renglones).
(Esto no es por necesidad lo mismo que reaplicar el mtodo simplex porque los cambios en la
tabla inicial podran ocasionar que el mtodo simplex cambie algunas de las operaciones
algebraicas utilizadas.) Para la idea fundamental [(1) t* = t + y*T y (2) T* = S*T], se ve que la
tabla simplex final revisada se calcula a partir de y* y S* ((que no han cambiado) y la nueva
tabla simplex inicial, como se muestra en la tabla 12. Observe que y* y S* juntas son los
coeficientes de las variables de holgura de la tabla simplex final, donde el vector y* (las
variables duales) es igual a estos coeficientes del rengln 0 y la matriz S* proporciona estos
coeficientes en los otros renglones de la tabla. Entonces, slo con usar y*, S*, y los nmeros
revisados en la tabla inicial, la tabla 12 revela la forma en que los nmeros revisados en el
Pgina 104 de 137
resto de la tabla final se calculan de inmediato sin tener que repetir ninguna operacin
algebraica.
Tabla 12. Tabla simplex final revisada que resulta de los cambios introducidos al modelo original
Ejercicios
Tema: Relacin Primal Dual
Ejercicio 1. Convertir a su forma dual.

= 3 1 + 2 2
Sujeto a:
3 1 + 22 30
1 + 2 2 20
1 , 2 0
Ejercicio 2. . Convertir a su forma dual.

= 6 1 + 7 2
Sujeto a:
1 + 2 2
51 + 2 4
1 , 2 0

= 15 1 + 12 2
Pgina 105 de 137
Sujeto a:
1 + 22 3
21 + 42 5
1 , 2 0

= 50 1 + 60 2
Sujeto a:
21 + 32 180
31 + 22 150
1 , 2 0
Ejercicio 5. La National Bisnes Machine (NBM) produce y vende dos tipos de mquinas de
escribir: manual y elctrica. Cada mquina de escribir manual es vendida con un ingreso de
$40 y cada mquina de escribir elctrica produce un ingreso de $60, ambas maquinas tienen
que ser procesadas (ensambladas y empacadas) a travs de dos operaciones diferentes O1 y
O2. La NBM tiene las siguientes capacidades mensuales: 2000hrs O1 y 1000hrs O2.
El nmero de hrs. de operacin 1 y 2 requeridas para producir un modelo terminado se da en la
siguiente tabla:
hrs. mquina
manual
Operacin
hrs. mquina
elctrica
hr.
O1
2000
O2
1000
Ejercicio 6.
= 21 + 2
Sujeto a:
1 + 2 1
1 + 2 3
1 + 22 4
1 , 2 0
Pgina 106 de 137
Ejercicio 7.
= 1 2
Sujeto a:
21 +
1 +
2 4
2 1
1 + 22 3
1 , 2 0
Ejercicio 8.
= 41 + 22 3
Sujeto a:
41 + 22
1
2 + 2 3 = 8
1 , 2 03
Ejercicio 9. Considere el problema siguiente de programacin lineal:

= 41 + 2
Sujeto a:
31 + 22 6
61 + 3 2 10
1 , 2 0
Suponga que al resolver el problema encuentra que el rengln 0 de la tabla optima es +

22 + 2 = 20/3, mediante el teorema del dual demuestre que los clculos deben ser
incorrectos.
Tema: Interpretacin Econmica del Dual
Ejercicio 1. Ejemplifique la interpretacin Econmica del dual

Pgina 107 de 137
Ejercicio 2. Defina y ejemplifique.

Problema primal.
Problema dual.
Precio sombra.
Cambio en Bi de las Restricciones
Resuelva utilizando el anlisis de sensibilidad
Ejercicio 1.
Max Z = 3x1 + 2x2
Sujeto a:
2x1 + x2 100
x1 + x2 80
x1
40
x1, x2 0
Ejercicio 2. La empresa ESR se dedica a la fabricacin de tres productos; A, B y C. El

Procedimiento de produccin involucra tres operaciones: formacin, acabado e Inspeccin. El
departamento de ingeniera industrial, ha establecido los siguientes estndares de produccin
en cada operacin.
Datos de produccin para la compaa (minutos por producto).

Producto
Formacin
Produccin
Acabado
El departamento de contabilidad por su parte, pronostica los siguientes costos e

Pgina 108 de 137
Ingresos para la compaa.
Datos de costo e ingreso para la compaa

Producto
costo
de costo
produccin
materiales
de costo total
precio de venta
18.00
12.00
30
50
50.00
15.00
65
100
25.00
20.00
45
90
Se desea saber el nmero de cada tipo de producto que debern producirse de tal manera que
se optimice el beneficio por las 8 horas de trabajo del da.
Considerando la informacin, se plante el modelo de programacin lineal:
1. Modele el problema para tener un plan que pueda maximizar las utilidades de la empresa.
2. Presente la tabla final y el anlisis de sensibilidad para el problema modelado, ambos
calculados en la computadora.
3. Encuentre la solucin ptima del problema modelado.
4. Qu pasara si se programaran 20 minutos extras en el departamento de inspeccin?
5. En cunto se incrementara la utilidad ptima actual si se programan 50 minutos en el
departamento de formado?
Ejercicio 6. Qu pasara con la solucin ptima actual si se programaran 30 minutos de
mantenimiento en el departamento de acabado?
7. Si se logran reducir los costos de produccin en el producto B en un 25%,
Cmo se afecta la base actual y el objetivo?
Ejercicio 3. Una empresa fabrica dos tipos de alfombras del mismo ancho, afelpadas y para
interior- exterior. Ambos tipos tienen una gran demanda por lo que la empresa puede vender
cualquier cantidad que fabrique.
Los dos tipos de alfombra pasan primero por el departamento de teido y luego por tejido.
Teido tiene disponible 320 horas semanales mientras que tejido tiene disponible 400 horas
semanales para fabricar las alfombras afelpadas y 160 para las alfombras de interior-exterior.
Pgina 109 de 137
Actualmente se fabrican seis modelos, cuatro del tipo afelpado y dos del tipo interior-exterior
con los siguientes tiempos y mrgenes de utilidad:
Departamento
Modelos de alfombras (horas/metro)

1
Teido
0.5
1.2
0.8
0.5
0.5
Tejido Afelpadas
0.7
1.2
0.5
60
70
70
100
200
300
Tejido Interior -Exterior

Unidad Marginal ($/m)
a. Modele el problema para tener un programa de produccin que pueda maximizar las
utilidades de la empresa.
b. Presente la tabla final y el anlisis de sensibilidad para el problema modelado, ambos
calculados en la computadora.
c. Encuentre la solucin ptima del problema modelado.
d. Interprete la solucin ptima especificando cuntas horas de capacidad no utilizada existe
en el departamento de teido, en el tejido de alfombras afelpadas y en el tejido de alfombras
para interior-exterior?
e. Si un cliente importante pide 50 metros del modelo 2 cul es el efecto que tiene hacer esta
produccin?
f. Si el personal de tejido para interior-exterior trabajara una hora extra qu provocara este
cambio?
g. Si al personal de teido se le dejara tiempo extra cuntas horas extras pueden trabajar sin
cambiar el precio sombra para el departamento de teido.
h. Si el personal de alfombras para interior-exterior trabajara 60 horas extras con un pago
adicional de $50/hora qu efecto tiene este cambio en la solucin ptima y en el valor de la
funcin objetivo?
i. Qu precio se estara dispuesto a pagar por una hora adicional en el departamento de
teido?
j. Cunto tendra que aumentar el margen de utilidad del modelo 5 para que apareciera en la
solucin ptima del problema?
k. Cunto podra cambiar el margen de utilidad del modelo 1 antes de que se afectara la
solucin ptima?
Pgina 110 de 137
l. Si nos vemos obligados a fabricar un metro ms del modelo 6 cul sera la solucin ptima
para el problema?
m. Si hubiera horas adicionales sin costo extra para el departamento de tejido para afelpadas,
cuntas horas recomendara utilizar para maximizar las utilidades sin afectar la mezcla actual
de produccin?
Pgina 111 de 137
UNIDAD 5. PROBLEMAS DE TRANSPORTE Y ASIGNACIN

Competencia
Conocer, comprender y aplicar las tcnicas y metodologa de la Investigacin de Operaciones
para la solucin de problemas de campo de Ingeniera Industrial mediante el planteamiento de
modelos de transporte y asignacin, con responsabilidad, disciplina y trabajo de equipo.
5.1 Planteamientos de transporte y asignacin

Dos tipos particularmente importantes (y relacionados) de problemas de programacin lineal,
son el problema de transporte y el problema de asignacin.
El problema de transporte recibe este nombre debido a que muchas de sus aplicaciones
involucran determinar la manera ptima de transportar bienes. Sin embargo, algunas de
aplicaciones importantes (como la programacin de la produccin), de hecho no tienen nada
que ver con el transporte.
El segundo tipo, llamado problema de asignacin, incluye aplicaciones tales como asignar
personas a tareas. Aunque sus aplicaciones parecen diferir del problema de transporte, se ver
que este problema es un caso especial del problema de transporte.
El Problema de la Asignacin es un problema clsico de la Investigacin 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 slo un recurso, pueden sobrar recursos o
podran 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 operacin en cuatro mquinas el
modelo nos dira como asignar los tres operarios a tres mquinas (nos sobrara una) de manera
que se minimice el tiempo total, pero no nos dira como asignar dos operarios a dos mquinas y
el otro operario a las otras dos mquinas
Ejemplos de Asignaciones: operarios a tareas, mquinas a operarios, nadadores a estilos, etc.
El Problema de la Asignacin se basa en una informacin comparativa para tomar la decisin
de que asignar a que, por ejemplo una matriz de costos, una matriz de tiempos, de ingresos,
etc. Cuando la matriz no est balanceada, es decir, cuando no es cuadrada, cuando sobran
filas o columnas, se debe balancear para que tenga solucin mediante la inclusin de filas o
columnas ficticias, con valores de cero en dicha matriz.
1. Modelo del problema de transporte.
Pgina 112 de 137
El problema general de transporte se refiere a la distribucin de cualquier bien desde cualquier

grupo de centros de suministro, llamados orgenes, a cualquier grupo de centros de recepcin,
llamados destinos, de tal manera que se minimicen los costos totales de distribucin.
Cada origen tiene cierto suministro de unidades que distribuir a los destinos, y cada destino
tiene cierta demanda de unidades que deben recibirse de los orgenes. Las suposiciones sobre
suministros y demandas son las siguientes:
Suposicin de requerimientos: Cada origen tiene un suministro fijo de unidades y el

suministro completo debe distribuirse a los destinos. (si es el nmero de unidades
que suministra el origen i). De igual manera, el destino tiene una demanda fija de
unidades, y debe satisfacerse desde los orgenes, (dj es el nmero de unidades
recibidas por el destino j). Un problema de transporte tiene soluciones factibles si y
solo si:
Esta suposicin significa que es necesario un balance entre el suministro total de todos los
orgenes y la demanda total de todos los destinos. Algunos problemas reales no se
ajustan por completo al problema de transporte porque violan la suposicin de requerimientos.
Sin embargo, es posible reformular el problema de manera que se ajuste al modelo con la
introduccin de un destino ficticio o un origen ficticio para que se haga cargo de la holgura entre
las cantidades reales distribuidas.
Suposicin de costo: el costo de distribuir unidades de un origen a un destino dado

es directamente proporcional al nmero de unidades distribuidas. Por lo tanto este
costo es justo el costo unitario de distribucin multiplicado por el nmero de
unidades distribuidas. (el costo unitario del origen i al destino j se denota por cij). En
resumen la suposicin de costo nos dice que: la funcin del costo de transporte
debe ser una funcin lineal del nmero de unidades transportadas y que el costo de
transporte por unidad no vara con la cantidad transportada.
Los nicos datos necesarios para un problema de transporte son suministros, demandas y
costos unitarios. Estos son los parmetros del modelo. Todos estos parmetros se pueden
resumir en la siguiente tabla de parmetros.
Pgina 113 de 137
5.2 Metodologa de solucin para problemas de transporte

Existen dos aplicaciones importantes de la programacin lineal que son el modelo de
transportes y el de asignacin de recursos. Aun cuando la solucin de estos modelos puede
obtenerse aplicando el mtodo simplex, se estudian algoritmos especiales para la solucin de
estos problemas.
Debido a su estructura especial, hace posible hace posible mtodos de solucin ms eficientes
en trminos del clculo.
EJEMPLO:
Suponga que una compaa tiene m plantas de produccin (i), de capacidad ai (i =
1...m) y n almacenes de distribucin (j), con demanda bj (j = 1...n). El costo de transporte entre
la planta i y el almacn es conocido como cij.
El problema es determinar la cantidad (xij) que debe suministrar la planta i al almacn j, de tal
manera que el costo de transporte total sea mnimo. Las consideraciones de costos de
produccin e inventario se pueden incorporar al modelo bsico.
El modelo tpico tiene cuatro componentes:
Un conjunto de m fuentes
Un conjunto de n destinos
Costos de transporte entre las fuentes y los destinos
Cantidades de producto para enviar entre las fuentes y los destinos.
Pgina 114 de 137
El modelo general que representa el modelo de transporte es:

Min
Z = S S iS j
Sujeto a:
S j xij = ai (fuentes i = 1...m)
S i xij = bj (destinos j = 1...n)
xij >= 0
Modelos balanceados y no balanceados:

Un modelo de transporte se llama balanceado cuando:
=
Esto significa que la suma de los suministros de todas las plantas debe ser igual a la suma de
las demandas de todos los almacenes. Sin embargo en problemas de la vida real, esta
igualdad rara vez se satisface.
Lo que se hace entonces es balancear el problema.
Si los requerimientos exceden a los suministros, se agrega una planta ficticia, que suministrar
la diferencia.
Pgina 115 de 137
El costo de transporte desde la planta ficticia hacia cualquier almacn es cero.

Recprocamente, si los suministros exceden a los requerimientos, se agrega un almacn ficticio
que absorber el exceso. El costo unitario de transporte desde las plantas al almacn ficticio es
cero.
Ejemplo
Considere La Empresa Gerconsa productora de automviles de tres plantas y dos centros de
distribucin. Las capacidades de las tres plantas durante un trimestre son de 1000, 1500 y
1200 automviles, la demanda trimestral en los dos centros de demanda son de 2300 y 1400
vehculos. El costo de transporte en dlares es:
Planta/Almacn
80
215
100
108
102
68
Sea nmero de automviles transportados desde la fuente al destino . Como

la oferta el total (1000+1500+1200 = 3700) es igual a la demanda total (2300+1400 = 3700)
el modelo de transporte est equilibrado.
Por lo tanto el siguiente modelo representa la situacin descrita:
= 8011 + 21512 + 10021 + 10822 + 10231 + 6832
Sujeto a:
11 + 12 = 1000
21 + 22 = 1500
31 + 32 = 1200
11 + 21 + 31 = 2300
12 + 22 + 32 = 1400
0 , .
Pgina 116 de 137
Un mtodo ms resumido para representar el modelo de transporte consiste en utilizar los que
se llama tabla de transporte, esta es una matriz donde las filas representan las fuentes y las
columnas el destino. En cada celda se especifica la cantidad y el costo .
Fuente/destino
Oferta
11
80
12
215
1000
21
100
22
108
1500
31
102
32
68
1200
Demanda
2300
1400
3700
El mtodo de transporte es un problema clsico dentro de la programacin matemtica; se

analiza la manera de obtener el costo mnimo de transportar una serie de productos desde n
fbricas, hasta m almacenes; cada envo tiene un costo particular que estar en funcin de la
distancia, el tipo de carretera, la cantidad y otras variables.
Como siempre, se entiende mejor con un ejemplo: La ms famosa empresa dentro de las aulas
universitarias, la Empresa Gerconsa, tiene tres fbricas donde manufactura su famossimo
producto P, con capacidades de produccin de 25 (unidades por micro nanosegundo, por
segundo, hora, ao... no importa, es lo mismo para todos), 25,10 y debe surtir a 4 almacenes
con demandas de 20,15,20,5 (unidades por micro nanosegundo, segundos.. o lo que sea,
siempre y cuando se maneje la misma unidad temporal en todo el problema). Los costos de
enviar desde cualquier fbrica a cualquier almacn se pueden ver en la tabla abajo.
Capacidad de Produccin (u/t)
Fabrica 1
Fabrica 2
Fabrica 3
25
25
10
Demanda de los Almacenes (u/t)

Almacn 1
Almacn 2
Almacn 3
Pgina 117 de 137
Almacn 4
20
15
20
Costo de Transporte desde la Fbrica i al almacn j
$/unid
Almacn 1
Almacn 2
Almacn 3
Almacn 4
Fabrica 1
Fabrica 2
Fabrica 3
Ahora la pregunta es cunto se debe enviar desde cada fbrica a cada almacn con el fin de
obtener el mnimo costo.
= 211 + 212 + 013 + 414 + 521 + 922 + 823 + 324 + 631 + 432 + 333 +
234
Sujeto a: 1. Satisfacer la demanda de los almacenes:
11 + 21 + 31 >
= 20 12 + 22 + 32 15 13 + 23 + 33 20 14 + 24 + 34 5 2. No sobrepasar
la capacidad disponible de las fbricas 11 + 12 + 13 + 14 25 , 21 + 22 + 23 + 24 <
= 25 31 + 32 + 33 + 34 10 3. Por supuesto la condicin de no negatividad y todas las
variables enteras.
[6]
Ejercicios
Pgina 118 de 137
Ejercicio 1. Luxris Electronics manufactura dos productos que se pueden producir en dos
lneas distintas de produccin. Ambos productos tienen costos de produccin ms bajos
cuando se producen en la ms moderna de las dos lneas. Sin embargo, la lnea de produccin
ms moderna no tiene capacidad para manejar la produccin total. Como resultado, parte de
la produccin debe efectuarse en la lnea de produccin ms antigua. Los datos
siguientes muestran los requerimientos totales de produccin, la capacidad de las lneas de
produccin y los costos de produccin.
Lnea
moderna
Producto
1
2
Capacidad
lnea
Lnea
antigua
$3.00
$2.50
$5.00
$4.00
800
600
Requerimientos mnimos de
produccin
500 unidades
700 unidades
de
Formule un modelo de programacin lineal que pueda utilizarse para tomar la decisin de
asignacin de la produccin. Cul es la decisin recomendada y cul es el costo total?
1
PlantaFuente
1
Planta 2
Planta 3
Asignacin
demandada
Almacn de destino
2
3
4
Produccin
(oferta)
464
352
995
513
416
682
654
690
388
867 75
791 125
685 100
80
65
70
85 300
Tema: Mtodo Aproximacin de Vogel

Ejercicio 1. Una fbrica de autos cuenta con 3 plantas de produccin, una en Toluca, otra en
Coahuila y otra en San Luis Potos. Sus centros de distribucin principales estn ubicados en
las ciudades de Mxico y Monterrey. Las capacidades de las tres plantas durante el trimestre
prximo son de 5000, 4500 y 3200 automviles. La demanda trimestral en los dos centros de
distribucin es de 7300 y 5400 vehculos, respectivamente. El envo de automviles se realiza
por va frrea con un costo aproximado de 8 centavos por cada 2000 Km. El diagrama de la
distancia que existe entre las plantas y los centros de distribucin es el siguiente.
Ciudad de Mxico
Pgina 119 de 137
Monterrey
Toluca
75 Km.
875 Km.
Coahuila
993 Km.
348 Km
San Luis Potos
407 Km.
501.2 Km
Elabore la tabla de costos

Formule el modelo de acuerdo a la estructura general de la programacin lineal.
Encuentre la solucin mediante los mtodos de costo menor y vogel.
Explique cul de los dos mtodos es mejor.
Ejercicio 2. Encuentre la solucin inicial mediante cualquier mtodo (esquina noroeste, costo
menor, vogel) y utilice el mtodo de cruce del arroyo para encontrar la solucin ptima del
siguiente problema.
Oferta
10
11
600
12
14
20
20
100
16
18
140
Demanda
120
80
100
540
Ejercicio 3. Considere el problema de asignacin que tiene la siguiente tabla de costos:
Persona
A
B
C
1
5
3
2
Tarea
2
7
6
3
3
4
5
4
a) La solucin ptima es A-3, B-1, C-2, con Z=10, utilice la computadora para verificar esta
solucin ptima. (Utilizar cualquier mtodo manual) *F8
Ejercicio 4. Resulvase el siguiente problema de maximizacin con el mtodo de esquina
noroeste. Ntese que hay dos rutas prohibidas. (Las ganancias se dan en pesos por unidad)
Pgina 120 de 137
A
De
Hidalgo
Guanajuato
Saltillo
Capacidad
Monterrey
-------
12
10
100
Guadalajara
11
13
12
600
Mxico
10
---------
700
Demanda
300
400
500
Cul es la ganancia total para la solucin ptima? Resulvase mtodo esquina noroeste
Ejercicio 5. Un sistema de distribucin consiste en tres plantas, dos almacenes y cuatro

clientes. Las capacidades de las plantas, demandas de almacenes y los costos de embarque
por unidad (en dlares) de cada planta a cada almacn son los siguientes
Planta
Almacn 1
Almacn 2
Capacidad
450
600
380
Demanda
750
800
La demanda de los clientes y los costos de embarque por unidad (en dlares) desde cada
almacn hasta cada cliente son:
Almacn
Cliente 1
Cliente 2
Cliente 3
Cliente 4
Demanda
300
300
300
300
Determine el plan ptimo de embarque. Resuelva mtodo vogel.
Pgina 121 de 137
Ejercicio 6. Una compaa tiene tres fbricas (A, B y C) para ensamblar computadoras, y
dispone de tres tiendas habilitados para la venta (D, E y F). Las cantidades producidas por A, B
y C son 1.000, 5.000 y 4.000 unidades por da respectivamente. La mxima cantidad que
puede vender el almacn D es 3000 unidades/da, E es 6000 unidades/da y F es 7000
unidades/da. Los costos de transporte de cada fbrica a cada almacn estn dados en la
siguiente tabla:
Demanda
Suministro
Obtener una solucin bsica factible por el mtodo de esquina del noroeste.
Ejercicio 7. Tres centrales de distribucin tienen que dar electricidad a tres ciudades. La tabla
de costos de transporte de electricidad es la siguiente:
Ciudad
Suministro
Central
(MKwh)
10
35
II
12
13
50
III
14
16
40
Demanda (MKwh)
45
20
30
Determine la distribucin elctrica para cada ciudad para minimizar los costos por el
mtodo vogel
Ejercicio 8. Un fabricante tiene tres plantas P1, P2, P3 y cinco bodegas B1, B2, B3, B4 y B5, el
problema es establecer la planta que debe producir el suministro para cada bodega. La
capacidad de las plantas es limitada. En la tabla aparecen la capacidad de produccin de las
plantas y los requerimientos de ventas de las bodegas en miles de cajas:
Planta
Produccin
Bodega
Pgina 122 de 137
Venta
P1
100
B1
50
P2
60
B2
10
P3
50
B3
60
B4
30
B5
20
Total
170
Total
210
El costo de despacho de 1000 cajas desde cada planta a cada bodega aparece en la siguiente
tabla:
Destino Origen
B1
B2
B3
B4
B5
P1
240
300
160
500
360
P1
420
440
300
200
220
P3
300
340
300
480
400
La compaa desea determinar un programa de embarques que minimice los costos generales
de transporte de la empresa. Utilice el mtodo vogel.
Ejercicio 9. Una compaa panificadora puede producir un pan especial en cualquiera de sus
plantas, en la siguiente forma:
Planta
Capacidad de produccin (unidad

pan)
Costo de produccin
($/unidad pan)
2500
2.30
2100
2.50
Cuatro cadenas de restaurantes desean adquirir este pan, sus demandas y precios que desean
pagar son los siguientes:
Pgina 123 de 137
Cadena Demanda mxima (unidad pan) Precio ofrecido

1
1800
3.90
2300
3.70
550
4.00
1750
3.60
El costo ($) de embarcar una unidad de pan de una planta a un restaurante es:
Cadena 1
Cadena 2
Cadena 3
Cadena 4
Planta A
0.60
0.80
1.10
.90
Planta B
1.20
0.60
.80
.50
Utilizando el mtodo vogel, determinar un programa de entregas para la compaa panificadora

maximizando su ganancia total.
Ejercicio 10. Una compaa abastece a 3 clientes (Ci) cuyas demandas son de 30 unidades
cada uno. Existen dos depsitos con 40 y 30 unidades disponibles respectivamente. El costo
unitario de envo aparece en la tabla. Por cada unidad no enviada, existe un costo de no
cumplimiento. Formular un modelo de transporte para minimizar costos y resuelva por el
mtodo vogel
C1
C2
C3
Depsito 1
15
35
25
Depsito 2
10
50
40
Costo no cumplimiento
90
80
110
Ejercicio 11.Una compaa est planeando una campaa de publicidad para introducir su
nuevo producto, un cigarrillo sin tabaco. La compaa ha identificado cuatro grupos de mercado
y quiere que por lo menos 1, 2, 4 y 1 (millones) de clientes potenciales vean su anuncio en el
lapso de una semana. Se estn considerando tres medios: los peridicos, una revista y un
comercial en hora prima de televisin. La compaa estima que el nmero total de clientes
Pgina 124 de 137
Grupo de mercado
Medio
Peridico
$1.40
$0.70
$0.90
$1.40
Revista
$1.20
$0.90
$1.20
$1.00
Televisin
$1.00
$1.30
$1.00
$1.10
potenciales que vern slo un anuncio y no los otros dos es 1 milln para el peridico, 2.5
millones para la revista y 4.5 millones en la televisin. Cada medio tiene grupos de audiencias
distintas, lo cual resulta en diferentes costos por cliente potencial para cada anuncio. Las tasas
efectivas de comercializacin por cada 1000 clientes potenciales en el mercado se muestran
enseguida para cada medio.
Formlese ste como un problema de transporte. A que grupos de mercado debe dirigirse
cada medio para minimizar el costo total? Resulvase por el mtodo vogel.
Tema: El Mtodo Hngaro de Asignacin
Ejercicio 1. Utilice el mtodo hngaro encuentre la asignacin optima asociada de cada uno
de los trabajos a cada una de las mquinas y calcule el costo final.
Mquina
14
10
12
15
13
16
Ejercicio 2. La empresa Nseaga desarrolla juegos de video para computadora. En el cuadro

se muestran las demandas y capacidades de produccin para el cuarto bimestre del ao:
Mes
Demanda
Capacidad
tiempo normal
Octubre
200
300
100
Noviembre
300
300
100
Pgina 125 de 137
en
Capacidad
horas extras
en
Diciembre
600
300
100
Es claro que aunque la capacidad de produccin es constante, la demanda aumenta durante

las ventas de Navidad; tambin se observa que esa demanda no puede satisfacerse con la
produccin de diciembre, por lo que debe hacerse uso de los inventarios para transportar
capacidad previa de produccin hacia el futuro. No se tiene inventario inicial y no se desea
tener inventario al final del trimestre. Los costos de produccin de los juegos son de 50 por
cada $100 si se producen en horas normales y de 70 por cada $100 se fabrican en tiempo
extra. Se ha determinado que los costos mensuales de los inventarios son de $5 por cada 100
juegos. Determine el plan de produccin ptimo.
Ejercicio 3. Una empresa de transporte dispone de 4 camiones y 4 rutas. Cada camin debe
hacer una ruta y cada ruta debe realizarse exclusivamente por un camin. Los beneficios de
cada transportista para las distintas rutas dependen de las caractersticas del camin
y de la ruta escogida y se presentan en la siguiente tabla:
Ruta 1
Ruta 2
Ruta 3
Ruta 4
Camin 1
150
200
300
100
Camin 2
100
220
300
250
Camin 3
250
140
240
240
Camin 4
300
250
100
300
a) Decidir la ruta que debe realizar cada camin para que el beneficio total obtenido sea
mximo.
b) El comercial de la empresa ha conseguido dos nuevas rutas y desea probarlas durante este
ao. Los beneficios obtenidos por cada camin son:
Camin 1
Camin 2
Camin 3
Camin 4
Ruta 5
200
300
250
250
Ruta 6
260
280
250
320
i) Construir la tabla a la que aplicaramos el Mtodo Hngaro sabiendo que cada camin
nicamente puede realizar una ruta y las nuevas rutas deben realizarse obligatoriamente.
Pgina 126 de 137
ii) Construir la tabla a la que aplicaramos el Mtodo Hngaro sabiendo que se tienen que
realizar todas las rutas, cada camin puede realizar ms de una ruta y tienen que utilizarse
obligatoriamente todos los camiones. Adems, el camin 1 podr realizar, como mucho, 450 km
diarios, los camiones 2 y 3 podrn realizar, como mucho, 300 km diarios y el camin 4, 160 km
y las rutas 1, 2, 3, 4, 5, 6 son de 110, 150, 130, 150, 120 y 90 km respectivamente.
Ejercicio 4. La directora de un centro educativo debe asignar la docencia de 5 asignaturas, A1,

A2, A3, A4 y A5 a 4 profesores, P1, P2, P3 y P4 teniendo en cuenta las valoraciones de las
encuestas hechas por los alumnos y unas restricciones impuestas por un nuevo reglamento. En
base a las encuestas de aos anteriores, se tienen las siguientes valoraciones promedios
(escala: 0 mala, 5 excelente):
A1
A2
A3
A4
A5
P1
2.7
2.2
3.4
2.8
3.6
P2
3.6
3.4
2.8
3.6
P3
3.2
3.8
2.3
1.9
2.6
P4
2.6
2.5
1.8
4.2
3.5
El nuevo reglamento dice que el profesor P3 no puede impartir las asignaturas A1 y A2. Las
asignaturas no se pueden compartir y se han de impartir todas. Ningn profesor puede quedar
sin asignaturas. Al profesor P1 solamente se le debe asignar una asignatura.
a) Modelizar como un problema de programacin lineal entera con el objetivo de obtener la
asignacin que maximice la valoracin media total.
b) Indicar a qu tabla habra que aplicar el mtodo hngaro para determinar la asignacin
ptima.
Ejercicio 5. El gerente de la lnea de produccin de una empresa electrnica debe asignar
personal a cinco tareas. Existen cinco operadores disponibles para asignarlos. El gerente de
lnea tiene a su disposicin datos de prueba que reflejan una clasificacin numrica de
productividad para cada uno de los cinco trabajadores en cada uno de los trabajos. Estos
datos se obtuvieron a travs de un examen de operacin y prueba administrado por el
departamento de ingeniera industrial. Suponiendo que un operador puede ejecutar un solo
trabajo, plantee un modelo que conduzca a la asignacin optima de tareas.
Pgina 127 de 137
Nmero de trabajo
Nmero de
operador
1
2
3
4
5
1
12
6
10
2
7
2
16
8
6
4
10
3
24
20
16
2
6
4
8
14
18
24
6
5
2
6
12
20
18
Ejercicio 6. Un entrenador de un equipo de natacin debe asignar competidores a la prueba

de 200 metros de relevo combinado que ira a las olimpiadas juveniles. Como muchos de sus
mejores nadadores son rpidos en ms de un estilo, no es fcil decidir cul de ellos asignara
a cada uno de los 4 estilos. Los 5 mejores nadadores y sus mejores tiempos (en segundos)
en cada estilo son los que se muestran en la siguiente tabla, El entrenador quiere determinar
cmo asignar 4 nadadores a los 4 estilos de nado para minimizar la suma de los mejores
tiempos correspondientes.
a) Formule este problema como uno de asignacin.
b) Obtenga una solucin ptima.
Tipo de
nado
Dorso
Pecho
Mariposa
Libre
Cart
Chris
David
Tony
Ken
37.7
43.4
33.3
29.2
32.9
33.1
28.5
26.4
33.8
42.2
38.9
29.6
37.0
34.7
30.4
28.5
35.4
41.8
33.6
31.1
Ejercicio 7. La divisin de Investigacin y Desarrollo de SONY, Electonics Desing And

Manufacturing. Ha desarrollado tres nuevos productos posibles. Sin embargo para evitar una
diversificacin excesiva de la lnea de productos de la compaa, la administracin ha impuesto
la siguiente restriccin:
Requerimiento 1: de los tres nuevos productos posibles, deben escogerse a lo ms dos para
produccin. Se dispone de dos plantas que pueden producir los productos elegidos por razones
administrativas, la administracin impuso una segunda restriccin a este respecto.
Requerimiento 2: solo una de las dos plantas debe asignarse para la produccin de los nuevos
productos.
Pgina 128 de 137
El costo unitario de produccin de cada producto sera en esencia el mismo en las dos plantas.
Pero por diferencias en las instalaciones de produccin, el nmero de horas de produccin por
unidad de cada producto puede diferir entre ellas, como se muestra en la siguiente tabla:
Tiempo
Producto
de produccin por
c/unidad
Producto
Producto
Conceptos
Planta 1
Planta 2
Ganancia
1
3
4
2
4
6
3
2
2
0unitaria
Ventas
potenciales
Horas
Disponibles
por Semana
30
40
(miles de
dlares)
(uds.
x
semana)
El objetivo es seleccionar los productos, la planta y la produccin de los productos

elegidos de manera que se maximice la ganancia total.
Ejercicio 8. El administrador de un hospital debe nombrar jefas de enfermeras para cuatro
departamentos recin establecidos: urologa, cardiologa, ortopedia y obstetricia. Anticipndose
a su problema de personal, contrato a cuatro enfermeras: Claudia, Mireya, Otilia y Rosa.
Entrevist a cada enfermera, considero sus antecedentes, personalidad y talentos y desarrollo
una escala de costos que va de 0 a 100 para utilizarla en la asignacin. La tabla siguiente
muestra las cifras de costos que el administrador del hospital piensa que representan todas las
asignaciones posibles. Cul enfermera deber ser asignada a cada unidad?
Enfermera
Urologa
Cardiologa
Ortopedia
Obstetricia
Claudia
28
18
15
75
Mireya
32
48
23
38
Otilia
51
36
24
36
Rosa
25
38
55
12
Ejercicio 9. Tres clientes de una empresa de investigacin de mercados solicitaron que la firma
realice una investigacin muestral. Hay cuatro especialistas en estadstica disponibles para
estos tres proyectos; sin embargo, los cuatro estn ocupados y, por tanto, cada uno slo puede
manejar un cliente. Los siguientes datos muestran la cantidad de horas requeridas por cada
especialista para completar cada trabajo; las diferencias en tiempo se basan en la experiencia y
la capacidad de los especialistas
Especialista
Cliente A
Cliente B
Pgina 129 de 137
Cliente C
150
210
270
170
230
220
180
230
225
160
240
230
a) Determine cul es la asignacin ptima y tiempo total

b) Suponga que el tiempo que necesita el especialista 4 para completar el trabajo para
el cliente A
aumenta
de 160 a
Horas de
Cadena A Cadena B
Cadena C Cadena D
165 horas.
audiencia
Qu
efecto
1-2 p.m.
27.1
18.1
11.3
9.5
tendr este
cambio en
2-3 p.m.
18.9
15.5
17.1
10.6
la solucin
inicial?
3-4 p.m.
19.2
18.5
9.9
7.7
4-5 p.m.
11.5
21.4
16.8
12.8
c) Suponga que el tiempo que necesita el especialista 4 para completar el trabajo para
el cliente A disminuye a 140 horas. Qu efecto tendr este cambio en la solucin
inicial?
Ejercicio 10. Una compaa acaba de desarrollar un nuevo lquido lava trastes y prepara una
campaa promocional televisiva a nivel nacional. La firma ha decidido programar una serie de
comerciales de 1 minuto durante las horas de audiencia pico de amas de casa de 1 a 5 p.m.
Para llegar a la mxima audiencia posible, la compaa desea programar un comercial en cada
una de las cuatro cadenas. Los ratings de exposicin se presentan en la siguiente tabla.
Cul cadena deber ser contratada cada hora para obtener la mxima exposicin a la
audiencia?
Pgina 130 de 137
Parte A
0.10
0.12
0.13
0.11
0.10
0.06
0.16
0.12
Parte B
0.05
0.06
0.04
0.08
0.04
0.09
0.06
0.06
Parte C
0.32
0.40
0.31
0.30
0.42
0.35
0.36
0.49
Parte D
0.17
0.14
0.19
0.15
0.10
0.16
0.19
0.12
Parte E
0.06
0.07
0.10
0.05
0.08
0.10
0.11
0.05
Parte F
0.08
0.10
0.12
0.08
0.09
0.10
0.09
0.06
Parte G
0.55
0.62
0.61
0.70
0.62
0.63
0.65
0.59
Ejercicio 11. La compaa Rodymar produce siete nueve productos mdicos. Cada una de las
ocho plantas puede agregar un producto ms a su lnea actual de dispositivos mdicos. Los
costos por unidad de produccin de las diferentes partes en las ochos plantas se muestran en
la tabla siguiente. Cmo deber asignar los nuevos productos a las plantas para minimizar los
costos de fabricacin por unidad?
Ejercicio 12. El director de una universidad, programara al personal docente para impartir
cursos durante el prximo semestre. Necesitan cubrirse cuatro cursos esenciales en los niveles
de licenciatura, maestra en administracin, maestra en ciencias y doctorado. Se asignaran
cuatro maestros a los cursos y cada uno de ellos recibir solo uno. Se dispone de las
evaluaciones de los docentes realizadas por los estudiantes de semestres anteriores. Con base
en una escala de calificacin de 4 (excelente), 3 (muy bueno), 2 (promedio), 1 (regular) y 0
(malo),
se
Profesor
Licenciatura
Maestra en
Administracin
Maestra en
Ciencias
Doctorado
muestran las evaluaciones promedio de los estudiantes para cada docente. El profesor D no
tiene grado de Doctor y no se puede asignar para el curso en el nivel de Doctorado. Si el
director hace las asignaciones de enseanza con base en la maximizacin de las calificaciones
de evaluacin de los estudiantes en los cuatro cursos Qu asignaciones de personal deberan
hacerse?
Pgina 131 de 137
2.8
2.2
3.3
3.0
3.2
3.0
3.6
3.6
3.3
3.2
3.5
3.5
3.2
2.8
2.5
------
Ejercicio 13. Un bufete de abogados ha aceptado cinco nuevos casos, cada uno de los cuales
puede ser llevado adecuadamente por cualquiera de los cinco asociados ms recientes.
Debido a la diferencia de experiencia y prctica, los abogados emplearan distintos tiempos en
los casos. Uno de los asociados ms experimentados ha estimado las necesidades de tiempo
(en horas) como sigue:
Caso 1
Caso 2
Caso 3
Caso 4
Caso 5
Abogado 1
145
120
130
95
115
Abogado 2
80
63
85
48
78
Abogado 3
121
107
93
69
95
Abogado 4
118
83
116
80
105
Abogado 5
97
75
120
80
111
a) Cul es la mejor asignacin posible?

b) Qu pasa si el abogado 2 no puede tomar el caso 4, con respecto a la solucin
anterior?
c) Si el abogado 1 debe tomar el caso 1 Qu ocurre con respecto a la solucin
encontrada en el inciso a)?
d) Cul es la peor asignacin posible?
e) Cul es la mejor asignacin sin considerar el abogado 2?
f) Qu pasa si el abogado 4 no puede tomar el caso 2 y el caso 5 debe ser tomado por
el abogado3?
Pgina 132 de 137
Tema: Mtodo Modi (Costos Mnimos)

Ejercicio 1. Suavelito es una marca de papel higinico de gran rotacin en los
supermercados. La compaa que lo fabrica tiene tres centros de produccin en el norte del
pas. La planta localizada en Tijuana tiene capacidad de produccin de 1700 cajas al mes; la
planta localizada en Guadalajara tiene capacidad para embarcar 2000 unidades por mes, y la
planta de Monterrey puede producir 1850 cajas al mes. Los embarques se transportan a cuatro
centros de distribucin regionales que tienen un programa de ventas que cumplir. La demanda
de cajas en el centro de Hermosillo es de 1700, Chihuahua tiene un pedido de 1000 cajas, el
centro de distribucin de Tampico ha colocado 1500 cajas y la distribuidora del Bajo, ubicado
en Len, tiene un pedido de 1200 cajas. El encargado de optimizar el traslado de las cajas
optimizando las rutas por medio del kilometraje, es decir, optimizar las distancias. Los costos
adicionales de caseta, seguro y viticos se asocian en un tabulador basado en los kilmetros
recorridos. El cuadro muestra los datos en miles de kilmetros.
Planta
Centros regionales de distribucin

Hermosillo
Chihuahua
Tampico
Len
Tijuana
0.9
0.91
2.9
2.6
Guadalajara
1.4
1.1
0.75
0.25
Monterrey
1.75
0.88
0.58
0.73
Ejercicio 2. La compaa petrolera Esstto tiene personal especializado en consultara

internacional en materia de exploracin petrolera. En la actualidad existen seis consultores de
los cuales tres radican en Estados Unidos, dos en Rusia y uno en Nigeria. Arabia Saudita ha
solicitado dos consultores durante una semana a una tarifa de $4 200 cada uno. Venezuela
pidi los servicios de un consultor para una semana y la tarifa es de $4 000. Indonesia
requiere tres consultores por una semana a una cuota semanal de $4 000. los gastos
semanales por consultor son de $ 1 400 en Arabia, $1 000 en Venezuela y $700 en Indonesia.
En el cuadro se muestra la tarifa en viaje redondo para los viajes en avin de los consultores.
Desde
Hacia
Arabia Saudita
Venezuela
Indonesia
Estados Unidos
1800
800
2000
Rusia
1600
1800
1700
Pgina 133 de 137
Nigeria
1300
1200
1500
Formule el plan de asignacin de los consultores para maximizar la ganancia neta.
Ejercicio 3. La corporacin Bersatech producir tres productos nuevos. En este momento, 5

de sus plantas tiene exceso de capacidad de produccin. El costo unitario respectivo de
fabricacin del primer producto ser de $3, $29, $32, $28, $29 en las plantas 1, 2, 3, 4 y 5. El
costo unitario de fabricacin del segundo producto ser de $45, $41, $46, $42, y $43 en las
plantas respectivas 1, 2, 3, 4, y 5 y para el tercer producto ser de $38, $35, y $40 en las
plantas respectivas 1, 2, y3 , pero las plantas 4 y 5 no pueden fabricar este producto . Los
pronosticas de ventas indican que la produccin diaria debe de ser de 600, 1000 y 800
unidades de los productos 1, 2 y 3 respectivamente. Las plantas 1, 2, 3, 4 y 5 tienen
capacidad para producir 400, 600, 400, 600, 1000 unidades diarias, sin importar el
producto o combinacin del productos. Suponga que cualquier planta que tiene capacidad y
posibilidad de fabricarlos podr producir cualquier cantidad de productos y con cualquier
combinacin.
La administracin desea asignar los nuevos productos a las plantas con el mnimo costo total
de fabricacin.
a) formule un problema de transporte mediante la construccin de la tabla de parmetros
apropiada.
b) obtenga una solucin ptima para este problema, por medio de los algoritmos de transporte
a un costo mnimo, cul es el mejor?, analice las eficiencias. c) Dibuje la representacin de
red de este problema.
Ejercicio 4. La B & Z Brewing Company fabrica una marca de cerveza muy popular. Para
mantener la calidad, la compaa fabrica la cerveza en solo tres plantas, en las que existen
disponibles ojos de agua (cerca de Boulder, Colorado; Minneapolis, Minnesota; y Olimpia,
Washington). De estas plantas se enva la cerveza por camin a cuatro almacenes de
distribucin ubicados en la parte occidental de los Estados Unidos de Norteamrica (en
San Diego, California; Provo, Utha; Albuquerque, Nuevo Mxico; Lincoln, Nebraska). Debido a
los aumentos en los precios de la gasolina y del combustible disel, el gasto de transporte es
un concepto importante de los costos, los administradores han comenzado a realizar un
estudio para determinar se es posible reducir los cosos de transporte. Los gerentes de
produccin de cada una de las tres plantas han estimado la produccin mensual esperada
para sus respectivas plantas. Se fabricara en total en las tres plantas una cantidad suficiente
de cerveza para cargar 300 camiones. Los administradores generales de la B & Z han
asignado la produccin total a los respectivos almacenes examinando datos de meses
anteriores. En la siguiente tabla se presenta la informacin de oferta (produccin) y demanda
(asignacin), junto con los costos de transporte para cada combinacin de oferta demanda.
Debe observarse que las unidades de oferta y demanda se expresan en camiones de
Pgina 134 de 137
cerveza, en tanto que las cifras de costos que aparecen en el cuerpo de la tabla se expresan
en dlares por camin. El problema que enfrentan los administradores de la B & Z consiste en
determinar la cantidad (es decir, el nmero de camiones) de cerveza que debe enviarse de
cada planta a cada almacn para minimizar los costos totales de transporte. Analice por
medio de los algoritmos de transporte cual sera la distribucin por cada planta a cada
almacn el envo de la cerveza (aun costo mnimo cul es el mejor?), las eficiencias de las
plantas contra los almacenes en cuanto a su capacidad.
Ejercicio 5. Una compaa tiene 3 plantas que fabrican carriolas para bebe que deben
enviarse a 4 centros de distribucin .las plantas 1,2 y 3, producen 12,17 y 11 cargas
mensuales, respectivamente. Cada centro de distribucin necesita recibir 10 cargas al mes.
La distancia desde cada planta a los respectivos centros de distribucin es la
siguiente.
Distancia
Centro de distribucin
planta
1
2
3
1
800 millas
1100 millas
600 millas
2
1300 millas
1400 millas
1200 millas
3
400 millas
600 millas
800 millas
4
700 millas
1000 millas
900 millas
El costo del flete por embarque es de $100 mas $0.50/milla. Cuntas cargas deben de
mandarse desde cada planta a cada centro de distribucin para minimizar el costo total de
transporte?
a) formule un problema de transporte mediante la construccin de la tabla de
parmetros apropiada.
b) Dibuje la representacin de red de este problema.
c) Obtenga una solucin ptima, por medio de los algoritmos de transporte a un costo mnimo,
cul es el mejor?, analice las eficiencias.
Ejercicio 6. La B & Z Brewing Company fabrica una marca de cerveza muy popular. Para
mantener la calidad, la compaa fabrica la cerveza en solo tres plantas, en las que existen
disponibles ojos de agua (cerca de Boulder, Colorado; Minneapolis, Minnesota; y Olimpia,
Washington). De estas plantas se enva la cerveza por camin a cuatro almacenes de
distribucin ubicados en la parte occidental de los Estados Unidos de Norteamrica (en
San Diego, California; Provo, Utha; Albuquerque, Nuevo Mxico; Lincoln, Nebraska). Debido a
los aumentos en los precios de la gasolina y del combustible disel, el gasto de transporte es
un concepto importante de los costos, los administradores han comenzado a realizar un
estudio para determinar se es posible reducir los cosos de transporte. Los gerentes de
produccin de cada una de las tres plantas han estimado la produccin mensual esperada
Pgina 135 de 137
para sus respectivas plantas. Se fabricara en total en las tres plantas una cantidad suficiente
de cerveza para cargar 300 camiones. Los administradores generales de la B & Z han
asignado la produccin total a los respectivos almacenes examinando datos de meses
anteriores. En la siguiente tabla se presenta la informacin de oferta (produccin) y demanda
(asignacin), junto con los costos de transporte para cada combinacin de oferta demanda.
Debe observarse que las unidades de oferta y demanda se expresan en camiones de
cerveza, en tanto que las cifras de costos que aparecen en el cuerpo de la tabla se expresan
en dlares por camin. El problema que enfrentan los administradores de la B & Z consiste en
determinar la cantidad (es decir, el nmero de camiones) de cerveza que debe enviarse de
cada planta a cada almacn para minimizar los costos totales de transporte. Analice por
medio de los algoritmos de transporte cual sera la distribucin por cada planta a cada
almacn el envo de la cerveza (aun costo mnimo cul es el mejor?), las eficiencias de las
plantas contra los almacenes en cuanto a su capacidad.
Ejercicio 7. Una compaa tiene 3 plantas que fabrican carriolas para bebe que deben
enviarse a 4 centros de distribucin .las plantas 1,2 y 3, producen 12,17 y 11 cargas
mensuales, respectivamente. Cada centro de distribucin necesita recibir 10 cargas al mes.
La distancia desde cada planta a los respectivos centros de distribucin es la
siguiente.
Distancia
Centro de distribucin
planta
1
2
3
1
800 millas
1100 millas
600 millas
2
1300 millas
1400 millas
1200 millas
3
400 millas
600 millas
800 millas
4
700 millas
1000 millas
900 millas
El costo del flete por embarque es de $100 mas $0.50/milla. Cuntas cargas deben de
mandarse desde cada planta a cada centro de distribucin para minimizar el costo total de
transporte?
a) formule un problema de transporte mediante la construccin de la tabla de
parmetros apropiada.
b) Dibuje la representacin de red de este problema.
c) Obtenga una solucin ptima, por medio de los algoritmos de transporte a un costo mnimo,
cul es el mejor?, analice las eficiencias.
Pgina 136 de 137
BIBLIOGRAFA
[1] HILLIER F., LIEBERMAN G. (2006). Introduccin a la Investigacin de Operaciones.
McGraw Hill. 8va Edicin.
[2] WISTON WAYNE. Investigacin de Operaciones. Aplicaciones y Algoritmos.- Grupo
Editorial Iberoamrica.- 2 Edicin.-1994.
[3] GROSSMAN, I. Algebra Lineal. McGrawHill. Sexta Edicin. 2008
[4] Algebra, El mtodo de Gauss- Jordan y preliminares de algebra lineal;
cuadernillo Ingeniera tcnica en informtica de sistemas y gestin, Universidad Rey Juan
Carlos, Espaa.
[5] Khachiyan, L. (1979). A polynomial algorithm in linear programming 20. Soviet Math.
Doklady.
[6] 6. Nagui, Mohammad. Investigacin de Operaciones. Interpretacin de Modelos y
Casos. Editorial Limusa, 1996, Mxico.
[7] Programacin Lineal e Ingeniera Industrial: Una Aproximacin al Estado del Arte.
Ingeniera Industrial. Actualidad y Nuevas Tendencias Ao4, Vol. II, N6 ISSN: 18568327
Gudez. Programacin Lineal e Ingeniera Industrial: una Aproximacin al Estado del Arte,
p.61-78
[8] Planificacin integrada de produccin y Distribucin para un conglomerado industrial.
Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Sistema de Informacin Cientfica http://www.redalyc.org/pdf/430/43019325008.pdf
[9] Optimizacin del proceso logstico en una empresa de colombiana de alimentos congelados
y refrigerados. Revista de ingeniera. Universidad de los Andes. Bogot, Colombia. rev. ing.
ISSN. 0121-4993. Noviembre de 2007. https://revistaing.uniandes.edu.co/pdf/26a6.pdf
[10] Fundamentos de investigacin de operaciones Frederick S. Hillier, Gerald J. Lieberman.
Adaptado de la novena edicin de: introduccin a la investigacin de operaciones de Frederick
S. Hillier, Gerald J. Lieberman 2010.
Pgina 137 de 137

Apunte Docente de IO1 Con Ejercicios 09feb15

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Apunte Docente de IO1 Con Ejercicios 09feb15

Загружено:

Авторское право:

Доступные форматы

2015

M.C. Teresa Carrillo Gutirrez

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

UNIDAD 1. INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES

1.1 El campo de la investigacin de operaciones

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Una caracterstica adicional de la investigacin de operaciones es que intenta encontrar la

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Personal: La automatizacin y la disminucin de costos, reclutamiento de personal,

Mercado y distribucin: El desarrollo e introduccin de producto, envasado, prediccin

Compras y materiales: Las cantidades y fuentes de suministro, costos fijos y variables,

Manufactura: La planeacin y control de la produccin, mezclas ptimas de

Finanzas y contabilidad: Los anlisis de flujo de efectivo, capital requerido de largo

La lista de reas funcionales de la organizacin que son de posible aplicacin de la IO, es

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

4. Mezcla de gasolinas en Texaco.- Con programacin lineal y no lineal Dewit y Cols

1.2 Programacin lineal

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

1.3 Elementos bsicos de algebra lineal

Donde 11 , 12 , 21 , 22 , 1 y 2 son nmeros dados. Cada una de estas ecuaciones

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Si se suman las dos ecuaciones se tiene, por el hecho A, la siguiente ecuacin:2 =

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

1.3.1 Matrices y sistemas de ecuaciones lineales

su matriz ampliada asociada es

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

De este modo, el sistema tiene la solucin nica

1.3.2 Solucin de sistemas de ecuaciones mediante el mtodo Gauss-Jordn

Entonces, anotando como matriz (tambin llamada matriz aumentada):

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Procedemos al primer paso para encontrar su solucin, anotarlo en su forma matricial:

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Lo primero que debemos hacer es transformar el 2 de la 1 fila de la matriz original en el 1 de la

Nuestro siguiente paso es obtener el 1 de la 2 fila de la matriz identidad, y procedemos de

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

El ltimo paso que debemos realizar es obtener el 0 de la 1 columna, 2 fila de la matriz

2(1) + 3(1) + 2 = 1 , 3(1) 2(1) 4(2) = 3, 5(1) (1) 2 = 4

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

1.4 Resolucin de problemas mediante programas de cmputo

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Despus de muchos aos, LINDO y su lenguaje de modelado LINGO an es uno de los

Videos 2 y 3: Creacin de Lnea de tiempo en Time Rime

Ejemplo de lnea del tiempo.

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Tema: Fundamentos de la Investigacin de Operaciones

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Ejercicio 3. Elaborar un mapa mental o un mapa conceptual del tema: Naturaleza de la

Gazmuri Schleyer P. (2001). Hacia un uso efectivo de la Investigacin de Operaciones

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

1.1 Formulacin Problemas Lineales

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

UNIDAD 2. FORMULACIN DE PROBLEMAS DE PROGRAMACIN

2.1 Funcin objetivo y restricciones

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M;

2.2 Planteamiento de problemas de dos variables

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Formulacin como un problema de programacin lineal.

Tabla 2.1. Datos del problema de la Wyndor Glass Co.

Tiempo de produccin por lote,

FACULTAD DE CIENCIAS QUMICAS E INGENIERA

Para resumir, en el lenguaje matemtico de programacin lineal, el problema consiste en