Investigacion de Operaciones PDF

Curso: Investigacin de Operaciones Escuela de Administracin UNSA
Introduccin a la
Investigacin de Operaciones
Lic. Jorge Eloy Rojas Nina
La dificultad de tomar decisiones ha hecho que el hombre se

aboque en la bsqueda de una herramienta o mtodo que le
permita tomar las mejores decisiones de acuerdo a los
recursos disponibles y a los objetivos que persigue.
Este conjunto de herramientas o mtodos es lo que

llamaremos Investigacin de Operaciones.
Definicin ms formal
Enfoque cientfico de la toma de decisiones que requiere la
operacin de sistemas organizacionales.
LaIOnosofreceunaseriedeherramientascuantitativasparala
tomadedecisiones.
Lic. Jorge E. Rojas Nina

1
Historia y orgenes de la IO
I.O.
Desde el advenimiento de la Revolucin industrial, el mundo

ha sido testigo de un crecimiento importante del tamao y la
complejidad de las organizaciones. Los pequeos talleres
artesanales de pocas anteriores se convirtieron en las
corporaciones actuales de miles de millones de dlares.
Una parte esencial de este cambio revolucionario fue el gran

aumento de la divisin del trabajo y de la separacin de las
responsabilidades administrativas en estas organizaciones.
Pero, en la medida que aumentan la complejidad y la

especializacin, es ms difcil asignar los recursos disponibles
a las diferentes actividades de la manera ms eficaz para la
organizacin como un todo.
I.O.
Este tipo de problemas y la necesidad de encontrar la mejor

forma de resolverlos crearon el ambiente propicio para el
surgimiento de la investigacin de operaciones.
Las races de la IO pueden encontrarse muchas dcadas atrs,

cuando se hicieron los primeros intentos por emplear el
mtodo cientfico para administrar una empresa.
Sin embargo, el inicio de la actividad llamada investigacin de

operaciones es atribuible a ciertos servicios militares que se
prestaron al inicio de la Segunda Guerra Mundial.
Exista la urgente necesidad de asignar recursos escasos a las

distintas maniobras militares y a las actividades que
componan cada operacin de la manera ms eficaz.

2
I.O.
Las administraciones militares estadounidense y britnica

llamaron a un gran nmero de cientficos para que aplicaran el
mtodo cientfico a ste y a otros problemas estratgicos y
tcticos. Estos fueron los primeros equipos de IO.
Debido al desarrollo de mtodos eficaces para utilizar la

nueva herramienta que representaba el radar, los cientficos
contribuyeron al triunfo en la guerra area que libr Gran
Bretaa.
Sus investigaciones para mejorar el manejo de las operaciones

antisubmarinas y de proteccin tambin tuvieron un papel
importante en la victoria de la campaa del Atlntico Norte.
Esfuerzos similares fueron de gran ayuda en la campaa del
Pacfico.
I.O.
Despus de la guerra, el xito aparente de los grupos militares

atrajo la atencin de la industria, que buscaba soluciones a
problemas causados por la complejidad y especializacin
ascendente en las organizaciones.
El resultado eran problemas complejos de decisin. Estos

hechos impulsaron a las organizaciones de negocio y de
gobierno a utilizar herramientas formales de investigacin de
operaciones.
Desde entonces, se ha desarrollado con rapidez.

3
I.O.
Un factor que tuvo gran importancia en el desarrollo de la IO,

fue el progreso sustancial que se logr en el mejoramiento de
las tcnicas disponibles.
Despus de la guerra, muchos de los cientficos que haban

participado en equipos de IO o que tenan informacin sobre
este trabajo, estaban motivados para realizar investigacin
relevante en el campo, de lo cual resultaron avances
importantes; un ejemplo sobresaliente es el mtodo smplex
para resolver problemas de programacin lineal, desarrollado
en 1947 por George Dantzig.
Muchas de las herramientas caractersticas de la IO, como

programacin lineal, programacin dinmica, teora de colas y
teora de inventarios haban sido desarrolladas casi por
completo antes del trmino de la dcada de los aos
cincuenta.
I.O.
Otro factor que dio gran impulso al desarrollo de este campo

fue la revolucin de las computadoras. El manejo eficaz de los
complejos problemas inherentes a la IO casi siempre requiere
un gran nmero de clculos. Realizarlos de forma manual
puede resultar casi imposible.
Otro avance de los ochenta fue el desarrollo de computadoras

personales cada vez ms rpidas y de buenos paquetes de
software para resolver problemas de IO.
De esta forma, las tcnicas ms complejas estuvieron al

alcance de un gran nmero de personas, y este progreso se
aceler an ms en la dcada de 1990 y al inicio del siglo XXI.
Hoy en da, millones de individuos tienen acceso a estos

paquetes, para resolver problemas de investigacin de
operaciones, algunos de ellos muy complejos.

4
Historia de la Investigacin de Operaciones
Historia y orgenes
Naturaleza de la IO de la I.O.
La investigacin de operaciones se aplica a problemas que se

refieren a la conduccin y coordinacin de operaciones (o
actividades) dentro de una organizacin.
La investigacin de operaciones intenta encontrar una mejor

solucin, (llamada solucin ptima) para el problema en
cuestin.
Se dice una mejor solucin y no la mejor solucin porque es

posible que existan muchas soluciones que puedan
considerarse como las mejores.

5
Historia y orgenes
Naturaleza de la IO de la I.O.
Cuando se decide emprender un estudio de IO completo de un

problema nuevo, es necesario emplear un grupo de individuos
con diversos antecedentes y aptitudes.
Este grupo de expertos debe incluir individuos con

antecedentes slidos en matemticas, estadstica y teora de
probabilidades, economa, administracin, ciencias de la
computacin, ingeniera, ciencias fsicas, ciencias del
comportamiento y por supuesto, en las tcnicas especiales de
IO.
Historia
Qu es ylaorgenes
Investigacin
de la I.O.
de Operaciones?
Lainvestigacindeoperacioneseslaaplicacin,por
gruposinterdisciplinarios,delmtodocientficoa
problemasrelacionadosconelcontroldelas
organizacionesosistemas,afindequeseproduzcan
solucionesquemejorsirvanalosobjetivosdela
organizacin.

6
Historia y a
Aspectos orgenes
rescatarde la I.O.
Una organizacin es un sistema formado por componentes

que se interaccionan, unas de estas interacciones pueden ser
controladas y otras no.
La complejidad de los problemas que se presentan en las

organizaciones ya no encajan en una sola disciplina del
conocimiento, se han convertido en multidisciplinario por lo
cual para su anlisis y solucin se requieren grupos
compuestos por especialistas de diferentes reas del
conocimiento que logran comunicarse con un lenguaje comn.
La investigacin de operaciones es la aplicacin de la

metodologa cientfica a travs de modelos matemticos,
primero para representar al problema y luego para resolverlo.
Historia y
Normas para
orgenes
lograr de
el xito
la I.O.de la IO
El xito del empleo de la IO es el de un enfoque de solucin de

problemas y no una coleccin asociada de mtodos
cuantitativos.
La IO es relativamente costosa, lo que significa que no debe

emplearse en todos los problemas, sino tan slo en aquellos
en que las ganancias sea mayores que los costos.
Para llegar a hacer un uso apropiado de la IO, 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.

7
Historia y orgenes
Limitaciones de la IO
de la I.O.
Frecuentemente es necesario hacer simplificaciones del

problema original para poder manipularlo y tener una
solucin.
La mayora de los modelos slo considera un solo objetivo y

frecuentemente en las organizaciones se tienen objetivos
mltiples.
Rara vez se realizan anlisis costobeneficio de la implantacin

de soluciones definidas por medio de la IO, en ocasiones los
beneficios potenciales se ven superados por los costos
ocasionados por el desarrollo e implantacin de un modelo.
Existe la posibilidad a no considerar la totalidad de las

restricciones en un problema prctico vs el real.
Historiade
Efecto y la
orgenes
IO de la I.O.
La investigacin de operaciones ha tenido un efecto

impresionante en el mejoramiento de la eficiencia de
numerosas organizaciones de todo el mundo.
En el proceso, la IO ha contribuido de manera significativa al

incremento de la productividad de la economa de varios
pases. Hoy existen ms de 30 pases miembros de la
International Federation of Operational Research Societies
(IFORS), cada uno de los cuales cuenta con una sociedad de
investigacin de operaciones.
Tantoen Europa como en Asia existen federaciones de

sociedades de IO que dan conferencias y publican revistas
internacionales. Adems, el Institute for Operations Research
and the Management Sciences (INFORMS) es una sociedad de
IO internacional. Publica artculos que presentan estudios
importantes de IO y el efecto que stos tuvieron en sus
organizaciones.

8
Historiade
Efecto y la
orgenes
IO de la I.O.
Historiade
Efecto y la
orgenes
IO de la I.O.

9
Historia y orgenes
Algoritmos y paquetes
de la
deI.O.
la IO
Procedimientos sistemticos de solucin ms importantes de

la IO para resolver cierto tipo de problemas.
Algunos de estos algoritmos son muy eficientes y casi siempre

se utilizan para solucionar problemas que incluyen cientos o
miles de variables.
En la prctica, los algoritmos son ejecutados en paquetes de

software comercial; por ello, es importante familiarizar al
estudiante con la naturaleza de los programas que utilizar en
la vida profesional.
Historia y orgenes
de la
deI.O.
la IO

10
Historia y orgenes
de la
deI.O.
la IO
Historia y orgenes
de la
deI.O.
la IO

11
Historia y orgenes
de la
deI.O.
la IO
SOLVER
Historia y orgenes
de la
deI.O.
la IO

12
Historia y orgenes
de la
deI.O.
la IO
Modelos de la Investigacin de Operaciones
Modelos de IO
Determinsticos Hbridos Estocsticos
Optimizacin Optimizacin
Programacin Cadenas
Lineal no Lineal
Dinmica de Markov
Programacin Mtodos
Teora de Teora de
Lineal Clsicos
Inventarios Colas
Transporte y Mtodos
Asignacin de bsqueda Simulacin Procesos
Estocsticos
Prog Entera Programacin Pert / CPM

y 0,1 no lineal Teora de
Decisiones
Heursticas y Juegos
Redes

13
Enfoque de Modelado en
ENFOQUE DE LA INVESTIGACIN DE OPERACIONES
VARIABLES RELACIONES
RELEVANTES RELEVANTES
SISTEMA SISTEMA MODELO
REAL ASUMIDO CUANTITATIVO
MTODO
DE SOLUCIN
SOLUCIN AL
JUICIOS Y SOLUCIN
PROBLEMA DEL
EXPERIENCIAS AL MODELO
SISTEMA REAL
DECISIONES INTERPRETACIN

1
METODOLOGA DE LA INVESTIGACIN DE OPER.
DEFINICIN DEL CONSTRUCCIN

PROBLEMA DEL MODELO
MODELO
RESOLUCIN
MODIFICADO
DEL MODELO
NO
SI ES VALIDA
LA SOLUCIN
SOLUCIN?
IMPLEMENTACIN
1. Definicin del problema

Identificar, comprender y describir, en trminos precisos,
el problema que la organizacin enfrenta.
Hacer un estudio del sistema relevante y el desarrollo de
un resumen bien definido del problema a analizar.
Esto incluye determinar los objetivos apropiados.
Restricciones sobre lo que se puede hacer.
Las interrelaciones del rea bajo estudio con otras
reas de la organizacin.
Los diferentes cursos de accin posibles.
Los lmites de tiempo para tomar una decisin, etc.
Este proceso de definir el problema es crucial ya

que afectar en forma significativa la relevancia de
las conclusiones del estudio.

2
1. Definicin del problema

Los Componentes de un Problema son:
a) El tomador de decisiones o ejecutivo

b) Los objetivos de la organizacin
c) El sistema o ambiente en el que se sita el problema
d) Los cursos de accin alternativos que se pueden
tomar para resolverlo.
2. Formulacin de un modelo matemtico
La forma convencional en que la investigacin de

operaciones realiza esto, es construyendo un modelo
matemtico que represente la esencia del problema.
Un modelo siempre debe ser menos complejo que el
problema real, es una aproximacin abstracta de la
realidad con consideraciones y simplificaciones que
hacen ms manejable el problema y permiten evaluar
eficientemente las alternativas de solucin.
Los modelos, o representaciones idealizadas, son una
parte integral de la vida diaria.
Ejm: modelos de avin, retratos, globos terrqueos y
otros.

3

Ventajas
Describe un problema en forma mucho ms concisa.

Tiende a hacer ms comprensible toda la estructura
del problema y ayuda a revelar las relaciones
importantes causa-efecto.
Indica con mayor claridad qu datos adicionales son
importantes para el anlisis.
Tambin facilita el manejo total del problema y al
mismo tiempo, el estudio de sus interrelaciones.
Forma un puente para el empleo de tcnicas
matemticas y computadoras de alto poder para
analizar el problema.

Desventajas
Se requieren aproximaciones y supuestos de

simplificacin si se desea que el modelo sea
manejable (susceptible de ser resuelto).
Debe existir una alta correlacin entre la prediccin del
modelo y lo que ocurre en la vida real.
hacer un nmero considerable de pruebas del modelo y las
modificaciones consecuentes.

4

Es importante...
Si las relaciones matemticas son demasiado

complejas como para permitir la determinacin de una
solucin analtica, el equipo de IO puede optar por
simplificar el modelo y utilizar un mtodo heurstico, o
bien considerar la simulacin, si es lo apropiado.
En algunos casos, una simulacin matemtica puede
combinarse con modelos heursticos para resolver el
problema de decisin.
Expresar el problema en una forma matemtica

tomando en cuenta los siguiente:
Definir las variables de decisin:
Es una cantidad cuyo valor se puede controlar y es
necesario determinar para solucionar un problema
de decisin.
Funcin Objetivo:
Es el objetivo global de un problema de decisin
expresado en una forma matemtica en trminos
de los datos y de las variables de decisin, es
decir, la medida de efectividad que permite
conocer el nivel de logro de los objetivos y
generalmente es una funcin (ecuacin)

5
Restricciones:
Es una igualdad o desigualdad matemtica que debe
ser satisfecha, es decir, un conjunto de igualdades o
desigualdades que constituyen las barreras y
obstculos para la consecucin del objetivo.
Datos / Parmetros incontrolados:
Es la informacin conocida en un problema de
decisin que no se puede controlar pero que se
puede usar para determinar la solucin.
3. Obtencin de solucin a partir del modelo
Resolver un modelo consiste en encontrar los

valores de las variables dependientes, asociadas a
las componentes controlables del sistema.
Implica el uso de algoritmos de optimizacin bien
definidos.
El propsito es optimizar si es posible o cuando
menos mejorar la eficiencia o la efectividad del
sistema en el marco de referencia que fijan los
objetivos y las restricciones del problema.
Un aspecto importante de la fase de solucin del
modelo es el anlisis de sensibilidad cuando el
modelo experimenta algunos cambios de
parmetros.

6
3. Obtencin de solucin a partir del modelo
La seleccin del mtodo de solucin depende de las

caractersticas del modelo.
Los procedimientos de solucin pueden ser
clasificados en tres tipos:
a) Analticos, que utilizan procesos de deduccin
matemtica
b) Numricos, que son de carcter inductivo y
funcionan en base a operaciones de prueba y
error
c) Simulacin, que utiliza mtodos que imitan o
emulan al sistema real, en base a un modelo.
4. Prueba del modelo y validacin
Antes de usar el modelo debe probarse

exhaustivamente para intentar identificar y corregir
todas las fallas que se puedan presentar.
Con el tiempo, despus de una larga serie de
modelos mejorados, el equipo de investigacin de
operaciones concluye que el modelo actual produce
resultados razonablemente vlidos.
Este proceso de prueba y mejoramiento de un
modelo para incrementar su validez se conoce como
validacin del modelo. Incluir en el equipo personas
que no hayan participado en la elaboracin del
modelo.

7
4. Prueba del modelo y validacin
Un planteamiento ms sistemtico de la prueba del

modelo se logra mediante el empleo de 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 si se hubieran usado.
Es importante documentar el proceso que se utiliza
para llevar a cabo las pruebas de la validacin, pues
ayudara a aumentar la confianza de los futuros
usuarios del modelo.
5. Implementacin
La etapa de implementacin incluye varios pasos.

1. El equipo de IO explica en forma cuidadosa a la
administracin operativa el nuevo sistema que debe
adoptar y su relacin con la realidad.
2. Estos dos grupos comparten la responsabilidad de
desarrollar los procedimientos que se requieren
para poner el sistema en operacin.
3. La administracin operativa se encarga de
proporcionar una capacitacin detallada al personal
que participa y se inicia el nuevo curso de accin.
Si tiene xito, el nuevo sistema se podr emplear
durante algunos aos.

8
5. Implementacin
El equipo de IO supervisa la experiencia inicial con

base en la accin que se tom para identificar
cualquier modificacin que deba hacerse en el
futuro.
Durante el periodo de uso del nuevo sistema, es
importante continuar con la retroalimentacin
acerca de su funcionamiento y si los supuestos
todava se cumplen.
Cuando ocurren desviaciones significativas de los
supuestos originales, el modelo debe ser revisado
para determinar si necesita modificaciones.
El anlisis post ptimo que se realice puede ser
una gua til en este proceso de revisin.
Modelos
Tipos de Modelos
Un Modelo Una Representacin Simplificada

es e Idealizada de la Realidad
TIPO CARACTERSTICAS EJEMPLOS
Fsicos Tangible Modelos a escala

Fcil de comprender de aeroplanos,
Difcil de duplicar casas, ciudades,...
y compartir
Difcil de manipular
Baja amplitud de uso

9
Modelos
Analgicos Intangible Mapa de

Difcil de comprender carreteras
Fcil de duplicar Velocmetro
y compartir Grficas
Fcil de manipular Red elctrica
Alta amplitud de uso
Modelos
Simblicos Intangible Modelo de

Difcil de comprender Simulacin
Fcil de duplicar Modelo
y compartir Algebraico
Fcil de manipular Modelo de
Muy Alta amplitud la Economa
de uso Modelo de
Programacin
Lineal

10
Modelos
Tipos de Modelos
Los Modelos de Simulacin

Son generalmente programas de computadora que
replican el comportamiento de un sistema utilizando el
computador.
La estadstica que describe las diversas medidas de
desempeo del sistema se acumulan a medida que la
simulacin avanza en la computadora.
El modelo por simulacin es ms flexible que el
modelaje matemtico y por consiguiente puede
utilizarse para representar sistemas complejos que de
otra manera no podran formularse matemticamente.
Es un modelo muy costoso.
Modelos
Tipos de Modelos
Los Modelos Heursticos
Son esencialmente modelos que emplean reglas
intuitivas o ciertas guas tratando de generar nuevas
estrategias que se traduzcan en soluciones mejoradas.
Esto contrasta con los modelos matemticos y de
simulacin, en donde las estrategias generalmente estn
bien definidas.
Los modelos heursticos no pretenden obtener
soluciones ptimas de un problema. Un ejemplo podra
ser: atienda todos los clientes de una lnea sobre la
base de que el primero que llega primero se atiende.

11
Modelos
Construiremos Modelos Simblicos (cuantitativos)
Modelo Utiliza las

Simblico Matemticas
Para Representar
las Relaciones
entre los Datos
de Inters
Modelos
Modelo de Es un Modelo
Decisin Simblico
Contiene La solucin del Modelo

Variables produce
de Decisin Valores Numricos de estas
Variables de Decisin
Utiliza una
Busca Medida del Desempeo
alcanzar un que indica el
Objetivo Logro del Objetivo

12
Modelos
Ejemplos:
1. Modelo de Asignacin
de la Fuerza de Ventas
Variables Cuantos Vendedores Asignar
de Decisin: a cada Territorio.
Medida del Ingreso por Ventas

Desempeo:
Objetivo: Maximizar el
Ingreso por Ventas
Modelos
2. Modelo de Programacin
del Trabajo en un Taller
Variables Cuantas horas Programar
de Decisin: determinadas partes en
determinadas mquinas y
la secuencia
Medida del Costo de Fabricacin
Desempeo: Tiempo de Fabricacin
Minimizar el Costo el
Objetivo: Tiempo de Fabricacin

13
Modelos
3. Modelo de Administracin
de Efectivo
Variables Cantidad de Fondos
de Decisin: mantenidos en c/u de varias
categoras (Efectivo, bonos,
bolsa de valores etc... )
Medida del Costo de Oportunidad por

Desempeo: mantener Activos Lquidos
Minimizar el
Objetivo:
Costo de Oportunidad
Modelos
Construir un modelo
Ayuda a colocar los aspectos complejos e inciertos
de un problema de decisin en una estructura
lgica que es adecuada para el anlisis formal.
Este modelo especifica las alternativas de la
decisin y sus consecuencias anticipadas para
todos los eventos posibles que puedan ocurrir.
Indica los datos importantes para analizar las
alternativas y conduce a conclusiones que informan
y tienen sentido.
Un modelo es un vehculo para lograr una visin
bien estructurado de la realidad.

14
Modelos
Construccin de Modelos
Se requiere
Arte Imaginacin Conocimientos

Tcnicos
Se divide en tres etapas
Modelos
1. Se estudia el Ambiente
Comprensin del Problema
2. Se hace una Formulacin Lgica

Anlisis conceptual bsico
Se hacen conjeturas y simplificaciones
3. Se hace una Formulacin Simblica

Construccin de las relaciones lgicas
en el Lenguaje Simblico de las Matemticas

15
Ejm. Planteamiento de problemas

16
O
PARAMETROS
VARIABLE DE DECISIN:
X1= Nmeros de unidades de HTDC que se ensamblan en una semana
X2=Nmero de unidades de HTPC que se ensamblan en una semana

17
O m3 de almacn
PARAMETROS

18
Una mueblera fabrica escritorios, mesas y sillas. La fabricacin

requiere de materia prima y de mano de obra. La mano de obra
se clasifica en dos tipos: Carpintera y acabados. La cantidad de
recurso requerido para cada tipo de producto se muestra en el
cuadro.
Actualmente se dispone de 48 pulgadas de madera, 20 horas

para acabados y 8 horas para carpintera. Cada escritorio se
vende a $ 60, la mesa a $ 30 y cada silla a $ 20. La empresa
piensa que la demanda por escritorios y sillas es ilimitada, pero
cree que se venderan a lo mas 5 mesas. Debido a que los
recursos ya han sido adquiridos, la empresa desea maximizar su
beneficio.
Planteamiento
X1= Escritorios X2= Mesas X3= Sillas
Max Z= 60x1 + 30 x2 + 20x3

s.a.
R1 Materiales 8x1 + 6x2 + x3 48
R2 Acabados 4x1 + 2x2 + 1.5x3 20
R3 Carpintera 2x1 + 1.5x2 + 0.5x3 8
R4 Demanda de mesas x2 5
x1,x2,x3 0

19
Introduccin al Modelado con

Programacin Lineal
Mtodo Grfico
METODO GRAFICO: MAXIMIZACIN
Gepetto S.L., fabrica muecos y trenes de madera.

Cada mueco:
Produce un beneficio neto de $ 3
Requiere 2 horas de trabajo de acabado.
Requiere 1 hora de trabajo de carpintera.
Cada tren:
Produce un beneficio neto de $2
Requiere 1 hora de trabajo de acabado.
Requiere 1 hora trabajo de carpintera.
Cada semana Gepetto puede disponer de:
Todo el material que necesite.
Solamente 100 horas de acabado.
Solamente 80 horas de carpintera.
Tambin:
La demanda de trenes puede ser cualquiera (sin lmite).
La demanda de muecos es como mucho 40.

1

Gepetto quiere maximizar sus beneficios.
?
Cuntos muecos y cuntos trenes debe fabricar?
Formular el Problema
Problema: Desconocer la cantidad a producir por semana de
muecos y/o trenes.
Variables de Objetivo Alternativas

Decisin Elegir valores de X1 y X2 1. Producir solo

X1 = n de muecos para maximizar las Muecos
producidos a la utilidades. Usaremos la 2. Producir solo
semana variable z para denotar trenes
X2 = n de trenes el valor de la funcin 3. Producir una
producidos a la objetivo. mezcla de
semana ambos
Restricciones y/o Parmetros

Desigualdades que limitan los posibles valores de las variables de decisin.
Disponibilidad de horas de acabado: hasta 100 horas
Disponibilidad de horas en carpintera: hasta 80 horas
Demanda de muecos: hasta 40 Demanda de trenes: sin limite
Tambin suele haber restricciones de signo o no negatividad

2
Construir el Modelo matemtico PL

X1 = n de muecos producidos a la semana
X2 = n de trenes producidos a la semana
Mueco Tren
X1 X2
Funcin objetivo Beneficio 3 2
Restriccin 1 Acabado 2 1 100
Restriccin 2 Carpintera 1 1 80
Restriccin 3 Demanda 40
X1,X2 0 (restriccin de signo)
Construir el Modelo Matemtico PL
Para el problema de Gepetto, combinando las restricciones de

signo x 0 e y 0 con la funcin objetivo y las restricciones,
tenemos el siguiente modelo de optimizacin:
3 2
Sujeto a (s.a:)
1 2 100
2 80
3 40
, 0

3
Regin factible
Una solucin factible es aquella para la que todas las
restricciones se satisfacen.
Una solucin no factible es una solucin para la que al
menos una restriccin se viola.
La regin factible es la reunin de todas las soluciones

factibles
Es el conjunto de todos los puntos que satisfacen todas
las restricciones
40 20, est en la regin factible porque

2x1 + x2 100
satisfacen todas las restricciones de Gepetto.
x1 + x2 80
Sin embargo, 15 70, no est en la regin x1 40
factible porque este punto no satisface la restriccin de
x1 0
carpintera
x2 0
[15 + 70 > 80].
Solucin ptima
Para un problema de maximizacin, una solucin ptima es un punto
en la regin factible en el cual la funcin objetivo tiene un valor
mximo.
Para un problema de minimizacin, una solucin ptima es un punto
en la regin factible en el cual la funcin objetivo tiene un valor

mnimo.
La mayora de PPL tienen solamente una
solucin ptima. Sin embargo, algunos PPL no
tienen solucin ptima y otros PPL tienen un
nmero infinito de soluciones.
Se puede demostrar que la solucin ptima de
un PPL est siempre en la frontera de la regin
factible, en un vrtice (si la solucin es nica) o
en un segmento entre dos vrtices contiguos (si
hay infinitas soluciones)
Cuando decimos que X1= Q1 y X2 = Q2, es la solucin ptima, afirmamos que, en ningn
punto en la regin factible, la funcin objetivo tiene un valor (beneficio) superior a este valor.

4
Representacin Grfica de las restricciones

Cualquier PPL con slo dos X2
variables puede resolverse
grficamente. 100
2 100
Por ejemplo, para representar 80

grficamente la primera restriccin:
60
Dibujamos la recta:
40
Elegimos el semiplano que 20
cumple la desigualdad: el punto

(0, 0) la cumple 20 40 60 80 X1
(20 + 0 100),
as que tomamos el semiplano
que lo contiene.
Dibujar la regin factible
Puesto que el PPL de Gepetto tiene dos variables, se puede

resolver grficamente. La regin factible es el conjunto de todos
los puntos que satisfacen las restricciones:
3 2
Sujeto a (s.a:)
1, 2 100
2, 80
3, 40
, 0
Vamos a dibujar la regin factible que satisface estas restricciones.

5

X2
Restricciones
100

80
,
60
40
20
20 40 60 80 X1

X2
Restricciones
100

80
,
60
40
20
20 40 60 80 X1

6

X2
100
La interseccin
de todos estos
80
semiplanos
(restricciones)
nos da la regin 60
factible
40
Regin
20
Factible
20 40 60 80 X1
Vrtices de la regin factible

X1 Restricciones
La regin factible (al
estar limitada por
100
rectas) es un polgono.
En esta caso, el
polgono ABCDE. 80 E
,
D
Como la solucin 60
ptima est en alguno

de los vrtices (A, B, C, 40
D o E) de la regin
factible, calculamos Regin
esos vrtices. 20 Factible C
B
A 20 40 60 80 X2

7
Vrtices de la regin factible

X2
Los vrtices de la regin factible
son intersecciones de dos
rectas. El punto D es la 100
interseccin de las rectas

80
D
60
40
Regin
C es solucin de: 20 Factible C
20 40 60 80 X1

Resolucin grfica 1
X2
Para hallar la
solucin ptima,
dibujamos las rectas 100
en las cuales los

puntos tienen el 80
mismo valor de z.
La figura muestra
60
estas lneas para
z = 0, z = 100, y z =
190 40
3 2 Regin
20 Factible
100 3 2
190 3 2 (0, 0) 20 40 60 80 X1
z = 190
z=0 z = 100

8

Resolucin grfica 2
X2
3 2
Igualamos y
Desplazamos desde el 100 resolvemos
origen la recta de la
F.O.(z), hacia afuera y 80

cuando esta interseca
(toca) el ultimo vrtice de (20, 60)
la regin factible indica la 60 D
solucin ptima para el
PPL. 40
Para el problema de
Gepetto, esto ocurre en Regin
el punto D: 20 Factible
X1 = 20,
X2 = 60
z = 180. (0, 0) 20 40 60 80 X1
z=0

Resolucin analtica
X2
3 2
Tambin podemos encontrar la 100

solucin ptima calculando el
valor de z en los vrtices de la

(0, 80)
regin factible. 80
Vrtice z = 3x + 2y (20, 60)

(0, 0) z = 30+20 = 0 60
(40, 0) z = 340+20 = 120
(40, 20) z = 340+220 = 160
40
(20, 60) z = 320+260 = 180
(0, 80) z = 30+280 = 160 Regin
Factible (40, 20)
20
La solucin ptima es:

X1 = 20 muecos (40, 0)
X2 = 60 trenes (0, 0) 20 40 60 80 X1
z = 180 $ de beneficio

9
Hemos identificado la regin factible para el problema

de Gepetto y buscado la solucin ptima, la cual era el
punto en la regin factible con el mayor valor posible
de z.
Utilidad 180 $
Cuntos muecos y cuntos trenes debe fabricar?
20 + 60
Recuerda que:
La regin factible en cualquier PPL est

limitada por segmentos (es un polgono,
acotado o no).
La regin factible de cualquier PPL tiene

solamente un nmero finito de vrtices.
Cualquier PPL que tenga solucin ptima

tiene un vrtice que es ptimo.

10
METODO GRAFICO: MINIMIZACIN
Un problema
Dorian Auto fabrica y vende coches y furgonetas. La
empresa quiere emprender una campaa publicitaria
en TV y tiene que decidir comprar los tiempos de
anuncios en dos tipos de programas: del corazn y
ftbol.
El programa del corazn es visto por 6 millones de mujeres y 2
millones de hombres.
Cada partido de ftbol es visto por 3 millones de mujeres y 8
Un anuncio en el programa de corazn cuesta 50,000 $ y un
anuncio del ftbol cuesta 100,000 $.
Dorian Auto quisiera que los anuncios sean vistos por lo menos
por 30 millones de mujeres y 24 millones de hombres.
Dorian Auto quiere saber cuntos anuncios debe contratar en
cada tipo de programa para que el coste de la campaa
publicitaria sea mnimo.
Problema: Desconocer la cantidad de anuncios a contratar en cada
programa.

Decisin Elegir valores de X1 y X2 1. Anunciar en el

X1 = n de anuncios para minimizar el costo Programa del
programa del de la campaa Corazn
corazn publicitaria. Usaremos la 2. Anunciar en el
X2 = n de anuncios variable z para denotar Programa de Futbol
programa de el valor de la funcin 3. Anunciar en ambos
futbol objetivo. programas

Cantidad de anuncios vistos por mujeres por lo menos 30 millones
Cantidad de anuncios vistos por hombres por lo menos 24 millones

11

X1 = n de anuncios programa del corazn
X2 = n de anuncios programa de futbol
Prog. Prog.
corazn Futbol
X1 X2
Restriccin 1 Mujeres 6 3 30
Restriccin 2 Hombres 2 8 24
Para el problema de Dorian Autos, combinando las restricciones

de signo x 0 e y 0 con la funcin objetivo y las restricciones,
50 100
Sujeto a (s.a:)
1 6 3 30
2 2 8 24
, 0

12
Dibujamos la regin factible.

X2
14
Min z = 50x1 + 100x2 12

6x1 + 3x2 = 30
s.a. 6x1 + 3x2 30 10
2x1 + 8x2 24
8
x1, x2 0
6
4
2x1 + 8x2 = 24
2
X1
2 4 6 8 10 12 14
Calculamos los vrtices de la regin factible:

X2
El vrtice A es solucin del
sistema 14
6x1 + 3x2 = 30
x1 = 0, x2=10 12
Por tanto, A(0, 10) A

10
Regin
El vrtice B es solucin de 8 Factible
6x1 + 3x2 = 30
2x1 + 8x2 = 24 6
Por tanto, B(4, 2)

4
El vrtice C es solucin de B
2
2x1 + 8x2 = 24
x2 = 0, x1=12 C
X1
2 4 6 8 10 12 14
Por tanto, C(12, 0)

13

Resolvemos por el mtodo analtico
Evaluamos la funcin objetivo
z en los vrtices. X2
Vrtice z = 50x1 + 100x2 14

z = 500 + 10010 =
A(0, 10) 12
= 0+1000 = 1000
z = 504 + 1002 = A(0, 10)

10
B(4, 2) Regin
= 200+200 = 400 Factible
8
z = 5012 + 1000 =
C(12, 0)
= 600+0 = 600 6
4
El coste mnimo se obtiene en B.
B(4, 2)
2
Solucin:
x1 = 4 anuncios en prog. corazn C(12, 0)
x2 = 2 anuncios en futbol 2 4 6 8 10 12 14
X1
Coste z = 400 (mil $)
Resolvemos por el mtodo grfico

X2
14
Min z = 50x1 + 100x2
s.a. 6x1 + 3x2 30 12
2x1 + 8x2 24 10 A(0, 10)
x1,x2 0 Regin
8 Factible
6
El coste mnimo Z = 400
se obtiene en el 4
punto B.
B(4, 2)
2
Solucin: C(12, 0)
x1 = 4 anuncios en prog. corazn X1
2 4 6 8 10 12 14
x2 = 2 anuncios en futbol

14
METODO GRAFICO: POSIBLES SOLUCIONES
Nmero de Soluciones de un PPL

Los dos ejemplos anteriores, Gepetto y Dorian Auto,
tienen, cada uno, una nica solucin ptima.
No en todos los PPL ocurre esto. Se pueden dar tambin
las siguientes posibilidades:
Algunos PPL tienen un nmero variado de soluciones

ptimas (alternativas o mltiples soluciones ptimas).
Algunos PPL no tienen soluciones factibles (no tienen
regin factible).
Algunos PPL son no acotados: Existen puntos en la
regin factible con valores de z arbitrariamente grandes
(en un problema de maximizacin).
Veamos un ejemplo de cada caso.

Nmero variado de soluciones ptimas
X2
60
Consideremos el siguiente
problema:
50
C
max z = 3x1 + 2x2

s.a: 40
3x1 + 2x2 120 B

x1 + x2 50 30 Regin
x1, x2 0 Factible
z = 120
20
Cualquier punto (solucin)

10
situado en el segmento AB
puede ser una solucin
ptima de z =120. A
10 20 30 40 50 X1

15

Sin soluciones factibles
X2
Consideremos el siguiente
60
problema:
No existe
Regin Factible
max z = 3x1 + 2x2 50

x1 30
s.a:
40
x1 + x2 50 x2 30
3x1 + 2x2 120
x1 + x2 50
30
x1 30
x2 30
20
x1,x2 0
10 3x1 + 2x2 120
No existe regin factible
10 20 30 40 50 X1

PPL no acotado
max z = 2x1 x2
s.a:
x1 x2 1
2x1 + x2 6
x1, x2 0
La regin factible es no acotada. Se muestran en el grfico las

rectas de nivel para z = 4 y z = 6. Pero podemos desplazar las
rectas de nivel hacia la derecha indefinidamente sin abandonar la
regin factible. Por tanto, el valor de z puede crecer
indefinidamente.

16
Lic. Jorge E. Rojas Nina Programacin Lineal
Mtodo
Variables x1 x2 s1 s2 s3 RHs
Coef. Zj 3 2 0 0 0
0 s1 2 1 1 0 0 100
Simplex
0 s2 1 1 0 1 0 80
0 s3 1 0 0 0 1 40
Cj 0 0 0 0 0 0
ZjCj 3 2 0 0 0
Z= Max
Z= Min
METODO SIMPLEX: MAXIMIZACIN

Cada mueco:
Cada tren:
Tambin:

1
Problema: Desconocer la cantidad a producir por semana de
muecos y/o trenes.

Decisin Elegir valores de X1 y X2 1. Producir solo

X1 = n de muecos para maximizar las Muecos
producidos a la utilidades. Usaremos la 2. Producir solo
semana variable z para denotar trenes
X2 = n de trenes el valor de la funcin 3. Producir una
producidos a la objetivo. mezcla de
semana ambos

Disponibilidad de horas de acabado: hasta 100 horas
Disponibilidad de horas en carpintera: hasta 80 horas
Demanda de muecos: hasta 40 Demanda de trenes: sin limite

X1 = n de muecos producidos a la semana
X2 = n de trenes producidos a la semana
Mueco Tren
X1 X2
Restriccin 1 Acabado 2 1 100
Restriccin 2 Carpintera 1 1 80
Restriccin 3 Demanda 40

2
Para el problema de Gepetto, combinando las restricciones de

signo x1 0 y x2 0 con la funcin objetivo y las restricciones,
3 2
Sujeto a (s.a:)
1 2 100
2 80
3 40
, 0
Preparacin del Mtodo Simplex
s.a Variable Termina Observ.

F.O. = Entra Cj-Zj Coeficiente
Mayor 0 Sn= +0
Max
-Sn Positivo (-) An= -M
+Sn +An
+An Mayor 0 Sn= -0
Min
Negativo (+) An= +M

3
Adaptar el Modelo Matemtico PL
Aplicar las reglas para adicionar las variables de holgura o

artificiales respectivamente y obtener un modelo ampliado.
3 2 0 0 0
Sujeto a (s.a:)
1 2 100
2 80
3 40
, 0
Coef. Cj 3 2 0 0 0
0 s1 2 1 1 0 0 100 50
0 s2 1 1 0 1 0 80 80
0 s3 1 0 0 0 1 40 40
Zj 0 0 0 0 0 0
CjZj 3 2 0 0 0
Coef. Cj 3 2 0 0 0
0 s1 0 1 1 0 2 20 20
0 s2 0 1 0 1 1 40 40
3 x1 1 0 0 0 1 40 0
Zj 3 0 0 0 3 120
CjZj 0 2 0 0 3
1 x1 1 0 0 0 1 40
s2 1 1 0 1 0 80
+ s2 0 1 0 1 1 40

4
Coef. Cj 3 2 0 0 0
0 s1 0 1 1 0 2 20
0 s2 0 1 0 1 1 40
3 x1 1 0 0 0 1 40
Zj 3 0 0 0 3 120
CjZj 0 2 0 0 3
Coef. Cj 3 2 0 0 0
2 x2 0 1 1 0 2 20 10
0 s2 0 0 1 1 1 20 20
3 x1 1 0 0 0 1 40 40
Zj 3 2 2 0 1 160
CjZj 0 0 2 0 1
1 x2 0 1 1 0 2 20
+ s2 0 1 0 1 1 40
s2 0 0 1 1 1 20
Coef. Cj 3 2 0 0 0
2 x2 0 1 1 0 2 20
0 s2 0 0 1 1 1 20
3 x1 1 0 0 0 1 40
Zj 3 2 2 0 1 160
CjZj 0 0 2 0 1
Coef. Cj 3 2 0 0 0
2 x2 0 1 1 2 0 60
0 s3 0 0 1 1 1 20
3 x1 1 0 1 1 0 20
Zj 3 2 1 1 0 180
CjZj 0 0 1 1 0
2 s3 0 0 1 1 1 20
x2 0 1 1 0 2 20
+ x2 0 1 1 2 0 60

5

Resolucin analtica
X2
3 2
Tambin podemos encontrar la 100

solucin ptima calculando el
valor de z en los vrtices de la
(0, 80)
regin factible. 80
Vrtice z = 3x1 + 2x2 (20, 60)

(0, 0) z = 30+20 = 0 60
(40, 0) z = 340+20 = 120
(40, 20) z = 340+220 = 160
40
(20, 60) z = 320+260 = 180
(0, 80) z = 30+280 = 160 Regin
Factible (40, 20)
20
La solucin ptima es:

X1 = 20 muecos (40, 0)
X2 = 60 trenes (0, 0) 20 40 60 80 X1
z = 180 $ de beneficio
EJERCICIO PRACTICO
Una empresa fabrica dos tipos de colonia: A y B. La

1 contiene un 15% de extracto de jazmn, un 20%
de alcohol y el resto es agua, y la 2 lleva un 30% de
extracto de jazmn, un 15% de alcohol y el resto de

agua. Diariamente se dispone de 60 litros de
extracto de jazmn y 50 litros de alcohol. Cada da
se pueden producir como mximo 150 litros de la
colonia B. El precio de venta por litro de la colonia A
es 50 $. y el de la B 200 $. Hallar los litros de cada
tipo que deben producirse diariamente para que el
beneficio sea mximo.

6
EJERCICIO PRACTICO PROPUESTO

50 200
Sujetoa(s.a:)
1 0.15 0.30 60
2 0.20 0.15 50
3 150
, 0
EJERCICIO PRACTICO
50 200
Sujetoa(s.a:)
1 0.15 0.30 60
2 0.20 0.15 50
3 150
, 0

7
Variables RHs
Coef. Cj
Zj
CjZj
Variables RHs
Coef. Cj
Zj
CjZj
METODO SIMPLEX: MINIMIZACIN
Un problema
Dorian Auto fabrica y vende coches y furgonetas. La
empresa quiere emprender una campaa publicitaria
en TV y tiene que decidir comprar los tiempos de
anuncios en dos tipos de programas: del corazn y
ftbol.
El programa del corazn es visto por 6 millones de mujeres y 2
Cada partido de ftbol es visto por 3 millones de mujeres y 8
Un anuncio en el programa de corazn cuesta 50,000 $ y un
anuncio del ftbol cuesta 100,000 $.
Dorian Auto quisiera que los anuncios sean vistos por lo menos
por 30 millones de mujeres y 24 millones de hombres.
Dorian Auto quiere saber cuntos anuncios debe contratar en
cada tipo de programa para que el coste de la campaa
publicitaria sea mnimo.

8
Problema: Desconocer la cantidad de anuncios a contratar en cada
programa.

Decisin Elegir valores de X1 y X2 1. Anunciar en el

X1 = n de anuncios para minimizar el costo Programa del
programa del de la campaa Corazn
corazn publicitaria. Usaremos la 2. Anunciar en el
X2 = n de anuncios variable z para denotar Programa de Futbol
programa de el valor de la funcin 3. Anunciar en ambos
futbol objetivo. programas

Cantidad de anuncios vistos por mujeres por lo menos 30 millones
Cantidad de anuncios vistos por hombres por lo menos 24 millones

X1 = n de anuncios programa del corazn
X2 = n de anuncios programa de futbol
Prog. Prog.
corazn Futbol
X1 X2
Restriccin 1 Mujeres 6 3 30
Restriccin 2 Hombres 2 8 24

9
Para el problema de Dorian Autos, combinando las restricciones

de signo x1 0 y x2 0 con la funcin objetivo y las
restricciones, tenemos el siguiente modelo de optimizacin:
50 100
Sujeto a (s.a:)
1 6 3 30
2 2 8 24
, 0
Preparacin del Mtodo Simplex
s.a Variable Termina Observ.

F.O. = Entra Cj-Zj Coeficiente
Mayor 0 Sn= +0
Max
-Sn Positivo (-) An= -M
+Sn +An
+An Mayor 0 Sn= -0
Min
Negativo (+) An= +M

10
Adaptar el Modelo Matemtico PL
Aplicar las reglas para adicionar las variables de holgura o

artificiales respectivamente y obtener un modelo ampliado.
50 100 0 0
Sujeto a (s.a:)
1 6 3 30
2 2 8 24
, , 0
Variables x1 x2 s1 s2 A1 A2 RHs
Coef. Cj 50 100 0 0 M M
M A1 6 3 1 0 1 0 30 10
M A2 2 8 0 1 0 1 24 3
Zj 8M 11M M M M M 54M
CjZj 8M+50 11M+100 M M 0 0
Coef. Cj 50 100 0 0 M M
M A1 5.25 0 1 0.375 1 0.375 21 4
100 x2 0.25 1 0 0.125 0 0.125 3 12
Zj 5.25M+25 100 M 0.375M12.5 M 0.375M+12.5 21M+300
CjZj 5.25M+25 0 M 0.375M+12.5 0 1.375M12.5
1/8 x2 2 8 0 1 0 1 24
x2 0.25 1 0 0.125 0 0.125 3
3.00 x2 0.25 1 0 0.13 0 0.13 3

A1 6 3 1 0 1 0 30
A1 6 3 1 0 1 0 30

11
Coef. Cj 50 100 0 0 M M
M A1 5.25 0 1 0.375 1 0.375 21
100 x2 0.25 1 0 0.125 0 0.125 3
Zj 5.25M+25 100 M 0.375M12.5 M 0.375M+12.5 21M+300
CjZj 5.25M+25 0 M 0.375M+12.5 0 1.375M12.5
Coef. Cj 50 100 0 0 M M
50 x1 1 0 0.19 0.07 0.19 0.07 4
100 x2 0 1 0.05 0.14 0.05 0.14 2
Zj 50 100 4.5 10.5 4.5 10.5 400
CjZj 0 0 4.5 10.5 M4.5 M10.5
4/21 x1 5.25 0 1 0.375 1 0.375 21

0.25 x1 1 0 0.19 0.07 0.19 0.07 4
x2 0.25 1 0 0.125 0 0.125 3
+ x2 0 1 0.05 0.14 0.05 0.14 2

Resolvemos por el mtodo analtico
Evaluamos la funcin objetivo
z en los vrtices. X2
Vrtice z = 50x1 + 100x2 14
z = 500 + 10010 =
A(0, 10) 12
= 0+1000 = 1000
z = 504 + 1002 = A(0, 10)

10
B(4, 2) Regin
= 200+200 = 400 Factible
8
z = 5012 + 1000 =
C(12, 0)
= 600+0 = 600 6
4
El coste mnimo se obtiene en B.
B(4, 2)
2
Solucin:
x1 = 4 anuncios en prog. corazn C(12, 0)
x2 = 2 anuncios en futbol 2 4 6 8 10 12 14
X1

12
Teora de la Dualidad y Anlisis

de Sensibilidad
PROGRAMACIN LINEAL: DUALIDAD
Definicin
Resulta de buscar relaciones que permitan obtener
Informacin adicional de un problema de
optimizacin general.
La teora de Dualidad es una propiedad

Matemtica.
Introduce un nuevo test de optimalidad, como
tambin nuevos algoritmos para resolver problemas
lineales.

1
Pasos para convertir un primal en un dual

Si el primal es un problema de maximizacin, el
dual es un problema de minimizacin.
Los coeficientes de la F.O. del primal se convierten
en las restricciones constantes de las ecuaciones

del dual.
Las restricciones de las ecuaciones del primal se
convierten en los coeficientes de la F.O. del dual.
Los coeficientes de las variables del dual en las
ecuaciones restrictivas, son obtenidas sacando la
transpuesta de la matriz de coeficientes del primal.
Los signos de la desigualdad son invertidos
Las Xn variables son reemplazadas por Wm
variables en el dual.
Teora de Dualidad
Todo problema de programacin matemtica
existe asociado con otro problema llamado
Dual.
En particular, todo problema lineal (primal)

tiene su correspondiente problema (dual)

2
Dualidad Simtrica
Problema primal Problema dual

max Z: cx Min W: by
s.a s.a
Ax < b Ay > c
x >0 y >0
Dualidad Simtrica

Max Z: 3x1+7x2 4x3 Min W: 2y1 +10y2

s.a s.a
2x1 - x2 + x3 2 2y1 +7y2 3
7x1+5x2 -2x3 10 -y1 +5y2 7
y1 -2y2 -4
x1,x2,x3>0 y1,y2 0

3
Dualidad Asimtrica

max Z: cx Min W: by
s.a s.a
Ax = b Ay c
x0 y, SRS
Dualidad Asimtrica

Max Z: 3x1+2x2 Min W: 6y1 +12y2
s.a s.a
x1+ x2 = 6 y1 +5y2 3
5x1 - x2 = 12 y1 - y2 2
x1,x2 0
y1, y2 SRS

4
Interpretacin econmica del problema dual

Ej: max z= 60x1+ 30x2 +20x3
s.a
8x1 + 6 x2 + x3 48 listones de madera

4x1 + 2x2 +1.5x3 20 horas de acabado
2x1 + 1.5x2 + 0.5x3 8 horas de carpintera
x1, x2, x3 >0
x1= nmero de escritorios a producir

x2= nmero de mesas a producir
x3= nmero de sillas a producir
Suponga que un empresario desea comprar todos los

recursos de la empresa, entonces l debe determinar
el precio que esta dispuesto a pagar por cada uno de
los recursos:
y1= precio de un listn de madera
y2 = precio de una hora de acabado
y3 = precio de una hora de carpintera
El precio total de los recursos es:
48y1 + 20y2 + 8y3

5

Ya que desea minimizar el costo de la compra
Min W: 48y1 + 20y2 + 8y3
el dueo de la empresa dice que los precios deben

ser justos esto es, el precio por la cantidad de
recursos utilizados para producir un producto sea
cuando menos la utilidad que este proporciona:
8y1 + 4y2 + 2y3 > 60

6y1 + 2y2 + 1.5y3 > 30
y1 + 1.5y2 + 0.5y3 > 20

As tenemos:
Min W: 48y1+ 20y2 +8y3
s.a
8y1 + 4y2 + 2y3 60 restricc. de escritorio
6y1 + 2y2 +1.5y3 30 restricc. de mesas
y1 +1.5y2 + 0.5y3 20 restricc. de sillas
y1,y2,y3>0
La variable dual se relaciona con el valor de los
recursos, por esta razn se denomina precio
sombra

6
Precio Dual
El precio dual o precio sombra es la
variacin de la F.O. cuando el lado derecho de
una restriccin cambia en una unidad.
El precio dual es vlido para el rango de variacin

permitido, y constante en este intervalo.
El precio dual de una restriccin inactiva es cero
Costo reducido
El costo reducido de una variable de decisin se
define como la cantidad en que se debe de cambiar
el coeficiente de esa variable en la F.O. Para
obtener un valor ptimo positivo.

Otra definicin: Es la tasa (por unidad de
aumento) a la cual disminuye el valor objetivo
cuando esa variable es forzada a entrar en la
solucin optima.

7

Cada mueco:
Cada tren:
Tambin:
Modelo Matemtico Original o Primal
3 2
Sujeto a (s.a:)
1 2 100
2 80
3 40
, 0

8
Relacin Primal Dual
Primal Dual
3 2 . 100 80 40
Sujeto a (s.a:) Sujeto a (s.a:)

1 2 100 1 2 3
2 80 2 2
3 40
, 0 0

9
Problemas de Asignacin y
Lic. Jorge E. Rojas Nina Transporte
PROBLEMAS DE ASIGNACIN: M. HNGARO

SolucinaplicandoMtodoSimplex
EJERCICIO
Una compaa desea asignar 3 tareas a 3 centros de
trabajo. Se ha decidido que cada tarea sea realizada por
un nico centro de trabajo, de manera que el costo total
sea mnimo.
La matriz de costos se muestra a continuacin:
1 2 3

1
Formulacin del problema

Problema.- Desconocer la asignacin de las tareas a los
centros de trabajo.
F. Objetivo.- Z, Minimizar costos

Variables. 9 variables
Alternativas.- 9 ver cuadro.
Restricciones.-
- Un centro solo puede realizar una tarea a la vez.
- Los valores de Xn, son 0 1
ConstruccindelModelo

. .
1
1
1
1
1
1
0 1

2
Adaptacindelmodeloalatabasimplex
Agregar 6 variables Artificiales, coeficiente M

. .
1
1
1
1
1
1
0 1
SolucinconAlgoritmoHngaro
El mtodo de asignacin implica asignar tareas o
trabajos a los recursos.
El objetivo ms comn es minimizar los costes

totales o el tiempo necesario para desarrollar los
trabajos inmediatos.
Una caracterstica importante del mtodo de
asignacin es que se asigna slo un trabajo (o
trabajador) a cada mquina (o proyecto).
Cada problema de asignacin utiliza una tabla.
Los valores de la tabla son los tiempos o costes
asociados a cada asignacin concreta.

3
Pasosdeaplicacin
1. Reste el nmero ms pequeo de cada rengln a cada
nmero del rengln. (Esto se llama reduccin de rengln.)
Introduzca los resultados en una nueva tabla.
Pasosdeaplicacin
Valores de nueva matriz

4
Pasosdeaplicacin
2. Reste el nmero ms pequeo de cada columna de la
nueva tabla a cada nmero de la columna. (Esto se llama
reduccin de columna.) Introduzca los resultados en otra
tabla.
Pasosdeaplicacin
Se obtiene nuevos valores de la matriz

5
Pasosdeaplicacin
3. Pruebe si se puede hacer una asignacin ptima.
Hgalo mediante la determinacin del nmero mnimo
de lneas necesario para cubrir (es decir, cruzar) todos
los ceros.
Puesto que este nmero mnimo de lneas es igual al
nmero mximo de tareas que pueden realizarse en cero
posiciones de elementos, si el nmero mnimo de lneas
es igual al nmero de renglones, es posible tener un
conjunto ptimo de tareas. En este caso vaya al paso 6.
Si usted encuentra que no es posible un conjunto
completo de tareas, esto significa que usted no redujo el
nmero de lneas que cubren a todos los ceros hasta el
nmero mnimo. Contine con el paso 4.
Pasosdeaplicacin
Nmero mnimo de lneas Nmero de reglones

6
Pasosdeaplicacin
4. Si el nmero de lneas es menor que el nmero de
renglones, modifique la tabla de la siguiente forma:
a) Reste el nmero no cubierto ms pequeo de todos

los nmeros no cubiertos de la tabla.
b) Sume el nmero no cubierto ms pequeo a los
nmeros que se encuentran en las intersecciones de
las lneas.
c) Los nmeros cruzados pero que no se encuentran en
las intersecciones de las lneas permanecen sin
cambio en la siguiente tabla.
5. Repita los pasos 3 y 4 hasta que sea posible tener
un conjunto de asignaciones ptimo.
Pasosdeaplicacin
Sub pasos a y b

7
Pasosdeaplicacin
Aplicacin paso # 3, cubrir con las lneas
Pasosdeaplicacin
Nmero mnimo de lneas = Nmero de reglones

8
Pasosdeaplicacin
6. Haga las asignaciones una a una en las posiciones que
tienen elementos cero. Comience con los renglones y
columnas que tienen slo un cero.
Como cada rengln y cada columna necesita recibir

exactamente una asignacin, cruce tanto el rengln como
la columna involucrados luego de hacer cada asignacin.
Despus contine con los renglones y columnas que an
no han sido cruzados para seleccionar la siguiente
asignacin, y de nuevo d preferencia a algn rengln o
columna que tenga un solo cero que no haya sido
cruzado.
Contine hasta que todos los renglones y columnas
tengan exactamente una asignacin y por ende ya hayan
sido cruzados.
Pasosdeaplicacin
Asignacin
Tarea R-34 =Centro C, costo 6

Tarea S-66 = Centro B, costo 10 Costo mnimo = 25
Tarea T-50 = Centro A, costo 9

9
Variantesdelplanteamiento
1) Cuando en un centro no se pueda realizar actividad alguna,
se le asigna un valor muy grande M y se procede realizar
el mismo procedimiento explicado anteriormente.
CentrodeTrabajo
TAREA A B C D
R34 11 14 6 8
S66 8 10 M 12
T50 9 12 7 8
2) Cuando hay desequilibrio en la matriz, se utiliza variable

ficticia para equilibrar, siendo los valores de cero.
CentrodeTrabajo
TAREA A B C D
R34 11 14 6 8
S66 8 10 11 12
T50 9 12 7 8

10
Matriz equilibrada, se procede a desarrollar con los mismos

pasos conocidos
CentrodeTrabajo
TAREA A B C D
R34 11 14 6 8
S66 8 10 11 12
T50 9 12 7 8
F10 0 0 0 0
3) Cuando la matriz es de maximizacin, se adecua la

matriz tomando el mayor nmero de la matriz y se resta
a toda.
Con los valores de la nueva matriz se procede a realizar
la misma secuencia de pasos de minimizacin, la

asignacin de solucin se hace con la matriz original de
maximizacin
CentrodeTrabajo
TAREA A B C
R34 11 14 6
S66 8 10 11
T50 9 12 7

11
Matriz convertida
Procedimiento igual que minimizacin
CentrodeTrabajo
TAREA A B C
R34 3 0 8
S66 6 4 3
T50 5 2 7
Ejerciciospropuestos
Una empresa tiene cuatro operarios, los cuales deben ser
asignados al manejo de cuatro mquinas. Las horas requeridas
por cada trabajador en cada mquina son los de la tabla adjunta.
El tiempo laborar por cada operario en cada una de las maquinas

se pretende sea el mnimo, para lo cual se busca la asignacin
optima posible.

12
Problemas de Asignacin y
Lic. Jorge E. Rojas Nina Transporte
PROBLEMAS DE TRANSPORTE
Es un mtodo de programacin lineal para la

asignacin de artculos de un conjunto de origines a
un conjunto de destinos de tal manera que se
optimice la funcin objetivo.

Esta tcnica es particularmente usada en
organizaciones que producen el mismo producto en
numerosas plantas y que enva sus productos a
diferentes destinos (Centros de distribucin,
almacenes).
Tambin se aplica en distribucin, anlisis de
localizacin de plantas y programacin de la
produccin, control de inventarios entre otras.

1
Esquemticamente se podra ver como se muestra en la

siguiente figura
Fuentes Destinos
C11, X11
1
s1 1 d1
s2 2 2 d2
. .
. .
. .
sm m
n dn
Cmn, Xmn
donde Xij: cantidad transportada desde la fuente i al destino j

Cij: Costo del transporte unitario desde la fuente i al destino j
El objetivo general es encontrar el mejor plan de

distribucin, es decir, la cantidad que se debe enviar
por cada una de las rutas desde los puntos de
suministro hasta los puntos de demanda.
El mejor plan es aquel que minimiza los costos

totales de envo, produzca la mayor ganancia u
optimice algn objetivo corporativo.
Se debe contar con:
Nivel de oferta en cada fuente y la cantidad de demanda
en cada destino.
Costo de transporte unitario de mercadera desde cada

fuente a cada destino.

2
Formulacin del problema

Problema.- Desconocer la cantidad a enviar desde los
puntos de origen hasta los puntos de destino por cada una
de las rutas.
F. Objetivo.- Z, Minimizar costos

Variables. 9 variables
Alternativas.- 9 ver cuadro.
Restricciones.-
1. No enviar ms de la capacidad especificada desde cada
punto de suministro (oferta).
2. Enviar bienes solamente por las rutas vlidas.
3. Cumplir (o exceder) los requerimientos de bienes en los
puntos de demanda.
Construccin del Modelo


3


. .

4
Adaptacindelmodeloalatabasimplex
Agregar variables de holgura y Artificiales
Agregar coeficientes a Z, segn sea el caso

. .
Hay diferentes enfoques para resolver este problema

de distribucin:
Esquina Noroeste
Costo Mnimo
Aproximacin de Vogel.
Del trampoln (Stepping stone)
Mtodo de la distribucin modificada (MODI)

5
PROBLEMAS DE TRANSPORTE: ESQ. NOROESTE
La regla de la ENO muestra como obtener una rpida

solucin inicial.
Paso 1.- Inicia en la celda superior izquierda (esquina
noroeste) de la tabla.
Paso 2.- Asignar a esta celda la cantidad menor entre
lo requerido y lo disponible (menor cantidad entre
restricciones de esa fila y esa columna).
Las siguientes asignaciones se hacen o bien
recorriendo hacia la derecha o bien hacia abajo. En
base al paso 1
Paso 3.- La solucin inicial factible se obtiene sumando
las celdas asignadas con sus respectivos costos.
Ejemplo 1:
Una compaa fabrica un producto en tres Fabricas de
las cuales 4 mercados son abastecidos (1, 2, 3 y 4).
Los requerimientos del mercado, las capacidades de

cada planta y los costos de transporte de cada planta a
cada mercado se muestran a continuacin:
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
Fabrica2 2 4 6 3 20
Fabrica3 8 1 8 6 45
Demanda 30 40 10 20 100

6
Inicia en la celda superior izquierda (esquina noroeste) de

la tabla
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
30 5
Fabrica2 2 4 6 3 20
Fabrica3 8 1 8 6 45
Demanda 0 30 40 10 20 100

la tabla
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
30 5 0
Fabrica2 2 4 6 3 20
Fabrica3 8 1 8 6 45
Demanda 0 30 35 40 10 20 100

7

la tabla
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
30 5 0
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
Demanda 0 30 15 40 10 20 100

la tabla
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
30 5 0
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
15 30
Demanda 0 30 0 40 10 20 100

8

la tabla
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
30 5 0
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
15 10 20
Demanda 0 30 0 40 0 10 20 100

la tabla
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
30 5 0
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
15 10 20 0
Demanda 0 30 0 40 0 10 0 20 100

9

Como ya no existen celdas para asignar, se ha alcanzado la
solucin inicial factible. Tenindose la siguiente asignacin:
F1= M1(30) y M2(5)
F2= M2(20)
F3= M2(15), M3(10) y M4(20)
Con un costo de transporte igual a:

CT= 9*30 + 6*5 + 4*20 + 1*15 + 8*10 + 6*20
CT= 270 + 30 + 80 + 15 + 80 + 120
CT= 595
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
30 5 0
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
15 10 20 0
Demanda 0 30 0 40 0 10 0 20 100
595
PROBLEMAS DE TRANSPORTE: MINIMO COSTO
Este es un procedimiento que aventaja a la regla de

la esquina noroeste en la bsqueda de la solucin
ptima.
Aqu emplearemos la misma tcnica bsica de

agotar alternativamente ya sea la oferta de las
fbricas o la demanda de los mercados, pero
modifica el requisito de proceder geogrficamente
desde la esquina superior izquierda.
En lugar de lo anterior, la asignacin corresponde a

la casilla de menor costo de la tabla de transporte.

10
Costo mnimo de la matriz: Consiste en

seleccionar aquella variable cuyo costo sea el
mnimo para todos.
Costo mnimo por columna: Comenzando con la

columna de la izquierda, seleccionamos aquella
variable de menor costo.
Costo mnimo por fila: Comenzando por la
primera fila, seleccionamos la variable
correspondiente que tenga menor costo.
Si esta asignacin satisface el requisito de demanda

de un mercado, se sigue adelante con el costo ms
bajo siguiente en el mismo rengln y agotando, de
ser posible, las existencias de la fabrica en cuestin.
El procedimiento agota de la misma manera la

oferta de las fbricas y la demanda de los
mercados, inspeccionando siempre los costos a fin
de encontrar la casilla siguiente para una asignacin
en el rengln o la columna de que se trata.
22

11
Ejemplo 1:
Una compaa fabrica un producto en tres Fabricas de
las cuales 4 mercados son abastecidos (1, 2, 3 y 4).
Los requerimientos del mercado, las capacidades de

cada planta y los costos de transporte de cada planta a
cada mercado se muestran a continuacin:
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
Fabrica2 2 4 6 3 20
Fabrica3 8 1 8 6 45
Demanda 30 40 10 20 100
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
Fabrica2 2 4 6 3 20
Fabrica3 8 1 8 6 45
40 5
Demanda 30 0 40 10 20 100

12
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
40 5
Demanda 10 30 0 40 10 20 100
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
10 25
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
40 5
Demanda 10 30 0 40 0 10 20 100

13
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
10 25
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
40 5 0
Demanda 10 30 0 40 0 10 15 20 100
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
10 15 10
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
40 5 0
Demanda 10 30 0 40 0 10 0 20 100

14
MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
10 10 15 0
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
40 5 0
Demanda 0 30 0 40 0 10 0 20 100
Como ya no existen celdas para asignar, se ha alcanzado la

solucin inicial factible. Tenindose la siguiente asignacin:
F1= M1(10), M3(10) y M4(15)
F2= M1(20)
F3= M2(40) y M4(5)

CT= 9*10 + 2*20 + 1*40 + 4*10 + 7*15 + 6*5
CT= 90 + 40 + 40 + 40 + 105 + 30
CT= 345 MERCADOS
M1 M2 M3 M4 Oferta
Fabrica1 9 6 4 7 35
10 10 15 0
Fabrica2 2 4 6 3 20
20 0
Fabrica3 8 1 8 6 45
40 5 0
Demanda 0 30 0 40 0 10 0 20 100
345

15
PROBLEMAS DE TRANSPORTE: APROX. VOGEL
Este mtodo es razonablemente bueno para obtener

una solucin inicial bsica factible, la cual puede ser
ptima o requerir un nmero mnimo de interacciones
para obtener la solucin ptima.
El mtodo es el siguiente:
Paso 1. Inicio con las celdas no asignadas.
Paso 2. Clculo en cada fila y en cada columna la
diferencia entre los dos costos ms pequeos de las
celdas.
Paso 3. De entre estas filas y columnas seleccione
aquella que tenga la mxima diferencia.
Paso 4. Asigne tanto como sea posible en aquella celda

que corresponda a la mxima diferencia y que tenga en
su fila o columna el menor costo.
- (La mxima asignacin posible es la cantidad menor

entre lo disponible y lo requerido).
Paso 5. Elimine la fila o columna que se haya reducido
a cero.
Paso 6. Repita el procedimiento de los pasos 1,2,3,4 y 5
Detngase si no existen filas y columna restantes.
Paso 7. Determine el costo optimo de las variables

16
Paso 1. Inicio con las celdas no asignadas.

Paso 2. Clculo en cada fila y en cada columna la diferencia entre
los dos costos ms pequeos de las celdas.
Paso 3. De entre estas filas y columnas seleccione aquella que
tenga la mxima diferencia.
MERCADOS
M1 6 M2 3 M3 2 M4 3 Oferta
Fabrica1 9 6 4 7 35
2
Fabrica2 2 4 6 3 20
1
Fabrica3 8 1 8 6 45
5
Demanda 30 40 10 20 100
Paso 4. Asigne tanto como sea posible en aquella celda que

corresponda a la mxima diferencia y que tenga en su fila o
columna el menor costo.
- (La mxima asignacin posible es la cantidad menor entre lo
disponible y lo requerido).
MERCADOS
M1 6 M2 3 M3 2 M4 3 Oferta
Fabrica1 9 6 4 7 35
2
Fabrica2 2 4 6 3 20
1 20 0
Fabrica3 8 1 8 6 45
5
Demanda 10 30 40 10 20 100

17
Paso 5. Elimine la fila o columna que se haya reducido a cero.

MERCADOS
M1 6 M2 3 M3 2 M4 3 Oferta
Fabrica1 9 6 4 7 35
2
Fabrica2 2 4 6 3 20
1 20 0
Fabrica3 8 1 8 6 45
5
Demanda 10 30 40 10 20 100

MERCADOS
M1 1 M2 5 M3 4 M4 1 Oferta
Fabrica1 9 6 4 7 35
2
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
5
Demanda 10 30 40 10 20 100

18

MERCADOS
M1 1 M2 5 M3 4 M4 1 Oferta
Fabrica1 9 6 4 7 35
2
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
5 40 5
Demanda 10 30 0 40 10 20 100

MERCADOS
M1 1 M2 no M3 4 M4 1 Oferta
Fabrica1 9 6 4 7 35
3
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
2 40 5
Demanda 10 30 0 40 10 20 100

19

MERCADOS
M1 1 M2 no M3 4 M4 1 Oferta
Fabrica1 9 6 4 7 35
3 10 25
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
2 40 5
Demanda 10 30 0 40 0 10 20 100

MERCADOS
M1 1 M2 no M3 no M4 1 Oferta
Fabrica1 9 6 4 7 35
3 10 25
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
2 40 5
Demanda 10 30 0 40 0 10 20 100

20

MERCADOS
Fabrica1 9 6 4 7 35
2 10 25
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
2 40 5 0
Demanda 10 30 0 40 0 10 15 20 100

MERCADOS
Fabrica1 9 6 4 7 35
2 10 25
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
no 40 5 0
Demanda 10 30 0 40 0 10 15 20 100

21

MERCADOS
Fabrica1 9 6 4 7 35
2 10 15 10
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
no 40 5 0
Demanda 10 30 0 40 0 10 0 20 100

MERCADOS
M1 0 M2 no M3 no M4 no Oferta
Fabrica1 9 6 4 7 35
2 10 15 10
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
no 40 5 0
Demanda 10 30 0 40 0 10 0 20 100

22

MERCADOS
M1 0 M2 no M3 no M4 no Oferta
Fabrica1 9 6 4 7 35
2 10 10 15 0
Fabrica2 2 4 6 3 20
no 20 0
Fabrica3 8 1 8 6 45
no 40 5 0
Demanda 0 30 0 40 0 10 0 20 100
Paso 7. Determine el costo optimo de las variables

Como ya no existen celdas para asignar, se ha alcanzado la solucin
inicial factible. Tenindose la siguiente asignacin:
F1= M1(10), M3(10) y M4(15)
F2= M1(20)
F3= M2(40) y M4(5)

CT= 9*10 + 2*20 + 1*40 + 4*10 + 7*15 + 6*5
CT= 90 + 40 + 40 + 40 + 105 + 30
CT= 345 MERCADOS
M1 no M2 no M3 no M4 no Oferta
Fabrica1 9 6 4 7 35
no 10 10 15 0
Fabrica2 2 4 6 3 20
no 20 0
8 1 8 6
Fabrica3 45
no 40 5 0
Demand
a 0 30 0 40 0 10 0 20 100

23
1) Cuando no se realice en un origen y/o destino actividad
alguna, el costo que se le asigna es un valor muy grande
M . Se procede realizar el mismo procedimiento explicado
anteriormente.(ENO, CM o Vogel)
TIENDAS
T1 T2 T3 T4 Origen
Planta1 8 9 9 5 100
Planta2 4 M 8 7 200
Planta3 3 6 5 M 150
Destino 160 70 120 100 450
2) Cuando hay desequilibrio en la matriz, se utiliza variable ficticia
para equilibrar, siendo los valores de cero.
Al emplear los mtodos, no se consideran punto de partida
TIENDAS
T1 T2 T3 T4 Holg Origen
Planta1 8 9 9 5 0 100
Planta2 4 5 8 7 0 200
Planta3 3 6 5 9 0 150
Destino 160 70 120 100 20 450

24
3) Cuando la matriz es de maximizacin, se adecua la matriz

tomando el mayor nmero de la matriz y se resta a toda.
Con los valores de la nueva matriz se procede a realizar la
misma secuencia de pasos de minimizacin, la asignacin de
solucin se hace con la matriz original de maximizacin
TIENDAS
T1 T2 T3 T4 Origen
Planta1 8 9 9 5 100
Planta2 4 5 8 7 200
Planta3 3 6 5 9 150
Destino 160 70 120 100 450
3) Cuando la matriz es de maximizacin, se adecua la matriz

tomando el mayor nmero de la matriz y se resta a toda.
Con los valores de la nueva matriz se procede a realizar la
misma secuencia de pasos de minimizacin, la asignacin de
solucin se hace con la matriz original de maximizacin
TIENDAS
T1 T2 T3 T4 Origen
Planta1 1 0 0 4 100
Planta2 5 4 1 2 200
Planta3 6 3 4 0 150
Destino 160 70 120 100 450

25
Ejerciciospropuestos
Una compaa fabrica un producto en 3 plantas (A, B, Y C) y enva
el producto a 3 almacenes (X, Y, Y Z). El costo incremental por
unidad para las diferentes plantas con referencia a las
combinaciones de los almacenes es mostrado en la siguiente tabla.

26
Modelos de Optimizacin de
Lic. Jorge E. Rojas Nina Redes
MODELO OPTIMIZACIN DE REDES
Fundamentosderedes
Un diagrama de redes es un modelo matemtico que usa
pequeos crculos (nodos) conectados por lazos o ramas
(flechas).
Las redes son usadas frecuentemente en proyectos, para

describir actividades del proceso.
Tambin se usa en inventarios o flujos de efectivo, rutas de
embarque y redes de comunicacin.
Los problemas de redes son a veces formulados como
problemas de programacin lineal.

1
Elaboracindeldiagramadered
Red de actividades en arcos/Activity on Arrow (AOA)
Actividades = flecha
Nodos = eventos
3 E
B 5
A D F
1 2
C
4
B y D debern completarse
antes de que se inicie E
Red de actividades en nodos/Activity on Node (AON)
Actividades = nodos
Relacin de precedencia = flechas
B E
D
A
C F
B y D debern completarse
antes de que se inicie E

2
Actividades ficticias (Dummy)/Mtodo (AOA)
Actividades con idnticos eventos de inicio o terminacin
Para cerrar el inicio o final del proyecto

Valores iguales a cero
3 E
B 5
D
A 2 C
4 Fin
Inicio 1 F
A y C debern completarse
antes de que se inicie F

Actividades ficticias (Dummy)/Mtodo (AON)
Para esttica de la red
Para cerrar el inicio o final del proyecto
Valores iguales a cero
B E
D
A Fin
C F
Inicio
A y C debern completarse
antes de que se inicie F

3
CPM(Critical Path Method)

Creada en la dcada del 50
Desarrollada por Remington Rand y Du Pont
para la programacin de operaciones de mantenimiento

durante la suspensin de actividades
PERT(Program Evaluation andReview Technique)

Creada en la dcada del 50
Proyecto del misil Polaris de la Marina de Guerra de
EEUU
Participaron alrededor de 3000 proveedores y contratistas
Ventajadelosmtodos
Identifican y organizan las actividades
Proporcionan una base de discusin
Permite estimar el tiempo de finalizacin de los proyectos

y sus interrelaciones
Se ponen de relieve actividades que pueden retrasarse
sin afectar la finalizacin del proyecto permitiendo liberar
recursos para otras actividades
Permite analizar las consecuencias de cambios en
tiempos y costos

4
CPM(Trasladodehospital)
A ct ivid a D escrip ci n Pred eceso r T iemp o
A Seleccionar personal administrativo y mdico 12

B Seleccionar lugar y realizar un estudio del mismo 9

C Seleccionar el equipo A 10
D Preparar los planos y la distribucin fsica para la construccin definitiva B 10
E Llevar los servicios pblicos al predio B 24
F Entrevistar solicitantes e incorporar enfermeros, ayuadantes, mto y seguridad A 10
G Comprar equipo y supervisar la entrega del mismo C 35
H Construir el hospital D 40
I Desarrollar un sistema de informacin A 15
J Instalar el equipo E,G,H, 4
K Capacitar al personal de enfermera y ayudantes F,I,J 6
Actividadenlosnodos(AON)
Actividad
12 C 22
14 10 24
Duracin Esperada
de la actividad
(dE)

5
RedAONparaelproyectodehospital
I
15
A F K
12 10 6
C G
INICIO 10 35 FIN
B D H
9 10 40
E J
24 4
Estimacindetiempostempranos
Fecha temprana de comienzo Ftc
Es el tiempo de terminacin ms prximo de la actividad que

la precede en forma inmediata
Cuando la preceden varias actividades Ftc es el mayor de los

tiempos
Fecha temprana de finalizacin Ftf
Es la fecha temprana de inicio, ms su duracin esperada dE
Ftf = Ftc + dE

6
Nodos Fechastempranas
Actividad Fecha temprana

Fecha temprana
de comienzo de finalizacin
Ftc Ftf
12 C 22
14 10 24
Duracin Esperada
de la actividad
dE

Rutas
I
15
A F K
12 10 6
C G
INICIO 10 35 FIN
B D H
9 10 40
E J
24 4

7
LlegadaalnodoK
12 I 27
15
0 A 12 12 F 22 63 K 69
12 10 6
12 C 22 22 G 57
INICIO 10 35 FIN
0 B 9 9 D 19 19 H 59
9 10 40
9 E 33 59 J 63
24 4
Estimacindetiempostardos
Fecha Tarda de Finalizacin FTF
Es igual al tiempo de inicio ms lejano de la actividad que la

sigue en la secuencia en forma inmediata.
Si existen ms de una actividad que la siguen en forma

inmediata la FTF ser el ms prximo de los tiempos de
inicio ms lejanos de esas actividades. Es el menor de los
tiempos
Fecha Tarda de Comienzo FTC
es igual al tiempo de terminacin ms lejano menos la

duracin esperada de la tarea
FTC = FTF dE

8
Nodos Fechastardas
Actividad
C
14 10 24
Fecha Tarda
Fecha Tarda de Finalizacin
de Comienzo FTF
Duracin Esperada
FTC
de la actividad
dE
LlegadaalnodoInicio
I
48 15 63
A F K
2 12 14 53 10 63 63 6 69
C G
INICIO 14 10 24 24 35 59 FIN
B D H
0 9 9 9 10 19 19 40 59
E J
35 24 59 59 4 63

9
Representacincompletadelnodo
Actividad
Fecha Fecha
temprana temprana
de comienzo de finalizacin
Ftc
12 C 22 Ftf
14 10 24
Fecha Tarda
Fecha Tarda de
de Comienzo Finalizacin
FTC Duracin
FTF
Esperada
de la actividad
dE
Desarrollocompleto
12 I 27
48 15 63
0 A 12 12 F 22 63 K 69
2 12 14 53 10 63 63 6 69
12 C 22 22 G 57
INICIO 14 10 24 24 35 59 FIN
0 B 9 9 D 19 19 H 59
0 9 9 9 10 19 19 40 59
9 E 33 59 J 63
35 24 59 59 4 63

10
Holgura
La holgura de una actividad (H) es la mxima cantidad de tiempo
que una actividad puede retrasarse sin afectar la duracin total del
proyecto
Se puede calcular de dos modos

H = FTF Ftf
H = FTC - Ftc
12 C 22 FTF Ftf
24 22
14 10 24
2
EstimacindeHolgura
12 I 27
48 15 63
36
0 A 12 12 F 22 63 K 69
2 12 14 53 10 63 63 6 69
2 41 0
12 C 22 22 G 57
INICIO 14 10 24 24 35 59 FIN
2 2
0 B 9 9 D 19 19 H 59
0 9 9 9 10 19 19 40 59
0 0 0
9 E 33 59 J 63
35 24 59 59 4 63
26 0

11
Clculodeholguras
Nodo Duracin Ftc FTC Holgura

A 12 0 2 2
B 9 0 0 0
C 10 12 14 2
D 10 9 9 0
E 24 9 35 26
F 10 12 53 41
G 35 22 24 2
H 40 19 19 0
I 15 12 48 36
J 4 59 59 0
K 6 63 63 0

Caminocrtico
secuencia de actividades, entre comienzo y final, que requiere
ms tiempo
12 I 27
48 15 63
36
0 A 12 12 F 22 63 K 69
2 12 14 53 10 63 63 6 69
2 41 0
12 C 22 22 G 57
INICIO 14 10 24 24 35 59 FIN
2 2
0 B 9 9 D 19 19 H 59
0 9 9 9 10 19 19 40 59
0 0 0
9 E 33 59 J 63
35 24 59 59 4 63
26 0

12
PERTEstimacionesprobabilsticasdetiempo
Introduccin de factores de incertidumbre
1. El tiempo optimista (a) es el ms corto en el cual puede

llevarse a cabo la actividad si todo resulta excepcionalmente

bien
2. El tiempo ms probable (m) es el tiempo que probablemente
se requerir para realizar la actividad
3. El tiempo pesimista (b) es el tiempo estimado ms largo que
se requerir para la realizacin de la tarea
Distribucindeprobabilidades
En las tcnica PERT, el tiempo de cada actividad se considera
como una variable aleatoria derivada de una distribucin de
probabilidad beta
a m b

13
Supuestos
Es posible estimar con precisin a, m, y b.
Se considera que las magnitudes definen un rango de tiempo

razonable, negociado entre el gerente y quienes estarn a

cargo de las actividades
Se supone que la desviacin estndar es igual a un sexto de la

diferencia entre b-a: por lo tanto la probabilidad de que los
tiempos queden por encima de b o debajo de a, son remotas
Clculo
La media se calcula ponderando

a 4m b
t e

6
Varianza

14
Anlisisdeprobabilidades
Tiempo esperado de terminacin de todo el proyecto (TE)

Varianza en la ruta Desviacin standar
Probabilidad de terminacin en una fecha determinada ( )
Tabla distribucin
Normal
PERT(Trasladodehospital)
A ctividad D escripci n P redeceso r

A Seleccionar personal administrativo y mdico
B Seleccionar lugar y realizar un estudio del mismo

C Seleccionar el equipo A
D Preparar los planos y la distribucin fsica para la construccin definitiva B
E Llevar los servicios pblicos al predio B
F Entrevistar solicitantes e incorporar enfermeros, ayuadantes, mto y seguridad A
G Comprar equipo y supervisar la entrega del mismo C
H Construir el hospital D
I Desarrollar un sistema de informacin A
J Instalar el equipo E,G,H,
K Capacitar al personal de enfermera y ayudantes F,I,J

15
4
Tiempos estimados 6 6
Actividad Tiempo (a) Tiempo (m) Tiempo (b) te

A 10 12 19 12.83 2.25
B 6 9 13 9.17 1.36
C 8 10 18 11.00 2.78
D 4 10 18 10.33 5.44
E 18 24 30 24.00 4.00
F 8 10 15 10.50 1.36
G 30 35 45 35.83 6.25
H 30 40 50 40.00 11.11
I 10 15 20 15.00 2.78
J 1 4 12 4.83 3.36
K 3 6 15 7.00 4.00
12.83 I 27.83
49.49 15.00 64.49

0 A 12.83 12.83 F 23.33 64.49 K 71.49
0.00 12.83 12.83 53.99 10.50 64.49 64.49 7.00 71.49
12.83 C 23.83 23.83 G 59.66
INICIO 12.83 11.00 23.83 23.83 35.83 59.66 FIN
0 B 9.17 9.17 D 19.50 19.50 H 59.50
0.16 9.17 9.33 9.33 10.33 19.66 19.66 40.00 59.66
9.17 E 33.17 59.66 J 64.49
35.66 24.00 59.66 59.66 4.83 64.49

16
PERTHolguras(Trasladodehospital)
12.83 I 27.83
49.49 15.00 64.49
36.66
0 A 12.83 12.83 F 23.33 64.49 K 71.49
0.00 12.83 12.83 53.99 10.50 64.49 64.49 7.00 71.49
0.00 41.16 0.00
12.83 C 23.83 23.83 G 59.66
INICIO 12.83 11.00 23.83 23.83 35.83 59.66 FIN

0.00 0.00
0 B 9.17 9.17 D 19.50 19.50 H 59.50
0.16 9.17 9.33 9.33 10.33 19.66 19.66 40.00 59.66
0.16 0.16 0.16
9.17 E 33.17 59.66 J 64.49
35.66 24.00 59.66 59.66 4.83 64.49
26.49 0.00
PERTCaminocrtico(Trasladodehospital)
12.83 I 27.83
49.49 15.00 64.49
36.66
0 A 12.83 12.83 F 23.33 64.49 K 71.49
0.00 12.83 12.83 53.99 10.50 64.49 64.49 7.00 71.49
0.00 41.16 0.00
12.83 C 23.83 23.83 G 59.66
INICIO 12.83 11.00 23.83 23.83 35.83 59.66 FIN

0.00 0.00
0 B 9.17 9.17 D 19.50 19.50 H 59.50
0.16 9.17 9.33 9.33 10.33 19.66 19.66 40.00 59.66
0.16 0.16 0.16
9.17 E 33.17 59.66 J 64.49
35.66 24.00 59.66 59.66 4.83 64.49
26.49 0.00

17

Tiempo esperado de terminacin de todo el proyecto (TE)

Varianza en la ruta Desviacin standar
Tabla distribucin
Normal
PERT(Tiempoesperadoydesviacinstandar)
4
Tiempos estimados 6 6
Actividad Tiempo (a) Tiempo (m) Tiempo (b) te

A 10 12 19 12.83 2.25
B 6 9 13 9.17 1.36
C 8 10 18 11.00 2.78
D 4 10 18 10.33 5.44
E 18 24 30 24.00 4.00
F 8 10 15 10.50 1.36
G 30 35 45 35.83 6.25
H 30 40 50 40.00 11.11
I 10 15 20 15.00 2.78
J 1 4 12 4.83 3.36
K 3 6 15 7.00 4.00
71.50 18.64
4.32

Desviacin
Standar

18
Distribucinnormal
Puedes usar la tabla de abajo para saber el rea bajo la curva desde la lnea central
hasta cualquier lnea vertical "a valor Z" hasta 3, en incrementos de 0.1
Esto te dice qu parte de la poblacin est dentro de "Z" desviaciones estndar de

la media.
En lugar de una tabla LARGA, hemos puesto los incrementos de 0.1 hacia abajo, y
los de 0.01 de lado.
Por ejemplo, para saber el rea debajo de la curva entre 0 y 0.45, ve a la fila de 0.4,
y sigue de lado hasta 0.45, all pone 0.1736
Como la curva es simtrica, la tabla vale para ir en las dos direcciones, as que 0.45
negativo tambin tiene un rea de 0.1736

Tabladedistribucinnormal

19
Tabladedistribucinnormal

Tabla distribucin
Normal
Probabilidad de terminar el proyecto en 80 o menos semanas

80 71.5 Tabla distribucin
1.97 0.4756
4.32 Normal
0.50 0.4756 0.9756 97.56 %
71.5 <=80

20

Tabla distribucin
Normal
Probabilidad de exceder a 80 semanas el proyecto
80 71.5 Tabla distribucin

1.97 0.4756
4.32 Normal
0.50 0.4756 0.0244 2.44 %
71.5 >=80

21

Investigacion de Operaciones PDF

Загружено:

Сведения о документе

Оригинальное название

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

Investigacion de Operaciones PDF

Загружено:

Авторское право:

Доступные форматы

Curso: Investigacin de Operaciones Escuela de Administracin UNSA

Lic. Jorge Eloy Rojas Nina

La dificultad de tomar decisiones ha hecho que el hombre se

Este conjunto de herramientas o mtodos es lo que

Lic. Jorge E. Rojas Nina

Lic. Jorge Eloy Rojas Nina

Desde el advenimiento de la Revolucin industrial, el mundo

Una parte esencial de este cambio revolucionario fue el gran

Pero, en la medida que aumentan la complejidad y la

Lic. Jorge E. Rojas Nina

Este tipo de problemas y la necesidad de encontrar la mejor

Las races de la IO pueden encontrarse muchas dcadas atrs,

Sin embargo, el inicio de la actividad llamada investigacin de

Exista la urgente necesidad de asignar recursos escasos a las

Lic. Jorge E. Rojas Nina

Lic. Jorge Eloy Rojas Nina

Las administraciones militares estadounidense y britnica

Debido al desarrollo de mtodos eficaces para utilizar la

Sus investigaciones para mejorar el manejo de las operaciones

Lic. Jorge E. Rojas Nina

Despus de la guerra, el xito aparente de los grupos militares

El resultado eran problemas complejos de decisin. Estos

Desde entonces, se ha desarrollado con rapidez.

Lic. Jorge E. Rojas Nina

Lic. Jorge Eloy Rojas Nina

Un factor que tuvo gran importancia en el desarrollo de la IO,

Despus de la guerra, muchos de los cientficos que haban

Muchas de las herramientas caractersticas de la IO, como

Otro factor que dio gran impulso al desarrollo de este campo

Otro avance de los ochenta fue el desarrollo de computadoras

De esta forma, las tcnicas ms complejas estuvieron al

Hoy en da, millones de individuos tienen acceso a estos

Lic. Jorge Eloy Rojas Nina

Historia de la Investigacin de Operaciones

Lic. Jorge E. Rojas Nina

La investigacin de operaciones se aplica a problemas que se

La investigacin de operaciones intenta encontrar una mejor

Se dice una mejor solucin y no la mejor solucin porque es

Lic. Jorge E. Rojas Nina

Lic. Jorge Eloy Rojas Nina

Cuando se decide emprender un estudio de IO completo de un

Este grupo de expertos debe incluir individuos con

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge Eloy Rojas Nina

Una organizacin es un sistema formado por componentes

La complejidad de los problemas que se presentan en las

La investigacin de operaciones es la aplicacin de la

Lic. Jorge E. Rojas Nina

El xito del empleo de la IO es el de un enfoque de solucin de

La IO es relativamente costosa, lo que significa que no debe

Para llegar a hacer un uso apropiado de la IO, es necesario

Lic. Jorge E. Rojas Nina

Lic. Jorge Eloy Rojas Nina

Frecuentemente es necesario hacer simplificaciones del

La mayora de los modelos slo considera un solo objetivo y

Rara vez se realizan anlisis costobeneficio de la implantacin

Existe la posibilidad a no considerar la totalidad de las

Lic. Jorge E. Rojas Nina

La investigacin de operaciones ha tenido un efecto

En el proceso, la IO ha contribuido de manera significativa al

Tantoen Europa como en Asia existen federaciones de

Lic. Jorge Eloy Rojas Nina