UNIVERSIDAD AUTONOMA DEL ESTADO

DE HIDALGO
LICENCIATURA EN ADMINISTRACION
INVESTIGRACION DE OPERACIONES
CARPETA DE EVIDENCIAS

JOS RICARDO PORRAS AGUILAR

M.I.I. MARCO ANTONIO GARCIA
MARQUEZ
30 DE MAYO DEL 2016

JUSTIFICACION
El motivo de esta carpeta de
evidencias es exponer y mantener
en orden las lecciones aprendidas y
desarrolladas en la clase de
investigacin
de
operaciones
correspondiente al 6to semestre de
la licenciatura en administracin,
para as usarla a modo de ejemplo
en el futuro en caso de necesitar de

repasar los temas en un formato

claro y entendible.

INDICE
Parcial 1
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.

E
E
E
E
E
E
E
E
E
E
E

12.
13.
14.
15.
16.
17.

E
E
E
E
E
E

Evidencia 2
Programacin Lineal - Mtodo Grfico
1.

Supuestos de la programacin lineal

2.

Formulacin de modelos de programacin lineal

3.

Forma estndar de los modelos de programacin lineal

4.

Solucin grfica de modelos lineales con dos variables

Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances cientficos ms
importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha ahorrado miles o
millones de dlares a muchas compaas y negocios, incluyendo industrias medianas en distintos pases del
mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede
manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de
asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma
ptima). Este problema de asignacin puede surgir cuando deba elegirse el nivel de ciertas actividades que
compiten por recursos escasos para realizarlas. La variedad de situaciones a las que se puede aplicar
esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones productivas a
los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; 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.
Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo. Por ejemplo,
cuando se compra una pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco, integral u
otro), costo y rebanado o sin rebanar. Se puede ir un paso ms adelante y dividir estos criterios en dos
categoras: restricciones y el objetivo. Las restricciones son las condiciones que debe satisfacer una solucin
que est bajo consideracin. Si ms de una alternativa satisfacen todas las restricciones, el objetivo se usa
para seleccionar entre todas las alternativas factibles. Cuando se elige una pieza de pan, pueden quererse
100 gr. de pan blanco rebanado y hecho no antes de ayer. Si varias marcas satisfacen estas restricciones,
puede aplicarse el objetivo de un costo mnimo y escoger las ms barata.
Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o maximizar un
objetivo que est sujeto a una lista de restricciones. un corredor de inversiones, por ejemplo, trata de
maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones estn restringidas por
las leyes y las polticas bancarias. Un hospital debe planear que las comidas para los pacientes satisfagan
ciertas restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de
minimizar el costo. Un fabricante, al planear la produccin futura, busca un costo mnimo al mismo tiempo
cmo cumplir restricciones sobre la demanda del producto, la capacidad de produccin, los inventarios, el
nivel de empleados y la tecnologa. La PL se ha aplicado con xito a estos y otros problemas.
La PL es una tcnica determinista, no incluye probabilidades y 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 a programacin en computadoras; en esencia es
un sinnimo de planeacin. As, la PL trata la planeacin de las actividades para obtener un resultado ptimo,
esto es, el resultado que mejor alcance la meta especificada (segn el modelo) entre todas las opciones de
solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la PL tiene
muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se ajuste al formato
general del modelo de PL es un problema de PL.

Supuestos de la programacin lineal

Existe un nmero de suposiciones realizadas en cada modelo. La utilidad de un modelo est directamente
relacionada con la realidad de los supuestos.
El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo es lineal, la
contribucin al objetivo de cualquier decisin es proporcional al valor de la variable de decisin. Producir dos
veces ms de producto producir dos veces ms de ganacia, contratando el doble de pginas en las revistas
doblar el costo relacionado con las revistas. Es una Suposicin de Proporcin.
Adems, la contribucin de una variable a la funcin objetivo es independiente de los valores de las
otras variables. La ganancia con una computadora Notebook es de $10,750.00, independientemente de
cuantas computadoras Desktop se producen. Este es un Supuesto de Adicin.
Anlogamente, ya que cada restriccin es lineal, la contribucin de cada variable al lado izquierdo de cada
restriccin es proporcional al valor de la variable e independiente de los valores de cualquier ora variable.
Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y precisos en la
formulacin del modelo puede ayudar a manejar situaciones que parecen en un comienzo como lejanos a
estos supuestos.
El siguiente supuesto es la Suposicin de ser Divisible. Es posible tomar una fraccin de cualquier variable.
Por ejemplo, en un problema de marketing, qu significa comprar 2.67 avisos en la televisin?. Es posible que
la suposicin de ser divisible sea insatisfecha en este ejemplo. O puede ser que tales unidades de 2.67 avisos
correspondan a 2,666.7 minutos de avisos, en cuyo caso redondeando la solucin seran 2,667 minutos con
una mnima duda que est cercana a la solucin ptima. Si la suposicin de divisible no es vlida, entonces
se usar la tcnica de Programacin Lineal Entera.
La ltima suposicin es el Supuesto de Certeza. La Programacin Lineal no permite incertidumbre en los
valores.
Ser difcil que un problema cumpla con todas las suposiciones de manera exacta. Pero esto no negar
la factibilidad de uso del modelo. Un modelo puede ser an til aunque difiera de la realidad, si se es
consistente con los requerimientos ms estrictos dentro del modelo y se tiene claras sus limitaciones al
interpretar los resultados.
Existen limitaciones prcticas para el uso de la PL. Una se relaciona con los clculos. En general se necesita
una computadora. Desafortunadamente, las calculadoras, aun las programables, son poco tiles, puesto que
la PL tiene necesidad de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a una
computadora, se estar limitado a problemas muy sencillos. La otra limitacin se refiere al costo de formular
un problema de PL. En teora, podra usarse PL, por ejemplo, para hacer las compras semanales de
abarrotes. Sin embargo, sera necesario conocer todas las compras posibles que pueden realizarse (stas
seran las variables), adems de cada restriccin como sabor, nmero de comidas, vitaminas y protenas. Es
obvio que el costo de obtener todos estos datosexcede lo que se podra ahorrar si se hicieran las compras
ptimas. Antes de emprender una aplicacin de PL, debe considerarse la disponibilidad y el costo de los datos
necesarios.

Formulacin de modelos de programacin lineal

Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo sta puede aplicarse y formular el
problema matemticamente. Una vez hecha esa parte, resolver el problema casi siempre es fcil.
Para formular un problema en forma matemtica, deben expresarse afirmaciones lgicas en
trminos matemticos. Esto se realiza cuando se resuelven "problemas hablados" al estudiar un curso
de lgebra. Algo muy parecido sucede aqu al formular las restricciones. Por ejemplo, considrese la siguiente
afirmacin: A usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas
disponibles, la restriccin ser:
3A + 2B = 100
Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio que se usen todos los recursos
(en este caso, horas de mano de obra). Ms bien la limitacin es que se use, cuando mucho, lo que se tiene
disponible. Para este caso, la afirmacin anterior puede escribirse como una desigualdad:
3A + 2B ? 100

Para que sea aceptable para PL, cada restriccin debe ser una suma de variables con exponente 1. Los
cuadrados, las races cuadradas, etc. no son aceptables, ni tampoco los productos de variables. Adems, la
forma estndar para una restriccin pone a todas las variables del lado izquierdo y slo una
constante positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los trminos. Si, por
ejemplo, la restriccin es que A debe ser por los menos el doble de B, esto puede escribirse como:
A ? 2B

A ? 2B ? 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si fuera un signo
de igualdad. Pero al multiplicar una desigualdad por ?1, el sentido de esta desigualdad se invierte. Puede ser
necesario hacer esto para que los coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere
que A sea por lo menos tan grande como B ? 2, entonces:
A

?
A? B

B?2
?2

por ltimo B ? A

Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuacin. Todo lo que se
tiene que hacer es agregar (o restar) una variable extra. Por ejemplo:
B ?A? 2
es lo mismo que
B?A+S=2
en donde S representa la diferencia, o la holgura, entre B ? A y 2. S se llama variable de holgura. Por otro
lado, se restara una variable de supervit en el caso siguiente:
A ? 2B ? 0
es lo mismo que
A ? 2B ?S = 0
Algunos mtodos de solucin (como el Mtodo Smplex) y la mayora de los programas de computadora
(como el MathProg, que viene en el ORCourseware, que acompaa al libro "Introduccin a la Investigacin de
Operaciones" de los autores Hillier y Lieberman) requieren que todas las desigualdades se conviertan en
igualdades.
La metodologa de PL requiere que todas las variables sean positivas o cero, es decir, no negativas. Para la
mayora de los problemas esto es real, no se querra una solucin que diga: prodzcanse menos dos cajas o
contrtense menos cuatro personas.
Mientras que no existe un lmite en el nmero de restricciones que puede tener un problema de PL, slo
puede haber un objetivo. La forma matemtica del objetivo se llama funcin objetivo. Debe llevar consigo el
maximizar o minimizar alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la
contribucin marginal o los contactos con los clientes. Podra ser minimizar el costo, el nmero de empleados
o el material de desperdicio. Con frecuencia el objetivo es evidente al observar el problema.
Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema, se usa la letra Z para
representarlo. La funcin objetivo tendr, entonces, la forma:
Maximizar
Z = 4A + 6B
Minimizar
Z = 2x1 + 5x2
Se analiza una aplicacin para ilustrar el formato de los problemas de Programacin Lineal.
Planeacin de la fuerza de trabajo.
El gerente de personal de "La Tortuga Veloz, S.A. de C.V.", est analizando la necesidad de mano de obra
semi calificada durante los prximos seis meses. Se lleva 1 mes adiestrar a una persona nueva. Durante este
perodo de entrenamiento un trabajador regular, junto con uno en adiestramiento (aprendiz), producen el
equivalente a lo que producen 1.2 trabajadores regulares. Se paga $500.00 mensuales a quien est en
entrenamiento, mientras que los trabajadores regulares ganan $800.00 mensuales. La rotacin de personal
entre los trabajadores regulares es bastante alta, del 10% mensual.
El gerente de personal debe
decidir cuntas personas necesita contratar cada mes para adiestramiento. En seguida se da el nmero de
meses-hombre necesarios. Tambin se desea tener una fuerza de trabajo regular de 110 al principio de julio.
En cuanto al 1 de enero, hay 58 empleados regulares.
Mes

Meses-hombre requeridos

Mes

Meses-hombre requeridos

Enero

60

Abril

80

Febrero

50

Mayo

70

Marzo

60

Junio

100

Este problema tiene un aspecto dinmico, ya que la fuerza de trabajo en cualquier mes depende de la fuerza
de trabajo regular y en adiestramiento del mes anterior. Para cualquier mes, el nmero total de meses-hombre
disponibles se puede expresar como sigue:
Meses-hombre disponibles: Ri + 0.2Ai
en donde:
Ri = nmero de trabajadores regulares al principio del mes
Ai = nmero de aprendices contratados en el mes.
Entonces los requerimientos de cada mes pueden expresarse por las restricciones:
enero

R1 + 0.2A1

60

febrero

R2 + 0.2A2

50

marzo

R3 + 0.2A3

60

abril

R4 + 0.2A4

80

mayo

R5 + 0.2A5

70

junio

R6 + 0.2A6

100

julio (principio)

R7

110

Debido a la rotacin, el 10% de los trabajadores regulares se van cada mes. As, el nmero de trabajadores
regulares disponibles, por ejemplo, al principio de febrero sera:
R2 = 0.9R1 + A1
En la misma forma, pueden escribirse las ecuaciones para el nmero de trabajadores disponibles al principio
de cada mes:
enero

R1

58 (dado)

febrero

R2

0.9R1 + A1

marzo

R3

0.9R2 + A2

abril

R4

0.9R3 + A3

mayo

R5

0.9R4 + A4

junio

R6

0.9R5 + A5

julio

R7

0.9R6 + A6

El objetivo global del gerente de personal es minimizar el costo. La funcin objetivo es:
Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)
Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones.
Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una solucin y, despus,
buscan esa solucin. En PL, los criterios se expresan como restricciones. Se exploran las soluciones posibles
y se usa la funcin objetivo para elegir la mejor de entre aquellas que cumplen con los criterios. La PL se
denomina tcnica de optimizacin, pero optimiza slo dentro de los lmitesde las restricciones. En realidad es
un mtodo de satisfaccin de criterios.

Forma estndar de los modelos de programacin lineal

Supngase que existe cualquier nmero (digamos m) de recursos limitados de cualquier tipo, que se pueden
asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier clase. Etiqutense los
recursos con nmeros (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisin) el
nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de efectividad global seleccionada. Sea cj el
incremento que resulta en Z por cada incremento unitario en xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad
disponible del recurso i (para i = 1, 2, ..., m). Por ltimo defnase aij como la cantidad de recurso i que
consume cada unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo
matemtico para el problema general de asignar recursos a actividades. En particular, este modelo consiste
en elegir valores de x1, x2, ..., xn para:

Maximizar Z = c1x1 + c2x2 + ... + cnxn,

sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn ? b1
a21x1 + a22x2 + ... + a2nxn ? b2
am1x1 + am2x2 + ... + amnxn ? bm y
x1 ? 0,
x2 ?0, ..., xn ? 0
sta se llamar nuestra forma estndar(porque algunos libros de texto adoptan otras formas) para el
problema de PL. Cualquier situacin cuya formulacin matemtica se ajuste a este modelo es un problema de
PL.
En este momento se puede resumir la terminologa que usaremos para los modelos de PL. La funcin que se
desea maximizar, c1x1 + c2x2 + ... + cnxn, se llama funcin objetivo. Por lo general, se hace referencia a las
limitaciones como restricciones. Las primeras m restricciones (aquellas con una funcin del tipo ai1x1 + ai2x2
+ ... + ainxn, que representa el consumo total del recurso i) reciben el nombre de restricciones funcionales. De
manera parecida, las restricciones xj ? 0 se llaman restricciones de no negatividad. Las variables xj son
las variables de decisin. Las constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo.
Otras formas de modelos de Programacin Lineal.
Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos problemas de
programacin lineal. Las otras formas legtimas son las siguientes:
1. Minimizar en lugar de maximizar la funcin objetivo:
Minimizar Z = c1x1 + c2x2 + ... + cnxn,
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:
ai1x1 + ai2x2 + ... + ainxn, ? bi,
para algunos valores de i,
3. Algunas restricciones funcionales en forma de ecuacin:
ai1x1 + ai2x2 + ... + ainxn, = bi,
para algunos valores de i,
4. Las variables de decisin sin la restriccin de no negatividad:
xj no restringida en signo para algunos valores de j.
Cualquier problema que incluya una, varias o todas estas formas del modelo anterior tambin se clasifica
como un problema de PL, siempre y cuando stas sean las nicas formas nuevas introducidas. Puede ser
que la interpretacin que se ha dado de asignacin de recursos limitados entre actividades que compiten no
se aplique, pero independientemente de la interpretacin o el contexto, lo nico que se necesita es que la
formulacin matemtica del problema se ajuste a las formas permitidas. Se ver que estas otras cuatro
formas legales se pueden reescribir en una forma equivalente para que se ajuste al modelo que se present.
Entonces, todo problema de PL se puede poner en nuestra forma estndar si se desea.

Solucin grfica de modelos lineales con dos variables

Para la solucin grfica de programas lineales con dos variables, lo que se tiene que hacer es trazar un eje de
coordenadas cartesianas, para graficar las desigualdades dadas por el problema, despus encontrar el rea
de Soluciones Factibles y proceder a graficar la funcin objetivo para conocer el valor ptimo (maximizar o
minimizar) que ser la solucin del problema.
Ejemplo: Problema de mezcla de productos.
Un fabricante est tratando de decidir sobre las cantidades de produccin para dos artculos: mesas y sillas.
Se cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada mesa requiere 12 unidades de
material y 6 horas de mano de obra. Por otra parte, las sillas usan 8 unidades de material cada una y
requieren 12 horas de mano de obra por silla. El margen de contribucin es el mismo para las mesas que
para las sillas: $5.00 por unidad. El fabricante prometi construir por lo menos dos mesas.
Paso 1: formulacin del problema.
El primer paso para resolver el problema es expresarlo en trminos matemticos en el formato general de PL.
Cul es el objetivo? Es maximizar la contribucin a la ganancia. Cada unidad de mesas o sillas producidas
contribuir con $5 en la ganancia. As las dos alternativas son la produccin de mesas y la produccin de
sillas. Ahora puede escribirse la funcin objetivo:
Maximizar Z = 5x1 + 5x2
en donde: x1 = nmero de mesas producidas
x2 = nmero de sillas producidas

Cules son las restricciones o limitaciones del problema? Existen tres restricciones. Primero, el material est
limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada silla usa 8 unidades. La primera
restriccin es, entonces:
12x1 + 8x2 ? 96
La segunda restriccin es el total de horas de mano de obra. Una mesa se lleva 6 horas, una silla 12 horas y
se dispone de un total de 72 horas. As:
6x1 + 12x2 ? 72
Existe una limitacin ms. El fabricante prometi producir por lo menos dos mesas. Esto puede expresarse
como:
x1 ? 2
Por ltimo, las restricciones de no negatividad son:
x1 ? 0, x2 ? 0
Poniendo todo junto el modelo se tiene:
Maximizar Z = 5x1 + 5x2
Restricciones: 12x1 + 8x2 ? 96
6x1 + 12x2 ? 72
x1 ? 2
x1 ? 0, x2 ? 0
Paso 2: grfica de las restricciones.
El siguiente paso en el mtodo grfico es dibujar todas las restricciones en una grfica. Esto puede hacerse
en cualquier orden. Por conveniencia se comenzar con las restricciones de no negatividad. stas se
muestran en la siguiente figura:

En esta grfica, una solucin se representara por un punto con coordenadas x1 (mesas) y x2 (sillas). Las
coordenadas representaran las cantidades de cada artculo que se deben producir. El cuadrante superior
derecho se llama Regin Factible puesto que es el nico cuadrante en que pueden estar las soluciones. Los
otros tres cuadrantes no son factibles, ya que requeriran la produccin de cantidades negativas de mesas o
de sillas o de ambas.
La siguiente restriccin es x1 ? 2. La manera ms sencilla de dibujar las restricciones de recursos es en dos
pasos: (1) convertir una desigualdad en una ecuacin y graficar la ecuacin y (2) sombrear el rea apropiada
arriba y abajo de la lnea que resulta en el paso 1. Convertir una igualdad en una ecuacin aqu significa
ignorar la parte de "mayor que" o "menor que" de la restriccin.
As, en el ejemplo, x1 ? 2 se convierte en x1 = 2. Esta ecuacin est trazada en la siguiente figura:

Cualquier punto en la lnea x1 = 2 satisface la ecuacin. Sin embargo, la restriccin es ms amplia, ya que
cualquier punto x1 > 2 tambin la cumplir. Esto incluye todos los puntos que estn a la derecha de la lnea
x1 = 2. Entonces, la regin factible incluye todos los valores de x1 que estn sobre o a la derecha de la
lnea x1 = 2.
La limitacin sobre las horas de mano de obra es la siguiente restriccin. Como antes, primero se convierte en
una ecuacin: 6x1 + 12x2 = 72. Puede graficarse esta lnea si se encuentran dos puntos sobre ella. El par de
puntos ms sencillos de localizar son las intersecciones con los ejes X1 y X2. Para encontrar la interseccin
con el eje X2 se hace x1 = 0. La ecuacin se reduce, entonces, a:
12x2 = 72
x2 = 6
La interseccin con el eje X1 se encuentra haciendo x2 = 0.
As:
6x1 = 72
x1 = 12
Estos dos puntos y la lnea que los une se muestran en la siguiente figura:

Cualquier punto que est sobre o abajo de esta lnea cumplir con la restriccin. Cualquier punto arriba de
esta lnea requerir ms de 72 horas de mano de obra y no es aceptable. En la siguiente figura se combina
esta restriccin con la anterior. En la regin factible, ambas restricciones se cumplen.

La ltima restriccin es la de material. Siguiendo el procedimiento anterior, primero se encuentran las

intersecciones para la igualdad. stas son x1 = 0, x2 = 12 y x1 = 8, x2 =0. Se localizan los dos puntos en la
grfica; se traza la lnea, y como la restriccin es del tipo menor o igual que, se sombrea el rea que est
abajo de la lnea. El resultado se muestra en la siguiente figura:

Cualquier solucin que est en la frontera o dentro del rea sombreada cumplir con todas las restricciones.
Ahora se utilizar la funcin objetivo para seleccionar la solucin ptima.
Paso 3: obtencin de la solucin ptima: lneas de indiferencia.
Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma grfica de las restricciones. La
funcin objetivo en este problema es Z = 5x1 + 5x2. Como todava no se conoce el mximo valor factible de Z,
no puede trazarse el ptimo de la funcin objetivo. No obstante, es posible suponer algunos valores para Z y
graficar las lneas resultantes. En la siguiente figura se muestran las lneas para Z = 25 yZ = 50:

Las lneas de este tipo se llaman lneas de indiferencia, porque cualquier punto sobre una lnea dada da la
misma ganancia total. Ntese que la distancia perpendicular del origen a la lnea aumenta al aumentar el valor
de Z. Tambin, todas las lneas de indiferencia son paralelas entre s. Estas propiedades grficas pueden
usarse para resolver el problema.

En la siguiente figura, se ilustran todas las restricciones y las dos lneas de indiferencia supuestas. En la
grfica puede observarse que la lnea de indiferencia para Z = 50 est completamente fuera de la regin
factible. Para Z = 25, parte de la lnea cae dentro de la regin factible. Por tanto, existe alguna combinacin
de x1 y x2 que satisface todas las restricciones y da una ganancia total de $25. Por inspeccin, puede
observarse que hay ganancias ms altas que son factibles.

Imaginando que la lnea de indiferencia Z = 25 se mueve hacia la lnea Z = 50, de las propiedades de la
grfica que se hicieron notar antes, el punto ptimo estar sobre la lnea de indiferencia ms lejana al origen
pero que todava toque la regin factible. Esto se muestra en la siguiente figura:

Con el punto ptimo localizado grficamente, la nica tarea que queda es encontrar las coordenadas del
punto. Ntese que el punto ptimo est en la interseccin de las lneas de restriccin para materiales y horas
de mano de obra. Las coordenadas de este punto se pueden encontrar resolviendo el sistema de ecuaciones
que forman estas dos restricciones utilizando cualquiera de los mtodos de solucin (suma y resta, sustitucin
o igualacin). Las coordenadas de este punto resultan ser (6, 3). La sustitucin de este punto en la funcin
objetivo da la ganancia mxima:
Z = 5(6) + 5(3) = $45
Resumen del mtodo grfico.
Para resolver grficamente problemas de programacin lineal:
1. Exprsense los datos del problema como una funcin objetivo y restricciones.
2. Grafquese cada restriccin.
3. Localcese la solucin ptima.
Uso del mtodo grfico para minimizacin.
Consideremos un Problema de PL en el cual el objetivo es minimizar costos. La solucin del problema de
minimizacin sigue el mismo procedimiento que la de problemas de maximizacin. La nica diferencia es que
ahora se quiere el menor valor posible para la funcin objetivo. Supngase que se tiene el siguiente
problema:
Ejemplo: Problema de dieta.
Un comprador est tratando de seleccionar la combinacin ms barata de dos alimentos, que debe cumplir
con ciertas necesidades diarias de vitaminas. Los requerimientos vitamnicos son por lo menos 40 unidades
de vitamina W, 50 unidades de vitamina X y 49 unidades de vitamina Y. Cada onza del alimento A proporciona

4 unidades de vitamina W, 10 unidades de vitamina X y 7 unidades de vitamina Y; cada onza del alimento B
proporciona 10 unidades de W, 5 unidades de X y 7 unidades de Y. El alimento A cuesta 5 pesos/kilogramo y
el alimento B cuesta 8 pesos/kilogramo.
Paso 1: formulacin del problema.
La meta en este problema es encontrar la manera menos costosa para satisfacer las necesidades
vitamnicas. Las dos alternativas disponibles son los alimentos A y B. Matemticamente la funcin objetivo es:
Minimizar Z = 5A + 8B
Las restricciones son los requerimientos mnimos de las tres vitaminas. stas se muestran enseguida:
Restricciones: 4A + 10B ? 40 vitamina W
10A + 5B ? 50 vitamina X
7A + 7B ? 49 vitamina Y
A ? 0, B ? 0 no negatividad
Paso 2: grfica de las restricciones.
El procedimiento para graficar es el mismo que se us antes: (1) graficar cada ecuacin de restriccin; (2)
graficar el rea apropiada. Para la primera restriccin la ecuacin es 4A + 10B = 40. Las dos intersecciones
con los ejes son (0,4) y (10,0). Esta lnea se muestra en la siguiente figura:

La restriccin pide 40 unidades o ms de la vitamina W. Cualquier punto que est arriba de la lnea de
restriccin ser factible y todos los puntos que quedan abajo de esa lnea sern aceptables. En la siguiente
figura se muestra la regin factible:

Despus se grafica la restriccin para la vitamina X. La ecuacin 10A + 5B = 50 tiene intersecciones con los
ejes en (0,10) y (5,0). En la siguiente figura se ilustran las restricciones para las vitaminas W y X. Ntese que
las soluciones que quedan en las reas a o b no son factibles, ya que quedaran abajo de las lneas de
restriccin.

Al agregar la tercera restriccin, este segundo paso queda terminado, como se muestra en la siguiente figura:

Paso 3: localizacin de la solucin ptima.

En la siguiente figura se muestra la frontera extrema ms dos lneas de indiferencia, las de Z = 40 pesos y Z =
60 pesos. La frontera extrema est formada por los puntos a, b, c y d, puesto que stos son los puntos de
interseccin factibles ms cercanos al origen.

Grficamente, el objetivo de minimizar el valor de Z significa ajustar una lnea de indiferencia tan cerca del
origen como sea posible. En la figura anterior puede observarse que existen muchas soluciones posibles para
Z = 60, pero ninguna para Z = 40. Imaginando mover la lnea Z = 60 hacia el origen, el ltimo punto de
contacto con la frontera extrema ser el punto b. Entonces, el punto b es la solucin ptima. En la figura
anterior se observa que el punto b es la interseccin de dos lneas:
(1) 4A + 10B = 40
(2) 7A + 7B = 49
Resolviendo el sistema de ecuaciones:
Multiplquese la ecuacin (1) por 7:
Multiplquese la ecuacin (2) por 4:

(3)

28A + 70B = 280

(4) 28A 28B = 196

42B = 84
B= 2
Sustityase en la ecuacin (1):
4A + 10(2) = 40
A= 5
La solucin menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento B. El costo total de esta
combinacin es:
Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos
Si se usa el mtodo de prueba y error para localizar la solucin ptima, se deben encontrar las coordenadas
de los puntos a, b, c, y d. Se debe calcular despus el valor de la funcin objetivo para cada punto. A
continuacin se muestran los resultados de este procedimiento:
Resultados de prueba y error
Punto

Coordenadas

Z = 5A + 8B

A = 10, B = 0

50

A = 5, B = 2

41 ? menor

A =3, B = 4

47

A = 0, B = 10

80

Casos especiales.
Mltiples soluciones.
Maximizar

sujeta a

3x1

2x2

x1

3x1

x1 ? 0,

x2

12

2x2

18

x2 ? 0

Ninguna solucin factible.

Maximizar

sujeta a

3x1

2x2

1/40x1 +

1/60x2 ?

1/50x1 +

1/50x2 ?

x1
x2
x1 ? 0,

30

20

x2 ? 0

rea o Regin de Soluciones Factibles no Acotada.

Maximizar
sujeta a

2x1

x2

x1

x2

2x1

x2

x1 ? 0,

x2 ? 0

EVIDENCIA 6
Mtodo simplex - Maximizacin
1.

Conceptos bsicos

2.

Hiptesis bsicas

3.

Planteamiento del problema

4.

Algoritmo Smplex (Dantzig, 1951)

5.
6.

Mtodo Simplex modificado

7.

Mtodo Simplex sper modificado

8.

Desarrollando el mtodo Simplex

9.

Problemas propuestos

El mtodo Simplex es un mtodo secuencial de optimizacin, es

un procedimiento iterativo que permite ir mejorando la solucin a cada
paso. El proceso concluye cuando no es posible seguir mejorando ms
dicha solucin.
Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el
mtodo consiste en buscar sucesivamente otro vrtice que mejore al
anterior. La bsqueda se hace siempre a travs de los lados del polgono
(o de las aristas del poliedro, si el nmero de variables es mayor). Cmo
el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar
la solucin.
El mtodo Simplex se basa en la siguiente propiedad: si la funcin
objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una
arista que parte de A, a lo largo de la cual f aumenta.
Deber tenerse en cuenta que este mtodo slo trabaja para
restricciones que tengan un tipo de desigualdad "=" y coeficientes
independientes mayores o iguales a 0, y habr que estandarizar las
mismas para el algoritmo. En caso de que despus de ste proceso,
aparezcan (o no varen) restricciones del tipo "=" o "=" habr que

emplear otros mtodos, siendo el ms comn el mtodo de las Dos

Fases.
Conceptos bsicos
1.- FACTORES PRODUCTIVOS: (Ai)
Son los medios empleados para la obtencin de la produccin. Los
factores productivos pueden ser limitados (los cuales originan
restricciones), o limitados.
Los llamaremos Ai = Factor productivo i.
2.- VECTOR EXISTENCIAS: (Po)
Es un vector columna cuyos componentes son las cantidades disponibles
de cada uno de los factores productivos limitados.

3.- TCNICA
Una tcnica es una combinacin de los distintos factores productivos
4.- PROCESO PRODUCTIVO: (Pj)
Es la transformacin de los factores productivos en bienes o productos,
de acuerdo con una tcnica determinada.
5.- VECTOR PROCESO
Es un vector columna, cuyos componentes indican las cantidades
necesarias de los distintos factores productivos, para la realizacin del
proceso Pj.

6.- NIVEL DE PROCESO: (Xj)

Indica la intensidad de utilizacin de los distintos factores productivos en
el proceso Pj, y lo llamaremos Xj.
Hiptesis bsicas
7.1.- PROPORCIONALIDAD
Las cantidades de los factores productivos son proporcionales a su nivel
de utilizacin.
7.2.- NO NEGATIVIDAD
Los niveles de los procesos han de ser mayores o iguales a cero.
7.3.- ADITIVIDAD
La combinacin de varios procesos productivos utiliza en conjunto la
suma de todos los factores exigidos individualmente a cada uno de ellos.
7.4.- LINEALIDAD
Los rendimientos de los procesos, son directamente proporcionales a su
nivel de utilizacin, es decir: dado un proceso Pj, empleado a nivel
unitario, obtendremos un rendimiento Pj, mientras que si Pj es utilizado a
un nivel Xj, el rendimiento del proceso ser Xj Pj.
Planteamiento del problema
Optimizar: Z = ?C1 X 1 ??C 2 X 2 ?? ??C n X n
Sujeto a:

Los problemas de programacin lineal se caracterizan por una serie de

elementos:
1. En la solucin ptima: el nmero de procesos ser igual al nmero de
factores limitados; aunque en ciertas ocasiones, dicho nmero de
procesos puede ser menor que el nmero de factores limitados. En tal
caso, la solucin es degenerada.
2. Los niveles de utilizacin Xj de los procesos sern no negativos.
3. Estos niveles sern tales, que todas las restricciones cumplan
como igualdad, siempre y cuando estemos hablando de procesos que
pertenezcan al ptimo.
4. El programa (plan de produccin), que cumpliendo las condiciones
anteriores, optimice el valor de la funcin objetivo, ser el programa
ptimo.
Algoritmo Smplex (Dantzig, 1951)
En el algoritmo del Smplex, se parte de un programa base que estar
formado por vectores unitarios (vector proceso unitario), realizando
iteraciones sucesivas, de manera que en cada uno de ellos, la matriz de
coeficientes asociada al programa base sea una matriz identidad.
Los pasos a seguir en el algoritmo del Smplex son:
1. Convertir desigualdades en igualdades, introduciendo para
ello variables de holgura, que sern positivas en restricciones menores o
iguales, y negativas en restricciones mayores o iguales.
2. Obtener el programa base: Esta es la pregunta inicial de la cual
partimos para determinar la solucin. Para encontrar el programa base,
tomaremos un vector unitario de cada una de las restricciones del
problema, de acuerdo con el siguiente esquema:
2.1. Escoger aquellas variables de holgura con el mismo signo que el
trmino independiente y coeficiente unitario.

2.2. En su defecto, escoger aquellas variables Xi que aparezca en una

nica restriccin, y tenga el mismo signo que el trmino independiente.
Esta variable deber tener coeficiente unitario.
2.3. En su defecto, introduciremos en aquellas restricciones de las
cuales no hemos tocado an, un vector unitario una variable artificial Kj
afectada de un rendimiento N si estamos maximizando, o de un
rendimiento +N si estamos minimizando, y que tendr un coeficiente
unitario.
El mtodo Simplex bsico
El mtodo Simplex, introducido en su forma original por Spendley; Hext
y Himsworth, en 1962, no se basa en planeamientos factoriales y por
eso requiere pocos experimentos para moverse, desplazndose en
la direccin del ptimo. La aplicacin del mtodo Simplex
en Qumica Analtica fue efectuada por la primera vez en 1969.
El mtodo Simplex original, a lo largo de estos aos, h sufrido
modificaciones que obligaron a la distincin del mismo dentro de
las estrategias de optimizacin, as el mtodo Simplex original pas a
ser llamado de Mtodo Simplex Bsico (MSB).
El procedimiento de optimizacin, en el mtodo Simplex, comienza por
la eleccin de la n+1 puntos donde ser hecha la evaluacin de la
respuesta. Este resultado ser evaluado contra las dems respuestas
para que el proceso pueda continuar, siendo que este tipo
de desarrollo convierte al simplex en un mtodo del tipo secuencial.
El procedimiento es repetido sucesivamente, descartndose la peor
respuesta. Por lo tanto, como vemos, el objetivo del mtodo Simplex
secuencial es forzar al simplex a moverse para la regin de respuesta
ptima.
Las decisiones requeridas para que eso sea posible constituyen las
llamadas "reglas" del procedimiento simplex.REGLAS PARA
EL MOVIMIENTO DEL SIMPLEX BSICO
Regla n 1: Despus de determinar las respuestas de los n+1
experimentos necesarios para iniciar el proceso, con base en
el conocimiento ya adquirido sobre el sistema, se debe clasificarlas en
mejor [B (the Best)], peor [W (the Worst)] y resultados intermediarios [N
(Next to worst)], segn el objetivo de la optimizacin.
Regla n 2: El simplex es movido para un simplex adyacente, el cul es
determinado descartando la respuesta menos deseada. El vrtice
correspondiente a esta respuesta es sustituido por un nuevo vrtice,
generado por su reflexin a travs del centroide de la hiperfase de los
vrtices restantes.
Matematicamente, s los vrtices de un simplex k-dimensional son
representados por coordenadas vectoriales P1, P2, ...., Pj, ....Pk, ....
Pk+1, la eliminacin de la respuesta no deseada Pj resulta en la
hiperfase formada por P1, P2, ...., Pj-1, Pj+1, ....Pk, .... Pk+1 con el
centroide definido por:
Pc = 1/k (P1 + P2 + .... + Pj-1 + Pj+1 + .... + Pk + Pk+1)

Pc = centroide de la hiperfase K = nmero de dimensiones del simplexPj

= vrtice correspondiente a la peor respuesta.
El nuevo simplex es definido por esta fase y un nuevo vrtice, P, que
corresponde a la reflexin del vrtice rechazado Pj, a travs de la fase
por el centroide Pc.
P = Pc + (Pc - Pj)
Regla n 3: S el punto reflejado, P, tuviera la peor respuesta en el
nuevo simplex, probablemente el desplazamiento no est sucediendo en
direccin al ptimo. En este caso, se debe rechazar la 2 peor respuesta
de este simplex y continuar con la optimizacin.
Esta regla es necesaria, pues el simplex puede estar encima de una
cresta y la aplicacin directa de la Regla no 2 puede hacer con que el
punto P sea reflejado de vuelta al punto anterior. En este caso el simplex
oscila y se vuelve sin recurso (decimos, que se mantiene parado).
Esta situacin sucede con frecuencia en la regin del ptimo. S un punto
es obtenido cercano a l, todos los otros nuevos puntos tienden a pasar
ms all del tope de la curva de respuesta. Entonces, un cambio en la
direccin es indicado. En la regin del ptimo, normalmente ocurre el
simplex circular en vuelta de un ptimo temporneo. Como se puede
tratar de un resultado falso, el cual hace, con que el simplex se prenda a
l, es necesario la siguiente excepcin adicional a la Regla no 1.
Regla n 4: S un vrtice fuera mantenido en k+1 simplex, antes de
aplicar la Regla no 2, haga una nueva observacin del vrtice
persistente. S el vrtice est realmente cercano al ptimo, es probable
que la evaluacin repetida de la respuesta sea consistente y de esta
forma el punto ser mantenido. S la respuesta en el vrtice fuera alta
por causa de un error de observacin, es improbable que con la nueva
evaluacin eso ocurra y por lo tanto, el vrtice ser consecuentemente
eliminado.
Regla n 5: S el nuevo vrtice encontrarse fuera de los limites
aceptables de las variables optimizadas, no se deben realizar
observaciones experimentales con estos valores, al contrario se debe
atribuir a este la respuesta ms indeseable.
La aplicacin posterior de las Reglas nos 2 e 3 obligar al simplex a
regresar dentro de los lmites permitidos y este continuar buscando por
la respuesta ptima. Cuando un ptimo es localizado, las reglas del
simplex lo fuerzan a circular.
Localizacin y tamao del simplex inicial
En la etapa inicial de los experimentos, es recomendable construir un
simplex grande para que por s mismo se mueva rpidamente sobre la
superficie de respuestas y pueda localizar la regin del ptimo. Para
definir ms precisamente el ptimo, se construye un simplex menor y se
contina la optimizacin. En el caso que sea necesario, es posible repetir
el proceso, dejando el simplex cada vez ms pequeo. Est claro que
existe una limitacin para el tamao del simplex, pues, s este fuera muy
pequeo, los errores experimentales pueden enmascarar los verdaderos

efectos sobre la respuesta y hacer con que el simplex se traslade

irregularmente dentro de un rea cercana al ptimo.
Para definicin del primer simplex se debe establecer las variables que
estarn sujetas a la optimizacin. Despus, se define el tamao del paso
() de cada variable del simplex. Con el auxilio de la Tabla 1, se puede
construir el simplex inicial hasta con 7 (siete) factores.
Tabla 1: Valores para el tamao del paso hasta para 10 factores
Vrtice

Factores (variables)

no

01

02

1,000

03

0,500

0,866

04

0,500

0,289

0,817

05

0,500

0,289

0,204

0,791

06

0,500

0,289

0,204

0,158

0,775

07

0,500

0,289

0,204

0,158

0,129

0,764

08

0,500

0,289

0,204

0,158

0,129

0,109

0,756

Ejemplo: Optimizacin de las condiciones de funcionamiento de un

cromatgrafo para un determinado anlisis.
Variables:1- Temperatura, C. 2- Velocidad de flujo del gas de arrastre,
mL/min. 3- Longitud de la columna, cm.
Valores iniciales:Temperatura, T = 20 C. Velocidad de flujo del gas de
arrastre, V = 40 mL/min. Longitud de la columna, C = 200 cm.
Pasos de las Variables (Step size, SS):Temperatura => SSt = 10 C.
Velocidad del flujo del gas de arrastre => SSv = 5 mL/min. Longitud de
la columna => SSc = 20 cm.
Los vrtices nuevos son obtenidos sumndose al punto inicial el paso de
cada variable multiplicado por el factor correspondiente de la Tabla 1.
Los experimentos previstos para este ejemplo estn relacionados en la
Tabla 2.
Tabla 2: Determinacin de los vrtices del simplex inicial
Vrtice
Inicial
01
02
03
04
Consideraciones Generales

El mtodo Simplex no requiere el uso de test estadsticos de

significancia por dos razones:
a) s las diferencias en las respuestas son grandes al ser comparadas
con el error experimental, el simplex se mueve en la direccin correcta.
b) s las diferencias son bastante pequeas para ser afectadas por el
error experimental, el simplex se mueve en la direccin equivocada.
Incluso, un movimiento en la direccin equivocada provocara una
respuesta indeseable, que rpidamente producira una correccin en la
direccin tomada, a travs de las Reglas nos 2 e 3, y el simplex aunque
momentneamente fuera de curso, volvera nuevamente en direccin al
ptimo.
Se debe llevar en cuenta que el mtodo Simplex no puede ser utilizado
en la determinacin de variables cualitativas, del tipo presencia o no de
un determinado factor. La aplicacin de este mtodo tambin no es
aconsejable caso las condiciones experimentales sean de difcil control u
obtencin, adems que slo es posible optimizar un factor por vez.
En particular, en el uso del mtodo simplex bsico, tres limitaciones son
evidentes:
Primero: El ptimo solamente es localizado con precisin por
casualidad.
Segundo: Un ptimo falso puede ser localizado.
Tercero: El progreso del simplex en direccin al ptimo solamente
puede ser efectuado en una proporcin constante.
Estos inconvenientes motivaron la modificacin del mtodo simplex
bsico, convirtindolo ms eficiente en la bsqueda del ptimo,
originando el mtodo simplex modificado (MSM).
Mtodo Simplex modificado
En 1965, Nelder y Mead, propusieron modificaciones en el procedimiento
original de movimentacin del simplex bsico, que permiti obtener un
punto ptimo estacionario con suficiente precisin y claridad, adems de
permitir un desarrollo mas rpido del simplex en direccin al ptimo,
originando el denominado Mtodo Simplex Modificado (MSM), donde
pueden ser alterados el tamao y la forma del simplex. Las reglas de
movimiento del mtodo Simplex bsico son vlidas y a estas fueron
aumentadas, por Nelder y Mead, otras que caracterizan el MSM,
volvindolo probablemente el ms aplicado en qumica.
Reglas para el movimiento del simplex modificado
Las reglas adicionales de movimiento del Mtodo Simplex Modificado.
Andamiento del Mtodo Simplex Modificado Considere el simplex inicial
representado por B, N y W en la figura 8. Suponga que W es el vrtice
que d la peor respuesta, B la mejor respuesta y N la segunda peor
respuesta. As, como en el mtodo simplex bsico, el primer movimiento
del simplex modificado es la reflexin y los vrtices para el movimiento
del simplex pueden ser resumidos por la ecuacin:
P = Pc + b (Pc - W)

P = vrtice para el movimiento del simplex. Pc= centroide. W= vrtice

correspondiente a la peor respuesta.
b = coeficiente de movimiento del simplex.
En el mtodo simplex bsico, el nico valor permitido para el
andamiento del simplex es b = 1, correspondiente a la reflexin,
generando el vrtice R. Sin embargo, para el Mtodo Simplex Modificado
otros valores son permitidos y definidos despus de cada observacin de
la respuesta en comparacin con las respuestas obtenidas en los
vrtices originales representados por B, N y W.
Existen cuatro posibilidades con relacin a la respuesta obtenida en R
para ser consideradas, las cules generan las siguientes reglas de
movimiento del simplex modificado.
Regla n 1: S la respuesta en R fuera mejor que la respuesta en B,
indica que el simplex est caminando en la direccin correcta. Se debe
realizar una expansin del simplex inicial. Haciendo b = 2 se duplica el
tamao del simplex en la direccin deseada y se realiza el experimento
en S. S la respuesta en S fuera mejor que las anteriores, el nuevo
simplex ser SBN.
Regla n 2: S la respuesta en R fuera peor que en W, significa que el
simplex adems de no estar caminando en la direccin correcta, est
con tamao inadecuado. Se debe realizar una contraccin con cambio
en la direccin del simplex RNB, generando el vrtice T, para el cual b
= - . S la respuesta en T fuera mejor que en W, el nuevo simplex ser
BNT.
Regla n 3: S la respuesta en R fuera peor que en N, pero mejor que en
W, significa que el simplex est muy grande, pero en la direccin
correcta. Se hace una observacin en U (b = ). S la respuesta en U
fuera intermediaria entre B y N, el nuevo simplex ser BUN, sea, se
hace una contraccin.
Regla n 4: S la respuesta en R fuera intermediaria entre B y N,
estas operaciones no son recomendables y el nuevo simplex ser BRN,
procedindose como en el caso del simplex bsico.
Los movimientos del simplex modificado estn resumidos en la Tabla
3. Los valores de b, correspondientes a la expansin y contraccin del
simplex pueden asumir valores diferentes de los relacionados en la tabla
3, pero en general estos son los ms usados.
Tabla 3: Movimientos del simplex modificado

* CMD, contraccin con cambio de direccin

Cuando los recursos adicionales de movimiento del simplex (MSM) se

muestren equvocos (principalmente la contraccin), es decir, el simplex
no se mueve, se recomienda una reduccin del simplex, tambin
llamada de Contraccin Brusca. Es decir, se conserva el vrtice B del
simplex y se hacen nuevas observaciones para determinar los otros
vrtices nuevos N' y W', determinados de la siguiente forma:
N' = (B + N) / 2 y W' = (B + W) / 2
La idea, aunque efectiva, sufre dos desventajas. La primera, que
requiere de la evaluacin de los nuevos k vrtices del simplex reducido
para que el proceso de optimizacin pueda continuar (donde k es el
nmero de factores del procedimiento en optimizacin). La segunda, es
que el tamao del simplex, cada vez que ocurre una contraccin brusca,
es reducido y esto puede resultar en la convergencia prematura del
simplex en la presencia del error experimental.
Mtodo Simplex sper modificado
Existe an un algoritmo ms sofisticado para la optimizacin utilizando
el mtodo simplex, el simplex sper modificado. En este mtodo la
forma y el tamao del simplex pueden ser ajustados de acuerdo con las
caractersticas de la superficie analizada, haciendo la bsqueda por el
ptimo an ms eficiente. Sin embargo, el tratamiento matemtico
necesario para su desarrollo se vuelve ms complejo, involucrando el
ajuste de ecuaciones polinomiales, adems, siendo necesario realizar un
experimento ms a cada movimiento del simplex.
PREPARANDO EL MODELO PARA ADAPTARLO AL MTODO SIMPLEX
Esta es la forma estndar del modelo:
Funcin objetivo:
Sujeto a:

Para ello se deben cumplir las siguientes condiciones:

El objetivo es de la forma de maximizacin o de minimizacin.
Todas las restricciones son de igualdad.
Todas las variables son no negativas.
Las constantes a la derecha de las restricciones son no negativas.
Cambio del tipo de optimizacin.
Si en nuestro modelo, deseamos minimizar, podemos dejarlo tal y como
est, pero deberemos tener en cuenta nuevos criterios para la condicin
de parada (deberemos parar de realizar iteraciones cuando en la fila del
valor de la funcin objetivo sean todos menores o iguales a 0), as como
para la condicin de salida de la fila. Con objeto de no cambiar criterios,
se puede convertir el objetivo de minimizar la funcin F por el de
maximizar F(-1).
Ventajas: No deberemos preocuparnos por los criterios de parada, o
condicin de salida de filas, ya que se mantienen.
Inconvenientes: En el caso de que la funcin tenga todas sus variables
bsicas positivas, y adems las restricciones sean de desigualdad "=", al

hacer el cambio se quedan negativas y en la fila del valor de la funcin

objetivo se quedan positivos, por lo que se cumple la condicin de
parada, y por defecto el valor ptimo que se obtendra es 0.
Solucin: En la realidad no existen este tipo de problemas, ya que para
que la solucin quedara por encima de 0, alguna restriccin debera
tener la condicin "=", y entonces entraramos en un modelo para el
mtodo de las Dos Fases.
Conversin de signo de los trminos independientes (las constantes a la
derecha de las restricciones)
Deberemos preparar nuestro modelo de forma que los trminos
independientes de las restricciones sean mayores o iguales a 0, sino no
se puede emplear el mtodo Simplex. Lo nico que habra que hacer es
multiplicar por "-1" las restricciones donde los trminos independientes
sean menores que 0.
Ventaja: Con sta simple modificacin de los signos en la restriccin
podemos aplicar el mtodo Simplex a nuestro modelo.
Inconvenientes: Puede resultar que en las restricciones donde
tengamos que modificar los signos de las constantes, los signos de las
desigualdades fueran ("=", "="), quedando ("=","=") por lo que en
cualquier caso deberemos desarrollar el mtodo de las Dos Fases. Este
inconveniente no es controlable, aunque nos podra beneficiar si slo
existen trminos de desigualdad ("=","="), y los "=" coincidieran con
restricciones donde el trmino independiente es negativo.
Todas las restricciones son de igualdad.
Si en nuestro modelo aparece una inecuacin con una desigualdad del
tipo "=", deberemos aadir una nueva variable, llamada variable de
exceso si, con la restriccin si = 0. La nueva variable aparece con
coeficiente cero en la funcin objetivo, y restando en las inecuaciones.
Surge ahora un problema, veamos como queda una de nuestras
inecuaciones que contenga una desigualdad "=" :
a11x1 + a12x2 = b1
a11x1 + a12x2 - 1xs = b1
Como todo nuestro modelo, est basado en que todas sus variables sean
mayores o iguales que cero, cuando hagamos la primera iteracin con el
mtodo Simplex, las variables bsicas no estarn en la base y tomarn
valor cero, y el resto el valor que tengan. En este caso nuestra variable
xs, tras hacer cero a x1 y x2, tomar el valor -b1. No cumplira la
condicin de no negatividad, por lo que habr que aadir una nueva
variable, xr, que aparecer con coeficiente cero en la funcin objetivo, y
sumando en la inecuacin de la restriccin correspondiente. Quedara
entonces de la siguiente manera:
a11x1 + a12x2 = b1
a11x1 + a12x2 - 1xs + 1 xr = b1
Este tipo de variables se les llama variables artificiales, y aparecern
cuando haya inecuaciones con desigualdad ("=","="). Esto nos llevar
obligadamente a realizar el mtodo de las Dos Fases, que se explicar
ms adelante.

Del mismo modo, si la inecuacin tiene una desigualdad del tipo "=",
deberemos aadir una nueva variable, llamada variable de holgura si,
con la restriccin si "=" 0. La nueva variable aparece con coeficiente
cero en la funcin objetivo, y sumando en las inecuaciones.
A modo resumen podemos dejar esta tabla, segn la desigualdad que
aparezca, y con el valor que deben estar las nuevas variables.

Desarrollando el mtodo Simplex

Una vez que hemos estandarizado nuestro modelo, puede ocurrir que
necesitemos aplicar el mtodo Simplex o el mtodo de las Dos Fases.
Vase en la figura como debemos actuar para llegar a la solucin de
nuestro problema.

Explicaremos paso a paso los puntos de cada mtodo, concretando los

aspectos que hay que tener en cuenta.
1. Construccin de la primera tabla: En la primera columna de
la tabla aparecer lo que llamaremos base, en la segunda el coeficiente
que tiene en la funcin objetivo cada variable que aparece en la base
(llamaremos a esta columna Cb), en la tercera el trmino independiente

de cada restriccin (P0), y a partir de sta columna aparecern cada una

de las variables de la funcin objetivo (Pi). Para tener una visin ms
clara de la tabla, incluiremos una fila en la que pondremos cada uno de
los nombres de las columnas. Sobre sta tabla que tenemos incluiremos
dos nuevas filas: una que ser la que liderar la tabla donde aparecern
las constantes de los coeficientes de la funcin objetivo, y otra que ser
la ltima fila, donde tomar valor la funcin objetivo. Nuestra tabla final
tendr tantas filas como restricciones.
Tabla
Base

Cb

Pi1

Ci1

Pi2

Ci2

...

...

Pim

Cim

Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0

ser el de sustituir Cim en la funcin objetivo (y cero si no aparece en la
base). El resto de columnas se obtiene restando a este valor el del
coeficiente que aparece en la primera fila de la tabla.
Se observar al realizar el mtodo Simplex, que en esta primera tabla,
en la base estarn las variables de holgura.
2. Condicin de parada: Comprobaremos si debemos de dar una
nueva iteracin o no, que lo sabremos si en la fila Z aparece algn valor
negativo. Si no aparece ninguno, es que hemos llegado a la solucin
ptima del problema.
3. Eleccin de la variable que entra: Si no se ha dado la
condicin de parada, debemos seleccionar una variable para que entre
en la base en la siguiente tabla. Para ello nos fijamos en los valores
estrictamente negativos de la fila Z, y el menor de ellos ser el que nos
de la variable entrante.
4. Eleccin de la variable que sale: Una vez obtenida la
variable entrante, obtendremos la variable que sale, sin ms que
seleccionar aquella fila cuyo cociente P0/Pj sea estrictamente positivo
(teniendo en cuenta que slo se har cuando Pj sea mayor de 0). La
interseccin entre la columna entrante y la fila saliente nos determinar
el elemento pivote.
5. Actualizacin de la tabla: Las filas correspondientes a la
funcin objetivo y a los ttulos permanecern inalterados en la nueva
tabla. El resto deber calcularse de dos formas diferentes:

Si es la fila pivote cada nuevo elemento se calcular:Nuevo

Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.
Para el resto de elementos de filas se calcular:Nuevo Elemento
Fila = Elemento Fila Pivote actual - (Elemento Columna Pivote en la fila
actual * Nuevo Elemento Fila).
Interpretacin grfica del Mtodo Simplex
La resolucin de problemas lineales con slo dos o tres variables de
decisin se puede ilustrar grficamente, mostrndose como una ayuda
visual para comprender muchos de los conceptos y trminos que se
utilizan y formalizan con mtodos de solucin ms sofisticados, como
por ejemplo el Mtodo Simplex, necesarios para la resolucin de
problemas con varias variables. Para ello se puede usar el mtodo
Grfico.
Aunque en la realidad rara vez surgen problemas con slo dos o tres
variables de decisin, es sin embargo muy til esta metodologa de
solucin e interpretacin, en la que se vern las situaciones tpicas que
se pueden dar, como son la existencia de una solucin ptima nica,
de soluciones ptimas alternativas, la no existencia de solucin y la no
acotacin. Describimos aqu las fases del procedimiento de solucin del
Mtodo Grfico:
Dibujar un sistema de coordenadas cartesianas en el que cada
variable de decisin est representada por un eje, con la escala de
medida adecuada a su variable asociada.
Dibujar en el sistema de coordenadas las restricciones del
problema (incluyendo las de no negatividad). Para ello, observamos que
si una restriccin es una inecuacin, define una regin que ser el
semiplano limitado por la lnea recta que se tiene al considerar la
restriccin como una igualdad. Si la restriccin fuera una ecuacin, la
regin que define se dibuja como una lnea recta. La interseccin de
todas las regiones determina la regin factible o espacio de soluciones
(que es un conjunto convexo). Si esta regin es no vaca, ir a la fase
siguiente. En otro caso, no existe solucin que satisfaga
(simultneamente) todas las restricciones y el problema no tiene
solucin, denominndose infactible o no factible.
Determinar los puntos extremos (puntos que no estn situados en
segmentos de lnea que unen otros dos puntos del conjunto convexo) de
la regin factible (que, como probaremos en la siguiente seccin, son los
candidatos a solucin ptima). Evaluar la funcin objetivo en estos
puntos y aqul o aquellos que maximicen (o minimicen) el objetivo,
corresponden a las soluciones ptimas del problema.
Problemas propuestos
1. Las restricciones pesqueras impuestas por la CEE obligan a
cierta empresa a pescar como mximo 2.000 toneladas de merluza y
2.000 toneladas de rape, adems, en total, las capturas de estas dos
especies no pueden pasar de las 3.000 toneladas. Si el precio de la

merluza es de 1.000 ptas/kg y el precio del rape es de 1.500 ptas/kg,

qu cantidades debe pescar para obtener el mximo beneficio?
2. Una compaa manufacturera puede producir
dos productos A y B. La produccin esta organizada en tres
departamentos: fabricacin, ensamble y pintura, con capacidades
semanales de 72 hora, 30 horas y 40 horas para los tres departamentos,
respectivamente. Cada unidad del producto A requiere dos horas
de tiempo de fabricacin, una hora de ensamble y dos horas de pintura.
Las condiciones en las ganancias son de $ 8 y $ 10 por unidad del
producto A y B, respectivamente. La compaa es capaz de vender
cualquier cantidad de los dos productos, determine:
a) La solucin optima, empleando el mtodo simplex
(maximizacin).
3. La Compaa HBB fabrica 4 productos que requieren para su
elaboracin, de materia prima con una disponibilidad diaria de 180
libras, un espacio total disponible para almacenamiento de 230 pies
cuadrados y en produccin se utilizan 5 horas diarias. Para elaborar una
cantidad de cada uno de los productos se requieren los siguientes
insumos:
Materia prima Lbs/unidad
Espacio pies 3/unidad
Tasa de produccin unidades/hora
Ganancias $Unidad

Cuntas unidades de cada producto deben fabricarse para maximizar el

beneficio?
EJERCICIOS
1. Cierta empresa qumica produce dos tipos de disolventes (D1 y
D2). La produccin de estos disolventes se lleva a cabo en dos plantas:
Una de mezclado y otra de purificacin. La capacidad semanal de horas
de trabajo es de 230 h. para mezclado y 250 horas para purificacin (son
horas semanales). Para la fabricacin de 1 litro de ambos tipos, son
necesarias las siguientes horas:
MEZCLADO
PURIFICACION
Esta empresa tiene una provisin casi ilimitada de materiales, sin
embargo, se conoce que el disolvente D2 tiene una demanda semanal
nunca superior a 120 litros. Determinar el plan de fabricacin semanal
mximo para la empresa si el beneficio del disolvente D1 es de $300 y
de D2 de $500 por litro cada uno.

2. Una mueblera fabrica escritorios, mesas y sillas. La fabricacin

requiere de materia prima y de 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 siguiente
tabla:
RECURSOS
MATERIALES(pulgada)
TERMINACIONES(horas)
CARPINTERIA(horas)

Actualmente se dispone de 48 pulgadas madereras, 20 horas para

terminaciones y 8 horas para carpintera. Cada escritorio se vende a $
60, cada mesa a $ 30 y cada silla a $ 20. La empresa piensa que la
demanda por escritorios y sillas es ilimitada, 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.
3. Una fbrica produce dos modelos A y B de un producto. El
beneficio que arroja el modelo A es de $4000 por unidad y el del B
$6000 por unidad. La produccin diaria no puede superar 400 unidades
del modelo A ni 300 del B y en total no pueden superarse las 600
unidades. Cuntas unidades de cada modelo debe producir la fbrica
para obtener el mximo beneficio?
4. Un automvil puede transportar como mximo 9 Kilogramos por
viaje. En un viaje desea transportar al menos 5 Kilogramos de la
mercanca A y un peso de la mercanca B que sea la mitad del peso que
transporta de A. Sabiendo que cobra $30 por kilo de A y $20 por kilo de
B, cmo se debe cargar el camin para obtener la ganancia mxima?
5. Usted, como vendedor de FERRETERIA C.A. tiene que decidir
cmo asignar sus esfuerzos entre los diferentes tipos de clientes de su
territorio. Usted debe visitar comerciantes mayoristas y clientes que
compran al detal. Una visita a un comerciante mayorista usualmente le
produce $20 en ventas, pero la visita en promedio dura 2 horas y debe
manejar tambin en promedio 10 Km. En una visita a un comprador al
detal, le vende $50 requiere de unas 3 horas y 20 Km manejando su
carro aproximadamente. Usted planifica viajar como mximo 600 Km por
semana en su carro y prefiere trabajar no ms de 36 horas a la semana.
Encuentre la combinacin ptima de visitas a comerciantes y clientes al
menudeo que le permitan maximizar sus ganancias

Evidencia 16

Planeacin y control de proyectos con PERT-CP

Indice
1. Antecedentes.
2. Usos
3. Planeacin y control de proyectos con PERT-CPM
4. Red de Actividades
5. Enfoque de tres estimaciones de PERT.
6. Mtodo CPM para trueques entre tiempo y costo
7. Eleccin entre PERT y CPM
8. Diferencias Entre PERT y CPM
9. Bibliografa

1. Antecedentes.
Dos son los orgenes del mtodo del camino crtico: el mtodo PERT (Program Evaluation and Review
Technique) desarrollo por la Armada de los Estados Unidos de Amrica, en 1957, para controlar los tiempos
de ejecucin de las diversas actividades integrantes de los proyectos espaciales, por la necesidad de terminar
cada una de ellas dentro de los intervalos de tiempo disponibles. Fue utilizado originalmente por el control de
tiempos del proyecto Polaris y actualmente se utiliza en todo el programa espacial.
El mtodo CPM (Crtical Path Method), el segundo origen del mtodo actual, fue desarrollado tambin en
1957 en los Estados Unidos de Amrica, por un centro de investigacin de operaciones para la firma Dupont y
Remington Rand, buscando el control y la optimizacin de los costos de operacin mediante
la planeacin adecuada de las actividades componentes del proyecto.
Ambos mtodos aportaron los elementos administrativos necesarios para formar el mtodo del camino crtico
actual, utilizando
el control de los tiempos de ejecucin y los costos de operacin, para buscar que el proyecto total sea
ejecutado en el menor tiempo y al menor costo posible.
2. Usos
El campo de accin de este mtodo es muy amplio, dada su gran flexibilidad y adaptabilidad a cualquier
proyecto grande o pequeo. Para obtener los mejores resultados debe aplicarse a los proyectos que posean
las siguientes caractersticas:
a.
Que el proyecto sea nico, no repetitivo, en algunas partes o en su totalidad.
b.

c.

Que se deba ejecutar todo el proyecto o parte de el, en un tiempo mnimo, sin variaciones, es decir,
en tiempo crtico.
Que se desee el costo de operacin ms bajo posible dentro de un tiempo disponible.

Dentro del mbito aplicacin, el mtodo se ha estado usando para la planeacin y control de diversas
actividades, tales como construccin de presas, apertura de caminos, pavimentacin, construccin de casas y
edificios, reparacin de barcos, investigacin de mercados, movimientos de colonizacin, estudios
econmicos regionales, auditorias, planeacin de carreras universitarias, distribucin de tiempos de salas
de operaciones, ampliaciones de fbrica, planeacin de itinerarios para cobranzas, planes de venta, censos
de poblacin, etc.
3. Planeacin y control de proyectos con PERT-CPM
La buna administracin de proyectos a gran escala requiere
planeacin, programacin y coordinacin cuidadosa de muchas actividades interrelacionadas. Al principiar la
dcada de 1950 se desarrollaron procedimientos formales basados en uso de redes y de las tcnicas de
redes para ayudar en estas tareas. Entre los procedimientos mas sobresalientes se encuentran el PERT
(tcnica deevaluacin y revisin de programas) y el CPM (mtodo de la ruta critica).Aunque originalmente
los sistemas tipo PERT se aplicaron para evaluar la programacin de un proyecto de investigacin y
desarrollo, tambin se usan para controlar el avance de otros tipos de proyecto especiales. Como ejemplos se
pueden citar programas de construccin, la programacin de computadoras, la preparacin de propuestas
y presupuestos, la planeacin de l mantenimiento y la instalacin de sistemas de computo, este tipo de
tcnica se ha venido aplicando aun a la produccin de pelculas, a las compaas polticas y a operaciones
quirrgicas complejas.
El objetivo de los sistemas tipo PERT consiste en ayudar en la planeacin y el control, por lo que no implica
mucha optimizacin directa. Algunas veces el objetivo primario es determinar la probabilidad de cumplir con
fechas de entrega especificas. Tambin identifica aquellas actividades que son ms probables que se
conviertan en cuellos de botella y seala, por e4nde, en que puntos debe hacerse el mayor esfuerzo para no
tener retrasos. Un tercer objetivo es evaluar el efecto de los cambios del programa. Por ejemplo, se puede
valorar el efecto de un posible cambio en la asignacin de recursos de las actividades menos criticas a
aquellas que se identificaron con cuellos de botella. Otra aplicacin importante es la evaluacin del efecto de
desviarse de lo programado.
Todos los sistemas tipo PERT emplean una red de proyecto para visualizar grficamente la interrelacin entre
sus elementos. Esta representacin del plan de un proyecto muestra todas las relaciones de procedencia,

respecto al orden en que se deben realizar las actividades. En la Fig. 1 s muestran estas caractersticas para
la red de proyecto inicial para la construccin de una casa. Esta red indica que la excavacin debe hacerse
antes de poner los cimientos y despus los cimientos deben completarse antes de colocar las paredes. Una
vez que se levantan las paredes se pueden realizar tres actividades en paralelo. Al seguirla red hacia delante
se ve el orden de las tareas subsecuentes.
En la terminologa de PERT, cada arco de la red representa una actividad, es decir, una de las tareas que
requiere el proyecto, cada nodo representa un evento que por lo general se define con el momento eque se
terminan todas las actividades que llegan a ese nodo, Las puntas de flecha indican la secuencia en la que3
debe ocurrir cada uno de esos eventos. Lo que es mas, un evento debe preceder a la iniciacin de las
actividades que llegan a ese nodo. Las puntas de flecha indican la secuencia en la que debe ocurrir cada uno
de esos eventos. Lo que es mas, un evento debe preceder a la iniciacin de las actividades que salen de ese
nodo. (En la realidad, con frecuencia se pueden traslapar etapas sucesivas de un proyecto, por lo que la red
puede representar una aproximacin idealizada del plan de un proyecto.)
El nodo hacia el que todas las actividades se dirigen es el evento que corresponde a la terminacin desde su
concepcin, o bien, si el proyecto ya comenz, el plan para su terminacin. En l ultimo caso, cada nodo de la
red sin arcos que llegan representa el evento de continuar una actividad en marcha o el evento de iniciar una
nueva actividad que puede comenzar en cualquier momento.
Cada arco juega un doble papel, el de representar una actividad y el de ayudar a representar las relaciones de
procedencia entre las distintas actividades. En ocasiones, se necesita un arco para definir las relaciones de
procedencia aun cuando no haya una actividad real que representar. En este caso, se introduce una actividad
ficticia que requiere un tiempo cero, en donde el arco que representa esta actividad ficticia se muestra como
una flecha punteada que indica esa relacin de procedencia. Por ejemplo, considrese el arco 5 8 que
representa una actividad ficticia en la Fig. 1; el nico objeto de este arco es indicar que la colocacin de la
tubera debe estar terminada antes de poder comenzar los exteriores.
Una regla comn para construir este tipo de redes es que dos nodos no pueden estar conectados
directamente por mas de un arco. Las actividades ficticias tambin se pueden usar para evitar violar esta regla
cuando se tienen dos o ms actividades concurrentes; en la Fig. 1 se ilustra esto con el arco 11 12. El nico
propsito de este arco es indicar que debe terminarse la colocacin de pisos antes de instalar los acabados
interiores sin tener dos arcos del nodo 9 al nodo 12.
Una vez desarrollada la red la red de un proyecto, el siguiente paso es estimar el tiempo que se requiere para
cada actividad. Estas estimaciones para el ejemplo de la construccin de una casa de la figura 1. se muestran
en la figura 2 con los nmeros mas oscuros (en unidades de das de trabajo) que aparecen junto a los arcos.
Estos tiempos se usan para calcular dos cantidades bsicas para cada evento, a saber, su tiempo ms
prximo y su tiempo ms lejano.
El tiempo ms prximo para un evento es el tiempo (estimado) en el que ocurrir el evento si las actividades
que lo proceden comienzan lo mas pronto posible.
Los tiempos ms prximos se obtienen al efectuar una pasada hacia delante a travs de la red, comenzando
con los eventos iniciales y trabajando hacia delante en el tiempo, hasta los eventos finales, para cada evento
se hace un calculo del tiempo en el que ocurrir cada uno, si cada evento procedente inmediato ocurre en su
tiempo ms prximo y cada actividad que interviene consume exactamente su tiempo estimado. La iniciacin
del proyecto se debe etiquetar con el tiempo 0. este proceso se muestra en la tabla 1. para el ejemplo
considerado en las figuras 1 y 2. los tiempos ms prximos que se obtuvieron estn registrados en la figura 2,
con el primero de los dos nmeros que se dan para cada nodo.
El tiempo ms lejano para un evento es l ultimo momento (estimado) en el que puede ocurrir sin retrasar la
terminacin del proyecto mas all de su tiempo ms prximo.
Tabla 1. Calculo de los tiempos ms prximos para el ejemplo de la construccin de una casa.
Evento

Evento inmediato
Anterior

___

4
5

5
6

10

11

12

9
11

13

10

En este caso los tiempos ms lejanos se obtienen sucesivamente para los eventos al efectuar una pasada
hacia atrs a travs de la red, comenzando con los eventos finales y trabajando hacia atrs en el tiempo hasta
los iniciales. Para cada evento l calculo del tiempo final en el que puede ocurrir un evento de manera que los
que le siguen ocurran en su tempo mas lejano, si cada actividad involucrada consume exactamente su tiempo
estimado. Este proceso se ilustra en la tabla 2, en donde 44 das es el tiempo ms prximo y el tiempo ms
lejano para la terminacin del proyecto de construccin de la casa. Los tiempos ms lejanos para la
terminacin del proyecto de construccin de la casa. Los tiempos mas lejanos que se obtuvieron se
encuentran tambin en la figura 2 como el segundo numero que se da para cada nodo.
Sea la actividad ( i , j ) la actividad que va del evento i al evento j en la red del proyecto.
La holgura para un evento es la diferencia entre su tiempo ms lejano y su tiempo ms prximo.
La holgura para una actividad ( i , j ) e3s la diferencia entre [ el tiempo mas lejano del evento] y [el tiempo mas
prximo del evento i mas el tiempo estimado para la actividad].
As, si se supone que todo lo dems marcha a tiempo, la holgura para un evento indica cuanto retraso se
puede tolerar para llegar a ese evento sin retrasar la terminacin del proyecto, y la holgura para una actividad
indica lo mismo respecto a un retraso en la terminacin de esa actividad. En a tabla 3 se ilustran los calculo
de estas holguras para el proyecto de la construccin de una casa.
Una ruta critica de un proyecto es una ruta cuyas actividades tienen la holgura cero. (Todas las actividades y
eventos que tienen holgura cero deben estar sobre una ruta crtica, pero no otras.)
Tabla 2. Calculo de los tiempos ms lejanos para el ejemplo de la construccin de una casa
Evento

Evento inmediato
Anterior

13

__

12

13

11

12

10

13

12
11

10

8
7

7
6
5

Tabla 3. Calculo de las holguras para el ejemplo de la construccin de una casa.

Evento
1
2
3
4
5
6
7
8
9
10
11
12
13

Si se verifica en la tabla 3 las actividades que tienen holgura cero, se observa que el ejemplo de la
construccin de una casa tiene una ruta critica, 1 2 3 4 5 6 7 9 12 13, como se muestra
en la figura 2 con las flechas mas oscuras. Esta secuencia de actividades criticas debe mantenerse
estrictamente a tiempo, si se quiere evitar retrasos en la terminacin del proyecto. Otros proyectos pueden
tener mas de una ruta critica; por ejemplo ntese lo que pasara en la figura 2 si el tiempo estimado de la
actividad (4,6) se cambiara de 6 a 19.
Resulta interesante observar en la tabla 3 que mientras que todos los eventos sobre la ruta critica (inclusive el
4 y el 7 ) necesariamente tienen holgura cero, no es as para la actividad (4 , 7), ya que su tiempo estimado es
menor que la suma de los tiempos estimados para las actividades (4 , 5 ) y (5 , 7). En consecuencia, estas
ultimas actividades estn en la ruta crtica, pero la actividad (4 , 7) no lo est.
Esta informacin sobre los tiempos ms cercanas y ms lejanos, las holguras y la ruta crtica, es invaluable
para el administrador del proyecto. Entre otras cosas, le permite investigar el efecto de posible mejoras en la
planeacin para determinar en donde debe hacerse un esfuerzo especial para mantenerse y evaluar el
impacto de los retrasos.
Graficas PERT
La grfica PERT es una grfica original de redes no medidas que contiene los datos de las actividades
representadas por flechas que parten de un evento i y terminan en un evento j.

En la parte superior de la flecha se indica el nmero de identificacin, generalmente los nmeros de los
eventos (i-j). En la parte inferior aparece dentro de un rectngulo la duracin estndar (t) de la actividad. En la
mitad superior del evento se anota el nmero progresivo, en el cuarto inferior izquierdo la ltima lectura del
proyecto y en el cuarto inferior derecho la primera lectura del proyecto.
Esta grfica tiene como ventaja la de informar las fechas ms tempranas y ms tardas de iniciacin y
terminacin de cada actividad, sin tener que recurrir a la matriz de holguras.

Veamos cmo se presenta la ampliacin de la fbrica por medio de una grfica PERT.
4. Red de Actividades
Se llama red la representacin grfica de las actividades que muestran sus eventos, secuencias,
interrelaciones y el camino critico. No solamente se llama camino critico al mtodo sino tambin a la serie de
actividades contadas desde la iniciacin del proyecto hasta su terminacin, que no tienen flexibilidad en su
tiempo de ejecucin, por lo que cualquier retraso que sufriera alguna de las actividades de la serie provocara
un retraso en todo el proyecto.
Desde otro punto de vista, camino critico es la serie de actividades que indica la duracin total del proyecto.
Cada una de las actividades se representa por una flecha que empieza en un evento y termina en otro.

Se llama evento al momento de iniciacin o terminacin de una actividad. Se determina en un tiempo variable
entre el ms temprano y el ms tardo posible, de iniciacin o de terminacin.
A los eventos se les conoce tambin con los nombres de nodos.
Evento Evento
Ij
El evento inicial se llama i y el evento final se denomina j. El evento final de una actividad ser el evento inicial
de la actividad siguiente.
Las flechas no son vectores, escalares ni representan medida alguna. No interesa la forma de las flechas, ya
que se dibujarn d acuerdo con las necesidades y comodidad de presentacin de la red. Pueden ser
horizontales, verticales, ascendentes, descendentes curvas, rectas, quebradas, etc.
En los casos en que haya necesidad de indicar que una actividad tiene una interrelacin o continuacin con
otra se dibujar entre ambas una lnea punteada, llamada liga, que tiene una duracin de cero.
La liga puede representar en algunas ocasiones un tiempo de espera para poder iniciar la actividad siguiente
Varias actividades pueden terminar en un evento o partir de un mismo evento.

(a) Incorrecto, (b) Correcto.

Al construir la red, debe evitarse lo siguiente:

1.
2.

Dos actividades que parten de un mismo evento y llegan a un mismo evento. Esto produce confusin
de tiempo y de continuidad. Debe abrirse el evento inicial o el evento final en dos eventos y unirlos con
una liga.
(a) Incorrecto; (b) Correcto.

3.

Partir una actividad de una parte intermedia de otra actividad. Toda actividad debe empezar
invariablemente en un evento y terminar en otro. Cuando se presenta este caso, a la actividad base o
inicial se le divide en eventos basndose en porcentajes y se derivan de ellos las actividades secundadas.

4.

Dejar eventos sueltos al terminar la red. Todos ellos deben relacionarse con el evento inicial o con el
evento final.

(a) Incorrecto; (b) Correcto

5. Enfoque de tres estimaciones de PERT.
Hasta ahora se ha supuesto implcitamente que se puede obtener estimaciones con una exactitud razonable
del tiempo requerido para cada actividad del proyecto. En la realidad, con frecuencia existe bastante
incertidumbre sobr cuales sern estos tiempo; de hecho se trata de una variable aleatoria que tiene cierta
distribucin de probabilidad. La versin original de PERT toma en cuenta esta incertidumbre usando tres tipos
diferentes de estimaciones par los tiempos de las actividades, con el fin de obtener informacin basica sobre
su distribucin de probabilidad. Esta informacin para todos los tiempos de las actividades se utiliza para
estimas la probabilidad de terminar el proyecto en la fecha programada.
Las tres estimaciones empleadas por PERT para cada actividad son una estimacin ms probable, una
estimacin optimista y una estimacin pesimista. La estimacin mas probable (denotada por m ) intenta ser la
estimacin mas realista del tiempo que puede consumir una actividad. En trminos estadsticos, es una
estimacin de la moda (el punto mas alto) de la distribucin de probabilidad para el tiempo de la actividad. La
estimacin optimista (denotada por a) procura ser el tiempo poco probable pero posible si todo sale bien; es
en esencia una estimacin de la cota inferior de la distribucin de la probabilidad. Por ultimo, se intenta que la
estimacin pesimista (denotada por b) sea el tiempo poco probable pero posible si todo sale mal. En trminos
estadsticos, se trata en esencia de una estimacin de la cota superior de la distribucin de probabilidad. En la
figura 3 se muestra la localizacin ideal de estas tres estimaciones con respecto a la distribucin de
probabilidad.
Tiempo transcurrido
Figura 3. Modelo de distribucin de probabilidad para loas tiempos de las actividades en el enfoque de tres
estimaciones de PERT: m = estimacin probable, a = estimacin optimista y b = estimacin pesimista.
Se hacen dos suposiciones para convertir m, a y b en estimaciones del valor esperado ( te ) y la variancia (s
2) del tiempo que requiere la actividad. Una suposicin es que s , la desviacin estndar (raz cuadrada de la
variancia), es igual a un sexto del intervalo de los requerimientos de tiempo razonablemente posibles; esto es,

es la estimacin deseada de la variancia. El razonamiento para hacer esta suposicin es que se considera
que las colas de muchas distribuciones de probabilidad (como en la distribucin normal) estn mas o menos a
tres desviaciones estndar de la media, de manera que existe una dispersin de alrededor de seis
desviaciones estndar entre las colas, por ejemplo, las cartas de control que se usan normalmente para
el control estadstico de la calidad estn construidas de manera que la dispersin entre los limites de control
se estima en seis desviaciones estndar.
Para obtener la estimacin del valor esperado ( te ), tambin es necesaria una suposicin sobre la forma de la
distribucin de probabilidad, se supone que la distribucin es ( al menos aproximadamente) una distribucin
beta. Este tipo de distribucin tiene la forma que se muestra en la figura 3, que es razonable para este
propsito.
Si se usa el modelo ilustrado en la figura 3 el valor esperado del tiempo de una actividad es

aproximadamente
Ntese que el medio del intervalo (a + b)/ 2 se encuentra entre a y b de manera que te es la media aritmtica
ponderada de la moda y la mitad del intervalo, con un peso de dos tercios para la moda. Aunque la suposicin
de una distribucin beta es arbitraria, sirve para el propsito de localizar el valor esperado a m, a y b de una
manera que parece ser razonable.
Despus de calcular el valor esperado y la variancia estimados para cada una de las actividades, se necesitan
tres suposiciones adicionales (o aproximaciones) para poder calcular la probabilidad de terminar el proyecto a
tiempo. Una es que los tiempos de las actividades son estadsticamente independientes. Una segunda es que
la ruta critica ( en trminos de los tiempos esperado) siempre requiere un tiempo total mayor que cualquier

otra ruta. Esto implica que el valor esperado y la variancia, es sencillo encontrar la probabilidad de que esta
variable aleatoria normal ( tiempo del proyecto) sea menor que el tiempo de terminacin programado.
6. Mtodo CPM para trueques entre tiempo y costo
Las versiones originales de CPM y PERT difieren en dos aspectos importantes. Primero, el CPM supone que
los tiempos de las actividades son deterministicos ( es decir, se pueden predecir de manera confiable sin
incertidumbre significativa), por lo que no necesita las tres estimaciones que se acaban de describir. Segundo,
en lugar de dar una importancia primordial al tiempo (explcitamente), el CPM asigna la misma importancia al
tiempo y al costo y pon esto de relieve al construir un a curva de tiempo-costo para cada actividad, con la que
se muestra en la figura 4. Esta curva representa la relacin entre el costo directo presupuestado para la
actividad y su tiempo de duracin resultante.
Figura 4. Curva tiempo-costo para la actividad (i,j).
Por lo general la grafica se basa en dos puntos: el normal y el intensivo o de quiebre. El punto normal da el
costo y el tiempo necesario cuando la actividad se realiza en la forma normal, sin incurrir en costos
adicionales (horas extras de mano de obra, equipo o materiales especiales para ahorrar tiempo, etc.), Para
acelerar la actividad. Por el contrario, el punto de quiebre proporciona el tiempo y el costo necesario cuando
se realiza la actividad en forma intensiva o de quiebre, esto es se acelera completamente sin reparar en
costos, con el fin de reducir su tiempo de duracin lo mas que se pueda. Como una aproximacin, se supone
entonces que todos los trueques intermedios entre tiempo y costos son posibles y que se encuentran sobre el
segmento de lnea que une a estos dos puntos. (Obsrvese en el segmento de lnea oscuro en la Fig. 4). As,
las nicas estimaciones que tienen que obtener el personal del proyecto son el costo y el tiempo para estos
dos puntos.
El objetivo fundamental del CPM es determinar el trueque entre tiempo y costo que debe emplearse en cada
actividad para cumplir con el tiempo de terminacin del proyecto que se programo a un costo mnimo. Una
forma de determinar la
combinacin optima del tiempo y costo es aplicar programacin lineal. para descubrir esto, es necesario
introducir notacin nueva, parte de la cual se resume en la figura 4. Sea
Dij = tiempo normal para la actividad (i , j)
CDij = costo (directo) normal para la actividad (i , j)
dij = tiempo de quiebre para la actividad (i , j)
Cdij = costo (directo) de quiebre para la actividad (i , j)
Las variables de decisin para el problema son xij donde
xij = tiempo de duracin de la actividad (i , j)
Entonces existe una varible de decisin xij para cada actividad, pero no lo hay par alos valores de i y j que no
tienen una actividad correspondiente.
Para expresar el costo directo de la actividad ( i, j) como una funcin (lineal) de Xjj dentese la pendiente de la
lnea que pasa por los puntos normal y de quiebre para la actividad (i , j) por

tambien definase Kij como la interseccin con el eje del costo directo de esta linea, com se muestra en la fig.
4, por tanto,
costo directo de la actividad (i , j) = Kij + Sij xij,
en consecuencia,
costo directo total del proyecto =
en donde la sumatoria se extiende sobre todas las actividades (i , j). Ahora se puede establecer y formular
matemticamente el problema.
El problema: dado un tiempo T (mximo) de terminacin del proyecto, seleccinese la xjj que minimice el
costo directo total del proyecto.
Formulacin De Programacin Lineal. Para tomar en cuenta el tiempo de terminacin del proyecto en la
formulacin de programacin lineal del problema, se necesita una variable ms para cada evento. Esta
variable adicional es
yk = tiempo ms prximo (desconocido) para el evento k, el cual es una funcin determinstica de Xij.

Cada yk es una variable auxiliar, es decir, una variable que se introduce al modelo por ser conveniente en la
formulacin y que no representa una decisin. El mtodo simplex trata a las variables auxiliares igual que a
las variables de decisin (xij ) normales.
Para ver cmo se introducen las yk a la formulacin, considrese el evento 7 de la figura 1 Por definicin, su
tiempo ms prximo es:
y7 = mx {y4 + x47, y5 + x57},
En otras palabras y7 es la cantidad ms pequea tal que las dos restricciones siguientes se cumplen:
y4 + x47 < y7
y5 + x45 < y7,
por lo que estas dos restricciones se pueden incorporar directamente a la formulacin de programacin lineal
(despus de pasar y7 al lado izquierdo para obtener la forma apropiada). An ms, adelante se ver por qu
la solucin ptima que se obtiene con el mtodo simples para el modelo completo har de manera automtica
que el valor de y7 sea la cantidad ms pequea que ,satisface estas restricciones, por lo que no se necesitan
ms restricciones para incorporar la definicin de y7 al modelo.
Dentro del proceso e incorporacin de estas restricciones para todos los eventos, se tiene que cada variable
xij aparecer en exactamente una restriccin de este tipo,
que se puede expresar en la forma apropiada como
Para continuar con los preparativos para escribir el modelo completo de programacin lineal, se etiquetan
Evento 1 = inicio del proyecto
Evento n = terminacin del proyecto,
con lo que
=0
= tiempo de terminacin. .
Ntese tambin que

es una constante fija que puede eliminarse de la funcin objetivo, de manera que

minimizar el costo directo total para el proyecto es equivalente a maximizar

problema de programacin lineal es encontrar las

(y las

Por tanto, el

correspondientes) tales que

Maximizar
Sujeta a:

Para todas las actividades (i , j)

Desde un punto de vista computacional, este modelo se puede mejorar algo al sustituir todas las

en todo el modelo, para que el primer conjunto de restricciones funcionales (

restricciones de no negatividad

por

) se sustituya por las

Es conveniente tambin introducir restricciones de no negatividad para el resto de las variables:

aunque estas variables ya estaban forzadas a ser no negativas al establecer y1 = 0, debido a

las restricciones
y
Una propiedad interesante de una solucin ptima para este modelo es que (en circunstancias normales) toda
trayectoria de la red ser una ruta crtica que requiere un tiempo T, La razn es que una solucin de este tipo
satisface las restricciones
tiempo de cualquier trayectoria.

mientras que evita los costos adicionales en que se incurre por acortar el

La clave de esta formulacin es la manera en que se introducen las

restricciones

, con el fin de proporcionar los tiempos ms prximos para los respectivos

eventos (dados los valores de las

en la solucin bsica factible actual). Como los tiempos ms prximos se

tienen que obtener en orden, todas estas

correcto de

al modelo mediante las

son necesarias nada ms para obtener finalmente el valor

(para los valores actuales de las

), reforzando as la restriccin

obtener el valor correcto requiere que el valor de cada

(incluso el de

. Sin embargo,

) sea la cantidad ms pequea que

satisface todas las restricciones

. Ahora se har una descripcin breve de por qu (en
circunstancias normales) esta propiedad se cumple para una solucin ptima.
Considrese una solucin para las variables
tiempo T. Si los valores de las
ms pr6ximos con

satisfacen la propiedad anterior, entonces las

exactamente y la solucin completa para las

restricciones. Sin embargo, si alguna

en la que alguna
restricciones

tal que toda trayectoria de la red es crtica y requiere un

son los verdaderos tiempos

satisface todas las

se hace un poco ms grande, esto creara una reaccin en cadena

se tendra que hacer un poco ms grande para satisfacer todava las

etc., hasta que en ltima instancia,

deba hacerse un poco ms grande y se

viole la restriccin
. La nica manera de evitar esto con una
un poco ms grande, es hacer que los
tiempos de duracin de algunas actividades (posteriores al evento i) sean un poco ms pequeas,
aumentando con esto el costo. Por lo tanto, una solucin ptima evitar que las

sean ms grandes de lo

necesario para satisfacer las restricciones

.
El problema, como se estableci aqu, supone que se ha fijado una fecha de entrega especfica T (tal vez
por contrato) para la terminacin del proyecto. En realidad, algunos proyectos no tienen una fecha de entrega,
en cuyo caso no est claro el valor que debe asignarse a T en la formulacin de programacin lineal. En este
tipo de situaciones, la decisin sobre T (que resulta ser la duracin del proyecto en la solucin ptima), de
hecho depende de cul es el mejor trueque entre el costo total y el tiempo total del proyecto.
La informacin bsica que se necesita para tomar esta decisin es cmo cambia el costo directo total mnimo
al cambiar el valor de T en la formulacin anterior, como se muestra en la figura 5. Esta informacin se puede
obtener cuando se usa progranlflci6n lineal parametrica para obtener la solucin ptima como una funci6n de
T en todo el intervalo. Existen procedimientos an ms eficientes, para obtener esta informacin, que explotan
la estructura especial del problema.
La figura 5 proporciona una base til para la toma de decisiones del administrador sobre el valor de T (y la
solucin ptima correspondiente para ) cuando los efectos importantes de la duracin del proyecto
(distintos a los costos directos) son en esencia intangible. Ahora bien, cuando estos otros efectos que son
bsicamente financieros (costos indirectos ), es apropiado combinar la curva del costo directo total de la figura
5 con una curva de costo indirecto total mnimo (supervisin, instalaciones, intereses, multas contractuales)

contra t, como se muestra en la figura 6. La suma de estas curvas proporcionar la curva del costo total
mnimo del proyecto para distintos valores de T. El valor ptimo de T ser entonces aqul que minimice esta
curva de costo total.
7. Eleccin entre PERT y CPM
La eleccin entre el enfoque de las tres estimaciones de PERTy el mtodo de trueques entre el tiempo y el
costo del CPM depende fundamentalmente del tipo de proyecto y de los objetivos gerenciales. El PERT es en
particular apropiado cuando se maneja mucha incertidumbre al predecir los tiempos de las actividades y
cuando es importante controlar de una manera efectiva la programacin del proyecto; por ejemplo, la mayor
parte de los proyectos de investigacin y desarrollo caen dentro de esta categora. Por otro lado, el CPM
resulta muy apropiado cuando se pueden predecir bien los tiempos de las actividades
(quiz con base en la experiencia) y cuando estos tiempos se pueden ajustar con facilidad (por ejemplo, si se
cambian tamaos de brigadas), al igual que cuando es importante planear una combinacin apropiada entre
el tiempo y el costo del proyecto. Este ltimo tipo lo representan muchos proyectos de construccin y
mantenimiento.
En la actualidad, las diferencias entre las versiones actuales de PERT y CPM no son tan marcadas como se
han descrito. Muchas versiones de PERT permiten emplear una sola estimacin (la ms probable) para cada
actividad y omiten as la investigacin probabilstica. Una versin llamada PERT/Costo considera tambin
combinaciones de tiempo y costo en forma parecida al CPM.
8. Diferencias Entre PERT y CPM
La diferencia entre PERT y CPM es la manera en que se realizan los estimados de tiempo. E1 PERT supone
que el tiempo para realizar cada una de las actividades es una variable aleatoria descrita por una distribucin
de probabilidad. E1 CPM por otra parte, infiere que los tiempos de las actividades se conocen en forma
determinsticas y se puede variar cambiando el nivel de recursos utilizados.
La distribucin de tiempo que supone el PERT para una actividad es una distribucin beta. La distribucin
para cualquier actividad se define por tres estimados:
1.
el estimado de tiempo ms probable, m;
2.
3.

el estimado de tiempo ms optimista, a; y

4.

el estimado de tiempo ms pesimista, b.

La forma de la distribucin se muestra en la siguiente Figura. E1 tiempo ms probable es el tiempo requerido

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

Con la distribucin definida, la media (esperada) y la desviacin estndar, respectivamente, del tiempo de la
actividad para la actividad Z puede calcularse por medio de las frmulas de aproximacin.

El tiempo esperado de finalizacin de un proyecto es la suma de todos los tiempos esperados de las
actividades sobre la ruta crtica. De modo similar, suponiendo que las distribuciones de los tiempos de las
actividades son independientes (realsticamente, una suposicin fuertemente cuestionable), la varianza del
proyecto es la suma de las varianzas de las actividades en la ruta crtica. Estas propiedades se demostrarn
posteriormente.
En CPM solamente se requiere un estimado de tiempo. Todos los clculos se hacen con la suposicin de que
los tiempos de actividad se conocen. A medida que el proyecto avanza, estos estimados se utilizan para
controlar y monitorear el progreso. Si ocurre algn retardo en el proyecto, se hacen esfuerzos por lograr que
el proyecto quede de nuevo en programa cambiando la asignacin de recursos.
9. Bibliografa
Frederick S. Hillier, Gerald J. Lieberman; Introduccin ala Investigacin de Operaciones,
Quinta edicin, Edit. McGraw Hill, Mxico 1993.
http://www.gestiopolis.com

Comentarios
La clase es entendible y muy bien estructurada a
pesar de ser temas que son complicados se lograron
aprender de forma eficiente para poder usar este
conocimiento en un futuro, agradezco su tiempo y
dedicacin, as como el uso de su conocimiento para
podernos brindar esta herramienta indispensable en
nuestra carrera.

Criticas
Se debe tener un mejor control sobre las firmas para
evitar caer en confusiones al momento de dar las
calificaciones.
Al ser una materia en la cual actualmente se dispone
de software para realizar todas las operaciones, es
innecesario que un examen tenga una gran
ponderacin tan alta en las calificaciones parciales
creo que hay mejores y ms adecuadas formas de
medir el aprendizaje de un alumno y su poder de
aplicacin del conocimiento aprendido en clase.