Quinta Semana

INVESTIGACIN DE
OPERACIONES
Ruta a la pgina
Pgina Principal /
201600-2042-1II073-7-1
Principio del formulario

0
Final del formulario
INTRODUCCIN
Su progreso
Diagrama de temas
INTRODUCCIN
CICLO: 2016-0
Estimados estudiantes:
Reciban un cordial saludos de bienvenida al curso de Investigacin de
Operaciones, correspondiente al Programa Acadmico de Formacin
Profesional del al VII ciclo de formacin profesional del rea de
operaciones de la carrera profesional de Ingeniera Industrial de la
Universidad Seor de Sipn. Su objeto de estudio es aprender el uso
de modelos matemticos y su aplicacin en las diferentes realidades
problemticas de una empresa. Investigacin de Operaciones es una

asignatura de naturaleza terico-prctica y su desarrollo consiste en
la introduccin general acerca de los conceptos bsicos de la
investigacin de operaciones y de las tcnicas de optimizacin ms
usadas a nivel mundial, y aplicables a la industria. En este contexto,
el curso a nivel del proceso de enseanza aprendizaje, tambin,
fomenta el desarrollo de habilidades investigativas y el juicio crtico.
El desarrollo del curso tiene siete semanas donde veremos los
siguientes temas: Fundamentos de la Investigacin de Operaciones,
diversos mtodos grficos y algebraicos para solucionar problemas de
programacin lineal y entera, modelos de asignacin de recursos, de
transporte, administracin de inventarios y teora de colas.
Atentamente;
Su Docente Virtual, Ing. Percy John Cabrera Mendocilla
o
o
Foro de Presentacin y Socializacin
CONSULTAS GENERALES Foro
Evaluacin Diagnostica Cuestionario
Silabo del curso Archivo
Principio del formulario

238416
S18eU147sO
Final del formulario

o
Foro de noticias
Ver solo Semana 01: Del 14 al 15 de Marzo
Semana 01: Del 14 al 15 de

Marzo
Conozcamos como se inici

la ciencia de la
investigacin de
operaciones y cules son
las soluciones a los
problemas planteados
Para triunfar en la vida, no es importante llegar primero. Para triunfar simplemente hay que
llegar, levantndose cada vez que se cae en el camino .
Annimo
Estimados alumnos
bienvenidos! a la primera semana del curso, donde abordaremos un
tema importante, que cumple la finalidad especfica de conocer que
es la Investigacin de Operaciones, adems, se complementa con
interesantes lecturas, valiosos videos, pginas interactivas e
importantes actividades de evaluacin que conducen a la
metacognicin y a la comprobacin de los aprendizajes logrados.
Durante esta primera semana introductoria realizaremos
varias actividades significativas, para ello, te recomendamos
seguir la siguiente ruta de aprendizaje:
1.
Descarga y Lee el silabo de la asignatura
2.
Visualiza el video de presentacin
3.
Participa en foro de bienvenida y socializacin
4.
Desarrolla la evaluacin diagnstica
5.
Lee el material de estudio Fundamentos de la

Investigacin de Operaciones
6.
Participa del foro temtico
7.
Participa en el Foro de consultas
8.
Desarrolla la autoevaluacin del primer tema
Es preciso recordarte que para que cumplas los objetivos

planteas debes planificar tu tiempo, pues estas actividades
demandan 2 horas de estudio diario.
1.
2.
TEMA 01: Fundamentos de la Investigacin de Operaciones
Paquete SCORM
3.
4.
Gua Trabajo Individual Archivo
5.
Rbrica trabajo individual Archivo
6.
Gua Foro Debate y Argumentacin Archivo
7.
Rbrica foro de debate argumentacin Archivo
8.
9.
FORO TEMTICO 1: Cree usted que es til el estudio de la
I.O, por qu?
10.
11.
Cuestionario 01: Autoevaluado
o TEMA 01: Fundamentos de la Investigacin de

Operaciones
o
o
o
o Bienvenida
Apreciado estudiante, iniciemos con muchas ansias de aprender nuestro
primer tema de estudio, los contenidos que a continuacin leers te brindar
los conocimientos para entender el curso de Investigacin de Operaciones.
Empecemos!
Introduccin
Desde el nacimiento del hombre en este planeta tubo el

problema de cmo conseguir recursos para su subsistencia, debido a lo escaso que son estos;
siempre pensaba en la racionalizacin de estos como una manera de ahorrar recursos,

posteriormente ante nuevos tipos de problemas donde era necesario la utilizacin de recursos
viene la siguiente pregunta Cmo puedo optimizar los recursos, en un problema de
maximizacin o minimizacin? , naciendo un nuevo tipo de problema el de optimizar recursos
tipo: hombre- mquina, hombre- actividad, recursos-hombre, etc.
La Investigacin de Operaciones empieza a nacer como tal en la segunda guerra mundial en
los aos 50, la necesidad de optimizar los escasos recursos en la defensa nacional y el avance
de la tecnologa en computacin hace propicio que se desarrolle nuevos mtodos cientficos
de asignacin de recursos. Los militares ingleses y americanos hicieron un llamado a los
cientficos de la poca para que los ayuden a implementar mtodos y estrategias de forma
cientfica en la asignacin de recursos en la defensa de Gran Bretaa ante los ataques areos
alemanes. El trmino Investigacin de Operaciones nace justamente de las operaciones
militares realizadas, las cuales tenan como prioridad optimizar recursos.
Al inicio los problemas desarrollados por la I.O fue de Asignacin de recursos, Ordenamiento
de Tareas, balance de carga de trabajo y planificacin. Debido al xito alcanzado en las tareas
militares poco a poco fue despertando el inters de los empresarios en esta disciplina,
extendindose a las empresas industriales, comerciales, financieras y gubernamentales.
Despus de la segunda guerra mundial, los administradores industriales reconocieron el valor
de aplicar tcnicas similares a sus complejos problemas de decisin. Los primeros esfuerzos se
dedicaron a desarrollar modelos apropiados y procedimientos correspondientes para
solucionar problemas que surgan en reas como refineras de petrleo, distribucin de
productos, planeacin de productos, el estudio de mercado y la planeacin de inversiones.
El fondo de la I.O se basa en el uso de modelos matemticos y el uso de computadoras para
realizar los clculos que son difciles de realizar a mano en un modelo real por el tamao de la
matriz. El trmino Programacin Lineal se refiere a la planificacin de los recursos y cada
ecuacin del programa es lineal es decir funciones lineales. As, la programacin lineal trata la
planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor
alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de
solucin.
George Bernard Dantzig (1914 2005) fue un profesor, fsico y matemtico estadounidense,
reconocido por desarrollar el mtodo simplex y es considerado como el "padre de la
programacin lineal". Con el mtodo simplex y el desarrollo de las computadoras actualmente
es posible dar solucin a problemas complicados de la P.L
Aprendizajes esperados
Conozcamos ahora las capacidades y actitudes a desarrollar en este primer
tema:
Capacidad
Comprende el mbito de estudio de la Investigacin de Operaciones.
Explica los diversos mbitos en que la Investigacin Operativa puede aplicarse a la

resolucin de problemas de la Ingeniera.
Formula y resuelve Modelos Matemticos de Programacin Lineal, y comprende,

analiza y explica los resultados de la solucin de problemas de esta rea.
Formula y resuelve Modelos Matemticos de Programacin Lineal, y comprende,

analiza y explica los resultados de la solucin de problemas de esta rea.
Actitudes
Expone y ejecuta sus ideas acorde a los temas a tratar, en concordancia con el mtodo
cientfico, desarrollando liderazgo, tica y buena comunicacin oral y escrita.
Expone y explica en forma individual y grupal, lo relativo al mbito de estudio de la

Investigacin de Operaciones, participando activa y responsablemente en la ejecucin
de las actividades planteadas.
Expone y ejecuta sus ideas acorde a los temas a tratar, en concordancia con el mtodo
cientfico, desarrollando liderazgo, tica y buena comunicacin oral y escrita..
Mapa conceptual referido al tema

Observa detenidamente el siguiente esquema, en el encontrars de un vistazo de manera
sintetizada los principales concepto de la temtica que abordaremos. Qu conceptos o
categoras te llaman la atencin?
1.1. Introduccin a la Investigacin de Operaciones

Ocultar
A continuacin vamos a revisar algunas definiciones de

Investigacin de Operaciones por los siguientes reconocidos
autores:
Taha (2004): La Investigacin de Operaciones aspira a determinar el mejor curso de accin
ptimo de un problema de decisin con la restriccin de recursos limitados, aplicando tcnicas
matemticas para representar por medio de un modelo y analizar problemas de decisin
Prawda (2004): Es la aplicacin por grupos interdisciplinarios de Mtodo Cientfico a
problemas relacionados con el control de las organizaciones o de sistemas en relacin al
hombre-mquina, con el fin de producir soluciones ptimas para dichas organizaciones
Moskowitz Wright (1991): La Investigacin de Operaciones toma al Mtodo Cientfico
aplicado a la solucin de problemas y la toma de decisiones de la gerencia en funcin a la
construccin de un modelo simblico examinando y analizando entre relaciones que lleguen a
una tcnica en la toma de decisiones en base a los resultados ptimos.
Thierauf (1984): La Investigacin de Operaciones utiliza el enfoque planeado (Mtodo
Cientfico) y un grupo interdisciplinario a fin de representar las complicadas relaciones
funcionales como modelos matemticos para suministrar una base cuantitativa en la toma de
decisiones, descubrir nuevos problemas para un anlisis cuantitativo.
De las definiciones de Investigacin de Operaciones, como vemos podemos resaltar los

siguientes trminos: organizacin, sistema, grupos interdisciplinarios, objetivo y metodologa
cientfica.
Todo problema de investigacin de operaciones para ser resuelto identifica los

siguientes pasos:
Ocultar
a) Identificacin del problema, es decir tener claro los objetivos que darn solucin al
Problema.
b) Creacin y formulacin del modelo, se buscara el modelo matemtico que se ajuste al
problema a solucionar.
c) Algoritmo, se identificara el algoritmo que dar solucin al modelo encontrado
d) Solucin, se soluciona el problema matemtico usando las diversas tcnicas de PL, como
mtodo grfico, mtodo simplex y uso de software de PL.
1.2. Modelos de Investigacin de Operaciones

Ocultar
La investigacin de operaciones utiliza modelos

matemticos que imitan algn problema de la realidad y nos ayudan a tomar decisiones al
encontrar soluciones optimas posibles que solo contemplan algunas variables involucradas. Es
casi imposible que un modelo contenga todas las variables involucradas en un problema real,
por este motivo solo se consideran las ms importantes, queda claro que dichas soluciones no
deben tomarse como si fuera las nicas, estas primero deben validarse con la realidad y tomar
en cuenta otros criterios como la experiencia y otras variables no tangibles o no cuantificables
involucradas
Un ingrediente bsico de la IO es el modelado matemtico, donde los

componentes bsicos para analizar son tres:
Ocultar
1. Cules son las alternativas de solucin?

2. Cules son las restricciones que acotan el problema?
3. Cul es el objetivo para este problema con la cual evaluamos el problema?
A continuacin presentamos uno de los muchos modelos matemticos que existen en IO,
consta de variables, restricciones, funcin objetivo y restricciones lgicas. Este es un modelo
matemtico de programacin lineal.
De acuerdo a lo anterior tenemos: Las variables x, y, z son las variables de decisin es decir
que sus valores nos darn la solucin ptima calculada bajo las restricciones de recurso o
sujeto a (S.A)
Los recursos son: 315, 110,50 y se encuentran en el lado derecho de la inecuacin;
representan la cantidad de recursos disponibles por ejemplo dinero, horas hombre, materiales,
tiempo, etc.
Las restricciones lgicas representan la no negatividad de los recursos, esto es as porque no
se comprendera que existan -315 horas hombre, o -110 m2 de madera, etc.
Tenemos tambin los coeficientes tecnolgicos que son los que acompaan a las variables de
las restricciones como son: 15,7.5,5 (de la primera restriccin); 2,3,2 ( segunda restriccin) y
1,1,1 (tercera restriccin), y se encuentran junto con las variables en el lado izquierdo de la
inecuacin.
1.3. Solucin del modelo de investigacin de operaciones.

No existe una sola tcnica general con la que se solucionan todos los modelos matemticos
que surgen en la realidad sino por el contrario la naturaleza y complejidad del mtodo
determinan el tipo de solucin.
La tcnica ms importante para la IO es la programacin lineal que es el modelo presentado en
la seccin anterior. Existen otras tcnicas como la programacin entera donde las variables
solo pueden tomar valores enteros como es el caso de personas o vehculos por ejemplo; la
programacin dinmica, en la que el problema original se descompone en otros sub problemas;
la programacin de redes, teora de colas, etc entre otras.
Otra caracterstica en general de estas tcnicas es que se obtienen mediante clculos
repetitivos en que cada clculo se acerca cada vez ms al valor optimo, esta repeticin es
tediosa por lo que en realidad manualmente solo se hacen pequeos problemas, siendo la
mayor parte de los problemas solucionarse mediante el uso del computador o software
especiales como el Tora, Lingo, Solver, entre otros. Estos software usan algoritmos que son
instrucciones para el clculo que utilizan las computadoras.
1.4. El arte del modelado.

La realidad es tan compleja que los modelos matemticos solo tienen grados de aproximacin
a la realidad, donde solo se tienen en cuenta las variables ms importantes. La Fig.1.4
representa los niveles de abstraccin que caracteriza el modelo matemtico utilizado en IO.
1.5. Fases de estudio en la Investigacin de Operaciones.

Un estudio de investigacin de operaciones es una labor multidisciplinaria, requiere de un
equipo conocedor de las tcnicas de IO pero tambin de la experiencia y conocimiento del
modelo real al cual quieren comprender y solucionar, lo que significa que cualquier cliente que
contrate un equipo de IO deber trabajar codo a codo para llegar a un trmino aceptable de
solucin del problema.
La identificacin del problema, significa definir las limitaciones del

problema, esto es tendr que definir los siguiente:
1. - La descripcin de las alternativas de decisin;
2. - Definir el objetivo, y
3. - las condiciones bajo la cual funcionara el sistema modelado.
La construccin del problema, implica traducir las relaciones lgicas intervinientes en el

sistema real a restricciones matemticas. Una vez encontrado el modelo se revisara si existe
algn modelo de IO que se ajuste, caso contrario tendr que realizar algunas simplificaciones
hasta que pueda usar algn modelo matemtico, de simulacin o heurstico.
La solucin del modelo, es en realidad la fase ms sencilla de todas de la I.O , porque solo se
trata de la aplicacin de algoritmos ya definidos que sern utilizados en una computadora, por
lo que el trabajo se resume solo a ingresar los datos en el software adecuado.
Un aspecto importante en la solucin del modelo implica tener informacin acerca de la
sensibilidad del modelo es decir que suceder a la solucin si existen cambios en ciertos
parmetros como los coeficientes de la funcin objetivo, restricciones de recursos o constantes
tecnolgicas.
La validacin del modelo, esta parte comprende el analizar los resultados que sean
aceptables con la realidad, es decir que no contengan sorpresas o sean irreales; otra forma de
validar es comparar los resultados con datos histricos. El modelo se considera vlido si bajo
las mismas condiciones el modelo entrega resultados cercanos a la realidad.
La implementacin, encontrada las respuestas a las variables de decisin, no queda ms que
implementarlas en la empresa, por lo que deben ser traducidas a lenguaje corriente para las
personas que operan las decisiones.
1.6. Introduccin a la programacin lineal , modelo de PL con

dos variables
Ahora procederemos mediante un problema a implementar un modelo de Programacin Lineal,
para luego solucionarlo mediante el mtodo grafico; aunque en la realidad es difcil encontrar
modelos de dos variables, el desarrollo de estos ejercicios reforzara la parte terica del uso del
algoritmo y su fundamento de uso.
Todo modelo de programacin lineal tiene que tener tres componentes: Las variables, el
Objetivo ( meta a optimizar) y las restricciones.
Ejemplo 1.1 Compaa Tekno SAC.

Cierto fabricante produce dos artculos, X eY, para lo que requiere la utilizacin de dos
secciones de produccin: seccin de montaje y seccin de pintura.El artculo X requiere una
hora de trabajo en la seccin de montaje y dos en la de pintura; y el artculo Y, tres horas en la

seccin de montaje y una hora en la de pintura.La seccin de montaje solo puede estar en
funcionamiento nueve horas diarias, mientras que la de pintura solo ocho horas cada da. El
beneficio que se obtiene produciendo el artculo Y es de S/. 40 soles y el de X es de S/. 20
soles.Calcula la produccin diaria de los artculos X y Y que maximiza el beneficio.
Primero determinaremos la Funcin Objetivo:
Es la de maximizar los ingresos; por cada producto A vendido ingresara 20X y de Y sern
40Y. Por lo que el ingreso total ser: 20X + 40Y
Tendremos entonces la Funcin Objetivo siguiente: Max F.O: 20X + 40Y
Segundo determinaremos las restricciones
La primera restriccin ser la de montaje, este tiene solo 9 horas de trabajo, por lo que
podr atender productos X y Y de la siguiente manera:
1(h/unidad de X) x X (nmero de X producir) + 3 (h/ unidad de Y) x Y (nmero de Y) <= 9
horas
La segunda restriccin ser la de pintado, esta tiene solo 8 horas para atender la
produccin de X y Y, por lo que su restriccin ser la siguiente:
2(h/ unidad de X) x X (nmero de X) + 1(h/ unidad de Y) x Y (nmero de unidades de Y<=
8 horas
La restriccin lgica, son la no negatividad de los recursos es decir no es posible producir
bienes si no hubieran horas libres de trabajo en montaje y en pintado.
X, y >=0
Por lo que el modelo matemtico de Tekno SAC quedara de la siguiente manera
Funcin Objetivo Maximizar:
Sujeto a :
Z = 20 X + 40Y
1X + 3Y <= 9
2 X + 1Y <= 8
X, Y >=0
Cualquier valor que satisfaga dichas restricciones es una solucin factible, la solucin ptima
ser aquella que cumple el objetivo que para este caso es la maximizacin, en otros casos
podra pedirse minimizar la funcin, por ejemplo cuando se tratasen de costos o disminucin de
peso por ejemplo.
1.7. Solucin grfica de la programacin lineal

Este procedimiento implica dos pasos:
1. Delimitar grficamente el espacio correspondiente a todas las soluciones factibles del
modelo
2. Determinar la solucin ptima entre todos los puntos factibles del espacio delimitado en
el paso
Solucionaremos el ejercicio del ejemplo n 1.1
En primer lugar se tiene que graficar todas las restricciones, determinando la zona que cumple
todas las soluciones factibles, posteriormente se calculan cada valor extremo del polgono
resultante que se encuentre acotado por las restricciones, quedando como muestra el cuadro
n 1.1, siendo su valor optimo el punto (3,2) de S/.140
Tabla 1.1: Muestra los valores extremos del polgono de solucionesfactibles
Fig 1.6 Grfica de todas las restricciones y funcin objetivo

La zona pintada de ladrillo representa la zona factible de todas las soluciones, se observa que
el valor de la funcin z =0 cuando (x,y) = (0,0)
El valor de z aumenta conforme busca el valor ms extremo es decir en el punto (3,2) obtiene
su mximo valor de S/. 140, esto se calcula de la siguiente manera: 20X +40Y= 20*3+40*2=
140.
Ejercicio 1.2
.:.
En una granja de pollos se da una dieta "para engordar" con una composicin mnima de
15 unidades de una sustancia A y otras 15 de una sustancia B. En el mercado solo se
encuentran dos clases de compuestos: el tipo I con una composicin de una unidad de
A y cinco de B, y el tipo II con una composicin de cinco unidades de A y una de B.
El precio del tipo I es de 10 soles y el del tipo II es de 30 soles. Se pregunta:
Qu cantidades se han de comprar de cada tipo para cubrir las necesidades con un
coste mnimo?
Solucin:
Llamamos x a las unidades que se compran de tipo I e y a las que se compran de tipo II.
Resumamos los datos en una tabla:
Retroalimentacin
La funcin que nos da el coste es z = 10x + 30y = 10(x + 3y).

Debemos hacer mnima esta funcin, sujeta a las restricciones anteriores.
Dibujamos el recinto correspondiente a las restricciones, y la recta 10(x + 3y) = 0
X+ 3y = 0, que nos da la direccin de las rectas z = 10(x + 3y).
Ejercicio 1.3
a) Dibuja el recinto formado por los puntos que cumplen las siguientes condiciones:
b) Indica si los puntos (0, 0), (2, 1) y (1, 2) forman parte de las soluciones del sistema
anterior.
Ejercicio 1.4
Maximiza la funcin z = x +y, sujeta a las siguientes restricciones:
1.8. Anlisis de sensibilidad

El anlisis de sensibilidad es la determinacin de qu tan sensible son las soluciones ptimas y
el valor de la funcin objetivo con respecto a los cambios en los datos del problema, es decir
cunto puede cambiar la solucin del problema (variables de decisin) cuando vara por
ejemplo los precios de algn producto o coeficientes de la funcin objetivo, seguir siendo
ptima la solucin o a cambiado. Tambin pueden cambiar los recursos o valores del lado
derecho de las restricciones.
Fig. 1.7. Muestra la solucin grfica del P.L , y el punto ptimo (70,90
1.8.1 Anlisis de sensibilidad de la Funcin Objetivo (F.O)

Tenemos la F.O Maximizar :
6X1 + 10X2
De la funcin objetivo tenemos que la interseccin de las restricciones (1) y (2) nos da el punto
ptimo, para que siga siendo el mismo (70,90), la variacin del valor de la pendiente de la F.O
( o de los coeficientes de la F.O) debe estar entre el valor de las pendientes de las restricciones
que contienen dicho punto, de lo contrario el punto ms extremo que nos de el valor mximo
cambiara, como se ve en la Fig. 2.3.2 donde un cambio en la pendiente de la F.O que sale
entre los valores de la pendientes de las restricciones determina que el nuevo punto extremo es
el X1= 115 y X2= 0.
De la F.O tenemos
6X1 + 10X2 se observa que la pendiente es
Pendiente de F.O = -6/10 = - 3/5

De la restriccin (1)
4X1 + 2X2 460 tenemos que la pendiente es:
Pendiente de (1) = -4/2 = -2

De la restriccin (2)
2X1 + 4X2 500 tenemos que la pendiente es :
Pendiente de (2) = -2/4 = -1/2

De lo que se observa lo siguiente:
Pendiente de (1) pendiente F.O pendiente (2)
-2
-0.6 -0.5
Es decir que mientras el valor de la pendiente de la F.O no salga del rango determinado por el
valor de las pendientes de las restricciones que determinan el punto ptimo, este siempre ser
el mismo, de lo contrario pasara que el punto ptimo cambiara como se muestra en el
ejemplo de la fig. 2.3.1
Fig. 1.8 Muestra como el cambio de la pendiente de la F.O determina que el

punto ms extremo es el punto X1= 115 y X2= 0
La variacin en los coeficientes de la funcin objetivo representa por ejemplo un cambio en los
precios de los productos, la pregunta en cuestin sera Cules son los rangos o variacin de
precios de los productos para que la solucin ptima siga siendo la misma? ; la solucin a esta
pregunta es determinar los parmetros que hacen que la pendiente de la F.O no salgan de los
valores de las pendientes de las restricciones que determinan el punto ptimo.
Calculo de los lmites de aceptacin de la variacin de los valores de las pendientes de

la F.O,
1.8.2 Anlisis de sensibilidad del valor del lado derecho de la

restriccin (1)
Ocultar
Todas las restricciones pueden variar el valor del lado derecho, en este caso supongamos que
el valor del lado derecho de la restriccin (1) puede variar, es decir por aumento o disminucin
de las horas hombre que este recurso representa, siendo el valor inicial de 460
Restriccin (1) :
4X1 + 2X2 460

4X1 + 2X2 c
se convierte en
siendo c una variable
Lo que se busca en el anlisis de sensibilidad son los extremos en que puede variar c para
que el punto ptimo siga siendo determinado por las restricciones (1) y (2) dentro de la zona
de factibilidad de las restricciones esto se cumple en los extremos de los siguientes puntos :
Extremo menor
c= 280
X1= 10
X2= 120
F.O = 1,260
Ocultar
Valores intermedios entre estos puntos extremos determinan

nuevos puntos ptimos con diferentes valores de la F.O
Figura 1.9 Extremo menor punto ptimo determinado todava por (1) y (2)
cuando c= 280, un valor menor del LD1 determinara un punto ptimo por las
restricciones (1) y (3)
Figura 1.10 Extremo mayor punto ptimo determinado todava por (1) y (2) cuando c=1000,
un valor mayor del LD1 determinara un punto ptimo por las restricciones (2) y (5)
1.8.3 Anlisis de sensibilidad- Precio sombra

De la tabla 2.3.2.3 se puede observar que un incremento o
disminucin del lado recurso del lado derecho de la ecuacin
tiene un aumento o disminucin de la F.O pudindose calcular
una pendiente entre los rangos desde 280 hasta 1000 de la
siguiente manera :
Este valor de S/.0.33 centavos significa que por cada unidad u hora adicional del recurso del
lado derecho habr un aumento o disminucin en el valor de funcin objetivo de S/.0.33, a este
valor se le llama precio sombra o precio dual del recurso.
Queda como ejercicio determinar el precio sombra de la restriccin (2) y (3)
1.9. Problemas tipo propuestos

A continuacin presentamos algunas definiciones que deben estar claras antes
de solucionar algunos problemas:
Regin factible: Es el conjunto de valores para las variables de decisin en un programa lineal
que satisface todas las restricciones
Solucin factible: Una solucin en la que las variables de decisin son factibles
Punto extremo: El punto esquina de una regin factible, es normalmente una interseccin de
dos Lneas extremo
Lnea de funcin Objetivo: Lnea utilizada en el mtodo grfico en el cual todos los puntos
sobre la lnea tienen el mismo valor de funcin objetivo.
Solucin ptima: El punto en la regin factible que tienen el mejor valor de la funcin objetivo
Programa lineal infactible: Es el programa lineal en el que no existen valores de las variables
que satisfagan todas las restricciones
Programa lineal ilimitado: Es el programa lineal factible en el que la funcin objetivo puede
mejorarse indefinidamente
A continuacin te presentamos un pool de ejercicios propuestos para que los resuelvas

Instrucciones: Resuelva cada uno de los siguientes programas lineales usando el mtodo
grfico, indique si el problema es infactible, ptimo o ilimitado; para los que sean ptimos
encuentre los valores de las variables y el valor de la funcin objetivo
1.10. Resolucin de problemas mediante software
Existen varios software libres que se pueden bajar por internet para utilizarlos en la solucin de
problemas investigacin de operaciones, entre ellos estn el Tora, Lingo, Solver en excell,
Winqsb, entre otros, a continuacin te mostramos un link de donde podrs descargar el
software Tora con el cual podrs trabajar todos los ejercicios propuestos y verificar si tus
soluciones grficas estn correctas.
Para instalar el software Tora puedes aprender cmo se baja del internet visualizando el Link
vdeo para instalar el Tora en la siguiente direccin electrnica: http://youtu.be/COUcyKtYnAQ
Adems puedes ver como se realizan la resolucin de ejercicios utilizando Tora en el link
http://youtu.be/Mk2zZpIXrKc
Preguntas de anlisis
Estimados alumnos a continuacin reflexionaremos acerca del tema
tratado
1. Los modelos matemticos propuestos por IO son exactamente igual que la realidad?
2. Las soluciones entregadas por los modelos de IO se deben aplicar directamente o es
necesario la intervencin de otros criterios?
3. Crees que es posible solucionar manualmente problemas complejos de I.O?
Al respecto para conocer un poco ms sobre este tema, y dar respuesta a las preguntas
planteadas a continuacin te invitamos a hacer clic en el siguiente botn.
Retroalimentacin
En este tema presentamos una visin general sobre el uso de modelos cuantitativos para la
toma de decisiones, con nfasis especial en su desempeo como herramienta de toma de
decisiones.
Los modelos son una representacin limitada de la realidad y, por esa razn, los resultados
analticos de un modelo no son necesariamente la solucin idnea para la situacin
administrativa original. En particular, hemos hecho hincapi en que la idea de ptimo es una
concepcin matemtica, no son un concepto perteneciente al mundo real. Sin embargo, si un
modelo ha sido bien formulado y su resultado se interpreta cuidadosamente, podr proveer un
valioso acervo de informacin para la persona encargada de tomar decisiones. (G.D. EPPEN et
al, 2000, pg.23)
Actividad de anlisis y comprensin

Despus de haber observado detenidamente el video responde a las
siguientes preguntas:
Pregunta
Con el mtodo grafico en qu momento se determina el punto ptimo?
Respuestas
Opcin 1
Al graficar las restricciones

Opcin 2
Al encontrar los puntos de interseccin entre las restricciones
Opcin 3
Al encontrar los puntos de interseccin entre las restricciones y los ejes de abscisas y
ordenadas
Opcin 4
Al incluir los puntos extremos de la zona factible en la funcin objetivo y determinar el valor
Opcin 5
Al escoger del punto d anterior el punto de mayor valor de la funcin objetiva
Retroalimentacin
Incorrecto
Solucin
1. Incorrecto (Retroalimentacin)
5. Opcin correcta (Retroalimentacin)
Pregunta
Qu determina el mtodo de sensibilidad de la F.O?
Respuestas
Opcin 1
Determina el punto ptimo del PL

Opcin 2
Determina los rangos en que puede variar los coeficientes de la F.O para que el punto ptimo
sea el mismo
Opcin 3
Determina el precio sombra de la restriccin 1

Opcin 4
Determina el precio dual de la restriccin 2

Opcin 5
Determina el punto mnimo
Retroalimentacin
Determina los valores en que puede variar los coeficientes de la funcin objetivo sin que
cambie el punto ptimo
Solucin
Pregunta
Por qu cree que es importante el mtodo de sensibilidad de la F.O y del Lado
Derecho?
Respuestas
Opcin 1
Porque se tiene un anlisis de cmo puede cambiarel punto ptimo

Opcin 2
Porque nos da valores mnimos y mximos de la F.O
Opcin 3
Porque nos da valores del lado derecho

Opcin 4
Porquenos da una tabla de valores

Opcin 5
Porque
Retroalimentacin
Porque se tiene un anlisis de cmo cambia el punto ptimo en funcin del valor de la F.O , de
tal manera que no tienen que hacerse clculos repetitivos cada vez que cambian los valores
tanto de los coeficientes de la F.O como del LD
Referencias
Taha,H.A.(2004).Investigacin de Operaciones. Mxico: Pearson Prentice Hall.
Eppen,G.D. et al.(2000).Investigacin de Operaciones en la Ciencia Administrativa. Mxico:
Pearson Prentice Hall.
Kamlesh.M. &Solow.D. (1996).Investigacin de Operaciones El arte de la Toma de Decisiones.
Mxico: Prentice Hall Hispanoamericana S.A.
Winston Wayne L.(1994). Investigacin de Operaciones: Aplicaciones y Algoritmos. Mxico:
Editorial Iberoamericana.
Hiller y Lieberman.(1997). Introduccin a la Investigacin de Operaciones. Mxico: Ed. Mc
Graw-Hill.
Lecturas recomendadas
Para saber ms
Ponemos a tu disposicin y te invitamos a revisar dos interesantes documentos que te
ayudaran a reforzar y ampliar los temas que hemos estudiado, estos los encontrars en la base
de datos e-libros que utiliza nuestra universidad:
Documento 1: e-libro Investigacin de Operaciones
Autor
: Chediak Pinzn, FranciscoAlonso
Editorial
: Universidad de Ibagu
Ao
: 2012
Documento 2: e-libro Investigacin de Operaciones: Programacin lineal. Problema de

transporte. Anlisis de redes .
Autor
: Kong, Maynard
Editorial
: Fondo Editorial de la Pontificia Universidad Catlica del Per
Ao
: 2010
Conclusiones
Con esta primera semana te has introducido

al mundo de la Investigacin de Operaciones, pudiendo reconocer como la realidad se puede
simular en un modelo matemtico y encontrar una solucin ptima, teniendo en cuenta que
esta solucin es solo una aproximacin porque tendr que validarse primero con la realidad y
luego con otros criterios como econmicos, de marketing, entre otros .
Audio_01.mp3
00:00
00:00
00:21
Metacognicin
Las siguientes preguntas

te ayudarn a reflexionar sobre tus propios aprendizajes, es un
ejerci recomendado para razonar e identificar nuestro esfuerzo
intelectual, la finalidad es regular nuestras acciones y procesos
mentales .
De la temtica abordada que te llam ms la atencin?
Consideras que aprendiste con los contenidos abordados?
Tuviste dificultad con algn tema o actividad? Cmo los solucionaste?
Qu acciones realizaste para aprender?
Semana 02: del 21 al 27 de

Marzo

Marzo
Conozcamos como se
resuelven los PL utilizando el
lgebra, mediante el mtodo

simplex
Hay una fuerza motriz ms poderosa que el vapor, la electricidad y la energa
atmica: la voluntad.
Albert Einstein
Estimados alumnos bienvenidos! a la

segunda semana del curso, donde abordaremos un tema importante,
que cumple la finalidad especfica de conocer como utilizando el
lgebra podemos encontrar una solucin al PL especifico de cada
problema planteado; se complementa con interesantes lecturas,
valiosos videos, pginas interactivas e importantes actividades de
evaluacin que conducen a la metacognicin y a la comprobacin de
los aprendizajes logrados.
Durante esta segunda semana introductoria realizaremos
1.
Dar lectura al material de estudio Mtodo Simplex para

la solucin de problemas de Programacin Lineal
2.
3.
Desarrolla la evaluacin obligatoria
Es preciso recordarte que para que cumplas los objetivos planteas

debes planificar tu tiempo, pues estas actividades demandan 2 horas
de estudio diario.
Su progreso
1.
2.
Tema 02: Mtodo Simplex para la solucin de los problemas de
Programacin Lineal Paquete SCORM
3.
4.
5.
FORO TEMTICO 2: Qu tipo de trabajo estas desarrollando
para tu trabajo individual?, Por qu?
6.
7.
Cuestionario 02: Evaluado [C1]
Tema 02: Mtodo Simplex para la solucin de los problemas de

Programacin Lineal
Bienvenida
Hola, llegamos al segundo tema de esta unidad, del primer tema comprendiste la dinmica de
la investigacin de operaciones, ahora veras como se solucionan estos problemas desde un
punto de vista algebraico, ya viste el mtodo grfico y la solucin mediante un software, pero
tambin es muy importante conocer su base matemtica
A trabajar!
Introduccin
El mtodo simplex es un algoritmo. El

mtodo simplex es un procedimiento algebraico sistemtico que examina las esquinas (vrtices
o puntos extremos) de un programa lineal en busca de una solucin ptima sea esta
maximizacin o minimizacin. El algoritmo comienza con la determinacin de un vrtice inicial,
esto se llama FASE I; si el problema es inconsistente, la fase I lo descubrir. Si el modelo de PL
es consistente entonces el algoritmo empieza a recorrer todos los vrtices adyacentes uno por
uno (esto es porque la solucin siempre estar en un punto extremo por ser la naturaleza del
problema encontrar un mximo o un mnimo), cada movimiento en la secuencia de ir a cada
vrtice se llama iteracin o pivote y el movimiento implica una manipulacin del sistema lineal;
el algoritmo simplex est diseado para que cada vez que cambia de punto este sea mayor o
menor que el anterior dependiendo si se trata de un problema de maximizacin o minimizacin.
Si el problema es no acotado el algoritmo lo descubrir. Cuando se alcance el vrtice ptimo el
algoritmo lo reconocer con la prueba de optimalidad, es decir que cada iteracin contiene la
solucin de un sistema de ecuaciones para obtener una nueva solucin a la que se le aplica la
prueba de optimalidad. Una vez encontrado el punto ptimo se detiene las iteraciones.
De hecho, cualquier procedimiento iterativo de solucin es un algoritmo. Entonces, un algoritmo
es simplemente un proceso en el que se repite (se itera) un procedimiento sistemtico una y
otra vez hasta obtener el resultado deseado. Cada vez que se lleva a cabo el procedimiento
sistemtico se realiza una iteracin. En consecuencia, un algoritmo sustituye un problema difcil
por una serie de problemas fciles.
Conozcamos ahora las

capacidades y actitudes a desarrollar en este segundo tema:
Capacidad
Identifica un modelo matemtico de programacin lineal que puede ser usado en algn
problema real especifico
Explica cmo se puede modelar un problema de programacin lineal en un caso real.
Usa un modelo de programacin real para encontrar una solucin optima
Utiliza el lgebra como herramienta en la utilizacin del algoritmo simplex para

encontrar una solucin ptima
Actitudes
Acepta un valor ptimo encontrado mediante un modelo de programacin lineal, el

cual luego es validado con otros criterios.
Mapa conceptual
2.1. El mtodo Simplex

Taha (2004) nos dice respecto del mtodo simplex:
Una propiedad general del mtodo simplex es que resuelve el problema de programacin
lineal en iteraciones. Cada iteracin desplaza la solucin a un nuevo punto esquina que tiene
potencial de mejorar el valor de la funcin objetivo. El proceso termina cuando ya no se pueden
obtener mejoras. El mtodo simplex implica clculos tediosos y voluminosos, lo que hace que
la computadora sea una herramienta esencial para resolver los problemas de PL. Por lo tanto
las reglas computacionales del mtodo simplex se adaptan para facilitar el clculo automtico.
(p,71)
2.2. El algoritmo de mejora finita algebraico para programacin

lineal
Todo problema repetitivo sobre todo de ndole matemtico puede ser resuelto por un
algoritmo, el algoritmo es una serie de instrucciones secuenciales con decisores
intermedios para encontrar algn tipo de resultados; siendo el caso de programacin
lineal el siguiente algoritmo:
Paso 0. Inicio: Encontrar una solucin factible bsica inicial (punto extremo)
Paso 1. Prueba de optimalidad : Para la solucin factible bsica actual:
a) Dado el punto extremo actual, ver si uno de los bordes conduce a un punto extremo
vecinal con un valor de funcin objetivo ms grande. Si la respuesta es no, detener el
procedimiento: el punto extremo actual es ptimo. Si la respuesta es s, continuar con el
paso 2; el punto extremo actual no es ptimo.
b) Si todos los costos reducidos son 0, entonces la sfb actual es ptima; en cualquier
otro caso, continuar con el paso 2
Paso 2. Traslado:
a)
Escoger cualquiera de los bordes de mejora encontrados en el paso 1 y trasladarse
del punto extremo actual al punto extremo vecinal asociado que tiene un valor de funcin
objetivo ms grande. Regresar al paso 1
Este algoritmo nos da la lgica de trabajo con la matemtica funciona para encontrar un punto
ptimo sea mximo o mnimo.
2.3. Forma estndar

Un problema de programacin lineal puede venir en diversas formas: su objetivo puede ser
maximizar o minimizar; puede tener restricciones de igualdad o desigualdad; las variables
pueden ser no negativas, no positivas; o sin restricciones. Por lo tanto en lugar de desarrollar
mltiples mtodos para cada problema se desarrolla un solo algoritmo que desarroll una sola
forma especfica, conocida como forma estndar.
Forma estndar, es una forma particular de un problema de PL en el que l funcin objetivo
debe ser maximizada; solamente existen restricciones de igualdad y todos los lados derechos y
variables son no negativas.
El primer paso antes de aplicar el mtodo algebraico simplex es poner el PL en la forma
estndar, el siguiente ejemplo muestra un PL que tiene todas las posibles alternativas de
restricciones, variables, FO, etc; el cual convertiremos en forma estndar.
2.4. Clculos del mtodo simplex

Utilizaremos un ejercicio para mostrar los clculos algebraicos involucrados en este mtodo
SIMPLEX
Segunda tabla:
Para encontrar la segunda tabla primero se mostrara una tabla previa donde se muestra como
el rengln pivote n 01 se ha dividido entre 6 , de este modo aplicando los clculos de
operaciones de rengln de Gauss-Jordan se tratara de convertir los coeficientes de la primera
columna desde el rengln 2 al 4 en cero .
Despus de realizar los clculos operacionales de rengln de Gauss-Jordan encontramos la

tabla n 03; donde encontramos la segunda columna pivote que es la que corresponde a la
variable X2 y el segundo rengln pivote que corresponde al vector de salida S2.+
Despus de realizar los clculos operacionales de rengln de Gauss-Jordan encontramos la

tabla n 03; donde encontramos la segunda columna pivote que es la que corresponde a la
variable X2 y el segundo rengln pivote que corresponde al vector de salida S2.
2.5. Mtodo simplex minimizacin

Un mtodo para solucionar un caso de minimizacin es tomando el negativo de esta funcin
convertirlo a la forma estndar y resolverlo como si fuera un caso de maximizacin. Esto es asi
porque cualquier todo punto que minimice a f(x) maximizar tambin a f(x) . Por lo que
tomando el negativo de una funcin de minimizacin y resolvindolo como si fuera el modelo de
maximizacin se obtendr la solucin correcta.

Pregunta
Toda iteracin simplex en un problema de maximizacin sustituye una variable de la
base actual por otra que tiene:
Respuestas
Opcin 1
Una rentabilidad mayor por unidad, segn se ve en el regln Cj ( el coeficiente de la funcin

objetiva)
Opcin 2
Un valor positivo para Cj-Zj

Opcin 3
El menor valor Cj-Zj
Opcin 4
Cualquier valor negativo

Opcin 5
Ninguna de las anteriores
Retroalimentacin
La respuesta es b, porque es la variable de entrada cuyo Cj-Zj perder ms sino se toma.
Ojo que este valor es igual a decir un valor negativo de Zj -Cj
Solucin
Pregunta
Toda tabla del mtodo simplex
Respuestas
Opcin 1
Muestra una solucin de las ecuaciones originales

Opcin 2
Muestra una solucin bsica factible de las ecuaciones en la forma estndar con restricciones
de igualdad del modelo.
Opcin 3
Corresponde un punto extremo del conjunto factible
Opcin 4
Muestra un conjunto de ecuaciones transformadas

Opcin 5
Todo lo anterior
Retroalimentacin
En un proceso de iteracin todas las tablas solo muestran una trasformacin continua.
Solucin
Pregunta
La seal de optimalidad en un modelo de maximizacin es
Respuestas
Opcin 1
Cj-Zj 0, para toda j

Opcin 2
Zj 0, para toda j
Opcin 3
Cj Zj > 0 para toda j

Opcin 4
Para Zj > 0 para todo j

Opcin 5
Todas las anteriores
Retroalimentacin
Un valor Cj Zj < , indica que no existe ninguna variable que ingrese y agregue valor a la
funcin Z.
Referencias
Graw-Hill.
Para saber ms
Ponemos a tu disposicin y te invitamos a revisar dos

interesantes documentos que te ayudaran a reforzar y ampliar los
temas que hemos estudiado, estos los encontrars en la base de
datos e-libros que utiliza nuestra universidad:
Autor
Editorial
Ao
: 2012

Autor
: Kong, Maynard
Editorial
Ao
: 2010
Conclusiones
Con esta segunda semana has aprendido a

utilizar las herramientas del algebra para encontrar una solucin ptima en los casos de
maximizacin y minimizacin, en la prctica solo es recomendable usar esta tcnica para
problemas sencillos, los casos ms complicados (mayor nmero de variables o restricciones)
es necesario usar la computadora para realizar los clculos. No olvides que la solucin ptima
se refiere desde un punto de vista matemtico como solucin inicial al problema de PL,
teniendo que validar dicha informacin con otras herramientas como el marketing, planeacin,
costos, etc.
Audio_02.mp3
00:00
00:00
00:33
Metacognicin

mentales
Semana 03: del 28 de Marzo al

03 de Abril
Semana 03: del 28 de Marzo al

03 de Abril
Aprendamos a solucionar
problemas de PL donde se
necesiten soluciones con

valores enteros, como
cuando se usan personas,
aviones, etc
No te amargues con tu propio fracaso ni se lo cargues a otro.
Acptate ahora o seguirs justificndote como un nio.
Recuerda que cualquier momento es bueno para comenzar y
que ninguno es tan terrible para claudicar.
Pablo Neruda
Estimados alumnos
bienvenidos! a la tercera semana del curso, donde abordaremos un
tema que es una variante de PL, como lo es la Programacin Lineal
Entera, como su nombre lo indica se trata de dar solucin a
problemas en que la solucin no es un nmero real sino un numero
entero, como es el caso de asignacin de personal en diferentes
pases, o la produccin de bienes como aviones, barcos, o unidades
especficas de determinados productos; donde no es posible decir que
se producirn 1.5 aviones o que 2.2 personas deben viajar al Canad,
etc. Como siempre este material se complementa con interesantes
lecturas, valiosos videos, pginas interactivas e importantes
actividades de evaluacin que conducen a la metacognicin y a la
comprobacin de los aprendizajes logrados.
Durante esta segunda semana introductoria realizaremos
1.
Lee el material de estudio Algoritmo de Plano de Corte y

Ramificacin de B & B
2.
Participa del foro de debate y argumentacin
3.
Desarrolla la autoevaluacin del tercer tema

de estudio diario.
Su progreso
1.
2.
Tema 03: Programacin Lineal Entera y Programacin lineal
Entera Mixta Paquete SCORM
3.
4.
Rubrica de Foro de Debate Archivo
5.
Guia de Foro de Debate y Argumentacin Archivo
6.
7.
FORO DE DEBATE Y ARGUMENTACIN [FD]
8.
9.
Tema 03: Programacin Lineal Entera y Programacin lineal

Entera Mixta
Introduccin
Hasta ahora los problemas y soluciones

de programacin lineal han sido dentro del campo de valores de nmeros reales, sin tener en
cuenta que en algunos casos la solucin no es posible porque es necesario soluciones dentro
del campo de nmeros enteros. La programacin entera PE ha llegado a ser un rea muy
especializada de la ciencia de la Administracin. Esto es as porque cuando queremos asignar
una persona a algn sitio, o fabricar barcos, aviones no es posible dividirlos en partes por
razones obvias. Hay que tener en cuenta el significado de PE, antes de esta unidad las
variables solucin podan tener nmeros como 6.253; ahora deben tener nmeros enteros
como 7 8 9, es decir sin decimales; en algunos casos es posible los problemas plantearan
soluciones mixtas, es decir variables que permitan los nmeros enteros y variables que
permitan decimales a lo cual se llaman PLM, o programacin lineal mixta.
En este tema nos introduciremos dentro de este campo en forma superficial para ilustrar la
importancia del tema, as como los mtodos de resolucin ms tiles y prcticos. Este
problema de la no divisibilidad debe ser resuelto por algoritmos especialmente diseados para
resolver problemas de programacin entera.
Conozcamos ahora las capacidades y actitudes a desarrollar en este
cuarto tema:
Capacidades
Formula y resuelve Modelos Matemticos de Programacin Lineal Entera.
Comprende, analiza y explica los resultados de la solucin de problemas.
Resuelve problemas especficos de Programacin Lineal Entera empleando los

algoritmos: plano de corte y Ramificacin y Acotamiento.
Resuelve problemas especficos de Programacin Lineal Entera empleando software
Actitudes
El alumno toma conocimiento de analizar las diversas situaciones que se presentan en

el campo empresarial y la necesidad de tomar decisiones.
Analiza y evala los resultados con un sentido crtico y formula recomendaciones

mediante el dialogo y el trabajo en equipo.
Acepta la opinin de los dems y expone sus puntos de vista en el desarrollo de los
casos, actuando con responsabilidad y tica
Mapa conceptual
3.1. Algoritmo Ramificacin y Acotamiento de Branch &

Bound
Taha (2004) nos muestra el algoritmo de PE:
Los algoritmos de programacin lineal entera se basan en el aprovechamiento del gran xito
computacional de la programacin lineal. En la estrategia de esos algoritmos interviene tres
pasos.
Paso 1: Relajar el espacio de soluciones del programa lineal entero omitiendo la restriccin
entera en todas las variables enteras y sustituyndola por cualquier variable binaria y que tenga
el intervalo continuo 0 y1. El resultado del relajamiento es un problema lineal normal.
Paso 2 : Resolver el programa lineal e identificar su ptimo continuo.
Paso 3: Iniciar en el punto ptimo e ir agregando restricciones especiales que modifiquen en
forma iterativa el espacio de soluciones del programa lineal, en una forma que al final produzca
un punto extremo que satisfaga los requisitos enteros.
Se han desarrollado dos mtodos generales para obtener las restricciones especiales
del paso 3 que son:
El mtodo de ramificacin y acotamiento B & B
El mtodo del plano cortante
Aunque ninguno de ellos es efectivo computacionalmente en forma consistente, de acuerdo

con la experiencia el mtodo B & B es mucho mejor que el del plano cortante. (p, 372)
En este tema desarrollaremos el primer mtodo de B & B
3.2 Problema y caso

Ejemplo
Desarrollo:
1.- El programa lineal 0: Nos da la primera solucin considerando que el problema no es
entero, lo que se considera una solucin al problema relajado; nos da la solucin: X1=
3.75, X2= 1.25 Y Z= 23.75
2.- El PL 0 inicial relajado se reemplaza por dos problemas PL 1: X1 3 Y PL2: X14
3.- Se agotan ambos problemas encontrando el mayor Z posible, considerando de si se
trata de un problema Entero puro cuando todas las variables son enteras o Entero
mixto cuando se aceptan algunas variables reales
Nota: Sin solucin es porque sale de la zona factible de

soluciones
Podemos observar que en dos ramas de la resolucin no se puede llegar a una solucin pero
luego al realizar otra iteracin, por la otra rama obtuvimos una solucin mejor.
Primera parte:
Solucin del problema original relajado
Segunda parte
De esta solucin se observa que en PLE no es posible por lo que se divide el problema en dos
subproblemas (acotamiento)
Subproblema 1
: Cuando X1 3
Subproblema 2
: Cuando X1 4
Fig. 3.2 Muestra la zona factible de valores enteros cercanos a la solucin relajada
3.3 Problema tipo PLEM
En algunos casos es posible que una de las variables sea entera y la otra no, en este caso se
llamara problema lineal entero mixto, la solucin recorre el mismo procedimiento para PLE solo
que se tiene en cuenta que una de las variables puede ser divisible.
Del caso resuelto anterior se tendra la siguiente solucin: X1=4, X2= 0.83 y Z= 23.33; por ser
la que el mximo valor de Z.

Pregunta
Por qu se dice que el mtodo de B & B es ramificado?
Respuestas
Opcin 1
Se escoge una variable solucin del problema relajado y se separa tomando los valores
enteros mnimo y mximo de este, para luego empezar a ramificar las posibles soluciones
Opcin 2
Coge la solucin inicial del PL relajado como solucin ptima

Opcin 3
Solo se ramifica por la variable X1

Opcin 4
Se ramifica por la variable X2

Opcin 5
Retroalimentacin
Rpta. a , se dice que es ramificado porque tomando una primera solucin inicial del problema
relajado, busca entre los valores enteros cercanos a la solucin relajada para ver si cumple la
condicin de entero, sino lo cumple continua ramificando con nuevos valores encontrados.
Solucin
Pregunta
Cules son los valores solucin del vdeo 2?
Respuestas
Opcin 1
X1= 1 / X2 = 2 / Z =11
Opcin 2
X1 = 1 / X2= 7/3 / Z= 12.333

Opcin 3
X1=
0 / X2= 3 / Z= 12
Opcin 4
X1= 2 / X2= 2 / Z=14

Opcin 5
Retroalimentacin
Rpta. c , tiene los dos valores enteros y el mayor z posible en estas condiciones
Solucin
Pregunta
Por qu la solucin del problema del vdeo 2 no es 12.33 si este el mximo valor
alcanzado?
Respuestas
Opcin 1
Por que no cumple la condicin de ser anteros

Opcin 2
Por que falta aplicar el mtodo de B & B

Opcin 3
Por que se trata de un problema de minimizacin

Opcin 4
Por que es una solucin del problema relajado inicial

Opcin 5
Retroalimentacin
Rpta. a , Por que la solucin debe ser el mximo valor con variables de decisin entera. .
Estimados alumnos a continuacin reflexionaremos acerca del
tema tratado
1. Las soluciones de las variables de decisin corresponden siempre al conjunto de

nmeros reales?
2. En qu casos es necesario utilizar los mtodos de ramificacin y acotamiento?
3. Pueden existir soluciones mixtas?
Referencias
Graw-Hill.
Conclusiones
Con esta tercera semana has aprendido a

solucionar problemas de programacin lineal donde las variables de decisin pueden ser
enteras o mixtas, como es el caso de produccin de bienes indivisibles. Te felicito porque ya
estas comprendiendo el mundo de la investigacin de operaciones en una forma prctica y
amena.
Para saber ms

Autor
Editorial
Ao
: 2012

Autor
: Kong, Maynard
Editorial
Ao
: 2010
Metacognicin

mentales.



Abril

Abril
Aprendamos un mtodo
especial de transporte,
como es el mtodo de
asignacin
Pregntate si lo que ests haciendo hoy te acerca al lugar en el que
quieres estar maana.
Walt Disney
Estimados alumnos bienvenidos! a la

cuarta semana del curso, donde abordaremos un tema muy
interesante que es una variante del mtodo de trasporte como es la
asignacin de recursos indivisibles a n tareas, a bajo costo
(minimizacin) o altas utilidades (maximizacin). Como siempre este
material que utilizaras se complementa con interesantes lecturas,
valiosos videos, pginas interactivas e importantes actividades de

evaluacin que conducen a la metacognicin y a la comprobacin de
los aprendizajes logrados.
Durante esta cuarta semana introductoria realizaremos varias
actividades significativas, para ello, te recomendamos seguir la
siguiente ruta de aprendizaje:
1.
Lee el material de estudio Mtodo Hngaro de

asignacin
2.
3.
Participa en el Foro de consultas
4.
Desarrolla la autoevaluacin del primer tema

de estudio diario
Su progreso
1.
2.
Tema 04: Mtodo Hngaro de Asignacin Paquete SCORM
3.
4.
5.
FORO TEMTICO 3: Por qu se dice que el mtodo Hngaro
de asignacin es en s un mtodo simplificado de transporte?
6.
7.
TEMA 05:Modelos de Transporte solucin bsica y ptima
Bienvenida
Apreciado estudiante, iniciemos con muchas ansias de aprender nuestro quinto tema de
estudio, los contenidos que a continuacin leers te brindar los conocimientos complementar
los temas planteados anteriormente.
Empecemos!
Introduccin
Un problema clsico en PL es el
problema de enviar bienes desde un punto a otro punto, esto parece sencillo a primera vista sin
embargo no lo es tanto, ya que en la vida real puede tratarse de n puntos de embarque y n

destinos por lo que en si se tiene una matriz nxn y todas las combinaciones posibles, ojo
cuidando que siempre se obtenga el mnimo costo.
El problema de transporte es un problema de programacin lineal, por lo que tambin puede
resolverse por el mtodo simplex, sin embargo por tratarse de un caso especial se
desarrollaron mtodos especficos que hacen mucho ms fcil su clculo, a los que se les
llamo modelos matemticos del mtodo de trasporte, que es el tema que estaremos
desarrollando.
El objetivo en estos modelos siempre ser el de minimizar los costos, para mejorar las
utilidades y poder llevar a un precio competitivo a los clientes.
Que nos dice Solow & kamlesh (1996):
Una clase de problemas que tiene una estructura especial en sus restricciones cuando se le
formula de manera matemtica tiene que ver con la distribucin de bienes. Por lo general, estos
bienes deben ser enviados desde puntos de suministro conocidos ( fabricas, plantas , etc)
hasta puntos de demanda conocidos ( clientes, tiendas, detallistas, etc). . El objetivo
general consiste en hallar el mejor el mejor plan de distribucin, es decir, la cantidad que se
debe enviar por cada una de las rutas desde los puntos de suministros, a travs de los puntos
intermedios, hasta los puntos de demanda. Con el trmino mejor se entiende un plan que
minimice los costos totales de envo, produzca la mayor ganancia u optimice algn otro objetivo
corporativo especificado en la por la gerencia.( p, 382)
En la primera parte de esta unidad los modelos de trasporte nos dan soluciones bsicas
factibles, sin asegurarnos que cualquiera de ellas es una solucin ptima. En la segunda parte
revisaremos algoritmos que nos darn la certeza de que la solucin si es ptima es decir que
nuestros costos de distribucin sean los menores en las circunstancias descritas del problema.
Conozcamos ahora las

capacidades y actitudes a desarrollar en este sexto tema:
Capacidad
Describe y analiza el efecto de los cambios en los parmetros del modelo en la

solucin ptima de un Modelo de Transporte
Define las cantidades ptimas a enviar desde los puntos de origen a los puntos de
destino, y explica cmo estas minimizan el costo total del envo, satisfaciendo los
lmites de la oferta y los requerimientos de la demanda.
Actitudes
Valora el impacto de los cambios en la solucin ptima de un Modelo de Transporte y

explica cmo estos contribuyen o no a cumplir con los objetivos de la Organizacin.
Define y explica la importancia de la determinacin de las cantidades ptimas a enviar

y su impacto econmico en las Operaciones.
Mapa conceptual
sintetizada los principales concepto de la temtica que abordaremos.
Qu conceptos o categoras te llaman la atencin?
5.1 Mtodos prcticos para solucin bsica de modelos de

transporte
El problema de trasporte es un modelo cuyo problema es transportar bienes de un punto
llamado origen hacia otro llamado destino, a un costo razonable. Lo que se busca es satisfacer
la demanda principalmente u otro objetivo estratgico de la empresa. Esta distribucin se
realiza a travs de una red que vamos a llamar red de distribucin y que ser en si el modelo
de PL que se tendr que solucionar con los algoritmos adecuados.
La solucin usando los algoritmos de trasporte se realiza en dos partes, la primera se

encuentra una solucin bsica factible (no necesariamente ptima); en la senda parte, se utiliza
otros mtodos que partiendo de una solucin bsica factible se llega a una solucin ptima. Se
debe tener en cuenta que estos mtodos la demanda es igual a la oferta, y la solucin nos sirve
como una solucin bsica inicial, no necesariamente ptima.
Estos mtodos son: Esquina Nor-Oeste, costo mnimo y Vogel. Antes de describir el
procedimiento, es necesario establecer que el nmero de variables bsicas en cualquier
solucin bsica de un problema de transporte es una menos de la que se espera.
Normalmente, en los problemas de programacin lineal, se tiene una variable bsica para cada
restriccin. En los problemas de transporte con m recursos y n destinos el nmero de
restricciones funcionales es m+n. Sin embargo el nmero de variables bsicas = m + n-1 (Es
decir las variables solucin).
5.1.1 Mtodo Esquina Nor-Oeste.

Este algoritmo o procedimiento est dado por los siguientes tres pasos:
Taha (2004) presenta el algoritmo Esquina Nor- Oeste :

Paso 1. Asignar todo lo ms que se pueda a la celda seleccionada y ajustar las cantidades
asociadas de oferta y demanda restando la cantidad asignada.
Paso 2. Salir del rengln o la columna cuando se alcance oferta o demanda cero, y tacharlo,
para indicar que no se puede hacer ms asignaciones a ese rengln o columna. Si un rengln y
una columna dan cero al mismo tiempo, tachar slo uno (el rengln o la columna) y dejar una
oferta (demanda) en el rengln (columna) que no se tach.
Paso 3. Si queda exactamente un rengln o columna sin tachar, detenerse. En caso contrario
avanzar a la celda de la derecha si se acaba de tachar una columna o a la de abajo si se tach
un rengln. Seguir con el paso 1. (p, 178)
Ejercicio 5.1
Tenemos la tabla 5.1 correspondiente al ejercicio 5.1, donde tenemos que la oferta es:
15+25+10 = 50 y la demanda es: 5+15+15+15 =50. Los orgenes son Tumbes, Lima y
Arequipa, para satisfacer una demanda en Cajamarca, Madre de Dios, Cuzco y Loreto. Los
costos de transporte son Ci,j
En este ejercicio tenemos = m =3 , y n= 4 , entonces m+n= 7
Variables solucin = 7-1 = 6 , para no ser degenerada
Costos de transporte:
C1,1 = Tumbes Cajamarca:
C1,2 = Tumbes Madre de Dios
10
=
C1,3 = Tumbes Cuzco
C1,4= Tumbes Loreto
11
C2,1 = Lima Cajamarca:
12
2
20
C2,2 = Lima Madre de Dios
C2,3 =Lima Cuzco
C2,4= Lima Loreto
20
C3,1 = Arequipa Cajamarca
C3,2 = Arequipa Madre de Dios=
14
C3,3 = Arequipa Cuzco
16
C3,4= Arequipa Loreto
18
04
Solucin:
Costo total = 5x10+10x2+5x7+15x9+5x20+10x18= 520

Variables Solucin son 6 :
10
X1,1 = 5
X1,2= 10 / X2,2 = 5 / X2,3=15 / X2,4= 5 / X3,4 =
5.1.2 Mtodo del costo mnimo

El algoritmo del costo mnimo se utiliza tomando como base a las rutas que tengan el menor
costo:
Taha (2004) nos refiere un algoritmo de costo mnimo que se puede explicar de la siguiente
manera:
Este mtodo determina una mejor solucin de inicio, porque se concentra en las rutas menos
costosas. Se inicia asignando todo lo posible a la celda que tenga el mnimo costo unitario ( los
empates se rompen en forma arbitraria) . A continuacin, el rengln o la columna ya satisfecha
se tacha, y las cantidades de oferta y demanda se ajustan en consecuencia. Si se satisface en
forma similar simultanea un rengln y una columna al mismo tiempo, slo se tacha uno de los
dos, igual que en el mtodo de la esquina noroeste. A continuacin se busca la celda no
tachada con el costo unitario mnimo y se repite el proceso hasta que queda sin tachar
exactamente un rengln o una columna.
5.1.3 Mtodo de Vogel.

Este mtodo es heurstico y suele producir una mejor solucin inicial que los mtodos
anteriores. De hecho, suele producir una solucin inicial ptima, o prxima al nivel ptimo.
Los pasos del procedimiento son los

siguientes:
Taha (2004) muestra el algoritmo de Vogel:
1. Determinar para cada rengln (columna) una medida de penalizacin restando el
elemento de costo unitario mnimo en el rengln (columna) del elemento con costo
unitario siguiente al mnimo del mismo rengln (columna).
2.
Identifquese el rengln o columna con mayor penalizacin, rompiendo empates en

forma arbitraria. Asigne el mayor valor posible a las variables con el costo ms bajo del
rengln o columna seleccionado. Ajstese la oferta y la demanda y tchese el rengln
o columna satisfecha. Si un rengln y una columna se satisfacen al mismo tiempo,
slo uno de ellos se tacha y al rengln (columna) restante se le asigna una oferta
(demanda) cero.
a) Si queda sin tachar exactamente un rengln o columna con cero oferta o demanda,
detenerse.
b) Si queda sin tachar un rengln (columna) con oferta ( demanda) positiva, determinar
las variables bsicas en el rengln (columna) con el mtodo de costo mnimo. Detenerse.
c) Si todos los renglones o columnas sin tachar tiene oferta y demanda cero
asignadas, determnese las variables bsicas cero a travs del mtodo de costo mnimo.
Detngase.
d) En cualquier otro caso, seguir con el paso 1. ( p, 180)
5.2 Mtodo de solucin ptima

5.2.1 Mtodo de distribucin modificada MODI
El mtodo de distribucin modificada o MODI es un mtodo utilizado para encontrar una
solucin ptima a un problema de transporte, partiendo de un problema bsico factible, que
previamente se encontr con cualquiera de los mtodos anteriormente descritos para este fin
como son: mtodo Esquina Nor- Oeste, costo mnimo o Vogel.
5.2.2 Algoritmo MODI

Despus de encontrar una solucin factible bsica con cualquiera
de los mtodos anteriormente descritos se usa el siguiente
algoritmo para encontrar una solucin ptima:
Taha (2004) explica el algoritmo MODI.
Paso 1: Usar la condicin de optimalidad smplex para determinar la variable de entrada
como variable no bsica actual que puede mejorar la solucin. Si se satisface la condicin de
optimalidad, detenerse. En caso contrario seguir con el paso 2
Paso 2: Determinar la variable de salida con la condicin de factibilidad simplex. Cambiar la
base y regresar al paso 1.(P, 182)
Estimados alumnos a continuacin reflexionaremos acerca del

tema tratado
1. El mtodo de transporte son procedimientos de PL?
2. Los mtodos de transporte Vogel, costo mnimo y Esquina Nor-Oeste nos dan
soluciones ptimas?
3. Los mtodos de transporte Vogel, costo mnimo y Esquina Nor-Oeste, nos deben dar
los mismos costos de transporte y/o soluciones?
Video de Investigacin de Operaciones

Para saber ms
Ponemos a tu disposicin tres videos cortos referentes a los mtodos de solucin bsica ( NorOeste, costo mnimo y Vogel) , asimismo el mtodo MODI de optimizar la solucin bsica. Te
invitamos a visualizar los vdeos para reforzar y ampliar los temas que hemos estudiado,
estos los encontrars en la siguiente direccin electrnica:
Documento 1: Mtodo Esquina Nor-Oeste, costo mnimo y voguel
Direccin : https://youtu.be/FhDg5N4MF2U
Documento 2: " Mtodo Modi
Direccin: https://youtu.be/QYgP8pC0XTQ
Documento 3: " Mtodo Modi

Despus de haber observado detenidamente el video responde a las siguientes
preguntas:
Pregunta
Cmo se usan los mtodos de transporte Nor- Oeste, costo mnimo y Vogel?
Respuestas
Opcin 1
Para soluciones ptimas

Opcin 2
Para una primera solucin bsica factible

Opcin 3
Para encontrar el mnimo costo de transporte

Opcin 4
Para encontrar la menor ruta

Opcin 5
Retroalimentacin
Exacto! Es para encontrar una solucin factible inicial, no necesariamente tiene que ser
ptima.
Solucin
Pregunta
El mtodo MODI, para que se usa?
Respuestas
Opcin 1
Determina el punto ptimo del PL

Opcin 2
Determina la ruta ms costosa

Opcin 3
Determina la ruta ms econmica

Opcin 4
Determina una solucin bsica

Opcin 5
Retroalimentacin
Determina la ruta ms econmica
Solucin
Pregunta
Qu se necesita para aplicar el mtodo MODI?
Respuestas
Opcin 1
Tener una solucin bsica inicial por cualquier mtodo

Opcin 2
Tener una solucin bsica por esquina Nor-Oeste

Opcin 3
Tener una solucin bsica por costo mnimo

Opcin 4
Tener una solucin bsica por Voguel

Opcin 5
Retroalimentacin
Se necesita partir de una solucin bsica por cualquier mtodo, la cual con el mtodo
MODI puedes optimizar.
Referencias

Graw-Hill.
Para saber ms
Autor
: Chediak Pinzn, Francisco Alonso
Editorial
Ao
: 2012

Autor
: Kong, Maynard
Editorial
Ao
: 2010
Conclusiones
Con esta quinta semana has aprendido a

tomar decisiones de transporte de mercadera optimizando sus costos, utilizando modelos de
investigacin de operaciones que te ayudaran, teniendo en cuenta que esta solucin es solo
una aproximacin porque tendr que validarse primero con la realidad y luego con otros
criterios como econmicos, de marketing, entre otros.
Audio_05.mp3
00:00
00:00
00:20
Metacognicin

mentales.

Quinta Semana

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

Quinta Semana

Caricato da

Copyright:

Formati disponibili

INVESTIGACIN DE

Principio del formulario

Final del formulario

problemticas de una empresa. Investigacin de Operaciones es una

Foro de Presentacin y Socializacin

CONSULTAS GENERALES Foro

Evaluacin Diagnostica Cuestionario

Silabo del curso Archivo

Principio del formulario

Final del formulario

Ver solo Semana 01: Del 14 al 15 de Marzo

Semana 01: Del 14 al 15 de

Conozcamos como se inici

Descarga y Lee el silabo de la asignatura

Visualiza el video de presentacin

Participa en foro de bienvenida y socializacin

Desarrolla la evaluacin diagnstica

Lee el material de estudio Fundamentos de la

Participa del foro temtico

Participa en el Foro de consultas

Desarrolla la autoevaluacin del primer tema

Es preciso recordarte que para que cumplas los objetivos

TEMA 01: Fundamentos de la Investigacin de Operaciones

Gua Trabajo Individual Archivo

Rbrica trabajo individual Archivo

Gua Foro Debate y Argumentacin Archivo

Rbrica foro de debate argumentacin Archivo

FORO TEMTICO 1: Cree usted que es til el estudio de la

I.O, por qu?

Cuestionario 01: Autoevaluado

o TEMA 01: Fundamentos de la Investigacin de

Desde el nacimiento del hombre en este planeta tubo el

siempre pensaba en la racionalizacin de estos como una manera de ahorrar recursos,

Comprende el mbito de estudio de la Investigacin de Operaciones.

Explica los diversos mbitos en que la Investigacin Operativa puede aplicarse a la

Formula y resuelve Modelos Matemticos de Programacin Lineal, y comprende,

Formula y resuelve Modelos Matemticos de Programacin Lineal, y comprende,

Expone y explica en forma individual y grupal, lo relativo al mbito de estudio de la

Mapa conceptual referido al tema

1.1. Introduccin a la Investigacin de Operaciones

A continuacin vamos a revisar algunas definiciones de

De las definiciones de Investigacin de Operaciones, como vemos podemos resaltar los

Todo problema de investigacin de operaciones para ser resuelto identifica los

1.2. Modelos de Investigacin de Operaciones

La investigacin de operaciones utiliza modelos

Un ingrediente bsico de la IO es el modelado matemtico, donde los

1. Cules son las alternativas de solucin?

1.3. Solucin del modelo de investigacin de operaciones.

1.4. El arte del modelado.

1.5. Fases de estudio en la Investigacin de Operaciones.

La identificacin del problema, significa definir las limitaciones del

La construccin del problema, implica traducir las relaciones lgicas intervinientes en el

1.6. Introduccin a la programacin lineal , modelo de PL con

Ejemplo 1.1 Compaa Tekno SAC.

hora de trabajo en la seccin de montaje y dos en la de pintura; y el artculo Y, tres horas en la

1.7. Solucin grfica de la programacin lineal

Tabla 1.1: Muestra los valores extremos del polgono de solucionesfactibles

Fig 1.6 Grfica de todas las restricciones y funcin objetivo

La funcin que nos da el coste es z = 10x + 30y = 10(x + 3y).

1.8. Anlisis de sensibilidad

1.8.1 Anlisis de sensibilidad de la Funcin Objetivo (F.O)

6X1 + 10X2 se observa que la pendiente es

Pendiente de F.O = -6/10 = - 3/5

4X1 + 2X2 460 tenemos que la pendiente es: