Programacion Lineal

METODOSCUANTITATIVOSPARALOSNEGOCIOS 2009
CAPITULO3.FORMULACIONYOPTIMIZACION
DEMODELOS
ObjetivosdelCaptulo
Plantear y resolver problemas que impliquen toma de decisiones para obtener

minimizacindecostosomaximizacindeutilidades.
Resolverproblemasdeoptimizacinlinealy/oenteraporelmtodogrficoyporel
mtodosimplex
Interpretar los resultados de un problema de programacin lineal y/o entera
mediante el anlisis de sensibilidad, para tomar la mejor decisin que optimice la
utilizacindelosrecursosenunaorganizacinindustrialodeservicios.
3.0Introduccin
Eldesarrollodelosmtodosdeoptimizacin,segnmuchosautores,harepresentadouno
delosavancescientficosmsimportantesdesdemediadosdelsigloXX.Actualmenteson
unaherramientautilizadaenmuchoscamposdelaadministracin,delaeconomaydela
ingeniera.Existenmuchoslibrosdetextosobreeltemaymilesdeartculoscientficosen
revistasespecializadas.
Los mtodos de optimizacin tienen como base el mtodo cientfico para investigar y
ayudaratomardecisionessobrelosproblemascomplejosdelasorganizacionesdehoyen
da. Bsicamente siguen los pasos siguientes: (1) la observacin de un problema, (2) la
construccin de un modelo matemtico que contenga los elementos esenciales del
CAPITULO3.FORMULACIONYOPTIMIZACIONDEMODELOS
problema, (3) la obtencin, en general con la utilizacin deunordenador, de las mejores
soluciones posibles con la ayuda de algoritmos exactos o heursticos y finalmente (5), la
calibracinylainterpretacindelasolucinysucomparacinconotrosmtodosdetoma
dedecisiones.
Unejemplosimple,elproblemadelaasignacin,nospuedeservirparailustrarladificultad
esencialdelosmtodoscuantitativos.UnaEmpresatiene70empleadosconcalificaciones
diferentes(Administradores,Ingenieros,personalAuxiliar,etc.)quehemosdeasignara70
tareastambindiferentes.Sipudiramosdeterminarunvalorquereflejaselaasignacinde
un empleado a una tarea determinada, tendramos que escoger una entre 70! formas
posiblesdepermutacindelasasignacionesquemaximiceelvalortotal.Cmoque70!es
aproximadamenteiguala10100,necesitaramosunordenadorqueejecutase1.000.000de
operaciones por segundo durante aproximadamente 1087 aos, para examinar todas las
permutaciones. Problemas de decisin como ste son muy comunes y se tienen que
desarrollar modelos de programacin matemtica, mtodos matemticos para obtener
solucionesalosmodelos,yalgoritmosdeordenadormuyeficientes.
Compilacin: Ybnias El Grijalva Yauri 72

Los mtodos cuantitativos han tenido un impacto impresionante en la mejora de la

eficiencia de numerosas organizaciones en todo el mundo. Existen inmeras aplicaciones
conxitoentodoslos camposendonde la tomadedecisionesescomplejay quepueden
implicar para la organizacin grandes inversiones o cambios en la organizacin que
determinensufuturo.
3.1ProgramacinLineal:FormulacindeProblemas
La programacin lineal es la herramienta bsica ms utilizada dentro de los mtodos

cuantitativos,debidotantoasuinmensoabanicodeaplicacionescomoasusimplicidadde
implementacin. Efectivamente, el desarrollo de la programacin lineal, segn muchos
autores,harepresentadounodelosavancescientficosmsimportantesdesdemediados
del siglo XX. Actualmente es una herramienta utilizada en muchos campos de la
administracin,delaeconomaydelaingeniera.
Laprogramacinlinealesuncasoespecialdelaprogramacinmatemtica,endondetodas
las funciones que hay en el modelo son lineales: siempre tenemos una funcin objetivo
linealaoptimizar(maximizarominimizar),sujetaarestriccioneslinealesindividuales.Las
variablesdelmodelo,quesoncontinuas,nicamentepuedencogervaloresnonegativos.Si
bienpuedeparecerqueestossupuestosquitanrealismoalproblemaporqueelmodelador
est limitado al uso de ecuaciones que quizs no son frecuentes en el mundo real, las
tcnicasdeprogramacinlinealseutilizanenunamplsimoespectrodeproblemascomo,
entreotros,deplanificacinygestinderecursoshumanosymateriales,detransporte,de
planificacinfinancieraydeorganizacindelaproduccin.Endefinitiva,unaextensagama
de problemas que aparecen en las reas de tipo industrial, econmico, administrativo,
militar...
El trmino programacin tiene su origen en la planificacin de las actividades que se

realizan en una organizacin tal como una fbrica, un hospital, una compaa area o un
organismo pblico, en dnde hay un objetivo a optimizar (maximizacin de beneficios, 3.1ProgramacinLineal:FormulacindeProblemas
minimizacin de costos, maximizacin de la cobertura sanitaria, etc.). No tenemos que
confundirestetrminoconlaprogramacinenreferenciaalapreparacindeunaserie
derdeneseinstruccionesdeunlenguajeinformticoenunordenador.
3.1.2OrgenesdelaProgramacinLineal
La programacin lineal, si bien actualmente se utiliza frecuentemente para resolver

problemas de decisin, era casi desconocida antes de 1947. Ninguna investigacin
significativafuerealizadaantesdeestafecha,sibienhayquemencionarque,alrededorde
1823,elmatemticofrancsJeanBaptisteJosephFourierparecaconocerelpotencialdel
tema.

Un matemtico ruso, Leonid Vitalievitx Kantorovitx, que public una extensa monografa
en 1939, Matematitxeskie Metodi Organisatsi i Planirovaniia Proisvodstva (Mtodos
matemticos para la organizacin y planificacin de la produccin) fue el primer
investigadorenreconocerqueunaampliagamadeproblemasdeproduccinydistribucin
tenanunaestructuramatemticay,queporlotanto,sepuedanformularconunmodelo
matemtico. Desgraciadamente sus propuestas fueron desconocidas tanto en Unin
Soviticacomoeneloccidentedurantedosdcadas.Duranteesteperiodo,laprogramacin
linealexperimentungrandesarrollotantoenEstadosUnidoscomoenEuropa.Despus
de la segunda guerra mundial, funcionarios del gobierno americano consideraron que la
coordinacin de las energas de toda una nacin debido al peligro de una guerra nuclear
requerira la utilizacin de tcnicas cientficas de planificacin. Con la aparicin del
ordenador esto se hizo posible. Se crearon instituciones como la Corporacin RAND en
dondeingenierosymatemticossepusieronatrabajarintensamenteenlaformulaciny
resolucin de problemas matemticos aplicados a la toma de decisiones. Entre otros, se
propusounmodelodeprogramacinlinealporsusimplicidadyaplicabilidad,sindejarde
dar un marco lo suficientemente amplio para representar actividades interdependientes
que han de compartir recursos escasos. El sistema (como, por ejemplo, la produccin
industrial) se compone de diversas actividades relacionadas entre ellas (formacin,
fabricacin, almacenaje, transporte, distribucin y venta). Este fue el primer modelo de
programacinlinealconocido.
EnquconsistelaProgramacinLineal?
LaProgramacinlineal(PLdeahoraenadelante)consisteenencontrarlosvaloresdeunas
variablesquemaximizanominimizanunnicoobjetivosujetoaunaseriederestricciones.
LasprincipalescaractersticasdePLson:
1. Unnicoobjetivolinealaoptimizar(maximizarominimizar)
2. Unasvariablesdedecisinquesiempresoncontinuas2ynonegativas
3. Unaomsrestriccioneslineales
4. Unconocimientoexactodelosparmetrosyrecursosutilizadosenlaconstruccin
delmodelo. 3.1ProgramacinLineal:FormulacindeProblemas
Sitodasestascondicionessecumplen,existenvariosmtodosdeobtencindesoluciones
quenosdanlasolucinptimaconuncostocomputacionalrelativamentereducido.Como
veremosmsadelante,inclusolamspopulardelasHojasdeClculo,Excel,incorporauna
herramientapararesolverprogramaslineales.
Acontinuacinanalizaremosconmsdetallesestascaractersticasyloqueocurresiunao
variasdeellasnosecumplen.
En primer lugar, cabe destacar que en la PL todas las funciones utilizadas tanto en el
objetivo como en las restricciones son lineales. Es decir, las restricciones consisten en la
2
Porcontinuasseentiendequepuedentomarvaloresfraccionados

suma de variables multiplicadas por sus respectivos parmetros, siendo esta funcin
menor, igual o mayor que un determinado recurso. El objetivo tambin es lineal, si bien
desconocemos a priori su valor. En caso de que tanto el objetivo como una o ms
restriccionesnofueranlineales,seranecesarioelintroducirmtodosdeprogramacinno
lineal, que son mucho ms complejos de resolver y cuya optimalidad no siempre est
garantizada.
En segundo lugar, la PL considera que las variables de decisin son continuas. Desde el
punto de vista matemtico de obtencin de soluciones, esta caracterstica no ofrece
problemas.Ahorabien,enmuchassituaciones,lainterpretacineconmicadelasolucin
de un problema de PL no tiene sentido si obtenemos fracciones en las variables. Por
ejemplo,siestamosasignandotrabajadoresatareas,notienesentidounresultadoqueen
unmomentodeterminadoasigne3,4trabajadoresaunadeterminadatarea.Porotrolado,y
como veremos ms adelante, si uno opta por redondear al enteroms prximo se puede
cometer un grave error. Para poder obtener soluciones enteras en problemas que lo
requieren,seutilizalaProgramacinlinealEntera,queserobjetodeestudioenelcaptulo
cuartodeestelibro.
En tercer lugar, los modelos de PL consideran que hay un nico objetivo a maximizar o
minimizar. Muchas veces podemos tener que resolver problemas que tienen ms de un
objetivo. Por ejemplo, por un lado podemos querer maximizar la cobertura de un
determinado servicio sanitario, mientras que por el otro queremos reducir los costos
generales. Ambos objetivos son conflictivos, en el sentido de que aumentar la cobertura
significara un aumento en la necesidad de recursos con el consecuente incremento de
costos en el sistema. Esta conflictividad se resuelve utilizando mtodos de Programacin
Multicriterioomultiobjetiva,presentadosenelcaptuloquintodeestelibro.
Finalmente, en la PL se considera que los parmetros utilizados en la construccin del

modelo se conocen con exactitud, o en trminos ms tcnicos, son determinsticos. Sin
embargo, existen situaciones en las que uno o ms parmetros tienen un componente
estocstico, o en palabras menos tcnicas, tienen una variabilidad (que en algunos casos
puedeserrepresentadaporunadistribucinestadstica).Siestoacontece,laPLyanoesun 3.1ProgramacinLineal:FormulacindeProblemas
buen instrumento para la obtencin de soluciones. Es necesario utilizar tcnicas de
ProgramacinEstocstica,quequedanfueradelalcancedeestelibro.
3.1.3FormulacindeModelos
En esta seccin se presentan algunos ejemplos de los problemas con los cuales se puede
encontrar una organizacin y como la programacin lineal puede expresarlos
matemticamente.
UnProblemadeasignacindepersonal
ElhospitalESSaludhadecididoampliarsuserviciodeurgencias(abiertolas24horas)con
la consiguiente necesidad de nuevo personal de enfermera. La gerencia del hospital ha

estimadolasnecesidadesmnimasdepersonalportramoshorariosparapodercubrirlas
urgencias que se presenten. Se definieron 6 tramos de 4 horas. La necesidad mnima de
personal en cada tramo se indica en el Cuadro 3.1. Por otro lado, el departamento de
recursoshumanoshainformadoagerenciaqueloscontratoslaboraleshandeserdeocho
horasseguidas, segnelConveniofirmadocon lossindicatos,independientementedelos
horariosdeentradaysalidadelpersonal.Elproblemaesencontrarelnmeromnimode
personalnecesarioparacubrirlademanda.
TramosHorarios
1 2 3 4 5 6
J
0:004:00 4:008:00 8:0012:00 12:0016:00 16:0020:00 20:0024:00
PersonalNj 9 5 3 7 5 6
Cuadro3.1:Necesidadesdepersonalportramoshorarios
Formulacindelproblema:
Enprimerlugar,setienenquedefinirlasvariablesdelmodeloquequeremosdesarrollar.
Como hemos de controlar en nmero de personal en cada turno, definimos Xj como la
cantidaddepersonalqueentraatrabajarenelturnoj,endondej=1,...,6.Esdecir,hayuna
variableparacadaturno.
Lasrestriccionesdelmodelotienenquereflejarlanecesidaddequelacantidaddepersonal
queentrenenelperiodojmselnmerodepersonasqueentraronatrabajarenelturnoj
1seasuficienteparacubrirlasnecesidadesdelturnoj(Nj).Estasituacinquedareflejada
enelCuadro3.2.Enestatabla,untrabajadorqueentraatrabajar,porejemplo,alas4:00,
trabajarenlosturnos2y3,yportanto,contribuiracubrirlasnecesidadesdeestosdos
turnos.Enotraspalabras,elturnojestarsiendoatendidoporXj1yXj.Enconsecuencia,
tendremos que Xj1 + Xj (el personal que trabaja durante el turno j) tiene que ser, como
mnimo,igualaNj,queeselnmeromnimodepersonaldeenfermeranecesarioparaeste
turno.Entrminosmatemticoslarestriccineslasiguiente:
Xj1+Xj>Nj 3.1ProgramacinLineal:FormulacindeProblemas
Habrunarestriccinparacadahorariodeentrada.
El objetivo de la gerencia consiste en la minimizacin del nmero total de personal de

enfermeranecesarioparacubrirlasnecesidadesdiarias.EstenmeroserigualaX1+X2
+X3+X4+X5+X6querepresentalasumadelnmerodepersonalqueentraencadaperiodo.
Finalmente,elmodelomatemticoeselsiguiente:

min
. .
9
5

3
7
5
6
0, 1, , 6
TramosHorarios
1 2 3 4 5 6

0:004:00 4:008:00 8:0012:00 12:0016:00 16:0020:00 20:0024:00
00:00 X1 X1
04:00 X2 X2
08:00 X3 X3
12:00 X4 X4
16:00 X5 X5
20:00 X6 X6
PersonalNj 9 5 3 7 5 6
Cuadro3.2:Necesidadesdepersonal
Unproblemadeasignacinderecursos
ElgerentedelhospitalESSaludhaobservadoquealgunosdesusserviciostienencapacidad
ociosa. Siguiendo una propuesta realizada por el equipo mdico, esta capacidad ociosa
podraaprovecharseparaintroducirdostiposnuevosdeciruga,AyB.Tantolospacientes
detipoAcomolosdetipoBtienenquepasarprimeroporunasaladeprecirugay,unavez
pasadoporelquirfanotienenqueestarenobservacinenunasalapostoperatoria,queno
existe de momento. El equipo mdico ha estimado el tiempo medio que necesita cada 3.1ProgramacinLineal:FormulacindeProblemas
pacientedetipoAydetipoBencadaunodelosserviciosprequirrgico(PQ),quirrgico
(QI)ypostoperatorio(PO).Laexperienciaenunhospitalsimilarmuestraqueporcadatres
pacientesdetipoAquelleganalhospitalcomomnimollegaunodetipoB.Porotraparte,
sehaestimadoelcostodecadapacienteenlosdiferentesservicios.ElCuadro3.3muestra
losdatosdelproblema,teniendoencuentaquelacapacidadociosaesenhorasmensualesy
elcostoporpacienteennuevossoles.
HorasNecesariasdeCiruga
Capacidad
A B Ociosa
SalaPQ 1 3 144
SalaQI 3 2 162
SalaPO 4 2

Costo 13 18
Cuadro3.3:EstimacioneshorariasdelascirugasAyB
Como el servicio postoperatorio (PO) an no existe, el gerente argumenta que para

justificarsucreacintienequeutilizarseduranteunmnimode135horasalmes.Porotra
parte, el presupuesto mensual asignado a las nuevas cirugas es de S/.982. El gerente
quieresabercualserelnmeromximodepacientesquepodrnseroperadosalmes.
Formulacinmatemticadelproblema:
Primerodefinimoslasvariablesdelmodelo.SeanX1yX2elnmerototaldepacientespor
mes que pueden ser tratados con la ciruga A y B respectivamente. A continuacin se
presentanlasrestricciones.
Se ha establecido que en la sala PQ se disponen de 144 horas. En otras palabras, la

utilizacindeestasalanopuedesobrepasarlas144horas.Comocadaunodelospacientes
detipoAydetipoBconsumen1horay3horasenestasalarespectivamente,elnmero
totaldehorasmensualesconsumidasenPQparalosdostiposserigualaX1 + 3X2. Este
nmerotienequeserinferioroigualalas144horas.Larestriccinserlasiguiente:
X1+3X2 144
Elmismorazonamientopuedeserutilizadoparadeterminarelnmerolmitedehorasen
lasalaQI.Comoeltotaldehorasconsumidasseriguala3X1+2X2,yhayunmximode
162horasdisponibles,larestriccinsobreQIser:
3X1+2X2 162
Elgerentehadeterminadoque,paraviabilizarlosnuevostratamientos,setienequeocupar
la nueva sala PO durante un mnimo de 135 horas al mes. Como el nmero de horas
mensualesqueseutilizarenPOesiguala4X1+2X2,tendremosque:
4X1+2X2>135
Laexperienciaenotroshospitalesmuestraque,porcada3pacientesdetipoA,vienecomo
mnimounpacientedetipoB.Matemticamente,estoseexpresacomo:
queesequivalentea:
X13X2 0

Finalmente,elgastomensualrealizadoenlasdoscirugasnopuedeexcederS/.982.Como
cada paciente de tipo A y de tipo B cuesta 13 Nuevos soles y 18 Nuevos soles
respectivamente, el gasto total mensual ser de 13X1 + 18X2, cantidad que no puede
excederS/.982,tendremosque:
13X1+18X2 982
Ahora se necesita formular el objetivo. El gerente quiere saber el nmero mximo de

enfermos de tipo A y de tipo Bque se puede atender cada mes.Simplemente, tendremos
quesiZesestenmero,elobjetivoseexpresarcomo:
MaxZ=X1+X2
Enresumen,laformulacindelproblemaeslasiguiente:
max
. .
144
3 2 162
4 2 135
3 0
13 18 982
, 0
Unproblemadetransporte
ElhospitalESSaludtieneunCentrodeAsistenciaPrimaria(CAP)ennpueblosyciudades
de una regin (un CAP en cada centro urbano). Para obtener un buen funcionamiento
globaldelservicioypoderplanificarelnmerodevisitasenfuncindelpersonalprevisto
encadaCAPydesudimensin,ESSaludhadecididoorganizarelserviciodetalformaque
todos sus asegurados tengan un CAP de referencia asignado, pero que sea ste el ms
cercanoposibleasulugarderesidencia.Enlareginhaymciudadesypueblos(siendom
mucho mayor que n) y se sabe cuantos asegurados tiene en cada uno de ellos. Los CAP 3.1ProgramacinLineal:FormulacindeProblemas
tienenunacapacidadmximadepacientesquepuedensoportar.Elobjetivoesasignaralos
aseguradosalosCAPsminimizandoelcostooladistanciatotal.
Si no existiera el problema de capacidad, el modelo sera trivial, ya que bastara asignar

cadaciudadalCAPmscercano,obtenindoseelcostodetransportemsbarato.Altener
lmitesenlacapacidad,puedeserquenotodaslasciudadestenganasignadoelcentroms
cercano, ya que esto implicara una sobre utilizacin. Entonces, puede ser que alguna
ciudad, o parte de ella tenga asignada CAP que no es el ms cercano, en funcin de la
disponibilidadoholguradelsistema.EncasodequequeramosasignarunnicoCAPacada
ciudad,setienequeformularunproblemadiferente,ElProblemadeAsignacin.
En primer lugar se definen los parmetros necesarios para formular el modelo. Sea ai el
nmerodeaseguradosenelcentrourbanoi,i=1,...,m.Seabjelnmerototaldeasegurados

queelCAPjpuedetenerasignadoscomomximo,j=1,...,n.Sedefinecijcomoelcostode
desplazamientoentreiyj.
Comosenecesitaconocercuantaspersonasdelcentrourbanoisernasignadasalcentroj,
sedefinelavariableXijcomoelnmerodepersonasqueprovienendelcentrourbanoique
sernatendidasporelCAPj.
Unavezdefinidoslosparmetrosylasvariables,necesitamosdefinirlasrestriccionesdel
modelo.Enesteproblemahaydostiposderestricciones.Laprimeravienedefinidaporla
capacidad de atencin mxima de los CAPs. El nmero total de asegurados asignados al
CAPjnopuedeexcedersucapacidadbj.ParaunCAPdeterminadoj,nopodemosasignarla
poblacinquelaquedeterminasucapacidadmxima
X1j+X2j+...+Xij+...+Xmj<bj
Entrminosmatemticos:
1, ,
Elsegundogrupoderestriccionestienequeconsiderarquehemosdeasignarlatotalidad
delosaseguradosdeESSaluddecadacentrourbanoialosCAPsexistentes.
1, ,
Finalmente,setienequeformularelobjetivodeminimizacintotaldeladistanciaocosto
totaldelsistema.Estevienedefinidopor:
c11X11+c12X12+...+c1nX1n+...+cijXij+...+cm1Xm1+...+cmnXmn 3.1ProgramacinLineal:FormulacindeProblemas
quepodemosreescribirenformacompactacomo:
min
Enresumen,laformulacincompletadelmodeloeslasiguiente:

min
1, ,

1, ,
0 1, , ; 1, ,
Se tiene que observar que este problema presenta una peculiaridad que no est en la
formulacin. Para que el problema tenga una solucin factible, el nmero total de
asegurados no puede exceder la capacidad total de los CAPs. Es decir, existe la siguiente
restriccinimplcitaenelmodelo:
Siestonoseverificara,elproblemanotendrasolucin.
UnproblemadeProgramacinFinanciera
La compaa de seguros Pacfico SA est preparando su plan de inversiones para los

prximosdosaos.Actualmente,laempresatiene1,5millonesdedlaresparainvertiry
esperaingresar,graciasainversionespasadas,unflujodedineroalfinaldelosmeses,612
y18prximos.Porotraparte,laempresaquiereexpandirseytienedospropuestassobre
lamesa.LaprimeraesasociarseconlaempresaPositivaSAylasegundaconlaempresa
RimacSA.EnelCuadro2.4esmuestraelflujodecajadePacficoSAsientraraconun100%
encadaunodelosproyectos.
Inicial 6meses 12meses 18meses 24meses
InversionesPasadas 500 400 380
SanimasSA 1 700 1.8 400 600
BuenavidaSA 800 500 200 700 2
Cuadro3.4:FlujodeCajadePacficoSA(milesdedlares)
Debidoal actualniveldeendeudamiento,aPacfico SAnoselepermitepedirprstamos.

Perosiquepuede,acadaseismeses,invertirsusfondosexcedentes(esdecir,aquellosque
nohainvertidoenningnproyecto)enunfondoqueledaraun7%cadaseismeses.Por
otrolado,PacficoSApuedeparticiparencadaunodelosproyectosconunnivelinferioral
100%y, consecuentemente, el flujode cajasereduciren la mismaproporcin.Es decir,
que si decide entrar por ejemplo con el 50% en el proyecto de Rimac, el flujo

correspondientetambinsereducirenlamismaproporcin.Elproblemaqueseplantea
Pacfico SAes cuanto invertir encada proyecto para maximizar el dineroen efectivoque
tendrlaempresaendosaos.
Formulacinmatemticadelproblema:
Siguiendo nuestro esquema habitual, una vez el problema ha sido identificado y los
parmetros del modelo han sido definidos, se tienen que definir las variables. Sea X1 el
porcentajedeparticipacinenelproyectoPositivayX2elporcentajedeparticipacinenel
proyectoRimacSA(0<X1<1;0<X2<1).Porotrolado,seanS0,S6,S12yS18eldineroque
sedepositarenelfondoenlosperiodos0,612y18respectivamente.
Para formular las restricciones del modelo se utilizar un razonamiento secuencial. La

empresa dispone de 1,5 millones de dlares hoy (periodo 0) y las quiere gastar
considerandolasopcionessiguientes:
1. participarenelproyectoPositiva,queimplicaradesembolsar1.000.000X1dlares
enelperiodo0;
2. participarenelproyectoRimac,teniendoquegastar800.000X2;
3. depositareldineroal7%
Estasopcionesnosonexcluyentesentreellas.Porlotanto,setienequecumplirlasiguiente
ecuacindeequilibrio:
1.500=1.000X1+800X2+S0
Al cabo de seis meses, la empresa ingresar 500.000 dlares, gracias a inversiones

realizadasanteriormente.Tambineldinerodepositadoenelfondoenelperiodoanterior
estaradisposicinjuntoconlosintereses:S0+0.07S0.Porotraparte,elproyectoRimac
darunaentradadedineroiguala500.000X2.Conestedinerotendrquehacerfrenteal
compromiso adquirido con Positiva, 700.000X1, y depositar lo que quede al 7% una vez
ms.Matemticamente: 3.1ProgramacinLineal:FormulacindeProblemas
500+500X2+1,07S0=700X1+S6
En el periodo 12, la empresa recibir 400.000 dlares. de inversiones anteriores,

1.800.000X1delproyectoPositivayeldinerodelfondojuntoconlosintereses.Conestos
ingresos tendr que cubrir el compromiso del proyecto Rimac, 200.000X2 y depositar S12
dlares,enelfondo.Entrminosmatemticos:
400+1.800X1+1,07S6=200X2+S12
En el periodo 18, los ingresos que tendr la empresa vendrn de inversiones anteriores
(380.000), del proyecto Positiva (400.000X1) y del depsito realizado en el periodo
anteriorincluyendolosintereses(1,07S12).Conestedinerotendrquerealizarungastode

700.000 X2 en el proyecto Rimac y el resto puede volver a ponerlo en el fondo (S18). Es

decir:
380+400X1+1,07S12=700X2+S18
Finalmente,alcabodedosaos(periodo24),laempresatendrnicamenteingresosyno
tendrningngasto.Losingresosprovienendelosdosproyectos(600.000X1+2.000.000
X2)ydeldinerodepositadoenelperiodoanterior,1,07S18.SisedefineZcomolosingresos
realizadosenelperiodo24enmilesdedlares,tendremosque:
Z=600X1+2.000X2+1,07S18
quenoesmsqueelobjetivodelproblema:Maximizarlosingresosalcabodedosaos.
Finalmente, como solo se puede invertir un mximo de 100% en cada proyecto, las
variablesX1yX2nopuedenexcederlaunidad.Porlotanto,hayqueaadirlasrestricciones
siguientes:
X1<1
X2<1
Enresumen,reordenandolostrminostendremosqueelprogramalinealseescribedela
formasiguiente:
max 600 2000 1.07

. .
1000 800 1500
700 500 1.07 500
1800 200 1.07 400
400 700 1.07 380
1
1
, , , , , 0 3.2ProgramacinLineal:MtodosdeResolucin
3.2ProgramacinLineal:MtodosdeResolucin
Hasta ahora hemos formulado matemticamente algunos problemas de gestin y

administracinderecursosydedinero.Perounmodelomatemticodedecisin,pormuy
bien formulado que est, no sirve de nada sino podemos encontrar una solucin
satisfactoria. Una de las caractersticas de la programacin lineal es que, gracias a sus
propiedadesmatemticas,seconsiguelasolucinptimasinmuchasdificultades.Enesta
seccinexaminaremosenprimerlugarelmtodogrfico,unsistemalimitadoaproblemas
con dos variables, y a continuacin el mtodo Simplex, el algoritmo ms comn para
solucionarproblemaslinealesconmuchasvariablesyrestricciones.

3.2.1Elmtodogrfico
Estemtodoesmuysimpledeutilizar,perosolopuedeseraplicadoaproblemascondos
variables. Por otro lado, es muy til para entender las propiedades matemticas de la
programacin lineal. Consideremos el problema lineal siguiente, correspondiente el
problemadeasignacinderecursoslaseccinanterior,sinlarestriccindellosrecursos
necesariosmnimosenlasalapostoperatoria(PO)ysinlarestriccindelademanda:
max
. .
144
3 2 162
13 18 982
, 0
En primer lugar, se dibuja en un grfico cartesiano lasrestriccionesdel modelo pero con

signodeigualdad.Comosepuedeobservarenlafigura3.1,larectaX1+3X2=144separael
plano en dos semiplanos. Los puntos que corresponden al semiplano S1 cumplen la
restriccin2X1+3X2 144.Esdecir,estesemiplanocontienetodaslascombinacionesde
X1yX2quesatisfacenlarestriccin.Sidibujamostodaslasrestriccionesysussemiplanos
correspondientes encontraremos que la regin que forma la interseccin de todos los
semiplanos incluye todas las combinaciones de X1 y X2 que satisfacen todas las
restriccionesdelmodelo.Estareginsepresentaenlafigura3.2(elreaentrelospuntos
A,B,C,DyE)yseconocecomolareginfactibleoespaciodesolucionesyesunconjunto
convexo3.Cualquierproblemadeoptimizacinconrestriccioneslinealestieneunaregin
factibleconvexa.CualquiersolucindelareginfactibleesconocidacomoSolucinfactible.
Silareginestvacanoexistensolucionesfactibles(verelejemplodelafigura2.4).

Figura3.1:Visualizacindeunarestriccin
Ahorasetienequeescogerlasolucinfactiblequeoptimicenuestrafuncinobjetivo,que
esZ=X1+X2.Obsrvesequenormalmenteexisteninfinitassolucionesfactiblesyserla
3
Paracualquierparejadepuntosdentrodelespaciofactible,elsegmentodelneaquelosunetambinse
encuentradentrodelconjunto.

funcin objetivo quin escoja aquella que optimiza su valor. En la programacin lineal la
funcin objetivo tambin tieneforma lineal. Se trata de determinar el valor mximo de Z
que cumpla todas las restricciones o, en otras palabras, encontrar los valores de X1 y X2,
puntosdentrodelareginfactible,quemaximicenZ.
Lamecnicaparalograrencontrarelpuntoptimosebasaenlalinealidaddelobjetivo.En
esteejemplo,elobjetivosepuedereescribirdelaformasiguiente:
X2=X1+Z
A medida que Z aumenta, la recta se desplaza paralelamente hacia fuera, ya que la

pendienteesconstante(enestecasoiguala1).SetratadeencontrarelvalordeZmximo,
pero con la condicin de que tiene que haber como mnimo un punto de la recta que
atravieselareginfactible.Enelgrfico2.2estarectasepresentaparaelvalordeZ=62,
valorptimodelproblema,endondeX1=34yX2=30.ParacualquiervalordeZsuperiora
62, no existir ninguna solucin factible ya que la recta correspondiente a la funcin
objetivosedesplazahaciaelexterior,yconsecuentementenotocaraningunapartedela
reginfactible.ParavaloresdeZinferioresa62,existenmuchassolucionesfactibles,pero
ningunadeellasesptima.Intuitivamentesepuedeverquelasolucinptimasiemprese
producir en un punto extremo o vrtice, que en el grfico no es ms que el punto de
interseccindedosomsrestricciones.
Msformalmente,unpuntodeunconjuntoconvexoesunpuntoextremosinohayningn
pardepuntosdelconjuntoconvexoendondeelsegmentodelneaquelosunepaseporel
puntoencuestin.
Otraformadeobtenerelptimoescalcularelvalordelobjetivoencadaunodelospuntos
extremos y escoger aquel punto extremo que da el mejor valor. Este punto dar el valor
ptimo.

METOD
DOSCUAN
NTITATIV
VOSPARA EGOCIOS
ALOSNE 2009

Figura3.2:Solucingrficadelejemplo
nsituacioneesendond
Existen denohayu unanicassolucin,siinoquepu uedenhaberinfinitass
ones,oporelcontrario,noexistiirsolucinalguna.Exxaminemoselprimercasoconlaa
solucio
ayudaddelafiguraa3.3.Lareectacorresspondientealobjetivo otienelam
mismapen ndientequee
unadelasrestriccciones.Esd decir,quettodaslasco
ombinacion nesdelasd
dosvariableesentreloss
puntosAyBcumplenlasrestriccionessymaximizzanelbeneeficio.Poro otrolado,laafigura2.4
4
muestrra una situaacin en dondenohaay solucion nes. La rep
presentacin grfica((figura 3.4))
corresp
pondealprrogramalin nealsiguien nte:
max 2
. .
6
8
, 0

Figura3.3:InfinitassSoluciones
Compilaccin: Ybnias El Grijalva Yaurri 86

METOD
DOSCUAN
NTITATIV
VOSPARA EGOCIOS
ALOSNE 2009

Figura3.4
4:Inexistenciaadesoluciones
Elmto odogrficooessencilloodeaplicaarparaencontrarlasolucinptimadeun nprogramaa

lineal deoptimiza
d acin,pero
onicamen ntecuandostesolo tienedosvvariables de d decisin.
Desgraciadamentte, la gran mayora ded problem mas linealess aplicadoss tienen muchas
m mss
variables (alguno os llegan a
a tener milllones de ellas)
e y po
or lo tanto
o se hace inviable
i su
u
utilizaccin. En laa seccin siguiente se desarrolla un mtodo
m basstante eficiente paraa
encontrrarsolucionesptimaasdeprogrramaslineaalesconmu uchasvariaablesyrestrricciones.
3.2.2E
ElMtodo
oSimplex
mer mtod
El prim do formal para
p encon ntrar solucciones pttimas el m mtodo Simmplex fuee
desarro olladoporDantzigen n1947ymeejoradoporrCharneseentre1948 8y1952.Acctualmentee
eselmtodomsutilizadoeenlabsqu uedadesolu ucionesptimasdeprogramasllineales.En n
esteappartadoseeexaminasu ufuncionam mientodefo ormasimplleeintuitivva.
En primmer lugar recordem mos como encontrbaamos solu uciones conn el mtod do grfico.
Primerro formbaamos un co onjunto con nvexo con las restricciones del modelo. Segundo, see
dibujabbalafuncinobjetivofueradelcconjuntoco onvexodan ndounvalo orarbitrariioalpropio
o
objetivo y se iba desplazaando sta paralelam mente (ya que su peendiente es e siempree
constan nte)hasta encontrarsseconunp puntoextreemo.Intuittivamente, podemosv verqueseaa
cualsealafunci nobjetivo lineal,lassolucinpptimaseen ncontrareenunpunttoextremo,
comom mnimo4.Estoreduceebastanteeelespectro odesolucio onesdelprroblema,limitandolaa
bsqueeda del pttimo a loss puntos exxtremos. An
A as, pu
uede haberr muchsimmos puntoss
extremmos en un pproblema. Por ejemp plo, un probblema gran nde con 20
000 variables y 40000
restriccciones tien
ne exactamente 2 2000 puntos exttremos, es decir, aprroximadamente 10 . 600
4
Deciimoscomom mnimo,porqu uecomohem mosvistopueedenexistir((raramente) situacioneseendondehay
y
msdeunasoluccinptima;aanas,siemp
prehabrunnpuntoextrem moquedelvalorptimoo.

Por lo tanto, tenemos que encontrar un mtodo para reducir el nmero de soluciones
factiblesposiblesdeserptimas.Dantzighizoestasmismassuposiciones(oesocreemos)y
observprimerolascaractersticasmatemticassiguientes:
1. Elconjuntoformadoporlasrestriccionesesconvexo
2. Lasolucinsiempreocurreenunpuntoextremo
3. Unpuntoextremosiempretienecomomnimodospuntosextremosadyacentes5
Yapartirdeellasdesarrollelmtodosiguiente:
Encontrarunasolucininicialfactibleenunodelospuntosextremosdelconjunto
convexoycalcularelvalordelafuncinobjetivo.

Examinar un punto extremo adyacente al encontrado en la etapa 1 y calcular el
nuevovalordelafuncinobjetivo.Siestenuevovalormejoraelobjetivo,guardarla
nueva solucin y repetir la etapa 2. En caso contrario, ignorar la solucin nueva y
volveraexaminarotropuntoextremo.

Regla de parada: cuando no existe ningn extremo adyacente que mejore la
solucin,noshallamosenelptimo
Esdecir,quevamosdepuntoextremoapuntoextremoadyacentesiemprequepodamos
mejorar la solucin, hasta llegar a un punto en donde no existe ningn punto extremo
adyacente al que nos encontramos. Esta solucin es la ptima. Observemos de nuevo el
problemalinealpresentadoysucorrespondientesolucingrficapresentadaenlaFigura
3.2.ParaencontrarunasolucininicialenunpuntoextremopodemosfijarX1=0yX2=0y
el valor del objetivo Z ser igual a 0, solucin que corresponde al punto extremo A en la
Figura3.2.AhoraexaminamoselpuntoextremoadyacenteB,quecorrespondealospuntos
X1 = 0 y X2 = 48 y Z = 48. Como el objetivo ha mejorado, mantenemos esta solucin y
volvemos a examinar los puntos extremos adyacentes a B. Como el punto A ya lo hemos
visitado(yeraclaramenteinferior),nosquedaporverelpuntoC.EnestepuntoextremoX1
=17,X2=42.3yZ=59.3.Denuevolasolucinhamejoradoylaguardamoscomolamejor
hasta ahora encontrada. Finalmente, D es el nico punto extremo que nos queda por
examinarycomoenestepuntoX1=34yX2=30yZ=7.8elalgoritmoseparayestamosen
elptimo,yaquenoexisteningnpuntoextremoadyacentequemejoreelobjetivo.
Dantzig y ms tarde Charnes desarrollaron un mtodo matemtico para poder efectuar

estasoperaciones,esdecir,encontrarlosvaloresdelospuntosextremosadyacentes.Para
podervercomofunciona,esnecesariorealizarlasconsideracionessiguientes:
Como hemos visto, un programa lineal est compuesto por una funcin objetivo que
queremos optimizar (maximizar o minimizar), unas variables que denominaremos
5
UnpuntoextremoAesadyacenteaunpuntoextremoBsinoexisteningnpuntoextremoentreellos.
Porejemplo,enlafigura3.2.lospuntosByDsonadyacentesalpuntoC.

estructuralesy unconjuntoderestricciones.En general,podemosencontrar trestiposde

restriccionesenfuncindeladireccindeladesigualdad: , =.Todarestriccinconlos
sentidos pueden transformarse en una restriccin con igualdad aadiendo una
variable. Si la desigualdad tiene la direccin , podemos aadir una variable de holgura.
Porejemplo,larestriccinX1+3X2 144sepuedetransformarenX1+3X2+X3=144.Si
en la solucin final del modelo la restriccin se cumple con igualdad dados unos valores
finalesdeX1yX2entonceslavariabledeholguraasociadaalarestriccinesiguala0.En
otras palabras, la variable de holgura mide la diferencia entre los recursos utilizados
realmenteylosdiscursosdisponibles.
Asmismo,silarestriccintieneladireccin_,podemosaadirunavariabledeexcesopara
obtener una ecuacin lineal. Por ejemplo, una restriccin de tipo X1 + X2 12 puede
transformarseenX1+X2X3=12.Lainterpretacineslamismaqueenelcasoanterior:si
enlasolucinfinalX3=0,larestriccinsecumplirconigualdad.Enestecaso,lavariable
deexcesomideelconsumoadicionalquerealizamosdeunrecursodisponible.
Con estas consideraciones, cualquier programa lineal con restricciones de desigualdad

puede transformarse en un problema lineal con todas las restricciones con forma de
igualdad sin alterar la naturaleza matemtica del problema. Esta transformacin se
denomina la forma cannica o forma aumentada de un programa lineal. Si tenemos n
variables y m restricciones con desigualdad, cuando escribimos la forma cannica del
problemalinealtendremosmnuevasvariablesdeholguraoexceso,esdecir,untotaldem
+ n variables y m restricciones. En resumen, tendremos que el conjunto de restricciones
formaunconjuntodeecuacioneslinealesconmsvariablesqueecuaciones.Enestecaso,
existen infinitas soluciones del sistema y nuestro objetivo es escoger entre ellas la que
optimiceelvalordelafuncinobjetivo.Porotrolado,sitenemosunprogramalinealconn
variables,mrestriccionescondesigualdadyrrestriccionesconigualdad,tendremosm+n
variablesym+rrestriccionesconigualdadenlaformacannica.Enestecaso,paraqueel
problema sea factible, se tiene que cumplir lo siguiente: m+n m+r, el nmero de
restriccionesnopuedesuperarelnmerodevariables.
Siutilizamoselejemplodelaasignacinderecursos,laformacannicadelproblemaser
lasiguiente:
max
. .
3 144
3 2 162
13 18 982
LosvaloresdelasvariablesenlospuntosextremossepresentanenelCuadro3.5.
Nmerode
ValorDel
X1 X2 X3 X4 X5 Variables
Objetivo
Positivas

A 0 0 144 162 982 3 0

B 0 48 0 66 118 3 48
C 16,8 42,4 0 26,8 0 3 59,2
D 34 30 20 0 0 3 64
E 54 0 90 0 280 3 54
A 0 0 144 162 982 3 0
Cuadro3.5:Puntosextremosdelejemplo
Diremosqueunasolucin aumentada es unasolucin delaformacannica del programa

lineal. Una solucin bsica factible es una solucin aumentada en un punto extremo. En
nuestroejemplo,lospuntosA,B,C,D,yEsonsolucionesbsicasfactibles.
A continuacin examinaremos las propiedades algebraicas de las soluciones bsicas.

Obsrvese que en nuestro ejemplo tenemos dos variables estructurales X1 y X2 y tres
variablesdeholguraX3,X4yX5,quesumanuntotaldecincovariables,ytresrestricciones
con igualdad o ecuaciones. Tenemos por lo tanto dos grados de libertad para encontrar
soluciones.Paraobtenerunasolucindeterminadatenemosquefijaraprioridosvariables
paradeterminarentoncesunsistemacontresvariablesytresecuaciones,quetendruna
solucinnica.EnelmtodoSimplex,siempresefijaelvalordedosvariablesen0.Estas
variables se denominan variables no bsicas y las restantes, variables bsicas. La solucin
deestesistemadeecuacionesesunasolucinbsica.Sitodaslasvariablesbsicassonno
negativas, tenemos una solucin bsica factible. En el ejemplo tenemos que en cualquier
puntoextremofactiblesiempretendremosdosvariablesigualesa0y3nonegativas.
Laexplicacinintuitivadeestasituacineslasiguiente:siobservamosunpuntoextremo
enlaFigura3.2veremosqueenlpasandosrectascorrespondientesadosrestricciones
consignoigual.Porlotanto, dosvariablesde holguraasociadasaestasrestriccionesson
igualesa0.Estassonnuestrasvariablesnobsicas.SimiramoselCuadro3.4,veremosque
encadapuntoextremosiemprehaytresvariablespositivasydosconvalor0.
El Cuadro 3.4 nos puede ayudar a entender como funciona el algoritmo Simplex y el
vocabularioalgebraicodefinidoenestecaptulo.Escojamoscomopuntodepartidaelpunto 3.2ProgramacinLineal:MtodosdeResolucin
extremoA.Comohemosmencionadoanteriormente,elmtodoSimplexsemuevedepunto
extremoapuntoextremoadyacentesiemprequeelobjetivomejore.ElpuntoAtienedos
puntos extremos adyacentes. Ambos mejoran el objetivo. Escogemos arbitrariamente el
puntoB.EnelpuntoAtenamosunasolucinbsicafactible(dosvariablesconvalor0,X1y
X2,ylasotrasconvalorespositivos).CuandopasamosalpuntoextremoB,observamosque
una variable estrictamente positiva en A pasa a tener elvalor 0 (la variable X3) mientras
que una de las variables con valor 0 pasa a tener un valor estrictamente positivo (la
variable X2). Este proceso se repite cada vez que pasamos de punto extremo a punto
extremoadyacente:unadelasvariablesbsicas(convalorpositivo)pasa asernobsica
(valor0)yunavariablenobsicapasaaserpositiva(variablebsica).EnelpuntoD,dos
variablesquetenanvalorpositivoenelpuntoextremoadyacenteanteriorpasanatener
unvalor0.Enotraspalabras,dossolucionesbsicassonadyacentessitodas,menosunade
susvariablesnobsicas,sonlasmismas.Entonces,pasardeunasolucinbsicafactiblea

una adyacente implica el cambio del estado bsico de una variable a uno no bsico, y
viceversa.
Entrminosgenerales,elnmerodevariablesnobsicasdeunasolucinbsicasiemprees
igualalosgradosdelibertaddelsistemadeecuacionesdelaformacannica.Elnmerode
variablesbsicassiempreesigualalnmeroderestriccionesfuncionales.
Propiedadesdelassolucionesfactiblesenunpuntoextremo
Si existe una nica solucin ptima,entonces statiene que ser obligatoriamente una
solucin factible en un punto extremo (una solucin bsica factible). Si hay varias
solucionesptimas,entonces,comomnimo,tienequehaberdosqueseanfactiblesen
puntosextremosadyacentes.

Existeunnmerofinitodesolucionesfactiblesenlospuntosextremos

Siunasolucinenunpuntoextremoesigualomejor(segnelvalordelobjetivoZ)que
todaslassolucionesdelospuntosextremosadyacentes,entoncesstaesigualomejor
quetodaslasotrassolucionesentodoslospuntosextremos;esdecir,esptima.
AhoraqueyaconocemoslospasosqueefectaelmtodoSimplexparabuscarunasolucin
ptimadeunprogramalineal,hacefaltaestudiarcmoserealizanstos.Paraentenderla
mecnicadelmtodo,tenemosquedarrespuestasalaspreguntassiguientes:
Paso inicial: Cmo seleccionamos la solucin factible inicial en un punto extremo (la
solucinbsicafactibleinicial)?

Paso Iterativo: Cuando buscamos un traslado a una solucin factible en un punto
extremoadyacente(unasolucinbsicafactibleadyacente):

a.Cmoseseleccionaladireccindeltraslado?(Quvariablenobsicaseescoge
paratransformarlaenbsica?)
b.Adndeserealizaeltraslado?(Quvariablebsicasetransformaennobsica?)
c.Cmoidentificamoslanuevasolucin?

Prueba de Optimalidad: Cmo determinamos que la solucin factible en un punto
extremo (solucin bsica factible) no tiene soluciones factibles en un punto extremo
adyacente(solucionesbsicasadyacentes)quemejorenelobjetivo?
Pararesponderaestaspreguntas,demomentoconsideraremosnicamenteelcasodeun
programalinealconrestriccionesdetipomenoroigual( ).Msadelanteampliaremosel
anlisiscuandoelproblematambincontienelosotrostiposderestricciones.
Enprimerlugarreescribimosnuestroejemploenlaformacannicaequivalente:

max
. .
0 0
1 3 144
2 3 2 162
4 13 18 982
Obsrvese que ahora la ecuacin (0) del objetivo est incluida dentro del sistema de
ecuacionesyquepodemosconsiderarZcomounavariableadicional.
1.PasoInicial
Estepasoinicialconsisteenencontrarcualquiersolucinbsicafactible.Unamanerafcil
dehacerloesigualandolasvariablesestructuralesdelmodeloa0.Siobservamoslaforma
cannica equivalente tendremos que igualando X1 y X2 a 0 las variables de holgura
automticamente cogen valores nonegativos (X3 = 144, X4 = 162, X5 = 982)
correspondientealpuntoextremoA.Porlotanto,lasolucinfactibleser(0,0,144,162,
982).
La razn por la cual la solucin encontrada se deducerpidamente es debido a que cada

ecuacintieneunanicavariablebsicaconuncoeficienteasociadoaellaiguala+1,yque
estavariablebsicanoapareceenningunaotraecuacindelsistema.Prontoobservaremos
que, cuando el conjunto de variables bsicas cambia, el algoritmo Simplex utiliza un
mtodoalgebraicollamadoeliminacinde Gauss paraponerlasecuaciones enestaforma
tan conveniente para obtener las soluciones bsicas factibles subsecuentes. Esta forma
funcional (una variable bsica por ecuacin con coeficiente +1) se denomina forma
apropiadadeeliminacingausiana.
2.Pasoiterativo:
En cada iteracin, el mtodo Simplex se mueve desde una solucin bsica factible a una
solucin bsica factible adyacente que mejora el objetivo. Este movimiento consiste en 3.2ProgramacinLineal:MtodosdeResolucin
convertirunavariablenobsica(llamadavariablebsicaentrante)enunavariablebsica
y, al mismo tiempo, convertir una variable bsica (llamada variable bsica saliente) en
variablenobsica,yaidentificarlanuevasolucinbsicafactible.
Preguntaa:Culeselcriterioparaseleccionarlavariablebsicaentrante?
Lascandidatasparalavariablebsicaentrantesonlasnvariablesnobsicasactuales.Esta
variable,que escogeremospara pasardenobsicaabsica,pasar detenerunvalor0a
tener unvalorpositivo,mientrasquelasrestantesseguirn con valor 0.Comoel mtodo
Simplexrequierequeestecambioimpliqueunamejoraenelobjetivo,esnecesarioquela
tasa de cambio en Z al aumentar el valor de la variable bsica entrante, sea positivo.
Observemoslaecuacin(0)delsistema.EstaexpresinreflejaelvalordeZenfuncinde
lasvariablesnobsicas,yporlotantoelcoeficienteasociadoaestasvariableseslatasade

cambio del valor del objetivo. Si, por ejemplo, X2 pasa de ser 0 a ser 1, el objetivo
aumentarenunaunidad.Comocriterio,escogeremoslavariablecuyocoeficienteaumente
mselobjetivoalpasaraserbsica6.
Ennuestroejemplo,lasdosvariablesnobsicassoncandidatasaentrarenlabaseyaque
aumentaran el valor del objetivo. Escogemos arbitrariamente X2 ya que tiene el mismo
coeficienteenlaecuacin(0)queX1.
Preguntab:Cmoidentificamoslavariablebsicasaliente?
Siignoramoslasvariablesdeholgura,alaumentarelvalordeX2manteniendoX1iguala0
nosdesplazamosporelejedelasordenadas(quecorrespondenprecisamentealosvalores
de X2). La solucin adyacente se alcanza en el punto B, que viene determinada por la
restriccin X1 + 3X2 144, que se cumplir con igualdad y por lo tanto acotar en 48 el
valordeX2,yaqueX1siguesiendoiguala0.
Cuando escribimos el problema en forma cannica, las soluciones factibles tienen que
cumplir tanto las restricciones funcionales como las de nonegatividad de todas las
variables,incluidaslasdeholgura.CuandovamosaumentandoelvalordeX2manteniendo
X1=0(variablenobsica),algunasdelasvariablesenlabaseactual(X3,X4,X5,X6)tambin
vancambiandodevalorparamantenervlidoelsistemadeecuaciones.Algunasdeestas
variables se reducirn al aumentar X2. La solucin bsica adyacente se alcanza cuando la
primera variable bsica que tena valor positivo pasa a ser igual a cero (recordemos las
restriccionesdenonegatividad).Estavariableserlaquesaledelabaseyporlotantose
transformarennobsica.Porlotanto,unavezescogidalavariablequeentrarenlabase,
lavariablequesaledelabaseseraquellaquellegueprimeroa0.Lavariablebsicaactual
con la cota superior ms pequea junto con la restriccin su nonegatividad ser la
escogida.
Examinemos esta cuestin en nuestro ejemplo. Tenemos que las variables bsicas
candidatasasalirdelabase(esdecir,aserigualesa0)sonX3,X4,yX5.EnelCuadro3.5Se
presentanlosclculosparaidentificarcualeslavariablebsicasaliente.Recordemosque
X1siguesiendoiguala0.
Variable
Ecuacin CotaSuperiorParaX2
Bsica
X3 X3=144X13X2 X2 144/3=48mnimo
X4 X4=1623X12X2 X2 162/2=81
X5 X5=98213X118X4 X2 982/18=54,6
Cuadro3.5:Clculosparaobtenerlavariablesaliente
ComoX1esunavariablenobsica,tendremosqueX1=0enlasegundacolumnadelCuadro
3.5.LaterceracolumnaindicalascotassuperioresparaX2antesdequelavariablebsica
6
Estecriterioessubjetivoynoimplicaquelasolucinptimaseaalcanzadamsrpidamente

correspondientealaprimeracolumnaseanegativa.Porejemplo,X3=0siX2=48(mientras
queX3>0siX2<48,yX3<0cuandoX2>48).ComoenestecasoX3(lavariabledeholgura
correspondiente a la restriccin X1 + 3X2 144) impone la cota negativa ms pequea
sobreX2,lavariablebsicasalienteserX3,demaneraqueenlanuevasituacintendremos
queX3=0(nobsica)yX2=48(bsica),quecorrespondealpuntoextremoB.
Pregunta c: Cmo podemos identificar de manera convincente la nueva solucin bsica

factible?
Despusdehaberidentificadolasvariablesentrantesysalientesdelabase(incluyendoel
valordelavariablebsicaentrante),necesitamosconocercualeselvalornuevodelresto
devariablesbsicas.Parapodercalcularestosvalores,elmtodoSimplexutilizalaforma
apropiadadeeliminacindeGaussquetenamosenelpasoinicial(aquellaenlacualcada
ecuacin tiene nicamente una variable bsica con coeficiente +1, y esta variable bsica
aparece enuna nica ecuacin).Se trata de encontrar la nuevaforma apropiada despus
del cambio de base. Se necesita realizar dos operaciones algebraicas normalmente
utilizadaspararesolversistemasdeecuacioneslineales.Estasoperacionesson:
1.Multiplicar(odividir)unaecuacinporunaconstantediferentede0.
2.Sumar(orestar)unmltipledeunaecuacinconotraecuacin
Estasoperacionessonlegtimasporqueimplicannicamente:1)multiplicarcosasiguales
(losdosladosdelaecuacin)porunaconstantey2)sumarcosasigualesconcosasiguales.
Por lo tanto, una solucin que cumple un sistema de ecuaciones determinado tambin lo
hardespusdelatransformacin.
Vamos a ver como funciona en nuestro ejemplo. Consideremos en sistema de ecuaciones

originales, en el cual se muestran las variables bsicas en negrita. El problema se puede
escribirdelaformasiguiente:
0 0
1 3 144

2 3 2 162
3 13 18 982
AhoraX2hasubstituidoaX3comovariablebsicaenlaecuacin(1).Entoncestenemosque
resolver este sistema de ecuaciones paraencontrar losvalores de las variable bsicas X2,
X4,X5(recordemosqueahoraX1yX3=0)ydeZ.ComoqueX2tieneuncoeficienteiguala+3
enlaecuacin(1),necesitamosrealizarunatransformacinparaquesucoeficientesea1.
Para ello basta multiplicar ambos lados de la ecuacin por 1/3. Una vez realizada la
operacin,lanuevaecuacin(1)eslasiguiente:
1 1
48
3 3

ElpasosiguienteeseliminarX2delasotrasecuaciones.Comencemosporlaecuacin(0).
Tenemosquerealizarlaoperacinsiguiente:
Ec.(0)nueva=ec.(0)antigua+ec.(2)nueva
Esdecir:
0
1 1
48
3 3
________________________________________________
2 1
48
3 3
Tenemosquerealizarelmismoprocedimientoparalasecuaciones(2)y(3).Loharemosa
continuacinparalaecuacin(2).ParaeliminarX2delaecuacin(2),tenemosquerealizar
laoperacinsiguiente:
Ec.(2)nueva=ec.(2)antigua2[ec.(1)nueva]
3 2 162
2 2
2 96
3 3
____________________________________________
7 2
66
3 3
Paralaecuacin(3),tenemosquerealizarunaoperacinsimilar:
Ec.(3)nueva=ec.(3)antigua18[ec.(1)nueva]
13 18 982
6 18 6 864

_____________________________________________
7 6 118
Porlotanto,lanuevaformagausianadelsistemadeecuacioneseslasiguiente:
2 1
0 48
3 3
1 1
1 48
3 3
7 2
2 66
3 3
3 7 6 118

Ennegritafiguranlasvariablesbsicas,queaparecennicamenteenunaecuacinyconun
coeficienteiguala1.Porlotanto,sicomparamosestenuevosistemadeecuacionesconel
anterior, veremos que sigue teniendo la forma apropiada de eliminacin de Gauss que
permiteobtenerinmediatamenteelvalordelasvariablesenlasolucin(recordemosque
X1=0yX3=0yaquesonlasvariablesnobsicas).Hayqueobservarqueenlaecuacin(0)
siempre estn nicamente la variables nobsicas. Ahora tenemos una nueva solucin
bsicafactibleiguala(0,48,0,96,114)quecorrespondealpuntoextremoB.Elvalordel
objetivoesiguala48.
El siguiente paso es ver si esta nueva solucin es la ptima. Para ello examinamos en la
siguienteecuacin(quecorrespondealaecuacin(0))loscoeficientesdelasvariablesno
bsicas:
2 1
48
3 3
ComolavariablenobsicaX1tieneuncoeficientepositivo(2/3),silavariablepasaatener
valores positivos, el objetivo aumentar. Por lo tanto noestamos en la solucin ptima y
hayquerealizardenuevoelproceso,endondeX1entrarenlabaseyotravariablebsica
dejardeserlo.
Segundaiteracin
Paso 1. Como que la ecuacin (0) actual es 48 , la funcin solo

aumentarsiX1aumenta.Yatenemoslavariablequeentrarenlabase.
Paso2.EllmitesuperiorsobreX1antesdequelasvariablesbsicasseannegativas
estindicadoenelCuadro3.6:
Variable
Bsica 3.2ProgramacinLineal:MtodosdeResolucin
X2 X2=481/3X11/3X3 X1 48*3=144
X4 X4=667/3X1+2/3X3 X1 66*(3/7)=198/7
X5 X5=1147X1+6X3 X1 118/7 mnimo
EscogeremosX5comolavariablebsicasalienteyaqueeslacualque,amedidaque
aumentaelvalordeX1,X5alcanzaprimeroelvalor0.
Paso3.AhorahayqueeliminarX1detodaslasecuacionesparaencontrarlanueva
solucindetodaslasvariablesydelobjetivo.Volvemosarealizarlatransformacin
gausiana.

Primerotenemosquetransformarlaecuacincorrespondientealavariableentrante,para
quetengauncoeficiente1.Paraellotenemosquedividirlaecuacin(3)por7.Elresultado
eselsiguiente:
6 1 118
3
7 7 7

Conestaecuacin,volvemosatransformarlasotrasenlaformagausianaapropiada:
Ec.(0)nueva=ec.(0)antigua+2/3[ec.(3)nueva]
Esdecir:
2 1
48
3 3
2 4 2 236

3 7 21 21
_______________________________________________
5 2 1244

21 21 21
Ec.(1)nueva=ec.(1)antigua1/3[ec.(3)nueva]
1 1
48
3 3
1 2 1 118

3 7 21 21
__________________________________________
13 1 890

21 21 21

7 2
66
3 3
7 1 118
2
3 3 3
_________________________________________
4 1 80

3 3 3
5 2 1244
0
21 21 21
13 1 890
1
21 21 21
4 1 80
2
3 3 3
6 1 118
3
7 7 7
Lasolucinbsicafactiblesiguientees(118/7;890/21;0;80/3;0)yelvalordelobjetivo
esZ=1244/21.
PruebadeOptimalidad.
Tenemos que verificar si las variables nobsicas del objetivo tienen coeficientes que
permitanaumentarelvalordelobjetivosistascogenvalorespositivos.Elnuevoobjetivo
es:
1244 5 2

21 21 21
Como una de las variables nobsicas tiene un coeficiente positivo, el valor del objetivo
puedeaumentarsiestavariablepasaaserbsica.Porlotanto,annohemosalcanzadoel
ptimo,yesprecisorealizarunanuevaiteracindelalgoritmoSimplex.
Ahora la variable X3 entrar en la base, y tenemos que escoger una variable bsica para
salirdelabase.
Terceraiteracin
Paso 1. Comoquelaecuacin(0)actuales , lafuncinsolo

aumentarsiX3aumenta.Yatenemoslavariablequeentrarenlabase.

Paso2.EllmitesuperiorsobreX3antesdequelasvariablesbsicasseannegativas
estindicadoenelCuadro3.7:
Variable
Bsica
X1 X1=118/7+6/7X31/7X5 infinita
X2 X2=890/2113/21X3+1/21X5 X3 (890/21)*(21/13)=890/13
X4 X4=80/34/3X3+1/3X5 X3 (80/3)*(3/4)=20 mnimo
EscogeremosX4comolavariablebsicasalienteyaqueeslacualque,amedidaque
aumentaelvalordeX3,X4alcanzaprimeroelvalor0.Porotrolado,alaumentarel
valordeX3elvalordeX1tambinaumenta.Deaququenoexistaunacotasuperior.
Paso3.AhorahayqueeliminarX3detodaslasecuacionesparaencontrarlanueva
solucindetodaslasvariablesydelobjetivo.Volvemosarealizarlatransformacin
gausiana.
Primerotenemosquetransformarlaecuacincorrespondientealavariableentrante,para
que tenga un coeficiente 1. Para ello tenemos que multiplicar la ecuacin (2) por 3/4. El
resultadoeselsiguiente:
3 1
2 20
4 4
Conestaecuacin,volvemosatransformarlasotrasenlaformagausianaapropiada:
Esdecir:
5 2 1244

21 21 21
5 5 5 100

21 28 84 21
_______________________________________
5 1
64
28 28

13 1 890

21 21 21
13 13 13 435

21 28 84 42
______________________________________________
13 3
30
28 28
6 1 118

7 7 7
6 9 3 120

7 14 14 7
_____________________________________________
9 1
34
14 14
5 1
0 64
28 28
13 3
1 30
28 28
3 1
2 20
4 4
9 1
3 34
14 14 3.2ProgramacinLineal:MtodosdeResolucin
Lasolucinbsicafactiblesiguientees(34;30;20;0;0)yelvalordelobjetivoesZ=64.
PruebadeOptimalidad.
Tenemos que verificar si las variables nobsicas del objetivo tienen coeficientes que
permitanaumentarelvalordelobjetivosistascogenvalorespositivos.Elnuevoobjetivo
es:
5 1
64
28 28

Comoningunadelasvariablesnobsicastieneuncoeficientepositivo,elvalordelobjetivo
nopuedeaumentarsicualquieradelasvariablesnobsicaspasaaserbsica.Porlotanto,
hemosalcanzadoelptimo,yaquenopodemospasaraunpuntoextremoadyacenteque
mejoreelvalordelobjetivo.
Enresumen,elmtodoSimplextienelospasossiguientes:
1. Introducirlasvariablesdeholguraparaobtenerlaformacannicadelprograma
2. Encontrar una solucin inicial de un punto extremo y realizar la prueba de
optimalidad.
3. Sinoestamosenelptimo:
a. Determinar la variable bsica entrante: seleccionar la variable no bsica que, al

aumentarsuvalor,aumentemsrpidamenteelvalordelobjetivo.
b. Determinar la variable bsica saliente: sta es la que alcanza el valor 0 ms
rpidamenteamedidaqueaumentamoslavariableentrante.
c.Unavezquesabemoscualeslavariablebsicaquesaledelabase,sedeterminala
nueva solucin bsica factible: a partir del conjunto actual de ecuaciones se
aslanlasvariablesbsicasyZentrminosdelasvariablesnobsicasutilizando
elmtododeeliminacindeGauss.Lasvariablesnobsicasseigualana0;cada
variable bsica junto conZ es igual al nuevo lado derecho de la ecuacin en la
cualaparececoncoeficiente+1.
4. Examinamos si la nueva solucin encontrada es ptima: nicamente necesitamos

examinar los coeficientes de las variables no bsicas que estn en el objetivo. Si
todos los coeficientes son negativos, estamos en el ptimo. Por otro lado, si como
mnimo uno de los coeficientes asociados a las variables bsicas es positivo,
tenemosquerepetirlospasos2y3.
3.2.3Adaptacinaotrotipodemodelos
Hasta ahora hemos estudiado el mtodo Simplex para problemas de maximizacin con
restricciones con la desigualdad . Pero hay otros casos co mo los problemas de
minimizacin y la existencia de restricciones con igualdad o con desigualdad . A

continuacin veremos como adaptar la formulacin del modelo con alguna de estas
caractersticasparapoderutilizarelmtodoSimplex.
Restriccionesconigualdad
Elproblemabsicoconlasrestriccionesdeigualdadeslaobtencindeunasolucinbsica
factibleinicial.Supongamosque,ennuestroejemplo,tenemosunarestriccinadicionalque
se tiene que cumplir con igualdad (X1 + X2 = 7). En este caso, en principio no hay que
introducirunavariabledeholguraparaformarlaformacannica.

Si procedemos a encontrar una solucin inicial factible igualando X1 y X2 a 0 nos

encontramos con el problema de que esta nueva restriccin no se cumple. Para poder
obtenerunasolucininicialfactible,nosvemosobligadosaintroducirunanuevavariable
nonegativa,denominadaartificial,S3delasiguienteforma:
X1+X2+S3=7
GraciasalaintroduccindeestavariableartificialS3yapodemosencontrarunasolucin
inicialfactibleendondeS3esunavariablebsicaiguala7.Dehecho,hemosaumentadoel
nmerodevariablesaadiendounaquenotieneningunainterpretacineconmica,pero
que nos sirve para encontrar una solucin inicial factible. Es meramente un artificio
matemtico.Pero,enlasolucinfinal,queremosqueS3tengaelvalor0(seanobsica),ya
que, si esto no es as, el problema no tendra sentido (la restriccin no se cumplira con
igualdad).Parapoderconseguirlo,aadimosestavariableartificialenelobjetivo,perocon
uncoeficientenegativodevalormuyelevado(respectoalosotros),quellamaremosM:
Z=X1+X2MS3
Como este valor penaliza la variable en el objetivo, el mtodo Simplex escoger esta
variableparasalirdelabaseynuncamsvolveraentrar(esdecir,sequedarconelvalor
0). Por lo tanto, en lasolucin final S3 tendr el valor 0.Siesto nofuera as,elproblema
serainfactible.
Enlaprximaseccinveremoscomoeliminarestavariabledelobjetivo.
Restriccionescondireccin .
Supongamosahoraqueaadimoslarestriccin(3)delproblemadelaseccin2.2.2:
4X1+2X2 135
Enestecasotenemosqueencontrarunasolucininicialdelamismaformaquehacamos
anteriormenteparapoderejecutarelmtodoSimplex.Ahorabien,enestecasoaadimos
una variable de exceso nonegativa, E3, que mide la diferencia entre el valor del lado
izquierdodelaecuacin(4X1+2X2)yelladoderecho(135).Estavariabletendrunsigno
negativoenlaecuacin:
4X1+2X2E3=135
Ahorabien,alfijarinicialmenteX1yX2igualesa0,E3seigualara135,porloquetendr
un valor negativo, incumpliendo las condiciones de nonegatividad de todas las variables
en el mtodo Simplex. De nuevo, tenemos que recurrir al artificio de introducir una
variableartificialquenospermitaobtenerunasolucinfactibleinicialS3:
4X1+2X2E3+S3=135

EnestecasoescogemosS3comovariablebsicainicialcorrespondientealarestriccin(3).
Comoenelcasoanterior(restriccionesconigualdad),aadiremoslavariableartificialS3en
el objetivo con un coeficiente M. Si esta variable continua con valor positivo al final del
mtodoSimplex,elproblemaesinfactible.
El hecho de aadir la variable artificial en el objetivo implica que, al iniciar el mtodo

Simplex, el cuadro inicial no est en la forma apropiada de eliminacin gausiana, ya que
estaformarequierequetodaslasvariablesbsicastenganuncoeficiente0enlaecuacin
(0) correspondiente al objetivo, y en este caso la variable bsica S3 tiene un coeficiente
igualaM.Entonces,parapoderiniciarelmtodoSimplex,tantositenemosrestricciones
con igualdad o desigualdad _, tenemos que transformar esta ecuacin (0) en la forma
apropiadadeeliminacindeGauss,parapoderasdeterminartantolavariablequeentrar
en la base como el test de optimalidad. De nuevo, el procedimiento es el de siempre: el
mtododeeliminacindeGauss.Enestecaso,elprocedimientoesmuysimilaralutilizado
hastaahoraenelmtodoSimplex.Tendremosquerealizarlaoperacinsiguiente:
Ec.(0)nueva=ec.(0)antiguaM*ec.(3)
Esdecir:
0
4 2 135

___________________________________________________________________
1 4 1 2 135
AhorayapodemosprocederconelmtodoSimplexyaquetodaslasvariablesbsicasenla
ecuacin (0) tienen un coeficiente asociado igual a 0. Ahora tenemos que decidir que
variable nobsica tiene que entrar en la base. Escogeremos aquella cuyo coeficiente
aumente ms el objetivo. En este caso, escogeramos E3 como variable bsica entrante y
procederamos a buscar la variable bsica saliente de la misma forma que lo hicimos 3.2ProgramacinLineal:MtodosdeResolucin
anteriormente.HemosdeobservarquecuandoE3entraenlabaseyotravariablesaledela
base(esdecir,nosdesplazamosaunnuevopuntoextremoadyacente),elcoeficientedeE3
enelobjetivotomarelvalor0.Amedidaqueelprocedimientocontinua,lasvariablescon
elvalorMenelobjetivovanentrandoenlabaseyllegarunpuntoenqueMdesaparecer
del sistema. Si en la solucin final an tenemos M en la ecuacin (0), el sistema no tiene
solucin.
Sitenemosmsdeunarestriccinconigualdad,elprocedimientoesexactamenteelmismo.
CadaunadelasvariablesartificialestendruncoeficienteMenelobjetivoytendremos
queencontrarlaformaapropiadadeeliminacindeGauss.
Minimizacin

Hasta ahora, hemos examinado el mtodo Simplex cuando estamos maximizando el

objetivo. Pero, en muchos casos, tenemos que minimizar el objetivo (por ejemplo,
minimizarcostos,minimizarelgradodecontaminacinominimizarlamortalidad).Loms
sencilloesmultiplicarelobjetivopor1.Porejemplo:
MinZ=3X1+4X2
esequivalentea:
MaxZ=3X14X2
Una vez hecha esta transformacin, podemos aplicar el mtodo Simplex descrito en esta
seccin.Lacausadeestaequivalenciaesque,cuantomenoresZ,mayoresZ.
Otramaneradeoperarconunobjetivodeminimizacinesseleccionarlavariablenobsica
entrantequereduzcaenmayorgradoelvalordelobjetivo.
Variablesnoacotadas
Puedeocurrirqueenalgunasformulacioneslasvariablespuedancogervaloresnegativos.
Enestecaso,hayquemodificarelmodeloparapoderutilizarenmtodoSimplex,yaque
stenicamentepermitequelasvariablestomenvalorespositivosocero.
Supongamos que la variable Xi no est acotada inferiormente. Para poder resolver el

problema,tendremosquesustituirestavariableentodaslasecuacionespordosvariables
y delamanerasiguiente:
en donde 0 y 0. Como estas dos variables pueden coger cualquier valor no

negativo,sudiferenciapuedesercualquiervalor(positivoonegativo).Ahorayapodemos
aplicarelmtodoSimplex.Enlasolucinfinal,debidoalaspropiedadesgeomtricasdela 3.2ProgramacinLineal:MtodosdeResolucin
solucin factible en un punto extremo, nunca tendremos las dos variables con valores
positivos.Onicamenteunadeellastienevalorestrictamentepositivoylaotraiguala0(o
viceversa),olasdossonigualesa0.
3.2.4SituacionesespecialesenelmtodoSimplex
Qu pasa cuando vamos a escoger la variable nobsica entrante y hay un empate en el

criterio? Cmo detectamos problemas sin solucin? I si la solucin es infinita? A
continuacinexaminaremoscomoelmtodoSimplexlidiaconestassituaciones.
Empateenlavariableentrante

Si hay dos variables que tienen el coeficiente ms grande (en valor absoluto) igual en la
ecuacin(0),seescogearbitrariamenteunadeellasparaentrarenlabase.
Empateenlavariablesaliente
Supongamosqueahoraelempateseproduceentredosomsvariablesbsicasalexaminar
elcriteriodesalida.Siestosucede,todaslasvariablesalcanzanelvalor0almismotiempo
cuando aumenta el valor de la variable entrante. Entonces, las variables bsica que no
habamosescogidocomosalientesdelabasetambintendrnvalor0enlasolucin.Este
tipodesolucionessellamandegeneradas.Incluso,siunadeestasvariablescontinuaconel
valor 0 hasta que se selecciona como variable saliente en una iteracin posterior, la
variable nobsica entrante tambin se quedar con valor 0 y el valor del objetivo no
cambiar. Puede pasar que, si Z se queda igual, en vez de mejorar el objetivo en cada
iteracin, el mtodo Simplex entre en un ciclo que repite peridicamente las mismas
soluciones,envezde ircambiandoparaaumentarelvalordelobjetivo.Dehecho,sehan
elaboradoprogramaslinealesconciclosinfinitos.Porsuerte,enlaprcticaestasituacin
escasiinexistenteynormalmentelosempatesserompenarbitrariamente.
Nohayvariablebsicasaliente:Znoacotado
Qu pasa cuando no hay variables bsicas candidatas a salir en la base? O, en otras

palabras,quhacemoscuandotodosloscocientescalculadosparaseleccionarlabaseson
de tal manera que no hay ninguno es positivo? Recordemos que, a medida que
aumentbamos el valor de la variable nobsica entrante, haba como mnimo variable
bsica que iba disminuyendo hasta llegar a tener un valor 0, que determinaba
automticamenteelnuevovalordelavariableentrante.Puesbien,puedehabersituaciones
endondeamedidaqueaumentoelvalordelavariableentrantetodaslasvariablesbsicas
tambinaumentandevalor(onocambian).
Simplemente, el problema tiene una solucin infinita, ya que no hay ninguna restriccin
queacoteelobjetivo.
Solucionesptimasmltiples
Comohemosvisto,elmtodoSimplexseparacuandoencuentraunasolucinptima.Pero,
comohemosvistoenelmtodogrfico,puedehabersituacionesenlasquehaysoluciones
ptimas mltiples... Siempre que el problema tiene ms de una solucin ptima factible,
comomnimounavariablenobsicatieneelcoeficienteiguala0enlaecuacin(0)final,
de manera que si su valor aumenta, Z no cambia. Si esta situacin aparece, podemos
encontrar otra solucin ptima introduciendo esta variable nobsica en la base. As
podemos encontrar otras soluciones que, sin cambiar el valor del objetivo, nos ayuden a
tomarunadecisinenfuncindelvalordelasvariablesenelptimo.
3.2.5SolucionesconSoftware

Porahorahemosvistodosmtodosparaencontrarsolucionesdeprogramaslineales.Pero
todosellossonmuyineficientessisetienequehacerlosclculosconlpizypapelincluso
para problemas pequeos. Actualmente, existe un sinfn de programas de ordenador que
resuelven problemas lineales muy eficientemente, incluso programas con miles de
variables y restricciones. Los programas de hoja de clculo tambin estn incorporando
mtodos para obtener soluciones de programas lineales. En esta seccin describiremos
comoprogramarysolucionarunmodelodeprogramacinlinealenlahojadeclculoExcel
2007 de Microsoft7. Utilizaremos mismo ejemplo de las secciones anteriores. Tambin
supondremosquesetienenconocimientosbsicosdefuncionamientodeesteprograma.
Laformulacindelproblemadeasignacinderecursosdelaseccin2.2.2es:
max
. .
144
3 2 162
4 2 135
3 0
13 18 982
, 0
En primer lugar reordenamos el conjunto de restricciones en funcin de la direccin del

signo( ,=, ).Elsistemaquedaas:
max
. .
144
3 2 162
3 0
13 18 982
4 2 135
, 0
Esto simplificar considerablemente la introduccin de datos en la hoja Excel y en el

mduloSolver.
Obsrvese que el conjunto de restricciones puede representarse de formal matricial solo

conloscoeficientesdelasvariables:
Coeficientes Recursos
X1 X2 Disponibles
1 3 144
3 2 162
1 3 0
7
La versin que se utiliza en este apartado corresponde a Office 2007, aunque en versiones anteriores
tambinexisteelmdulodeprogramacinlineal

13 18 982
4 2 135
Cuadro3.8:Coeficientes
LaprimeracolumnacorrespondealoscoeficientesdeX1ylasegundaaloscoeficientesde
X2. Precisamente vamos a escribir esta matriz en las celdas de la hoja de calculo En la
Figura3.5hemosescritoelplanteamientodelproblema.
En los rangos B12B16 y C12C16 hemos escrito los coeficientes de X1 y X2 en las

restricciones.EnelrangoD12D16figuranlosvaloresdelosrecursos(ladoderechodelas
restriccionesyenlasceldasB5yC5loscoeficientesdelasvariablesenelobjetivo.Ahora
tenemos que escribir las frmulas correspondientes a las restricciones y a la funcin
objetivo.
Las celdas B8 y C8 representarn los valores de las variables de decisin X1 y X2. La

frmuladelafuncinobjetivoestescritaenlaceldaE2.Lafrmulaeslasiguiente:
=B8*$B$5+C8*$C$5.Lasformulasdelladoizquierdodelasrestriccionesestnescritasen
elrangoE12E16.Estasson:
=B12*$B$8+C12*$C$8
=B13*$B$8+C13*$C$8
=B14*$B$8+C14*$C$8
=B15*$B$8+C15*$C$8
=B16*$B$8+C16*$C$8
Ahora ya tenemos preparado el modelo. Obsrvese que por el momento las celdas con
frmulas tienen el valor 0. Esto es debido a que por ahora las celdas asociadas a las
variablesdedecisinestnvacas.
El siguiente paso es indicar a la hoja de clculo donde est en problema. Entramos en la

opcin Herramientas y escogemos en el men el Solver. Entonces aparecer un recuadro
comoeldelaFigura3.6.


Figura3.5:EjemploenExcel

Figura3.6:CuadrodelaOpcinSolver
Ahora tenemos que indicar las celdas en donde estn las frmulas. En la casilla Celda
objetivoponemoslareferenciadelaceldaendondeestlafuncinobjetivo($E$2).Luego
indicamosqueesunproblemademaximizacin.Lasreferenciasdelasvariablesseindican
en el recuadro Cambiando las celdas (B8; C8). Finalmente tenemos que introducir las
restricciones.ParaelloentramosenlaopcinAgregarysaldrelrecuadrodelaFigura3.7.
Enltenemosqueindicardondeestelladoizquierdo(lafrmula)decadarestriccin,el
signodeladesigualdadyelladoderechodecadarestriccin.Cadavezqueentramosuna
restriccin adicional escogemos la opcin agregar. Ahora bien, si hemos ordenado las
restricciones en funcin de su direccin, no hace falta entrar una a una en el recuadro.
Basta con seleccionar el rango en funcin de cada una de las agrupaciones realizadas.
Despusdehaberentradolasrestriccionescorrespondientes,

Figura3.7.:Introduccindelasrestricciones

Excel tambin exige poner las restricciones de no negatividad. La Figura 3.8 muestra el
resultadofinaldeintroducirelproblema.

Figura3.8:Resultadofinaldelaprogramacin
Ahorayapodemosresolverelproblema.EscogemoslaopcinResolveryalcabodeunos
breves momentos saldr una pantalla indicando que la solucin ha sido encontrada. La
solucinptimadelasvariablesdedecisinyelvalordelobjetivoahoraaparecenenlas
celdas (ver Figura 3.10). La opcin Solver tambin permite obtener automticamente
informessobrelasolucinfinal.

Figura3.9:ResultadodelSolver

Figura3.10:Solucinptima

3.3ProgramacinLinealEntera
Los modelos de programacin lineal consideran que las variables de decisin son
continuas, es decir, que pueden tomar en la solucin final valores fraccionados. Pero, en
muchoscasos,unasolucinptimadeunprogramalinealpuedeserinserviblesipresenta
fracciones. Supongamos, por ejemplo, que hemos construido un modelo para asignar
personal mdico a departamentos dentro de un hospital. En este caso, las variables de
decisin (asignar personas a departamentos) tienen que ser enteras en la solucin final.
No tendra sentido una solucin en la cual 2,3 mdicos fuesen asignados a la seccin de
dermatologa!
Parapoderencontrarsolucionesdeproblemasenloscualesalgunasotodaslasvariables
tienenqueserenteras,seutilizalaprogramacinentera,quenoesmsqueunaextensin
delaprogramacinlineal.
Otro tipo de modelos entran dentro de la programacin entera binaria, que es un caso
especialendondetodasoalgunasdelasvariablesrepresentanaccionesbinarias,esdecir,
haceronohacer.Enestecaso,lasvariablesnicamentepuedenadoptarlosvalores01.
Este tipo de problemas es muy comn en la toma de decisiones, en donde muchas veces
tenemos que decidir si, por ejemplo, tenemos que construir un nuevo centro, si tenemos
que invertir en un nuevo departamento, o si tenemos que modificar una estrategia de
planificacindeunservicio.
Cuandonosencontramosconestetipodeproblemas,laformulacinmatemticanoseve
alterada;nicamenteenlasrestriccionesdenonegatividadhayqueindicarquvariables
tienen que tomar valores enteros. El problema reside en encontrar soluciones que sean
factibles,yaqueelalgoritmoSimplexnogarantizaunasolucinadecuadaalproblema.En
esta parte,examinaremosenprimerlugarcomo podemosmodificarelalgoritmoSimplex
parapoderobtenersolucionesptimas.Acontinuacin,examinaremosalgunosproblemas
de programacin entera cuyas variables de decisin son binarias (decisiones hacer o no
hacer).
3.3.1Elalgoritmodebifurcacinyacotamiento
El Algoritmo de Bifurcacin y Acotamiento8 (ABA) se basa en el algoritmo Simplex para

poder obtener soluciones enteras. En primer lugar, se aplica el algoritmo Simplex para
obtenerunasolucininicial.SienlasolucinobtenidaalfinaldelalgoritmoSimplextodas
lasvariablesespecificadascomoenterastienenvaloresenteros,nohacefaltaseguiryaque
seha obtenidoelptimo;encasocontrario,esnecesarioaplicarelABA.Bsicamente,en
cada iteracin del ABA se escoge una variable que presenta una solucin noentera y se
divide el problema en dos subproblemas, aadiendo en cada uno de ellos una nueva
restriccinqueacotaestavariableporsuvalorenterosuperiorenuncaso,yporelvalorsu
valorinferiorenteroporelotro.CadasubproblemaseresuelveconelmtodoSimplexyse
8
Eningls,branchandboundalgorithm

verificasilasolucinesentera.Encaso,contrario,sevuelveabifurcarelsubproblemaen
otrosdosysesigueprocediendohastaqueseencuentraunasolucinentera.Elprocesose
realiza en todas las ramificaciones del rbol. Aunque este algoritmo pueda parecer
complejo,elprocesoesbastantesencillo.Acontinuacinexaminaremosconunejemploel
ABA.
Supongamosquetenemosqueencontrarlasolucinalproblemalinealsiguiente:
max 1.4
. .
0.5 6
0.5 5.5
6.8
1.4 9
,
En primer lugar utilizamos el mtodo Simplex para obtener una solucin del programa
lineal relajado (sin considerar las restricciones que fijan las variables como enteras). La
solucin obtenida es Z = 8,5; X1 = 2,6 y X2 = 4,2. Tenemos que las dos variables ofrecen
solucionesfraccionadas.HayqueaplicarelABA.

Figura3.11:SolucinSolver
DefinamoselproblemaoriginalcomoP0.EscogemosX1ycreamosdossubproblemasP1y
P2 a partir del programa original. El primer subproblema, P1, consistir en el programa
original P0 ms la restriccin X1 > 2. El segundo subproblema, P2, consistir en el
programa original ms la restriccin X1 > 3. Es decir, estamos diciendo que X1 no puede
cogervaloresentredosytres.SolucionamosP1yP2.
P1=P0+X1>2.Solucin:Z1=8,3;X1=2yX2=4,5
P2=P0+X1>3.Solucin:Z2=8,3;X1=3yX2=3,8
Losdossubproblemasobtienenelmismovalordelobjetivoque,comoeradeesperar,es
inferior al objetivo inicial Z. Sin embargo, ambos problemas siguen incumpliendo las
condicionesdesolucionesenteras.Tenemosqueseguirramificando.Cogemoselproblema
P1ylosubdividimosendosnuevossubproblemasP11yP12aadiendolasrestriccinX2

METOD
DOSCUAN
NTITATIV
VOSPARA EGOCIOS
ALOSNE 2009
>4en unoyX2> >5(manteniendotod daslasresttriccionesaanteriores,incluidaX X1>2).Loss

resultadossonlosssiguientess:
P11=PP1+X2>4.Solucin:Z Z11=7,6;X X1=2yX2=4

P12=PP1+X2>5.Solucin:Z Z12=8,0;X X1=1yX2=5
Enestoosdossubproblemasshemosen ncontradossoluciones enteras.Co omoZ11essinferioraa

Z12 po
odemos desscartar P11 como so olucin vliida. Por ah hora ya heemos encon ntrado unaa
soluci
n que tienne valores enteros
e con el probleema P12, cuyo
c objetiivo es iguaal a 8,0. Sin
n
embarggo, an no hemos acaabado el algoritmo.
a R
Recordemo os que hab
bamos subdividido ell
problem ma originaal en dos subproblemas. An n no hemo os exploraado el seggundo sub
problem maP2.Elvvalordelob bjetivoalso olucionarP P2era8,3, aunquelavvariableX2seguasin n
ofrecerrunvaloreentero.Com moestamossmaximizaando,podraserquerramificando oP2endoss
subpro oblemasseeencontrarraunasolu ucinenterasuperior alaqueheemosencontradocon n
elsubpproblemaP P12.Laram mificacineeslasiguien nte:
P21=PP2+X2>3.Solucin:Z Z21=8,0;X X1=3,8yX

X2=3
P22=PP2+X2>4.SinSoluci n.
ElprobblemaP22 quedadescartadopo ornotenerrunasoluccinfactiblee.Losprob blemasquee

anesttnactivos sonP12yP21yamb bostieneneelmismov valordelobbjetivo.Perromientrass
que P112 tiene sooluciones enteras,
e P221 sigue coon soluciones fraccio onadas. Po or lo tanto,
podemos descarttar P21 yaa que, si ramificram
r mos este problema,
p al aadir una nuevaa
restricccin el vallor del objjetivo seraa inferior (o igual), pero nuncca superiorr. En otrass
palabraas, nunca podramos
p encontrarr una soluccin mejorr que la quue tenemos con P12.
ComoP P12esla nicarama activa,ya tenemoslaasolucin ptimade nuestroprroblema.Sii
P21 huubiera dado o un valorr del objetiivo superioor a 8,0 co
on alguna solucin frraccionada,
tendraamosqueseguirbifurrcandoesteesubprobleema.Elflujo odelalgoritmosemu uestraenlaa
Figura3.12.

Figura3.12:rrboldelABAaplicadoalejjemplo

Enrealidad,conesteprocesoloqueseesthaciendoesseccionarencadaramificacinel
espaciodesolucionesparaexplorarsiexisteunasolucinentera.Esteprocesopuedeser
observadoenlaFigura3.13,endonde,paracadasubproblema,semuestraelsegmentodel
espaciodesolucionesexplorado.
Elalgoritmodebifurcacinyacotamientotambinseutilizapararesolverlosproblemasde
programacinenterabinaria..Lanicadiferenciaesquelasvariablesestnacotadaspor0
y 1. Si en un subproblema una variable tericamente binaria X es igual a 0,6, ste se
subdivide en dos problemas: el primero aadir la restriccin X = 0 y el segundo la
restriccinX=1.

Figura3.13:Espaciodesolucionesdelossubproblemas
3.3.2ProgramacinEnteraySolver
Por suerte, hoy en da cualquier programa de ordenador para resolver problemas de

programacin lineal incluyen un modulo para resolver situaciones en donde una o ms
variablestienenqueserenterasoenterasbinariasenlasolucinfinal.Esteeselcasodel
mduloSolverincluidoenlahojadeclculoExceldeMicrosoft.
Supongamos que las variables de ejemplo de la seccin anterior tienen que ser enteras.
Cuando se introducen las restricciones, tenemos que aadir una en donde se escoge las
variables en cuestin y se indica que son enteras, seleccionando int9 en el men de
opcionesdeladireccindelarestriccin(verFigura3.14).Encasodequetenganqueser
binarias,seescogelaopcinBin.
9
Intvienendeinteger,queeninglesquieredecirEntero.

Figura3.14:SolucionesenterasconExcel
3.3.3ProgramacinEnteraBinaria:ElProblemadelaMochila
El problema de la mochila es un clsico de los mtodos cuantitativos. En esencia, el

problema consiste en llenar una mochila con objetos con pesos diferentes y con valores
tambin diferentes. El objetivo es la maximizacin del valor total de la mochila con la
restriccin de que el peso de sta no puede sobrepasar un lmite predeterminado. Este
problema hasidoutilizadoen muchas aplicacionesdiferentes.Unade ellasconsisteen la
asignacin de pacientes a una unidad (un ambulatorio, un quirfano, etc.) que tiene una
capacidad lmite. Cada paciente tiene asociado dos parmetros: el primero mide la
gravedad del paciente respecto a los otros en trminos relativos, y el segundo mide el
tiempodeutilizacindelservicio.Elproblemaconsisteenencontrarqupacientespodrn
seratendidosycualeshabrquederivaraotrocentro.Esevidentequeenesteproblemael
nmerodepacientesaseratendidosesmselevadoquelacapacidaddelcentro.Eneste
tipo de problemas nos encontramos con la disyuntiva de tenemos que, por un lado, dar
prioridades para intentar atender el mximo de pacientes, y por el otro lado atender a
aquellosquepresentanmsgravedad.
Formulacindelproblema
Supongamos que tenemos m pacientes a ser programados en un centro. Los parmetros

quetenemosqueconocerapriorison:
gi=valorcardinaldelagravedaddelpacientei
ti=duracinenminutosdelaintervencindelpacientei
T=tiempototaldisponibleenelcentro
ylasvariablesdedecisinson:
Xi=1,siseatiendealpacientei;0,sinoseleatiende.
Enestecasotodaslasvariablessonbinariasytendremosunaparacadapaciente.
Una vez definidos los parmetros y las variables, podemos construir en modelo. Este
modelotieneunanicarestriccinque,bsicamente,definequeeltotaldeminutosquelos
pacientesatendidosenelcentroconsumirnnopuedeexcedereltiempototaldisponibleT.
ComoXisolopuedeseriguala01,eltiempototalconsumidoporelpacienteiseriguala
tiXi. Si sumamos tiXi para todos los pacientes, tendremos el tiempo total consumido por
ellos,quenopuedesersuperioraT.Entrminosmatemticos:

El objetivo consiste en la maximizacin de la gravedad total del sistema. En otras

palabras,queremosatenderaaquellospacientesmsnecesitados.Tenemosqueobservar
que el problema no es tan trivial, ya que no vale ordenar los pacientes en funcin de la
gravedad e ir llenando la mochila del centro hasta agotar la capacidad, porque un
pacientejquepresentaunniveldegravedadgjpuedetenerasociadountiempodeatencin
tjmuysuperioraltiempoconjuntodedospacienteskyl(tj>tk+tl),quetienenunamenor
gravedad,perocuyagravedadconjuntaessuperioraladelprimero(gj<gk+gl).Eneste
caso, sera mejor incluir a los dos pacientes k y l y no al paciente j. El objetivo vendr
definidoporlafuncinlinealsiguiente:
Endefinitiva,laformulacinfinaldelmodeloser:
max
. .
0,1 1, , .
EsteproblemaesfcilderesolverutilizandoelalgoritmoABAyaquenicamentetieneuna
restriccin.
Supongamosahoraquealgunostratamientossonincompatiblesconotros.Porejemplo,si
setratadeunquirfano,podramostenerquesioperamosalpacienteitambinpodremos
operar al paciente j porque tendremos recursos disponibles (quirfano preparado,
personaladecuado),perosinoseoperaaningnpacientedetipoientoncesnosepodr
operar al paciente j. Para poder introducir esta consideracin tendramos que aadir la
siguienterestriccin:
XiXj
Esdecir,sioperamosalpacientei,Xi=1,loqueimplicaqueXjquedarlibreparacogerel
valor 0 1 (ser el modelo quien lo decida). Por otro lado, si Xi = 0, la variable Xj ser
siempreigual0,yporlotantoelpacientejnopodrseroperado.
Supongamos ahora que el paciente j nicamente podr ser operado si tanto el paciente i
como el k son operados. En cualquier otro caso el paciente j no podr ser atendido. Para
formular este tipo de restricciones a veces es muy til la utilizacin de la tabla de la

verdad.EnestatablaseintroducelascombinacionesdelasXquesonfactibles.Estatabla
serepresentaenelCuadro3.9.
Xi Xk Xj
0 0 0
1 0 0

0 1 0
1 1 1
Cuadro3.9:TabladelaVerdad
Laecuacindeestarestriccinquetendrqueaadirsealmodeloes:
Xi+Xk 2Xj
SiXiyXksonambasigualesa1,Xjpodrseriguala01.Encualquierotrocaso,Xjsiempre
seriguala0.
Como hemos visto en este ejemplo, el uso de variables binarias puede ser muy til para
modelizarsituacionesendondeladecisineshaceronohacer.
3.3.4ElProblemadeAsignacin
Elproblemadeasignacinesotroclsicoenlosmodelosdedecisin.Enesencia,consiste
enasignarrecursosatareasenfuncindeunobjetivoligadoalaeficienciadelsistema.Un
ejemplo tpico es el de asignacin de personas a turnos horarios. Otro ejemplo es el de
asignarpersonasamquinas,oeldeasignarregionesaCentrosdeAtencinPrimaria.En
este apartado se presenta el Problema de asignacin comouna variante del Problema de
Transporte.
Como vimos anteriormente la Compaa de Seguros Pacfico S.A. tiene Centros de

AsistenciaPrimaria(CAPs)distribuidosenmpueblosyciudadesdeunaregin(unCAPen
cada centro urbano). Para obtener un buen funcionamiento global del servicio y poder
planificar el nmero de visitas en funcin del personal previsto en cada CAP y de su
dimensin, Pacfico S.A. ha decidido organizar el servicio de tal forma que todos sus
aseguradostenganunCAPdereferenciaasignado,peroqueseasteelmscercanoposible
asulugarderesidencia.Enlareginhaymciudadesypueblos(siendombastantemayor
que n) y la compaa sabe cuantos asegurados tiene en cada uno de ellos. El objetivo es
asignar cada una de las m ciudades a un nico CAP, minimizando el costo o la distancia
total.
LadiferenciabsicaentreesteproblemayelProblemadeTransporteesqueenestecaso
cada pueblo o ciudad (con la totalidad de sus habitantes) es asignado a un nico CAP,
mientrasqueenelotroproblemapodradarselugaraqueunapartedelapoblacindeuna
ciudadestuvieraasignadaaunCAPylaotraaotrodiferente.Acontinuacinexaminados
losparmetrosyvariablesnecesariosparalaformulacin.
Enprimerlugarsedefinenlosparmetrosnecesariosparaformularelmodelo.Sea:
ai:nmerodeaseguradosenelcentrourbanoi,i=1,...,m.

bj:nmerototaldeaseguradosqueelCAPjpuedetenerasignadoscomomximo,j=
1,...,n.
cij:costodedesplazamientoentreiyj.
Lasvariablesqueseutilizarsondetipobinario:
SeaXij=1,sielreaiestasignadaalCAPj;y0encasocontrario.
Unavezdefinidoslosparmetrosylasvariables,necesitamosdefinirlasrestriccionesdel
modelo. Como en el Problema de Transporte, en esta formulacin hay dos tipos de
restricciones.LaprimeravienedefinidaporlacapacidaddeatencinmximadelosCAPs.
ElnmerototaldeaseguradosasignadosalCAPjnopuedeexcedersucapacidadbj.Para
un CAP determinado j, no podemos asignar las poblacin que la que determina su
capacidadmxima
a1X1j+a2X2j+...+aiXij+...+amXmj bj
ParatodoslosCAPs,tendremosque:
1, , .
Elsegundogrupoderestriccionestienequeconsiderarquehemosdeasignarlatotalidad
delosaseguradosdeTodosaludSAdecadacentrourbanoiaunnicoCAP.Paracadarea,
tendremosque:
Xi1+Xi2+...+Xij+...+Xin=1
Esdecir,unanicavariableasociadaacadareaipuedeseriguala1.Paratodaslasreas:
1 1, , .
Finalmente,setienequeformularelobjetivodeminimizacintotaldeladistanciaocosto
totaldelsistema.Estevienedefinidopor:
c11X11+c12X12+...+c1nX1n+...+cijXij+...+cm1Xm1+...+cmnXmn
quepodemosreescribirenformacompactacomo:
min

Enresumen,laformulacincompletadelmodeloeslasiguiente:
min
. .
1, ,

1 1, ,
0,1 1, , 1, ,
Setienequeobservarqueesteproblemapresentalamismapeculiaridadqueelproblema
de Transporte. Para que el problema tenga una solucin factible, el nmero total de
asegurados no puede exceder la capacidad total de los CAPs. Es decir, existe la siguiente
restriccinimplcitaenelmodelo:
Siestonoseverificara,elproblemanotendrasolucin.
3.3.5ProblemasdeLocalizacindeServicios
Cuntasambulanciassenecesitanenunreageogrfica,ydndedeberanubicarsepara
asegurarunbuenservicioalasllamadasporurgencias?Endndedeberanlocalizarselas
CentrosdeatencinPrimariaen unareginpara minimizar el tiempode desplazamiento
delosusuarios?Endndetenemosquelocalizaralmacenesparaoptimizarladistribucin
de productos farmacuticos en un pas? Estas cuestiones, relacionadas con el diseo y la
operacin de los servicios de atencin y de distribucin, han sido estudiadas durante los
ltimos 25 aos por un gran nmero de investigadores. Los planificadores tienen que
responderapreguntascomostascuandoseenfrentanaldiseooalareconfiguracinde
losserviciosdeurgenciasmdicas, deambulatorios,deoperacionesdedistribucin,ode
redeshospitalarias.
Por ejemplo, la velocidad de reaccin de un sistema de emergencia a una llamada es el

criterioprincipalparajuzgareldesempeodelosserviciosdeemergencia.Otramedidaes
la habilidad del personal para lidiar efectivamente con la situacin una vez llegado a la
escena. La localizacin inicial de los servidores (parques de bomberos, garajes de
ambulancias,etc.)influenciapoderosamentelaeficienciadelarespuesta.Estosereflejaen
lagrancantidaddemodelosdesarrolladosparaayudaralosplanificadoresdeserviciosde
urgencias.

Elproblemabsicotratadelocalizarserviciosquevanapermanecerensuubicacinpor
unlargotiempounavezdecididasulocalizacin.Enotraspalabras,suubicacinser,sino
definitiva,constanteduranteunlargoperiododetiempo.Lalocalizacindeestosservicios
puedeserdeterminanteenlaevaluacindelaeficienciadesu"desempeo"enlaofertadel
servicioencuestin.
Efectivamente, el auge de la investigacin operativa en los aos sesenta provoc la

aparicindeuncampoespecificodedicadoalalocalizacindeserviciosdeenregionesyen
zonasurbanas.Engeneral,estosmodelosoptimizanunoovariosobjetivosenfuncinde
unosrecursoslimitadosy/ocriteriosdecoberturaydeatencin.Estosmodelossepueden
agrupar en tres categoras en funcin del objetivo principal. La primera categora
corresponde a modelos cuyo objetivo principal es la maximizacin de la cobertura de la
poblacinsiguiendouncriterio``estndar''(perejemplo,maximizarlapoblacincubierta
por el servicio de ambulancias en un tiempo mximo de 10 minutos). El segundo grupo
corresponde amodelos de localizacin cuyoobjetivo es la minimizacin de ladistanciao
tiempomediodeaccesoalapoblacin.Elterceroconsisteenlaminimizacinlosdecostos
detransportedemercancasodepersonasydelocalizacindecentros.
Entre estos modelos se han realizado diversas variaciones para intentar reflejar algunos
aspectos especficos del problema de localizacin. Por ejemplo, hay modelos que no tan
solo localizan ambulancias, sino que tambin determinan para cada estacin cual es la
combinacinptimadevehculos,materialesyrecursoshumanos.Otrosmodelosestudian
el problema de la localizacin teniendo en cuenta el grado de congestin del servicio,
intentando obtener un conjunto de localizaciones que no tan solo optimice la cobertura,
sino que de alguna forma considere la situacin de que un servicio est ocupado
atendiendounallamadayensuestacinseproduzcaotrallamada(modelosde``backup''o
servicios auxiliares). Otra lnea de trabajo estudia la situacin en donde la demanda de
serviciotieneelementosprobabilsticosenfuncin
delahoradelda.
Enestaseccinformularemostresmodelosbsicosdelocalizacindeservicios.
ModelosdeCobertura
Los modelos de cobertura suelen fijar una distancia estndar D entre un servicio y la
poblacin usuaria. Esta distancia (o tiempo de desplazamiento) se considera como la
distancia mxima entre usuario y servicio para ofrecer una atencin correcta. Esta
distancia estndar se utiliza como criterio bsico para obtener la ubicacin ptima de
servicios.
ElProblemadeLocalizacindeServiciosconCobertura10
10
Eningls:LocationSetCoveringProblem

ElProblemadeLocalizacindeServiciosconCobertura(PLSC),enpalabras,eselsiguiente:
Culeselnmeromnimodecentrosydndetenemosquelocalizarlosparaquetodala
poblacinestcubiertadentrodeladistanciaestndarD?
ElPLSCpuedeserformuladodelasiguienteforma.Supongamosunareddetransporteen
dondeexistenmnodosoreas,cadaunoconunademanda(opoblacin)determinadadel
servicio,yconectadosentreellospor"arcos"(carreteras,calles,etc.),cadaunodeelloscon
untiempodedesplazamientoounadistanciaasociados.Lalocalizacindelosserviciosse
realizaexclusivamenteenlosnodos.Enotraspalabras,nicamentelosnodosdelaredson
candidatosaobtenerunalocalizacindelosservicios,yporotrolado,losnodostambin
representan los centros de demanda de los servicios. Muchas veces, en algunas
aplicaciones, no todos los nodos de demanda son candidatos a obtener un centro de
servicio(avecesenunnodoseencuentraunedificiodeinterscultural,osimplementeno
existeterrenodisponibleparaubicarunservicio);porellosiempreenlaformulacindel
modelo se diferencia entre la demanda (nodos que requieren del servicio) y la oferta
(nodoscandidatosarecibirelservicio).EnlaFigura3.10serepresentaejemploderedde
20nodosconlacualformularemosalgunosmodelosdelocalizacin.

Figura3.3.:Redde20nodos
En esta Figura, los nodos estn representados por crculos y tambin se indican las
distanciasentrelosnodosqueestndirectamenteconectados.ElCuadro3.10contienela
matriz de distancias dij entre todos los pares de nodos (i,j) de la red. Esta matriz es
fundamentalenlosmodelosdelocalizacin.Engeneral,estamatrizseobtienecalculando,
paracadapardenodos,elcaminomscortoentreellos,esdecir,ladistanciasmscorta
quelosune.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Pob. 34 65 99 85 95 75 32 34 28 53 52 21 39 98 69 67 22 54 76 90
1 0,0 5,0 12,5 21,2 13,0 18,2 23,5 8,0 27,5 9,0 15,0 25,0 21,5 18,0 35,0 28,5 27,0 40,5 37,0 32,0
2 5,0 0,0 7,5 16,2 8,5 13,7 18,5 6,0 22,5 12,0 13,0 20,5 19,5 21,0 30,5 26,5 27,5 38,5 37,5 35,0

3 12,5 7,5 0,0 8,7 6,2 11,4 11,0 11,2 15,0 17,2 15,2 18,2 21,7 25,2 27,0 27,2 29,7 38,0 39,4 39,2
4 21,2 16,2 8,7 0,0 14,9 15,7 8,2 19,9 12,2 25,9 20,7 19,2 27,2 30,7 24,2 28,2 35,2 35,2 40,4 44,7
5 13,0 8,5 6,2 14,9 0,0 5,2 12,7 5,0 16,7 11,0 9,0 12,0 15,5 19,0 22,0 21,0 23,5 33,0 33,2 33,0
6 18,2 13,7 11,4 15,7 5,2 0,0 7,5 10,2 11,5 13,0 5,0 6,8 11,5 15,0 16,8 15,8 19,5 27,8 28,0 29,0
7 23,5 18,5 11,0 8,2 12,7 7,5 0,0 17,7 4,0 20,5 12,5 11,0 19,0 22,5 16,0 20,0 27,0 27,0 32,2 36,5
8 8,0 6,0 11,2 19,9 5,0 10,2 17,7 0,0 21,7 6,0 7,0 17,0 13,5 15,0 27,0 20,5 21,5 32,5 31,5 29,0
9 27,5 22,5 15,0 12,2 16,7 11,5 4,0 21,7 0,0 24,5 16,5 7,0 18,0 24,0 12,0 16,0 26,0 23,0 28,2 36,5
10 9,0 12,0 17,2 25,9 11,0 13,0 20,5 6,0 24,5 0,0 8,0 23,0 14,5 9,0 33,0 21,5 18,0 33,5 28,0 23,0
11 15,0 13,0 15,2 20,7 9,0 5,0 12,5 7,0 16,5 8,0 0,0 11,8 6,5 10,0 21,8 13,5 14,5 25,5 24,5 24,0
12 25,0 20,5 18,2 19,2 12,0 6,8 11,0 17,0 7,0 23,0 11,8 0,0 11,0 17,0 10,0 9,0 19,0 21,0 21,2 29,5
13 21,5 19,5 21,7 27,2 15,5 11,5 19,0 13,5 18,0 14,5 6,5 11,0 0,0 6,0 18,2 7,0 8,0 19,0 18,0 18,5
14 18,0 21,0 25,2 30,7 19,0 15,0 22,5 15,0 24,0 9,0 10,0 17,0 6,0 0,0 24,2 13,0 9,0 25,0 19,0 14,0
15 35,0 30,5 27,0 24,2 22,0 16,8 16,0 27,0 12,0 33,0 21,8 10,0 18,2 24,2 0,0 11,2 24,2 11,0 21,0 34,5
16 28,5 26,5 27,2 28,2 21,0 15,8 20,0 20,5 16,0 21,5 13,5 9,0 7,0 13,0 11,2 0,0 13,0 12,0 12,2 23,5
17 27,0 27,5 29,7 35,2 23,5 19,5 27,0 21,5 26,0 18,0 14,5 19,0 8,0 9,0 24,2 13,0 0,0 20,0 10,0 10,5
18 40,5 38,5 38,0 35,2 33,0 27,8 27,0 32,5 23,0 33,5 25,5 21,0 19,0 25,0 11,0 12,0 20,0 0,0 10,0 23,5
19 37,0 37,5 39,4 40,4 33,2 28,0 32,2 31,5 28,2 28,0 24,5 21,2 18,0 19,0 21,0 12,2 10,0 10,0 0,0 13,5
20 32,0 35,0 39,2 44,7 33,0 29,0 36,5 29,0 36,5 23,0 24,0 29,5 18,5 14,0 34,5 23,5 10,5 23,5 13,5 0,0
Cuadro3.3:Poblacindecadanodoydistanciasentrenodos
Ahora es necesario conocer, para cada nodo de demanda, cules son las ubicaciones
potencialesdonde,siseabreuncentroenellas,elnododedemandaestarcubiertodentro
de la distancia estndar D. Por ejemplo, si D = 10, el centro de demanda 4 tiene, como
ubicaciones potenciales de cubrirlo, los nodos 3, 4 y 7. En el Cuadro 3.4, se indican, para
cadanodo,lasubicacionespotencialesdecobertura.
Nodoa Ubicaciones Nodoa Ubicaciones

Cubrir Potenciales Cubrir Potenciales
1 1,2,8,10 11 5,6,8,10,11,13,14
2 1,2,3,5,8 12 6,9,12,15,16
3 2,3,4,5 13 11,13,14,16,17
4 3,4,17 14 10,11,13,14,17
5 2,3,5,6,8,11 15 12,15
6 5,6,7,11,12 16 12,13,16
7 4,6,7,9 17 13,14,17,19
8 1,2,5,8,10,11 18 18,19
9 7,9,12 19 17,18,19
10 1,8,10,11,14 20 20
Cuadro3.4.:Ubicacionespotencialesdecoberturapornodo.D=10
Por ejemplo, si ubicamos un centro en el nodo 8, los nodos 1, 2, 5, 8, 10 y 11 estarn

cubiertos,yaquelestincluidoenelconjuntodeubicacionespotencialesdecadaunode
estosnodosdedemanda.

DefinamosXjcomounavariablebinaria(01)que, siesiguala1, indicarqueestamos

abriendouncentroenelnodoj,yque,encasocontrario(iguala0),elnodojestarvaco.
Tendremostantasvariablescomoubicacionespotenciales.Podemosutilizarestasvariables
para formular el modelo. Por ejemplo, tenemos que, para el nodo 4, podemos escribir la
siguienterestriccin:
X3+X4+X7 1
que indicaquecomomnimounadelastresvariablestieneque ser iguala1,o,en otras

palabras,queparaqueelnodo4estcubiertotenemosqueabrircomomnimouncentro
en3,4,7.
SidefinimosNicomoelconjuntodeubicacionespotencialesquecubrirnelnodoidentro
deladistanciaestndarD,(Ni={j/dij D},paracadanododemandaipodemosescribirla
restriccinsiguiente:
1 1, ,20.
Esteconjuntoderestriccionesforzarnaquecadanodoestcubierto.Ahorafaltaformular
el objetivo. Como queremos minimizar en nmero de centros a ubicar, cuantas menos Xj
seaniguala1,mejor.Porlotanto,elobjetivolopodemosformulardelasiguienteforma:
min
Sidefinimosmcomoelnmerototaldenodosdedemandayncomoelnmerodetotalde
ubicaciones potenciales, la formulacin final del Problema de Localizacin con Cobertura
es:
min

1 1, ,
0,1 1, , .
Se puede utilizar el mdulo Solver de Excel para resolver el problema con distancias
estndar diferentes. En el Cuadro 3.5 se presentan algunos resultados para coberturas
diferentes:

Nmero
Distancia
mnimoDe UbicacionesFinales
EstndarD
Centros
15 3 8,9,19
12 4 3,8,15,17
11 5 3,10,12,18,20
10 6 4,8,12,17,18,20
9 8 4,8,12,15,17,18,19,20
8 9 4,5,8,9,13,15,18,19,20
Cuadro3.4:Resultadoscondiferentescoberturas
Esteproblemasueleteneravecesbastantessolucionesptimasalternativas.ElPLSCpuede
modificarse para considerar, por ejemplo, la minimizacin del presupuesto. Si cada nodo
potencial de obtener un servicio tiene asociado un costo fijo de apertura fj, podemos
reformularelobjetivodelproblemadelasiguienteforma:
min
En este caso estamos minimizando el costo total de apertura de centros. Es muy

improbablequeaparezcansolucionesalternativasptimas.
Enesteproblema,lafijacindeladistanciaestndarDesdeterminantedelosresultados,
porloquehayirconmuchocuidadoaldeterminarla.
Supongamosque,ennuestroejemplo,ladistanciaestndarestfijadaen10.Alresolverel
PLSCencontramosquelasolucinptimaesiguala6centros,ubicadosenlosnodos4,8,
12,17,18y 20. Peroelsistemanotienesuficientepresupuestopara construir6centros.
nicamentetieneunpresupuestopara4centros.Comoelnmeromnimodecentrospara
cubrirlapoblacinesiguala6,con4centrosnopodremoscubrirlaporcompleto.Eneste
caso, si fijamos en nmero de centros, podemos intentar encontrar sus ubicaciones de
forma a maximizar la cobertura de la poblacin. Este problema es conocido como el
ProblemadeLocalizacinconCoberturaMxima(PLCM).
ElProblemadeLocalizacinconCoberturaMxima(PLCM).
Esteproblemapuedeserdescritodelasiguienteforma:
Dnde tenemos que localizar p centros para maximizar la cobertura de la poblacin

dentrodeladistanciaestndarD?
EsteproblemaesunaextensindelPLSC.Paraformularelmodelotenemosqueaadirun
nuevogrupodevariablesbinariasYi,quedenominaremosdecobertura,queserniguala1
sielnodoiestcubiertoporuncentrodentrodeladistanciaestndarD;eiguala0sinolo

est.Comoenlasolucinfinalalgunosnodosdedemandaquedarndescubiertos(yaque
no tenemos suficientes centros para cubrir toda la poblacin), algunas de estas variables
sern0.Cojamosdenuevocomoejemploelnodo4.Paraqueelestcubiertosetieneque
localizar como mnimo un centro en uno de los nodos 3, 4 o 7. Ahora tendremos que
escribirlarestriccinsiguiente:
X3+X4+X7 Y4
SicomomnimounadelasvariablesdelocalizacinXesiguala1,lavariableY4podrser
tambiniguala1,yporlotantoelnododedemanda4estarcubierto.Si,encambio,todas
las variables X de la restriccin son iguales a 0, la variable de cobertura Y4 ser
forzosamente igual a 0 y el nodo 4 no estar cubierto. Para cada nodo de demanda
escribiremoslasiguienterestriccin:
1, . . , 20
Otra restriccin es la limitacin del nmero de centros a localizar. En nuestro ejemplo

hemosfijadoelnmerodecentrosen4.Estoquieredecirquenicamentecuatrovariables
deubicacinXjpodrnseriguala1.Larestriccin,entrminosmatemticos,es:
Finalmente, el objetivo consiste en la maximizacin de la cobertura de la poblacin de la

reginencuestin.EnelmodeloPLSCtodoslosnodosquedabancubiertos,porloqueno
haca falta preocuparse de la poblacin. En el nuevo modelo, como algunos nodos de
demanda quedarn descubiertos, tenemos que considerar la poblacin de cada uno de
ellos.Elmodelointentarcubrir,enprimerlugar,aquellosnodosconmayorpoblacin(o
demanda).Elobjetivoseformulamatemticamentedelaformasiguiente:
max
En donde ai es un parmetro que denota el volumen de demanda (en nuestro ejemplo,

poblacin)asociadaalnodoi.ContramsYiseaniguala1,mscoberturaobtendremos.La
formulacinfinaldelproblemaes:

max
1, . . ,

, 0,1 1, , 1, . . ,
Laformulacindelproblemademximacoberturaparanuestroejemplo,conD=10yp=
4.ElresultadofinalsepresentaenelCuadro3.6.
Nmerode
Centros 4
Distanciaestndar 10
PoblacinCubierta 88%
Ubicaciones 4,8,12,17
Nodosno
cubiertos 18,20
Cuadro3.6:ResultadosdelPLCMenelejemplo
Vemos que con 4 centros pasamos a cubrir el 88% de la poblacin. En otras palabras,
mientras que el nmero mnimo de centros necesarios para cubrir toda la poblacin era
iguala6,con4centroscubrimosel88%deellaynicamentedosnodosnoestncubiertos.
ModelodeLocalizacinPMediano
ElmodeloPMedianodelocalizacin(MPML)tienequeobjetivoprincipallaminimizacin
deladistanciamediaentrelosnodosdedemandayloscentros.Elproblema,enpalabras,
eselsiguiente:
Dndeseubicarnpcentrosdeformaaminimizarladistanciamediaentrestosy
losnodosdedemanda?
Paraformularesteproblemanecesitamosconocer,comoenelproblemaanterior,lamatriz
de distancias y la demanda que se genera en cada uno de los nodos. En este caso no se
utilizaunadistanciaestndar.Lasvariablesdemodelosern:
Xij = 1, si el nodo de demanda i es atendido por el centro ubicado en j; 0, en caso

contrario
Wj=1;siubicamosuncentroenj;0,encasocontrario

Acontinuacindefinimoslasrestricciones.Enprimerlugar,unnododedemandatieneque
estarasignadoaunnicocentro.Paraforzarestasituacin,paracadanododedemandai,
lasumadelasXijconrespectoalndicejtienequeseriguala1.Entrminosmatemticos:
1 1, ,
Ahorabien,elnodoinopodrserasignadoalnodojsinoexisteuncentroenj.Comola
variableWjindicasiexisteuncentroenjono,tendremosque:
1, , . 1, , .
Sinoexisteningncentroenj,Wj=0,loqueimplicaqueningnnododedemandapodr
serasignadoaj.Enestecaso,todaslasvariablesXijserniguala0.
Finalmente,tenemosquefijarelnmerodecentrosaabrir.Lasiguienterestriccintiene
queseraadidaalmodelo:
Finalmente,tenemosqueformularelobjetivodedistanciamedia.Tenemosqueaidijserla
distanciatotal entrelapoblacin(o demanda)eniyelcentroenj.Sisumamosaidijpara
todaslasitendremostodalademandaasignadaaj.Luegotenemosquesumarparatodas
lasj,ytendremosladistanciatotaldelsistema.Elobjetivoes:
min
UnavezobtenidoelvalordeZ,tenemosquedividirloporlademanda(opoblacin)total
delsistemaparaobtenerladistanciamediaentrelademandayloscentros.
Enresumen,laformulacindelproblemaPmedianoes:

min
. .
1 1, ,

1, , . 1, ,
Esta formulacin suele tener muchas variables y restricciones. Por ejemplo, si m=n=100
tendremos 10.100 variables y 10.101 restricciones. Existen varias formas de reducir el
nmerodevariablesyrestricciones,peroanasestemodelosueleserbastantegrande.Se
handesarrolladovariosmtodosheursticosparapoderencontrarsolucionesdelMPML.
ElProblemadeLocalizacindePlantasconCapacidad
Enmuchoscasoselobjetivoprincipalesencontrarunaseriedeubicacionesqueminimicen
tanto los costos de transporte como el costo de apertura de los centros. El modelo de
LocalizacindePlantasconCapacidad(MLPC)sedescribedelaformasiguiente:
Cuntoscentrossenecesitanydndehayqueubicarlosparaminimizarloscostos
totalesdelserviciosinexcedersucapacidad?
Parapoderformularelmodelo,necesitamoslossiguientesparmetros:
ai=demandaenelnodoi
dij=distanciaentreelnododedemandaiyelnododeubicacinpotencialj.
fj=costodeaperturadeuncentroenelnodoj
cij=costodetransporteporunidaddedemandayunidaddedistancia
Cj=capacidaddeuncentrosiseubicaenj
ylasvariablesqueacontinuacinsedescriben:
Xij=demandadelnodoiatendidaporelcentroenj
Wj=1,siubicamosuncentroenj;0,encasocontrario.
Un vez definidos los parmetros y las variables del modelo, se tienen que formular las
restricciones.Enprimerlugar,nopodemosexcederlacapacidaddecadacentro.Paraque
esto se cumpla, la demanda asignada a cada uno de los centros potenciales j no puede
excedersucapacidad.Entrminosmatemticos:

1, , .
Porotrolado,lademandadecadaunodelosnodostienequeseratendida.Esdecir:
1, , .
Finalmente,unnododedemandainopuedeserservidoporjsinoexisteuncentroenj.
Matemticamente,
1, , .
endondeMesunparmetroconunvalormuyelevado(porejemplo,1010).SiWjesiguala
0, forzosamente todas las Xij sern igual a 0. En caso contrario, si Wj es igual a 1, las
variablesXijpodrntomarcualquiervalor,yaquenotendrnningunacotasuperior.
Ahora falta definirel objetivo.Por un lado tenemos los costos deapertura,o costos fijos.
Por otro lado, tenemos que minimizar los costos de distribucin o transporte. Estos dos
tipos de costos juegan un papel opuesto en relacin al nmero de centros a ubicar.
Mientrasque,contramscentrosabramos,menorserelcostodetransportealreducirse
las distancias, por otro lado los costos de apertura aumentarn considerablemente. El
modelobuscarelnmerodecentrosqueminimiceloscostostotales.Elobjetivosedefine
matemticamentecomo:
min
El primer trmino de del lado derecho de la ecuacin refleja los costos de apertura. El
segundotrminoformulaloscostostotalesdetransporte.
Enresumen,elmodeloseformuladelasiguienteforma:

min
. .
1, , .

1, , .
1, , .
0; 0,1 1, , . 1, , .
Esteproblemaesdeprogramacinlinealenteramixta,yaquemientrasquealgunasdelas
variablessonenteras(enestecasolasWjsonbinarias),otrassoncontinuas(lasXijpueden
tomarcualquiervalornonegativo).
Este problema es muy utilizado para ubicar plantas de produccin y depsitos de

distribucin.Existeunsinfndeproblemasdelocalizacinbasadosenestemodelo.
3.3.6Conclusiones
En este captulo hemos examinado como formular algunos problemas de programacin

entera mixta y binaria y como resolverlos con el algoritmo de bifurcacin y acotamiento.
Mientrasquealgunosproblemassonrelativamentefcilesderesolverconestealgoritmo,
otrospuedenserextremadamentecarosentrminosdetiempodeordenador,yaquela
ramificacinesexponencial,yencadaramadelrboldelalgoritmotenemosqueresolver
un programa lineal. La mayora de programas lineales incorporan un modulo de
programacin entera por lo que no hay que realizar el algoritmo; el propio programa se
encarga del proceso. En la hoja de clculo Excel, para resolver programas con algunas o
todaslasvariablesenteras,bastadeclararlascomoenterasobinarias(siprocede)dentro
delaventanaderestricciones.
3.4ActividadesparaelAprendizaje.
Luegodevisitarestasdireccionesdepginasweb,elaborarunresumeny/odesarrollarlos
ejerciciospropuestosparaeltemacorrespondiente:
Investigacindeoperaciones:http://www.investigacionoperaciones.com/contenido.htm
Resolverlosejerciciosalcapitulocorrespondiente:

CtedradeMtodosCuantitativosparalosNegocios.
http://www.unsa.edu.ar/mcneco/mcn_tps.html
ProgramacinMatemtica
http://www.uv.es/~sala/programacion.htm
BienvenidosaloscursosdelreadeOperacionesDescargarejercicios:
http://ucreanop.org/descarga_ejercicios.php

Programacion Lineal

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

Programacion Lineal

Загружено:

Авторское право:

Доступные форматы

METODOSCUANTITATIVOSPARALOSNEGOCIOS 2009

Plantear y resolver problemas que impliquen toma de decisiones para obtener

Compilacin: Ybnias El Grijalva Yauri 72

Los mtodos cuantitativos han tenido un impacto impresionante en la mejora de la

La programacin lineal es la herramienta bsica ms utilizada dentro de los mtodos

El trmino programacin tiene su origen en la planificacin de las actividades que se

La programacin lineal, si bien actualmente se utiliza frecuentemente para resolver

Compilacin: Ybnias El Grijalva Yauri 73

Compilacin: Ybnias El Grijalva Yauri 74

Finalmente, en la PL se considera que los parmetros utilizados en la construccin del

Compilacin: Ybnias El Grijalva Yauri 75

El objetivo de la gerencia consiste en la minimizacin del nmero total de personal de

Compilacin: Ybnias El Grijalva Yauri 76

Compilacin: Ybnias El Grijalva Yauri 77

Como el servicio postoperatorio (PO) an no existe, el gerente argumenta que para

Se ha establecido que en la sala PQ se disponen de 144 horas. En otras palabras, la

Compilacin: Ybnias El Grijalva Yauri 78

Ahora se necesita formular el objetivo. El gerente quiere saber el nmero mximo de

Si no existiera el problema de capacidad, el modelo sera trivial, ya que bastara asignar

Compilacin: Ybnias El Grijalva Yauri 79

Compilacin: Ybnias El Grijalva Yauri 80

La compaa de seguros Pacfico SA est preparando su plan de inversiones para los

Debidoal actualniveldeendeudamiento,aPacfico SAnoselepermitepedirprstamos.

Compilacin: Ybnias El Grijalva Yauri 81

Para formular las restricciones del modelo se utilizar un razonamiento secuencial. La

Al cabo de seis meses, la empresa ingresar 500.000 dlares, gracias a inversiones

En el periodo 12, la empresa recibir 400.000 dlares. de inversiones anteriores,

Compilacin: Ybnias El Grijalva Yauri 82

700.000 X2 en el proyecto Rimac y el resto puede volver a ponerlo en el fondo (S18). Es

max 600 2000 1.07

Hasta ahora hemos formulado matemticamente algunos problemas de gestin y

Compilacin: Ybnias El Grijalva Yauri 83

En primer lugar, se dibuja en un grfico cartesiano lasrestriccionesdel modelo pero con

Compilacin: Ybnias El Grijalva Yauri 84

A medida que Z aumenta, la recta se desplaza paralelamente hacia fuera, ya que la

Compilacin: Ybnias El Grijalva Yauri 85

Compilaccin: Ybnias El Grijalva Yaurri 86

Elmto odogrficooessencilloodeaplicaarparaencontrarlasolucinptimadeun nprogramaa

Compilaccin: Ybnias El Grijalva Yaurri 87

Dantzig y ms tarde Charnes desarrollaron un mtodo matemtico para poder efectuar

Compilacin: Ybnias El Grijalva Yauri 88

estructuralesy unconjuntoderestricciones.En general,podemosencontrar trestiposde

Con estas consideraciones, cualquier programa lineal con restricciones de desigualdad

Compilacin: Ybnias El Grijalva Yauri 89

A 0 0 144 162 982 3 0

Diremosqueunasolucin aumentada es unasolucin delaformacannica del programa

A continuacin examinaremos las propiedades algebraicas de las soluciones bsicas.

Compilacin: Ybnias El Grijalva Yauri 90

Compilacin: Ybnias El Grijalva Yauri 91

La razn por la cual la solucin encontrada se deducerpidamente es debido a que cada

Compilacin: Ybnias El Grijalva Yauri 92

Compilacin: Ybnias El Grijalva Yauri 93

Pregunta c: Cmo podemos identificar de manera convincente la nueva solucin bsica

Vamos a ver como funciona en nuestro ejemplo. Consideremos en sistema de ecuaciones

Compilacin: Ybnias El Grijalva Yauri 94

Compilacin: Ybnias El Grijalva Yauri 95

Paso 1. Como que la ecuacin (0) actual es 48 , la funcin solo

Compilacin: Ybnias El Grijalva Yauri 96

Compilacin: Ybnias El Grijalva Yauri 97

Paso 1. Comoquelaecuacin(0)actuales , lafuncinsolo

Compilacin: Ybnias El Grijalva Yauri 98

Compilacin: Ybnias El Grijalva Yauri 99

Compilacin: Ybnias El Grijalva Yauri 100

a. Determinar la variable bsica entrante: seleccionar la variable no bsica que, al