Antologia de IO

Investigacin de operaciones
3. Quin desarroll el mtodo smplex?

a) Thomas Edison.
b) Jorge Dantzig.
c) B. Pascal.
d) Von Neuman.
4. Qu importancia tuvieron las computadoras en el desarrollo de la I. O.?
a) Poder imprimir las soluciones.
b) Presentar en pantalla el resultado.
c) Realizar cientos de operaciones por segundo.
d) Mandar los resultados por Internet.
5. Quines conforman la actividad gerencial de una empresa?
a) Grupos interdisciplinarios.
b) Los ingenieros.
c) Las administradores.
d) Los dueos.
1.2. La investigacin de operaciones como

mtodo para la toma de decisiones
Actualmente las empresas tienen que resolver dos tipos de problemas
bsicos:
Problemas administrativos. Se toman decisiones sobre las polticas
a seguir, es decir, decisiones que afectan a la empresa a largo
plazo. Por ejemplo, conviene a la empresa cambiar su sistema de
administracin? Qu beneficios obtiene la empresa si cambia su
estrategia de mercadotecnia? Para analizar este tipo de problemas
existe la administracin de operaciones. Esta disciplina es la
encargada de analizar la toma de decisiones desde el punto de vista
administrativo.
21
Unidad 1
Problemas operacionales. Se toman decisiones que afectan a la

empresa a corto plazo y tienen mayor impacto en su parte operativa.
ste es el tipo de problemas que tienen que resolver los ingenieros. Por
ejemplo, cul mtodo de produccin maximiza las ganancias?, cmo
disminuir el tiempo de produccin?, cul es la produccin ptima
de esta semana?, cunta materia prima solicitar para un periodo
determinado?
Generalmente estas decisiones son complejas y representan una gran

cantidad de dinero, por lo que el ingeniero debe contar con una
herramienta que le permita cuantificar las relaciones existentes entre las
distintas variables del problema.
La I. O. proporciona esta herramienta para la toma de decisiones, ya
que podemos construir modelos matemticos que nos indiquen la mejor
alternativa desde un punto de vista cuantitativo.
En resumen, la toma de decisiones por parte del ingeniero: es un proceso
donde el ingeniero que enfrenta un problema, busca, entre una variedad
de caminos posibles, el mejor, teniendo siempre presente maximizar los
recursos de la empresa.
Los miembros de la gerencia enfrentan todos los das problemas de
asignacin de recursos, mismos que surgen a partir de que:
Las empresas cuentan con recursos limitados.
Ejemplo. En una fbrica de muebles, una de sus materias primas es
la madera, un recurso limitado y del cual depende la produccin.
Existen varias formas de fabricar un producto.
Ejemplo. Una empresa tiene una mquina para soldar componentes
elctricos en un circuito, sin embargo, esta operacin la pueden
hacer los trabajadores. El problema es determinar cul de las dos
opciones de produccin resulta ms econmica.
Surgen nuevas tecnologas que permiten modificar el mtodo de
produccin.
Ejemplo. Un hospital cuenta con una mquina para revelar
radiografas capaz de revelar hasta 25 radiografas por hora. Al
22
hospital llega la propaganda sobre una nueva mquina reveladora,

la cual tiene la capacidad de revelar hasta 45 radiografas por
hora. Debemos decidir si conviene al hospital adquirir la nueva
mquina.
Los gobiernos dictan leyes ecolgicas ms restrictivas.
Ejemplo. La termoelctrica Valle de Mxico utilizaba petrleo
para sus calderas, pero debido a los altos ndices de contaminacin
del valle de Mxico, se le prohibi utilizar este combustible. Por
lo cual se busc entre otros combustibles la mejor opcin.
Entra al mercado un nuevo producto competidor directo del
nuestro.
Ejemplo. Una compaa telefnica no se haba preocupado
por mejorar sus lneas de transmisin debido a que no tena
competencia; sin embargo, al llegar sta tuvo que buscar la
manera de tener una mejor calidad de transmisin sin elevar
costos.
Entre muchas otras.
Ante todo la gerencia de una empresa debe saber decidir cul es la mejor
alternativa de solucin de los problemas que se presentan. Para hacerlo,
necesita definir el problema tomando en cuenta todos los factores que
intervienen en l, reconociendo las restricciones y evaluando cada una
de las alternativas para encontrar aquella que optimice sus recursos.
Ejemplo 1
Verten de Mxico desea aumentar recursos de sistemas computacionales
para el departamento de contabilidad. En la actualidad cuenta con ocho
computadoras PC Pentium a 233 Mhz, con 64 MB en RAM y discos
duros de 1.2 GB. El ingeniero en sistemas debe tomar una decisin sobre
cul de las siguientes opciones es la que ms conviene:
a) Aumentar la memoria de 64 a 128 MB, colocar discos duros de 9.7
GB, cambiar de microprocesador a uno con velocidad de 600 Mhz.
23
Unidad 1
b) Comprar 8 mquinas nuevas Pentium III, con 128 MB en RAM, discos

duros de 16 GB y con una velocidad de 1 200 Mhz.
c) Comprar un servidor y conectar las computadoras en red.
Para hacerlo debe evaluar las tres opciones, tomando en cuenta
el objetivo que se persigue: aumentar recursos de computo del
departamento. Lo que se debe evaluar es el costo-beneficio que
representa cada alternativa presentada. Con esto el ingeniero debe ser
capaz de construir un modelo matemtico que le permita cuantificar
cada una de las opciones para poder elegir la mejor de ellas.
Ejemplo 2
Una fbrica de medicamentos produce dos tipos de pastillas, un
analgsico y un antihistamnico. La fbrica opera 48 horas a la semana
y emplea a ocho trabajadores de tiempo completo y cuatro de tiempo
parcial que generan 300 horas de trabajo en el rea de produccin.
Despus del proceso de produccin, las medicinas tienen que ser
empaquetadas, en este departamento trabajan seis personas de tiempo
completo y dos de tiempo parcial que en total producen 250 horas.
Para fabricar 1 000 pastillas del tipo analgsico se requieren tres
horas de fuerza de trabajo en el departamento de produccin y una
en empaquetado; para producir 1 000 pastillas del tipo antihistamnico
se requieren dos horas de fuerza de trabajo en el departamento de
produccin y 1.5 horas en empaquetado.
No se tienen problemas con la materia prima y se pueden vender hasta
10 000 pastillas de analgsicos y 12 000 de antihistamnicos. Se sabe
que cada uno de los analgsicos deja una ganancia de $ 0.23 por pastilla,
mientras que los antihistamnicos $ 0.13. Cul es la combinacin de
pastillas que optimiza la ganancia de la empresa?
24
Ejercicio 2
1. Relaciona las siguientes columnas.
a) Resuelve problemas
de tipo operacional.
( ) Administracin de operaciones.
b) Toma de decisiones.
( ) La I. O.
c) Resuelve problemas
de tipo administrativo.
( ) El ingeniero.
d) Optimiza los recursos

limitados de la empresa.
( ) La principal tarea de la gerencia.
e) Tomar en cuenta todos

los factores que intervienen
en un problema.
( ) Para resolver un problema, la gerencia

debe...
2. Describe el proceso de toma de decisiones del ingeniero.

__________________________________________________________________________________________________________________________________________.
1.3. Definiciones de la investigacin

de operaciones
A continuacin presentamos algunas de las definiciones clsicas de la
I. O., segn el rea de aplicacin.
La definicin dada por Morse y Kimball, autores de un libro de I. O., es
la siguiente:
La investigacin de operaciones es un mtodo cientfico para dar a
los departamentos ejecutivos una base cuantitativa para las decisiones
relacionadas con las operaciones que estn bajo su control. *
Thierauf y Grosse nos dan la siguiente definicin:
*
Morse, P.M. y G.E. Kimball, Methods of Operations Research, Nueva York: John Wiley & Sons.
25
Unidad 1
La I. O. utiliza el enfoque planeado (mtodo cientfico) y un grupo

interdisciplinario a fin de representar las complicadas relaciones
funcionales de un sistema para suministrar una base cuantitativa para
la toma de decisiones y descubrir nuevos problemas para su anlisis
cuantitativo. *
Estas definiciones reflejan la idea que se tena de la I. O. en sus orgenes.
Posteriormente, la I. O. se aplic en campos tan diversos como la
economa, la psicologa o la medicina. En matemticas es un rea de
investigacin que ha dado resultados en el campo del anlisis numrico.
Para tener un panorama general de las aplicaciones que tiene hoy en
da la I. O., presentamos tres definiciones contemporneas, la primera,
tomada de un libro con un enfoque matemtico, la segunda, de un libro
con enfoque administrativo y la ltima con un enfoque de ingeniera:
La I. O. es la herramienta que nos permite optimizar un problema
complejo de decisin o ubicacin. **
Esta definicin slo contempla la I. O. como una herramienta matemtica
que permite resolver problemas matemticos (obtener los mximos y
mnimos de una funcin sujeta o no a restricciones).
La I. O. es la ciencia de la administracin; los administradores utilizan
las matemticas y las computadoras para tomar decisiones racionales en
la solucin de problemas. ***
Esta definicin slo considera que la I. O. se utiliza para resolver
problemas de administracin de recursos y limita su uso slo para los
administradores.
La I. O. es el conjunto de tcnicas matemticas y computacionales
que utiliza el ingeniero para tomar decisiones, basadas en anlisis
cuantitativos, para la solucin de problemas del tipo operacional.
*
Thierauf, R. J. y R.A. Grosse, Toma de decisiones por medio de investigacin de operaciones,

Limusa, Mxico.
**
Luenberger, David E., Programacin lineal y no lineal, Addisson-Wesley.
**
Mathur, K. y D. Solow, Investigacin de operaciones, Prentice- Hall.
26
Esta ltima definicin deja claro el uso de la I. O. en ingeniera adems

de incluir las dos ciencias en la que se apoya esta disciplina.
La I. O. se auxilia de algunas otras reas de las matemticas, como: lgebra,
lgebra lineal, geometra analtica y teora de grafos. La aportacin ms
importante es del lgebra lineal, la cual proporciona la sustentacin terica
sobre si el problema tiene solucin nica, una infinidad de soluciones
o ninguna solucin. Por otro lado la computacin es una herramienta
electrnica capaz de efectuar millones de operaciones por segundo,
minimizando los errores de clculo cometidos por el ser humano, lo que
hace posible que se tengan soluciones reales en tiempos razonables, ya que
de otra manera nos tardaramos meses en resolver un problema de I. O. que
tuviera ms de 10 variables.
Al unir computacin y matemticas desarrollamos algoritmos que
permiten resolver problemas de toma de decisiones operacionales de
una manera rpida y confiable. Actualmente existen varios paquetes
computacionales que nos permiten resolver problemas de:
Asignacin de recursos.
Redes de distribucin.
Programacin lineal.
Programacin no lineal.
Inventarios.
Lneas de espera.
Redes.
Algunos paquetes son: LINDO, TORA, STORM, QSB.
1.4. Metodologa de la investigacin

de operaciones
La metodologa de la I. O. est basada en el mtodo cientfico, que plantea
como primer paso la observacin de un fenmeno real que necesitamos
estudiar. En la I. O. se tiene un problema de tipo operativo para resolver en
el cual se identifican las variables, adems de los datos que intervienen en
el mismo.
27
Unidad 1
Como propuesta de hiptesis se plantea el modelo matemtico que

identifica y define el problema, el especialista debe proponer soluciones
y predecir sus consecuencias. Finalmente se deben verificar mediante
experimentacin las hiptesis planteadas.
En la I. O. utilizamos tcnicas matemticas para obtener una mejor
solucin. Se verifica si puede ser aplicada ya sea por las limitaciones que
la teora propone, o bien, por que la solucin matemtica no se pueda
aplicar por ir en contra de las polticas de la empresa.
Si tomamos como referencia el mtodo cientfico, la metodologa de la I. O.
consiste de los siguientes pasos:
1. Formulacin del modelo matemtico.

2. Solucin del modelo matemtico.
3. Aplicacin del modelo como solucin del problema original.
1.4.1. Formulacin del modelo matemtico

Se pretende que el ingeniero identifique, comprenda y describa de
una manera clara y cuantitativa el problema operativo que enfrenta
la empresa, para que de esta manera pueda construir un modelo
matemtico.
Para hacer lo anterior debemos dividir las variables del problema en dos
tipos:
Variables controlables. Son variables que se pueden controlar o
medir y es necesario determinar su valor para resolver el problema
operativo.
Variables no controlables. Son variables que no se pueden controlar
ni medir, debido a que su comportamiento es del tipo aleatorio o
porque no est en nuestras manos modificarlas. Estas variables no
se incluyen en los modelos matemticos de la I. O.
28
Ejemplos de variables controlables son:

1. En la aseguradora nos pueden decir que el monto mximo de la
prima aseguradora es de $ 120 000.00 y que no podemos asegurar a
ms de 200 000 personas.
2. Nos informan que como mnimo debemos producir 1 000 000 de
tornillos al da, de los cuales slo 0.01% pueden ser defectuosos.
3. El costo por energa elctrica es de $ 1.00 el kilowatt hora y nuestras
mquinas consumen 2 watts por hora.
Necesitamos definir las variables controlables y los datos que son
importantes en el proceso, para que con esta informacin podamos
construir un modelo matemtico que represente las relaciones entre las
variables y los datos.
Ejemplo 3
La empresa Patito produce dos tipos de detergente, uno para ropa blanca
y otro para ropa de color. El detergente de ropa blanca deja una ganancia
de $ 2.00 por litro vendido, mientras que el de ropa de color deja una
ganancia de $ 3.00. La empresa slo puede producir 10 litros del de color
y 15 del de ropa blanca al da. Los vendedores pueden vender como
mximo 15 litros de detergente al da sin importar de cul se trate. Cul
es la combinacin que maximiza las ganancias de la empresa?
Primero hay que identificar las variables.
Variables controlables.
Sea x la cantidad en litros producida del detergente para ropa blanca.
Sea y la cantidad en litros producida del detergente para ropa de color.
Ahora escribimos los datos:
La ganancia por litro vendido del detergente para ropa blanca $ 2.00.
La ganancia por litro vendido del detergente para ropa de color $ 3.00.
29
Unidad 1
La cantidad total de litros que puede producir la empresa es 10 litros de

ropa de color y 15 de ropa blanca.
La cantidad de litros de detergente que se pueden vender al da son 15
litros.
Las relaciones entre las variables y los datos son:
Queremos cuantificar la ganancia que obtenemos al vender los detergentes.
Sabemos que por cada litro vendido del detergente para ropa blanca
ganamos $ 2.00, por lo tanto, si vendemos x litros la ganancia por este
detergente es de 2x; por cada litro de detergente para ropa de color
tenemos una ganancia de $ 3.00, por lo cual, si vendemos y litros de este
detergente la ganancia es de 3y. La utilidad total queda determinada por la
funcin:
f ( x, y ) 2 x 3 y
El objetivo es maximizarla, esto es, encontrar los valores de x y y que
hacen que f(x, y) tenga el mximo valor posible. Esto se lograra dando
a las variables valores cada vez ms grandes, sin embargo, esto no
es posible debido a que nuestro problema tiene limitantes sobre estas
variables, por ejemplo, sabemos que la empresa puede producir como
mximo 10 litros del detergente para ropa de color y 15 del de ropa
blanca; esto lo podemos representar matemticamente como:
y 10
x 15
Adems, slo se pueden comercializar 15 litros de detergente al da sin
importar de cul se trate, matemticamente se expresa de la siguiente
manera:
x y 15
Por ltimo, sabemos que x y y no pueden ser negativas (no podemos

producir una cantidad negativa de detergente), con lo cual obtenemos el
siguiente modelo matemtico:
30
Maximizar f ( x, y ) 2 x 3 y sujeto a
x 15
y 10
x y 15
x, y 0
En el ejemplo anterior, el modelo que se obtuvo es de tipo programacin
lineal, el cual est formado por una funcin objetivo y una serie de
desigualdades o igualdades que tienen la caracterstica de limitar el
valor de las variables controlables.
Ejercicio 3
1. Son las variables del problema que puedo medir.
a) Variables no controlables.
b) Variables controlables.
c) Datos.
d) Funcin objetivo.
2. Son las variables de tipo aleatorio o que no podemos modificar.
c) Datos.
d) Objetivos.
3. Cantidades relacionadas con nuestro proceso que no cambian de
valor.
c) Funciones.
d) Datos.
31
Unidad 1
4. Es el nmero de pasos de la metodologa de la I. O.

a) 5
b) 2
c) 3
d) 1
5. El modelo matemtico representa las relaciones entre:
a) Las variables controlables y los datos.
b) Las variables y los datos.
c) Las variables controlables y las variables no controlables.
d) Los distintos departamentos de una empresa.
1.4.2. Solucin del modelo matemtico

La solucin del problema depende del tipo de modelo que se obtuvo:
lineal o no lineal.
Si el modelo es lineal se utiliza como mtodo de solucin: el
mtodo grfico o el mtodo smplex.
Si es un modelo no lineal sin restricciones podemos utilizar
mtodos de mximo descenso o mtodos de direccin conjugada.
Si el modelo es no lineal con restricciones utilizamos mtodos de
multiplicadores de Lagrange o mtodos de penalizacin.
En este libro estudiaremos modelos de programacin lineal que, como

ya mencionamos, se resuelven utilizando: mtodo grfico o bien mtodo
smplex. Este mtodo se ajusta a problemas particulares, como por
ejemplo: problemas de dietas, problemas de seleccin de personal,
problemas de transporte, problemas de asignacin, problemas de fabricar
o comprar. Existe otro tipo de modelos, que incluyen en su formulacin
a la teora de probabilidades, estos modelos estn relacionados con la
solucin de problemas de redes y del tipo de lneas de espera. En las
unidades siguientes estudiaremos cada uno.
Como la gran mayora de los problemas en I. O. involucra una gran
cantidad de operaciones, la solucin de los modelos se lleva a cabo
mediante el uso de programas de computadora.
32
Resolveremos el modelo que se construy en el ejemplo 3.
Ejemplo 3 (continuacin 1)
El modelo que obtuvimos es:
x 15
y 10
x y 15
x, y 0
Utilizando el mtodo grfico (Unidad 4) se encuentra la siguiente
solucin ptima.
x = 5,
y = 10
Este resultado se interpreta as: debemos producir 5 litros de detergente

de ropa blanca y 10 litros de detergente de ropa de color. La ganancia
por esta combinacin es de 40 pesos.
1.4.3. Validacin, instrumentacin y control

de la solucin ptima
Una vez que se obtiene la solucin ptima del modelo matemtico que
representa al problema operacional, debemos validarla. Si la solucin no
es vlida debemos replantear nuestro modelo. En caso de que la solucin
ptima sea aplicable se instrumenta en la planta, pero debemos llevar un
control de la misma. A continuacin explicamos a detalle cada una de
estas etapas.
33
Unidad 1
a) Validacin de la solucin ptima

En ocasiones las soluciones matemticas no pueden ser aplicadas a la
realidad.
Tomemos como ejemplo un problema de fsica: se busca determinar
el tiempo que tarda en caer un baln desde una altura h.
La solucin de este problema involucra una raz cuadrada, la cual hace
que algunas veces se obtengan soluciones negativas, pero sabemos que no
existen tiempos negativos, por lo tanto, la solucin negativa es desechada
por no ser factible de aplicar. Otro problema es que al modelar la cada
libre se supone que la friccin del aire es despreciable, lo cual no siempre
es vlido; esto se hace con la finalidad de obtener un modelo simple.
En la I. O. pasa lo mismo, puede ser que la solucin matemtica no se pueda
aplicar debido a polticas de la empresa, del gobierno o de la competencia,
lo cual hace que se requiera buscar alternativas, o que la solucin obtenida
no sea factible de aplicarse en la realidad, porque propone dejar de producir
algn producto o desechar maquinaria.
Por lo tanto, una vez que obtenemos la solucin del modelo surge la
siguiente pregunta:
La solucin ptima es factible de aplicar?
Si la respuesta es afirmativa se implementa como solucin, en caso
contrario se reformula el problema.
b) Modificacin del modelo
Si la solucin ptima del modelo matemtico no es factible de aplicar,
se debe replantear el modelo, desechando o incorporando nuevos datos
del problema. Se hace hincapi en que difcilmente se pueden obtener
modelos que representen la realidad 100%, generalmente se sacrifican
algunas variables para que el modelo tenga solucin, pero tampoco
se deben dejar a un lado las variables que son significativas en el
problema.
34
c) Instrumentacin de la solucin ptima

Si la solucin ptima es aplicable, se procede a instrumentarla en la
planta, esto es, las variables controlables deben tomar el valor que se
obtuvo en la solucin.
d) Control de la solucin ptima
Una vez validada e instrumentada la solucin del modelo, debemos tener
un control sobre la misma, ya que con el tiempo pueden cambiar algunos
datos y se requiere saber si la solucin sigue siendo vlida o se debe
replantear el modelo para nuevos valores.
Ejemplo 3 (continuacin 2)
En el caso de la fbrica de detergente se obtuvo que la solucin ptima es:
x = 5 y y = 10, esto es, producir 5 litros de detergente para ropa blanca
y 10 litros de detergente para ropa de color da una ganancia de $ 40.00.
Observamos que esta combinacin es factible, ya que cumple con todas
las restricciones de nuestro problema:
x es menor a 15 litros.
y es igual a 10 litros.
La suma de x + y es igual a 15.
Tanto x como y son positivas.
Pero, qu pasa si la empresa adquiere una mquina con la que puede
producir hasta 12 litros de detergente para ropa de color? En este
caso debemos replantear nuestro modelo, el cual queda de la siguiente
forma:
35
Unidad 1
x 15
y 12
x y 15
x, y 0
Que tiene por solucin:
x = 3,
y = 12
Esta nueva solucin se interpreta como: debemos producir 3 litros de

detergente para ropa blanca y 12 litros de detergente para ropa de color,
lo cual nos da utilidad de $ 42.00 al da, lo que mejora la ganancia
respecto a la solucin original.
Ejercicio 4
1. El mtodo para resolver problemas lineales es:
a) Multiplicadores de Lagrange.
b) Mtodo smplex.
c) Mtodo de gradiente conjugado.
d) Mtodo de mximo descenso.
2. Debido a la gran cantidad de operaciones que involucra la solucin de
un problema de I. O. stos se tienen que resolver:
a) Usando logaritmos.
b) En computadoras.
c) Por matemticos.
d) Analticamente.
3. Una vez que se tiene la solucin ptima del problema de I. O. Entonces
debemos:
a) Justificar.
b) Implementar.
c) Modificar.
d) Validar.
36
4. Si la solucin ptima es aplicable, entonces debemos:

a) Validar.
b) Instrumentar.
c) Modificar.
d) Justificar.
5. Ya que la solucin ptima se instrument, entonces debemos:
a) Validarla.
b) Modificarla.
c) Controlarla.
d) Imprimirla.
6. Qu quiere decir instrumentar la solucin ptima?
______________________________________________________________________________________________________________________________________.
7. Por qu se debe validar la solucin ptima?
______________________________________________________________________________________________________________________________________.
8. Si la solucin ptima no es aplicable, qu debemos hacer?
______________________________________________________________________________________________________________________________________.
1.5. Usos y ventajas de los modelos

de investigacin de operaciones
La I. O. ayuda al administrador y al ingeniero en la toma de decisiones, las
cuales pueden ser estratgicas u operacionales. Las decisiones operacionales,
a diferencia de las estratgicas, se usan repetidamente. Por lo tanto, debemos
buscar la manera de ahorrar tiempo y esfuerzo en su formulacin y en los
algoritmos para su solucin.
Los problemas que se pueden resolver utilizando la I. O. son tan diversos
como las tcnicas utilizadas. A continuacin damos un panorama general
de los modelos mencionando sus aplicaciones y ventajas.
37
Unidad 1
Modelo de programacin lineal

Se caracteriza por ser un modelo determinstico, con una funcin
objetivo y una serie de restricciones lineales. Se usa al resolver problemas
como:
Toma de decisiones en los negocios.

Transporte.
Asignacin de recursos.
Dietas.
Produccin.
La principal ventaja es que se cuenta con el mtodo smplex para

resolverlos, y que siempre es posible saber si el problema tiene o no
solucin, adems de poder realizar un anlisis del tipo qu pasa si se
modifica el valor de un dato?
Modelo de programacin entera
Un inconveniente de la programacin lineal es que puede ser que la
solucin ptima no sea un nmero entero, por lo tanto, no se puede
aplicar. Por ejemplo, si necesitamos saber cuntos obreros contratar y la
solucin es 12.3, no es posible aplicarla. Por lo tanto, los problemas en
que se necesita que la solucin sea entera se resuelven con una variacin
de la programacin lineal, la cual recibe el nombre de programacin
entera. Los problemas que podemos resolver con este tipo de modelo
son:
Problemas de costo fijo.
Problemas de transporte.
Problemas de asignacin de recursos.
Los inconvenientes de la programacin entera son que,

al aumentar
una variable, el nmero de soluciones posibles se duplica, esto es, se
tiene un crecimiento exponencial, adems de que al quitar algunas de
las soluciones (las no enteras) del problema original, ya no se puede
garantizar la existencia de la solucin ptima. Por lo tanto, el mtodo
smplex no funciona en general al resolver problemas de programacin
entera. En su lugar se ocupan algoritmos como:
38
Tcnica de ramificacin y acotamiento.

Mtodo de planos cortantes.
Programacin no lineal
Cuando la funcin objetivo o las restricciones son no lineales, tenemos
un problema de programacin no lineal. Este tipo de modelos se obtienen
cuando las relaciones entre las variables y los datos no son lineales, por
ejemplo:
Problemas de mezcla de productos con elasticidad en los precios.
Problema de transporte con descuentos por volumen en los precios
del embarque.
Seleccin de una cartera de inversiones riesgosas.
Algunos de los mtodos para resolver este tipo de problemas son:
Mtodo grfico.
Mtodo de mximo descenso.
Mtodo de multiplicadores de Lagrange.
Mtodo de gradiente conjugado.
El inconveniente de este tipo de modelos es que su solucin es ms

complicada y su ejecucin en la computadora es ms difcil y costosa
(por el nmero de operaciones-mquina).
Modelo de redes
Este es un tipo especial de problemas que se pueden resolver utilizando
programacin lineal o programacin entera, sin embargo, la forma de
obtener el modelo es distinta, ya que generalmente se utilizan grafos*
para poder representar de una manera ms sencilla el problema. Algunas
de sus aplicaciones son:
Problema de la ruta ms corta.
Problema de flujo mximo.
Problema de flujo de costo mnimo.
*
Conjunto de vrtices unidos por arcos o aristas.
39
Unidad 1
El uso de grafos para plantear los problemas de redes vino acompaado

de la teora de grafos, la cual permiti el desarrollo de dos tcnicas para
la solucin de este tipo de problemas:
PERT (tcnica de evaluacin y revisin de programas).
CPM (mtodo de la ruta crtica).
Modelos de lneas de espera

Cuando la demanda de un servicio es mayor a su oferta, tenemos un
problema de lneas de espera o colas, por ejemplo, si es ms rpido el
ensamblado de los automviles que pintarlos, entonces los automviles
tendrn que esperar a que se desocupe la mquina que aplica la pintura.
Este tipo de problemas necesita de la teora de probabilidades para poder
ser formulado. Algunos de los mtodos desarrollados para su solucin
son:
Modelos con distribucin de Poisson.

Modelos con distribucin exponencial.
Modelos de un canal.
Modelos multicanales.
Un ejemplo de este tipo de problemas es el siguiente:

En un banco llegan de manera aleatoria 10 clientes por hora y en
promedio cada cliente tarda 20 minutos en hacer sus operaciones,
cuntos cajeros se debe tener disponibles para que la fila no sea mayor
a 5 personas?
En general las ventajas de utilizar la I. O. en la solucin de problemas
operacionales son:
Las decisiones son tomadas usando anlisis cuantitativos dejando
a un lado las cualitativas. Adems, nos permiten realizar anlisis
de sensibilidad, esto es, predicciones de tipo: qu pasa si cambia
el valor de uno de nuestros datos? Por ejemplo, si tenemos la opcin
de comprar la materia prima a un nuevo distribuidor a un precio
ms econmico, cmo afectar a nuestros niveles de produccin?
Esta pregunta se resuelve primero de forma terica en el papel y
despus se pone en prctica, si es que conviene a los fines de la
empresa.
40
Permite tomar decisiones del tipo global; esto es, decisiones que
tomen en cuenta los puntos de vista de cada uno de los
departamentos de la empresa.
Resumen
En esta unidad estudiamos los orgenes, metodologa y usos de la I. O.
Definimos que la administracin de operaciones, se encarga de resolver
problemas de tipo estratgico, mientras que la I. O. resuelve problemas
de tipo operacional. Para estudiar la metodologa de la I. O. se sigue el
siguiente esquema:
En la unidad 2 aprenderemos a construir modelos matemticos que representen

las relaciones entre las variables controlables y los datos de un problema
operacional real.
41
Unidad 1
1.6. Problemas de aplicacin de la

investigacin de operaciones
Ahora presentamos un caso prctico de programacin lineal y su modelo
matemtico asociado; no explicamos cmo se obtuvo la solucin. Los
procedimientos se estudiarn en las siguientes unidades. Tambin se
enuncia una aplicacin de lnea de espera.
Caso prctico: programacin lineal
Una empresa de petrleo tiene tres refineras para surtir de gasolina a
la ciudad 1. La primera se encuentra en la ciudad M, la segunda en la
ciudad N y la tercera en la ciudad Q.
De la planta de M se pueden trasportar 15 000 litros de gasolina al da,
mientras que de N 20 000 y de Q 35 000. El costo por litro de gasolina
transportado de M es de $ 1.50, de N es de $ 2.00 y de Q es de $ 2.20.
Si la demanda de gasolina en la ciudad 1 es de 28 000 litros al da, cul
es la combinacin que minimiza los costos de transportacin?
En este caso el modelo matemtico que se obtiene es:
Z mn 1.5 x 2 y 2.2 z
x y z 28 000
x 15 000
y 20 000
z 35 000
x, y , z 0
Donde x es la cantidad en litros de gasolina transportados desde M, y es
la cantidad transportada desde N y z es la cantidad transportada desde Q.
Si para este problema usamos el paquete computacional LINDO,
obtenemos la siguiente solucin:
42
Objective function value

1) 48 500.0000
X = 15 000.00
Y = 13 000.00
Z=0
Lo cual indica que debemos transportar 15 000 litros desde M y 13 000
desde N, lo que nos cuesta $ 48 500.00. Esta solucin es factible porque
cumple con todas las restricciones de nuestro problema, por lo tanto la
aplicamos.
Si despus de un tiempo el costo de transportar la gasolina desde N se
incrementa a $ 2.15 y se restringe a slo 10 000 litros al da, qu pasa
con la solucin?
El nuevo modelo queda de la siguiente manera:
Z mn 1.5 x 2 y 2.2 z
x y z 28 000
x 15 000
y 20 000
z 35 000
x, y , z 0
Que tiene por solucin:
Objective function value
1) 50 600.0000
X = 15 000.00
Y = 10 000.00
Z = 3 000.00
Lo cual indica que la nueva combinacin ptima es traer 15 000 litros de
M, 10 000 de N y por ltimo 3 000 de Q, y que el costo de esta nueva
combinacin es de $ 50 600.00.
43
Unidad 1
Aplicacin: lnea de espera

En una computadora, el sistema operativo es el que se encarga de indicar
el orden en que se resolvern las tareas por el microprocesador; por
ejemplo en una PC podemos pedirle al sistema que guarde un archivo
en el disco duro y que imprima un documento. En este caso el sistema
operativo debe formar una lnea de espera, ya que el microprocesador
slo puede realizar una tarea en cada ciclo de reloj. Para optimizar el
funcionamiento de las computadoras, se aplic la teora de lneas de
espera, para indicar al sistema operativo el mximo de tareas que puede
aceptar como pendientes, si se sobrepasa este nmero, puede suceder
que el sistema se inhiba.
44
Introduccin
n la unidad 1 aprendimos la importancia que tiene la investigacin

de operaciones (I. O.) en la toma de decisiones, tanto estratgicas
como operacionales, donde el ingeniero utiliza la metodologa
de la I. O. para resolver los problemas que se presentan en la industria;
tambin presentamos algunas aplicaciones concretas. En cuanto a la
metodologa, explicamos que una de las partes ms importante pero
compleja, es la construccin del modelo matemtico que represente
de manera vlida y eficaz el problema a resolver. En esta unidad
analizaremos el concepto de modelo, los tipos de modelos y finalmente
la construccin de modelos matemticos que representen las relaciones
entre las variables y los datos de un problema, as como ejemplos de
programacin lineal, redes y lneas de espera.
En conclusin, pretendemos que con esta unidad el lector comprenda
y analice cada uno de los pasos para la construccin de un modelo
matemtico vlido, independientemente de la diversidad del problema
que represente, y no slo se memorice un modelo particular para un
caso especfico o individual.
2.1. Definicin de modelo y su clasificacin

Un modelo es la representacin simplificada de un fenmeno que
conserva las relaciones ms significativas entre las variables y los datos
involucrados en el fenmeno para su fcil manipulacin.
Un modelo representa parcialmente a la realidad. Si quisiramos construir
un modelo que la representara 100%, (si fuera posible) resultara muy
costoso, complejo y de difcil manejo; sin embargo, tampoco vamos a
construir modelos simplistas que se alejen demasiado de la realidad. Es
responsabilidad del ingeniero desarrollar el punto medio entre estos dos
extremos.
Antes de clasificar los modelos por su tipo, citemos algunos ejemplos.
51
Unidad 2
Ejemplo 1
En Francia existe un tnel de viento donde se prueban los fuselajes
de los aviones para determinar su resistencia al viento y a las
turbulencias. Sera muy costoso construir un tnel de viento lo
suficientemente grande para probar un avin de dimensiones reales,
adems resultara muy costosa la construccin del prototipo. En lugar
de hacer esto, se construyen modelos a escala de los aviones que se
desean probar.
Ejemplo 2
En una empresa se tiene una lnea de produccin que consta de 12
pasos, si queremos mostrar esta lnea de produccin a un grupo de
inversionistas para inducirlos a la compra de acciones de la compaa,
sera complicado llevarlos directamente a la lnea de produccin, ya que
el ruido y los obreros no permitiran una buena comunicacin; en su
lugar podemos construir un diagrama de flujo que represente la lnea de
produccin.
Ejemplo 3
Una compaa que fabrica pasta dental desea saber cuntas personas
en Mxico conocen su producto. Una forma de saberlo es preguntarle
a cada mexicano, lo que resultara muy costoso para la empresa, en
su lugar podemos utilizar un modelo estadstico que nos permita
hacer la pregunta solamente a un grupo reducido (muestra), y
con base en los resultados inferir el comportamiento en toda la
poblacin.
Cada uno de los ejemplos anteriores, representa un tipo de modelo,
el primero es un modelo tangible construido en tres dimensiones, el
segundo utiliza un esquema que es anlogo a la lnea de produccin
mientras que el ltimo es un modelo matemtico para representar la
realidad.
52
Los modelos se clasifican en:

Modelos icnicos.
Modelos analgicos.
Modelos matemticos.
Modelos icnicos
Es una representacin a escala de la realidad, suprimiendo algunos
aspectos para facilitar su manipulacin. Una caracterstica importante
de este tipo de modelos, es que se utilizan para analizar fenmenos que
se mantienen estticos. Ejemplos:
Una maqueta con casas o edificios a escala.
Un diagrama de dos cargas elctricas.
Una maqueta que simula la superficie lunar.
Un mapa de Amrica del Norte.
Un modelo a escala de un avin.
Un globo terrqueo para trabajo escolar.
Modelos analgicos
Un modelo analgico, es un sistema que tiene un comportamiento
parecido al problema que se desea estudiar pero con la diferencia que
el modelo s se puede manipular. Por ejemplo, para medir la velocidad
de un automvil la velocidad angular de la llanta se transforma en
corriente elctrica; aqu la analoga consiste en que la corriente inducida
se incrementa en forma proporcional a la velocidad del automvil. La
corriente inducida mueve la aguja del velocmetro hacia una posicin
dentro de una escala de velocidades. A diferencia de los modelos icnicos,
los modelos analgicos pueden representar situaciones dinmicas,
adems de que al utilizar este tipo de modelos incrementamos la
capacidad de hacer cambios. Ejemplos:
Un diagrama de flujo.
Un circuito elctrico.
El probar medicinas en animales.
53
Unidad 2
Modelos matemticos
Este tipo de modelos representan la realidad mediante smbolos y
cantidades relacionadas matemticamente; por ser abstractos no estn
restringidos a un nmero especfico de dimensiones, ya que podemos
manejar tantas variables como queramos. Un ejemplo de este tipo de
modelo simblico es una ecuacin, la cual puede representar las relaciones
entre el tiempo que tarda en caer un cuerpo y el valor de la velocidad
inicial, la masa del cuerpo, la friccin del aire, la temperatura, etctera.
Ejemplos de modelos matemticos:
La ecuacin de la relatividad de Einstein, E = mc2
La segunda ley de Newton, F = ma
t
La funcin de costos de un proceso, C (t ) 1 000
2
El modelo de programacin lineal de un problema de
optimizacin.
Zmx = 10x + 50y
2x + 3y < 5
7x 14y > 6
x, y > 0
Los modelos simblicos tienen muchas ventajas sobre la descripcin de

un problema. Algunas de las ventajas son:
Un modelo matemtico puede ser muy preciso. Por ejemplo, decir
que se desea mejorar un proceso de construccin de tornillos, no
nos indica de manera clara a qu se refiere el mejorar el proceso,
sin embargo, si escribimos la ecuacin de costo de produccin y
decimos que sta se quiere minimizar (Zmn = 3x + 4y), el
problema queda bien determinado.
En un modelo simblico slo se consideran las variables y datos
que son importantes para obtener la solucin del problema.
Ejemplo: si se tienen cuatro trabajadores que producen 30 horas
de trabajo al da; es probable que no interese el nmero de
trabajadores, sino nicamente el nmero de horas de trabajo
generadas, por tal motivo en el modelo simblico slo aparecer 30
como un dato.
54
Un modelo simblico nos permite utilizar tcnicas matemticas y

la computadora para la solucin de los problemas de I. O.
En este libro utilizaremos modelos matemticos.
Ejercicio 1
1. Un modelo matemtico es:
a) Una ecuacin.
b) Un avin a escala.
c) Una fotografa.
d) Un diagrama de flujo.
2. Un ejemplo de un modelo icnico es:
a) Una ecuacin.
b) Un avin a escala.
c) Una frmula qumica.
d) Un diagrama de flujo.
3. Es una abstraccin simplificada de la realidad:
a) Un problema.
b) Un experimento.
c) Un modelo.
d) Una hiptesis.
4. Escribe la definicin de modelo
____________________________________________________________________________________________________________________________________________.
5. De la clasificacin de modelos, cul es el tipo de modelo que se
utiliza para resolver problemas en I. O.?
______________________________________________________________________.
55
Unidad 2
2.2. Construccin de modelos

de programacin lineal
Una vez definido lo que representan los modelos y cmo se
clasifican, ahora tenemos que aprender a construirlos. En la unidad
1 mencionamos que existen programas computacionales comerciales
que nos permiten resolver problemas de I. O., que para ser eficaces,
el usuario debe introducir los datos del modelo a la computadora
(en la actualidad, no existen programas computacionales capaces de
construir modelos).
Construir modelos matemticos es considerado por algunos especialistas
un arte, ya que cada persona realiza su interpretacin de la realidad;
para hacer un modelo no existe un algoritmo especfico, sino que, se
debe utilizar mucha creatividad y una gran cantidad de conocimientos
tcnicos afines con el tema del problema que se trata de solucionar.
Por ejemplo, si queremos obtener el modelo matemtico de un proceso
qumico debemos tener conocimientos sobre qumica, para entender las
reacciones qumicas que se llevan a cabo durante el proceso, para que de
esta manera podamos cuantificarlas mediante smbolos.
Al desarrollar un modelo es recomendable empezar con uno muy sencillo,
que slo tome en cuenta pocas variables y datos; posteriormente se
construyen modelos ms complejos, los cuales consideran ms variables
y datos. Este proceso se detiene cuando el ingeniero considere que
el modelo obtenido representa de manera satisfactoria el problema de
estudio.
Los modelos matemticos que vamos a construir en I. O. son:
56
De programacin lineal.
Del problema de transporte.
De redes.
De lneas de espera.
Para clasificarlos, utilizamos diferentes criterios como son:
El tipo de variables.
El tipo de restricciones.
El tipo de funcin objetivo.
Tipo de distribucin de llegadas y de servicio.
Nmero de lneas.
Uno de los modelos ms importantes en la I. O. es el modelo de

programacin lineal (P. L.), el cual se define como:
Un modelo de P. L. consiste en una funcin lineal, la cual se desea
optimizar (maximizar o minimizar) sujeta a un conjunto de restricciones
lineales.
Los modelos de P. L. aparecen en aplicaciones para optimizar
Costos de produccin.
Ganancias.
Costos de transporte.
Recursos limitados.
Para construir un modelo de P. L. se recomienda:

1. Identificar los datos y las variables de decisin.
2. Identificar las restricciones.
3. Identificar la funcin objetivo.
2.2.1. Los datos y las variables de decisin

Para poder construir modelos, necesitamos tener identificadas las
variables del problema, adems de los datos que intervienen en el
mismo.
Identificacin de las variables de decisin
El primer paso para la construccin de modelos consiste en identificar
las variables controlables o de decisin, esto es, las variables cuyo valor
57
Unidad 2
deseamos determinar. El valor de estas variables, una vez determinado,

representa la solucin del problema. Para identificar estas variables,
debemos cuestionarnos: qu es lo que queremos cuantificar?, qu
valores del problema podemos manipular?, cules son los valores de las
variables a optimizar?, qu valores, una vez determinados, forman una
solucin del problema? Analicemos el siguiente ejemplo para ver cmo
se identifican las variables de decisin:
Ejemplo 4
La empresa NINTEN se dedica a la fabricacin de impresoras.
Producen tres modelos distintos, la impresora de matriz de puntos,
la lser y la de inyeccin de tinta. El ingeniero de produccin
decidir sobre el nmero de impresoras (de cada tipo) que deben
fabricar. Para ello debe tomar en cuenta los datos contenidos en la
siguiente tabla:
Tabla 1
La informacin contenida en la tabla 1 se interpreta de la siguiente

manera: el rengln nos indica el tipo de impresora y la columna nos
indica el tipo de dato. Por ejemplo, cada impresora de inyeccin de tinta
produce una ganancia de $ 700.00, el costo de una impresora de matriz
de puntos es de $ 1 000.00, mientras que el tiempo para fabricar una
impresora lser es de 60 minutos.
El ingeniero sabe que el capital disponible para producir el lote de
impresoras es de $ 595 000.00 y slo se dispone de 265 horas de fuerza
de trabajo. Adems, el departamento de ventas le informa que todas
las impresoras producidas por debajo o igual a la demanda mnima se
pueden vender sin ningn problema.
58
Lo primero para construir el modelo matemtico de este problema es

identificar las variables de decisin, para esto debemos contestar las
siguientes preguntas:
1. Qu es lo que queremos cuantificar?
Respuesta: Las ganancias producidas por la produccin y venta del lote
de impresoras.
2. De qu dependen las ganancias?
Respuesta: Del nmero de impresoras que se fabriquen y vendan de cada
tipo (no confundir con la ganancia unitaria precio-costo).
3. Se puede optimizar el nmero de impresoras fabricadas de cada
modelo?
Respuesta: S.
4. Si conocemos el nmero ptimo de impresoras que debemos producir
de cada modelo para obtener la mxima ganancia, est resuelto el
problema?
Respuesta: S.
Podemos concluir que las variables de decisin son la cantidad de
impresoras de cada modelo que se deben producir.
Se le dar un nombre a cada una de las variables de decisin. El nombre
debe dar una idea del tipo de variable que representa, adems debe ser
de fcil manipulacin. Para el ejemplo podemos utilizar:
IM = nmero de impresoras del tipo de matriz de puntos que se deben
producir y vender.
IT = nmero de impresoras del tipo de inyeccin de tinta que se deben
producir y vender.
IL = nmero de impresoras lser que se deben producir y vender.
59
Unidad 2
Identificacin de los datos

Una vez determinadas las variables de decisin, debemos identificar
aquellas cantidades que intervienen en el problema. Por ejemplo; los
costos de fabricacin de cada impresora, la demanda del producto, la
fuerza de trabajo disponible, el tiempo de uso de una mquina, etc.
A todas estas cantidades les llamaremos datos; estos datos quedan
determinados al plantearse el problema.
Los datos para el ejemplo son:
El capital disponible de $ 595 000.00.
El total de fuerza de trabajo es 265 horas.
Demanda mnima de cada tipo de impresoras.
El tiempo de fabricacin de cada tipo de impresora.
El costo de cada tipo de impresora.
La ganancia de cada tipo de impresora.
2.2.2. Las restricciones y la funcin objetivo

Una vez que se tienen las variables de decisin y los datos del problema,
se formula matemticamente, tanto el objetivo que se persigue, como
cada una de las restricciones del problema.
Identificacin de la funcin objetivo
La funcin objetivo se llama as ya que su propsito es:
Maximizar utilidades.
Minimizar costos.
Por ejemplo, en una dieta se busca la combinacin ptima de nutrientes

que minimice costos, a la vez que se minimiza el contenido de grasa
en el men. En general, la funcin objetivo debe medir de manera
cuantitativa el factor a optimizar.
60
Recordemos que la I. O. es una herramienta que permite al ingeniero

tomar decisiones de tipo operativo. Estas decisiones son tomadas con la
premisa de maximizar las utilidades de la empresa, las cuales dependen
de los siguientes factores:
Costos de produccin.
Precio de venta.
Volumen de venta.
La funcin de utilidades U(x) de una empresa asociada a un producto, la

podemos escribir matemticamente como:
U ( x) p x C ( x)
Donde:
x = volumen de venta.
p = precio de venta.
C(x) = funcin de costos evaluada en x, esto es, nos dice el costo de
producir x productos.
Si tenemos dos o ms productos, la funcin de utilidad es igual a la suma
de las funciones de utilidad de cada uno de los productos, es decir:
U ( x1 , x2 , ...xn ) U ( x1 ) U ( x2 ) ... U ( xn )
Donde xi es el volumen de venta del i-simo producto.
Para poder maximizar las utilidades de la compaa tenemos varias
alternativas:
Producir ms unidades del producto que representa una mayor
utilidad.
Disminuir costos de produccin.
Buscar combinaciones de productos de bajo costo de produccin y
precio competitivo.
Estos factores son los que se deben ver reflejados en la funcin objetivo,
la cual debe medir de una manera matemtica los costos o utilidades de
producir y vender una combinacin de productos.
61
Unidad 2
Para construir la funcin objetivo debemos:

Describir el objetivo que perseguimos en forma verbal. Para el
ejemplo de NINTEN: maximizar las utilidades de la empresa,
debidas a la produccin y venta de los tres tipos de impresoras.
Escribir el objetivo en trminos de las variables de decisin y de los
datos del problema, utilizando operaciones aritmticas.
Para la empresa NINTEN las utilidades por producir y vender impresoras

de matriz de puntos (IM) es igual al producto de la ganancia unitaria por
el total de impresoras producidas y vendidas, es decir:
U1 ( IM ) 800 IM
De manera similar se obtienen las ganancias para las impresoras de
inyeccin de tinta (IT) y las del tipo lser (IL).
U 2 ( IT ) 700 IT
U 3 ( IL) 1 000 IL
Finalmente, la utilidad total es la suma de estas tres utilidades:
U ( IM , IT , IL) 800 IM 700 IT 1 000 IL
Esta ltima expresin matemtica calcula la utilidad en trminos de las
variables de decisin. La funcin objetivo la escribimos como:
Z mx = 800 IM 700 IT 1 000 IL
Identificacin de las restricciones
Las restricciones son relaciones matemticas entre las variables de
decisin y las limitantes de la empresa. En el caso de los modelos
de P. L. estas restricciones son desigualdades o igualdades lineales.
Estas inecuaciones matemticas incluyen restricciones lgicas para
las variables que las condicionan a ser siempre positivas. A estas
restricciones que se presentan al final del modelo les llamaremos
condiciones de no negatividad.
62
En las restricciones se deben tomar en cuenta:
Las restricciones son las condiciones que las variables de decisin

deben satisfacer para constituir una solucin aceptable.*
Para nuestro ejemplo las restricciones son las siguientes:
Restricciones de la empresa. Slo tenemos $ 595 000.00 de capital
disponible para la produccin del lote de impresoras, por lo tanto,
el costo de produccin debe ser menor o igual a esta cantidad.
El costo de producir IM es de 1 000 IM, para las IT es de
1 500 IT y para las IL 2 400 IL, por lo tanto, el costo de
produccin es la suma de las cantidades anteriores, es decir:
1 000 IM 1 500 IT 2 400 IL

Pero esta cantidad debe ser menor a 595 000. Esto lo representamos
matemticamente como:
* Kamlesh Mathur y Daniel Solow, Investigacin de operaciones, Prentice-Hall.
63
Unidad 2
1 000 IM 1 500 IT 2 400 IL 595 000

Restriccin fsica. La empresa cuenta con 265 horas de fuerza
de trabajo para la produccin del lote de impresoras. El tiempo de
fabricacin de las IM es de 30 IM minutos, para las IT es de
40 IT minutos y finalmente para las IL 60 IL minutos. Por lo
tanto, el tiempo total de fabricacin del lote en minutos es de:
30 IM 40 IT 60 IL
Pero este tiempo debe ser a lo ms de 265 horas. Para representarlo
matemticamente, primero se convierten 265 horas en minutos (para
trabajar con las mismas unidades)
60 min
265hr
15 900 mn
1hr
Con lo cual la restriccin se escribe como:
30 IM 40 IT 60 IL 15 900
Restriccin externa. Para asegurarnos que todas las impresoras
producidas sean vendidas, la cantidad de IM debe ser menor o igual
a 100, las de IT debe ser menor o igual a 80 y las IL deben ser a lo
ms 50. Para escribir esto en forma matemtica:
IM 100
IT 80
IL 50
Restricciones lgicas o condicin de no negatividad de las
variables. No podemos producir cantidades negativas de impresoras
y en este caso, tampoco podemos producir fracciones de ellas, por
tanto, los valores de las variables deben ser enteros positivos:
IM 0
IT 0
IL 0
IM , IT , IL Z
64
El modelo matemtico que obtenemos es del tipo de programacin

lineal:
Funcin objetivo
Z mx = 800 IM 700 IT 1 000 IL
sujeto a las restricciones:
1 000 IM 1 500 IT 2 400 IL 595 000
30 IM 40 IT 60 IL 15 900
IM 100
IT 80
IL 50
Con condicin de no negatividad:
IM 0
IT 0
IL 0
Adems: IM , IT , IL
Ejercicio 2
1. Escribe la definicin de un modelo de programacin lineal.
______________________________________________________________________________________________________________________________________.
2. Los modelos que vamos a utilizar en I. O. son:
a) Modelos icnicos.
b) Modelos simblicos o matemticos.
c) Modelos crticos.
d) Modelos analgicos.
65
Unidad 2
3. El modelo de P. L. se utiliza en:

a) Modelos de lneas de espera.
b) Modelos de inventarios.
c) Modelos no lineales.
d) Modelos de transporte.
4. Una variable de decisin en el ejemplo de NINTEN es:
a) El precio de venta de las impresoras.
b) El tiempo de fabricacin de cada impresora.
c) El nmero de impresoras lser que se debe producir.
d) El capital disponible.
5. Escribe los pasos del proceso de construccin de los modelos de P. L.
Identificacin _____________________________________.
Identificacin _____________________________________.
Identificacin _____________________________________.
6. Relaciona las siguientes columnas.
a) Restricciones fsicas.
b) Restricciones de la empresa.
c) Restricciones lgicas.
d) Restriccin externa.
( ) Las variables deben ser

siempre positivas.
( ) El precio del producto debe
ser menor al de la competencia.
( ) El espacio del almacn de
producto terminado.
( ) El capital disponible.
2.3. Construccin de modelos de redes

y de lneas de espera
En la seccin anterior aprendimos a construir modelos simblicos de
programacin lineal. Aunque este modelo se puede aplicar en varios
problemas reales de manufactura y transporte, no se puede utilizar para
modelar problemas con variables estocsticas, es decir, variables cuyo
valor depende del azar.
66
En este libro vamos a estudiar dos modelos que utilizan variables

estocsticas:
Modelo de redes.
Modelo de lneas de espera.
El modelo de redes se utiliza para calcular el tiempo de elaboracin de

un proyecto.* Si conocemos este tiempo, podemos tratar de disminuirlo
cuidando que los costos no se eleven demasiado. El modelo de lneas de
espera se utiliza para determinar el nmero de estaciones de servicio,
o de personas que deben ser contratadas para dar atencin a clientes,
buscando tener el nmero ptimo, esto es, el nmero que permita
conservar los costos ms bajos y, adems, disminuir el tiempo de espera
de cada uno de los clientes.
Modelo de redes
La fabricacin de un bien o servicio se lleva a cabo en varias etapas
donde cada una recibe el nombre de proceso. Para tener un control sobre
el tiempo en que se produce el bien o servicio, debemos conocer cada
uno de los procesos, el tiempo que tarda en llevarse a cabo y el orden
que se debe seguir. Por ejemplo, en la fabricacin de una computadora
se deben ensamblar cada una de sus partes (tarjeta madre, memoria
RAM, memoria ROM, bus, disco duro, discos flexibles, puertos, fuente
de poder, etc.). Si alguno de estos procesos se interrumpe o tarda
demasiado, afecta toda la lnea de produccin, por lo tanto, es importante
tener un modelo que nos permita conocer los posibles puntos de falla
y as poder tomar medidas preventivas. Los modelos de redes tambin
miden los tiempos de cada proceso, para que de esta manera se trate
de optimizar el tiempo total, al buscar alternativas en la elaboracin del
producto (rutas crticas).
Para obtener el modelo matemtico de un problema de redes, debemos
seguir los siguientes cuatro pasos:
Identificar los procesos individuales que componen el proyecto.
* Plan que se idea para producir un bien o servicio.
67
Unidad 2
Obtener el valor del tiempo probable en que se realiza cada

proceso (si usamos la tcnica PERT) o establecer una estimacin
determinstica de este tiempo (si usamos la tcnica CPM).
Dibujar un diagrama de red del proyecto que refleje cada uno de los
procesos, su interrelacin y sus tiempos estimados.
Calcular el tiempo mnimo estimado de terminacin del proyecto.
Identificacin de los procesos individuales que componen el proyecto

Los procesos* pueden ser sencillos o complejos. Los procesos complejos
pueden analizarse como proyectos, los cuales a su vez tienen otros
procesos intermedios.
Por ejemplo, el proyecto estadounidense de poner al hombre en la
luna antes de que terminara la dcada de los 60s constaba de varios
procesos complejos (construccin de una nave para el viaje, seleccin
y entrenamiento de los astronautas, desarrollo tecnolgico para las
comunicaciones, diseo y construccin de pequeas computadoras que
se pudieran llevar en las naves, etc.), por lo tanto, cada uno de estos
procesos constitua en s mismo un proyecto que a su vez estaba
formado por numerosos procesos. Los procesos tienen caractersticas
bien definidas que nos pueden servir para identificarlos, stas son:
Los procesos deben tener un comienzo y un final claros.
Ejemplo. El proceso de seleccin de los astronautas comienza con
la convocatoria para reclutar candidatos y termina con la seleccin
de un grupo para formar la tripulacin de la nave.
La terminacin de cada proceso debe ser necesaria para la
culminacin del proyecto.
Ejemplo. Si no tenemos lista a la tripulacin, no podemos llevar a
cabo el proyecto de poner un hombre en la luna.
Un proceso debe representar un progreso en el proyecto.
Ejemplo. En cuanto se tiene la tripulacin, una parte del
proyecto esta concluida.
El tamao del proceso est en relacin directa con el control que se
tiene sobre el proyecto.
Ejemplo. Para el presidente de la NASA, un proceso es la
construccin de computadoras para controlar el vuelo, pero para
el ingeniero de sistemas, un proceso es la construccin de un
* Pasos intermedios para la elaboracin de un bien o servicio.
68
compilador para el lenguaje de programacin que se va a utilizar en

las computadoras de las naves espaciales.
Debe existir una persona o grupo de personas responsables de cada
proceso.
Ejemplo. El presidente nombr un responsable del proyecto, el cual
a su vez nombr responsables de cada uno de los procesos.
Obtencin del tiempo probable (PERT)

Para obtener el tiempo probable de cada proceso se debe realizar un
anlisis estadstico,* el cual nos va a dar como resultado tres datos:
Tiempo probable del proceso: es el tiempo con mayor probabilidad en
el que puede llevarse a cabo el proceso.
Tiempo pesimista del proceso: es el intervalo de tiempo ms largo en
el que puede llevarse a cabo el proceso.
Tiempo optimista: es el intervalo de tiempo ms corto en el que puede
llevarse a cabo el proceso.
Para obtener el tiempo que se asigna a cada proceso, se utiliza un
promedio ponderado, donde el tiempo probable tiene un peso mayor al
de los tiempos extremos:
te
t p 4t to
6
Donde:
te = tiempo esperado.
t p = tiempo pesimista.
t = tiempo probable.
to = tiempo optimista.
Creacin de la red de proyectos
Para comenzar a disear la red de proyectos, primero se realiza una tabla
que muestre la relacin de precedencia** de cada uno de los procesos. Por
ejemplo, en el proyecto de preparar a los astronautas, el primer proceso
* Para ms detalles consultar Spiegel, Estadstica, McGraw-Hill.
** Precedencia: Antelacin, prioridad de una cosa con respecto a otra en el tiempo o en el espacio
(Larousse 2000).
69
Unidad 2
es seleccionarlos, posteriormente se empieza con un acondicionamiento

fsico, pruebas de manejo de aeronaves, prepararlos para la ingravidez,
etc. Por lo tanto, seleccionar a los candidatos es un proceso que precede
al proceso de acondicionamiento fsico.
La red que se construye tiene la forma de un grafo, es decir, es un
conjunto de vrtices o nodos (que representamos con un crculo) unidos
por arcos o aristas. Un ejemplo de grafo se muestra en la figura 2.1.
Figura 2.1.
Ahora, para construir la red se dibuja un nodo con el nmero cero, el cual
indica el inicio de nuestro proyecto. Tomando como punto de partida este
nodo, se dibujan los nodos que no son precedidos por ningn otro; stos
se unen con el nodo cero mediante arcos de flecha, los cuales se nombran
con la etiqueta del proceso como se muestra en la figura 2.2.
Figura 2.2.
El nodo uno representa un punto en el tiempo, en el cual el proceso A
ya se concluy, por lo tanto, a partir de este punto se dibujan los nodos
que representen los procesos que siguen al proceso A. Esto se facilita
si observamos la tabla de precedencia, supongamos que el proceso que
sigue a A es B como se muestra en la figura 2.3.
70
Figura 2.3.
Y que al proceso C le sigue el proceso D, si se aaden estos dos procesos,
se obtiene el esquema presentado en la figura 2.4.
Figura 2.4.
Se contina de esta manera hasta representar todos los procesos del
proyecto. Finalmente, se coloca el nodo que represente el final del
proyecto. Si algunos de los nodos no estn unidos con otros para que la
red se cierre, se colocan procesos artificiales, los cuales se representan
con una lnea punteada y se les asigna un tiempo nulo. Con esto se
obtiene una red que representa los pasos a seguir en la elaboracin
del proyecto. En la figura 2.5., se muestra el ejemplo de una red de
proyecto:
Figura 2.5.
Por ltimo, se colocan los tiempos estimados para cada proceso, con esto
se obtiene una red que representa el proyecto (figura 2.6.), la cual va a
permitir posteriormente buscar la ruta crtica, para tratar de optimizar
el tiempo de terminacin del proyecto. Esto ltimo se estudiar en la
unidad 10.
71
Unidad 2
Figura 2.6.
Ejemplo 5
Para poder generar energa elctrica en una planta termoelctrica, se
utiliza la energa qumica que tiene el combustleo para calentar el
agua y convertirla en vapor sobrecalentado, el cual proporciona la
presin necesaria para mover las turbinas, las cuales lo convierten en
energa mecnica que es trasmitida al generador elctrico. El proyecto de
convertir el agua en vapor para generar energa elctrica, consta de los
siguientes procesos:
Se extrae agua de los pozos.

El agua es desmineralizada.
El combustleo es precalentado a 135 C.
El combustleo es inyectado a la caldera para su combustin.
El agua es bombeada a la caldera, donde pasa por el primer nivel de
calentado a 230C.
El vapor de agua pasa por el segundo nivel de las calderas, donde
se eleva su temperatura a 350 C.
El agua pasa por el tercer nivel, donde se convierte en vapor seco y
sale con una temperatura de 530 C.
El vapor sobrecalentado entra a la turbina.
Termina el proyecto.
Cada una de estas tareas se llevan a cabo de manera independiente.

Si queremos calcular el tiempo mnimo de terminacin del proyecto,
debemos medir el tiempo que se lleva cada proceso. En este caso, como
las variaciones de tiempo son muy pequeas, consideramos que su valor
es constante y analizamos el proceso como un modelo de redes tipo
CPM.
72
En la siguiente tabla mostramos el tiempo de cada proceso:

Proceso
Extraccin de agua
Desmineralizacin
Primer nivel de calentado
Segundo nivel de calentado
Tercer nivel de calentado
Paso por turbina
Precalentado de combustible
Inyeccin de combustible
Etiqueta
A
B
C
D
E
F
G
H
Tiempo (minutos)
30
120
65
50
25
5
35
5
A continuacin presentamos la tabla de precedencia.

Proceso
A. Extraccin de agua
B. Desmineralizacin
C. Primer nivel de calentado
D. Segundo nivel de calentado
E. Tercer nivel de calentado
F. Paso por turbina
G. Precalentado de combustible
H. Inyeccin de combustible
Procesos precedentes
Ninguno
A
H, B
C
D
E
Ninguno
G
Con esta informacin construimos la red, vase la figura 2.7.
Figura 2.7.
73
Unidad 2
Modelos de lneas de espera

En la industria existen varios procesos que se comportan como un sistema
de lnea de espera. Una lnea de espera se forma cuando los clientes o
productos llegan a una estacin de servicio y tienen que esperar a ser
atendidos.
Ejemplos:
El proceso de reinscripcin en las escuelas.
Los clientes que llegan a verificar su automvil.
Las llamadas telefnicas que llegan al centro de atencin telefnica
de un banco.
Los pacientes que llegan para ser atendidos por un dentista.
Los trabajos de impresin que llegan a una impresora compartida
en red.
Este tipo de sistemas tienen una modelacin especial, ya que en ellos

aparecen variables y distribuciones probabilsticas. Una lnea de espera
se describe mediante los siguientes parmetros:
1. El tiempo promedio de llegada de nuestros clientes.
2. El tiempo promedio que lleva a las estaciones atender a un cliente.
3. El nmero mximo de clientes que pueden esperar en la fila.
4. El comportamiento de la fila.
5. Nmero de estaciones.
Si se conocen estos parmetros, es posible tomar decisiones sobre:
Nmero de estaciones de servicio. Si se debe aumentar o
disminuir. Esto es crucial para las empresas, ya que al abrir
demasiadas estaciones los costos se elevan, mientras que tener un
nmero insuficiente puede ocasionar perdida de clientes.
Tipo de fila. Es posible construir una fila nica (unifila) donde
los clientes se distribuyen a las estaciones de servicio, o bien
construir una fila delante de cada una de ellas. En los bancos se utilizan
unifilas, mientras que en las tiendas de autoservicio se
utilizan multifilas (al igual que en los hospitales).
Colocar estaciones especiales. Se pueden colocar estaciones
de servicio que slo atiendan a clientes que cumplan ciertas
caractersticas. En los bancos se cuenta con cajas empresariales, en las
74
tiendas de autoservicio se colocan cajas rpidas y en los hospitales

se cuenta con el rea de urgencias.
Espacio fsico para la fila. Se debe determinar un espacio fsico
para que los clientes se formen, ste depende del nmero mximo
de clientes que puede tener la fila o del nmero promedio de
ellos. En algunos bancos se colocan sillas para que los clientes
esperen sentados, mientras que en otras empresas existen almacenes
intermedios entre un proceso y otro.
Para realizar el modelo simblico de una lnea de espera, se debe conocer

cada uno de los siguientes componentes:
Poblacin de clientes. Es el total de clientes que pueden llegar
a nuestra estacin de servicio. Esta poblacin puede considerarse
infinita (en un sentido terico), si el nmero de clientes es
demasiado grande. Por lo general es ms sencillo modelar lneas de
espera infinitas que finitas.
Ejemplos. Un banco considera que su poblacin es infinita, ya que en
teora cualquier persona puede entrar a solicitar uno de sus servicios.
En una empresa con 15 empleados, la fila que se forma para que les
paguen es a lo ms de 15, por lo tanto es finita.
Proceso de llegadas. Las llegadas pueden ocurrir con una
frecuencia conocida (variable determinstica) o bien pueden ser
aleatorias. En el caso de que la llegada de clientes sea probabilstica,
se utiliza una funcin de distribucin probabilstica exponencial
1 t
donde (lambda) es el nmero promedio
negativa f (t ) e
de llegadas por unidad de tiempo. Esto es, si se quiere saber cul

es la probabilidad de que llegue un cliente en la prxima unidad de
tiempo.
P(tiempo entre llegadas < t)=1 e t

Ejemplo. En un hospital la llegada de pacientes al departamento
de urgencias es aleatorio, con un promedio =10 pacientes/hora.
Cul es la probabilidad de que llegue un cliente en los prximos 20
minutos?
75
Unidad 2
Lo primero es convertir los 20 minutos a horas, ya que (lambda)

est dada en pacientes por hora; 20 min = 1/3 de hora.
P(tiempo entre llegadas < 1/3) = 1e10(1/3)
1 e 3.33 1 0.036 0.964

Esto quiere decir que nuestra probabilidad es de 96.4%.
En cambio en el rea de especialidades a los clientes se les
programa mediante citas, por lo que su llegada es determinstica.
Proceso de la fila. Los clientes tienen que elegir entre varias filas
(multicanal), o existe una fila nica (canal sencillo).
Ejemplo: En una empresa se tienen dos casetas de servicio,
los obreros pasan todas las maanas por sus herramientas de trabajo,
el ingeniero no sabe si deben formar una fila nica e ir pasando
a una de las dos casetas, o bien, formar una fila frente a cada caseta.
Proceso de servicio. Es la forma en que cada estacin da el
servicio a los clientes, incluyendo el tiempo que tarda en atenderlos.
El tiempo puede ser determinstico o probabilstico. En este ltimo
caso, podemos utilizar tambin una funcin de distribucin de
probabilidades.
Ejemplo: En una ensambladora de automviles la lnea de
produccin est semiautomatizada, por lo que la planeacin se
hace pensando en que los robots siempre tengan piezas esperando
a ser atendidas, pues de otra manera el robot estara ocioso y esto
ocasionara un costo adicional. Aqu la estacin de servicio (robot)
siempre tarda el mismo tiempo en atender a sus clientes. En cambio
en un centro de servicio de automviles el tiempo que tarda un
mecnico en reparar un automvil es variable, ya que depende del
tipo de falla que atienda.
Proceso de salida. Despus de ser atendidos los clientes se pueden
retirar del proceso o deben pasar a otra estacin de servicio. Cuando
sucede esto ltimo se dice que se tiene una red de lneas de espera.
Ejemplo: En una industria de refrescos los envases deben formar
una fila frente a la mquina de lavado y posteriormente formarse
frente a la mquina de llenado.
76
Ejemplo 6
Pensemos en una clnica de consulta externa donde atienden dos
doctores. El horario de atencin es de 8 a.m. a 5 p.m. El tiempo de
consulta por paciente oscila entre 6 y 30 minutos. Los pacientes llegan a
la clnica de manera aleatoria, con una frecuencia dada por la siguiente
tabla:
Nm. de pacientes por hora
6
7
8
9
10
Frecuencia
20%
30%
25%
15%
10%
Esto es, se tiene el 0.20 de probabilidad de que lleguen 6 pacientes en

la siguiente hora, el 0.30 de que lleguen 7, 0.25 de que lleguen 8, etc.
El tiempo que tarda la consulta tambin es aleatorio, el cual se modela
con una distribucin normal con media de 18 y desviacin estndar de 4
minutos. Si los pacientes llegan ms rpido de los que son atendidos por
los doctores, entonces se va a formar una fila. En este proceso existen
dos variables estocsticas, el nmero de pacientes que llegan a la clnica
y el tiempo de consulta por paciente.
El inters del problema es minimizar el tiempo que esperan los pacientes
para ser atendidos, ya que si se prolonga demasiado, el paciente sale de
la clnica, con lo cual se perdera al cliente. Una solucin pudiera ser
contratar ms doctores, sin embargo, esto hace que los costos se eleven
y si el nmero de clientes no es lo suficientemente grande para tener
ocupados a todos los doctores, se pierde dinero por el tiempo ocioso. Por
lo tanto, nuevamente se busca un punto de equilibrio, donde el tiempo
de espera por parte del paciente sea mnimo pero al menor costo posible.
Todo esto se tratar con mayor detalle en la unidad 9.
77
Unidad 2
Ejercicio 3
1. Es el nombre que se les da a las variables cuyo valor depende del
azar.
a) Discreta.
b) Aleatoria.
c) Continua.
d) Determinstica.
2. Es el proceso de anlisis de proyectos que utiliza tiempos aleatorios.
a) PERT
b) CPM
c) PETR
d) PCM
3. Proceso donde los clientes deben esperar ser atendidos por una
estacin de servicio.
a) Redes.
b) Programacin lineal.
c) Inventarios.
d) Lneas de espera.
4. Describe las cinco caractersticas que debe cumplir un proceso.

______________________________________________________________________________________________________________________________________________.
5. Coloca el nombre de cada componente en la siguiente red.
a)
d)
b)
c)
78
6. Relaciona las siguientes columnas

a) Tipo de fila.
b) Estaciones especiales.
c) Espacio fsico para la fila.
d) Multicanal.
( ) Almacn intermedio entre un

proceso y otro.
( ) Unifila.
( ) Caja rpida.
7. Describe cada uno de los siguientes componentes de una lnea de

espera:
a) Proceso de llegadas.
______________________________________________________________________________________________________________________________________________
____________________________________________________________________________________________________________________________________________.
b) Proceso de servicio.
______________________________________________________________________________________________________________________________________________
____________________________________________________________________________________________________________________________________________.
2.4. Clasificacin de modelos matemticos

en investigacin de operaciones
Los modelos matemticos que se obtienen al resolver problemas de I. O.,
se clasifican dependiendo del tipo de variables que utilizan, del tipo de
funcin objetivo, si existen restricciones y de qu tipo son; esto se hace con
la finalidad de tener bien identificado el modelo y as poder buscar la mejor
tcnica para resolverlo. A continuacin presentamos una clasificacin de los
modelos:
Por el tipo de variables que utilizan:
Determinsticos. Si el valor que toman las variables no depende del azar.
Estocstico. Si el valor de las variables depende del azar.
Los determinsticos se clasifican a su vez:
79
Unidad 3
3.1. Definicin de modelo de

programacin lineal
Un proceso productivo, en su forma ms general, puede ser analizado como
un conjunto secuenciado de actividades que tienen como propsito combinar
y transformar ciertos insumos, para obtener uno o varios tipos de productos
terminados.
Recordemos que la forma en que se establece la secuencia de las
actividades, generalmente est dada por las condiciones tecnolgicas
del proceso productivo. A continuacin se presenta un diagrama de la
situacin que se describe:
Figura 3.1. Diagrama de un proceso productivo.

Adems de los insumos (materia prima, mano de obra, energa, etc.),
se requieren tambin de ciertos activos fijos como: instalaciones fsicas,
maquinaria, almacenes y equipos en general. Estos activos determinan
cierta capacidad instalada que no puede ser modificada de manera
instantnea, a menos que se hagan inversiones y ampliaciones, las cuales
usualmente requieren de una inversin adicional y de tiempo suficiente
para poderlas efectuar.
Ante las limitaciones de capacidad instalada y muchas otras restricciones
dentro de las cuales opera una empresa (como restricciones legales,
fiscales, ecolgicas, sociales, etc.), el propietario o responsable de la
92
operacin de la empresa buscar obtener el mayor provecho de los

recursos con los que dispone, esto es, buscar alcanzar niveles de
produccin con los que maximice su beneficio.
Es importante mencionar que en la prctica los procesos productivos
pueden ser muy complejos, con una gran diversidad de productos y con
la combinacin de muchos insumos. Sin embargo, la complejidad de
dichos procesos no influye para que stos puedan ser analizados desde
la perspectiva de la I. O.
Supongamos que una empresa produce n productos (donde n puede ser
cualquier nmero entero positivo) por medio de un proceso productivo
que consta de m etapas (donde m tambin debe ser un nmero entero y
positivo). Si partimos del supuesto que la demanda es ilimitada y, por lo
tanto, el fabricante vende todo lo que produce, as como que cada uno de
los productos que elabora, tiene su propia contribucin a las utilidades:
c1, c2, ..., cn, cunto debe fabricar de cada producto para que los ingresos
sean mximos?
Si representamos por: x1, x2, ..., xn las cantidades por producir para cada
uno de los n productos distintos, entonces la funcin de ingresos del
fabricante est dada por:
Z = c1 x1 + c2 x2 + ... + cn xn
El anlisis de transformacin lo podemos realizar a partir del diagrama
siguiente:
Figura 3.2. Diagrama de bloques del proceso.
93
Unidad 3
El producto 1 al pasar por la etapa 1 consume a11 unidades del recurso 1; al

pasar por la etapa 2 requiere de a12 unidades del recurso 2 y as sucesivamente,
el producto 1 al pasar por la etapa m-sima requiere a1 m unidades del recurso
m-simo.
De forma similar, el producto 2 al pasar por la etapa 1 consume a21
unidades del recurso 1, al pasar por la etapa 2 requiere de a22 unidades
del recurso 2 y as sucesivamente, el producto 1 al pasar por la etapa
m-sima requiere a2 m unidades del recurso m-simo.
En general, el trmino aij representa la cantidad del recurso j-simo
que requiere en la etapa j-sima del proceso, cada unidad de producto
i-simo, donde:
1 i n
y 1 j m
Como los recursos son limitados, las restricciones sern vlidas tanto para
las personas como para las empresas. Si denotamos por: b1, b2, ..., bm las
disponibilidades mximas de cada uno de los recursos de las m etapas
del proceso productivo, entonces debemos reconocer que el nmero de
unidades producidas de cada tipo de bien deber estar limitado por la
disponibilidad mxima de los recursos que se requieren para la produccin
total. Esta condicin expresada matemticamente toma la forma de un
conjunto de m desigualdades con n variables:
a11 x1 + a12 x2 + ... + a1n xn b1
a21 x1 + a22 x2 + ... + a2n xn b 2
am1 x1 + am2 x2 + ... + amn xn bm
Una restriccin adicional al conjunto de desigualdades es la condicin de
no negatividad. Esto significa que las variables xi con i = 1, 2, ..., n, siempre
debern tomar un valor positivo o cero; es decir: xi 0, con i = 1, 2, ... n.
94
Reuniendo los tres elementos descritos anteriormente:

a = la funcin objetivo que se desea optimizar.
b = el conjunto de restricciones a las que est sujeta la funcin
objetivo.
c = la condicin de no negatividad.
El planteamiento matemtico del problema general de la programacin
lineal es:
Z m x c1 x1 c2 x2 cn xn
a11 x1 a12 x2 ... a1n xn b1
a21 x1 a22 x2 ... a2 n xn b2
# # # #
am1 x1 am 2 x2 ... amn xn bm
x1 0, x2 0, " , xn 0
Observa que al referirse la funcin objetivo a ingresos, lo que se busca
es su maximizacin y si el planteamiento del problema incluyera costos
como funcin objetivo, entonces se buscara su minimizacin. Esto
quiere decir que en un modelo de programacin lineal se puede buscar
tanto la maximizacin, como la minimizacin de la funcin objetivo.
Un hecho tambin importante es que en el planteamiento general
del problema de programacin lineal las restricciones pueden estar
combinadas. Para un mismo problema, algunas de ellas pueden ser de la
forma , otras de la forma y otras como igualdades estrictas =.
Un ejemplo sera:
Z m n c1 x1 c2 x2 cn xn
a11 x1 a12 x2 ... a1n xn b1
a21 x1 a22 x2 ... a2 n xn b2
# # # #
am1 x1 am 2 x2 ... amn xn bm
x1 0 , x2 0, " , xn 0
95
Si el costo de extraccin por kg para cada una de las minas es de $ 30, $ 40

y $ 25 respectivamente, qu cantidad se debe extraer de cada mina, de tal
forma que el acero producido cumpla con las especificaciones y su costo
sea mnimo?
2. Un ingeniero qumico desea obtener dos litros de cido clorhdrico
con una concentracin de 20%. Por la peligrosidad del producto, en el
laboratorio slo se tiene cido clorhdrico en solucin acuosa a 10%,
40%, 50% y a 70%. Si el precio por litro de cada una de estas soluciones
es de $ 20, $ 15, $ 45 y $ 100, respectivamente, qu combinacin de
soluciones es la que cumple con las especificaciones de concentracin y
minimiza el costo de elaboracin?
Nota: Supongamos que la disponibilidad de las cuatro soluciones es
ilimitada.
3.2.2. Modelo para planeacin

de produccin
Todo proceso productivo enfrenta el problema de lograr el mximo
aprovechamiento de los recursos con los que se cuenta. Sin embargo, la
mano de obra es limitada, y lo mismo sucede con la capacidad instalada,
la materia prima y todo lo dems que se requiere para alcanzar el nivel
de produccin deseado.
Determinar el plan de produccin ptimo equivale a encontrar la
combinacin y los volmenes a producir de cada uno de los bienes, de
tal forma que se garantice la obtencin de mejores ganancias. Con el
propsito de ampliar estas ideas, a continuacin se presenta un ejemplo:
99
Unidad 3
Ejemplo 2
La fbrica de chocolates La Azteca elabora dos tipos de productos; el
chocolate dulce y el amargo. Para producir una tonelada de chocolate
amargo necesita 700 horas de mano de obra. Para hacer la misma
cantidad de chocolate dulce requieren slo 500 horas.
Debido a recientes ajustes que se han hecho en la plantilla de personal,
slo se puede disponer de 60 000 horas de mano de obra al mes; adems,
se sabe que ser necesario producir cuando menos 8 toneladas mensuales
de chocolate, independientemente de la proporcin en cuanto a los
sabores que se produzcan. Es importante tomar en consideracin que la
demanda de chocolate dulce es el doble de la del chocolate amargo, por
lo tanto, este criterio deber ser tomado en cuenta cuando se disee el
esquema de produccin.
Si cada tonelada de chocolate amargo deja una utilidad de $ 1 000 y cada
tonelada de chocolate dulce de $ 1 500, cuntas toneladas de cada sabor
de chocolate se deben producir, si se espera que la utilidad sea mxima?
Denotemos con la letra x el nmero de toneladas que se desean producir
del chocolate dulce, y con la letra y el nmero de toneladas de chocolate
sabor amargo. La funcin objetivo, misma que describe la utilidad del
fabricante y que deseamos sea mxima, est dada por:
Z mx 1 000 x 1 500 y
Por lo que a las restricciones se refiere, stas se pueden expresar de la
manera siguiente:
La produccin mnima debe ser de 8 toneladas; por lo tanto, la
suma de las dos cantidades a producir debe ser mayor o igual que
8; donde:
x+y8
La especificacin de la demanda nos dice que la cantidad de
chocolate dulce debe ser el doble que la del chocolate amargo; por
lo tanto:
x 2y = 0
100
Finalmente, la restriccin en cuanto al nmero de horas disponibles

de mano de obra est dada por:
700x + 500y 60 000

Reuniendo la funcin objetivo y las restricciones, el problema planteado
toma la forma:
Z mx 1 000 x 1 500 y
x y 8
x 2y 0
700 x 500 y 60 000
x 0, y 0
Ejercicio 2
1. Una compaa lder en la fabricacin de aparatos elctricos tiene una
planta de ensamblado en el Estado de Mxico donde produce televisores
de 14, 20, 27 y 29 pulgadas. Para esto cuenta con una lnea automatizada
que ensamblan las partes ms pequeas. Esta lnea puede trabajar hasta
5 000 horas a la semana.
Adems, cuenta con una plantilla de personal operativo de 4 800 horas
a la semana de trabajo efectivo. En la tabla siguiente se muestran la
utilidad, el tiempo de mano de obra requerido en el proceso y el tiempo
consumido en la lnea automatizada de ensamble. Todo esto de acuerdo
con el tamao de televisor que se est fabricando.
Una restriccin adicional es que la empresa no debe producir ms de
3 000 televisores a la semana.
Cuntas televisiones de cada uno de los modelos debe producir la

compaa, de tal forma que la utilidad sea mxima?
101
Introduccin
espus de construir modelos matemticos de programacin

lineal, necesitamos desarrollar mtodos que nos permitan
encontrar la solucin de estos modelos. En esta unidad se
resolvern modelos de P. L. de dos variables (2 dimensiones) por el
mtodo grfico.
Los pasos a seguir en este mtodo son:
Graficar las restricciones.

Hallar la regin de soluciones factibles (polgono de solucin).
Graficar la funcin objetivo.
Desplazar la funcin objetivo hasta encontrar la solucin ptima.
Aunque difcilmente se encuentran ejemplos reales de dos dimensiones,

nos sirven como antecedente para comprender mejor el mtodo smplex
analtico o tabular, el cual se estudiar en la siguiente unidad. Este
mtodo se utiliza para resolver problemas de P. L. de n dimensiones.
Adems realizaremos un anlisis de sensibilidad, el cual consiste en
estudiar el comportamiento de la solucin ptima cuando se cambian
los coeficientes de la funcin objetivo o las cantidades limitantes de
las restricciones. Habr modelos cuya solucin no exista o bien no sea
nica, tambin analizaremos algunos ejemplos de este tipo, los cuales se
presentan continuamente en la realidad.
4.1. Grfica de rectas y regiones en el plano

Una lnea recta es un objeto geomtrico. Euclides defini la recta como
la distancia ms corta entre dos puntos en el plano. Ms tarde Descartes
asocia a toda lnea recta una representacin algebraica a travs de una
ecuacin lineal de dos variables. La definicin en geometra analtica de
la lnea recta es:
Definicin. Decimos que una lnea recta que pasa por el punto (x0, y0)
est formada por todos los puntos del plano cartesiano (x, y) tales que la
relacin
125
Unidad 4
y y0
x x0
permanece constante. A este nmero se le da el nombre de pendiente de

una lnea recta y se denota con la letra m.
Geomtricamente la pendiente de una lnea recta es la tangente del
ngulo que forma la recta con el eje positivo de las abscisas (ngulo
de inclinacin) medido en el sentido contrario al movimiento de las
manecillas del reloj (vase la figura 4.1.).
Figura 4.1. Grfica de una lnea recta.

La ecuacin general de una lnea recta es de la forma Ax + By + C = 0,
donde A, B y C son nmeros reales. sta es una ecuacin de primer
orden con dos incgnitas que tiene un grado de libertad, esto quiere
decir que podemos dar un valor arbitrario a cualquiera de las incgnitas
y despus despejar el valor de la otra variable. El conjunto solucin de
esta ecuacin es infinito y representa todos los puntos que forman la
lnea recta.
Ejemplo 1
Obtener la grfica de la ecuacin 3x 2y = 8.
Sabemos que dados dos puntos, slo existe una recta que pasa por ellos,
por lo tanto, basta conocer estos dos puntos que pertenecen a la lnea
recta para poderla trazar.
126
1. Damos un valor arbitrario a la variable y que puede ser el valor cero

(y = 0), sustituimos en la ecuacin: 3x 2(0) = 8. Se resuelve la ecuacin
8
resultante 3x = 8. Despejamos x y obtenemos x , por lo que el primer
3
8
punto de la recta es , 0 .
3
2. En la ecuacin 3x 2y = 8, damos el valor arbitrario 2 a la variable x
(x = 2), sustituyendo en la ecuacin se tiene 3(2) 2y = 8. La ecuacin
86
donde y = 1.
resultante es 6 2y = 8. Despejamos y para obtener y
2
Se obtiene as el segundo punto de la recta: (2, 1).
3. Localizamos estos puntos en un plano cartesiano y trazamos la recta
cuya ecuacin es 3 x 2 y 8 .
y
Ejercicio 1
1. La pendiente de una lnea recta es ______________________ del ngulo
de inclinacin.
2. Euclides defini la lnea recta como _____________________ms corta
entre dos puntos en el plano.
127
Unidad 4
3. La interseccin de la ecuacin x 3y = 10 con el eje de las ordenadas es:

a) (0, 10)
10
b) 0,
3
10
c) 0,
3
d) 0,
10
4. La grfica de la ecuacin x + y = 0 es:
y
x
y
x
y
x
5. La grfica de la ecuacin 2x1 + 4x2 = 4 es:

a)
b)
c)
d)
6. Obtener la grfica de la ecuacin 6x 5y = 30
128
4.1.1. Grfica de desigualdades

lineales de dos variables
Una desigualdad lineal de una variable, as como una desigualdad lineal
de dos variables, tienen por solucin una regin del plano cartesiano.
Por ejemplo, si tenemos la desigualdad x + y > 0, el punto (2, 3)
pertenece al conjunto solucin de esta desigualdad ya que 2 + 3 = 5 > 0 y, en
general, el conjunto solucin de esta desigualdad est dada por el plano
que se encuentra sobre la recta x + y = 0. Grficamente se representa
como la regin sombreada (vase la figura 4.2.):
y
Figura 4.2.
En este caso los puntos de la recta no pertenecen al conjunto solucin, ya
que estos puntos hacen que se cumpla la igualdad y no la desigualdad.
En los modelos de I. O. generalmente se permiten ambos, es decir, la
igualdad y la desigualdad. Esto lo denotamos utilizando los smbolos
< (menor o igual que) o > (mayor o igual que). En estos casos la lnea
recta pertenece al conjunto solucin y se marca como una lnea continua.
Si queremos graficar una desigualdad lineal, se procede como sigue:
1. Graficar la igualdad asociada a la restriccin. Con esto obtenemos una
lnea recta, la cual divide al plano cartesiano en dos regiones.
2. Para saber cul de las dos regiones satisface la desigualdad, tomamos
un punto cualquiera del plano cartesiano. Este punto se sustituye en la
desigualdad.
129
Unidad 4
3. Si la desigualdad se cumple, entonces la regin donde tomamos el

punto es la regin solucin. Si no satisface la desigualdad entonces la
regin solucin es la opuesta a donde tomamos el punto.
Ejemplo 2
Obtener la grfica de la desigualdad 5x1 + 3x2 < 10
1. Se traza la grfica de la igualdad asociada: 5x1 + 3x2 = 10
2. Se toma un punto, por ejemplo, (5, 10) que est por encima de la
recta.
3. Lo sustituimos en la desigualdad 5(5) + 3(10) < 10 y verificamos que
sta se cumpla:
5(5) + 3(10) < 10
25 + 30 < 10
55 < 10
Observamos que esta expresin es falsa, por lo tanto se toma la
regin que no incluye al punto seleccionado. Esto quiere decir que la regin
solucin es la sombreada en la siguiente figura:
130
Figura 4.3.
Ejemplo 3
Obtener la grfica de la desigualdad 2x1 + 3x2 < 6
1. Se traza la grfica de la igualdad asociada 2x1 + 3x2 = 6
2. Se elige el punto (0, 0) que est por debajo de la recta.

3. Sustituimos en la desigualdad y verificamos si se satisface:
2(0) 3(0) 6
006
06
131
Unidad 4
El origen cumple con la desigualdad, por lo tanto se toma la regin

que incluye al origen, la grfica es la regin sombreada en la siguiente
figura:
Figura 4.4.
Ejemplo 4
Obtener la grfica de la desigualdad 2x1 + 6x2 > 12
1. Se traza la grfica de la igualdad asociada.
132
2. Se elige el punto (2, 0) que est por debajo de la lnea recta.

3. Sustituimos este punto en la desigualdad y verificamos si la satisface:
2(2) + 6(0) > 12
4 + 0 > 12
4 > 12
Esta ltima expresin es falsa, por lo tanto, se toma la regin que no
contiene al punto (2, 0). La regin es la parte sombreada en la siguiente
figura:
Figura 4.5.
Ejercicio 2
1. La grfica de la desigualdad 3x1 5x2 > 15 es:
133
Unidad 4
2. Para graficar una desigualdad lineal primero se traza la _______________

asociada.
3. La grfica de la desigualdad x1 > 0 es:
a)
x2
y1
b)
x2
x1
4. La grfica de la desigualdad x2 es:
5. Obtener la grfica de la desigualdad 3x1 + 6x2 < 30

6. Obtener la grfica de la desigualdad 2x1 + 10x2 > 20
134
4.2. Regin de soluciones factibles

en maximizacin
En la seccin anterior aprendimos a graficar desigualdades lineales con
dos incgnitas, esto nos va a ayudar a obtener la solucin de problemas
de P. L., los cuales se resuelven primero por mtodo grfico; para
posteriormente utilizar un mtodo analtico.
Un modelo de maximizacin de P. L. de dos dimensiones tiene la forma
general:
Zmx = f(x1, x2)
Sujeto a las restricciones (s. a.):
a11x1 + a12 x2 < b1
a21x1 + a22 x2 < b2
.
.
.
an1x1 + an2 x2 < bn
con las condiciones de no negatividad:
x1 > 0
x2 > 0
Donde:
Zmx = f(x1, x2) es una funcin lineal de dos variables, la cual queremos
maximizar; un conjunto de desigualdades lineales de dos variables, las
cuales pueden ser de la forma menor o igual que y la condicin de no
negatividad para las variables.
Lo primero que debemos hacer es buscar la regin del plano que
contiene los puntos solucin de todas las desigualdades, para hacerlo
primero debemos graficar cada una de las desigualdades y posteriormente
empalmar todas las grficas, la interseccin de todas las regiones solucin,
es llamada regin de soluciones factibles. O bien en un solo sistema
coordenado se grafica al conjunto de restricciones (rectas y regiones) y
la interseccin ser la regin de soluciones factibles.
135
Unidad 4
Ejemplo 5
Obtener la regin de soluciones factibles del siguiente conjunto de
desigualdades.
3x1 + 2x2 < 6
x1 + x 2 > 0
Graficamos por separado cada una de las desigualdades y obtenemos:
3x1 + 2x2 < 6
x1 + x 2 > 0
Si empalmamos estas dos grficas, podremos observar que se intersectan

en una franja, que se forma entre las dos lneas rectas.
136
Esta zona contiene los puntos solucin de ambas desigualdades, por

ejemplo, el punto (1, 1) est dentro de esta zona y al sustituirlo en las
desigualdades las satisface:
3(1) + 2(1) < 6
3+2<6
5<6
1+1>0
2>0
Sin embargo, el punto (4, 5) slo est en la zona de la desigualdad x1 + x2 > 0,

esto quiere decir que solo satisface esta desigualdad. Para verificarlo se
sustituye en ambas desigualdades el punto mencionado.
3(4) + 2(5) < 6
12 + 10 < 6
22 < 6
Falso
4+5>0
9>0
Verdadero
Por lo tanto este punto no pertenece a la regin de soluciones factibles.

Nota. La regin de soluciones factibles de un conjunto de desigualdades
tambin se llama regin factible.
Cuando tenemos varias desigualdades, la zona factible puede ser de dos
formas:
No acotada.
Acotada.
137
Unidad 4
Si la regin factible es no acotada, quiere decir que se puede extender

indefinidamente hacia algn extremo del plano cartesiano. Si es acotada,
lo que tenemos es un polgono irregular que contiene todos los
puntos solucin del sistema. Es importante aadir que las lneas del
polgono tambin pertenecen a la zona factible; recordemos que estamos
trabajando con desigualdades donde la igualdad se incluye.
Ejemplo 6
Obtener la regin factible del siguiente conjunto de desigualdades.
3x1 + 2x2 < 18
x2 < 6
x1 < 4
x1 > 0
x2 > 0
a) Graficamos la primera desigualdad que es 3x1 + 2x2 < 18
138
b) Graficamos la segunda desigualdad que es x2 < 6
6
3
3
6
c) Graficamos la tercera desigualdad que es x1 < 4
d) Las desigualdades cuarta y quinta nos indican que nos limitamos a

valores positivos de x1 y x2 dentro del primer cuadrante.
139
Unidad 4
e) Finalmente, si colocamos todas las grficas en un mismo plano

cartesiano y sombreamos slo la parte donde se traslapan, obtenemos la
zona factible.
En este caso obtuvimos un polgono irregular de 5 lados.

Otro mtodo
Podemos graficar todas las desigualdades sobre un mismo sistema
coordenado marcando con una flecha la regin que corresponde a cada
una. La interseccin es la regin factible como se muestra en la figura
4.6.
Figura 4.6.
140
Ejemplo 7
Obtener la regin factible del siguiente problema de P. L.
s.a.: Z mx = 3x1 + x2
3x1 + 2x2 < 12
x1 + x2 > 1
x2 < 3
x1 > 0
x2 > 0
Graficamos cada una de las desigualdades:
3x1 + 2x2 < 12
(1)
a) Graficamos primero la igualdad 3x1 + 2x2=12

x1 0
x2 0
3(0) 2 x2 12
3 x1 2(0) 12
12
6
2
(0, 6)
12
4
3
(4, 0)
x2
x1
141
Unidad 4
b) Ahora sustituimos el punto (6, 6) en la desigualdad.

3 x1 2 x2 12
3(6) 2(6) 12
18 12 12
30 12
Como la desigualdad es falsa, se considera la regin que no contiene el

punto.
x1 + x 2 > 1
a) Graficamos primero la igualdad asociada x1 + x2 = 1
142
x1 0
x2 0
0 x2 1
x1 0 1
x2 1
x1 1
(0, 1)
(1, 0)
(2)
b) Ahora sustituimos el punto (2, 2) en la desigualdad.

x1 x2 1
2 2 1
4 1
Como la ltima expresin es verdadera, entonces el punto es un punto
solucin de la desigualdad y, por lo tanto, se considera la regin que lo
contiene.
x2 < 3, x1 > 0, x2 > 0
(3)
a) Graficamos las igualdades asociadas a cada desigualdad. La primera

es una lnea paralela al eje x1 al igual que la tercera. La segunda es una
lnea paralela al eje x2 que pasa por el origen.
Nota. En este tipo de rectas no es necesario obtener dos puntos para
graficarlas.
143
Unidad 4
b) Las desigualdades x1> 0, x2 >0 nos limitan al primer cuadrante del

plano cartesiano, mientras que la desigualdad x2 < 3 se satisface con los
puntos que estn por debajo de la recta asociada, por lo tanto, la zona
solucin de estas desigualdades es:
Ahora colocamos todas las grficas en un plano cartesiano y obtenemos

la regin factible del problema de P. L.
x2
4
3
2
1
4
x1
2
3
4
Obtenemos un polgono irregular de 5 lados. Cada uno de los segmentos

de lnea que limitan la regin factible, recibe el nombre de fronteras. La
interseccin de dos fronteras forma un vrtice. Decimos que dos vrtices
son adyacentes si comparten una frontera.
Se asegura (como resultado de un teorema) que la solucin ptima de
nuestro problema (al maximizar o minimizar la funcin objetivo) se
encuentra en uno de los vrtices de la regin factible.
144
Para saber cul de los cinco vrtices es el punto solucin ptima, tenemos
que graficar la funcin objetivo. Para hacerlo, tomamos un punto arbitrario
de la regin factible y lo sustituimos en la funcin objetivo para obtener un
valor inicial. Por ejemplo, tomemos el punto (2, 2).
Z mx=3x1 + x2
Z(2, 2)=3(2) + 2
Z(2, 2)=8
Ahora buscamos todos los puntos del plano para los cuales la funcin
objetivo tiene el valor 8. Estos puntos los encontramos graficando la
ecuacin 3x1 + x2=8
Slo un segmento de esta recta cae dentro de la regin factible, es

justamente este segmento el que contiene todos los puntos que son las
combinaciones que pueden tomar nuestras variables de decisin, sin
embargo, todas ellas dan a nuestra funcin objetivo el valor constante de
ocho. Sabemos que el lado derecho de una ecuacin lineal determina la
posicin de la recta dentro del sistema cartesiano, sin afectar la pendiente
de la misma. Se trata de que la funcin objetivo asuma el mximo
valor posible, entonces tomamos un valor mayor a ocho, digamos 10 y
graficamos dentro del sistema cartesiano, es decir, se grafica la ecuacin
3x1 + x2=10
145
Unidad 4
Al darle un valor ms grande a nuestra funcin objetivo, sta se desplaz

hacia la derecha, entonces debemos desplazarla en esta direccin sin
salirnos de la regin factible. Esto lo podemos hacer con ayuda de unas
escuadras y unas hojas milimtricas, para poder identificar el ltimo
punto que toca la funcin objetivo.
As encontramos que la solucin ptima del modelo de P. L. dado es x1 = 4

y x2 = 0 con el cual obtenemos un valor mximo de la funcin objetivo
en Z = 12, ya que no existe ningn punto dentro de la regin factible que
haga que la funcin objetivo tome un valor mayor a 12.
146
Ejemplo 8
Recordemos que en la primera unidad se plante el siguiente problema:
La empresa Patito produce dos tipos de detergentes, uno para ropa blanca
y otro para ropa de color. El detergente de ropa blanca deja una ganancia
de $ 2 por litro vendido, mientras que el de ropa de color deja una
ganancia de $ 3. La empresa slo puede producir 10 litros del de color
y 15 del de ropa blanca al da. Los vendedores pueden vender como
mximo 15 litros de detergente al da sin importar de cual se trate. Cul
es la combinacin que maximiza las ganancias de la empresa?
El modelo de programacin lineal asociado es:
Z mx = 2x + 3y
s.a.: x + y < 15
(1)
x < 15
(2)
y < 10
(3)
x>0
(4)
y>0
(5)
Si resolvemos este modelo utilizando el mtodo grfico, obtenemos:
147
Unidad 4
a) Graficamos cada una de las desigualdades sobre un mismo sistema

cartesiano para hallar la zona factible.
y
20
1
15
10
3
5
10
15
20
2x
b) Tomamos un punto arbitrario dentro de la zona factible y

lo sustituimos en la funcin objetivo, para hallar un valor y
poder graficarla. Por ejemplo el punto (5, 5); por lo tanto,
Z(5, 5)= 2(5) + 3(5) = 25, con lo que tenemos que graficar la ecuacin
2x + 3y=25
c) Damos un valor mayor (Z = 28) y graficamos, para ver hacia dnde se

mueve la funcin objetivo.
148
En general siempre que demos un valor mayor al lado derecho de una

ecuacin lineal de dos variables, esta se va a desplazar a la derecha sobre
el eje horizontal. Si la lnea es paralela a este eje, entonces se desplaza
hacia arriba.
d) Desplazamos la funcin objetivo en la direccin de maximizacin, sin

salirnos de la regin factible. El ltimo punto que toque es la solucin
ptima.
Esto quiere decir que debemos producir 5 litros del detergente para ropa
blanca y 10 litros de detergente para ropa de color, con esta combinacin
la empresa va a tener una ganancia de $ 40.
149
Unidad 4
Ejercicio 3
1. Un modelo de P. L. est formado por una funcin _________________
que se tiene que maximizar o minimizar.
2. El mtodo grfico se utiliza para resolver problemas en __________
dimensiones.
3. El rea donde coinciden todas las grficas de las desigualdades se
llama:
a) Solucin.
b) Regin factible.
c) Regin no factible.
4. Si la regin factible es acotada, lo que obtenemos es un:
a) Cuadrado.
b) Tringulo.
c) Polgono irregular.
5. Los candidatos a solucin del problema son:
a) Los puntos interiores.
b) Los puntos exteriores.
c) Los vrtices.
6. Obtener la regin factible del siguiente modelo de programacin
lineal, adems de la solucin ptima con el valor de Z mx:
Zmx = 4x1 + x2
s.a.: 6x1 + 2x2 < 12
x1 + 2x2 > 1
x2 < 3
x1 > 0
x2 > 0
150
4.3. Regin de soluciones factibles

en minimizacin
En esta seccin resolveremos problemas de P. L. por mtodo grfico,
donde la funcin objetivo se va a minimizar. Como los pasos a seguir son
esencialmente los mismos, vamos a desarrollar el mtodo resolviendo el
siguiente problema.
3 x1 2 x2 12
Ejemplo 9
x x 1
Resolver el siguiente problema de P.1 L. 2
x2 3
Zmn = 3x1 + x2x1 0
x2 0
s.a.:
Su regin factible ya la calculamos, por lo tanto slo la dibujamos:
Ahora debemos graficar la funcin objetivo. La grfica queda entonces

de la siguiente forma:
151
Unidad 4
La diferencia es que ahora le damos un valor menor a la funcin objetivo

y observamos hacia donde se desplaza. Por ejemplo, con el valor Z = 4
graficamos la lnea recta 3x1 + x2=4
La recta se desplaza hacia la izquierda, por lo tanto debemos desplazar

esta recta paralelamente hasta alcanzar el ltimo punto de la regin
factible.
152
De esta manera, la solucin ptima se encuentra en el vrtice (0, 1),

donde la funcin objetivo toma el valor Z mn=1.
La nica diferencia para resolver un problema de maximizar o de
minimizar es la direccin en la que se debe desplazar la lnea que
representa la funcin objetivo.
Ejercicio 4
Obtener la regin factible de los siguientes modelos de programacin
lineal, adems de la solucin ptima
1. Z mn=4x1 + x2
s.a.: 6 x1 2 x2 12
x1 2 x2 1
x2 3
x1 0
x2 0
2. Zmn=x1 + 4x2
s.a.: 6 x1 2 x2 12
x1 2 x2 2
x1 3
x1 0
x2 0
4.4. Solucin grfica con propiedades

especiales
Al igual que en los sistemas de ecuaciones lineales, existen tres casos
posibles:
Que el problema tenga solucin nica.
Que el problema no tenga solucin.
Que el problema tenga una infinidad de soluciones.
153
5. Obtener la solucin del siguiente modelo de programacin lineal.

Z m x 10 x1 5 x2
s.a.: 2 x1 x2 10
4 x1 6 x2 24
x1 x2 8
x1 , x2 0
4.5. Anlisis grfico de sensibilidad

Una vez que obtuvimos la solucin del modelo de programacin lineal,
debemos realizar un anlisis de sensibilidad, debido a que los sistemas
con los que se trabaja en la realidad son dinmicos y no estticos. Por
ejemplo, cmo se afecta la solucin si cambiamos los coeficientes de
la funcin objetivo? o qu pasa si se varan las cantidades limitantes
en las desigualdades? Esto es importante, ya que si la empresa tiene
capital para comprar una mayor cantidad de alguna de las materias
primas, debemos decidir en cual nos conviene este aumento. El anlisis
de sensibilidad presentado en esta seccin se basa en ideas grficas, un
anlisis analtico lo vamos a llevar a cabo en la unidad 5.
Cambio en los coeficientes de la funcin objetivo
Los coeficientes de la funcin objetivo representan la utilidad unitaria
de cada uno de los productos, o bien el costo unitario. En ambos casos
una variacin en estos datos hacen que la funcin objetivo cambie.
Para llevar a cabo el anlisis de sensibilidad en este caso, revisemos el
siguiente ejemplo.
Ejemplo 13
Una empresa fabrica bocinas de 3 y 8 de dimetro. Las bocinas de
3 dejan una utilidad de $ 20, mientras que las de 8 de $ 30. La
empresa puede fabricar como mximo 300 bocinas al da, por polticas
del departamento de ventas se deben producir al menos 100 bocinas de
3 y como mximo 150 bocinas de 8. Cuntas bocinas de cada tamao
se deben producir para maximizar la utilidad?
159
Unidad 4
Las variables de decisin son:

x1= nmero de bocinas de tres pulgadas que se deben fabricar.
x2= nmero de bocinas de ocho pulgadas que se deben fabricar.
El modelo de P. L. asociado a este problema es:
Z mx
m x 20 x1 30 x2
s.a.: x1 x2 300
x1 100
x2 150
x1 0
x2 0
Los coeficientes de la funcin objetivo se obtienen de las ganancias que
deja cada tipo de bocinas. Aplicando el mtodo grfico, obtenemos la
siguiente regin factible.
En el punto (150, 150) Zmx tiene un valor de $ 7 500. La pregunta ahora

es qu pasa con la solucin si la ganancia de la bocina de 3 aumenta
a $ 25? Este cambio hace que la funcin objetivo cambie de coeficientes,
sin embargo, no afecta ninguna de las desigualdades, por lo tanto la zona
factible se mantiene igual y lo nico que cambia es la inclinacin de la recta
que representa la funcin objetivo. Lo que nos interesa saber es si debemos
seguir produciendo 150 bocinas de cada tipo, o si este cambio realizado
afecta nuestra solucin. Esto depende de qu tanto cambie la inclinacin de
la recta. Realicemos un anlisis grfico para determinar el rango en que se
puede variar la inclinacin de dicha recta sin cambiar el vrtice solucin.
160
La ecuacin de la recta asociada a Z mx en el punto solucin es:

20
2
20x 1 + 30x 2 =7 500, con una pendiente de m1 .
30
3
Z mx con la modificacin del coeficiente asociado a la bocina de 3 es:
25
5
25x1 + 30x2=7 500, con una pendiente m2 . Si graficamos
30
6
ambas rectas obtenemos lo siguiente:
La pendiente disminuy, lo que hizo que la recta se desplazara hacia

abajo, por lo que al desplazarla nuevamente hacia arriba llegamos al
mismo punto ptimo, pero el valor de Z mx ahora es $ 8 250.
El vrtice no vari, porque el cambio de la pendiente se mantuvo entre
las pendientes de las fronteras del vrtice solucin ptima, esto es, de las
rectas x1 + x2=300 con pendiente ma = 1 y la recta x2=150 con pendiente
mb = 0. Por ejemplo, si la ganancia de las bocinas de 3 se incrementa a $ 35
entonces Zmx toma la forma 35x1 + 30x2=9 750 (9 750 porque la evaluamos
35
7
en el punto (150, 150)), cuya pendiente es m3 que se sale del
30
6
intervalo [1, 0]. Si graficamos esta recta obtenemos:
161
Unidad 4
En la grfica se ve claramente que esta recta giro ms all de la frontera

x1 + x2=300, y que, adems, podemos seguir movindola hacia la derecha
sin salirnos de la regin factible, y as llegar al vrtice (300, 0) que es
nuestra nueva solucin, con un valor de Z = $ 10 500.
El punto que escogimos hizo que la pendiente fuera negativa, si cambiamos

los coeficientes para que la pendiente sea mayor a cero, esto implicara que
una de las bocinas causar prdidas en lugar de utilidades. Realicemos el
anlisis, porque en ocasiones esto sucede en la realidad, ya que el introducir
un nuevo producto puede reportar prdidas en lugar de ganancias. Por
ejemplo, digamos que nuestras bocinas de 3 dejan una prdida de $ 20.
Con esto la funcin objetivo toma la forma 20x1 + 30x2=4 200 con una
20 2
. Si graficamos obtenemos:
pendiente m4
30 3
162
La recta gir ms all de la frontera x2=150. En este caso para maximizar

la funcin Z mx debemos desplazar la recta hacia arriba, por lo que la
solucin pasa a ser el punto (100, 150) con una ganancia de $ 2 500.
Podemos decir entonces que la solucin no va a cambiar de vrtice,

a menos que la pendiente se salga del intervalo [ma, mb] que son las
pendientes de las fronteras que se intersectan en dicho vrtice.
Cambio en las cantidades limitantes
Ahora supongamos que la empresa quiere producir 400 bocinas en
lugar de las 300 que originalmente consideramos. Cmo afecta esto la
solucin?
163
Unidad 4
sta es la otra posibilidad, cambiar las cantidades limitantes de las

desigualdades y mantener constantes los coeficientes de la funcin
objetivo. Vamos a analizar el caso donde slo vari una de las
restricciones, posteriormente se pude generalizar este anlisis.
El cambiar la cantidad lmite de alguna de las desigualdades implica que
la regin factible tambin se modifique, sin embargo, la funcin objetivo
se mantiene sin cambios, lo importante ahora es determinar nuevamente
cmo se afecta el punto ptimo. El cambiar el valor numrico de una
ecuacin de la forma x1 + x2=400 no afecta su pendiente, lo que hace
es desplazarla sobre los ejes, moviendo su ordenada al origen. Esto
ocasiona que la regin factible se haga ms grande o ms pequea. En el
ejemplo la regin factible toma la forma:
En este caso la regin factible aumenta de tamao, el vrtice solucin

ptima se desplaza hacia la derecha, lo que hace que la funcin objetivo
pueda tomar un valor mayor.
Lo que debemos cuidar al variar el lado derecho de las desigualdades es
no variarlo de tal manera que resulte una regin no factible.
Otra pregunta importante es: En cual de las desigualdades me conviene
aumentar o disminuir su cantidad limitante?
Esta pregunta la vamos a contestar cuando realicemos el estudio
del problema dual, por el momento slo debemos tener presente que
pequeos incrementos en las cantidades limitantes de las desigualdades
implican pequeos aumentos en la regin factible, lo que se traduce en
pequeos aumentos de la funcin objetivo Z mx.
Para ejemplificacin del anlisis de sensibilidad ver anexo al final del libro.
164
Introduccin
n la unidad 5 aprendimos a resolver modelos de P. L. por el

mtodo smplex y el dual smplex, el resultado obtenido poda
ser cualquier nmero real, sin embargo, existen problemas que
no aceptan como solucin un nmero real, por ejemplo, pensemos en
el problema de seleccin de personal de la unidad 3, en este caso no
podemos colocar 1.5 empleados. Por esta razn se han desarrollado
algoritmos especiales para la bsqueda de soluciones enteras de modelos
de P. L.
Podemos suponer que es ms fcil resolver un problema de P. L. entera
que uno de P. L. estndar, pero esto en general no es cierto, ya que en
la actualidad no existe un algoritmo ptimo (desde el punto de vista
computacional) para su puesta en prctica; por esta razn mostramos dos
de los mtodos ms utilizados en la practica:
El mtodo de ramifica y acota (Branch and Bound).
El algoritmo de corte (Gomory).
Los problemas que resuelven corresponden a los llamados modelos de

programacin lineal entera (P. L. E.). Estos modelos se clasifican de la
siguiente manera:
Modelos de P. L. E. puros. Cuando todas las variables de decisin
slo tienen sentido si toman valores enteros.
Modelos de P. L. E. mixtos. Cuando alguna de las variables de
decisin pueden tomar valores reales y slo un subconjunto est
restringido a tomar valores enteros.
Modelos de P. L. E. binarios. Cuando las variables de decisin
slo pueden tomar dos valores, por ejemplo, verdadero o falso, esto
se representa con cero o uno.
Empezaremos la unidad dando un ejemplo de cada uno de ellos y

posteriormente analizaremos los dos mtodos de solucin mencionados.
Estos dos mtodos se estudian slo con modelos de P. L. E. que tienen
como objetivo maximizar; para resolver problemas de minimizacin se
sugiere obtener el modelo dual presentado en la unidad 5.
223
Unidad 6
6.1. Aplicaciones ilustrativas

En la unidad 3 obtuvimos los modelos de algunos problemas de P. L.,
sin embargo, no hicimos hincapi en que algunos de ellos eran modelos
de P. L. E. En esencia la formulacin de un modelo de P. L. E. sigue los
mismos pasos que un modelo de P. L. estndar, la nica diferencia es que
algunas de las variables de decisin o todas estn restringidas a tomar
slo valores enteros. Veamos algunos ejemplos:
Ejemplo 1
Problema de costo fijo (ejemplo de modelo puro)
Una fbrica produce tres tipos de herramientas, taladros, mquina
caladora y desarmador elctrico. Los costos para producir cada
herramienta estn dados por un costo fijo que es aplicable slo si se
produce al menos una unidad, ms un costo por unidad. En la siguiente
tabla mostramos los datos correspondientes.
Esto es, si producimos 3 taladros el costo es C(3) = 100 + 3(25) = 175,

ya que el costo fijo aplica desde una unidad hasta varias unidades.
La empresa tiene que fabricar por lo menos 50 taladros, 80 mquinas
caladoras y 100 desarmadores elctricos, sin embargo slo tiene un
capital de $ 20 930. El taladro deja una ganancia de $ 100 por unidad,
la mquina caladora $ 50 y el desarmador elctrico $ 20. Cul es la
combinacin que optimiza las ganancias? Obtener el modelo de P. L. E.
asociado.
224

x1 = nmero de taladros que se van a producir.
x2 = nmero de caladoras que se van a producir.
x3 = nmero de desarmadores que se van a producir.
Hacemos la suposicin de que toda la produccin se vende, ya que el
problema no nos proporciona informacin al respecto.
La funcin objetivo la podemos escribir como:
Z mx = 100x1 + 50x2 + 20x3
Las restricciones son:
100 + 25x1 + 80 + 20x2 + 50 + 10x3 < 20 930
x1 > 50
x2 > 80
x3 > 100
Por lo tanto el modelo de P. L. E. es:
Z m x 100 x1 50 x2 20 x3
s. a.: 25 x1 20 x2 10 x3 20 700
x1 50
x2 80
x3 100
xi 0 i 1, 2, 3
xi enteros
La ltima restriccin es necesaria ya que no podemos producir fraccin
de taladros o fraccin de desarmadores. Este modelo se resuelve en la
seccin de problemas resueltos (problema 2).
Nota. Aqu es importante el hecho de que las variables no pueden tomar
el valor cero, ya que esto cambiara sustancialmente el modelo, debido
a que el costo fijo slo es aplicable si se produce al menos una unidad.
225
Unidad 6
Ejemplo 2
Problema de produccin (ejemplo de modelo mixto)
Una empresa produce tornillos y clavos. Los tornillos se venden por
cajas de 100 unidades cada una, mientras que los clavos se venden a
granel. La produccin de cada 100 tornillos tiene un costo de $ 20,
mientras que el kg de clavos tiene un costo de $ 10. La empresa tiene un
capital disponible de $ 10 000 y desea saber cul es la combinacin que
optimiza sus ganancias.
El precio de venta por caja de tornillos es de $ 25 mientras que el kg de
clavos se vende a $ 20, la empresa debe entregar por lo menos 20 cajas
de tornillos. Hallar el modelo de P. L. E. asociado a este problema.
Las variables de decisin son las siguientes:
x1 = nmero de cajas de tornillos producidas y vendidas.
x2 = cantidad producida y vendida de clavos (en kg).
El objetivo es maximizar las ganancias de la empresa, por lo tanto
la funcin objetivo debe cuantificar las ganancias producidas por las
diferentes combinaciones de produccin:
Z mx = 5x1 + 10x2
La primera restriccin tiene que ver con el capital disponible para la
produccin:
20x1 + 10x2 < 10 000
La segunda restriccin est en funcin de la demanda mnima de cajas
de tornillos:
x1 > 20
Finalmente la condicin de positividad:
x1, x2 > 0
226
Como los tornillos se venden por caja, entonces la variable x1 slo toma
valores enteros, mientras que la variable x2 puede tomar cualquier valor
ya que la venta de clavos es a granel, esto es, podemos vender 123.4 kg
de clavos.
Por lo tanto el modelo de P. L. E. es mixto, y lo escribimos a
continuacin:
Z mx = 5x1 + 10x2
s. a.: 20x1 + 10x2 < 10 000
x1 > 20
con x1, x2 > 0 y x1 Z
Ejemplo 3
Problema de produccin (ejemplo de modelo binario)
Una asociacin crediticia de asistencia pblica debe colocar como
mnimo $ 15 000 en crditos personales de $ 1 000 y crditos para tiles
escolares por $ 1 500. La asignacin de estos crditos tiene un costo, el
cual se divide en dos partes: un costo fijo que se aplica en caso de que
se asigne al menos un crdito y otra que depende del nmero de crditos
otorgados. En la siguiente tabla presentamos estos costos:
Los costos son absorbidos por la asociacin, por lo tanto desean

minimizarlos. Cul es la combinacin que minimiza dichos costos?
Obtener el modelo de P. L. E. asociado al problema.
x1 = nmero de crditos personales otorgados.
x2 = nmero de crditos para tiles otorgados.
227
Unidad 6
El costo por crdito personal est dado por:

500 100 x1 x1 0
C1 ( x1 )
x1 0
0
El costo por crdito para tiles est dado por:
300 150 x2 x2 0
C2 ( x2 )
x2 0
0
Una primera idea puede ser escribir la funcin objetivo de la siguiente
manera:
Z mn = 500 + 100x1 + 300 + 150x2
Esta funcin objetivo tiene el inconveniente de que si no se otorgan
crditos para tiles, no se incurre en el costo fijo, sin embargo, la funcin
objetivo s lo contabiliza. Para solucionar este problema se agregan dos
variables artificiales del tipo binario; esto es, variables que slo pueden
tomar el valor 0 o 1. Dichas variables las definimos de la siguiente
manera:
0 x 0
y1 1
1 x1 0
0 x2 0
y2
1 x2 0
Estas restricciones las podemos escribir como:
x1 < My1
x2 < My2
Donde M > 0 es lo suficientemente grande, de tal manera que xi < M sea
trivial para cualquier restriccin del problema.
228
Entonces el modelo de programacin lineal se escribe como:

Z m n 100 x1 150 x2 500 y1 300 y2
s. a.: 1 000 x1 1 500 x2 15 000
x1 My1
x2 My2
x1 , x2 0
y1 , y2 0 o 1
M 0
El modelo anterior representa al problema.
Si xi > 0 entonces la desigualdad xi < Myi obliga que yi tome el valor 1. Con
lo cual en la funcin objetivo se considera el costo fijo. Si xi = 0 entonces
la desigualdad xi < Myi hace que yi puede tomar el valor 0 o 1, pero como
en la funcin objetivo se est minimizando, obliga que yi tome el valor 0 y,
por lo tanto no se toma en cuenta el costo fijo asociado con xi.
El modelo que se obtuvo es un modelo de P. L. E. binario ya que algunas
de las variables slo pueden tomar el valor 0 o 1, mientras que otras slo
pueden tomar valores enteros.
Con estos tres ejemplos nos damos cuenta de que la formulacin de los
modelos de P. L. E. sigue los mismos pasos que la de los modelos de
P. L. estndar. En la siguiente seccin, se vern los cambios que se deben
realizar al resolver dichos modelos y de la complejidad que representan.
Ejercicio 1
1. Un modelo de P. L. cuyas variables de decisin slo pueden tomar
valores enteros se clasifica como entero:
a) Puro.
b) Mixto.
c) Binario.
d) Dual.
229
Unidad 6
2. Un modelo de P. L. en el que algunas variables de decisin slo pueden

tomar valores enteros se clasifica como entero:
a) Puro.
b) Mixto.
c) Binario.
d) Dual.
3. Un problema de P. L. donde las variables de decisin slo pueden
tomar dos posibles valores se denomina modelo:
a) Puro.
b) Mixto.
c) Binario.
d) Dual.
4. Uno de los mtodos conocidos para resolver un modelo de P. L. E. es:
a) Smplex.
b) Grfico.
c) Gomory.
d) Dual.
5. Obtener el modelo de P. L. E. asociado al siguiente problema:
Una empresa produce 2 tipos de refacciones para automviles. El costo
por unidad para la refaccin 1 es de $ 2, mientras que el costo de
la refaccin 2 es de $ 1. Se tiene un presupuesto de $ 2 500 para la
fabricacin del lote. La utilidad de la refaccin 1 es de $ 5, mientras que
para la refaccin 2 es de $ 6. El departamento de ventas informa que se
pueden vender fcilmente hasta 250 unidades de la refaccin 1 y hasta
100 unidades de la refaccin 2. Se trata de optimizar la utilidad de la
empresa.
230
6.2. Algoritmos para la solucin

de modelos de P. L. E.
Se mencion al inicio de la unidad que no es fcil resolver los modelos
de P. L. E., ya que si bien el nmero de posibles soluciones disminuye,
nada nos garantiza que el vrtice solucin ptima del problema contenga
en sus coordenadas slo valores enteros. Sin embargo, la P. L. E. tiene
tantas aplicaciones que es necesario contar con algoritmos que permitan
resolverlos de manera ptima. En esta seccin vamos a estudiar dos de
los mtodos ms utilizados en la actualidad:
Mtodo de ramifica y acota.
Mtodo de Gomory.
Como no existe el mtodo ptimo, en ocasiones conviene utilizar uno,

mientras que en otras puede ser que no funcione. El gran problema surge
al implementarlos en la computadora, ya que el mtodo de ramifica y
acota requiere de demasiadas operaciones, lo cual lo vuelve costoso,
mientras que el mtodo de corte es ms econmico, pero no siempre
converge a la solucin ptima.
Mtodo de ramifica y acota
Al resolver un modelo de P. L. E., la primera idea que surge es la de
resolver el modelo como un problema de P. L. estndar. Una vez que se
tienen la solucin, si sta cumple con las condiciones de que todas las
variables de decisin sean enteras, entonces el problema est resuelto. Si
no, entonces podemos redondear los valores y aplicar el proceso hacia
la solucin del modelo de P. L. E. A continuacin se presentan ejemplos
para analizar a fondo.
231
Unidad 6
Ejemplo 4
Resolver el siguiente modelo de P. L. E. puro.
Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x1 , x2 enteros
x1 , x2 0
Por el mtodo smplex se obtiene la solucin ptima del modelo (sin
considerar la restriccin de que x1 y x2 deben ser enteros):
x1 = 2
x2 = 3.5
Y el valor de la funcin objetivo es: Z = 20.
Observamos que la variable x1 si satisface la restriccin de ser entera,
sin embargo, la variable x2 no lo satisface. Si redondeamos el valor de x2
obtenemos:
x1 = 2
x2 = 4
El punto (x1, x2) no est dentro de la regin factible, por lo tanto tenemos
que modificar el valor de x2, con lo cual obtenemos la solucin ptima:
x1 = 2
x2 = 3 con Z mx = 18
que satisface la condicin de que las variables sean enteras.
El mtodo de ramifica y acota toma la idea anterior, slo que ahora
analiza todas las posibilidades de redondeo. Para ello va formando
un rbol de combinaciones, como los utilizados en probabilidad. A
continuacin describimos el algoritmo del mtodo:
232
Paso 1. Se resuelve el modelo utilizando el mtodo smplex, sin tomar

en cuenta las restricciones de que las variables deben tomar valores
enteros. Si la solucin ptima del problema satisface la condicin de ser
entera, el modelo esta resuelto. Parar. Si no, continuar con el algoritmo.
Paso 2. Se toma una de las variables que no es entera y se toma el
valor del entero prximo mayor y el valor del entero prximo menor. Se
plantean dos nuevas restricciones: que la variable sea mayor al entero
mayor y que la variable sea menor al entero menor.
Paso 3. Una vez hecho esto se plantean dos nuevos modelos de P. L. que
se deben resolver. Cada uno de ellos se obtiene al agregar una de las dos
restricciones del punto anterior.
Paso 4. Se resuelve cada uno de los modelos utilizando el mtodo
smplex. Si la solucin ptima es entera se anota el valor de la funcin
objetivo. Si la solucin ptima de todos los modelos ya es entera se pasa
al punto 5, si no, se aplica nuevamente el mtodo desde el punto 2, para
cada uno de los modelos que tiene solucin no entera.
Paso 5. Se comparan los valores de Z y se toma el mximo, la solucin
asociada a este valor es la solucin ptima del modelo.
Ejemplo 5
Hallar la solucin del siguiente problema de P. L. E.
Z m x x1 x2
s. a.: 8 x1 5 x2 40
4 x1 6 x2 24
x1 , x2 enteros
x1 , x2 0
Si resolvemos este problema utilizando el mtodo smplex, obtenemos la
solucin ptima:
233
Unidad 6
x1 = 4.2857
x2 = 1.1429 con Z = 3.1428
En este problema ninguna de las variables cumple con la condicin de ser
entera, por lo tanto tenemos que redondear los dos valores, obteniendo:
x1 = 4
x2 = 1 con Z = 3
Pareciera que sta es la solucin ptima, sin embargo, este punto no est
en la regin de soluciones factible. Entonces:
Cmo debemos redondear para que los valores estn dentro de la
regin factible?
Se selecciona la variable a redondear (una a la vez) y se toma el valor del
entero prximo mayor y el valor del entero prximo menor, de manera
que se plantean dos nuevos modelos de P. L. que se deben resolver.
En este ejemplo trabajaremos con x1 = 4.2857. Las restricciones que se
deben aadir a los sistemas asociados son: x1 < 4 o x1 > 5.
Tomamos el problema del lado izquierdo, y aumentamos las siguientes

restricciones: x2 < 1 o x2 > 2, con lo que se generan los siguientes sistemas
asociados:
234
Continuamos aadiendo al modelo de la derecha una de las siguientes

restricciones: x1 < 3 o x1 > 4.
Por lo tanto la solucin ptima del modelo de P. L. E. es:

x1 = 3
x2 = 2 con Z mx = 1
Ejemplo 6
Resolver el siguiente modelo de P. L. E.
Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x1 , x2 enteros
x1 , x2 0
Resolviendo por mtodo smplex se obtiene la solucin ptima (sin
considerar la restriccin de que las variables sean enteras):
x1 = 2
x2 = 3.5 con Z = 20
Seleccionamos la variable que no cumple la condicin de ser entera. En
este caso es x2. Escribimos los enteros prximos (mayor y menor) al
valor que obtuvimos de esta variable: 4 y 3.
Se plantean dos nuevos modelos de P. L., los cuales se obtienen al agregar
una de las siguientes restricciones al modelo de P. L. E. original:
x2 < 3 o x2 > 4
235
Unidad 6
Los modelos que obtenemos son:

Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x2 3
Problema asociado 1
x1 , x2 enteros
x1 , x2 0
Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x2 4
Problema asociado 2
x1 , x2 enteros
x1 , x2 0
A continuacin se resuelve cada uno de estos modelos utilizando el
mtodo smplex.
La solucin ptima del problema asociado 1 es:
x1 = 2.5
x2 = 3
Z = 19.5
Mientras que el problema asociado 2 no tiene solucin, ya que no existe
regin de solucin factible.
Como el problema asociado 1 s tiene solucin pero no es entera,
entonces tomamos la variable x1 cuyo valor es 2.5, tomamos los enteros
mayor (3) y menor (2) prximos y escribimos dos modelos asociados
aadiendo al problema asociado 1 una de las siguientes desigualdades:
x1 < 2 o x1 > 3
236
Con lo que obtenemos:

Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x2 3
Problema asociado 3
x1 2
x1 , x2 enteros
x1 , x2 0
Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x2 3
Problema asociado 4
x1 3
x1 , x2 enteros
x1 , x2 0
Resolvemos el problema asociado 3 con el mtodo smplex y se obtiene
la solucin ptima:
x1 = 2
x2 = 3
Z = 18
Resolviendo el problema asociado 4 con el mtodo smplex se obtiene la
solucin ptima:
x1 = 3
x2 = 2.5
Z = 19
La solucin del problema asociado 3 satisface la condicin de ser entera,
pero no sabemos si es ptima, por lo que tenemos que continuar con el
mtodo.
La solucin del problema asociado 4 presenta la variable x2 con un valor
no entero, por lo tanto nuevamente se plantean dos problemas asociados,
al aadir al problema asociado 4 una de las siguientes restricciones:
237
Unidad 6
x2 < 2 o x2 > 3
Obtenemos los problemas asociados:
Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x2 3
Problema asociado 5
x1 3
x2 2
x1 , x2 enteros
x1 , x2 0
Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x2 3
Problema asociado 6
x1 3
x2 3
x1 , x2 enteros
x1 , x2 0
Resolvemos cada uno de estos problemas utilizando el mtodo smplex:

La solucin ptima del problema asociado 5 es:
x1 = 2
x2 = 2
Z = 14
Mientras que el problema asociado 6 tiene la solucin ptima:
x1 = 2
x2 = 3
Z = 18
Como ambas soluciones son enteras, se concluye que la solucin ptima es:
238
x1 = 2
x2 = 3 con Z mx = 18
Por el llamado mtodo del rbol:
239
Unidad 6
Ejercicio 2
1. En cada iteracin del mtodo de ramifica y acota, la regin factible
se:
a) Divide.
b) Reduce.
c) Corta.
d) Aumenta de tamao.
2. En el mtodo de ramifica y acota cada variable no entera da origen a:
a) Una restriccin nueva.
b) Dos restricciones nuevas.
c) Ninguna restriccin.
d) No se sabe.
3. Si el valor de una de las variables de decisin en un modelo de P. L. es
x = 2.8, entonces debemos agregar las siguientes desigualdades:
a) x > 3 o x < 3
b) x > 3 o x > 2
c) x > 3 o x < 2
d) x > 2 o x < 2
4. La solucin ptima de un modelo de P. L. E. slo acepta valores:
a) Positivos.
b) Reales.
c) Positivos y enteros.
d) Positivos y reales.
5. Si la solucin por mtodo smplex de un modelo de P. L. E. sin tomar en
cuenta la condicin de que las variables sean enteras es x1 = 2.3, x2 = 5.8,
entonces la solucin ptima se obtiene al:
a) Redondear hacia arriba.
b) Redondear hacia abajo.
240
c) Tomar la parte entera.

d) Aplicar el mtodo de ramifica y acota.
6. Obtener los dos primeros modelos auxiliares (el primer nivel del
rbol) que se tienen al resolver el siguiente modelo de P. L. E. por el
mtodo de ramifica y acota:
Z m x x1 x2
s. a.: 8 x1 5 x2 32
x1 , x2 enteros
x1 , x2 0
Mtodo de Gomory
El mtodo presentado de ramifica y acota tiene el inconveniente
de que en cada paso se tiene que resolver dos nuevos programas
asociados. Esto hace que el nmero de operaciones sea grande, aunque
en ocasiones puede ser que uno de los dos problemas no tenga solucin.
En el mtodo que vamos a presentar a continuacin se reduce el tamao
de la regin factible pero sin dividirla, para esto, se va aadiendo
una restriccin en cada iteracin. Estas iteraciones cortan la regin
factible, de tal manera que la nueva regin debe contener la solucin
entera ptima de nuestro modelo, si es que existe. El algoritmo del
mtodo se presenta a continuacin.
Paso 1. Se resuelve el modelo sin tomar en cuenta la restriccin de que
las variables sean enteras.
Paso 2. Si la solucin ptima cumple la condicin de ser entera, sta es
la solucin del modelo. Si no, se toma uno de los renglones de la tabla
smplex ptima con lado derecho no entero. A este rengln le llamamos
rengln fuente.
Paso 3. Escribimos los coeficientes del rengln fuente como una
combinacin de un nmero entero y una parte fraccionaria positiva entre
cero y uno.
241
Unidad 6
Paso 4. Pasamos todos los coeficientes fraccionarios del lado izquierdo,

los enteros los pasamos al lado derecho. Ahora hacemos que el lado
izquierdo sea mayor o igual a cero.
Paso 5. Escribimos esta desigualdad en forma de igualdad al sumar
la variable de supervit y la aadimos a nuestra tabla smplex ptima.
Resolvemos por el mtodo dual smplex. Regresamos al paso 2.
Ejemplo 7
Para explicar el mtodo descrito vamos a resolver el siguiente modelo de
P. L. E.:
Z m x 2 x1 x2
s. a.: 2 x1 5 x2 17
x1 , x2 enteros
x1 , x2 0
Resolvemos el problema utilizando el mtodo smplex tabular sin tomar
en cuenta las restricciones de que las variables sean enteras. La tabla
ptima se presenta a continuacin:
Paso 1. Buscamos el primer rengln asociado a la variable bsica que

no cumpla con la condicin de ser entera. En este caso es el rengln
asociado a la variable x1. Este rengln representa la ecuacin:
x1 + 2.5x2 + 0.5s1 = 8.5
Paso 2. Se escribe cada coeficiente y constante fraccionarios de la
ecuacin obtenida en el paso 1, como la suma de un entero y una fraccin
positiva entre 0 y 1.
x1 + 2x2 + 0.5x2 + 0.5s1 = 8 + 0.5
242
Escribimos la ecuacin de tal manera que el lado izquierdo contenga

solamente trminos con coeficientes fraccionarios y una constante fraccionaria,
mientras que del lado derecho slo aparezcan nmeros enteros.
0.5x2 + 0.5s1 0.5 = 8 x1 2x2
Paso 3. Hacemos que el lado izquierdo de la igualdad sea mayor o igual
a cero.
0.5x2 + 0.5s1 0.5 > 0
o
0.5x2 + 0.5s1 > 0.5
sta es la nueva restriccin que debemos agregar al modelo.
El nuevo modelo por resolver es el que obtenemos al escribir las
restricciones de la tabla ptima del mtodo smplex, agregando la ltima
restriccin obtenida. La funcin objetivo no cambia:
Z m x 2 x1 x2
s. a.: x1 2.5 x2 0.5 x3 8.5
0.5 x2 0.5 x3 0.5
Modelo 2
x1 , x2 , x3 0
x1 , x2 , x3 enterass
Aqu la variable artificial s1 se renombr como la variable x3.
Resolvemos este problema por mtodo smplex y repetimos los pasos
1 a 3.
La tabla ptima del mtodo smplex asociado al modelo 2 es:
243
Unidad 6
Donde obtenemos la solucin:

x1 = 8
x2 = 0
Z mx = 16
La cual es la solucin ptima entera.
Ejemplo 8
Utilizando el mtodo de Gomory resolver el siguiente modelo de P. L. E.
Z m x 2 x1 x2
s. a.: 2 x1 5 x2 17
5 x1 3 x2 16
x1 , x2 enteros
x1 , x2 0
Paso 1. Resolvemos el problema utilizando el mtodo smplex y tabular
sin tomar en cuenta las restricciones de que las variables sean enteras.
La tabla ptima es:
Paso 2. La solucin es: x1 = 3.20, x2 = 0 con Z = 6.4. Como la variable x1

no es entera entonces continuamos con el mtodo. Buscamos uno de los
renglones asociado a la variable bsica que no cumpla con la condicin de
ser entera. En este caso es el rengln asociado a la variable x1. Este rengln
representa la ecuacin:
x1 + 0.60x2 + 0.2h2 = 3.20
244
Paso 3. Escribimos los coeficientes como una combinacin de un nmero

entero y una parte fraccionaria entre cero y uno.
x1 + 0.60x2 + 0.2h2 = 3 + 0.20
Paso 4. Pasamos todos los coeficientes fraccionarios al lado izquierdo.
0.60x2 + 0.2h2 0.20 = 3 x1
0.60x2 + 0.2h2 0.20 > 0
Paso 5. Escribimos la desigualdad anterior en forma de igualdad al
sumar la variable de supervit y la aadimos a la tabla smplex ptima:
0.60x2 + 0.2h2 + h3 = 0.20
Resolvemos utilizando el mtodo dual smplex:
Regresamos al paso 2.
Paso 2. La solucin obtenida es:
1
1
x1 3, x2 , con Z 18
3
3
245
Unidad 6
La variable x1 ya cumple la condicin de ser entera, pero la variable x2

an no, por lo que volvemos a aplicar el mtodo. Buscamos uno de los
renglones asociado a la variable bsica que no cumpla con la condicin
de ser entera. En este caso es el rengln asociado a la variable x2. Este
rengln representa la ecuacin:
x2 + 0.33h2 1.67h3 = 0.33
Paso 3. Escribimos los coeficientes como una combinacin de un nmero
entero y una parte fraccionaria entre cero y uno.
x2 + 0.33h2 2h3 + 0.33h3 = 0.33
Paso 4. Pasamos todos los coeficientes fraccionarios al lado izquierdo.
0.33h2 + 0.33h3 0.33 = x2 + 2h3
0.33h2 + 0.33h3 0.33 > 0
Paso 5. Escribimos esta desigualdad en forma de igualdad al sumar la
variable de supervit y la aadimos a la tabla smplex ptima.
0.33h2 0.33h3 + h4 = 0.33
Resolvemos utilizando el mtodo dual smplex.
246
La solucin ptima entera que obtenemos es:
x1 = 3
x2 = 0 con Z mx = 6
Realicemos el siguiente ejemplo para ver qu tipo de obstculos podemos
tener al resolver un modelo de P. L. E. con este mtodo.
Ejemplo 9
Resolver el siguiente modelo de P. L. E.:
Z m x 3 x1 4 x2
s. a.: x1 x2 5.5
x2 3.5
x1 , x2 enteros
x1 , x2 0
Resolvemos el modelo por mtodo smplex tabular (sin tomar en cuenta
las restricciones de que las variables tomen valores enteros). La tabla
final se muestra a continuacin:
247
Unidad 6
Paso 1. Buscamos el rengln asociado a la primera variable bsica

que no cumpla con ser entera, en este caso es el segundo rengln,
donde x2 = 3.5. Este rengln representa la restriccin:
x2 + s2 = 3.5
Paso 2. Escribimos cada coeficiente y constante fraccionarios de la
ecuacin obtenida en el paso 1, como la suma de un entero y una fraccin
positiva entre 0 y 1.
x2 + s2 = 3
1
2
Se escribe la ecuacin de tal manera que el lado izquierdo contenga

solamente trminos con coeficientes fraccionarios y una constante
fraccionaria, mientras que del lado derecho slo aparezcan nmeros
enteros:
1
x2 s2 3
2
Paso 3. Hacemos que el lado izquierdo de la igualdad sea mayor o igual
a cero.
1
0
2
En este caso el mtodo no se puede aplicar, ya que esta ltima
desigualdad es falsa, por lo tanto el mtodo no funciona para este
ejemplo.
Esta es la razn de que el mtodo de ramifica y acota se sigue utilizando
aunque involucre ms operaciones.
Tambin podemos hacer uso del mtodo dual smplex como veremos en
el siguiente ejemplo.
248
Ejemplo 10
Resolver el modelo de P. L. E. de costo fijo, obtenido en el ejemplo 1:
Z m x 100 x1 50 x2 20 x3
s. a.: 25 x1 20 x2 10 x3 20 700
x1 50
x2 80
x3 100
xi 0 i 1, 2, 3
xi enteros
La tabla smplex ptima asociada es:
Tomamos el rengln asociado a la variable x1 y aadimos la restriccin:

0.8h2 0.4h3 0.04h4 + h5 = 0.04
La tabla smplex cambia a:
249
Unidad 6
Utilizamos el mtodo dual smplex y obtenemos:
Utilizamos el rengln asociado a la variable x2 y aadimos la

restriccin:
0.5h3 0.05h4 0.75h5 + h6 = 0.05
Usamos el mtodo dual smplex y obtenemos:
Utilizamos el rengln asociado a la variable x3 y aadimos la restriccin:

0.1h4 0.5h5 + h7 = 0.1
Usamos el mtodo dual smplex:
250
Donde obtenemos la solucin entera ptima:

x1 = 724
x2 = 80
x3 = 100 con Z mx = 78 400
Ejercicio 3
1. En el mtodo de Gomory la zona factible se:
a) Reduce.
b) Divide.
c) Rota.
d) Secciona.
2. En el primer paso del mtodo de Gomory seleccionamos la restriccin
con:
a) Coeficientes enteros.
b) Limitantes negativas.
c) Limitantes no enteras.
d) Coeficiente cero.
251
Unidad 5
5.1. Algoritmo en modelos de maximizacin

El primer tipo de modelo que vamos a resolver por el mtodo smplex
es el que tiene como objetivo maximizar a una funcin lineal, la cual
est sujeta a una serie de restricciones de la forma menor igual que. El
modelo tiene la forma:
Z mx c1 x1 c2 x2 cn xn
s. a.: a11 x1 a12 x2 a1n xn b1
a21 x1 a22 x2 a2 n xn b2
# # ##
am1 x1 am 2 x2 amn xn bm
xi 0 i 1, 2, n
Que se representa en forma matricial por:
Z mx = CX
AX < B
X>0
Donde:
C = (c1, c2, ...cn) matriz de costos
A = matriz de coeficientes
B = matriz columna de trminos independientes
X = matriz columna de las variables x1, x2, x3, ..., xn
Algoritmo smplex
1. El primer paso consiste en convertir las desigualdades en igualdades al
sumarles una variable de holgura h. Esta variable representa la cantidad
que le falta a la desigualdad para ser igualdad. Las variables de holgura
son siempre positivas.
a11 x1 a12 x2 a1n xn h1 b1
a21 x1 a22 x2 a2 n xn h2 b2
# # ##
am1 x1 am 2 x2 amn xn hm bm
180
2. Formamos la tabla smplex.
Se construye una tabla como la que se muestra a continuacin:
En la primera celda escribimos la etiqueta variables bsicas,

en la siguiente la etiqueta Z , en la ltima colocamos la etiqueta solucin
y en las intermedias escribimos los nombres de las variables originales,
seguidas de las variables de holgura.
El segundo rengln contiene la funcin objetivo, escrita de

la siguiente manera: Z mxc1x1c2 x2...cnxn 0h10h20h3=0, esto es, se
agregan las variables de holgura h, colocndoles como coeficiente cero
(0 = +0) y despus todas las variables se pasan del lado izquierdo de la
igualdad.
A partir del tercer rengln escribimos cada una de las

restricciones, en la columna de la variable bsica colocamos las variables
que forman la base ortogonal ms simple (las componentes de la matriz
identidad) que corresponden a las variables de holgura:
181
Unidad 5
De esta manera se forma la tabla inicial smplex.

La primera solucin asociada a esta tabla smplex es:
h1 = b1
h2 = b2
...
hm = bm
Z=0
Esta solucin se obtiene al observar que si en la tabla tomamos las
columnas asociadas a las variables bsicas, entonces tenemos la matriz
identidad aumentada. El valor de Z se lee directamente del coeficiente
que est en el rengln de Z, debajo de la columna solucin.
Una vez que obtuvimos la tabla inicial smplex asociada al modelo de P. L.
se contina para encontrar la solucin ptima (si es que existe) o bien
determinar que el problema no tiene solucin ptima.
3. Verificamos si todos los coeficientes asociados al rengln de Z son
mayores o iguales a cero, si es as entonces la solucin en la tabla es
la ptima. Termina. Si no es as, se contina con el proceso.
4. Del conjunto de columnas se toma la que tenga el mayor valor
negativo (nmero menor). sta es la variable que entra al sistema
(pasa a ser bsica) de manera que una variable tiene que salir para dar
paso a la nueva.
5. Se divide el coeficiente de la columna seleccionada entre los elementos
de la columna solucin, de la operacin se selecciona el menor valor
positivo. sta es la variable que sale de la base (pasa a ser no bsica).
Nota. Las divisiones entre cero o entre nmeros negativos no se
toman en cuenta. Si todas son negativas o indeterminadas el problema
no tiene solucin. Termina.
6. La celda que se encuentra en la interseccin de la columna
seleccionada con el rengln seleccionado contiene al que llamaremos
elemento pivote, por medio de operaciones elementales entre
columnas el elemento pivote se convierte en 1 y sus elementos
restantes en su columna en ceros; se obtiene una nueva columna
componente de matriz identidad.
182
7. Se repite el proceso desde el paso 3 operando sobre matrices.

Para entender mejor el algoritmo vamos a resolver el siguiente modelo de P. L.
Ejemplo 1
Z m x 3 x1 5 x2
s. a.: 3x1 2 x2 18
x1 4
x2 6
x1 , x2 0
1. Lo primero es sumar a cada una de las desigualdades una variable de
holgura, lo cual nos permite escribir:
Z mx 3 x1 5 x2
s. a.: 3 x1 2 x2 h1 18
x1 h2 4
x2 h3 6
x1 , x2 , h1 , h2 , h3 0
2. Creamos la tabla smplex:
El segundo rengln contiene la funcin objetivo, escrita como:

Z mx 3x1 5x2 0h1 0h2 0h3 = 0
183
Unidad 5
A partir del tercer rengln escribimos cada una de las restricciones, en la

columna de las variables bsicas colocamos las variables de holgura que
aparecen en las restricciones:
Funcin objetivo
Primera restriccin
Segunda restriccin
Tercera restriccin
De la tabla smplex inicial, la solucin asociada es:
h1 = 18
h2 = 4
h3 = 6
Z=0
Esta solucin se obtiene al tomar slo las columnas asociadas a las
variables bsicas y los trminos independientes que forman una matriz
identidad aumentada:
184
3. Observamos que los coeficientes de x1 y x2 en el rengln Z son

negativos. Se tendr la solucin ptima cuando los valores en Z sean
todos positivos.
4. Seleccionamos la columna que tiene como coeficiente a 5, ya que es
el mayor valor negativo. Entrar la variable x2 a formar parte de la base.
5. Realizamos la divisin de los elementos de la columna solucin entre
los elementos de la columna seleccionada y se elige el valor menor.
El menor de los resultados positivos es 6, por lo tanto la variable que sale

es h3.
6. El elemento pivote es 1 por lo tanto su inverso multiplicativo es 1.
Multiplicamos R3 1 y el resultado lo escribimos en una nueva tabla.
7. Ahora se toma el elemento pivote para hacer cero los coeficientes de su

misma columna. Empezamos con R0. El coeficiente de este rengln en la
columna seleccionada es 5, por lo tanto su inverso aditivo es 5, entonces
multiplicamos R3 (actual) por 5 y el resultado se lo sumamos a R0.
185
Unidad 5
Este resultado lo escribimos en la nueva tabla.
Continuamos con el rengln R1, el cual tiene como coeficiente 2, su

inverso aditivo es 2. Multiplicamos R3 por 2 y el resultado se lo
sumamos a R1.
Como R2 ya tiene como coeficiente cero en la columna seleccionada,

simplemente se transcribe a la nueva tabla:
8. sta es la tabla smplex que se obtiene despus de una iteracin. La

solucin asociada a esta tabla es:
h1 = 6
h2 = 4
x2 = 6
Z = 30
186
Regresamos al punto 1.
3. El coeficiente asociado a la columna de x1 es negativo, por lo tanto la
solucin actual no es ptima y pasamos al punto 2.
4. La columna de x1 es la nica con coeficiente negativo en R0, por lo
tanto, sta es la variable que pasar a formar parte de la base.
5. Realizamos la divisin de los elementos de la columna solucin entre
los elementos de la columna seleccionada.
El menor de los resultados positivos es 2, por lo tanto la variable que sale

es h1.
6. El elemento pivote es 3, para convertirlo en 1 multiplicamos por su
inverso multiplicativo que es 1/3. Multiplicamos R1 (1/3) y el resultado lo
escribimos en una nueva tabla:
7. Usamos el elemento pivote 1 para hacer cero los coeficientes que estn
arriba y debajo de l. Empezamos con R0. El coeficiente de este rengln en
la columna seleccionada es 3, por lo tanto su inverso aditivo es 3, entonces
multiplicamos R1 (actual) por 3 y el resultado se lo sumamos a R0.
187
Unidad 5
Continuamos con el rengln R2, el cual tiene como coeficiente 1, su inverso

aditivo es 1. Multiplicamos R1 por 1 y el resultado se lo sumamos a R2.
Este resultado lo escribimos en la nueva tabla:
Como R3 ya tiene como coeficiente cero en la columna seleccionada,

simplemente se transcribe a la nueva tabla.
8. Esta es la tabla smplex que se obtiene despus de la segunda iteracin.

La solucin asociada a esta tabla es:
x1 = 2, h2 = 2, x2 = 6, Z = 36, h1 = h3 = 0 (por tener valores mltiples).
188
Regresamos al punto 1.
Como todos los coeficientes del rengln R0 son positivos, entonces hemos
llegado a la solucin ptima del problema donde el valor de z mxima es 36.
Ejercicio 1
Selecciona la respuesta que completa de manera correcta los siguientes
enunciados:
1. Para poder convertir una desigualdad de la forma menor o igual que
en una igualdad, se debe sumar una variable de:
a) Supervit.
b) Holgura.
c) Complementaria.
d) Global.
2. La solucin del mtodo smplex es ptima si todos los coeficientes del
rengln asociado con la funcin objetivo en la tabla smplex son:
a) Cero.
b) Negativos.
c) Positivos.
d) Mayores o iguales a cero.
3. La variable que entra a formar parte de la base es la que en el rengln
asociado con la funcin objetivo en la tabla smplex tiene el coeficiente:
a) Positivo.
b) Cero.
c) Menor negativo.
d) Mayor negativo.
4. Para hacer 1 el elemento pivote, multiplicamos por:
a) Su inverso aditivo.
b) El elemento neutro.
c) El mismo.
d) Su inverso multiplicativo.
189
Unidad 5
5. Los elementos que estn arriba y abajo del elemento pivote deben
convertirse en:
a) Positivos.
b) Negativos.
c) Cero.
d) Uno.
6. Resolver por mtodo smplex el siguiente modelo de P. L.
Z m x 5 x1 4 x2
s. a.: 6 x1 4 x2 24
x1 2 x2 6
x2 2
x1 , x2 0
5.2. Soluciones bsicas factibles

La forma de trabajar del mtodo smplex puede variar en relacin con
otras lecturas del rea, pero los resultados de optimizacin tendrn que
ser siempre iguales para un mismo problema sin importar el mtodo.
En este libro tratamos que la enseanza del algoritmo smplex sea lo ms
natural posible, partiendo desde la elaboracin de la tabla inicial hasta
la localizacin de las variables bsicas entrantes y salientes, as como la
interpretacin de los resultados de la ltima tabla.
En la seccin anterior aprendimos el algoritmo del mtodo smplex, el
cual es una herramienta poderosa para resolver modelos de programacin
lineal. En esta seccin explicamos cmo es que este mtodo encuentra la
solucin ptima.
Lo primero es escribir las restricciones del modelo en forma de
igualdades (sumamos las variables de holgura). Esto se hace porque la
solucin del modelo (si es que existe) siempre est en un vrtice del
polgono de soluciones factibles, el cual se forma como la interseccin
de n restricciones (n es el nmero de variables del modelo).
190
Al convertir todas las restricciones en igualdades, se tiene un sistema

de n+m variables con m ecuaciones (m es el nmero de restricciones sin
tomar en cuenta las de no-negatividad).
a11 x1 a12 x2 " a1n xn h1
a21 x1 a22 x2 " a2 n xn h2
#
#
#
#
am1 x1 am 2 x2 amn xn hm
b1
b2
#
bm
(1)
Los vrtices representan las soluciones del sistema anterior. El inconveniente

es que como en general n+m > m, entonces el sistema tiene una infinidad
de soluciones, ya que tenemos n grados de libertad. Para resolver este
problema se divide a las variables en dos grupos:
Variables no bsicas. De las n+m variables se toman n y se les asigna el
valor cero.
Variables bsicas. El resto de las variables (m) se determinan al resolver
el sistema que se obtiene al sustituir el valor de las variables no bsicas
en el sistema (1).
Observamos que existen varias combinaciones para seleccionar cules
de las variables van a ser bsicas y cules no bsicas. Dependiendo de
la combinacin que tomemos es el vrtice que encontramos, algunos
de estos vrtices pueden ser factibles (caen dentro de la regin factible),
no factibles (si alguna o algunas de las variables bsicas tienen solucin
menor a cero) o bien puede ser que el sistema no tenga solucin. De los
vrtices factibles debemos seleccionar aquel que optimice el valor de la
funcin objetivo.
Realicemos un ejemplo para comprender mejor estas ideas.
191
Unidad 5
Ejemplo 2
Tomemos el modelo del ejemplo 1 que resolvimos en la seccin anterior.
Z m x 3 x1 5 x2
s. a.: 3 x1 2 x2 18
x1 4
x2 6
x1 , x2 0
El grupo de restricciones sin tomar en cuenta las de no negatividad son:
3x1+2x2 < 18
x1 < 4
x2 < 6
Escritas en forma de igualdad son:
3x1 + 2x2+h1 = 18
x1 + h 2 = 4
x2 + h3 = 6
Este es un sistema de ecuaciones con 5 variables (2 del modelo y 3 de
holgura) y 3 ecuaciones (n = 5, m = 3), por lo tanto tenemos 53 = 2
grados de libertad. Esto quiere decir que tenemos 3 variables bsicas y 2 no
bsicas. Debemos seleccionar dos variables no bsicas y determinar el
valor de las bsicas al resolver un sistema de 3 por 3. El nmero de
combinaciones para seleccionar el acomodo de las variables est dado
por la frmula:
5!
10
5 C2
2!(5 2)!
Estas combinaciones son:
192
Al tomar la primera opcin tenemos que x1 = 0 y x2 = 0, si sustituimos

estos valores en el sistema de ecuaciones obtenemos:
3(0) + 2(0) + h1 = 18
(0) + h2 = 4
(0) + h3 = 6
Al simplificar se tiene un sistema de tres ecuaciones con tres incgnitas
cuya solucin se obtiene de manera inmediata.
h1 = 18
h2 = 4
h3 = 6
sta es una solucin factible, ya que todas las variables son mayores o
iguales a cero. La solucin completa es:
x1 = 0, x2 = 0, h1 = 18, h2 = 4, h3 = 6
Evaluamos la funcin objetivo en esta solucin y obtenemos:
Z mx=3x1+5x2
Z=3(0)+5(0)
Z=0
Esta solucin es justamente con la que empezamos el mtodo smplex al
formar la tabla inicial.
Al tomar las siguientes combinaciones, obtenemos los otros vrtices de

la regin de soluciones factibles. En la siguiente tabla se resumen estos
resultados.
193
Unidad 5
De la tabla nos damos cuenta que el mximo valor de Z se alcanza en la

combinacin h1= 0, h3= 0, x1= 2, x2= 6, h2= 2 con Z = 36. Esta solucin
coincide con la del mtodo de tablas:
El algoritmo del mtodo smplex por tablas tiene la ventaja de que

no analiza todas las combinaciones, ya que empezando por una
combinacin cuya solucin sea factible, slo pasa por las combinaciones
que den soluciones factibles y siempre mejorando o manteniendo el
valor de la funcin objetivo.
Lo ms importante del mtodo smplex por tablas es empezar con una
tabla que contenga una solucin bsica factible; si el modelo tiene todas
las restricciones de la forma menor igual que, las variables de holgura
nos proporcionan una solucin inicial factible, sin embargo, si una o
varias de las restricciones son de la forma mayor igual que, tenemos
que buscar tcnicas que nos permitan obtener una solucin inicial bsica
factible. Una de estas tcnicas es ocupando el problema dual, el cual
vamos a estudiar en la siguiente seccin.
194
Unidad 5
5.3. Mtodo smplex primal-dual

Todo problema de programacin lineal de maximizacin tiene asociado
un problema de P. L. de minimizacin llamado dual y viceversa. Los dos
problemas se construyen a partir del mismo problema real, slo que si en
uno de ellos el objetivo es maximizar las utilidades, en el otro el objetivo
es minimizar los costos y como resultado el valor de la funcin objetivo de
ambos problemas coincide, es decir, Zmx=Zmn en las soluciones ptimas.
Esto significa que hay un equilibrio entre utilidad y costo.
El estudio del problema dual se realiza con dos objetivos:
Si tenemos un modelo de P. L. cuyo objetivo es minimizar

(con restricciones de la forma mayor igual que) llamado modelo
primal, entonces el modelo dual asociado ser de maximizacin (con
restricciones de la forma menor igual que), el dual se resuelve por el
algoritmo descrito en la seccin anterior. La solucin ptima del modelo
dual estar en el valor de las variables de holgura del primal donde se
cumple que Z mx=Z mn .
Al resolver el problema dual obtenemos un anlisis de

sensibilidad del modelo calculando los precios sombra.
5.3.1. Tabla primal-dual

Si el problema primal es de maximizacin, se utiliza el algoritmo
descrito directamente. Pero si el modelo por resolver es de minimizacin
se utiliza la llamada tabla primal-dual para trasladar el problema a
maximizacin y volver al uso del mismo algoritmo.
Si tenemos el modelo primal de minimizacin:
196
Z m n c1 x1 " cn xn
s. a.: a11 x1 " a1n xn b1
a21 x1 " a2 n xn b2
(2)
# # #
am1 x1 " amn xn bm
xi 0 i 1, 2, ...n
Definimos el modelo dual asociado con el modelo (2), como el modelo
de programacin lineal que tiene como objetivo maximizar la funcin
objetivo (todas sus restricciones son de la forma menor o igual que):
Z m x b1 y1 " bm ym
s. a.: a11 y1 " am1 ym c1
a12 y1 " am 2 ym c2
(3)
# # #
a1n y1 " amn ym cn
yi 0 i 1, 2, ...m
Observamos que si el modelo dual tiene m variables y n restricciones
(sin incluir las de no negatividad), entonces el modelo primal tiene
n variables y m restricciones. Las variables y1 son las variables del
problema dual.
Para formar la tabla primal-dual se procede como sigue:
El tamao de la tabla es de m + 2 renglones y n + 2 columnas. (m nmero
de variables y n nmero de restricciones).
1. La celda de la esquina superior izquierda se divide en dos con una
diagonal, en la parte superior escribimos la palabra primal (mn) y en
la parte inferior dual (mx).
2. En la celda de la esquina superior derecha se escribe el smbolo >,
mientras que en la primera columna del ltimo rengln se escribe el
smbolo <.
197
Unidad 5
3. En la primera columna a partir del segundo rengln se escriben los

nombres de las variables del problema dual (m).
4. En el primer rengln se escriben los nombres de las variables del
problema primal (n).
5. Se escriben los coeficientes de la funcin objetivo del modelo dual en

la ltima columna.
6. Se escribe cada una de las restricciones del problema dual en forma
vertical, ocupando las columnas de la tabla.
7. En el ltimo rengln se escriben las cantidades limitantes de las
restricciones del modelo primal.
8. De esta tabla podemos obtener el modelo dual, lo nico que debemos
hacer es leer el modelo de manera vertical y los coeficientes de la
funcin objetivo se obtienen de la ltima columna.
Ejemplo 3
Resolver el siguiente modelo de P. L.:
Z m n 4 x1 x2 x3
s. a.: 2 x1 x2 2 x3 4
3 x1 3 x2 x3 3
x1 , x2 , x3 0
198
Como no tenemos descrito un procedimiento de solucin para modelos

de minimizacin usamos una tabla primal-dual para obtener el
modelo de maximizacin asociado y resolvemos por el mtodo visto
anteriormente.
Creamos la tabla primal-dual, con el procedimiento descrito:
De esta tabla podemos obtener el modelo dual, lo nico que debemos

hacer es leer el modelo de manera vertical y la funcin objetivo se
obtiene de la ltima columna, es decir:
Ym x 4 y1 3 y2
s. a.: 2 y1 3 y2 4
y1 3 y2 1
2 y1 y2 1
yi 0 i 1, 2
Este es el problema dual asociado al problema primal. Existe una relacin
importante entre los dos modelos, la ltima tabla smplex de solucin del
modelo dual proporciona la solucin del primal, debido a la propiedad
de soluciones complementarias, la cual damos a continuacin.
Propiedad de soluciones complementarias
En cada iteracin el mtodo smplex identifica simultneamente
una solucin bsica factible para el modelo primal y una solucin
complementaria para el modelo dual (que se encuentra en el primer
rengln de la tabla smplex, como los coeficientes de las variables
artificiales).
Esto quiere decir que los valores de las variables xi del modelo primal
son los valores que se encuentran en el rengln R0 en las columnas de las
variables de holgura de la tabla smplex del modelo dual.
199
Unidad 5
Ejemplo 4
Continuando con el ejemplo 3 de la seccin anterior, el modelo que se
obtiene al sumar las variables de holgura es:
Ym x 4 y1 3 y2
s. a.: 2 y1 3 y2 h1 4
y1 3 y2 h2 1
2 y1 y2 h3 1
yi 0 h j 0 i 1, 2 j 1, 2, 3
La tabla inicial que obtenemos es:
Funcin objetivo
Primera restriccin
Segunda restriccin
Tercera restriccin
La tabla despus de la primera iteracin es:
La tabla despus de la segunda iteracin es:
200
sta ya es la tabla ptima, la cual tiene como solucin del problema dual
la siguiente:
y1 = 0.40
y2 = 0.20
Z mx = 2.20
Sin embargo, nuestro inters est en la solucin del problema primal de
minimizacin, la cual obtenemos del rengln R0, al tomar los coeficientes
de las variables de holgura, es decir:
x1 = h1 = 0
x2 = h2 = 0.40
x3 = h3 = 1.80
Al sustituir en la funcin objetivo, tenemos:
Z mn = 4x1+x2+x3
Z mn = 4(0)+0.40+1.80
Z mn = 2.20
Se comprueba que efectivamente la funcin objetivo del problema dual
tiene el mismo valor que la funcin objetivo del primal.
Ejemplo 5
Obtener la solucin ptima del siguiente modelo de P. L.
Z m n x1 x2 3x3 2 x4
s. a.: x1 2 x2 4 x3 8
x1 3 x3 x4 10
3 x2 4 x3 x4 7
x1 , x2 , x3 , x4 0
Lo primero es formar la tabla primal-dual, asociada con el modelo:
201
Unidad 5
De esta tabla obtenemos el modelo dual, el cual es:

Z m x 8 y1 10 y2 7 y3
s. a.: y1 y2 1
2 y1 3 y3 1
4 y1 3 y2 4 y3 3
y2 y3 2
y1 , y2 , y3 0
Resolvemos este modelo por el mtodo smplex (ya no escribimos
detalles). La tabla inicial es:
La tabla ptima es:
La solucin del primal es:

x1 = h1 = 4.75
x2 = h 2 = 0
x3 = h3 = 1.75
x4 = h4 = 0
Z mn = 10
202
5.5. Maximizacin y Minimizacin

(cambios en la funcin objetivo)
Es posible transformar un problema de maximizar a uno de minimizar y
viceversa. Para ello analicemos lo siguiente:
Supongamos que queremos encontrar el mximo del siguiente conjunto
de nmeros:
mx{1, 3, 5, 7}
Sabemos que el mximo es 7. Ahora multipliquemos los elementos del
conjunto por 1, nos queda entonces el conjunto:
{1, 3, 5, 7}
Si buscamos el mnimo de este nuevo conjunto obtenemos que es 7.
Esto quiere decir que el mx{1, 3, 5, 7} = (mn{1, 3, 5, 7}), por
lo tanto si queremos cambiar el objetivo de un modelo de P. L. se hace lo
siguiente:
1. Se multiplica la funcin objetivo por 1.
2. Se cambia el objetivo de la funcin.
3. Se resuelve el modelo.
4. Se multiplica el valor de Z ptimo por 1 y ste es el valor del
modelo original.
Ejemplo 7
Hallar la solucin ptima del siguiente modelo de P. L.
Z m n 5 x1 10 x2
s. a.: 4 x1 2 x2 10
3 x1 8 x2 16
x2 5
x1 , x2 0
209
Unidad 5
Este modelo tiene todas las desigualdades de la forma menor igual que,
por lo tanto, parece que lo podemos resolver por mtodo smplex, sin
embargo, el objetivo de la funcin es minimizar. Para transformar el
problema multiplicamos la funcin objetivo por 1.
1(Z mn= 5x110x2)
Z mx= 5x1+10x2
Con este cambio nos queda el modelo:
Z m x 5 x1 10 x2
s. a.: 4 x1 2 x2 10
3 x1 8 x2 16
x2 5
x1 , x2 0
Este modelo ya lo podemos resolver por el mtodo smplex. La tabla
inicial es:
La tabla final es:
Donde obtenemos la solucin:

x1 = 0
x2 = 2
Z mx = 20
210
Para obtener el valor de Z multiplicamos por 1 de manera que la solucin

ptima es
x1 = 0
x2 = 2
con Z mn = 20
Ejercicio 5
Resolver los siguientes modelos utilizando la tcnica vista en esta
seccin.
Z m n 3 x1 8 x2 x3
1.
s. a.: x1 x2 3 x3 10
3 x1 x2 7 x3 15
x2 x3 20
x1 , x2 , x3 0
2.
Z m x 5 x1 7 x2 x3
s. a.: 2 x1 4 x2 8
x2 x3 10
x1 , x2 , x3 0
Resumen
En esta unidad aprendimos el mtodo smplex y algunas de sus variantes,
en la siguiente tabla describimos las caractersticas que puede tener un
modelo y el mtodo ms recomendado para su solucin:
211
5. Hallar la primera solucin factible y el valor de Z para el siguiente

ejemplo, utilizando el mtodo de la esquina noroeste.
6. Hallar la primera solucin factible y el valor de Z para el modelo

anterior, utilizando el algoritmo de Vogel.
7.4. Mtodo Modi

La tcnica de la esquina noroeste tiene el inconveniente de que tenemos
que analizar todas las trayectorias posibles que se pueden formar a partir
de las celdas no bsicas (trayectorias no empleadas en la solucin).
El mtodo Modi tambin calcula costos marginales pero slo se busca
la trayectoria asociada a la variable no bsica que va a entrar al sistema.
Los pasos hacia la solucin ptima se presentan a continuacin.
Paso 1. Se calcula una solucin inicial factible, por cualquiera de los
mtodos presentados anteriormente
Paso 2. Calculamos los valores de los multiplicadores ui y vj. Asociamos
los multiplicadores ui y vj con el rengln i y la columna j de la
tabla de transporte. Para cada variable bsica xij de la solucin
actual, los multiplicadores ui y vj deben satisfacer la ecuacin
siguiente:
ui + vj = cij
De esta manera obtenemos m + n 1 ecuaciones con m + n
incgnitas. Los valores de los multiplicadores se pueden determinar
a partir de estas ecuaciones suponiendo un valor arbitrario para
cualquiera de los multiplicadores y resolviendo las m + n 1
multiplicadores desconocidos restantes.
285
Unidad 7
Paso 3. Calcular los costos marginales asociados con las variables no

bsicas. Esto lo hacemos utilizando la siguiente frmula:
c. m. = cij ui vj
Paso 4. Si todos los costos marginales no son negativos, entonces la
solucin actual es ptima, parar y salir. Si no, continuar.
Paso 5. Seleccionamos la celda con el mayor valor negativo en costo
marginal, creamos un circuito y hacemos que esta variable
no bsica pase a ser bsica, y que una bsica pase a ser no
bsica. El circuito empieza y termina en la variable no bsica
designada. ste consta de segmentos sucesivos horizontales y
verticales cuyos puntos extremos deben ser variables bsicas,
salvo para los puntos extremos que estn asociados con la
variable que entra. Esto significa que todo elemento de esquina
del ciclo debe ser una celda que contenga una variable bsica.
Paso 6. Ajustamos el valor de las variables bsicas para satisfacer las
restricciones de oferta y demanda. Asignamos a la variable
no bsica la cantidad y movindonos sobre los vrtices del
circuito en el sentido de las manecillas del reloj, vamos restando
y sumando (a la primera celda se le resta, a la segunda se
le suma, a la tercera se le resta, etc.) la cantidad al valor
asignado a cada una de las celdas, hasta regresar a la celda de
la variable no bsica. Para determinar el valor de debemos
recordar que el valor de las variables xij debe ser mayor o igual
a cero, por lo tanto le asignamos a el mximo valor posible,
de tal manera que ninguna de las variables xij sea negativa.
Ejemplo 6
Resolver el problema de la fbrica de computadoras (ejemplo 4), que
tiene la tabla inicial siguiente.
286
La primera solucin factible utilizando el mtodo de la esquina noroeste es:
El costo de esta solucin es $772 500. Aumentamos una columna para

la variable ui y una fila para la variable vj. Le asignamos el valor 0 a la
variable u2 = 0
Para las celdas bsicas utilizamos la ecuacin: cij ui vj = 0
Sustituyendo el valor de u2 = 0 y resolviendo el resto de las ecuaciones

obtenemos los valores de las ui y las vj. Estos valores los sustituimos en
la tabla.
287
Unidad 7
Calculamos los costos marginales de cada una de las celdas no bsicas

utilizando la ecuacin: c. m. = cij ui vj
Escribimos estos datos en la tabla:
Como el costo marginal de la celda (2, 1) es negativo la solucin actual

no es ptima. Partiendo de esta celda construimos una trayectoria. En la
celda (1, 1) colocamos un signo ( ), en la celda (1, 2) un signo ( + ) y en
la celda (2, 2) un signo ( )
Asignamos a la celda (2, 1) la cantidad, a la celda (1, 1) debemos

restarle la cantidad para cumplir con la demanda, a la celda (1, 2) le
288
sumamos para no afectar la oferta de la fila uno y finalmente a la celda

(2, 2) le restamos . Como todas las asignaciones deben ser mayores o
iguales a cero, obtenemos las siguientes desigualdades:
> 0
2 500 > 0
500 + > 0
2 250 > 0
El mximo valor de que satisface todas las desigualdades es 2 250.

Al realizar los ajustes en cada una de las celdas obtenemos la siguiente
solucin:
El costo de esta nueva solucin es $682 500, por lo tanto, esta solucin es
mejor, para determinar si es la ptima calculamos el valor de las variables
ui y vj y los costos marginales asociados a cada una de las celdas no
bsicas. La informacin completa se presenta en la siguiente tabla.
Por lo tanto, como todos los costos marginales son positivos esta solucin
es la ptima. El valor de las variables bsicas es:
x11 = 250, x12 = 2 750, x21 = 2 250, x23 = 1 750 con un costo mnimo de
$682 500.
289
Unidad 7
Ejercicio 4
1. La variable que entra en el sistema es la que tiene el costo marginal:
a) Ms positivo.
b) Ms negativo.
c) Cero.
d) Uno.
2. La solucin actual es ptima si los costos marginales son:
a) Mayores a cero.
b) Menores a cero.
c) Negativos.
d) No negativos.
3. Una trayectoria incluye slo una celda:
a) Positiva.
b) Bsica.
c) No bsica.
d) Por fila.
4. Para calcular el costo marginal de las celdas no bsicas utilizamos la
ecuacin:
a) c. m. = cij ui vj
b) c. m. = cij + ui vj
c) c. m. = cij ui + vj
d) c. m. = cij + ui + vj
5. Hallar la solucin ptima del siguiente modelo de transporte, utilizando
la tcnica de Modi:
290
Introduccin
a globalizacin de los mercados ha permitido que las empresas

manufactureras puedan emplear los insumos de regiones o pases
donde stos tienen ms poder econmico; de tal forma que cuando
el producto est terminado, nos damos cuenta que ha requerido de partes
hechas en pases asiticos, que la mano de obra para el ensamblado es
latinoamericana y la publicidad se hizo en Estados Unidos. Esta situacin
plantea desafos cada vez mayores. Por un lado requiere de sistemas
de comunicacin y de manejo de grandes volmenes de informacin
giles y rpidos; por otro, necesita contar con esquemas de logstica que
abatan los costos de envo, as como medios de transporte cada vez ms
econmicos, seguros y puntuales.
El modelo de transporte de la P. L. tiene que ver con situaciones como
las antes descritas. El objetivo es encontrar el costo mnimo de envo de
una cantidad determinada de productos desde ciertos puntos geogrficos
llamados orgenes, hasta los puntos de distribucin llamados destinos.
Histricamente el problema de transporte data de 1941, cuando F. L.
Hitchcook present un estudio titulado The distribution of a product
from several source to numerous localities, que se considera el primer
trabajo realizado que aborda el problema de transporte.
Iniciamos la presente unidad definiendo las partes componentes del
modelo general de transporte, continuamos con la construccin de un
esquema descriptivo y las tablas asociadas al modelo de transporte
que usaremos para obtener la solucin ptima del problema, aplicando
alguna de las tres tcnicas ms conocidas:
Esquina noroeste.
Vogel.
Modi.
Presentamos el algoritmo para llegar a la solucin ptima del problema,

si es que esta existe. En la actualidad, el mtodo Modi es el ms usado
para resolver problemas de transporte.
263
Unidad 7
7.1. Definicin del modelo de transporte

En la industria constantemente se presenta el problema de trasladar
productos desde los centros de produccin hasta los centros de
distribucin, esto genera un costo, que incrementa el precio de venta;
costo que buscamos reducir.
Para desarrollar el modelo suponemos que conocemos los costos unitarios
de transporte desde cada una de las plantas a cada uno de los centros
de distribucin, adems de la oferta y la demanda en cada centro
(determinar de dichos costos queda fuera del objetivo de este libro).
El objetivo que perseguimos es minimizar los costos asociados con el
transporte.
Las variables de decisin las denotaremos por xij, la cual nos indica el
nmero de bienes que sern transportados del origen i al destino j.
Si adems, cij son los costos por unidad trasladada del origen i al destino
j, entonces la funcin que representa los costos de transporte de todas
las unidades se calcula sumando el producto del costo unitario por el
nmero de unidades transportadas desde cada uno de los orgenes a cada
uno de los destinos, es decir:
m
Z m n cij xij
i 1 j 1
Las restricciones asociadas con el modelo son:
La oferta de cada una de las fuentes:

n
x
j 1
ij
La demanda de cada uno de los centros de distribucin:

m
x
i 1
264
ai i 1, 2, m
ij
b j j 1, 2, n
Para el modelo matemtico suponemos que existe equilibrio entre la

oferta y la demanda, condicin que escribimos matemticamente como:
m
i 1
j 1
ai b j
Si ste no es el caso, debemos agregar un origen artificial, el cual
va a producir la cantidad de bienes que haga falta para cubrir la
demanda faltante, o bien, si es mayor la oferta, se crea un destino
artificial que absorba el excedente de la oferta. En ambos casos los
costos de transporte asociados con estos orgenes o destinos ficticios
es cero. Veremos ejemplos relacionados con lo anterior en la seccin de
problemas desbalanceados.
Condiciones de no negatividad:
xij > 0 i = 1, 2,... m
j = 1, 2, n
Finalmente, el modelo de trasporte en su forma general lo podemos

escribir como:
Zm n
n
x
j 1
ij
x
i 1
ij
c x
i 1 j 1
ij ij
ai i 1, 2, m
b j j 1, 2, n
xij > 0 i = 1, 2,... m
j = 1, 2, n
Con el propsito de aclarar esto analizaremos el siguiente ejemplo:
Ejemplo 1
Obtn el modelo de transporte asociado con el siguiente problema.
Una empresa dedicada a la fabricacin de automviles tiene dos
265
Unidad 7
plantas armadoras, una en Guadalajara y otra en Oaxaca. La planta de

Guadalajara dispone de 5 000 automviles listos para su distribucin,
mientras que la de Oaxaca cuenta con 3 500. La empresa tiene tres
centros de distribucin, mismos que atienden a todas y cada una de las
agencias comercializadoras de esta marca de automviles. Uno de estos
centros de distribucin se encuentra en la Ciudad de Mxico, otro en
Monterrey y el tercero en Mrida. Por la experiencia de aos anteriores,
se estima que la demanda por automviles de cada uno de estos centros
es de 4 000, 3 000 y 1 500, respectivamente. Por otro lado, sabemos que
los costos de envo por cada unidad entre las plantas armadoras y las
agencias distribuidoras son:
El gerente de distribucin de la compaa desea saber de qu armadora

a qu distribuidora debe enviar los automviles, de tal forma que los
costos de envo sean mnimos.
Iniciaremos el planteamiento del problema mediante su representacin
esquemtica:
Figura 7.1. Diagrama de transporte que representa los orgenes y los

destinos.
266
La variable xij representa el nmero de unidades que se envan del origen

i-simo al destino j-simo. Como slo son dos plantas armadoras i = 1, 2
que mandan sus unidades a tres distribuidoras, por lo que j = 1, 2, 3.
Si adems, cij son los costos por unidad trasladada del origen i al destino
j, entonces la funcin que representa los costos de transporte de todas las
unidades estar dada por la expresin:
2
c x
i 1 j 1
ij ij
100 x11 50 x12 300 x13 120 x21 200 x22 180 x23
Las restricciones asociadas con el problema son:

El nmero de unidades (ai) que se puede enviar desde las dos plantas
armadoras a los tres centros de distribucin debe ser igual a 8 500.
Asimismo, el nmero de unidades (bj), que deben recibir las distribuidoras
tambin debe ser de 8 500.
2
a
i 1
5 000 3 500 8 500
4 000 3 000 1 500 8 500
b
j 1
El nmero de automviles enviados desde cada una de las plantas

armadoras hasta los tres centros de distribucin (xij) debe cumplir con
las limitantes:
3
x
j 1
1j
x
j 1
2j
x11 x12 x13 5 000

x21 x22 x23 3 500
Por su parte las restricciones de demanda que tiene cada una de las
distribuidoras se expresan mediante las igualdades:
267
Unidad 7
x11 x21 4 000
i1
i 1
2
i2
i 1
2
i3
i 1
x12 x22 3 000

x13 x23 1 500
Reuniendo la funcin objetivo y restricciones, el problema de transporte

adopta la forma:
Z m n 100 x11 50 x12 300 x13 120 x21 200 x22 180 x23
s.a.:
2
a
i 1
5 000 3 500 8 500
4 000 3 000 1 500 8 500
b
j 1
3
x
j 1
1j
x
j 1
2j
x
i 1
i1
x
i 1
i2
x
i 1
i3
x11 x12 x13 5 000

x21 x22 x23 3 500
x11 x21 4 000
x12 x22 3 000
x13 x23 1 500
xij 0 con i = 1, 2 y j = 1, 2, 3
268
Ejemplo 2
Obtn el modelo de transporte asociado con el siguiente problema.
Una fbrica de computadoras tiene 2 plantas ensambladoras, la primera
en Guadalajara y la segunda en Toluca. La oferta mensual de cada una de
ellas es: 3 000 y 4 000, respectivamente. Se tiene un pedido por parte del
gobierno federal de 7 000 computadoras que deben ser entregadas a ms
tardar en un mes. La siguiente tabla indica el nmero de computadoras
requeridas y el lugar donde deben ser entregadas.
El ingeniero del rea de entrega estima que los costos de transporte

por unidad de cada una de las plantas a cada uno de los destinos es el
siguiente:
Con esta informacin queremos hallar la combinacin que minimiza los

costos de transporte, es decir, debemos decidir cuntas computadoras
de cada una de las plantas deben ser transportadas a cada uno de los
destinos, de tal manera que el costo total de transporte sea mnimo.
Podemos proporcionar una representacin en red del problema, lo
cual nos ayudara significativamente a comprenderlo. Colocamos dos
columnas de crculos, la columna alineada a la izquierda representa cada
una de las plantas productoras (fuentes), mientras que la columna de
la derecha representa cada uno de los destinos; dentro de cada crculo
se coloca la cantidad de oferta o demanda, segn corresponda. Las
flechas indican las diferentes conexiones que se pueden realizar, el costo
se coloca sobre esta flecha. A continuacin presentamos el esquema
asociado con el ejemplo.
269
Unidad 7
Para el ejemplo, el modelo de transporte es:

Z m n 50 x11 150 x12 80 x13 60 x21 200 x22 70 x23
s. a: x11 x12 x13 3 000
x21 x22 x23 4 000
x11 x21 2 500
x12 x22 2 750
x13 x23 1 750
xi , j 0 i 1, 2 j 1, 2, 3
7.1.1. El modelo de transporte

como caso especial de P. L.
Los modelos de transporte tienden a incluir una gran cantidad de
variables y restricciones, lo que hace que su solucin, usando el mtodo
smplex con tablas, requiera una gran cantidad de memoria y operaciones
computacionales. Por este motivo se han buscado mtodos alternos que
aprovechan que varias entradas de la tabla son cero.
270
Ejemplo 3
Construir la tabla inicial asociada con el siguiente modelo de transporte
(ejemplo 2):
Z m n 50 x11 150 x12 80 x13 60 x21 200 x22 70 x23
s. a: x11 x12 x13 3 000
x21 x22 x23 4 000
x11 x21 2 500
x12 x22 2 750
x13 x23 1 750
xi , j 0 i 1, 2 j 1, 2, 3
Si formamos la tabla smplex inicial de este modelo de transporte como
modelo de programacin lineal, sin considerar variables de holgura,
obtenemos lo siguiente:
Nos damos cuenta de que la mayora de las entradas de la tabla son ceros.
El resto de las entradas son unos, con excepcin de las entradas de la
funcin objetivo. Este tipo de tabla hace necesario que se busque un
mtodo alterno ms eficiente para resolver este modelo y que tome en
cuenta las caractersticas particulares del modelo de transporte.
271
Unidad 7
7.1.2. Tabla y algoritmo asociado con el

modelo de transporte
Tabla inicial
Independientemente del mtodo que utilicemos para resolver el modelo
de transporte (esquina noroeste, Vogel o Modi) la forma de trabajar
con l es por medio de una tabla que contiene la informacin de
orgenes, destinos, oferta, demanda y costos. A continuacin damos el
procedimiento para la construccin de esta tabla, la cual simplifica la
solucin del modelo de transporte:
1. Verificamos que la oferta total = demanda total.
2. Construimos una tabla con s columnas y r renglones. El nmero s es
igual al nmero de destinos ms dos. Y r es igual al nmero de plantas
ms dos.
3. En la primera fila, a partir de la segunda columna, se colocan como
etiquetas el nombre o nmero de cada uno de los destinos. En la
ltima columna se coloca la etiqueta oferta.
4. En la primera columna a partir de la segunda fila, se colocan como
etiquetas el nombre o nmero de cada una de las plantas. En la ltima
fila se coloca la etiqueta demanda.
5. En las intersecciones de cada fila y columna se coloca el costo de
transportar una unidad desde el origen asociado a esa fila, hasta el
destino asociado con la columna.
6. En la columna de oferta se coloca la oferta disponible en el origen
asociado con cada una de las filas.
7. En la fila de la demanda se escribe la demanda de cada destino,
asociada con cada columna.
La tabla inicial para el ejemplo 2 se presenta a continuacin:
272
Creamos una tabla de 4 filas por 5 columnas. Y colocamos las etiquetas

correspondientes:
Una vez que se plantea la tabla asociada al modelo de transporte,

debemos buscar tcnicas matemticas para su solucin. A continuacin
presentamos el algoritmo general para la solucin del modelo de
transporte.
Algoritmo general
1. Se construye la tabla inicial del modelo y se busca una solucin
inicial.
2. Se verifica que la solucin inicial sea ptima. Si es as, se termina
porque ya se encontr la solucin del modelo, si no, se continua.
3. Se hacen los ajustes necesarios para hallar una mejor solucin y se
regresa al punto 2.
Existen diferentes mtodos que utilizan este algoritmo, entre ellos
tenemos los siguientes:
Mtodo de la esquina noroeste.

Mtodo de Vogel.
Mtodo Modi.
En las siguientes secciones de la unidad analizaremos cada uno de

ellos.
273
Unidad 7
Ejercicio 1
1. El objetivo del modelo de transporte es _____________ el costo de
transporte.
2. Se dice que un problema de transporte est _______________ si la
oferta total es igual a la demanda total.
3. La mayora de las entradas en la tabla smplex asociada con el modelo
de transporte son _____________ y unos.
4. El mtodo ___________ es el que vamos a utilizar para resolver el
modelo de transporte de forma eficiente.
5. El costo de transportar una unidad de la fuente i al destino j se
designa por_________.
6. Construir la tabla inicial del siguiente problema de trasporte:
Una empresa dedicada a la fabricacin de autos desea transportarlos
desde sus tres plantas de produccin a sus cuatro centros de distribucin.
La oferta de cada una de las plantas es: 300, 200 y 100, respectivamente,
mientras que la demanda es 100, 200, 150 y 100, respectivamente. Los
costos de transporte asociados por unidad son:
7.2. Mtodo de la esquina noroeste

El primer paso para resolver el modelo de transporte es formar una tabla
inicial. A continuacin presentamos el algoritmo llamado de la esquina
noroeste empleando los valores numricos del siguiente ejemplo:
274
Ejemplo 4
Hallar la solucin ptima para el ejemplo 2 de la fbrica de computadoras.
La tabla inicial es:
Colocamos en la celda superior izquierda 2 500, ya que es el nmero

menor entre la oferta (3 000) y la demanda (2 500). Tachamos la columna
1, ya que la demanda ya est satisfecha.
Nos trasladamos una celda a la derecha. A la oferta que es 3 000 le restamos

2 500, que es la cantidad asignada a la celda (1, 1), por lo tanto asignamos
500 a la celda (1, 2) y tachamos la fila 1, ya que agotamos la oferta.
Nos trasladamos una celda hacia abajo y restamos a 2 750 la cantidad de

500. En la celda (2, 2) asignamos 2 250 ya que es la cantidad menor entre
2 750 y 4 000 y tachamos el resto de la columna, ya que la demanda ya
est satisfecha.
275
Unidad 7
Nos trasladamos una celda a la derecha y restamos a 4 000 la cantidad de

2 250. Asignamos 1 750 a la celda (2, 3), con lo cual se satisfacen tanto
la oferta como la demanda y llegamos a la esquina inferior izquierda.
sta es la primera solucin factible del modelo. La forma de interpretarla es:

Se mandan 2 500 computadoras de Guadalajara a Morelia, 500 de
Guadalajara a Sonora, 2 250 de Toluca a Sonora y 1 750 de Toluca a
Veracruz. El costo asociado es:
Z = 50 2 500 + 150 500 + 200 2 250 + 70 1 750 = 772 500
Esto quiere decir que las variables bsicas son:
x11 = 2 500, x12 = 500, x22 = 2 250, x23 = 1 750
Una vez que tenemos la primera solucin factible, debemos calcular los
costos marginales asociados a cada una de las celdas no bsicas (no
empleadas en la solucin).
Trasladamos una unidad a la celda (2, 1) y a (1, 3):
Si los costos marginales son cantidades positivas, entonces

hemos llegado a la solucin ptima ya que no existe otro arreglo que
disminuya los costos. Termina.
276
Si los costos marginales generan una cantidad negativa,

entonces ser necesario formar otra tabla de solucin ya que significa
que existe otro arreglo que disminuye los costos. Continuar.
a) Trasladamos una unidad de la trayectoria (1, 1) a la trayectoria no
bsica (2, 1) y colocamos un ( ) y ( + ), respectivamente.
b) Regla para equilibrar la transferencia: consideramos siempre

trayectorias empleadas en la solucin. Las celdas (1, 2) y la (2, 2) se
utilizan en la transferencia:
c) Colocamos un signo ( ) en la celda bsica (2, 2) y un signo ( + ) en

la celda (1, 2).
Calculemos el costo marginal de trasladar una unidad a la cantidad

asignada a la celda (2, 1). Construimos una tabla y escribimos los rtulos
y datos correspondientes.
277
Unidad 7
Al sumar los valores de la columna obtenemos:

60 + ( 200) + 150 + ( 50) = 40
Hay una disminucin en costo al trasladar una unidad a la celda (2, 1).
El costo marginal de esta trayectoria es $40, por lo tanto, es necesario
formar otra tabla de solucin.
Calculemos el costo marginal asociado a la celda no bsica (2, 3).
La tabla con la trayectoria posible se presenta a continuacin:
El costo marginal es:
El costo marginal es: $60.

Como al trasladar una unidad hay un aumento en los costos marginales
(+ 60), la solucin actual no es ptima. Para mejorar la solucin debemos
incrementar tanto como sea posible la cantidad asignada a la celda (2, 1),
conservando las restricciones de oferta y demanda:
278
La celda con signo negativo y costo mayor es la (2, 2) con 2 250.

Asignamos a la celda (2, 1) la cantidad de 2 250, para la celda (1, 1)
restamos 2 250 a 2 500 y queda 250, para la celda (1, 2) restamos 250 a
3 000 y queda con 2 750 y, finalmente, a la celda (2, 3) le restamos 2 250
a 4 000 y tenemos 1 750. Se genera la siguiente tabla:
Volvemos a calcular los costos marginales de las celdas no bsicas: (2, 2)

y (1, 3).
A continuacin mostramos las trayectorias y sus costos marginales
asociados.
279
Unidad 7
Costo marginal $40.
Costo marginal $20.

Como los dos costos marginales son positivos, la ltima tabla de solucin
es la ptima.
La solucin ptima del problema de transporte es:
x11 = 250, x12 = 2 750, x21 = 2 250, x23 = 1 750
con Z mn = $682 500.
Ejercicio 2
1. El primer paso para resolver un problema de transporte es hallar una
____________ inicial.
2. El mtodo de la esquina noroeste empieza en la celda _______________
izquierda de nuestra tabla.
3. A la celda superior izquierda se le asigna la cantidad ______________
entre la oferta y la demanda asociada con dicha celda.
280
4. Si los costos marginales son todos _______________, la solucin actual

es ptima.
5. Hallar una solucin inicial del siguiente problema de transporte:
Una empresa de transporte debe llevar el maz de tres graneros a cuatro
molinos. La oferta en cada uno de los graneros es 15, 25 y 10 toneladas de
maz, respectivamente. La capacidad de cada uno de los molinos es de 5,
12, 17 y 16 toneladas cada uno. Los costos de transporte por tonelada son:
7.3. Mtodo de aproximacin de Vogel

A diferencia del mtodo de la esquina noroeste, este mtodo, trata de
buscar una mejor solucin inicial y as reducir el nmero de iteraciones
necesarias para llegar a la solucin ptima.
El mtodo de Vogel es un algoritmo que requiere una mayor cantidad de
operaciones para generar la primera solucin factible, pero que tiene la
ventaja de acercarnos a la solucin ptima. A continuacin escribimos el
algoritmo:
1. Para cada rengln (columna) con una oferta (demanda) estrictamente
positiva, determina una medida de penalidad calculando el valor
absoluto de la diferencia de los dos costos por unidad ms bajos en el
mismo rengln (columna).
2. Identifica el rengln o la columna con la penalidad ms grande.
Rompa los empates arbitrariamente. Asigna tantas unidades como sea
posible a la variable con el costo ms bajo por unidad en el rengln
(columna) seleccionados. Ajusta la oferta y la demanda y tacha el
rengln o columna satisfechos. Si se satisfacen simultneamente un
rengln y una columna slo se tacha uno de los dos, y al rengln
(columna) restante se le asigna una oferta (demanda) de cero.
281
Unidad 7
3.
a) Si queda exactamente un rengln y una columna sin tachar con

oferta y demanda cero, detente.
b) Si queda sin tachar un rengln (columna) con una oferta
(demanda) positiva, determina las variables bsicas en el rengln
(columna) ajustando la oferta (demanda), detente.
c) Si todos los renglones y las columnas no tachadas tienen una
oferta y una demanda de cero, determina las variables bsicas
cero, comenzando por los cuadros de costo ms bajo, detente.
d) De lo contrario, ve al paso 1.
Ejemplo 5
Hallar una solucin inicial para el problema de transporte utilizando el
mtodo de Vogel.
La tabla inicial es:
Agregamos un rengln y una columna para calcular las medidas de

penalidad.
La columna con penalidad mxima es la cuarta, buscamos la celda

con costo menor en la columna. La celda es la (2, 4). A esta celda le
asignamos 11 unidades y tachamos la columna cuatro, pues su demanda
est satisfecha.
282
Como todava quedan celdas sin tachar, volvemos a repetir el algoritmo

tomando en cuenta slo las celdas vacas.
Calculamos las nuevas penalidades.
La columna con penalidad mxima es la 1, buscamos la celda con costo

menor en la columna. La celda es la (3, 1). A esta celda le asignamos 12
unidades y tachamos la columna 1, pues su demanda est satisfecha.
Continuamos el algoritmo; calculamos las penalidades.
El rengln con penalidad mxima es el uno, buscamos la celda con costo

menor en el rengln, la celda es la (1, 2) a esta celda le asignamos 8
unidades y tachamos la columna 2, pues est satisfecha su demanda.
Slo quedan las celdas (1, 3), (2, 3) y (3, 3) para asignarles una cantidad.
La celda de costo menor es la (3, 3), a esta celda le asignamos 3 unidades,
la siguiente es la (2, 3) y a sta le asignamos 1 unidad y finalmente a la
(1, 3) le asignamos 2 unidades (para completar al mximo las cantidades
en demanda).
283
Unidad 7
Se obtiene la primera solucin factible. Las variables bsicas son:

x12 = 8, x13 = 2, x23 = 1, x24 = 11, x31 = 12, x33 = 3, con Z = $290
Hallar una solucin por el mtodo de Vogel implica un nmero mayor de
operaciones, pero al comparar los costos de las soluciones obtenidas con
este mtodo y considerando el costo mnimo, nos damos cuenta de que
Vogel brinda una solucin inicial ms cercana a la ptima.
Para verificar que la solucin obtenida por el mtodo de Vogel sea
ptima podemos aplicar la tcnica de esquina noroeste junto con el
anlisis del costo mnimo.
Ejercicio 3
Califica cada una de las siguientes aseveraciones como verdaderas o
falsas, segn corresponda.
1. El mtodo de Vogel brinda la solucin ptima del modelo de transporte.
_____
284
2. La medida de penalidad es mayor o igual a cero.
_____
3. La fila seleccionada es aquella con penalidad mxima.
_____
4. Los empates entre penalidades se rompen arbitrariamente.
_____
5. Hallar la primera solucin factible y el valor de Z para el siguiente

ejemplo, utilizando el mtodo de la esquina noroeste.
6. Hallar la primera solucin factible y el valor de Z para el modelo

anterior, utilizando el algoritmo de Vogel.
7.4. Mtodo Modi

La tcnica de la esquina noroeste tiene el inconveniente de que tenemos
que analizar todas las trayectorias posibles que se pueden formar a partir
de las celdas no bsicas (trayectorias no empleadas en la solucin).
El mtodo Modi tambin calcula costos marginales pero slo se busca
la trayectoria asociada a la variable no bsica que va a entrar al sistema.
Los pasos hacia la solucin ptima se presentan a continuacin.
Paso 1. Se calcula una solucin inicial factible, por cualquiera de los
mtodos presentados anteriormente
Paso 2. Calculamos los valores de los multiplicadores ui y vj. Asociamos
los multiplicadores ui y vj con el rengln i y la columna j de la
tabla de transporte. Para cada variable bsica xij de la solucin
actual, los multiplicadores ui y vj deben satisfacer la ecuacin
siguiente:
ui + vj = cij
De esta manera obtenemos m + n 1 ecuaciones con m + n
incgnitas. Los valores de los multiplicadores se pueden determinar
a partir de estas ecuaciones suponiendo un valor arbitrario para
cualquiera de los multiplicadores y resolviendo las m + n 1
multiplicadores desconocidos restantes.
285
Introduccin
n caso particular del modelo de transporte es el modelo de

asignacin, que tiene como propsito asignar personas u objetos a
tareas de tal forma que se optimice algn objetivo, por ejemplo:
Minimizar tiempos de produccin.

Minimizar costos.
Minimizar defectos de produccin.
Histricamente el problema de asignacin se resolvi utilizando las

mismas tcnicas que se utilizaban para el modelo de transporte,
sin embargo, resultaba tedioso hacerlo de esta manera debido a las
caractersticas particulares del mismo. A partir del trabajo realizado por
dos matemticos hngaros, se obtiene un algoritmo eficiente para este
modelo, el cual se conoce como mtodo hngaro.
Iniciamos la unidad planteando el problema general de asignacin,
hacemos hincapi en su estructura, como en el caso especial del
modelo de transporte y planteamos algunos problemas tipo. Continuamos
resolviendo el modelo de asignacin por el mtodo hngaro. Terminamos
la unidad estudiando algunos problemas de asignacin desbalanceados.
8.1. Definicin del modelo de asignacin

Los problemas de asignacin aparecen en varios contextos de la
ingeniera econmica, en donde se requiere asignar de manera ptima
objetos o personas indivisibles a ciertas tareas, por ejemplo:
En los astilleros es indispensable contar con soldadores
especializados en cada tipo de soldadura existentes (mig, tig,
bajo el agua, elctrica, oxiacetilnica, etc.). Si no se cuenta
con personal especializado representa un costo extra en gasto
de material. Por lo tanto, se debe asignar a la persona ptima en
cada puesto de trabajo para minimizar costos.
En una empresa textil se asigna a las personas con ms habilidad
en cada mquina (recta, zigzag, ojales, etc.) para minimizar tiempos
de produccin.
En las universidades se desea asignar un saln para cada materiagrupo, pensando en optimizar los espacios disponibles.
309
Unidad 8
El problema clsico de asignacin consiste en asignar n objetos o

personas indivisibles a m tareas de una manera ptima.
Las propiedades que debe cumplir un conflicto para formularse como
un problema de asignacin son las siguientes:
El nmero de objetos o personas es igual al nmero de tareas.

A cada persona se le asigna slo una tarea.
Cada tarea debe ser realizada por una sola persona.
Existe un costo Cij de asignacin de la persona i a la tarea j.
El objetivo es buscar la combinacin que minimice los costos
totales.
8.1.1. Construccin del modelo de asignacin

Las variables que se utilizan en el modelo de asignacin son variables
binarias, es decir, variables que slo pueden tomar los valores 0 o 1.
Matemticamente se escribe:
1 si el asignado i realiza la tarea j
xij
0 en caso contrario
para i=1, 2,... n j=1, 2, 3,... n
El costo total de la asignacin es igual a la suma de los productos de
cada variable xij por el costo asignado Cij
n
Z mn Cij xij
i 1 j 1
En las restricciones se asigna una persona a cada una de las tareas y cada
tarea debe ser realizada por una persona. Esto lo representamos como:
n
x
j 1
ij
x
i 1
ij
1 para i 1, 2,... n
1 para j 1, 2,... n
El modelo completo de asignacin se obtiene al aadir la restriccin de

no negatividad y la de variables binarias:
310
Z mn j 1 Cij xij
n
i 1
Sujeto a:
n
x
j 1
ij
x
i 1
ij
1 para i 1, 2,... n
1 para j 1, 2,... n
xij binarias para toda i y j

xij 0
Vemos que el modelo de asignacin es muy parecido al modelo de
transporte, la diferencia radica en que las variables del modelo de
asignacin son binarias, mientras que en el modelo de transporte las
variables son enteras. Entonces podemos tomar el modelo de asignacin
como un problema de transporte donde cada una de las personas es el
origen y cada una de las tareas son los destinos. La oferta y demanda son
igual a uno, es decir, cada origen tiene una sola persona y cada destino
necesita slo una persona. Los costos de capacitacin representan el
costo de transportar una unidad del origen i al destino j. Por lo tanto,
el objetivo es encontrar la combinacin que minimice los costos de
asignacin y cumpliendo las restricciones de oferta y demanda.
Al final de la unidad veremos problemas que aunque no cumplen la
primera propiedad pueden formularse como problemas de asignacin.
Ejemplo 1
Una empresa contrata a cuatro personas para cubrir los siguientes
puestos: supervisor de acabado, supervisor de empaque, supervisor de
produccin, supervisor de materia prima.
A cada uno se aplica un examen de aptitudes para determinar sus
habilidades. A partir del resultado de los exmenes se determina el costo
que tiene su capacitacin para cada uno de los puestos. Los costos se
presentan en la siguiente tabla.
311
Unidad 8
Si se desea conocer la asignacin de menor costo para la empresa,

obtener la tabla inicial asociada al problema.
La tabla inicial asociada al problema es:
Ejemplo 2
Una empresa dedicada a la compra y venta de equipo de cmputo
adquiri seis mquinas para ser vendidas, sin embargo, el cliente pide
una prrroga de un mes para que le entreguen las mquinas. La empresa
tiene que almacenar las seis mquinas durante este tiempo, se cotizan los
precios de seis bodegas que pueden almacenar las mquinas, los costos
se muestran en la siguiente tabla.
312
Nuevamente podemos ver este problema como un modelo de transporte,

donde los orgenes son las mquinas, los destinos son las bodegas y el
costo Cij es el costo de almacenaje. La oferta de cada uno de los orgenes
es uno, mientras que la demanda de cada uno de los destinos tambin es
uno. Nuevamente, las variables slo pueden tomar el valor cero o uno. La
tabla inicial de este problema es:
Ejercicio 1
1. El objetivo en el problema de asignacin es ________________ los
costos.
2. Las variables en el problema de asignacin son _______________.
3. Una persona debe ser asignada a ________ tarea.
4. El nmero de tareas y el nmero de personas por asignar deben ser
_____________.
5. Construir la tabla inicial del siguiente problema de asignacin.
Se abrirn 3 centros de cmputo en diferentes ciudades de la Repblica
Mexicana, por lo que se lanza una convocatoria para que se presenten
propuestas. Tres empresas interesadas hacen las siguientes ofertas:
Empresa 1: $ 3 000, $ 5 000 y $ 8 000 por cada uno de los centros.
Se desea asignar de manera ptima cada uno de los proyectos a cada una
de las empresas.
313
Unidad 8
8.2. Mtodo hngaro o de matriz reducida

Una vez que obtenemos el modelo de un problema de asignacin, es
conveniente desarrollar un procedimiento que nos permita hallar la
solucin ptima del mismo. Dos matemticos hngaros desarrollaron
un algoritmo eficiente para el problema de asignacin llamado mtodo
de matriz reducida o mtodo hngaro, en honor a sus creadores. A
continuacin describimos el algoritmo.
Algoritmo general
1. Se construye una tabla de n+1 por n+1, la primera columna se utiliza
para colocar las etiquetas de los candidatos a asignar, mientras que la
primera fila se utiliza para colocar las etiquetas de las tareas. En las
intersecciones se escribe el costo de asignacin asociado.
2. Se identifica el costo menor de cada una de las filas y se resta a los
costos de la misma fila (o rengln).
3. Para la matriz que resulte del punto anterior, se identifica el costo
menor por columna y se resta a los costos de la misma columna.
4. Se buscan los llamados ceros de asignacin que son nicos en
su rengln y su columna, de manera que si existen dos o ms ceros
en un solo rengln o en una sola columna, stos se marcan con dos
lneas cruzadas. Los ceros de asignacin generan la solucin ptima del
problema. La posicin de los ceros de asignacin indican la tarea que
corresponde a cada persona. Cuando el nmero de ceros de asignacin
sea igual al nmero de columnas (o filas) hemos llegado a la solucin
ptima. Termina, si no, seguir con el algoritmo.
5. Si no es posible obtener todos los ceros de asignacin con el proceso
anterior, entonces se procede como sigue:
a) Trazamos el menor nmero de lneas rectas horizontales y verticales,
de tal manera que se cubran todas las entradas con un cero.
b) Seleccionamos el costo menor no cubierto por lnea de alguna de
las rectas trazadas en el inciso anterior y se lo restamos al resto de las
entradas no cubiertas.
314
c) Se suma a los elementos que se encuentren en el cruce de dos lneas el

elemento menor seleccionado del inciso anterior.
d) Los elementos cruzados por una sola lnea se copian en la nueva
tabla.
e) Regresa al paso 4.
Ejemplo 3
Hallar la solucin ptima del siguiente problema de asignacin:
Una empresa compra 3 impresoras, una de inyeccin de tinta, una de
punto matriz y una lser. Las impresoras se deben asignar a los siguientes
departamentos: recursos humanos, facturacin y direccin. Debido a la
frecuencia de uso en cada departamento y al tipo de impresora se tiene
un costo de asignacin, el cual se muestra en la siguiente tabla:
Paso 1. La tabla inicial del mtodo hngaro es:
Paso 2. El costo menor de cada una de las filas es 5, 4 y 4

respectivamente. Al restar 5 a los elementos de la primer fila, restar 4 a
los de la segunda y 4 a los de la tercera, obtenemos:
315
Unidad 8
Paso 3. El costo menor de cada una de las columnas es 0, 0 y 2

respectivamente. Al restar en su columna respectiva obtenemos:
Paso 4. Buscamos los ceros de asignacin. En este caso, la entrada (1, 1)

tiene asignado un cero, por lo tanto la impresora de inyeccin de tinta
va al departamento de recursos humanos. La celda (2, 2) tiene un
cero de asignacin, por lo tanto, la impresora de punto matriz va al
departamento de facturacin. La celda (3, 3) tiene un cero de asignacin,
por lo tanto, la impresora lser va a la direccin. El costo total mnimo
de esta asignacin es: 5 + 4 + 6 = $ 15.
Una manera de identificar si se puede realizar una asignacin ptima

es: si al permutar las filas podemos hacer que la diagonal principal de
la tabla tenga entradas cero.
316
Ejemplo 4
Retomando el ejemplo 1, cuya tabla de costos es:
Obtener la asignacin de menor costo para la empresa.

Paso 1. La tabla inicial del mtodo hngaro es:
Paso 2. El costo menor de cada una de las filas es 100, 300, 250 y
150 respectivamente. Al restar el costo mnimo de cada una de las filas
correspondientes obtenemos:
Paso 3. El costo menor por columna de esta nueva tabla es 50, 0, 0 y 0.

Al restar este costo mnimo a cada una de las columnas correspondientes
obtenemos:
317
Unidad 8
Paso 4. Para verificar si es posible realizar una asignacin factible

ptima, intercambiamos las filas para ver si es posible obtener entradas
ceros en la diagonal principal.
Intercambiamos la fila cuatro por la fila uno y obtenemos la siguiente
tabla:
El mtodo asegura que la asignacin ptima es: La persona 4 supervisa

el departamento de acabado, la persona 2 al departamento de empaque,
la persona tres al departamento de produccin y la persona uno al
departamento de materia prima, con un costo mnimo de $ 850.
Ejemplo 5
Se necesitan hacer trabajos de jardinera, pintura y plomera en una casa.
Se pide a Juan, Pedro y Luis que realicen un presupuesto sobre cada uno
de los trabajos de manera independiente. A continuacin se muestra el
costo que presentaron para las diferentes tareas.
318
Debemos asignar una tarea a cada uno de ellos, de tal manera que se
minimice el costo total.
Paso 1. La tabla inicial es:
Paso 2. Los costos mnimos de cada una de las filas son 15, 25 y 18
respectivamente. Al restar cada uno de ellos a cada una de las filas
respectivas obtenemos:
Paso 3. Los costos mnimos de esta nueva tabla por columna son 0, 0 y
3. Al restar cada uno de estos valores a la columna respectiva obtenemos
la siguiente tabla:
Paso 4. La celda (1, 2) y la (2, 2) tienen cero, pero no es cero de

asignacin por no ser nico en su columna. La celda (3, 1) tiene un cero,
pero no es de asignacin. La celda (3, 3) tiene un cero pero tampoco es
de asignacin ya que no es nico en su rengln.
Aunque permutemos las filas no es posible colocar ceros en la diagonal
principal, como fue el caso del ejemplo 1, por lo tanto continuamos con
el algoritmo:
319
Unidad 8
Trazamos el menor nmero de lneas rectas que cubran todas las celdas
con entradas cero
a) El costo menor no cubierto es $ 2, que se resta de las entradas no

cubiertas por lnea alguna:
b) Le sumamos el costo menor $ 2 a las celdas donde se intersectan dos

rectas:
c) La tabla que obtenemos es:
Paso 4. Si intercambiamos la fila tres con la fila uno, obtenemos los
ceros de asignacin en la diagonal principal:
320
Como el nmero de ceros de asignacin es igual al nmero de columnas

(filas), por lo tanto la asignacin ptima es:
A Luis el trabajo de jardinera con un costo de $ 18, a Pedro el trabajo
de pintura con un costo de $ 25 y a Juan el trabajo de plomera con un
costo de $ 20. El costo total mnimo es de $ 63.
Ejemplo 6
Hallar la solucin ptima del problema del ejemplo 3, pero con la
condicin de que Juan no realiza trabajos de plomera.
Paso 1. La tabla inicial del modelo es:
Paso 2. Los costos mnimos por fila son 15, 25 y 18, se restan a los
valores en la fila correspondiente:
321
Unidad 8
Paso 3. Los costos mnimos por columna son 0, 0 y 12, se restan a los
valores de su columna correspondiente:
Paso 4. Se buscan los ceros de asignacin. En la celda (2, 1) se tiene un

cero de asignacin ya que es nico en su fila y columna. Si en la celda
(1, 2) elegimos el cero como de asignacin entonces el cero de su misma
columna se anula y por tanto el cero en la celda (3, 3) tambin ser de
asignacin. Concluimos que:
Pedro realiza el trabajo de jardinera, Juan el de pintura y Luis el de
plomera con un costo mnimo de $ 25 + $ 15 + $ 30 = $ 70.
Ejercicio 2
1. El mtodo de matriz reducida fue desarrollado por dos matemticos:
a) Ingleses.
b) Rusos.
c) Estadounidenses.
d) Hngaros.
2. El tamao de la tabla inicial del mtodo de matriz reducida es de:
a) m n
b) n m
c) n n
d) n1 n1
322
3. Para comenzar el algoritmo se selecciona el costo _______________por

fila y se resta del resto de las entradas de la fila.
4. Para poder llevar acabo una asignacin ptima, debemos escribir la
matriz reducida con ____________ en la diagonal principal.
5. Si no es posible realizar una asignacin ptima, debemos trazar el
_____________nmero de lneas posibles que cubran todas las celdas con
entrada cero.
6. Una empresa compra 3 computadoras, una Pentium I, una Pentium II
y una Pentium III. Las computadoras se deben asignar a los siguientes
departamentos: recursos humanos, facturacin y direccin. Debido a la
frecuencia de uso en cada departamento y al tipo de computadora se
tiene un costo de asignacin, el cual se muestra en la siguiente tabla:
Hallar la asignacin ptima y el costo mnimo.
8.3. Algoritmo de solucin

Una vez que aprendimos a utilizar el mtodo hngaro para la solucin de
problemas de asignacin, es importarte que ahora estudiemos el porqu
funciona.
En la primera seccin de la unidad encontramos que el modelo de P. L.
de asignacin es el siguiente:
n
Z mn j 1 Cij xij
n
i 1
323
Unidad 8
Sujeto a:
n
x
j 1
ij
x
i 1
ij
1 para i 1, 2,... n
1 para j 1, 2,... n
xij binarias para toda i y j

xij 0
Vamos a demostrar que la solucin ptima de este modelo permanece
sin cambios si se suma o resta una constante a cualquier fila o columna
de la matriz de costos.
Supongamos que la matriz de costos es la siguiente:
Sea pi el costo menor de cada fila, al restar esta cantidad de cada fila nos
queda un nuevo costo, dado por: C ij = Cij pi
La tabla actualizada es:
Sea q j el costo menor por columna de la tabla anterior, al restar esta

cantidad de cada columna nos queda un nuevo costo, dado por:
C ij = Cij pi q j. La tabla actualizada es:
324
Ahora calculemos la funcin objetivo, en trmino de estos nuevos

costos:
Z=(C11p1q1)x11+(C12p1q2)x12+(C21p2q1)x21+(C22p2q2)x22
Realizando algunos cambios algebraicos, podemos llegar a la siguiente
expresin equivalente:
Z=C11x11+ C12 x12+ C21x21+ C22 x22(p1+q1) x11(p1+q2)x12(p2+q1)x21
(p2+q2)x22
Esta expresin la podemos rescribir como:
n
Z Cij xij ( pi q j ) xij

i 1 j 1
i 1 j 1
Por restricciones del problema de asignacin, slo una de las variables

de cada fila puede ser igual a uno y el resto debe ser igual a cero, por lo
tanto, la suma del segundo trmino es:
n
i 1
j 1
( pi q j ) xij pi q j
i 1 j 1
Finalmente la funcin objetivo la podemos escribir como:

n
i 1
j 1
Z Cij xij pi q j Cij xij constante

i 1 j 1
i i j 1
Debido a que esta funcin objetivo difiere de la original por slo una
constante, ambas deben tener los mismos valores de xij, por lo tanto
tienen la misma solucin. Con esto demostramos que los pasos realizados
en el algoritmo hngaro son vlidos.
325
Unidad 8
Ejemplo 7
Una empresa compra 3 compresoras de diferentes capacidades, una
grande, una mediana y una chica. Las compresoras se deben asignar a
los siguientes departamentos: pintura de interiores, pintura de exteriores
y pintura de detalle. Debido a la frecuencia de uso en cada departamento
y al tipo de compresora se tiene un costo de asignacin, el cual se
muestra en la siguiente tabla:
Obtener la asignacin de compresoras a los diferentes departamentos de

tal manera que se minimicen los costos.
Paso 1. Al resolver el modelo, obtenemos la tabla inicial:
Paso 2. Las cantidades mnimas de cada fila son 10, 2 y 5 respectivamente,

se restan a cada valor en la fila correspondiente:
326
Paso 3. Las cantidades mnimas por columna son 0, 0 y 2 respectivamente,

se restan a cada valor en la columna correspondiente:
Paso 4. Los ceros de asignacin estn en la diagonal principal de la

tabla, por tanto, la solucin ptima del problema es: la compresora
grande a pintura de exteriores, la compresora mediana a pintura de
interiores y la compresora chica a pintura de detalle (solucin ptima:
x11=1, x22=1, x33=1) con un costo mnimo de asignacin de Z=$ 19.
Ahora, si los costos se incrementan en 10% la tabla con los nuevos costos
es:
Al resolver obtenemos:
Paso 2. Los costos menores por fila son 11, 2.20 y 5.50, respectivamente,
se restan de los costos en su fila correspondiente:
327
Unidad 8
Paso 3. Los costos menores por columna son 0, 0 y 2.20, respectivamente,

se restan de los costos en su columna correspondiente:
La solucin ptima del problema es: x11=1, x22=1, x33=1 con un costo
mnimo de asignacin de Z=$ 20.90. Observamos que la solucin es la
misma, es decir, tenemos las mismas variables con valor uno, lo nico
que cambia es el valor de Z, el cual se incrementa en $ 1.90.
8.4. Problemas no balanceados

La primera condicin que debe cumplir un problema de asignacin es
que el nmero de personas a asignar sea igual al nmero de tareas, sin
embargo, en ocasiones algunos problemas no lo cumplen. En esta seccin
vamos a aprender cmo podemos modificar este tipo de problemas para
aplicar el algoritmo de asignacin.
Ejemplo 8
Una empresa de transportes tiene cuatro diferentes modelos de camiones.
Dependiendo de la pericia del conductor para manejar los cambios de la
caja de velocidades, el camin consume ms o menos combustible. En
la actualidad la planta cuenta con tres conductores. Los costos por uso
adicional de combustible se muestran en la siguiente tabla:
328

Antologia de IO

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Antologia de IO

Caricato da

Copyright:

Formati disponibili

Investigacin de operaciones

3. Quin desarroll el mtodo smplex?

1.2. La investigacin de operaciones como

Problemas operacionales. Se toman decisiones que afectan a la

Generalmente estas decisiones son complejas y representan una gran

hospital llega la propaganda sobre una nueva mquina reveladora,

b) Comprar 8 mquinas nuevas Pentium III, con 128 MB en RAM, discos

d) Optimiza los recursos

( ) La principal tarea de la gerencia.

e) Tomar en cuenta todos

( ) Para resolver un problema, la gerencia

2. Describe el proceso de toma de decisiones del ingeniero.

1.3. Definiciones de la investigacin

La I. O. utiliza el enfoque planeado (mtodo cientfico) y un grupo

Thierauf, R. J. y R.A. Grosse, Toma de decisiones por medio de investigacin de operaciones,

Esta ltima definicin deja claro el uso de la I. O. en ingeniera adems

Algunos paquetes son: LINDO, TORA, STORM, QSB.

1.4. Metodologa de la investigacin

Como propuesta de hiptesis se plantea el modelo matemtico que

1. Formulacin del modelo matemtico.

1.4.1. Formulacin del modelo matemtico

Ejemplos de variables controlables son:

La cantidad total de litros que puede producir la empresa es 10 litros de

Por ltimo, sabemos que x y y no pueden ser negativas (no podemos

4. Es el nmero de pasos de la metodologa de la I. O.

1.4.2. Solucin del modelo matemtico

En este libro estudiaremos modelos de programacin lineal que, como

Resolveremos el modelo que se construy en el ejemplo 3.

Este resultado se interpreta as: debemos producir 5 litros de detergente

1.4.3. Validacin, instrumentacin y control

a) Validacin de la solucin ptima

c) Instrumentacin de la solucin ptima

Esta nueva solucin se interpreta como: debemos producir 3 litros de

4. Si la solucin ptima es aplicable, entonces debemos:

1.5. Usos y ventajas de los modelos

Modelo de programacin lineal

Toma de decisiones en los negocios.

La principal ventaja es que se cuenta con el mtodo smplex para

Los inconvenientes de la programacin entera son que,

Tcnica de ramificacin y acotamiento.

Algunos de los mtodos para resolver este tipo de problemas son:

El inconveniente de este tipo de modelos es que su solucin es ms

Conjunto de vrtices unidos por arcos o aristas.

El uso de grafos para plantear los problemas de redes vino acompaado

Modelos de lneas de espera

Modelos con distribucin de Poisson.

Un ejemplo de este tipo de problemas es el siguiente:

En la unidad 2 aprenderemos a construir modelos matemticos que representen

1.6. Problemas de aplicacin de la

Objective function value

Aplicacin: lnea de espera

n la unidad 1 aprendimos la importancia que tiene la investigacin

2.1. Definicin de modelo y su clasificacin

Los modelos se clasifican en:

Los modelos simblicos tienen muchas ventajas sobre la descripcin de

Un modelo simblico nos permite utilizar tcnicas matemticas y

En este libro utilizaremos modelos matemticos.

2.2. Construccin de modelos

Para clasificarlos, utilizamos diferentes criterios como son:

Uno de los modelos ms importantes en la I. O. es el modelo de

Para construir un modelo de P. L. se recomienda:

2.2.1. Los datos y las variables de decisin

deseamos determinar. El valor de estas variables, una vez determinado,

La informacin contenida en la tabla 1 se interpreta de la siguiente