Ejercicios Resueltos de Programacion Lineal - Mauricio Estrella

UNIVERSIDAD MAYOR DE SAN SIMN
FACULTAD DE CIENCIAS Y TECNOLOGA

Departamento de Ingeniera Civil
MATERIAL DE APOYO DIDCTICO

DE LA ENSEANZA APRENDIZAJE
EN LA ASIGNATURA DE SISTEMAS DE
INGENIERA
Texto Gua
Trabajo Dirigido, Por Adscripcin, Presentado en Cumplimiento Parcial de los
Requisitos Para Optar al Diploma Acadmico de
LICENCIADO EN INGENIERA CIVIL
Presentado por: Julio Rafael Angulo Torrico

Jos Arturo Rivera Soto
Tutor: Ing. Ramiro Saavedra
Cochabamba-Bolivia
Mayo 2006
NDICE
CAPTULO 1
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES
1.1
Resea histrica
1.2
Qu es la Investigacin de Operaciones?
1.3
Fases de un estudio de Investigacin de Operaciones
1.3.1
1.3.2
1.3.3
1.3.4
1.3.5
La definicin del problema

La construccin del modelo
Solucin del modelo matemtico
La validacin del modelo
La implementacin del modelo matemtico
5
6
7
8
10
1.4
Modelos matemticos de Investigacin de Operaciones
10
1.5
Impacto de la Investigacin de Operaciones
11
1.6
Riesgo al aplicar la Investigacin de Operaciones
11
1.7
Tipos de modelos de Investigacin de Operaciones.
12
1.7.1
1.7.2
1.7.3
1.7.4
Programacin Lineal
Teora de Redes (incluye PERT/CPM)
Teora de colas (lneas de espera)
Modelo de hoja de clculo electrnica
12
13
14
14
1.8
Conclusiones
15
1.9
Bibliografa
15
1.10
Enlaces
15
CAPTULO 2
16
MODELIZACIN A LA PROGRAMACIN LINEAL
16
2.1
Introduccin a la modelizacin
16
2.2
Fases del proceso de modelizacin
17
2.3
Reglas bsicas de modelizacin
18
2.4
Problemas Resueltos
19
2.5
Problemas Propuestos
22
2.6
Bibliografa
25
2.7
Enlaces
25
CAPTULO 3
26
PROGRAMACIN LINEAL - MTODO GRFICO
26
3.1
Introduccin
26
3.2
Modelo de programacin lineal con dos variables
26
3.3
3.4
3.4.1
3.4.2
3.5
Mtodo grfico
26
Ejemplo de aplicacin 3.1

Problemas de repaso
27
30
Solucin por computadora
35
Solucin grfica con TORA

Solucin grfica con WinQSB (Quantitative System For Business)
Anlisis de sensibilidad por el mtodo grfico
3.5.1
Cambios en los coeficientes de la funcin objetivo

3.5.2
Cambio en disponibilidad de recursos (en el lado derecho de las restricciones)
3.5.3
Valor por unidad de recursos
35
37
39
39
39
40
41
43
43
3.6
Problemas propuestos
44
3.7
Bibliografa
47
3.8
Enlaces
47
CAPTULO 4
48
PROGRAMACIN LINEAL - MTODO SMPLEX
48
4.1
Introduccin
48
4.2
Espacio de soluciones en forma de ecuacin
48
4.2.1
Conversin de desigualdades a ecuaciones

4.2.2
Manejo de variables no restringidas y no positivas.
4.2.2.1
Conversin de variables no restringidas.
Ejemplo de aplicacin 4.1 (a)
Ejemplo de aplicacin 4.1 (b)
4.2.2.2
Conversin de variables no positivas
Ejemplo de aplicacin 4.1 (c)
4.3
4.4
4.5
Transicin de solucin grfica a solucin algebraica
52
Mtodo Smplex
53
55
Mtodo de penalizacin
61
4.5.1
Mtodo de la M
4.5.2
Mtodo de las dos fases
4.6
49
50
50
51
51
51
51
52
Fundamentos matemticos
4.6.1
Soluciones bsicas y bases
4.6.2
Mtodo Smplex
4.6.2.1
Tabla Smplex en forma matricial
62
62
64
65
68
69
69
69
4.7
4.8
Mtodo Smplex revisado
71

72
77
Casos especiales de la aplicacin del Mtodo Smplex.
79
4.8.1
Degeneracin
4.8.2
ptimos alternativos
4.8.3
Solucin no acotada
4.8.4
Solucin no factible
4.9
4.9.1
4.9.2
4.9.3

Iteraciones smplex con TORA
Reportes del WinQSB
Solucin de programa lineal con SOLVER de EXCEL
79
79
81
81
83
83
85
85
86
86
87
89
4.10
94
4.11
Bibliografa
98
4.12
Enlaces
98
CAPTULO 5
99
ANLISIS DE DUALIDAD Y SENSIBILIDAD DE LA PROGRAMACIN LINEAL 99

5.1
5.2
5.3
5.3.1
5.3.2
5.4
Introduccin
Definicin del problema dual
99

Ejercicio de aplicacin
101
102
Resolucin opcional de problema primal con restricciones del tipo o =
104
Restriccin de la forma mayor o igual

Restriccin de la forma igualdad
Relaciones PRIMAL DUAL
5.4.1
5.4.2
Planteamiento de la tabla smplex

Solucin dual ptima
5.4.3
Calculo con la tabla smplex
5.4.3.1
Clculos de columnas de restriccin.
5.4.3.2
Clculos de rengln objetivo z.
5.4.4
Valor objetivo primal y dual
5.5
99
Otros algoritmos smplex para programacin lineal
5.5.1
Mtodo dual Smplex
5.5.1.1
Condicin dual de factibilidad
5.5.1.2
Condicin dual de ptimalidad
Ejemplo de aplicacin 5.4.
5.5.2
Algoritmo smplex generalizado
5.5.3
Tcnica de la cota superior
104
105
106
106
107
108
109
110
110
110
112
113
113
113
113
113
114
116
116
118
120
5.6
Anlisis Pos-ptimo o de sensibilidad
121
5.7
Cambios que afectan la factibilidad
124
5.7.1
Cambios en el lado derecho.

5.7.2
Intervalos de factibilidad de los elementos del lado derecho.
5.7.3
Cambios realizados en una restriccin
5.7.3.1
Aadir una nueva restriccin
5.7.3.2
Suprimir una restriccin
5.7.3.3
Reemplazar una restriccin
5.7.3.4
Aadir una variable (por ejemplo, introducir un nuevo producto)
5.7.3.5
Suprimir una variable (es decir, cancelar un producto)
5.7.3.6
Adiccin de nuevas restricciones.
5.8
Cambios que afectan la ptimalidad
5.8.1
Cambios en los coeficientes de la funcin objetivo.

5.8.2
Intervalo de ptimalidad de los coeficientes objetivo.
5.8.3
Adicin de una nueva actividad.
124
124
125
126
126
126
127
127
127
127
127
128
129
129
129
131
131
132
132
5.9
134
5.10
Bibliografa
137
5.11
Enlaces
137
CAPTULO 6
138
MODELO DE TRANSPORTE
138
6.1
Introduccin
138
6.2
Antecedentes del problema
138
6.3
Modelizacin del problema: hiptesis bsicas
138
6.4
Propiedades matemticas del problema
141
6.5
El algoritmo de transporte
143
6.5.1
Balanceo del modelo

6.5.2
Determinacin de la solucin factible de inicio
6.5.2.1
Mtodo de la Esquina Noroeste.
6.5.2.2
Mtodo del costo mnimo.
6.5.2.3
Mtodo de aproximacin de Vogel.
6.5.3
Algoritmo de verificacin y bsqueda del ptimo.
144
144
145
146
147
147
150
150
152
153
155
156
6.6
6.6.1
6.6.2
6.6.3
6.7
6.7.1
6.7.2
6.7.3
6.8
Anlisis de sensibilidad en problemas de transporte

Variacin de coeficientes en la funcin objetivo de variables no bsicas
Variacin de coeficientes en la funcin objetivo de variables bsicas.
Incrementos en una oferta y en una demanda.

Solucin del modelo de transporte con TORA.
Solucin con WinQSB.
Solucin con Solver de Excel.
161
161
162
162
164
164
166
168
Problema de transporte con transbordos o transporte con nodos intermedios.
173

174
177
El modelo de asignacin
179
Concepto
Solucin matemtica del modelo de asignacin
Solucin del modelo de asignacin
179
179
180
180
182
6.10
Problemas de transporte multidimensional.
183
6.11
Problemas de transporte con restricciones adicionales.
184
6.12
Problemas propuestos.
185
6.13
Bibliografa.
188
6.14
Enlaces
188
6.9
6.9.1
6.9.2
6.9.3
CAPITULO 7
189
MODELOS DE REDES DE OPTIMIZACIN
189
7.1
Introduccin
189
7.2
Conceptos referenciales para la teora de redes
189
7.3
El Problema de la ruta ms corta
192
7.3.1
Algoritmos de la ruta ms corta
7.3.1.1
El algoritmo de Dijkstra.
7.3.1.2
El algoritmo de Floyd
7.3.2
Formulacin del problema de la ruta ms corta en programacin lineal
7.3.2.1
Formulacin 1
7.3.2.2
Formulacin 2
7.3.3
Solucin por computadora de la ruta ms corta
7.3.3.1
Solucin con TORA
7.3.3.2
Solucin con WinQSB
7.3.3.3
Solucin con hoja de clculo de Excel
192
192
193
196
198
201
201
202
202
203
204
204
207
209
7.4
Problema del rbol de expansin mnima
7.4.1
Algoritmo del rbol de expansin mnima

7.4.2
Solucin por computadora de expansin mnima
7.4.2.1
Solucin con TORA
7.4.2.2
Solucin con WinQSB
7.5
Modelo de flujo mximo
7.5.1
Algoritmos del problema de flujo mximo
7.5.1.1Algoritmo de Ford y Fulkerson
7.5.1.2
Algoritmo de flujo mximo
7.5.2
Formulacin del problema de flujo mximo con programacin lineal
7.5.3
Solucin por computadora del problema de flujo mximo
7.5.3.1
Solucin con TORA
7.5.3.2
Solucin con WinQSB
7.5.3.3
Solucin con hoja de clculo de Excel
7.6
Problema del flujo capacitado a costo mnimo
7.6.1Representacin en red
7.6.2
Formulacin con programacin lineal
7.6.3
Algoritmo smplex de red capacitada
7.6.4
Solucin del modelo de flujo capacitado a costo mnimo con hoja de calculo Excel
212
212
212
215
215
216
219
220
220
221
223
223
225
228
228
229
229
230
232
235
235
235
236
237
238
240
245
7.7
248
7.8
Bibliografa
250
7.9
Enlaces
250
CAPTULO 8
251
PROGRAMACIN DE ACTIVIDADES Y CONTROL DE PROYECTOS CPM Y PERT

251
8.1
Introduccin a las redes de actividades
251
8.2
Antecedentes
252
8.3
Diferencias entre PERT y CPM
253
8.4
Mtodos CPM y PERT
254
8.5
Modelaje de sistemas CPM/PERT
255
8.6
8.7
8.8
Diagrama de actividades tipo red
255

256
257
Ruta crtica (CPM)
259
Calculo para la ruta crtica (CPM)
259
260
8.9
8.10
8.11
8.12
Construccin del cronograma preliminar
264
264
Determinacin de las holguras
265
266
Formulacin del mtodo de la ruta crtica con programacin lineal
267
268
Redes PERT
269
271
8.13
Dificultades de PERT
273
8.14
274
8.14.1
8.14.2
8.14.3
Solucin CPM/PERT con TORA

Solucin CPM/PERT con WINQSB
Solucin CPM/PERT con PERT Chart EXPERT
274
277
280
8.15
Conclusiones
289
8.16
Resumen
289
8.17
290
8.18
Bibliografa
292
8.19
Enlaces
292
CAPTULO 9
293
TUTORIAL DE MS PROJECT
293
9.1
Introduccin - Definiciones iniciales.
293
9.2
Fases de un proyecto.
293
9.3
Gestin de Proyectos con Microsoft Project.
295
9.4
Datos del proyecto
299
9.4.1
9.4.2
9.4.3
9.4.4
9.5
9.5.1
Datos generales del proyecto.

Tareas.
Programacin de tareas.
Asignar recursos.
Costos con Ms Project

Costos.
299
300
302
304
306
306
9.6
Revisin del proyecto.
307
9.7
Introduccin a Microsoft Project 2003
308
9.8
Generalidades.
308
9.9
El entorno de trabajo.
309
9.9.1
9.9.2
9.9.3
9.9.4
9.9.5
9.9.6
9.9.7
Barra de ttulo.
Barra de mens y mens contextuales.
Barras de herramientas.
Gestin de barras de herramientas.
Propiedades de la barra de men
Gua de proyectos.
Barra de vistas.
311
312
314
314
315
316
317
9.9.8
9.9.9
9.9.10
9.9.11
9.10
Zona de vista.
Barras de desplazamiento.
Barra de estado.
Combinaciones de vistas.
318
318
318
318
Creacin de un Proyecto
318
9.10.1
Creacin de un archivo de proyecto.
319
9.11
Informacin del proyecto.
321
9.12
Propiedades de un proyecto.
322
CAPITULO 10
324
SISTEMAS DE COLAS
324
10.1
Introduccin a sistemas de colas
324
10.2
Definicin.
324
10.3
Por qu estudiar sistemas de colas?
324
325
10.4
Elementos de un modelo de cola
325
10.5
Costos de los modelos de colas.
326
10.6
Costo de espera.
327
10.7
Sistema de costo mnimo.
327
10.8
Estructuras tpicas.
328
Papel de la distribucin exponencial
329
330
10.9
10.10 Modelos con nacimientos puros y muertes puras (relacin entre las distribuciones
exponenciales y de poisson)
331
10.10.1 Modelos de nacimientos puros
10.10.2 Modelos de muertes puras
10.11
10.12
331
333
334
334
Modelo generalizado de cola de Poisson
335
337
Colas especializadas de Poisson
338
10.12.1 Medidas de desempeo en estado estacionario

10.12.2 Modelos con un supervisor
(M/M/1) : (DG//).
340
341
343
343
344
10.13
Otros modelos de cola
346
10.14
Modelos de decisin con colas
346
10.14.1 Modelos de costos.

10.14.2 Modelo de nivel de aspiracin
346
347
10.15
348
10.16
Bibliografa
350
10.17
Enlaces
350
ANEXO A
351
Operaciones Matriciales
351
Matrices
352
Definicin de una matriz
352
Tipo de matrices
352
Matrices no singulares
352
Mtodo para calcular la inversa de una matriz mtodo de operaciones de rengln (Gauss
Jordan).
353
Relacin de operaciones matriciales sencillas
356
ANEXO B
358
Tabla de Distribucin Normal
358
Tabla de la distribucin normal tipificada N(0,1)
359
Captulo 1
Texto Gua - Sistemas de Ingeniera
CAPTULO 1
INTRODUCCIN A LA INVESTIGACIN DE
OPERACIONES
1.1 Resea histrica
En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz,
Bernouilli y, sobre todo, Lagrange, que tanto haban contribuido al desarrollo del clculo
infinitesimal, se ocuparon de obtener mximos y mnimos condicionados de determinadas
funciones.
Posteriormente el matemtico francs Jean Baptiste-Joseph Fourier (1768-1830)
fue el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente
llamamos programacin lineal y la potencialidad que de ellos se deriva.
Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se
interes por problemas de este gnero. Debemos remontarnos al ao 1939 para encontrar
nuevos estudios relacionados con los mtodos de la actual programacin lineal, en este ao,
el matemtico ruso Leonodas Vitalyevich Kantarovitch publica una extensa monografa
titulada Mtodos matemticos de organizacin y planificacin de la produccin en la que
por primera vez se hace corresponder a una extensa gama de problemas una teora
matemtica precisa y bien definida llamada, hoy en da, programacin lineal.
En 1941-1942 se formula por primera vez el problema de transporte, estudiado
independientemente por Koopmans y Kantarovitch, razn por la cual se suele conocer
con el nombre de problema de Koopmans-Kantarovitch.
Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el
nombre de rgimen alimenticio ptima.
En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se
asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era un
problema de tal complejidad, que su resolucin y simplificacin pasaba necesariamente por
los modelos de optimizacin que resuelve la programacin lineal.
Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y
los ordenadores, instrumentos que haran posible la resolucin y simplificacin de los
problemas que se estaban gestando.
En 1947, G.B. Dantzig formula, en trminos matemticos
muy precisos, el enunciado estndar al que cabe reducir todo
problema de programacin lineal. Dantzig, junto con una serie de
investigadores del United States Departament of Air Force,
formaran el grupo que dio en denominarse SCOOP (Scientific
Computation of Optimum Programs).
Una de las primeras aplicaciones de los estudios del grupo
SCOOP fue el puente areo de Berln. Se continu con infinidad
de aplicaciones en el rea de la construccin, bancario y
preferentemente militar.
Captulo 1
Hacia 1950 se constituyen, fundamentalmente en Estados Unidos, distintos grupos

de estudio para ir desarrollando las diferentes ramificaciones de la programacin lineal.
Cabe citar, entre otros, Rand Corporation, con Dantzig, Orchard-Hays, Ford, Fulkerson
y Gale, el departamento de Matemticas de la Universidad de Princenton, con Tucker y
Kuhn, as como la Escuela Graduada de Administracin Industrial, dependiente del
Carnegie Institute of Technology, con Charnes y Cooper.
Respecto al mtodo del smplex, que estudiaremos despus, sealaremos que su
estudio comenz en el ao 1951 y fue desarrollado por Dantzig en el United States Bureau
of Standards SEAC COMPUTER, ayudndose de varios modelos de ordenador de la firma
IBM.
Los fundamentos matemticos de la programacin lineal se deben al matemtico
norteamericano de origen hngaro Janos von Neuman (1903-1957), que en 1928 public
su famoso trabajo Teora de Juegos. En 1947 conjetura la equivalencia de los problemas de
programacin lineal y la teora de matrices desarrollada en sus trabajos. La influencia de
este respetado matemtico, discpulo de David Hilbert en Gotinga y, desde 1930,
catedrtico de la Universidad de Princenton de Estados Unidos, hace que otros
investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina.
En 1858 se aplicaron los mtodos de la programacin lineal a un problema concreto:
el clculo del plan ptimo de transporte de arena de construccin a las obras de
edificacin de la ciudad de Mosc. En este problema haba 10 puntos de partida y 230 de
llegada. El plan ptimo de transporte, calculado con el ordenador Strena en 10 das del mes
de junio, rebaj un 11% los gastos respecto a los costos previstos.
Se ha estimado, de una manera general, que si un pas subdesarrollado utilizase los
mtodos de la programacin lineal, su producto interior bruto (PIB) aumentara entre un 10
y un 15% en tan slo un ao.
La programacin lineal hace historia: el puente areo de Berln

En 1946 comienza el largo perodo de la guerra fra
entre la antigua Unin Sovitica (URSS) y las
potencias aliadas (principalmente, Inglaterra y Estados
Unidos). Uno de los episodios ms llamativos de esa
guerra fra se produjo a mediados de 1948, cuando la
URSS bloque las comunicaciones terrestres desde las
zonas alemanas en poder de los aliados con la ciudad
de Berln, iniciando el bloqueo de Berln. A los
aliados se les plantearon dos posibilidades: o romper
el bloqueo terrestre por la fuerza, o llegar a Berln por
el aire. Se adopt la decisin de programar una
demostracin tcnica del poder areo norteamericano;
a tal efecto, se organiz un gigantesco puente areo para abastecer la ciudad: en diciembre
de 1948 se estaban transportando 4500 toneladas diarias; en marzo de 1949, se lleg a las
8000 toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de las
comunicaciones. En la planificacin de los suministros se utiliz la programacin lineal. (El
12 de mayo de 1949, los soviticos levantaron el bloqueo).
Captulo 1
Como muchos adelantos e investigaciones que favorecen al ser humano empiezas

ser utilizado para propsitos blicos para luego ser utilizados en la parte civil. Las
investigaciones de operaciones no es la excepcin ya que sus primeras actividades formales
de la investigacin de operaciones se dio en dio en Inglaterra durante la 2da Guerra Mundial
en la cual se encomend a un equipo de cientficos ingleses la toma de decisiones acerca de
la mejor utilizacin de materiales blicos, al terminar la Guerra, las ideas, investigaciones
realizadas para operaciones militares fueron adoptadas y/o modificadas para mejorar la
eficiencia y la productividad en el sector civil. Con el transcurso del tiempo se convirti en
una herramienta dominante e indispensable para tomar decisiones.
Muchas personas clasifican el desarrollo de la investigacin de operaciones con su
tcnica la programacin lineal entre los avances cientficos ms importantes de mediados
del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es una
herramienta de uso normal que ha ahorrado miles o millones de gastos innecesarios a
muchas compaas o negocios, incluyendo empresas medianas en los distintos pases
industrializados del mundo; su aplicacin a otros sectores como la construccin en la
sociedad se est ampliando con rapidez. Una proporcin muy grande de los clculos
cientficos en computadoras est dedicada al uso de la programacin lineal.
1.2 Qu es la Investigacin de Operaciones?

Como toda disciplina en desarrollo, la investigacin de operaciones ha ido
evolucionando no slo en sus tcnicas y aplicaciones sino en la forma como la
conceptualizan los diferentes autores, en la actualidad no existe solamente una definicin
sino muchas, algunas demasiado generales, otras demasiado engaosas, aqu seleccionamos
una de las mas aceptadas y representativas.
La definicin de la sociedad de investigacin de operaciones de la Gran Bretaa es
la siguiente:
La investigacin de operaciones es el ataque de la ciencia moderna a los complejos
problemas que surgen en la direccin y en la administracin de grandes sistemas de
hombres, mquinas, materiales y dinero, en la industria, en los negocios, en la
construccin, en el gobierno y en la defensa. Su actitud diferencial consiste en desarrollar
un modelo cientfico del sistema tal, que incorpore valoraciones de factores como el azar y
el riesgo y mediante el cual se predigan y comparen los resultados de decisiones,
estrategias o controles alternativos. Su propsito es el de ayudar a la gerencia a
determinar cientficamente sus polticas y acciones.
En relacin a sta definicin deben destacarse los siguientes aspectos:
1.
Generalmente se asocian los conceptos de direccin y administracin a

las empresas de tipo lucrativo, sin embargo, una empresa es un concepto
ms amplio, es algo que utiliza hombres, mquinas, materiales y dinero
con un propsito especfico; desde ste punto de vista, se considera como
empresa desde una universidad hasta una constructora.
2.
Para tratar de explicar el comportamiento de un sistema complejo, el

cientfico debe representarlo en trminos de los conceptos que maneja, lo
hace expresando todos los rasgos principales del sistema por medio de
relaciones matemticas. A esta representacin formal se le llama modelo.
Captulo 1
3.
La esencia de un modelo es que debe ser predictivo, lo cual no significa

predecir el futuro, pero si ser capaz de indicar muchas cosas acerca de la
forma en que se puede esperar que un sistema opere en una variedad de
circunstancias, lo que permite valorar su vulnerabilidad. Si se conocen
las debilidades del sistema se pueden tomar cursos de accin agrupados
en tres categoras: a) Efectuar cambios que lleven a la empresa o parte de
ella a una nueva ruta; b) Realizar un plan de toma de decisiones; c)
Instalar estrategias que generen decisiones. Cuando se aplica alguno de
estos remedios, la investigacin de operaciones nos ayuda a determinar
la accin menos vulnerable ante un futuro incierto.
4.
El objetivo global de la investigacin de operaciones es el de apoyar al

tomador de decisiones, en cuanto ayudarlo a cumplir con su funcin
basado en estudios cientficamente fundamentados.
1.3 Fases de un estudio de Investigacin de Operaciones

Como herramienta de toma de decisiones, la investigacin de operaciones es una
ciencia y un arte, se dice que es una ciencia por las tcnicas matemticas que se presentan y
un arte porque el xito de todas las fases que anteceden y siguen a la resolucin del modelo
matemtico dependen mucho de la creatividad y la experiencia del equipo de investigacin
de operaciones. Willemain (1994) insina que la prctica efectiva (de la investigacin de
operaciones) requiere algo mas que la competencia analtica. Tambin requiere, entre
otros atributos, el juicio (por ejemplo, cuando y como usar determinada tcnica) y la
destreza tcnica en comunicaciones y en duracin organizacional.
Es dificultoso formular cursos concretos o especficos de accin (que se puedan
parecer a los que se crea en la teora de los modelos matemticos) para los factores
intangibles. Solo se puede brindar lineamientos generales para efectuar la investigacin de
operaciones en la prctica.
Las fases principales de la ejecucin de la investigacin de operaciones en la
prctica son los siguientes:
1. Definicin del Problema de inters y toma de datos relevantes.
2. La construccin o formulacin del Modelo matemtico el cual represente el
problema.
3. Desarrollo de un procedimiento basado en tcnicas para derivar en la solucin
del Modelo matemtico.
4. La validacin o prueba del Modelo matemtico y si fuera necesario su
mejoramiento.
5. La Implementacin de la solucin.
De estas cinco fases, solo la de la solucin del modelo, es la que esta mejor definida
y es la mas fcil de implementar en un estudio de investigacin de operaciones, por lo que
maneja especialmente modelos matemticos precisos, las dems fases es mas un arte que
una teora.
Captulo 1
1.3.1 La definicin del problema

Es uno de las fases mas importante que en muchos libros lo definen vagamente pero
requiere de mucho cuidado al realizar esta fase o actividad, lo cual es el de realizar el
estudio relevante del problema y desarrollar un resumen bien definido del problema que se
va analizar y es una funcin que debe ser desarrollado por todo el equipo de investigacin
de operaciones lo cual se define el alcance del problema que se investiga. El resultado de
ello es identificar tres elementos principales del problema de decisin, que son:
a) La descripcin de las alternativas de decisin.
b) La determinacin del objetivo del estudio (lo cual viene a ser un aspecto
importante en la formulacin o definicin del problema).
c) La especificacin de las limitaciones bajo las cuales funciona el sistema
modelado.
En resumen este proceso es crucial ya que afectara significativamente la relevancia
de las conclusiones del estudio. Por que Es difcil extraer aun respuesta correcta a
partir de un problema equivocado!. Puede ser que se tarde mucho tiempo recolectando
los datos relevantes sobre el problema, lo cual se necesita muchos datos para lograr un
entendimiento exacto sobre el problema como para proporcionar las herramientas
necesarias para el modelo que se formulara o construir en la siguiente etapa, como es
comn no se tendr mucha informacin al principio, ya sea porque nunca se guardo la
informacin o ya esta obsoleta o en forma errnea, por que se debe recolectar desde el
principio, aun poniendo todo el esfuerzo el equipo de investigacin de operaciones tendr
que trabajar con datos no muy confiables por el tiempo de la recoleccin antes mencionado,
por lo cual terminara trabajando con lo datos que pueda obtener.
Como se ilustra en la figura 1.1 los niveles de abstraccin que caracterizan el
desarrollo de un modelo de investigacin de operaciones. El mundo real supuesto se abstrae
del caso real, concentrndolo en las variables principales que controlan el comportamiento
del sistema real. El modelo, como es una abstraccin del mundo real supuesto, refiere a una
forma adecuada, las funciones matemticas que representan el comportamiento del sistema
supuesto.
Figura 1.1
Captulo 1
Como se menciono antes, el definir o modelar un problema de una situacin real se

abstraer lo cual no se lleva a tener otras consideraciones, por lo que podemos dar un
ejemplo: en una empresa existen otras consideraciones y responsabilidades sociales fuera
de las ganancias se puede tomar dentro de un solo pas, dentro de una empresa, se puede
mencionar cinco partes que son afectadas que son: a) los dueos (accionistas, etc.), que
desean obtener ganancias (dividendos, valuaciones de las acciones, etc.); b) los empleados,
que desean un empleado seguro con un salario razonable; c) los clientes, que quieren un
producto confiable a un precio justo; d) los vendedores, que piensan en la integridad y lo
justo del precio de venta de los bienes que manejan; e) el gobierno, y por ende, la nacin,
que quiere el pago de impuestos justos y que se tome en cuenta el inters nacional. Las
cinco partes hacen contribuciones esenciales a la empresa, y esta no debe servir a ninguna
de estas partes para explotar a las otras. Entonces, aunque se acepte que obtener ganancias
es el objetivo principal (que en ltima instancia, beneficia a las cinco partes), debern
tambin reconocerse esas responsabilidades sociales ms extensas.
Aplicacin: El Departamento de Salud de New Haven, Connecticut utiliz un equipo de
Investigacin de Operaciones para disear un programa efectivo de intercambio de agujas
para combatir el contagio del virus que causa el SIDA (HIV), y tuvo xito en la reduccin
del 33% de la tasa de infeccin entre los clientes del programa. La parte central de este
estudio fue un innovador programa de recoleccin de datos para obtener los insumos
necesarios para los modelos matemticos de transmisin del SIDA. Este programa barco
un rastreo completo de cada aguja (y cada jeringa), con la identificacin, localizacin y
fecha de cada persona que reciba una aguja y cada persona que la regresaba durante un
intercambio, junto con la prueba de si la condicin de la aguja era HIV - positivo o HIV negativo.
1.3.2 La construccin del modelo

Es el de traducir la definicin del problema a relaciones matemticas llamado
tambin modelizacin. Se sabe o se dice que los modelos matemticos o representaciones
idealizadas son una parte integrada de la vida diaria, en la ciencia y los negocios, como lo
hacen patente los modelos del tomo y de estructura genticas, las ecuaciones matemticas
que describen las leyes de fsica del movimiento o reacciones qumicas, las graficas, los
organigramas y los sistemas contables en la industria, esos modelos son invaluables ya que
extraen la esencia de la materia de estudio, muestra sus interrelaciones y facilitan el
anlisis.
Si el modelo se puede ajustar a uno de los modelos matemticos normales como
puede ser la programacin lineal, se puede emplear los algoritmos disponibles. Pero si las
relaciones matemticas son demasiadas complejas como para permitir el clculo de una
solucin analtica puede ser que se opte por simplificar el modelo para usar un modelo
heurstico y tambin puede recurrir al uso de simulacin, si es aproximada, pero en algunos
casos se deber hacer una combinacin de modelos matemticos para resolver.
Aplicacin: La Oficina responsable del control del agua y los servicios pblicos del
Gobierno de Holanda, concesion un importante estudio de Investigacin de Operaciones
para guiarlo en el desarrollo de una importante poltica de administracin del agua. La
nueva poltica ahorro cientos de millones de dlares en gastos de inversin y redujo el
dao agrcola en alrededor de 15 millones de dlares anuales, al mismo tiempo que
disminuyo la contaminacin trmica y debida a las algas. En lugar de formular un modelo
Captulo 1
matemtico, este estudio de Investigacin de Operaciones desarroll un sistema integrado

y comprensible de 50 modelos! Mas an, para alguno de los modelos, se desarrollan
versiones sencillas y complejas. El estudio completo de Investigacin de Operaciones
involucr directamente a mas de 125 personas - ao de esfuerzo (mas de un tercio de ellas
en la recoleccin de datos), cre varias docenas de programas de computacin y
estructur una enorme cantidad de datos.
1.3.3 Solucin del modelo matemtico

La siguiente etapa de un estudio de investigacin de operaciones es una de las ms
simples y sencillas, que consiste en desarrollar un procedimiento para obtener una solucin
al problema a partir de este modelo matemtico. Se puede suponerse o pensarse que esto
debe ser la parte ms importante o principal del estudio de investigacin de operaciones,
pero en la mayora de los casos no lo es, por lo contrario es una parte relativamente sencilla
donde solo se aplica uno de los algoritmos (procedimientos iterativos de una solucin). Las
soluciones que se obtienen de estos modelos no son de forma cerradas, es decir, parecidas a
formulas. En lugar de ello, se determina en forma de algoritmo, este algoritmo proporciona
reglas fijas de cmputos que son aplicadas en forma repetitiva al problema y cada
repeticin es llamada iteracin, lo cual obtiene cada vez en forma mas cercana a la ptima,
ya que los clculos que son asociados o utilizados en cada iteracin son tediosos y
voluminosos se recurre al uso de paquetes computacionales.
Un tema comn en investigacin de operaciones es la bsqueda de una solucin
ptima, es decir la mejor, pero se debe saber que estas soluciones ptimas son solo respecto
al modelo que se esta utilizando. Como el modelo matemtico es una idealizacin y no una
representacin del problema real, esto no garantiza de que la solucin ptima del modelo
resulte la mejor solucin posible que se pueda llevar a la prctica para el problema real, ya
que se debe tomar en cuenta las muchas imponderables e incertidumbres que estn
asociadas a los problemas reales, pero si el modelo matemtico esta bien formulado y
verificado, la solucin resulta ser una buena aproximacin.
En la prctica es mucho mas frecuente utilizar el concepto satisfizar 1(es una
combinacin de satisfacer y optimizar) que optimizar. La distincin entre optimizar y
satisfizar refleja la diferencia entre la teora y la realidad, diferencia que con frecuencia se
encuentra al tratar de implementar esa teora en la prctica. Segn Samuel Eilon
optimizar es la ciencia de lo absoluto; satisfizar es el arte de lo factible.
La meta de un estudio de investigacin de operaciones debe ser el llevar a cabo el
estudio de manera ptima, de manera independiente si esto implica el encontrar o no la
solucin ptima para el modelo.
Hasta el momento ha quedado implcito que un estudio de investigacin de
operaciones busca solo una solucin, que puede o no requerirse que sea ptima. Una
solucin ptima para el modelo original puede ser mucho menos que ideal para el problema
real, de tal forma que es necesario hacer un anlisis adicional, este anlisis es llamado
anlisis pos-ptimo (anlisis que se lleva a cabo despus de encontrar una solucin ptima)
el cual es una parte muy importante de la mayora de los estudio de Investigacin de
Operaciones.
1
El eminente cientfico de la administracin y premio Nbel de Economa, Herbet Simn, introdujo este
concepto de satisfizar
Captulo 1
En cierto modo el anlisis de pos-ptimo es el llevar a cabo un anlisis de

sensibilidad, el cual es determinar unos parmetros del modelo que son crticos o
sensibles al determinar la solucin.
Una definicin que se puede dar de parmetros sensibles es: Para un modelo
matemtico con valores especficos para todos sus parmetros, los parmetros sensibles
del modelo son aquellos cuyos valores no se pueden cambiar sin que la solucin ptima
cambie. Estos parmetros son estimaciones de alguna cantidad (por ejemplo, ganancia
unitaria) cuyo valor exacto se conocer solo despus de poner en prctica la solucin.
Existe alguna flexibilidad sobre los valores asignados a estos parmetros, talvez puedan
algunos puedan aumentar si otros disminuyen. El anlisis pos-ptimo incluye la
investigacin de estos trueques.
La tcnica mas importante de investigacin de operaciones es la programacin
lineal, lo cual consiste en disear los modelos matemticos con funciones objetivos y
restricciones estrictamente lineales. La programacin lineal utiliza un modelo matemtico
para describir el problema. El adjetivo lineal significa que todas las funciones matemticas
del modelo deber ser funciones lineales. En este caso, las palabra programacin no se
refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la
programacin lineal trata la planeacin de las actividades para obtener un resultado ptimo,
esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico)
entre todas las alternativas de solucin.
Cuando algunos modelos matemticos son tan complicados que es imposible
resolverlos con cualquiera de los algoritmos para su optimizacin. En este caso ser
necesario abandonar la bsqueda de la solucin ptima para solo buscar y encontrar una
solucin buena, para lo cual se utiliza heursticas o reglas simples.
1.3.4 La validacin del modelo

Es una comprobacin si el modelo matemtico propuesto hace lo que debe hacer, lo
cual se puede hace una pregunta. Pronostica el modelo en forma adecuada el
comportamiento del sistema que se estudia?, y si el modelo se basa en una investigacin
cuidadosa de datos histricos, la validacin debera ser favorable.
Es probable de que las primeras versiones de un modelo matemtico grande tengan
sus fallas. Sin duda algunos factores o interrelaciones revelantes no se agregaron al modelo
y algunos parmetros no se estimaron correctamente. Esto puede ser a causa de la falta o la
dificultad de comunicacin de todos los aspectos y sutilezas de un problema operacional
complejo, as como la dificultad de recoleccin de datos. Por lo que antes de usar el modelo
debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se
pueda. Aunque sin duda quedaran algunos problemas menores ocultos en el modelo (y
quizs nunca se detecten), las fallas importantes se habrn eliminado de manera que ahora
es confiable usar el modelo.
Es difcil describir como se lleva a cabo la validacin del modelo por que el proceso
depende en gran parte del problema bajo estudio y del modelo usado, pero se puede hacer
algunos comentarios generales.
Debido a que el equipo de investigacin de operaciones pasara mucho tiempo
desarrollando todas las piezas detalladas del modelo, es sencillo no ver el bosque por
buscar los rboles. Entonces despus de completar los detalles (los rboles) de la versin
Captulo 1
inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma
general (el bosque) para verificar los errores u omisiones obvias.
Tambin es til asegurarse de que todas las expresiones matemticas sean
consistentes en las dimensiones de las unidades que emplean. Adems, pueden obtenerse un
mejor conocimiento de la validez del modelo variando los valores de los parmetros de
entrada y/o de las variables de decisin y comprobando que los resultados del modelo se
comporten de una manera factible. Esto es especialmente revelador cuando se asignan a los
parmetros o a las variables valores extremos cercanos a su mximo o su mnimo.
Un enfoque ms sistemtico para la prueba del modelo matemtico es emplear una
prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y
reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido
un buen desempeo hipottico con lo que en realidad ocurri, indica si el uso del modelo
tiende a dar mejoras significativas sobre la prctica actual. Puede tambin indicar reas en
las que el modelo tiene fallas y requiere modificaciones. Lo que es mas, al emplear las
alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir
evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes
cursos de accin.
Por otra parte, la prueba retrospectiva tiene la desventaja de que usa los mismos
datos que sirvieron para formular el modelo. Entonces surge la pregunta crtica; es si el
pasado en realidad representa el futuro. Si no es as, el modelo puede tener un desempeo
distinto en el futuro del que hubiera tenido en el pasado.
Para salvar esta desventaja de la prueba retrospectiva. A veces es til continuar con
las cosas como estn por una temporada. Esto proporcionara datos con los que no se
contaban cuando se construy el modelo. Estos datos se pueden emplear de la manera que
se describi para evaluar un modelo.
Es importante documentar el proceso usado para las pruebas de la validacin del
modelo. Esto ayuda a aumentar la confianza en el de los usuarios subsecuentes. Ms aun, si
en el futuro surgen preocupaciones sobre el modelo, esta documentacin ayudara a
diagnosticar en donde pueden estar los problemas.
Aplicacin: En un estudio de I.O. para IBM se realizo con el fin de integrar su red
nacional de inventarios de refacciones para mejorar el servicio a los clientes, al mismo
tiempo que reducir el valor de los inventarios de IBM en mas de 250 millones de dlares y
ahorrar otros 20 millones de dlares anuales a travs del mejoramiento de la eficiencia
operacional. Un aspecto en particular interesante de la etapa de validacin del modelo en
este estudio fue la manera en que se incorporaron el proceso de prueba los usuarios
futuros del sistema de inventarios. Debido a que estos usuarios futuros (los
administradores de IBM en las reas funcionales responsables de la implantacin del
sistema de inventarios) dudaban del sistema que se estaba desarrollando, se asignaron
representantes a un equipo de usuarios que tendra la funcin de asesorar al equipo de I.O.
Una vez desarrollada la versin preliminar del nuevo sistema (basada en el sistema de
inventarios de multiniveles) se lleva acabo una prueba preliminar de implantacin.
La extensa retroalimentacin por parte del equipo de usuarios llevo a mejoras
importantes en el sistema propuesto.
Captulo 1
1.3.5 La implementacin del modelo matemtico

Qu es lo que pasa despus de terminar la etapa de pruebas y desarrollar un
modelo aceptable?; si el modelo ha de usarse varias veces, el siguiente paso es instalar un
sistema bien documentado para aplicar el modelo segn lo establecido por la
administracin. Este sistema incluir el modelo y el procedimiento de solucin (adems del
anlisis pos-ptimo) y los procedimientos para su implementacin. Por que la
implementacin se trata de efectuar instrucciones de operaciones a partir de la solucin y de
los resultados del modelo, estas instrucciones de operaciones deben ser en forma
comprensibles para las personas que administraran el sistema recomendado.
Una vez desarrollado un sistema para aplicar un modelo, la ltima etapa de un
estudio de investigacin de operaciones es implementarlo siguiendo lo establecido por la
administracin. Esta etapa es crtica, ya que es aqu y solo aqu, donde se cosecharan los
beneficios del estudio, es importante que el equipo de investigacin de operaciones
participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un
procedimiento operativo.
La etapa de implementacin incluye varios pasos. Primero, el equipo de
investigacin de operaciones da una cuidadosa explicacin a la gerencia operativa sobre el
nuevo sistema que se va adoptar y su relacin con la realidad operativa. Luego estos dos
grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para
poner este sistema en operacin.
A la culminacin del estudio, es apropiado que el equipo de investigacin de
operaciones documente su metodologa con la suficientemente claridad y detalle para que el
trabajo sea reproducible.
Aplicacin: Este ltimo punto sobre la documentacin de un estudio Investigacin de
Operaciones se ilustra con el caso de la poltica nacional de administracin del agua de
Rijkswaterstatt en Holanda. La administracin deseaba documentacin ms extensa que lo
normal, tanto para apoyar la nueva poltica como para utilizarla en la capacitacin de
nuevos analistas o al realizar nuevos estudios. Completar esta documentacin requiri
varios aos y quedo contenida en 4000 pginas a espacio sencillo encuadernadas en 21
volmenes!
1.4 Modelos matemticos de Investigacin de Operaciones

Se debe considerar que en el caso de un problema de toma de decisiones donde
requiere un modelo matemtico, cuya solucin requiere identificar tres componentes.
1. Cules son las alternativas de decisin?
2. Bajo que restricciones se toma la decisin?
3. Cul es el criterio objetivo adecuado para evaluar las alternativas?
10
Captulo 1
El primer paso crucial de cualquiera de los modelo es la definicin de las alternativas

o las variables de decisin del problema. Lo cual se utilizan estas variables de decisin
para construir la funcin objetivo y las restricciones del modelo. Una vez terminado con
estos tres pasos en el modelo de investigacin de operaciones se organizar generalmente de
la siguiente forma general:
Maximizar o Minimizar la funcin objetivo
Sujeta a:
Restricciones.
Cuando una solucin de un modelo planteado satisface todas las restricciones es una
solucin factible, y cuando adems de ser factible produce el mejor valor (mximo o
mnimo) de la funcin objetivo se le llama solucin ptima. Fuera de que los modelos
investigacin de operaciones deben optimizar determinado criterio objetivo sujeto a un
conjunto de restricciones, la calidad de la solucin que se obtenga depende de la exactitud
del modelo para representar el sistema real. Lo cual concluimos es que la solucin ptima
de un modelo solo es la mejor para ese problema. Por lo cual inferimos que si el modelo
representa al sistema real en forma razonablemente buena, su solucin tambin ser ptima.
1.5 Impacto de la Investigacin de Operaciones

La investigacin de operaciones ha tenido un impacto impresionante en el
mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En el
proceso, la investigacin de operaciones ha hecho contribuciones significativas al
incremento de la productividad dentro de la economa de varios pases. Hay ahora ms de
30 pases que son miembros de la International Federation of Operational Research
Societies (IFORS), en la que cada pas cuenta con una sociedad de investigacin de
operaciones.
Sin duda, el impacto de la investigacin de operaciones continuar aumentando. Por
ejemplo, al inicio de la dcada de los 90, el U.S. Bureau of Labor Statistics predijo que la
investigacin de operaciones sera el rea profesional clasificada como la tercera de ms
rpido crecimiento para los estudiantes universitarios en Estados Unidos, graduados entre
1990 y 2005. Pronostic tambin que, para el ao 2005, habra 100 000 personas trabajando
como analistas de investigacin de operaciones.
1.6 Riesgo al aplicar la Investigacin de Operaciones

Al aplicar la Investigacin de Operaciones al estudio de sistemas y a la resolucin
de problemas se corre el riesgo de tratar de manipular los problemas para buscar que se
ajusten a las diferentes tcnicas, modelos de algoritmos establecidos en lugar de analizar los
problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los mtodos
apropiados, es decir resolver el problema utilizando los mtodos que proporcionan las
mejoras soluciones y no buscar ajustar el problema a un mtodo especfico.
Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender
la metodologa para resolver los problemas, as como los fundamentos de las tcnicas de
solucin para de esta forma saber cundo utilizarlas o no en las diferentes circunstancias.
11
Captulo 1
1.7 Tipos de modelos de Investigacin de Operaciones.

En la siguiente tabla se muestran los modelos de decisin segn su clase de
incertidumbre y su uso en las corporaciones. (D, determinista; P, probabilista; A, alto; B,
bajo)
Tipo de Modelo
Clase de
Incertidumbre
Frecuencia de uso
en corporaciones
Programacin Lineal
Redes (Incluye PERT/CPM)
D, P
Inventarios, produccin y programacin
D, P
Econometra, pronstico y simulacin
D, P
Programacin Entera
Programacin Dinmica
D, P
Programacin Estocstica
Programacin No Lineal
Teora de Juegos
Control ptimo
D, P
Lneas de Espera
Ecuaciones Diferenciales
* En la anterior tabla se muestran con letras en negrillas y cursivas los tipos que se
utilizaran en el curso de sistemas de ingeniera
A continuacin se dar una pequea explicacin de los modelos matemticos que se
utilizaran en este curso.
1.7.1 Programacin Lineal

Se llama programacin lineal al conjunto de tcnicas matemticas que pretenden
resolver la situacin siguiente:
Optimizar (maximizar o minimizar) una funcin objetivo, funcin lineal de varias
variables, sujeta a: una serie de restricciones, expresadas por inecuaciones lineales.
Un problema de programacin lineal en dos variables, tiene la siguiente formulacin
estndar:
Pudiendo cambiarse maximizar por minimizar, y el sentido de las desigualdades.
12
Captulo 1
En un problema de programacin lineal intervienen:

La funcin f(x, y) = ax + by + c llamada funcin objetivo y que es necesario
optimizar. En esa expresin x e y son las variables de decisin, mientras que a, b y
c son constantes.
Las restricciones que deben ser inecuaciones lineales. Su nmero depende del
problema en cuestin. El carcter de desigualdad viene impuesto por las
limitaciones, disponibilidades o necesidades, que son: inferiores a ... (menores: < o
); como mnimo de ... (mayores: > o ). Tanto si se trata de maximizar como de
minimizar, las desigualdades pueden darse en cualquiera de los dos sentidos.
Al conjunto de valores de x e y que verifican todas y cada una de las restricciones se
lo denomina conjunto (o regin) factible. Todo punto de ese conjunto puede ser
solucin del problema; todo punto no perteneciente a ese conjunto no puede ser
solucin. En los captulos siguientes veremos como se determina la regin factible.
La solucin ptima del problema ser un par de valores (x0, y0) del conjunto factible
que haga que f(x, y) tome el valor mximo o mnimo.
1.7.2 Teora de Redes (incluye PERT/CPM)

Optimizacin de redes es un tipo especial de modelo en programacin lineal. Los
modelos de redes tienen tres ventajas importantes con respecto a la programacin lineal.
1. Pueden resolverse muy rpidamente. Problemas que con programacin lineal
tendran 1000 filas y 30.000 columnas pueden ser resueltos en segundos. Esto
permite que los modelos de redes sean usados en muchas aplicaciones (tal como la
toma de decisin en tiempo real) para lo cual la programacin lineal no es lo ideal.
2.
Requieren en forma natural de soluciones enteras. Al reconocer que un problema

puede formularse como algn modelo de red nos permitir resolver tipos especiales
de problemas de programacin entera aumentando la eficiencia y reduciendo el
tiempo consumido por los algoritmos clsicos de programacin lineal.
3.
Son intuitivos. Los modelos de redes proveen un lenguaje para tratar los problemas,
mucho ms intuitivo que "variables, objetivo, restricciones".
Obviamente los modelos de redes no son capaces de cubrir la amplia gama de

problemas que puede resolver la programacin lineal. Sin embargo, ellos ocurren con
suficiente frecuencia como para ser considerados como una herramienta importante para
una real toma de decisiones.
Los modelos de redes se pueden usar para ayudar a la planificacin de proyectos
complejos los que involucran muchas actividades. Si la duracin de cada actividad se
conoce con certeza, se puede usar el mtodo del camino crtico (CPM) para determinar el
tiempo requerido para realizar el proyecto. CPM se puede usar tambin para determinar en
cunto se puede atrasar una actividad sin que esto retrase el trmino del proyecto. CPM fue
desarrollado en los aos 50 por Du Pont y Sperry Rand.
13
Captulo 1
Si la duracin de las actividades no se conoce con certeza, se puede usar la tcnica

PERT (Tcnica de Evaluacin y Revisin de Proyectos) para estimar la probabilidad que el
proyecto se termine en una fecha determinada. CPM y PERT han sido exitosamente
utilizado en muchas aplicaciones como:
Planificacin de proyectos de construccin como carreteras, edificios, piscinas.
Instalacin de un nuevo sistema de Agua Potable y Alcantarillado.
Planificacin del traslado y movimiento de tierras.
Desarrollo de la planificacin area en diferentes aerolneas norteamericanas
Diseo y marketing de nuevos productos.
Construccin de barcos, etc.
1.7.3 Teora de colas (lneas de espera)

La teora de las colas es el estudio matemtico de las colas o lneas de espera. La
formacin de colas es, por supuesto, un fenmeno comn que ocurre siempre que la
demanda efectiva de un servicio excede a la oferta efectiva.
Con frecuencia, las empresas deben tomar decisiones respecto al caudal de
servicios que debe estar preparada para ofrecer. Sin embargo, muchas veces es imposible
predecir con exactitud cundo llegarn los clientes que demandan el servicio y/o cuanto
tiempo ser necesario para dar ese servicio; es por eso que esas decisiones implican dilemas
que hay que resolver con informacin escasa. Estar preparados para ofrecer todo servicio
que se nos solicite en cualquier momento, puede implicar mantener recursos ociosos y
costos excesivos. Pero, por otro lado, carecer de la capacidad de servicio suficiente causa
colas excesivamente largas en ciertos momentos. Cuando los clientes tienen que esperar en
una cola para recibir nuestros servicios, estn pagando un costo, en tiempo, ms alto del
que esperaban. Las lneas de espera largas tambin son costosas por tanto para la empresa
ya que producen prdida de prestigio y prdida de clientes.
La teora de las colas en si no resuelve directamente el problema, pero contribuye
con la informacin vital que se requiere para tomar las decisiones concernientes
prediciendo algunas caractersticas sobre la lnea de espera: probabilidad de que se formen,
el tiempo de espera promedio.
1.7.4 Modelo de hoja de clculo electrnica

La hoja de clculo electrnica facilita hacer y contestar preguntas de que si en un
problema real. Hasta ese grado la hoja de clculo electrnica tiene una representacin
selectiva del problema y desde este punto de vista la hoja de clculo electrnica es un
modelo.
En realidad es una herramienta ms que un procedimiento de solucin.
14
Captulo 1
1.8 Conclusiones
Aunque el resto del siguiente texto nos aboquemos primordialmente a la
construccin y solucin de los modelos matemticos a travs de la programacin lineal,
modelos de redes (incluyendo PERT/CPM) y la teora de colas.
En este capitulo se trato de hacer hincapi en que esto eso solo una porcin del
proceso completo que se necesita para llevar a cabo a un estudio de investigacin de
operaciones representativo. Las otras etapas que se describieron tambin son importantes
para el xito o fracaso del estudio. Lo cual se pide al estudiante que no pierda de vista en
los siguientes captulos; el papel que juega el modelo y el procedimiento de solucin dentro
del proceso completo.
Tambin se concluye que por el hecho de los modelos matemticos, la investigacin
de operaciones esta muy estrechamente ligado al uso de las computadoras. Hasta hace
poco, se haban utilizado casi exclusivamente computadoras grandes, pero cada vez es
mayor el uso de microcomputadoras y estaciones de trabajo.
1.9 Bibliografa
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth, Gordon P.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]
1.10 Enlaces
http://www.itson.mx/dii/elagarda/apagina2001/PM/pl.html
http://www.quia.com/servlets/quia.activities.common.ActivityPlayer?AP_rand=307
787524&AP_activityType=3&AP_urlId=166798&AP_continuePlay=true166798
http://www.investigacion-operaciones.com/Introduccion_IO.htm
15
Captulo 2
CAPTULO 2
MODELIZACIN A LA PROGRAMACIN LINEAL
2.1 Introduccin a la modelizacin
En numerosas ciencias, entre ellas la construccin, se hace necesario el estudio y
anlisis de fenmenos del mundo real, y por ello se hace necesaria la aplicacin del mtodo
cientfico a este estudio. Como acabamos de ver con anterioridad una de las fases de la
aplicacin del modelo cientfico se basa en la construccin del modelo o formulacin de
hiptesis. En nuestro caso nos concentraremos en la construccin de modelos.
Aunque hay numerosas acepciones y definiciones de un modelo, hemos elegido la
de Aracil 1: Un modelo constituye una representacin abstracta de un cierto aspecto de la
realidad, y tiene una estructura que esta formada por los elementos que caracterizan el
aspecto de la realidad modelada y por las relaciones entre estos elementos.
A partir de este concepto de modelo se pueden obtener distintas clasificaciones
(icnico, analgicos, simblicos, etc.). Sin embargo, solo estamos interesados en los
modelos matemticos, es decir, los modelos formales basados en lgica matemtica, y se
basan en un conjunto de relaciones matemticas (tales como ecuaciones, inecuaciones,
relaciones lgicas, etc.) que se corresponden con las relaciones del mundo real (tales como
relaciones tecnolgicas, leyes fsicas, restricciones del mercado, etc.).
La importancia de la construccin de modelos matemticos en cualquier campo de
la ingeniera es evidente, no obstante vamos a enumerar alguna de ellas 2:
1. La construccin de modelos revela, relaciones que no son evidentes a primera vista.
Este resultado se alcanza con el mejor conocimiento que se adquiere cuando
empieza a modelar, es decir, cuando mejor se va conociendo la realidad del
fenmeno que se intenta representar.
2. Una vez construido el modelo matemtico, es posible extraer de l propiedades y
caractersticas de las relaciones entre los elementos que de otra forma
permaneceran ocultas. Tambin, es posible representar situaciones complejas que
son admisibles en otro tipo de modelos, y no solo es esa posibilidad de
modelizacin, sino tambin la de resolucin del mismo, aunque no sea una solucin
analtica sino numrica (realizada por un ordenador).
3. En la mayora de las situaciones de la ingeniera del mundo real, no es factible
experimentar con la realidad, por ser prohibitivamente caro, peligroso , hasta,
imposible. Por ejemplo, si se intenta conocer el impacto de la puesta en prctica de
una determinada accin en el campo de la construccin. En este caso para evaluar
las consecuencias se construye un modelo donde se puedan analizar los resultados
en diversas situaciones con un costo prcticamente nulo y sin riesgos sociales ni
econmicos.
1
Aracil, J (1983): introduccin a la dinmica de sistemas. Ed. Alianza Madrid. Pg. 18.
Puede verse al respecto, Williams, H.P. (1978): Model Building in mathematical programming. Jhon
Willey & Sons. Nueva York. Pg. 3.
16
Captulo 2
Es importante resaltar que un modelo esta realmente definido por las relaciones que
incorpora. Estas relaciones son independientes de los datos a introducir en el modelo,
ya que un modelo puede ser usado para diferentes ocasiones y en varios contextos
diferentes.
Aunque acabamos de ver algunas de las ventajas de la modelizacin, sobre el uso
de los modelos en la ingeniera hay posturas diferentes, por una parte esta las personas
que ponen en tela de juicio la validez de los modelos, en tanto en cuanto no son capaces
de cuantificar muchas instancias de los problemas reales, por ejemplo, el costo o
utilidad social. Otros niegan su utilidad basndose en el grado de precisin de los datos
a incorporar al modelo matemtico. Pero frente de estos, en otro extremos estn los
fervientes defensores de la modelizacin total para la toma de decisiones, en este caso
convendra resaltar la calidad de las respuesta que produce el modelo, depende
obviamente, de la seguridad de su estructura y de los datos a el incorporados, y que una
excesiva confianza en ellos es peligroso. Nos vamos a entrar en esta polmica, sino que
lo nico que queremos es poner en manifiesto que los modelos deben usarse como una
herramienta mas para la toma de decisiones y que debe valorarse en su justa medida, ya
que difcilmente es comprensible un problema complejo sin una mnima Modelizacin,
aunque tambin hay que reconocer que no es posible modelizar la totalidad de las
situaciones reales.
El modelo que se utilizara en la matera ser el modelo de optimizacin el cual trata
de identificar un ptimo (por general, el ptimo general) del problema, es decir, buscar
la mejor de las alternativas posibles, estos mtodos son los que estn basados en las
tcnicas de programacin matemticas.
2.2 Fases del proceso de modelizacin

Acabamos de exponer algunas ideas generales sobre los modelos. Interesa, ahora
resaltar brevemente cuales son, en general, las etapas a seguir para llegar a construir un
buen modelo:
1. Fase de Conceptualizacin. Llegar a tener un profundo conocimiento de la
realidad que se trata de modelizar, es decir, ser capaces de representar
conceptualmente el problema sin ningn tipo de contraindicaciones lgicas ni de
errores de anlisis.
2. Fase de Formalizacin. Establecer de forma clara y concreta (desde el punto de
vista matemtico) las relaciones entre los elementos, de tal forma que, adems, sea
fcilmente entendible y que puedan detectar rpidamente los errores. El xito de
esta depende, obviamente, de que haya establecido correctamente la fase anterior.
3. Fase de Evaluacin. En esta fase, adems de establecer la forma en la que debe ser
el procedimiento de resolucin a emplear, ser posible interpretarlo correctamente.
Para la aplicacin prctica para el proceso de modelizacin un problema de
optimizacin podemos seguir las siguientes reglas basadas en la experiencia:
a) Anlisis del problema. Buscar o intuir los deseos del decidor (a veces no es la
misma persona) de forma que se establezca cual es el objetivo que se persigue, que
limitaciones existen, etc. Todo ello debe tenerse en cuenta aunque no esta
formalizado, sino simplemente una relacin de las diferentes condiciones.
17
Captulo 2
b) Definicin de las variables. Es decir, identificar las posibles decisiones. Esta es una
de las fases criticas de la modelizacin, por ello es conveniente prestar mucha
atencin a esta definicin. Esta fase hay que identificar (e interpretar el significado)
y denominar a las variables. Este segundo aspecto, aunque puede parecer triviales
tambin de gran importancia. Hay que denominar a las variables de forma que sean
fcilmente reconocibles, es decir, que no indique que quieren representar. Mucha
veces, se denominan a las variables por sencillez, x1 , x 2 , x3 , etc., pero estos nombres
no nos informan de forma inmediata de su significado, por ello es conveniente
denominarlas de forma mas coherentes, por ejemplo, si queremos identificar la
cantidad de madera necesaria para producir mesas la podramos denominar MADNEC. en lugar de x2 . La eleccin del nombre debe ajustarse a las caractersticas del
decidor, y tambin a la longitud de caracteres admisibles por los programas de
ordenador que resuelven estos problemas, por lo general seria admisible un nombre
hasta de ocho caracteres.
A la hora de identificar las variables tenemos que tomar en consideracin si
las variables son deterministas o estocsticas, si son endgenas o exgenas, etc., es
decir, ante que clase de variables vamos a tratar en el problema.
c) Identificacin y formalizacin de las restricciones. Esta es tambin una de las fases
importantes. Se trata en definitiva de identificar cuales son las limitaciones a las que
esta sujeto el problema, y el plantearlas matemticamente. A veces esto resulta muy
sencillo. En esta fase hay que denominar e identificar a las restricciones con los
nombre adecuados, de forma que sea fcil interpretar los resultados obtenidos.
d) Identificar la funcin objetivo. La cuantificacin de los resultados que se desean
alcanzar. Aunque no en todos los problemas es inmediato definir el objetivo,
siempre es posible encontrar una funcin que permita evaluar los resultados de cada
una de las acciones.
Para verificar estas condiciones, seguidamente abordaremos algunas
consideraciones para llegar a concretar las fases enumeradas anteriormente, estos pasos son
simplemente una derivacin de las reglas del sentido comn aplicadas a la construccin de
los modelos.
En primer lugar, abordaremos algunos aspectos importantes sobre los modelos
lineales, lo ms usuales en el campo de la ingeniera, para posteriormente ir aumentando la
complejidad.
2.3 Reglas bsicas de modelizacin

Los modelos lineales son aquellos en los que tanto la funcin objetivo como las
restricciones son funciones lineales y por tanto son susceptibles de resolverse a travs de la
programacin lineal. Estos modelos, son los ms conocidos y los ms usados en las
aplicaciones ingeniriles y por tanto resaltaremos las hiptesis bsicas sobre las que se
asientan este tipo de modelos.
La primera hiptesis es la divisibilidad, es decir, todas las variables del modelo
pueden tomar cualquier valor real. A efectos prcticos, si una variable no es infinitamente
divisible, pero su nivel de actividad normal es muy grande en trminos de sus unidades de
medida, la suposicin de divisibilidad puede servir como aproximacin conveniente.
18
Captulo 2
La segunda hiptesis es la de linealidad, estos significa:

a) Proporcionalidad en las contribuciones. La contribucin individual de cada
variable es estrictamente proporcional a su valor, y el factor de
proporcionalidad es constante para todo el rango de valores que la variable
puede tomar.
b) Aditividad de las contribuciones. La contribucin total de todas las variables
es igual a la suma de las contribuciones individuales independientemente de
los valores de las variables.
La tercera hiptesis, aplicable fundamentalmente a los problemas de ingeniera,
es la no negatividad de las variables del problema. Esta hiptesis, no es en si absolutamente
necesaria, ya que para problemas ms generales donde las variables puedan tomar cualquier
valor, es decir, lo que se conoce como variables libres, estas pueden expresarse como
diferencia de dos variables restringidas a tomar valores no negativos.
2.4 Problemas Resueltos

1. La fbrica de Hilados y Tejidos "FOTRAMA" requiere fabricar dos tejidos de
calidad diferente T y T; se dispone de 500 Kg. de hilo A, 300 Kg. de hilo B y
108 Kg. de hilo C. Para obtener un metro de T diariamente se necesitan 125 gr. de
A, 150 gr. de B y 72 gr. de C; para producir un metro de T por da se
necesitan 200 gr. de a, 100 gr. de b y 27 gr. de c.
El T se vende a Bs. 400 el metro y el T se vende a Bs. 500 el metro. Si se debe
obtener el mximo beneficio, cuntos metros de T y T se deben fabricar?
Plantear el anterior problema como un modelo de Programacin Lineal
Modelo (Primal):
Max z = 400 x1 + 500 x 2
Sujeta a:
0.125 x1 + 0.2 x2 500

0.150 x1 + 0.1 x2 300
0.072 x1 + 0.027 x2 108
x1, x2 0
2. La empresa "GUTIRREZ" tiene un sistema de produccin constituido por tres

secciones, a travs de las cuales elabora dos productos. En la primera seccin lo ms
que se pueden procesar son 300 unidades del artculo uno o 400 del producto dos
diariamente; la seccin segunda fabrica como mnimo 350 unidades del producto
uno o 450 unidades del producto dos por da. La seccin tercera puede elaborar
hasta 400 unidades del artculo uno o 500 unidades del artculo dos diariamente.
Si los productos uno y dos generan una utilidad de Bs. 1000 y Bs. 700
respectivamente. Cuntos productos de cada uno se deben fabricar para maximizar
la utilidad?
19
Captulo 2

Definicin de variables reales:
x1: Cantidad del producto uno a fabricar por da.
x2: Cantidad del artculo dos a producir diariamente.
z : Funcin de utilidad de los productos uno y dos.
Modelo (Primal)::
MAX z = 1000 x1 + 700 x2
Con sus restricciones:
Primera seccin:
Cuando x1= 0, x2= 400; cuando x2= 0, x1= 300
x2 400 400/300 x1
4 x1 + 3 x2 1200
Segunda seccin:
x2 450 450/350 x1
9 x1 + 7 x2 3150
Tercera seccin:
x2 500 500/400 x1
5 x1 + 4 x2 2000
3. Los prncipes de Serendipity se fueron en un pequeo viaje. Ellos no podan llevar

muchas maletas; Ms de trescientos libras las ponan a pensar. Planearon hasta el
centavo. Cuando regresaron a Ceiln Descubrieron que sus dineros estaban a punto
de acabar. Cuando, para su alegra, el prncipe Guillermo encontr una pila de cocos
en el suelo.
"Cada uno nos producir sesenta rupias", dijo el prncipe Ricardo cuando pis una
piel de len.
"Miren", grit el prncipe Roberto. Cuando observ ms pieles de len debajo del
rbol. "Estas pieles nos pueden producir hasta trescientas rupias cada una, si las
podemos llevar hasta la orilla del mar".
Cada piel pesaba quince libras y cada coco cinco, pero haciendo de tripas corazn
pudieron llevar todo a la orilla.
La embarcacin de regreso a la isla era pequea, Quince pies cbicos de equipaje eso era todo.
Cada piel de len tomaba un pie cbico, mientras que ocho cocos ocupaban el
mismo espacio. Con todo el equipaje se hicieron a la mar y en el viaje calcularon lo
que sera su nueva riqueza.
"Eureka", grit Roberto. Nuestra fortuna es tan grande, que no existe otra forma de
retornar as.
Con cualquier otra piel o coco que hubiramos trado ahora seramos ms pobres. Y
no s qu le escribir a mi amigo Horacio en Inglaterra, seguramente slo l sabr
apreciar nuestro Serendipity.
20
Captulo 2

Modelo (Primal):
MAX z = 60 x1+ 300 x2
Con sus restricciones:
5 x1+ 15 x2 300
1/8 x1+x2 15
x1, x2 0
4. Una empresa se dedica a la produccin de pinturas para interiores y exteriores para

su distribucin; se emplean dos materias primas MP1 y MP2 para la produccin de
las pinturas. La disponibilidad mxima de MP1 es de 8 toneladas diarias y la de MP2
es de 5 toneladas por da. Los requerimientos diarios de materia prima por tonelada
es la siguiente:
MP1
MP2
Utilidad por
tonelada
Toneladas de materia
prima por tonelada de
Pintura
Pinturas para
para
exteriores
interiores
3
7
4
1
100000
Disponibilidad
mxima
diaria
(toneladas)
20
9
300000
El estudio de mercado ha establecido que la demanda diaria de pintura para

interiores no puede ser mayor que la pintura para exteriores en ms de una tonelada.
Adems, el estudio seala que la demanda mxima de pintura para interiores est
limitada a dos toneladas por da. Cunta pintura para interiores y exteriores debe
producir la empresa todos los das para maximizar el ingreso bruto?
Variables reales:
x1: Nmero de toneladas diarias producidas de pintura para interiores.
x2: Cantidad de toneladas diarias producidas de pintura para exteriores.
z: Funcin de utilidad correspondiente a la ganancia por la venta de pintura para
interiores y exteriores.
Modelo (Primal):
MAX z = 100000 x1+ 300000 x2
Sujeta a:
3x1 + 7x2 20
4x1 + x2 9
-x1 + x2 1
x1
x1 , x2
21
Captulo 2
2.5 Problemas Propuestos

1. Un hacendado dispone de los siguientes recursos para emplearlos en la prxima
cosecha: Bs.70000000 de capital disponible, 1000 horas tractor y 50 hectreas de
tierra cultivable. Estas tierras son propias para sembrar maz, caa de azcar y
ajonjol; se supone que tiene a su disposicin hombres suficientes y sin restriccin y
sus costos de produccin son los siguientes: tractor e implementos Bs. 5000 la hora,
mano de obra Bs. 4000 la hora, cada hectrea no sembrada Bs. 4500. Adems se
supondr un costo como penalizacin, de un peso por cada peso no invertido. Los
siguientes datos son por hectrea

2. Un fabricante de electrodomsticos produce cuatro modelos de lavadoras L1, L2, L3
y L4. Estos aparatos constan fundamentalmente de un tambor metlico recubierto
con una carcasa, el cual gira por efecto de un motor elctrico controlado por un
microprocesador electrnico.
Los modelos L1 y L3 son lavadoras con menor capacidad de carga (4 Kg.),
necesitando 5 m2 de material metlico, mientras que los modelos L2 y L4 que cargan
10 Kg., requieren 8,5 m2 de material metlico. La cantidad de material metlico
disponible es de 10000 m2.
Los modelos L1 y L2 llevan un motor denominado M1 y un microprocesador
P1; los modelos L3 y L4 tienen un motor M2 y un microprocesador P2. El motor M1
es menos potente que el M2 y el microprocesador P1 tiene menos programas que el
microprocesador P2; el material necesario para fabricar los motores puede obtenerse
prcticamente sin limitacin.
Los motores se ensamblan en una nave de montaje con una capacidad de trabajo de
3000 horas, siendo requeridas una hora para montar un motor M1 y 1,5 horas para
ensamblar un motor M2. En cuanto a los microprocesadores se pueden fabricar en la
propia empresa en una seccin de la planta de montaje o se pueden encargar a un
fabricante de material electrnico. En el primer caso, compiten con la fabricacin de
los motores M1 y M2 necesitando 0,3 horas la fabricacin de P1 a un costo de Bs.
100000 y 0,75 horas la fabricacin de P2 con un costo de Bs. 180000. En el segundo
caso, el vendedor puede suministrar cualquier cantidad de P1 y P2 a un precio de Bs.
180000 y Bs. 360000 respectivamente.
Finalmente, las lavadoras se montan en otra nave de acabado con capacidad
de 5000 horas, siendo preciso un tiempo de 1,5 horas para el modelo L1; 2,3 horas
para el modelo L2; 3 horas para el modelo L3 y 4,2 horas para el modelo L4. Para
22
Captulo 2
satisfacer a todos los segmentos, el fabricante decide que la produccin mnima de

cada modelo sea de 300 unidades. Como dato adicional se conoce, segn informe
del departamento de mercadeo, que la demanda de modelos de mayor capacidad es
siempre superior a la demanda de los modelos de menor capacidad, por lo que la
produccin combinada de los modelos L2 y L4 debe ser superior a la produccin
combinada de los modelos L1 y L3.
La utilidad proporcionada es de Bs.160000 para el modelo L1, Bs.170000 para el
modelo L2, Bs.180000 para el modelo L3 y Bs.200000 para el modelo L4. Plantear
un modelo de Programacin Lineal para la planificacin de la produccin de las
lavadoras teniendo como objetivo la maximizacin de los beneficios
3. El pas est atravesando una aguda crisis econmica a raz del enorme incremento
de la deuda externa. Uno de los efectos ms visibles de la crisis es el carcter
especulativo que est adquiriendo el mercado de capitales; la influencia de diversos
agentes: Gobierno, Fondo Monetario Internacional, Banca Nacional y Banca
Extranjera, etc., hace que los indicadores econmicos (inflacin, devaluacin, entre
otros) experimente constantes modificaciones haciendo muy poco fiables las
previsiones a medio y a largo plazo. En este contexto, los inversionistas se han
decantado por una poltica de inversin a corto y muy corto plazo como mecanismo
de defensa ante la inestabilidad del mercado.
Uno de estos inversionistas est estudiando como invertir Bs. 100000000 producto
de una herencia; un asesor financiero le proporciona el siguiente cuadro en el que se
recogen las posibles inversiones, su rendimiento, plazo, as como dos ndices de
calidad de la inversin, uno proporcionado por un organismo estatal y el otro
proveniente de una fuente extranjera. Para la obtencin de estos ndices de calidad
se tienen en cuenta conceptos tales como liquidez, riesgo, etc., de difcil
cuantificacin; el ndice estatal recorre una escala de la A a la Z, siendo A la mejor
calidad, mientras que el ndice extranjero califica a las inversiones en una escala de
0 a 100, siendo 100 la mejor calidad
ndice de Calidad
Inversin
Tipo
Organismo
Estatal
Bonos Empresa
Privada
95
10 3,166
Bonos Estatales
85
15
3,99
92
21
6,30
90
21
5,94
3
4
Deuda Publica
Nacional
Deuda Publica
Regional
Fuente
Das Neto
Extranjera
Pagares Estatales
97
30
6,38
Moneda Extranjera
93
1,75
El inversionista pretende elegir su cartera de modo que alcance los mximos

beneficios. No obstante, el asesor financiero le aconseja que diversifique su
inversin de acuerdo con los criterios siguientes:
23
Captulo 2
La cantidad colocada en inversiones estatales no debe ser superior al 70% del total
invertido.
La cantidad invertida en bonos debe ser superior a lo invertido en deuda
pblica.
La razn entre las inversiones en efectos de titularidad pblica (inversiones
2, 3, 4 y 5) y las inversiones en efectos de titularidad privada (inversiones 1
y 6) deben ser a lo sumo de tres a uno.
No debe colocarse ms de un 60% en inversiones catalogadas por el
organismo estatal con un ndice inferir o igual a B.
La calidad media de la inversin segn el ndice de fuente extranjera debe
ser como mnimo 92.
Debido a las disposiciones legales, la cantidad mxima que puede invertirse
en pagars estatales es de Bs.4000000.
La duracin media de la inversin debe estar comprendida entre 14 y 21
das.
4. Una empresa de confecciones puede producir 1000 pantalones o 3000 blusas (o una
combinacin de ambos) diariamente. El departamento de acabado puede trabajar
sobre 1500 pantalones o sobre 2000 blusas (o una combinacin de ambos) cada da;
el departamento de mercadeo requiere que se produzcan diariamente al menos 400
pantalones. Si el beneficio de un pantaln es de Bs. 4000 y el de una blusa es de Bs.
3000. Cuntas unidades se deben de producir de cada uno para maximizar las
utilidades?
5. El gobierno actual requiere el mximo apoyo para que se apruebe en el Congreso el
plan de desarrollo propuesto para el prximo ao. A travs de sus consejeros ha
sabido que hay 35 parlamentarios de un grupo de coalicin y 27 de otro partido que
an no han definido su voto. El presidente decide entonces concertar por telfono a
estos congresistas indecisos para convencerlos de que lo apoyen, sabiendo que tiene
una probabilidad 0,9 de xito con los miembros de la coalicin y 0,6 de otro partido.
Cuntos parlamentarios de cada partido deber telefonear para maximizar su
probabilidad de xito si no puede realizar un nmero total de llamadas superior a 30
en el actual rgimen de austeridad
24
Captulo 2
2.6 Bibliografa
2.7 Enlaces
http://www.investigacion-operaciones.com/Introduccion_modelizacion.htm
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060014/docs_curso/Capitul
o%20II/modelizacion.htm
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060014/docs_curso/Capitul
o%20II/problemas.htm
25
Captulo 3
Texto Gua Alumno - Sistemas de Ingeniera
CAPTULO 3
PROGRAMACIN LINEAL - MTODO GRFICO
3.1 Introduccin
La programacin lineal se aplica a modelos de optimizacin en los que las funciones
objetivo y restriccin son estrictamente lineales.
Este captulo comienza con el caso de un modelo de dos variables y presenta su
solucin grfica. Esta solucin grfica permite tener una perspectiva del desarrollo del
mtodo smplex (que se vera en el captulo 4), tcnica algebraica general. Tambin presenta
ideas concretas para el desarrollo y la interpretacin de anlisis de sensibilidad en
programacin lineal.
3.2 Modelo de programacin lineal con dos variables

Esta seccin explicara la solucin grfica de una programacin lineal con dos
variables. Aunque en la prctica casi no existen problemas con dos variables, la
presentacin aportara ideas concretas para el desarrollo del algoritmo de solucin general.
Este mtodo tiene dos caractersticas especiales:
Sirve para resolver problemas en dos dimensiones (a lo sumo tres), porque la
representacin grfica en el espacio de n-dimensiones es prcticamente
imposible.
Gracias a la aplicacin y solucin de este mtodo se pueden consolidar
importantes interpretaciones de tipo geomtrico y conceptual en relacin a la
teora de programacin lineal.
3.3 Mtodo grfico

Este mtodo es limitado en el hecho de graficar como mximo tres variables (3
dimensiones).
Consiste en representar cada una de las restricciones y encontrar cuando se pueda el
polgono (poliedro) factible, comnmente llamado regin factible, en la cual en uno de sus
vrtices se obtiene la solucin ptima del problema, caso en el que la optimizacin se
denomina: solucin ptima nica. Adems las soluciones ptimas mltiples, no acotadas,
infactibles, con ecuaciones redundantes. Es de anotar que los problemas de mayor
dimensin (mayor a 3 dimensiones o variables) tienen soluciones semejantes, pero la forma
de resolverlos ya es de manera analtica.
El modelo de programacin lineal, como fue antes mencionado, tiene tres
componentes bsicos.
1.
Las Variables de decisin que se trata de determinar.
2.
El Objetivo (la meta) que se trata de optimizar.
3.
Las Restricciones que se deben satisfacer.
26
Captulo 3
La definicin correcta de las variables de decisin es un primer paso esencial en el

desarrollo del modelo. Una vez hecha, la tarea de construir la funcin objetivo y las
restricciones se hace en forma ms directa.
Los pasos a seguir son los siguientes.
Paso 1. Representar grficamente las restricciones del problema de
programacin lineal.
Paso 2. Ubicar todos los puntos de interseccin de la grfica.
Paso 3. Probar todos los puntos de interseccin para observar cual aporta el
mximo beneficio (caso de maximizacin) o menor costo (caso
minimizacin).
o Paso 3. Para hallar la solucin ptima se grfica la funcin objetivo,
asignando un valor arbitrario para Z; esta recta se desplaza
paralelamente a lo largo de S (regin factible) hasta encontrar el
vrtice ms cercano del origen (caso de maximizacin) el punto
ms lejano al origen (caso minimizacin).
Para ilustrar estas aseveraciones expliquemos el ejemplo siguiente:
Una empresa constructora dispone de dos tipos de camiones C1 y C2 y quiere
transportar por lo menos 100 Tn de arena a una obra. Sabiendo que dispone de 6
camiones tipo C1 con capacidad para 15 Tn y con un costo de 4000 Bs. por viaje y de 10
camiones tipo C2 con una capacidad de 5 Tn y con un costo de 3000 Bs. por viaje.
a) Cul es el nmero posible de camiones que puede usar (grficamente)?
b) Cul es el nmero posible de camiones que debe usar para que el costo sea mnimo?
c) Cul es el valor de dicho costo?
Sea:
x1 = Camiones de 15 Tn
x 2 = Camiones de 5 Tn
Funcin objetivo:
min z = 4000 x1 + 3000 x 2
Sujeta a:
15 x1
+ 5x 2
100
x1
6
x2
10
x1 ,
x2
0
[R0]
[R1]
[R2]
[R3]
[R4] y [R5]
Cada ecuacin lineal de este problema lo rotularemos como Ri (i = 0, 1, 2,, m), donde
R0 corresponde a la funcin objetivo y las Ri (i = 0, 1, 2,, m) restantes a las
restricciones funcionales y de no negatividad. La solucin se obtiene graficando las
restricciones Ri, tomando para ello dos puntos que sern unidos posteriormente para formar
una recta. Como las rectas son inecuaciones presentan dos hiperplanos, de los cuales uno se
27
Captulo 3
constituir en el dominio de acuerdo al sentido de la inecuacin. Por ejemplo, para la

primera restriccin fijamos x1 = 0, entonces x 2 = 20; si x 2 = 0 entonces x1 = 20 ,
3
20
,0]. Uniendo estos dos puntos obtendremos la
formndose los puntos P1 [0,20] y P2 [
3
ecuacin R1; como la inecuacin es del tipo menor o igual, el dominio ser hacia abajo
(esto se puede comprobar reemplazando cualquier punto que este por debajo de la recta y
se notara que cumple con la inecuacin). El procedimiento se repite para todas las otras
restricciones.
La interseccin de todos los dominios de las restricciones, formara un conjunto o un
espacio S llamado REGIN FACTIBLE que contendr a todos los puntos que cumplen
con todas las restricciones del problema de PL.
La figura 3.1 muestra el procedimiento descrito anteriormente.
Figura 3.1 Resolucin grfica del ejemplo de aplicacin 3.1
La regin S (sombreada) que tiene de vrtices a los puntos:{[6,2], [6,10], [10/3,10]}

es el conjunto que representa la interseccin de todos los dominios de las restricciones. Para
hallar la solucin ptima se grfica la funcin objetivo, asignando un valor arbitrario para z;
(por ejemplo z = 12000); esta recta se desplaza paralelamente a lo largo de S hasta
encontrar el vrtice ms cercano del origen (caso de minimizacin) y el punto ms lejano al
origen (caso de maximizacin). El punto hallado representa la solucin ptima del
problema.
En el caso del ejemplo la solucin ptima viene dada por:
x1 = 6
x2 = 2
Z = 4000(6) + 3000(2) = Bs.30000
28
Captulo 3
De esta solucin grfica, se pueden visualizar y precisar algunos conceptos de

comprensin e interpretacin importantes:
El espacio S se llama REGIN FACTIBLE y es el conjunto que agrupa a

los puntos que cumplen con todas las restricciones y que corresponden a la
interseccin de los hiperplanos dominios de cada una de las restricciones.
Los vrtices de la regin factible S, corresponden a la interseccin de dos o

ms restricciones; por ejemplo el punto [6,10] corresponde a la interseccin
de R2 y R3 y se obtiene resolviendo las ecuaciones que corresponden a estas
restricciones.
La solucin ptima del problema siempre ser un vrtice de la regin

factible S.
Las restricciones que intervienen en el problema pueden ser de tres tipos:
1.
Restricciones ACTIVAS, que tienen dos caractersticas: 1 Pasan por el punto

ptimo y 2 Hacen uso total de los recursos; esto quiere decir que sus variables
de holgura y/o excedencia toman el valor de cero. En el caso del problema las
dos restricciones que pasan por el punto ptimo son R1 y R2, por tanto estas
son restricciones activas. Si reemplazamos los valores de x1 = 6 y x2 = 2 en
ambas restricciones veremos que la igualdad se cumple.
Para R1: 15x1 + 5 x2 100
15(6) + 5(2) = 100 (variable de holgura igual a cero)
Para R2:
x1
6
2.
= 6 (variable de holgura igual a cero)
Restricciones INACTIVAS, que son aquellas que no pasan por el punto

ptimo y que no hacen uso total del recurso limitado; por tanto sus variables
de holgura y/o excedencia son diferentes de cero. Este es el caso de R3 que
limita a la regin factible pero no pasa por el punto ptimo. Reemplazando:
Para R3: x2 10
2 10 (variable de holgura s3=8)
3.
Restricciones REDUNDANTES, que son aquellas que adems de no pasar

por el punto ptimo en cuestin, no limitan ni participan de la regin
factible, lo que significa que la inclusin o no de esta restriccin no
modificara la regin factible y tampoco la solucin ptima.
29
Captulo 3
Problemas de repaso
1.
Considere el siguiente modelo de programacin lineal. Elija x1 y x 2 para

Minimizar z = 25 x1 + 30x2
Sujeto a:
x1 + 2 x 2
x1 +
x2
x1 0; x 2 0
a) Cules smbolos representan las variables de decisin?
b) Cul expresin representa la funcin objetivo?
c) Es x1 = 1 y x 2 = 2 una solucin factible?
d) Es x1 = 2 y x 2 = 1 una solucin factible?
e) Es la solucin factible x1 = 3 y x 2 = una solucin mejor que la solucin
factible x1 = 1 y x 2 = 1?
2.
Represente grficamente cada una de las siguientes restricciones. Seale el

rea de restriccin que representa soluciones factibles no negativas.
a)
x1 + 2 x 2
b)
x1 + 2 x 2
=4
c)
x1 + 2 x 2
3.
Represente grficamente la funcin de costos z = x1 + x 2 para los costos de

z = Bs.10 y z = Bs.20. Seale sobre la grfica la direccin de decrecimiento
de los costos y la direccin de incremento de los mismos.
4.
Considere el siguiente problema de programacin lineal:

Maximizar z = 2 x1 + 3 x 2
Sujeto a
x1
x2
x1 + x 2
x1 0; x 2 0
Encuentre la solucin ptima (utilidad mxima) para este problema.
30
Captulo 3
Respuestas a los problemas de repaso.

1.
a) x1 y x2 representan las variables de decisin.
b) La funcin de costos z = 25 x1 + 30 x 2 representa la funcin objetivo.
c) x1 = 1 y x2 = 2 una solucin no factible ya que viola la condicin dada en la
primera restriccin.
d) x1 = 2 y x2 = 1 es una solucin factible puesto que satisface ambas
restricciones y la restriccin de no negatividad. Prueba:
Restriccin 1:
Restriccin 2:
No negatividad:
x1 + 2x2
2 + 2(1)
=4 4
x1 + x2
2 + 1
= 3 1
x1 0
y x2 0
2 0
e) La solucin factible x1 = 3 y x2 = aporta un costo z = 25(3) + 30()

=Bs.90. La solucin factible x1 = 1 y x2 = 1 aporta un costo z = 25(1) +
30(1) =Bs.55. Por tanto, la solucin x1 = 1 y x2 = 1 es mejor que la solucin
x1 = 3 y x2 = .
2.
a) Los puntos intersectos de x1 + 2x2 4 pueden ser determinados como sigue.
Sea x1 = 0 en la ecuacin x1 + 2x2 4. Entonces 2x2 = 4 x2 = 2. Por tanto, un
punto intersecto es x1 = 0 y x2 = 2 (P1 [0,2]). Similarmente, Sea x2 = 0 en la
ecuacin x1 + 2x2 4. Entonces x1 = 4 y el otro punto intersecto es x1 = 4 y x2 =
0 (P2 [4,0]). Ambos puntos intersectos son representados en la figura 3.2.
Figura 3.2
El conjunto de soluciones factibles para x1 + 2x2 4 son los puntos sobre la

lnea y el rea sombreada. Por ejemplo, para probar la factibilidad de P3 [4,4].
tenemos:
31
Captulo 3

x1 + 2x2 4
4 + 2(4) = 12 4
El punto P4 [1,1] no es factible ya que:
x1 + 2x2 4
1 + 2(1) = 3 4
b) Las soluciones factibles no negativas para x1 + 2x2 = 4 son solamente los
puntos que estn sobre la lnea x1 + 2x2 = 4, como se muestra en la Figura 3.3.
Por ejemplo, P1 [1,1] es no factible ya que:

x1 + 2x2 = 4
1 + 2(1) = 3 4
Y el punto P2 [4,4] es no factible ya que:
x1 + 2x2 = 4
4 + 2(4) = 12 4
Sin embargo, P3 [3,] es factible puesto que:
x1 + 2x2 = 4
3 + 2() = 4 = 4
c) El conjunto de soluciones factibles no negativas para la desigualdad x1 + 2x2
4 esta en la frontera y dentro el rea sombreada de la figura 3.4.
32
Captulo 3

Por ejemplo, P1 [1,1] es factible ya que:
x1 + 2x2 4
1 + 2(1) = 3 4
Y el punto P2 [3,3] es no factible ya que:
x1 + 2x2 4
3 + 2(3) = 9 4
3.
Sea z = Bs.10 en la funcin de costos z = x1 + x2. Tenemos entonces 10 = x1 + x2
con puntos intersectos x1 = 0, x2 = 10 entonces P1 [0,10], y x2 = 0, x1 = 10
entonces P2 [10,0].
Similarmente, siendo z = Bs.20 en la funcin de costos se obtiene 20 = x1 + x2
con puntos intersectos x1 = 0, x2 = 20 entonces P3 [0,20], y x2 = 0, x1 = 20
entonces P4 [20,0]. Las dos lneas paralelas se muestran en la figura 3.5 con las
lneas de crecimiento y decrecimiento del costo total.
4.
Para resolver este problema, usaremos el procedimiento grfico.
Maximizar z = 2 x1 + 3 x 2 } Objetivo
Sujeto a
5
x1
x 2 5
Restricciones
x1 + x 2 8
0
x1 ; x 2
Paso 1. Representacin grfica de las restricciones. Hay tres restricciones para ser
graficadas. Las ecuaciones correspondientes y sus puntos intersectos son
como sigue:
33
Captulo 3

Restriccin
Puntos intersectos
x1 5
x1 = 5, x2 =0
x2 5
x1 = 0, x2 =5
x1 + x2 8 x1 = 0, x2 =8 y x1 = 8, x2 =0
Tabla 3.1
Utilizando los puntos intersectos dados en la tabla, ahora

representaremos grficamente el conjunto de soluciones factibles,
como se muestra en la figura 3.6. El conjunto de soluciones esta
indicado por el rea sombreada, incluyendo la frontera. Observ
que hay cinco vrtices.
Paso 2. Determinar las soluciones correspondientes a los vrtices. Observamos en

la figura 3.6 que hay cinco soluciones correspondientes a vrtices.
P3 y P4 se determinan por los puntos de interseccin entre las ecuaciones
de las restricciones. P3 es la interseccin de x1 = 5 y x1 + x2 = 8. Por tanto,
sustituyendo x1 = 5 en x1 + x2 = 8 se obtiene x2 = 3 y tenemos P3 [5,3]. P4
es la interseccin entre x2 = 5 y x1 + x2 = 8. Por tanto, sustituyendo x2 = 5
en x1 + x2 = 8 se obtiene x1 = 3 por tanto tenemos P4 [3,5].
Paso 3. Determinar el vrtice correspondiente a la solucin de la utilidad mxima.
Los cinco vrtices y sus utilidades asociadas son como sigue.
P1
P2
P3
P4
P5
VRTICE
x1 x2
0
0
5
0
5
3
3
5
0
5
Utilidad z = 2x1+3x2
0 = 2(0) + 3(0)
10 = 2(5) + 3(0)
19 = 2(5) + 3(3)
21 = 2(3) + 3(5)
15 = 2(0) + 3(5)
Tabla 3.2
Por tanto, la solucin ptima es P4 con x1 = 3, x2 = 5, aportando una

utilidad de Bs.21.
34
Captulo 3
3.4 Solucin por computadora

Para solucionar los modelos de investigacin de operaciones existen diferentes
paquetes de computadora que ofrecen resultados excelentes y con bastante rapidez. En este
punto mostraremos los reportes de dos paquetes que son bastantes usados para propsitos
acadmicos y que son: TORA; el WinQSB (Quantitative System for Business). Para
propsitos prcticos resolveremos el ejemplo de aplicacin 3.1 de este captulo y que fue
resuelto por el mtodo grfico.
3.4.1 Solucin grfica con TORA

El diseo del programa TORA le permite usarlo en modo tutorial o en modo
automtico (o si lo desea, una combinacin de los dos). Se maneja con mens, y en
consecuencia no requiere un manual del usuario.
La solucin grfica de problemas de programacin lineal con TORA requiere los
pasos siguientes:
1. Seleccione Linear Programming (Programacin Lineal) del men Main
men (Men Principal)
2. Especifique el modo de entrada (archivo existente o problema nuevo) y el

formato de entrada.
3. En problemas nuevos, use la tabla de entrada para ingresar datos. Y oprima

SOLVE MENU (men resolver)
35
Captulo 3
4. Seleccione SOLVE PROBLEM
=>
Graphical del men SolveModify
5. Especifique el formato del resultado y a continuacin oprima Go To Output

Screen
6. El modelo de programacin lineal se grfica y se resuelve.
La figura 3.7 muestra la solucin grfica de la solucin del ejemplo de aplicacin
3.1. En la ventana izquierda se ve la programacin lineal algebraica. La ventana derecha
comienza con un primer cuadrante, con ejes x1 y x2 ya con escala adecuada, exactamente
como hara usted si estuviera graficando en un papel. Puede graficar la programacin lineal
de dos maneras: Si hace clic en el rengln Click here to graph LP in one stroke (clic
aqu para presentar la grfica de una vez) de la ventana izquierda, toda la programacin
lineal se grfica de una vez. O bien haciendo clic en las restricciones, una por una (en
cualquier orden) y a continuacin otro clic en la funcin objetivo para producir una
presentacin animada de la determinacin ptima.
Para tener ms flexibilidad al experimentar con el mdulo grfico de TORA, se
puede reiniciar toda la grfica haciendo clic en le rengln de restriccin de no negatividad
all xj >= 0 (todas las xj > 0) en la ventana izquierda. Tambin se puede modificar la
programacin lineal del momento haciendo clic en View/Modify Input Data
(ver/modificar); resolviendo a continuacin el nuevo modelo.
36
Captulo 3
Figura 3.7 Resultado grfico del ejemplo de aplicacin 1 obtenido con TORA
3.4.2 Solucin grfica con WinQSB (Quantitative System For Business)

La solucin grfica de problemas de programacin lineal con WinQSB requiere los
pasos siguientes:
1. Seleccione INICIO = >Programas = > WINQSB = >Linear and Integer
Programming
2. Haga clic en new Problem, coloque los datos del problema (criterio de la
funcin objetivo, formato de los datos de entrada, nmero de variables) y haga
clic en OK.
37
Captulo 3
3. Introducir los datos del problema en forma parecida al del TORA
4.
Ir al menu Solve and Analyze = > Graphic Method
Figura 3.8 Resultado grfico del ejemplo de aplicacin 3.1obtenido con WinQSB
38
Captulo 3
3.5 Anlisis de sensibilidad por el mtodo grfico

Un modelo de programacin lineal es una foto instantnea de una situacin real en
la que los parmetros del modelo (coeficientes de la funcin objetivo) asumen valores
estticos. Para aumentar la aplicacin de la programacin lineal en la prctica, se necesita
agregar una dimensin dinmica que investigue el impacto que tiene que hacer los cambios
en los parmetros del modelo (coeficiente de la funcin objetivo y de las restricciones)
sobre la solucin ptima. A este proceso se llama anlisis de sensibilidad, porque estudia
la sensibilidad de la solucin ptima respecto a los cambios que se hagan en el modelo.
En esta seccin se investigara dos casos de anlisis de sensibilidad basados en la
solucin grfica de la programacin lineal: 1) cambios en los coeficientes de la funcin
objetivo, 2) cambios en el lado derecho de las restricciones y 3) Valor por unidad de
recurso, que la presentacin es elemental y su alcance es limitado, proporciona
perspectivas fundamentales en le desarrollo del anlisis des sensibilidad. En el captulo 5 se
describe una presentacin completa del tema.
3.5.1 Cambios en los coeficientes de la funcin objetivo

La funcin objetivo en general en un problema de programacin lineal con dos
variables se puede escribir como sigue:
Maximizar o minimizar z = C1x1 + C2x2
Los cambios de los coeficientes C1 y C2 harn cambiar la pendiente de z y en
consecuencia, posiblemente, el punto de esquina ptimo. Sin embargo, hay un intervalo de
variacin, tanto para C1 como para C2, dentro del cual el ptimo del momento permanece
sin cambios. En forma especfica nos interesa determinar el intervalo de optimalidad de la
relacin C1/C2 (o de C2/C1) donde se mantenga sin cambio las solucin ptima del
momento. En el siguiente ejemplo se ilustra el procedimiento.

Acerca del modelo de la empresa constructora. (Ejemplo de aplicacin 3.1), en la
figura 3.1 la solucin ptima en D proporciona el valor mximo de z = 4000x1 + 3000x2. Si
se cambia la solucin objetivo a z = C1x1 + C2x2, la solucin en D permanecer ptima
mientras la pendiente de z quede entre las pendientes de las dos restricciones que son 15x1
+ 5x2 100 [R1] y x2 10 [R2] esta expresin se puede expresar algebraicamente como:
Si C1 0, entonces
5 C2 1
15 C1 0
Si C2 0, entonces
0 C1 15
1 C2
5
En la primera condicin, C1 0 significa que la recta de la funcin objetivo no

puede ser horizontal. De igual modo, en la segunda condicin C2 0 significa que z no
puede ser vertical. Como se puede ver en la figura 3.9, el intervalo de optimalidad en este
modelo (definido por las dos rectas que cruzan en D) no permite que la funcin objetivo
z = C1x1 + C2x2 sea una lnea horizontal o vertical. El resultado es que se aplica a este
ejemplo cada una de las dos condiciones dadas. Para los casos en que C1 y C2 pueden
39
Captulo 3
C1
C
(o de 2 ) deben dividirse en dos conjuntos, en que
C2
C1
los denominadores no puedan ser cero.
asumir valores cero, el intervalo de
C1
C
y 2 es que mientras que esas relaciones
C2
C1
estn dentro de los lmites especificados, la solucin ptima permanece sin cambios en D.
Obsrvese que si deduce que z = C1x1 + C2x2 coincide con 15x1 + 5x2 = 100, puede
presentarse ptimos alternativos en cualquier lugar del segmento de recta DF. Sin embargo,
esta observacin no cambia el hecho que D siga siendo ptimo.
Lo que indican las condiciones para
Se pueden usar las condiciones dadas para determinar el intervalo ptimo para uno
de los coeficientes cuando el otro permanece con su valor original, en z = 4000x1 + 3000x2,
as, dado C2 = 3000, el intervalo ptimo asociado para C1 se determina a partir de la
0 C
15
0
15
condicin 1 , sustituyendo C2 = 3000, se obtiene 3000 C1 3000
1 C2
5
1
5
5 C2 1
sea 0 C1 9000 . En forma parecida, dado C1 = 4000, la condicin
, dar
15 C1 0
4000
como resultado
C2
3
Figura 3.9 Intervalo de factibilidad para el modelo del ejemplo de aplicacin 3.1
3.5.2 Cambio en disponibilidad de recursos (en el lado derecho de las

restricciones)
En los modelos de programacin lineal, las restricciones representan el uso de
recursos limitados, ya sea en forma directa o indirecta. En este caso, se puede imaginar que
el lado derecho representa lmites de disponibilidad de los recursos.
En esta seccin se investigara la sensibilidad de la solucin ptima a cambios en la
cantidad de los recursos disponibles.
40
Captulo 3

Para el modelo de la constructora (ejemplo de aplicacin 3.1), la figura 3.10
muestra que el ptimo esta en D, y es la interseccin de las rectas asociadas con las
restricciones R1 y R2. Cuando cambia la disponibilidad de R1 (aumenta o disminuye
respecto a su valor actual de 100 toneladas), y si R2 = 6, la solucin ptima en el punto D
se deslizara a lo largo del segmento de recta BE; todo cambio en R1 fuera del intervalo de
este segmento har que el punto D (la interseccin de las recta relacionadas con R1 y R2)
no sea factible. Por esta razn se dice que los puntos extremos B = (6,0) y E = (6,10)
limitan al intervalo de factibilidad de R1. As,
Cantidad de R 1 en B = 15x1 + 5x2 = 15(6) + 5(0) = 90 Toneladas.
Cantidad de R 1 en E = 15x1 + 5x2 = 15(6) + 5(10) = 140 Toneladas.
En consecuencia, si R2 = 6, el intervalo de factibilidad para R1 es:
90 R1 140
Este resultado indica que R1 puede bajar hasta 10 toneladas o aumentar hasta 40
toneladas y seguir garantizando que el punto de la solucin ptima seguir siendo la
interseccin de las rectas asociadas a R1 y R2. En realidad, si R2 = 6, la solucin general
asociada se obtiene en funcin de R1 como sigue:
x1 = 6
90 R 1 140
1
x 2 = R1 18
5
41
Captulo 3
A continuacin veamos la materia prima R2. La figura 3.11 muestra que el intervalo
de la factibilidad para R2 (si R1 = 100 toneladas) esta limitado por los extremos C y F,
10
20
siendo C = (
,0) y F = ( ,10), limitan al intervalo de factibilidad de R2. As,
3
3
20
Cantidad de R 2 en C =
3
10
Cantidad de R 2 en F =
3
Entonces, mientras R1 = 100, el intervalo de factibilidad para R2 es:
10
20
R2
3
3
De nuevo, puede usted verificar que si R1 = 100, la solucin asociada se define por:
x1 = R2
10
20
R2
x 2 = 20 3R 2 3
3
42
Captulo 3
3.5.3 Valor por unidad de recursos

La figura 3.12 muestra que se puede concebir a un modelo de programacin lineal
como uno de entrada y salida, o de datos y resultados, en que los recursos limitados
representan los datos y el valor de la solucin objetivo representa el resultado. Una
consecuencia til de este modelo es determinar como los cambios en sus datos (recursos)
pueden influir sobre su resultado (el valor objetivo). Esa medida se puede obtener como
subproducto de los clculos del intervalo de factibilidad que se describieron en la seccin
3.6.2. En forma especifica, se trata de determinar el valor por unidad de un recurso, que
se define como la tasa de cambio en el valor de la funcin objetivo debido a cambios en la
cantidad disponible de un recurso.
Recursos
Actividades del
modelo de
programacin lineal
del
Modelo
Valor objetivo del modelo, Z
Figura 3.12 Representacin de un programa lineal como modelo de entrada y salida (datos y resultados)
Si yi representa el valor de cada unidad del recurso i, la formula correspondiente

para calcular esta medida es:
Para ilustrar esta nueva medida usaremos el modelo de la empresa constructora.

La figura 3.10 muestra que el intervalo factible para R1, 90 R1 140, y esta
definido por los puntos B y E. Por consiguiente:
Como B = (6,0) y E = (6, 10), entonces

Z en B = 4000x1 + 3000x2 = 4000(6) + 3000(0) = Bs. 24000
Z en E = 4000x1 + 3000x2 = 4000(6) + 3000(10) = Bs. 54000
Entonces,
y1 =
54000 24000
= Bs. 600
140 90
El resultado indica que un cambio de 1 Tonelada en R1, en el intervalo de 90 R1

140 har cambiar el valor ptimo de Z en Bs. 600.
43
Captulo 3
A continuacin consideraremos la materia prima R2. Su intervalo de factibilidad es

10
20
R2
, y esta limitado por los puntos C y F en la figura 3.11. Entonces:
3
3
20
10
,0) y F = ( ,10), entonces
3
3
20
80000
Z en C = 4000x1 + 3000x2 = 4000( ) + 3000(0) = Bs.
= Bs. 26666.667
3
3
130000
10
= Bs. 43333.33
Z en F = 4000x1 + 3000x2 = 4000( ) + 3000(10) = Bs.
3
3
Como C = (
Entonces,
130000 80000
3
3 = Bs. 5000
yi =
20 10
3
3
En este caso el resultado indica que un aumento o disminucin de 1 camin se 15
10
20
toneladas en R1, en el intervalo de
R2
aumenta o disminuye la utilidad en Bs.
3
3
5000.
3.6 Problemas propuestos

Resuelva cada uno de los siguientes programas lineales usando el mtodo grfico
(etiquete cada restriccin consecuentemente). Indique si el problema es infactible, ptimo o
ilimitado. Para aquellos que sean ptimos, encuentre la solucin ptima y el valor de la
funcin objetivo.
1.
Maximizar
Dependiendo de:
x1 + 2x 2
6 x1 2 x 2 3
2 x1 + 3 x 2 6
x1 + x 2 3
x1 , x 2 0
Maximizar
Dependiendo de:
4 x1 + 8 x 2
6 x1 2 x 2 3
2 x1 + 3 x 2 6
2 x1 + 3 x 2 24
x1 , x 2 0
2.
44
Captulo 3
3.
Maximizar
Dependiendo de:
3 x1 + 5 x 2
3 x1 + 2 x 2 6
x1 + x 2 5
3 x1 + 8 x 2 12
3 x1 + 2 x 2 18
x1 , x 2 0
Minimizar
Dependiendo de:
x1 + x 2
3 x1 5 x 2 30
3 x1 + 2 x 2 9
x1 , x 2 0
Minimizar
Dependiendo de:
3 x1 + 7 x 2
x1 x 2 4
x1 2 x 2 10
2 x1 1x 2 2
x1 , x 2 0
4.
5.
6. Un barrio de 10 acres en la ciudad Oruro se va demoler y el gobierno municipal

debe decidir sobre el nuevo plan de desarrollo. Se va a considerar dos proyectos
habitacionales: Viviendas a bajo costo y viviendas a medio costo. Se puede
construir 20 a 15 por acre, de estos dos tipos de viviendas, respectivamente. Los
costos por unidad de la vivienda a bajo y medio costo son Bs. 13000 y Bs. 18000.
Los lmites superior e inferior establecidos por el municipio sobre el nmero de
viviendas de bajo costo son 60 y 100. De igual manera, el nmero de viviendas de
costo medio debe estar entre 30 y 70. El mercado potencial combinado mximo para
las viviendas que es de 150 (que es menor que la suma de los limites individuales
debido al traslape entre los dos mercados). Se desea que la hipoteca total
comprometida al nuevo plan de desarrollo no exceda de a Bs. 2 millones.
Finalmente, el asesor de la obra sugiri que el nmero de viviendas de bajo costo
sea al menos 50 unidades mayor que la mitad del nmero de viviendas de costo
medio. Maximizar el nmero de viviendas a construir por el mtodo grfico.
45
Captulo 3
7. La compaa Guabira manufactura y vende dos productos. La compaa obtiene una

utilidad de Bs.12 por unidad del producto 1 y Bs.4 por unidad del producto 2 que
se vendan. Las horas de trabajo que se requieren para los productos en cada uno de
los tres departamentos de produccin se sintetizan en la tabla. Los supervisores de
estos departamentos han estimado que durante el prximo mes estarn disponibles
las siguientes horas de trabajo:
800 hr
1600 hr
2000 hr
Departamento 1.
Departamento 2.
Departamento 3.
Maximizar las utilidades de la compaa.

Datos de produccin de la compaa Guabira
Departamento
1
2
3
Producto
1
2
1
2
1
3
2
3
8. En la tabla se presentan los requisitos por unidad y los ingresos netos para equipo
forestal y equipo de excavacin. Definan las variables de decisin y elaboren un
programa lineal que maximice los ingresos.
Datos del equipo forestal de excavacin.
Hierro Trabajo Requisitos de Tratamiento Ingreso
(lb.)
(hrs.)
transmisiones
(hrs.)
Neto
Forestal
950
65
1
28
Bs.450
Excavacin
4000
120
1
16
Bs.895
Disponibilidad 650000 23000
450
7200
Equipo
9. Una compaa produce dos tipos de ladrillos. Cada ladrillo del tipo 1 requiere el
doble de tiempo en mano de obra que el segundo tipo. Si todos los ladrillos son del
tipo 2, la compaa puede producir un total de 500 ladrillos al da. El mercado limita
las ventas diarias del tipo 1 y 2 a 150 a 250 ladrillos respectivamente. Suponga que
los beneficios por cada ladrillo son de Bs.8 para el tipo 1 y Bs.5 para el tipo 2.
Determine el nmero de ladrillos a ser producidos de cada tipo para maximizar el
beneficio.
46
Captulo 3
10. Todo el acero producido por VINTO tiene que cumplir con las siguientes
especificaciones: 3.2 a 3.5% de carbono; 1.8 a 2.5% de silicio; 0.9 a 1.2% de nquel;
resistencia a la traccin de por lo menos 45000 lb./pulg2. VINTO produce el acero
mezclando dos aleaciones. El costo y las propiedades de cada aleacin se dan en la
tabla. Supngase que se puede determinar la resistencia a la traccin de una mezcla
promediando las resistencias de las aleaciones que se mezclan. Por ejemplo, una
mezcla de una tonelada que se compone de 40% de la aleacin 1 y de 60% de la
aleacin 2, tiene una resistencia a la traccin de 0.4 (42000) + 0.6 (50000). Utilizar
mtodo grfico de la programacin lineal para determinar como minimizar los
costos de produccin de una tonelada de acero.
Tabla
Costo por tonelada
(dlares)
Porcentaje de
Silicio
Porcentaje de
nquel
Porcentaje de
carbono
Resistencia a la
traccin
Aleacin 1
190
Aleacin 2
200
2%
2.52%
1%
1.5%
3%
4%
42000 lb./pulg2 50000 lb./pulg2
3.7 Bibliografa
MODELOS LINEALES DE OPTIMIZACION Rafael Terrazas Pastor

[Segunda Edicin]
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [7 a. Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth,

Gordon
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES

Frederick S. Hillier, Gerald J. Lieberman. [Sexta Edicin]
3.8 Enlaces
http://www.investigacion-operaciones.com/contenido.htm
http://www.sectormatematica.cl/media/proglineal.htm
47
Captulo 4
CAPTULO 4
PROGRAMACIN LINEAL - MTODO SMPLEX
4.1 Introduccin
El mtodo smplex es un procedimiento general para resolver problemas de
programacin lineal desarrollado por George Dantzig en 1947, est comprobado que es un
mtodo extraordinariamente eficiente que se usa en forma rutinaria para resolver problemas
grandes en las computadoras de hoy en da. Tambin se usan extensiones y variaciones del
mtodo smplex para realizar anlisis pos-ptimo (incluyendo el anlisis de sensibilidad)
sobre el modelo.
El algoritmo smplex es un mtodo algebraico de programas lineales que aprovechan
las propiedades de las soluciones bsicas. Su estrategia consiste en explorar soluciones
bsicas hasta llegar a la ptima, de modo que la exploracin se dirija siempre en la
direccin que asegure una mayor aproximacin a dicho ptimo.
El mtodo grfico del Captulo 3 indica que la solucin ptima de un programa lineal
siempre esta asociada a un punto de esquina del espacio de soluciones. Este resultado es la
clave del mtodo smplex algebraico y general para resolver cualquier modelo de
programacin lineal.
La transicin de la solucin del punto de esquina geomtrico hasta el mtodo smplex
implica un procedimiento de cmputo que determina en forma algebraica los puntos de
esquina. Esto se logra convirtiendo primero a todas las restricciones de desigualdad en
ecuaciones, para despus manipular esas ecuaciones en una forma sistemtica.
Una propiedad general del mtodo smplex es que resuelve la programacin lineal en
iteraciones. Cada iteracin desplaza la solucin a un nuevo punto de esquina que tiene
potencial de mejorar el valor de la funcin objetivo. El proceso termina cuando ya no se
pueden obtener mejoras.
El mtodo smplex implica clculos tediosos y voluminosos, lo que hace que la
computadora sea una herramienta esencial para resolver los problemas de programacin
lineal. Por consiguiente, las reglas computacionales del mtodo smplex se adaptan para
facilitar el clculo automtico.
El mtodo smplex, con la ayuda del computador, puede resolver problemas de
programacin lineal hasta con varios millares de variables y restricciones.
4.2 Espacio de soluciones en forma de ecuacin

Para estandarizar, la representacin algebraica del espacio de soluciones de
programacin lineal se forma bajo dos condiciones:
Todas las restricciones (excepto las de no negatividad) son ecuaciones con lado
derecho no negativo.
Todas las variables son no negativas.
48
Captulo 4
4.2.1 Conversin de desigualdades a ecuaciones

El mtodo smplex requiere que las restricciones sean ecuaciones (o restriccin con
relacin de desigualdad). Cualquier inecuacin puede ser convertida en una ecuacin
agregando una cantidad no negativa en el lado de menor valor de la inecuacin.
En las restricciones (), el lado derecho se puede imaginar como representando el
limite de disponibilidad de un recurso, y en ese caso el lado izquierdo representara el uso
de ese recurso limitado por parte de las actividades (variables) del modelo. La diferencia
entre el lado derecho y el lado izquierdo de la restriccin () representa por consiguiente, la
cantidad no usada u holgura del recurso.
Para convertir una desigualdad () en ecuacin, se agrega una variable de holgura al
lado izquierdo de la restriccin. Por ejemplo, en el modelo de la constructora (ejemplo 3.1)
la restriccin asociada con la disponibilidad de camiones esta dada como:
x1 6
[R2]
x2 10
[R3]
Si se define h1 como la holgura, o cantidad no usada, las restricciones se pueden

convertir en la siguiente ecuacin:
x1 + h1 = 6
x2 + h2 = 10
h1; h2 0
Una restriccin () establece, normalmente, un lmite inferior para las actividades
del modelo de programacin lineal. Como tal, la cantidad por la que el lado izquierdo es
mayor que el limite mnimo (lado derecho) representa un excedente o superfluas.
La conversin de () a ecuacin se logra restando una variable de excedencia, del
lado izquierdo de la desigualdad. Por ejemplo en el modelo de la constructora (ejemplo
3.1), la restriccin representa el requisito mnimo de arena y esta dado como:
[R1]
15x1 + 5x2 100
Si se define como S1 como una variable de excedencia se puede convertir la
restriccin en la ecuacin siguiente:
15x1+ 5x2 + S1= 100
S1 0
Es importante observar que las variables de holgura y excedencia, h1, h2 y S1,
siempre son no negativas.
El nico requisito que queda es que el lado derecho de la ecuacin que resulte sea
no negativo. Esta condicin se puede satisfacer siempre, si es necesario multiplicando
ambos lados de la ecuacin resultante por -1.
Por ejemplo la restriccin
-x1 + x2 -3
Equivale directamente a la ecuacin
-x1 + x2 + h1 = -3
h1 0
Ahora se multiplican ambos lados por -1, y se obtiene un lado derecho no negativo,
que es lo que se busca; esto es:
x1 - x2 - h1 = 3
49
Captulo 4

Maximizar
Sujeto a:
2x1 x2 + 3x3
x1 x2 + x3
= 10
3x1 + 2x2 + 2x3 15
x1
3
x1
0
x2
0
x3
No restringida
Conversin a ecuaciones o en forma estndar.

Maximizar
Sujeto a:
2x1 x2 + 3x3
x1 x2 + x3
3x1 + 2x2 + 2x3 + h1
x1
S2
x1,
h1, S2
x2
x3
= 10
= 15
=3
0
0
No restringida
No todas las variables son no negativas, de modo que el programa lineal del ejemplo
4.1 todava no se encuentra en forma estndar. Es necesario llevar a cabo una convencin
adicional.
4.2.2 Manejo de variables no restringidas y no positivas.

Hasta este momento, las variables que han aparecido en todos los programas
lineales han sido no negativas. Si embargo, en algunos problemas, se puede restringir una
variable que sea no positiva ( 0) e, incluso, puede no estar restringida, (es decir, puede ser
positiva, negativa o cero).
Por ejemplo, suponga que debe localizar un almacn en una ciudad. Utilizando un
sistema fijo de coordenadas, usted define las siguientes dos variables de decisin, con
respecto al origen:
x1 = Coordenada x de la localizacin del almacn
x2 = Coordenada y de la localizacin del almacn
Estas dos variables no estn restringidas. Un valor positivo de x1 indica una
localizacin a la derecha del origen; un valor negativo indica una localizacin a la
izquierda. De manera parecida, un valor positivo o negativo de x2 indica una localizacin
arriba o abajo del origen, respectivamente.
Suponga que la localizacin del almacn debe estar a la izquierda del origen. Esta
limitacin se refleja con la restriccin:
x1 0
En este caso, x1 es no positivo y x2 no esta restringida. Ver ahora cmo convertir un
problema con variables no restringidas y no positivas a la forma estndar. Esta tarea se
lleva a cabo sustituyendo aquellas variables por las variables no negativas adecuadas, segn
se describe a continuacin.
50
Captulo 4
4.2.2.1 Conversin de variables no restringidas.

Ejemplo de aplicacin 4.1 (a)
Maximizar
Sujeto a:
2x1 x2 + 3x3
x1 x2 + x3
= 10
3x1 + 2x2 + 2x3 + h1
= 15
x1
S2 = 3
x1,
h1, S2 0
x2
0
x3
No restringida
En el ejemplo 4.1(a), la variable x3 no esta restringida. Para pasar un problema con

esta caracterstica a la forma estndar, lo cual significa con variables no negativas, cada
variable no restringida debe sustituirse con la diferencia de dos variables negativas. Por
ejemplo, en el ejemplo 4.1, sustituya la variable no restringida original, x3, en todo lugar
que se encuentre, con la diferencia de dos variables no negativas, cuyos smbolos se
escogen de manera arbitraria como x3+ y x3, de la forma siguiente:
x3 = x3+ x3
x3+ , x3 0
La manera de interpretar esta sustitucin es recordando que x3 puede ser positiva o
negativa. Si x3 es positiva (digamos x3 = 5), entonces x3+ tendr el mismo valor positivo de
x3 (es decir x3+ = 5), y x3 ser cero. Si x3 es negativa (digamos x3 = -7), entonces x3+ ser
cero y x3 ser igual al valor absoluto de x3 (es decir x3 = 7).Alternativamente, dados
valores no negativos para x3+ y x3, el valor de x3 se obtiene calculando el valor de x3 = x3+
x3
Sustituyendo x3 = x3+ x3 en el ejemplo 4.1, se produce el programa lineal
presentando en el ejemplo 4.1 (b).
Ejemplo de aplicacin 4.1 (b)
Maximizar
Sujeto a:
2x1 x2 + 3 x3+ 3x3

x1 x2 + x3+ x3
3x1 + 2x2 + 2 x3+ 2x3 + h1
x1
S2
+
x1,
x3 , x3 ,
h1, S2
x2
= 10
= 15
=3
0
0
4.2.2.2 Conversin de variables no positivas

En el ejemplo 4.1 (b), todo lo que resta hacer es manipular la variable no positiva x2.
Sustituya x2 en todo lugar donde se encuentre con el negativo de una nueva variable no
negativa, cuyo smbolo se escoge arbitrariamente como x2, es decir,
x2 = x2
x2 0
51
Captulo 4
Por ejemplo, sin en el problema en forma estndar x2 = 4, el valor de la variable

original, x2, es x2 = x2 = 4.
Al sustituir x2 = x2 en el ejemplo 4.1 (b) se produce el programa lineal en forma
estndar del ejemplo 4.1(c).
Ejemplo de aplicacin 4.1 (c)
PROGRAMA LINEAL EN FORMA ESTNDAR PARA EL EJEMPLO 4.1 (b)
Maximizar
Sujeto a
2x1 + x2 + 3 x3+ 3x3

x1 + x2 + x3+ x3
= 10
3x1 2x2 + 2 x3+ 2x3 + h1
= 15
x1
S2 = 3
x1, x2,
x3+, x3,
h1, S2 0
El problema de programacin lineal del ejemplo 4.1(c) es la versin en forma

estndar del problema original ejemplo 4.1. Este problema lineal en forma estndar es
equivalente al original. Dada una solucin ptima al problema en forma estndar, se puede
construir una solucin ptima al problema original.
4.3 Transicin de solucin grfica a solucin algebraica

Las ideas contenidas en la solucin grfica de un modelo de programacin lineal
son la base para desarrollar el mtodo algebraico smplex. La figura 4.1 marca el
paralelismo entre los dos mtodos.
52
Captulo 4
En el mtodo grfico, el espacio de soluciones se delimita con los semiespacios que

representan las restricciones, y en el mtodo smplex, el espacio de soluciones se
representan con m ecuaciones lineales simultaneas y n variables no negativas.
Se puede apreciar en forma visual porque el espacio grfico de soluciones tiene una
cantidad infinita de puntos de solucin; pero, cmo se puede deducir algo parecido a partir
de la representacin algebraica del espacio de soluciones? La respuesta es que en la
representacin algebraica, la cantidad m de ecuaciones siempre es menor o igual a la
cantidad de variables n.
Si m = n, y si las ecuaciones son consistentes, el sistema tiene una sola solucin;
pero si m < n (esto representa la mayor parte de los programas lineales), entonces el sistema
de ecuaciones producir una infinidad de soluciones, de nuevo si es consistente. Como
ejemplo sencillo, la ecuacin x = 2 tiene m = 1 ecuaciones y n = 1 variables; y es obvio que
la solucin es nica. Pero la ecuacin x + y = 1 tiene m = 1 ecuaciones y n = 2 variables, y
tiene una cantidad infinita de soluciones. Cualquier punto de la recta x + y = 1 es una
solucin.
Ya demostramos como se representa el espacio de soluciones de un programa lineal
en forma algebraica. Entonces los candidatos para la solucin ptima, que son los puntos de
esquina, se determinan con las ecuaciones lineales simultneas como sigue:
En un conjunto de m n ecuaciones (m<n), si se igualan a cero n m variables, y a
continuacin se despejan las m variables restantes de las m ecuaciones, la solucin
resultante, si es nica, debe corresponder a un punto de esquina del espacio de soluciones.
4.4 Mtodo Smplex

Los pasos del smplex para resolver un problema de programacin se ilustran en la
figura 4.2.
El mtodo smplex en la forma de los coeficientes separados
Figura 4.2
Paso 0.
Adicione las variables de holgura a todas las inecuaciones. Tambin, adicione

las mismas variables de holgura a la funcin objetivo, cada una con la utilidad
unitaria de Bs.0.
53
Captulo 4
Paso1. Encuentre una solucin bsica factible inicial para el sistema de ecuaciones. Esto
puede ser hecho en el modelo de programacin lineal por inspeccin.
Paso 2. Encuentre una solucin bsica factible mejor. Ahora estamos en la fase iterativa
del mtodo, el proceso se llama operaciones de rengln de Gauss-Jordan.
Observe la figura 4.2 que vamos al paso 3 y regresamos al paso 2 y seguimos
repitiendo estos dos pasos hasta que tenemos una solucin bsica factible para
terminar en el paso 4.
En cada iteracin el mtodo smplex se mueve de una solucin bsica factible
actual a una solucin bsica factible adyacente. Esta iteracin Paso 2 y 3,
requiere que una variable no bsica, llamada la variable bsica entrante,
remplace una variable bsica llamada variable bsica saliente, en la solucin
actual.
Las candidatas a convertirse la variable bsica entrante son solamente las
variables no bsicas. Cul de las variables no bsicas escoger?. La nueva
variable bsica tiene que aportar un mejoramiento (aportar una utilidad ms alta
en caso de Max) sobre la solucin bsica factible actual. Por consiguiente,
escogemos la variable no bsica que incremente la utilidad z en la mayor
proporcin.
Paso 3. Resuelva para la nueva solucin bsica factible MEJOR. El paso 3 tiene dos
partes: determinar la variable a salir de la base y resolver para los nuevos
valores de las variables bsicas.
La variable bsica saliente no es de libre escogencia.
Nuestra meta es escoger una variable bsica para remover, tal que la variable
entrante pueda tener un valor tan grande como sea posible, sin violar alguna de
las restricciones en el modelo.
Paso 3 (Cont.). Encuentre los valores de las restantes variables bsicas. Ahora hemos
identificado las variables entrantes y salientes. Falta determinar los valores
nuevos del resto de las variables. Para llevar a cabo este paso necesitamos
convertir el sistema original de ecuaciones.
Paso 4. Solucin ptima. Cuando los valores de los coeficientes del rengln Z sean
todos 0 (caso maximizacin) o 0 (caso minimizacin) se habr alcanzado el
ptimo factible.
La primera necesidad es entender ciertos trminos claves antes de aplicar los pasos
2 y 3 del mtodo smplex para un problema dado en la forma de los coeficientes separados.
Tales son:
1. Columna pivote
2. Fila pivote
3. Nmero pivote.
1. La columna pivote es la columna de coeficiente que estn asociadas con la
variable no bsica que ha sido escogido para convertirse en la variable bsica
entrante.
54
Captulo 4
2. La fila pivote es la fila de coeficientes que contiene la variable bsica actual, y

que contiene coeficiente +1, es la que se ha escogido como la variable bsica
saliente.
3. El nmero pivote es el coeficiente que esta en la interseccin entre la fila pivote y
columna pivote
Cada coeficiente de las variables de fila (z) indica cuanto decrecer la utilidad z
por unidad de incremento en esa variable.
Para encontrar una solucin mejor:
Escogemos la variable que se va a convertir en variable bsica entrante y es la
que tiene el coeficiente ms negativo en la funcin objetivo en caso de
maximizacin (coeficiente ms positivo en caso de minimizacin)

Una compaa produce dos tipos de ladrillos. Cada ladrillo del tipo 2 requiere el
doble de tiempo en mano de obra que el primero tipo. Si todos los ladrillos son del tipo 2, la
compaa puede producir un total de 500 ladrillos al da. El mercado limita las ventas
diarias del tipo 1 y 2 a 150 a 250 ladrillos respectivamente. Suponga que los beneficios por
cada ladrillo son de Bs.8 para el tipo 1 y Bs.5 para el tipo 2. Determine el nmero de
ladrillos a ser producidos de cada tipo para maximizar el beneficio.
Sea x1 = # de ladrillos del tipo 1
x2 = # de ladrillos del tipo 2
Funcin objetivo:
Restricciones:
Max Z = 8x1 + 5x2

2x1 + x2 500
x1
150
x2 250
x1 , x2 0
Estandarizando:
Max Z = 8x1 + 5x2 + 0h1 + 0h2 + 0h3
Restricciones:
2x1 + x2 + h1 = 500
x1
+ h2 = 150
m=3
x2 + h3 = 250
x1, x2, h1, h2, h3 0
n=5
n m = 5 3 = 2 variables no bsicas
m = 3 variables bsicas
Entonces: x1 = x2 = 0 variables no bsicas
y por lo tanto h1 = 500; h2 = 150 y h3 = 250 variables bsicas
55
Captulo 4
Tabla inicial o iteracin cero.

Bsica
x1
x2
h1
h2
h3
h1
soluci
n
500
h2
150
h3
0
-8
1
-5
0
0
0
0
1
0
250
0
Tabla 1
Para encontrar una solucin mejor: Escogemos la variable que se va a convertir en

variable bsica entrante en el caso de maximizacin es la que tiene el valor ms negativo en
la fila de la funcin objetivo, o sea, el rengln de Z de la tabla smplex 1 en este caso x1 y
ser la columna pivote.
soluci
n
500
x1
x2
h1
h2
h3
1
0
h3
0
1
Z
-8
-5
columna pivote
150
0
0
0
0
1
0
250
0
Bsica
h1
h2
Paso3. Ahora tenemos que determinar cul de las variables bsicas actuales h1, h2 o
h3, es la que va a ser la variable saliente.
Recuerda que:
La variable escogida como variable bsica saliente es la variable bsica
actual que permite a la variable bsica entrante x1 tener el valor ms grande
posible sin violar alguna de las restricciones del modelo.
Para decidir cual variable sale, usamos la columna de la variable bsica, la columna
pivote y la columna de solucin y se calculan las razones entre los valores y los coeficientes
tal como se muestra en seguida.
Variable
Bsica
x1
h1
500
500/2 =250
h2
150
150/1 =150
minima
razon =150
h3
0
-8
250
0
250/0 =
Ignorar
soluci
Razon del
n
solucin/coeficiente
El mnimo entre 250 y 150 es 150 que tiene lugar en el rengln de h2, donde h2 es la
variable bsica actual. Por tanto el rengln de h2 de la tabla 1 pasa a ser la fila pivote y h2
se convierte en la variable saliente. Entonces, x1 remplaza a h1 en la base.
En resumen:
La fila pivote, y por tanto la variable bsica saliente, es la fila que contiene
la razn Solucin/Coeficiente ms pequea haciendo caso omiso de las
variables (y por ende de las filas) cuyo denominador sea cero o negativo.
56
Captulo 4
Tanto la columna pivote (la variable bsica entrante) como la fila pivote (la variable
bsica saliente) son delineadas en la prxima versin de la tabla 1. Como el nmero
interseccin entre la columna pivote y fila pivote es +1 entonces, ste es el nmero pivote.
fila pivote
nmero pivote
Bsica
x1
x2
h1
h2
h3
h1
soluci
n
500
h2
150
h3
250
-8
-5
columna pivote
Tabla 1
Paso 3 (Cont.). Encontrar la nueva solucin bsica factible. Para hacer un cambio de base
usando la tabla smplex, necesitamos lo siguiente:
1. El nmero pivote tiene que ser convertido +1 y la variable bsica entrante
remplaza la variable bsica saliente en la columna de las variables bsicas.
2. Cada uno de los coeficientes restantes en la columna pivote tienen que ser
convertidos a 0.
Para lograr el punto 1. dividimos cada coeficiente de la fila pivote por el nmero
pivote. Esto es, remplazando el rengln h2 por el nuevo rengln x1. Esto conduce a la nueva
tabla 2.
1 iteracin
Bsica
h1
x1
x2
h1
h2
h3
-2
soluci
n
200
x1
150
h3
Z
0
0
1
-5
0
0
0
8
1
0
250
1200
Tabla 2
Para lograr el punto 2. todos los dems reglones incluyendo Z.

Nuevo rengln = (rengln actual) (su coeficiente en la columna pivote) *
(nueva fila pivote).
Estos clculos se aplican a la tabla1 en la siguiente forma:
Nuevo rengln h1 = (rengln actual) (+2) * (nueva fila pivote).
Nuevo rengln h3 = (rengln actual) (0) * (nueva fila pivote).
Nuevo rengln Z = (rengln actual) (8) * (nueva fila pivote).
Ejecutando estas adiciones y multiplicaciones de reglones en la tabla 1, se obtiene
la nueva tabla smplex, 2.
57
Captulo 4
De la tabla 2 tenemos ahora:

h1 =200
x1 = 150
h3 =250
Z = 1200
x2 = 0
h2 = 0
Esto completa el paso 3 del mtodo smplex.

Usted puede sustituir los valores de las 5 variables anteriores, en el modelo original
para verificar que estos, constituyen una solucin factible y producen una utilidad de Z =
Bs.1200.
Es ptima la solucin bsica de la tabla 2? Para responder esta pregunta tenemos que
regresar al paso 2 del mtodo smplex.
Paso 2. Puede haber una solucin bsica factible mejor? Observemos en el rengln de Z
de la tabla 2. que la variable no bsica x2 tiene como coeficiente 5. Lo que quiere decir,
que se puede incrementar la utilidad anterior de Bs.1200 si x2 tiene un valor positivo.
Entonces, x2 se convierte en la columna pivote (o x2 pasa a ser la variable bsica
entrante).
Paso 3. Encontrar la solucin factible mejor. Determinando la mnima razn
Solucin/Coeficiente, el rengln de h1 se convierte en la fila pivote (o h1 pasa a ser la
variable bsica saliente) y +1 es el nmero pivote. Esto se muestra en seguida en la tabla 2.
fila pivote
numero pivote
Bsica
h1
x1
0
x2
1
h1
1
h2
-2
h3
0
soluci
n
200
x1
h3
Z
1
0
0
0
1
-5
0
0
0
1
0
8
0
1
0
150
250
1200
Soluc./Coef.
200/1 = 200
150/0 =
250/1 = 250
Columna pivote
Tabla 2
Utilizando la columna pivote, x2 y la columna de solucin de la tabla 2 se obtiene la

razn mnima.
Ya que el mnimo entre 200 y 250 esta en el rengln de h1 de la tabla 2, h1 es la
variable saliente, para ser remplazada por x2.
Paso 3 (Cont.). Encontrar los valores de las variables bsicas. En el Paso 3 necesitamos lo
siguiente:
El nmero pivote tiene que ser convertido +1 y la variable bsica entrante remplaza
la variable bsica saliente en la columna de las variables bsicas.
Cada uno de los coeficientes restantes en la columna pivote tienen que ser
convertidos a 0.
Para lograr el punto 1 dividimos cada coeficiente de la fila pivote por el nmero pivote.
Esto es, remplazando el rengln h1 por el nuevo rengln x2. Esto conduce a la nueva tabla
3.
58
Captulo 4
2 iteracin
Bsica
x1
x2
h1
h2
h3
x2
-2
soluci
n
200
x1
150
h3
0
0
0
0
-1
5
2
-2
1
0
50
2200
Tabla 3

Estos clculos se aplican a la tabla anterior en la siguiente forma:
Nuevo rengln x1 = (rengln actual) (0) * (nueva fila pivote).
Nuevo rengln h3 = (rengln actual) (+1) * (nueva fila pivote).
la nueva tabla smplex 3.
La nueva solucin bsica factible es:
Variables
bsicas
x2 =200
x1 = 150
h3 =50
Z = 2200
Variables
h1 = 0
h2 = 0
no bsicas

Bs.2200.
Paso 2. Puede haber una solucin bsica factible mejor? Observemos en el rengln de Z
de la tabla 3. que la variable no bsica h2 tiene como coeficiente 2. Lo que quiere decir,
que se puede incrementar la utilidad anterior de Bs.2200 si h2 tiene un valor positivo.
Entonces, h2 se convierte en la columna pivote (o h2 pasa a ser la variable bsica
entrante).
Paso 3. Encontrar la solucin factible mejor. Determinando la mnima razn
Solucin/Coeficiente, el rengln de h3 se convierte en la fila pivote (o h3 pasa a ser la
variable bsica saliente) y +2 es el nmero pivote.
59
Captulo 4
Esto se muestra en seguida en la tabla 3.
fila pivote
Bsica
x2
x1
h3
Z
x1
0
1
0
0
x2
1
0
0
0
h1
1
0
-1
5
h2
-2
1
2
-2
soluci
Soluc./Coef.
n
200
200/-2 = -100
150
150/1 = 150
50
50/2 = 25
2200
nmero pivote
h3
0
0
1
0
Columna pivote
Tabla 3
Utilizando la columna pivote, h2 y la columna de solucin de la tabla 3 se obtiene la

razn mnima.
Ya que el mnimo entre 150 y 25 esta en el rengln de h3 de la tabla 3, h3 es la
variable saliente, para ser remplazada por h2.
Paso 3 (Cont.). Encontrar los valores de las variables bsicas. En el Paso 3 necesitamos lo
siguiente:
El nmero pivote tiene que ser convertido +1 y la variable bsica entrante remplaza
la variable bsica saliente en la columna de las variables bsicas.
Cada uno de los coeficientes restantes en la columna pivote tienen que ser
convertidos a 0.
Para lograr el punto 1. dividimos cada coeficiente de la fila pivote por el nmero pivote.
Esto es, remplazando el rengln h1 por el nuevo rengln x2. Esto conduce a la nueva tabla
4.
3 iteracin Tabla ptima.
Bsica
x1
x2
h1
h2
h3
x2
soluci
n
250
x1
0.5
-0.5
125
h2
0
0
0
0
-0.5
4
1
0
0.5
1
25
2250
Tabla 4

Estos clculos se aplican a la tabla anterior en la siguiente forma:
Nuevo rengln x2 = (rengln actual) (2) * (nueva fila pivote).
Nuevo rengln x1 = (rengln actual) (+1) * (nueva fila pivote).
la nueva tabla smplex 4.
60
Captulo 4
La nueva solucin bsica factible es:
Variables
bsicas
x2 =250
x1 = 125
h2 =25
Z = 2250
Variables
h1 = 0
h3 = 0
no bsicas

Bs.2250.
Paso 2. Encuentre una solucin bsica factible mejor. La solucin dada en la tabla 4 es
ptima ya que los coeficientes de las variables no bsicas h1, h2 y h3 son cero o positivos.
Entonces, terminamos el Paso 4.
Paso 4. La solucin bsica factible actual es la ptima, porque todos los valores del rengln
de Z son 0 (caso maximizacin).
4.5 Mtodo de penalizacin

Para resolver problemas que incluyen otro tipo de restricciones (mayor o igual () e
igualdad (=)), se emplean los llamados mtodos de penalizacin. Estos mtodos siguen
bsicamente la misma metodologa de solucin que el algoritmo smplex y simplemente
varan en los siguientes puntos.
Para las restricciones de mayor o igual e igualdades, se aaden variables artificiales.
Estas variables artificiales sirven como un artificio matemtico que facilitan la
solucin y ayudan a que la matriz identidad aparezca en las columnas de las
variables bsicas. En problemas de este tipo y generalmente despus de todo el
procedimiento de solucin (si el procedimiento tiene solucin factible), estas
variables artificiales se convierten en no bsicas con un valor de cero, de otro modo
se puede detectar que el problema no tiene solucin bsica factible.
La iteracin cero o paso inicial debe ser corregida en funcin de las modificaciones
que se hagan en la funcin objetivo donde las variables artificiales aparecen con
penalizaciones, de ah su nombre.
Los mtodos de penalizacin son: el Mtodo de la M (M se tipifica como un valor
mucho muy grande) y el mtodo de las dos fases.
61
Captulo 4
4.5.1
Mtodo de la M
El mtodo de la M trabaja de la siguiente manera:

Al poner en la forma estndar se aaden variables de holgura a las restricciones del
tipo menor o igual; variables artificiales a las restricciones de igualdad y variables
de excedencia o superfluas y artificiales a las restricciones mayor o igual.
En la funcin objetivo las variables de holgura y superfluas tienen coeficientes de
cero, sin embargo a las variables artificiales se las penaliza con un valor grande de
M (caso Max) y/o +M (caso Min). Este artificio se lo realiza con el objeto de
agrandar la regin factible, poder converger hacia el resultado ptimo y lograr la
matriz identidad para establecer m variables bsicas iniciales. Si un problema tiene
una solucin factible, las variables artificiales deben ser cero en la tabla inicial, esto
quiere decir que deben ser no bsicas.
Las variables bsicas iniciales que corresponden a la tabla inicial o iteracin cero
deben incluir a las variables artificiales (ya que como se ver sus columnas forman
parte de la matriz identidad), pero sus coeficientes en la funcin objetivo no son
cero sino M; entonces debern volverse cero haciendo una correccin a la funcin
objetivo y utilizando para ello operaciones elementales de la fila con aquellos
renglones que incluyen a estas variables.
Obtenida la tabla corregida en la funcin objetivo, se procede a continuar con los
pasos del smplex hasta llegar al resultado ptimo.
Funcin objetivo:
Restricciones:
Min Z = 5x1 + 1x2

x1 + x2 = 5
x1
3
x1 + 3x2 12
x1 , x2 0
(1)
(2)
(3)
Estandarizando:
Min Z = 5x1 + x2 + 0h2 + 0S3 + MR1 + MR3
Restricciones:
x1 + x2 + R1
=5
x1
+ h2
=3
x1 + 3x2
S3 + R3 = 12
x1, x2, h2, S3, R1, R3 0
n m = 6 = 3 variables no bsicas
Entonces: x1 = x2 = S3 = 0 variables no bsicas
y por lo tanto R1 = 5, h2 = 3 y R2 = 12 variables bsicas
m=3
n=6
Observe que a las restricciones de igualdad (1) se aade una variable artificial R1. A
la restriccin (2) que es del tipo menor o igual se aade una variable de holgura h2 y a la
restriccin (3) que es del tipo mayor o igual se resta una variable de excedencia y una
variable artificial R3.
62
Captulo 4
En este mtodo las variables artificiales se penalizan en la funcin objetivo con un

valor de +M (caso Min).
El problema tiene tres variables bsicas porque se tienen tres restricciones y estas
variables bsicas deben incluir inicialmente a las artificiales. Segn el anlisis de la funcin
objetivo las candidatas a ser variables bsicas serian h2 y S3 (por tener coeficiente cero en la
funcin objetivo). Sin embargo, si planteamos la tabla inicial nos podemos dar cuenta que
las columnas de las variables h2, R1 y R2 forman la matriz identidad; por tanto al cumplirse
estas deben ser las variables bsicas iniciales.
Finalmente se puede notar que los coeficientes de R1 y R2 en la funcin objetivo no
son cero, sino M; entonces por operaciones elementales de renglones hay que volver cero
estos coeficientes para cumplir con una de las propiedades de la definicin de variable
bsica (esto se logra multiplicando por M al rengln 1 y 3 y sumando estos renglones al
rengln de la funcin objetivo). Entonces:
Bsica
R1
x1
x2
S3
R1
h2
R3
sol.
h2
R3
Z
1
-5
3
-1
-1
0
0
-M
0
0
1
-M
12
0
Tabla Corregida. 1 iteracin

Bsica
R1
x1
x2
S3
R1
h2
R3
sol.
h2
R3
Z
1
-5 + 2M
3
-1 + 4M
-1
-M
0
0
0
0
1
0
12
17M
2 iteracin. Si M = 100, entonces variable entrante x2 y saliente R3

Bsica
R1
x1
x2
S3
R1
h2
R3
sol.
0.667
0.333
-0.333
h2
x2
0.333
-0.333
0.333
-14/3 + 2/3 M
-1/3 + 1/3 M
1/3 -4/3 M
4 +M
2 iteracin. Si M = 100, entonces variable entrante x1 y saliente R1

Bsica
x1
x1
x2
S3
R1
h2
R3
sol.
0.5
1.5
-0.5
1.5
h2
-0.5
-1.5
0.5
1.5
x2
-0.5
-0.5
0.5
3.5
7-M
-2 -M
11
63
Captulo 4
3 iteracin. Si M = 100, entonces variable entrante S3 y saliente x1

Bsica
S3
x1
x2
S3
R1
h2
R3
sol.
-1
h2
x2
-4
1-M
-M
Tabla ptima.
En la solucin ptima hallada se puede notar que las variables artificiales han
desaparecido de la base convirtindose en no bsicas. En la funcin objetivo desaparece
tambin el valor de M; por tanto el problema tiene solucin ptima factible y es la que
aparece en la ltima tabla.
4.5.2 Mtodo de las dos fases

El mtodo de las M, desde un punto de vista computacional, puede arrastrar errores de
redondeo, debido a que maneja un valor grande M que debe ser introducido al computador
y que participa en las operaciones de clculo. Este error puede ser propagado, haciendo que
la solucin verdadera se distorsione. El mtodo de las dos fases, trabaja tambin con
variables artificiales y no considera la introduccin de un valor M; es por eso que
computacionalmente resulta ms eficiente. Las caractersticas de este mtodo son:
FASE 1
Se formula en la forma estndar aadiendo variables de holgura a las
restricciones del tipo menor o igual; variables artificiales a las restricciones de
igualdad y variables superfluas y artificiales a las restricciones de mayor o
igual.
En la funcin objetivo las variables de holgura y superfluas tienen coeficientes
de cero, sin embargo las variables artificiales tienen un coeficiente de uno. Si
el problema tiene una solucin factible, las variables artificiales deben ser
cero en la tabla final, esto quiere decir que deben volverse no bsicas.
Se construye una funcin objetivo (Min) adicional (r) que solo tome en cuenta
a las variables artificiales.
Las variables bsicas iniciales que corresponden a la tabla inicial o iteracin
cero deben incluir a las variables (ya que como se vera sus columnas forman
parte de la matriz identidad), pero sus coeficientes en la funcin objetivo no
son cero sino uno; estos coeficientes deben ser transformados en cero
operando con las filas que incluyen a estas variables y que al final deben
sumarse al rengln de r. (Nuevo rengln r = Rengln anterior + Coef. de f.o.
de R1,..,n * rengln de R1,.., n.)
Obtenida la tabla corregida en la funcin objetivo, se procede a iterar
siguiendo los pasos del smplex hasta llegar a que la funcin objetivo sea cero
(si el problema tiene solucin factible; caso contrario no tiene solucin
factible y termina el proceso). Esto garantiza que las variables artificiales sean
cero y desaparezcan de la base.
64
Captulo 4
FASE 2
Se toma en cuenta la ultima tabla de la FASE 1 (se pueden eliminar las
columnas que corresponden a las variables artificiales ya que estas se habrn
hecho cero) y se introducen los valores originales de la funcin objetivo. Se
presentara el problema de que las variables bsicas finales no tienen
coeficiente cero en la funcin objetivo, esto se corrige con operaciones
elementales de fila.
Se verifica la optimidad viendo si todos los coeficientes de la funcin objetivo
son mayores o iguales que cero (caso Max); si esto no procede a iterar con los
pasos del smplex hasta encontrar el ptimo.
Un alumno que repite la materia de sistemas de ingeniera acude al psiquiatra y este
le informa que su falta de entusiasmo se debe a un dficit de tiamina y niacn
prescribindole un mnimo de 1 mg. y 10 mg. diarios, respectivamente. El doctor le sugiere
que obtenga la mitad de la dosis mediante un desayuno a base de cereales. El alumno, que
no cuenta con demasiados recursos econmicos, trata de hacer mnimo el costo de las
vitaminas. Una vez en el supermercado, se informa acerca de los dos nicos desayunos que
le agradan: A y B.
Cereal Tiamina por Onza Niacn por Onza
A
B
0.12 mg.
0.13 mg.
0.60 mg.
1.59 mg.
Costo por Onza

Bs. 14
Bs. 24
Determinar la mezcla a realizar para que el costo sea mnimo y asegure la mitad de
la dosis de vitaminas prescritas por el psiquiatra.
Sea: x1 = Cereal A por onza
x2 = Cereal B por onza
Funcin objetivo: Min Z = 14x1 + 24x2
Restricciones:
0.12x1 + 0.13x2 1
(1)
0.60x1 + 1.59x2 10 (2)
x1 , x2 0
Estandarizando:
Min Z = 14x1 + 24x2 + 0S1 + 0S2
Restricciones:
0.12x1 + 0.13x2 S1 = 1
0.60x1 + 1.59x2 S2 = 10
x1, x2, S1, S2 0
FASE I.
min r = R1 + R2
Sujeto a:
0.12 x1 + 0.13 x 2 S1 + R1 = 1
0.60 x1 + 1.59 x 2 S 2 + R2 = 10
x 1 , x 2 , S1 , S 2 , R 1 , R 2 0}
m=2
n=6
65
Captulo 4
n m = 6 2 = 4 variables no bsicas
Entonces: x1 = x2 = S1 = S2 = 0 variables no bsicas
y por lo tanto R1 = 1 y R2 = 10 variables bsicas
Observe que a las restricciones de mayor o igual se aade una variable artificial R1 y
R2 respectivamente
Bsica
x1
R1
R2
r
S2
R1
R1
-1
soluci
n
1
0
0
-1
0
0
-1
1
-1
10
0
x2
S1
0.12
0.13
0.6
0
1.59
0
Tabla Corregida o 1 Iteracin.

El nuevo valor del rengln r se halla de la siguiente manera:
Nuevo rengln r = Rengln anterior + Coef. de f.o. de R1,..,n * rengln de R1,.., n.
O sea:
Nuevo rengln r = Rengln anterior + [(1* rengln de R1) + (1* rengln de R2)]
Razn
soluci
Sol./Coef Var
n
entrante
Bsica
x1
x2
S1
S2
R1
R1
R1
0.12
0.13
-1
7.69
R2
0.6
0.72
1.59
1.72
0
-1
-1
-1
0
0
1
0
10
11
6.29
El nuevo rengln r se usa para resolver la FASE I del problema.

2 Iteracin. Variable entrante x2 y la variable saliente R2.
Razn
soluci
Sol./Coef Var
n
entrante
Bsica
x1
x2
S1
S2
R1
R1
R1
0.07
-1
0.08
-0.08
0.18
2.23
x2
0.38
0.07
1
0
0
-1
-0.63
0.08
0
0
0.63
-1.08
6.29
0.18
-10.00
3 Iteracin. Variable entrante S2 y la variable saliente R1.
S2
0.87
-12.23
12.23
-1
soluci
n
2.23
x2
0.92
0
1
0
-7.69
0
0
0
7.69
-1
0
-1
7.69
0
Bsica
x1
x2
S1
S2
R1
R1
Como mnimo de r = 0, la FASE I produce la solucin bsica factible S2 = 2.23, x2 =

7.69. Llegado a este punto, las variables artificiales ya cumplieron su misin y se pueden
eliminar de la tabla las columnas, por completo y pasar a la FASE II.
66
Captulo 4
FASE II. Despus de eliminar las columnas artificiales, el problema original se escribe as:
Min Z = 14x1 + 24x2
Restricciones:
0.87x1
12.23S1 + S2 = 2.23
0.92x1 + x2 7.69S1
= 7.69
x1, x2, S1, S2 0
En esencia, la FASE I es un procedimiento que transforma las ecuaciones originales
de restriccin en tal forma que se obtiene una solucin factible bsica de inicio para el
problema. La tabla asociada con la FASE II del problema es por consiguiente:
Bsica
x1
x2
S1
S2
S2
0.87
-12.23
soluci
n
2.23
x2
Z
0.92
-14
1
-24
-7.69
0
0
0
7.69
0
De nuevo, como las variables bsicas S2 y x2 tiene coeficiente no cero en el rengln

de z, deben sustituirse y eliminarse con los siguientes clculos:
Nuevo rengln Z = Rengln anterior - Coef. de f.o. de var. bsicas * rengln de var.
bsicas.
O sea:
Nuevo rengln Z = Rengln anterior - [(0* rengln de S2) + ( 24 * rengln de x2)]
La tabla inicial de la FASE II resulta entonces:
4 Iteracin.
Razn
Bsica
x1
x2
S1
S2
S2
0.87
-12.23
2.23
2.57
x2
0.92
8.15
1
0
-7.69
-184.62
0
0
7.69
184.62
8.33
solucin Sol./Coef Var

entrante
5 Iteracin. Variable entrante x1 y la variable saliente S2.

Bsica
x1
x1
x2
S1
S2
solucin
-14.10
1.15
2.57
x2
Z
0
0
1
0
5.32
-69.68
-1.06
-9.40
5.32
163.65
Tabla ptima
La salida de las columnas de las variables artificiales al terminar la FASE I solo se
hacen cuando toda ellas sean no bsicas (como ilustra el ejemplo). Sin embargo, es posible
que las variables artificiales sigan siendo bsicas pero a nivel cero al final de la FASE I. En
ese caso, esas variables formaran por necesidad, parte de la solucin bsica de inicio por
FASE II.
67
Captulo 4
En consecuencia, se debe modificar los clculos en la FASE II para asegurar que

una variable artificial que nunca se haga positiva durante las iteraciones en esa FASE II.
Las reglas para garantizar que una variable artificial que es cero al final de la FASE
I nunca se vuelva positiva durante la FASE II, son las siguientes:
Si en la columna pivote el coeficiente de restriccin correspondiente a la
variable bsica artificial es positivo, definir al nmero pivote en forma
automtica (por que corresponde a la razn mnima de cero), y como se
busca, la variable artificial se vuelve no bsica en la siguiente iteracin.
Si el elemento de la columna pivote es cero, la siguiente iteracin dejara la
variable artificial inalterada, en el nivel cero.
Si el elemento de la columna pivote es negativo, la razn mnima no se
asociara con la variable artificial bsica (0). En este caso, si la razn mnima
resultante resulta ser positiva, la variable artificial asumir un valor positivo
en la siguiente iteracin (Se da usted cuenta porque?) y se necesitara evitar
que eso suceda. Para hacerlo, se obliga a la variable artificial a salir de la
solucin de cualquier modo. Si se observa que la variable artificial esta en el
nivel cero, la eliminacin de la solucin bsica no afectara la factibilidad de
las variables bsicas restantes.
Resumiendo, la regla de la FASE II indica obligar a la variable artificial a salir de la
solucin bsica en cualquier momento en que su coeficiente de restriccin en la columna de
pivote sea positiva o negativa, de hecho, esta regla se puede aplicar al final de la FASE I,
para eliminar las variables artificiales cero de la solucin bsica, antes de siquiera comenzar
en la FASE II
4.6 Fundamentos matemticos

Formalizaremos los conceptos vertidos en la seccin anterior, para fijar ideas
utilizaremos esta informacin para elaborar la tabla smplex general en forma matricial.
Con esto daremos paso al modelo smplex revisado.
Forma tpica:
Optimizar z = CX
Sujeto a:
(AI)X = b
X0
Con I matriz identidad de dimensin m,
X = (x1, x2, ... , xn)T, C =(c1, c2, ... ,cn), b = (b1, b2, ..., bm)T
La matriz A:
a11
a21
...
am1
a12
a22
...
am2
...
...
...
...
a1,n-m
a2,n-m
...
am,n-m
68
Captulo 4
4.6.1 Soluciones bsicas y bases

Algebraicamente un punto extremo del espacio factible est asociado a una solucin
bsica de la ecuacin matricial (AI)X = b. Como el sistema tiene m ecuaciones escalares
y n incgnitas, se obtiene una solucin bsica haciendo n-m variables iguales a 0 y
resolviendo las m ecuaciones con n incgnitas.
Sea:
(AI)X = j=1,nPjxj
Los vectores independientes correspondientes a m vectores columnas Pj de (AI)
corresponde a una solucin bsica de (AI)X = b. En este caso los m vectores escogidos
forman una base cuya matriz cuadrada es no singular.
4.6.2 Mtodo Smplex

La idea general del mtodo Smplex es comenzar en un punto extremo y desplazarse
hacia un punto extremo adyacente con el objeto de mejorar el valor de la funcin objetivo,
manteniendo la factibilidad. La manera ms sencilla de seleccionar un punto extremo
inicial es usar la base B constituida por variables de holgura y/o artificiales. De esta forma
la base B inicial es la matriz identidad I que obviamente es una base. Los puntos extremos
adyacentes se determinan intercambiando un vector de B con un vector no bsico que
mover la solucin hacia la optimalidad.
4.6.2.1 Tabla Smplex en forma matricial 1

Expresemos el programa lineal en forma matricial:
Max z = CX
Sujeto a: (AI)X = b
X0
Subdividamos el vector X en XI y XII, entonces el problema estndar se puede
escribir de la siguiente manera: (I)
1 -CI -CII z = 0
0 A I XI = b
XII = 0
En una iteracin cualquiera, sea XB La representacin de las variables bsicas y B
su base asociada, entonces XB representa a m elementos de X y B representa los vectores
de (AI) correspondientes a XB, y sea CB el vector de elementos de C asociado a XB.
Entonces:
B XB = b y z = CBXB
O bien:
1 -CB Z = 0
0 B XB
b
Para las operaciones matriciales ver ANEXO A
69
Captulo 4
La solucin se puede expresar:

z = 1 CBB-1 0 = CBB-1b
XB
0 B-1 b
B-1b
Por lo tanto, aplicando este resultado, premultiplicando a (I) se obtiene
1 CBB-1 1 -CI -CII Z
CBB-1b
-1
0 B
0 A I XI = B-1b
XII
Esta ecuacin matricial se resuelve mediante la iteracin smplex general (II):
Bsica
z
XB
XI
CBB-1A-CI
B-1A
XII
CBB-1-CII
B-1
Solucin
CBB-1b
B-1b
Esta tabla muestra los detalles del clculo del mtodo smplex, es decir, si se conoce
B se puede encontrar en cada paso B-1, por lo tanto XB y z.
Por ejemplo consideremos el mtodo smplex con variables de holgura, en este caso,
CII = 0 la solucin bsica inicial se identifica como:
XB = XII, CB = CII = 0, B = I, B-1 = I
Sustituyendo en (II) se obtiene el mtodo smplex general con variables de holgura
(III):
Bsica XI XII Solucin
z
-CI
0
XB
A I
b
Si utilizamos smplex con variables artificiales (variables utilizadas como variables
de holgura para las restricciones que no cumplen la forma estndar). En este caso CII = (M,-M,..., -M) (coeficientes de penalizacin para la funcin objetivo). La solucin bsica
inicial se puede expresar como:
XB = XII, CB = CII, B = I, B-1 = I
Sustituyendo en (II) se obtiene el mtodo smplex general con variables artificiales
y de holgura (IV):
Bsica
XI
XII Solucin
z
CIIA-CI 0
CIIb
XII
A
I
b
70
Captulo 4
4.7 Mtodo Smplex revisado

La tabla del mtodo smplex queda determinada por la Matriz B y B-1 por lo que las
iteraciones smplex pueden diferir en la forma en que se calcule B-1, esto sugiere ventajas
desde el punto de vista del clculo numrico:
En problemas grandes de PL, las operaciones de Gauss Jordan conduce a
acumulacin de errores de redondeo, en el smplex revisado se utiliza slo la
informacin de B y los datos originales, por lo que se controla el error de
redondeo slo en el clculo de B-1.
La naturaleza de las operaciones del mtodo smplex, indica que no es
necesario calcular todos lo elementos de la tabla.
El mtodo se basa en un procedimiento del lgebra matricial para calcular la inversa
de una nueva base a partir de la inversa de otra base, siempre que las dos bases difieran slo
en un vector columna. Este procedimiento se ajusta muy bien a los clculos del mtodo
smplex ya que las bases sucesivas difieren exactamente en una columna como resultado
del intercambio de los vectores entrante y saliente.
Sea:
Imxm = (e1, e2,, em)
I mxm
1 0 . . . . 0 0
0 1.... 0 0
. ...... . .
=
...... .
0 0.... 1 0
0 0..... 0 1
Una matriz identidad, donde ei es el i-simo vector unitario, i = 1,., m. Sea Pr el

vector de salida de la base y Pj el vector de entrada en la nueva base. Entonces, la siguiente
relacin asocia a B-1 y Bsig-1
Bsig-1 = EB-1
Donde:
E = (e1, e2,, er-1, , er+1, ...em)
Con
ij
= (..., j
r
,)
excepto en el lugar r el elemento es
rj
y
j = B-1Pj
si rj = 0
Bsig-1 no existe.
71
Captulo 4
Paso 1: Determinacin del vector entrante Pj

Calcular Y = CBB-1 para calcular zj - cj = YPj- cj donde Pj es cada vector no bsico,
se selecciona el vector entrante Pj con el zj - cj ms negativo (positivo) para maximizacin
(para minimizacin), el empate se rompe en forma arbitraria, si todos los zj - cj son 0 ( 0)
se obtiene la solucin ptima:
Z = CBXB, XB = B-1b
Paso 2: Determinacin del vector saliente Pr
Dado el vector entrante Pj calcular: Los valores de las variables bsicas XB =
B-1b
Los coeficientes de las restricciones que determinan las variables entrantes:
j = B-1Pj
El vector saliente Pr debe estar asociado a:
= mink {
( B 1b) k
kj
, con kj > 0 }
Donde (B-1b)k es el elemento k de B-1b y kj es el elemento k de
si no se
encuentra un kj > 0, el problema no tiene solucin acotada.

Paso 3: Determinacin de la base siguiente:
Dada la base B, calcular la base siguiente:
Bsig-1 = EB-1
Maximizar Z = 4x1 + 3x2+ 6x3
sujeta a:
3x1 + 1x2+ 3x3 30

2x1 + 2x2+ 3x3 40
x1, x2, x3 0
(1)
(2)
Estandarizando:
Maximizar Z = 4x1 + 3x2+ 6x3 + 0h1 + 0h2
sujeta a:
3x1 + 1x2+ 3x3 + h1
= 30
2x1 + 2x2+ 3x3
+ h2 = 40
x1, x2, x3, h1, h2 0
72
Captulo 4
x1

3 1 3 1 0 x 2
30
2 3 01 x3 =
2
40
B h
A
4
b

h5
C = (4,3,6,0,0);
XB = (h4, h5);
CB = (0,0);
1 0
B-1 = I =
0 1
B = (P4, P5) = I
1 iteracin
Paso 1. Determinacin del vector entrante Pj
1 0
Y = CBB-1 = (0,0)I = (0,0) = (0,0)
0 1
Calculamos zj - cj = YPj- cj
3 1 3
Y(P1,P2,P3) - (c1,c2,c3) = (0,0)
2 2 3
- (4,3,6) = (-4,-3,-6)
Selecciona el vector entrante Pj con el zj - cj ms negativo por ser maximizacin,

entonces: El vector entrante es P3.
Paso 2. Determinacin del vector saliente
P3 ingresa a la base
1 0 30 30
= = (30,40)T
XB = B-1b = Ib =
0
1
40 40
43
3
= 3 = B-1P3 = IP3 = P3 = = (3,3)T

3
5
( B 1b) k
( B 1b) 4 ( B 1b) 5
30 40 30
= min {
}
={
} ={ ; } =
;
= 10
3
3
3
3
3 3
k
4
5
3
El vector saliente es P4.

Paso 3 Determinacin de la base siguiente:
ij
= (..., j
r
,)
rj
53
= ( j , 3 )
4 4
1
1 3
= ( ; )
3 3
73
Captulo 4

E = (e1, e2,..., er-1, , er+1, ...em) =
1
0
E = 3
1 1
Luego:
Bsig-1
1
0
= EB = E = 3
1 1
-1
La nueva solucin bsica es:
1
0 30 10
T
XB = (x3, h5) = B b = 3
40 = 10 = (10,10)

1 1
XB = (10,10)T
-1
Bsica
XI
Solucin
XII
CBB-1A-CI CBB-1-CII
B-1A
XB
B-1
CBB-1b
B-1b
1 iteracin
Bsica x1 x2 x3 h4 h5 Solucin
z
60
x3
1 1/3 1 1/3 0
10
h5
-1
10
-1
-1
2 iteracin
C = (4,3,6,0,0);
XB = (x3, h5);
CB = (6,0);
1
0
B = 3
1 1
-1
1
0
Y = CBB = (6,0) 3
= (2,0)
1 1
-1
3 1 1
Y(P1,P2,P4) - (c1,c2,c4) = (2,0)
2 2 0
- (4,3,0) = (-1,-2,0)
Selecciona el vector entrante Pj con el zj - cj ms negativo para maximizacin,

entonces: El vector entrante es P2.
74
Captulo 4
Paso 2. Determinacin del vector saliente

P2 ingresa a la base
1
0 30 10
T
XB = B b = 3
40 = 10 = (10,10)
1 1
-1
1
1
32
0 1
1
-1
= 3 = ( ,1)T
= 2 = B P2 = 3

3
1 1 2 1
5
= min {
( B 1b) k
kj
} ={
( B 1b) 4 ( B 1b) 5
10 10
} = { ; } = {30;10} = 10
;
3
3
1 1
4
5
3
El vector saliente es P5.

Paso 3 Determinacin de la base siguiente:
= (...,
ij
rj
,)

= (
rj
32 1
)
,
52 52
1
= ( ;1 )
3
E = (e1, e2,...,er-1, , er+1, ...em) =
1
E =
0
1
-
3
1
Luego:
Bsig-1
1 1
1
2
0
-
1 -
= EB =
3 3
3
= 3
1 1 1 1 1
-1
La nueva solucin Bsica es:

1
2
20
- 30 20
T
XB = (x3, x2) = B b = 3
3 = 3 = ( ,10)
40
3
1 1 10

20
XB = ( ,10)T
3
-1
75
Captulo 4

Bsica
XI
Solucin
XII
CBB-1A-CI CBB-1-CII
B-1A
XB
B-1
CBB-1b
B-1b
2 iteracin
Bsica
x1
x2 x3
h4
h5
Solucin
70
x3
4
3
2
3
x2
-1
-1
1
3
20
3
10
3 iteracin
C = (4,3,6,0,0);
XB = (x3, x2);
CB = (6,3);
1
2
-
B = 3
3
1 1
-1

1
2
-
-1
Y = CBB = (6,3) 3
3 = (1,1)
1 1
Y
3 1 0
(P1,P4,P5) - (c1,c4,c5) = (1,1)
2 0 1
- (4,0,0) = (1,1,1)
Como el vector entrante Pj con el zj - cj 0; para maximizacin, entonces la

iteracin dos es ptimo con:
20
, h1 = 0 y h2 = 0
3
Zptimo = 70
x1= 0, x2 =10, x3 =
76
Captulo 4

Dada la tabla ptima del smplex
Bsica
x1
x2
x2
x1
S3
S1
3
8
1
2
1
8
1
S2
2
3
1
3
3
8
2
S3
Solucin
4
3
Hallar
a) El mximo valor de Z
b) Las ecuaciones originales.
Utilizando la tabla Smplex en forma matricial
Bsica
z
XB
XI
CBB-1A-CI
B-1A
Solucin
CBB-1b
B-1b
XII
CBB-1-CII
B-1
Tenemos:
1 - 1
3
2
1
B = - 1 3
8 8
1
-2
0 ;
0 1
1
B A = 1 0 ;
0 0
3
4
1
B b = 2 ,
3
3

[8
C B B -1-C II = 3
Obtencin de los coeficientes de las restricciones

1 -1
3
2
- 1
3
8
8
1
-2
0
0 1 a11 a 12
0 A = 1 0 = a 21 a 22
0 0 a31 a 32
1
Resolviendo el sistema de ecuaciones tenemos:

a11 a 12 2.28 2.57
A = a 21 a 22 = 3.43 0.86
a31 a 32 4.57 -0.86
Determinacin de los valores del lado derecho de las restricciones
1 -1
3
2
- 1
3
8
8
1
-2
3
0
4
0 b = 2
3
1

77
Captulo 4
Resolviendo el sistema de ecuaciones tenemos:
3.45
b = 2.93
5.41
Determinacin de los coeficientes de la funcin objetivo
[c2
c1
[c2
0 -[c3
1 -1
3
2
3
c3 ]- 1
8
8
1
-2
c1
1 -1
3
2
3
0]- 1
8
8
1
-2
0 -[0
c4
[8
c5 ] = 3
[8
0] = 3
Resolviendo las operaciones matriciales tenemos:
c = 1.54
CB 2
c1 = 3.14
Para la hallar la solucin ptima se utiliza la siguiente ecuacin:
C B B -1b = [3.14
1.54
1 -1
3
2
3
0] - 1
8
8
1
-2
0
3.45
0 2.93 = 3.38
1 5.41
Las ecuaciones originales son:

Maximizar Z = 3.14 x1 + 1.54 x2
Sujeta a:
2.28 x1 + 2.57 x2 3.45
3.43 x1 + 0.86 x2 2.93
4.57 x1 0.86 x2 5.41
78
Captulo 4
4.8 Casos especiales de la aplicacin del Mtodo Smplex.

En esta seccin se examinarn cuatro casos especiales que se presentan al aplicar el
mtodo smplex.
Degeneracin
ptimos Alternativas.
Soluciones no acotadas.
Soluciones inexistentes (o no factibles).
El inters de estudiar esos casos especiales es doble: 1) presentar una explicacin
terica de esos casos, y 2) presentar una interpretacin prctica de lo que pudieran
significar esos resultados especiales en un problema de la vida real.
4.8.1 Degeneracin
Al aplicar la condicin de factibilidad del mtodo smplex, se puede romper un
empate en la razn mnima en forma arbitraria. Cuando se presenta un empate, al menos
una variable bsica ser cero en la siguiente iteracin, y se dice que la nueva solucin es
degenerada.
No hay que alarmarse al manejar una solucin degenerada, a excepcin de una
pequea incomodidad terica de ciclado, que describiremos en breve. Desde el punto de
vista prctico, la condicin indica que el modelo tiene al menos una restriccin redundante.
Para poder presentar mejor perspectiva de los impactos prcticos y tericos de la
degeneracin presentaremos un ejemplo numrico, que resolveremos en forma algebraica y
grfica.
(Solucin ptima degenerada)
Maximizar z = 3x1 + 2x2

sujeta a:
4x1 x2
8
4x1 + 3x2 12
4x1 + x2 8
x1
,x2 0
Estandarizando:
Maximizar z = 3x1 + 2x2 + 0h1 + 0h2 + 0h3
sujeta a:
4x1 x2 + h1
8
4x1 + 3x2
+ h2
12
4x1 + x2
+ h3 8
x1
,x2
,h1
,h2
,h3 0
79
Captulo 4

Iteracin
Bsica
x1
x2
h1
h2
h3
Solucin
razn
h1
-1
h2
12
entra x1
h3
sale h1
-3
-2
Iteracin
Bsica
x1
x2
h1
h2
h3
Solucin
razn
x1
-0.25
0.25
-8
h2
-1
entra x2
h3
-1
sale h3
-2.75
0.75
Iteracin
Bsica
x1
x2
h1
h2
h3
Solucin
razn
x1
0.13
0.13
16
h2
-2.00
entra h1
x2
-0.50
0.50
sale h2
-0.63
1.38
Iteracin
Bsica
x1
x2
h1
h2
h3
Solucin
x1
-0.13
0.38
1.5
h1
-2
x2
Z
0
0
1
0
0
0
0.5
0.63
-0.5
0.13
2
8.5
optimo
En la iteracin de inicio empatan h1 y h3 como variable de salida. Es la razn por la

que la variable bsica de salida h3 es cero en la iteracin 1, y se obtiene as una solucin
bsica degenerada. Se alcanza el ptimo despus de una iteracin ms.
Qu implica la degeneracin en la prctica? Vase la figura 4.1, que se muestra la
solucin grfica del modelo.
Pasan dos lneas por el punto ptimo (x1 = 1.5, x2 = 2). Como este es problema
bidimensional, esta sobredeterminado y una de las restricciones es redundante.
En la prctica, el slo conocer que algunos de los recursos son superfluos puede ser
valioso durante la implementacin de la solucin. Esta informacin tambin puede conducir
a descubrir irregularidades en la construccin del modelo. Desafortunadamente no hay
tcnicas fiables para identificar las restricciones redundantes en forma directa a partir de la
tabla.
80
Captulo 4
Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La primera

es el fenmeno de ciclos o crculos. Al ver las iteraciones smplex 1 y 2, el lector notara que
el valor objetivo no mejora (z = 6). Por consiguiente, es posible que el procedimiento
smplex repita una serie de iteraciones sin mejorar el valor objetivo, y nunca terminar los
clculos. Aunque hay mtodos para eliminar los ciclos, estos conducen a retardos drsticos
en los clculos. Por esta razn, la mayor parte de los programas informticos para
programacin lineal no prevn los ciclos, basados en el hecho que rara vez suceden en la
prctica.
El segundo aspecto terico surge al examinar las iteraciones 1 y 2. Las dos, aunque
difieren en la clasificacin de las variables en bsica y no bsica, producen valores
idnticos para todas las variables y el objetivo, que son:
x1 = 2, x2 = 0, h1= 0, h2 = 4, h3 = 0 y z = 6
Entonces, es posible detener los clculos en la iteracin 1 (cuando aparece la
degeneracin por primera vez) aun cuando no sea ptima? La respuesta es no, porque la
solucin puede ser temporalmente degenerada, lo cual nos da que la iteracin 3 es la
ptima.
x1 = 1.5, x2 = 2, h1= 4, h2 = 0, h3 = 0 y z = 8.5
4.8.2 ptimos alternativos

Cuando la funcin objetivo es paralela a un restriccin obligatoria (es decir, una
restriccin que se satisface como ecuacin en la solucin ptima), la funcin objetivo
asumir el mismo valor ptimo, que se llama ptimos alternativos, en ms de un punto de
solucin. El siguiente ejemplo muestra que hay una cantidad infinita de esas soluciones.
Tambin demuestra un significado prctico de encontrar ptimos alternativos.
Ejemplo de aplicacin 4.8 (Infinidad de soluciones)
sujeta a:
2x1 +4x2 10
2x1 +2x2 8
x1
,x2
0
La figura 4.2 muestra como pueden presentarse ptimos alternativos en el modelo
de programacin lineal cuando la funcin objetivo es paralela a una restriccin obligatoria.
Todo punto del segmento de recta BC representa un ptimo alternativo con el mismo valor
objetivo z = 20.
81
Captulo 4
Estandarizando:
Maximizar z = 4x1 + 8x2+ 0h1 + 0h2 + 0h3
sujeta a:
2x1 +4x2 + h1
10
2x1 +2x2
+ h2 8
x1
,x2
,h1
,h2 0
La siguiente tabla muestra las iteraciones del modelo.
Iteracin
Bsica
x1
x2
h1
h2
Solucin
razn
h1
10
2.5
entra x2
h2
sale h1
-4
-8
Iteracin
Bsica
x1
x2
h1
h2
Solucin
razn
x2
0.5
0.25
2.5
entra x1
h2
-0.5
sale h2
20
Iteracin
Bsica
x1
x2
h1
h2
Solucin
x2
0.5
-0.5
tabla
ptima
x1
Z
1
0
0
0
-0.5
2
1
0
3
20
La iteracin 1 llega al ptimo x1 = 0, x2 = 2.5 y Z = 20, que coincide con el punto B

de la figura 4.2. Cmo saber en esta iteracin que existen ptimos alternativos? Examine
los coeficientes de las variables nos bsicas, en la ecuacin z de la iteracin 1. El
coeficiente de x1 no bsica es cero, lo que indica que x1 puede entrar en la solucin sin
cambiar el valor de z, pero causando un cambio en los valores de las variables. Eso es justo
lo que hace la iteracin 2: dejar que x1 entre a la solucin bsica, con lo que se obliga a que
salga h2. Esto da como resultado un nuevo punto de solucin en C (x1 = 3, x2 = 1, Z =10).
El mtodo smplex solo determina los dos puntos de esquina, B y C. Se pueden
determinar matemticamente todos los puntos (x1, x2) en el segmento de recta BC como
promedio ponderado no negativo de los puntos B y C. As, dado 0 1 y que
B: x1 = 0,
C: x1 = 3,
x2 = 2.5
x2 = 1
82
Captulo 4
Todos los puntos del segmento de recta BC se expresan con

x1 = (0) + (1 )(3) = 3 3
x2 = (2.5) + (1 )(1) = 1 + 1.5
En la prctica, los ptimos alternativos son tiles porque permiten escoger entre
muchas soluciones sin que se deteriore el valor objetivo. Por ejemplo, en este caso, la
solucin en B indica que solo la actividad 2 esta en un nivel positivo, mientras que en C
ambas actividades son positivas. Si el ejemplo representa un caso de mezcla de productos,
podra ser benfico, desde el punto de vista de competencia en ventas, fabricar dos
productos en lugar de uno. En este caso, la solucin C puede ser ms atractiva
4.8.3 Solucin no acotada

En algunos modelos de programacin lineal, los valores de las variables pueden
aumentar en forma indefinida sin violar alguna de las restricciones, y eso significa que el
espacio de soluciones es no acotado al menos en una direccin. El resultado es que el valor
objetivo puede aumentar (en caso de maximizacin) o disminuir (si se trata de
minimizacin) en forma indefinida. En ese caso, tanto el espacio de soluciones como el
valor ptimo objetivo no estn acotados.
La no acotacin apunta hacia la posibilidad de que le modelo este mal construido.
Las irregularidades ms probables es esos modelos son que no se hayan tomado en
cuenta una o ms restricciones redundantes, y que los parmetros (constantes) de algunas
restricciones puedan no haberse estimado en forma correcta.
El siguiente ejemplo muestra como se puede reconocer la no acotacin, tanto del
espacio de soluciones como el valor objetivo, en la tabla smplex.
Ejemplo de aplicacin 4.9 (Valor objetivo no acotado)
Maximizar Z = 4x1 + 2x2
sujeta a:
2x1 4x2 20
(1)
4x1 +
80
(2)
x1 , x2 0
Estandarizando:
sujeta a:
2x1 4x2 + h1 20
4x1
+ h2 80
x1, x2, h1, h2 0
83
Captulo 4
Iteracin
Bsica
x1
x2
h1
h2
Solucin
razn
h1
-2
20
10
entra x1
h2
80
20
sale h1
-4
-2
Iteracin
Bsica
x1
x2
h1
h2
Solucin
razn
x1
-1
0.5
10
-10
entra x2
h2
-2
40
10
sale h2
-6
40
Iteracin
Bsica
x1
x2
h1
h2
Solucin
x1
0.25
20
tabla no
acotada
x2
Z
0
0
1
0
-0.5
-1
0.25
1.5
10
100
-20
razn
En la tabla de inicio tanto x1 como x2 son candidatos para entrar en la solucin.

Como x1 tiene el coeficiente ms negativo, se selecciona, normalmente, como la variable de
entrada. Sin embargo, todos los coeficientes de restriccin bajo x2 son negativos o cero, y
eso indica que x2 puede aumentar en forma indefinida sin violar cualquiera de las
restricciones (comprese con la interpretacin grfica de la razn mnima, en la figura 4.3).
Como cada aumento de una unidad en x2 aumentara 1 a z, un aumento infinito de x2
tambin dar como resultado un aumento infinito en z. As, el problema no tiene solucin
acotada. Este resultado se puede ver en la figura 4.3. El espacio de soluciones no esta
acotado en la direccin de x2, y el valor de z puede aumentar en forma indefinida.
La regla para reconocer la no acotacin es que si en cualquier iteracin todos los
coeficientes de restriccin de toda variable no bsica son cero o negativos, entonces el
espacio de soluciones no esta acotado en esa direccin. Si adems el coeficiente objetivo de
esa variable es negativo en caso de maximizacin, o positivo en caso de minimizacin,
entonces tambin el valor objetivo es no acotado.
84
Captulo 4
4.8.4 Solucin no factible

Los modelos de programacin lineal con restricciones inconsistentes no tienen
solucin factible. Estos casos nunca suceden si todas las restricciones son del tipo
(suponiendo lados derechos no negativos), porque las holguras permiten tener una solucin
factible. Para otros tipos de restricciones se usan variables artificiales. Aunque esas
variables artificiales se penalizan en la funcin objetivo, para obligarlas a ser cero en el
ptimo, eso slo puede suceder si el modelo tiene un espacio factible. En caso contrario, al
menos una variable artificial ser positiva en la iteracin ptima.
Desde el punto de vista prctico, un espacio no factible indica la posibilidad de que
el modelo no est bien formulado.
(Espacio de soluciones no factibles)

sujeta a:
6x1 + 3 x2 6
9x1 + 12x2 36
x1 , x2 0
(1)
(2)
Estandarizando:
Maximizar Z = 9x1 + 6x2 MR1
sujeta a:
6x1 + 3x2 + h1
=6
9x1 + 12 x2 S2 +R1 = 36
x1, x2, h1, S2, R1 0
Iteracin
Bsica
x1
x2
S2
h1
R1
h1
entra x1
R1
12
-1
36
sale h1
-9
-6
Solucin
M = 100 entonces variable entrante x2

Iteracin
Bsica
x1
x2
S2
h1
R1
Solucin
razn
h1
entra x2
R1
12
-1
36
sale h1
-9 - 9M
-6 - 12M
-36M
h1
0.33
R1
0
Solucin
2
M = 100 entonces variable entrante no existe

Iteracin
2
Bsica
x2
x1
2
x2
1
S2
0
tabla no
acotada
R1
-15
-1
-4
12
3 + 15M
6 + 12M
12 - 12M
La iteracin ptima indica que la variable artificial R1 es positiva (= 12), que

adems indica que el problema es no factible. La figura 4.4 muestra el espacio de
soluciones no factibles. Al permitir que la variable artificial sea positiva, el mtodo smplex
ha invertido, en esencia, la direccin de las desigualdades de
9x1 + 12x2 36 a 9x1 +
12x2 36 (Puede usted explicar como?). El resultado es lo que se puede llamar una
solucin pseudo-ptima.
85
Captulo 4

4.9.1 Iteraciones smplex con TORA
Con TORA se puede hacer todas las iteraciones smplex en el formato descritos en
la seccin 4.4 y 4.5. Ingrese el modelo en forma acostumbrada. A continuacin, en el men
Solve/modify (resolver/modificar), seleccione Solve Problem => algebraic =>Iterations =>
Escoger el mtodo (smplex, M, o dos fases) o All-slack starting solution
(resolver/algebraico/iteraciones/todas las holguras). A continuacin, especifique la
exactitud que desee en el resultado y haga clic en Go To Output Screen (ir a la pantalla de
resultados).
La figura 4.5 muestra las iteraciones smplex generadas para el modelo del ejemplo
1 de la compaa que produce ladrillos. Puede usted generar una o todas las iteraciones,
haciendo clic en Next Iteration (iteracin siguiente) o en All Iterations (Todas las
iteraciones). Si opta usted por generar las iteraciones una por una, podr especificar las
variables de entrada y de salida haciendo clic en los encabezados de su columna y rengln
correspondiente. Si sus selecciones son correctas, la columna se vuelve verde y el rengln
se vuelve rojo. Si no aparecer un mensaje de error. Esta clase de retroalimentacin le debe
ayudar a concentrarse en comprender los conceptos bsicos del mtodo smplex, sin hacer
las tediosas operaciones de rengln de Gauss-Jordan.
86
Captulo 4
Figura 4.5
4.9.2 Reportes del WinQSB

Parta del men Inicio = > Programas = > WinQSB = > Linear and Integer
Programming.
87
Captulo 4
Figura 4.6
Una vez hecha la seleccin de Linear and Integer Programming haga clic en new
Problem, y coloque los datos del problema (criterio de la funcin objetivo, formato de los
datos de entrada, nmero de variables y restricciones) y haga clic en OK
Figura 4.7
Proceda a ingresar los datos del problema de la siguiente manera:
Figura 4.8
88
Captulo 4
Una vez ingresados los datos del problema escoja una de los mtodos para iniciar
las iteraciones del modelo de programacin lineal en Solve and Analyse y haga clic en
Solve and Display Steps.
Y aparecer la primera iteracin, luego presione smplex Iteration = > Next
Iteration. Hasta hallar el ptimo. En la figura 4.9 se resuelve el ejemplo 4.3.
Figura 4.9
4.9.3 Solucin de programa lineal con SOLVER de EXCEL

Para mostrar el uso de Excel en la preparacin de los datos (la entrada) en un
formato a recuadro para Excel Solver se usa el modelo de la compaa de ladrillos. La parte
superior de la figura 4.10 muestra la distribucin de la hoja de clculo para el modelo.
Muestra 4 tipos de informacin: 1) celdas de datos (reas sombreadas, B5:C8 y F6:F8). 2)
celdas que representan las variables y la funcin objetivo que se debe evaluar (celdas
regulares gruesas, B13:D13). 3) definicin algebraica de la funcin objetivo y el lado
derecho de la restricciones (celdas rectangulares interrumpidas o punteadas, D5:D8), y 4)
celdas que solo contienen nombres o smbolos explicativos. Solver solo requiere los tres
primeros tipos. El cuarto tipo se usa principalmente para mejorar la legibilidad del modelo;
no tiene otro objeto. La posicin relativa de las cuatros clases de informacin en la hoja de
clculo no necesita pegarse a la distribucin que se ve en la figura 4.10, por ejemplo, las
celdas que define la funcin objetivo y la variables no necesitan ser vecinas, ni deben
89
Captulo 4
colgarse en la parte inferior del problema. Lo importante es que sepa donde estn, para
Solver las pueda referenciar. Sin embargo, siempre se aconseja usar el formato que sugiere
la figura, porque mejora la legibilidad del modelo.
Figura 4.10
Cmo se vincula Solver con los datos de la hoja de clculo? Primero, se dan
definiciones algebraicas equivalentes de la funcin objetivo y del lado izquierdo de las
restricciones usando los datos (celdas sombreadas) y la funcin objetivo, as como las
variables (celdas rectangulares gruesas). A continuacin se coloca las formulas resultantes
en celdas apropiadas del rectngulo de lnea interrumpida. La tabla siguiente muestra las
funciones algebraicas, las formulas equivalentes de la hoja de clculo y su colocacin en
celdas adecuadas.
Expresin
algebraica
Objetivo Z
Restricci
n1
Restricci
n2
Restricci
n3
8x1 + 5x2
2x1 + 1x2
1x1 + 0x2
0x1 + 1x2
Formula en hoja
clculo
=
B5*$B$12
C5*$C$12
=
B6*$B$12
C6*$C$12
=
B7*$B$12
C7*$C$12
=
B8*$B$12
C8*$C$12
de
+
+
+
+
Celda
objetivo
D5
D6
D7
D8
Observe que slo necesita usted capturar la formula para la celda D5, y a
continuacin copiar en las celdas D6:D8. Para hacerlo en forma correcta, se deben
reemplazar B12 y C12 (que representan x1 y x2) con las referencias fijas $B$12 y $C$12.
Para programas lineales ms grandes, seria ms cmodo ingresar
=SUMAPRODUCTO (B5:C5, $B$12:$C$12)
en la celda D5, y copiarlos en las celdas D6:D8.
Llegados a este punto, todos los elementos del modelo de programacin lineal
quedan listos para enlazarse con Solver. Desde el men Herramientas de Excel,
90
Captulo 4
seleccione Solver para abrir la caja de dialogo que se ve en la figura 4.11. Primero, usted
define la funcin objetivo Z, y el sentido de optimizacin, capturando los datos siguientes:
Celda objetivo: $D$5
Valor de la celda objetivo: Mximo
Cambiando las celdas: $B$12:$C$12
Esta informacin indica a Solver que las variables definidas por las celdas $B$12 y
$C$12 se determinan maximizando la funcin objetivo de la celda $D$5.
El ltimo paso es establecer las restricciones de los problemas haciendo clic en el
botn Agregar del cuadro de dilogo. Aparecer otro cuadro de dialogo para facilitar la
captura de los elementos de las restricciones (lado izquierdo, tipo de desigualdad y lado
derecho) en una forma adecuada. En ese nuevo cuadro de dilogo, las restricciones se
ingresan como sigue:
$D$6:$D$8 <= $F$6:$F$8
Recuerde que F6:F9 definen el lado derecho de las restricciones.
Las nicas restricciones restantes son las de no negatividad, que se aumentaran al
modelo haciendo Agregar y escribiendo a continuacin:
$B$12:$C$12 >= 0
Figura 4.11
Cuando se aplica Solver al problema, aparecer el valor ptimo de Z en la celda D5,

y los valores de x1 y x2 irn a las celdas B12 y C12, respectivamente. Por comodidad
usaremos la celda D12 para mostrar el valor ptimo de Z, ingresando en ella la formula =
D5. De esta manera, todos los elementos de la solucin ptima aparecen uno junto a otro en
el mismo rengln.
Ya estamos listos para resolver el modelo, slo con hacer clic en el botn de
comando Resolver. Sin embargo, antes hay que hacer clic en Opciones para seleccionar
nuevas caractersticas para la solucin (tiempo mximo de ejecucin, cantidad mxima de
iteraciones, precisin, etc.) si as se desea. Lo ms importante es que revise usted el cuadro
91
Captulo 4
marcado con Adoptar modelo lineal para obtener un resultado adecuado de programacin
lineal. Opciones tambin permite especificar que todas las variables sean no negativas.
Figura 4.12
Figura 4.13
Si el planteo del modelo es correcto, la solucin aparecer en las celdas de

resultados (B12:D12) de la hoja de resultados. Tambin, un nuevo cuadro de dilogo
llamado Resultados de Solver le dar oportunidad de pedir ms detalles de la solucin,
incluyendo el importante anlisis de sensibilidad. Esos informes se guardaran en hojas
separadas. La figura 4.14 muestra el informe de sensibilidad para el modelo de la
compaa. La informacin que se muestra equivale exactamente a la que proporciona
TORA, y se interpreta en forma parecida.
92
Captulo 4
Microsoft Excel 11.0 Informe de sensibilidad

Hoja de clculo: [Cmpaia de ladrillos.xls]Sheet1
Informe creado: 08/08/2005 9:37:12
Celdas cambiantes
Celda
Nombre
$B$12 Solucin x1
$C$12 Solucin x2
Valor Gradiente
Igual reducido
125
0
250
0
Coeficiente
objetivo
Aumento
Aumento
permisible permisible
8
2
8
5
1E+30
1
Restricciones
Celda
Nombre
$D$6 Produccion de ladrillos Total
$D$7 Ventas del tipo 1 Total
$D$8 Ventas del tipo 2 Total
Valor Sombra
Restriccin
Aumento
Aumento
Igual
precio
lado derecho permisible permisible
500
4
500
50
250
125
0
150
1E+30
25
250
1
250
250
50
Figura 4.14
Finalmente diremos que la definicin del modelo de la compaa de ladrillos para

usarlo con Solver de Excel es directa. Otros modelos podrn requerir algo de ingenio
para poder definirlos en una forma cmoda (y menos tediosa). Una clase de modelos de
programacin lineal que cae dentro de esta categora tiene que ver con optimizacin de
redes, como se demostrara en el captulo 7.
93
Captulo 4

1. Para el siguiente programa lineal:
MaximizarZ = x1 + x2 + 3 x3 + 2 x4
sujeta a
x1 + 2 x2 3 x3 + 5 x4 4
5 x1 2 x2 + 6 x4 8
2 x1 + 3 x2 2 x3 + 3 x4 3
x1 + x3 + 2 x4 0
x1 , x2 , x3 , x4 0
2. Usando el mtodo smplex, encontrar una solucin ptima para el siguiente
problema de programacin lineal.
MaximizarZ = 1x1 + 2 x2 + 3 x3
sujeta a
x1 + x2 + x3 30
x1 2 x 2 + 2 x 3 20
x1 , x2 , x3 0
3. Usando el mtodo smplex resolver el siguiente problema de programacin lineal.
MaximizarZ = x1 + x 2
sujeta a
x1 + x 2 20
x1 , x 2 0
Explique, usando los mtodos grficos y de la tabla smplex, por qu este problema
tiene mltiples soluciones ptimas.
4. Encontrar una solucin ptima para el siguiente problema de programacin lineal.
MaximizarZ = x1 + x2 + 2x3
sujeta a
x1 + 2 x2 + x3 = 10
x1 2 x2 + x3 12
x1 , x2 , x3 0
94
Captulo 4

MinimizarZ = 2 x1 3 x 2 + 4 x3
sujeta a
x1 + 2 x 2 6
2 x1 + x3 12
x1 , x2 , x3 0
6. Resolver el siguiente problema de programacin lineal.
MinimizarZ = 5.25 x1 + 3.45 x2

sujeta a
39 x1 + 12 x2 780
x2 40
1.5 x1 + 0.5 x2 80
x1 , x2 0
MaximizarZ = x1 + 2x 2
sujeta a
x1 + x 2 100
x1 + x 2 50
x1 , x2 0
MaximizarZ = 2 x1 + 2 x 2 + 4 x3
sujeta a
2 x1 + x 2 + x3 2
3 x1 + 4 x 2 + 2 x3 8
x1 , x2 , x3 0
MaximizarZ = x1 + 3 x 2 + 2 x3
sujeta a
0.6 x1 + 2 x 2 + 0.8 x3 900
x1 200
x 2 200
x 2 300
x 2 4 x3 0
x 2 + 2 x3 0
x1 , x2 , x3 0
95
Captulo 4

MaximizarZ = 0.08 x1 + 0.06 x 2 + 0.12 x3 + 0.09 x 4
sujeta a
x1 + x 2 + x3 + x 4 = 10
x1 5
x2 7
x3 2
x4 4
x1 + x 2 3
x3 + x 4 4
x1 , x 2 , x3 , x 4 0
MinimizarZ = 0.30 x1 + 0.50 x 2

sujeta a
0.50 x1 + .050 x 2 2
x1 + 0.30 x 2 3
0.20 x1 + 0.60 x 2 1.2
0.50 x1 + 0.20 x 2 2
x1 , x2 0
12. Una compaa produce dos tipos de ladrillos. Cada ladrillo del tipo 1 requiere el
doble de tiempo en mano de obra que el segundo tipo. Si todos los ladrillos son del
tipo 2, la compaa puede producir un total de 500 ladrillos al da. El mercado limita
las ventas diarias del tipo 1 y 2 a 150 a 250 ladrillos respectivamente. Suponga que
los beneficios por cada ladrillo son de Bs.8 para el tipo 1 y Bs.5 para el tipo 2.
Determine el nmero de ladrillos a ser producidos de cada tipo para maximizar el
beneficio.
13. Un contratista est considerando una propuesta para la pavimentacin de una
carretera. Las especificaciones requieren un espesor mnimo de doce pulgadas
(12"), y un mximo de 18". La carretera debe ser pavimentada en concreto, asfalto,
gravilla, o cualquier combinacin de estos tres elementos. Sin embargo, las
especificaciones requieren una consistencia final igual o mayor que la
correspondiente a una superficie de concreto de 9" de espesor. El contratista ha
determinado que 3" de su asfalto son tan resistentes como 1" de concreto, y 6" de
gravilla son tan resistentes como 1" de concreto. Cada pulgada de espesor por yarda
cuadrada de concreto le cuesta Bs.10, el asfalto Bs.3.80, y la gravilla Bs.1.50.
Determine la combinacin de materiales que el contratista debera usar para
minimizar su costo.
96
Captulo 4
14. Un constructor va a edificar dos tipos de viviendas A y B. Dispone de 600 millones

de pesos y el costo de una casa de tipo A es de 13 millones y 8 millones una de tipo
B. El nmero de casas de tipo A ha de ser, al menos, del 40 % del total y el de tipo
B, el 20 % por lo menos. Si cada casa de tipo A se vende a 16 millones y cada una
de tipo B en 9. ? Cuntas casas de cada tipo debe construir para obtener el beneficio
mximo?
15. La Constructora FADESA Ltda., se ha adjudicado la construccin de 100 casas. El
contrato la obliga a construir dos tipos de casas. Para los beneficiarios las casas
tienen el mismo costo, pero para la Constructora, stas tienen un margen de utilidad
diferente, as las casas tipo campo arrojan 5.100 Bs. y las de tipo rancho 5.000 Bs.
El contrato obliga a entregar las casas dentro de los nueve meses de firmado el
contrato.
Otra informacin relevante se resume en la siguiente tabla:
Recurso por tipo de casa
Disponibilidad
Campo
Rancho de horas
200
100
12000
Carpintero
50
120
13000
Albail
a) Formule el problema de programacin lineal.

b) Encuentre la solucin ptima grficamente.
c) Suponga que se desea agregar un nuevo tipo de casa denominada Espaola
que da un margen de utilidad de 4900 Bs./casa y que requiere de 150 hrcarpintero/casa y 80 hr-albail/casa. Explique si conviene o no fabricar las
casas.
16. Un fabricante de cemento produce dos tipos de cemento, a saber en grnulos y
polvo. l no puede hacer ms de 1600 bolsas un da debido a una escasez de
vehculos para transportar el cemento fuera de la planta. Un contrato de ventas
establece que l debe producir 500 bolsas al da de cemento en polvo. Debido a
restricciones del proceso, se requiere el doble del tiempo para producir una bolsa de
cemento granulado en relacin al tiempo requerido por el cemento en polvo. Una
bolsa de cemento en polvo consume para su fabricacin 0.24 minutos/bolsa y la
planta opera un 8 da de la hora. Su ganancia es 4 por la bolsa para el cemento
granulado y 3 por la bolsa para el cemento en polvo. Formule el problema de
decidir cunto se debe producir de cada tipo de cemento para maximizar las
ganancias de la Empresa, utilizando el Mtodo Grfico.
97
Captulo 4
4.11 Bibliografa
MODELOS LINEALES DE OPTIMIZACIN Rafael Terrazas Pastor [Segunda
Edicin]
MTODOS Y MODELOS DE INVESTIGACIN DE OPERACIONES Juan
Prawda [Vol. 1 Modelos Deterministicos]
4.12 Enlaces
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060014/docs_curso/conteni
do.html
http://www.ieci.ucm.cl/Programa/Io/IO_3.htm
98
Captulo 5
Texto Gua -Sistemas de Ingeniera
CAPTULO 5
ANLISIS DE DUALIDAD Y SENSIBILIDAD DE LA
PROGRAMACIN LINEAL
5.1 Introduccin
La solucin de la programacin lineal se basa en una toma instantnea de las
condiciones que prevalecen en el momento de formular y resolver el modelo. Pero se debe
tener en cuenta que en el mundo real, los ambientes de decisiones rara vez permanecen
estticos, y es fundamental determinar como cambia la solucin ptima cuando cambian los
parmetros del modelo. Eso es lo que hace el anlisis de sensibilidad.
5.2 Definicin del problema dual

El problema dual es una programacin lineal definida en forma directa y sistemtica
a partir del modelo original (o primal) de programacin lineal. Los dos problemas estn
relacionados de forma tan estrecha que la resolucin ptima de un problema produce de
forma automtica la resolucin ptima del otro.
En la programacin lineal, el dual se define para varias formas del primal,
dependiendo del sentido de la optimizacin (maximizacin o minimizacin), tipos de
restricciones (, o =), y la orientacin de las variables (no negativa o no restringida).
Nuestra definicin del problema dual requiere expresar el problema primal en forma
de ecuaciones, todas las restricciones son ecuaciones, con lado derecho no negativo y todas
las variables son no negativas.
Para mostrar como se forma el problema dual, se define el primal en forma de
ecuaciones, como se muestra a continuacin:
n
Maximizar o Minimizar = c j x j
j =1
Sujeta a:
n
a
j =2
ij
x j = bi , i = 1,2,, m
x j 0, j = 1,2,, m
Las variables xi,j =1,2,..., n, incluyen las variables que se denominan de
excedencia, holgura y artificiales, si las hubiera.
La tabla 5.1 el cual muestra como convertir un problema dual a partir de un primal,
lo que se tiene a continuacin son las condiciones que requieren:
1. Se define una variable dual por cada ecuacin primal (restricciones).
2. Se define una restriccin dual por cada variable primal.
99
Captulo 5
3. Los coeficientes de restriccin (columna) de una variable primal definen los

coeficientes en el lado izquierdo de la restriccin dual, y su coeficientes objetivo
define el lado derecho.
4. Los coeficientes objetivos del problema dual son iguales a lados derecho de las
ecuaciones de restriccin primal.
Tabla 5.1 Construccin del dual a partir del primal
Variables Primales
ym
am1
am2
..
amj
xn
cn
a1n
a2n
amn
J-sima restriccin
dual
..
b1
b2
..
..
..
xj
cj
a1j
a2j
..
..
..
..
..
..
x2
c2
a12
a22
..
..
Variables Duales
y1
y2
x1
c1
a11
a21
bm
Coeficientes objetivo
duales
Las reglas para determinar el sentido de la optimizacin (ya sea maximizacin o

minimizacin), el tipo de restriccin (, o =) , y el signo de las variables duales (siempre
no restringido), esta en resumen en la tabla 5.2; obsrvese que el sentido de la
optimizacin de problema dual siempre es el opuesto al del primal.
Tabla 5.2 Reglas para construir el problema dual
Problema Dual
Objetivo del
Problema primal 1
Objetivo
Tipo de Restriccin
Signos de variables
maximizacin
minimizacin
minimizacin
maximizacin
No restringido
No restringido
En los siguientes ejemplos se demuestra el uso de la tabla 5.2 y tambin demuestra

que la definicin comprende todas las formas del primal, en forma automtica.
Todas las referencias primales son ecuaciones con lado derecho no negativo y todas las variables son no
negativas.
100
Captulo 5

Problema Primal
Problema Primal en forma de ecuacin
Maximizar z = 10 x1 + 8 x2 + 5 x3
Sujeta a:
x1 + 2 x2 + 3 x3 10
Maximizar z = 10 x1 + 8 x2 + 5 x3 + 0 x4
Sujeta a:
x1 + 2 x2 + 3 x3 + x4 = 10
10 x1 + 5 x2 + x3 = 15
10 x1 + 5 x2 + x3 + 0 x4 = 15
x1 , x2 , x3 0
x1 , x2 , x3 , x4 0
Variables
Duales
y1
y2
Problema Dual
Minimizar w = 10 y1 + 15 y 2
Sujeta a:
y1 + 10 y2 10
2 y1 + 5 y2 8
2 y1 + y2 5
y1 + 0 y2 0
( y1 0, y2 sin restricciones )
y1 , y2 sin restriccciones
Como se puede observar en el ejemplo se debe tener en cuenta las 4 condiciones:
1. como se tiene dos restricciones se tiene dos variables duales ( y1 , y2 ).
2. como se ve en la forma de ecuacin el problema primal tiene cuatro variables
( x1 , x2 , x3 , x4 ) por lo tanto
y1 + 10 y2 10
2 y + 5 y 8
2
Se deber tener 4 restricciones 1
2 y1 + y2 5
y1 + 0 y2 0
3. como indica esta condicin se ve claramente en este ejemplo que los coeficientes
x1 + 2 x2 + 3x3 + x4 = 10
columna de las dos restricciones
que corresponden a los
10 x1 + 5 x2 + x3 + 0 x4 = 15
coeficientes de cada variable, lo cual se observa de la variable x1 son 1 y 10, de la
variable x2 son 2 y 5, as sucesivamente son utilizadas en el lado izquierdo de las
restricciones como se ve:
101
Captulo 5
Tambin se indica que los coeficientes del lado derecho de las restricciones del
problema primal son utilizados como coeficientes en la funcin objetivo del
problema dual del lado derecho. Como se muestra a continuacin:
4. como seala esta condicin, los coeficientes de la funcin objetivo del problema
primal que son 10, 8, 5 y 0 son utilizados en el lado derecho de las restricciones del
problema dual. Como se muestra a continuacin:
Y como se comento sobre la tabla 5.2 cuando se trata de maximizar en el problema

primal, en el problema dual se tiene que minimizar la funcin objetivo, segn esta tabla
todas las restricciones en el problema son del signo .
Ejercicio de aplicacin
Cierta dietista necesita preparar una comida que contenga determinados nutrientes,
al menos en las cantidades que se indican en la siguiente tabla. Dispone de tres ingredientes
cuyos costos y contenidos de cada nutriente (unidades por gramo de ingrediente) se dan en
la misma tabla.
Ingredientes
1
Requerimientos u.
/comida.
20
30
10
10
Nutriente
Costo $/g 200 300 250

El problema a resolver consiste en definir la combinacin de ingredientes que
permite obtener, al mnimo costo, el alimento con el contenido nutricional deseado.
102
Captulo 5
La solucin puede obtenerse resolviendo el siguiente modelo, en el cual las

variables xi indican la cantidad (g.) del ingrediente i a utilizar.
Minimizar Costo Utilidad = 200 x1 + 300 x 2 +250 x3
Sujeto a
con xi
4 x1
+3 x 2
+2 x3 > 20 Nutriente A
5 x1
+6 x 2
+3 x3 > 30 Nutriente B
1 x1
+2 x 2
+1 x3 > 10 Nutriente C
2 x1
+3 x 2
+1 x3 > 5 Nutriente D
2 x1
+3 x 2
+1 x3 > 10 Nutriente E
> 0, i = 1, 2,3.
Antes de conocer la solucin ptima de este modelo, consideremos una situacin

hipottica que puede presentrsele a la dietista. Un laboratorio farmacutico ofrece pastillas
de cada uno de los nutrientes, con los cuales ella puede sustituir la comida que piensa
preparar.
Para resolver este nuevo problema reflexionemos en el hecho de que el director del
laboratorio desea obtener la mxima utilidad en la venta de las pastillas. Por ello, al evaluar
la cotizacin del laboratorio, en comparacin con el costo de preparar la comida, la dietista
necesita conocer el mximo precio que puede pagar por una pastilla que contenga una
unidad de cada nutriente.
La dietista tambin sabe que los precios que puede pagar tienen limitaciones
provenientes de los costos y contenido vitamnico de los ingredientes, as por ejemplo:
Un gramo del alimento 1 cuesta $200 y aporta cuatro unidades del nutriente A,
cinco del nutriente B, uno del C, dos del D y dos del E. Por lo tanto, por esas cantidades de
los nutrientes puede pagarse en total un mximo de $200.
Similarmente, como un gramo del alimento 2 cuesta $300 y aporta tres unidades del
nutriente A, seis del B, dos del C, uno del D y tres del E, lo mximo que podemos pagar
conjuntamente por esas cantidades de los nutrientes es $300.
Si denotamos respectivamente con las variables YA, YB, YC, YD, YE, los precios
mximos que se pueden pagar por la pastilla con una unidad de cada uno de los nutrientes,
y efectuamos un anlisis para todos los ingredientes, obtenemos el siguiente modelo de
programacin lineal.
Maximizar ventas ZD = 20YA +30YB +10YC +5YD +10YE
Sujeto a
4YA +5YB +1YC +2YD +2YE < 20 Ingrediente 1
con YA, YB, YC, YD, YE > 0
103
Captulo 5
Este segundo modelo representa el enfoque dual del primero y de nuevo podemos
verificar que se presentan ciertas relaciones estructurales, a saber
1. El vector de coeficientes objetivo de uno es la transpuesta del vector de coeficientes
recurso del otro
2. El vector de coeficientes recurso del uno es la transpuesta del vector de coeficientes
objetivo del otro.
3. La matriz de coeficientes tecnolgicos de uno es la transpuesta de la matriz de
coeficientes tecnolgicos del otro.
4. Ambos problemas estn en formato cannico, o sea que tienen las siguientes
caractersticas
4.1 El objetivo del primal es minimizar, mientras que el del dual es maximizar.
4.2 Las restricciones del primo son del tipo =, y las del dual del tipo =.
4.3 Las variables de ambos problemas solo pueden tomar valores mayores o iguales
que cero.
Pero las relaciones de forma no son las ms importantes para nuestro estudio de la
dualidad en Programacin lineal, como si lo son las relaciones lgicas existentes entre sus
soluciones ptimas y el significado econmico de las variables del modelo dual.
5.3 Resolucin opcional de problema primal con restricciones del

tipo o =
Cuando este tipo de restricciones o = se puede convertir resolver de la
siguiente manera, lo cual nos evitar utilizar los mtodos de penalizacin y las variables
artificiales.
5.3.1 Restriccin de la forma mayor o igual

Problema Primal
Sujeta a:
x1 + 2 x 2 4
2 x1 3x 2 6
x1 , x 2 0
Observe que la segunda desigualdad es de la forma mayor o igual que. Lo convertiremos
primero a la forma menor o igual que. Multiplcanos la segunda restriccin en ambos lados
por -1:
( 1)(2 x1 3x 2 ) ( 1)6
O
2 x1 + 3x 2 6
Y se remplaza la segunda restriccin por esta equivalente, de aqu se obtiene el modelo
primal equivalente descrito a continuacin:
104
Captulo 5

Problema Primal
Sujeta a:
x1 + 2 x 2 4
2 x1 + 3x 2 6
x1 , x 2 0
Y su problema dual se convertira en lo siguiente:

Problema Dual
Minimizar w = 10 y1 + 15 y 2
Sujeta a:
y1 2 y 2 10
2 y1 + 3 y 2 20
y1 , y 2 0
5.3.2 Restriccin de la forma igualdad

Problema Primal 1
Sujeta a:
x1 + 2 x 2 = 4
2 x1 3x 2 7
x1 , x 2 0
Observe que la primera restriccin es una ecuacin, no es una desigualdad es de la forma
menor o igual que. Para determinar el modelo dual observamos que en modelo primal 1
reemplazamos por las 2 desigualdades siguientes:
x1 + 2 x 2 4
x1 + 2 x 2 4
x1 2 x 2 4
Con este reemplazo se obtiene el siguiente problema de programacin lineal:

Problema Primal 2
Sujeta a:
x1 + 2 x 2 4
x1 2 x 2 4
2 x1 + 3 x 2 7
x1 , x 2 0
105
Captulo 5
Y su problema dual se convertira en lo siguiente:

Problema Dual
Minimizar w = 4 y1 4 y 2 + 7 y 3
Sujeta a:
y1 y 2 + 2 y 3 10
2 y1 2 y 2 3 y 3 20
y1 , y 2 , y 3 0
5.4 Relaciones PRIMAL DUAL

Los cambios que se hacen en modelo original de programacin lineal afectan a los
elementos de la tabla ptima actual, que a su vez puede afectar la ptimalidad y/o la
factibilidad de la solucin actual. Por esta razn estudiaremos como se recalculan los
elementos de la tabla smplex optimo para reflejar los nuevo cambios.
5.4.1 Planteamiento de la tabla smplex

La figura 5.1 es una representacin esquemtica de las tablas smplex de inicio y
general. En la tabla de inicio, los coeficientes de las restricciones debajo de las variables de
inicio forman una matriz identidad 2. Despus con las dems iteraciones de la tabla
smplex, generadas con las operaciones de rengln de Gauss-Jordn, se modificara los
elementos de la matriz identidad para producir como resultado la llamada matriz inversa.
Variables de inicio
Rengln del
objetivo z
Columnas de
restriccin
0 0
Matriz identidad
(Tabla de Inicio)
Matriz identidad: todos los elementos de la diagonal principal iguales a 1 y fuera de la diagonal principal
iguales a cero
106
Captulo 5
Variables de inicio
Rengln del
objetivo z
Columnas de
restriccin
Matriz Inversa
(Tabla General)
Figura 5.1
5.4.2 Solucin dual ptima

Las soluciones primal y dual se afectan en forma tan estrecha que la solucin ptima
del problema primal produce en forma directa (con unos pocos pasos adicionales), la
solucin ptima dual. En esta unidad se refieren 2 mtodos 3 para calcular este resultado.
Mtodo 1
Valores ptimos
de las variables
duales
Vector rengln de los coeficientes

objetivos originales de las variables
bsicas ptimas primales
Inversa primal
=
ptima
Los elementos del vector rengln de los coeficientes objetivos del primal original
deben aparecer en el mismo orden que aparecen las variables bsicas en las columnas
bsicas de la tabla smplex.
Mtodo 2
Coeficientes zprimal ptimos
(costo reducido)
de cualquier
variable xj
Lado izquierdo de la j-esima

restriccin dual
Lado derecho de
la j-esima
Estos mtodos puede implicar una gran ventaja de computo si la cantidad de

variables en primal fuera bastante menor que la cantidad de restricciones. Ya que la
cantidad de clculos smplex, depende mucho de la cantidad de restricciones, en este caso
ms eficiente resolver el dual, del cual se puede determinar entonces la solucin del primal.
Para las operaciones matriciales ver ANEXO A
107
Captulo 5

Se tiene la siguiente programacin lineal
Maximizar z = x1 + 5 x 2 + 3 x3
Sujeta a:
x1 + 2 x 2 + x3 = 3
2 x1 x 2
=4
x1 , x 2 , x3 0
Para preparar para resolver con el mtodo smplex (mtodo de la M), se debe
agregar dos variables artificiales R en la primera y segunda restriccin, los problemas
primales y duales que son asociados se muestran a continuacin:
Problema Primal 1
Problema Primal 3
Maximizar z = 1x1 + 5 x 2 + 3x 3
Sujeta a:
Sujeta a:
x1 + 2 x 2 + x 3 + x 4
x1 + 2 x 2 + x 3 = 3
2 x1 x 2
x1 2 x 2 x 3
=4
2 x1 x 2
x1 , x 2 , x 3 0
=3
+ x5
= 3
+ x6
2 x1 + x 2
=4
+ x 7 = 4
x1 , x 2 , x 3 0
Problema Primal 2
Problema Dual
Minimizar w = 3 y1 3 y 2 + 4 y 3 4 y 4
Sujeta a:
Sujeta a:
x1 + 2 x 2 + x 3
y1 y 2 + 2 y 3 2 y 4 1
x1 2 x 2 x 3 3
2 y1 2 y 2 y 3 + y 4 5
2 x1 x 2
y1 y 2 3
2 x1 + x 2
x1 , x 2 , x 3 0
Resolviendo con el Mtodo de la M, se obtiene la tabla primal ptima siguiente
Tabla 5.3 Tabla ptima del primal del ejemplo 5.2
Basicas
z
x3
x1
0
0
x2
2
2.5
x3
0
1
R1
3+M
1
R2
M-1
-0.5
Solucion
5
1
x1
-0.5
0.5
La matriz inversa ptima, que se obtiene y se seala las variables de inicio R1 y R2.
1 0.5
Inversa ptima =
0 0.5
108
Captulo 5
A continuacin se vera como se obtiene los valores ptimos duales usando los dos
mtodos que se mencionaron con anterioridad.
Mtodo 1. Lo primero que se debe observar es que las variables ptimas aparecern en la
tabla en orden, primero x3 y despus x1, lo cual debe los elementos de los coeficientes
originales del objetivo para las dos variables deben aparecer en el mismo orden
(Coeficientes objetivo originales) = (Coeficientes de x3, coeficientes de x1)
= (3, 1)
Ahora se puede calcular los valores duales ptimos como sigue:
(y1, y2) = (Coeficientes objetivo originales de x3, x1) (Inversa ptima)
1 0.5
= (3, 1)
0 0.5
= (3,-1)
Mtodo 2. Como el problema dual tiene dos variables, se necesitan dos ecuaciones para
llegar a la solucin. Tomemos las restricciones duales asociadas con las variables primales
de inicio R1 y R2. Como se sabe por la definicin de dual, las restricciones duales asociadas
con las variables primales de inicio son:
Variable de inicio R1: y1 M
Variable de inicio R2: y 2 M
Tambin, de acuerdo con la tabla ptima que se vio en la tabla 5.3
Coeficientes z de R1 = 3 + M
Coeficientes z de R2 = M 1
De acuerdo con el Mtodo 2.
3 + M = y1 ( M ) y1 = 3
M 1 = y 2 ( M ) y 2 = 1
Note que en cada ecuacin interviene exactamente solo una variable, por que la
solucin esta disponible de inmediato. Este siempre es el caso de las restricciones duales
asociada con las variables de inicio.
5.4.3 Calculo con la tabla smplex

Lo cual quiere verse en esta seccin, es que se puede generar toda la tabla smplex
en cualquier iteracin, a partir de los datos originales del problema y la inversa asociada
con la iteracin. Usando la distribucin de la tabla smplex de la figura 5.1, se puede
dividir los clculos en 2 tipos:
1. Columnas de restriccin (lados izquierdo y derecho).
2. Rengln objetivo z.
109
Captulo 5
5.4.3.1 Clculos de columnas de restriccin.

En cualquier iteracin smplex, una columna del lado izquierdo o derecho se calcula
como se muestra a continuacin:
Columna de
restriccin en
iteracin i
Inversa en la
iteracin i
Columna
original de
restriccin
Formula 1
5.4.3.2 Clculos de rengln objetivo z.

En cualquier iteracin smplex, una columna del lado izquierdo o derecho se calcula
como se muestra a continuacin:
Coeficiente de la
variante x1 en la
ecuacin primal
de z (costo
reducido)
Lado izquierdo
de la restriccin
dual
correspondiente
Lado derecho de
la restriccin
dual
correspondiente
Formula 2

Se usa la programacin lineal segn el ejemplo de aplicacin 5.2 para poder ilustrar
la aplicacin de la formula 1 y 2. De acuerdo con la tabla ptima 5.3
1 0.5
Inversa ptima =
0.5
0
El uso de la Formula 1 se ilustra calculando todas las columnas de lado izquierdo y
lado derecho de la tabla ptima:
Columna de x1 en
iteracin ptima
Inversa en la iteracin
ptima
Columna de x1
original
0
1 0.5 1
=
0.5 2
0
1
110
Captulo 5
De manera parecida se calculan las siguientes columnas de restriccin:
Columna de x 2 en
iteracin ptima
Columna de x3 en
iteracin ptima
Columna de R1 en
iteracin ptima
Columna de R1 en
iteracin ptima
Columna de lado
derecho en la
iteracin ptima
Inversa en la
iteracin ptima
Columna de x 2
original
1 0.5 2
2.5
0.5 1
0
0.5
Inversa en la
iteracin ptima
Columna de x3
original
1 0.5 1
1
=
0.5 0
0
0
Inversa en la
iteracin ptima
Columna de R1
original
1 0.5 1
1
=
0.5 0
0
0
Inversa en la
iteracin ptima
Columna de R1
original
1 0.5 0
0.5
0.5 1
0
0.5
Inversa en la
iteracin ptima
Columna de lado
derecho original
1 0.5 3
1
=
0.5 4
0
2
111
Captulo 5
A continuacin se mostrara como se hacen los clculos del rengln objetivo, con la
Formula 2. Los valores ptimos de las variables duales (y1, y2) = (3,-1) que se calcularon
en el ejemplo de aplicacin 5.2, con dos mtodos distintos. Estos valores son utilizados en
la Formula 2 para determinar los coeficientes asociados de z como se ve a continuacin:
Coeficientes de x1 en z = y1 + 2 y 2 1 = 3 + 2 ( 1) 1 = 0 .
Coeficientes de x 2 en z = 2 y1 y 2 5 = 2 (3) ( 1) 5 = 2 .
Coeficientes de x3 en z = y1 3 = 3 3 = 0
Coeficientes de R1 en z = y1 ( M ) = 3 + M
Coeficientes de R2 en z = y1 ( M ) = 1 + M
Es importante saber que los clculos realizados por las Formulas 1 y 2, pueden ser
aplicadas a cualquier iteracin, sea problema primal o dual. Solo se necesita la inversa
asociada con la iteracin primal o dual y los datos de la programacin lineal original. Lo
cual se obtiene la tabla ptima del problema primal siendo la tabla 5.3.
Tabla 5.3 Tabla ptima del primal del ejemplo 5.2
Basicas
z
x3
x1
0
0
x2
2
2.5
x3
0
1
R1
3+M
1
R2
M-1
-0.5
Solucion
5
1
x1
-0.5
0.5
5.4.4 Valor objetivo primal y dual

En el problema primal-dual, si uno es maximizacin el otro es minimizacin, desde
ese punto de vista, los valores objetivos en los dos problemas se relacionan de la siguiente
manera:
Para cualquier par de soluciones primales y duales factibles
Valor objetivo en el
problema de
Maximizacin
Valor objetivo en el
problema de
minimizacin
En el ptimo, la relacin es valida estrictamente como ecuacin.

Obsrvese que la relacin no especifica cual problema es primal y cual es dual. En
este caso solo importa el sentido de la optimizacin (maximizacin o minimizacin)
112
Captulo 5

En el ejemplo 5.2 ( x1 =2, x1 =0, x1 =1) y (y1 = 2, y2 =-1) son soluciones factibles primal y
dual. Los valores asociados de las funciones objetivos z = 5 y w = 2
5.5 Otros algoritmos smplex para programacin lineal

En el algoritmo smplex que fue presentado en el captulo 4, el problema se inicia
en una solucin bsica factible. Las iteraciones sucesivas siguen siendo bsicas y factibles,
pero avanzan hacia la optimalidad, hasta que se llega al ptimo en la ltima iteracin. A
veces se llama mtodo smplex primal a este algoritmo.
En esta seccin presenta dos algoritmos ms: el smplex dual y el smplex
generalizado. En el smplex dual, la programacin lineal se inicia en una solucin bsica
que es (mejor que la) ptima, pero no es factible, y las iteraciones sucesivas siguen siendo
bsica y (mejores que la) ptima, a medida que se acercan a la factibilidad. En la ltima
iteracin se encuentra la solucin factible (ptima). En el mtodo smplex generalizado se
combinan los mtodos smplex primal y dual en un solo algoritmo. Maneja problemas que
comienzan siendo no ptimos y no factibles a la vez. En este algoritmo se asocian las
iteraciones sucesivas con soluciones bsicas (factibles o no factibles). En la iteracin final
la solucin es ptima y no factible al mismo tiempo (suponiendo claro esta que exista una).
Se puede aplicar los tres algoritmos, primal dual y el generalizado con mucha
eficiencia en los caculos del anlisis de sensibilidad. Lo que se indicara en las siguientes
secciones.
5.5.1 Mtodo dual Smplex

Como el mtodo smplex primal, la base el mtodo smplex dual es que cada
iteracin siempre esta asociada a una solucin bsica. Las condiciones de optimalidad y
factibilidad se establecen para preservar la optimalidad de las soluciones bsicas y al
mismo tiempo mover las iteraciones de la solucin hacia la factibilidad.
5.5.1.1 Condicin dual de factibilidad

La variable que sale es la variable bsica que tiene el valor ms negativo (los
empates se rompen arbitrariamente). Si todas las variables bsicas son no negativas el
proceso termina y se alcanza la solucin factible (ptima).
5.5.1.2 Condicin dual de ptimalidad

La variable que entra se elige de entre las variables no bsicas como sigue:
z j c j
min
, rj < 0
rj
Donde z j c j es el coeficiente objetivo del rengln z en la tabla, y rj es el

coeficiente negativo de restriccin de la tabla, asociado con el rengln de la variable de
salida x r , y con la columna de la variable x j no bsica (los empates se rompen
arbitrariamente).
Observe que la condicin de ptimalidad dual garantiza que se mantendr la
ptimalidad en todas las iteraciones.
113
Captulo 5
Para el inicio de una programacin lineal que sea ptima y no factible a la vez, debe
cumplir dos condiciones:
1. La funcin objetivo debe satisfacer la condicin de ptimalidad del mtodo smplex
regular.
2. Todas las restricciones deben ser del tipo ( ).
Por la segunda condiciones se requiere convertir toda ( ) a ( ), solo se debe
multiplicar ambos lados de la desigualdad ( ) por -1. Si en la programacin lineal hay
restricciones (=) se debe reemplazar la ecuacin con dos desigualdades, por ejemplo:
x1 + x 2 = 1
Equivale a:
x1 + x 2 1, x1 + x 2 1
O bien tambin equivale a:
x1 + x 2 1, x1 x 2 1
Despus de convertir todas las restricciones en ( ), la programacin lineal tendr
una solucin de inicio no factible si, y solo si al menos uno de los lados derechos de las
desigualdades es estrictamente negativo. En caso contrario si z es ptima y ninguno de lo
lados derechos es negativo no habr necesidad de aplicar el mtodo smplex dual, por la
solucin de inicio ya es ptima y factible.
Minimizar z = 2 x1 + 3 x 2
Sujeta a:
2 x1 + 2 x 2 30
x1 + 2 x 2 10
x1 , x 2 0
Lo primero que se debe hacer en este ejemplo es el de multiplicar la segunda
desigualdad o restriccin por -1 para poder convertirlas a restricciones ( ). As, la tabla de
inicio es:
Bsicas
x1
x2
x3
x4
Solucin
-2
-3
x3
30
x4
-1
-2
-10
Tabla ptima comienza (todas las z j c j 0 en el rengln z) y la solucin bsica
de inicio es no factible ( x3 = 30, x 4 = 10 ) .
114
Captulo 5
Segn la condicin dual de factibilidad antes mencionada, que la variable de salida

es aquel que tiene el valor ms negativo, en el ejemplo seria x 4 (= 10 ) . A continuacin se
muestra una tabla de cmo se usa la condicin dual de ptimalidad para determinar la
variable de entrada.
Variables
x1
x2
x3
x4
Rengln de z (z j c j )
-2
-3
Rengln de x 4 , 4 j
-1
-2
3
2
Razn,
z jc j
4 j
, 4 j < 0
Por la razn obtenida indica que la variable de entrada es x 2 , se puede observar que
una variable x j es candidata a para entrar a la solucin bsica solo que su ij sea
estrictamente negativa. Eso quiere decir en el ejemplo no se debe tomar en cuenta las
variables x3 y x 4 .
A continuacin la siguiente tabla debe obtenerse de la misma manera que se obtiene
con las conocidas operaciones de rengln
Bsicas
x1
x2
x3
x4
Solucin
-0.5
-1.5
15
x3
20
x2
0.5
-0.5
En esta ltima tabla es factible (y ptima) por lo que se termina el algoritmo (como
se observa en esta ultima tabla no hay ya variable que entre por que el resultado de x3 es
positivo, lo cual no cumple la condicin dual de factibilidad, por lo que se lo deja en esta
tabla, lo que insina que la variable x1 no entra en la variables bsicas y es igual a 0). La
solucin que corresponde es x1 = 0, x 2 = 5 y z = 15 .
Para la compresin del alumno del mtodo smplex dual en la figura 5.2 se muestra
en forma grafica la trayectoria que fue seguida por el algoritmo para resolver el ejemplo de
aplicacin 5.4. La trayectoria se inicia en el punto (0,0).
115
Captulo 5

Figura 5.2
5.5.2 Algoritmo smplex generalizado

El algoritmo smplex (primal) del captulo 4 inicia siendo factible, pero no ptimo,
el modelo matemtico. El smplex dual inicia siendo mejor que el ptimo, pero no factible.
Que pasara si un modelo matemtico de programacin lineal se iniciara no ptimo y no
factible al mismo tiempo. Se vio que el smplex primal tiene en cuenta la no factibilidad de
la solucin de inicio usando variables artificiales. De igual forma que el smplex dual tiene
en cuenta la no ptimalidad usando restricciones artificiales, el objeto de estos
procedimientos es de ampliar el computo automtico, lo cual los detalles pueden hacer
perder los detalles de la vista de lo que realmente se trata el algoritmo smplex, lo cual es
que la solucin ptima de una programacin lineal siempre este asociada con una solucin
de punto de esquina (o bsica). Con esta observacin el lector debera poder adaptar su
propio algoritmo smplex para los modelos de programacin lineal que inician no ptimos y
no factibles a la vez. En el siguiente ejemplo se puede ver lo que se llama algoritmo
smplex generalizado.
Maximizar z = 2x3
Sujeta a:
x1 + 2 x 2 2 x3 8
x1 + x 2 + x3 4
2 x1 x 2 + 4 x3 10
x1 , x 2 , x3 10
El modelo de programacin lineal, se puede poner en la tabla siguiente, en el que la
solucin bsica de inicio ( x 4 , x5 , x6 ) es al mismo tiempo no ptima ( por x3 ) y no es no
factible ( por x 4 = 8) . (La primera ecuacin se multiplico por -1 para dejar ver la no
factibilidad en forma directa, en la columna solucin).
116
Captulo 5
Bsicas
z
x1
x2
x3
x4
x5
x6
-2
Solucin
0
x4
-2
-8
x5
-1
x6
-1
10
Este problema se puede resolver sin usar variables ni restricciones artificiales.

Se lo puede resolver de la siguiente manera:
1. Quitar la no factibilidad aplicando una versin de la condicin smplex dual de
factibilidad, que selecciona a x 4 como variable de salida. Para determinar cual es la
variable de entrada todo lo que se necesita es una variable no bsica cuyo
coeficiente de restriccin en el rengln de la variable de salida en este caso; x 4 sea
estrictamente negativo. Se puede hacer la seleccin sin ningn cuidado ya que no
afectara la ptimalidad, por que de cualquier manera es no existente en este punto
(comprela con la condicin de ptimalidad dual). El resultado es la siguiente
tabla:
x1
x2
x3
x4
x5
x6
-2
-1
0
1
x2
0
1
Solucin
0
x5
x6
2
1
2
14
Bsicas
z
Ahora la tabla anterior es factible, pero no ptimo, para lo cual se resuelve usando el
smplex primal para determinar la solucin ptima. En general si es que no pudiramos
haber encuentra la factibilidad con la tabla anterior, se puede repetir la veces que sean
necesarias hasta encontrar la factibilidad o de otro modo hasta que haya pruebas de que no
tenga solucin factible, una vez atendida la factibilidad el siguiente paso.
2. Es el ocuparse de la ptimalidad que puede ser resuelto aplicando la condicin
acomodada de ptimalidad del mtodo smplex primal. De la anterior tabla, se
resuelve y se obtiene la siguiente tabla:
x1
x2
x3
x4
x5
x6
-2
-1
0
1
x2
0
1
Solucin
0
x5
x6
2
1
14
Bsicas
z
117
Captulo 5
La variable x3 es la variable que entra por ser el que tiene el coeficiente ms negativo, y la
variable x6 es la variable que sale por la razn mnima que se hace con el mtodo smplex
primal, lo cual da la siguiente tabla:
Bsicas
x1
x2
x3
x4
x5
x6
-0.5
0.5
Solucin
0
x2
-0.75
-0.25
0.5
x3
-0.25
0.25
0.5
x6
2.25
-1.25
-1.5
14
Y la tabla ptima es la siguiente (donde la variable que entra es x1 y la que sale es x6 ).

Bsicas
z
x1
x2
x3
x4
x5
x6
0.22
0.66
0.22
Solucin
3.11
x2
-0.67
0.33
8.66
x3
0.11
0.33
0.11
1.55
x1
-0.56
-0.67
0.44
6.22
x1 = 6.22
Las respuestas factibles y ptimas son x 2 = 8.66
x3 = 1.55
Tcnica de la cota superior

Es comn en problemas de programacin lineal que algunas o todas las variables
individuales xi tengan restricciones de cota superior.
xi u j
Donde u j es una constante positiva que representa al mximo valor factible de x j .

Se puso en relieve que el factor determinar en cuanto al tiempo de calculo al correr el
mtodo smplex es el nmero es el nmero de restricciones funcionales, mientras que el
nmero de restricciones de no negatividad casi carece de importancia. Entonces, un nmero
grande de restricciones de cota superior incluidas en las restricciones funcionales
incrementa mucho el esfuerzo computacional requerido.
La tcnica de la cota superior evita este mayor esfuerzo al eliminar las restricciones
de cota superior del conjunto de restricciones funcionales y al tratarlas por separado, en
esencia, como restricciones de no negatividad. Hacer esto no causa problemas siempre y
cuando ninguna de las variables adquiera un valor mayor que su cota superior. La nica vez
que el mtodo smplex incrementa alguna de las variables es cuando la variable bsica
entrante aumenta su valor para obtener la nueva solucin bsica factible. La tcnica de la
cota superior, simplemente aplica el mtodo smplex al resto del problema (es decir, sin las
restricciones de cota superior) pero con la restriccin adicional de que cada nueva solucin
118
Captulo 5
bsica factible debe satisfacer las restricciones de cota superior adems de las normales de
cota inferior (no negatividad).
Para poner en practica esta idea, note que una variable de decisin x j con una
restriccin de cota superior x j u j siempre se puede sustituir por:
xj = uj yj
En donde y j ser entonces la variable de decisin. En otras palabras, se puede
elegir entre dos tipos de variables de decisin, la cantidad mayor que cero ( x j ) o la
cantidad menor que u j ( y j = u j x j ). (Se har referencias a x j y y j como variable de
decisin complementarias) como:
0 xj uj
Tambin se cumple que:

0 yj uj
Entonces, en cualquier momento al trabajar con el mtodo smplex se puede:

1. Usar en donde 0 x j u j .
2. Sustituir x j por u j y j , en donde 0 y j u j .
La tcnica de la cota superior emplea la siguiente regla para hacer esta eleccin:
Regla: comenzar con la opcin 1.
Si x j = 0 , se utiliza la opcin 1, de manera que x j es no bsica.
Si x j = u j , se utiliza la opcin 2, de manera que y j = 0 es no bsica.
Se cambia de opcin solo cuando x j alcanza el otro valor extremo.
As pues, siempre que una variable bsica llega a su cota superior se debe cambiar
de opcin y usar su variable de decisin complementaria como la nueva variable no bsica
(la variable que sale) para identificar la nueva solucin bsica factible. Entonces, la nica
modificacin sustantiva que se hizo al mtodo smplex esta en la regla para elegir la
variable bsica que sale.
Recuerde que el mtodo smplex elige como variable bsica que sale a aquella que
seria la primera en convertirse bsica entrante. En cambio, con la modificacin que se
acaba de hacer, se seleccionan la variable bsica entrante. En cambio, con la modificacin
que se acaba de hacer, se selecciona la variable que seria la primera en no factible en
cualquier direccin, ya sea por volverse negativa o por sobrepasar la cota superior cuando
se incrementa la variable bsica entrante. (Obsrvese que una posibilidad es que la variable
bsica entrante se vuelva no factible si adquiere un valor mayor que su cota superior, en
este caso su variable complementaria se convierte en la variable que sale). Si la variable
bsica que sale adquiere el valor cero, se procede con el mtodo smplex en forma normal,
pero si por el contrario alcanza su cota superior, entonces se cambia de opcin y su variable
de decisin complementaria ser la variable bsica que sale.
119
Captulo 5

Maximizar z = 2 x1 + x2 + 2 x3
Sujeta a:
4x1
+ x2
=
+ x3 =
2x1
0 x1 4 0 x2 15
12
4
0 x3 6
As, las tres variables tienen restricciones de cota superior ( u1 = 4, u 2 = 15, u3 = 6 ).

Las dos restricciones de igualdad se encuentran ya en la forma apropiada de
eliminacin de Gauss para identificar la solucin bsica factible inicial
( x1 = 0, x2 = 12, x3 = 4 ) y ninguna de las variables de esta solucin excede su cota superior;
as, x2 y x3 se pueden usar como variables bsicas iniciales estas variables de la funcin
objetivo para obtener la ecuacin (0) inicial.
z
2x1
+ (4 x1
+ 2(2 x1
2x1
x2
+ x2
2x3
+ x3
= 0
= 12)
= 4)
=
20
Para comenzar con la primera iteracin, esta ecuacin (0) inicial indica que la
variable bsica entrante inicial es x1 . Como las restricciones de cota superior no estn
incluidas, el conjunto inicial completo de ecuaciones y los clculos correspondientes para
seleccionar la variable bsica que sale se muestra en la tabla siguiente:
Conjunto inicial de ecuaciones
(0)
(1)
(2)
2x1
+ 4x1
2x1
+ x2
+ x3
= 20
= 12
= 4
Valor factible mximo de x1

(ya que u1 = 4 )
x1 4
12
x1
= 3
4
64
x1
= 1 mnimo (ya que u3 = 6 )
2
La segunda columna muestra cuanto puede aumentar la variable bsica entrante x1

antes de que alguna variable bsica (incluyendo a x1 ) se vuelva no factible. Ahora, el valor
mximo que se da a la ecuacin (0) es sencillamente la cota superior para x1 . Para la
ecuacin (1), como el coeficiente de x1 es positivo, al aumentar a 3 su valor, la variable
bsica ( x2 ) en esta ecuacin disminuye de 12 a su cota inferior de cero. En la ecuacin (2),
el coeficiente de x1 es negativo, por lo que se aumenta su valor a 1 la variable bsica ( x3 ) en
esta ecuacin aumenta de 4 a su cota superior de 6.
Este ultimo valor mximo de x1 es el ms pequeo, lo que determina que x3 sea la
variable bsica que sale. Ahora bien, como x3 alcanzo su cota superior, x3 se sustituye por
6 y3 de manera que y3 = 0 se convierte en la nueva variable no bsica en la siguiente
120
Captulo 5
solucin bsica factible y x1 se convierte en la nueva variable bsica en la ecuacin (2). Este
reemplazo lleva a los siguientes cambios en esa ecuacin:
2x1
2x1
2x1
+
+
x1
(2)
x3
6 y3
y3
1
y3
2
=
=
=
4
4
2
Entonces, despus de eliminar algebraicamente x1 de todas las dems ecuaciones, el

segundo conjunto completo de ecuaciones es:
(0)
(1)
(2)
+ x2
+ x1
y3
2 y3
1
y3
2
= 22
= 8
=
La solucin bsica factible que se obtiene es x1 = 1, x2 = 8, y3 =0. De acuerdo con la

prueba de ptimalidad, se trata de una solucin ptima, por lo que x1 = 1, x2 = 8, x3 =6
y3 = 6 es la solucin que se busca para el problema original.
5.6 Anlisis Pos-ptimo o de sensibilidad

El entorno de la construccin y de la ingeniera civil muchas veces es impredecible e
incierto debido a factores tales como cambios econmicos, reglamentaciones pblicas,
dependencia de subcontratistas y proveedores, etc. Los ingenieros generalmente se ven
inmersos en un entorno dinmico e inestable donde aun los planes a corto plazo deben reevaluarse constantemente y ajustarse de manera incremental. Todo esto requiere una
mentalidad orientada al cambio para hacer frente a las incertidumbres. Recuerde que las
sorpresas no forman parte de una decisin slida.
El hombre utiliza la construccin (modelos) matemticos e informticos para una
variedad de entornos y propsitos, con frecuencia para conocer los posibles resultados de
uno o ms planes de accin. Esto puede relacionarse con la construccin, inversiones
financieras, prcticas industriales e impactos ambientales. El uso de modelos se ve
perjudicado por la inevitable presencia de incertidumbres, que surgen en distintas etapas,
desde la construccin y corroboracin del modelo en s hasta su uso. Normalmente su uso
es el culpable.
Toda solucin a un problema de toma de decisiones se basa en determinados
parmetros que se presumen como fijos. El anlisis de sensibilidad es un conjunto de
actividades posteriores a la solucin que sirven para estudiar y determinar qu tan sensible
es la solucin a los cambios en las hiptesis. Estas actividades tambin se denominan
anlisis de estabilidad, anlisis what-if o de hiptesis, modelacin de escenarios, anlisis
de especificidad, anlisis de incertidumbre, anlisis de inestabilidad numrica,
inestabilidad funcional y tolerancia, anlisis de post ptimalidad, aumentos y
disminuciones admisibles y muchos otros trminos similares que reflejan la importancia de
esta etapa del proceso de modelacin.
121
Captulo 5
Se puede hacer frente a las incertidumbres de una manera ms "determinista". Este

abordaje tiene distintos nombres tales como "modelacin de escenarios", "modelacin
determinista", "anlisis de sensibilidad" y "anlisis de estabilidad". La idea es generar, de
manera subjetiva, una lista ordenada de incertidumbres importantes que supuestamente
podran tener un mayor impacto sobre el resultado final. Esto se lleva acabo antes de
focalizarse en los detalles de cualquier "escenario" o modelo.
Resulta vital comprender la influencia de lo antedicho en el plan de accin sugerido
por el modelo por las siguientes razones:
Pueden presentarse distintos niveles de aceptacin (por el pblico en general, por
los decisores, por las partes interesadas) a distintos tipos de incertidumbre.
Distintas incertidumbres tienen distintos impactos sobre la confiabilidad, robustez y
eficiencia del modelo.
La relevancia del modelo, depende en gran medida del impacto de la incertidumbre
sobre el resultado del anlisis. Las sorpresas no forman parte de las decisiones
ptimas slidas.
Existen numerosos ejemplos de entornos donde esto es aplicable, tales como:
Construccin de indicadores.
Anlisis y pronstico de riesgo.
Optimizacin y calibracin de modelos.
A continuacin, sigue una lista abreviada de las razones por las cuales se debe tener
en cuenta el anlisis de sensibilidad:
Toma de decisiones o desarrollo de recomendaciones para decisores:
Para probar la solidez de una solucin ptima. Las sorpresas no forman parte
de las decisiones ptimas slidas.
Para identificar los valores crticos, umbrales, o valores de equilibrio donde
cambia la estrategia ptima.
Para identificar sensibilidad o variables importantes.
Para investigar soluciones sub-ptimas.
Para desarrollar recomendaciones flexibles que dependan de las
circunstancias.
Para comparar los valores de las estrategias de decisin simples y complejas.
Para evaluar el riesgo de una estrategia o escenario.
Comunicacin:
Para formular recomendaciones ms crebles, comprensibles, contundentes o

persuasivas.
Para permitir a los decisores seleccionar hiptesis.
Para comunicar una falta de compromiso a una nica estrategia.
El decisor debe incorporar algunas otras perspectivas del problema tal como
perspectivas culturales, polticas, psicolgicas, etc. en las recomendaciones
del cientfico de administracin.
122
Captulo 5
Aumentar la comprensin o aptitud del sistema:
Para estimar la relacin entre las variables de entrada y las de salida.

Para comprender la relacin entre las variables de entrada y las de salida.
Para desarrollar pruebas de las hiptesis.
Desarrollo del modelo:
Para probar la validez o precisin del modelo.

Para buscar errores en el modelo
Para simplificar el modelo.
Para calibrar el modelo.
Para hacer frente a la falta o insuficiencia de datos.
Para priorizar la adquisicin de informacin.
El anlisis de sensibilidad o pos-optimidad investiga y trata del cambio de la

solucin ptima que resulta de hacer cambios en los parmetros del modelo matemtico de
la programacin lineal, en la tabla siguiente se describe todos los posibles casos que puedan
darse en el anlisis de sensibilidad, as como la acciones necesarias para obtener la nueva
solucin (si es que existiera):
El anlisis pos-ptimo se refiere a la determinacin de los efectos causados sobre la
solucin ptima, por las variaciones en los parmetros.
Pregunta. En un modelo de programacin lineal en general, Cules parmetros son
estimados?
Respuesta. Los parmetros que son estimados ms a menudo son: los coeficientes (utilidad
unitaria o costos unitarios) de las variables de la funcin objetivo, los nmeros del lado
derecho de las restricciones y los coeficientes de las variables de las restricciones.
Condiciones resultante de los cambios
La solucin actual queda ptima y
factible.
Accin recomendada
No es necesaria accin alguna.
La solucin actual se vuelve no

factible.
Usar el smplex dual

recuperar la factibilidad.
para

ptima.
Usar el smplex primal

recuperar la ptimalidad.
para

ptima y no factible, al mismo
tiempo.
Usar
el
mtodo
smplex
generalizado para obtener una
nueva solucin.
123
Captulo 5
5.7 Cambios que afectan la factibilidad

La factibilidad de la solucin ptima solo puede variar si:
1. Cambia el lado derecho de las restricciones.
2. Se agrega al modelo una restriccin nueva.
En ambos casos se tiene no factibilidad cuando al menos un elemento del lado
derecho en la tabla ptima se hace negativo; esto es, una o ms de las variables bsicas
actuales se vuelve negativa.
5.7.1 Cambios en el lado derecho.

Estos cambios requieren volver a calcular el lado derecho de la tabla, usando la
Formula 1 (vase seccin 5.6) lo cual es:
Columna de
restriccin en
iteracin i
Inversa en la
iteracin i
Columna
original de
restriccin
Formula 1
Se tiene que tener en cuenta, de que el lado derecho de la tabla expresa los valores
de las variables bsicas. En el siguiente ejemplo se muestra este procedimiento:
Ladrillos S.A. fabrica tres tipos de ladrillos: Ladrillo de 3era Clase, Ladrillo de 2da
Clase y Ladrillo de 1era Clase, los cuales se hacen con 3 operaciones. Los lmites diarios de
tiempo disponible para las tres operaciones son 430, 460 y 420 minutos, respectivamente y
las utilidades por el ladrillo de 3era Clase, 2da Clase y 1era Clase son Bs. 3, Bs. 2 y Bs. 5,
respectivamente. Los tiempos de fabricacin de la 3era Clase, en las 3 operaciones son 1, 3 y
1 minutos, respectivamente. Los tiempos respectivamente para el de 2da Clase y 1era Clase
son (2, 0, 4) y (1, 2, 0) minutos (un tiempo de cero indica que no se uso la operacin).
Si x1 , x 2 y x3 representan la cantidad diaria de unidades fabricadas de ladrillos de
3 Clase, 2da Clase y 1era Clase y si los modelos de programacin lineal primal y dual son
los siguientes:
era
Problema Primal
Maximizar z = 3 x1 + 2 x 2 + 5 x3
Sujeta a:
x1 + 2 x 2 + x3 430 (Operacin 1)
3 x1
+ 2 x3 460
x1 + 2 x3
420
(Operacin 2)
(Operacin 3)
x1 , x 2 , x3 0
Solucin ptima:
x1 = 0, x 2 = 100, x3 = 230, z = 1350 Bs
Problema Dual
Minimizar w = 430 y1 + 460 y 2 + 420 y 3
Sujeta a:
y1 + 3 y 2 + 3 y 3 3
2 y1
+ 4 y3 2
y1 + 2 y 2
y1 , y 2 , y 3 0
Solucin ptima:
y1 = 1, y 2 = 2, y 3 = 0, z = 1350 Bs
124
Captulo 5
La tabla inicial del primal es la siguiente:

Bsicas
x1
x2
x3
x4
x5
x6
Solucin
-3
-2
-5
x4
430
x5
460
x6
420
La tabla ptima del problema primal es la siguiente
x1
x2
x3
x4
x5
x6
1
1
2
2
1
x2
4
1
Solucin
1350
100
x3
230
-2
20
Bsicas
z
2
2
x6
2
1
Supongamos que Ladrillos S.A. desea ampliar su capacidad de fabricacin

aumentando en un 40 % la capacidad diaria de cada una, hasta 602, 644 y 588 minutos,
respectivamente. Con esos aumentos, el nico cambio que se har en la tabla ptima es el
lado derecho de las restricciones (y el valor objetivo ptimo), lo cual la nueva solucin
bsica se determina como sigue:
Nuevo lado
derecho de la
tabla en la
iteracin i
Inversa en la
=
iteracin i
Nuevo lado
derecho de la
iteracin i
Formula 1
1 1 0
602 140
4
x2 2

1 0 644 = 322
x3 = 0
2
x
1 1 588 328
6 2
Lo cual las nuevas variables bsicas x 2 , x3 y x6 siguen siendo factibles con los
nuevos valores 140, 322 y 328. La utilidad ptima correspondiente es 1890 Bs.
5.7.2
Intervalos de factibilidad de los elementos del lado derecho.
Otra forma de examinar el efecto de cambiar la disponibilidad de los recursos (es

decir, el vector del lado derecho) es determinar el intervalo para la cual la solucin actual o
del momento permanece factible. El siguiente ejemplo se muestra este procedimiento:
125
Captulo 5

En el modelo utilizado anteriormente de Ladrillos S.A., se quiere suponer que lo
que interesa es determinar el intervalo de factibilidad de la capacidad de la operacin 1. Se
puede hacer reemplazando el lado derecho con:
430 + D1
460
420
La cantidad D1, representara el cambio de la operacin 1, arriba y debajo del valor

actual de 430 minutos, la solucin bsica permanecer factible si todas las variables bsicas
son no negativas esto es se ve a continuacin:
D1
1 1 0
+
100
430 + D1
4
x2 2
2 0

1 0 460 = 230
0
x3 = 0
x
1 1 420 20 + 20 D1 0
6 2
Las condiciones que resultan llevan a las siguientes cotas de D1:
(x2 0) : 100 + D1 0 D1 200

(x3 0) : x3 es independiente de D1
(x6 0) : 20 2 D1 0 D1 10
Lo cual se nota que la solucin cuando se encuentre en el siguiente rango ser
factible:
200 D1 10
Lo cual equivale a variar los minutos de disponibilidad de la operacin en el
siguiente intervalo:
430 200 (Capacidad de la operacion 1) 430 + 10
230 (Capacidad de la operacion 1) 440
El cambio en el valor objetivo ptimo que esta relacionado con D1 es D1 y1 , siendo
y1 el valor por unidad (precio dual), en Bs. por minuto de la operacin 1.
5.7.3
Cambios realizados en una restriccin
5.7.3.1
Aadir una nueva restriccin
El proceso: Introduzca la solucin ptima corriente en la restriccin recin aadida.

Si la restriccin no se viola, la nueva restriccin NO afecta la solucin ptima. De lo
contrario, el nuevo problema debe resolverse para obtener la nueva solucin ptima.
126
Captulo 5
5.7.3.2
Suprimir una restriccin
El proceso: Determine si la restriccin es obligatoria (es decir, activa, importante)

hallando si el valor de holgura/excedente es cero. Si es obligatoria, la supresin
puede cambiar la solucin ptima corriente. Suprima la restriccin y resuelva el
problema. De lo contrario (si no es una restriccin obligatoria), la supresin no
afectar la solucin ptima.
5.7.3.3
Reemplazar una restriccin
Supongamos que se reemplaza una restriccin por una nueva. Cul es el efecto de
este intercambio?
El proceso: Determine si la restriccin previa es obligatoria (es decir, activa,
importante) hallando si el valor de holgura/excedente es cero. Si es obligatoria, el
reemplazo puede afectar la solucin ptima corriente. Reemplace la restriccin y
resuelva el problema. De lo contrario (si no es una restriccin obligatoria),
determine si la solucin corriente satisface la nueva restriccin. Si la satisface,
entonces este intercambio no afectar la solucin ptima. De lo contrario (si la
solucin corriente no satisface la nueva restriccin), reemplace la restriccin
anterior por la nueva y resuelva el problema.
5.7.3.4
Aadir una variable (por ejemplo, introducir un nuevo producto)
El proceso: Construya la nueva restriccin del problema solucin ptima corriente

es ptima, de lo contrario produzca el nuevo producto (la solucin ptima corriente
ya no es ms ptima). Para determinar el nivel de dual. Inserte la solucin dual en
esta restriccin. Si la restriccin se satisface, NO produzca el nuevo producto, la
produccin del nuevo producto (es decir, una solucin ptima mejor) resuelva el
siguiente problema.
5.7.3.5
Suprimir una variable (es decir, cancelar un producto)
El proceso: Si para la solucin ptima corriente, el valor de la variable suprimida es

cero, entonces la solucin ptima corriente sigue siendo la ptima sin incluir la
variable. De lo contrario, suprima la variable de la funcin objetivo y las
restricciones, y luego resuelva el problema.
A continuacin mostraremos uno de los cambios que se puede realizar en una restriccin:
5.7.3.6
Adiccin de nuevas restricciones.
La adiccin de una nueva restriccin a un modelo existente puede llevar a uno de

los dos casos siguientes:
1. La nueva restriccin es redundante (es decir sobrante), por lo cual se quiere decir
que se satisface con la solucin ptima actual y por consiguiente, se puede eliminar
por completo del modelo.
2. La solucin actual viola la nueva restriccin, y en este caso se puede aplicar el
Mtodo Smplex Dual para recuperar la factibilidad.
Se debe observar que la adiccin de una nueva restriccin como en el caso 2, nunca
puede mejorar el valor objetivo ptimo actual.
127
Captulo 5

Se supone que en Ladrillos S.A. cambia la forma de fabricacin de los ladrillos y
que para este cambio se requiere agregar o aumentar una 4ta operacin en las fases de
fabricacin. La capacidad diaria de la nueva operacin es de 500 minutos, y los tiempos por
unidad, para los tres productos en esta operacin son 3, 1 y 1 minutos, respectivamente. La
restriccin resultante se forma, por consiguiente, como sigue:
3 x1 + x 2 + x3 500
Este restriccin es redundante como se hablo anteriormente, lo cual inferimos de
que
se
queda
satisfecha
con
la
solucin
ptima
actual
x1 = 0, x 2 = 100, x3 = 230, z = 1350 Bs . Eso quiere decir que la solucin ptima actual
permanece sin cambios.
Ahora pongamos que los tiempos por unidad para Ladrillos S.A., para la cuarta
operacin son 3, 3 y 1 minutos, respectivamente. Todos los datos restantes del modelo
quedaran iguales, ahora la cuarta restriccin quedara as:
3 x1 + 3 x 2 + x3 500
Por lo que se nota reemplazando los valores de x1 = 0, x 2 = 100, x3 = 230 , se tiene
530 500 lo cual no queda satisfecha por la solucin actual. Lo cual debemos aumentar la
nueva restriccin a la tabla ptima actual, como se ve a continuacin (donde x7 es holgura).
Como se muestra la siguiente tabla:
x1
x2
x3
x4
x5
x6
x7
0
0
2
1
1
1
2
x2
4
1
Solucin
1350
100
x3
230
-2
2
1
x6
2
2
20
x7
500
Bsicas
z
Como se puede observar las variables x 2 y x3 son bsicas, se debe sustituir y

eliminar sus coeficientes de restriccin en el rengln de x7 , lo que se puede hacer con la
siguiente operacin:
Nuevo rengln de x7 =Rengln anterior de x7 -{3 (rengln de x 2 )+ 1 (rengln de x3 )}
128
Captulo 5
Entonces la nueva tabla es la siguiente:
x1
x2
x3
x4
x5
x6
x7
0
0
2
1
1
1
2
x2
4
1
Solucin
1350
100
x3
230
-2
2
1
20
-30
Bsicas
z
x6
x7
2
2
Luego se aplica el mtodo smplex dual lo cual dar como resultado la nueva
solucin ptima: x1 = 0, x 2 = 90, x3 = 230, z = 1330 Bs .
5.8
Cambios que afectan la ptimalidad
En esta seccin se examinan dos soluciones particulares que podran afectar la

ptimalidad de solucin actual:
1. Cambios en los coeficientes objetivo originales.
2. Adicin de una nueva actividad econmica (variable) al modelo.
5.8.1
Cambios en los coeficientes de la funcin objetivo.
Esos cambios solo afectan la ptimalidad de la solucin. Por consiguiente requieren

recalcular los coeficientes del rengln z, con el siguiente procedimiento:
1. Calcular los valores duales con los Mtodos 1 y 2 de la seccin 5.6
2. Usar valores duales en la Formula 2 de la seccin 5.6, para determinar los
nuevos coeficientes en el rengln z.
Se presentaran dos casos:
1. El nuevo rengln de z satisface la condicin de ptimalidad, y la solucin
permanece sin cambio (sin embargo, el valor objetivo ptimo puede cambiar).
2. La condicin de ptimalidad no se satisface, y en ese caso se aplica el Mtodo
Smplex (primal) para recuperar la ptimalidad.
En el modelo ya utilizado de Ladrillos S.A., supongamos que la empresa tiene una
nueva poltica para igualar la competencia. Bajo la nueva poltica, las utilidades por unidad
son Bs. 2, Bs. 3 y Bs. 4, por los ladrillos de 3era Clase, 2da Clase y 1era Clase,
respectivamente, la nueva funcin objetivo es:
Maximizar z = 2 x1 + 3 x 2 + 4 x3
129
Captulo 5
Problema Primal
Maximizar z = 2 x1 + 3 x 2 + 4 x3
Sujeta a:
x1 + 2 x 2 + x3 430 (Operacin 1)
3 x1
+ 2 x3 460
x1 + 2 x3
420
(Operacin 2)
(Operacin 3)
Problema Dual
Minimizar w = 430 y1 + 460 y 2 + 420 y 3
Sujeta a:
y1 + 3 y 2 + 3 y 3 2
+ 4 y3 3
2 y1
y1 + 2 y 2
x1 , x 2 , x3 0
y1 , y 2 , y 3 0
Y la nueva tabla inicial del primal es la siguiente:

Bsicas
z
x1
x2
x3
x4
x5
x6
-2
-3
-4
Solucin
0
x4
430
x5
460
x6
420
As:
(Nuevos coeficientes objetivo de x 2 , x3 y x6 bsicas) = (3, 4, 0)
Las variables duales se calculan con el Mtodo 1 de la seccin 5.6, como sigue:
1 1 0
2
4
1 0 = 3 , 5 ,0
( y1 , y 2 , y3 ) = (3,4,0) 0
2 4
2
2
1
1
Los coeficientes del rengln z se determinan como la diferencia entre los lados
izquierdos y derecho de las restricciones duales (formula 2, seccin 5.6). No es necesario
otra vez calcular los coeficientes de las variables bsicas x 2 , x3 y x6 en el rengln objetivo,
por que siempre son iguales a cero, independientemente de los cambios que se haya hecho a
los coeficientes objetivos.
( )
x1 : y1 + 3 y 2 + y 3 2 = 3 + 3 5 + 0 2 = 13
2
4
4
x 4 : y1 0 = 3
2
x5 : y 2 0 = 5
4
130
Captulo 5
Notamos que el lado derecho de la restriccin dual asociada con x1 es 2, el

coeficiente nuevo en la funcin objetivo modificada.
Los clculos indican en la solucin actual, x1 = 0, x 2 = 100, x3 = 230 . La nueva
utilidad se calcula de la siguiente manera como 20 + 3100 + 4230 = Bs. 1220.
Ahora supongamos que la funcin objetivo de Ladrillos S.A. es:
Maximizar z = 6 x1 + 3 x 2 + 4 x3
Los cambios correspondientes en el rengln z se indican en la siguiente tabla:
Bsicas
z
x2
x3
x6
x1
3
4
1
4
3
2
2
x2
x3
x4
3
2
1
2
-2
x5
x6
Solucin
1220
100
230
20
4
1
4
1
2
1
Los elementos que estn en la celda sombreada son las nuevas z j c j para las
variables no bsicas x1 , x 4 y x5 , todos los elementos restantes de la tabla son iguales a los de
la iteracin original ptima. Entonces la nueva solucin ptima se determina haciendo
entrar x1 y salir x6 con lo que se da es:
x1 = 10, x 2 = 102.5, x3 = 215 y z = 1227.50 Bs
5.8.2
Intervalo de ptimalidad de los coeficientes objetivo.
Otra forma de investigar el efecto de los cambios en los coeficientes de la funcin

objetivo es calcular el intervalo para el que cada coeficiente individual mantenga la
solucin ptima actual. Esto se hace reemplazando el cj actual con cj + dj, donde dj
representa la cantidad (positiva o negativa) de cambio.
Supongamos que la funcin objetivo del modelo Ladrillos S.A. cambia a:
Maximizar z = (3 + d1 )x1 + 2 x 2 + 5 x3
Determinar el intervalo de ptimalidad para el cambio d1.
Seguiremos el procedimiento que se describi arriba. Pero hay que observar que la
variable x1 no es bsica en la tabla ptima. Los valores duales no se vern afectados por
este cambio y en consecuencia permanecern igual que en el modelo original es decir
y1 = 1, y 2 = 2, y 3 = 0 .
En realidad, como x1 es no bsica, solo afectara su coeficiente en el rengln z y
todos los dems coeficientes de ese rengln permanecern sin cambio. Lo cual nos indica
que debemos emplear la formula 2 seccin 5.6 a la restriccin dual asociada solo con x1 ,
lo cual nos da:
x1 : y1 + 3 y 2 + y 3 (3 + d1 ) = 1 + 3(2 ) + 0 (3 + d1 ) = 4 d1
131
Captulo 5
Como el modelo de Ladrillos S.A. es un problema de maximizacin, la solucin

original permanecer ptima siempre que:
4 d1 0
sea
d1 4
Analizando y remplazando quiere decir que la solucin actual permanecer ptima
siempre que el coeficiente objetivo c1 (= 3 + d1 ) de x1 no sea mayor que 3 + 4 = Bs. 7.
5.8.3 Adicin de una nueva actividad.

La adicin de una nueva actividad en un modelo de programacin lineal equivale a
agregar una nueva variable. En forma intuitiva, la adicin de una nueva actividad solo es
deseable si es rentable, solo sirve si mejora el valor ptimo de la funcin objetivo. Esta
condicin se puede comprobar aplicando la Formula 2 de la seccin 5.6, a la nueva
actividad. Como esa nueva actividad no es todava parte de la solucin, se puede considerar
como una variable no bsica. Lo cual quiere decir que los valores duales asociados con la
solucin actual permanecen invariables.
Si la Formula 2 de la seccin 5.6, indica que la nueva actividad satisface la
condicin de ptimalidad, la actividad no es rentable. En caso contrario, es mejor tener en
cuenta la nueva actividad.
Ladrillos S.A. reconoce los ladrillos de 3er Clase no se producen en la actualidad por
que no son rentables. La empresa quiere remplazar los ladrillos de 3er Clase con un nuevo
producto, un ladrillo de diferente clase pero que utilice las instalaciones existentes.
Ladrillos S.A. estima que la utilidad por esta nueva clase es de Bs. 4 y los tiempos de
fabricacin son de 1 minuto en cada de las operaciones 1 y 2, y 2 minutos en la operacin
3.
Sea x7 el nuevo producto. Como y1 = 1, y 2 = 2, y 3 = 0 son los valores duales
ptimos, el costo reducido se puede calcular como sigue:
1 y1 + 1 y 2 + 2 y 3 4 = 1 1 + 1 2 + 2 0 4 = 1
Segn lo obtenido resulta conveniente econmicamente la inclusin de la
variable x7 en la solucin ptimo se calcula primero la columna de restricciones con la
Formula 1 seccin 5.6, como sigue:
1
1 1 0
1 4
2
4

1 0 1 = 1
Columna de restriccin de x7 = 0
2
2
2
2
1 1 1
132
Captulo 5
As se debe modificar la tabla smplex actual como sigue:
x1
x2
x3
x7
x4
x5
x6
1
1
2
2
1
100
x3
230
-1
1
4
1
2
1
x2
4
1
Solucin
1350
20
Bsicas
z
x6
2
2
-2
2
1
Se determina el nuevo ptimo haciendo entrar x7 a la solucin bsica, y en ese caso

se debe salir x6 . La nueva solucin ser: x1 = 0, x 2 = 0, x3 = 125, x7 = 210 y z = 1465 Bs .
En el caso de agregar una actividad nueva tambin abarca al caso en que se hicieron
cambios a los usos de los recursos, en una actividad existente. En forma especifica se puede
considerar a x7 como si al principio tuviera un coeficiente de objetivo cero y uso cero de los
tres recursos, y que esos valores cero se cambiaron a los nuevo valores que se dan para x7 .
Por esta razn no se describir por separado el caso de cambiar los coeficientes de
restriccin de una variable existente.
133
Captulo 5

1. Dados los siguientes problemas lineales, plantear su primal y dual hallando las
soluciones simtricas; hacer su interpretacin econmica y aplicar los teoremas de
dualidad.
a) Fo:
Max z = -5w1 - 2w2 + 1 w3
Sa:
w1 + w2 + w3 10
5w1
- w3 15
w1 ; w2
1
w3 0
b) Fo:
Sa:
c) Fo:
Sa:
Min z = 4x1 + 5x2

x1 2x2 2
2x1 + x2 6
x1 + 2x2 5
x1 + x2 1
x1 ; x2 0
Min z = 3x1 2x2
x1 + x2 0
3x1 + 5x2 0
5x1 + 3x2 0
2x1 3x2 4
x1; x2 NO RESTRINGIDO
2. Considere el siguiente modelo de programacin lineal
MODELO PRIMAL
Sujeto a
4x1 + 5x2 6
7x1 + 8x2 9
x1; x2 0
Dar el dual del modelo primal.
MODELO PRIMAL
Maximizar z = 2x1 + 3x2 4x3
Sujeto a
5x1 + 6x2 + 7x3 8
8x1 9x2 + 10 x3 11
x1; x2; x3 0
Dar el dual de este modelo.
134
Captulo 5

MODELO PRIMAL
Minimizar z = 2x1 + 3x2
Sujeto a
4x1 + 5x2 6
7x1 + 8x2 9
x1; x2 0
MODELO PRIMAL
Sujeto a
5x1 + 6x2 + 7x3 8
9x1 10x2 + 11 x3 = 12
13x1 14x2 + 15 x3 16
x1; x2; x3 0
MODELO PRIMAL
Sujeto a
1x1
2
1x2
2
x1; x2 0.
7.
La solucin ptima de este modelo primal se da en el siguiente tablero smplex.

Variable z x1 x2 S1 S2 Valor
Bsica
0 1 0 1 0
x1
2
0 0 1 0 1
x2
2
z
1 0 0 2 3
10
Dar el dual del modelo primal anterior. Usando este tablero smplex, dar la solucin
ptima para el modelo dual.
El modelo de programacin lineal
MODELO PRIMAL
Sujeto a
1x1 + 0x2 + x3 4
0x1 + 1x2 + 2x3 6
x1; x2; x3 0
Variable z x1 x2 x3 S1 S2 Valor
Bsica
0 1 0 1 1 0
x1
4
0 0 1 2 0 1
x2
6
z
1 0 0 12 2 3
24
Dar la solucin ptima para el dual del modelo primal anterior. Muestre que la
solucin ptima del modelo primal y la del modelo dual satisfacen las condiciones
de holgura complementaria.
135
Captulo 5
8. El modelo de programacin lineal

MODELO PRIMAL
Maximizar z = - 2x1 3x2 + 4x3
Sujeto a
1x1 + 0x2 + x3 4
1x1 + 1x2 + 2x3 6
x1; x2; x3 0
Variable
Bsica
x1
x2
z
z x1 x2 x3 S1 S2 Valor
0
0
1
1
0
0
0
1
0
1
1
9
-1
1
1
0
1
3
4
2
14
Dar la solucin ptima para el dual del modelo primal. Muestre que las soluciones
ptimas de ambos modelos satisfacen las condiciones de holgura complementaria.
9.
El modelo de programacin lineal:

MODELO PRIMAL
Minimizar z = - 2x1 3x2 + 4x3
Sujeto a
1x1 + 0x2 + x3 4
1x1 + 1x2 + 2x3 6
x1; x2; x3 0.
Al resolverlo como un problema equivalente a un problema de maximizacin de
utilidades, tiene la solucin ptima dada en el tablero siguiente.
Variable
Bsica
x1
x2
z
z x1 x2 x3 -S1 S2 Valor
0
0
1
1
0
0
0
1
0
1
1
9
-1
1
1
0
1
3
4
2
14
Dar la solucin ptima para el dual del modelo primal anterior. Muestre que las
soluciones ptimas del primal y del dual, satisfacen las condiciones de holgura
complementaria.
10. Resuelva por el Dual y de la tabla ptima del primal
Minimizar w = 3y1+2y2-y3
Sujeto a:
y1+2y2-y310
2y1+y2+2y38
y1+y2+y30
136
Captulo 5
5.10 Bibliografa
Edicin]
5.11 Enlaces
http://apuntes.rincondelvago.com/analisis-de-sensibilidad.html
http://www.itlp.edu.mx/publica/tutoriales/investoper1/unidad4.htm
http://cursos.universia.net/app/es/showcourse.asp?cid=2146
www.itson.mx/dii/elagarda/apagina2001/ PM/word/dualidadysensibilidad.ppt
www.geocities.com/gilberto-rojas/index35.html
137
Captulo 6
Texto Gua Alumno Sistemas de Ingeniera
CAPTULO 6
MODELO DE TRANSPORTE
6.1 Introduccin
Comnmente se han considerado como un caso particular de los problemas lineales
los problemas de transporte y de asignacin. Pero hemos de notar que se trata en realidad
de problemas de programacin entera, dado que las variables que aparecen en estos
problemas son variables que han de tomar valores enteros. Este tipo de problemas los
vamos a tratar como problemas especiales de programacin lineal, dado que su estructura
especial ha hecho que se desarrollen algoritmos especficos para este tipo de problemas,
ms eficientes que el mtodo smplex. No obstante, estamos ms interesados en plantear su
estructura que en su resolucin particular. Para ello recurriremos al uso del algoritmo de
smplex, aunque indicaremos diferentes programas de software donde encontrar los
algoritmos particulares para este tipo de problemas.
6.2 Antecedentes del problema

La primera referencia escrita de este problema se remonta a 1781, cuando el
matemtico francs Gaspard Monge describe el problema de la construccin y
abastecimiento de fortificaciones militares de los ejrcitos de Napolen. Monge era
entonces general de los ejrcitos napolenicos. Para resolver este problema us el mtodo
de cortar y llenar, es decir, ir abasteciendo las diferentes trincheras desde los depsitos
de material existentes.
Formalmente, este problema aparece en 1941 cuando F.L. Hitchcock publica una
solucin analtica para este problema, aunque su desarrollo se produce a finales de los aos
40, cuando Koopmans (un joven holands) realiza su tesis doctoral sobre los problemas de
embarque de la marina holandesa.
A partir de ese momento el campo de aplicacin del problema del transporte
empieza a crecer de una forma muy rpida, no solo en aplicaciones militares, sino tambin
en el campo de la construccin, la produccin, la distribucin, las finanzas, etc.
6.3 Modelizacin del problema: hiptesis bsicas

Se trata de uno de los primeros problemas que se formularon como problemas de
programacin entera. El problema consiste en lo siguiente: Supongamos que tenemos m
orgenes (almacenes) que tienen que suministrar a n destinos (centros de consumo) un
cierto producto. La capacidad de oferta de cada origen i (i= 1,...m) es ai (ai>0), mientras que
la demanda de cada destino j (j=1,...n) es bj, (bj>0).
El costo de enviar una unidad de producto del origen i al destino j es Cij. El
problema consiste en determinar cuantas unidades de producto deben enviarse desde el
origen i al destino j, de forma que se minimice el costo de envo, y por descontado,
garantizando la demanda de los destinos y no excediendo de la capacidad de los orgenes.
138
Captulo 6
A las variables de decisin xij representan la cantidad enviada desde el almacn i al

centro de consumo j, estas variables de decisin han de ser no negativas y enteras.
En lo sucesivo, y para el planteamiento formal del problema vamos a obviar la
condicin de integridad de las variables, ya que bajo determinadas condiciones podemos
garantizar la existencia de una solucin entera para el problema resolvindolo como un
problema lineal.
Este problema se puede comprender mejor con la ayuda de la figura 6.1 siguiente,
en donde se han representado los orgenes y los destinos:
Figura 6.1
Por tanto, el problema se puede plantear matemticamente como:

Funcin objetivo:
m
Min z =
C
i =1 j =1
ij
xij
Sujeto a:
n
x
j =1
ij
ai
i = 1, 2,, m
ij
bj
j = 1, 2,, n
x
i =1
xij 0
i = 1, 2, , m
j = 1, 2,, n
139
Captulo 6
Donde:
z = Funcin Costo de Transporte Total a ser Minimizada.
Cij = Costo unitario de transportar el producto del origen i al destino j.
xij = N de unidades del producto a transportar del origen i al destino j (i = 1,
2,, m y j = 1, 2,, n).
ai = Oferta y/o capacidad del i-simo origen.
bj = Demanda y/o requerimiento del j-simo destino.
m = N de orgenes u ofertas.
n
= N de destinos o demandas.
n
En este problema, el primer conjunto de restricciones xij ai nos esta
j =1
indicando que los envos totales de cada uno de los i orgenes no puede exceder de la
cantidad disponibles en cada uno de los i almacenes. Por ejemplo, consideremos el origen
3. Para este origen la ecuacin correspondiente seria la siguiente:
x31 + x32 + ..... + x3n a3
en donde x31 representa la cantidad enviada desde el origen 3 hasta el almacn 1, x32 es la
cantidad enviada desde el origen 3 hasta el almacn 2, y as sucesivamente. El trmino
independiente a3 representa la cantidad total disponible en el origen 3, la cual -por
supuesto- no puede sobrepasarse.
m
El segundo conjunto de restricciones del problema xij b j esta indicando que

i =1
la cantidad recibida por cada uno de los j destinos no puede ser inferior a la demanda del
mismo. Estas ecuaciones tienen una interpretacin similar a la dada anteriormente.
La simple observacin de la estructura del problema nos indica que la suma de
disponibilidades en los orgenes debe ser mayor (o igual) que la suma de demandas de los
destinos. En el caso contrario, es decir
ai < b j no se podrn satisfacer todas las
demandas.
Min z = c x
Sa.:
Ax=d
x0
140
Captulo 6
En su forma desarrollada se puede expresar:

F.o.:
Min z = C11x11 + C12x12 + ... + C1nx1n + + Cmnxmn
Sa.:
x11 + x12 + + x1n = a1

x21 + x22 + + x2n = a2
...
Restricciones de Oferta
xm1 + xm2 + +xmn = am

x11 + x21 + + xm1 = b1
x12 + x22 + + xm2 = b2
Restricciones de Demanda
x1n + x2n + +xmn = bn

xij 0
Esta formulacin puede ser expresada en una matriz de costos.
Matriz de costos de transporte
Destinos
Orgenes
1
2
2
C11
x11
Oferta
C1n
C12
x12
x1n
C21
x21
C2n
C22
x22
x2n
Demanda
a2
a1
Cm1
xm1
Cm2
Cmn
xm2
b1
xmn
b2
am
bn
6.4 Propiedades matemticas del problema

De este problema, podemos enunciar una serie de condiciones que garantizan
diversas propiedades.
Condicin 1:
Una condicin necesaria y suficiente para que un problema de

transporte tenga solucin es que la oferta total sea igual a la
demanda total, es decir:
m
ai = b j
En el caso que en un problema determinado no se cumpla esta
condicin, es decir, la cantidad disponible sea superior a la
cantidad demanda entonces podemos recurrir a incluir un
destino ficticio que recoja este exceso. O bien, en el caso
141
Captulo 6

contrario, cuando la demanda sea superior a la oferta,
incluiremos un origen ficticio.
Condicin 2:
El problema de transporte tiene una solucin factible acotada, si

los ai y bj lo estn.
Condicin 3:
La matriz A de coeficientes, de orden m (filas) y n (columnas),

tiene un rango igual a n+m-1 (# de variables bsicas).
Condicin 4:
Un orden secuencial de al menos cuatro celdas distintas se

denomina loop si:
1. Dos celdas consecutivas estn en la misma columna o en la misma fila.

2. No tiene tres celdas consecutivas en una misma columna o en una misma fila.
3. La ltima celda de la secuencia tiene una fila o columna comn con la
primera celda de la secuencia.
Las figuras siguientes muestran algunos tipos de loop en dos tablas de transporte:
Las siguientes figuras muestran algunos ejemplos de secuencias de celdas que no

conforman un loop, pues no satisfacen todas las condiciones.
Condicin 5:
La matriz A es una matriz unimodular, lo que significa, que

cualquier submatriz cuadrada de A de orden n+m-1 tiene una
determinante con un valor igual a 0 o a 1.
Esta quinta condicin nos permite garantizar que si los ai y los bj son enteros y no
negativos, los valores de las variables en toda solucin factible bsica y entonces existe por
lo menos una solucin factible bsica ptima que es entera.
Por tanto, a partir de esta condicin ya no es necesario introducir la condicin de
integridad de las variables para obtener una solucin ptima entera. Estas condiciones son
las que han permitido desarrollar nuevos algoritmos ms eficientes que el mtodo smplex,
es decir, algoritmos que emplean menos tiempo y menos iteraciones en resolver el
problema. No obstante, como ya hemos comentado con anterioridad para resolver los
problemas que plantearemos a continuacin usaremos un programa lineal.
142
Captulo 6
6.5 El algoritmo de transporte

El algoritmo de transporte sigue exactamente los mismos pasos que el mtodo
smplex (Capitulo 4). Sin embargo, en lugar de usar la tabla smplex normal, se aprovecha
la estructura especial del modelo de transporte para organizar los clculos en una forma
ms cmoda.
Se debe agregar que el algoritmo especial de transporte fue desarrollado por
primera vez cuando la norma eran los clculos a mano, y se necesitaba soluciones con
mtodo abreviado. Hoy contamos con poderosos programas de cmputo que pueden
resolver un modelo de transporte de cualquier tamao en forma de programacin lineal. De
hecho, TORA usa el formato de modelo de transporte slo como fachada en pantalla, pero
maneja todos los clculos necesarios con el mtodo smplex normal. Sin embargo, el
algoritmo, adems de su importancia histrica, permite tener una perspectiva del uso de las
relaciones tericas primal-dual, para llegar a un resultado prctico, de mejorar los clculos
a mano. El ejercicio es intrigante desde el punto de vista terico.
Para hallar una solucin ptima al problema planteado, se deben considerar las
siguientes etapas:
Etapa 1. Balancear el Modelo
Es decir:
Oferta = Demanda
Etapa 2. Establecer una Solucin Bsica factible de inicio
Determinar el nmero de variables bsicas (n + m 1), despus
establecer una solucin bsica factible de inicio utilizando algn
mtodo de los siguientes:
Mtodo de la Esquina Noroeste (MEN)
Mtodo del Costo Mnimo (MCM).
Mtodo de Aproximacin de Vogel (MAV).
Etapa 3. Hallar la solucin ptima
Utilizando el algoritmo de transporte, empezando con la solucin
bsica factible de inicio dada. Usar la condicin de optimalidad del
mtodo smplex para determinar la variable de entrada entre todas las
variables no bsicas. Si se satisface la condicin de optimalidad,
detenerse. En caso contrario seguir en la etapa 3. Luego usar la
condicin de factibilidad del mtodo smplex para determinar la
variable de salida entre todas las variables bsicas en ese momento, y
determinar la nueva solucin bsica. Regresar a la etapa 2.
A continuacin se desarrollan estas 3 etapas.
143
Captulo 6
6.5.1 Balanceo del modelo

La condicin necesaria y suficiente para que el modelo tenga solucin factible es
que la oferta debe ser igual a la demanda, es decir que debe cumplirse:
m
a = b
i
O sea;
Oferta = Demanda
Sin embargo cuando se presenta un desbalance se debe considerar:
1. Si la oferta es mayor que la demanda, se debe aadir un centro de
DEMANDA ARTIFICIAL n + 1, donde la demanda bn + 1 es igual a (ai bj), con costos igual a cero (ejemplo 6.1).
2.
Si la demanda es mayor que la oferta, se debe aadir un centro de

OFERTA ARTIFICIAL m + 1, donde la oferta am + 1 es igual a (bj ai),
con costos igual a cero (ejemplo 6.2).

Problema de transporte no balanceado: Los suministros exceden la demanda.
Una determinada empresa que posee dos plantas de produccin en Cochabamba y
Sucre con una capacidad de almacenamiento de 350 y 600 Toneladas, respectivamente.
Tiene que suministrar sus productos a tres clientes situados en Santa Cruz, Tarija y La Paz.
La demanda de estos clientes es de 325, 300 y 275 Toneladas, respectivamente
.La distancia desde Cochabamba a Santa Cruz es de 538 Km., a Tarija de 1046 Km.
y a La Paz de 439 Km. La distancia de Sucre a Santa Cruz es de 393 Km., a Tarija de 693
Km. y a La Paz de 673 Km. Debido a que se trata de un producto que requiere unos
transportes especiales, el costo del transporte por kilmetro y tonelada es de 5 $us.
La empresa se plantea cual debe ser la cantidad a transportar desde cada almacn a
cada uno de los clientes, de forma que el costo del transporte sea mnimo.
Este problema, es un ejemplo tpico de transporte, aunque podemos observar que las
ofertas desde los almacenes son superiores a las demandas, en este caso podramos
plantear un destino ficticio.
Observe que el suministro total = 950 Toneladas excede la demanda total = 900
toneladas por 950 900 = 50 Toneladas.
Para construir un modelo balanceado (suministro = demanda) creamos un punto de
demanda ficticio con una cantidad requerida igual a 50 toneladas. Llamaremos este
punto de demanda ficticio nmero 4.
144
Captulo 6
Esto produce el siguiente modelo de transporte balanceado.

Minimizar Z = (538*5) x11 + (1046*5) x12 + (439*5) x13 + (0*5) x14 + (393*5)
x21 + (693*5) x22 + (673*5) x23 + (0*5) x24
Sujeto a:
x11 + x12 + x13 + x14
= 350
Restr. de oferta
x21 + x22 + x23 + x24 = 600
+ x21
x11
x12
+ x22
x13
Ficticio
= 325
= 300
+ x23
x14
xij 0 (i =1,2
= 275
Restr. de demanda
+ x24 = 50
y j = 1, 2, 3, 4)
Las dos variables en esta restriccin (ver la restriccin resaltada) son variables
ficticias. x14 y x24 en realidad representan la cantidad del producto en los puntos de
suministro de Cochabamba y Sucre, respectivamente, que no es enviada.
Problema de transporte no balanceado: La demanda excede el suministro.
Una determinada empresa que posee dos plantas de produccin en Cochabamba y
Sucre con una capacidad de almacenamiento de 350 y 600 Toneladas, respectivamente.
Tiene que suministrar sus productos a tres clientes situados en Santa Cruz, Tarija y La Paz.
La demanda de estos clientes es de 350, 375 y 275 Toneladas, respectivamente.
La distancia desde Cochabamba a Santa Cruz es de 538 Km., a Tarija de 1046 Km.
y a La Paz de 439 Km. La distancia de Sucre a Santa Cruz es de 393 Km., a Tarija de 693
Km. y a La Paz de 673 Km. Debido a que se trata de un producto que requiere unos
transportes especiales, el costo del transporte por kilmetro y tonelada es de 5 $us.
La empresa se plantea cual debe ser la cantidad a transportar desde cada almacn a
cada uno de los clientes, de forma que el costo del transporte sea mnimo.
Este problema, es un ejemplo tpico de transporte, aunque podemos observar que las
ofertas desde los almacenes son inferiores a las demandas, en este caso podramos
plantear un suministro ficticio.
As, la demanda total = 1000 Toneladas excede al suministro total = 950 Toneladas
por la cantidad de 1000 950 = 50 Toneladas.
Para construir una red de transporte balanceado (suministro = demanda) creamos un
punto de suministro ficticio con una cantidad disponible = demanda suministro = 50
toneladas. Designaremos el nuevo punto de suministro ficticio con el nmero 3. Este
nuevo punto de suministro producir tres nuevas variables ficticias: x31, x32 y x33.
145
Captulo 6
El nuevo modelo de transporte balanceado es como sigue.

Minimizar Z = (538*5) x11 + (1046*5) x12 + (439*5) x13 + (393*5)
x21 + (693*5) x22 + (673*5) x23 + (0*5) x31 + (0*5) x32 + (0*5) x33
Sujeto a:
x11 + x12 + x13
= 350
x21 + x22 + x23
Ficticio
= 600
Restr. de ofer.
x31 + x32 + x33 = 50

x11
+ x21
x31
+ x22
x12
x13
= 350
+ x32
+ x23
xij 0 (i =1,2,3
= 375
Restr. de dem.
+ x33 = 275
y j = 1, 2, 3)
Las variables resaltadas son variables ficticias. x31, x32 y x33; representan la
cantidad de requerimientos en los puntos de demanda Santa Cruz, Tarija y La Paz
respectivamente, que no es satisfecha (dficit).
Un problema de distribucin o de transporte puede ser balanceado aadiendo
un punto de suministro ficticio, si la demanda total excede al suministro total o
aadiendo un punto de demanda ficticio, si el suministro total excede a la demanda.
6.5.2 Determinacin de la solucin factible de inicio

Un modelo general de transporte con m fuentes y n destinos tiene m + n
ecuaciones de restriccin, una para cada fuente y cada destino. Sin embargo, como el
modelo de transporte siempre est balanceado (suma de la oferta = suma de la demanda),
una de esas ecuaciones es redundante. Entonces el modelo tiene m + n 1 ecuaciones
independientes de restriccin, lo que quiere decir que la solucin bsica factible de inicio
consiste en m + n 1 variables bsicas.
La estructura especial del modelo de transporte permite asegurar que haya una
solucin bsica no artificial de inicio, obtenida con uno de los tres mtodos siguientes.
Mtodo de la Esquina Noroeste (MEN)
Mtodo del Costo Mnimo (MCM).
Mtodo de Aproximacin de Vogel (MAV).
Los tres mtodos difieren en la la calidad de la solucin bsica factible de inicio
que se obtienen, en el sentido de que una mejor solucin bsica factible de inicio produce
un valor objetivo menor. En general, el mtodo de aproximacin de Vogel produce la
solucin bsica factible de inicio, y el de la Esquina Noroeste produce la peor.
La compensacin es que el mtodo de la Esquina Noroeste implica el mnimo de
clculos.
146
Captulo 6
6.5.2.1 Mtodo de la Esquina Noroeste.

El procedimiento de la Esquina Noroeste es generalmente considerado por ser el
mtodo ms fcil al determinar una solucin bsica factible inicial. Es tambin considerado
por ser el menos probable para dar una buena solucin inicial de bajo costo porque ignora
la magnitud relativa de los costos Cij.
Se siguen los siguientes pasos:
Paso 1. En la posicin (1,1) de la matriz asigne el valor x11 correspondiente al
min (a1,b1), o sea x11 = min (a1,b1).
O sea, asignar todo los ms que se pueda a la celda seleccionada.
Paso 2. Hallar los nuevos valores de oferta 1 y demanda 1
1 = a1 x11
1 = b1 x11
Si 1 se hace cero, pasar a la posicin (2,1) donde:

x21 = min (b1 x11 , a2).
Si 1 se hace cero, pasar a la posicin (1,2) donde y
x12 = min (a1 x11, b2).
Es decir ajustar las cantidades asociadas a oferta y demanda restando la
cantidad asignada.
Paso 3. Salir del rengln o la columna cuando se alcance oferta o demanda
cero, y tacharlo, para indicar que no se pueden hacer ms asignaciones
a ese rengln o columna.
Si un rengln y una columna dan cero al mismo tiempo, tachar solo
uno (el rengln o la columna) y dejar una oferta (demanda) cero en el
rengln (columna) que no se tacho.
Paso 4. Continuar el procedimiento partiendo de la posicin asignada y llegar a
la posicin (m,n)
El siguiente problema tiene tres orgenes y cuatro destinos. Las ofertas en los
orgenes O1, O2 y O3 son 20, 6 y 9 unidades respectivamente. Los requerimientos en los
destinos D1, D2, D3 y D4 son 5, 20, 5 y 5 unidades respectivamente. Los unitarios de envi
aparecen en la siguiente tabla.
D1
D2
D3
D4
Oferta
O1
20
30
40
20
20
O2
60
30
50
40
O3
20
10
40
70
Demanda
20
35
147
Captulo 6
Entonces:
Primeramente ver si el problema esta balanceado Demanda = Oferta. El problema
esta balanceado porque el total de la oferta y demanda total son ambos igual a 35 unidades.
El modelo de transporte esta balanceado y la meta es minimizar el costo de envi
sujeto a las restricciones de disponibilidad y requerimientos. Esto es:
Minimizar Z = 20x11 + 30x12 + 40x13 + 20x14 + 60x21 + 30x22 + 50x23 + 40 x24
+20x31 + 10x32 + 40x33 + 70x34
Sujeto a:
= 20
x11 + x12 + x13 + x14
x21 + x22 + x23 + x24
=6
Restr. ofer.
x31 + x32 + x33 + x34 = 9
x11
+ x21
x31
=5
x12
+ x22
+ x32
= 20 Rest. dem.
x13
+ x23
+ x33
=5
x14
+ x24
+ x34 = 5
xij 0 (i =1, 2, 3 y j = 1, 2, 3, 4)
Entonces el modelo tiene m + n ecuaciones, entonces 3 + 4 1 = 6 variables
bsicas.
Al aplicar el procedimiento al modelo, se obtiene la solucin bsica factible de
inicio, las flechas indican el orden en el que se generan las cantidades asignadas.
iteracin cero
Destinos
Orgenes
1
2
3
Oferta
30
40
20
60
30
50
40
20
10
40
70
20
20
6
9
35
1 iteracin
Destinos
Orgenes
Oferta
20
30
40
20
60
30
50
40
20
10
40
70
2
3
Demanda
20
Demanda
20
15
6
9
35
148
Captulo 6

2 iteracion
Destinos
Orgenes
2
20
Oferta
30
40
20
60
30
50
40
20
10
40
70
15
2
3
0
Demanda
6
9
35
Y as sucesivamente hasta llegar a la iteracin sexta. Como se ve en la figura

siguiente:
6 iteracion
Destinos
Orgenes
1
20
5
Oferta
30
40
20
30
50
40
40
70
15
60
20
3
Demanda
10
4
5
0
0
0
0
35
La Solucin bsica factible de inicio es la siguiente:

x11 = 5, x12 = 15, x13 = 0, x14 = 0
x21 = 0, x22 = 5, x23 = 1, x24 = 0
x31 = 0, x32 = 0, x33 = 4, x34 = 5
El costo del programa correspondiente es:
Z = 5*20 + 15*30 + 0*40 + 0*20 + 0*60 + 5*30 + 1*50 + 0*40 + 0*20 +
0*10 + 4*40 + 5*70 = $ 1260.
Es improbable que este plan factible sea tambin el plan de envi factible de
mnimo costo o del mtodo Aproximacin de Vogel, ya que ignoramos la magnitud relativa
de los costos unitarios en cada iteracin. Observe que se necesitan seis iteraciones en el
procedimiento de la esquina noroeste para construir un plan de envi factible inicial.
En general, un problema del transporte de tamao m n (m = nmeros de origen
y n = nmero de destinos) requiere a lo mximo n + m -1 iteraciones.
149
Captulo 6
6.5.2.2 Mtodo del costo mnimo.

Este mtodo determina una mejor solucin de inicio, porque se concentra en las
rutas menos costosas; este es un procedimiento que se utiliza tomando como base a las
rutas que tengan el menor costo.
El procedimiento es el siguiente:
Asgnese el valor ms grande posible a la variable con menor costo unitario de
toda la tabla (Cij). (Los empates se rompen arbitrariamente). Tchese el rengln o columna
satisfecha. (Como en el mtodo de la esquina noroeste, si una columna y un rengln se
satisfacen de manera simultnea, slo una puede tacharse). Despus de ajustar la oferta y
la demanda de todos los renglones y columnas no tachados, reptase el proceso asignando el
valor ms grande posible a la variable con el costo unitario no tachado ms pequeo. El
procedimiento esta completo cuando queda exactamente un rengln o una columna sin
tachar.
Considere de nuevo la red de transporte del ejemplo 6.3.
iteracin cero
Destinos
Orgenes
1
2
3
Destinos
Orgenes
Oferta
30
40
20
60
30
50
40
20
10
40
70
20
20
6
9
1
2
30
40
20
60
30
50
40
10
40
70
9
5
Oferta
20
20
3
Demanda
20
Demanda
1 iteracin
11
20
6
0
150
Captulo 6

2 iteracin
Destinos
Orgenes
1
30
40
20
60
30
50
40
10
40
70
11
15
6
0
3 iteracin
Destinos
Orgenes
2
20
3
30
4
40
Oferta
20
2
3
60
30
50
40
20
10
40
70
9
0
Demanda
11
10
6
0
4 iteracin
Destinos
Orgenes
2
20
3
30
4
40
10
20
Oferta
20
60
30
50
40
10
40
70
9
0
Demanda
0
6
0
5 iteracin
Destinos
Orgenes
2
20
3
30
4
40
10
Oferta
20
60
30
50
40
10
40
70
1
20
3
Demanda
Oferta
Demanda
20
20
9
0
0
5
0
151
Captulo 6

6 iteracin
Destinos
20
5
3
30
4
40
10
30
1
20
50
40
40
70
20
10
9
Oferta
60
Demanda
Orgenes
0
0
0

x11 = 5, x12 = 10, x13 = 0, x14 = 5
x21 = 0, x22 = 1, x23 = 5, x24 = 0
x31 = 0, x32 = 9, x33 = 0, x34 = 0
Z = 5*20 + 10*30 + 0*40 + 5*20 + 0*60 + 1*30 + 5*50 + 0*40 +
9*10 + 0*40 + 0*70 = $ 870.
0*20 +
6.5.2.3 Mtodo de aproximacin de Vogel.

El mtodo comienza calculando por cada columna y por cada fila el castigo o
penalty. El castigo se calcula como la diferencia entre los dos costos menores (Cij) en la
columna o en la fila segn corresponda. A continuacin, se determina la fila o columna con
un mayor valor de castigo. Luego, se selecciona como variable bsica la celda con menor
costo de la fila o columna, segn corresponda, y se le asigna la mxima cantidad posible.
Una vez realizada la asignacin, se descarta la fila o columna cuya oferta o
demanda haya sido completa. Se recalcula la demanda u oferta disponible en la fila o
columna. La primera asignacin se ha completado.
Se vuelven a calcular los castigos por fila y por columna y se repite el
procedimiento descrito hasta completar las asignaciones posibles en la tabla.
La ventaja del mtodo de Vogel por sobre el de la Esquina Noroeste es que va
adelante algunas iteraciones y por lo tanto se obtiene una solucin inicial mejor.
Eventualmente puede ocurrir que aplicando el mtodo se llegue directamente a la
solucin ptima. La desventaja del mtodo de Vogel radica en que sin duda es ms
complejo que el de la esquina noroeste, por lo tanto es ms difcil de implementar y ms
proclive a errores en la aplicacin.
152
Captulo 6

Considere de nuevo la red de transporte del ejemplo 6.3.
iteracin cero
Destinos
Orgenes
1
2
3
Oferta
20
30
40
20
60
30
50
40
20
10
40
70
Demanda
20
Castigo
20
10
20
Castigo
20
10
10
35
Aplicando el mtodo de Aproximacin de Vogel tenemos:

1 iteracin
Destinos
Orgenes
1
2
3
20
30
40
20
60
30
50
40
20
10
40
70
Demanda
11
Castigo
40
10
20
Destinos
Orgenes
20
10
Oferta
20
30
40
20
60
30
50
40
10
40
70
20
Castigo
Demanda
Castigo
2 iteracin
Oferta
9
0
11
10
20
Castigo
15
10
10
153
Captulo 6

3 iteracin
Destinos
Orgenes
2
20
3
30
4
40
Oferta
20
5
60
20
30
50
40
10
40
70
11
10
Castigo
10
10
20
Demanda
Castigo
4 iteracin
Destinos
Orgenes
2
20
3
30
4
40
Oferta
20
10
5
60
30
50
40
20
10
40
70
9
0
Demanda
10
Castigo
Castigo
5 iteracin
Destinos
Orgenes
2
20
3
30
4
40
20
30
50
40
10
40
70
6
20
Demanda
Castigo
60
Oferta
Castigo
6 iteracin
Destinos
Orgenes
1
20
5
3
30
4
40
60
Oferta
20
30
50
40
10
40
70
6
20
3
Demanda
9
0
0
0
0
154
Captulo 6

x11 = 5, x12 = 5, x13 = 5, x14 = 5
x21 = 0, x22 = 6, x23 = 0, x24 = 0
x31 = 0, x32 = 9, x33 = 0, x34 = 0
Z = 5*20 + 5*30 + 5*40 + 5*20 + 0*60 + 6*30 + 0*50 + 0*40 + 0*20 +
9*10 + 0*40 + 0*70 = $ 820.
6.5.3 Algoritmo de verificacin y bsqueda del ptimo.

Una vez hallada la solucin bsica factible de inicio en el anterior punto, se aplican
los siguientes pasos para hallar la solucin ptima. Este procedimiento es iterativo y trabaja
bajo los principios del mtodo smplex.
A continuacin se expondrn los pasos para aplicar el mtodo Smplex para el
problema de Transporte. La deduccin y justificacin detallada de cada uno de los pasos se
puede encontrar en los textos de la bibliografa de la asignatura.
Paso 1. Si el problema no esta balanceado, balancearlo. Construir la tabla de
transporte. (descrita en el seccin 6.5.1)
Paso 2. Encontrar una solucin inicial factible por el mtodo de la Esquina Noroeste,
Mnimo Costo o el de Vogel. Verificar las m + n 1 asignaciones y
completarlas si es necesario. (descrita en el seccin 6.5.2)
Paso 3. Plantear y resolver el sistema que se obtiene a travs de:
Definir para cada fila de la tabla la variable ui con (i = 1.m).
Definir para cada columna de la tabla la variable vj con (j = 1.n).
Plantear para cada casilla asignada la ecuacin ui + vj = Cij . Donde
Cij es el costo unitario asociado a la casilla i - j.
Asignar un valor arbitrario a una de las variables, por ejemplo u1 = 0.
Paso 4. Calcular en todas las casillas no asignadas (no bsicas) eij = Cij ui vj. Si
todos los eij 0 se ha encontrado el ptimo. Si existe algn eij < 0,
incorporar la variable con menor eij siempre y cuando pueda formar un loop,
en dicho caso, asignar el mayor valor posible de modo de mantener las
variables bsicas mayores o iguales a cero.
Paso 5. Si la solucin no es la ptima, emplear la solucin del paso anterior para
volver a plantear y resolver el sistema (Paso 3). Seguir al Paso 4.
La variable eij representa el aporte neto unitario de la incorporacin de la variable
i j a la base. Por lo tanto, si el problema es de maximizacin, la solucin seria ptima si
todos los eij < 0. En caso contrario, se ingresa a la base la variable con mayor eij que pueda
formar un loop.
En el caso de que al emplear uno de los mtodos para obtener una solucin inicial
falten dos o ms asignaciones para completar las m + n 1 asignaciones requeridas, los
ceros deben ser ubicados de tal forma que sea suficiente dar solo un valor arbitrario a las
variables del sistema asociado a la asignacin para poder resolverlo completamente.
155
Captulo 6

Ilustremos el procedimiento resolviendo la tabla planteado para el problema del
ejemplo 6.3.
En ese caso, mediante la Esquina Noroeste se obtuvo la siguiente solucin inicial:
Destinos v1=
Orgenes
u1=
1
u2=
2
u3=
3
Demanda
2
20
v4=
v3=
v2=
30
Oferta
4
40
20
50
40
40
70
15
60
30
5
20
10
4
5
0
35
Con un costo de Z = $1260

Luego, las ecuaciones se plantean en las casillas asignadas:
u1 + v1 = 20 (1)
u2 + v3 = 50 (4)
u1 + v2 = 30 (2)
u3 + v3 = 40 (5)
u2 + v2 = 30 (3)
u3 + v4 = 70 (6)
Agregando la condicin u1 = 0 se obtiene de (1) v1 = 20. Luego, de (2) v2 = 30. De
(3) y de (4) u2 = 0 y v3 = 50. Reemplazando en (5) se calcula u3 = 10. Finalmente, de (6)
se obtiene v4 = 80. A continuacin se calculan los eij en las casillas no bsicas:
eij = Cij ui vj
e13 = 40 0 50 = 10
e14 = 20 0 80 = 60
e21 = 60 0 20 = 40
e24 = 40 0 80 = 40
e31 = 20 (-10) 20 = 10
e32 = 10 (-10) 30 = 10

Destinos v1= 20 v2= 30 v3= 50 v4= 80
1
2
3
4
20
30
40
20
5
15
-10
-60
60
30
50
40
40 5
1
-40
20
10
40
70
10
-10 4
5
Orgenes
u1= 0
1
u2= 0
2
u3= -10
3
Demanda
20
Oferta
20
6
9
35
Por lo tanto, el menor eij corresponde a e14 con valor -60. Lo que significa que por
cada unidad asignada a la variable x14 el efecto global neto es de -60, independientemente
de que el costo asociado a dicha casilla sea de 20. Veamos si existe un loop factible y el
mximo valor que podra tomar la variable.
Por lo tanto, la variable de entrada es x14.
156
Captulo 6

Destinos v1= 20
v2= 30 v3= 50 v4= 80
3
4
1
2
20
30
40
20
5
15-
+ -60
60
30
50
40
5+
1-
20
10
40
70
4+
5-
Orgenes
u1= 0
1
u2= 0
2
u3= -10
3
20
Demanda
Oferta
20
6
9
35
Como las variables deben ser positivas, el valor de debe ser tal que no introduzca
una variable negativa a la tabla. En este caso, la condicin que controla es 1 - = 0, por lo
tanto = 1. Entonces, la variable de salida es x23.
Introducimos el valor de = 1, entonces tendremos:
1 iteracin
Destinos
1
Orgenes
2
20
3
30
40
20
14
60
2
Oferta
30
50
40
6
20
10
40
5
Demanda
20
70
4
20
6
9
35
Con un costo total mnimo de Z = $1200

Y volvemos a plantear el sistema asociado:
u1 + v1 = 20
(1)
u2 + v2 = 30
(4)
u1 + v2 = 30
(2)
u3 + v3 = 40
(5)
u1 + v4 = 20
(3)
u3 + v4 = 70
(6)
Agregando la condicin u1 = 0, entonces se procede a hallar las restantes incgnitas

o sea, v1 = 20, v2 = 30, v4 = 20, u2 = 0, u3 = 50 y v3 = -10, respectivamente.
Destinos v1= 20
v2= 30 v3= -10 v4= 20
1
3
4
2
Orgenes
u1= 0
20
30
40
20
1
5
14
1
u2= 0
60
30
50
40
2
6
u3= 50
20
10
40
70
3
5
4
Demanda
20
Oferta
20
6
9
35
157
Captulo 6
A continuacin se calculan los eij en las casillas no bsicas:

eij = Cij ui vj
e24 = 40 0 20 = 20
e13 = 40 0 (-10) = 50
e21 = 60 0 20 = 40
e31 = 20 50 20 = 50
e23 = 50 0 (-10) = 60
e32 = 10 50 30 = 70
Por lo tanto, el menor eij corresponde a e32 con valor -70. Veamos si existe un loop
factible y el mximo valor que podra tomar la variable.
Destinos v1= 20
v2= 30 v3= -10 v4= 20
1
2
3
4
Orgenes
u1= 0
20
30
40
20
1
5
14-
1+
u2= 0
60
30
50
40
2
6
u3= 50
20
10
40
70
3
+
-70 5
4-
5
Demanda
20
Oferta
20
6
9
35
una variable negativa al la tabla. En este caso, la condicin que controla es 4 - = 0, por lo
2 iteracin
Destinos
1
Orgenes
2
20
3
30
40
10
20
20
60
2
Oferta
30
50
40
10
40
70
6
20
Demanda
5
20
35
Con un costo total mnimo de Z = $ 920

u1 + v1 = 20
u1 + v2 = 30
u1 + v4 = 20
(1)
(2)
(3)
u2 + v2 = 30
u3 + v2 = 10
u3 + v3 = 40
(4)
(5)
(6)

o sea, v1 = 20, v2 = 30, v4 = 20, u2 = 0, u3 = -20 y v3 = 60, respectivamente.
158
Captulo 6

Destinos v1= 20
v2= 30 v3= 60 v4= 20
1
2
3
4
20
30
40
20
5
10
5
60
30
50
40
6
20
10
40
70
4
5
Orgenes
u1= 0
1
u2= 0
2
u3= -20
3
Demanda
20
Oferta
20
6
9
35

eij = Cij ui vj
e13 = 40 0 60 = 20
e24 = 40 0 20 = 20
e31 = 20 (-20) 20 = 20
e21 = 60 0 20 = 40
e23 = 50 0 60 = 10
e34 = 70 (-20) 20 = 70
Por lo tanto, el menor eij corresponde a e13 con valor -20. Veamos si existe un loop
factible y el mximo valor que podra tomar la variable.
Destinos v1= 20
v2= 30 v3= 60 v4= 20
2
1
3
4
Orgenes
u1= 0
20
30
40
20
1
5
10-
+ -20 5
u2= 0
60
30
50
40
2
6
u3= -20
20
10
40
70
3
4+
5-
20
Demanda
Oferta
20
6
9
35
una variable negativa a la tabla. En este caso, la condicin que controla es 5 - = 0, por lo
3 iteracin
Destinos
1
Orgenes
2
20
30
5
Oferta
4
40
60
2
20
5
30
50
40
10
40
70
6
20
3
Demanda
9
5
20
20
6
9
35
Con un costo total mnimo de Z = $ 820

159
Captulo 6

u1 + v4 = 20 (4)
u1 + v1 = 20 (1)
u1 + v2 = 30 (2)
u2 + v2 = 30 (5)
u1 + v3 = 40 (3)
u3 + v2 = 10 (6)
o sea, v1 = 20, v2 = 30, v3 = 40, v4 = 20, u2 = 0 y u3 = -20, respectivamente.
Destinos v1= 20
v2= 30 v3= 40 v4= 20
1
2
3
4
Orgenes
u1= 0
20
30
40
20
1
5
5
5
5
u2= 0
60
30
50
40
2
6
u3= -20
20
10
40
70
3
9
20
Demanda
Oferta
20
6
9
35

eij = Cij ui vj
e31 = 20 (-20) 20 = 20
e21 = 60 0 20 = 40
e23 = 50 0 40 = 10
e33 = 40 (-20) 40 = 20
e24 = 40 0 20 = 20
e34 = 70 (-20) 20 = 70
Resolviendo el sistema, se determina que todos los eij son positivos, por lo tanto la
incorporacin de cualquier variable a la base aumentara el valor total de la funcin
objetivo. Como el problema es de minimizacin, se ha alcanzado el ptimo.
Por lo tanto, la tabla final queda en la 3 iteracin:
3 iteracin
Destinos
1
Orgenes
2
20
30
5
Oferta
4
40
60
2
20
5
30
50
40
10
40
70
6
20
3
Demanda
9
5
20
20
6
9
35
La Solucin ptima es la siguiente:

x11 = 5, x12 = 5, x13 = 5, x14 = 5
x21 = 0, x22 = 6, x23 = 0, x24 = 0
x31 = 0, x32 = 9, x33 = 0, x34 = 0
Z = 5*20 + 5*30 + 5*40 + 5*20 + 0*60 + 6*30 + 0*50 + 0*40 + 0*20 +
9*10 + 0*40 + 0*70 = $ 820.
160
Captulo 6
6.6 Anlisis de sensibilidad en problemas de transporte

A continuacin se discutir tres tipos de anlisis de sensibilidad de un problema de
transporte:
Variacin 1. Cambios en los coeficientes de la funcin objetivo de variables no
bsicas.
Variacin 2. Cambios en los coeficientes de la funcin objetivo de variables
bsicas.
Variacin 3. Incrementos en una oferta y en una demanda.
Para ilustrar el anlisis de sensibilidad sobre la solucin ptima de un problema de
transporte emplearemos la solucin obtenida en la seccin anterior:
3 iteracin
Destinos v1= 20
v2= 30 v3= 40 v4= 20
1
2
3
4
20
30
40
20
5
5
5
5
60
30
50
40
6
20
10
40
70
9
Orgenes
u1= 0
1
u2= 0
2
u3= -20
3
Demanda
20
Oferta
20
6
9
35
6.6.1 Variacin de coeficientes en la funcin objetivo de variables no

bsicas
En este caso, simplemente se impone una variacin en el coeficiente de la

variable xij a modificar, estudiando el rango de variacin admisible de modo que el eij
respectivo mantenga su signo.
A modo de ejemplo, supongamos que se desea determinar a cuanto debe disminuir
el costo de envo desde el origen 2 al Destino 1 de modo de incorporar esta combinacin a
la solucin ptima.
En este caso, un cambio del coeficiente c21 = 60 a c21 = 60 no afecta los valores
de los ui y vj calculados previamente, por lo tanto:
e21 = (60 ) 0 20 = 40
Como corresponde a un problema de minimizacin para que x21 entre a la base
debe cumplirse que e21 0, es decir, 40. Por lo tanto, el costo debe disminuir a menos
de 20 para que se incorpore a la solucin ptima. De todas formas, se debe verificar que la
variable pueda generar un loop:
3 iteracin
Destinos v1= 20
v2= 30 v3= 40
1
2
3
20
30
40
5-
5+
5
60
30
50
+
6-
20
10
40
9
Orgenes
u1= 0
1
u2= 0
2
u3= -20
3
Demanda
20
v4= 20
4
20
5
40
Oferta
70
5
20
6
9
35
La variable puede entrar a la base con valor de 5, el valor de la funcin objetivo es:
Zk + 1 = Zk + eij = 820 + (40 ) 5
40
161
Captulo 6
6.6.2 Variacin de coeficientes en la funcin objetivo de variables bsicas.

En este caso la situacin es ms compleja pues una variacin del coeficiente de una
variable bsica afectara el valor de los ui y los vj calculados previamente. En este caso, se
debe volver a resolver el sistema en trminos de la variacin del coeficiente de la variable
bsica, volver a calcular los eij y determinar el rango de variacin admisible.
Supongamos por ejemplo que se desea determinar en cuanto podra aumentar el
costo de envo desde Origen 1 al Destino 2 de modo de mantener la base ptima.
En este caso, cambiamos c12 = 30 por c12 = 30 + y volvemos a resolver el sistema:
u1 + v1 = 20
u1 + v3 = 40
u2 + v2 = 30
(1),
(3),
(5),
u1 + v2 = 30 +
u1 + v4 = 20
u3 + v2 = 10
(2)
(4)
(6)
Si u1 = 0 entonces tenemos:
u1 = 0,
v1 = 20
v2 = 30 + , v3 = 40
v4 = 20,
u2 =
u3 = 20
Luego, calculamos los eij para todas las variables no bsicas y sus restricciones:
eij = Cij ui vj
e21 = C21 u2 v1 = 60 + 20
= 40 + 0
e23 = C23 u2 v3 = 50 + 40
= 10 + 0
= 20 + 0
e24 = C24 u2 v4 = 40 + 20
e31 = C31 u3 v1 = 20 (-20 + ) 20 = 20 0
e33 = C33 u3 v3 = 40 (-20 + ) 40 = 20 0
e34 = C34 u3 v4 = 70 (-20 + ) 20 = 70 0
-40
-10
-20
20
20
70
Por lo tanto, la base ptima se mantiene para un rango de variacin: -10 20 o

bien,
20 c12 50
6.6.3 Incrementos en una oferta y en una demanda.
Si tanto en alguna oferta ai como en alguna demanda bj se produce un aumento de
, se mantiene el balanceo del problema. En este caso, se demuestra que:
Znuevo = Zoriginal + ui + vj
La expresin anterior se obtiene a partir de que tanto los ui y los vj equivalen a
menos el precio sombra de la restriccin asociada a cada origen i o destino j segn
corresponda.
Por ejemplo, si la oferta del origen1 y la demanda del destino 2 crece en una unidad,
se tiene:
Znuevo = 820 + 1 0 + 1 30 = 850
Una vez definido el nuevo valor de la funcin objetivo, es importante determinar
como cambian los valores de las variables.
162
Captulo 6
Para ello se siguen las siguientes reglas:

1. Si xij es una variable bsica, xij se incrementa en .
2. Si xij es una variable no bsica, se debe encontrar el loop que contenga a xij y
algunas de las variables bsicas. Encontrar la primera celda de la fila i (distinta
de xij) y aumentar su valor en . Continuar el loop, incrementando y
disminuyendo en en forma alternada.
Para ilustrar la primera situacin, supongamos que a3 y b2 aumentan en 2. Como x32
es una variable bsica, la nueva tabla ptima queda:
Destinos v1= 20
v2= 30 v3= 40 v4= 20
1
2
3
4
Orgenes
u1= 0
20
30
40
20
1
5
5
5
5
u2= 0
60
30
50
40
2
6
u3= -20
20
10
40
70
3
11
Demanda
24
Oferta
20
6
11
37
El nuevo valor de la funcin objetivo es: 820 + 2u3 + 2v2 = 840

Para ilustrar la segunda situacin, supongamos que a3 y b1 aumentan en 1. Como x31
es una variable no bsica, debemos determinar el loop que incorpora a la celda (3,1). En
este caso, el loop es (3,1) (3,2) (1,2) (1,1). La primera celda del loop que esta en la
fila i distinta de (3,1) es (3,2).
Entonces, se debe agregar a x32. Continuando con el loop, se debe disminuir en
a x12 y volver a aumentar en a x11. La nueva tabla ptima se muestra a continuacin:
3 iteracin
Destinos v1= 20
v2= 30 v3= 40 v4= 20
1
2
3
4
Orgenes
u1= 0
20
30
40
20
1
6
4
5
5
u2= 0
60
30
50
40
2
6
u3= -20
20
10
40
70
3
10
Demanda
20
Oferta
20
6
10
36
El nuevo valor de la funcin objetivo es: 820 + u3 + v1 = 820.
163
Captulo 6

6.7.1 Solucin del modelo de transporte con TORA.
Parta del MainMen y escoja Transportation Model (Modelo de transporte).
Especifique el modo de captura (archivo existente o problema nuevo) y el formato
de captura.
En problemas nuevos, use la tabla de captura para ingresar datos. Y oprima SOLVE
MENU (men resolver)
Seleccione SOLVE PROBLEM = > Iterations, y escoja uno de los tres mtodos
(Esquina Noroeste, Costo Mnimo o de Vogel) para iniciar las iteraciones del modelo de
transporte. El modelo de iteraciones ofrece dos funciones tiles.
Puede usted igualar cualquier u o v a cero antes de generar la iteracin 2 (lo
predeterminado es u1 = 0). Observe entonces que aunque cambian los valores de ui y
de vj, permanece sin cambios la evaluacin de las celdas no bsicas (= ui + vj cij).
Esto quiere decir que al principio se puede igualar a cero cualquier u o v (de hecho,
cualquier valor) sin afectar los clculos de optimalidad.
1. Puede usted probar su comprensin de la seleccin del loop haciendo clic (en
cualquier orden) en las celdas que forman el loop. Si su eleccin es correcta,
la celda cambiar de color (verde para la variable de entrada, rojo para la
variable de salida y gris en cualquier otro caso).
La figura muestra las iteraciones del ejemplo 6.3, con TORA, comenzando con el
mtodo de la Esquina Noroeste.
164
Captulo 6
165
Captulo 6
6.7.2 Solucin con WinQSB.

Parta del men Inicio = > Programas = > WinQSB = > Network Modeling.
Una vez hecha la seleccin de Network Modeling haga clic en new Problem, y
escoja el tipo de problema en este caso Transportation Problem (Problema de transporte)
y coloque los datos del problema (criterio de la funcin objetivo, formato de los datos de
entrada, nmero de fuentes y destinos) y haga clic en OK
Una vez ingresados los datos del problema escoja una de los mtodos para iniciar
las iteraciones del modelo de transporte en Solve and Analyse y haga clic en Select Initial
Solution Method y presione Ok.
166
Captulo 6
Una vez seleccionado el mtodo para hallar la solucin bsica factible de inicio
proceda a calcular el ptimo haciendo clic en Solve and Analyse y haga clic en Solve and
Display Steps Tabla y presione Ok. Y aparecer la tabla inicial escogida por el tipo de
mtodo escogido, luego presione Iteration = > Next Iteration. Hasta hallar el ptimo. En
la figura se resuelve el ejemplo 6.3.
167
Captulo 6
6.7.3 Solucin con Solver de Excel.

La captura del modelo de transporte en una hoja de clculo de Excel es directa. En
la figura se resuelve el ejemplo de aplicacin 6.3. Se puede usar la plantilla para resolver
modelos hasta con 10 orgenes y 10 destinos. Divide la hoja de clculo en las secciones de
datos y de resultados (entrada y salida). En la seccin de datos, entre los datos obligatorios
estn la cantidad de fuentes (celda B3), cantidad de destinos (B4), matriz de costo unitario
(celdas B6:K15), nombres de fuentes (Celdas A6:A15), nombres de destinos (celdas
B5:K5), cantidades de las ofertas (celdas L6:L15) y de demanda (celdas B16:K16). La
seccin de resultados (celdas B20:K29) presenta automticamente la solucin ptima en
forma de matriz. El costo total asociado aparece en la celda A19. Hemos limitado el tamao
del modelo, en forma arbitraria, a que sea de 10 10, para que quepa la presentacin en
una pantalla. Un ejercicio directo es disear un modelo de hoja de clculo que tenga el
tamao que se desee, como se ve en la explicacin siguiente.
Una vez capturados los datos solo pida Solver y haga clic en Aceptar. La solucin
aparecer en las celdas B20:K29.
El desarrollo del modelo en la hoja de clculo incluye las formulas siguientes:
Funcin objetivo: Escriba en A19 = SUMAPRODUCTO(B6:K15;B20:K29)
Transportes desde una fuente: Escriba = SUMA($B20:$K20) en L20 y cpielos
en L21:L29.
Transporte para un destino: Escriba = SUMA(B$20:B$29) en B30 y cpielos
en C30:K30.
Las relaciones del modelo relacionan las cantidades transportadas con la oferta total
en cada origen y con la demanda total en cada destino; es decir:
168
Captulo 6
Los parmetros de Solver.

Celda Objetivo:
Valor de la Celda Objetivo:
Cambiando las Celdas:
Sujeta a las Siguientes restricciones:
$A$19.
Mnimo.
$B$20:$K$29.
$B$30:$K$30 = $B$16:$K$16
$L$20:$L$29 = $L$6:$L$15
Dentro de Opciones
169
Captulo 6
Se puede desarrollar otra interesante formulacin del modelo de transporte en hoja

de clculo con los mismos datos que el modelo anterior. La diferencia esta en la seccin de
resultados y en la especificacin de los parmetros de Solver. El modelo agrega una seccin
intermedia de clculos, parte fundamental del desarrollo de la hoja de clculo. Nuestro
modelo automatiza totalmente las secciones de resultados y de clculos intermedios. La
nica informacin que debe escribir el usuario son los parmetros de Solver y,
naturalmente los datos.
En la figura se resuelve el ejemplo de aplicacin 6.3 con la nueva formulacin. La
solucin del modelo aparece en la columna B; comienza en la celda B22 bajo el
encabezado Flujo. Los nombres de las rutas aparecen en la columna A (de la celda A22
hacia abajo) y generan en forma automtica con los nombres de las fuentes y los destinos
en la seccin de datos.
Las formulas principales que activan la hoja de calculo estn en la seccin de
clculos intermedios. Primero, en la columna E (celda E21 hacia abajo) tiene los nmeros
de serie de los orgenes y los destinos, comenzando con los orgenes. Esta informacin,
junto con la cantidad de fuentes y la de los destinos, se usa para representar en forma
numrica a las rutas del modelo. Por ejemplo, el origen 1 (celda H21) al destino 4 (celda
I21) define la ruta de la fuente O1 al destino D1.
Con la informacin en las columnas H e I, las formulas de flujo por nodo en la
columna F (celda F21 hacia abajo) se escriben en la celda F21 como sigue.
= SI(E21="";"";SUMAR.SI ($H$21:$H$121, $E$21, $B$22:$B$122) SUMAR.SI
($I$21:$I$121))
A continuacin, la formula se copia en las celdas F22:F121.
La formula SUMIF (SUMAR. SI) calcula en esencia el flujo neto (entrada salida)
a travs de cada uno de los nodos de la columna E (celda E21 hacia abajo). Es importante
notar que en el modelo normal de transporte que se tiene en este momento, la formula
calculada de hecho la suma de los flujos de salida de cada fuente o bien la suma del flujo de
entrada a cada nodo de destino. Si bien pudimos haber usados dos formulas aparte para
representar la salida de la fuente y la entrada al destino, al combinar las dos en una formula
se puede usar la hoja de calculo en forma directa, con los modelos generales de redes al
Capitulo 7.
La ecuacin de flujo correspondiente a cada nodo asume la forma:
Flujo de entrada Flujo de salida = Flujo neto
Se necesita especificar las cantidades de flujo neto a cada nodo. La columna G
(celda G21 hacia abajo) contiene esos datos, que se copian de la seccin de datos en forma
automtica usando la funcin NDICE. Obsrvese que el flujo neto asociado con un nodo
fuente es positivo, y con un nodo destino es negativo. La razn de usar flujo neto negativo
en los destinos se debe a la forma en que se define el flujo del nodo en la columna F.
Tambin se puede usar la hoja de clculo para definir restricciones de capacidad
para el flujo en las distintas rutas del modelo de transporte. Primero se escribe el smbolo
y (sin las comillas) en la celda B5. Esto crear e identificara en forma adecuada las celdas
N8:W17 para escribir las restricciones de capacidad. Una celda asociada con una ruta de
capacidad infinita se debe dejar vaca.
170
Captulo 6
Una vez hecho lo anterior, la hoja de clculo usa la funcin NDICE para copiar en
forma automtica las restricciones de capacidad en la columna C (celda C22 hacia abajo).
Para usar infinito se usa el nmero 999999.
La nica informacin necesaria para resolver el modelo es los parmetros de
SOLVER. La celda objetivo $B$20 ya esta automatizada con la siguiente frmula general,
y no necesita cambiarse para todos los modelos de tamao hasta 10 x 10.
=SUMAPRODUCTO (B22:B122, J21:J121)
Solo debe el Alumno ocuparse con los elementos de Cambiando las Celdas y de
Restricciones. De acuerdo con la figura, el elemento de Cambiando las Celdas es:
$B$22:$B$33
Los renglones 22:33 abarcan todas las rutas del modelo, y cambian cuando cambia
el tamao del modelo de transporte.
Las restricciones se enuncian verbalmente como sigue:
flujo de entrada (i,j) capacidad de ruta (i,j)
(flujo de entrada flujo de salida) por el nodo j = demanda en el nodo j
Para el primer conjunto de restricciones, el lado izquierdo est en la columna B
(celda B22 hacia abajo) y el lado derecho esta en la columna C (celda C22 hacia abajo).
Para el ejemplo de la figura, las restricciones correspondientes son:
$B$22:$B$33 <= $C$22:$C$33
El segundo conjunto de restricciones se genera en las columnas F y G como sigue:
$F$21:$F$27 = $G$21:$G$27
De nuevo, obsrvese que los renglones 21:27 cubren la cantidad total de nodos del
modelo y cambian con el modelo de este.
Las restricciones de no negatividad se toman en cuenta en la ventana Opciones de
SOLVER.
171
Captulo 6
172
Captulo 6
6.8 Problema de transporte con transbordos o transporte con nodos

intermedios.
Vamos a ver ahora otra variante del problema del transporte, y es que admitimos
que puede existir flujo desde los destinos a los orgenes, cuestin que no esta implcita en el
problema del transporte original. Esta problemtica se plantea cuando pueden existir
devoluciones de los clientes hacia el proveedor, o tambin que existen puntos de depsito
intermedios, es decir, que pueden plantearse problemas de almacenes intermedios entre los
proveedores y los clientes.
En el problema original de transporte existe m orgenes y n destinos, y el flujo se
realiza desde un origen hacia cada uno de los diferentes destinos. Si en este caso
permitimos el flujo en ambos sentidos (de origen a destino y de destino a origen) se puede
hablar de un problema con m+n orgenes y m+n destinos. A este tipo de problemas se les
conoce con el nombre de problemas de transbordo (transhipment problems) o transporte
con nodos intermedios.
En el caso ms general, cada punto (origen o destino) puede ser un punto de
transbordo, es decir, cada origen puede enviar o transportar a otros orgenes o a destinos; y
los destinos pueden transportar a su vez a otros destinos o volver a los orgenes. Un punto
conserva su identidad, origen o destino, solamente cuando sea, respectivamente, un punto
que originalmente disponga de un suministro o un punto que tenga una demanda a
satisfacer.
El planteamiento matemtico de este problema es:
m+ n m+ n
Min Z =
j
c
i =1 j =1
ij
xij
s.a:
m+ n
x
k =1
m+ n
ik
x ki = ai
k i
k i
m+n
m+n
k =1
k =1
x k ,m + j x m + j ,k = b j
k m+j
xij 0
i = 1, 2,, m.
k =1
j = 1, 2,, n.
k m+j
i = 1, 2,, m+n
j = 1, 2, , m+n
Este problema se podra resolver fcilmente como un problema de transporte, si se

supiera de antemano la cantidad de flujo entrar y saldr de cada uno de los m+n puntos.
Pero desgraciadamente estas cantidades son parte del problema de decisin y por lo tanto
no se las conoce. Aunque no hay inconveniente a fijar una cota superior a cada una de estas
variables.
173
Captulo 6
Por tanto la forma prctica de resolver este tipo de problemas es convertirlo en un

problema de transporte, en donde todos los nudos son lugares de origen y destino.
Los pasos son los siguientes:
Paso 1. Si es necesario, se debe agregar un punto de demanda ficticio (con oferta 0
y demanda igual al excedente) para balancear el problema. Los costos de
envo al punto ficticio deben ser cero. Sea s la oferta total disponible.
Paso 2. Construir una tabla de transporte siguiendo las siguientes reglas:
Incluir una fila por cada punto de oferta y de transbordo.
Incluir una columna por cada punto de demanda y de transbordo.
Cada punto i de oferta debe poseer una oferta igual a su oferta original
ai. Cada punto de demanda j debe poseer una demanda igual a su
demanda original bj.
Cada punto de transbordo debe tener una oferta igual a su oferta
original +s y una demanda igual a su demanda original +s. Como de
antemano no se conoce la cantidad que transitara por cada punto de
transbordo, la idea es asegurar que no se exceda su capacidad. Se
agrega s a la oferta y a la demanda del punto de transbordo para no
desbalancear la tabla.
Una fbrica posee dos plantas de manufactura, una en Tarija y otra en Sucre. La
planta de Tarija puede producir hasta 150 unidades al da, la de Sucre hasta 200 unidades al
da. Los productos son enviados por avin a Santa Cruz y Beni. En ambas ciudades, se
requieren 130 unidades diarias. Existe una posibilidad de reducir costos enviando algunos
productos en primer lugar a Cochabamba o a La Paz y luego a sus destinos finales. Los
costos unitarios de cada tramo factible se ilustran en la siguiente tabla:
Hacia
Desde
Tarija Sucre Cochabamba La Paz Santa Cruz Beni
Tarija
13
25
28
Sucre
15
12
26
25
Cochabamba
16
17
La Paz
14
16
Santa Cruz
Beni
La fbrica desea satisfacer la demanda minimizando el costo total de envo. En este

problema, Tarija y Sucre son puntos de oferta de 150 y 200 unidades respectivamente.
174
Captulo 6
Cochabamba y La Paz son puntos de transbordo. Santa Cruz y Beni son puntos de demanda
de 130 unidades cada uno. Esquemticamente, la situacin se muestra en la figura.
Tarija
Cbba
Santa Cruz
Sucre
La Paz
Beni
Representacin grfica Problema de transbordo
A continuacin construiremos un problema de transporte balanceado a partir del

problema de transbordo. Para ello podemos seguir los siguientes pasos (suponiendo que la
oferta excede a la demanda):
En el ejemplo, s = 150 + 200 = 350. La demanda total es 130 + 130 = 260. Luego, el
punto ficticio debe tener una demanda de 350 - 260 = 90. Como en el ejemplo los puntos de
transbordo no tienen ni demanda ni oferta por si mismos, la oferta y demanda en la tabla
deber ser igual a s. Una vez planteado la tabla, se pueden emplear los mtodos vistos
anteriormente para obtener una solucin inicial factible y obtener la solucin ptima. En
este caso la tabla queda (incluida la solucin ptima):
Minimizar Z = 8x11 + 13x12 + 25x13 + 28x14 + 0x15 + 15x21 + 12x22 + 26x23 + 25x24
+ 0x25 + 0x31 + 6x32 + 16x33 + 17x34 + 0x35 + 6x41 + 0x42 + 14x43 +
16x44 + 0x45
Sujeto a:
x11 + x12 + x13 + x14 + x15
= 150
x21 + x22 + x23 + x24 + x25
= 200
x31 + x32 + x33 + x34 + x35
= 350
x41 + x42 + x43 + x44 + x45 = 350

+ x21
x11
x12
+ x31
+ x22
+ x41
+ x32
+ x23
x13
x14
+ x42
+ x33
+ x24
x15
= 350
+ x43
+ x34
+ x25
xij 0 (i =1,2,3,4
= 350
+ x35
= 130
+ x44
= 130
+ x45 = 90
y j = 1, 2, 3, 4,5)
175
Captulo 6

Noroeste
Destinos
Orgenes
Tarija
Sucre
Cbba
La Paz
Cbba
La Paz
Santa
Beni Ficticio
8
13
25
28
0
150
15
12
26
25
0
200
0
6
16
17
0
0
350
6
0
14
16
0
0
130
130
90
Demanda
5iteracin
(final)
Destinos
Orgenes
Tarija
Cbba
8
130
15
La Paz
13
6
130
6
La Paz
Demanda
0
350
350
350
14
16
0
130
130
0
0
0
0
0
Beni Ficticio
28
0
20
26
25
0
130
70
16
17
0
12
220
Santa
25
Sucre
Cbba
Oferta
90
Oferta
150
200
350
350
1050
Con un costo mnimo de $6370

Para interpretar la solucin anterior, es preciso revisar cuidadosamente las
combinaciones asignadas. De la primera fila, vemos que de Tarija solo se despacharon 130
unidades a Cbba del total de 150 disponibles, el excedente de 20 unidades esta asignado al
punto ficticio. De la segunda fila se desprende que de Sucre se enviaron 130 unidades a
Beni del total de 200 disponibles, quedando 70 asignadas al punto ficticio. En la tercera fila
vemos que se enviaron desde el punto de transbordo en Cbba 130 unidades a Santa Cruz.
La asignacin de 220 de Cbba a Cbba significa que del total de unidades en transito, 220 no
pasaron por dicho nodo de transbordo, o bien, que no se emplearon 220 unidades de la
capacidad del punto. Finalmente, en la cuarta fila, la asignacin de 350 del punto de
transbordo de La Paz a La Paz representa simplemente que no se empleo el punto de
transbordo. Grficamente, la solucin ptima se muestra en la siguiente figura.
176
Captulo 6

Determinar el costo mnimo de transporte con transbordo.
200
10
20
10
250
350
50
10
50
15
400
20
30
20
300
20
30
En el ejemplo, s = 200 + 250 + 300 = 750. La demanda total es 400 + 350 = 750,
(problema balanceado). Como en el ejemplo los puntos de transbordo no tienen ni demanda
ni oferta por si mismos, la oferta y demanda en la tabla deber ser igual a s. Una vez
planteado la tabla, se pueden emplear los mtodos vistos anteriormente para obtener una
solucin inicial factible y obtener la solucin ptima. En este caso la tabla queda (incluida
la solucin ptima):
Minimizar Z =
+99x15 +99x16 +99x17 +99x18 +10x24 +20x25 +50x26 +99x27 +99x28 +99x34 +15x35 +99x36 +99x37 +99x38
20x14
+
+20x45 +10x46 +10x47 +99x48 +99x54 +0x55 +30x56 +99x57 +30x58 +99x64 +99x65 +0x66 +50x67 +20x68
0x44
x14 +x15 +x16 +x17 +x18
= 200
= 250
x34 +x35 +x36 +x37 +x38
= 300
x44 +x45 +x46 +x47 +x48
= 750
x54 +x55 +x56 +x57 +x58
= 750
x64 +x65 +x66 +x67 +x68 = 750
+x24
+x34
+x44
+x54
+x64
= 750
+x25
+x35
+x45
+x55
+x65
= 750
+x26
+x36
+x46
+x56
+x66
= 750
+x27
+x37
+x47
+x57
+x67
= 400
+x28
+x38
+x48
+x58
+x68 = 350
x24 +x25 +x26 +x27 +x28
x14
x15
x16
x17
x18
177
Captulo 6

1 iteracin
MEN
Destinos
Orgenes
200
250
300
Oferta
20
99
99
99
99
10
20
50
99
99
99
15
0
4
99
20
99
10
99
10
99
750
99
30
99
30
750
99
6
Demanda
99
50
400
0
20
350
0
0
0
0
0
0
5 iteracin
Destinos
Orgenes
200
250
Oferta
20
99
99
99
99
10
20
50
99
99
99
3
15
99
99
99
300
0
20
10
300
10
50
99
30
99
450
99
50
700
750
30
300
99
6
Demanda
99
400
750
20
50
400
750
200
250
300
750
750
750
350
Con un costo mnimo de $25500
200
400
400
350
200
250
250
50
6
300
300
50
300
178
Captulo 6
6.9 El modelo de asignacin

El modelo de asignacin es en un tipo especial de problema de programacin lineal
en el que los asignados son recursos que se destinan a la realizacin de tareas. Por ejemplo,
los asignados pueden ser empleados a quienes se tiene que dar trabajo. La asignacin de
personas a trabajos es una aplicacin comn del problema de asignacin. Sin embargo, los
asignados no tienen que ser personas. Tambin pueden ser maquinas o vehculos o plantas
o incluso intervalos de tiempo a los que se asignan tareas. El primero de los siguientes
ejemplos se refiere a maquinas.
6.9.1 Concepto
El problema de asignacin es un caso particular del modelo de transporte que tiene
dos caractersticas a ser tomadas en cuenta:
La variable de decisin xij toma los valores de 1 0 transformndose en una
variable binaria de aceptacin o no aceptacin.
Las ofertas y demandas son uno , entonces ai = bj = 1
El modelo de ASIGNACIN consiste en asignar m centros de oferta a n centros
de demanda. Esta asignacin debe hacerse UNO A UNO, minimizando el COSTO
TOTAL ASOCIADO.
6.9.2 Solucin matemtica del modelo de asignacin

La representacin y la formulacin matemtica del modelo son:
1 si i se asigna a j
X ij =
0 si i no se asigna a j
Funcin objetivo
m
Min Z =
C
i =1 j =1
ij
X ij
Sujeto a:
n
X
j =1
ij
=1
; i
ij
=1
; j
X
i =1
Xi j = 1,0
179
Captulo 6
6.9.3 Solucin del modelo de asignacin

Para hallar la solucin ptima a este problema, se utiliza el Algoritmo HNGARO,
cuyos pasos son:
Paso 1. Balancear el problema. En este problema debe darse que m = n; por
tanto, si m < n se aadirn fila ficticias con costos iguales a cero, de la
misma manera si m>n, se aadirn columnas ficticias. En el caso que se
quiera penalizar un origen y/o destino representado la imposibilidad de
asignacin se pondr M como costo asociado.
Paso 2. En la matriz original de costo, identificar el mnimo de cada rengln y
restarlo de todos los dems elementos.
Paso 3. En la matriz que resulte del paso 2, identificar el mnimo de cada
columna, y restarlo de todos los dems elementos.
Paso 4. En los lugares con costo 0, probar una asignacin tentativa uno a uno; si
esta es posible, el problema habr terminado de lo contrario ir al paso 5.
Paso 5. Dibujar un NMERO MNIMO de lneas horizontales y/o verticales
que tachen a todos los ceros de la matriz.
Paso 6. Seleccionar el valor ms pequeo que no este cruzado por lneas. Este
elemento o valor se resta de todo elemento no tachado y se agrega a
todo elemento intersecado por una lnea horizontal y vertical.
Paso 7. Volver al paso 4.
Se desea asignar el empleado ms competente al trabajo ms importante.
Supongamos que se dispone 3 equipos de trabajo (A, B y C) capaces de ejecutar los
trabajos T1, T2 y T3. Los tiempos de ejecucin figuran en la tabla.
A
T1
T2
T3
Aplicando el algoritmo hngaro.

Paso 1. Balancear el modelo m = n = 3; problema balanceado.
Paso 2. Sean pi el costo mnimo del rengln i.
A
Mnimo del
rengln
T1
T1
p1 = 3
T2
T2
p2 = 4
T3
T3
p3 = 2
180
Captulo 6

Paso 3. Sea qj el costo mnimo de la columna j
A
T1
T2
T3
q1 = 0
q2 = 1
q3 = 0
Mnimo de la
columna
T1
T2
T3
Paso 4. En los lugares con costo 0, probar una asignacin tentativa uno a uno.
T1
T2
T3
Quedan sin asignar T3 y B ir al paso 5

Paso 5. Dibujar un NMERO MNIMO de lneas horizontales y/o verticales
que tachen a todos los ceros de la matriz
A B C
T1 0
T2 3
T3 3
Paso 6. Seleccionar el valor ms pequeo que no este cruzado por lneas. Este
elemento o valor se resta de todo elemento no tachado y se agrega a
todo elemento intersecado por una lnea horizontal y vertical
Valor mnimo no tachado 2, sumando y restando.
A B C
T1 0
T2 1
T3 1
Paso 7. volver al paso 4.
181
Captulo 6

Paso 4. En los lugares con costo 0, probar una asignacin tentativa uno a uno.
T1
T2
T3
En este caso vemos que T1 se asigna a A, T2 a C y T3 a B. El tiempo

mnimo es igual a:
z = 3 + 4 + 5 = 12
Podemos comprobar que los valores mnimos restados a las filas y
columnas sumados dan el valor de z. Para el ejemplo:
z = Min {fila 1} + Min {fila 2} + Min {fila 3} + Min {col 1} + Min
{col 2} + Min {col 3} + Min {valor en el paso 6}
z = 3 + 4 + 2 + 0 + 1 + 0 + 2 = 12
Para el caso de MAXIMIZAR, se elige el valor ms grande y se resta de este valor
los valores de la matriz, obteniendo una nueva matriz. Y se aplica el algoritmo hngaro.
Para el caso de maximizar en el ejemplo 6.8 se tiene:
T1
T2
T3
El valor ms grande es 8 entonces se obtiene:
T1
T2
T3
182
Captulo 6
Aplicando el algoritmo hngaro, se obtiene:
T1
T2
T3
T1
T2
T3
En este caso vemos que T1 se asigna a C, T2 a B y T3 a A. El tiempo mximo es

igual a:
z = 6 + 8 + 5 = 19
Tambin podemos comprobar que:
z = Valor mximo *n Min {filas y columnas}
z = 8 * 3 (2 + 0 + 3)
6.10 Problemas de transporte multidimensional.

Una de las hiptesis bsicas del problema del transporte consiste en que cada uno de
los orgenes dispone de un nico producto, y adems es homogneo. Una generalizacin de
este problema, es cuando los orgenes disponen de diferentes productos, no todos ello
homogneos, y que es posible enviar a diferentes destinos.
Desde el punto de vista formal, este problema consiste en: Una fbrica posee l
factoras distribuidas en diferentes lugares. Cada una de las l factoras puede fabricar n
tipos diferentes de un producto que se distribuye en m reas de venta.
Sean:
aik : el nmero de unidades enviadas al rea k desde la factora i.
bjk : el nmero de unidades del tipo j enviadas al rea k
dij : el nmero de unidades del tipo j enviadas por la factora i.
xijk : el nmero de unidades del tipo j fabricadas en la factora i, y enviadas al
rea k.
cijk : el costo unitario de transporte de una unidad de tipo j fabricada en la
factora i, y enviada al rea k.
183
Captulo 6
El planteamiento matemtico ser:

Min z = k C ijk xi jk
i
s.a:
ijk
= aik
ijk
= b jk
ijk
= d ij
xijk 0
Para que este problema sea consistente, debe verificarse que:
; a ik = b jk
; d ij = b jk
aik = d ij
k
6.11 Problemas de transporte con restricciones adicionales.

En algunos problemas de transporte hay casos en los que los distintos almacenes
tienen ciertas preferencias por los fabricantes, debido a que el producto puede variar en
alguna caracterstica de uno a otro. Un ejemplo tpico de esto es plantea en las fundiciones
de hierro, donde el transporte y distribucin de la pirita de hierro puede presentar impurezas
segn su origen.
Este problema se puede plantear como un problema de transporte con dos conjuntos
de restricciones adicionales.
Sean n factoras que disponen de ai (i=1,2..m) cantidades de un cierto producto, y se
desea enviar a unos destinos que demanda bj (j=1,2,..n) cantidades de este producto. Una
unidad de producto contiene pijk unidades de impurezas (k=1,2..p) cuando es enviado de i a
j.
El demandante no puede recibir ms de djk unidades de impurezas k.
El costo de transportar una unidad de producto de i a j es cij.
El problema es satisfacer la demanda con el mnimo costo.
Denominamos xij la cantidad enviada desde el origen i hasta el destino j,
evidentemente, xij 0.
Por tanto el problema a resolver es:
m
Min z =
C
i =1 j =1
ij
xj
s.a:
m
ij
= bj
j = 1, 2,, n
ij
= aj
i = 1, 2,, m
xij d jk
k = 1, 2,, p
i =1
n
j =1
m
P
i =1
m
ijk
a = b
i =1
j =1
xij 0
i = 1, 2,, m
j = 1, 2,, n
184
Captulo 6
6.12 Problemas propuestos.

1. Considere el problema de transporte que tiene la siguiente tabla de costos y
requerimientos:
Origen
1
2
3
Demanda
a)
b)
c)
2.
Destino
2
3
8
4
2
1
6
4
3
4
3
5
7
3
3
Recursos
4
3
2
Utilice el mtodo de la esquina noroeste para construir una solucin

bsica factible de inicio.
Utilice el mtodo del costo mnimo para construir una solucin bsica
factible de inicio.
Utilice el mtodo de aproximacin de Vogel para construir una solucin
bsica factible de inicio.
Una compaa tiene tres plantas que fabrican cierto producto que debe mandarse a
cuatro centros de distribucin. Las plantas 1, 2 y 3 producen 12, 17 y 11 cargas
mensuales, respectivamente. Cada centro de distribucin necesita recibir 10 cargas
al mes. La distancia en km. desde cada planta a los respectivos centros de
distribucin es la siguiente:
Planta
1
2
3
Centro de distribucin
1
2
3
4
800 1300 400 700
1100 1400 600 1000
600 1200 800 900
El costo del flete por cada embarque es de $ 100 ms $0.50/km.

Cuntas cargas debe mandarse desde cada planta a cada uno de los centros de
distribucin para minimizar el costo total del transporte?
3.
La Empresa transportista Fernandez posee varios camiones usados para acarrear

piedra molida para proyectos de carreteras en el municipio. El contratista de
carreteras para quien trabaja le ha dado el programa de la semana siguiente. Calcule
el costo ptimo del transporte
Proyecto
A
B
C
Necesidades
Semanales, Cargas
de Camin
50
75
50
Planta
W
X
Y
Disponibilidad
Semanal, Cargas
de Camin
45
60
40
Informacin de Costos:
De
Al proyecto A
Al proyecto B
Al proyecto C
Planta W
$4
$3
$3
Planta X
Planta Y
185
Captulo 6
4.
Una compaa tiene las plantas A, B y C las cuales suministran arena a las
distribuidoras D, E, F y G. Las capacidades mensuales de cada planta son:
A=160 m3, B=150 m3, y C=190 m3
Los requerimientos mensuales de las distribuidoras son:
D=80 m3, E=90 m3, F= 110 m3, G= 160 m3
Los costos unitarios de envi son:
HACIA
$40
$50
$40
$40
$40
$50
$50
$50
$50
$40
$40
$40
DESDE
Determinar el plan de envos con un costo mnimo.

5.
Una compaa A, B y C suministra a los distribuidores D, E, F y G. Las capacidades

mensuales son 20, 30 y 45 unidades respectivamente. Los requerimientos mensuales
de los distribuidores son 10, 15, 40 y 30 unidades, respectivamente. Los costos
unitarios de envi son los siguientes.
HACIA
$5
$10
$5
$0
$5
$9
$5
$10
$10
$10
$15
$5
DESDE
Determinar un plan ptimo de distribucin. Cul es el mnimo costo de

transporte?
6.
Un sistema de distribucin semanal para un producto tiene las siguientes

caractersticas:
Planta
O1
O2
Centro de
Distribucin
D1
D2
D3
Perdidas
($/unidad)
2
3
2
Capacidad
Semanal
75
100
Centro
Distribuidor
D1
D2
D3
Demanda
Semanal
50
50
100
Hacia D1 D2 D3
Desde
O1
3 2 1
O2
4 5 6
La meta de la compaa es determinar un plan de envi factible que minimice la

suma de los costos de transporte total ms las perdidas totales.
186
Captulo 6
7.
8.
Tres depsitos surten a cinco almacenes. La tabla indica el costo de transporte por
unidad entre depsitos y almacenes. El dao de un puente principal ha impedido las
entregas desde el deposito A hasta el almacn 4, desde el deposito B hasta el 5 y
desde el C hasta el 2. Dentro de estas circunstancias determinar el esquema ptimo
del transporte.
Dep. A
Dep. B
Dep. C
Almacn 1
75
Almacn 2
345
Almacn 3
180
Almacn 4
90
210
Almacn 5
Capacidad
850
300
450
N Req.
En la construccin del aeropuerto Tarija se requiere mover 1.355.000 m3 de arena

dragada de cincos bancos en una baha cercana, por tubera a nueve sitios en el
aeropuerto. La arena se usa para estabilizar los terrenos pantanosos del rea
propuesta de construccin. Algunos de los sitios hacia donde se mueve la arena se
usan para construir caminos dentro y en el permetro del aeropuerto. El exceso de
arena de un sitio se mover con camiones a otras reas exteriores del aeropuerto,
donde se construir una carretera perimetral. Las distancias (en cientos de metros)
entre los bancos y los sitios se resumen en la tabla siguiente. Tambin ah se ven las
cantidades de oferta y demanda, en cientos de m3, en los distintos lugares.
1
2
3
4
5
Demanda
1
22
20
16
20
22
62
2
26
28
20
22
26
217
3
12
14
26
26
10
444
4
10
12
20
22
4
315
5
18
20
1.5
6
16
50
6
18
20
28
7
11
13
6
2
24
20
8
8.5
10
22
21
14
90
9
20
22
18
18
21
150
Oferta
960
201
71
24
99
a)
La gerencia del proyecto ha estimado un movimiento de arena [m3 de

volumen x distancia (cientos de metros)] de 2495000 unidades, al costo de
$0.65 por unidad. Esta dentro de los limites el movimiento de arena
estimado por la gerencia del proyecto?
b)
La gerencia del proyecto se da cuenta que el movimiento de arena a ciertos

sitios no se puede hacer sin antes construir algunos caminos. En particular,
se debe construir la carretera perimetral (destino 9) antes de poder mover la
arena a ciertos sitios en la tabla siguiente se ven marcadas con una x las
rutas bloqueadas que requieren terminar la carretera perimetral. Cmo debe
hacerse el movimiento de arena para tener en cuenta estas restricciones?
1
2
3
4
5
1
x
x
2
x
x
5
x
x
x
x
x
x
x
x
187
Captulo 6
9. Una compaa llam a licitacin para realizar cuatro trabajos de construccin. Tres
personas se han presentado. Las propuestas en miles de dlares estn dadas en la tabla
siguiente, donde (*) indica que la persona no ofrece nada para ese trabajo. La persona 1
puede hacer slo un trabajo, pero las personas 2 y 3 pueden llegar ha hacer hasta 2
trabajos.
Cul es la mejor asignacin, desde el punto de vista de la compaa, si todas las
personas deben realizar al menos un trabajo?
Suponga que la persona 2 debe realizar el trabajo 1. Encuentre la mejor
asignacin.
Persona 1
Persona 2
Persona 3
Trabajo 1
55
51
*
Trabajo 2
49
48
47
Trabajo 3
46
44
45
Trabajo 4
46
*
45
6.13 Bibliografa.
Edicin]
INVESTIGACIN DE OPERACIONES Moskwitz, Herbert; Wrigth, Gordon P.
6.14 Enlaces
http://www.investigacionoperaciones.com/Problemas_Transporte/transporte_2004.pdf
http://mipagina.cantv.net/jcpons1/Capitulo21.pdf
http://www.investigacionoperaciones.com/material%20didactico/TRANSPORTE.pdf
188
Captulo 7
Texto Gua Sistemas de Ingeniera
CAPITULO 7
MODELOS DE REDES DE OPTIMIZACIN
7.1 Introduccin
Los modelos de redes son estructuras especiales del modelo de programacin lineal
y que por sus caractersticas propias tienen algoritmos especficos para su solucin.
La teora y el anlisis de redes de optimizacin, encuentra aplicacin en varias
ramas del saber tales como: la Ingeniera Civil, la ingeniera industrial, la ingeniera
elctrica, la informtica, la ciberntica, la gestin de proyectos, el planeamiento, etc. Existe
tambin un rea de aplicacin concerniente a grupos sociales, comunicacin, estructuras de
lenguaje y enlaces qumicos. Como se podr notar el rea de accin y aplicacin de la
teora de redes es amplio y su teora clsica esta asociada a lo que se llama la teora de
grafos.
El desarrollo de este capitulo estudiara los siguientes problemas:
El problema de la RUTA MS CORTA que se presenta por ejemplo en los
sistemas de transporte.
El problema del RBOL DE EXPANSIN MNIMA que se presenta por
ejemplo en problemas relacionados a diversos tipos de conexiones.
El problema de FLUJO MXIMO que se asocia a problemas de flujo a partir
de un origen hacia un destino.
El problema de REDES DE ACTIVIDADES utilizando para realizar la
planificacin de tareas y programas de actividades.
7.2 Conceptos referenciales para la teora de redes

Para continuar con el estudio de las redes de optimizacin, introduciremos algunos
conceptos elementales:
Una GRFICA o RED es un conjunto de NODOS (vrtices o puntos) que estn
conectados por un conjunto de ARCOS (lneas, ramas y bordes). Consideraremos
que una red es una grfica con un FLUJO de algn tipo que fluye por sus ramas.
Ejemplo:
Nodos
Ramas
Flujo
Intersecciones
Caminos
Vehculos
Aeropuertos
Rutas areas
Aviones
Puntos de comunicacin Cables, Canales Mensajes

Estaciones de bombeo
Tuberas
Fluidos
Centros de trabajo
Rutas
Trabajos
189
Captulo 7
Las llamadas REDES DIRECCIONADAS son las que tienen arcos dirigidos,
caso contrario se llamaran redes ADIRECCIONADAS. Ejemplo:
Figura 7.1
La red de la figura 7.1 es direccionada porque estn especificados los

sentidos del flujo. Por ejemplo (1,2) significa que el arco que va del nodo 1 al
nodo 2 refleja un flujo direccinado en este sentido.
Una CADENA del nodo i al nodo j no es nada ms que una sucesin de nodos y
ramas que conectan a estos puntos. Por ejemplo en la figura 7.1 una cadena del
nodo 1 al nodo 6 es:
1--- (1,2) --- 2 --- (2,4) --- 4 --- (4,6) --- 6
Cuando se especifica la direccin a lo largo de la cadena se llama RUTA.
Un CICLO es una cadena que empieza y termina en el mismo nodo. Un ciclo es
tambin una cadena que conecta a un nodo consigo mismo. En la figura 7.1 un
ciclo es:
2 --- (2,3) --- 3 --- (3,2)
Una red es CONEXA, si existe una cadena que conecta a todos los nodos de la
red. Por ejemplo:
Figura 7.2
Una red es INCONEXA si esta tiene algn punto de inconexin. Por ejemplo:
Figura 7.3
190
Captulo 7
Un RBOL es una red conexa que contiene ciclos. Por ejemplo:
Figura 7.4
Podemos decir con propiedad que una red conexa que tiene n nodos, n 1 ramas y
sin ciclos, se llama RBOL DE EXPANSIN.
Se puede definir la siguiente nomenclatura relacionada con un arco o rama (i,j):
xij 0, es el flujo del nodo i al nodo j.
ij 0, es la capacidad mxima del flujo de i a j.
ij 0, es la capacidad mnima del flujo de i a j.
dij 0, es el costo por unidad de flujo. Si dij 0, se llama EGRESO,
si dij 0, se llama INGRESO.
Cuando un flujo sale de un nodo se llama EFLUJO y cuando llega a un nodo se le
llama INFLUJO.
Se llama nodo FUENTE u ORIGEN al nodo por donde entra el flujo a la red, es
decir que cada una de sus ramas tiene una orientacin tal que el flujo se mueve
hacia fuera de ese nodo. Los orgenes son generadores del flujo.
Figura 7.5
Se llama nodo DESTINO o FINAL al nodo por donde sale el flujo de la red, es
decir que cada una de las ramas esta orientada hacia ese nodo. Los nodos destino
absorben el flujo.
Figura 7.6
191
Captulo 7
7.3 El Problema de la ruta ms corta

Los arcos denominados (i, j) de una red, llevan asociados un numero dij que se
interpreta como el costo, la distancia o el tiempo que hay entre los nodos i y j. Una RUTA
o RECORRIDO entre dos nodos es cualquier secuencia de arcos que los conecte. El
problema de la ruta ms corta tiene como objetivo encontrar los recorridos ms econmicos
en distancias, costo y/o tiempo, entre un nodo especfico, considerado como nodo origen y
los otros nodos de la red considerados como destinos. La estructura resultante de resolver
este problema, formara un conjunto de arcos que se llamar RBOL DE RECORRIDO
MNIMO.
7.3.1 Algoritmos de la ruta ms corta

En esta seccin se presentan dos algoritmos para resolver redes tanto cclicas (es
decir, que contienen bucles o lazos) como acclicas.
7.3.1.1 El algoritmo de Dijkstra.

El algoritmo de Dijkstra tiene por objeto determinar las rutas ms cortas entre el
nodo origen o fuente y todos los dems nodos de la red.
Sea ui la distancia ms corta del nodo fuente 1 hasta el nodo i, y se define dij (0)
como la longitud de arco (i,j). Entonces el algoritmo define la etiqueta de un nodo
inmediato posterior j como:
[uj,i] = [ui + dij,i],dij 0
La etiqueta del nodo de inicio es [0, ], que indica que el nodo no tiene predecesor.
Las etiquetas de nodos en el algoritmo de Dijkstra son de dos clases:
TEMPORALES y PERMANENTES. Una etiqueta temporal se modifica si se puede
encontrar una ruta ms corta a un nodo. Cuando se ve que no se pueden encontrar rutas
mejores, cambia el estado de la etiqueta temporal a permanente.
Los pasos son los siguientes:
Paso 0. Etiquetar y rotular el nodo fuente con la etiqueta permanente; en este caso se
rotula [0, ]. Este rotulo es PERMANENTE, por tanto se sombrea al nodo
1. Igualar i = 1.
Paso 1. Calcular las etiquetas temporales [ui + dij, i] para cada nodo j al que pueda
llegarse desde el nodo i, siempre y cuando j no tenga etiqueta permanente. Si
el nodo j ya esta etiquetado con [uj, k] por otro nodo k, y si ui + dij uj,
sustituir [uj, k] por [uj + dij, i].
Paso 2. Considerando el criterio de la distancia ms corta, rotular y/o etiquetar en
forma permanente el nodo correspondiente, al que tambin se lo sombrea.
Paso 3. A partir del ltimo nodo permanente etiquetar en forma temporal los arcos
ligados a este nodo y elegir el arco de distancia ms corta para etiquetarlo
permanentemente (de los nodos etiquetados temporalmente). Los empates se
rompen en forma arbitraria.
Paso 4. Si todos los nodos tienen etiquetas permanentes detenerse.
El proceso es realizado n 1 veces.
192
Captulo 7

Se tiene la siguiente red:
2
2
1
4
3
1
5
6
5
7
8
6
3
4
Figura 7.7
En esta red, los nmeros representan la distancia y la idea es hallar las rutas ms
cortas del nodo 1 hacia los dems nodos, es decir el rbol de recorrido mnimo.
El proceso es realizado n 1 veces, entonces 7 1 = 6 iteraciones.
Las redes resultantes de la aplicacin de estos pasos son:
Iteracin 0.
Nodo Etiqueta Estado
1
[0,]
Permanente
Iteracin 1.
Nodo
1
2
4
Etiqueta
[0,]
[0+2,1] = [2,1]
[0+7,1] = [7,1]
Estado
Permanente
Temporal
Temporal
Para las dos etiquetas temporales [2,1] y [7,1], el nodo 2 produce la menor distancia
(u2 = 2). Entonces, se cambia el estado del nodo 2 a permanente.
Iteracin 2.
Nodo
1
2
4
3
5
Etiqueta
[0,]
[2,1]
[7,1]
[2+4,2] = [6,2]
[2+1,2] = [3,2]
Estado
Permanente
Permanente
Temporal
Temporal
Temporal
[2,1]
2
2
[0,- ] 1
1
5 [3,2]
3
[6,2]
El estado de la etiqueta temporal [3,2] en el nodo 5 se cambia a permanente (u5=3)
193
Captulo 7
Iteracin 3.
Nodo
1
2
4
3
5
6
7
Etiqueta
[0,]
[2,1]
[7,1]
[6,2]
[3,2]
[3+8,5] = [11,5]
[3+5,5] = [8,5]
Estado
Permanente
Permanente
Temporal
Temporal
Permanente
Temporal
Temporal
[2,1]
2
2
[0,- ] 1
3
[6,2]
[3,2]
5
7
[8,5]
6
[11,5]
La etiqueta temporal [6,2] del nodo 3 se cambia a permanente (u3=6)

Iteracin 4.
Nodo
1
2
4
3
5
6
7
4
6
Etiqueta
[0,]
[2,1]
[7,1]
[6,2]
[3,2]
[11,5]
[8,5]
[6+3,3] = [9,3]
[6+6,3] = [12,3]
Estado
Permanente
Permanente
Temporal
Permanente
Permanente
Temporal
Temporal
Descartar
Descartar
[2,1]
2
2
[0,-] 1
4
[6,2] 3
1
5
6
[3,2]
5
7
[8,5]
6
[11,5]
4
[7,1]
Del nodo 3 se puede ir al nodo 4 y 6 pero ya existen etiquetas temporales con menor
distancia por lo que se descarta estas dos ltimas etiquetas.
Entonces la etiqueta temporal [7,1] del nodo 4 se cambia a permanente (u4=7)
Iteracin 5.
Nodo
1
2
4
3
5
6
7
6
Etiqueta
[0,]
[2,1]
[7,1]
[6,2]
[3,2]
[11,5]
Estado
Permanente
Permanente
Permanente
Permanente
Permanente
Cambiar por
[9,4]
[8,5]
Temporal
[7+2,4] =[9,4] Temporal
[2,1]
2
2
[0,-] 1
4
[6,2] 3
1
5
6
[3,2]
5
7
8
6
3
4
[7,1]
[8,5]
[11,5]
[9,4]
Entonces la etiqueta temporal [8,5] del nodo 7 se cambia a permanente (u7 = 8)

En esta ultima red vemos que el nodo 7 ha quedado etiquetado permanentemente y
esta ligado al nodo 6 con una distancia de 8 + 4 = 12 que es mayor que 9; por tanto el nodo
6 se convierte su etiqueta temporal [9,4] en permanente y el algoritmo habr terminado.
194
Captulo 7
Iteracin 6.
Nodo
1
2
4
3
5
7
6
Etiqueta
[0,]
[2,1]
[7,1]
[6,2]
[3,2]
[8,5]
[9,4]
Estado
Permanente
Permanente
Permanente
Permanente
Permanente
Permanente
Permanente
(2,1)
2
2
(0,1) 1
(6,2) 3
7
(3,2)
5
7
8
4
3
2
4
(7,1)
(8,5)
(9,4)
Figura 7.8
Procedimiento de Etiquetado de Dijkstra
El rbol de recorrido mnimo consta de n 1 arcos y muestra los resultados del

problema, segn la tabla y partiendo del nodo 1, se muestra las rutas ms cortas hacia
cualquiera de los otros nodos:
NODO
RUTA MS CORTA
DESDE 1
DISTANCIA
12
123
14
125
146
1257
195
Captulo 7
7.3.1.2
El algoritmo de Floyd
El algoritmo de Floyd es ms general que el de Dijkstra, porque permite determinar

la ruta ms corta entre dos nodos cualesquiera de la red.
El algoritmo representa una red de n nodos como matriz cuadrada con n
renglones y n columnas. El elemento (i, j) de la matriz expresa la distancia dij del nodo i
al nodo j, que es finita si i est conectado directamente con j, e infinita en caso contrario.
j
Cij
i
Cjk
Cik
Figura 7.9 Operacin triple de Floyd
El concepto del algoritmo de Floyd es directo. Dados tres nodos i, j y k en la figura

7.9, con las distancias entre si indicadas en los tres arcos, es ms corto ir a k desde i
pasando por j si:
dij + djk dik
En este caso, lo ptimo es reemplazar la ruta directa i k por la ruta indirecta i j
k. Este intercambio de operacin triple se aplica en forma sistemtica a la red, con los
siguientes pasos:
Paso 0. Definir las matrices iniciales de distancias Do y de secuencias de nodos
So como se describe abajo. Los elementos diagonales se marcan con ()
para indicar que estn bloqueados. Igualar k = i.
1
Do =
So =
2
:
i
:
n
1
2
:
i
:
n
d21
2
d12
j
d1j
n
d1n
d2j
:
dnj
d2n
:
dn1
:
di2
:
dn2
1
:
1
:
1
2
2
:
2
:
2
j
j
j
:
j
:
j
n
n
n
:
n
:
:
di1
:
dij
:
din
:
196
Captulo 7
Paso genral k.
Definir el rengln k y la columna k como rengln pivote y
columna pivote. Aplicar la operacin triple a cada elemento dij en Dk 1
para toda i y j. si se satisface la condicin
dik + dkj dij (i k, j k e i j)
Hacer los siguientes cambios:
a) Crear Dk reemplazando dij en Dk 1 por dik + dkj.
b) Crear Sk reemplazando sij en Sk 1 por k. Igualar k = k + 1 y repetir el
paso k.
Figura 7.10
Implementacin de la operacin
Triple en forma matricial
Se puede explicar el paso k del algoritmo representando a Dk 1 como se ve en la

figura 7.10. Aqu, el rengln k y la columna k definen el rengln y la columna pivote
actual. El rengln i representa cualesquiera de los renglones 1, 2,, y k 1, y el rengln p
representa cualquiera de los renglones k + 1, k + 2,, y n. De igual modo, la columna j
representa cualquiera de las columnas 1, 2,, y k 1, y la columna q representa cualquiera
de las columnas k + 1, k + 2,, y n. Con la operacin triple, si la suma de los elementos
del rengln pivote y la columna pivote (representados por cuadrados) es menor que el
elemento de interseccin asociado (representado por un crculo), entonces es ptimo
reemplazar la distancia de interseccin por la suma de las distancias pivote.
Despus de n pasos se puede determinar la ruta ms corta entre los nodos i y j con
las matrices Dn y Sn con las siguientes reglas:
1. En Dn, dij representa la distancia ms corta entre los nodos i y j
2. En Sn, se determina el nodo intermedio k = sij que forme la ruta i k j. Si sik
= k y skj = j, detenerse; todos los nodos intermedios de la ruta se han
determinado. En caso contrario, repetir el procedimiento entre los nodos i y k y
entre los nodos k y j.
197
Captulo 7

Resolver el ejemplo de aplicacin 7.1 por el algoritmo de Floyd.
2
2
5
7
8
4
Figura 7.7
Iteracin 0. Las matrices Do y So son la representacin inicial de la red. Do es una matriz

simtrica.
1
2
3
4
5
6
7
2
2
Do
3
3
5
6
4
7
1
5
8
5
6
2
8
5
4
1
1
1
1
1
1
1
2
3
4
5
6
7
2
2
2
2
2
2
2
3
3
3
3
3
3
3
So
4
4
4
4
4
4
4
5
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
7
7
Iteracin 1. Se iguala k = 1. El rengln y la columna pivote se ven en la matriz Do con

sombra ligera: Son el primer rengln y la primera columna. Las celdas ms
oscuras d24 y d42 son las nicas que pueden mejorar con la operacin triple.
As, D1 y S1 se obtienen partiendo de D0 y S0 como sigue:
1. Sustituir d24 con d21 + d14 = 2 + 7 = 9, e igualar s24 = 1.
2. Sustituir d42 con d41 + d12 = 7 + 2 = 9, e igualar s42 = 1.
Estos cambios se muestran en negritas, en las matrices siguientes:
D1
1
2
3
4
5
6
7
2
2
4
9
1
3
5
6
4
7
9
3
S1
5
1
5
8
5
6
2
8
5
4
1
2
3
4
5
6
7
1
1
1
1
1
1
2
2
2
1
2
2
2
3
3
3
3
3
3
3
4
4
1
4
4
4
4
5
5
5
5
5
5
5
6
6
6
6
6
6
198
7
7
7
7
7
7
7
Captulo 7
Iteracin 2. Se iguala k = 2, como indican el rengln y la columna con sombra ligera en

D1. Se aplica la operacin triple a las celdas ms oscuras de D1 y S1. Los
cambios que resultan se indican con negritas en D2 y S2.
D2
1
2
3
4
5
6
7
2
6
7
3
2
2
4
9
1
3
6
4
3
5
6
S2
4
7
9
3
10
2
5
3
1
5
10
8
5
6
2
8
5
4
1
2
3
4
5
6
7
1
2
1
2
1
1
2
2
2
1
2
2
2
3
2
3
3
3
3
3
4
4
1
4
2
4
4
5
2
5
5
2
5
5
6
6
6
6
6
6
7
7
7
7
7
7
7
Iteracin 3. Se iguala k = 3, como indican en el rengln y la columna sombreada en D2.

Las nuevas matrices son D3 y S3.
D3
1
2
3
4
5
6
7
2
6
7
3
12
2
2
4
7
1
10
3
6
4
3
5
6
4
7
7
3
8
2
S3
5
3
1
5
8
8
5
6
12
10
6
2
8
5
4
1
2
3
4
5
6
7
1
2
1
2
3
1
2
2
2
3
2
3
2
3
2
3
3
3
3
3
4
4
3
4
3
4
4
5
2
5
5
3
5
5
6
3
3
6
6
6
7
7
7
7
7
7
7
Iteracin 4. Se iguala k = 4 como se indica con el rengln y la columna con sombra

ligera en D3. Las nuevas matrices son D4 y S4.
1
2
3
4
5
6
7
2
6
7
3
9
2
2
4
7
1
9
D4
3
4
7
6
4
7
3
3
5
8
2
5
S4
5
3
1
5
8
8
5
6
9
9
5
2
8
5
4
1
2
3
4
5
6
7
1
2
1
2
4
1
2
2
2
3
2
4
2
3
2
3
3
3
4
3
4
4
3
4
3
4
4
5
2
5
5
3
5
5
6
4
4
4
6
6
7
7
7
7
7
7
7
199
Captulo 7

1
2
3
4
5
6
7
2
6
7
3
9
8
2
2
4
7
1
9
6
D5
3
4
7
6
4
7
3
3
5
8
2
5
10 13
S5
5
3
1
5
8
8
5
6
9
9
5
2
8
7
8
6
10
13
5
4
1
2
3
4
5
6
7
1
2
1
2
4
5
2
2
2
3
2
4
5
3
2
3
3
3
4
5
4
4
3
4
3
4
5
5
2
5
5
3
5
5
6
4
4
4
6
6
7
5
5
5
5
7
7

1
2
3
4
5
6
7
2
6
7
3
9
8
2
2
4
7
1
9
6
D6
3
4
7
6
4
7
3
3
5
8
2
5
9
6
S6
5
3
1
5
8
8
5
6
9
9
5
2
8
7
8
6
9
6
5
4
1
2
3
4
5
6
7
1
2
1
2
4
5
2
2
2
3
2
4
5
3
2
3
3
3
4
6
4
4
3
4
3
4
6
5
2
5
5
3
5
5
6
4
4
4
6
6
7
5
5
6
6
7
7
Iteracin 7. Se iguala k = 7 como en el rengln y la columna con sombra ligera en D6.

No hay mejoras posibles en esta iteracin. Por consiguiente D7 y S7 son
iguales que D6 y S6.
D7
1
2
3
4
5
6
7
2
6
7
3
9
8
2
2
4
7
1
9
6
3
6
4
3
5
5
9
4
7
7
3
8
2
6
S7
5
3
1
5
8
8
5
6
9
9
5
2
8
7
8
6
9
6
5
4
1
2
3
4
5
6
7
1
2
1
2
4
5
2
2
2
3
2
4
5
3
2
3
3
3
4
6
4
4
3
4
3
4
6
5
2
5
5
3
5
5
6
4
4
4
6
6
7
5
5
6
6
7
7
Las matrices finales D7 y S7 contienen toda la informacin necesaria para

determinar la ruta ms corta entre dos nodos cualesquiera de la red. Por ejemplo:
Del nodo 1 al nodo 5, primero se ve la distancia asociada d15 = 3. Para determinar
la ruta asociada, recurdese que un segmento (i, j) representa un enlace directo si
sij = j. en caso contrario, i y j estn enlazados mediante al menos un nodo
intermedio. Como s15 = 2, la ruta inicial es 125. Ahora bien, como s12 = 2, el
segmento (1,2) es un enlace directo y la ruta 125 no se transformara. A
continuacin como: s12 = 2, s25 = 5, la ruta 125 no necesita ms disecciones y
el proceso termina.
200
Captulo 7
Del nodo 1 al nodo 7, d17 = 8, la ruta asociada s17 = 5, la ruta inicial es 157,
ahora bien, s15 = 2 5, el segmento (1,5) no es un enlace directo y 15 se debe
reemplazar por 125, y la ruta 157 se transforma ahora en 1257.
A continuacin como: s12 = 2, s25 = 5 y s57 =7, la ruta 1257 no necesita
ms disecciones y el proceso termina.
Del nodo 1 al nodo 2, d12 = 2, la ruta asociada s12 = 2, el segmento (1,2) es un
enlace directo. La ruta ser 12
Y as sucesivamente para los dems nodos.
NODO
2
3
4
5
6
7
RUTA MS CORTA
DISTANCIA
DESDE 1
12
2
123
6
14
7
125
3
146
9
1257
8
7.3.2 Formulacin del problema de la ruta ms corta en programacin

lineal
En esta seccin se describen dos formulaciones de programacin lineal para el
problema de la ruta ms corta. Las formulaciones son generales, en el sentido de que se
pueden usar para determinar la ruta ms corta entre dos nodos cualesquiera de la red. A este
respecto, las formulaciones de programa lineal son equivalentes al algoritmo de Floyd.
Suponga que la red de ruta ms corta tiene n nodos, y que se desea determinar la
ruta ms corta entre dos nodos cualesquiera s y t de la red.
7.3.2.1 Formulacin 1
En esta formulacin se supone que entra a la red una unidad externa de flujo en el
nodo s y sale en el nodo t, siendo s y t dos nodos entre los que se busca determinar
la ruta ms corta.
Se definen:
xij = Cantidad de flujo en el arco (i, j) para toda i y j factibles.
Cij = Longitud de arco (i, j) para toda i y j factibles.
Como solo puede haber una unidad de flujo en algn arco en cualquier momento, la
variable xij debe asumir solamente valores binarios (0 o 1). As, la funcin objetivo del
programa lineal se vuelve:
Minimizar z =
ij
ij
Todos los arcos definidos (i, j)
Hay una restriccin que representa la conservacin de flujo en cada nodo; esto es, en
cualquier nodo j,
Flujo total que entra = Flujo total que sale
201
Captulo 7

La red de la figura 7.11 muestra las rutas con sus longitudes, en millas, entre la ciudad 1
(nodo 1) y las otras ciudades (nodo 2 a 5). Se desea determinar la ruta ms corta del nodo 1
al nodo 2; esto es, s = 1 y t = 2. La figura 7.11 muestra como entra el flujo unitario en el
nodo 1 y sale en el nodo 2.
1
2
15
100
20
50
10
1
30
60
Figura 7.11
Insercin de un flujo unitario para determinar la
ruta ms corta entre el nodo s = 1 y el nodo t = 2
La lista del programa lineal asociado, usando la formulacin 1, se ve a

continuacin:
x12 x13
Minimizar Z = 100 30
Nodo 1
1 1
Nodo 2
1
Nodo 3
1
Nodo 4
Nodo 5
x23 x34 x35 x42 x45

20 10 60 15 50
1
1
1
1
1
1
1
1
1
1
= 1
=1
=0
=0
=0
Las restricciones representan la conservacin de flujo en cada nodo. Por ejemplo, en

el nodo 2 flujo que entra = flujo que sale es x12 + x42 = 1 + x23 ntese que una de las
restricciones siempre es redundante. Por ejemplo, si se suman las ultimas cuatro
restricciones en forma simultanea se obtiene x12 + x13 = 1, que es igual que la restriccin 1.
La solucin ptima es:
z = 55, x13 = 1, x34 = 1, x42 = 1
Esta solucin expresa la ruta ms corta del nodo 1 al nodo 2 como 1342, y la
distancia asociada es z = 55 km.
7.3.2.2 Formulacin 2
La segunda formulacin es en realidad el problema dual del programa lineal en la
formulacin 1. Como la cantidad de restricciones en la formulacin 1 es igual a la
cantidad de nodos, el problema dual tendr tantas variables como cantidad de nodos haya
en la red. Tambin, las variables duales no deben estar restringidas, porque todas las
restricciones de la formulacin 1 son ecuaciones.
Sea:
yj = la restriccin dual asociada al nodo j.
202
Captulo 7
Como s y t son los nodos inicial y terminal de la red, el problema dual se define
como sigue:
Maximizar z = yt ys
Sujeta a:
yj yi cij para toda i y j factibles
Signo no restringido para toda yi y yj
Para aplicar la formulacin 2 al ejemplo de aplicacin 7.3, el problema dual
asociado con el programa lineal anterior es:
Maximizar z = y2 y1
Sujeta a:
y2 y1 100 (ruta 12)
y3 y1 30 (ruta 13)
y3 y2 20 (ruta 23)
y4 y3 10 (ruta 34)
y5 y3 60 (ruta 35)
y2 y4 15 (ruta 42)
y5 y4 50 (ruta 45)
y1, y2,, y5 no restringida
Aunque el problema dual anterior es una definicin matemtica pura derivada del
problema primal, en realidad se puede interpretar el problema en una forma lgica. Se
define:
yi = distancia al nodo i
Con esta definicin, la distancia ms corta del nodo inicial 1 al nodo terminal 2 se
determina maximizando y2 y1. La restriccin asociada con la ruta (i, j) indica que la
distancia del nodo i al nodo j no puede ser mayor que la longitud directa de esa ruta. Puede
ser menor si se puede llegar al nodo j desde el nodo i pasando por otros nodos que formen
una ruta ms corta. Por ejemplo, la distancia mxima del nodo 1 al nodo 2 es 100. Con la
definicin de yi como la distancia al nodo i, se puede suponer que todas las variables son no
negativas (en lugar de no tener restriccin). Tambin se puede suponer que y1 = 0 es la
distancia la nodo 1.
Con base en la explicacin anterior, y suponiendo que todas las variables son no
negativas, la solucin ptima es:
z = 55, y1 = 0, y2 = 55, y3 = 30, y4 = 40, y5 = 0
El valor de z = 55 millas expresa la distancia ms corta del nodo 1 al nodo 2, que
tambin es igual a y2 y1 = 55 0 = 55.
La determinacin de la ruta misma, a partir de esta solucin, es algo ingenioso. Se
ve que la solucin satisface en forma de ecuacin a las restricciones de las rutas 13, 34
y 42, por que sus holguras son igual a cero; esto es y3 y1 = 30, y4 y3 = 10, y2 y4 =
15. Este resultado identifica que la ruta ms corta es 1342.
203
Captulo 7
Otra forma de identificar las restricciones que se satisfacen en forma de ecuacin es

consultar la solucin del programa lineal de la formulacin 2. Toda restriccin que tenga
un valor dual distinto de cero debe estar satisfecha en forma de ecuacin. La tabla siguiente
aparea las rutas (restricciones) con sus valores duales asociados.
Ruta (restriccin)
12 13 23 34 35 42 45
Valor dual asociado 0
1
0
1
0
1
0
7.3.3 Solucin por computadora de la ruta ms corta

7.3.3.1 Solucin con TORA
Se puede usar TORA para generar iteraciones del algoritmo de Dijkstra y del
Algoritmo de Floyd.
Parta del MainMen y escoja Network models Shortest Route (Modelo de red
Ruta ms corta). Especifique el modo de captura (archivo existente o problema nuevo) y
el formato de captura.
MENU (men resolver)
Figura 7.12
Figura 7.13
204
Captulo 7
Figura 7.14
Seleccione SOLVE PROBLEM = > Iterations, y escoja uno de los dos mtodos
(Algoritmo de Dijkstra o el algoritmo de Floyd) para iniciar las iteraciones del modelo de
red.
Figura 7.15
205
Captulo 7
La figura 7.16 muestra las iteraciones del ejemplo de aplicacin 7.1, con TORA, por el
algoritmo de Dijkstra.
Figura 7.16 Solucin de la ruta ms corta del ejemplo de aplicacin 7.1 con TORA
206
Captulo 7
7.3.3.2 Solucin con WinQSB

Figura 7.17
Una vez hecha la seleccin de Network Modeling haga clic en New Problem, y
escoja el tipo de problema en este caso Shortest Path Problem (Problema de camino ms
corto) y coloque los datos del problema (criterio de la funcin objetivo, formato de los
datos de entrada, nmero de nodos) y haga clic en OK
Figura 7.18
207
Captulo 7
Figura 7.19
Una vez ingresados los datos del problema haga clic en Solve and Analyse y haga
clic en Solve and Display Steps Network.
Figura 7.20
Aparecer la primera iteracin, luego presione Iteration = > Next Iteration. Hasta
hallar el ptimo. En la figura 7.21 se resuelve el ejemplo de aplicacin 7.1.
208
Captulo 7
Y as sucesivamente hasta hallar el ptimo.
Figura 7.21
Figura 7.22 Solucin de la ruta ms corta entre los nodos del ejemplo de aplicacin 7.1 con
WinQSB.
7.3.3.3 Solucin con hoja de clculo de Excel

La hoja de clculo de Excel, desarrollada para el modelo general de transporte se
puede modificar fcilmente para determinar la ruta ms corta entre dos nodos. La hoja se
basa en la formulacin 1, seccin 7.3.2, y esta diseada para resolver problemas con un
mximo de 10 nodos. La figura muestra la aplicacin de la hoja de clculo al ejemplo de
aplicacin 7.1. La matriz de distancias est en las celdas B6:K15. Para los arcos no
existentes se ingresa una distancia infinita (=9999 o cualquier valor relativamente grande).
Como se busca la ruta ms corta entre los nodos 1 y los nodos restantes, por ejemplo
del nodo 1 al nodo 7, la cantidad suministrada al nodo 1 y la cantidad de demanda en el
209
Captulo 7
nodo 7 es 1 unidad. Se escribe cantidad cero en los elementos restantes de oferta y

demanda.
Una vez ingresados los datos de costo unitario, de oferta y de demanda, el resto de
la hoja (secciones de clculos intermedios y de solucin ptima) se genera en forma
automtica. Los parmetros de SOLVER deben corresponder a los datos del problema,
como se ve en las columnas resaltadas B, C, F y G. La columna B especifica las celdas que
cambian (flujos de arco) del problema (celdas B20:B39). La columna C especifica las
capacidades de los arcos de la red (celdas C20:C39). En el modelo de ruta ms corta esas
capacidades no desempean papel alguno en los clculos, y en consecuencia son infinitas
(=99999). Las restricciones del modelo representan la ecuacin de balance para cada nodo.
Las celdas F19:F23 definen el lado izquierdo, y las celdas G19:G23 representan el
lado derecho de las ecuaciones de flujo. Como se explico en la seccin 6.7.3, se usa SUMIF
(sumar si) para generar el flujo neto adecuado en cada nodo, con la informacin de las
columnas I y J. La hoja de clculo automatiza esas operaciones. As, todo lo que se debe
hacer despus de escribir los datos es actualizar las especificaciones Cambiando las
Celdas y Restricciones de SOLVER, para que coincidan con los datos. La Celda Objetivo
queda igual para todos los datos. En el ejemplo de aplicacin 7.1 se tiene:
Cambiando la celdas: B20:B61
Sujetas a las siguientes restricciones: F19:F25 = G19:G25
Figura 7.23
El resultado de la figura 7.24 define la solucin (N1 N2 = 1, N2 N5 = 1, N5

N7 = 1), con una distancia de 8. Eso quiere decir que la ruta ptima es 1257.
210
Captulo 7

Modelo de la ruta mas corta con SOLVER
Datos de Entrada
N de Nodos
N1
N2
N3
N4
N5
N6
N7
N1
9999
2
9999
7
9999
9999
9999
<<Maximo 10
N2
2
9999
4
9999
1
9999
9999
Unit Cost Matrix(Costo unitario de la matriz)

N3
N4
N5
N6
N7
9999
7
9999
9999
9999
4
9999
1
9999
9999
9999
3
5
6
9999
3
9999
9999
2
9999
5
9999
9999
8
5
6
2
8
9999
4
9999
9999
5
4
9999
Demanda
0
0
0
0
0
0
1
Solucin ptima:
Clculos intermedios:
8
Costo Total =
Nombre Nodo
Flujo Demanda Desde
Desde - hasta
Flujo Capacidad
N1
1
1
1
1
N1 - N2
1
999999
N2
2
0
0
1
N1 - N3
0
999999
N3
3
0
0
1
N1 - N4
0
999999
N4
4
0
0
1
N1 - N5
0
999999
N5
5
0
0
1
N1 - N6
0
999999
N6
6
0
0
1
N1 - N7
0
999999
N7
7
-1
-1
2
N2 - N1
0
999999
2
N2 - N3
0
999999
2
N2 - N4
0
999999
2
N2 - N5
1
999999
2
N2 - N6
0
999999
2
N2 - N7
0
999999
3
N3 - N1
0
999999
3
N3 - N2
0
999999
3
N3 - N4
0
999999
3
N3 - N5
0
999999
3
N3 - N6
0
999999
3
N3 - N7
0
999999
4
N4 - N1
0
999999
4
N4 - N2
0
999999
4
N4 - N3
0
999999
4
N4 - N5
0
999999
4
N4 - N6
0
999999
4
N4 - N7
0
999999
5
N5 - N1
0
999999
5
N5 - N2
0
999999
5
N5 - N3
0
999999
5
N5 - N4
0
999999
5
N5 - N6
0
999999
5
N5 - N7
1
999999
6
N6 - N1
0
999999
6
N6 - N2
0
999999
6
N6 - N3
0
999999
6
N6 - N4
0
999999
6
N6 - N5
0
999999
6
N6 - N7
0
999999
7
N7 - N1
0
999999
7
N7 - N2
0
999999
7
N7 - N3
0
999999
7
N7 - N4
0
999999
7
N7 - N5
0
999999
7
N7 - N6
0
999999
Hasta
2
3
4
5
6
7
1
3
4
5
6
7
1
2
4
5
6
7
1
2
3
5
6
7
1
2
3
4
6
7
1
2
3
4
5
7
1
2
3
4
5
6
Costo uni
2
9999
7
9999
9999
9999
2
4
9999
1
9999
9999
9999
4
3
5
6
9999
7
9999
3
9999
2
9999
9999
1
5
9999
8
5
9999
9999
6
2
8
4
9999
9999
9999
9999
5
4
Figura 7.24 Solucin de la ruta ms corta entre los nodos 1 y 7 del ejemplo de aplicacin 7.1 con
SOLVER de Excel
211
Captulo 7
7.4 Problema del rbol de expansin mnima

El problema del rbol de expansin mnima tiene algunas similitudes con la versin
principal del problema de la ruta ms corta que se presento en la seccin anterior. En ambos
casos se considera una red no dirigida y conexa, en la que la informacin dada incluye
alguna medida de longitud positiva (distancia, tiempo, costo, etc.) asociada con cada arco.
Los dos problemas involucran tambin el hecho de seleccionar un conjunto de arcos que
tiene la longitud total ms corta entre todos los conjuntos de arcos que satisfacen cierta
propiedad. Para el problema de la ruta ms corta esta propiedad es que el arco seleccionado
debe proporcionar una trayectoria entre el origen y el destino. Para el rbol de expansin
mnima la propiedad requerida es que los arcos seleccionados deben proporcionar una
trayectoria entre cada par de nodos.
Una red con n nodos requiere solo (n 1) arcos para proporcionar una trayectoria
entre cada par de nodos. No deben usarse ms arcos ya que esto aumentara, sin necesidad,
la longitud total de los arcos seleccionados. Los (n 1) arcos deben elegirse de tal manera
que la red resultante (con solo los arcos resultantes) forme un rbol de expansin (segn la
definicin dada en la seccin 7.2). Por lo tanto, el problema es encontrar el rbol de
expansin con la longitud total mnima de sus arcos.
7.4.1 Algoritmo del rbol de expansin mnima

El algoritmo de rbol de expansin mnima enlaza los nodos de una red, en forma
directa o indirecta, con la mnima longitud de las ramas enlazantes. Una aplicacin
caracterstica es en la construccin de carreteras pavimentadas que unen varias poblaciones.
El camino entre dos poblaciones puede pasar por uno o ms poblaciones
adicionales. El diseo ms econmico del sistema de caminos indica que se minimice la
distancia total de caminos pavimentados, el resultado que se obtiene implementando el
algoritmo de rbol de expansin mnima. Los pasos del procedimiento son los siguientes:
Paso 1.
Se selecciona, de manera arbitraria, cualquier nodo y se conecta (es decir

se pone un arco) al nodo ms cercano distinto de ste.
Paso 2.
Se identifica el nodo no conectado ms cercano a un nodo conectado, y se

conectan estos dos nodos (es decir, se agrega un arco entre ellos). Este
paso se repite hasta que se hayan conectado todos los nodos.
Paso 3.
Los empates para el nodo ms cercano distinto (paso 1) o para el nodo no

conectado ms cercano (paso 2), se pueden romper en forma arbitraria y el
algoritmo todava debe llevar a una solucin ptima. No obstante, estos
empates son seales de que pueden existir (pero no necesariamente)
soluciones ptimas mltiples. Todas esas soluciones se pueden identificar
si se buscan las dems formas de romper los empates hasta el final.
La manera ms rpida de ejecutar este algoritmo en forma manual es el enfoque

grfico que se ilustra enseguida.
La administracin de Comteco necesita determinar los caminos bajo los cuales se
deben tender las lneas telefnicas para conectar todas las estaciones con una longitud
mnima de cable. Se describir paso a paso la solucin de este problema con base en los
datos que se dan en la figura 7.25.
212
Captulo 7

A
2
7
D
2
5
4
3
E
4
Figura 7.25
En forma arbitraria, se selecciona el nodo O para comenzar. El nodo no conectado

ms cercano a O es el nodo A. Se conecta el nodo A al nodo O.
A
2
7
D
2
5
4
3
E
4
Figura 7.26
El nodo ms cercano a cualesquiera de los nodos O o A es el nodo B (ms cercano

a A), se conecta el nodo B al nodo A.
A
2
7
D
2
5
4
B
E
4
Figura 7.27
El nodo no conectado ms cercano a O, A o B es el nodo C (ms cercano a B), se

conecta el nodo C al nodo B.
A
2
7
D
2
5
1
C
4
B
E
4
Figura 7.28
213
Captulo 7
El nodo no conectado ms cercano a O, A, B o C es el nodo E (ms cercano a B), se

conecta el nodo E al nodo B.
A
2
5
4
3
E
4
Figura 7.29
El nodo no conectado ms cercano a O, A, B, C o E es el nodo D (ms cercano a

E), se conecta el nodo D al nodo E.
A
2
5
4
3
E
4
Figura 7.30
El nico nodo no conectado es el nodo T. Esta ms cerca del nodo D, se conecta el

nodo T al nodo D
A
2
7
D
2
5
1
C
4
B
E
4
Figura 7.31
Todos los nodos han quedado conectados, por lo que sta es la solucin ptima que
se buscaba. La longitud total de las ramas es 14 km.
Aunque con este procedimiento a primera vista puede parecer que la seleccin del
nodo inicial afectara la solucin final (y la longitud de los arcos), en realidad no es as. Se
sugiere que se verifique este hecho para el ejemplo, aplicando de nuevo el algoritmo, pero
iniciando en un nodo distinto de O.
214
Captulo 7
7.4.2 Solucin por computadora de expansin mnima

Se puede usar TORA para generar iteraciones del algoritmo del algoritmo del rbol
de expansin mnima.
Parta del MainMen y escoja Network models Minimal Spanning Tree
(Modelo de red rbol de expansin mnima). Especifique el modo de captura (archivo
existente o problema nuevo) y el formato de captura.
MENU (men resolver)
Figura 7.32
Figura 7.32 (a)
Figura 7.33
Seleccione SOLVE PROBLEM, para iniciar las iteraciones del modelo de red.
Figura 7.34
215
Captulo 7
La figura 7.35 muestra las iteraciones del ejemplo de aplicacin 7.5, con TORA.
Figura 7.35 Solucin del rbol de expansin mnima del ejemplo de aplicacin 7.5 con TORA

Figura 7.36
escoja el tipo de problema en este caso Minimal Spanning Tree (rbol de expansin
mnima) y coloque los datos del problema (criterio de la funcin objetivo, formato de los
216
Captulo 7
Figura 7.36 (a)
Figura 7.37
clic en Solve and Display Steps Network.
Figura 7.38
Aparecer la primera iteracin, luego presione Iteration = > Next Iteration. Hasta
hallar el ptimo. En la figura 7.39 se resuelve el ejemplo de aplicacin 7.5.
217
Captulo 7
Y as sucesivamente hasta hallar el ptimo.
Figura 7.39 Solucin del rbol de expansin mnima del ejemplo de aplicacin 7.5 con WinQSB.
218
Captulo 7
7.5 Modelo de flujo mximo

En el problema de flujo mximo hay un solo nodo fuente que es el productor del
flujo y un solo nodo destino que es el consumidor del flujo. El objetivo es encontrar la
mxima cantidad de flujo total (transito, agua, petrleo, efectivo, etc.) que puede circular
por la red en la unidad de tiempo.
En este problema deben tomarse en cuenta las siguientes consideraciones:
1. El flujo entra en la red nicamente por el nodo fuente. Matemticamente se expresa.
x x
ij
ji
= f ; Si i = 1
2. Hay conservacin de flujo en un nodo intermedio; es decir, el total de flujo que

entra en un cierto nodo es igual al total de flujo que sale del mismo.
x x
ij
ji
= 0 ; Si i 1, n
3. El flujo sale de la red nicamente por el nodo destino.
x x
ij
ji
= f ; Si i = n
4. El flujo en un arco debe cumplir los requerimientos mnimos y las capacidades

mximas del arco, es decir:
0 ij xij ij ; ij
Por tanto la formulacin matemtica de este problema ser:
Max =
1j
Sujeto a:
f si i = 1
j xij j x ji = 0 si i 1, n
f si i = n
0 ij xij ij
Donde:
xij = Flujo por unidad de tiempo que cruza el arco (i, j)
xij = Flujo total de salida del nodo i.
j
ji
= Flujo total de entrada al nodo i
f = Flujo total de la red por unidad de tiempo

ij = Capacidad mxima de flujo
ij = Capacidad mnima de flujo
219
Captulo 7
De acuerdo a esta formulacin, los arcos del nodo productor a cada uno de los
centros de oferta (2, 3,., m) tendrn una capacidad mxima de flujo igual a la oferta del
lugar. Los arcos de los n centros consumidores al nodo destino, tendrn una capacidad
mnima igual a la demanda del entro. Los arcos que van de los centros de oferta a los
centros de consumo, tendrn una capacidad mxima igual a la capacidad disponible de
transporte por unidad de tiempo entre estos puntos.
7.5.1 Algoritmos del problema de flujo mximo

El algoritmo que se emplea es el de Ford y Fulkerson. Para cualquier recorrido
elegido debe cumplirse:
Que no se exceda la capacidad de ningn arco del recorrido.
A excepcin de los nodos 1 y n, el flujo de los otros nodos, debe cumplir la
condicin de conservacin: Flujo de entrada al nodo = Flujo de salida del nodo.
7.5.1.1 Algoritmo de Ford y Fulkerson

El algoritmo considera que la cantidad mxima de flujo que puede fluir de la fuente
al destino a lo largo de un recorrido elegido, es igual a la menor de las capacidades de arco
de dicho recorrido. Siempre que se asigna un flujo a un arco particular, se tiene en cuenta
dos reglas:
1. Se debe reducir la cantidad en a direccin del flujo asignado, en la cantidad de flujo.
2. Se aumenta la cantidad en sentido opuesto, en la cantidad de flujo.
El algoritmo consta de los siguientes pasos:
Paso 1.
Encuentre cualquier recorrido, de la fuente al destino, que tenga

CAPACIDAD DE FLUJO POSITIVA; es decir, considerando todos los
arcos del recorrido, la mnima de las capacidades en la direccin del flujo
debe ser positiva. Si no hay recorridos con estas caractersticas, se habr
llegado a la solucin ptima.
Paso 2.
Seleccionar min como la capacidad de flujo mnimo de entre todos los arcos
seleccionados en el paso 1. Esto quiere decir que estamos aumentando el
flujo existente a travs de la red porque enviamos un flujo adicional de rmin
sobre este recorrido.
Paso 3.
Por el recorrido elegido, disminuir las capacidades en direccin del flujo en

cada arco, en la cantidad min. Aumentar las capacidades en la direccin
opuesta tambin en min.
Paso 4.
Volver al paso 1.
220
Captulo 7

Dada la red con sus respectivos flujos, hallar el flujo mximo:
6
3
B
5
0
0
0
0
Iteracin 1. Recorrido O A D T
min= 3
6
0
3
B
5
3
0
4
6
0
0
0
0
3
0
Iteracin 2. Recorrido O C E T
min= 2
6
0
5
B
3
3
0
4
6
0
2
0
2
3
2
221
Captulo 7
Como ya no existe un recorrido con capacidad de flujo positiva, entonces habremos

llegado al ptimo. De acuerdo a esto, el flujo mximo que atraviesa a la red es 5.
El flujo total para cada arco, se calcula, estableciendo diferencias entre las
capacidades iniciales y finales, siempre y cuando estas ultimas sen menores.
T
E
En esta ltima red se puede comprobar:

Para el nodo fuente O:
x jO = f
Oj
xOA + xOC = f
3+2=5
Para el nodo destino T:
Tj
x jT = f
j
x DT x ET = f
3 2 = 5
Para un nodo intermedio, por ejemplo el nodo E:
x
j
Ej
x jE = 0
j
x ET xCE = 0
22=0
La red resultante muestra el flujo mximo y puede ser cortada de diferentes
maneras, de tal manera que se establece el siguiente teorema.
EL FLUJO MXIMO DE CUALQUIER RED ES IGUAL A LA MNIMA
CAPACIDAD DE CORTE
Para explicar este teorema, se definen:
222
Captulo 7
Corte. Cualquier particin del conjunto de nodos en dos clases ajenas: C1 y Cn; la
clase 1 contiene al nodo original y la clase n contiene al nodo destino.
Capacidad De Corte. Es la suma de las capacidades de los arcos que conectan a
todos los nodos que van de C1 a Cn.
Entre todos los cortes posibles en la red, el que tenga la capacidad menor permite el
flujo mximo en la red.
Por lo tanto para el ejemplo de aplicacin 7.6 se tiene:
0
6
3
B
5
0
0
4
6
0
0
0
0
0
0
Clase 1 (C1)
Clase n (Cn)
{O}
{A, B, C, D, E, T}
{O, A}
{B, C, D, E, T}
{O, A, B}
{C, D, E, T}
{O, A, B, C}
{D, E, T}
{O, A, B, C, D}
{E, T}
{O, A, B, C, D, E}
{T}
{O, C, E}
{A, B, D, T}
Capacidad de Corte
XOA +XOC
3 + 5
=8
XOC + XAB + XAD
5 + 6 + 6 = 17
XOC + XAD + XBC + XBD + XBE
5 + 6 +4
+ 4 + 6 = 25
XAD + XBD + XBE + XCE
6 + 4 + 6 + 2 = 18
XBE + XCE + XDE + XDT
6 + 2 + 3 + 5 = 16
XDE + XET
5 + 2 = 7
XOA + XCB + XEB + XED + XET
3 + 0 + 0 + 0 + 2 =5
Se pueden ir deduciendo ms particiones y combinaciones posibles. Se puede notar,

sin embargo, que la particin C1 = {O, C, E} y Cn = {A, B, D, T} ofrece una mnima
capacidad de corte, igual a 5; esta mnima capacidad corresponde al flujo mximo
encontrado por el algoritmo de Ford y Fulkerson.
7.5.1.2 Algoritmo de flujo mximo

El algoritmo de flujo mximo se basa en determinar rutas de irrupcin que tengan
flujo neto positivo entre los nodos fuente y destino. Cada ruta comunica parte o todas las
capacidades de sus arcos al flujo total en la red.
Considere el arco (i, j) con capacidades iniciales ( C ij , C ji ). A medida que partes de
esas capacidades contribuyen al flujo en el arco, se actualizan los residuales (o capacidades
223
Captulo 7
remanentes). La red con los residuales actualizados se llama red residual. Se usar la
notacin ( cij , c ji ) para representar esos residuales.
Para un nodo j que recibe flujo al nodo i, se define una etiqueta [aj, i], donde aj es el
flujo del nodo i al nodo j.
Los pasos del algoritmo son como sigue:
Paso 1. Para todos los arcos (i, j) se iguala la capacidad residual con la capacidad
inicial; esto es, ( cij , c ji ) = ( C ij , C ji ). Sea a1 = y se etiqueta el nodo fuente
1 con [, ]. Se iguala i = 1 y se prosigue al paso 2.
Paso 2. Determinar Si, el conjunto de nodos j no etiquetados que se pueden alcanzar
directamente desde el nodo i, con arcos con residuales positivos (esto es
cij > 0 para toda j Si). Si , ir al paso 3. En caso contrario ir al paso 4.
Paso 3. Determinar k Si tal que
cik = max {cij }
j Si
Igualar ak = cik y etiquetar el nodo k con [ak,i]. Si k = n, el nodo sumidero se

ha etiquetado y se ha encontrado una ruta de irrupcin; ir al paso 5. En caso
contrario igualar i = k y seguir en el paso 2.
Paso 4. (Retroceso). Si i = 1, no hay otras irrupciones posibles; ir al paso 6. En caso
contrario, sea r el nodo que se ha etiquetado inmediatamente antes del nodo
actual i y quitar i del conjunto de nodos adyacentes a r. Igualar i = r y
continuar en el paso 2.
Paso 5. (Determinacin de la red residual). Sea Np = (1, k1, k2, , n); se definen
los nodos de la p-sima ruta de irrupcin del nodo fuente 1 al nodo destino
n. Entonces el flujo mximo por la ruta se calcula como:
fp = mn {a1, ak1, ak2,, an}
La capacidad residual de cada arco a lo largo de la ruta de irrupcin se
disminuye en fp unidades en la direccin del flujo y se aumenta fp unidades
en la direccin contraria; esto es, para todos los nodos i y j en la ruta, el flujo
residual se cambia del actual ( cij , c ji ) a
a) ( cij , c ji ) ( C ij f p , C ji + f p ), si el flujo va de i a j
b) ( C ij + f p , C ji f p ), si el flujo va de j a i
Se reinstalan todos los nodos que se hayan eliminado en el paso 4. Poner
i = 1 y regresar al paso 2 para intentar una nueva ruta de irrupcin.
Paso 6. (Solucin)
a) Si se han determinado m rutas de irrupcin, el flujo mximo en la red es:
F = f1 + f2 + ...+ fm
b) Como los residuales inicial y final del arco (i,j) se obtienen con
( C ij , C ji ) y ( cij , c ji ), respectivamente, el flujo ptimo en el arco (i, j) se
calcula como sigue:
224
Captulo 7

Sea:
( , ) = ( C ij cij , C ji c ji )
Si > 0, el flujo ptimo de i a j es .

Si > 0, el flujo ptimo de i a j es . (Es imposible que tanto y sean
positivos).
Se invoca el proceso de retroceso del paso 4 cuando el algoritmo llega a un
punto ciego por descuido, en un nodo intermedio, antes de poder realizar
una irrupcin.
Determinar el flujo mximo en la red del ejemplo de aplicacin 7.6.
0
6
3
B
5
0
0
4
6
0
0
0
0
0
0
Iteracin 1. Igualar los residuales iniciales ( cij , c ji ) a las capacidades ( C ij , C ji ).

Paso 1. Igualar aO = y etiquetar el nodo O con [, ]. Poner i = O.
Paso 2. SO = {A, C}().
Paso 3. k = C porque cOC = max {cOA, cOC}= max{3, 5} = 5. Tomar aC = cOC = 5 y
etiquetar el nodo C [5, O]. Igualar i = C y repetir el paso 2.
Paso 2. SC = {B, E}
Paso 3. k = E porque cCE = max {cCB, cCE}= max{0, 2} = 2. Tomar aE = cCE = 2 y
etiquetar el nodo E [2, C]. Igualar i = E y repetir el paso 2.
Paso 2. SE = {D, T}
Paso 3. k = T porque cET = max {cED, cET}= max{0, 2} = 2. Tomar aT = cET = 2 y
etiquetar el nodo T [2, E]. Se obtuvo una irrupcin. Ir al paso 5.
Paso 5. La ruta de irrupcin se determina con las etiquetas comenzando en el nodo T y
termina en el nodo O; esto es, (T) [2, E] (E) [2, C] (C) [5, O]
(O). As, N1 = {O, C, E, T}y f1 = mn {aO, aC, aE, aT} = {, 5, 2, 2} = 2.
Las capacidades residuales a lo largo de la ruta N1 son:
( cij , c ji )
a) ( cOC , cCO ) = ( C OC f 1 , C CO + f 1 ) = (5 2,0 + 2) = (3,2)
225
Captulo 7

( cCE , c EC ) = ( C CE f1 , C EC + f1 ) = (2 2,0 + 2) = (0,2)
( c ET , cTE ) = ( C ET f 1 , CTE + f1 ) = (2 2,0 + 2) = (0,2)
6
3
O
[o-o,- ]
B
3
0
0
4
6
0
2
0
2
0
2
[2,E]
[2,C]
[5,O]
Iteracin 2.
Paso 1. Igualar aO = y etiquetar el nodo O con [, ]. Poner i = O.
Paso 2. SO = {A, C}( ).
Paso 3. k = A porque cOA = max {cOA, cOC}= max{3, 3} = 3.(Aunque los empates se
rompen en forma arbitraria, TORA selecciona siempre el nodo empatado que
tenga el ndice menor.) Tomar aA = cOA = 3 y etiquetar el nodo A [3, O].
Igualar i = A y repetir el paso 2.
Paso 2. SA = {B, D}
Paso 3. k = B porque cAB = max {cAB, cAD}= max{6, 6} = 6. Tomar aB = cAB = 6 y
etiquetar el nodo B [6, A]. Igualar i = B y repetir el paso 2.
Paso 2. SB = {C, D, E}
Paso 3. k = D porque cBD = max {cBC, cBD, cBE}= max{4, 4, 6} = 4. Tomar aD = cBD =
4 y etiquetar el nodo D [4, B]. Igualar i = D y repetir el paso 2.
Paso 2. SD = {E, T}
Paso 3. k = T porque cDT = max {cDE, cDT}= max{3, 5} = 5. Tomar aT = cDT = 5 y
etiquetar el nodo T [5, D]. Se obtuvo una irrupcin. Ir al paso 5.
Paso 5. La ruta de irrupcin se determina con las etiquetas comenzando en el nodo T y
termina en el nodo O; esto es, (T) [5, D] (D) [4, B] (B) [6, A]
(A) [3, O] (O). As, N2 = {O, A, B, D, T}y f2 = mn {aO, aA, aB, aD,
aT} = {, 3, 6, 4, 5} = 3. Las capacidades residuales a lo largo de la ruta N2
son:
( cij , c ji )
a) ( cOA , c AO ) = ( C OA f 2 , C AO + f 2 ) = (3 3,0 + 3) = (0,3)
( c AB , c BA ) = ( C AB f 2 , C BA + f 2 ) = (6 3,0 + 3) = (3,3)
( c BD , c DB ) = ( C BD f 2 , C DB + f 2 ) = (4 3,0 + 3) = (1,3)
( c DT , cTD ) = ( C DT f 2 , CTD + f 2 ) = (5 3,0 + 3) = (2,3)
226
Captulo 7

[3,O]
3
3
0
O
[o-o,- ]
3
[6,A]
B
4
3
1
6
0
2
0
2
[4,B]
0
3
2
[5,D]
Iteracin 3.
Todos los arcos que salen del nodo O tienen residuales ceros, a excepcin del arco
OC, como el nodo C tiene residuales ceros, en consecuencia no hay irrupciones posibles.
Entonces pasaremos al paso 6 para determinar la solucin.
Paso 6. El flujo mximo en la red es F = f1 + f2 = 2 + 3 = 5 unidades. El flujo en los
distintos arcos se calcula restando los ltimos residuales ( cij , c ji ) en la
iteracin 2 de las capacidades iniciales ( C ij , C ji ), como se ve en la tabla
siguiente:
Arco
(O,A)
(O,C)
(A,B)
(A,D)
(B,C)
(B,D)
(B,E)
(C,E)
(D,E)
(D,T)
(E,T)
( C ij , C ji ) ( cij , c ji )
(3,0) (0,3) = (3, 3)
(5,0) (3,2) = (2, 2)
(6,0) (3,3) = (3, 3)
(6,0) (6,0) = (0, 0)
(4,0) (4,0) = (0, 0)
(4,0) (1,3) = (3, 3)
(6,0) (6,0) = (0,0)
(2,0) (0,2) = (2, 2)
(3,0) (3,0) = (0,0)
(5,0) (2,3) = (3, 3)
(2,0) (0,2) = (2,2)
Flujo Direccin
3
OA
2
OC
3
AB
0
3
BD
0
2
CE
0
3
DT
2
ET
227
Captulo 7
7.5.2 Formulacin del problema de flujo mximo con programacin

lineal
Se define xij como la cantidad de flujo en el arco (i,j) y sea cij la capacidad del
mismo arco. Se supone que s y t son los nodos inicial y terminal entre los cuales se debe
determinar el flujo mximo en la red capacitada (es decir, con sus capacidades).
Las restricciones del problema conservan el flujo de entrada y salida en cada nodo,
con excepcin de los nodos inicial y terminal. La funcin objetivo maximiza el flujo total
que sale del nodo inicial s, o el flujo total que entra al nodo terminal t.

En el modelo de flujo mximo de la figura 7.40, s = 1 y t = 5. La tabla siguiente es
un resumen del programa lineal correspondiente con dos funciones objetivos distintas, que
dependen de si se maximiza la salida del nodo 1 (= Z1) o la entrada al nodo 5 (= Z2).
0
20
0
0
10
5
0
30
1
20
10
30
0
0
0
40
20
Figura 7.40
x12 x13 x14 x23 x25 x34 x35 x43 x45

Maximizar Z1 1
1
1
Maximizar Z2
1
1
1
Nodo 2
=0
Nodo 3
=0
Nodo 4
=0
Capacidad
20 30 10 40 30 10 20 5 20
La solucin ptima, usando cualquiera de las funciones objetivo, es:
x12 = 20, x13 = 30, x14 = 10, x23 = , x25 = 20, x34 = 10, x35 = 20, x43 = , x45 = 20
El flujo mximo asociado es Z1 = Z2 = 60.
228
Captulo 7
7.5.3 Solucin por computadora del problema de flujo mximo

Puede usted usar Tora para resolver el modelo de flujo mximo en una forma
automatizada, o para producir las iteraciones que se describieron arriba.
Parta del MainMen y escoja Network models Maximal Flow (Modelo de red
Flujo mximo). Especifique el modo de captura (archivo existente o problema nuevo) y
el formato de captura.
MENU (men resolver)
Figura 7.41
Figura 7.42
Figura 7.43
Seleccione SOLVE PROBLEM = > Iterations.
Figura 7.44
229
Captulo 7
La figura 7.45 muestra las iteraciones del ejemplo de aplicacin 7.1, con TORA
Figura 7.45 Iteraciones de flujo mximo para el ejemplo de aplicacin 7.1 con TORA

escoja el tipo de problema en este caso Maximal Flow Problem (Problema de flujo
mximo) y coloque los datos del problema (criterio de la funcin objetivo, formato de los
230
Captulo 7
Figura 7.46
Figura 7.47
Una vez ingresados los datos del problema haga clic en Solve and Analyse y haga clic en
Solve and Display Steps Network.
Figura 7.48
Aparecer la primera iteracin, luego presione Iteration = > Next Iteration. Hasta hallar
el ptimo. En la figura 7.49 se resuelve el ejemplo de aplicacin 7.1.
231
Captulo 7
Figura 7.49 Solucin del problema de flujo mximo del ejemplo de aplicacin 7.1 con WinQSB.
7.5.3.3 Solucin con hoja de clculo de Excel

La hoja de clculo de Excel, basada en la red, que se desarrollo para el modelo de
transporte (seccin 6.7.3) se modifica para determinar el flujo mximo en una red
capacitada. Esta hoja de clculo esta diseada para problemas con un mximo de 10 nodos.
La figura 7.50 muestra la aplicacin de la hoja de clculo al ejemplo de aplicacin
7.1. La matriz de capacidades de flujo est en las celdas B6:K15. Una celda vaca en la
matriz de capacidades indica que el arco correspondiente tiene capacidad infinita. Un
elemento cero corresponde a un arco de flujo inexistente. En cualquier otro caso, todos los
arcos restantes deben tener capacidades finitas.
Una vez capturados los datos de capacidad de flujo, el resto de la hoja de clculo
(secciones de clculos intermedios y de solucin ptima) se crean en forma automtica.
Todo lo que se necesita ahora es actualizar los parmetros de solver para que
coincidan con datos del problema. La columna B especifica las celdas que cambian (flujos
de arco) del problema. El intervalo para Cambiando las Celdas debe abarcar todos los
arcos especificados en la columna A (asegrese de dar un nombre a cada nodo en la matriz
de datos, o la columna A solo mostrara un guin en las celdas correspondientes). En este
ejemplo, las celdas B20:B61 proporcionan el intervalo de Cambiando las Celdas. La
columna C especifica las capacidades de los arcos de la red (Celdas C20:C61).
232
Captulo 7
Las restricciones del modelo representan la ecuacin de balance de cada nodo. La

formulacin como programa lineal, de la seccin 7.5.3, indica que no es necesario formular
nuevas ecuaciones de flujo para los nodos primero y ultimo de la red. As, las celdas
G20:G24 representan el lado derecho de las ecuaciones de flujo.
Con base en esta informacin, los parmetros de Solver para el ejemplo 7.1 se
captura como sigue:
Sujetas a las siguientes restricciones: B20:B61< = C20:C61 (capacidad de arco)
F20:F24= G20:G24 (Ecuaciones de flujo para los
nodos 2, 3, 4, 5 y 6)
Ntese que La celda objetivo se automatiza y no necesita cambiarse. El parmetro
Figura 7.50
El resultado de la figura 7.51 define la solucin (N1 N2 = 3, N1 N4 = 2, N2

N5 = 3, N4 N6 = 2, N5 N7 = 3, N6 N7 = 2), con un flujo mximo de 5. Eso quiere
decir que la ruta ptima es 1 2 5 7 y 1 4 6 7.
233
Captulo 7

Modelo De Flujo Mximo Con SOLVER
Datos de Entrada:
N De Nodos
N1
N2
N3
N4
N5
N1
0
0
0
0
0
N6
N7
<<maximo 10
Matriz de Capacidades (la entrada en blanco = infinito)
N2
N3
N4
N5
N6
N7
3
0
5
0
0
0
0
6
0
6
0
0
0
0
4
4
6
0
0
0
0
0
2
0
0
0
0
0
3
5
Solucin ptima:
Intermediate calculations:
Costo Total =
Nombre
Desde - Hasta
N1 - N2
N1 - N3
N1 - N4
N1 - N5
N1 - N6
N1 - N7
N2 - N1
N2 - N3
N2 - N4
N2 - N5
N2 - N6
N2 - N7
N3 - N1
N3 - N2
N3 - N4
N3 - N5
N3 - N6
N3 - N7
N4 - N1
N4 - N2
N4 - N3
N4 - N5
N4 - N6
N4 - N7
N5 - N1
N5 - N2
N5 - N3
N5 - N4
N5 - N6
N5 - N7
N6 - N1
N6 - N2
N6 - N3
N6 - N4
N6 - N5
N6 - N7
N7 - N1
N7 - N2
N7 - N3
N7 - N4
N7 - N5
N7 - N6
Flujo Capacidad
3
3
0
0
2
5
0
0
0
0
0
0
0
0
0
6
0
0
3
6
0
0
0
0
0
0
0
0
0
4
0
4
0
6
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
3
3
5
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
N1
N2
N3
N4
N5
N6
N7
Nodo
Flujo
1
2
3
4
5
6
7
5
0
0
0
0
0
-5
Demanda Desde
0
0
0
0
0
0
0
1
1
1
1
1
1
2
2
2
2
2
2
3
3
3
3
3
3
4
4
4
4
4
4
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
7
Hasta
2
3
4
5
6
7
1
3
4
5
6
7
1
2
4
5
6
7
1
2
3
5
6
7
1
2
3
4
6
7
1
2
3
4
5
7
1
2
3
4
5
6
Flujo
Unitario
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Figura 7.51 Solucin de flujo mximo desde el nodo 1 hasta 7 del ejemplo de aplicacin 7.1 con
SOLVER de Excel
234
Captulo 7
7.6 Problema del flujo capacitado a costo mnimo

El problema del flujo capacitado a costo mnimo se basa en las hiptesis siguientes:
1. A cada arco se le asocia un costo de flujo unitario (no negativo).
2. Los arcos pueden tener lmites inferiores positivos de capacidad.
3. Todo nodo en la red puede funcionar como fuente o como sumidero.
El nuevo modelo determina los flujos en los distintos arcos, que minimizan el costo
total y a la vez satisfacen las restricciones de flujo y las cantidades de oferta y demanda en
los nodos, representando el modelo de red y su formulacin equivalente en programacin
lineal, lo cual es la base que desarrolla el algoritmo smplex capacitado especial y por
ultimo mostraremos una plantilla de hoja de calculo, de la red capacitada con costo mnimo.
7.6.1 Representacin en red

Se tiene una red capacitada G = (N, A), donde N es el conjunto de los nodos y A es
el conjunto de los arcos, y se definen:
xij = cantidad de flujo del nodo i al nodo j.
uij (lij) = capacidad mxima (mnima) del arco (i,j).
cij = costo de flujo unitario del nodo i al nodo j.
fi = flujo neto en el nodo i.
La figura 7.52 muestra las definiciones en el arco (i,j). La etiqueta [fi] supone un
valor positivo (negativo) cuando hay una oferta o suministro neto (demanda) asociada al
nodo i.
Figura 7.52
Arco capacitado con flujo externo

Coboce abastece de hormign a tres proyectos de caminos desde tres plantas. Las
cantidades de oferta en los tres plantas son 100, 200 y 50 m3. Coboce usa principalmente
camiones hormigoneras para transportar el hormign a los proyectos, a excepcin de de tres
rutas, en las que se usan otro tipo de transporte.
La figura 7.53 muestra las rutas disponibles entre las tres plantas y los tres
proyectos. Plantas se representan con los nodos 1, 2 y 3, cuyas cantidades de suministro son
[100], [200] y [50], respectivamente. Los proyectos se representan con los nodos 4, 5 y 6,
cuyas demandas son [150], [80] y [120], respectivamente. Las rutas permiten
transbordos entre los plantas. Los arcos (1,4), (3,4) y (4,6) son de camiones hormigoneras,
con capacidades mnimas y mximas. Por ejemplo, la capacidad de la ruta (1,4) es de 50 a
80 m3. En todas las dems rutas se usan otro tipo de transporte, cuya capacidad mxima es
235
Captulo 7
prcticamente ilimitada. Los costos de transporte, por m3, se indican en sus arcos
respectivos.
Figura 7.53
7.6.2 Formulacin con programacin lineal

La formulacin de un modelo de red capacitada como programa lineal es la base del
desarrollo del algoritmo smplex capacitado, que presentaremos en la seccin siguiente. AL
usar la notacin descrita en la seccin 7.6.4, el programa lineal para la red capacitada es:
Minimizar z =
( i , j ) A
ij
X ij
Sujeta a:
jk
ij
= fj, j
( j , k ) A
( i , j ) A
lij X ij u ij
La ecuacin para el nodo j mide el flujo fj neto en el nodo j como siguen:
(Flujo que sale del nodo j) (Flujo que entra al nodo j) = fj
El nodo j funciona como fuente si fj > 0 y como sumidero si fj < 0.
Siempre se puede eliminar la cota inferior lij de las restricciones, mediante la
sustitucin:
,
xij = xij + lij

,
La nueva variable de flujo xij , tiene un limite superior igual a uij lij. Adems, el
flujo neto en el nodo i se vuelve fi lij y en el nodo j es fj + lij. La figura 7.54 muestra la
transformacin de la actividad (i,j) despus de que ha salido por sustitucin la cota inferior.
236
Captulo 7
Figura 7.54
Eliminacin de la cota inferior en los arcos

Escriba el programa lineal para la red de la figura 7.55, antes y despus de eliminar
las cotas inferiores por sustitucin.
[-150]
[100]
$1
(50,80)
(70
$3
[50]
$5
[200]
,12
0)
$1
$4
)
20
,1
00
(1
$2
$4
$2
$6
[-120]
5
[-80]
Figura 7.55
Las restricciones principales del programa lineal relacionan el flujo de entrada y

salida en cada nodo, y as se obtiene el siguiente programa lineal:
Minimizar
Nodo 1
Nodo 2
Nodo 3
Nodo 4
Nodo 5
Nodo 6
Cotas inferiores
Cotas superiores
x12 x13 x14 x23 x25

3
4
1
5
6
1
1
1
1
1
1
1
1
1
1
0
50
80
x34
1
x35
2
x46
2
x56
4
= 100
= 200
1
1
= 50
1
1
= -150
1
1 = - 80
1 1 = -120
70 0 100 0
120 120
Observe el arreglo de los coeficientes de las restricciones. La columna asociada con

la variable xij tiene exactamente un +1 en el rengln i y un 1 en el rengln j. El resto de los
coeficientes es 0. Esta estructura es caracterstica de los modelos de flujo de red.
Las variables con cotas inferiores se sustituyen como sigue:
x14 = x14 + 50
x34 = x34 + 70
x46 = x16 + 100
237
Captulo 7
El programa lineal que resulta es:

x12 x13 x14 x23 x25 x34 x35 x46 x56
Minimizar
3
4
1
5
6
1
2
2
4
Nodo 1
1
1
1
= 50
Nodo 2
1
1
1
= 200
Nodo 3
1
1
1
1
= - 20
Nodo 4
1
1
1
= -130
Nodo 5
1
1
1 = - 80
Nodo 6
1 1 = -20
Cotas superiores 30 50 20
La red correspondiente, despus de eliminar por sustitucin las cotas inferiores, se
ve en la figura 7.56. Observe que la sustitucin de la cota inferior se puede hacer en forma
directa en la figura 7.55, usando la sustitucin de la figura 7.54 y sin necesidad de
expresar el problema primero como programa lineal.
Figura 7.56
7.6.3 Algoritmo smplex de red capacitada

El mtodo de redes es una versin muy simplificada del mtodo smplex para
resolver problemas del flujo de costo mnimo. Como tal, realiza los mismos pasos bsicos
con cada iteracin encontrar la variable bsica entrante, determinar la variable bsica que
sale y obtener la nueva solucin Bsica Factible con el fin de mover la solucin Bsica
Factible actual a una adyacente mejor. No obstante ejecuta estos paso en una forma que
explota la estructura especial de la red del problema sin necesidad alguna de la tabla
smplex.
Ya que i es el flujo neto en nodo i, como se defini en seccin 7.6.2 lo cual estipula
que la red debe satisfacer
n
f
i =1
=0
238
Captulo 7
Esto indica que la oferta en la red debe ser igual a la demanda total, lo cual se puede
lograr aumentando una fuente o destino ficticio lo cual su objetivo es balancear y esta
conectado con dems nodos de la red y as cumplir con esta condicin, esta fuente o destino
ficticio sus caractersticas son:
Arcos de costo unitario cero.
Y capacidad infinita.
Pero este balanceo no asegura que tenga el problema una solucin factible, se
requiere el conocimiento del mtodo smplex y con la teora de la dualidad antes visto, y
complementariamente puede ayudar el saber el mtodo smplex con cota superior.
Paso 0
Determinar una solucin bsica factible (conjunto de arcos) para la red, e ir

al paso 1.
Paso 1
Determinar un arco (variable) de entrada con la condicin de optimalidad del

mtodo smplex. Si la solucin es ptima, detenerse. En caso contrario ir al
paso 2.
Paso 2
Determinar el arco (variable) salida usando la condicin de factibilidad del

mtodo smplex. Determinar la nueva solucin y continuar con el paso 1.
Una red con n nodos y flujo neto cero lo que quiere decir que 1 + 1 + +n = 0, lo
cual consiste en n-1 ecuaciones independientes de restricciones, lo cual una solucin bsica
asociadas debe incluir n-1 arcos. Lo cual puede demostrar que una solucin bsica le
corresponde a un rbol de expansin de la red.
El arco entrante lo que consiste en el paso 1 se determina, calculando zij cij , los
coeficientes objetivo, para todos los arcos no bsicos actuales (i, j). Si zij cij 0 para todas i
y j, la base actual (la que se tiene en ese momento) es ptima. En caso contrario se
selecciona el arco no bsico con la z ij cij ms positivo para entrar en la base.
El clculo de los coeficientes objetivo se basa en la dualidad, exactamente como se
hizo con el modelo de transporte. Cuando se aplica el programa lineal, sea wi la variable
dual asociada con la restriccin del nodo i; entonces, el problema dual (excluyendo las
cotas superiores) es
n
Maximizar z = f i wi
i =1
Sujeta a:
wi w j cij (i, j ) A
wi de signo no restringido, i = 1, 2, , n
Segn la teora de la programacin lineal,
wi w j = cij , para el arco bsico (i, j)
239
Captulo 7
Ya que por definicin el programa lineal original tiene una restriccin redundante,
se puede asignar un valor arbitrario a una de las variables duales (comparando con el
algoritmo de transporte). Por comodidad de iguala w1 = 0. A continuacin se resuelven las
ecuaciones (bsicas) wi w j = cij para determinar los valores duales restantes. De acuerdo
con el mtodo 2 de la seccin 5.5. Se sabe segn esto que el coeficiente objetivo de la xij no
bsica es la diferencia entre el lado izquierdo y el lado derecho de la restriccin dual
correspondiente al dual, es decir:
zij cij = wi w j cij
Lo nico que queda por mostrar es la determinacin de la variable de salid, lo cual
haremos con un ejemplo numrico. A continuacin.

Una red de tuberas conecta dos plantas de tuberas a dos ciudades. Las cantidades diarias
de abastecimiento en las dos plantas son 150 a 400 millones de galones, y las demandas
diarias en las ciudades 1 y 2 son 250 y 300 millones de galones. Los nodos 1 y 2
representan a las plantas y los nodos 3 y 4 representan a las ciudades 1 y 2. El nodo 5 es
una estacin de bombeo entre las plantas y las ciudades. El modelo ya esta balanceado,
porque la oferta en los nodos 1 y 2 es igual a la demanda en los nodos 3 y 4. La figura 7.57
muestra la red asociada.
Capacidad de arco
Costo unitario
Planta 1
150
$3
(200)
(200)
(150)
$5
$2
(150) $7
$1 (oo)
$3
$6
(400)
Planta 2
400
250 Ciudad 1
(400)
(200)
$8
300 Ciudad 2
Figura 7.57
Red para el ejemplo de aplicacin
Iteracin 0.
Paso 0. Determinacin de una solucin inicial bsica factible: El rbol de expansin
factible inicial de la figura 7.58 (indicados con arcos de lnea llena) se obtiene
por inspeccin. En el caso normal se usa una tcnica de variable artificial para
llegar a esa solucin.
240
Captulo 7
[150]
$3
1
$5
50
$1 (oo)
$6
0)
40
40
0(
0(
40
30
0)
(150) $7
$3
[-250]
0)
20
(
0
10 $2
(1
[400]
150(200)
(200)
$8
[-300]
Figura 7.58 Red para la iteracin 0
En la figura 7.58, la solucin bsica factible consiste en los arcos (lnea llena) (1,3),
(2,5), (5,3) y (5,4), con los flujos factibles de 150, 400, 100 y 300 unidades,
respectivamente. Esto deja a los arcos (lneas interrumpida) (2,1), (1,5), (3,4) y (2,4) para
representar a las variables no bsicas. La notacin x(c) en los arcos indica que se asigna un
flujo de x unidades a un arco con capacidad c. Los valores predeterminados para x y c son 0
y , respectivamente.
Iteracin 1.
Paso 1. Determinacin del arco entrante: Se obtienen los valores duales resolviendo
las ecuaciones bsicas actales.
w1 = 0
wi wj = Cij
As se obtienen
Arco (1,3): w1 w3 = 3, por consiguiente w3 = 3
Ahora se calculan zij Cij para las variables no bsicas, como sigue:
Arco (1,5): w1 w5 C15 = 0 (1) 5 = 4
Arco (2,1): w2 w1 C21 = 2 0 7 = 5
Arco (2,4): w2 w4 C24 = 2 (7) 8 = 1
Arco (3,4): w3 w4 C34 = 3 (7) 1 = 3
Por lo anterior, el arco (3,4) entra a la solucin bsica.
241
Captulo 7

1
[150]
$3
)
00
10 $2
(1
$5
50
5
0)
0(
40
$1 (oo)
$6
0)
40
40
0(
w5= -1
30
$3
[-250]
2
0(
(150) $7
[400]
150(200)
+
-
(200)
$8
[-300]
Paso 2. Determinacin del arco saliente: En la figura 7.59 se ve que el arco (3,4) forma
un bucle con los arcos bsicos (5,3) y (5,4). De acuerdo con la definicin del
rbol de expansin, ya no se puede formar otro bucle. Como el flujo en el arco
nuevo (3,4) debe aumentar, se ajusta el flujo en los arcos del bucle con una
cantidad igual, para, mantener la factibilidad de la nueva solucin. Para lograrlo se
identifica el flujo positivo (+) en el bucle, con la direccin del arco entrante (es
decir, de 3 a 4). A continuacin se asigna (+) o (-) a los arcos restantes del bucle,
dependiendo de si el flujo en cada uno es en o contra la direccin del flujo del arco
entrante. Estas convenciones de signo se muestran en la figura 7.59.
La determinacin de la cantidad mxima de flujo en el arco entrante (3,4), se basas
en dos condiciones:
1. El flujo nuevo en los arcos bsicos actuales del bucle no puede ser negativo.
2. El flujo nuevo en el arco entrante no puede exceder su capacidad.
La aplicacin de la condicin 1 indica que el flujo en el arco (5,4) no puede
disminuir en ms de 300 unidades. La condicin dos estipula que los flujos en los arcos
(5,3) y (3,4) puede aumentar cuando mucho hasta la capacidad del arco mnimo [100, ] =
100 unidades. Entonces, el cambio mximo de flujo en el bucle es mnimo [100, 300] = 100
unidades. Los nuevos flujos en el bucle son entonces 100 unidades en el arco (3,4), 100 +
100 = 200 unidades en el arco (5,3) y 300 100 = 200 unidades en el arco (5,4).
Debido a que ninguno de los arcos bsicos sale de la base a nivel cero, el nuevo arco
(3,4) debe permanecer no bsico en la cota superior. Sin embargo, para no manejar arcos no
bsicos que estn en el valor de su capacidad (o cota superior) se implementara la
sustitucin.
X34 = 100 x43, 0 x43 100
242
Captulo 7
Esta sustitucin se hace en las ecuaciones de flujos asociadas con los nodos 3 y 4
como sigue.
Se tiene que:
Ecuacin actual del flujo en el nodo 3: x13 + x53 = x34 + 250
Ecuacin actual del flujo en el nodo 4: x24 + x34 + x54 = 300
Entonces, la sustitucin x34 = 100 x43 da como resultado:
Nueva ecuacin del flujo en el nodo 3: x13 + x53 = 350 x43
Nueva ecuacin del flujo en el nodo 4: x24 x43 + x54 = 200
En la figura 7.60 se ven los resultados de estos cambios. La direccin de flujo en el
arco (3,4) queda invertida ahora a 43 con x34 = 0, que era lo que se quera. Tambin la
sustitucin requiere cambiar el costo unitario del arco (4,3) a $-1. Indicaremos esta
inversin de direccin en la red, etiquetando el arco con un asterisco.
1
1
(1
$5
50
w5= -1
-$1
40
0)
40
[-350]
$6
40
0(
0(
)
00
2
0(
20 $2
20
$3
0)
(150) $7
[400]
150(200)
100(oo)*
[150]
$3
+
-
(200)
$8
w2= 2
[-200]
w4= -7
Iteracin 2
La figura 7.61 resume los nuevos valores de zij Cij
Arco (1,5): w1 w5 C15 = 0 (1) 5 = 4
Arco (2,1): w2 w1 C21 = 2 0 7 = 5
Arco (2,4): w2 w4 C24 = 2 (7) 8 = 1
Arco (4,3): w4 w3 C43 = 7 (3) (1) = 3
Y muestra que el arco (2,4) entra a la solucin bsica. Tambin define al bucle
asociado con el nuevo arco entrante, y as asigna signos a sus arcos.
243
Captulo 7

w1= 0
150(200)
)
00
2
0(
20 $2
(1
50
$5
(150) $7
-$1
w5= -1
[-350]
100(oo)*
[150]
w3 = -3
$3
[400]
$6
0)
40
40
0(
0(
40
20
$3
0)
(200)
$8
w2= 2
[-200]
w4= -7
El flujo en el arco (2,4) se puede aumentar en la cantidad mnima de

1. El aumento mximo permisible en el arco entrante (2,4) = 200
2. La disminucin mxima permisible en el arco (2.5) = 400 unidades
3. La disminucin mxima permisible en el arco (5,4) = 200 unidades
As, el flujo en el arco (2,4) se puede aumentar a 200 unidades, con lo cual (2,4)
ser bsico y forzar a que el arco bsico (5,4) sea no bsico en su cota superior (= 400).
Al usar la sustitucin la red cambia como se ve en la figura 7.62, con los arcos
(1,3), (2,5), (2,4) y (5,3) formando la solucin (rbol de expansin) bsica. Tambin,
convnzase el lector de que la sustitucin en las ecuaciones de flujo de los nodos (5,4)
agregara 200 unidades de entrada en cada nodo.
$3
150(200)
)
00
2
0(
20 $2
(1
$5
50
(150) $7
-$1
[-350]
100(oo)*
[150]
[400]
$6
)
00
20
0(
4
(4
00
)
$3
200(200)
$8
[-200]
244
Captulo 7
Iteracin 3. Los clculos de las nuevas wi y zij Cij de la figura 7.63 muestra que
la solucin es ptima. Con un costo de $3150
Los valores de las variables originales se obtienen por sustitucin en reversa, como
se ve en la figura 7.63
Arco (1,5): w1 w5 C15 = 0 (1) 5 = 4
Arco (2,1): w2 w1 C21 = 2 0 7 = 5
Arco (4,5): w4 w5 C45 = 6 (1) 6 = -11
Arco (4,3): w4 w3 C43 = 6 (3) (1) = 2
w1= 0
150(200)
)
00
2
0(
20 $2
(1
$5
50
(150) $7
-$1
w5= -1
[-350]
100(oo)*
[150]
w3 = -3
$3
0(
40
20
00
[400]
2
w2= 2
$6
(4
$3
0)
200(200)
$8
[-200]
w4= -6
7.6.4 Solucin del modelo de flujo capacitado a costo mnimo con hoja de
calculo Excel
Como en los casos de los modelos de ruta ms corta y de flujo mximo, la hoja de
clculo Excel que se desarrollo para el modelo general de transporte (seccin 6.7.3) se
aplica con facilidad al modelo de flujo en red capacitada. La figura 7.64 muestra la
aplicacin al ejemplo 7.10. La hoja de clculo esta diseada para redes con 10 nodos como
mximo. En la matriz de capacidades celdas (N6:W15), una celda en blanco representa un
arco con capacidad infinita. Un arco inexistente se representa con un elemento de capacidad
cero. Como ilustracin, en el ejemplo 6.5.4, el arco de capacidad infinita 12 se representa
con un elemento en blanco en la celda O6, y el arco inexistente 34 se muestra con un
elemento cero en la celda Q8. LA matriz de costos unitarios esta en las celdas B6:K15. En
forma arbitraria se asignaron costos unitarios ceros a todos los arcos inexistentes.
Una vez que se crearon las matrices de costos unitarios y de capacidades, el resto de
la hoja de calculo (las secciones de clculos intermedios y solucin ptima) se crea en
forma automtica, delineando las celdas necesarias para actualizar los parmetros de Solver
para Cambiando las celdas y Restricciones. YA est definida la Celda Objetivo para
cualquier red (con 10 nodos o menos). En forma especifica, para el ejemplo 6.5.4 se tiene:
245
Captulo 7

Sujetas a las siguientes restricciones: B20:B39< = C20:C39 (capacidad de arco)
F19:F23= G19:G23 (Ecuaciones del
flujo en nodo)
La figura muestra la siguiente solucin N1 N2 = 5, N1 N4 = 35, N2 N3 =
25, N2 N5 = 30, N3 N5 = 25 y N4 N5 = 5. El costo total correspondiente es $490
246
Captulo 7

General Capacitated Network Model with Solver
Datos de entrada:
N de nodos
6
<<mximo 10
N1
0
0
0
0
0
0
N2
3
0
0
0
0
0
Demanda
0
Solucin ptima:
N1
N2
N3
N4
N5
N6
Costo
Total = 680
Desde-Hasta
N1 - N2
N1 - N3
N1 - N4
N1 - N5
N1 - N6
N2 - N1
N2 - N3
N2 - N4
N2 - N5
N2 - N6
N3 - N1
N3 - N2
N3 - N4
N3 - N5
N3 - N6
N4 - N1
N4 - N2
N4 - N3
N4 - N5
N4 - N6
N5 - N1
N5 - N2
N5 - N3
N5 - N4
N5 - N6
N6 - N1
N6 - N2
N6 - N3
N6 - N4
N6 - N5
N4
1
0
1
0
0
0
Matriz de costo unitario

N5
N6
0
0
6
0
2
0
0
2
0
4
0
0
0
150
80
Clculos intermedios:
Nombre
Flujo Capacidad
0
999999
20
999999
50
50
0
0
0
0
0
0
0
999999
0
0
80
999999
0
0
0
0
0
0
70
70
0
999999
0
0
0
0
0
0
0
0
0
0
0
100
0
0
0
0
0
0
0
0
0
999999
0
999999
0
999999
0
999999
0
999999
0
999999
N1
N2
N3
N4
N5
N6
N3
4
5
0
0
0
0
N1
N2
N3
N4
N5
N6
Nodo
Flujo
1
2
3
4
5
6
70
80
50
-120
-80
0
Oferta
100
200
50
0
0
0
120
Demanda Desde
100
200
50
-150
-80
-120
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
5
5
5
5
5
6
6
6
6
6
Costo
unitario
Hasta
2
3
4
5
6
1
3
4
5
6
1
2
4
5
6
1
2
3
5
6
1
2
3
4
6
1
2
3
4
5
3
4
1
0
0
0
5
0
6
0
0
0
1
2
0
0
0
0
0
2
0
0
0
0
4
0
0
0
0
0
matriz de capacidad (la celda en blanco = infinito)

N1
N2
N3
N4
N5
N6
0
50
0
0
0
0
0
0
0
0
0
70
0
0
0
0
0
0
100
0
0
0
0
0
Figura 7.64 Solucin del ejemplo de aplicacin 7.10 con SOLVER
247
Captulo 7

1. Considere la siguiente red dirigida.
A
a)
Encuentre una trayectoria dirigida del nodo A al nodo F y despus

identifique otras tres trayectorias no dirigidas del nodo A al nodo F.
b)
Encuentre tres ciclos dirigidos. Despus identifique un ciclo no dirigido que

incluya todos los nodos.
c)
Identifique un conjunto de arcos que formen un rbol de expansin mnima.
2. Utilice el algoritmo de Dijkstra para encontrar la ruta ms corta a travs de la red en

donde los nmeros representan las distancias reales entre los nodos correspondientes.
A
4
1
5
(origen)
1
4
(destino)
3. Utilice el algoritmo de Floyd para encontrar la ruta ms corta a travs de la red en

donde los nmeros representan las distancias reales entre los nodos correspondientes.
A
4
(origen)
5
6
O
3
C
5
F
1
7
8
(destino)
248
Captulo 7
4. Actualmente, todas las calles del barrio que aparece en la figura son de tierra. Se est
desarrollando un proyecto de pavimentacin para enviar a la Municipalidad. Se desea
que al menos sea posible trasladarse entre los seis puntos ms importantes del sector
por calles pavimentadas. Cules calles recomendara usted pavimentar de modo de
minimizar el costo del proyecto?
40
20
50
40
3
10
4
30
5
30
40
30
20
6
40
5. Suponga que las distancias entre cuatro ciudades vecinas son las que se presentan en
el esquema.
2
6
3
5
7
C
D
6
Suponga que hay inters de pavimentar y conectar estas ciudades a un costo mnimo.
Indique cules seran las rutas a pavimentar desde un punto de vista gubernamental o
del estado y desde un punto de vista de los usuarios.
6. Debido a la construccin de un nuevo sistema de vas subterrneas en una ciudad, se
han planeado dos redes de rutas alternas para el desvo del trnsito. Los diferentes
lmites de velocidad y las vas de trnsito producen diversas capacidades de flujo en
los distintos arcos de las redes propuestas. Cul de las dos redes es la ms adecuada?
Fundamente su respuesta.
Alternativa N1.
(Inicio desvo)
5
1 6
5
0 2
2
0
2 3
3 7
3
5 8
1
1
0 6 7
0
0
7
0
(Fin desvo)
0
0 4 5
249
Captulo 7
Alternativa N2.
(Inicio desvo)
6
0 2 2
0
4
1 6
4 6
0
3
0
3 4
01
0 5 2
0
6
0
(Fin desvo)
7. La empresa SEMAPA, cuenta con una red de caeras muy heterogneas en cuanto a
aos de servicio, y quiere llevar agua de la Planta potabilizadora en A hasta el barrio
G, abasteciendo en el camino todos los dems barrios (B, C, D, E, F). Pretende que el
caudal medido en decenas de litros por segundo sea mximo, pero debido a la edad
avanzada de algunos tramos debi confeccionar un croquis de la ciudad en el cual
consta el flujo mximo que soporta cada tramo.
2
7
0
6
C
3
0
0
5
2
0
0
0
0
0
0
Se pide:
a)
Asumiendo que la oferta esta solamente limitada por la capacidad actual

de la Red de Distribucin, identifique el flujo mximo a asignar en total y
en cada tramo, usando el algoritmo de flujo mximo, de modo tal que la
solucin sea ptima.
b)
Verifique el resultado obtenido por medio del teorema de FLUJO MXIMO

Cortadura mnima.
7.8 Bibliografa
Edicin]
7.9 Enlaces
http://home.ubalt.edu/ntsbarsh/opre640S/SpanishIN.htm#rmaxflpr
250
Captulo 8
CAPTULO 8
PROGRAMACIN DE ACTIVIDADES Y CONTROL DE
PROYECTOS CPM Y PERT
8.1
Introduccin a las redes de actividades
Los proyectos en gran escala por una sola vez han existido desde tiempos antiguos;
este hecho lo atestigua la construccin de las pirmides de Egipto y los acueductos de
Roma. Pero slo desde hace poco se han analizado por parte de los investigadores
operacionales los problemas gerenciales asociados con dichos proyectos.
El problema de la administracin de proyectos surgi con el proyecto de
armamentos del Polaris, empezando 1958. Con tantas componentes y sub-componentes
juntos producidos por diversos fabricantes, se necesitaba una nueva herramienta para
programar y controlar el proyecto. El PERT (evaluacin de programa y tcnica de revisin)
fue desarrollado por cientficos de la oficina Naval de Proyectos Especiales. Booz, Allen y
Hamilton y la Divisin de Sistemas de Armamentos de la Corporacin Lockheed Aircraft.
La tcnica demostr tanta utilidad que ha ganado amplia aceptacin tanto en el
gobierno como en el sector privado.
Casi al mismo tiempo, la Compaa DuPont, junto con la Divisin UNIVAC de la
Remington Rand, desarroll el mtodo de la ruta crtica (CPM) para controlar el
mantenimiento de proyectos de plantas qumicas de DuPont. El CPM es idntico al PERT
en concepto y metodologa. La diferencia principal entre ellos es simplemente el mtodo
por medio del cual se realizan estimados de tiempo para las actividades del proyecto. Con
CPM, los tiempos de las actividades son determinsticos. Con PERT, los tiempos de las
actividades son probabilsticos o estocsticos.
El PERT/CPM fue diseado para proporcionar diversos elementos tiles de
informacin para los administradores del proyecto. Primero, el PERT/CPM expone la "ruta
crtica" de un proyecto.
Estas son las actividades que limitan la duracin del proyecto. En otras palabras,
para lograr que el proyecto se realice pronto, las actividades de la ruta crtica deben
realizarse pronto. Por otra parte, si una actividad de la ruta crtica se retarda, el proyecto
como un todo se retarda en la misma cantidad. Las actividades que no estn en la ruta
crtica tienen una cierta cantidad de holgura; esto es, pueden empezarse ms tarde, y
permitir que el proyecto como un todo se mantenga en programa. El PERT/CPM identifica
estas actividades y la cantidad de tiempo disponible para retardos.
El PERT/CPM tambin considera los recursos necesarios para completar las
actividades. En muchos proyectos, las limitaciones en mano de obra y equipos hacen que la
programacin sea difcil. El PERT/CPM identifica los instantes del proyecto en que estas
restricciones causarn problemas y de acuerdo a la flexibilidad permitida por los tiempos de
holgura de las actividades no crticas, permite que el gerente manipule ciertas actividades
para aliviar estos problemas.
251
Captulo 8
Finalmente, el PERT/CPM proporciona una herramienta para controlar y monitorear

el progreso del proyecto. Cada actividad tiene su propio papel en ste y su importancia en
la terminacin del proyecto se manifiesta inmediatamente para el director del mismo. Las
actividades de la ruta crtica, permiten por consiguiente, recibir la mayor parte de la
atencin, debido a que la terminacin del proyecto, depende fuertemente de ellas. Las
actividades no crticas se manipularan y remplazaran en respuesta a la disponibilidad de
recursos.
8.2
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.
Definicin: El mtodo del camino crtico es un proceso administrativo de
planeacin, programacin, ejecucin y control de todas y cada una de las actividades
componentes de un proyecto que debe desarrollarse dentro de un tiempo crtico y al costo
ptimo.
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. Que se deba ejecutar todo el proyecto o parte de el, en un tiempo mnimo, sin
variaciones, es decir, en tiempo crtico.
c. 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.
252
Captulo 8
8.3
Diferencias entre PERT y CPM
Como se indic antes, la principal diferencia entre PERT y CPM es la manera en

que se realizan los estimados de tiempo. El PERT supone que el tiempo para realizar cada
una de las actividades es una variable aleatoria descrita por una distribucin de
probabilidad. El CPM por otra parte, infiere que los tiempos de las actividades se conocen
en forma determinsticas y se pueden 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. El estimado de tiempo ms optimista, a;
3. 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.
a + 4m + b
6
ba
(Z ) =
6
Te ( Z ) =
253
Captulo 8
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
8.4
Mtodos CPM y PERT
Los mtodos CPM (mtodo de la ruta crtica o del camino crtico, critical path
method) y PERT (tcnica de evaluacin y revisin de programa, program evaluation and
review technique) se basan en diagramas, y tienen por objeto auxiliar en la planeacin,
programacin y control de proyectos. Se define un proyecto como conjunto de actividades
interrelacionadas, en la que cada actividad consume tiempo y recursos. El objetivo del
CPM y del PERT es contar con un mtodo analtico para programar las actividades. En la
figura 8.1 se resumen los pasos de estas tcnicas. Primero se definen las actividades del
proyecto, sus relaciones de precedencia y sus necesidades de tiempo.
Figura 8.1 Fases de aplicacin de un proyecto con CPM o PERT
A continuacin, el proyecto se traduce en un diagrama que muestre las relaciones de

precedencia entre las actividades. El tercer paso implica clculos especficos de diagramas,
que forman la base del desarrollo del programa del proyecto en funcin del tiempo.
Durante la ejecucin del proyecto, podra no cumplirse el programa que estaba
planeado, causando que algunas de las actividades se adelanten o se atrasen. En este caso
ser necesario actualizar el programa para que refleje la realidad. Esta es la razn de incluir
un bucle, lazo o ciclo de retroalimentacin entre la fase de programa y la fase de diagrama,
como se ve en la figura 8.1.
Las dos tcnicas CPM y PERT, que se desarrollan en forma independiente, difieren
en que el CPM se supone duraciones determinsticas de actividad, mientras que el PERT se
suponen duraciones probabilsticas. Esta presentacin comenzara con el CPM y despus se
presentaran los detalles del PERT.
254
Captulo 8
8.5
Modelaje de sistemas CPM/PERT
Para aplicar el CPM/PERT a un proyecto, se requiere comprender completamente la

estructura y requisitos del mismo. El esfuerzo que se gaste para identificar la estructura del
proyecto es de gran valor para la compresin de este. En particular, se deben contestar
cuatro preguntas para empezar el procedimiento de modelaje:
1.
Cules son las actividades que el proyecto requiere?
2.
Cules son los requisitos de secuenciacin o restricciones de estas

actividades?
3.
Qu actividades pueden realizarse simultneamente?
4.
Cules son los tiempos estimados para cada actividad?
El primer paso para construir la diagrama CPM/PERT consiste en hacer una lista de
cada una de las actividades y de las actividades que inmediatamente las debe preceder.
Para la pregunta 4, la duracin de los tiempos estimados (das, semanas, horas, etc.)
de cada actividad se establece de acuerdo al rendimiento de la mano de obra y del nmero
de obreros asignados a cada actividad.
8.6
Diagrama de actividades tipo red
Cada actividad del proyecto se representa con un arco que apunta en la direccin de
avance del proyecto. Los nodos del diagrama establecen las relaciones de precedencia entre
las diferentes actividades del proyecto.
Regla 1.
Cada actividad se representa con un arco, y uno slo.
Regla 2.
Cada actividad se debe identificar con dos nodos diferentes.
La figura 8.2 muestra como se puede usar una actividad ficticia para representar
dos actividades concurrentes, A y B. Por definicin, la actividad ficticia, que normalmente
se representa con un arco de lnea interrumpida, no consume tiempo o recursos. La
insercin de una actividad ficticia en una de las cuatro formas que se ven en la figura 8.2,
mantiene la concurrencia de A y B, y tambin proporciona nodos finales nicos para las dos
actividades (para satisfacer la regla 2)
Red
A
A
B
2
B
A
B
A
Figura 8.2 Uso de una actividad ficticia para tener representacin nica de las actividades
concurrentes A y B
255
Captulo 8
Regla 3.
Para mantener las relaciones de precedencia correctas, se deben

contestar las siguientes preguntas cuando se agrega a la diagrama cada
actividad.
a) Qu actividades deben anteceder inmediatamente a la actividad
actual?
b) Qu actividades deben seguir inmediatamente a la actividad
actual?
c) Qu actividades deben efectuarse en forma concurrente o
simultanea con la actividad actual?
Para contestar estas preguntas se podr necesitar el uso de actividades ficticias, para
asegurar las precedencias correctas entre las actividades. Por ejemplo, considere al
siguiente segmento de un proyecto.
1. La actividad C comienza de inmediato despus de haber terminado A y B.
2. La actividad E se inicia despus de que solo termino la actividad B
La 1 parte de la figura 8.3 muestra la representacin incorrecta de esta relacin de
precedencia, porque pide que A y B terminen antes de poder iniciar E. En la 2 parte se
corrige la situacin con el uso de la actividad ficticia.
Figura 8.3 Uso de una actividad ficticia para asegurar una relacin de precedencia correcta.

Las zapatas de cimentacin de un edificio se pueden terminar en cuatro secciones
conectadas. Las actividades de cada seccin comprenden:
1 Excavacin
2 Colocacin de acero
3 Colocado del Hormign
No puede comenzar la excavacin de una seccin, sino hasta haber terminado la de
la seccin anterior. Esta misma restriccin se aplica a la colocacin del hormign.
Formule el diagrama del proyecto.
Figura 8.4 Diagrama del proyecto para el ejemplo de aplicacin 8.1
256
Captulo 8

Las actividades de la tabla siguiente describen la construccin de una casa nueva.
Formule la diagrama asociada al proyecto. Para este ejemplo se tomaron valores alcanzados
de la experiencia de la construccin de una casa pequea
Actividad
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
Predecesor (es)
Instalacin de faenas
Llevar servicios al sitio
Excavar
Vaciar cimientos
Plomera exterior
Muro de mampostera
Instalacin elctrica
Contrapiso
Armar el techo
Plomera interior
Cubierta
Recubrimiento aislante exterior
Instalar ventanas y puertas exteriores
Poner ladrillo
Aislar paredes y techos
Revoque interior
Cielo raso
Acabados interiores
Acabados exteriores
Limpieza y retiro de escombro
A
C
B, C
D
F
G
F
E, H
I
F, J
F
L, M
G, J
O
I, P
P
I, N
S
Duracin
(Das)
1
2
1
2
6
10
3
1
1
5
2
1
2
4
2
2
1
7
7
3
Tabla 8.1
La figura 8.5 muestra el diagrama que describe las relaciones de precedencia entre
las diferentes actividades. Con las actividades ficticias (lneas segmentada), se obtienen
nodos finales nicos para las actividades de concurrentes. La numeracin de los nodos se
hace en forma que indique el avance en el proyecto.
257
Captulo 8
K-2
I-
S- 7
18
11
12
3
19
14
Q-1
-2
E-6
17
T-
O-2
10
N-4
L-1
9
H-1
J-
F - 10
-1
A
C-1
D-2
-3
16
M-2
P-2
13
R-7
15
Figura 8.5 Diagrama del proyecto para el ejemplo de aplicacin 8.2.
258
Captulo 8
8.7
Ruta crtica (CPM)
El resultado final del CPM es la formulacin o construccin del programa del

proyecto (vase la figura 8.1). Para lograr este objetivo en una forma adecuada, se hacen
clculos especiales con los que se obtiene la siguiente informacin.
1. Tiempo total necesario para terminar el proyecto.
2. Clasificacin de las actividades del proyecto en crticas y no crticas.
Se dice que una actividad es crtica si no hay margen en la determinacin de sus
tiempos de inicio y de trmino. Una actividad no crtica permite alguna holgura en su
programacin, de modo que el tiempo de inicio de la actividad se puede adelantar o retrasar
dentro de ciertos lmites, sin afectar la fecha de terminacin de todo el proyecto.
8.8
Calculo para la ruta crtica (CPM)

Para efectuar los clculos necesarios, se define lo siguiente:
j
= Tiempo ms temprano de ocurrencia del vento j.
j = Tiempo ms tardo de ocurrencia del evento j.

Dij =Duracin de la actividad (i, j).
Las definiciones de los tiempos ms temprano y ms tardo del evento j se
especifican en relacin con las fechas de inicio y terminacin de todo el proyecto.
Los clculos de la ruta crtica implican dos pasos: Paso hacia delante, determina
los tiempos ms tempranos o de ocurrencia de los eventos, y el Paso hacia atrs, calcula
sus tiempos ms tardos de ocurrencia.
Paso hacia delante (tiempos ms tempranos de ocurrencia o tiempos ms
prximos, de ocurrencia, ). Los clculos se inician en el nodo 1 (inicio) y avanzan en
forma intuitiva hasta el nodo final n.
Paso inicial.
Poner 1(inicio) = 0, para indicar que el proyecto se inicia cuando

el tiempo es 0.
Paso general j. Dado que los nodos p, q, , y v estn enlazados directamente

con el nodo j por las actividades de entrada (p, j), (q, j),, (v, j) y
que los tiempos ms tempranos de ocurrencia de los eventos
(nodos) p, q, , y v ya se han calculado, entonces se calcula el
tiempo ms temprano de ocurrencia del evento j como sigue:
j
= mx {
+ Dpj,
+ Dqj,..,
+ Dvj}
El paso hacia delante se termina cuando se calcula n(final) en el

nodo n. Por definicin, j representa la ruta (duracin) ms larga
al nodo j.
Paso hacia atrs (tiempos ms tardos de ocurrencia o tiempos ms lejanos, de
ocurrencia, ). Despus de terminar el paso hacia delante, los clculos del paso hacia atrs
comienzan en el nodo n y terminan en el nodo 1.
259
Captulo 8

Poner n(final) = n(final), para indicar que las ocurrencias ms
temprano y ms tardo del ultimo nodo en el proyecto son
iguales.
Paso inicial.
Paso general j. Dado que los nodos p, q, , y v estn enlazados en forma directa
con el nodo j por actividades de salida (j, p), (j, q),, (j, v) y que
ya se calcularon los tiempos ms tardos de los nodos p, q, , y
v, el tiempo tardo del nodo j se calcula como sigue:
j = mn {p Djp, q Djq,.., v Djv}
El paso hacia atrs se termina cuando se calcula 1.
Con base en los clculos anteriores, una actividad (i, j) ser crtica si satisface tres
condiciones:
1. i = i
2. j = j
3. j i =
= Dij
Las tres condiciones indican que los tiempos ms tempranos y ms tardos de

ocurrencia de los nodos i y j son iguales, y que la duracin Dij se ajusta exactamente al
intervalo especificado de tiempo. Una actividad que no satisface las tres condiciones es no
crtica.
Las actividades crticas de un diagrama deben formar una trayectoria no
interrumpida que abarque toda la diagrama, desde el inicio hasta el final.
Determinar la ruta crtica para el diagrama del proyecto de la figura 8.5. Todas las
duraciones estn en das.
Paso hacia delante.
Nodo 1. Hacer o definir
=0
Nodo 2.
+ D12 = 0 + 1 = 1
Nodo 3.
+ D23 = 1 + 1 = 2
Nodo 4.
= mx. {
Nodo 5.
+ D35 = 2 + 2 = 4
Nodo 6.
+ D56 = 4 + 10 = 14
Nodo 7.
+ D67 = 14 + 1 = 15
Nodo 8.
+ D78 = 15 + 2 = 17
Nodo 9.
+ D69 = 14 + 3 = 17
Nodo 10.
10
= mx. {
+ D14,
+ D34}= mx. {0 + 2, 2 + 0}= mx. {2, 2} = 2
+ D4-10,
+ D9-10}= mx. {2 + 6, 17 + 1}
+ D9-11,
= mx. {8, 18} = 18

Nodo 11.
11
= mx. {
+ D6-11,
10
+ D10-11}
= mx. {14 + 0, 17 + 0, 18 + 5}= mx. {14, 17, 23} = 23
260
Captulo 8
Nodo 12.
12
Nodo 13.
13
={
11
7
+ D11-12 = 23 + 2 = 25
+ D7-13,
12
+ D12-13}= mx. {15 + 0, 25 + 2}
= mx. {15, 27} = 27

Nodo 14.
14
13
+ D13-14 = 27 + 1 = 28
Nodo 15.
15
13
+ D13-15 = 27 + 7 = 34
Nodo 16.
16
= mx. {
+ D6-16,
11
+ D11-16}= mx. {14 + 2, 23 + 1}
= mx. {16, 24} = 24

Nodo 17.
17
= mx. {
+ D7-17,
16
+ D16-17}= mx. {15 + 0, 24 + 4}
= mx. {15, 28} = 28

Nodo 18.
18
Nodo 19.
19
= mx. {
17
+ D17-18 = 28 + 7 = 35
8
+ D8-19,
14
+ D14-19,
15
+ D15-19,
18
+ D18-19}
= mx. {17 + 0, 28 + 0, 34 + 0, 35 + 3}
= mx. {17, 28, 34, 38} = 38
Los clculos indican que se puede acabar en 38 das.
Paso hacia atrs.
Nodo 19. Hacer o definir 19=
19
= 38
Nodo 18. 18 = 19 D18-19 = 38 3 = 35

Nodo 17. 17 = 18 D17-18 = 35 7 = 28
Nodo 16. 16 = 17 D16-17 = 28 4 = 24
Nodo 15. 15 = 19 D15-19 = 38 0 = 38
Nodo 14. 14 = 19 D14-19 = 38 0 = 38
Nodo 13. 13 = mn {14 D13-14, 15 D13-15} = mn {38 1, 38 7}=
mn {37, 31}= 31
Nodo 12. 12 = 13 D12-13 = 31 2 = 29
Nodo 11. 11 = mn {12 D11-12, 16 D11-16} = mn {29 2, 24 1}=
mn {27, 23}= 23
Nodo 10. 10 = 11 D10-11 = 23 5 = 18
Nodo 9. 9 = mn {10 D9-10, 11 D9-11} = mn {18 1, 23 0}=
mn {17, 23}= 17
Nodo 8. 8 = 19 D8-19 = 38 0 = 38
Nodo 7. 7 = mn {8 D7-8, 13 D7-13, 17 D7-17}
= mn {38 2, 31 0, 28 0}= mn {36, 31, 28}= 28
Nodo 6. 6 = mn {7 D6-7, 9 D6-9, 11 D6-11, 16 D6-16}
= mn {28 1, 17 3, 23 0, 24 2}= mn {27, 14, 23, 22}= 14
261
Captulo 8
Nodo 5. 5 = 6 D5-6 = 14 10= 4

Nodo 4. 4 = 10 D4-10 = 18 6= 12
Nodo 3. 3 = mn {4 D3-4, 5 D3-5} = mn {12 0, 4 2}= mn {12, 2}= 2
Nodo 2. 2 = 3 D2-3 = 2 1= 1
Nodo 1. 1 = mn {2 D1-2, 4 D1-4} = mn {1 1, 12 2}=
mn {0, 10}= 0
Si los clculos fueron correctos, siempre terminaran con 1 = 0.
Los clculos en los pasos hacia delante y hacia atrs se resumen en la figura 8.6.
Las reglas para determinar las actividades crticas indican que la ruta crtica es
123569101116171819, que abarca la diagrama desde el inicio
(nodo 1) hasta el fin (nodo 19). La suma de las duraciones de las actividades crticas [(1,2),
(2,3), (3,5), (5,6), (6,9), (9,10), (10,11), (11,16), (16,17), (17,18), (18,19)] es igual a la
duracin del proyecto (= 38 das).
Observe que la actividad (6,11), (6,16) y (9,11) satisfacen las dos primeras
condiciones para que la actividad sea crtica
6 =
= 14, 11 =
11
= 23, pero j i =
= Dij
23 14 = 23 14 = 0
6 =
= 14, 16 =
16
= 24, pero j i =
= Dij
24 14 = 24 14 = 2
9 =
= 17, 11 =
11
= 23, pero j i =
= Dij
23 17 = 23 17 = 0.
Por consiguiente, esas actividades no son crticas.
262
Captulo 8
Leyenda
Paso hacia adelante
28
15
Paso hacia atrs:
-2
4
17
17
11
10
12
18
18
29
25
E-6
12
2
17
35
35
S- 7
18
T-
23
23
P-2
Inicio del paso

hacia atrs
38
28
19
14
13
31
27
38
38
Fin del paso
hacia adelante
Q-1
4
4
N-4
L-1
16
O-2
-1
A
F - 10
D-2
M-2
28
28
24
24
J-
I-
H-1
22
C-1
14
14
Inicio del paso

hacia adelante
1
1
-3
2
2
K-2
Fin del paso

hacia atrs
0
0
Ruta critica
38
17
R-7
15
38
34
Figura 8.6
Clculos de los pasos hacia delante y hacia atrs para el proyecto del ejemplo de aplicacin 8.2.
263
Captulo 8
8.9
Construccin del cronograma preliminar
Se indica como se puede usar la informacin obtenida con los clculos de la seccin
8.7 para desarrollar el programa de tiempo, o cronograma. Se reconoce que i representa el
tiempo ms temprano de iniciacin de una actividad (i, j), y que j representa el tiempo ms
tardo de terminacin. Esto quiere decir que ( i, j) limita el intervalo mximo de tiempo
durante el cual se puede programar la actividad (i, j).
Construccin de un cronograma preliminar. Se ilustrara con un ejemplo el
mtodo para construir un cronograma preliminar.
Determinar el cronograma para el proyecto del ejemplo de aplicacin 8.3 (figura
8.6)
Se puede tener un cronograma preliminar para las distintas actividades del proyecto
poniendo sus intervalos de tiempo respectivos como se ve en la figura 8.7. Es necesario
hacer dos observaciones.
1. Las actividades crticas (representadas por las lneas llenas) se deben
programar una inmediatamente despus de la otra, para asegurar que el
proyecto se termine en la duracin especificada de 38 das.
2. Las actividades no crticas (representadas por lneas segmentadas) abarcan
intervalos que tienen duraciones mayores y que por tanto permiten holguras
en su programacin dentro de sus intervalos asignados.
Figura 8.7 Cronograma preliminar para el proyecto del ejemplo de aplicacin 8.2
264
Captulo 8
8.10 Determinacin de las holguras

Son las holguras de tiempo disponibles dentro del intervalo asignado para la
actividad no crtica. Las dos ms comunes son la holgura total y la holgura libre.
Interpretacin Prctica:
1) Holgura total: Representa el nmero de unidades de tiempo de que
disponemos para retrasar el comienzo de la actividad o aumentar la
duracin de la actividad sin alterar los tiempos lmite u en principio la
programacin.
2) Holgura libre: Representa el nmero de unidades de tiempo de que
disponemos para retrasar el comienzo de la actividad o aumentar la
duracin de la actividad sin alterar el comienzo de las siguientes.
3) Holgura independiente: Refleja las unidades disponibles para que
habindose alcanzado un suceso en el tiempo lmite pasemos al tiempo lo
ms pronto posible del suceso siguiente.
En la siguiente figura 8.8 se ve un resumen adecuado para calcular la holgura total
(TFij) y la holgura libre (FFij) de la actividad (i, j). la holgura total es el exceso del intervalo
de tiempo definido por el tiempo ms temprano de ocurrencia del evento i hasta el tiempo
ms tardo de ocurrencia del evento j en la duracin de (i, j); esto es:
TFij = j i Dij
Figura 8.8
Calculo de las holguras totales y libres
La holgura libre es el exceso del intervalo de tiempo definido desde el tiempo ms

temprano de ocurrencia del evento i hasta el tiempo ms temprano de ocurrencia del
elemento j durante la duracin de (i, j); esto es:
FFij = j i Dij
Por definicin, FFij TFij
Regla de la bandera roja, para una actividad (i, j) no crtica:
a. Si FFij = TFij , entonces se puede programar la actividad en cualquier lugar dentro
de su intervalo (i, j ) sin causar conflicto con el programa.
265
Captulo 8
b. Si FFij < TFij , entonces el inicio de la actividad (i, j) se puede demorar cuando
mucho hasta FFij a partir de su tiempo ms temprano de inicio (i) sin causar
conflicto con el programa. Toda demora mayor que FFij (pero no mayor que TFij)
se debe acompaar por una demora igual a partir de j en el tiempo de iniciacin
de todas las actividades que salen del nodo j.
La implicacin de la regla es que una actividad (i, j) no crtica tendr bandera roja si
su FFij < TFij . Esta bandera roja solo importa si se decide demorar el inicio de la
actividad respecto a su tiempo temprano de inicio i, en cuyo caso se debe poner
atencin a los tiempos de inicio de las actividades que salen del nodo j, para evitar
conflictos en el programa.
Calcular las holguras de las actividades no crticas del diagrama en el ejemplo 8.5, y
describir su uso en la finalizacin de un cronograma para el proyecto.
La tabla siguiente resume los clculos de las holguras totales y libres. Conviene ms
hacer los clculos en forma directa sobre la diagrama, usando el procedimiento de la figura
8.6
Actividad
Holgura total
Holgura libre
Duracin
no crtica
(TF)
(FF)
B
14
2
12 0 2 = 10
202=0
FIC
34
0
12 2 0 = 10
220=0
I
67
1
28 14 1 = 13 15 14 1 = 0
FIC
6 11
0
23 14 0 = 9 23 14 0 = 9
M
6 16
2
24 14 2 = 8
24 14 2 =8
K
78
2
38 15 2 = 11 17 15 2 = 0
FIC
7 13
0
31 15 0 = 16 27 15 0 = 12
FIC
7 17
0
28 15 0 = 13 28 15 0 = 13
FIC
8 19
0
38 17 0 = 21 38 17 0 = 21
FIC
9 11
0
23 17 0 = 6 23 17 0 = 6
O
11 12
2
29 23 2 = 4 25 23 2 = 0
31 25 2 = 4 27 25 2 = 0
P
12 13
2
Q
13 14
1
38 27 1 = 10 28 27 1 = 0
38 27 7 = 4 34 27 7 = 0
R
13 15
7
FIC 14 19
0
38 28 0 = 10 38 28 0 = 10
FIC 15 19
0
38 34 0 = 4 38 34 0 = 4
Tabla 8.2
Los clculos ponen bandera roja en las actividades B (1,4), FIC (3,4), I (6,7), K
(7,8), FIC (7,13), O (11,12), P (12,13), Q (13,14) y R (13,15), porque sus FF < TF. Las
actividades restantes FIC (6,11), M (6,16), FIC (7,17), FIC (8,19), FIC (9,11), FIC (14,19)
y FIC (15,19), tienen FF = TF, por lo que se pueden programar en cualquier momento entre
su inicio ms temprano y su terminacin ms tarda.
En cuanto a la actividad I con bandera roja, se ve que FF = 0. Eso quiere decir que
cualquier demora en el inicio de I despus de su tiempo ms temprano de inicio (= 14) se
debe acoplar con una demora al menos igual en el inicio de sus actividades posteriores E y
F.
266
Captulo 8
8.11 Formulacin del mtodo de la ruta crtica con programacin

lineal
Se puede concebir un problema de ruta ms crtica como lo contrario del problema
de ruta ms corta seccin 7.3 en el sentido de que interesa determinar la ruta ms larga
desde el inicio hasta el fin. En consecuencia se puede aplicar la formulacin como
programa lineal de ruta ms corta, en la seccin 7.3.2, a la ruta crtica, como sigue.
Supondremos que un flujo unitario entra a la diagrama en el nodo inicio y sale en el nodo
final. Se definen,
xij = cantidad de flujo en la actividad (i, j) para toda i y j definida.
Dij = duracin de la actividad (i, j) para toda i y j definida.
As, la funcin objetivo del programa lineal se transforma en

Maximizar z =
D x
ij ij
todas las actividades definidas (i , j )
(Comprese con la formulacin del programa lineal de ruta ms corta en la seccin

7.3.2, donde se minimiza la funcin objetivo). Hay una restriccin que representa la
conservacin del flujo en cada nodo; esto es, para todo nodo j.
Flujo total que entra = Flujo total que sale
Naturalmente, todas las variables xij son no negativas. Observe que una de las
restricciones es redundante.
De nuevo, como en el problema de ruta ms corta, se puede usar el dual del
programa lineal para resolver el problema CPM (de ruta crtica). El ejemplo que sigue
aplica las dos formulaciones al proyecto del ejemplo
267
Captulo 8

La formulacin en programacin lineal del ejemplo 8.3 (figura 8.6) se ve abajo. Ntese que los nodos 1 y 20 son los de inicio y de
termino, respectivamente.
Max z=
Nodo 1
Nodo 2
Nodo 3
Nodo 4
Nodo 5
Nodo 6
Nodo 7
Nodo 8
Nodo 9
Nodo 10
Nodo 11
Nodo 12
Nodo 13
Nodo 14
Nodo 15
Nodo 16
Nodo 17
Nodo 18
Nodo 19
A
X12
1
-1
1
B
X14
2
-1
C
X23
1
-1
1
Fict.
X34
0
-1
1
D
X35
2
E
X410
6
F
X56
10
G
X69
3
Fict.
X611
0
H
X910
1
Fict.
X911
0
I
X67
1
J
X1011
5
K
X78
2
Fict.
X717
0
Fict.
X713
0
L
X1116
1
M
X616
2
N
X1617
4
O
X1112
2
P
X1213
2
Q
X1314
1
R
X1315
7
S
X1718
7
T
X1819
3
Fict.
X819
0
Fict.
X1419
0
Fict.
X1519
0
-1
-1
1
-1
1
-1
-1
-1
1
-1
1
1
1
-1
-1
1
-1
-1
-1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
-1
1
1
1
-1
1
-1
-1
1
-1
1
= -1
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=1
Tabla 8.3
TORA obtiene la siguiente solucin ptima de la programacin lineal propuesta para la ruta crtica CPM en la tabla siguiente:
Z = 38, x12(A), x23(C), x35(D), x56(F), x69(G), x910(H), x1011(J), x1116(L), x1617(N), x1718(S), x1819(T) = 1; todas las dems = 0. La solucin
define la ruta crtica la ruta crtica como A C D F G H J L N S T, y la duracin del proyecto es 38 das.
268
Captulo 8
8.12 Redes PERT

En CPM se asume que la duracin de cada actividad es conocida con certeza,
claramente, en muchas ocasiones este supuesto no es valido. PERT intenta corregir este
error suponiendo que la duracin de cada actividad es una variable aleatoria de la que
conocemos su ley de distribucin (Distribucin ); se consideran tres clases de tiempos
estimados:
1. Tiempo Optimista a, es el que representa el tiempo mnimo posible sin importar
el costo o cuanta de elementos materiales y humanos que se requieran, donde se
supone que la ejecucin va extremadamente bien. En la mayora de los casos la
probabilidad de realizar la actividad en este tiempo es pequea.
2. Tiempo ms probable m, donde se supone que la ejecucin se hace bajo
condiciones normales. Esta estimacin debe tener en cuenta las circunstancias
normales, considerando algunos retrasos debidos a imprevistos, y debe estar basada
en la mejor informacin de que pueda disponerse.
3. Tiempo pesimista b, es un tiempo excepcionalmente grande que pudiera
presentarse ocasionalmente como consecuencia de accidentes, falta de suministros,
retardos involuntarios, causas no previstas, etc. donde se supone que la ejecucin va
extremadamente mal. la probabilidad de realizar la actividad en este tiempo es
grande.
En la figura 8.9 se muestra la localizacin ideal de estas tres estimaciones con respecto
a la distribucin de probabilidad. Se hacen dos suposiciones para convertir m, a y b en
estimaciones del valor esperado Te y la varianza = 2 del tiempo que requiere la actividad.
Suposicin 1: la distribucin entre a y b es 6 desviaciones estndar, es decir, 6 = b a.
En consecuencia, la varianza del tiempo de una actividad es
2 = 16 (b a )
El razonamiento para hacer esta suposicin es que se considera que las colas de
muchas distribuciones de probabilidad (como en la distribucin normal) estn ms o menos
a 3 desviaciones estndar de la media, de manera que existe una dispersin de alrededor de
6 desviaciones estndar entre las colas.
Para obtener la estimacin del valor esperado Te, tambin es necesaria una
suposicin sobre la forma de la distribucin de probabilidad.
Suposicin 2: la distribucin de probabilidad de cada actividad es (al menos
aproximadamente) una distribucin beta .
Este tipo de distribucin tiene la forma que se muestra en la figura 8.9, con una sola
moda (m) y dos puntos terminales (a y b), en donde se supone que 0 a b. As, se ajusta
bien a las definiciones de los tres tiempos estimados, y da una forma razonable para la
distribucin de los tiempos de las actividades.
Bajo estas suposiciones, el valor esperado del tiempo de una actividad es
aproximadamente
269
Captulo 8

1
1
Te = 2m + (a + b )
3
2
Figura 8.9
Modelo de la distribucin de probabilidad para los tiempos de las actividades en el enfoque de tres
estimaciones de pert: m=estimacin ms probable, a=estimacin optimista y b=estimacin pesimista
Note que el medio del intervalo (a+b)/2 se encuentra a la mitad 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 respecto a m, a y b de una
manera razonable.
Con base en los estimados (o estimaciones), el tiempo promedio de duracin D ,
estar en el intervalo [a, b] y su varianza , de acuerdo a la distribucin que se calculan
como sigue:
a + 4m + b
D=
6
ba
v=
Los clculos de ruta crtica (CPM) que se describieron en la secciones 8.7 y 8.8 se
puede aplicar en forma directa, sustituyendo la estimacin nica D por D .
Ahora es posible estimar la probabilidad de que un nodo j en la diagrama suceda en
un tiempo programado especificado con anterioridad, S j . Sea e j el tiempo ms temprano
de ocurrencia del nodo j. como las duraciones de las actividades que van del nodo de inicio
al nodo j son variables aleatorias, e j tambin debe ser una variable aleatoria. Suponiendo
que todas las actividades en la diagrama sean estadsticamente independientes, se puede
determinar la media, E{e j } y la varianza, var {e j } como sigue, si solo hay una ruta desde el
nodo de inicio hasta el nodo j, la media es la suma de las duraciones esperadas D , para
todas las actividades a lo largo de esa ruta, y la varianza es la suma de las varianza de las
mismas actividades. Por otra parte, si hay ms de una ruta que llegue al nodo j , ser
necesario calcular primero la distribucin estadstica de la duracin de la ruta ms larga,
antes de calcular la media y la varianza correctas.
Este problema es bastante difcil, por que equivale a determinar la distribucin del
mximo de varias variables aleatorias. Por consiguiente, una hiptesis simplificadora es
calcular la media y la varianza, E{e j } y var {e j }, como el de la ruta al nodo j que tenga la
suma mayor de duraciones esperadas de las actividades. Si hay dos o ms rutas que tienen
270
Captulo 8
la misma media (o promedio), se selecciona la que tenga la varianza mayor, por que refleja
la mxima incertidumbre y en consecuencia conduce a un estimado ms conservador de las
probabilidades.
Una vez calculados la media y la varianza E{e j } y var {e j } de la ruta al nodo j, la
probabilidad que se realice el nodo j a un tiempo S j preestablecido, se calcula con la

siguiente formula:
e j E{e j } S j E{e j }
P{e j S j } = P
= P{z K j }
var {e j }
var {e j }
En donde
z = Variable aleatoria normal estndar
S j E{e j }
Kj =
var {e j }
La variable aleatoria normal estndar z tiene media 0 y desviacin estndar 1. La
justificacin para usar la distribucin normal es que e j es la suma de variables aleatorias
independientes.
Se tiene el proyecto del ejemplo 8.3. Para evitar repetir los clculos de ruta crtica,
se seleccionaron los valores de a, m y b en la tabla siguiente, de tal modo que D ij = Dij para
toda i y j en el ejemplo 8.3
Actividad
i-j
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
1-2
1-4
2-3
3-5
4-10
5-6
6-9
9-10
6-7
10-11
7-8
11-16
6-16
16-17
11-12
12-13
13-14
13-15
17-18
18-19
Optimista 1
(a)
1
1
1
1
4
8
1
1
1
3
1
1
1
2
1
1
1
5
5
1
Ms probable 2
(m)
1
2
1
2
6
10
3
1
1
5
2
1
2
4
2
2
1
7
7
3
Pesimista 3
(b)
3
4
3
4
8
12
5
3
3
8
4
3
4
6
4
5
3
9
10
5
Tabla 8.4
Los valores estimados optimistas son tomados en funcin a los rendimientos de la mano de obra en
condiciones favorables sin que se presente ningn contratiempo.
2
Los valores estimados ms probables son tomados en funcin a los rendimientos de la mano de obra en
condiciones normales.
3
Los valores estimados pesimistas son tomados en funcin a los rendimientos de la mano de obra en
condiciones adversas presentndose varios contratiempos.
271
Captulo 8
La media D ij y la varianza Vij de las distancias actividades se ve en la tabla de abajo.

Observe que para una actividad ficticia (a, b, m) = (0, 0, 0), y en consecuencia su media y
su varianza tambin son iguales a cero.
Vij
D ij
Actividad
i-j
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
1-2
1-4
2-3
3-5
4-10
5-6
6-9
9-10
6-7
10-11
7-8
11-16
6-16
16-17
11-12
12-13
13-14
13-15
17-18
18-19
1.33
2.17
1.33
2.17
6.00
10.00
3.00
1.33
1.33
5.17
2.17
1.33
2.17
4.00
2.17
2.33
1.33
7.00
7.17
3.00
0.11
0.25
0.11
0.25
0.44
0.44
0.44
0.11
0.11
0.69
0.25
0.11
0.25
0.44
0.25
0.44
0.11
0.44
0.69
0.44
Tabla 8.5
La tabla siguiente muestra la trayectoria ms larga del nodo 1 a los distintos nodos,
junto con su media y su varianza asociados.
Nodo
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Ruta ms larga basada

en duraciones medias
Media de Desviacin estndar

la ruta
de la ruta
1-2
1.33
1-2-3
2.66
1-4
2.17
1-2-3-5
4.83
1-2-3-5-6
14.83
1-2-3-5-6-7
16.16
1-2-3-5-6-7-8
18.33
1-2-3-5-6-9
17.83
1-2-3-5-6-9-10
19.16
1-2-3-5-6-9-10-11
24.33
1-2-3-5-6-9-10-11-12
26.5
1-2-3-5-6-9-10-11-12-13
28.83
1-2-3-5-6-9-10-11-12-13-14
30.16
1-2-3-5-6-9-10-11-12-13-15
35.83
1-2-3-5-6-9-10-11-16
25.66
1-2-3-5-6-9-10-11-16-17
29.66
1-2-3-5-6-9-10-11-16-17-18
36.83
1-2-3-5-6-9-10-11-16-17-18-19
39.83
Tabla 8.6
0.665
1.330
1.085
2.415
7.415
8.080
9.165
8.915
9.580
12.165
13.250
14.415
15.080
17.915
12.830
14.830
18.415
19.915
272
Captulo 8
Por ultimo, en la tabla siguiente se calcula la probabilidad de que cada nodo se realice en un
tiempo S j preestablecido, especificado por el analista.
Ruta ms larga basada
en duraciones medias
Nodo
Media de
la ruta
Desviacin estndar
de la ruta
1-2
1.33
0.665
1-2-3
2.66
1.330
1-4
2.17
1.085
1-2-3-5
4.83
2.415
1-2-3-5-6
14.83
7.415
1-2-3-5-6-7
16.16
8.080
1-2-3-5-6-7-8
18.33
9.165
1-2-3-5-6-9
17.83
8.915
10
1-2-3-5-6-9-10
19.16
9.580
11
1-2-3-5-6-9-10-11
24.33
12.165
12
1-2-3-5-6-9-10-11-12
26.5
13.250
13
1-2-3-5-6-9-10-11-12-13
28.83
14.415
14
1-2-3-5-6-9-10-11-12-13-14
30.16
15.080
15
1-2-3-5-6-9-10-11-12-13-15
35.83
17.915
16
1-2-3-5-6-9-10-11-16
25.66
12.830
17
1-2-3-5-6-9-10-11-16-17
29.66
14.830
18
1-2-3-5-6-9-10-11-16-17-18
36.83
18.415
19
1-2-3-5-6-9-10-11-16-17-18-19
39.83
19.915
Sj
Kj
P = {z K j }4
1
2
2
3
2
3
4
5
12
16
14
18
18
20
15
20
18
21
23
25
26
27
27
30
30
31
33
37
25
27
28
30
34
37
38
40
-0.50
1.01
-0.50
0.26
-0.16
0.76
-0.34
0.07
-0.38
0.16
-0.27
0.23
-0.04
0.18
-0.32
0.24
-0.12
0.19
-0.11
0.06
-0.04
0.04
-0.13
0.08
-0.01
0.06
-0.16
0.07
-0.05
0.10
-0.11
0.02
-0.15
0.01
-0.09
0.01
0.31
0.84
0.31
0.6
0.44
0.78
0.37
0.53
0.35
0.56
0.39
0.59
0.48
0.57
0.37
0.59
0.45
0.57
0.46
0.52
0.48
0.52
0.45
0.53
0.5
0.52
0.44
0.53
0.48
0.54
0.45
0.51
0.44
0.504
0.46
0.504
Tabla 8.7
Como vemos en la tabla 8.7 en la ruta crtica 1-2-3-5-6-9-10-11-16-17-18-19, su media es

de 39.83 das para finalizar y la probabilidad de acabar en 40 das es de 50.4% y en 38 das
es de 46 %
8.13 Dificultades de PERT

Existen varias dificultades en la aplicacin de PERT:
1. El supuesto de que la duracin de las actividades es independiente es difcil de
justificar.
2. La duracin de las actividades puede no seguir una distribucin Beta.
3. El supuesto de que la ruta crtica encontrada con CPM es siempre la misma no es
justificable.
De todas las dificultades, la ltima es la ms complicada debido a la fuerte
variabilidad que podra tener la duracin de las actividades en un proyecto.
4
Para la probabilidad correspondiente actividad ver ANEXO B.
273
Captulo 8
Una de las formas de corregir las falencias de PERT es mediante el empleo de

simulacin (MonteCarlo) para el clculo de la media y la varianza de la duracin del
proyecto, as como la probabilidad de que una actividad sea crtica.

8.14.1Solucin CPM/PERT con TORA
TORA tiene poderosas herramientas tutoriales para clculos de ruta crtica y para
formular el cronograma, y para hacer clculos de PERT
Para usarlas, seleccione Project Planning y escoja CPM Critical Path Method
PERT-Program Evaluation & Review Technique.
Figura 8.9
Posteriormente proceda a colocar los datos del problema a partir de la

representacin en diagrama para ambos casos para nuestro caso ver figura 8.5 del ejemplo
8.2 para el clculo de la ruta crtica.
La figura 8.10 muestra los resultados de TORA para los clculos de ruta crtica del
ejemplo 8.2. Si el lector quiere generar los resultados con la opcin Next Step, TORA lo
gua en los detalles de los clculos para los pasos hacia delante y hacia atrs.
La figura 8.11 muestra el programa TORA para los clculos de ruta crtica del
ejemplo 8.3. El diagrama de barras predetermina el cronograma en forma automtica todas
las actividades no crticas lo ms pronto posible. Puede usted estudiar el impacto de
274
Captulo 8
demorar el tiempo de inicio de una actividad no crtico, usando las listas desplegables, que
se explican por si solas, dentro del cuadro inferior izquierdo de la pantalla. El impacto de
una demora de una actividad no crtica se vera en forma directa en el cronograma, junto con
una explicacin.
La figura 8.12 y 8.13 muestran los resultados obtenidos de los clculos de PERT en
esos cuadros se pueden ver la media y la varianza de cada actividad o bien se puede ver
tambin la media y la varianza de la ruta ms larga a cada nodo de la red.
Figura 8.10
Figura 8.11
275
Captulo 8
Figura 8.12
Figura 8.13
276
Captulo 8
8.14.2 Solucin CPM/PERT con WINQSB

Parta del men Inicio = > Programas = > WinQSB = > PERT_CPM, como se
muestra en la figura 8.12
Figura 8.12
Una vez hecha la seleccin de PERT_CPM haga clic en new Problem, y escoja el
tipo de problema (Deterministic CPM o Probabilistic PERT) en este caso Deterministic
CPM y coloque los datos del problema (titulo del problema, numero de actividades, unidad
de tiempo y formato de entrada de datos) y haga clic en OK. Como se muestra en la figura
8.13
Figura 8.13
277
Captulo 8
Proceda a ingresar los datos del problema de la siguiente manera (figura 8.14):
Figura 8.14
clic en Solve Critical Path.
Figura 8.15
Inmediatamente aparecer la solucin de la ruta crtica (figura 8.16) y tambin se

podr ver el Programa Preliminar para el proyecto del ejemplo de aplicacin 8.2, figura
8.17
278
Captulo 8
Figura 8.16
Figura 8.17
279
Captulo 8
8.14.3 Solucin CPM/PERT con PERT Chart EXPERT

PERT Chart EXPERT es una aplicacin de software de manejo de proyecto basada
en Windows que est acostumbrado a crear y mostrar los proyectos usando un diagrama de
evaluacin y revisin del funcionamiento.
PERT Chart EXPERT puede ser usado para planificacin de proyecto como una
herramienta de planificacin, use PERT Chart EXPERT para proyectar rpidamente un
plano de proyecto en la pantalla dando un golpecito a y arrastrando para crear tareas y
dependencia entre tareas. Doubleclick en una tarea para aadir la informacin de horario
como duracin, fecha de principio, fecha de fin, costo de trabajo, etc. los diagramas de
evaluacin y revisin del funcionamiento pueden ser mostrados en muchos estilos y colores
diferentes. Un ejemplo de un diagrama de evaluacin y revisin del funcionamiento es
mostrado abajo:
Los planos creados en el experto de diagrama de evaluacin y revisin del

funcionamiento se pueden mantener y administrar separadamente o transferir a Microsoft
Project o cualquier programe que pueda leer el MPX Formato de archivo de Microsoft
Project.
PERT Chart EXPERT puede ser usado con Microsoft Project
PERT Chart EXPERT puede estar acostumbrado a generar diagramas de
evaluacin y revisin del funcionamiento directamente de existir el archivo Microsoft
Project. PERT Chart EXPERT usa las tareas y predecesores creados en Microsoft Project
para generar una vista con base en dependencia de los datos. Un diagrama de PERT Chart
EXPERT es instalado en Microsoft Project para transferencia fcil de los datos.
Crear tareas
Para aadir una nueva tarea en un mapa, haga clic y arrastre con su ratn:
1.
En un mapa vaco, haga clic y arrastre en cualquier parte en el mapa para aadir
una nueva tarea. una caja de tarea aparecer en la esquina superior izquierda.
2.
En un mapa con tareas, haga clic dentro de una tarea y agregue un espacio vaco
para crear una nueva tarea que es dependiente de la primera tarea.
3.
En un mapa con tareas, haga clic y arrastre en el espacio vaco para crear una
nueva tarea.
280
Captulo 8
Informacin que entra

Existen dos vas para ingresar informacin en las tareas en PERT Chart.
Ingresar la informacin de tarea directamente en la caja de tarea escogiendo la tarea
en la pantalla y mecanografiando la informacin directamente.
La otra va para entrar la informacin es el doubleclick en una tarea e ingrese la
informacin en la informacin de tarea.
Ambas opciones son descritas abajo:
Informacin que entra que usa la tarea boxea en la pantalla
Puede entrar informacin sobre una tarea simplemente escogiendo una tarea en la
informacin de pantalla y mecanografa directamente en el campo escogido para esa tarea.
La informacin que usted puede entrar es dependiente de que los campos se muestran
corrientemente en la pantalla.
Por ejemplo, en el diagrama de evaluacin y revisin del funcionamiento de abajo,
slo el nombre de tarea es mostrado as puede cambiar slo el nombre de la tarea
directamente en la pantalla:
Sin embargo, con este diagrama de evaluacin y revisin del funcionamiento,

existen muchos campos que se mostraron en el mapa. D un golpecito al campo que desee e
cambiar y teclee la nueva informacin.
281
Captulo 8
Informacin que ingresa usando la forma del doubleclick

Haciendo clic en el botn de barra de herramientas de informacin de tarea.
El botn de barra de herramientas de informacin de tarea (Task Information)
La forma de informacin de tarea le permite ingresar datos para la tarea escogida

como es mostrado abajo:
Dependencias
Una dependencia es una relacin entre dos tareas. Para especificar que las tareas en
su proyecto ocurren en cierta orden, crea dependencias entre estas tareas dando un
golpecito a una tarea y arrastre entre tareas. Una dependencia dice que una tarea debe
seguir otra tarea de alguna.
Crear dependencias
Para crear una dependencia:
1. Haga clic y arrastre de una tarea a otra para crear un fin para empezar la
dependencia (la primera tarea deba terminar antes del segundo pueda
empezar).
O
2. Haga clic y arrastre de una tarea a espacio vaco en el mapa para crear una
nueva tarea que es dependiente de la primera tarea.
Para modificar una dependencia entre dos tareas:
282
Captulo 8

1. Haga clic y arrastre entre cualquier dos tareas de dependiente. Estas
exhibiciones una forma que muestra la dependencia que existen entre estas
dos tareas.
O
2. Doubleclick la dependencia se alinea entre dos tareas. Estas exhibiciones una
forma que muestra la dependencia que existen entre estas dos tareas.
Programacin
PERT Chart EXPERT fija la hora de las tareas basadas en la informacin que entre.
Usa la fecha de principio de proyecto (o proyecte la fecha de fin al fijar la hora del fin de
proyecto), la duracin, dependencias y limitaciones para hacer clculos cuando cada tarea
debe empezar y terminar. PERT Chart EXPERT calcula tambin el camino crtico. Ms
abajo est una explicacin de cmo se fijan la hora de las tareas.
Las tareas son programadas basadas en lo siguiente:
1.
2.
3.
4.
5.
Por fecha de principio de proyecto.- Si una tarea no tiene una dependencia,

fecha de limitacin o principio real entonces la tarea es fijada la hora para
empezar en la fecha de principio de proyecto y su fin es determinado por la
duracin de la tarea.
Por Duracin.- La fecha de fin de cada tarea es determinada por la fecha de
principio ms la duracin usted entra la toma en la cuenta el calendario
(trabajando y los das, horas no de trabajo por da, etc.).
Por Dependencias.- Si una tarea tiene una dependencia pero no tiene una
fecha de limitacin o principio real entonces la tarea es programada basado
en la dependencia.
Por fecha de limitacin.- Si una tarea tiene una limitacin fecha entonces
fija la hora de la tarea basada en la limitacin fecha y limitacin teclea.
Por Inicio/Final.- Si una tarea tiene un principio real o fin real ser
programado basado en estas fechas.
Cada uno de estos conceptos es explicado abajo:

Proyecte el principio fecha y proyecta fecha de fin
La fecha de principio de proyecto en el PERT Chart EXPERT es ms entonces justa
la fecha en que el proyecto empieza. La fecha de principio de proyecto est acostumbrada a
definir la fecha de principio para todas las tareas que no tenga dependencias, fechas de
limitacin o un principio real.
En defecto, la fecha de principio de proyecto es poner a la fecha actual cuando abre
un nuevo archivo. Para cambiar la fecha de principio de proyecto:
1.
Escoja del men Tools-Chart.
2.
Escoja horario del proyecto y la fecha de inicio.
3.
Ingrese una fecha en la fecha de principio de proyecto en el campo.
Al horario del fin del proyecto, escoja el horario del proyecto empieza opcin de
fecha y entra una fecha en la fecha de fin de proyecto. Cuando fija la hora de del fin de
proyecto, todo tareas se da un tan tarde como sea posible limitacin y es el horario hacia
atrs de la fecha entra.
283
Captulo 8
Duracin
La duracin es la cantidad del tiempo que toma para completar una tarea. Una
duracin para una tarea se puede ingresar en minutos, horas, das, semanas, meses o aos.
Una duracin se puede entrar en el campo de duracin usando el formato siguiente:
M = Minutos
H = Horas
D = Dias
W = Semanas
MO = Meses
Y = Aos
Al fijar la hora de desde el principio del proyecto (verifique la opcin El horario
del proyecto empieza fecha bajo el mapa de herramientas tome forma), la duracin est
acostumbrado a calcular la fecha de fin de una tarea.
Al fijar la hora de del fin del proyecto (desmarque la opcin El horario del
proyecto empieza fecha bajo el mapa de herramientas tome forma), la duracin est
acostumbrado a calcular la fecha de principio de una tarea.
Nota: Las unidades de duracin anteriores toman en cuenta el calendario
(trabajando y el tiempo no de trabajo). En defecto, PERT Chart EXPERT proporciona unas
horas trabajadas en una semana de 5 das estndares, el calendario cotidiano de las 8 horas.
La duracin que usted entra trabajar alrededor de este calendario y como cambia este
calendario su horario cambiar en conformidad.
Las duraciones se pueden entrar tambin en los das pasados. Los das pasados
ignoran el calendario y horarios basado en un da de 24 horas, 7 das una semana sin das
no de trabajo. Pase las unidades de duracin se definen por entrar una e antes de la unidad
de duracin. Por ejemplo, 12eh para 12 las horas pasados o 5ed para 5 los das pasados.
Una duracin de 5 pas los das del mircoles haran el fin de una tarea ocurre el domingo
por la tarde.
Para entrar la duracin:
1.
Si el campo de duracin es mostrado en la caja de tarea en la pantalla, haga

clic en este campo y represente la duracin.
O
2.
Doubleclick la tarea y represente la duracin en el campo de duracin.
Dependencias
Unas de las caractersticas principales del, PERT Chart EXPERT son la habilidad
para hacer clic y arrastrar para crear fcilmente dependencias entre tareas.
Existen varios tipos diferentes de dependencias. El tipo bsico de la dependencia es
el fin para empezar dependencia. Esto significa que no puede empezar una tarea hasta uno
se termina. As:
284
Captulo 8
Para crear un fin para empezar dependencia en PERT Chart EXPERT

1.
Use el ratn para hacer clic de adentro un tarea, arrastre a otro y suelte para
crear la dependencia. En defecto, esto crea un fin para empezar dependencia
entre la primera tarea usted escogi y la segunda tarea.
Para modificar una dependencia entre dos tareas:

1.
Haga clic y arrastre entre cualquier dos tareas de dependiente. Estas

exhibiciones una forma que muestra la dependencia que existen entre estas
dos tareas.
Lag (Retraso)
La mayor parte de las tareas en un proyecto empiece haya terminado
inmediatamente al gusto de uno pero ocasionalmente puede necesitar entrar una demora.
Cuando existe una cantidad del tiempo que debe transpirar antes de la tarea de segundo
deba ocurrir puede usar A retraso para esto. Un retraso es la cantidad del tiempo que la
tarea de segundo debe esperar despus del primero ataree principios o fines.
Fechas de limitacin (Constraint Dates)
Una fecha de limitacin es una fecha especfica que usted cesionario a una tarea.
Conjuntamente con esta fecha es un tipo de limitacin que determina cmo la fecha es
usada (deba empezar en, deba terminar en, empiece ningn ms temprano entonces, etc.).
Existe varios tipos diferentes de limitaciones, requiera todo que entra una fecha excepte
cuanto antes y como tarde como sea posible.
Tipo de limitacin
El campo de tipo de limitacin le permite para entrar el tipo de limitacin. Escoja
de uno del siguiente:
Lo antes posible.- Los horarios la tarea para suceder tan pronto como que ello
puede basado en dependencias que preceden la tarea, la duracin de la tarea y la fecha de
principio de proyecto. El Cuanto antes la limitacin hace no limite en realidad una tarea
para una fecha particular. Ponga la limitacin teclee para cuanto antes si ya no desee para
tener una fecha de limitacin asociada con una tarea. Entonces ser programado basado en
las dependencias.
285
Captulo 8
Lo ms tarde posible.- Los horarios la tarea para suceder tan tarde como ello puede
basado en las dependencias que siguen la tarea, la duracin de la tarea y la fecha de fin de
proyecto. El Como tarde como sea posible la limitacin hace no limite en realidad una
tarea para una fecha particular.
No terminar antes del.- coloque el horario y la fecha de la tarea para no terminar
antes de la fecha en el campo de fecha de limitacin.
No terminar despus del coloque el horario y la fecha de la tarea para no
terminar despus de la fecha en el campo de fecha de limitacin...
Deba terminar en.- Los horarios la tarea para terminar en la fecha listado en el
campo de fecha de limitacin.
Deba empezar en.- Los horarios la tarea para empezar en la fecha listado en el
campo de fecha de limitacin.
No comenzar antes del coloque el horario y la fecha de la tarea para no
comenzar antes de la fecha en el campo de fecha de limitacin.
No comenzar despus del.- coloque el horario y la fecha de la tarea para no
comenzar antes de la fecha en el campo de fecha de limitacin.
Fecha de limitacin (Constraint Date)
La fecha de limitacin es usada conjuntamente con el tipo de limitacin para fijar la
hora de tareas. El cuanto antes y tan tarde como sea posible los tipos de limitacin no usar
una limitacin fecha as permitiendo la tarea para ser programado basado en las
dependencias asociadas con una tarea.
Ruta Crtica
La ruta crtica es un clculo de horario que determina el camino largusimo para el
fin de un proyecto o al fin de un conjunto de tareas. PERT Chart EXPERT puede calcular el
camino crtico en dos vas. Estos son:
Al fin del proyecto (To the end of the project). - Todas las tareas son comparadas
con la ltima tarea en el proyecto. Si una demora en una tarea impactara esta fecha
entonces la tarea es considerada crtica.
Las dos excepciones para esto es obligacin empezar On/Must Finish en
limitaciones de fecha y las tareas completados (Start On/Must Finish On date constraints
and Completed Tasks). Una tarea con una necesidad empieza en o deba terminar en la
limitacin de fecha est considerado crtico y una tarea que est completo es siempre
Noncritical considerado. El ejemplo debajo de las exhibiciones el camino crtico al fin del
proyecto.
Al fin de cada conjunto de tareas (o la tarea) Cada red de tareas calcula el
camino crtico separadamente dentro de su propio conjunto de tareas. Una tarea es
considerado crtica si ello impacta el fin de su red de tareas (una tarea sencilla es an
considerada su propia red y es por lo tanto crtico). El ejemplo debajo de exhibiciones dos
separe la red de tareas unidas, cada camino crtico calculador dentro de su propio conjunto
de tareas.
286
Captulo 8
Para cambiarse entre los dos mtodos de calcular el camino crtico:

1.
Escoja Tools-Chart Settings.
.
Transferir un diagrama de evaluacin y revisin del funcionamiento para
Microsoft Project
El PERT Chart EXPERT de uso para crear sus proyectos primero y entonces
transferencia estos mapas a Microsoft Project para programacin adicional.
Si crea un nuevo mapa en PERT Chart EXPERT, configure este mapa y salve este
mapa, es considerado autnomo PERT Chart EXPERT. Esto significa que el archivo de
diagrama de evaluacin y revisin del funcionamiento es un archivo autnomo con todos
los datos y formato dentro de este archivo.
En el PERT Chart EXPERT usted puede hacer dependencias entre tareas y
modificar varios campos de la informacin sobre las tareas en su proyecto, PERT Chart
EXPERT contiene un sistema de programacin simple. Para la programacin ms
elaborada, para manejar recursos, haga la nivelacin de recurso, etc. puede transferir el
diagrama de evaluacin y revisin del funcionamiento para Microsoft Project.
Para transferir el diagrama de evaluacin y revisin del funcionamiento (PERT
Chart EXPERT) actual a Microsoft Project, escoja el botn de barra de herramientas de
Goto Project como se ve en la figura.
287
Captulo 8
Transferir un diagrama de evaluacin y revisin del funcionamiento autnomo para

Microsoft Project significa que los datos que existen en el diagrama de evaluacin y
revisin del funcionamiento sern apartados del diagrama de evaluacin y revisin del
funcionamiento y puso en un plano de proyecto de Microsoft. El diagrama de evaluacin y
revisin del funcionamiento entonces llega a ser asociado a este Microsoft Project planea.
Se impulsa para salvar el plano de Microsoft Project y usted debe entrar un nombre de
archivo para este Microsoft Project proponga continuar transfiriendo el diagrama de
evaluacin y revisin del funcionamiento a Microsoft Project. Tendr entonces dos
archivos; el archivo Microsoft Project que contiene los datos (la informacin quiera
nombres, empiezan fechas, terminan fechas, cuestan, etc.), y el archivo de diagrama de
evaluacin y revisin del funcionamiento que contiene las opciones de formato que es de
mapa especfico atrevido (tales como colores a la medida, colocacin de caja, etc.).
Despus de transferir los datos a Microsoft Project, el la prxima vez usted abre el
diagrama de evaluacin y revisin del funcionamiento ello abre no solo el diagrama de
evaluacin y revisin del funcionamiento con todo el formato sino tambin abren el archivo
Microsoft Project correspondiente al que es ahora asociado.
Puede abrir tambin el primero de plano de Microsoft Project y escoja el botn de
Goto pert chart EXPERT para abrir el diagrama de evaluacin y revisin del
funcionamiento salvado correspondiente al plano de Microsoft Project.
288
Captulo 8
8.15 Conclusiones
El PERT y CPM han sido aplicados a numerosos proyectos. Empezando con su
aplicacin inicial al proyecto Polaris y al mantenimiento de plantas qumicas, hoy ellos (y
sus variantes) se aplican a la construccin de carreteras y de edificios, y al desarrollo y
produccin de artculos de alta tecnologa tales como aviones, vehculos espaciales, barcos
y computadores.
El PERT se desarroll para proyectos en donde hubiera incertidumbre en el tiempo
de las actividades (usualmente debido a que el proyecto nunca se haba intentado antes y
por tanto no haba bases de datos, para los tiempos de las actividades). Esto condujo al
enfoque probabilstico que se tom. Mientras que en PERT los estimados de tiempo y sus
distribuciones han sido de controversia, el PERT ha constituido una herramienta til para la
administracin de proyectos. La principal desventaja es que no es funcional para grandes
proyectos, debido a los tres estimados de tiempo que se requieren en cada actividad y a la
capacidad limitada de los computadores actuales, para almacenar esta vasta cantidad de
datos. Adems, el costo de actualizar y mantener la informacin del proyecto con el tiempo
en ambientes tan dinmicos, puede ser excesivamente prohibitivo.
Por otra parte, el CPM se desarroll para manejar proyectos repetitivos o similares
(e.j., mantenimiento de plantas qumicas). Obviamente, se gana gran cantidad de
experiencia con el tiempo en tales circunstancias, aun cuando dos proyectos puede que no
sean iguales. Esta experiencia llev al anlisis de tcnicas de colisin utilizadas en los
diagramas CPM. Mientras que el CPM y PERT son esencialmente lo mismo, sus matices
hacen cada uno aplicable ms que el otro en situaciones diferentes. En ambos mtodos la
informacin esencial deseada es la ruta crtica y las holguras. Estas, le permiten al director
del proyecto hacer decisiones con base a informacin, basado en el principio de
administracin por excepcin, sobre los planes y proyectos del trabajo actual y monitorear
el progreso del proyecto.
8.16 Resumen
El PERT/CPM fue diseado para proporcionar diversos elementos tiles de
informacin para los administradores del proyecto. Primero, el PERT/CPM expone la "ruta
crtica" de un proyecto. Estas son las actividades que limitan la duracin del proyecto. En
otras palabras, para lograr que el proyecto se realice pronto, las actividades de la ruta crtica
deben realizarse pronto. Por otra parte, si una actividad de la ruta crtica se retarda, el
proyecto como un todo se retarda en la misma cantidad. Las actividades que no estn en la
ruta crtica tienen una cierta cantidad de holgura; esto es, pueden empezarse ms tarde, y
permitir que el proyecto como un todo se mantenga en programa. El PERT/CPM identifica
estas actividades y la cantidad de tiempo disponible para retardos
289
Captulo 8

1. Programacin de actividades (Tiempo en das)
(6)
(2)
(3)
(5)
(4)
(4)
(0)
(6)
(7)
(4)
(7)
(2)
(2)
(5)
Determinar la Ruta Crtica y las holguras libres y totales.

Determinar el diagrama de tiempos de A a B.
2. Programacin de actividades
Actividad
Precedencia
Duracin (das)
AB
1
AC
2
BC
AB
1
BD
AB
2
BE
AB
5
CF
A C, B C
4
CD
A C, B C
1
CE
A C, B C
2
ED
B E, C E
3
EF
B E, C E
6
EG
B E, C E
8
D F C D, B D, E D
3
D G C D, B D, E D
7
FH
C F, D F, E F
2
FG
C F, D F, E F
5
G H E G, F G, D G
6
a) Hallar la ruta crtica por CPM
b) Hallar las holguras libres
c) Que sucede si la actividad D F se modifica a dos das de duracin?
290
Captulo 8
3. Antes de poder introducir un nuevo producto al mercado se deben realizar todas las
actividades que se muestran en la tabla (todos los tiempos estn en semanas).
Se tiene la siguiente programacin de actividades:
Actividad Predecesor
A
B
C
D
E
F
G
H
A
C
A, D
B
E
F, G
Optimista Ms probable Pesimista

(a)
(m)
(b)
2
4
2
1
1
3
2
0
6
5
3
2
3
4
4
2
10
6
4
3
5
5
6
4
Determine la duracin mnima del proyecto, la ruta crtica e interprete el tiempo de

holgura, realice un programa para determinar la duracin mnima del proyecto. Por
ltimo, suponga que hoy es 15 de julio y comienza el proyecto, determine la
probabilidad de que el proyecto est listo para el 18 de diciembre
4. Suponga que Ud. desea construir una casa, y entonces contrata un constructor. Ud.
quiere saber si la casa podr estar terminada dentro de 4 meses, y de acuerdo con
sus muchos aos de experiencia el constructor le responde:
"Todo empieza con la limpieza del terreno, en eso se puede durar unos 2 das, luego
viene el trazado, que tambin puede durar otros dos das. Si todo sale bien cada una
de estas dos actividades las terminara en un da, pero si no, podra retrasarme dos
das.
Luego viene la excavacin, que puedo durar de 2 a 7 das, seguramente duro unos 4
das, para luego iniciar con los cimientos, que me demora unos 7 das, si el clima es
bueno, tal vez 4 das, pero si llueve durara 12 das.
Cuando eso est listo puedo empezar con el levantado de las paredes y las vigas,
para el tamao de la casa que Ud. quiere, lo ms probable es que se tarde 21 das,
eso est entre 18 a 30 das. Despus vienen los techos, que duramos de 7 a 12 das,
unos 10 das mejor. Y es que hasta que esto no est listo no puedo empezar con la
instalacin elctrica, ni los cielorrasos ni terminar los muros. En lo elctrico se
duran 2 das, ah no hay retraso. En los cielorrasos se tarda de 4 a 10 das, unos 6
para ser ms preciso. Terminando los muros duro de 10, 11 o 12 das, no ms,
porque los muros deben estar listos para chorrear los contrapisos, en eso se duran de
6 a 10 das, digamos que 8.
Y es que sino estn listos no puedo poner los pisos, que es rpido, de 5 a 10 das,
unos 8.
Veamos, qu falta? La carpintera, tienen que estar terminados los pisos y el cielo
raso, y en eso se me van unos 8 das siendo optimista, tal vez 10, en realidad no ms
de 12. Para finalmente empezar a pintar, la parte de afuera se poda haber pintado
una vez que estuvieran listos los techos, pero adentro debe haberse finalizado toda
la carpintera y la electricidad. Cuando se termina de pintar, entonces queda la
291
Captulo 8
limpieza final. En pintar adentro se gasta de 2 a 6 das, unos 4 en promedio, y afuera

igual. La limpieza tarda unos 3, o 4, o 5 das".
Con base en esa informacin:
a. Elabore una tabla en la que muestre la lista de actividades, sus tiempos y sus
precedencias.
b. Calcule el tiempo esperado y la variancia de cada actividad.
c. Construya el diagrama de actividades tipo CPM.
d. Calcule la ruta crtica.
e. Cuntas semanas se dura construyendo la casa?
f. Cul es la probabilidad de terminar antes de 16 semanas, si se trabajan 5
das a la semana?
g. Cul es la probabilidad de durar ms de 20 semanas?
h. Valdr la pena contratar obreros extra para pintar el exterior?
i. Qu ocurre con el tiempo de terminacin del proyecto si en la instalacin
elctrica se dura tres das ms de lo previsto?
j. Si Ud. quiere terminar el proyecto una semana antes Qu podra hacer?
Qu implicacin tiene esa decisin?
8.18 Bibliografa
8.19 Enlaces
http://www.elprisma.com/apuntes/ingenieria_industrial/cpmpert/default1.asp
http://www.monografias.com/trabajos13/planeco/planeco.shtml#pl
http://www.auladeeconomia.com/metcuant-practicas.htm#pertcpm
http://www.auladeeconomia.com/metcuant-material.htm#pertcpm
292
Captulo 9
CAPITULO 9
TUTORIAL DE MS PROJECT
9.1 Introduccin - Definiciones iniciales.
Un proyecto siempre tiene una duracin y un trabajo a realizar, pero, una planificacin y
anlisis previos son fundamentales, dado que el xito de un proyecto no es algo que sucede
de modo espontneo. Por lo tanto, lo primero y ms importante es planificar: Crear un
plan de proyecto.
Aadir tambin que un proyecto utiliza un conjunto de recursos de diferentes naturalezas
que son utilizados para la consecucin de una serie de tareas debidamente enlazadas,
concatenadas y/o quizs solapadas en el tiempo... Al final, se obtienen los objetivos fruto
del proyecto. El objetivo final de todo proyecto es un producto terminal obtenido, nico y
de calidad.
En resumen, existen tareas a realizar y para realizar esas tareas se utilizan distintos recursos
que posibilitan su ejecucin. Efectuadas las tareas, el objetivo del proyecto es el fin a
alcanzar con mayor o menor desviacin respecto a lo planificado inicialmente.
Tarea: Actividad que tiene un comienzo y un final. Las tareas se solapan, se enlazan, se
concatenan en el tiempo hasta alcanzar una tras otra, la finalizacin del proyecto. Todo
proyecto esta compuesto por tareas. A lo largo del proyecto se pueden establecer unos
hitos.
Hito: Tarea de duracin cero que sirve para evaluar objetivos parciales dentro del proyecto
antes de que ste concluya. Son como puntos de control o marcadores situados
estratgicamente en momentos importantes del proyecto.
Recurso: Conjunto de personas, equipamiento y materiales empleados en la realizacin de
las tareas.
Objetivo: Criterio cuantificable que debe cumplirse para que el proyecto se considere
concluido. Los criterios a cumplir pueden ser la calidad del producto, medidas de costo,
programacin... Existen objetivos no cuantificables directamente tales como la satisfaccin
del cliente.
9.2 Fases de un proyecto.

Todos los proyectos constan de cuatro fases principales:
1. Crear el plan (planificacin).
2. Administrar el proyecto (desarrollar el proyecto introduciendo correctamente todos
los datos).
3. Realizar el seguimiento del proyecto (observar como marcha).
4. Cerrar el proyecto (terminarlo).
Aunque podramos afirmar que "un proyecto es un evento o secuencia de eventos
planificados, con un objetivo marcado", la mayora de los textos y libros experimentados
en esta materia y basados en las ideas del prrafo anterior, coinciden en que la definicin de
proyecto es:
"Un esfuerzo temporal para la creacin de un producto o servicio nico".
Vamos a desgranar los conceptos fundamentales de dicha definicin para irnos adentrando
en qu es y en qu consiste un proyecto:
293
Captulo 9
Se dice que un proyecto es Temporal porque tiene una duracin determinada (una semana,
dos aos...). El factor tiempo es muy importante en la gestin de proyectos. Para la
elaboracin de un proyecto siempre se tendr que fijar o bien una fecha de comienzo a
partir de la cual desarrollar el proyecto hasta alcanzar una fecha de finalizacin, o bien lo
contrario: Se fijar una fecha de terminacin a partir de la cual y retrospectivamente (para
atrs) se vayan "retrocediendo" las tareas a realizar (con sus duraciones) hasta alcanzar la
fecha de comienzo. Los proyectos no son indefinidos, sino que tienen una fecha de
finalizacin y/o de inicio. El que exista una fecha de comienzo y una fecha de finalizacin,
es un factor que diferencia a los proyectos de las llamadas "operaciones en curso". Estas
suelen transcurrir de manera indefinida. Por ejemplo las actividades cotidianas de un
departamento de recursos humanos, de un departamento contable... Sin embargo el objetivo
de contratar a dos expertos en ventas puede constituir un proyecto ya que dichas personas
debern estar contratadas para tal fecha.
En MS Project, la duracin de las tareas se puede fijar en meses, semanas, das, horas o
minutos (las siglas respectivas son: ms, s, d, h, m).
Un proyecto conlleva tambin un Esfuerzo. Esto significa que para su consecucin se

implican una serie de recursos (de personal, de equipamiento, de materiales generalmente)
que son los encargados de llevar a buen puerto el proyecto. Los recursos mencionados (los
que acabamos de nombrar) se engloban en los recursos de carcter de trabajo y/o recursos
materiales.
Los recursos de TRABAJO estn conformados por:
1. Las personas que participan en el proyecto, ya tengan nombre y apellidos (por
ejemplo Mara Gil o Alberto Fernndez).
2. Las personas identificadas por su puesto o cargo (por ejemplo gerente o bien jefe de
personal).
3. Grupos de profesionales identificados por su actividad (por ejemplo encofradores o
instaladores elctricos).
4. Los recursos de equipamiento (por ejemplo una pala excavadora, una gra, un
taladro...)
5. Las instalaciones (locales, salas de reunin, espacios de trabajo...) requeridas para
realizar las tareas.
Los recursos MATERIALES por su parte, son artculos de consumo que se agotan a
medida que avanza el proyecto. Estn conformados por:
1. Los recursos materiales (por ejemplo el cemento, cable, clavos, paneles...)
294
Captulo 9
En MS Project, la disponibilidad de algunos recursos debe ser considerada. Por ejemplo,

duracin de las jornadas laborales, periodos vacacionales, horarios de acceso a
instalaciones, etc.
Cada proyecto crea un Producto o Servicio nico. Este es el objetivo de todo proyecto, la
razn de ser del proyecto.
De los productos obtenidos, se deriva la obtencin de un beneficio adecuado.
Por otro lado, la Gestin de Proyectos consiste en el Estudio y Planificacin de un
Proyecto en funcin de sus alcances, as como en el Control y Seguimiento del Proyecto
durante su realizacin. Estas gestiones van encaminadas a evitar desviaciones sobre los
objetivos planteados en dicho proyecto. A esto, a esta gestin de Proyectos nos ayuda
Microsoft Project.
9.3 Gestin de Proyectos con Microsoft Project.

Desde luego, todo proyecto se puede gestionar sin un programa informtico. Sin duda, la
buena experiencia y saber hacer del Administrador del proyecto es quien aporta el
ingrediente ms importante. La herramienta MS Project facilitar el modo de llevar a cabo
de manera CONJUNTA las siguientes acciones que bien podran realizarse, pero
individualmente, con otros programas. MS Project es la solucin ideal para la
administracin de proyectos.
Entre muchas posibilidades de trabajo, MS Project nos permite:
Planificar y programar tareas as como asignar recursos a dichas tareas de manera
adecuada y sencilla.
Realizar un control, organizacin y seguimiento, as como coordinar toda la
informacin que conlleva los requisitos del proyecto, la duracin y los recursos
asignados a las diferentes tareas.
Visualizar el Plan de Proyecto en formatos estndar y con un diseo de diagramas
muy apropiados y fciles de interpretar.
Establecer escenarios dentro del proyecto para crear anlisis de hiptesis.
Planteamientos del tipo "Que pasara si..."
Intercambiar informacin de proyecto con todos sus participantes a travs de una
red local, Internet o de una Intranet.
Con MS Project, el Administrador del proyecto posee un control total del proyecto.
Informacin: Con Microsoft Office Project Standard 2003, podemos dominar con rapidez
el proceso de administracin de proyectos mediante la Gua de proyectos. Se trata de una
ayuda interactiva paso a paso que nos ayuda a configurar proyectos (mediante asistentes),
administrar tareas y recursos, realizar un seguimiento de los procesos as como crear
informes a partir de la informacin de los proyectos.
La gestin de proyectos requiere la aplicacin de una serie de tcnicas, que a lo largo de los
aos han ido surgiendo:
En 1.917 Henry L. Gantt desarrolla un sistema de representacin grfica donde se plasman
las tareas o actividades a realizar frente a una escala de tiempo (en MS Project, hoy se
denomina escala temporal). Hoy esta forma de representacin la utiliza MS Project en su
vista denominada Diagrama de Gantt.
En 1.950 las empresas buscaban expertos capaces de coordinar las tareas y relacionarlas.
295
Captulo 9
En 1.957 Surge el CPM (Critical Path Method) o mtodo de ruta crtica que permite
calcular la duracin de un proyecto en virtud de las tareas que lo componen y su
encadenamiento y/o simultaneidad (que varias tareas se pueden desarrollar al tiempo o bien
una cuando acabe la anterior...). Ese mismo ao, el gobierno americano crea el diagrama
de Pert (Program Evaluation and Review Technique) que relaciona las tareas.
En 1.958, se demuestra la relacin entre el diagrama de Pert y del CPM y bajo esta relacin
se establece que cualquier modificacin en la duracin en una tarea situada la ruta crtica
repercute en la modificacin de la fecha de terminacin del proyecto. Mas tarde
detallaremos que es eso de la ruta crtica.
MS Project conjuga estas tres tcnicas: Gantt, Pert y CPM en su forma de trabajar.
Como ya se ha comentado y para resumir, la planificacin es el paso vital para que el
proyecto se desarrolle bien. Para ello, los pasos a seguir inicialmente, bien pueden ser los
siguientes:
1. Definir la lista de tareas e Hitos.
2. Estimar la duracin de cada tarea.
3. Determinar las relaciones entre las tareas.
4. Construir la estructura de descomposicin de trabajo (WBS).
5. Evaluacin de los recursos del proyecto.
6. Asignacin de recursos a las tareas.
7. Optimizar la estructura.
Con esta informacin, Microsoft Project crea una programacin:
1.- Definir la lista de tareas e hitos. Consiste en acotar los trabajos a realizar. Para realizar
los trabajos se necesitan unos recursos. Las tareas habr que definirlas como algo concreto
y no como algo general. Tendrn una descripcin razonable (ni demasiado general ni
demasiado especfica).
2.- Estimar la duracin de cada tarea. Ya se ha comentado en este captulo como estimar
la duracin de las tareas. La duracin de una tarea, es el periodo de tiempo entre la fecha de
comienzo de una tarea y su fecha de finalizacin. De la duracin de las tareas, se derivar la
duracin del proyecto.
Demoras.
Existen duraciones que pueden verse modificadas, es decir, que la fecha de
finalizacin de una tarea puede verse alterada. A esa alteracin en la duracin y calendario
de las tareas (fecha de comienzo y/o finalizacin de la tarea) se le denomina demora.
Cuando la fecha de comienzo de una tarea se pospone respecto a la prevista, se dice que
existe un retraso. Con MS Project, se pueden organizar y as como realizar un seguimiento
de las tareas de forma eficaz para evitar retrasos y no salirse del presupuesto. Existen por lo
tanto mrgenes de demora dentro de los proyectos. Siempre debemos tener en cuenta la
mxima que dice: "Todo lo que pueda pasar... Va a pasar."
Margen de demora: Es la cantidad de tiempo que una tarea se puede posponer
respecto a la fecha inicial prevista, sin que ello afecte a las fechas de otra tarea o bien a la
fecha final del proyecto.
Si el margen de demora NO afecta a la duracin de otras tareas, dicho margen de
demora se denomina margen de demora permisible (que no pasa nada si se da, se puede
permitir). Es, por lo tanto, la cantidad de tiempo que se puede posponer una tarea sin que
ello suponga un retraso en otras tareas.
Para conseguir esto, que una tarea no se vea afectada por una demora permisible de
otra tarea anterior, los plazos a los que estn sujetos los vnculos, pueden ser adelantados
296
Captulo 9
y/o retrasados o pospuestos, es decir, una tarea que debera comenzar al terminar la
predecesora, se puede adelantar y comenzar sin que haya terminado la anterior con lo cual
se produce un solapamiento que no incide negativamente en el desarrollo del proyecto.
Si el margen de demora NO afecta a la duracin total del proyecto, dicho margen de
demora se denomina margen de demora total. Es la diferencia entre la fecha de comienzo
ms tarde y la fecha de comienzo ms pronto de una tarea. Por ejemplo, una tarea puede
comenzar entre tal y tal fecha. Ese es el margen. Pero si todas o varias de las tareas
comienzan en el umbral de sus fechas de ms tarde, la fecha final del proyecto se ver
retrasada en consecuencia. Son demoras totales.
Existen tareas cuyo margen de demora tiene que ser cero, es decir que no admiten
demoras en absoluto ya que dichos mrgenes incidiran en la duracin final y total del
proyecto. Estas tareas definen lo que MS Project denomina RUTA CRTICA.
Las tareas que definen dicha ruta crtica se denominan TAREAS CRTICAS.
3.- Determinar las relaciones entre las tareas. Las tareas se tienen que ejecutar en un
determinado orden. Las tareas de un proyecto tienen que estar vinculadas entre ellas, es
decir, tienen que tener un vnculo. Los vnculos establecen relaciones de orden entre las
tareas. MS Project establece cuatro posibles tipos de vnculos entre las tareas:
FIN A COMIENZO (FC): Cuando Finaliza la tarea predecesora, la tarea actual
Comienza (este tipo de vnculo es el mas comn y el que MS Project establece de
forma predeterminada cuando se vinculan dos tareas).
COMIENZO A COMIENZO (CC): Cuando Comienza una tarea, Comienza la tarea

actual.
297
Captulo 9
FIN A FIN (FF): Cuando Finaliza una tarea, Finaliza la tarea actual.
COMIENZO A FIN (CF): Cuando Comienza una tarea, Finaliza la actual.
4.- Construir la estructura de descomposicin de trabajo (WBS). Para que esta

estructura quede representada grficamente MS Project dispone de la vista de diagrama de
PERT (adems de otras vistas). Mediante este diagrama, las tareas se representan en
rectngulos relacionados mediante flechas de enlace que identifican las relaciones. En este
298
Captulo 9
tipo de vista (diagrama de Pert), las tareas que constituyen la ruta crtica aparecen con un
formato diferente para destacar (generalmente en color rojo). Ver imagen:
5.- Evaluacin de los recursos. Con que recursos se va a contar para llevar a cabo las
tareas. Identificar personas o grupos de personas, el equipamiento necesario para cada tarea
as como las instalaciones necesarias para la realizacin de cada tarea. Tambin es posible
cuantificar econmicamente cada uno de los recursos (cuanto cuesta cada uno), de querer
hacer un seguimiento econmico y presupuestario del proyecto.
6.- Asignacin de recursos a las tareas. Se trata de asociar a cada tarea los materiales,
personal y equipamiento de que se dispone, es decir los recursos anteriormente definidos.
7.- Optimizar la estructura. Para optimizar la estructura del proyecto, es preciso
determinar y modificar los mrgenes de demora de las tareas, existe flexibilidad de
plazos? Mas de una tarea se puede solapar en el tiempo?, etc. De este modo, se mejora y
optimiza el proyecto.
9.4 Datos del proyecto

Consejo: Los siguientes apartados de este captulo sera interesante recorrerlos sobre el
propio programa MS Project para tomar contacto poquito a poquito con los conceptos, los
mens, las pantallas y las opciones, aunque no es estrictamente necesario. Si algo no se
comprende o no damos con ello, es normal, todava es pronto.
A nivel de administracin con el programa MS Project, el guin de trabajo y acciones a
seguir bien podra ser el siguiente:
9.4.1 Datos generales del proyecto.

- Crear un archivo nuevo de proyecto: Tras ejecutar el programa MS Project, entraremos
directamente a:
Men de Archivo - Nuevo o bien pulsando el botn de nuevo proyecto.
.
Inmediatamente, para que el proyecto tenga nombre y ubicacin, desde el principio
conviene guardarlo.
Guardarlo con un nombre de archivo (la extensin para todos los archivos de proyecto va a
ser *.mpp cuyas siglas vienen de "Proyecto de Microsoft Project").
En este caso el archivo se llamar Tienda Calahorra.mpp.
A continuacin y desde Men de Archivo - Propiedades (del archivo): Se introduce
informacin acerca del proyecto, por ejemplo, las personas que lo administrarn y que se
encargarn del mantenimiento del archivo de proyecto, el objetivo del proyecto, las
limitaciones que pueden dificultar el logro de ese objetivo y otras notas de tipo general
relativas al proyecto (las que se quieran).
299
Captulo 9
- Definir la fecha de comienzo o bien la fecha de finalizacin: Desde el Men de

Proyecto - Informacin del proyecto.
- Establecer el calendario de trabajo: Especificar los das laborables (L a V) y horario

laboral (de 8:00 a.m. a 5:00 p.m., con una hora de descanso para el almuerzo) para cada uno
de los participantes. Se pueden marcar periodos no laborables como fiestas, periodos
vacacionales...
Esto se hace desde el Men Ver - Diagrama de Gantt - Herramientas - Cambiar calendario
laboral.
9.4.2 Tareas.
- Introducir las tareas y sus duraciones: Men de Ver - Diagrama de Gantt. En la tabla
izquierda, introducir las tareas en secuencia y hacia abajo. En principio la duracin de cada
tarea es de un da. MS Project lo representa con un 1?
Para las duraciones, escribir la cantidad de tiempo que llevar cada tarea expresndola en
meses, semanas, das, horas o minutos, sin contar los perodos no laborables. Podemos
utilizar las abreviaturas siguientes:
Meses = ms, semanas = s, das = d, horas = h, minutos = m. Si la duracin es estimada (no
definitiva) se acompaa del signo de interrogacin (? -el derecho, el que se utiliza en
ingls). Por ejemplo 3d? representa una duracin estimada de 3 das.
Recordemos: La duracin, es el periodo total de trabajo activo necesario para completar
una tarea. Generalmente es el periodo de tiempo de trabajo desde el comienzo hasta el final
de una tarea, segn se defina en el calendario del proyecto y en el calendario de recursos (a
un recurso se le puede asociar un calendario diferente del general como caso excepcional).
Otro concepto bien distinto es la duracin transcurrida que es el periodo de tiempo
necesario para completar una tarea, tomando como base una jornada de 24 horas, es decir
todo el tiempo (da y noche), y una semana de 7 das, incluyendo, domingos, festivos as
como otros das no laborables. Por ejemplo el tiempo de fraguado de un hormign para el
suelo de una obra puede ser considerado en sbado, domingo... Si necesita de 3 das, no es
preciso que esos das sean laborables. El tiempo asignado a esa tarea ser por lo tanto
cifrado en un periodo de tiempo transcurrido. Las siglas utilizadas para especificar los
periodos de tiempo transcurrido asociados a las tareas terminan con la letra t. As por
300
Captulo 9
ejemplo si una tarea es "fraguado del suelo" su duracin ser de 3dt.

- Crear los hitos: Se tratan de tareas estratgicas que suponen unas marcas importantes en
las fases y evolucin del proyecto. Son tareas que tienen una duracin cero, es decir 0d
(cero das). Tambin es posible que una tarea de duracin determinada la podamos, desde
sus propiedades, y la solapa de avanzado, marcar como hito (Marcar la tarea como hito).
Los hitos se representan mediante rombos negros en la vista del diagrama de Gantt.
Posteriormente va a ser posible visualizar todas las tareas o bien simplemente los hitos
realizando filtros que solo nos permiten ver del proyecto ciertos elementos que en un
momento merecen un estudio separadas del resto.
Filtro: Mecanismo que permite visualizar solamente ciertos elementos del proyecto
permitiendo al usuario hacer un estudio minucioso de ciertas partes del mismo
desenfocando o no visualizando el resto. Para los usuarios que hayan manejado Microsoft
Excel o Microsoft Access decir que el sistema de filtros es similar al que utilizan estos
programas, solo que, ahora, aplicados a los elementos propios de un proyecto. Por ejemplo:
Deseamos visualizar solamente en la ruta de tareas de un proyecto, las que constituyen los
hitos.
- Crear tareas repetitivas: Una tarea repetitiva es aquella que acontece con cierta
periodicidad en el proyecto, que se repite cronolgicamente (en el tiempo). Por ejemplo,
todos los lunes, reunin en la sala de juntas para evaluar la marcha del proyecto. Se
especifica el da para dicha tarea y, o bien cuantas veces se repite o bien hasta cuando dura.
Situndonos en nombre de tarea (por ejemplo en vista diagrama de Gantt) Men de Insertar
- Tarea repetitiva - Duracin - Patrn de repeticin (Diariamente, Semanalmente,
Mensualmente o Anualmente) - Terminar (despus de cuantas veces o bien en una fecha
dada). Las tareas repetitivas se pueden desplegar desde un signo + como en el caso de las
carpetas de Windows.
- Estructuracin de tareas: Consiste en tabular unas tareas respecto a otras para definir
una estructura de tareas y subtareas de cara a una mejor visin del trabajo. Vindolas en
jerarqua, se comprende mejor el proyecto. Es, por comparar, como una estructura de
carpetas en el disco duro de un ordenador todas en el mismo nivel o bien creando unas
dentro de otras y definiendo as una estructura de ordenacin mas esquemtica y
comprensible para quien las maneja.
Desde la barra de herramientas (tambin llamada barra e botones) de Formato, esta
estructuracin de tareas y subtareas la podemos disear mediante los botones de
.
- Modificar la lista de tareas: En un proyecto, es posible modificar el orden de las tareas

ya que los procesos de Copiar, Cortar y Pegar estn admitidos para el manejo de las tareas.
301
Captulo 9
9.4.3 Programacin de tareas.

- Programacin de tareas. Dependencias. Vnculos entre tareas: Cuando se tiene la lista
de tareas ya debidamente estructurada, es preciso especificar los vnculos entre ellas, es
decir sus dependencias entre tareas: Cundo comienza una tarea respecto a su predecesora...
Cundo se vinculan tareas... Si la duracin de una de ellas cambia, se debern reprogramar
las fechas de las dems tareas que la sucedan (tareas sucesoras).
- Establecer relaciones entre tareas: Por defecto MS Project define entre tareas el vnculo
o relacin de fin a comienzo FC (que es la mas habitual). Esto ya se ha comentado en este
captulo.
En vista diagrama de Gantt - Seleccionar las dos tareas a relacionar - Vincular tareas.
La operacin de vincular tareas se realiza mediante el botn de la barra de herramientas
estndar
En la lnea negra con flecha que vincula las tareas se puede hacer doble clic para modificar
el tipo de relacin a cualquiera de las ya explicadas en este captulo y que de nuevo se
resumen en el siguiente cuadro para sellar conceptos:
Lo mismo que para establecer vnculos existe un botn, existe otro botn que permite
desvincular tareas: Desvincular tareas
.
En un proyecto, es muy frecuente tener que modificar los plazos de las tareas y tener que
reprogramar. En ocasiones aparecen las llamadas delimitaciones. Las delimitaciones son
302
Captulo 9
restricciones que se fijan respecto a cuando tiene que comenzar una tarea o bien para
cuando tiene que estar concluida. (Por ejemplo, la tarea estar concluida para antes de tal
fecha o bien para tal fecha).
Siempre que se une una tarea a un proyecto, MS Project le asocia una delimitacin por
defecto. Si la fecha del proyecto ha sido programada a partir de una fecha de comienzo, la
delimitacin para las tareas es que comiencen lo antes posible (LAP). En el caso de que el
proyecto est programado a partir de una fecha de finalizacin, al insertar una tarea, de
forma predeterminada, esa tarea va a tener la delimitacin de que comience lo mas tarde
posible (LMTP). Otras delimitaciones que se pueden adjudicar a una tarea son las
siguientes:
- NFDD: No finalizar despus del...
- NCDD: No comenzar despus del...
- Superponer tareas o agregar tiempo de posposicin entre ellas: Despus de
especificada la secuencia de tareas, es posible que indiquemos retrasos o posposiciones en
la fecha de comienzo de alguna de ellas.
Se denomina tiempo de posposicin al periodo de tiempo que se define entre dos tareas
vinculadas.
Por ejemplo: Si entre 2 tareas con una vinculacin del tipo FC (fin a comienzo)
establecemos una posposicin de 2 das, esto significar que la segunda de esas dos tareas
comenzar 2 das mas tarde de que finalice la primera de ellas. Estos tiempos de
posposicin, en principio, son valores siempre positivos. Sin embargo si la relacin entre
dos tareas es de FC pero la segunda tarea, la sucesora, puede comenzar unos das antes, se
va a producir un solapamiento en el tiempo con la tarea predecesora. Esto se indica en MS
Project como una posposicin de valor negativo. A esto se le denomina tiempo de
adelanto.
Los tiempos de posposicin o de adelanto se pueden especificar como valores absolutos o
bien como valores porcentuales de la duracin de la tarea en la ficha predecesora de
propiedades de la tarea.
- Establecer fechas fijas para el comienzo o final de una tarea: Cuando se desea,
independientemente de las relaciones entre las tareas, que una de ellas comience en una
determinada fecha, se dice que aparece una restriccin o delimitacin inflexible.
Como se indica?: Para una tarea - Informacin de la tarea - solapa avanzado - Tipo de
delimitacin - Fecha de delimitacin. Tambin desde el botn de informacin de la tarea.
.
- Dividir tareas: En ocasiones una tarea es preciso interrumpirla para acometer otras tareas
con lo cual, queda en la primera una especie de laguna o interrupcin. Queda dividida para
ser continuada mas tarde. Generalmente estas divisiones de deben a causas imprevistas
como por ejemplo la enfermedad de un trabajador para el que no se dispone de sustituto.
303
Captulo 9
Si mediante arrastres reducimos la divisin hasta "cerrarla", habremos eliminado esa

divisin.
Por lo tanto y como resumen, quedmonos con estos tres botones:
9.4.4 Asignar recursos.

Es interesante asignar recursos cuando se quiere controlar como intervienen las personas, el
equipamiento, y/o los materiales en las diversas tareas del proyecto. Si adems, a los
recursos les asignamos unos costos, desde MS Project se podr hacer un seguimiento mas
detallado de todo, a niveles econmicos.
Si por parte del administrador del proyecto no se introduce informacin de costos sobre los
recursos, MS Project solo considerar las duraciones de las fases del proyecto, basadas en
las dependencias entre las tareas.
Se irn introduciendo los recursos en la tabla de recursos: Men de Ver - Hoja de recursos.
Ver - Tabla - Entrada. A continuacin se asigna a cada recurso su tipo segn ya se ha
comentado (material o trabajo).
De cara a poder filtrar (aplicar filtros) posteriormente las tareas que pertenecen a un
determinado aspecto, se pueden definir grupos de recursos, aunque a las tareas se asocian
recursos y no grupos de recursos.
Recordemos: Podemos definir grupos de recursos pero a las tareas se les asocian recursos.
En cuanto a los calendarios, en principio todos los recursos se acogen al calendario general
establecido para todo el proyecto, sin embargo, es posible, en la informacin de los
recursos (de cada recurso) asociar un calendario especial asociado a un recurso por si un
determinado recurso no va a estar disponible unos das o bien si lo estar en festivos...
1.- En el Men Ver - Hoja de recursos - y seleccionamos el recurso cuyo calendario
deseamos modificar.
2.- En el Men Proyecto - Informacin del recurso - ficha Horario del trabajo.
3.- En el calendario deberemos sealar los das que se desean modificar.
4.- Despus, elegiremos o bien Predeterminadas, Periodo no laborable o bien Periodo
laborable no predeterminado. (eligiendo predeterminadas, se asume el calendario estndar
de MS Project que fue establecido al principio del todo).
Informacin: En cuanto a calendarios, es posible desde el Men Herramientas de MS
Project definir unos nuevos calendarios base con sus horarios y un nombre (diferentes
calendarios cada uno con sus franjas horarias, etc. y cada uno con su nombre), de este
modo, si varios recursos se acogen a uno de esos calendarios, bastar con asociar esos
recursos a ese calendario base.
304
Captulo 9
Para asignar los recursos a las tareas, estando en la vista de diagrama de Gantt, se
selecciona una tarea y se le asignan los recursos correspondientes teniendo en cuenta que a
una tarea se la puede asignar mas de un recurso. En este caso, se seleccionaran varios
mediante los mtodos de seleccin que conocemos (los propios de Windows utilizando las
teclas del teclado Control y Mays).
Para asignar recursos tenemos el botn: Asignar recursos
.
A los recursos se les asigna un trabajo que realizan y ese trabajo, se expresa en unidades
porcentuales. Un 100% significa que ese recurso se involucra a jornada completa en el
proyecto y en esa tarea concreta.
- Duracin de las tareas: Una tarea tiene una duracin establecida inicialmente en la tabla
de tareas. Si a una tarea se le asocian mas recursos para su ejecucin, MS Project,
automticamente le reduce la duracin.
Por ejemplo: Si a una tarea se le asigna un recurso que resuelve un trabajo al 100% (por
ejemplo un fontanero que trabaja a jornada completa, es decir las 8 horas diarias), si la
duracin estipulada para la tarea es de 2 das, y si la jornada laboral es de 8 horas diarias, al
asignarle ese recurso dicha tarea se realizar en 2 das (8 horas X 2 das = 16 horas). Hasta
aqu
normal.
Pero si adems de ese recurso se le asigna despus otro recurso igual (o sea 2 fontaneros a
jornada completa), la tarea se llevara a cabo en la mitad de
tiempo, es decir en un da. Requerira 2 recursos de a 8
horas: 16 horas s, pero la duracin de la tarea se reducira a
1 da. Esto sucede porque predeterminadamente, MS
Project para cada tarea, en sus propiedades, tiene marcada una casilla de verificacin
denominada Programacin condicionada por el esfuerzo. Si se desmarca esa casilla, la
duracin de la tarea del ejemplo seguira siendo de 2 das pese a tener el doble de recursos
para efectuarse.
Esta opcin se encuentra en Informacin de la tarea, solapa Avanzado
.
Nota: Si se desea que para todas las nuevas tareas que se definan en el proyecto a partir de
un determinado momento se desea tener esa opcin desactivada, desde el lugar desde donde
se configuran todos los productos Microsoft, es decir, desde Men Herramientas Opciones, acudiremos a la solapa Programacin y desactivaremos esta casilla, as, las
nuevas
tareas
no
estarn
condicionadas
por
el
esfuerzo
(inicialmente est activada).
- Comprobacin y modificacin de las asignaciones de los recursos.
Desde el Men desplegable Ver - Uso de recursos podremos ver las asignaciones de
recursos a tareas as como comprobar la sobre asignacin de recursos. Si el nombre del
recurso aparece en rojo es que se encuentra sobre asignado. Es muy conveniente revisar
esas asignaciones.
305
Captulo 9
9.5 Costos con Ms Project

9.5.1 Costos.
Si se desea hacer un seguimiento econmico de cara a saber si el proyecto se ajusta a un
presupuesto fijado para su ejecucin, deberemos asociar costos mediante unas tasas a cada
uno de los recursos implicados (a su trabajo). De esta forma, las tareas se cuantifican
econmicamente y en consecuencia se puede saber cuanto cuesta cada tarea y en definitiva
todo el proyecto, se podrn calcular desviaciones respecto al presupuesto inicial... Desde
luego, es posible no asociar costos en un proyecto, pero en ese caso no podr hacerse,
como es lgico, un seguimiento econmico del mismo.
MS Project permite asociar tasas a los recursos tanto de trabajo como materiales. Las tasas
pueden ser de tipo estndar, de horas extras o tasas por uso. La tasa de horas extra no est
disponible para los recursos materiales. Para los recursos de trabajo, los tres tipos de tasa
estn disponibles.
Desde el Men de Ver - Hoja de recursos - (para introducir un nuevo recurso, ubicarse en la
columna Nombre del recurso en la fila correspondiente al nuevo recurso y escribir el
nombre para ese recurso. Luego, asociar el tipo de recurso: Trabajo o material)
.
Nota: Si se desea que para todos los nuevos recursos de tipo general o de horas extra las
tasas sean unas predeterminadas, desde el lugar desde donde se configuran todos los
productos Microsoft, es decir desde Men Herramientas - Opciones, acudiremos a la solapa
General y desde ese lugar especificaremos las tasas (la estndar predeterminada y la
predeterminada para horas extras). Para concluir las predeterminaremos desde el botn
correspondiente de Predeterminar.
Para los recursos de tipo material, se deber especificar una etiqueta (siglas que identifican
ese material), una unidad de medida (Tonelada, docena, metro lineal...) as como la tasa
correspondiente.
- Costos fijos.
Existen algunas tareas que presentan siempre un costo fijo, como por ejemplo los de
equipamiento o una subcontrata a destajo (se paga tanto por hacer una tarea de forma
cerrada y fija).
- Acumulacin de costos.
En Microsoft Project, los costos de recursos se prorratean de forma predeterminada. Su
acumulacin se distribuye a lo largo de la duracin. Sin embargo, puede cambiar el mtodo
de acumulacin para que los costos de recursos tengan efecto o bien al comienzo o bien al
final de la tarea.
Men Ver - Hoja de recursos - cuando estamos viendo los recursos en forma de tabla (Ver Tabla) - Acumular.
Nota: Las tasas se asocian a los recursos y los costos fijos a las tareas.
- Estudio de costos.
Ver - Hoja de recursos - Tabla de costos.
Se pueden mostrar hojas de costos, costos acumulados, grficas de recursos...
En el Men de Proyecto - Informacin del proyecto - Estadsticas - Costo actual. Se pueden
comparar el campo previsto y el campo real para ver las diferencias entre lo previsto y lo
306
Captulo 9
que realmente acontece en el aspecto econmico en un determinado momento del proyecto,

es decir si se ajuntan a las previsiones.
Tambin desde ese punto, se pueden comparar los valores del campo actual y el campo
restante, de ese modo se podr comprobar si se dispone de liquidez para acometer el resto
del proyecto hasta el final del mismo.
9.6 Revisin del proyecto.

Despus de introducidas las tareas, de haber sido relacionadas unas con otras y engarzadas
en el tiempo, despus de haber introducido los recursos y de haber asignado a stos los
costos correspondientes, es necesario revisar si por ejemplo los plazos estn bien definidos.
Revisar el proyecto para cada uno de los momentos estratgicos llamados hitos. Si la fecha
final del proyecto se ajusta a la real. Recorriendo las diversas vistas que MS Project
proporciona, revisaremos las tareas y los recursos desde sus tablas correspondientes. Se
har un seguimiento de la ruta crtica...
Podemos obtener informacin general acerca de las fechas de comienzo y final del proyecto
y ver cundo se realizarn las fases principales, acercando y alejando el Diagrama de Gantt
mediante los zooms.
Men Ver - Diagrama de Gantt // Men Ver - Zoom.
Tambin se puede ajustar el zoom desde los botones correspondientes de acercar o alejar.
.
Revisar, tras modificar los parmetros del proyecto, las fechas de inicio y finalizacin es
muy conveniente.
Men Proyecto - Informacin del proyecto - Estadsticas.
Aparecen las fechas de comienzo y fin del proyecto, as como el trabajo y el costo total.
- Identificar la ruta crtica.
Como ya se ha comentado, la ruta crtica es la marcada por aquellas tareas cuya
modificacin en su duracin (recordemos que pueden existir demoras) afecta directamente
sobre la fecha de finalizacin del proyecto. Es importante mimar el seguimiento de estas
tareas y para ello MS Project cuenta con la posibilidad de realizar un filtrado de tal manera
que solamente se vean como protagonistas dichas tareas:
Men Ver - Diagrama de Gantt. La ruta crtica se manifiesta como unas tareas con un
formato diferente. Dicho formato se puede modificar mediante el asistente para diagramas
de Gantt que tiene el programa MS Project. Asistente para diagramas de Gantt
.
Los filtros de establecen desde el Men de Proyecto - Filtro para - Tareas crticas.
- Utilizar las vistas diferentes.
- Personalizar las vistas.
Esto es posible desde Men Ver - Vistas - Mas vistas as como Men de Ver - Tabla - Mas
tablas.
- Filtrado de informacin.
Si deseamos concentrarnos nicamente en determinadas tareas o recursos de la vista activa,
podemos aplicar un filtro a dicha vista. Podemos especificar que el filtro muestre o resalte
slo aquellas tareas o recursos que cumplan los criterios que establezcamos.
Nota: No se pueden aplicar filtros de tareas a vistas de recursos o aplicar filtros de recursos
a vistas de tareas. Existen Autofiltros que mediante unos triangulitos a la derecha de cada
titulo de campo nos permiten establecer las condiciones o criterios "in situ" de forma
cmoda. Igual que en Access o Excel (si se conocen).
307
Captulo 9
- Ordenacin de los datos.

Desde el Men de Proyecto - Ordenar - Ordenar por.
Existen mltiples posibilidades de ordenacin que sern estudiadas a fondo en el captulo
correspondiente de este curso.
9.7 Introduccin a Microsoft Project 2003

La nueva familia de productos Microsoft Office Project 2003 incluye los programas
fundamentales para cubrir necesidades de trabajo que van desde un entorno monousuario
desde el que planificar los proyectos, hasta un entorno de trabajo basado en intranets donde
se comparten las informaciones entre un equipo de personas colaboradoras.
Los productos de Microsoft Office Project 2003, son los siguientes:
- Project Standard 2003 es la nueva versin del programa central de administracin de
proyectos de Microsoft. Dispone de herramientas conocidas y sencillas de utilizar. Project
Standard nos permite administrar proyectos de forma independiente en el escritorio de un
entorno monousuario. Con Project Standard, podemos planear, administrar y comunicar
informacin de los proyectos, si cabe, con ms eficacia que antes.
- Project Professional 2003 (con el que vamos a desarrollar este curso), Project Server
2003 y Project Web Access estn diseados para trabajar conjuntamente para formar la
solucin de Microsoft para la Administracin de proyectos empresariales (EPM, Enterprise
Project Management). Esta solucin permite que las organizaciones sincronicen y
compartan las iniciativas empresariales, proyectos y recursos para obtener mejores
resultados empresariales.
Mediante las flexibles capacidades de informes y anlisis de la solucin EPM, las empresas
disponen de informacin sobre la que se puede actuar para ayudar a optimizar los recursos,
asignar prioridad al trabajo y alinear los proyectos como una cartera con los objetivos
generales de la empresa.
En este captulo tomaremos contacto con las principales pantallas de MS Project (a partir de
ahora nos referiremos de este modo a MS Project Professional 2003), as como con sus
diferentes elementos. Nos familiarizaremos con sus vistas principales y sus barras de
herramientas. Aprenderemos a desenvolvernos con el entorno y tomar confianza con este,
para algunos, nuevo programa.
9.8 Generalidades.
Una vez conocidos los trminos y posibilidades que este programa pone a nuestro alcance
como administradores de proyectos, es el momento de conocer de cerca sus pantallas, su
aspecto (tambin llamado interfaz), sus barras de botones, etc. Como ya hemos comentado,
la filosofa de trabajo y ubicacin de las operaciones generales a lo largo de los mens
desplegables, se mantiene como en el resto de los productos Microsoft.
La versin con la que vamos a realizar este curso es la del reciente MS Project 2003 pero la
compatibilidad con las versiones anteriores, de no disponer de la versin 2003, es
prcticamente total. No existe, por lo tanto, inconveniente en poder seguir este curso si
disponemos de otras versiones anteriores tales como MS Project 2000 o bien MS Project
98. La forma de trabajar es, afortunadamente para nosotros, idntica. nimo por lo tanto.
El programa MS Project se instala desde el CD correspondiente, ahora como producto
integrado en el conjunto de aplicaciones informticas de oficina Microsoft Office Project
2003.
308
Captulo 9
Es posible tener instaladas simultneamente dos versiones diferentes del programa en el

disco duro del ordenador, evidentemente en carpetas distintas. Es en el proceso de
instalacin donde se decide en que carpeta ubicarlo. Veamos:
En el caso de la instalacin de MS Project 2003, la ubicacin, por ejemplo, es la carpeta
sealada en Direccin (de la siguiente imagen), y el archivo principal del programa se
llama WINPROJ.EXE. Es el que aparece en segundo lugar en la siguiente pantalla (a la
derecha). La vista corresponde al Explorador de Windows.
En el caso de que la instalacin sea de MS Project versin 2000, la ubicacin por ejemplo,
es la carpeta sealada en Direccin, y el archivo principal del programa es en este caso
WINPROJ.EXE que aparece en primer lugar en la lista de archivos de la siguiente pantalla
(a la derecha):
Despus de la instalacin, aparecen en el escritorio los iconos de nos proporcionan acceso

directo al programa:
9.9 El entorno de trabajo.

Cuando ejecutamos el programa mediante un doble clic en el acceso directo del escritorio,
y tras aparecer en pantalla unos instantes el logotipo de Project Professional 2003
"aterrizamos" en la pantalla principal del programa. Para salir del mismo deberemos hacer
un clic sobre la X de la ventana ms exterior (arriba del todo a la derecha) o bien pulsando
sobre la opcin Salir del men de Archivo (Men Archivo - Salir).
Inmediatamente nos encontramos con el entorno de trabajo de MS Project: Su pantalla
principal. Una buena opcin, para empezar, puede ser cerrar el panel de tareas Inicio
como indica la siguiente figura:
309
Captulo 9
El que dicho panel aparezca o no aparezca al comienzo de la sesin es responsabilidad de la

casilla de verificacin que se encuentra tras el Men de Herramientas - Opciones (desde
donde se configuran todos los productos Microsoft), solapa General:
Por qu cerrarlo? Porque ofrece posibilidades tales como acceder a la ayuda on-line (si
estamos con conexin permanente a Internet) sobre el programa, buscar ayuda sobre el
tema que tecleemos en el panel de buscar que presenta, o bien abrir alguno de los archivos
de proyecto recientemente utilizados, o bien crear un proyecto nuevo:
Estas ltimas opciones, las podremos realizar desde el Men desplegable de Archivo Abrir.
Por lo tanto, para no "comer pantalla" es aconsejable cerrar este panel.

Informacin: En las nuevas versiones de las aplicaciones Microsoft, los mens
desplegables (a no ser que configuremos lo contrario desde Men Ver - Barras de
Herramientas - Personalizar - Solapa Opciones) solo muestran las opciones mas utilizadas
del men (las mas recientemente usadas), no desplegando el men con todos los elementos
disponibles. Esto puede, en un primer despliegue de los mens, desorientar. Pues bien,
haciendo doble clic en el ttulo del men (por ejemplo en Herramientas, arriba)
conseguimos que el men se despliegue por completo. De este modo no es preciso tener
que esperar unos segundos con el puntero posicionado sobre la doble flechita que aparece
como ltima opcin del men resumido que surge inicialmente.
310
Captulo 9
Una vez cerrado el Panel de Tareas Inicio

, es aconsejable
visualizar en el lateral izquierdo de la pantalla de MS Project la barra de vistas. Se trata de
una franja vertical en el borde izquierdo de la pantalla en la que mediante iconos es sencillo
cambiar el modo en que se ven las informaciones que brinda el programa.
La barra de vistas se visualiza o no visualiza cambiando el estado de la opcin siguiente:
Men Ver - Barra de vistas:
. Si se encuentra marcada es que se est
visualizando dicha barra.
Vamos a realizar una breve descripcin de las partes principales de la pantalla inicial de
MS Project. La pantalla mostrada debera ser la inicial que se recomienda tener al comienzo
de una sesin de trabajo:
9.9.1 Barra de ttulo.

La barra de ttulo, es como para cualquier programa, la que presenta el nombre del
programa as como el nombre del archivo actual de trabajo. Cuando el usuario an no ha
guardado con ningn nombre un archivo de proyecto, el nombre por defecto que se le
asigna es Project1 (recordemos que en Word es Documento1, que en Excel es Libro1...).
De desear archivar el proyecto con ese u otro nombre en la carpeta deseada de la unidad de
disco deseada, el propio programa le adjudica la extensin .MPP (Microsoft Project
Proyecto). As por ejemplo "Mi proyecto1.mpp" es un nombre correcto de archivo de
proyecto creado con MS Project.
A la derecha de la barra de titulo disponemos de los botones de minimizar, restaurar y
cerrar el programa respectivamente
, acciones que tambin podemos efectuar desde
el men de control que se despliega haciendo clic en el botn de control que est a la
izquierda del todo de la barra de ttulo .
Informacin: De desear almacenar un archivo como plantilla (con la misma idea de
plantillas que en el resto de las aplicaciones Microsoft), la extensin adjudicada ser .MPT
311
Captulo 9
(Microsoft Project Template) -Template significa plantilla en ingls-. En este caso, la

carpeta por defecto para archivar la plantilla de proyecto ser la carpeta Plantillas de
Microsoft Office y dependiendo de la versin de MS Project, la ruta en el disco duro ser
una u otra. En el caso de la versin 2003 la ruta para la carpeta plantillas es la siguiente
para un usuario llamado Lus (sesin de Windows iniciada para el usuario Lus):
9.9.2 Barra de mens y mens contextuales.

La barra de mens desplegables es desde la cual, desplegando sus mens mediante clic o
doble clic, disponemos de todas las opciones y posibilidades del programa.
La sintaxis de los mens de MS Project es la siguiente:
Men con clic de punta de flecha hacia la izquierda. Al hacer un clic sobre una opcin se
desplegar el men de Project
.
Opcin de men con puntos suspensivos. Al hacer un clic sobre esta opcin aparecer un
cuadro de dilogo en el que es posible llevar a cabo distintas operaciones
. (Los puntos suspensivos significan que hay algo mas...)
Opciones sin puntos suspensivos. Al hacer un clic sobre esta opcin se llevar a cabo la
.
operacin concreta.
Opciones con una ventana izquierda sensible. En este caso el usuario puede hacer un clic en
la casilla a la izquierda de la opcin y activarla o desactivarla. Una opcin activada tiene un
smbolo de verificado
.
Opciones con triangulito por la derecha. Son opciones que al elegirlas ofrecen otro
submen
.
El mtodo ms rpido para acceder a los mens de MS Project es hacer un clic con el ratn
sobre las distintas opciones. Si en algn caso se desea activar una opcin del men
utilizando el teclado se deben pulsar simultneamente las teclas ALT y la letra subrayada
del men al cual se quiere acceder. Si queremos, por ejemplo, acceder al men de Ver
bastar con pulsar simultneamente la tecla ALT y la tecla V. Esto lo representaremos
desde ahora con ALT+V.
Otro mtodo para acceder a los mens desde el teclado es activar la barra de mens
pulsando la tecla de funcin F10 (del teclado del ordenador) y desplazarse por ellos
mediante la flechas de movimiento (tambin del teclado del ordenador), para acceder a una
de las opciones pulsaremos la tecla ENTER cuando estemos sobre la opcin.
Mens contextuales. Los mens contextuales o rpidos aparecen al pulsar el botn
derecho del ratn en un lugar de la pantalla. Dependiendo de la posicin del puntero del
ratn, el men contendr unas opciones u otras. Se podra decir que el men contextual
tiene las opciones que se pueden aplicar sobre el objeto o lugar en que nos encontramos.
A la derecha de la barra de mens, aparece un pequeo panel (que muestra el mensaje:
"Escriba una pregunta" en gris) que nos permite escribir alguna pregunta sobre el programa
312
Captulo 9
en caso de dudas. Esto enlazar con la ayuda del programa para tratar de responder a dicha
pregunta. A la derecha del todo de la barra de mens, otro botn de cerrar sirve para cerrar
el proyecto con el que estemos trabajando ahora (documento actual). Pero, de hacer esto,
nos quedaramos dentro del programa: Cerramos al documento pero no el programa.
Es el botn de cerrar de arriba del todo a la derecha (como hemos visto) el que cierra el
programa MS Project. Por lo tanto uno cierra el programa (el de arriba del todo) y el otro
cierra el proyecto vigente o actual dentro del programa.
Los mens desplegables de MS Project son los siguientes:
- Men de Archivo: Contiene las acciones a realizar con el proyecto en uso (los proyectos
se almacenan en disco como archivos. Cada proyecto ser un archivo). Abrir un proyecto,
guardar el proyecto actual, imprimirlo, enviarlo por correo electrnico a un destinatario,
propiedades del proyecto en uso...
- Men de Edicin: Operaciones tales como cortar, copiar, pegar, pegados especiales,
buscar, ir a, reemplazar, vincular y desvincular tareas, dividir tareas...
- Men de Ver: Permite cambiar las vistas (cosa que tambin se puede hacer desde la barra
de vistas de la izquierda -de tenerla mostrada-), manejo y personalizacin de barras de
herramientas, encabezados y pies de cara a imprimir, por ejemplo un diagrama de Gantt,
cambiar los zooms...
- Men de Insertar: Desde l insertaremos tareas, recursos, tareas repetitivas (que se
repiten a intervalos de tiempo regulares), insertaremos un proyecto dentro del actual (con
vinculacin o sin vinculacin
) reorganizndose todo el proyecto,
permite insertar objetos varios, hipervnculos, columnas en la hoja de la vista actual...
- Men de Formato: Operaciones que tienen que ver con la forma esttica (formatos) de
las vistas tales como fuentes, estilos, colores...
- Men de Herramientas: Desde aqu se configura el programa como ya hemos visto en
alguna accin, se configuran y asignan los recursos, se establecen los calendarios del
proyecto,
se
establecen
los
seguimientos
sobre
el
proyecto
actual...
- Men de Proyecto: Sus opciones aportan informaciones sobre el proyecto, permite
ordenar, establecer y aplicar filtros, esquematizar (hacer esquemas) tareas, agrupar tareas...
- Men de Colaborar: Permite trabajando con una aplicacin complementaria a MS
Project llamada MS Project Server, compartir la informacin del proyecto con otros
miembros del equipo del proyecto. Estos aspectos se realizan mediante opciones de este
men.
- Men de Ventana: Simultanear la visualizacin de varios proyectos abiertos en mosaico,
cambiar de uno a otro... (como siempre se ha actuado con este men).
- Men de Ayuda (?): Presenta las posibilidades para buscar ayudas sobre aspectos del
programa. Trae una novedosa herramienta para detectar y reparar posibles problemas con el
propio programa MS Project. Se configura y gestiona el asistente del Office (el muequito
ayudante en forma de clip que suele aparecer por pantalla ofrecindonos sus servicios de
ayuda).
313
Captulo 9
9.9.3 Barras de herramientas.

Tambin llamadas barras de botones, permiten realizar de una forma rpida y por medio del
ratn algunas de las opciones de uso mas frecuente de Word. Estos botones sirven para
agilizar la realizacin de estas tareas mediante un simple clic con el ratn (tenerlas mas "a
mano"). El nmero de barras de herramientas visibles en pantalla es variable, las barras de
herramientas tambin se pueden personalizar. (agregar botones, cambiarlos de posicin,
eliminar botones que nosotros no utilizamos...).
Las barras de botones que se recomienda inicialmente tener debajo de la de mens
desplegables son la Estndar y la de Formato (como en la imagen). La primera, la
estndar, comienza con un botn que tiene dibujado un folio en blanco y la segunda, la de
formato, tiene en su zona central los botones que permiten dar forma a los textos es decir,
formato a los textos: negrita: N, cursiva: K y subrayado: S.
9.9.4 Gestin de barras de herramientas.

Visualizar una barra de herramientas. Activar la casilla izquierda (mediante clic) de la
barra de herramientas elegida en el Men desplegable de Ver - Barra de herramientas.
Ocultar una barra de herramientas. Desactivar con un clic la casilla a la izquierda de la
barra de herramientas elegida en el Men de Ver - Barra de herramientas.
Tambin se puede ocultar una barra pulsando el botn cerrar de la misma cuando no est
fusionada o "aparcada" con los bordes de la ventana de documento.
En resumen, para comprobar que barras de herramientas tenemos "sacadas", lo podemos

hacer de dos formas:
1- Desde el Men de Ver - Barras de Herramientas (las que estn marcadas son las que
estn visualizadas). En principio las mas normales para tener en pantalla son la Estndar y
la de Formato.
2- Haciendo clic con el botn derecho del ratn en cualquier botn de cualquier barra
(llegamos al mismo panel).
Mover una barra de herramientas. Cualquier barra de herramientas o botones, tiene a su
izquierda del todo, un pequeo "nervio" gris o "palito" en relieve (en la versin 2003 es una
pequea lnea vertical punteada ), desde donde podemos arrastrar dicha barra de botones
a otro "flanco" de la pantalla. Al sobrevolar dicho relieve, aparece una flecha cudruple,
que llamaremos cuatriflecha, lo cual manifiesta la posibilidad de arrastrar en cualquier
direccin de la pantalla dicha barra de botones.
A partir de ah, decir que podemos arrastrarlas (las barras de herramientas) a cualquier
posicin de la pantalla o bien dejarlas "flotantes" a modo de pequea ventana por el medio
de la pantalla. Si las dejamos flotantes, presentarn una pequea barra de ttulo, de color
azul marino o gris (segn versin de Word) con el nombre de la barra de herramientas, y
desde donde como con todas las ventanas de Windows, podremos desplazarla arrastrando
hacia donde queramos incluso "arrimando" a un lateral o zona de la pantalla, "aparcarlas" o
314
Captulo 9
fusionarlas debidamente. Comprobamos que se acoplan automticamente. Tambin

podemos variar el tamao vertical u horizontalmente arrastrando desde sus bordes como
cualquier ventana Windows.
9.9.5 Propiedades de la barra de men

Cambiar el tamao de una barra. Solo se puede hacer con barras flotantes (cuando se ve
el ttulo de la barra), bastar con hacer un arrastre sobre el borde de la barra, el puntero del
ratn cambia de forma y adquiere la de una doble flecha.
Aadir o quitar botones de una barra de herramientas. En el caso de las barras de

herramientas flotantes (como la de la figura anterior), para aadir o eliminar botones,
picamos sobre el pequeo tringulo de la esquina derecha de su barra de ttulo. Elegir ahora
agregar o quitar botones y en este caso la opcin Formato.
Accederemos a un men de botones como el anterior, en el que se puede hacer clic sobre
cualquier elemento para aadirlo o eliminarlo de la barra de herramientas.
La barra de herramienta segn su posicin pueden ser flotantes o estar fusionadas con los
contornos de la ventana de documento. En funcin de las barras de herramientas visibles y
su posicin, el aspecto de la ventana de MS Project puede variar mucho.
Aviso: En ocasiones, las barras de herramientas que se encuentran fusionadas o "aparcadas"
en vez de encontrarse "en paralelo", se encuentran "empalmadas" una a continuacin de la
otra (en la misma horizontal), por este motivo, alguna de las dos barras no se muestra
completa (con todos los botones que el usuario espera de ella), provocando de este modo
desconcierto al no ser encontrados ciertos botones. Que hacer? Deberemos arrastrar una de
ellas posicionndola en paralelo debajo de la otra.
Si se desea aadir o quitar de cierta barra de herramientas cualquier botn sea de la
naturaleza que sea, est aparcada o no, mediante el men de contexto (clic con el botn
derecho del ratn) sobre cualquier botn de cualquier barra. En el men que se despliega
mostrando las barras de herramientas disponibles as como las que se encuentran
visualizadas y las que no, abajo del todo podemos encontramos la opcin de
Personalizar...
Personalizar nos da paso al siguiente panel, que entre otras posibilidades, nos permite desde
la solapa superior de Comandos, ver todas las acciones o comandos (a la derecha)
315
Captulo 9
clasificados por categoras (a la izquierda). As por ejemplo en la categora Archivo

encontramos todas las acciones o comandos de manejo de archivos de que dispone MS
Project.
Para aadir alguno de esos comandos a una de las barras de herramientas visualizadas basta
con arrastrar ese comando (su icono) hasta la posicin en la barra de herramientas deseada
siguiendo estos 3 pasos:
1.
2.
3.
Con lo cual dicho comando, en forma de botn queda en la barra a la que lo hemos
arrastrado.
Para eliminar un botn cualquiera de una barra de herramientas (quitar un botn) basta con
arrastrarlo fuera de la barra mientras se mantiene pulsada la tecla ALT.
.
9.9.6 Gua de proyectos.

Se trata de una barra de herramientas (visualizable o no) que cuando se tiene cierto rodaje
con el programa nos permite acceder rpidamente a las operaciones mas habituales relativas
a tareas y recursos as como las que nos posibilitan realizar un seguimiento de los
proyectos. Tambin tener acceso a los diversos tipos de informe de que dispone el
programa.
El primer botn de esta barra, nos coloca en el lateral izquierdo de la vista actual del
programa el panel de Gua de proyectos. Se trata de un panel, desde el que a modo de
guin y a modo de asistente nos permite seguir unos pasos en secuencia, idneos para una
buena planificacin de un proyecto.
316
Captulo 9
Presenta ...
Nota: El que la barra de herramientas llamada Gua de proyectos aparezca o no,
inicialmente en pantalla al ejecutar el programa MS Project, depende del estado de la
casilla de verificacin
que se encuentra bajo la solapa Interfaz
del panel accedido desde Men de Herramientas - Opciones.
9.9.7 Barra de vistas.

Se activa o no desde la opcin correspondiente del Men Ver. Coloca en el lateral izquierdo
de la pantalla de MS Project una tira vertical de elementos (en forma de iconos) que
permiten de forma rpida cambiar el aspecto, aqu llamado vistas, del programa. Podemos
pasar rpidamente a ver el calendario, la vista diagrama de Gantt, el diagrama de red, las
hojas de recursos... Desde luego hay usuarios que la desactivan porque a sus posibilidades
tenemos acceso desde otros mens del programa y sin embargo no "les come" sitio en
pantalla.
Las vistas que podemos alternar en pantalla mediante esta barra de vistas son las siguientes:
- Calendario: Calendario temporal que muestra las tareas y sus duraciones.
- Diagrama de Gantt: Listado de tareas a la izquierda y diagrama de barras horizontales
(de Gantt) a la derecha. Desde aqu se programan las listas de tareas.
- Diagrama de red: Antes llamado diagrama de Pert. Muestra las tareas y sus
dependencias en forma de rectngulos relacionados. Desde esta vista se puede apreciar la
ruta crtica de un proyecto.
- Gantt de seguimiento: Muestra la lnea base del proyecto. Permite comparar lo
programado (lnea base) con la programacin actual en un proyecto en modo diagrama de
Gantt.
- Uso de tareas: Lista de tareas con los recursos asignados para cada tarea. Visualiza
recursos frente a tareas.
- Grfico de recursos: Vista que muestra las asignaciones y costos de los recursos del
proyecto. Recursos y grupos de recursos a lo largo del tiempo en forma de grfica.
- Hoja de recursos: Todo lo relativo a los recursos se gestiona desde esta vista.
- Uso de recursos: Vista que muestra las tareas agrupadas bajo cada recurso. Permite
estudiar los costos de los recursos, as como las cargas de trabajo para los distintos
recursos.
- Mas vistas: Otras vistas de las que dispone MS Project.
Nota: La vista con la desarrollaremos el trabajo inicialmente a travs del programa MS
Project va a ser la vista DIAGRAMA DE GANTT.
317
Captulo 9
9.9.8 Zona de vista.

El espacio de trabajo en MS Project se denomina vista. El programa dispone de numerosas
vistas y cada una permite la entrada, edicin de informacin, visualizacin y anlisis de
datos del proyecto. La vista predeterminada y mas prctica en principio es la vista de
diagrama de Gantt. Las vistas las podemos tambin cambiar desde el las posibilidades del
men de Ver. En este men tenemos la opcin de Mas vistas... para otras vistas menos
utilizadas pero que tambin estn en el programa.
Las vistas muestran en pantalla la informacin en forma de tabla. En dichas tablas, la
informacin se ubica, a modo de hoja de clculo, en celdas, filas y columnas.
Informacin: Si tenemos en una hoja de Excel, una relacin de tareas o recursos, por
ejemplo recibida mediante e-mail, podemos desde Excel, tan sencillamente como copiando
y pegando, traer datos a la tabla correspondiente de la vista actual en MS Project.
Las tablas de las vistas se recorren visualmente en pantalla ayudados de las barras de
desplazamiento.
En resumen, primero se elige una vista (por ejemplo desde la barra de vistas), en esa vista,
se decide visualizar una determinada tabla (Men de Ver - Tabla), y una vez visualizada
una tabla, dependiendo de la que sea, se puede optar por visualizar unos u otros detalles o
campos en ella (Men de Formato - Detalles).
9.9.9 Barras de desplazamiento.

Las barras de desplazamiento horizontal son independientes para cada tabla o zona de
pantalla. Por ejemplo en la vista diagrama de Gantt podemos desplazar horizontalmente la
barra de desplazamiento de la tabla de las tareas (a la izquierda), mientras la grfica de las
tareas (a la derecha) permanece inmvil.
Sin embargo, la barra de desplazamiento vertical de la derecha es comn para la zona
izquierda y derecha de la vista. Desplaza ambas zonas simultneamente y de forma
sincronizada.
La lnea separadora entre la zona izquierda y zona derecha, la podemos arrastrar como
siempre en Windows para dar mas anchura a la zona que se desee (bien zona izquierda o
bien zona derecha).
9.9.10Barra de estado.
En la zona inferior de la pantalla aparece esta barra indicando aspectos como si se tienen
bloqueadas las teclas maysculas, si estamos para editar en modo insertar o en modo
sobrescribir... Nada especial que mencionar.
9.9.11 Combinaciones de vistas.

Mediante la opcin del Men Ventana - Dividir, podremos dividir horizontalmente la vista
actual en dos zonas: La parte superior y la zona inferior. De esta forma, mediante la barra
de vistas y tras posicionarnos en una de las dos zonas (arriba o abajo) podremos visualizar,
por ejemplo en la parte superior de la pantalla de nuestro proyecto la vista diagrama de
Gantt mientras que en la zona inferior de la divisin, la hoja de recursos. Esta es una
sencilla manera de mostrar mas informacin en pantalla para un proyecto.
Para deshacer la divisin (para quitarla), bastar con colocarse en la vista que se desea
mantener y entrar de nuevo a Men ventana
9.10 Creacin de un Proyecto

Comenzamos aqu, el trabajo real con MS Project. En este captulo aprenderemos a crear un
archivo de proyecto, revisar sus propiedades e informacin asociada, a guardarlo, cerrarlo,
318
Captulo 9
abrirlo as como protegerlo mediante contrasea (entre otras cosas). Tambin hablaremos
de conceptos de Windows fundamentales para el correcto uso de los archivos y tambin de
los archivos de plantilla. Comenzamos.
9.10.1 Creacin de un archivo de proyecto.

Tras ejecutar el programa, aparece en pantalla una vista diagrama de Gantt (la vista por
defecto en MS Project) con un proyecto vaco nuevo y en blanco como base para empezar a
trabajar en un nuevo proyecto (este proyecto inicial es llamado Project1.mpp inicialmente).
Tambin aparece el panel de tareas inicio que nos permite, en su parte inferior, abrir un
archivo de proyecto ya existente y almacenado en disco, o bien crear un archivo de
proyecto nuevo. En este segundo caso (el de crear un archivo de proyecto nuevo) podremos
optar por crear un proyecto nuevo bajo dos posibilidades:
A partir de un proyecto ya existente (archivo .MPP en disco). Muestra los nombres
de los mas recientes proyectos utilizados y permite mediante la opcin Mas...
examinar en los discos en busca del archivo deseado que se utilizar como base de
partida. ... O bien...
A partir de la nada, es decir, crear un nuevo proyecto en blanco (Crear un proyecto
nuevo...).
Si decidimos crear un nuevo proyecto en blanco (Crear un proyecto nuevo...), se crear un

nuevo archivo de proyecto llamado Project2.mpp abriendo en pantalla una nueva sesin de
MS Project. Que significa esto? Que en la barra de tareas inferior de Windows aparecen 2
tareas de Project, una con un proyecto llamado Project1 y otra con otro proyecto en blanco
llamado Project2.
A continuacin aparece la vista de un panel de tareas (junto al lateral izquierdo de la
pantalla) donde en su parte inferior y a modo de guin de textos azules, con asistentes nos
va a guiar en las fases propias de elaboracin de un proyecto (desde el principio).
Para comenzar, y aprender a realizar las opciones y todos los pasos por nosotros
mismos, vamos a cerrar ese panel y comenzar desde cero.
319
Captulo 9
Otra forma de comenzar un proyecto es cerrar mediante Men Archivo - Cerrar el proyecto
llamado Project1 inicial que aparece en pantalla (sin guardar los cambios en el caso de que
sea preguntado) y desde el propio Men de Archivo - Nuevo, crearemos un nuevo proyecto
en blanco. Esto nos dejara en la misma situacin anterior de un nuevo proyecto vaco como
punto de partida para trabajar, ubicndonos en la vista diagrama de Gantt.
Informacin: Es posible que al crear un proyecto nuevo, aparezca de forma automtica el

panel (cuadro de dilogo) de informacin del proyecto para establecer en l, la fecha de
comienzo del proyecto entre otros datos.
El que inicialmente tambin aparezca el panel de tareas del que ya hemos hablado es algo
que puede suceder o no.
Tambin podra suceder que la vista inicial con la que nos encontramos al crear un nuevo
proyecto no fuera la vista diagrama de Gantt. De que depende todo esto?
Como todos los programas Microsoft, MS Project se configura desde Men Herramientas Opciones. Desde la solapa Vista, entre otros parmetros podemos establecer que la vista
inicial sea diagrama de Gantt u otra. Tambin se configura desde este panel el formato de
fechas que va a utilizar el programa y algunos detalles mas que se activan o no mediante
casillas de verificacin:
Desde la solapa General de ese mismo panel podemos establecer que aparezca o no la vista
de tareas al inicio de un nuevo proyecto y si aparecer o no de forma automtica el panel de
propiedades del proyecto al crear uno nuevo. Tambin se define el nombre de usuario del
programa y el nmero de archivos recientes que aparecen en la parte inferior del men
desplegable de archivo para poder abrir de forma rpida proyectos recientes (entre otras
320
Captulo 9
cosas).
9.11 Informacin del proyecto.

En cualquier caso, hayamos elegido el camino que hayamos elegido para crear un nuevo
proyecto, lo primero que conviene especificar es la fecha de comienzo del proyecto. Para
ello, abriremos el panel de informacin del proyecto desde Men de Proyecto - Informacin
del proyecto.
Por defecto MS Project propone como fecha de comienzo la fecha actual del sistema.
Desplegando en el cuadro de Fecha de comienzo mediante el triangulito derecho, aparece
un calendario Windows desde el cual podemos avanzar o retroceder meses (con sendos
botones con triangulito negro en la parte superior), aos y de este modo indicar el da de la
fecha deseada como fecha de inicio del proyecto. Para nuestro ejemplo fijaremos la fecha 1
de junio de 2004.
Al sealar una fecha queda fijada como fecha de inicio del proyecto. En ese mismo panel,
aparece inmediatamente debajo un cuadro donde se fija Programar a partir. Desde aqu se
establece si las fechas iniciales del proyecto se fijan a partir de la fecha de comienzo o bien
a partir de la fecha de finalizacin (ver explicacin en captulo-1). Por defecto aparece
fijado este cuadro en Programar a partir de la fecha de comienzo:
As, la fecha de finalizacin por lo tanto quedar supeditada a la duracin de las tareas que
compongan el proyecto, y por este motivo la fecha de finalizacin aparece atenuada ya que
no se puede fijar en este momento.
Si se programa a partir de la fecha de finalizacin, el cuadro que aparece atenuado es el
contrario, el de la fecha de comienzo.
Al aceptar el panel, el panel derecho de la vista diagrama de Gantt se desplaza hasta
aparecer dicha fecha en pantalla.
321
Captulo 9
9.12 Propiedades de un proyecto.

Al igual que en los dems programas de la familia Office de Microsoft (Word, Excel,
Access...) es posible fijar una serie de informaciones junto al archivo de proyecto. Un
ttulo, un nombre de autor o administrador del proyecto, una descripcin, datos
estadsticos... De este modo y gracias a estas informaciones ser mas fcil localizar y
buscar
un
archivo
de
proyecto
en
un
futuro.
Para acceder al cuadro de dilogo de propiedades del proyecto debemos abrir el Men de
Archivo - Propiedades...
Como vemos, la solapa activa inicialmente es la solapa Resumen. En ste panel, se

recomienda introducir:
Ttulo para el proyecto: Un nombre representativo y corto.
Asunto: Frase que describe brevemente de que trata el proyecto.
Autor: Quien gestiona el proyecto desde MS Project.
Administrador: Persona encargada de administrar el proyecto "a pie de campo". Sobre el
terreno. Facilita la bsqueda de todos los proyectos con un mismo administrador.
Organizacin: Nombre de la empresa para la que se hace el proyecto.
Categora: Podemos utilizar este cuadro para encuadrar este proyecto en una categora. Por
ejemplo: tiendas. De este modo podremos buscar mas tarde todos los proyectos de
caractersticas similares, de esa categora.
Palabras clave: Podemos especificar palabras que permitan buscar mas tarde los proyectos
que contengan ciertas palabras como clave. Por ejemplo las siguientes palabras clave:
tienda Calahorra telefona, permitiran bajo estos trminos buscar un archivo de proyecto
desde el Explorador de Windows mediante la opcin Buscar.
Comentarios: Texto con informacin interesante sobre el proyecto.
Base del hipervnculo: Es la ruta inicial que aparecer en todos los cuadros del programa
en donde el usuario pueda introducir una ruta en disco o bien un hipervnculo de Internet.
Guardar vista previa: Esta casilla de verificacin, si es marcada, almacena junto al
archivo de proyecto una imagen con el contenido de la vista diagrama de Gantt. De este
modo, desde el panel de abrir un proyecto, al seleccionar el tipo de vista bajo el cual se
322
Captulo 9
desean ver los archivos en esta ventana como Vista previa, podamos visualizar en la mitad
derecha del panel una pequea parte del contenido de los archivos (as sabremos mas sobre
si es ese o no el proyecto que deseamos abrir). Es una opcin interesante pero hace que
"engorde" el tamao de los archivos de proyecto.
323
Captulo 10
CAPTULO 10
SISTEMAS DE COLAS
10.1 Introduccin a sistemas de colas
El sistema de colas es parte de la vida diaria, esto se ve siempre al esperar un
servicio. Esperamos para entrar a un restaurante, hacemos colas en la caja de un
supermercado y nos formamos para recibir el servicio en la oficina de correos. Y este
fenmeno no se limita a los humanos, puede ser los trabajos que esperan ser procesados en
una mquina, los cronogramas de vuelos, la espera de los automviles en luz roja, en la
misma construccin el hecho de empezar algn tem requiere la espera de la finalizacin de
uno o varios tems. Desafortunadamente no se puede eliminar la espera sin incurrir en
gastos desmesurados. De hecho, todo lo que cabe esperar es reducir el impacto
desfavorable a niveles tolerables.
En este captulo se aplica la teora de colas. El problema es determinar que
capacidad o tasa de servicio proporciona el balance correcto. Esto no es sencillo, ya que el
cliente no llega a un horario fijo, es decir, no se sabe con exactitud en que momento
llegarn los clientes. Tambin el tiempo de servicio no tiene un horario fijo.
10.2 Definicin.
Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lneas de espera particulares o sistemas de colas.
Los modelos sirven para encontrar el comportamiento de estado estable, como la longitud
promedio de la lnea y el tiempo de espera promedio para un sistema dado. Esta
informacin, junto con los costos pertinentes, se usa, entonces, para determinar la
capacidad de servicio apropiada.
10.3 Por qu estudiar sistemas de colas?

El estudio de las lneas de espera trata de cuantificar el fenmeno de esperar
formando colas, mediante medidas representativas de eficiencia, como la longitud
promedio de la cola, el tiempo promedio de espera en ella, y la utilizacin promedio de las
instalaciones. El ejemplo que sigue demuestra como se usan medidas para disear una
instalacin de servicio.
324
Captulo 10

Bartos es una empresa constructora, con 4 depsitos de escombros, para una obra de
construccin civil que consta en demoler un edificio de gran envergadura y construir ah
mismo otro edificio. El gerente encarga que se haga un estudio para investigar las quejas
que existen de las diferentes volquetas al querer botar los escombros despus de la
demolicin debido a que cuando esta botando una volqueta en un depsito se acumula o
hacen colas otras volquetas que tambin necesitan botar escombro. El estudio indica la
siguiente relacin entre la cantidad de depsitos de escombros y el tiempo de espera de las
volquetas:
1
2
3
4
5
6
7
Cantidad de depsitos
Tiempo de espera promedio (min.) 44.5 40.2 32.7 27.7 24.2 20.6 15.2
Al examinar esos datos se ve que hay un tiempo promedio de espera de 28 minutos
para el caso actual de 4 depsitos. El gerente desea reducirlo a unos 21 minutos, resultado
que solo se puede alcanzar con 6 o ms depsitos.
10.4 Elementos de un modelo de cola

Los actores principales en una lnea de espera o cola son el cliente y el servidor.
Los clientes se generan en una fuente. Al llegar a la instalacin pueden recibir servicio de
inmediato, o esperar en una cola o lnea de espera, si la instalacin esta ocupada. Cuando
en una instalacin se termina un servicio, en forma automtica se atrae a un cliente que
espera, si lo hay, de la cola. Si la cola esta vaca, la instalacin se vuelve inactiva hasta que
llega un cliente nuevo.
Desde punto de vista del anlisis de las colas, el proceso de llegada se representa
con el tiempo entre llegadas, de los clientes sucesivos, y el servicio se describe con el
tiempo de servicio por cada cliente. Por lo general, los tiempos entre llegadas y de servicio
pueden ser probabilsticos, como en el funcionamiento de una oficina de correos, o
determinstico, como en la llegada de solicitantes a la entrevistas de trabajo.
Fuente de entrada o poblacin potencial: Es un conjunto de individuos (no
necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin. Podemos
considerarla finita o infinita. Aunque el caso de infinitud no es realista, s permite (por
extrao que parezca) resolver de forma ms sencilla muchas situaciones en las que, en
realidad, la poblacin es finita pero muy grande. Dicha suposicin de infinitud no resulta
restrictiva cuando, an siendo finita la poblacin potencial, su nmero de elementos es tan
grande que el nmero de individuos que ya estn solicitando el citado servicio
prcticamente no afecta a la frecuencia con la que la poblacin potencial genera nuevas
peticiones de servicio.
Cliente: Es todo individuo de la poblacin potencial que solicita servicio.
Suponiendo que los tiempos de llegada de clientes consecutivos son 0<t1<t2<..., ser
importante conocer el patrn de probabilidad segn el cual la fuente de entrada genera
clientes. Lo ms habitual es tomar como referencia los tiempos entre las llegadas de dos
clientes consecutivos: T{k} = tk - tk-1, fijando su distribucin de probabilidad.
325
Captulo 10
Normalmente, cuando la poblacin potencial es infinita se supone que la

distribucin de probabilidad de los Tk (que ser la llamada distribucin de los tiempos entre
llegadas) no depende del nmero de clientes que estn en espera de completar su servicio,
mientras que en el caso de que la fuente de entrada sea finita, la distribucin de los Tk
variar segn el nmero de clientes en proceso de ser atendidos.
Capacidad de la cola: Es el mximo nmero de clientes que pueden estar haciendo
cola (antes de comenzar a ser servidos). De nuevo, puede suponerse finita o infinita. Lo
ms sencillo, a efectos de simplicidad en los clculos, es suponerla infinita. Aunque es
obvio que en la mayor parte de los casos reales la capacidad de la cola es finita, no es una
gran restriccin el suponerla infinita si es extremadamente improbable que no puedan
entrar clientes a la cola por haberse llegado a ese nmero lmite en la misma.
Disciplina de la cola: que representa el orden en el que se seleccionan los clientes
de una cola, es un factor importante en el anlisis de los modelos de colas, o es el modo
en el que los clientes son seleccionados para ser servidos. Las disciplinas ms habituales
son:
La disciplina es la de primero en llegar, primero en servirse PLPS o FIFO (first in
first out), tambin llamada FCFS (first come first served): segn la cual se atiende
primero al cliente que antes haya llegado.
La disciplina de ltimo en llegar, primero en servirse ULPS o LIFO (last in first
out), tambin conocida como LCFS (last come first served) o pila: que consiste en
atender primero al cliente que ha llegado el ltimo.
La de dar servicio en orden aleatorio SEOA o SIRO (service in random order), que
selecciona a los clientes de forma aleatoria.
Tambin, los clientes o servicios se pueden seleccionar en la cola con base en
cierto orden de prioridad. Por ejemplo, los trabajos urgentes en una construccin se
realizan antes que los trabajos normales.
El comportamiento de los clientes en espera juega un papel en el anlisis de las
lneas de espera. Los clientes humanos se pueden saltar de una cola a otra, tratando de
reducir la espera. Tambin pueden rehusar totalmente a la cola por haber esperado
demasiado. Como se puede ver anlogamente en los clientes o actividades en una
construccin.
10.5 Costos de los modelos de colas.

Un modelo de colas puede dividirse en sus dos componentes de mayor importancia,
la cola y la instalacin de servicio. Las llegadas son las unidades que entran en el modelo
para recibir el servicio. Siempre se unen primero a la cola; si no hay lnea de espera se dice
que la cola esta vaca. De la cola, las llegadas van a la instalacin de servicio de acuerdo
con la disciplina de la cola, es decir, de acuerdo con la regla para decidir cul de las
llegadas se sirve despus. El primero en llegar primero en ser servido es una regla comn,
pero podra servir con prioridades o siguiendo alguna otra regla. Una vez que se completa
el servicio, las llegadas se convierten en salidas.
326
Captulo 10
Ambas componentes del sistema tienen costos asociados que deben de considerarse.
10.6 Costo de espera.

Esperar significa desperdicio de algn recurso activo que bien se puede aprovechar
en otra cosa y esta dado por:
Costo total de espera = Cw L
Donde Cw = costo de espera por hora (en Bolivianos) por llegada por unidad de
tiempo y L= longitud promedio de la lnea.
10.7 Sistema de costo mnimo.

Aqu hay que tomar en cuenta que para tasas bajas de servicio, se experimenta
largas colas y costos de espera muy altos. Conforme aumenta el servicio disminuyen los
costos de espera, pero aumenta el costo de servicio y el costo total disminuye, sin embargo,
finalmente se llega a un punto de disminucin en el rendimiento. Entonces el propsito es
encontrar el balance adecuado para que el costo total sea el mnimo.
Figura 10.1
Modelo de decisin para lnea de espera basado en costo
327
Captulo 10
Se puede analizar los resultados del anlisis de colas en el contexto de un modelo de

optimizacin de costos, en el que la suma de los costos de ofrecer el servicio y de esperar se
reduzca al mnimo. La figura 10.1 representa un modelo caracterstico de costo (en
Bolivianos por unidad de tiempo), en el que el costo del servicio aumenta al incrementar el
nivel del servicio. El obstculo principal para implementar los modelos de costo es que se
pude dificultar la obtencin de una estimado fiable del costo unitario de espera, en especial
cuando el comportamiento humano influye sobre el funcionamiento del caso.
10.8 Estructuras tpicas.

Las llegadas pueden ser personas, cartas, carros, incendios, ensambles intermedios
en una fbrica, etc. En la siguiente tabla se muestran algunos ejemplos de varios sistemas
de colas.
Ejemplos de sistemas de colas:
Situacin
Llegadas
Aeropuerto
Aviones
Aeropuerto
Depto. de
bomberos
Compaa
telefnica
Lavado de
carros
Pasajeros
Alarmas de
incendio
Nmeros
marcados
La corte
Casos
Panadera
Clientes
Carga de
camiones
Oficina de
correos
Crucero
Autos
Camiones
Cola
Aviones en
carreteo
Sala de espera
Incendios
Pista
Avin
Depto. De
Bomberos.
Llamadas
Conmutador
Autos sucios
Mecanismo
de lavado
Casos
atrasados
Clientes con
nmeros
Camiones en
espera
Cartas
Buzn
Cartas de
negocios
Reproduccin
Autos
Subensamble
Notas de
dictado
Pedidos
Hospital
Pacientes
Autos en lnea
Inventario en
proceso
Cartas para
mecanografiar
Trabajos
Personas
enfermas
Fbrica
Mecanismo
de Servicio
Juez
Vendedor
Muelle de
carga
Empleados
por correos
Crucero
Estacin de
trabajo.
Secretaria
Copiadoras
Hospital
328
Captulo 10
Permitiendo que varen el nmero de colas y el nmero de servidores, pueden

hacerse los diagramas de los cuatro tipos de sistemas en la figura 10.2. Cada lnea de
espera individual y cada servidor individual se muestran por separado.
El primer sistema que se muestra en la figura 10.2, se llama un sistema de un
servidor y una cola o puede describir un lavado de carros automtico o un muelle de
descarga de un solo lugar. El segundo, una lnea con mltiples servidores, es tpico de una
peluquera o una panadera en donde los clientes toman un nmero al entrar y se les sirve
cuando llega el turno. El tercer sistema, aqul en que cada servidor tiene una lnea de
separada, es caracterstico de los bancos y las tiendas de autoservicio. El cuarto sistema, es
una lnea con servidores en serie, puede describir una fbrica o una construccin.
Figura 10.2
Modelos de sistemas de colas
10.9 Papel de la distribucin exponencial

En la mayor parte de los casos de colas, la llegada de los clientes se hace en una
forma totalmente aleatoria. Aleatoriedad quiere decir que la ocurrencia de un evento (por
ejemplo, el inicio o llegada de un evento o la terminacin de un servicio) no esta influido
por el tiempo que haya transcurrido desde la ocurrencia del evento anterior.
329
Captulo 10
Los tiempos aleatorios entre llegadas se describen en forma cuantitativa, en los

modelos de colas, con la distribucin exponencial, la cual se define a continuacin:
f (t ) = e t , t > 0
Tambin se sabe que para la distribucin exponencial
E{ t } =
P{t T } =
dt
= 1 e T
El hecho de de que la distribucin exponencial sea totalmente aleatoria se ilustra

con el ejemplo siguiente: si ahora son las 8:20 AM y la ltima fue a las 8:02 A.M., la
probabilidad de que la siguiente llegada sea a las 8:29 es una funcin solo de las 8:20 a las
8:29, y es totalmente independiente del tiempo que haya transcurrido desde la ocurrencia
del ltimo evento (de las 8:02 a las 8:20). A este resultado se le llama amnesia o falta de
memoria de la exponencial.
Dada la distribucin exponencial f (t ) que representa el tiempo t entre eventos
sucesivos, si S es el intervalo desde la ocurrencia del ltimo evento, la propiedad de
amnesia implica que
P{t < T + S t > S } = P{t > T }
Para demostrar este resultado se observa que la exponencial con media
P{t > Y } = 1 P{t < Y } = e Y
As,
P{t < T + S t > S } =
P{t > T + S , t > S } P{t > T + S }

=
P{t > S }
P{t > S }
e (T + S )
=
e s
= e T
= P{t > T }

Una mquina en servicio para una constructora tiene una unidad de reserva para
sustituirla de inmediato cuando falle. El tiempo a la falla (tiempo entre fallas) de la
mquina (o de su unidad de reserva) es exponencial y sucede cada 40 minutos, en
promedio. El operador de la mquina dice que esta tiene la costumbre de descomponerse
cada noche a eso de las 8:30 p.m. analizar lo que dice el operador.
330
Captulo 10
La tasa promedio de fallas de la mquina es =
60
= 1.5 fallas por hora. As, la
40
distribucin exponencial del tiempo a la falla es
f (t ) = 1.5e 1.5t , t > 0

En cuanto a lo que dice el operador, ya se que no puede ser correcto, por que se
opone al hecho de que el tiempo entre fallas es exponencial y, en consecuencia, es
totalmente aleatorio. La probabilidad de que una falla suceda a las 8:30 P.M., no se puede
usar para respaldar ni refutar esa afirmacin, por el valor de esa probabilidad depende de la
hora del da (en relacin con las 8:30 P.M.) con la que se calcula. Por ejemplo, si ahora son
las 8:20 P.M., la probabilidad de que lo que dice el operador se cierto esta noche es:
10
1.5
10
60
f t <
= 0.22
= 1 e
60
Que es baja. Si en este momento son las 7:00 P.M., la probabilidad de que suceda una
falla a las 8:30 P.M. aumenta hasta aproximadamente 0.9 (comprubelo). Estos 2 valores
extremos indican que no se puede analizar la afirmacin del operador con base en
estimaciones de probabilidad, y que se debe confiar en las caractersticas de la distribucin
exponencial (aleatoriedad total) para refutar la afirmacin.
10.10 Modelos con nacimientos puros y muertes puras (relacin

entre las distribuciones exponenciales y de poisson)
En esta seccin se describen dos situaciones en las colas: la primera es un modelo
de nacimientos(s) puro(s), en el que solo permiten llegadas y el segundo es el modelo de
muertes(s) pura(s), en el que solo se permiten salidas.
La distribucin exponencial se usa para describir el tiempo entre llegadas en el
modelo de nacimiento puro, y el tiempo entre salidas con el modelo de muerte pura.
10.10.1 Modelos de nacimientos puros

Se define:
Po (t) = probabilidad de que no haya llegadas durante un espacio de tiempo t
Como el tiempo entre llegadas es exponencial, y la frecuencia de llagadas es
clientes por unidad de tiempo, entonces
Po (t) = P {tiempo entre llegadas t}
= 1 P {tiempo entre llegadas t}
= 1 (1 e t )
t
= e
Para un intervalo suficientemente pequeo h > 0,
(h )2 = 1 h + 0(h 2 )
Po (h) = e h = 1 h +
2!
331
Captulo 10
La distribucin exponencial se basa en la hiptesis que durante un tiempo suficientemente

pequeo h > 0, puede presentarse cuando mucho una llegada. As, cuando h0,
P1 (h) = 1 Po (h) h
Este resultado indica que la probabilidad de una llegada durante h es directamente
proporcional a h, y que la frecuencia de llegadas es la constante de proporcionalidad.
Para deducir la distribucin de la cantidad de llegadas durante un periodo t, cuando
1
el tiempo entre llegadas es exponencial con promedio , se define a:
Pn (t ) = Probabilidad de n llegadas durante t

Para una h > 0 suficientemente pequea,
Pn (t + h) Pn (t )(1 h) + Pn 1 (t )h, n > 0
P0 (t + h) Po (t )(1 h), n = 0
En la primera ecuacin se realizan n llegadas durante t + h , si hay n llegadas
durante t y no haya llegadas durante h, o n 1 llegadas durante t y una llegada durante h. no
se permite ninguna otra combinacin porque, segn la distribucin exponencial, cuando
mucho puede haber una llegada durante un periodo h muy pequeo. La ley de producto de
probabilidades se puede aplicar al lado derecho de la ecuacin, por que las llegadas son
independientes. Para la segunda ecuacin, solo puede haber cero llegadas durante t + h si
no hay llegadas durante t y durante h.
Al rearreglar los trminos y tender limites cuando h 0, se obtiene
Pn` (t ) = lim h 0
Po` (t ) = lim h 0
En donde
Pn (t + h) Pn (t )
= Pn (t ) + Pn 1 (t ), n > 0
h
Po (t + h) Po (t )
= Po (t ), n = 0
h
Pn` (t ) es la primera derivada de Pn (t ) con respecto a t.
La solucin de estas ecuaciones en diferencias y diferenciales es

( t ) n e t
Pn (t ) =
, n = 0,1,2
n!
Es una distribucin de Poisson, con media E{n t} = t llegadas durante t.
Este resultado indica que si el tiempo entre llegadas es exponencial con media
la
cantidad de llagadas durante un periodo t especifico tiene distribucin de Poisson con

media t . Tambin es cierto lo contrario.
332
Captulo 10
Las fuertes relaciones entre las distribuciones exponenciales y de poisson, para una
frecuencia de llegadas por unidad de tiempo se pueden resumir como sigue:
Exponencial
Tiempo t entre
llegadas
sucesivas
t0
De Poisson
Cantidad n de llegadas
durante un periodo especifico
T.
n = 0, 1, 2,
( T ) n e T
f (t ) = e t , t 0 p n (T ) =
, n = 0, 1, 2..
n!
Variable aleatoria
Intervalo
Funcin de densidad
Valor de la media
unidades de
T llegadas durante T.
tiempo
P{t A} = 1 e A Pn N (T ) = p o (T ) + p1 (T ) + +
Probabilidad acumulada
P{t > A} = e A
P (no haya llegadas

durante el periodo A)
p o ( A) = e A

Los nios nacen en una poblacin poco poblado, con una frecuencia de un
nacimiento cada 12 minutos. El tiempo entre nacimiento sigue una distribucin
exponencial. Determinar lo siguiente
a. La cantidad promedio de nacimientos por ao.
b. La probabilidad de que no haya nacimientos en cualquier da.
c. La probabilidad de emitir 50 certificados de nacimientos en 3 horas, cuando se
emitieron 40 certificados durante las primeras 2 horas del periodo de 3 horas.
La tasa diaria de nacimientos se calcula como sigue:
24 60
= 120 Nacimientos/da.
12
Los nacimientos anuales en la poblacin son:
t = 120 265 = 43,800 Nacimientos /da.

La probabilidad de que no haya nacimientos en algn da se calcula con la
distribucin de Poisson:
po
0
(
120 1) e 1201
(1) =
0!
=0
333
Captulo 10
Para calcular la probabilidad de emitir 50 certificados en 3 horas, cuando se han

emitido ya 40 certificados en las 2 primeras horas, equivale atener 10 (= 50 40)
60
nacimientos en (= 3 2) hora. Como =
= 5 nacimientos por hora, entonces
12
(5 1)10 e 51 = 0.01813
p10 (1) =
10!
10.10.2
Modelos de muertes puras
En el modelo de muerte(s) pura(s), el sistema comienza con N clientes cuando el

tiempo es 0, y no se permiten ms llegadas. Las salidas se hacen con la frecuencia de
clientes por unidad de tiempo. Para deducir las ecuaciones en diferencias y diferenciales
para la probabilidad p n (t ) de n clientes remanentes a las t unidades de tiempo, se seguirn
los argumentos que se usaron en el modelo de nacimientos puros. Entonces,
p N (t + h) = p N (t )(1 h)
p N (t + h) = p N (t )(1 h) + p n +1 (t ) h, 0 < n < N
p N (t + h) = p o (t )(1) + p1 (t ) h
Cuando h0, se obtiene
p N` (t ) = p N (t )
p n` (t ) = p n (t ) + p n +1 (t ),0 < n < N
p o` (t ) = p1 (t )
La solucin de esas ecuaciones es la distribucin truncada de poisson:
( t ) N n e t
p n (t ) =
, n = 1,2, , N
( N n)!
p o (t ) = 1
p
n =1
(t )

La cantera Florero en Punata vende 18 m3 de arena cada semana. En promedio, la
cantera vende 3 m3 por da, pero la demanda sigue en realidad una distribucin de Poisson.
Siempre que la existencia llega a 5 m3 (o menos), se coloca un pedido nuevo de 18 m3 para
la entrega al principio de la semana siguiente. Por la naturaleza de la mercanca, toda la
arena que queda al final de la semana se acumula. Determinar lo siguiente:
a) La probabilidad de colocar un pedido en cualquier da de la semana.
b) La cantidad promedio de m3 de arena que se acumulan al final de la semana.
Como las compras se hacen con una frecuencia de = 3 docenas diarias, la
probabilidad de colocar un pedido al final del da t es.
Pn 5 (t ) = P0 (t ) + P1 (t ) + ...... + P5 (t )
334
Captulo 10

(3t ) 18 n e 3t
, t = 1, 2,..., 7
n =1 (18 n)!
5
P0(t ) +
Al usar la opcin de escenarios mltiple de TORA, los datos correspondientes al

modelo de muertes puras que corresponden a t = 1, 2,..y 7 se capturan como sigue
Escenario
1
2
3
4
5
6
7
Lambda
0
0
0
0
0
0
0
Mu
3
6
9
12
45
18
21
c
1
1
1
1
1
1
1
Lmite del sistema

18
1
18
18
18
18
18
Lmite de la fuente
18
18
18
18
18
18
18
Los resultados que se buscan se resumen como sigue en TORA.
La cantidad promedio de m3 de arena que se acumulan al final de la semana (t = 7),

se calcula con Tora como sigue:
18
E{n!t = 7} = nPn (7) = 0.664 m 3

n =0
10.11 Modelo generalizado de cola de Poisson

En esta seccin se enuncia un modelo general de cola donde se combinan llegadas y
salidas, basndose en la hiptesis de Poisson: los tiempos entre llegadas y de servicio tienen
una distribucin exponencial. El modelo es la base para deducir modelos de Poisson
especializados, que se vern en la seccin 10.12.
El desarrollo del modelo generalizado se basa en el comportamiento a largo plazo, o
de estado estable, de cola, que se alcanza despus de que el sistema ha estado funcionando
durante un tiempo suficientemente largo. Esta clase de anlisis contrasta con el
comportamiento transitorio (de calentamiento) que prevalece durante el inicio de
funcionamiento del sistema. Una razn para no describir el comportamiento transitorio en
este captulo es su complejidad analtica. Otra es que el estudio de la mayor parte de los
casos de lneas de espera sucede bajo condiciones de estado estable.
En el modelo generalizado supone que las frecuencias tanto de llegada como de
salida dependen del estado, y eso quiere decir que dependen de la cantidad de clientes en
la instalacin de servicio. Por ejemplo, en la caseta de cobro de una autopista, los
empleados tienden a acelerar el cobro durante las horas pico. Otro ejemplo, se da en un
taller, con determinada cantidad de mquinas, cuando se disminuye la frecuencia de
descomposturas, cuando aumenta la cantidad de mquinas descompuestas (porque solo las
mquinas que trabajan son capaces de generar descomposturas nuevas).
335
Captulo 10
Se definir lo siguiente:
n = Cantidad de clientes en el sistema (en la cola y en el servicio)
n = Frecuencia de llegada cuando hay n clientes en el sistema
n = Frecuencia de salida cuando hay n clientes en el sistema
Pn = Pr obalidad de estado estable de que haya n clientes en el sistema
El modelo generalizado define a Pn como funcin de n y Pn. Despus se usan esas
probabilidades para determinar las medidas de funcionamiento del sistema, como la
longitud promedio de la cola, el tiempo promedio de espera y la utilizacin promedio de la
instalacin.
Las probabilidades Pn se calculan usando el diagrama de frecuencia de transicin
(o rapidez o tasa de transicin) de la figura 10.3. El sistema de cola est en el estado n
cuando la cantidad de clientes en l es n. Como se explic en la seccin 10.9, la
probabilidad de que suceda ms de un evento durante un intervalo pequeo h, tiende a cero
cuando h0. Eso quiere decir que para n > 0, el estado n solo puede cambiar a dos estados
posibles: n 1 cuando hay una salida de frecuencia n, y n + 1 cuando hay una llegada con
la frecuencia n. El estado 0 slo puede cambiar al estado 1 cuando hay una llegada con la
frecuencia 0. Observe que 0 no esta definida, porque no pueden haber salidas si el sistema
est vaci.
Figura 10.3
Diagrama de transicin en colas de poisson
Bajo condiciones de estado estable, para n > 0, las tasas esperadas de flujo de
entrada y de salida del estado n deben ser iguales. Con base en el hecho que el estado n slo
puede cambiar a los estados n 1 y n + 1, se obtiene:
Tasa esperada de
= n 1 Pn 1 + n +1 Pn +1
flujo hacia el estado n
De igual manera,
Tasa esperada de
= ( n + n ) Pn
flujo que sale del estado n
Al igualar las dos frecuencias se obtiene la siguiente ecuacin de balance:
n 1 Pn 1 + n +1 Pn +1 = (n + n ) Pn , n = 1, 2,...
En la figura 10.3 se ve que la ecuacin de balance asociada con n = 0 es
0 P0 = 1 P1
Las ecuaciones de balance se resuelven recursivamente en funcin de P0 como
sigue: para n = 0.

P1 = 0 P0
1
Despus, para n = 1,
0 P0 + 2 P2 = (1 + 1 ) P1
336
Captulo 10

Se sustituyen P1 = 0 P0 y se simplifica, para obtener (comprubelo!).
1

P2 = 1 0 P0
2 1
Se puede demostrar por induccin que, en general.
....0
Pn = n 1 n 2
n n 1 .....1
P0 , n = 1, 2,...
El valor de P0 se determina con la ecuacin
n =0
Pn = 1

Coboce opera con tres mixers. El supervisor en obra usas el siguiente programa para
determinar la cantidad de operarios de mixers, en funcin de la cantidad de m3 a
necesitarse:
Cantidad de m3 a necesitarse Cantidad de operarios de mixers
1a3
1
4a6
2
ms de 6
3
La cantidad de m3 a necesitarse sigue una distribucin de Poisson con una
frecuencia media de 10 por hora. El tiempo promedio de mezclado de un m3 a necesitarse
es exponencial, con 12 minutos de promedio. Calcular la probabilidad P de estado estable
de que haya n m3 a necesitarse.
De la informacin del problema se tiene que:
n = = 10 m3 a necesitarse por hora,
n = 0, 1,...
60
12 = 5, m3 a necesitarse por hora, n = 0, 1, 2, 3
n = 2 5 = 10, m3 a necesitarse por hora, n = 4, 5, 6

3 5 = 15, m3 a necesitarse por hora, n = 7, 8, .....
Entonces:
10
P1 = P0 = 2 P0
5
2
10
P2 = P0 = 4 P0
5
3
10
P3 = P0 = 8 P0
5
3
10 10
P4 = P0 = 8 P0
5 10
3
10 10
P5 = P0 = 8 P0
5 10
10
P6 =
5
10
P0 = 8 P0
10
3
10 10 10
Pn =
5 10 15
n 6
2
P0 = 8
3
n 6
P0 , n = 7, 8,...
337
Captulo 10
El valor de P0 se determina con la ecuacin,

2
3
2 2
2
P0 + P0 2 + 4 + 8 + 8 + 8 + 8 + 8 + 8 + 8 + ..... = 1
3
3 3
O bien, lo que es igual,

2
2 2
P0 31 + 8 1 + + + ...... = 1
3 3
Se aplica la frmula de la suma de unas serie geomtrica
1
, x <1
xi =
1 x
i =0
Para obtener:
= 1
P0 31 + 8
2
En consecuencia P0 =
1
.
55
Conocida P0, ya se puede determinar cualquiera de las probabilidades del problema.

Por ejemplo, la probabilidad de que solo haya un mixer funcionado se calcula como la de
que haya 1 y 3 m3 a necesitarse en el sistema, esto es
1
P1 + P2 + P3 = (1 + 4 + 8) 0.255
55
Se puede usar Pn, para determinar medidas de funcionamiento, o de eficiencia, para
el caso de Coboce. Por ejemplo,
Cantidad esperada
= 3P0 + 2( P1 + P2 + P3 ) + 1( P4 + P5 + P6 ) + 0( P7 + P8 + ...)
de mixers sin funcionar
= 1 Mixer
10.12 Colas especializadas de Poisson

La figura 10.4 muestra el caso especial de colas de Poisson cunado hay c servidores
en paralelo. Un cliente en espera se selecciona de la cola para iniciar su servicio en el
primer servidor disponible. La frecuencia de llegadas al sistema es clientes por unidad de
tiempo. Todos los servidores estn en paralelo y son idnticos, lo que quiere decir que la
tasa de servicio en cualquier servidor es clientes por unidad de tiempo. La cantidad de
clientes en el sistema incluye, por definicin, los que hay en el servicio y los que esperan en
la cola.
338
Captulo 10
Figura 10.4
Esquema de un sistema de cola con c servidores en paralelo
Una notacin cmoda para resumir las caractersticas de la cola son las que se
muestra en la figura 10.4 y tiene el siguiente formato:
(a/b/c) : (d/e/f)
En donde:
a = Distribucin de las llegadas
b = Distribucin de las salidas (o del tiempo de servicio)
c = Cantidad de servidores en paralelo (= 1, 2,..., )
d = Disciplina de la cola
e = Cantidad mxima (finita o infinita) admisible en el sistema (en la cola
ms en servicio)
f = Tamao de la fuente (finito o infinito)
Las notaciones normales o estndar para representar las distribuciones de llegadas y
de salidas (smbolos a y b) son:
M = Distribucin de Markov (o de Poisson) de las llegadas o de las salidas
(o lo que es igual, distribucin exponencial del tiempo entre llegadas o
tiempo de servicio)
D = Tiempo constante (determinstico)
Ek = Distribucin de Erlang o gamma del tiempo (o bien, la suma de
distribuciones exponenciales independientes)
GI = Distribucin general del tiempo entre llegadas
G = Distribucin general del tiempo de servicio
Entre la notacin de disciplinas de cola (smbolo d) estn:
339
Captulo 10
PLPS = Primero en llegar, primero en ser servido.

ULPS = ltimo en llegar, primero en ser servido
SEOA = Servicio en orden aleatorio
DG = Disciplina en general (es decir, cualquier tipo de disciplina)
Para ilustrar el empleo de la notacin, del modelo (M/D/10): (DG/20/) se usa
llegada de Poisson (o tiempo entre llegadas exponencial), tiempo constante de servicio y 10
servidores en paralelo. La disciplina de la cola es DG y hay un lmite de 20 clientes en todo
el sistema. El tamao de la fuente desde donde llegan los clientes es infinito.
Como nota histrica, los tres primeros elementos de la notacin (a/b/c) fueron
inventados por D.G. Kendall en 1953, y en las publicaciones se llaman notacin de
Kendall. Despus, en 1966 A.M. Lee agreg los smbolos d y e. Yo agregu el ltimo
elemento, el smbolo f, en 1969.
Antes de presentar los detalles de las colas de Poisson especializadas, indicaremos
cmo se pueden deducir las medidas de eficiencia en estado estable, para el caso de colas
generalizadas, a partir de las probabilidades de estado estable Pn, descritas en la seccin
10.11.
10.12.1 Medidas de desempeo en estado estacionario

Las mediadas de desempeo, eficiencia o funcionamiento de una cola son:
Ls = Cantidad esperada de clientes en el sistema
Lq = Cantidad esperada de clientes en la cola
Ws = Tiempo esperado de espera en el sistema
Wq = Tiempo esperado de espera en la cola
c = Cantidad esperada de servidores ocupados
Recuerde que el sistema abarca tanto a la cola como a la instalacin de servicio.
Ahora indicaremos como se deducen (en forma directa o indirecta) esas medidas a
partir de la probabilidad Pn de estado estable de que haya n en el sistema. En forma
especifica, son:
Ls = nPn
n =1
Lq =
(n c) P
n = c +1
La relacin entre Ls y Ws (tambin Lq y Wq) se llama frmula de Little, y es la

siguiente:
Ls = ef Ws
Lq = ef Wq
Estas relaciones son validas bajo condiciones bastante generales. El parmetro ef es
la frecuencia efectiva de llegada al sistema. Es igual a la tasa (nominal) de llegada cuando
todos los clientes que llegan se unen al sistema. En caso contrario, si algunos clientes no se
pueden unir porque el sistema est lleno (por ejemplo, un estacionamiento), entonces ef <
. Ms adelante mostraremos cmo determinar ef.
Tambin hay una relacin directa entre Ws y Wq. Por definicin,
340
Captulo 10

Tiempo de espera Tiempo de espera Tiempo esperado
=
+
en el sistema promedio en la cola de servicio
Esto se traduce a
W s = Wq +
A continuacin se puede relacionar Ls con Lq, multiplicando ambos lados de la

ltima ecuacin por ef, y junto con la frmula de Little se obtiene
Ls = Lq +
ef
Por definicin, la diferencia entre la cantidad promedio en el sistema, Ls y la

cantidad promedio en la cola, Lq, debe ser igual a la cantidad promedio de servidores
ocupados, c. Entonces,
c = Ls Lq =
ef
Por lo anterior, entonces,
(Utilizacion de la instalacion ) = c
c

El estacionamiento de las visitas de S.N.C. se limita slo a cinco puestos. Los
automviles que lo usan llegan siguiendo una distribucin de Poisson con frecuencia de
cinco por hora. El tiempo de estacionamiento tiene distribucin exponencial con 30
minutos de promedio. Las visitas que no pueden encontrar un lugar vaci inmediatamente
cuando llegan pueden esperar provisionalmente dentro del estacionamiento hasta que salga
un automvil estacionado. Los puestos provisionales solo pueden contener tres vehculos.
Otros vehculos que no se puedan estacionar ni encontrar un espacio de espera
temporal se deben ir a otra parte. Determinar lo siguiente:
a. La probabilidad Pn de que haya n automviles en el sistema.
b. La frecuencia efectiva de llegada para automviles que usen en realidad el
estacionamiento.
c. La cantidad promedio de automviles en el estacionamiento.
d. El tiempo promedio que espera un automvil hasta que haya un cajn libre
dentro el estacionamiento.
e. La cantidad promedio de puestos de estacionamiento ocupados.
f. La utilizacin promedio de ese estacionamiento.
Primero se observa que un cajn de estacionamiento funciona como servidor, y
entonces el sistema tiene un total de c = 5 servidores en paralelo. Tambin, que la
capacidad mxima del sistema es 5 + 3 = 8 automviles.
341
Captulo 10
Se puede calcular la probabilidad Pn como caso especial del modelo generalizado de

la seccin 10.11. En forma especifica se tiene que
n = 6
Automviles/hora,
n = 0, 1, 2, ..., 8
60
n 30 = 2n, automviles/hora, n = 0, 1, 2,...,5

n =
5 60 = 10, automviles/hora, n = 6, 7, 8
30
De acuerdo con la seccin 10.11,
3n
n = 1, 2,...., 5
P0 ,
n!
Pn = n
3 P,
n = 6, 7, 8
5!5 n 5 0
Figura 10.5
Relacin entre
, ef , perdido
El valor de P0 se calcula sustituyendo Pn, n = 1, 2,..., 8, en la siguiente ecuacin:

P0 + P1 + ..... + P8 = 1
o sea
3 3 2 33 3 4 35 3 6
37
38
P0 + P0 +
+ +
+ +
+ 2 + 3 = 1
1
!
2
!
3
!
4
!
5
!
5
!
5
5!5
5!5
Esto da como resultado P0 = 0.04812 (comprubelo!). A partir de P0 ya se pueden

calcular P1 a P8, y los resultados son
n
1
2
3
4
5
6
7
8
Pn 0.14436 0.21654 0.21654 0.16240 0.09744 0.05847 0.03508 0.02105
La tasa efectiva de llegada ef, se puede calcular si se observa el esquema de la
figura 10.5, donde los clientes llegan desde la fuente con la frecuencia automviles por
hora. Un auto que llega puede entrar al estacionamiento o irse a otro lado, con las
frecuencias respectivas ef o perdido, lo que significa que = ef + perdido. Un automvil no
podr entrar al estacionamiento si ya estn 8 automviles en l. Eso quiere decir que la
proporcin de vehculos que no pueden entrar al lote es P8. Entonces,
perdido = P8 = 6 0.02105 = 0.1263 automviles por hora

342
Captulo 10
ef = perdido = 6 0.1263 = 5.737 automviles por hora

La cantidad promedio de vehculos en el estacionamiento (lo que esperan o los que
ocupan un cajn) es iguala Ls, la cantidad promedio en el sistema. Se puede calcular Ls a
partir de Pn como sigue:
Ls = 0 P0 + 1P1 + ......... + 8 P8 = 3.1286 automviles
Un automvil que espera en los puestos provisionales en realidad es uno en una
lnea de espera. Entonces, su tiempo de espera a que haya un cajn vaci es Wq. Para
determinar Wq se usara la ecuacin
1
Wq = W s
As,
Ws =
Ls
ef
3.1286
= 0.53265 hora
5.8737
1
= 0.03265 hora
2
La cantidad promedio de puestos ocupados es la misma que la cantidad promedio de
servidores ocupados,
ef 5.8737
c = L s Lq =
=
= 2.9368 puestos
2
De c se obtiene
c 2.9368
Utilizacin de cajones = =
= 0.58736
c
5
Wq = 0.53265 -
10.12.2
Modelos con un supervisor
En esta seccin se presentan dos modelos para el caso en que hay un solo servidor
(c = 1). En el primer modelo no se establece limite para la cantidad mxima en le sistema, y
en el segundo se supone un limite finito del sistema. Ambos modelos suponen una fuente
de capacidad infinita. Las llegadas suceden con la frecuencia de clientes por unidad de
tiempo, y la tasa de servicio es clientes por unidad de tiempo.
Los resultados de los dos modelos (y en realidad de todos los modelos restantes de
la seccin 10.12) se deducen como casos especiales del modelo generalizado de la seccin
10.11.
Se usar la notacin de Kendall para resumir las caractersticas de cada caso. Como
las deducciones de Pn en la seccin 10.11 y de todas las medidas de desempeo en la
seccin 10.12.1 son totalmente independientes son de determinada disciplina de cola, se
usar el smbolo DG (disciplina general) con la notacin.
(M/M/1) : (DG//). Con la notacin del modelo generalizado se tiene que
n =
, n = 0, 1, 2, ....
n =
Tambin, ef = y perdido = 0, porque todos los clientes que llegan pueden entrar al
sistema.
343
Captulo 10
Si =
, la ecuacin de Pn en el modelo generalizado se reduce entonces a:
Pn = n Po , n = 0, 1, 2,...
Para determinar el valor de P0 se usa la identidad.

P0 (1 + + 2 + .....) = 1
1
Suponiendo que < 1, la serie geomtrica tiene la suma finita
, y entonces,
1
P0 = 1 , siempre que < 1
La frmula general de Pn es entonces la de la siguiente distribucin geomtrica:
Pn = (1 ) n , n = 1, 2, ..... ( < 1)
La deduccin matemtica de Pn impone la condicin que < 1 o que < . Si ,
la serie geomtrica no converge, y no existirn las probabilidades de Pn de estado estable.
Este resultado tiene sentido, intuitivamente, porque a menos que la tasa de servicio sea
mayor que la frecuencia de llegada, la cola crece en forma indefinida.
La medida de desempeo Lq se puede deducir como sigue:
n =0
n =0
Ls = nPn = n(1 ) n
d n
d n = 0
d 1
=
= (1 )
d 1 1
= (1 )
Como ef = para este caso, las medidas restantes de desempeo se calculan con las
ecuaciones de la seccin 10.12.1. As,
Ws =
Ls
1
1
=
(1 )
Wq = W s
Lq = Wq =
(1 )
2
1
c = Ls Lq =

En la construccin de un camino vecinal solo tiene un banco de prstamo de arena y
grava, el cual cuenta con una retroexcavadora. Las volquetas llegan siguiendo una
distribucin de Poisson, con 4 volquetas por hora que pueden aguardar en un lugar de
estacionamiento, si el lugar del carga esta ocupado. El tiempo para entrar, cargar y salir de
344
Captulo 10
una volqueta es exponencial, con 10 minutos de promedio. Las volquetas que no se pueden
estacionar en la instalacin pueden esperar en el arroyo junto al camino. Eso quiere decir
que para todo fin prctico no hay lmite del tamao del sistema. El residente de obra de la
construccin desea determinar el tamao del estacionamiento.
60
Para este caso = 4 volquetas por hora y =
= 6 volquetas por hora.
10
Como =
< 1 , el sistema puede funcionar en condiciones de estado estable.
Los datos de este modelo para TORA son

Lambda Mu c Limite del sistema Limite de la fuente
4
6 1
infinito
infinito
En la figura 10.6 se ven los resultados de este problema.
Estos resultados indican que la cantidad promedio de volquetas en la cola Lq, es
1.33. No recomendamos usar Lq como nica base para determinar los puestos de
estacionamiento, porque le diseo debe reflejar hasta cierto punto, la longitud mxima
posible de la cola.
Figura 10.6
Resultados del ejemplo de aplicacin obtenidos con TORA
Por ejemplo, podr ser ms factible disear el estacionamiento de tal modo que una
volqueta que llegue encuentre lugar al menos el 90% de las veces.
Sea K la cantidad de puestos de estacionamiento. Tener K puestos equivale a tener
K + 1 lugares en el sistema (en la cola y en la cola de carga). Una volqueta que llega
345
Captulo 10
encontrara un cajn el 90 % de las veces si hay cuando mucho K volquetas en el sistema.

Esta condicin equivale al siguiente enunciado de probabilidades:
P0 + P1 + ....... + PK 0.9
En la figura 10.6 se ve que los valores acumulados de Pn son 0.86831 y 0.91221
para n = 4 y n = 5, respectivamente. Eso quiere decir que la condicin se satisface con K
5 puestos de estacionamiento.
La cantidad K de espacios tambin se puede determinar usando la definicin
matemtica de Pn, esto es,
(1 ) 1 + + 2 + ....... + K 0.9
1 K +1
La suma de la serie geomtrica truncada es igual a
. Entonces, la condicin
1
se reduce a
1 K +1 0.9
Al simplificar la desigualdad se obtiene
K +1 0.1
10.13 Otros modelos de cola

Las secciones anteriores se concentraron en modelos de colas de Poisson. Las
publicaciones sobre las colas contienen abundancia de otros modelos. En especial, las colas
con prioridad de servicio, colas de red y colas no de Poisson, forman una parte importante
de este campo. Esos modelos se pueden encontrar en la mayor parte de los libros
especializados en teora de colas.
10.14 Modelos de decisin con colas

El nivel de servicio de una instalacin con lneas de espera es una funcin de la tasa
de servicio y de la cantidad de servidores en paralelo c. En esta seccin se presentan dos
modelos de decisin para determinar los niveles de servicio adecuados para sistemas de
colas: 1) un modelo de costo y 2) un modelo de nivel de aspiracin. En ambos modelos se
reconoce que los mayores niveles de servicio reducen el tiempo de espera en el sistema.
Los dos modelos tratan de llegar a un notable balance entre los factores opuestos, de nivel
de servicio y de espera
10.14.1
Modelos de costos.
En los modelos de costo se trata de balancear dos costos opuestos:

1. El costo de ofrecer el servicio
2. El costo de demorar la oferta del servicio (el tiempo de espera del
cliente)
Las dos clases de costo se contraponen, porque al aumentar una se reduce la otra
automticamente, como se ve en la figura 10.1.
Si x = ( o c) representa el nivel de servicio, se puede expresar como sigue el
modelo de costo:
ETC ( x) = EOC ( x) + EWC ( x)
En donde:
346
Captulo 10

ETC = Costo total esperado por unidad de tiempo
EOC = Costo esperado del funcionamiento de la instalacin por unidad de
tiempo
EWC = Costo esperado de la espera por unidad de tiempo.
Las formas ms sencillas de EOC y EWC son las siguientes funciones lineales:
EOC ( x) = C1 x
EWC ( x) = C 2 Ls
En donde
C1 = Costo por unidad de x por unidad de tiempo
C2 = Costo de la espera por unidad de tiempo por cada cliente que espera
En los dos ejemplos que siguen se explica el uso del modelo de costo. En el primero
se supone que x es igual a la tasa de servicio , y en el segundo se supone que x es igual a la
cantidad de servidores en paralelo, c.
10.14.2
Modelo de nivel de aspiracin
La viabilidad del modelo de costo depende de lo bien que se pueda estimar los
parmetros de costo. En general es difcil estimarlo, en especial el relacionado con el
tiempo de espera de los clientes. El modelo de aspiracin alivia esta dificultad al trabajar en
forma directa con las medidas de desempeo de la cola que se trate. La idea es determinar
un intervalo aceptable de nivel de servicio ( o c) especificando limites razonables de
medidas contrapuestas de desempeo. Esos lmites son los niveles de aspiracin que desea
lograr quien toma las decisiones.
Ilustraremos el procedimiento aplicndolo al modelo de varios servidores donde se
desea determinar una cantidad c Aceptable de servidores. Esto se hace teniendo en cuenta
las dos medidas (contrapuestas) de desempeo.
1. El tiempo promedio en el sistema Ws.
2. El porcentaje de inactividad de los servidores, X.
El valor de Ws se puede calcular usando TORA. El porcentaje de inactividad se
puede calcular como sigue:
X=
c ( Ls Lq )
ef
cc
100 =
100 = 1
c
c
c
100
347
Captulo 10
Figura 10.7
Aplicacin de niveles de aspiracion
En la toma de decisiones en lnea de espera
El problema se reduce a determinar la cantidad c de servidores tal que:

Ws
En donde y son los niveles de aspiracin especificados por quien toma las
decisiones. Por ejemplo, se puede estipular que = 3 y = 10 por ciento.
Se puede determinar la solucin del problema haciendo una grfica de Ws y X en

funcin de c, como la de la figura 10.7. Al ubicar y en la grfica se puede determinar
de inmediato un intervalo aceptable c*. Si no se pueden satisfacer las dos condiciones al
mismo tiempo, habr que aflojar una o ambas, para poder determinar un intervalo factible.

1. Supongamos que un sistema de colas tiene dos sirvientes, distribucin de tiempo entre
llegadas exponenciales, de media 2 horas, y distribucin de tiempos de servicio
exponencial de media 2 horas. Sabemos que un cliente ha llegado a las 12:00 de
medioda.
a) Cul es la probabilidad de que la siguiente llegada sea antes de la 1:00pm?,
Entre 1:00 PM y 2:00 PM?, Despus de las 2:00pm?
b) Supongamos que no llegan ms clientes antes de la 1:00 PM Cul es la
probabilidad de que la siguiente llegada sea entre 1:00pm y 2:00pm?
c) Cual es la probabilidad de que el nmero de llegadas entre 1:00pm y 2:00pm
sea cero?, Uno?, Dos o ms?
d) Supongamos que a la 1:00pm ambos sirvientes estn atendiendo clientes. Cual
es la probabilidad de que ninguno de los 2 clientes haya completado su servicio
antes de las 2:00 PM?, Antes de la 1:10pm?, Antes de la 1:01pm?
2. El Servicio Hidrolgico de la Comunidad Autnoma de X planea construir un embalse
para regular la cuenca de uno de sus ros con el objetivo de satisfacer los requerimientos
de agua para regado. La capacidad mxima del embalse previsto ser de 4.000.000 m3,
o, de manera abreviada 4 unidades de agua (1 unidad de agua = 1.000.000 m3).
348
Captulo 10
Antes de proceder a la construccin el Servicio deseara tener alguna idea sobre la

efectividad del mismo a largo plazo. Para ello se ha llevado a cabo un estudio sobre los
volmenes semanales de agua aportados por el ro, encontrndose con que pueden
aproximarse por medio de la siguiente distribucin de probabilidad discreta:
Aportacin semanal
en unidades de agua
Probabilidad
0.3 0.4 0.2 0.1
3. El Servicio est considerando la posibilidad de contratos de regado que requerirn el

consumo de 2 unidades de agua por semana, pero adicionalmente, para mantener los
estndares de calidad del agua para otros usos, deber dejar salir al menos 1 unidad de
agua por semana. Por lo tanto el objetivo semanal ser dejar salir 3 unidades de agua. Si
el estado del embalse (nivel del embalse) ms la aportacin de agua del ri es menor
que esta cantidad se tendr que dejar salir menos agua, afectando la carencia a los
regados. Si el embalse est lleno, cualquier exceso ser vertido por los aliviaderos. El
nivel mnimo admitido del embalse (estado mnimo) no podr ser inferior a una unidad
de agua.
a) Representar el diagrama de transiciones, encontrar la matriz de probabilidades
de transicin, y comprobar que se trata de un proceso markoviano.
b) Supuesto el embalse en el estado mnimo con 1 unidad de agua, Cuntas
semanas tardar, en promedio, en volver a estar en la misma situacin?
c) Suponiendo que la primera semana partimos de una situacin en la que se
embalsaban 3 unidades de agua Cual es la probabilidad de que dos semanas
despus se encuentre al mnimo?
4. Una estacin de servicio tiene una bomba de gasolina. Los coches que requieren
servicio llegan segn un proceso de Poisson con una tasa media de 20 vehculos por
hora. Si la bomba est ocupada los clientes potenciales pueden marcharse para ser
atendidos en otra estacin. En particular, si hay n coches en la estacin, la probabilidad
de que un cliente potencial se marche es de n / 5 para n = 1,2,3,4,5. El tiempo requerido
para servir un coche es de 3 minutos, en promedio, exponencialmente distribuidos.
a) Identificar el modelo de colas y calcular el porcentaje de clientes perdidos.
b) Calcular el tiempo medio de permanencia en el sistema
c) Cual sera la ventaja si hubiesen 2 bombas de gasolina?
349
Captulo 10
10.16 Bibliografa
10.17 Enlaces
http://www.elprisma.com/apuntes/curso.asp?id=8921
http://www.itlp.edu.mx/publica/tutoriales/investoper2/
http://www.elprisma.com/apuntes/apuntes.asp?page=22&categoria=604
http://www.elprisma.com/apuntes/curso.asp?id=5892
350
Captulo 10
351
Anexo A
ANEXO A
Operaciones Matriciales
350
Anexo A
Matrices
Definicin de una matriz
Una matriz es un ordenamiento rectangular de elementos. El elemento aij de la matriz A
ocupa el i-esimo rengln y la j-esima columna del conjunto. Se dice que una matriz con
m renglones y n columnas es de tamao (o orden) mn. por ejemplo, la siguiente matriz
es de tamao (43).
a11 a12 a13
a
a
a
21 22 23
A=
= a ij
a 31 a 32 a 33
a a a
41 42 43
4 x3
Tipo de matrices
1. Una matriz cuadrada tiene m = n.
2. Una matriz inversa es una matriz cuadrada en la que los elementos de la
diagonal principal son 1 y los elementos diagonales 1 y los elementos no
diagonales son cero. Por ejemplo una matriz indentidad de (33).
1 0 0
I 3 = 0 1 0
0 0 1
3. Un vector rengln es una matriz con un rengln y n columnas.

4. Un vector columna es una matriz con m renglones y una columna.
5. La matriz AT es la transpuesta de A. si el elemento aij de la matriz A es igual al
elemento aji de AT para toda i y j. Por ejemplo,
1 4
1 2 3
A = 2 5 A T =
4
5
6
3 6
6. Una matriz B = 0 es una matriz cero si cada elemento de B es cero.

7. dos matrices A = a ij y B = bij son iguales si, solo si, son del mismo tamao y
aij = bij para toda i y j.
Matrices no singulares
Una matriz es de rango r si el mayor ordenamiento cuadrado en ella que tiene
determinante distinto de cero es del tamao r. Matriz cuadrada con determinante
distinto de cero se llama matriz no singular o de rango total. Por ejemplo,
1 2 3
A = 2 3 4
3 5 7
351
Anexo A
A es una matriz singular, porque
A = 1 (21 20 ) 2 (14 12 ) + 3 (10 9 ) = 0

Pero el rango de A es r = 2, porque
1 2
= 1 0
2 3
Mtodo para calcular la inversa de una matriz mtodo de

operaciones de rengln (Gauss Jordan).
Se tiene la matriz separada ( A I ) donde A es no singular. Al premultiplicar por A-1 se

obtiene
(A
) (
A A 1 I = I A 1
Entonces, aplicar una secuencia especifica de transformaciones de renglones. A

conviene en I e I se convierte en A-1. Para ilustrar el procedimiento, se considera el
sistema de ecuaciones:
1 2 3 x1 3

2 3 2 = x2 = 4
3 3 4 x 5
3
La solucin de X y la inversa de la matriz de base se pueden obtener directamente con
la ecuacin
A 1 ( A I b ) = I A 1 A 1b
Las siguientes iteraciones detallan las operaciones de transformacin.

Iteracin 0
1 2 3 1 0 0 3
2 3 2 0 1 0 4
3 3 3 0 0 1 5
Iteracin 1
1 2
3 1 0 0 3
0 1 4 2 1 0 2
0 3 5 3 0 1 4
Iteracin 2
1 0 5 3 2 0 1
1 1 4 2 1 0 2
0 0 7 3 3 1 2
352
Anexo A
Iteracin 3
1 0 0 7
0 1 0 2
7
0 0 1 3
1
7
5
7
3
5
7
4
7
1
7
7
6
7
2
3
6
2
, x 2 = y x 3 = . La inversa de A es la matriz del lado
7
7
7
derecho, que es la misma que se obtiene con el mtodo de la matriz adjunta.
Esto da como resultado x1 =
Forma de producto de la inversa. Supongase q ue dos matrices no singulares, B y

Bsiguiente difieren exactamente en una columna. Supongase ademas que B-1 es dato.
Entonces, la inversa B-1siguiente se puede calcular con la formula
B-1siguiente=EB-1
La matriz E se calcula en la siguiente forma. Si el vector de columna Pj en B se
sustituye por el vector columna P para producir Bsiguiente, entonces E se forma como una
matriz identidad de m con su r-esima columna sustituida por
Si B 1 Pj
1
B 1 Pj
(B
(B
)
)
lugar r , B 1 P
j
+1
1
B Pj m
1
Pj
Pj
= 0 , entonces B-1siguiente no existe:
Para demostrar la validez de la formula B-1siguiente se define F como una matriz identidad
de m cuya r-sima columna se reemplaza por B-1Pj; esto es,
F = e1 , e r 1 , B 1 Pj , e r +1 , , e m
Ya que Bsiguiente difiere de B solo por que r-sima columna se sustituye con Pj, entonces
B siguiente = BF
As,
1
B siguiente
= (BF ) = F 1 B 1
1
La formula es consecuencia de hacer que E = F-1

Se puede usar la forma de producto para invertir cualquier matriz B no singular. Se
comienza con Bo=I=Bo-1. A continuacin se forma B1 como matriz identidad cuya
primera columna esta sustituida con la primera columna de B. Entonces,
B11 = E1 Bo1 = E1 I = E1 I = E1
353
Anexo A
Esto quiere decir que para la matriz original B,

B 1 = E m E m 1 E1
El ejemplo siguiente ilustra la aplicacin de la forma de producto de la inversa. Se tiene
2 1 0
B = 0 2 0
4 0 1
Iteracin 0
Bo = B
1
o
1 0 0
= 0 1 0
0 0 1
Iteracin 1
2 0 0
B1 = 0 1 0
4 0 1
2

1
Bo P1 = P1 = 0
4

2
0
E 1 =
2
4
B11
r =1
0 0
1 0
0 1
1
0 0
2
= 0 1 0
2 0 1
Iteracin 2
2 1 0
B2 = 0 2 0 = B
4 0 1
1
1
0 0 1
2
2
B11 P2 = 0 1 0 2 = 2 r = 2
2 0 1 0 2

354
Anexo A
E2 = 0
B 1 = B 21 = E 2 B11
1

1
2
1
4
2
0
1
1
+
0 = 0
2
2
( 2 ) 1 0 1
1
4
1
= 0
2
0 1
1
1
0 1

4
2 0 0 2
1
0 0 1 0 = 0
2
1 2 0 1 2 1
Relacin de operaciones matriciales sencillas

En los clculos de la tabla smplex solo es necesaria la utilizacin de tres
operaciones matriciales de lo ms elemental las cuales son:
(vector rengln) (matriz)
(matriz) (vector columna)
(escalar) (matriz)
Por lo cual se debe presentar algunas definiciones de matrices:

1. una matriz A, de tamao (m n), es un arreglo rectangular de m
renglones y n columnas.
2. un vector rengln V, de tamao m. es una matriz (1 m).
3. un vector columna P, de tamao n, es una matriz (n 1).
Y estas definiciones se presentan en forma matemtica como sigue:
a11 a12 a1n

p1

a21 a22 a2 n
p
V = (v1 , v2 , , vm ), A =
,P = 2
a a a
mn
pm
m1 m 2
1. (Vector rengln matriz, VA). La operacin solo se define si el tamao del
vector rengln V es igual a la cantidad de reglones de A lo cual se da:
m
m
m
VA = vi ai1 , vi ai 2 , , vi ain
i =1
i =1
i =1
Se puede dar un ejemplo:

1 2

(10, 20, 30) 3 4 = (1 10 + 3 20 + 5 30, 2 10 + 4 20 + 6 30 ) = (220, 280 )
5 6

355
Anexo A
2. (Matriz vector columna, AP). La operacin se define si la cantidad de

columnas de A es igual al tamao del vector columna P, lo cual en este caso,
n
a1 j p j
j =1
n
a 2 j pj
A = j =1

n
a mj pj
j =1
1
10, 20, 30 1 10 + 2 20 + 3 30 120
2 =
=
40, 50, 60 3 1 40 + 2 50 + 3 60 320

3. (Escalar Matriz, A). Dada la cantidad del escalar (o constante, ctte.), la
operacin de multiplicacin A, dar como resultado una matriz del mismo
tamao de A, cuyo elemento (i-j)-simo es igual a aij.
10, 20, 30 20, 40, 60
=
40, 50, 60 80, 100, 120
(2)
En general A=A, lo mismo se puede deducir para la multiplicacin de vectores

por escalares. Por ejemplo P=P y V=V.
356
Anexo B
ANEXO B
Tabla de Distribucin Normal
356
Anexo B
Tabla de la distribucin normal

tipificada N(0,1)
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
4.0
4.1
4.2
4.3
4.4
0'00
0.50000
0.53983
0.57926
0.61791
0.65542
0.69146
0.72575
0.75804
0.78814
0.81594
0.84134
0.86433
0.88493
0.90320
0.91924
0.93319
0.94520
0.95543
0.96407
0.97128
0.97725
0.98214
0.98610
0.98928
0.99180
0.99379
0.99534
0.99653
0.99744
0.99813
0.99865
0.99903
0.99931
0.99952
0.99966
0.99977
0.99984
0.99989
0.99993
0.99995
0.99997
0.99998
0.99999
0.99999
0.99999
0'01
0.50399
0.54380
0.58317
0.62172
0.65910
0.69497
0.72907
0.76115
0.79103
0.81859
0.84375
0.86650
0.88686
0.90490
0.92073
0.93448
0.94630
0.95637
0.96485
0.97193
0.97778
0.98257
0.98645
0.98956
0.99202
0.99396
0.99547
0.99664
0.99752
0.99819
0.99869
0.99906
0.99934
0.99953
0.99968
0.99978
0.99985
0.99990
0.99993
0.99995
0.99997
0.99998
0.99999
0.99999
0.99999
0'02
0.50798
0.54776
0.58706
0.62552
0.66276
0.69847
0.73237
0.76424
0.79389
0.82121
0.84614
0.86864
0.88877
0.90658
0.92220
0.93574
0.94738
0.95728
0.96562
0.97257
0.97831
0.98300
0.98679
0.98983
0.99224
0.99413
0.99560
0.99674
0.99760
0.99825
0.99874
0.99910
0.99936
0.99955
0.99969
0.99978
0.99985
0.99990
0.99993
0.99996
0.99997
0.99998
0.99999
0.99999
1.00000
0'03
0.51197
0.55172
0.59095
0.62930
0.66640
0.70194
0.73565
0.76730
0.79673
0.82381
0.84849
0.87076
0.89065
0.90824
0.92364
0.93699
0.94845
0.95818
0.96637
0.97320
0.97882
0.98341
0.98713
0.99010
0.99245
0.99430
0.99573
0.99683
0.99767
0.99831
0.99878
0.99913
0.99938
0.99957
0.99970
0.99979
0.99986
0.99990
0.99994
0.99996
0.99997
0.99998
0.99999
0.99999
1.00000
0'04
0.51595
0.55567
0.59483
0.63307
0.67003
0.70540
0.73891
0.77035
0.79955
0.82639
0.85083
0.87286
0.89251
0.90988
0.92507
0.93822
0.94950
0.95907
0.96712
0.97381
0.97932
0.98382
0.98745
0.99036
0.99266
0.99446
0.99585
0.99693
0.99774
0.99836
0.99882
0.99916
0.99940
0.99958
0.99971
0.99980
0.99986
0.99991
0.99994
0.99996
0.99997
0.99998
0.99999
0.99999
1.00000
0'05
0.51994
0.55962
0.59871
0.63683
0.67364
0.70884
0.74215
0.77337
0.80234
0.82894
0.85314
0.87493
0.89435
0.91149
0.92647
0.93943
0.95053
0.95994
0.96784
0.97441
0.97982
0.98422
0.98778
0.99061
0.99286
0.99461
0.99598
0.99702
0.99781
0.99841
0.99886
0.99918
0.99942
0.99960
0.99972
0.99981
0.99987
0.99991
0.99994
0.99996
0.99997
0.99998
0.99999
0.99999
1.00000
0'06
0.52392
0.56356
0.60257
0.64058
0.67724
0.71226
0.74537
0.77637
0.80511
0.83147
0.85543
0.87698
0.89617
0.91309
0.92786
0.94062
0.95154
0.96080
0.96856
0.97500
0.98030
0.98461
0.98809
0.99086
0.99305
0.99477
0.99609
0.99711
0.99788
0.99846
0.99889
0.99921
0.99944
0.99961
0.99973
0.99981
0.99987
0.99991
0.99994
0.99996
0.99998
0.99998
0.99999
0.99999
1.00000
0'07
0.52790
0.56749
0.60642
0.64431
0.68082
0.71566
0.74857
0.77935
0.80785
0.83398
0.85769
0.87900
0.89796
0.91466
0.92922
0.94179
0.95254
0.96164
0.96926
0.97558
0.98077
0.98500
0.98840
0.99111
0.99324
0.99492
0.99621
0.99720
0.99795
0.99851
0.99893
0.99924
0.99946
0.99962
0.99974
0.99982
0.99988
0.99992
0.99995
0.99996
0.99998
0.99998
0.99999
0.99999
1.00000
0'08
0.53188
0.57142
0.61026
0.64803
0.68439
0.71904
0.75175
0.78230
0.81057
0.83646
0.85993
0.88100
0.89973
0.91621
0.93056
0.94295
0.95352
0.96246
0.96995
0.97615
0.98124
0.98537
0.98870
0.99134
0.99343
0.99506
0.99632
0.99728
0.99801
0.99856
0.99897
0.99926
0.99948
0.99964
0.99975
0.99983
0.99988
0.99992
0.99995
0.99997
0.99998
0.99999
0.99999
0.99999
1.00000
0'09
0.53586
0.57535
0.61409
0.65173
0.68793
0.72240
0.75490
0.78524
0.81327
0.83891
0.86214
0.88298
0.90147
0.91774
0.93189
0.94408
0.95449
0.96327
0.97062
0.97670
0.98169
0.98574
0.98899
0.99158
0.99361
0.99520
0.99643
0.99736
0.99807
0.99861
0.99900
0.99929
0.99950
0.99965
0.99976
0.99983
0.99989
0.99992
0.99995
0.99997
0.99998
0.99999
0.99999
0.99999
1.00000
357
Anexo B
358

Ejercicios Resueltos de Programacion Lineal - Mauricio Estrella

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Ejercicios Resueltos de Programacion Lineal - Mauricio Estrella

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD MAYOR DE SAN SIMN

FACULTAD DE CIENCIAS Y TECNOLOGA

MATERIAL DE APOYO DIDCTICO

LICENCIADO EN INGENIERA CIVIL

Presentado por: Julio Rafael Angulo Torrico

Tutor: Ing. Ramiro Saavedra

INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES

Fases de un estudio de Investigacin de Operaciones

La definicin del problema

Modelos matemticos de Investigacin de Operaciones

Impacto de la Investigacin de Operaciones

Riesgo al aplicar la Investigacin de Operaciones

Tipos de modelos de Investigacin de Operaciones.

MODELIZACIN A LA PROGRAMACIN LINEAL

Fases del proceso de modelizacin

Reglas bsicas de modelizacin

PROGRAMACIN LINEAL - MTODO GRFICO

Modelo de programacin lineal con dos variables

Ejemplo de aplicacin 3.1

Solucin por computadora

Solucin grfica con TORA

Anlisis de sensibilidad por el mtodo grfico

Cambios en los coeficientes de la funcin objetivo

PROGRAMACIN LINEAL - MTODO SMPLEX

Espacio de soluciones en forma de ecuacin

Conversin de desigualdades a ecuaciones

Transicin de solucin grfica a solucin algebraica

Ejemplo de aplicacin 4.2

Mtodo Smplex revisado

Ejemplo de aplicacin 4.5

Casos especiales de la aplicacin del Mtodo Smplex.

Solucin por computadora

ANLISIS DE DUALIDAD Y SENSIBILIDAD DE LA PROGRAMACIN LINEAL 99

Ejemplo de aplicacin 5.1

Resolucin opcional de problema primal con restricciones del tipo o =

Restriccin de la forma mayor o igual

Relaciones PRIMAL DUAL

Planteamiento de la tabla smplex

Otros algoritmos smplex para programacin lineal

Anlisis Pos-ptimo o de sensibilidad

Cambios que afectan la factibilidad

Cambios en el lado derecho.

Cambios que afectan la ptimalidad

Cambios en los coeficientes de la funcin objetivo.

Antecedentes del problema

Modelizacin del problema: hiptesis bsicas

Propiedades matemticas del problema

Balanceo del modelo

Anlisis de sensibilidad en problemas de transporte

Solucin por computadora

Problema de transporte con transbordos o transporte con nodos intermedios.

Ejemplo de aplicacin 6.7

Problemas de transporte multidimensional.

Problemas de transporte con restricciones adicionales.

MODELOS DE REDES DE OPTIMIZACIN

Conceptos referenciales para la teora de redes

El Problema de la ruta ms corta

Problema del rbol de expansin mnima

Algoritmo del rbol de expansin mnima

Modelo de flujo mximo

Problema del flujo capacitado a costo mnimo

PROGRAMACIN DE ACTIVIDADES Y CONTROL DE PROYECTOS CPM Y PERT

Introduccin a las redes de actividades

Diferencias entre PERT y CPM