Apuntes IO Construccion Civil

(Actualizado a marzo de 2015)
APUNTES DE INVESTIGACION DE OPERACIONES
I. INTRODUCCION
A. PROGRAMA DE MATERIAS
CURSO : INVESTIGACION DE OPERACIONES

TRADUCCIÓN : OPERATIONS RESEARCH
SIGLA : CCL2363
CREDITOS : 10
MODULOS : 2 Módulos de Cátedra, 1 Módulo de Ayudantía de Cátedra y 1 módulo de
Taller.
REQUISITOS : MAT 1229
EQUIVALENCIA :
CARACTER : MINIMO
DISCIPLINA : CONSTRUCCION
PROFESOR : JUAN CARVAJAL GUERRA
CATEGORÍA :
I. DESCRIPCION
Asignatura teórico-aplicada, cuyo propósito es desarrollar en el estudiante la capacidad de

analizar sistemas, crear modelos matemáticos de naturaleza determinista que representen
adecuadamente su comportamiento y resolver e interpretar los resultados óptimos de los
mismos, para su uso en la toma de decisiones. Como un medio que permita lograr la
integración teórico–práctica, los estudiantes desarrollarán casos aplicados con el uso de
varios software específicos actualmente en uso.
II. OBJETIVOS
1. Identificar e interpretar problemas reales de optimización relacionados con la
producción, distribución y almacenamiento de bienes, así como también, la asignación
de recursos materiales, humanos y financieros.
2. Diseñar modelos matemáticos deterministas en el contexto de problemas reales de
optimización.
3. Utilizar métodos matemáticos en la resolución predictiva de los problemas modelados.
4. Aplicar herramientas computacionales en la resolución predictiva de los problemas
modelados.
5. Analizar y discutir los resultados obtenidos con los métodos matemáticos y las
herramientas computacionales, orientándolos a la toma de decisiones.
III. CONTENIDOS
1. Introducción
1.1 Definición y objetivos de la Investigación de Operaciones.
1.2 Conceptos y ejemplos de modelos matemáticos deterministas.
1.3 Ventajas y limitaciones del uso de modelos matemáticos en la formación y
resolución de problemas.
PROF. JUAN A. CARVAJAL G. 2

Actualizado el 30/12/2015
2. Modelos de programación lineal
2.1 Antecedentes históricos.
2.2 Hipótesis de la programación lineal.
2.3 Fundamentos matemáticos del modelo.
2.4 Solución geométrica de un problema de programación lineal en dos variables.
3. El algoritmo simplex para solución de problemas en “n” variables

3.1 Fundamentos matemáticos; teoremas fundamentales.
3.2 Algoritmo simplex, tableau.
3.3 Resolución de problemas mixtos. Variables artificiales. Métodos de las dos fases y
método de los costos de penalización.
4. Programas computacionales QSB, LINDO y EXCEL en la solución y análisis de

problemas en “n” variables.
5. Sensibilidad de los resultados
6. Modelos aplicados de programación entera binaria (decisiones sí o no)
7. Modelación y resolución de problemas especiales en la programación lineal

7.1 Transporte
7.2 Trasbordo
7.3 Asignación
7.4 Programación en redes (Flujo máximo, ruta más corta y árbol mínimo de
comunicaciones)
8. Modelos de planeación y control determinístico de inventarios
IV. METODOLOGIA
El curso se desarrollará a partir de clases expositivas de los métodos matemáticos de

solución de problemas de programación lineal, y trabajos prácticos grupales e individuales,
en que los estudiantes desarrollan casos aplicados a la producción, distribución y
almacenamiento de bienes y a la asignación de recursos materiales, humanos y financieros
de una empresa, a través del uso de varios software específicos actualmente en uso.
V. EVALUACION
La estrategia evaluativa del curso considera interrogaciones y controles aplicados. Además

de la realización de trabajos de taller de resolución grupal utilizando software
computacionales. A nivel integrador los estudiantes realizarán un examen al finalizar el
semestre.

VI. BIBLIOGRAFIA
Eppen G.D.; Gould F.J.;Schmidt C.P.; Investigación de Operaciones en la Ciencia

Moore Jefrey H.;Weatherford Larry Administrativa
R. 5ª Edición. México. Editorial Prentice Hall.
2000
Gould F.J.; Eppen G.D.; Schmidt C.P. Investigación de Operaciones en la Ciencia

Administrativa
3ª Edición. México. Editorial Prentice Hall.
1992
Hillier Frederick S.; Hillier Mark S.; Métodos Cuantitativos para Administración
Lieberman Gerald J. México. Editorial McGraw Hill. 2002
Taha, Hamdy A. Operations Research: An Introduction,

Boston, Prentice Hall, 2011
Winston Wayne L. Investigación de Operaciones, Aplicaciones y

Algoritmos
4ª Edición. México. Editorial Thomson. 2005
Winston Wayne L. Introduction to Mathematical Programming:

Operations Research, Australia,
Thomson/Brooks/Cole, c2003
La Bibliografía complementaria será precisada en la programación semestral que realiza el docente responsable de dictar el curso, informándose
oportunamente a los estudiantes al inicio del periodo académico correspondiente.

B. MARCO DE APLICACION
¿Cómo surge la Investigación de Operaciones?
La primera actividad de Investigación de Operaciones se desarrolló durante la primera guerra

mundial, cuando la administración militar de las tropas aliadas (EE.UU. e Inglaterra) encomendó
a un grupo de científicos de distintas áreas, estudiaran la forma de optimizar las tareas
principalmente logísticas, de abastecimiento de las tropas en sus lugares de empleo, en varios
continentes.
Con posterioridad a ello y ya instalada la revolución industrial iniciada a mediados del siglo
XVIII, que se caracterizó por:
· La incorporación de la división del trabajo
· La incorporación de procesos industriales por sobre los artesanales
· La incorporación de técnicas administrativas en la dirección de las organizaciones, etc,
la Investigación de Operaciones se comenzó a aplicar en la gestión empresarial, inicialmente con
las lógicas limitaciones de las precarias facilidades para la ejecución de cálculos matemáticos,
que alargaban los tiempos de respuesta a las interrogantes de gestión que se deseaban responder.
Con la aparición de los computadores la Investigación de Operaciones ha tomado cada vez más
vigencia puesto que la rapidez de respuesta ha aumentado considerablemente permitiendo a las
empresas adecuarse a tiempo a los mercados competitivos de la actualidad.
Marco de Aplicación
•PRODUCTOS
•Energia
•M.Primas
•Repuestos
•COSTOS $ OP TIMIZAR
P ROGRAMA DE P RODUCCION
CAPI TAL
STOCK DE
U TILIDADE S GASTOS
STOCK DE
•INGRESOS
INSUMOS P ROD. TE RMIN ADOS
I NFRAE STRUCTU RA
$
Y MAQU INARIA
PE RSONAL
•Mermas
MINIMAS
INVESTIGACION DE OPERACIONES Prof. Juan A. Carvajal G. 1

1. TIPICAS DECISIONES GERENCIALES
a) En el ámbito productivo
(1) Qué producir.
(2) Cuánto producir.
(3) Cuándo producir.
(4) Cómo producir.
(5) A quién asignar las diferentes tareas. (Programación del trabajo).
(6) etc.
b) En el ámbito administrativo.
(1) En que invertir el capital.
(2) Dimensionar los stocks de materias primas, repuestos, productos
terminados, etc.
(3) Definir el sistema de mantenimiento de equipos y maquinarias.
(4) Definir el sistema de abastecimiento hacia sucursales.
(5) Definir el sistema de adquisición de materias primas.
(6) Dimensionar la fuerza de trabajo.
(7) etc.
2. METODOS DE TOMA DE DECISIONES

a) Decisiones basadas en la INTUICION.
b) Decisiones basadas en la EXPERIENCIA.
c) Decisiones basadas en un METODO CIENTIFICO de análisis del sistema.
3. FASES DEL METODO CIENTIFICO DE ANALISIS DE FENOMENOS

a) Observar. predecir
b) Plantear una hipótesis o modelo del comportamiento del sistema y su reacción
ante diferentes estímulos.
c) Implementar experiencias que comprueben la validez de la hipótesis.
d) Observar los resultados y mejorar la hipótesis si esta no se cumple.
4. FASES DE UN ESTUDIO DE INVESTIGACION DE OPERACIONES

a) Observar el sistema considerando el objetivo que se persigue con el estudio.
b) Identificar las variables y restricciones que influyen positiva y negativamente en
el comportamiento del sistema y en el objetivo propuesto y determinar o calcular
los parámetros de interrelación entre ellas.
maximizar utilidades

esto es ido

c) Plantear el modelo matemático que representa el comportamiento del sistema a
la luz del objetivo de optimización perseguido.
d) Encontrar una solución teórica óptima a través de algoritmos matemáticos
apropiados.
e) Implementar la solución teórica óptima.
f) Observar los resultados reales y retroalimentar hacia a) si la solución teórica
difiere de la real.
5. DEFINICIONES BASICAS
a) OPTIMO
Lo mejor posible dadas las restricciones del sistema.
b) EFICAZ
Quién logra cumplir el objetivo.
c) EFICIENTE
Quién logra cumplir el objetivo al menor costo posible, en tiempo, en dinero, etc.
d) INVESTIGACION DE OPERACIONES
Es el método científico aplicado a la toma de decisiones empresariales, que
permite optimizar el uso de los recursos de la empresa, a través de la gestión
eficiente de los mismos.

II. PROGRAMACION LINEAL

A. MODELO:
Representación de la Realidad
ABSTRACCION SELECTIVA DE LA REALIDAD
Ejemplos:
Modelos físicos (Maquetas)

Modelos pictóricos (Mapas)
Modelos icónicos (De imagen, Ej. TV)
Modelos matemáticos Ej. D = ½ * g * t2 (GALILEO)
B. MODELACION MATEMATICA DE PPL
1. FORMA GENERAL DE UN MODELO MATEMATICO DE UN PPL
F.O. MAX
Función Objetivo o Z = c1 X1 + c2 X2 + c3 X3 + ............+ cn Xn
MIN
³
Sujeto a : a11 X1 + a12 X2 + a13 X3 + ..........+ a1n Xn = b1
£
³
a21 X1 + a22 X2 + a23 X3 + ..........+ a2n Xn = b2
£
³
a31 X1 + a32 X2 + a33 X3 + ..........+ a3n Xn = b3
£
-- -- -- -- --
-- -- -- -- --
-- -- -- -- --
-- -- -- -- --
³
am1 X1 + am2 X2 + am3 X3 + ..........+ amn Xn = bm
£
DONDE :
Z = Representa un parámetro o cantidad que se desea optimizar (Maximizar o
Minimizar). Ej.: Ingresos, Utilidades, Costos, Tiempo de ejecución de un
trabajo, etc.
cj = Coeficiente de proporcionalidad. Para efectos didácticos es una constante,
pero en la realidad normalmente su valor será probabilístico.
Xj = VARIABLES DE DECISION
aij = Coeficiente de proporcionalidad. Para efectos didácticos es una constante,
pero en la realidad normalmente su valor será probabilístico.
bi = Valor que representa la disponibilidad de un recurso (Limitación), límites de
producción, disponibilidad de materia prima, disponibilidad de horas
hombre, etc., o un requerimiento como demanda, compromisos de entrega,
etc. Todas ellas forman parte de las restricciones del entorno. Para efectos
didácticos es una constante, pero en la realidad normalmente su valor será
probabilístico.
n = Cantidad de Variables de Decisión.
m = Cantidad de Restricciones.
(n no necesariamente debe ser igual a m)
2. EL ARTE DE FORMULAR MODELOS DE PROGRAMACION LINEAL
La formulación de un Modelo de Programación Lineal significa seleccionar los elementos

importantes del sistema problema y definir cómo se relacionan. No es una tarea fácil en el caso
de problemas reales y comprende pruebas por tanteo y el juicio común. De hecho, es más un arte
que un procedimiento sistemático. Sin embargo, hay algunos pasos que han demostrado ser útiles
para formular modelos de programación lineal. Estos pasos son:
a. Defina en términos verbales el objetivo que trata de alcanzar con la resolución del problema.
Seleccione sólo un objetivo, como "reducir los costos"(minimizarlos) o "aumentar la
contribución a la utilidad" (maximizarla).
b. Elabore una lista de las decisiones que influyen en el logro de tal objetivo, de la manera más
específica posible.
c. Elabore una lista de los factores de restricción que afectan estas decisiones. Trate de ser
preciso y completo. A continuación se presenta una lista con varios tipos generales de
restricciones. Vea si su problema presenta alguna de estas condiciones. Observe que también
pueden existir otros tipos de restricciones. Por lo general un problema no presentará todos los
tipos de restricciones.
· Restricciones de capacidad y/o disponibilidad de recursos. Son límites que se deben a las
limitaciones del sistema en cuanto a la cantidad de equipo, de espacio, de financiamiento,
de materias primas o de mano de obra disponible. Una muestra seria la restricción que se
refiere al terreno disponible para cultivos. Estas restricciones se expresan como
limitaciones, o sea inecuaciones del tipo (£). Lo que se ocupe de un recurso no puede ser
mayor que lo que se tiene disponible del mismo.
· Restricciones de mercado. Son límites (inferiores, superiores o ambos) de la cantidad de
producto que puede venderse o usarse. Por ejemplo las ventas históricas máximas y
mínimas respecto de un producto. La última sería un requerimiento o inecuación del tipo
(³), ya que si existen comprometidas ventas de un determinado producto, no podré decidir
producir menos de esa cantidad, pues no podría cumplir mis compromisos de entrega y la
primera es una limitación o inecuación del tipo (£) ya que no me conviene producir más
producto que el que históricamente he sido capaz de vender cada temporada.
· Restricciones de calidad o de composición de una mezcla. Son restricciones que limitan
la mezcla de ingredientes y que por lo general definen la calidad de los productos
resultantes. Estas restricciones pueden ser limitaciones (£), requerimientos (³) o las más
restrictivas requerimientos del tipo (=)
· Restricciones de tecnología de producción o de equilibrio de materiales. Son
restricciones que definen la salida de un proceso como una función de las entradas,
muchas veces con una pérdida por desperdicios o rendimiento. Estas restricciones, al igual
que las anteriores, también pueden ser limitaciones (£), requerimientos (³) o las más
restrictivas requerimientos del tipo (=), eso dependerá del proceso que se esté modelando.
· Restricciones de definición. Son restricciones que definen a una variable en función de
otras. Muchas veces estas restricciones provienen de definiciones contables o balances de
materiales, como por ejemplo la relación entre la cantidad producida de un producto, que
debe ser igual a lo que se vendió de él mas lo que se dejó en inventario. Estas restricciones
son, por lo general, requerimientos del tipo (=).
d. Defina específicamente las variables de decisión. Con frecuencia es el paso más difícil. Lo
que se requiere es una lista de variables, es decir, las X y sus definiciones, incluyendo la
especificación de las unidades de medida. En algunos problemas puede haber más de una
forma de definir las variables, usted debe elegir la que mas le acomode. Un enfoque es
comenzar tratando de definir variables específicas que se ajusten a la lista de decisiones del
paso b). Por ejemplo, si va a decidir "cuál será la cantidad de cada producto que decidirá
fabricar", entonces un conjunto viable de variables de decisión podría ser:
X1 para las unidades que decidirá producir del primer producto
X2 para las unidades que decidirá producir del segundo producto
y así para todos los productos.
Si la decisión es “que cantidad de producto se deberá despachar desde cada bodega a cada
cliente” el set de variables a usar debería ser:
X11 para las unidades que se despacharán desde la bodega 1 al cliente 1
Y así sucesivamente para todas las posibilidades de despacho.
Otro método que en ocasiones sirve para definir las variables de decisión es dibujar un
diagrama de flujo que muestre cómo se relacionan las diversas partes del problema. Después
se definen las variables que representen el flujo de los bienes, de los materiales, etc., entre las
diversas partes.
e. Defina específicamente las restricciones, en función de las variables de decisión. Tome la
lista de restricciones que definió en el paso c) y use las variables de decisión del paso d) para
obtener las restricciones detalladas. El resultado es un conjunto de restricciones como las que
se indican en el modelo matemático general.
f. Defina con detalle la función objetivo. Hay que definir un coeficiente de costo o de beneficio
para cada variable de decisión del paso d). Es importante incluir sólo los costos o los
beneficios que varían con las decisiones que se consideran. Siempre hay que excluir los
costos fijos.
Por ejemplo, el costo de mano de obra por unidad puede parecer razonable para incluirse en
la formulación de programación lineal que define la mezcla de productos que debe producir
una empresa. Sin embargo, si la empresa tiene una política de pagar a sus empleados por
tiempo completo, sin importar el tiempo real que se utilice, entonces el costo de mano de
obra es fijo, no varía con la decisión de mezcla de productos y debe excluirse de la función
objetivo.
Aunque estos seis pasos son un esquema general para formular modelos lineales, no son un
sustituto de la práctica y la experiencia. Usted debe probar con varios de los ejercicios
disponibles en la bibliografía, para aumentar su habilidad para formular modelos.
Resumen:
En un modelo de programación lineal hay una función objetivo lineal que debe maximizarse o
minimizarse, sujeta a un conjunto de restricciones lineales. Todas las variables de decisión son no
negativas. La formulación de un modelo de programación lineal consiste en traducir un problema
de decisión empresarial a terminología de programación lineal, definiendo variables,
especificando una función objetivo y escribiendo todas las restricciones como desigualdades o
igualdades. Los ejemplos y pasos que se proporcionaron antes están diseñados para ayudarle a
formular problemas de programación lineal.
3. LIMITACIONES DE LA PROGRAMACION LINEAL
Aunque la programación lineal ha probado ser una herramienta valiosa para la resolución de
problemas grandes y complejos de empresas privadas y del sector público, existen limitaciones.
En primer lugar, no hay ninguna garantía de que la programación lineal ofrezca soluciones
óptimas con valores enteros. Por ejemplo, una solución óptima puede requerir 8,241 camiones y
el gerente sólo puede comprar 8 o 9, pero no 8,241. En muchos casos el redondeo brindará
soluciones razonablemente buenas, pero en otros casos los resultados pueden ser malos. Por
ejemplo, en una decisión acerca de abrir una planta nueva (una variable que sólo puede asumir
valores de 0 y 1), una respuesta fraccionaria no serviría de nada. Por fortuna, existen algunos
métodos llamados técnicas de programación entera que pueden manejar este tipo de problemas
y que se estudiarán durante el curso.
Otra limitación importante de la programación lineal es que no se permite la incertidumbre. El
modelo supone valores conocidos para los costos, para las restricciones de requerimiento, etc.,
cuando en realidad estos factores pueden ser desconocidos o eminentemente aleatorios o con
diferentes variabilidades estadísticas. Aquí también hay algunos métodos para tratar este
problema, con técnicas conocidas como programación lineal en condiciones de incertidumbre o
programación restringida por probabilidades.
La tercera limitación es la suposición de la linealidad. En ocasiones el objetivo o las restricciones
de los problemas empresariales reales no se relacionan linealmente con las variables. Una vez
más, hay una técnica avanzada, denominada programación no lineal, que sirve para tratar los
problemas de este tipo.
Estas limitaciones indican que la programación lineal no puede aplicarse a todos los problemas
empresariales. Sin embargo, ha demostrado ser una herramienta poderosa y útil en aquellos
problemas para los cuales es aplicable.

APENDICE 1
EJERCICIOS DE MODELACION MATEMATICA DE RESTRICCIONES
1. Ejercicio Nº 1 Limitación de Capacidad de Bodega
Los productos terminados que usted fabrica tienen las dimensiones que se indica en la tabla:
Largo (m) Ancho (m) Alto (m)

Producto 1 1,2 1,5 0,8
Producto 2 2,0 1,4 0,5
Producto 3 1,0 1,8 0,5
Su bodega tiene racks de almacenamiento libres cuya superficie total es de 50 m2 para artículos
de una altura máxima de 1 m.
Asuma que la cantidad de cada producto que usted fabricará el próximo período esta representada
por X1, X2 y X3 respectivamente.
Asuma además que los productos no son apilables.
Encuentre la (s) expresión (es) matemática (s) que permitirá definir los valores posibles para las
variables de decisión sin que se supere el espacio y volumen disponibles.
2. Ejercicio Nº 2 Limitación de Disponibilidad de Obra de mano
El tiempo promedio que un operario se demora en fabricar una unidad de cada uno de los
productos que usted comercializa se indica en la tabla:
t (min)
Producto 1 15
Producto 2 40
Producto 3 20
En su taller se trabaja 40 horas a la semana y usted tiene contratados 3 operarios de jornada

completa y 2 operarios a media jornada.
Asuma que la cantidad de cada producto que usted fabricará el próximo período está representada
por X1, X2 y X3 respectivamente.

Encuentre la (s) expresión (es) matemática (s) que permitirá definir los valores posibles para las
variables de decisión sin que se supere la disponibilidad de Horas-Hombre semanal
(HH/semana).
3. Ejercicio Nº 3 Limitación de disponibilidad de recursos en general
Los productos terminados que usted fabrica gastan sus recursos productivos según se indica en la
tabla. La tabla también indica la cantidad de cada recurso en estos instantes disponible:
Uso del Recurso por unidad producida

Recurso Producto 1 Producto 2 Cantidad disponible del Recurso
Q 2 1 20
R 1 2 15
S 3 3 40
Asuma que la cantidad de cada producto que usted fabricará el próximo período esta representada
por X1 y X2 respectivamente.
Encuentre las expresiones matemáticas que permitirán definir los valores posibles para las
variables de decisión sin que se supere la disponibilidad de cada recurso.

4. Ejercicio Nº 4 Limitación de Capacidad de Suministro y cumplimiento de la

demanda
Usted tiene tres bodegas con acopio de un producto que usted distribuye a cuatro clientes.
Las siguientes tablas indican la disponibilidad de producto que hay en cada bodega y los pedidos
de los clientes que deben ser satisfechos el próximo período:
Bodega Disponibilidad de producto Cliente Demanda

A 150 1 140
B 120 2 125
C 230 3 120
Capacidad de Suministro 4 115
Pedidos de Clientes
Asuma que la cantidad de cada producto que usted enviará desde la bodega A al cliente 1 esta
representada por XA1, desde la bodega A al cliente 2 por XA2 y así sucesivamente.
variables de decisión sin que se supere la disponibilidad de producto en cada bodega y
asegurando que se cumpla con la demanda de los clientes.

5. Ejercicio Nº 5 Requerimiento de cantidad mínima de vitaminas y proteínas
Existen en el mercado tres alimentos para mascotas cuyos contenidos vitamínicos y de proteínas
son los que se indican en la tabla. En la tabla además se indica la cantidad mínima de vitaminas y
proteínas que debe darse en la dieta a las mascotas:
Contenidos por onza de alimento

Alimento Vitamina A Proteínas
(unidades/onza) (gr/onza)
A 0 6
B 8 5
C 4 4
Requerimiento 25 18
Vitamínico
Asuma que la cantidad onzas de cada alimento que usted comprará el próximo período esta
representada por XA, XB y XC respectivamente.
variables de decisión, asegurando que se entreguen como mínimo los contenidos nutricionales
especificados.

C. SOLUCION GRAFICA DE PPL
1. Repaso de Geometría Analítica Plana

a) La ecuación aX + bY = c representa en el plano una recta de pendiente
a
m= -
b
b) La ecuación aX + bY = 0 representa en el plano una recta que pasa por el
origen de coordenadas.
X Y
c) En la ecuación normalizada de la recta + =1 los términos
c c
a b
c y c representan los puntos de corte de los ejes X e Y, respectivamente.
a b
d) La función Z = aX + bY,, con Z una constante indeterminada, representa en el
plano a una familia de rectas paralelas.
e) La inecuación aX + bY £ c representa un área que se inicia en la recta
aX + bY = c y se extiende acercándose hacia el origen de coordenadas.
f) La inecuación aX + bY ³ c representa un área que se inicia en la recta
aX + bY = c y se extiende alejándose del origen de coordenadas.
aX + bY = c
g) La solución (X0,Y0) del sistema de ecuaciones indica las
dX + eY = f
coordenadas del punto de corte de ambas rectas.
2. Metodología de para encontrar la solución óptima con el método gráfico:

a) Encuentre el modelo matemático del PPL en dos variables.
b) Encuentre las ecuaciones normalizadas de las rectas límite de las restricciones.
c) Tomando en consideración los puntos de corte definidos en las ecuaciones
normalizadas, dibuje los ejes coordenados con una escala apropiada.
d) Dibuje en los ejes coordenados las rectas límite de las restricciones e identifique
el lugar geométrico que cada restricción representa en el plano.
e) Identifique y destaque la “ZONA DE SOLUCIONES FACTIBLES”, definida
como: “el conjunto intersección de todos los lugares geométricos que las
restricciones representan en el plano”.
f) Dibuje una de las rectas de la familia de rectas que la F.O. representa en el
plano, dando un valor arbitrario a Z, pero adecuado a la escala de los ejes
coordenados y denomínela “Recta Objetivo de Referencia” (r.o.r.).
g) Dependiendo si la F.O. es de maximización o de minimización, traslade la recta
paralelamente, en forma imaginaria, en el sentido de aumento o disminución de
Z, hasta que esta toque un punto extremo de la zona de soluciones factibles.
Identifique dicho punto como óptimo máximo u óptimo mínimo.
h) Para encontrar las coordenadas del punto óptimo resuelva el sistema de
ecuaciones de las rectas límite cuya intersección define dicho punto.

i) Para encontrar el valor óptimo de Z reemplace las coordenadas del punto
óptimo en la función objetivo.
PROBLEMA EJEMPLO EN 2 VARIABLES (Solución Gráfica)

Una industria fabrica tres productos químicos; A, B y C. Estos productos se obtienen por medio
de cualesquiera de dos procesos; los procesos 1 y 2.
Una hora de ejecución del proceso 1 tiene un costo de US$ 4 y se obtienen 2 unidades del
producto "A", 1 unidad del producto "B" y 1 unidad del producto "C". Por otra parte, una hora de
ejecución del proceso 2 cuesta US$ 1 y rinde 4 unidades de producto "A" y 1 unidad de producto
"B".
Para satisfacer la demanda de los clientes se deberían producir a lo menos 8 unidades de producto
"A", 5 unidades de producto "B" y 3 unidades de producto "C", diariamente. No obstante lo
anterior, las estimaciones del departamento de venta indican que la producción diaria máxima de
producto A debería ser a lo más de 16 unidades.
Cada proceso se puede ejecutar como máximo 7 horas al día pues requieren tiempo de
preparación.
a. ¿Cuántas horas de ejecución diarias se deben implementar de cada proceso para minimizar el
costo y cumplir con los clientes?
b. ¿Cuántas unidades de cada producto se producirán?
c. ¿Cuál es el costo diario mínimo, alcanzable con su solución?
MODELO MATEMÁTICO:

ECUACIONES DE LAS RECTAS LIMITE DE LAS RESTRICCIONES:
SOLUCION GRAFICA
10
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10

PROBLEMA EJEMPLO EN 2 VARIABLES N°2
Una empresa produce dos tipos de producto, el producto 1 y el producto 2. Ambos productos se
producen en los mismos departamentos y con la misma maquinaria. El gerente de mercadotecnia
cree que podrá vender todos los productos 1 y 2 que sean capaces de producir el próximo mes.
Los antecedentes y restricciones relevantes que se han identificado en el sistema productivo son
las siguientes:
Los productos 1 y 2 dejan una utilidad unitaria de $ 5000 y $ 4000 c/u, respectivamente.
El consumo de horas máquina por unidad de producto y la disponibilidad de ellas para el próximo
mes se indican en la tabla:
HORAS
Departamento Por producto 1 Por producto 2 Total disponible
A 10 15 150
B 20 10 160
Se ha establecido con el sindicato un número de horas mínimas de trabajo para el personal de la

sección control de calidad que es de 135 horas. Cada producto 1 que se fabrique requiere de 30
horas de control y cada producto 2, 10 horas.
Como política de mercado la gerencia ha definido que se debe fabricar a lo menos un producto 2
por cada tres productos 1.
Un cliente importante ha ordenado un total de cinco unidades de producto, en cualquier
combinación de tipo 1 y tipo 2.
MODELO MATEMÁTICO:

ECUACIONES DE LAS RECTAS LIMITE DE LAS RESTRICCIONES:
SOLUCION GRAFICA
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

D. CARACTERIZACION DE LA SOLUCION OPTIMA
a) Tipos de Restricciones
· Restricciones Activas: Son aquellas que definen directamente la ubicación del punto
óptimo
· Restricciones No Activas: Son aquellas que no participan directamente en la
determinación de la ubicación del punto óptimo
· Restricciones Redundantes: Son aquellas restricciones no activas, que no participan
directamente ni siquiera en la determinación de los límites de la zona de soluciones
factibles.
b) Precio Sombra de una Restricción
El precio sombra de una restricción, es una medida cuantitativa de cómo influye cada una
de las restricciones de un sistema, en que el valor óptimo de la función objetivo sea el que
es y no otro mejor o peor. Existen dos definiciones equivalentes para el precio sombra:
· Definición Nº1: Es la tasa de MEJORAMIENTO que experimenta el valor óptimo de

la Función Objetivo, por cada unidad que se AUMENTE el término libre de una
restricción.
· Definición Nº2: Es la tasa de EMPEORAMIENTO que experimenta el valor óptimo
de la Función Objetivo, por cada unidad que se DISMINUYA el término libre de una
restricción.
Estas dos definiciones están hechas sobre la base de que el precio sombra es positivo.
Normalmente el precio sombra de una restricción del tipo limitación (≤), que es activa,
será siempre positivo.
Cuando el precio sombra de una restricción es negativo, cosa que sucede normalmente
con restricciones del tipo requerimiento (≥), el efecto sobre la función objetivo es el
contrario al de la definición: Cuando se aumenta el término libre la F.O. empeora y
cuando se disminuye, mejora.
c) Rangos de Valores para el Precio Sombra de una Restricción
· El precio sombra de una restricción activa será no negativo (≥0) si la restricción es
una limitación (≤)
· El precio sombra de una restricción activa será no positivo (≤0) si la restricción es un
requerimiento del tipo (≥)
· El precio sombra de una restricción activa será positivo, negativo o igual a 0 si la
restricción es un requerimiento del tipo (=), ello dependerá de cada modelo.
· El Precio sombra de una restricción no activa será siempre igual a cero
d) Rango de Validez del Precio Sombra de una Restricción
· El valor del precio sombra de una restricción será válido sólo para aumentos o
disminuciones de su término libre, hasta valores tales que no provoquen que alguna
de las restricciones activas de la solución óptima original, deje de ser activa.

E. ANALISIS DE SENSIBILIDAD GRAFICO
Se efectúa un análisis de sensibilidad cuando se desea saber cómo varía la solución óptima
cuando se varían algunos parámetros del modelo, cuán sensible es el valor óptimo a variaciones
en los parámetros.
1. Variación en los términos libres de las restricciones
Esta es una aplicación directa del concepto del precio sombra de una restricción. La F.O. variará
a una tasa igual al precio sombra de la restricción, por cada unidad que se aumente o disminuya
su término libre.
Gráficamente, al aumentar el término libre de una restricción la recta límite de ella se traslada
alejándose del origen y si la restricción es activa, es decir si está definiendo la ubicación del
punto óptimo, ese traslado provocará también un traslado del punto óptimo. Lo mismo sucede, en
sentido contrario, cuando se disminuye el término libre de una restricción, la recta límite en este
caso se acerca al origen pero el punto óptimo igualmente cambia, si la restricción es activa.
· La F.O. mejorará su valor (aumentará si estoy maximizando y disminuirá si estoy

minimizando) cuando se aumente el valor del término libre de una restricción activa que es
una limitación (precio sombra es positivo).
· La F.O. empeorará su valor (disminuirá si estoy maximizando y aumentará si estoy
minimizando) cuando se disminuya el valor del término libre de una restricción activa que
es una limitación (precio sombra es positivo)..
· La F.O. mejorará su valor (aumentará si estoy maximizando y disminuirá si estoy
minimizando) cuando se disminuya el valor del término libre de una restricción activa que
es un requerimiento del tipo “mayor o igual que” (precio sombra es negativo).
· La F.O. empeorará su valor (disminuirá si estoy maximizando y aumentará si estoy
minimizando) cuando se aumente el valor del término libre de una restricción activa que es
un requerimiento del tipo “mayor o igual que” (precio sombra es negativo).
· La F.O. mantendrá su valor (no variará) cuando se aumente o disminuya el valor del
término libre de una restricción no activa de cualquier tipo.
Todas estas variaciones del valor óptimo de la F.O. son para aumentos o disminuciones en los
términos libre de las restricciones que estén dentro de un rango, el rango de validez del precio
sombra de la restricción.
El siguiente cuadro resume el efecto del precio sombra de una restricción en el valor óptimo de la
función objetivo:

Restricción Condición Término libre Función objetivo

Limitación (≤) Activa Se aumenta MEJORA
Limitación (≤) Activa Se disminuye EMPEORA
Limitación (≤) No activa Se aumenta o disminuye NO VARIA
Requerimiento (≥) Activa Se aumenta EMPEORA
Requerimiento (≥) Activa Se disminuye MEJORA
Requerimiento (≥) No activa Se aumenta o disminuye NO VARIA
En el caso de las restricciones activas del tipo requerimiento que son IGUALDADES, la función
objetivo puede mejorar o empeorar ante aumentos o disminuciones de su término libre, ello
dependerá de cada problema.
2. Variaciones en los coeficientes de la función objetivo
Al variar alguno de los dos coeficientes de las variables en la función objetivo, gráficamente el
efecto que se produce es que la pendiente de la función objetivo cambia y ello puede o no hacer
cambiar la ubicación del punto óptimo.
Normalmente el punto óptimo en un problema en dos variables se encuentra en la intersección de

dos rectas límites de restricciones.
El punto óptimo no cambiará ante variaciones en los coeficientes de la función objetivo, mientras
la pendiente de la función objetivo esté entre las pendientes de las dos rectas límite que definen el
punto óptimo.
El hecho que el punto óptimo no cambie a pesar de que cambien los coeficientes en la F.O. es en
la práctica un hecho muy importante, ya que es de suma importancia saber, por ejemplo, que si el
precio de venta de un producto esta dentro de un rango específico (donde el punto óptimo no
cambia), no tendremos necesidad alguna de cambiar el sistema productivo (restricciones) y por lo
tanto podremos seguir trabajando en el óptimo actual, por ejemplo produciendo X0 unidades de
un producto e Y0 unidades del otro.
Nótese, eso si, que el valor óptimo de la función objetivo siempre cambiará ante cualquier
cambio en sus coeficientes, ya que es directamente proporcional a ellos.

F. ALGORITMO SIMPLEX
El método mas conocido para obtener la solución teórica de un PPL en n variables se

denomina Método Simplex.
En general el método consta de dos fases. La primera fase permite encontrar una primera
solución factible para el PPL o concluir que el problema no tiene solución. A partir de la
solución factible encontrada en la primera fase, la segunda fase permite encontrar una
solución óptima única, varias soluciones óptimas alternativas o concluir que el PPL es “no
acotado”.
1. Estandarización del modelo matemático

Para resolver un PPL a través del algoritmo Simplex, es necesario primero estandarizar el
modelo matemático, es decir, ordenarlo de una forma tal que sea compatible con las
premisas en que se basa el algoritmo. Los requerimientos que debe cumplir un modelo
matemático de un PPL para ser resuelto por el método Simplex, son los siguientes:
(Nota: diferentes autores tienen diferentes aproximaciones para tratar este punto. Todas
son igualmente válidas y correctas.)
a) La función objetivo debe ser siempre de Minimización.

Si la función objetivo es de maximización se debe usar una función auxiliar
denominada Z` que es igual al negativo de Z y minimizar dicha función auxiliar.
Ejemplo:
Función objetivo original:
MAX Z = 3 X 1 + 5 X 2 - 7 X 3
Función objetivo estándar

MIN Z `= -3 X 1 - 5 X 2 + 7 X 3
b) Las variables de decisión deben ser todas no negativas.

Si en el sistema que el modelo representa existen variables de decisión que sí
pueden tomar valores negativos, (Temperatura, profundidad, etc.), dichas variables
deben ser reemplazadas en el modelo estándar por una diferencia entre dos
variables auxiliares, que se definen como no negativas y excluyentes, es decir si
una es mayor que cero la otra debe ser igual a cero.

Ejemplo:
Modelo original:
MAX Z = 3 X 1 + 5 X 2 - 7 X 3
Sujeto a :
3X 1 + 7 X 2 - 3 X 3 ³ 120
4 X 1 - 5 X 2 + 2 X 3 = 80
2 X 1 + 3 X 2 + 5 X 3 £ 20
X 1 y X 3 ³ 0 ; X 2 = Irrestricta en signo
Modelo estándar
Sea X 2 = U - V , entonces el modelo estándar es:
MIN Z `= -3 X 1 - 5U + 5V + 7 X 3
Sujeto a :
3X1 + 7U - 7V - 3 X 3 ³ 120
4 X 1 - 5U + 5V + 2 X 3 = 80
2 X 1 + 3U - 3V + 5 X 3 £ 20
X1 y X 3 ³ 0
U y V ³ 0 , U* V = 0
c) Las restricciones deben ser todas igualdades

Si existen restricciones que son desigualdades, deben transformarse en igualdades
agregando variables no negativas denominadas “holguras”, denotadas por Hi,
donde i es el número de la restricción correspondiente a la holgura que se agrega.
Cuando la restricción es del tipo menor o igual que (£) la variable de holgura tiene
coeficiente (+1). Por el contrario, si la restricción es del tipo mayor o igual que (³)
la variable de holgura tiene coeficiente -1.
Ejemplo:
Modelo original:
MAX Z = 3 X 1 + 5 X 2 - 7 X 3
Sujeto a :
3X 1 + 7 X 2 - 3 X 3 ³ 120
4 X 1 - 5 X 2 + 2 X 3 = 80
2 X 1 + 3 X 2 + 5 X 3 £ 20
X 1 y X 3 ³ 0 ; X 2 = Irrestricta en signo

Modelo estándar
Sea X 2 = U - V , entonces el modelo estándar es:
MIN Z `= -3 X 1 - 5U + 5V + 7 X 3
Sujeto a :
3X1 + 7U - 7V - 3 X 3 - H1 = 120
4 X 1 - 5U + 5V + 2 X 3 = 80
2 X 1 + 3U - 3V + 5 X 3 + H3 = 20
X1 ; X 3 ; H1 y H 3 ³ 0
U y V ³ 0 , U* V = 0

G. SIMPLEX FASE II
PROBLEMA EJEMPLO
Para ilustrar el desarrollo de la Fase II del Algoritmo Simplex utilizaremos el siguiente
problema ejemplo:1
Planeación Financiera. Willie Markit es el presidente de una firma de inversiones

personales, que maneja una cartera de valores de un cierto número de clientes. Un cliente
nuevo ha solicitado recientemente que la firma le maneje una cartera de $100.000. Al
cliente le gustaría limitar su cartera a una combinación de las tres acciones que se
muestran en la figura 2-32. Formulen un P.P.L. que permita tomar la mejor decisión para
maximizar las utilidades totales que se obtengan de la inversión.
Acción Precio por Utilidad anual Cantidad de Acciones

acción estimada por acción disponibles
A. Gofer Crude $60 $7 1000
B. Can Oil $25 $3 1000
C. Sloth Petroleum $20 $3 1500
Figura 2-32 Composición de la cartera
2. MODELO MATEMATICO
Sea Xj la cantidad de acciones tipo j a adquirir (j=A,B,C).
F .O. MAX Z = 7 X A + 3 X B + 3 X c
Sujeto a :
XA £ 1.000
XB £ 1.000
X C £ 1.500
60X A + 25X B + 20X C £ 100.000
X j ³ 0 "j
1
Problema 2-5 “Investigación de Operaciones en la Ciencia Administrativa”, Gould, Eppen y
Schmidt, 3ª. Edición, 1992
3. MODELO MATEMATICO ESTANDARIZADO

Sea Xj la cantidad de acciones tipo j a adquirir (j=A,B,C).
F .O. MIN Z ' = -7 X A - 3 X B - 3 X c

Sujeto a :
XA + H1 = 1.000
XB + H2 = 1.000
XC + H3 = 1.500
60X A + 25X B + 20X C + H 4 = 100.000
Xj ³ 0 Hi ³ 0 "j , "i
4. TABLA SIMPLEX ORIGINAL

La tabla simplex original es la representación tabular de las ecuaciones de un modelo de
programación lineal estandarizado. En nuestro ejemplo la tabla simplex original sería:
XA XB XC H1 H2 H3 H4 -Z’ bi
1 0 0 1 0 0 0 0 1000
0 1 0 0 1 0 0 0 1000
0 0 1 0 0 1 0 0 1500
60 25 20 0 0 0 1 0 100000
cj -7 -3 -3 0 0 0 0 1 0
5. TABLA SIMPLEX CANONICA

Una tabla simplex se encuentra en forma canónica cuando en su matriz de coeficientes
existe una matriz identidad de orden (m+1), siendo m el número de restricciones.
En una tabla simplex canónica se distinguen VARIABLES BASICAS y VARIABLES NO
BASICAS. Son variables básicas aquellas asociadas a las columnas de la matriz identidad
(Se destacan con *) y son no básicas las restantes. Las variables no básicas tienen valor
cero por definición.
Una tabla simplex canónica SIEMPRE representa una SOLUCION FACTIBLE para el
problema de programación lineal. Cuando todas las restricciones de un P.P.L. son del tipo
limitaciones (£), la tabla simplex original siempre estará en forma canónica y siempre
representará la solución nula, es decir, todas las variables de decisión iguales a cero, las
variables de holgura iguales al término libre de la restricción y la función objetivo igual a
cero. (Es el resultado de hacer nada).

Tabla simplex canónica del problema ejemplo:
Variables básicas H1, H2, H3 y H4
Variables no básicas XA, XB y XC
Solución Factible:
XA, XB y XC = 0; H1 =1000, H2 =1000, H3 =1500, H4 = 100.000, Z’ = 0; Z=0
* * * *
XA XB XC H1 H2 H3 H4 -Z’ bi
1 0 0 1 0 0 0 0 1000
0 1 0 0 1 0 0 0 1000
0 0 1 0 0 1 0 0 1500
60 25 20 0 0 0 1 0 100000
cj -7 -3 -3 0 0 0 0 1 0
6. CONDICION DE OPTIMALIDAD
Una tabla simplex canónica representa una solución óptima para el P.P.L. si y sólo si
todos los coeficientes cj son no negativos.
c ³ 0 "j
j
7. MEJORAMIENTO DE UNA SOLUCION
Si en una tabla simplex canónica existen cj negativos, significa que la solución no es

óptima pero que sí puede mejorarse, es decir, obtener un mejor valor para la F.O.
El mejoramiento de una solución se realiza efectuando combinaciones lineales entre las
filas de la tabla, es decir, entre las ecuaciones del modelo estandarizado. Estas
combinaciones lineales permiten reemplazar una variable actualmente básica por otra que
en la actualidad no lo es y dan origen a una nueva solución con un mejor valor para la
F.O. que se intenta optimizar.
a) Criterio de Entrada a la Base de Solución

Debe entrar a la base de solución una variable no básica asociada a un cj negativo.
Normalmente conviene hacer entrar a la base aquella variable no básica asociada al
cj mas negativo.

b) Criterio de Salida de la Base de Solución
Debe salir de la base de solución aquella variable básica que tiene su elemento
unidad (1) en aquella fila para la cual se verifica el mínimo cuociente entre el
término libre (bi) y el coeficiente de la variable que entrará a la base (aie) en cada
restricción. Este cuociente está definido sólo para los valores (aie) estrictamente
mayores que cero.
é bi ù
ê ú ; con a ie > 0
ë a ie û MIN
* * * *
XA XB XC H1 H2 H3 H4 -Z’ bi bi/aie
1 0 0 1 0 0 0 0 1000 1000/1
0 1 0 0 1 0 0 0 1000 No
0 0 1 0 0 1 0 0 1500 No
60 25 20 0 0 0 1 0 100000 100000/60 F4-60F1
cj -7 -3 -3 0 0 0 0 1 0 F5+7F1
* * * *
1 0 0 1 0 0 0 0 1000
0 1 0 0 1 0 0 0 1000
0 0 1 0 0 1 0 0 1500
0 25 20 -60 0 0 1 0 40000
cj 0 -3 -3 7 0 0 0 1 7000
Esta nueva tabla representa otra solución factible para el P.P.L., a saber:
XA=1.000, XB , XC y H1=0 , H2=1.000 , H3=1.500 , H4=40.000 , Z’= -7.000 ,
Z = 7.000
La solución tiene un mejor valor para Z pero no es aún la óptima pues existen cj < 0, por
lo que se debe mejorar.
* * * *
1 0 0 1 0 0 0 0 1000 No
0 1 0 0 1 0 0 0 1000 1000/1
0 0 1 0 0 1 0 0 1500 No
0 25 20 -60 0 0 1 0 40000 40000/25 F4-25F2
cj 0 -3 -3 7 0 0 0 1 7000 F5+3F2

* * * *
1 0 0 1 0 0 0 0 1000
0 1 0 0 1 0 0 0 1000
0 0 1 0 0 1 0 0 1500
0 0 20 -60 -25 0 1 0 15000
cj 0 0 -3 7 3 0 0 1 10000
XA=1.000, XB=1.000, XC , H1 y H2=0, H3=1.500 , H4=15.000 , Z’= -10.000 ,
Z = 10.000
* * * *
1 0 0 1 0 0 0 0 1000 No
0 1 0 0 1 0 0 0 1000 No
0 0 1 0 0 1 0 0 1500 1500/1 F3-F4
0 0 20 -60 -25 0 1 0 15000 15000/20 (1/20)
cj 0 0 -3 7 3 0 0 1 10000 F5+3F4
* * * *
1 0 0 1 0 0 0 0 1000
0 1 0 0 1 0 0 0 1000
0 0 0 3 5/4 1 -1/20 0 750
0 0 1 -3 -5/4 0 1/20 0 750
cj 0 0 0 -2 -3/4 0 3/20 1 12250
XA=1.000, XB=1.000, XC=750 , H1 , H2 y H4=0, H3=750 , Z’= -12.250 ,
Z = 12.250

* * * *
1 0 0 1 0 0 0 0 1000 1000/1 F1-F3
0 1 0 0 1 0 0 0 1000 No
0 0 0 3 5/4 1 -1/20 0 750 750/3 (1/3)
0 0 1 -3 -5/4 0 1/20 0 750 No F4+3F3

cj 0 0 0 -2 -3/4 0 3/20 1 12250 F5+2F3
* * * *
1 0 0 0 -5/12-1/3 1/60 0 750
0 1 0 0 1 0 0 0 1000
0 0 0 1 5/12 1/3 -1/60 0 250
0 0 1 0 0 1 0 0 1500
cj 0 0 0 0 1/12 2/3 7/60 1 12750
Esta nueva y última tabla representa la solución óptima para el P.P.L. pues cumple con
la condición de optimalidad.
La solución óptima única del PPL es:
X*A=750, X*B=1.000, X*C=1.500, H*1=250, H*2, H*3 , y H*4=0, Z’*= -12.750 ,

Z* = 12.750

H. SIMPLEX FASES I y II
PROBLEMA EJEMPLO
Para ilustrar el desarrollo de la Fases I y II del Algoritmo Simplex utilizaremos el siguiente

problema ejemplo:
Una empresa fabricante de cemento produce dos tipos de cemento, granulado y en polvo. La
empresa no puede hacer más de 1600 bolsas de cemento al día debido a una escasez de vehículos
para transportarlas fuera de la planta. Un contrato de ventas le exige producir al menos 500 bolsas
de cemento en polvo al día. Debido a restricciones del proceso, para producir una bolsa de
cemento granulado se requiere el doble del tiempo que se requiere para producir una de cemento
en polvo. Una bolsa de cemento en polvo consume para su fabricación 0.24 minutos/bolsa y la
planta opera 8 horas por día. Para el proceso de embolsado del cemento se cuenta con una fuerza
laboral manual (H-H) compuesta por seis operarios a tiempo completo y dos operarios a ¾ de
jornada. Embolsar el cemento toma a un operario 1,5 minutos por bolsa para el cemento
granulado y 3 minutos por bolsa para el cemento en polvo. La utilidad que se obtiene en la
comercialización del cemento es de US$ 4 por bolsa para el cemento granulado y de US$ 3 por
bolsa para el cemento en polvo.
Formule el modelo de programación lineal que defina el plan de producción diaria que
permita maximizar la utilidad total de la empresa y resuélvalo mediante el algoritmo Simplex.
1. MODELO MATEMATICO
Sea Xj = Cantidad de bolsas de cemento granulado y en polvo a producir (j=g,p)
F.O. MAX Z = 4 Xg + 3 Xp
Sujeto a:
Xg + Xp <= 1600
Xp >= 500
0,48 Xg + 0,24 Xp <= 480
1,5 Xg + 3 Xp <= 3600

2. MODELO MATEMATICO ESTANDARIZADO
F.O. MIN Z ' = - 4 Xg - 3Xp
Sujeto a:
Xg + Xp + H1 = 1600
Xp - H2 = 500
0,48 Xg + 0,24 Xp + H3 = 480
1,5 Xg + 3 Xp + H4 = 3600
3. TABLA SIMPLEX ORIGINAL
La tabla simplex original es la representación tabular de las ecuaciones de un modelo de

programación lineal estandarizado. En nuestro ejemplo la tabla simplex original sería:
nose puede multiplicar

Xg Xp H1 H2 H3 H4 -Z' bi
por menos 1 1 1 1 0 0 0 0 1600
0 1 0 -1 0 0 0 500
0,48 0,24 0 0 1 0 0 480
1,5 3 0 0 0 1 0 3600
cj -4 -3 0 0 0 0 1 0
Nótese que en este caso la tabla simplex original no está en forma canónica ya que no
existe una matriz identidad de orden 5 (m+1), es decir no representa solución alguna para
el problema a resolver.
Lo anterior implica la necesidad de desarrollar la Fase I del Algoritmo Simplex, diseñado

para intentar encontrar una primera solución factible.
4. MODELO MATEMATICO AUMENTADO PARA DESARROLLAR FASE I
Para desarrollar la Fase I del Algoritmo Simplex el modelo matemático estándar original
se modifica de la siguiente manera:
· Se agrega a cada restricción del tipo requerimiento, sea esta >= o =, una variable
artificial Ai, con el subíndice correspondiente al número de la restricción respectivo y
con coeficiente +1. En nuestro ejemplo se debe agregar +A2.
· Se agrega una función objetivo para la Fase I denominada W y que es igual a la suma
de las variables artificiales que se hayan agregado. El objetivo de la Fase I será
minimizar W hasta hacerla igual a cero; si ello se logra se habrá encontrado la primera

solución factible para el problema; si lo anterior no es posible significa que el problema
no tiene solución.
Por lo tanto el modelo matemático para la Fase I en este ejemplo sería:

Ai = Variables artificiales Fase I simplex
W = Función objetivo Fase I simplex
F.O. Fase I MIN W = A2

F.O. Original MIN Z' = = - 4 Xg - 3Xp
Sujeto a:
Xg + Xp + H1 = 1600
Xp - H2 + A2 = 500
0,48 Xg + 0,24 Xp + H3 = 480
1,5 Xg + 3 Xp + H4 = 3600
5. TABLA SIMPLEX INICIAL PARA FASE I

la canonica de restricciones mas 2 (4 + 2=6)
Xg Xp H1 H2 H3 H4 A2 -Z' -W bi
F1 1 1 1 0 0 0 0 0 0 1600
F2 0 1 0 -1 0 0 1 0 0 500
F3 0,48 0,24 0 0 1 0 0 0 0 480
F4 1,5 3 0 0 0 1 0 0 0 3600
F5 cj -4 -3 0 0 0 0 0 1 0 0
F6 dj 0 0 0 0 0 0 1 0 1 0 F6-F2
En esta tabla simplex la fila número seis representa a la función objetivo de la Fase I.
Para que una tabla simplex de fase I esté en forma canónica debe tener en su matriz de
coeficientes una matriz identidad de orden (m+2), en este caso de orden 6. Se ve
claramente que dicha matriz se puede obtener restando a la fila seis la fila dos. En general
la primera tabla simplex de fase I nunca estará en forma canónica y siempre será necesario
restar a la fila de la función objetivo de Fase I, simultáneamente, todas las filas donde fue
necesario agregar variables de holgura.
Hecho lo anterior la tabla simplex de Fase I que si está canónica es la siguiente:

* * * *
Xg Xp H1 H2 H3 H4 A2 -Z' -W bi bi/aie
F1 1 1 1 0 0 0 0 0 0 1600 1600/1=1600 F1-F2
F2 0 1 0 -1 0 0 1 0 0 500 500/1 = 500
F3 0,48 0,24 0 0 1 0 0 0 0 480 480/0,24 = 2000 F3-0,24F2
F4 1,5 3 0 0 0 1 0 0 0 3600 3600/3 = 1200 F4-3F2
F5 cj -4 -3 0 0 0 0 0 1 0 0 F5+3F2
F6 dj 0 -1 0 1 0 0 0 0 1 -500 F6+F2
Esta tabla simplex si está en forma canónica pues existe una matriz identidad de orden 6
(m+2). En ella las variables básicas son H1, H3, H4 y A2.
Tal como ya se indicó el propósito de la Fase I es minimizar W (representada en la fila 6)

hasta hacerla igual a cero. En estos momentos W = 500 y por lo tanto debe mejorarse su
valor.
El mejoramiento se hace en forma similar a lo estudiado en la Fase II, con la diferencia

que el criterio de entrada se aplica sobre la fila de la función objetivo de fase I, llamada de
los dj.
ya que tiene un signo negativo dj
En este caso debe entrar a la base la variable Xp y debe salir de ella la variable A2.
Efectuado este reemplazo en base a las combinaciones lineales entre ecuaciones
indicadas, se obtiene la siguiente tabla simplex:
* * * *
-
Xg Xp H1 H2 H3 H4 A2 Z' -W bi eliminar ya que W es cero y A2 ya
no es una base emtonces cero
F1 1 0 1 1 0 0 -1 0 0 1100
F2 0 1 0 -1 0 0 1 0 0 500
F3 0,48 0 0 0,24 1 0 -0,24 0 0 360
F4 1,5 0 0 3 0 1 -3 0 0 2100
F5 cj -4 0 0 -3 0 0 3 1 0 1500
F6 dj 0 0 0 0 0 0 1 0 1 0
Nótese que en esta tabla A2 = 0 por ser variable no básica y por lo tanto W = 0. Ello
permite eliminar todo lo artificial que tenía el modelo aumentado, es decir: las columnas
de las variables artificiales, la columna W y la fila de los dj, o sea la función objetivo de la
fase I. Eliminado todo esto la tabla resultante es:

* * * *
Xg Xp H1 H2 H3 H4 -Z' bi bi/aie
F1 1 0 1 1 0 0 0 1100 1100/1=1100
F2 0 1 0 -1 0 0 0 500 NO
F3 0,48 0 0 0,24 1 0 0 360 360/0,48 = 750
F4 1,5 0 0 3 0 1 0 2100 2100/1,5 = 1400
F5 cj -4 0 0 -3 0 0 1 1500
Esta tabla simplex corresponde a la fase II pues no existen variables artificiales, sólo las
de decisión y las de holgura. La tabla además está en forma canónica pues tiene una
matriz identidad de orden 5 (m+1) y por lo tanto representa una solución factible para el
problema original, a saber:
Base de la solución: Xp; H1; H3; H4

Solución: Xg = 0; Xp = 500; H1 = 1100; H3 = 360; H4 = 2100; Z’ = -1500; y Z = 1500
La solución no es la óptima puesto que existen dos coeficientes cj menores que cero y
debe ser mejorada haciendo entrar la variable Xg a la base y haciendo salir de ella la
variable H3. Este reemplazo comienza por asegurar que la variable Xg tenga un
coeficiente 1 en la fila 3 y ello se logra dividiendo toda la ecuación 3 por 0,48, con lo que
se obtiene la siguiente tabla:
* * * *
F1 1 0 1 1 0 0 0 1100 F1-F3
F2 0 1 0 -1 0 0 0 500
F3 1 0 0 0,5 2,0833 0 0 750
F4 1,5 0 0 3 0 1 0 2100 F4-1,5F3
F5 cj -4 0 0 -3 0 0 1 1500 F5+4F3
Para terminar el reemplazo de Xg por H3 en la base se deben hacer las combinaciones

lineales entre ecuaciones que se indican, obteniéndose:
* * * *
Xg Xp H1 H2 H3 H4 -Z' bi bi/aie
F1 0 0 1 0,5 -2,083 0 0 350 350/0,5=700
F2 0 1 0 -1 0 0 0 500 NO
F3 1 0 0 0,5 2,0833 0 0 750 750/0,5 = 1500
F4 0 0 0 2,25 -3,125 1 0 975 975/2,25 = 433,3
F5 cj 0 0 0 -1 8,3333 0 1 4500

Esta tabla aún no representa la solución óptima y se debe mejorar haciendo entrar H2 a la
base, en reemplazo de H4. Para ello lo primero es hacer aparecer un coeficiente 1 bajo H2
en la fila 4 y ello se logra dividiendo por 2,25, obteniéndose:
* * *
F1 0 0 1 0,5 -2,083 0 0 350 F1-0,5F4
F2 0 1 0 -1 0 0 0 500 F2+F4
F3 1 0 0 0,5 2,0833 0 0 750 F3-0,5F4
F4 0 0 0 1 -1,389 0,4444 0 433,3333
F5 cj 0 0 0 -1 8,3333 0 1 4500 F5+F4
Para completar el reemplazo en la base se deben realizar las combinaciones lineales
indicadas y se llega a la última tabla:
* * * *
F1 0 0 1 0 -1,389 -0,2222 0 133,3333
F2 0 1 0 0 -1,389 0,4444 0 933,3333
F3 1 0 0 0 2,7778 -0,2222 0 533,3333
F4 0 0 0 1 -1,389 0,4444 0 433,3333
F5 cj 0 0 0 0 6,9444 0,4444 1 4933,333
Esta tabla representa la solución óptima del problema ya que no hay coeficientes cj
menores que cero.
La solución óptima es:
Xg = 533,33; Xp = 933,33; H1 = 133,33; H2 = 433,33; H3 = 0; H4 = 0 y el valor
óptimo de la función objetivo es Z = 4933,33
Haremos un paralelo con la solución gráfica de este problema que es la siguiente:
Solución óptima, R3 ∩ R4
R2
R3 R1 R4
Solución factible Nº1
Solución factible Nº2
Nótese que el algoritmo simplex se acerca a la solución óptima avanzando por los puntos
extremos en el exterior de la zona de soluciones factibles.

DIAGRAMA DE FLUJO ALGORITMO SIMPLEX
FASE I Y FASE II
ENCONTRAR
EL MODELO
MATEMATICO
Hay Xj sin SI Reemplace X por

restricción (U - V)
de signo U,V>0
NO
NO Haga Z' = - Z
Es MIN Z
y minimice Z'
SI
Restric-
ciones son SI Agregue Variables
desigualdades de Holgura
NO
NO Agregue Variables
Está SIMPLEX
Artificiales y F.O.
Canónico FASE I Fase I
SI
Haga dj = 0 para
SIMPLEX Variables
FIN
Artificiales
FASE II
PROBLEMA
SIN Desarrollar
Simplex
SOLUCION
Hay NO SOLUCION
Cj < 0 OPTIMA
NO
SI
NO
Es W = 0 Hay dj <0
Cj Neg. entra a la
Base; b/a Min.
sale de la Base SI SI
dj Neg. entra a la
SOLUCION
Base; b/a Min.
FACTIBLE
sale de la Base
Aplicar Pivote
Eliminar Fila F.O.

Fase I y columnas Aplicar Pivote
W y Var. Artif.

I. DUALIDAD Y HOLGURAS COMPLEMENTARIAS
Cada modelo matemático de optimización de un sistema, que llamaremos el modelo PRIMAL,

tiene su propio modelo DUAL.
El modelo PRIMAL es aquel que representa el sistema o proceso que se desea optimizar.
El modelo DUAL permite calcular los Precios Sombra de las restricciones de un primal, es decir
la importancia relativa que tiene cada restricción primal en cuanto a su influencia en el valor
óptimo de la función objetivo. Cada variable dual no es otra cosa mas que el precio sombra de la
restricción primal asociada a ella.
I.1. Formulación matemática del modelo dual de un primal
Por convención en los modelos primales de usa la letra Z para referirse a su F.O. y las letras Xj
para referirse a sus variables de decisión. En el caso del modelo dual se usa la letra W para
referirse a su F.O. y las letras Yi para referirse a sus variables de decisión (precios sombra).
a. De modelos primales simétricos o normales
Un modelo primal de maximización se dice que es simétrico o normal, cuando todas sus
restricciones son limitaciones (<) y todas sus variables de decisión son no negativas (>0).
Un modelo primal de minimización se dice que es simétrico o normal, cuando todas sus
restricciones son requerimientos del tipo (>) y todas sus variables de decisión son no negativas
(>0).
Consideremos el siguiente modelo primal genérico, simétrico, de maximización y su modelo dual
asociado:
PRIMAL DUAL
MAX Z = c1X1 + c2X2 + ……. +cnXn MIN W = b1Y1 + b2Y2 + ……. +bmYm
s.a.: a11X1 + a12X2 + …..+ a1nXn < b1 s.a.: a11Y1 + a21Y2 + …..+ am1Ym > c1
a21X1 + a22X2 + …..+ a2nXn < b2 a12Y1 + a22Y2 + …..+ am2Ym > c2
……………………………….. ………………………………..
……………………………….. ………………………………..
am1X1 + am2X2 + …..+ amnXn < bm a1nY1 + a2nY2 + …..+ amnYm > cn
X1, X2, …..Xn > 0 Y1, Y2, …..Ym > 0
Es fácil percatarse que las relaciones entre el primal y su dual son las siguientes:
1. Un modelo primal de maximización simétrico da origen a un modelo dual de minimización

también simétrico.
2. El sentido de optimización del dual es el contrario al del primal.
3. El número de variables del dual es igual al número de restricciones del primal y el número de
restricciones del dual es igual al número de variables del primal.
4. Los coeficientes de las variables en la función objetivo del dual son los elementos del vector
disponibilidad de recursos del primal ( bi ).

5. Los coeficientes de las variables en la k-ésima restricción del dual son los coeficientes de la
k-ésima variable en cada una de las restricciones del primal.
6. El término libre de la k-ésima restricción del dual es el coeficiente de la k-ésima variable en
la función objetivo del primal.
7. Si el problema primal es de maximización y la k-ésima variable primal es ³0, la
correspondiente restricción dual será un requerimiento ( ³ ).
(Sin embargo, si el problema primal fuese de minimización y la k-ésima variable primal es
³0, la correspondiente restricción dual será una limitación (£ )).
Independientemente de si el problema primal es de maximización o minimización, si la k-
ésima variable primal es irrestricta en signo, la correspondiente restricción dual será una
igualdad (=).
8. Si el problema primal es de maximización y la k-ésima restricción primal es una limitación
del tipo £ la correspondiente variable dual será positiva o cero ( ³ 0).
(Sin embargo, si el problema primal es de minimización y la k-ésima restricción primal es un
requerimiento del tipo > la correspondiente variable dual será negativa o cero (< 0))
Independientemente de si el problema primal es de maximización o minimización, si la k-
ésima restricción primal es una igualdad (=), la correspondiente variable dual será irrestricta
en signo.
9. Se puede igualmente concluir que: “El modelo dual de un dual es el modelo primal”.
Ejemplo 1:
Encuentre el modelo dual del siguiente primal normal de maximización:

PRIMAL DUAL
MAX Z = 60X1 + 30X2 + 20X3 MIN W = 48Y1 + 20Y2 + 8Y3
s.a.: 8X1 + 6X2 + X3 < 48 s.a.: 8Y1 + 4Y2 + 2Y3 > 60
4X1 + 2X2 + 1.5X3 < 20 6Y1 + 2Y2 + 1.5Y3 > 30
2X1 + 1.5X2 + 0.5X3 < 8 Y1 + 1.5Y2 + 0.5Y3 > 20
X1, X2, X3 > 0 Y1, Y2, Y3 > 0
Ejemplo 2:
Encuentre el modelo dual del siguiente primal normal de minimización:

PRIMAL DUAL
MIN Z = 50X1 + 20X2 + 30X3 + 80X4 MAX W = 500Y1 + 6Y2 + 10Y3 + 8Y4
s.a.: 400X1 + 200X2 + 150X3 + 500X4> 500 s.a.: 400Y1 + 3Y2 + 2Y3 + 2Y4 < 50
3X1 + 2X2 >6 200Y1 + 2Y2 + 2Y3 + 4Y4< 20
2X1 + 2X2 + 4X3 + 4X4 > 10 150Y1 + 4Y3 + Y4 < 30
2X1 + 4X2 + X3 + 5X4 > 8 500Y1 + 4Y3 + 5Y4 < 80
X1, X2, X3, X4 > 0 Y1, Y2, Y3, Y4 < 0

b. Modelo dual de modelos primales no normales
La gran mayoría de los modelos de programación lineal son no normales, es decir, en ellos
coexisten restricciones del tipo limitaciones (<), requerimientos del tipo (>), requerimientos del
tipo (=) y variables sin restricción de signo que pueden tener valores óptimos negativos, positivos
o valor cero (Estas últimas son sin embargo las menos comunes en modelos reales).
Para encontrar el modelo dual de un primal no normal es no obstante siempre posible

transformarlo en un modelo de maximización o de minimización normal, según corresponda. El
procedimiento general en estos casos es el siguiente:
1. Si existen variables sin restricción de signo, reemplace en el modelo esa(s) variables por
una diferencia entre dos variables auxiliares.
2. Si existen requerimientos del tipo igualdad reemplace esa(s) restricciones por dos
restricciones, una del tipo (>) y otra del tipo (<).
3. Hecho lo anterior, si el problema es de maximización transforme todas las restricciones en
limitaciones (<) multiplicando por (-1) las restricciones (>) y si el problema es de
minimización transforme todas las restricciones en requerimientos, multiplicando por (-1)
las restricciones (<).
Ejemplo 3:
Encuentre el modelo dual del siguiente primal no normal de maximización:

PRIMAL ORIGINAL PRIMAL NORMALIZADO Y SIMETRICO
MAX Z = 40X1 - 53X2 + 65X3 MAX Z = 40X1 - 53X2 + 65X3A - 65X3B
s.a.: 25X1 + 12X2 - 13X3 < 120 s.a.: 25X1 + 12X2 - 13X3A+13 X3B < 120
7X1 - 5X2 + 20X3 = 250 7X1 - 5X2 + 20X3A - 20 X3B < 250
-3X1 + 4X2 + 5X3 > 56 -7X1 + 5X2 - 20X3A + 20 X3B < -250
25X1 + 12X2 + 15X3 > 215 3X1 - 4X2 - 5X3A + 5X3B < -56
X1, X2 > 0; X3 = Irrestricta -25X1 - 12X2 - 15X3A + 15X3B < -215
X1, X2, X3A, X3B > 0
MODELO DUAL
MIN W = 120Y1 + 250Y2 – 250Y3 – 56Y4 – 215 Y5

s.a.: 25Y1 + 7Y2 – 7Y3 + 3Y4 - 25Y5 > 40
12Y1 - 5Y2 + 5Y3 - 4Y4 - 12Y5 > -53
-13Y1 + 20Y2 – 20Y3 - 5Y4 - 15Y5 > 65
13Y1 - 20Y2 + 20Y3 + 5Y4 + 15Y5 > -65
Y1, Y2, Y3, Y4, Y5 > 0

El resultado óptimo del modelo dual permitirá calcular el valor absolutos de los precios sombra
del primal. Sin embargo los resultados numéricos deben interpretarse de la siguiente manera:
· El precio sombra de una limitación (<) será siempre positivo, es decir, si se aumenta el
término libre de la restricción (se relaja la restricción), el valor óptimo de la función
objetivo MEJORARÁ, aumentará si se está maximizando o disminuirá si se está
minimizando.
· El precio sombra de un requerimiento (>) será siempre negativo, es decir, si se aumenta el
término libre de la restricción (se aumenta el requerimiento mínimo), el valor óptimo de la
función objetivo EMPEORARÁ, aumentará si se está minimizando o disminuirá si se está
maximizando.
· El precio sombra de un requerimiento del tipo (=) será irrestricto en signo, dependerá de
cada modelo en particular, es decir, si se aumenta el término libre de la restricción (se
aumenta el requerimiento), el valor óptimo de la función objetivo EMPEORARÁ,
MEJORARÁ O NO VARIARÁ, (=0).
TEOREMA DE LAS HOLGURAS COMPLEMENTARIAS
Sea X *j (j = 1, 2, 3, ………, n) el valor de las variables de decisión que da origen a una
solución factible de un problema PRIMAL y sea

*
P
i (i = 1, 2, 3, ………, m) el valor de las
variables de decisión que da origen a una solución factible de su problema DUAL; entonces ,
ambas soluciones serán óptimas si se cumple que :
a)
æ n ö
P * ç å aij X j - bi ÷ = 0
* *
(i = 1, 2, 3, ..., m)
è j =1 ø
i
De este teorema se concluye que: Si al reemplazar las variables de una restricción primal por su
valor óptimo, la restricción se cumple en su sentido estricto (> o <) es decir, cuando la restricción
tiene un valor de holgura distinto de cero, entonces la correspondiente variable dual es NULA, o
sea, el precio sombra de esa restricción es 0, su influencia es nula respecto al valor óptimo de la
función objetivo. “Si una restricción primal tiene un valor de holgura distinto de cero su precio
sombra es cero”

b)
æ m ö
X * ç å a ji P i - c j ÷ = 0
* *
(j = 1, 2, 3, ... , n)
è i =1
j
ø
En forma similar, se concluye con esta segunda parte del teorema, que cuando una variable
primal básica óptima es distinta de cero, la holgura de la restricción dual, valorizada en el óptimo,
debe ser necesariamente igual a cero.

J. EL SOFTWARE “LINDO” (Versión 6.1)
L = Linear IN = Interactive D = Discrete O = Optimizer
Optimizador Lineal, Discreto, Interactivo.
6. PRESENTACION GENERAL
7. MENUS Y COMANDOS
a) Menu File

b) Menu Edit
c) Menu Solve
d) Menu Reports

e) Menu Window
f) Comando Find-Replace
g) Comando Go-to-line

h) Comando Options
i) Comando Paste Symbol

j) Respuesta al Comando Tableau
k) Respuesta al Comando Solution

l) Respuesta al Comando Pivot
m) Respuesta al Comando Solve con análisis de sensibilidad

n) About Lindo

3. ANALISIS DE RESULTADOS CON SOFTWARE LINDO

a) PROBLEMA EJEMPLO N°1
Winco vende cuatro tipos de productos. Los recursos necesarios para producir una unidad de cada
producto y el precio de venta para cada producto se dan en la Tabla 1. En la actualidad se dispone
de 4600 unidades de materia prima y de 5000 horas hombre de trabajo. Para cumplir con la
demanda de los clientes se debe producir exactamente 950 unidades de producto, en cualquier
combinación, siempre y cuando las unidades de producto tipo 4 sea a lo menos 450.
Formule un programa lineal que permita maximizar los ingresos por venta de Winco y
soluciónelo con el software LINDO.
Tabla 1: Precios de venta y necesidad de recursos para producción de productos

Producto 1 Producto 2 Producto 3 Producto 4
Materia Prima 2 3 4 7
Horas Hombre 3 4 5 6
Precio de Venta US$4 US$6 US$7 US$8
SOLUCION:

ANALISIS DE LOS RESULTADOS
· “REDUCED COST”
Este parámetro tiene dos interpretaciones equivalentes:
Interpretación 1:
Es la tasa a la que la función objetivo empeorará, por cada unidad que aumente desde cero el
valor de una variable no básica en la solución óptima de un PPL, al forzarla a transformarse en
básica. Nótese que se habla de empeorar y no de aumentar o disminuir, porque el efecto que se
produce depende del sentido de la optimización (MAX o MIN).
Interpretación 2:
Para cualquier variable no básica Xk, el reduced cost de Xk es la cantidad en la que se debe
mejorar el coeficiente de Xk en la función objetivo para que el PPL tenga una solución óptima
alternativa a la actual, en la que Xk será variable básica. (Nótese que se usa el término “mejorar
el coeficiente”, lo que implica, por ejemplo, aumentarlo en esa cantidad si la F.O. es de
maximización y el coeficiente es positivo o bien disminuirlo en esa cantidad, si es de
minimización y es positivo).
Si el coeficiente en la función objetivo de una variable no básica es mejorado en mas allá del
valor de su reduced cost, entonces habrá sólo una la nueva solución óptima del PPL, que tendrá a
Xk como variable básica.
El resultado óptimo de nuestro ejemplo muestra que X3 es variable no básica y tiene un reduced
cost = $1. Esto implica que si se mejora el coeficiente de la variable X3 en la función objetivo

(Es decir el precio de venta unitario del producto 3) en exactamente $1 (en vez de $7 sea $8),
habrá una solución óptima alternativa en la que X3 será variable básica. Si se aumenta el
coeficiente de X3 en la función objetivo en más de $1, entonces habrá sólo una solución óptima
del PPL y ella tendrá a X3 como variable básica.
· “DUAL PRICES” y Análisis de Sensibilidad
La columna Dual Prices indica el valor de los precios sombra de las restricciones del PPL.
Recordemos la definición de precio sombra que está hecha en base a un precio sombra positivo:
El precio sombra de una restricción de un PPL es la cantidad en que mejoraría (Aumentaría si
la F.O. es Max o disminuiría si la F.O. es Min) el valor óptimo de la función objetivo, cuando
el término libre de la restricción es aumentado en una unidad. (En forma contraria, si se
disminuye en una unidad el término libre de la restricción, el valor óptimo de la función objetivo
empeorará en una cantidad igual al precio sombra).
Signos de los Dual Prices (Precios Sombra)

El precio sombra de una restricción del tipo ³ será siempre negativo o cero, el de una restricción
£ será positivo o cero y el de una restricción que es igualdad podrá tener cualquier valor,
negativo, positivo o cero, es decir, irrestricta en signo. Esto aplica tanto para un PPL de
maximización como de minimización. Para ilustrar esta realidad, observe que si se agregan
puntos a la zona de soluciones factibles de un PPL, hecho que ocurre cuando se aumenta el
término libre de una restricción £, su efecto es que el valor óptimo de la función objetivo mejora
o queda igual y al quitar puntos a la zona, si se aumenta el término libre de una restricción ³, el
óptimo empeora o queda igual.
Rango de validez de los precios sombra

El precio sombra de una restricción es válido dentro un rango de variación específico de su
término libre. Este rango se puede calcular con los antecedentes que se entregan en el análisis de
sensibilidad del resultado óptimo, en la parte denominada “Righthand side ranges” (Rangos de
los lados de la mano derecha, es decir, de los términos libres de las restricciones). Para cada
término libre se indica su valor actual, la cantidad máxima en que éste puede ser aumentado
(Allowable increase) y la cantidad máxima en que éste puede ser disminuido (Allowable
decrease). El mejoramiento o empeoramiento del valor óptimo de la función objetivo será
directamente proporcional a su precio sombra por la cantidad en que varíe el término libre de la
restricción, siempre y cuando ésta variación mantenga el valor del término libre dentro del rango
de validez antes calculado.
En nuestro Problema Ejemplo N°1, se indica que el precio sombra de la restricción R2 es (-6).
Este precio sombra es negativo ya que la restricción es del tipo >= y su interpretación, en el
contexto del problema es la siguiente:
Por cada unidad de producto 4 que se requiera fabricar, por sobre los 450 productos, el valor
óptimo de la función objetivo empeorará en $6. (Nótese que en este caso la F.O. empeora con un
aumento del término libre y ello es porque el precio sombra es negativo). Por el contrario, si el
término libre de la restricción R2 se disminuye, el valor óptimo de la función objetivo mejorará

en $6 por cada unidad que se disminuya. El rango de valores del término libre de la restricción en
el que este efecto del precio sombra es válido, se obtiene del análisis de sensibilidad como sigue:
(450 – 12.5) £ b2 £ (450 + 90)
437.5 £ b2 £ 540
En el caso de una restricción no activa, es decir aquella restricción que tiene holgura y que por lo
tanto su precio sombra es nulo (0), el rango de variación del término libre de la restricción así
calculado, indica los valores que puede tomar este término libre sin que el valor óptimo de la
función objetivo ni el valor óptimo de las variables cambie. (Rango en el cuál la “base” no
cambia). En nuestro ejemplo la restricción R4 tiene una holgura de 350 unidades y según el
análisis de sensibilidad, su término libre puede variar entre 4650 e infinito sin que el valor óptimo
de la función objetivo (6500) cambie, ni tampoco el valor óptimo de las variables de decisión.
· Rangos de los coeficientes de la Función Objetivo (“Obj Coefficient Ranges”)
Recordemos que en el análisis de sensibilidad de un PPL en dos variables calculamos el rango de

valores en que podían variar los coeficientes de la F.O. de tal forma que la variación de pendiente
que ello provoca no hiciese variar la ubicación del punto óptimo.
Con el software LINDO, ya sea para dos o para más variables, el rango de variación permitido
para los coeficientes de la F.O., que permite que “la Base no cambie”, es decir que las variables
que son actualmente básicas en la solución óptima sigan siendo básicas y no varíen su valor
óptimo, se obtiene del análisis de sensibilidad en la sección “Obj Coefficient Ranges”.
En nuestro ejemplo N°1 la solución óptima se da para X1= 50, X2= 450, X4= 450 y SLK 5= 350.
Estas son las variables básicas y su valor óptimo. Esta base no cambiará si, por ejemplo, el
coeficiente de la variable X4 se aumenta en 1, 2, 3, y hasta 6 unidades.

b) PROBLEMA EJEMPLO N°2
El siguiente ejemplo se deja para discusión de los alumnos en cuanto al análisis de sus resultados.
Trucker Inc. Debe producir 1000 automóviles. La compañía tiene cuatro plantas de producción.
El costo de producir un automóvil en cada planta, junto con el consumo de horas hombre y las
necesidades de materia prima se muestran en la Tabla 2.
El sindicato de trabajadores de la compañía ha demandado que en la planta 3 se produzcan a lo
menos 400 automóviles.
La disponibilidad total de horas hombre y de materias primas, que puede ser usada en las plantas
es de 4000 HH y 3300 unidades de materia prima.
Formule u programa lineal que permita a Trucker minimizar el costo de producir los mil
automóviles.
Tabla 2: Costos y necesidad de recursos para producción de automóviles

Planta 1 Planta 2 Planta 3 Planta 4
Materia Prima 2 3 4 5
Horas Hombre 3 4 5 6
Costo (Miles de US$) 15 10 9 7
SOLUCION:


III. PROGRAMACION ENTERA

Existen situaciones o sistemas en que los resultados decimales para las variables de
decisión no hacen sentido, se necesitan valores enteros. Este capítulo resume la técnica
utilizada para encontrar la mejor solución teórica en estas condiciones.
Se debe tener en cuenta que cuando se restringe las variables de decisión a tomar sólo
valores enteros, la mejor solución entera que se encuentre será menos eficiente que la
solución óptima con valores decimales, pero la mejor entera posible.
A. ALGORITMO DE BIFURCACION Y ACOTAMIENTO

Es el método más eficiente para encontrar los valores óptimos enteros para las variables
de decisión de un Modelo de Programación Lineal Entera.
En términos generales, el algoritmo de bifurcación y acotamiento es una metodología que

consiste en dividir, progresivamente, un modelo de programación lineal, en modelos
cuyas zonas de soluciones factibles son sub-conjuntos no traslapados de la zona de
soluciones factibles del modelo original. Esta división se realiza en la práctica creando, a
partir de un modelo dado, dos nuevos modelos que acoten, restrinjan, a una de las
variables de valor óptimo decimal. El primer modelo se genera agregando una restricción
que acote dicha variable a valores menores o iguales a la parte entera de la solución
óptima y el segundo, agregando una restricción que acote la variable a valores mayores o
iguales a la parte entera más uno de la solución óptima. Esta metodología se repite
sucesivamente hasta encontrar la mejor solución óptima entera. En estas circunstancias se
genera un árbol de modelos cuya cúspide es el modelo original, el que se ha expandido
sucesivamente al efectuar la bifurcación por el acotamiento de las variables de valor
óptimo decimal. Cada modelo queda representado por un nodo y cada nueva restricción
por una rama que conecta un nodo con el siguiente.
Problema Ejemplo: P1
MAX 8X1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 £ 66
X 1 + 10 X 2 £ 45
X1 , X 2 ³ 0, enteros
Al resolver este modelo de P.L. se llega a la solución óptima teórica: X1 *= 3,75 X2 *=
4,125 y Z*= 50,625 y debemos reconocer que no existe solución factible que implique un
valor mejor para la Función Objetivo.
Para encontrar una primera solución factible entera para el modelo, normalmente se
recurre a una de dos prácticas: La aproximación del valor decimal de la variable al entero
superior o inferior, dependiendo del valor decimal, o bien el truncamiento de la solución
decimal de las variables de decisión a su parte entera.
Cualquiera de estas aproximaciones debe ser verificada en cuanto a su factibilidad, es
decir, a que para esos valores enteros de las variables de decisión todas las restricciones
del modelo se cumplan.

Si se aplica la primera aproximación al problema ejemplo, se tiene que X1 = 4 y X2 = 4
no es una solución factible para el modelo, ya que no se cumple la primera restricción. En
cambio la aproximación por truncamiento X1 = 3 y X2 = 4 si es factible y da un valor de Z
= 44, inferior al de la solución óptima decimal, como era lógico esperar.
Definiremos:
Uk = Valor óptimo de la F.O. para el modelo del nodo k
F = Mejor solución entera encontrada.
El proceso de bifurcación y acotamiento se detiene en un nodo específico cuando se
presenta una de las siguientes circunstancias:
· El modelo del nodo k no tiene solución.
· El valor óptimo de la F.O. Uk es menor o igual que el mejor valor para solución
entera encontrado al momento, F. (Uk £ F)
· La solución óptima del modelo del nodo es entera.
En estas circunstancias el nodo k=1 del modelo ejemplo sería:
1
U =50,625
F = 44,0
X1*= 3,75
X2*= 4,125
A partir de este modelo se crean dos nuevos modelos, acotando como se indicó
anteriormente, cualquiera de las variables de decisión decimales, por ejemplo X1.
Con ello el árbol de soluciones queda:
1
U1 =50,625
F = 44,0
X1*= 3,75
X2*= 4,125
X1 ³ 4
X1 £ 3
2 3
U2 =45 U3 =50,33
X1*= 3 X1*= 4
X2*= 4,2 X2*= 3,67

P1
MAX 8X 1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 £ 66
X 1 + 10 X 2 £ 45
X 1 , X 2 ³ 0, enteros
P2 P3
MAX 8X1 + 5X 2 MAX 8X1 + 5X 2
Sujeto a : 11X 1 + 6 X 2 £ 66 Sujeto a : 11X 1 + 6 X 2 £ 66
X 1 + 10 X 2 £ 45 X 1 + 10 X 2 £ 45
X1 £3 X1 ³4
X1 , X 2 ³ 0, enteros X1 , X 2 ³ 0, enteros
12
11
10
9 R3
8
R1 R4
7
6 Optimo máximo P2
Optimo máximo P1
5
4
3 R2
2 Optimo máximo P3
P3
P1
1 P2
0
0 1 2 3 4 5 6 7 8 9 10 11 12

Las respectivas soluciones de los problemas 2 y 3 no son con variables enteras y los
valores Uk óptimos son mejores que F por lo que el proceso de ramificación y
acotamiento continúa. El árbol del proceso se detalla en la siguiente figura:
1
U1 =50,625
F = 44,0
X1*= 3,75
X2*= 4,125 X1 ³ 4
X1 £ 3
2
U2 =45 3
X1*= 3 U3 =50,33
X2*= 4,2 X1*= 4
X2*= 3,67
X2 £ 4 X2 ³ 5
X2 £ 3 X2 ³ 4
4 5 6 7
U4 =44 NO U6 =49,91 NO
X1*= 3 Factible X1*= 4,36 Factible
X2*= 4 X2*= 3
T T T
X1 £ 4 X1 ³ 5
8 9
U8 =47
U9 =49,17
F = 47,0 X1*= 5
X1*= 4 X2*= 1,83
X2*= 3
X2 ³ 2
X2 £ 1
T
10 11
U10=48,64 NO
X1*= 5,45 Factible
X2*= 1
X1 ³ 6
X1 £ 5
T
12 13
U12=45 U13=48
X1*= 5
F = 48,0
X2*= 1
X1*= 6
X2*= 0
T
T

En el árbol se puede notar que:
· Los nodos 5, 7 y 11 son terminales de la rama respectiva puesto que son modelos que
no tienen solución factible.
· El nodo 4 es terminal porque representa un modelo con solución entera, que es la
misma que logramos inicialmente por truncamiento de la solución decimal óptima del
modelo original.
· El nodo 8 es igualmente terminal por representar una solución entera pero en este caso
es mejor que la encontrada por truncamiento inicialmente y por lo tanto da origen a un
nuevo valor de F y a partir de ese nivel las soluciones se deben comparar contra F =
47 en reemplazo de F = 44.
· El nodo 12 es terminal también por representar una solución entera. Sin embargo no se
considera por tener un valor para la función objetivo menor que el F = 47 vigente.
· Por último el nodo 13 termina con una solución entera que resulta ser mejor que la
encontrada en el nodo 8, por ello pasa a ser el nuevo F = 48 y en atención a que todas
las ramas han terminado, el algoritmo concluye que la Mejor solución entera es:
X1*= 6, X2*= 0 y Z*= 48
El resultado óptimo entero obtenido permite usarlo de ejemplo para destacar lo siguiente:
· Una solución redondeada no es necesariamente la mejor solución entera, tampoco
asegura estar cerca de ella y puede que no sea siquiera factible.
B. PROGRAMACION ENTERA CON LINDO

Para resolver con el software LINDO un problema de programación lineal en el que se
necesita que las variables de decisión sean de valor entero, basta con definir tal condición
para esas variables con el comando GIN. Tal definición se edita después del comando
END del modelo.
Ejemplo: GIN X1 implica para el software que la variable X1 sólo puede adquirir los
valores 1, 2, 3,….etc. (enteros positivos)
El ejemplo recién resuelto por bifurcación y acotamiento resuelto por lindo es:

Nótese que el software LINDO desarrolla el algoritmo de bifurcación y acotamiento para

concluir en cuál es la mejor solución entera para el problema.
Es necesario igualmente puntualizar que los resultados entregados por LINDO respecto a
los “reduced cost” y los “dual prices” no tienen interpretación en programación entera,
ya que estos conceptos son válidos sólo en presencia de una solución óptima y en
programación entera normalmente estaremos frente a la mejor solución entera que no
necesariamente es la óptima para el problema, ya que esta puede ser decimal.

C. USO DE VARIABLES ENTERAS BINARIAS
Existen situaciones en las que la decisión que se debe tomar es hacer o dejar de hacer
algo, es una decisión SI o NO. En estas circunstancias se deben usar variables de decisión
denominadas binarias, variables que pueden tomar sólo dos valores posibles: 1 (Uno) o 0
(Cero). La lógica es positiva, la variable tomará valor 1 si la decisión es SI y tomará valor
0 si la decisión es NO.
Los siguientes párrafos ilustran las aplicaciones más recurrentes en las que se usa este tipo
de variables dicotómicas.
1. Problemas de cargo fijo
Suponga que para producir un batch de productos existe un costo fijo de preparación del
sistema productivo y además existen costos variables por cada unidad de producto
producido. Obviamente si no se prepara la línea de producción no se incurre en el costo
fijo, pero no se puede producir producto alguno.
Asuma que Xj es el número de unidades que se producirán de cada producto, que la

capacidad máxima de producción del sistema es de 1000 unidades y que CF es el costo
fijo en que se incurre por la preparación del sistema. Si el costo variable de producir cada
unidad de producto lo representamos como cj y usamos una variable entera binaria “Y”
que puede tomar sólo los valores (1 o 0); 1 si se prepara la línea y 0 si no se prepara; el
modelo que soluciona el problema sería:
MIN Z = c1X1 + c2X2 + c3X3 + …. + cnXn + CF Y

Sujeto a:
……. (restricciones propias del sistema productivo)
X1 + X2 + X3 + …. + Xn <= 1000 Y
La restricción agregada impide que haya producción alguna si Y = 0, o sea, si no se ha

preparado el sistema para producir y simultáneamente en la función objetivo no se
computa el costo fijo.
Los problemas del tipo de cargo fijo son comunes en los negocios. Por ejemplo, hay un
costo de inversión para construir una planta antes de que pueda empezar la producción;
también pueden haber costos fijos si se emprende un segundo turno o se abre un almacén
nuevo, etc.
2. Problema de tamaño de lote
Un problema similar al anterior, es aquel en el cual se requiere un nivel mínimo para
emprender una actividad. Por ejemplo, una empresa cuenta con equipamiento productivo
que le obliga a producir a lo menos 50 Kg de un producto cada vez que se ejecuta el
proceso. Sea X el número de unidades que se producirán; entonces, se debe modelar que
X = 0 o bien X ³ 50.

Esta situación se puede formular utilizando una variable binaria Y con las restricciones
propias del sistema, más las siguientes dos restricciones:
X £ MY (siendo M un número arbitrariamente muy grande)

X ³ 50Y
Observe que si Y = 0, ambas restricciones hacen que X deba ser 0. Por el contrario si Y =
1, por la segunda restricción X debe ser por lo menos 50 y la primera restricción no
restringe a X porque M es un número muy grande.
3. Problemas de inversiones
a. Selección de una o más alternativas entre varias
Algunas veces se necesita decidir, por ejemplo, de entre varias alternativas de
inversión, como máximo sólo dos de ellas.
Sea X1, X2, X3, X4, X5 variables binarias que representan el invertir (uno) o no
invertir (cero), en el instrumento financiero correspondiente. Asuma que por razones
de no incurrir en mucho riesgo se necesita que la decisión sea invertir en no más de
dos de estas alternativas. Para representar esta situación se debe incluir una
restricción como la siguiente:
X1 + X2 + X3 + X4 + X5 £ 2
b. Situación de: si invierto en el proyecto Xi, debo invertir en el proyecto Xk
La restricción que responde a este requerimiento es:
Xk ≥ Xi
c. Situación de: si invierto en el proyecto Xi o en el proyecto Xj, entonces debo invertir
en el proyecto Xk
En este caso se debe usar la restricción:
Xi + Xj ≤ 2Xk
Con esta restricción si Xi = 1 o Xj = 1 la inecuación queda (1 ≤ 2Xk) lo que obliga a
que Xk tome valor (Xk ≥ 0,5 ) o sea Xk = 1; por otro lado, si ambas toman valor 1
entonces queda (Xk≥1) y si ambas toman valor 0 Xk queda libre, pudiendo tomar
valor 0 o 1.

d. Situación de: si invierto en el proyecto Xi y en el proyecto Xj, entonces debo invertir
en el proyecto Xk
En este caso se debe usar la restricción:
Xi + Xj ≤ 1 + Xk
Con esta restricción sólo si Xi = 1 y Xj = 1 la ecuación queda (1 ≤ Xk) y se debe por
tanto invertir en Xk y por otro lado, si Xi o Xj o ambas son cero, entonces queda
(Xk≥0) o (Xk≥-1) por lo que Xk queda libre, pudiendo tomar valor 0 o 1.
A partir de estas cuatro situaciones se pueden generar muchas otras, por ejemplo:
· Situación: si invierto en el proyecto Xi entonces no puedo invertir en el proyecto Xj
En términos de las variables estamos diciendo que si Xi = 1 entonces Xj = 0,

requerimiento que podríamos escribir como:
Si Xi = 1 entonces Yj = (1 – Xj) = 1, es decir, si invierto en el proyecto Xi, entonces debo

invertir en un nuevo proyecto Yj.
Esto ya lo sabemos escribir: Yj ≥ Xi lo que sustituyendo queda
(1 – Xj) ≥ Xi
Por tanto, si en lugar de aparecer “invertir” aparece “no invertir", basta con buscar la
restricción que tiene la misma forma y cambiar en donde aparece la variable por su valor
complementario, (1 – X).
Veamos otro ejemplo:
· Situación: si invierto en Xi y no invierto en Xj entonces tengo que invertir en Xk
En este caso tomaríamos como referencia la condición “si invierto en Xi y en Xj entonces

debo invertir en Xk" y en donde aparece la variable Xj ponemos su complementaria
(1 – Xj), quedando la ecuación:
Xi + (1 - Xj) ≤ 1 + Xk
lo que finalmente queda
Xi - Xj ≤ Xk

Otras posibles modificaciones son aquellas que en lugar de ser una o varias las decisiones
que obligan a que ocurra algo sobre otra, es una sola la que obliga a que se haga algo con
otras, por ejemplo:
· Si invierto en Xi entonces tengo que invertir en Xj y en Xk
Esta situación puede reducirse a una de las anteriores sin más que tener en cuenta que la
proposición A → B es equivalente a la proposición No B → No A. Es decir la proposición
anterior es equivalente a “Si no invierto en Xj o no invierto en Xk entonces no invierto
en Xi".
Para modelar esta _ultima proposición tomamos la proposición “si invierto en j o en k

entonces invierto en i" (vista anteriormente) y realizamos la operación de sustitución
realizada en el ejemplo anterior. En todas las expresiones que aparece “no invertir"
complementamos a 1 la variable, obteniendo:
(1 - Xj) + (1 - Xk) ≤ 2(1 - Xi)
lo que algebraicamente queda
Xj + Xk ≥2Xi
Por lo que si Xi = 1, necesariamente Xj y Xk deben ser también 1
4. Restricciones mutuamente excluyentes (“Either – Or”)
Algunas veces, en una situación de decisión, hay que mantener una restricción u otra (a lo
menos una de ellas), pero no ambas. En términos generales se necesita que:
ya sea f (X1, X2, X3, ....., Xn) £ 0
o bien g (X1, X2, X3, ....., Xn) £ 0
deba cumplirse, pero en ningún caso ambas.
Por ejemplo:
Asuma que usted puede producir sus productos alternativamente con una materia prima de
la cual tiene 10 unidades o con otra de la cual tiene 24 unidades. El consumo de cada tipo
de materias primas es distinto para cada producto. Usted debe decidir cual de las dos
materias primas usará, pero no puede usar ambas.
O sea que debe cumplirse que: 5X1 + 2X2 £ 10
o bien que: 3X1 + 4X2 £ 24
pero no ambas

En la programación entera se puede manejar esta situación con una variable binaria "Y" si
se usan las restricciones indicadas con la siguiente modificación:
5X1 + 2X2 £ 10 + MY
3X1 + 4X2 £ 24 + M(1 - Y)
Observe que si Y = 0, la primera restricción es efectiva, pero el término independiente de
la segunda se hace muy grande y por lo tanto no es en la práctica efectiva. Por el
contrario, si Y = 1, la segunda restricción limita pero no la primera, ya que MY es muy
grande.
5. Restricciones consecuenciales (“If – Then”)
En otras oportunidades, en situaciones también de decisión, se desea asegurar que:

si una restricción f (X1, X2, X3, ....., Xn) > 0 se cumple,
entonces otra restricción g (X1, X2, X3, ....., Xn) ³ 0 también debe cumplirse.
Sin embargo si f (X1, X2, X3, ..., Xn) > 0 no se cumple, entonces g(X1, X2, X3, ....., Xn) ³ 0
puede o no cumplirse.
Para asegurar lo anterior utilizamos la siguiente formulación de restricciones:
- g (X1, X2, X3, ....., Xn) £ M Y

f (X1, X2, X3, ....., Xn) £ M (1-Y)
donde Y es una variable entera binaria y M es un número muy grande.
Por ejemplo:
Suponga que necesitamos que:
si X1 >0 (Ej.: Si se produce producto 1)
entonces X1 - 4X2 £ 24
lo que escrito de acuerdo a la regla del IF-THEN es:
si X1 >0
entonces -X1 + 4X2 + 24 ³ 0
En este caso f(X1, X2, X3, ....., Xn) = X1
y g(X1, X2, X3, ....., Xn) = - X1 + 4X2 +24

Las restricciones que se usan en este caso para lograr el efecto esperado serían las
siguientes:
X1 - 4X2 - 24 £ M Y
X1 £ M (1-Y)
donde Y es una variable entera binaria y M es un número muy grande.
Observe que para que X1 pueda ser positivo, (X1 >0), “Y” debe ser 0 y entonces
X1 - 4X2 £ 24 se cumple.
Por otro lado, si X1 >0 no se satisface en la segunda restricción, se puede aceptar que Y
sea 0 o bien 1 y la primera restricción podrá cumplirse (Y=0), o no, (Y=1).
6. Programación entera binaria con LINDO (Ejemplo)
Un problema de instalación: Un problema que afronta todos los días un electricista consiste en
decidir qué generadores conectar. El electricista en cuestión tiene tres generadores con las
características que se muestran en la figura 8.27. Hay dos periodos en el día. En el primero (la
mañana) se necesitan 2900 megawatts. En el segundo (la tarde), 3900 megawatts. Un generador
que se conecte para el primer periodo puede ser usado en el segundo sin causar un nuevo gasto
de conexión. Todos los generadores principales (como lo son A, B y C de la figura) son
apagados al término del día. Formule este problema como un PLEM.
FIGURA 8.27
Generador Costo fijo conexión Costo por período por Capacidad máxima en cada
megawatt usado período (MW)
A US$ 3000 US$ 5 2100
B US$ 2000 US$ 4 1800
C US$ 1000 US$ 7 3000
Para definir en LINDO la necesidad de que ciertas variables sólo puedan tomar valor 1 o 0, se usa
el comando “INT variable” después del comando END de finalización del modelo.
Para este ejemplo el modelo de optimización y el mejor resultado entero son los siguientes:

Conforme al mejor resultado entero se deben encender en el primer período los generadores A y
B y el generador C no se enciende. El generador A genera sólo 1100 MW en el primer período y
en el segundo sube su generación a potencia máxima, 2100 MW. El generador B trabaja los dos
períodos a potencia máxima, 1800 MW. El generador C no genera ya que no se conectó. Esta
solución implica el mejor valor de Z posible, Z = US$ 35400.
Al igual que en el caso de programación lineal entera general, los valores que entrega LINDO
para los “reduced cost” y los “dual prices” en los casos de programación entera binaria, no
tienen interpretación lógica, puesto que ambos conceptos sólo la tienen en presencia de la
solución óptima y normalmente, en programación entera, tendremos la mejor solución entera
pero no necesariamente la óptima.

EJERCICIOS DE MODELACION ENTERA BINARIA
1. Planeación de la producción Una cierta línea de producción fabrica dos productos. En la

figura 8.28 se presenta la información pertinente. El tiempo total disponible de cada semana
(para la producción y preparación) es de 80 horas. Al inicio de la semana 1 la empresa no
tiene inventario de ninguno de los productos y no se permite inventario al finalizar la se-
mana 4. El costo de mantener una unidad en inventario de una semana a otra es de $4 para
cada producto. Una unidad de demanda no satisfecha cuesta $10 para el producto A y $15
para el producto B. En la figura 8.29 se presentan los datos de la demanda. La línea de pro-
ducción se cierra y se limpia cada fin de semana. Como resultado de ello, si cualquiera de
los productos se producen en una semana se incurre en el costo del tiempo de preparación
apropiado. Obsérvese que es posible producir ambos productos en la misma semana. Si se
producen ambos, se incurre tanto en tiempos de preparación y en costos para cada uno. No
se puede realizar producción alguna durante el tiempo en que se está preparando la línea.
Formule este problema de planeación de 4 semanas como un PLEM. El objetivo es
maximizar la utilidad durante un periodo de 4 semanas. Defina con cuidado la notación y
use notación de suma en la formulación.
FIGURA 8.28
PRODUCTO
Conceptos A B
Tiempo de preparación 5 horas 10 horas
Tiempo por unidad producida 0,5 horas 0,75 horas
Costo de preparación US$ 200 US$ 400
Costo por unidad producida US$ 10 US$ 15
Precio de venta US$ 20 US$ 30
FIGURA 8.29
SEMANA
PRODUCTO 1 2 3 4
A 80 100 75 80
B 15 20 50 30
2. Programación en una aerolínea: Alpha Airline desea programar no más de un vuelo desde
Chicago hasta cada una de las siguientes ciudades: Columbus, Denver, Los Angeles y
Nueva York. Los horarios de salida disponibles son 8, 10 y12 de la mañana. Alpha arrienda
los aviones al costo de $5000 hasta las 10, y de $3000 después de las 10 y está en
posibilidad de arrendar cuando mucho 2 por horario de salida. En la figura 8.26 se presenta
la aportación a las utilidades esperadas por vuelo, antes de los costos de arrendamiento.
Elabore un modelo para un programa que maximice las utilidades. Defina con cuidado las
variables de decisión.

FIGURA 8.26
Contribución esperada a las utilidades (en miles de dólares)
Horario de salida
8 10 12
Columbus 10 6 6
Denver 9 10 9
Los Angeles 14 11 10
Nueva York 18 15 10
3. La junta de directores de una empresa manufacturera está estudiando el conjunto de

inversiones que aparece en la figura 8.30. Sean Ri y Ci respectivamente, el rendimiento total
y el costo de la inversión i. La mesa desea maximizar el rendimiento total invirtiendo no
más de M dólares en total. Elabore este problema como un PLE. Defina sus variables de
decisión.
INVERSION CONDICIONES
1 Ninguna
2 Sólo si se invierte en 1
3 Sólo si se invierte en 2
4 Se hará si se invierte en 1 y en 2
5 No se hará si se invierte en 1 o en 2
6 No se hará si se invierte en 2 o en 3
7 Sólo si se invierte en 2 y no se invierte en 3
FIGURA 8.30
4. Selección de inversión: Un urbanizador de bienes raíces está estudiando varios proyectos

estrechamente interrelacionados. Algunos de los proyectos sólo se pueden llevar a cabo si se
cumplen ciertas condiciones (véase figura 8.31). Sea Ri la utilidad total de la inversión i y
Ci el costo de hacerla. Se desea maximizar la utilidad total al invertir hasta M dólares.
Formule este problema como un PLE. Defina sus variables de decisión
FIGURA 8.31
INVERSION CONDICIONES
A Ninguna
B No si C y sólo si E
C No si B
D Sólo si A
E Ni si F y sólo si C
F No si E y sólo si C
G Sólo si A y B

5. Expansión de capacidad: Una empresa de servicios públicos de electricidad está planeando
la expansión de su capacidad generadora para los siguientes cinco años. Su capacidad actual
es de 800 MW, pero con base en el pronóstico de la demanda se requerirá capacidad
adicional tal como se muestra en la figura 8.32. La empresa puede aumentar su capacidad
instalando generadores de 10, 50 o 100 MW. El costo de instalación de un generador
depende de su tamaño y del año en que se instala. Véase la figura 8.33. Una vez que se pone
en funcionamiento un generador, su capacidad está disponible para hacer frente a la
demanda de años posteriores. Formule un PLE que minimice el costo de poner en
funcionamiento los generadores al mismo tiempo que se satisfacen los requisitos mínimos
de capacidad.
SUGERENCIA: Supóngase que Xt, Yt y Zt son el número de generadores de 10, 50 y 100
MW puestos en funcionamiento en el año t y que Ct es la capacidad total en el año t después
de haber puesto en operación estos generadores.
FIGURA 8.32 Requisitos de capacidad

AÑO CAPACIDAD
MINIMA (MW)
1 880
2 960
3 1050
4 1160
5 1280
FIGURA 8.33 Costo de poner en operación los generadores (en miles de dólares)
AÑO
Tamaño 1 2 3 4 5
10 MW 300 250 208 173 145
50 MW 670 558 465 387 322
100MW 950 791 659 549 458

IV. MODELO DE TRANSPORTE

A. INTRODUCCION
bj=DEMANDA
Requerimiento
de Suministro
Capacidad de
ai =OFERTA
Suministro
Cij = Costo unitario de transporte entre el origen i y el destino j

Xij = Cantidad a transportar entre el origen i y el destino j
B. MODELO GENERAL DE PROGRAMACION LINEAL

El modelo matemático general de un problema de transporte básico a ser solucionado por
el método simplex es el siguiente (básico porque sólo considera restricciones de capacidad
de suministro y satisfacción de demanda):
F.O. MIN Z = c11X11+c12X12+c13X13+.....+c1nX1n+c21X21+c22X22+c23X23+......

+c2nX2n+......+cm1Xm1+cm2Xm2+cm3Xm3+........+cmnXmn
Sujeto a: X11 + X12 + X13 +.....+ X1n £ a1 Capacidad de Suministros

X21 + X22 + X23 +.....+ X2n £ a2
.....................................................................................
Xm1 + Xm2 + Xm3 +.....+ Xmn £ am
X11 + X21 + X31 +.....+ Xm1 = b1 Satisfacción de la Demanda

X12 + X22 + X32 +.....+ Xm2 = b2
......................................................................................
X1n + X2n + X3n +.....+ Xmn = bn

C. EL ALGORITMO DE TRANSPORTE
El algoritmo de transporte permite solucionar problemas de transporte básicos mediante
un procedimiento de cálculo tabular que comprende fundamentalmente las siguientes
acciones:
1. Premisa básica
El algoritmo asume que todo problema de transporte a ser solucionado por este método
está debidamente balanceado; es decir la OFERTA total es igual a la DEMANDA total:
m n
å a = åb
i =1
i
j =1
j
Si la oferta total es mayor que la demanda total, para balancear el problema se debe crear
un destino artificial D(n+1) con demanda también artificial e igual a la diferencia entre la
oferta total y la demanda total y con costos de transporte nulos para el abastecimiento
desde cualquiera de los orígenes hacia este destino artificial.
m n
b( n +1) = å a i - å b j ; C i ( n +1) = 0 "i
i =1 j =1
Si por el contrario, la oferta total es menor que la demanda total, para balancear el
problema se debe crear un origen artificial O(m+1) con oferta o capacidad de suministro
también artificial e igual a la diferencia entre la demanda total y la oferta total y con
costos de transporte nulos para el abastecimiento hacia cualquiera de los destinos.
n m
a ( m +1) = å b j - å a i ; C ( m +1) j = 0 "j
j =1 i =1
2. Tabla de asignación para el transporte

Una vez balanceado el problema se debe construir una tabla de asignación para el
transporte que tiene la siguiente forma general (Ej. 3 orígenes y 4 destinos):
X11 X12 X13 X14 a1

C11 C12 C13 C14 u1
X21 X22 X23 X24 a2
C21 C22 C23 C24 u2
X31 X32 X33 X34 a3
C31 C32 C33 C34 u3
b1 b2 b3 b4
v1 v2 v3 v4
En esta tabla : Xij = Cantidad de producto a transportar desde el origen i al destino j.

Cij = Costo unitario de transporte desde el origen i al destino j.
bj = Cantidad de producto demandada por el destino j.
ai = Capacidad de suministro (disponibilidad) del origen i.
ui = Multiplicador dual asociado al origen i.
vj = Multiplicador dual asociado al destino j.

3. Generación de una primera solución factible
Para encontrar una primera solución factible para el problema de transporte se puede usar
cualquiera de los siguientes tres métodos:
a) Método de la Esquina Noroeste

· Asigne la mayor cantidad posible de producto, que sea consistente con la
cantidad ofrecida y la demandada, en el casillero superior izquierdo libre de la
tabla (Casillero N-O).
· Actualice los valores de oferta y demanda en la fila y columna del casillero de
la última asignación, restando en ambos la cantidad recién asignada.
· Elimine de futuras asignaciones los casilleros de la fila o columna para la cual
el valor de oferta o demanda se anuló (Se hizo igual a cero).
· Repita los tres pasos anteriores hasta que todos los valores de oferta y demanda
se hayan anulado.
· Para encontrar el valor de la función objetivo que la solución implica, debe
efectuarse la sumatoria de los productos Cij*Xij de aquellos Xij mayores que
cero (Variables Básicas).
b) Método del Costo Mínimo

· Asigne la mayor cantidad posible de producto, que sea consistente con la
cantidad ofrecida y la demandada, en el casillero libre donde se encuentra el
menor costo de toda la tabla.
· Repita los tres pasos anteriores hasta que todos los valores de oferta y demanda
se hayan anulado.
c) Método de VOGEL
· Calcule a un costado y bajo la tabla, la diferencia entre los dos menores costos
de cada fila y cada columna.
· En aquella fila o columna donde se produzca la mayor diferencia entre costos
mínimos, elija el casillero libre de menor costo y asigne en él la mayor
cantidad posible de producto, que sea consistente con la cantidad ofrecida y la
demandada.
· Repita los cuatro pasos anteriores hasta que todos los valores de oferta y
demanda se hayan anulado.
4. Determinación de la optimalidad
Encontrada una solución factible se debe determinar si ella es o no óptima según el

siguiente procedimiento:
a) Cálculo de los Multiplicadores Dual

Los multiplicadores Dual relacionan las variables básicas con las no básicas y
permiten el cálculo de los coeficientes de costo alternativo.
Como en todo problema de transporte a resolver por el algoritmo de transporte, la
premisa de igualdad entre oferta y demanda hace que exista un grado de libertad,
por la dependencia lineal de una de las restricciones con respecto a las (m+n-1)
restantes; se hace uso de ese grado de libertad para asignar un valor arbitrario a
cualquiera de los multiplicadores dual. (Se recomienda, por simplicidad, asignar
valor cero a aquel multiplicador dual asociado a la fila o columna con la mayor
cantidad de variables básicas).
A partir de este multiplicador dual, los restantes multiplicadores duales se calculan
mediante la expresión que se indica, la que debe cumplirse para todo casillero de
VARIABLE BASICA:
Cij - ui - vj = 0
b) Cálculo de los Coeficientes de Costo Alternativo

Los coeficientes de costo alternativo indican la tasa de variación que
experimentará la función objetivo, por cada unidad de producto que sea asignado a
una variable actualmente NO BASICA.
Si el coeficiente de costo alternativo es mayor que cero, la función objetivo
aumentará de valor; si es negativo disminuirá y si es igual a cero no variará.
Los coeficientes de costo alternativo Cij se calculan para los casilleros de
VARIABLES NO BASICAS, a partir de los multiplicadores dual, con la siguiente
expresión:
Cij = Cij - ui - vj
c) Condición de Optimalidad
Considerando la definición de los coeficientes de costo alternativo se puede
concluir que para que una solución sea óptima ninguno de ellos puede ser
negativo. Es decir, la condición de optimalidad es que:

Cij ³ 0 " (i, j)
Si todos los coeficientes son estrictamente mayores que cero la solución óptima
será única; sin embargo, si existe alguno de ellos igual a cero significará que existe
una solución óptima alternativa.
5. Mejoramiento de una solución

Cuando existe algún coeficiente de costo alternativo negativo la solución no es óptima y
debe ser mejorada con el siguiente procedimiento:
· Asigne el valor a a la variable no básica asociada al coeficiente de costo alternativo
mas negativo.
· A partir del casillero donde se asignó el valor a encuentre un recorrido cerrado, de
líneas rectas horizontales y verticales (no diagonales), cuyas esquinas sean casilleros
de variables básicas.
· Siguiendo el recorrido, primero reste y luego sume, alternadamente, en cada esquina
del mismo el valor a
· Encuentre el valor de a analizando todos los casilleros donde se restó a igualando a
cero las expresiones numéricas de dichos casilleros. El valor de a queda definido
como el mínimo valor de todos los posibles.
· Genere una nueva tabla de asignación para el transporte, modificando los valores de
las variables básicas luego de reemplazar la letra a por el valor para ella encontrado.
· Esta nueva tabla representa una nueva solución cuya optimalidad debe ser igualmente
determinada por el procedimiento antes indicado.
6. Problemas de Maximización
Para resolver problemas de transporte en los que la función objetivo es de maximización

de un beneficio (ingresos o utilidades totales), se debe proceder de la siguiente manera:
a) Transformación de la matriz de utilidades o ingresos en matriz de Costos

Equivalentes
· Una vez balanceado el problema (Oferta = Demanda) y definida la matriz de
utilidades o ingresos, se debe identificar en ella el elemento de mayor valor,
denominándolo Umax.
· La matriz de costos equivalentes se genera a partir de la de utilidades, de
tal forma que cada elemento Cij sea igual a la diferencia entre Umax y cada
Uij.
C eq = {Cij = U max - U ij }
®

b) Desarrollo del Algoritmo de Transporte

Utilizando la matriz de costos equivalentes se desarrolla el algoritmo de transporte
para minimización hasta obtener la o las soluciones óptimas correspondientes.
c) Valorización de la función objetivo

Para valorizar la función objetivo (Máximo) se debe utilizar la matriz de utilidades
o ingresos original para la solución óptima encontrada.

7. Problema ejemplo 2
Una empresa del área de la construcción produce fierro de construcción para cuatro
clientes, en cada una de sus tres plantas. Los costos de producción por unidad varían
según las ubicaciones debido a diferencias en el equipo de producción y en el rendimiento
de los obreros. Los costos de producción por unidad y la capacidad mensual de
producción (oferta) se indican en la Tabla 1.
Los pedidos de clientes que deben producirse el siguiente mes se muestran en la Tabla 2.
El costo de abastecimiento de estos clientes varía de una planta a otra. El costo de
transporte por unidad aparece en la Tabla 3.
La empresa debe decidir cuantas unidades se debe producir en cada planta y qué porción
de la demanda de cada cliente se surtirá desde cada una de ellas. Se desea minimizar el
costo total de producir y transportar el fierro de construcción para los clientes.
Resuelva este problema mediante el algoritmo de transporte considerando los siguientes
dos casos:
a. Se utiliza la capacidad total de producción de las tres plantas.
b. Se produce sólo la cantidad de fierro necesaria para satisfacer la demanda.
Tabla 1 Tabla 2
Planta Costo Prod. Capacidad mensual Cliente Demanda
por unidad de Producción 1 300
A $ 17 800 2 500
B $ 20 600 3 400
C $ 24 700 4 600
Tabla 3
Hacia
Desde 1 2 3 4
A $3 $2 $5 $7
B $6 $4 $8 $3
C $9 $1 $5 $4
2
Basado en Problema 7-11, Pag. 323, Investigación de Operaciones en la Ciencia
Administrativa; Gould, Eppen y Schmidt
Solución Caso a.
BUSQUEDA DE UNA PRIMERA SOLUCION FACTIBLE
Método de la Esquina N-O
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
ZN-O =...................................................................
Método del Costo Mínimo
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
ZCM =...................................................................

Método de VOGEL
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
ZVOGEL =...................................................................
DETERMINACION DE LA OPTIMALIDAD DE LA SOLUCION Y

MEJORAMIENTO DE LA SOLUCION
300 100 400 800
20 19 22 24 17
600 600
26 24 28 23 20
400 300 700
33 25 29 28 24
300 500 400 600 300

800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
Solución Caso b. Cuando se desea producir sólo lo demandado
Método de VOGEL
800
20 19 22 24 0
600
26 24 28 23 0
700
33 25 29 28 0
300 500 400 600 300
ZVOGEL =...................................................................

8. Problema ejemplo de maximización
Una empresa tiene tres bodegas con 200, 300 y 500 unidades de un producto en stock.
Los productos deben ser distribuidos a 5 clientes que han solicitado las siguientes cantidades de
producto: 150, 200, 250, 100 y 300 unidades, respectivamente.
Considerando los precios de venta pactados con cada cliente y los costos de producción y
transporte de los mismos, la utilidad por unidad de producto que se obtiene de acuerdo a la
decisión de despacho de los productos a cada cliente es la siguiente:
Hacia Cliente 1 Cliente Cliente Cliente Cliente

Desde 2 3 4 5
Bodega 1 40 60 50 70 80
Bodega 2 50 60 50 40 60
Bodega 3 35 80 90 60 50
Resuelva este problema utilizando el algoritmo de transporte.
200
300
500
150 200 250 100 300

DIAGRAMA DE FLUJO ALGORITMO DE TRANSPORTE
åai>åbj Si
Destino Artificial
No
åai<åbj Si
Origen Artificial
No
Encontrar 1ª.
Solución factible: Calcular
Es Max. No · Método N-O Multiplicadores Dual
· Costo Mínimo
· Vogel
Si
Calcular
Encontrar matriz Coeficientes de
Costos Equivalentes Costo Alternativo
Mejorar la Solución No Cij³0

"j
Solución Optima Si
Encontrar Solución Si $ Cij=0

óptima Alternativa
No
FIN Solución Optima única

V. MODELO DE ASIGNACION
El modelo de asignación es un caso especial de programación lineal que trata la

siguiente problemática:
Se tienen “n” trabajos que realizar y “n” operarios disponibles para ejecutarlos.
Debido a diferencias en las habilidades de los operarios y por lo tanto en su rendimiento,
así como a diferencias de sueldos, preparación, experiencia, etc., el costo de asignar un
trabajo a un operario es distinto al que se incurre si es asignado a otro. (Costo en tiempo,
en dinero, etc.).
El modelo de asignación obtiene la solución óptima (mínimo) de distribución de los
trabajos entre los operarios.
A. MODELO MATEMATICO GENERAL
Antes de plantear el modelo matemático general es menester considerar que este modelo
tiene solución sólo si el número de trabajos es igual al número de operarios. De no ser así
se deben crear, ya sea trabajos u operarios artificiales según sea el caso, con costos de
asignación nulos.
El modelo matemático general de programación lineal es el siguiente:
Sea Xij = Variable entera binaria, 1 Si el trabajo i es asignado al operario j

0 Si el trabajo i NO es asignado al operario j
F.O. MIN Z = c11X11+c12X12+c13X13+.....+c1nX1n+c21X21+c22X22+c23X23+......

+c2nX2n++......+cn1Xn1+cn2Xn2+cn3Xn3+........+cnnXnn
Sujeto a: X11 + X12 + X13 +.....+ X1n = 1 Cada trabajo puede ser desarro-
X21 + X22 + X23 +.....+ X2n = 1 llado por sólo un operario.
X31 + X32 + X33 +.....+ X3n = 1
.....................................................................................
.....................................................................................
Xn1 + Xn2 + Xn3 +.....+ Xnn = 1
X11 + X21 + X31 +.....+ Xn1 = 1 Cada operario puede ser asigna-
X12 + X22 + X32 +.....+ Xn2 = 1 do a sólo un trabajo.
X13 + X23 + X33 +.....+ Xn3 = 1
.....................................................................................
......................................................................................
X1n + X2n + X3n +.....+ Xnn = 1
END
INT Número de variables

B. EL METODO HUNGARO
Para resolver problemas de asignación se ha diseñado una metodología especial

denominada “Método Húngaro” como sigue:
1. Acondicionamiento de la matriz de costos
· Designe a la matriz de costos original como C0.

· En la matriz de costos C0 identifique el menos elemento de cada fila.
· Genere una nueva matriz de costos C1 a partir de la matriz de costos C0, restando a
todos los elementos de una fila el menor elemento de ella.
· En la matriz de costos C1 identifique el menos elemento de cada columna.
· Genere una nueva matriz de costos C2 a partir de la matriz de costos C1|, restando a
todos los elementos de una columna el menor elemento de ella.
Los pasos anteriores permiten que en la matriz de costos C2 hayan a lo menos un cero por
cada fila y por cada columna y pueden realizarse en orden inverso, es decir, restar primero
el menor elemento de cada columna y luego el menor elemento de cada fila.
2. Proceso de asignación
· Calcule a un costado y bajo la matriz de costos C2.la cantidad de ceros que existe por
fila y por columna.
· En aquella fila o columna con la menor cantidad de ceros elija uno de esos ceros como
posición de asignación destacándolo en un marco.
· Elimine los restantes ceros de la misma fila o columna del cero recién enmarcado
tarjándolos con una cruz.
· Repita los tres pasos anteriores hasta que todos los ceros estén ya sea enmarcados o
tarjados.
· Si al término del proceso de asignación existen “n” ceros enmarcados se habrá
encontrado la solución óptima del problema.
· La solución óptima queda definida por una matriz de asignación X cuyos elementos
Xij son iguales a uno en las posiciones donde existen ceros enmarcados y son iguales
a cero en todo el resto de las posiciones.
· Para valorar la función objetivo óptima se deben sumar los elementos de la matriz de
costos original C0 que estén en la misma posición relativa que los ceros enmarcados,
es decir, en la misma posición relativa que los elementos unidad de la matriz de
asignación.

3. Mejoramiento de una solución
Cuando al término del proceso de asignación no existen “n” ceros enmarcados quiere
decir que la solución no es siquiera factible y debe por tanto mejorarse. Para ello se sigue
el siguiente procedimiento:
· Destaque con un asterisco aquellas FILAS sin ceros enmarcados.
· En las filas previamente destacadas identifique las columnas que tienen ceros tarjados
y destáquelas con un asterisco.
· En las columnas previamente destacadas identifique las filas que tienen ceros
enmarcados y destáquelas con un asterisco.
· Repita los dos pasos anteriores hasta que ya no sea posible destacar nuevas filas ni
nuevas columnas.
· Trace una línea por sobre cada FILA NO DESTACADA y por sobre cada
COLUMNA DESTACADA.
· De entre los elementos no cubiertos por línea identifique el menor de ellos y
denomínelo Cmin.
· Genere una nueva matriz de costos Ck tal que el elemento Cmin ha sido restado en
todos los elementos no cubiertos por línea, ha sido sumado en aquellas posiciones
donde existen cruces de línea y el resto de los elementos ha permanecido sin
variación.
· Con esta nueva matriz de costos repita el proceso de asignación a partir de la
contabilización de ceros por fila y por columna.
4. Problemas de Maximización
Para resolver problemas de asignación en los que la función objetivo es de maximización

de un beneficio (ingresos o utilidades totales), se debe proceder de la siguiente manera:
a) Transformación de la matriz de utilidades o ingresos en matriz de Costos

Equivalentes
· Una vez definida la matriz de utilidades o ingresos, se debe identificar en ella
el elemento de mayor valor, denominándolo Umax.
· La matriz de costos equivalentes se genera a partir de la de utilidades, de tal
forma que cada elemento Cij sea igual a la diferencia entre Umax y cada Uij.
C eq = {C ij = U max - U ij }
®
b) Desarrollo del Método Húngaro

Utilizando la matriz de costos equivalentes como la matriz C0 inicial, se desarrolla
el método Húngaro para minimización hasta obtener la o las soluciones óptimas
correspondientes.

c) Valorización de la función objetivo
Para valorizar la función objetivo (Máximo) se debe utilizar la matriz de utilidades
o ingresos original y aplicar la solución de asignación óptima encontrada.
5. Problemas Ejemplo
Problema 1 (Minimización)
El departamento de mantención debe realizar 3 trabajos de reparación de maquinarias y equipos.

Se cuenta con cuatro grupos de técnicos, cada uno con diferente instrumental y diferentes
habilidades para realizar los tres trabajos. Debido a estas diferencias el tiempo estimado de
desarrollo de cada mantención será diferente dependiendo del grupo al cual sea asignado cada
trabajo. En la tabla se muestra la cantidad de horas que se estima tomará la realización de cada
trabajo según el grupo al que se le asigne.
Use el método húngaro para determinar la asignación óptima de los tres trabajos, es decir, aquella
que minimice el tiempo total de ejecución de todas las mantenciones.
Trabajo
Grupo de mantención 1 2 3
A 24 45 25
B 33 48 23
C 24 52 20
D 30 56 21

Problema 23 (Maximización)
Se Planea la venta de cinco lotes de terreno y se han recibido ofertas individuales de cuatro
clientes. Debido a la cantidad de capital que se requiere, estas ofertas se han hecho en el
entendimiento de que ninguno de los cuatro clientes comprará más de un lote. Las ofertas se
muestran en la Tabla 1 en millones de pesos. Se desea decidir a que comprador asignar cada lote
de tal forma que se maximice el ingreso total a partir de estas ofertas. Use el método húngaro
para encontrar la solución óptima de este problema.
Tabla 1
Lote
Comprador 1 2 3 4 5
A 16 15 25 19 20
B 19 17 24 15 25
C 15 15 18 0 16
D 19 0 15 17 18
3
Problema 7-16 Pag. 325, Investigación de Operaciones en la Ciencia Administrativa, Gould,
Eppen y Schmidt, 3ª Ed.,1992
DIAGRAMA DE FLUJO ALGORITMO DE ASIGNACION
#T>#Op Si
Operario Artificial
No
#T<#Op Si
Trabajo Artificial
No
Encontrar C1 restando
Es Max. No Definir matriz de menor elemento en cada fila
costos inicial, Co
Encontrar C2 restando en C1
Si
menor elemento cada columna
Encontrar matriz
Costos Equivalentes
Proceso de Asignación
Mejorar matriz de No $ n ceros

costos en marco
Si
Solución Optima
Encontrar Solución Si mínima #

óptima Alternativa ceros > 1
No
FIN Solución Optima única

VI. MODELOS EN REDES
A. ALGORITMO DE DETERMINACIÓN DE LA RUTA MAS CORTA
Un caso típico de optimización lo constituye el determinar la ruta más corta entre un nodo
origen y cada uno de los restantes nodos de una red, lo que permitirá reducir costos, por
ejemplo, en una red de distribución de productos o en la elección de una política de
reemplazo de equipos o maquinaria.
En esta aplicación de modelos en redes, los nodos representan ya sea lugares físicos
(Ubicación de bodegas y clientes) o bien instantes en el tiempo (inicio o término de un
año) y los arcos representan en general costos entre los nodos interconectados, como la
distancia entre ellos en longitud o tiempo o el costo en dinero entre el inicio de un año y el
término del mismo.
La metodología de solución de estos problemas es la denominada “de las etiquetas”:
1. Cada nodo se etiquetará con una etiqueta (a,b), donde a = la distancia hasta el origen y
b = el nodo anterior en la ruta seguida desde el origen.
2. Etiquetar el nodo origen con la etiqueta (0,H) y transformar el nodo en nodo de
etiqueta permanente, achurándolo.
3. Considere todos los nodos que están conectados directamente, por un solo arco, con
nodos de etiqueta permanente y otorgue a cada uno de ellos la correspondiente
etiqueta que con respecto a ese nodo le corresponde, etiquetas que son de carácter
provisorio.
4. De entre todos los nodos con etiqueta provisoria, seleccione aquel con la menor
componente de distancia “a” para transformarlo en nodo de etiqueta permanente,
achurándolo.
5. Repita los pasos 3 y 4 hasta que todos los nodos tengan etiqueta permanente.
6. Para determinar la ruta más corta a un nodo específico instálese sobre ese nodo: La
componente “a” de la etiqueta le indicará cual es la distancia mas corta desde ese nodo
hasta el origen y la componente b el nodo hacia el cuál tiene que regresar para
determinar, retrocediendo, la ruta que determina esa distancia mínima.
Nótese que un nodo puede tener asociada más de una etiqueta pero que sólo estará vigente
aquella con la menor componente de distancia “a”. Si tienen la misma componente de
distancia todos estarán vigentes y determinarán la existencia de rutas mas cortas
alternativas.

Ejemplo 1
Usted desea determinar cuál es la ruta más corta entre su bodega (H) y cada uno de sus siete
clientes. El gráfico muestra las distancias entre cada uno de los nodos que representan sus
clientes.
7
8 1
2 6
H 3
7
4
3
3
4 1
5
1 3
1
1 2
6
2

Ejemplo 2
Usted está operando un Gimnasio con equipo y espacio arrendados. Recientemente su arrendador
le ha sugerido hacer contratos de arrendamiento a largo plazo. Con base a ese plan de
arrendamiento se ha preparado la tabla siguiente que muestra la utilidad neta esperada si arrienda
a principios del año i hasta principios del año j (en cientos de dólares).
Usted desea conocer cuando arrendar y por cuánto tiempo para maximizar la utilidad total
durante los próximos cuatro años de operación. Formule este problema como representación en
red y soluciónelo.
j
i 2 3 4 5
1 12 22 38 40
2 13 20 29
3 10 19
4 12
40
38
22
1 12 2 13 3 10 4 12 5
19
20
29

B. ALGORITMO DE DETERMINACIÓN DEL ARBOL MINIMO DE

COMUNICACIONES
Otro caso común de optimización de los modelos en redes lo constituye el determinar el

árbol mínimo de comunicaciones entre los nodos de una red. Se trata de encontrar que
arcos, del total de arcos posibles de implementar, se implementarán para poder asegurar
que siempre sea posible trasladarse de un nodo a otro de la red, esto, al mínimo costo total
posible.
En esta aplicación de modelos en redes, los nodos representan lugares físicos y los arcos
la distancia entre ellos en longitud.
Existen dos metodologías de solución de estos problemas el método gráfico y el método
tabular.
· Método Gráfico
1. Comience con cualquier nodo designándolo como nodo conectado, achurándolo.

2. Considere todos los arcos que unen directamente nodos conectados con nodos no
conectados, elija aquel arco con la menor componente de distancia como segmento de
conexión y el nodo terminal como nuevo nodo conectado, achurándolo.
3. Repita el paso dos hasta que todos los nodos estén conectados (Achurados).
4. El árbol mínimo de comunicaciones queda determinado por los segmentos de
conexión identificados en el proceso.
· Método Tabular
1. Comience con cualquier nodo designándolo como nodo conectado haciendo un ticket
en la línea correspondiente al nodo y una cruz en la columna correspondiente al
mismo nodo.
2. Elimine todas las componentes de distancia bajo la columna con cruz.
3. Considere todas las componentes de distancia que están en las líneas con ticket y elija
la menor componente destacándola en un círculo.
4. Elimine las restantes componentes de distancia en la columna del elemento recién
circundado, haga una cruz en el encabezado de esa columna y un ticket en la línea del
mismo número de esa columna.
5. Repita los pasos tres y cuatro hasta que todas las líneas estén con ticket y todas las
columnas con cruz.
6. El árbol mínimo de comunicaciones se dibuja interconectando los nodos de la red con
los arcos que las coordenadas de cada elemento en círculo determinan.

Ejemplo 1
Usted está diseñando un sistema de detectores de humo en una serie de dependencias de una
empresa.
El diagrama muestra los lugares donde se deben instalar los detectores y las distancias que a
través de ductos hay entre ellas.
¿Qué sistema conectará todas las dependencias con la mínima longitud total de cable?

Ejemplo 2
Se está tendiendo cable para interconectar seis torres de radar. La tabla muestra la matriz de
distancias entre las torres. ¿qué conexiones se deben hacer para minimizar la longitud total de
cable?
1 2 3 4 5 6
1 7 8 4 9 5
2 7 10 7 6 8
3 8 10 4 5 2
4 4 7 4 3 8
5 9 6 5 3 7
6 5 8 2 8 7

VII. MODELOS DE PLANEACION Y CONTROL DE INVENTARIOS
7.1 INTRODUCCION
Inventario es la acumulación física que se produce en un proceso de flujo cuando la cantidad que
ingresa es mayor a la que sale y no existen transformaciones ni pérdidas internas.
FLUJO DE ENTRADA INVENTARIO FLUJO DE SALIDA
Los inventarios pueden ser de productos terminados, para asegurar el abastecimiento hacia los
clientes, o bien, de materias primas para asegurar el normal funcionamiento de los programas de
producción.
El propósito de la teoría de inventarios es determinar las reglas o procedimientos que puede usar
la administración, para minimizar los costos asociados con mantener el inventario para satisfacer
la demanda del cliente o bien para asegurar la base del sistema de producción.
Los modelos de inventario permiten responder las siguientes preguntas claves:

· ¿Cuándo se debe hacer el pedido de un producto o materia prima?
· ¿Qué tan grande debe ser cada pedido?
7.2 NIVELES DE EXISTENCIAS
Los niveles de existencias consisten en determinar la cantidad en unidades físicas (kilos, litros,
piezas, toneladas, etc.), que debe tener la empresa almacenadas en sus bodegas. Los factores o
variables que se deben considerar para estos cálculos son:
· Consumo
· Tiempo de Reposición
· Stock de Seguridad y/o Factores Especiales
7.2.1 Consumo
Es la cantidad proyectada que se espera consumir de acuerdo a los programas de producción y

además la cantidad que se ha venido consumiendo en las operaciones normales de la fábrica. Esta
información estadística debe estar registrada para estos fines y deberá contener los máximos
requerimientos que han existido en aquellos periodos de alta demanda, como también los
mínimos consumos que se han presentado en periodos de baja demanda de materiales. También
deberá calcularse los consumos promedio que han existido durante el periodo considerado.

7.2.2 Tiempo de reposición
Es el tiempo que se demoran los proveedores en abastecer de materiales a la empresa. Este

tiempo es el periodo comprendido entre que se crea la necesidad de comprar, iniciando el proceso
de compras, hasta que los materiales están a disposición de producción para su consumo.
Se observa en la definición que dicho período también contempla el tiempo que existe entre la
necesidad de comprar y la colocación de la orden de compra, que en algunos casos o empresas
puede ser significativo. Asimismo, debe considerar el tiempo que se requiere para la revisión por
parte de control de calidad, en el momento de recepción del pedido.
7.2.3 Stock de seguridad y/o factores especiales
Es una cantidad de stock, especifico para cada empresa, que permite cubrir las probables
eventualidades que puedan existir, derivadas de causas no controlables, ya sean externas o
internas a la empresa como ser: desabastecimiento por un desastre natural, inundación, terremoto,
o bien un consumo extraordinario de materia prima por uso indebido de ella, o causas no
previstas.
Para la determinación de este factor se puede llegar a estimaciones cuantificables como producto
de la experiencia, confianza que se tenga del mercado de materias primas, mercado de
proveedores, existencia de sustitutos, condiciones de la economía en cuanto a la oferta, demanda,
políticas económicas, etc. De igual forma se tendrá que considerar si la empresa que provee
forma parte del mismo grupo de la empresa que compra, en cuyo caso este factor disminuiría.
Sobre este punto también se debe observar que en algunos casos dicho "stock de seguridad" o
"colchón de seguridad", sirve para esconder ineficiencias que se pueden producir ya sea
internamente en la empresa como ser errores administrativos, personal ineficiente o sin
adiestramiento adecuado o que los proveedores no sean del nivel de seguridad, confianza y
eficiencia que se necesita para estos fines.
En todo caso, lo óptimo desde el punto de vista profesional y técnico es que éstos niveles de
seguridad tiendan a ser cero, puesto que éste stock tiene un costo que en definitiva alguien lo
tiene que absorber, y ese alguien es la sociedad toda.
Las empresas deben tener los mecanismos y procedimientos que permitan obtener todos los
antecedentes y estadísticas necesarias para establecer los niveles de existencia.
Una empresa para su normal funcionamiento debe contar con estos niveles de existencia
racionalmente calculados, puesto que en la medida que se requieren las materias primas a
consumir en el tiempo, estos niveles van decreciendo por la producción de artículos y se puede
llegar al extremo de que dichas materias primas se terminen, situación que no puede ocurrir en
ninguna empresa debido a que las consecuencias generalmente son malas, como ser paralización
de la producción, pérdida en ventas, disminución en el valor de la empresa, etc.
Los niveles de existencia que comúnmente calculan y mantienen las empresas son los siguientes:
· Existencia Mínima
· Existencia Crítica
· Existencia Máxima
7.2.4 Existencia Mínima
Conceptualmente es la cantidad mínima de unidades físicas de existencia que necesita tener

almacenado en sus bodegas una empresa, para satisfacer las necesidades emanadas de la
producción, para el normal desenvolvimiento de las operaciones productivas habituales o del giro
del negocio.
La forma de cálculo es la siguiente:
Existencia Consumo Tiempo de Stock de Factores

= * + +
mínima máximo Reposición Máximo Seguridad Especiales
Se observa que la fórmula matemática contempla el consumo máximo que requiere la producción
en un orden normal de funcionamiento, durante el tiempo de reposición máximo que puedan
demorarse los proveedores en abastecer. Además, se puede agregar en los casos que se justifique,
un stock de seguridad para situaciones especiales.
7.2.5 Existencia Crítica
Es aquel nivel, en cantidad física, en el que se deben activar todos los mecanismos y
procedimientos para abastecer, en forma inmediata, de materia prima a la empresa. Es un nivel
peligroso donde existe el riesgo de quedar sin materia prima.
Este nivel se calcula considerando la existencia mínima menos el consumo promedio durante el
tiempo de reposición promedio y su expresión es la siguiente:
Existencia Existencia Consumo Tiempo de Reposición

= - * Promedio
Crítica Mínima Promedio
7.2.6 Existencia Máxima
Es aquel nivel máximo de materias primas o materiales que puede tener una empresa
almacenadas en sus bodegas desde un punto de vista Técnico, Administrativo y Económico.
E1 punto de vista Técnico se refiere a la capacidad instalada de producción y ventas;

Administrativo, según su organización e infraestructura como: dotación de personal, capacidad de
bodegas, etc. y Económico considerando el costo de mantener una inversión en inventarios.
Este nivel se calcula considerando la existencia mínima, menos el consumo mínimo durante el
tiempo de reposición mínima, más el lote económico de compras, siendo su expresión la
siguiente:
Existencia Existencia Consumo Tiempo de Lote Económico

= - * +
Máxima Mínima Mínimo Reposición Mínimo de Compra
A continuación se desarrollará un ejemplo aplicado al cálculo de los niveles de existencia.
7.2.7 Ejercicio de Aplicación Nº1
Una empresa presenta los siguientes datos estadísticos de consumo y tiempo de reposición de un
producto, para un período de cinco meses:
· Datos de consumo y tiempo de reposición
Mes Consumo Tiempo de Reposición

Enero 14.050 Kilos 24 días
Febrero 20.250 Kilos 12 días
Marzo 17.500 Kilos 7 días
Abril 15.400 Kilos 16 días
Mayo 12.300 Kilos 31 días
TOTAL 79.500 kilos 90 días
· Stock de seguridad y factores especiales 2.500 kilos

· Lote económico de compra 8.000 kilos
Su desarrollo contempla calcular la existencia mínima, existencia crítica y existencia máxima,

para un período que comprende de junio a noviembre.

DESARROLLO
Algunos datos relevantes a considerar:
Consumo máximo: 20.250 kilos (febrero)

Consumo mínimo: 12.300 kilos (mayo)
Consumo promedio: 15.900 kilos ( 79.500 kilos/5 meses)
Tiempo de reposición máximo: 31 días (mayo)
Tiempo de reposición mínimo: 7 días (marzo)
Tiempo de reposición promedio: 18 días ( 90 días/5 meses)
También se deberá tener presente que el problema tiene información mensual en cuanto a los
consumos, e información en días en cuanto a los tiempos de reposición. Entonces se deberá,
desde el punto de vista matemático, uniformar los operadores expresándolos ya sea en días o en
meses. En nuestro desarrollo se expresarán en días. Por lo tanto los consumos se dividirán por 30
días.
a) Cálculo de la Existencia Mínima:

Existencia Consumo Tiempo de Stock de Factores
= * + +
mínima máximo Reposición Máximo Seguridad Especiales
20.250
Existencia mínima = * 31 + 2.500
28
Existencia Mínima = 24.920 kilos
b) Cálculo de la Existencia Critica:

Existencia Existencia Consumo Tiempo de Reposición
= - * Promedio
Crítica Mínima Promedio
15.900
Existencia Crítica = 24.920 - *18
30
Existencia Critica = 15.380 kilos
c) Cálculo de la Existencia Máxima:

Existencia Existencia Consumo Tiempo de Lote Económico
= - * +
Máxima Mínima Mínimo Reposición Mínimo de Compra
12.300
Existencia Máxima = 24.920 - * 7 + 8.000
31
Existencia Máxima = 30.143 kilos

7.3 COSTOS RELACIONADOS CON LOS MODELOS DE INVENTARIO
7.3.1 Costo de pedido y organización
Muchos costos asociados con hacer un pedido o producir un bien internamente, no dependen del
tamaño del pedido o la fase de producción. Por ejemplo el costo de pedido incluiría el costo de
trabajo administrativo y facturación asociado con un pedido. Si el producto se hace internamente
y no se pide a una fuente externa, el costo de mano de obra (y el tiempo de inactividad) para
preparar y detener una máquina para una fase de producción, se incluiría en el costo de pedido y
organización.
7.3.2 Costo de compra unitario
Este es simplemente el costo variable asociado con la compra de una unidad, incluido el costo de
envío. Si el producto es producido internamente este costo representa el costo de producción del
mismo, incluidos los costos variables y el porcentaje del costo fijo correspondiente.
7.3.3 Costo de retención o mantención de una unidad en inventario
El costo de mantención se expresa en unidades monetarias por unidad de tiempo que se mantiene
la unidad de producto o materia prima en inventario.
El costo de mantención por lo general incluye el costo de almacenaje (depreciación de la bodega,

energía de iluminación o para garantizar ambiente controlado, bodeguero, depreciación,
mantención y operación de maquinaria para movilizar los inventarios, etc.), y costos debido a la
posibilidad de descomposición, robo u obsolescencia. Sin embargo es común que el componente
más importante de este costo sea el costo de oportunidad en que se incurre al invertir capital al
inventario (costo del capital inmovilizado). Por ejemplo: suponga que una unidad de materia
prima cuesta $50.000 y que la compañía puede ganar 15% anual en sus inversiones. Entonces,
mantener una unidad de esta materia prima en inventario durante un año, priva a la compañía de
ganar $7.500 por cada unidad que mantenga de ella en bodega. Cuando las tasas de interés son
altas, las empresas asumen que el costo de retención anual en inventario es entre el 20% y el 40%
de su costo de compra o producción unitario.
7.4 MODELO DEL LOTE ECONOMICO DE COMPRA
El modelo del lote económico de compra (EOQ = Economic order quantity) es el modelo clásico
elaborado por F.W. Harris de Westinghouse Corporation en 1915, que aún se utiliza para
planeación de inventarios. El modelo es válido bajo las siguientes suposiciones:
· Pedido repetitivo, se hace de un modo regular, cada cierto tiempo.
· Demanda constante, Se supone que la demanda ocurre a una tasa constante, conocida.
Esto implica que si la demanda ocurre a una tasa de 1200 unidades al año la demanda
durante cualquier mes es de 100 unidades mensuales, etc.
· Despacho inmediato. Una orden de pedido es despachada inmediatamente. Esta
suposición es la menos real pero puede ser manejada fácilmente si se tiene una estadística

confiable del tiempo de demora con que cada proveedor nos abastece de un producto o
materia prima. Lo que importa para el modelo es que la mercadería llega exactamente
cuando nuestro inventario ha llegado a cero. Para ello basta con ordenar con el tiempo de
antelación necesario para que ello ocurra.
· Todos los lotes de pedido deben ser del mismo tamaño
· No hay inventario ni al comienzo ni al final del período de análisis.
Con estas suposiciones, más la razonable idea que debe ordenarse un lote Q cuando el inventario
baja a cero (o con la debida antelación a ello en el caso de demora en el despacho), el sistema de
inventario se comportaría como se indica en la figura:
I (t)
n ciclos pendiente debida a la demanda

Ej: ω = Nº ítems / año
Q
0 τ T t
Donde:
· Q = Tamaño de la orden
· n = Número de órdenes puestas durante el período T
· τ = Tiempo transcurrido entre dos órdenes sucesivas
· ω = Demanda en unidades/unidad de tiempo
· T = Período de planificación del inventario
· Relaciones entre estos parámetros:
Una manera de operar sería hacer n=1 y calcular las otras variables, pero ello acarrearía grandes
costos de inventario. Otra forma sería hacer un pedido cada vez que un cliente pide un ítem lo
que sería igualmente costoso y organizarlo sería casi imposible. El sentido común nos indica que
la solución óptima debe estar entre las dos ya enunciadas.
7.4.1 Deducción del costo total
· Costo por orden

Suponemos que el costo de poner una orden está dividido en dos partes:
C0 = Costo fijo de poner una orden
C1 = Costo variable, proporcional al tamaño de la orden ($/unidad)
Por lo tanto el costo de poner n órdenes de tamaño Q será: n (C0 + C1 Q)

· Costo de mantención de inventario (almacenamiento)

Suponemos que hay un costo por mantener almacenadas unidades o bien una cierta
pérdida en términos de dinero que se podría haber invertido en otra cosa. Si suponemos
que cada intervalo de tiempo (pequeño), este costo es proporcional al inventario
acumulado, multiplicado por el tiempo que está almacenado, el costo de almacenamiento
será:
(h = $ / unidad año)
Sea = Inventario promedio
y por lo tanto podemos escribir:
· Costo total
El costo total de operar este sistema por T unidades de tiempo será por lo tanto:
C(n,Q) = + n (C0 + C1 Q)
Para nuestro modelo simplificado (denominado diente de sierra) el inventario promedio es

= Q/2 ya que:
Además n y Q no son independientes ya que hemos visto que y por lo tanto
lo que nos lleva a que y por último, reemplazando estas dos

ecuaciones en la expresión del costo total, obtenemos el costo total en función de n
(número de ciclos), como sigue:
7.4.2 Cálculo del número de ciclos óptimo
Para buscar la expresión para el mínimo número de ciclos basta con encontrar la primera derivada
del costo y hacerla igual a cero, para luego verificar si la segunda derivada es mayor que cero
para cualquier valor de n, como sigue:

Si calculamos la segunda derivada de C(n) obtenemos:
expresión que es mayor que cero para cualquier valor de n, lo que indica que n0 representa un
mínimo para la función del costo total.
7.4.3 Parámetros óptimos del modelo
· Ciclo óptimo
· Tamaño óptimo de cada orden
· Costo óptimo
7.4.4 Cálculo del tamaño óptimo de cada lote en inventario en estado de régimen (T ∞)
La expresión matemática del costo total en función del tamaño de cada orden es:

Definiremos Rss (Q) = razón de costo en estado de régimen (ss = steady state) como sigue:
Análogamente al caso anterior, esta vez buscaremos el mínimo con respecto a Q:
Expresión última que es mayor que cero para cualquier valor de Q positivo (no hace sentido pedir
una cantidad negativa de producto).
Por lo tanto si igualamos la primera derivada a cero obtendremos el valor óptimo de Q para la
mínima razón de costo en un inventario en estado de régimen, como sigue:
y análogamente podemos encontrar los demás parámetros…

7.4.5 Ejercicio deAplicación Nº2
Supongamos un inventario de una materia prima en estado de régimen cuya demanda mensual en
el sistema productivo es de 36 unidades.
Supongamos que el costo fijo por colocar una orden de pedido es de US$ 25 y que el costo de
mantener una unidad de esta materia prima en inventario es de US$ 0,5 al mes.
El precio de compra unitario de la materia prima es de US$ 1,5.
El proveedor nos comunica que no podemos hacerle pedidos de menos de 100 unidades por orden
pero que está abierto a renegociar el precio de venta.
Solución:
Tamaño óptimo de cada lote:
Ciclo óptimo:
Razón de costo óptima: mensuales
La solución de costo óptima no coincide con la exigencia del proveedor, por lo que deberemos
renegociar con él el precio de venta de tal manera que pidiendo lotes de 100 unidades
obtengamos la misma razón de costo que la calculada en el óptimo; es decir:
C1 = US$ 1,39
Se debe solicitar al proveedor una rebaja de 11 centavos en el precio de venta para cumplir su
requerimiento de lotes de 100 unidades.
7.5 MODELO DE INVENTARIO CON ENTRADA CONTINUA FINITA
En este modelo suponemos que la entrada al sistema no ocurre en lotes sino que según una razón
de producción constante y en los períodos en que no hay producción la salida permanece
constante. Si π es la razón de producción en ítem/año y τp es el tiempo que dura la producción,
entonces:
lo que se ilustra en el gráfico:

I (t)
Q
Pendiente (
Im pendiente ( )
0 t
τ
Del gráfico podemos deducir que:
El costo del ciclo es:
Donde:
por lo que
o bien
llamaremos costo de almacenaje equivalente a:
así:
En forma análoga al anterior modelo, la razón de costo en estado de régimen para este modelo es:
Pero
Por lo tanto
Procediendo en forma análoga a lo hecho en los anteriores casos, encontramos las expresiones
matemáticas de los parámetros principales óptimos de este modelo, a saber:
Tamaño óptimo de lote:
Duración óptima del ciclo:
Razón de costo mínima:
Expresiones todas idénticas a las del modelo de diente de sierra, salvo que el costo de
almacenamiento que se usa es .
Ejercicio de Aplicación Nº3:
En un sistema productivo se necesita entregar diariamente 50 unidades de un producto. En el

período de producción la tasa productiva es de 100 unidades diarias y el costo de puesta en
marcha del sistema es de $ 20.000
Cada item guardado en inventario involucra un costo diario de almacenamiento de $ 0,04.
Si el costo variable de producción es $ 7, ¿Cuál sería el ciclo óptimo de producción?
æ 50 ö
h eq = 0,04 * ç1 - ÷ = 0,02
è 100 ø
2 ´ 50 ´ 20000
Qss = = 10.000
0,02
50 * 20000 10.000 ´ 0,02
Rss(Q*) = + 7 ´ 50 + = $550
10000 2
tss =
10.000
50
= 200 días
t p =
Qss
P
t p =
10.000
100
= 100días

7.6 ALGORITMO DE CALCULO EN ESCENARIOS DE DESCUENTOS POR
CANTIDAD
En la compra y venta de artículos se usa en muchas oportunidades que los proveedores hagan
descuentos por la cantidad que se compra.
Este sistema de descuentos es aplicable sólo al modelo de un solo lote.
7.6.1 Descuento total
En este caso el proveedor cobra distintos precios unitarios dependiendo de la cantidad ordenada:
Ejemplo:
Si 0 < Q ≤ q1 Precio = $C1/item
Si q1 < Q ≤ q2 Precio = $C2/item
Si q2 < Q ≤ q3 Precio = $C3/item
Donde: qi < qi+1 y Ci > Ci+1
Considerando la razón de costo total deducida para el modelo de un solo lote, nos daremos cuenta
que existirá una curva para cada precio de venta, ya que dicha expresión quedaría, para este caso,
dependiendo de Ci, como sigue:
No obstante lo anterior los parámetros fundamentales del modelo son independientes de Ci ya

que:
Lote económico de compra:
Duración óptima del ciclo:
Debido a lo anterior, para determinar cuál es la cantidad óptima de compra en un sistema con
descuento total por cantidad se debe seguir el siguiente procedimiento:
· Determinar Qss
· Identificar el intervalo de cantidad al que pertenece Qss y calcular Rss(Qss) con el precio
de compra estipulado para ese intervalo
· Calcular Rss para la cantidad de pedido del intervalo inmediatamente superior con el
precio de compra estipulado para ese intervalo
· Comparar ambas razones de costo. Si Rss(Qss) es menor que la del intervalo superior
quiere decir que Qss es la cantidad óptima de compra. En caso contrario se debe calcular
Rss para el inicio del intervalo siguiente y comparar nuevamente los dos últimos, hasta
encontrar la cantidad con razón de costo óptima.
Lo anterior se ilustra en el siguiente diagrama de flujo:

7.6.2 Ejercicio de Aplicación Nº4
Se tienen los siguientes datos de un sistema de inventario anual:

· Costo del pedido: US$ 288 por cada orden
· Costo de almacenamiento: US$ 900 por mantener una tonelada en la bodega, lo que implica
un costo por cada kilo de US$0,90.
· Consumo del periodo: 100.000 kilos programados.
· Precios de compra diferenciados
Desde Hasta Precio Unitario
1 kilo 5000 kilos US$ 1,00
5001 kilos 10000 kilos US$0,98
10001 kilos 25000 kilos US$0,95
25001 kilos y más kilos US$0,90
Determine el lote económico de compra.
Solución:
2 ´ w ´ Co 2 ´ 100.000 ´ 288
Qss = Qss = Qss = 8.000
h 0,90
Qss pertenece al intervalo (5001, 10000) cuyo precio de compra unitario es US$0,98
8.000 ´ 0,90 100.000 ´ 288
Rss(Qss) = 0.98 ´ 100.000 + + Rss(Qss) = US$ 105.200
2 8.000
10.001 ´ 0,90 100.000 ´ 288 Rss(q3) = US$ 102.380
Rss(q3) = 0,95 ´ 100.000 + +
2 10.001
25.001 ´ 0,90 100.000 ´ 288 Rss(q4) = US$ 102.402
Rss(q4) = 0,90 ´ 100.000 + +
2 25.001

Análisis Gráfico:


Apuntes IO Construccion Civil

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

Apuntes IO Construccion Civil

Caricato da

Copyright:

Formati disponibili

(Actualizado a marzo de 2015)

APUNTES DE INVESTIGACION DE OPERACIONES

CURSO : INVESTIGACION DE OPERACIONES

Asignatura teórico-aplicada, cuyo propósito es desarrollar en el estudiante la capacidad de

PROF. JUAN A. CARVAJAL G. 2

3. El algoritmo simplex para solución de problemas en “n” variables

4. Programas computacionales QSB, LINDO y EXCEL en la solución y análisis de

5. Sensibilidad de los resultados

6. Modelos aplicados de programación entera binaria (decisiones sí o no)

7. Modelación y resolución de problemas especiales en la programación lineal

8. Modelos de planeación y control determinístico de inventarios

El curso se desarrollará a partir de clases expositivas de los métodos matemáticos de

La estrategia evaluativa del curso considera interrogaciones y controles aplicados. Además

PROF. JUAN A. CARVAJAL G. 3

Eppen G.D.; Gould F.J.;Schmidt C.P.; Investigación de Operaciones en la Ciencia

Gould F.J.; Eppen G.D.; Schmidt C.P. Investigación de Operaciones en la Ciencia

Taha, Hamdy A. Operations Research: An Introduction,

Winston Wayne L. Investigación de Operaciones, Aplicaciones y

Winston Wayne L. Introduction to Mathematical Programming:

PROF. JUAN A. CARVAJAL G. 4

¿Cómo surge la Investigación de Operaciones?

La primera actividad de Investigación de Operaciones se desarrolló durante la primera guerra

PROF. JUAN A. CARVAJAL G. 5

2. METODOS DE TOMA DE DECISIONES

3. FASES DEL METODO CIENTIFICO DE ANALISIS DE FENOMENOS

4. FASES DE UN ESTUDIO DE INVESTIGACION DE OPERACIONES

PROF. JUAN A. CARVAJAL G. 6

APUNTES DE INVESTIGACION DE OPERACIONES

PROF. JUAN A. CARVAJAL G. 7

II. PROGRAMACION LINEAL

Modelos físicos (Maquetas)

B. MODELACION MATEMATICA DE PPL

1. FORMA GENERAL DE UN MODELO MATEMATICO DE UN PPL

2. EL ARTE DE FORMULAR MODELOS DE PROGRAMACION LINEAL

La formulación de un Modelo de Programación Lineal significa seleccionar los elementos

3. LIMITACIONES DE LA PROGRAMACION LINEAL

PROF. JUAN A. CARVAJAL G. 11

1. Ejercicio Nº 1 Limitación de Capacidad de Bodega

Largo (m) Ancho (m) Alto (m)

Asuma además que los productos no son apilables.

2. Ejercicio Nº 2 Limitación de Disponibilidad de Obra de mano

En su taller se trabaja 40 horas a la semana y usted tiene contratados 3 operarios de jornada

PROF. JUAN A. CARVAJAL G. 12

3. Ejercicio Nº 3 Limitación de disponibilidad de recursos en general

Uso del Recurso por unidad producida

PROF. JUAN A. CARVAJAL G. 13

4. Ejercicio Nº 4 Limitación de Capacidad de Suministro y cumplimiento de la

Bodega Disponibilidad de producto Cliente Demanda

PROF. JUAN A. CARVAJAL G. 14

5. Ejercicio Nº 5 Requerimiento de cantidad mínima de vitaminas y proteínas

Contenidos por onza de alimento

PROF. JUAN A. CARVAJAL G. 15

1. Repaso de Geometría Analítica Plana

2. Metodología de para encontrar la solución óptima con el método gráfico:

PROF. JUAN A. CARVAJAL G. 16

PROBLEMA EJEMPLO EN 2 VARIABLES (Solución Gráfica)

PROF. JUAN A. CARVAJAL G. 17

PROF. JUAN A. CARVAJAL G. 18

PROBLEMA EJEMPLO EN 2 VARIABLES N°2

Se ha establecido con el sindicato un número de horas mínimas de trabajo para el personal de la

PROF. JUAN A. CARVAJAL G. 19

PROF. JUAN A. CARVAJAL G. 20

· Definición Nº1: Es la tasa de MEJORAMIENTO que experimenta el valor óptimo de

PROF. JUAN A. CARVAJAL G. 21

XA=750, XB=1.000, XC=1.500, H1=250, H2, H3 , y H4=0, Z’= -12.750 ,