Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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 softwares 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.
IV. METODOLOGIA
V. EVALUACION
Hillier Frederick S.; Hillier Mark S.; Métodos Cuantitativos para Administración
Lieberman Gerald J. México. Editorial McGraw Hill. 2002
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.
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 $ OPTIMIZAR
PROGRAMA DE PRODUCCION
CAPITAL UTILIDADES GASTOS
STOCK DE STOCK DE
•INGRESOS
INSUMOS PROD. TERMINADOS
INFRAESTRUCTURA
$
Y MAQUINARIA
PERSONAL
•Mermas
MINIMAS
INVESTIGACION DE OPERACIONES Prof. Juan A. Carvajal G. 1
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.
1.1 INTRODUCCION
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 o de partes y piezas que se producen para ensamblar en productos finales.
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 materiales en inventario
para satisfacer la demanda del cliente o bien para asegurar la base del sistema de producción.
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
1.2.1 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.
Es una cantidad de stock, específico y particular 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 administran y mantienen las empresas son
los siguientes:
PROF. JUAN A. CARVAJAL G. 9
Actualizado el 23/07/2019
APUNTES DE INVESTIGACION DE OPERACIONES
Existencia Mínima
Existencia Crítica
Existencia Máxima
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.
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:
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.
Una empresa presenta los siguientes datos estadísticos de consumo y tiempo de reposición de un
producto, para un período de cinco 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.
14800
Existencia Crítica 19500 - * 18
30
12.000
Existencia Máxima 19500 - * 7 8.000
31
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.
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.
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 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)
0 τ T t
Donde:
Q = Tamaño de la orden
ω = Demanda en unidades/unidad de tiempo
PROF. JUAN A. CARVAJAL G. 14
Actualizado el 23/07/2019
APUNTES DE INVESTIGACION DE OPERACIONES
n = Número de órdenes puestas durante el período T, que es igual a ω/Q
τ = Tiempo transcurrido entre dos órdenes sucesivas
T = Período de planificación del inventario
ω ∗
el costo total por poner órdenes de compra será:
C1 = Costo variable, proporcional al tamaño de la orden ($/unidad)
Como la demanda es de ω unidades el costo total por esas unidades será ω*C1
∗
+ ω ∗
Por lo tanto el costo de poner órdenes de tamaño Q será:
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 (h = $ / unidad en el período de planificación)
∗
por lo tanto el costo de mantención de unidades en inventario cuando se piden lotes de Q
unidades será:
Costo total
Considerando lo anterior, el costo total de operar este sistema, en función del tamaño de
los lotes de compra, será por lo tanto:
ℎ #
!! = + + #
2
Donde Rss (Q) = razón de costo en estado de régimen (ss = steady state), es decir cuando
el tiempo tiende a ∞.
Debemos buscar para que valor de Q la razón de costo total, Rss(Q), tiene el mínimo valor. Para
ello, derivando respecto de Q tenemos:
!! ℎ #
= −
2
Expresión que igualada a 0 nos indica que el punto crítico (donde la derivada es cero) se da para
un valor de Q:
2#
= %
ℎ
Para saber si este punto crítico es para un máximo o un mínimo valor de Rss(Q), debemos
!! 2#
deducir la segunda derivada:
=
&
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 el punto crítico es para un mínimo valor de
Rss(Q).
) = * +
Si reemplazamos Q por Q0 tenemos que Ciclo óptimo
Costo óptimo
+
En general el costo en estado de régimen es: !! =
+
+ #
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:
∗&-∗.
= * = 60 23456!
,.
Tamaño óptimo de cada lote:
∗.
Ciclo óptimo: ) = *&-∗,. = 1,66 86!6! = 964:! ;55 50 í5!
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:
ℎ #
!! = + + #
2
100 ∗ 0,5 36 ∗ 25
!!100 = + + 36 ∗ = 84
2 100
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.
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:
I (t)
Pendiente (E − #
Q
Im pendiente (−#)
0 )G t
τ
= # ∗ ) = E ∗ )G
Del gráfico podemos deducir que:
K = E − # ∗ )G = E − # ∗
E
̅ =
LMN PQ ∗O PQ RS+
= ∗ = = ∗
O O R
Donde:
RS+
= + ∗ + ℎ ∗ ) ∗ ∗
R
por lo que
+
o bien = + ∗ + ) ∗ ℎ ∗ 1 − R ∗
+
llamaremos costo de almacenaje equivalente a: ℎNT = ℎ ∗ 1 −
R
así: = + ∗ + ) ∗ ℎNT ∗
En forma análoga al anterior modelo, la razón de costo en estado de régimen para este modelo es:
∗
!! = = + + ℎNT ∗
) ) ) 2
Pero )=+
∗+
Por lo tanto, la razón de costo en estado de régimen es !! =
+ ∗ # + ℎNT ∗
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:
WW
) = *+ = +
Duración óptima del ciclo:
UV
p
Qss
p
10.000
100
100días
En la compra y venta de artículos se usa en muchas oportunidades que los proveedores hagan
descuentos por la cantidad que se compra.
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,
ℎ #
dependiendo de Ci, como sigue:
!! = + + #Y
2
No obstante, lo anterior los parámetros fundamentales del modelo son independientes de Ci ya
que:
= *
+
Lote económico de compra:
ZZ
)XX = +
Duración óptima del ciclo:
Nótese que la duración óptima del ciclo se calcula en base al lote que otorga el menor valor de la
razón de costo Rss(Q) la que no necesariamente corresponde a Q0 por el efecto de los descuentos
involucrados
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 Q0
Identificar el intervalo de cantidad al que pertenece Q0 y calcular Rss(Q0) 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(Q0) es menor que la del intervalo superior
quiere decir que Q0 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.
Solución:
2 w Co 2 100.000 288
Q Q Q 8.000
0 h 0 0,90 0
Análisis Gráfico:
Ejemplos:
F.O. MAX
Función Objetivo o Z = c1 X1 + c2 X2 + c3 X3 + ............+ cn Xn
MIN
Sujeto a: a11 X1 + a12 X2 + a13 X3 + ..........+ a1n Xn = b1
a21 X1 + a22 X2 + a23 X3 + ..........+ a2n Xn = b2
a31 X1 + a32 X2 + a33 X3 + ..........+ a3n Xn = b3
-- -- -- -- --
-- -- -- -- --
-- -- -- -- --
-- -- -- -- --
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,
PROF. JUAN A. CARVAJAL G. 23
Actualizado el 23/07/2019
APUNTES DE INVESTIGACION DE OPERACIONES
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)
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
(), 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 () o las más
restrictivas, requerimientos del tipo (=)
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.
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.
Los productos terminados que usted fabrica tienen las dimensiones que se indica en la tabla:
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 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 el espacio y volumen disponibles.
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
Asuma que la cantidad de cada producto que usted fabricará el próximo período está representada
por X1, X2 y X3 respectivamente.
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:
Asuma que la cantidad de cada producto que usted fabricará el próximo período está 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.
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:
Asuma que la cantidad de cada producto que usted enviará desde la bodega A al cliente 1 está
representada por XA1, desde la bodega A al cliente 2 por XA2 y así sucesivamente.
Encuentre las expresiones matemáticas que permitirán definir los valores posibles para las
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.
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:
Asuma que la cantidad onzas de cada alimento que usted comprará el próximo período está
representada por XA, XB y XC respectivamente.
Encuentre las expresiones matemáticas que permitirán definir los valores posibles para las
variables de decisión, asegurando que se entreguen como mínimo los contenidos nutricionales
especificados.
MODELO MATEMÁTICO:
SOLUCION GRAFICA
10
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
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
MODELO MATEMÁTICO:
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
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.
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.
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:
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.
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.
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 está dentro de un rango específico (donde el punto óptimo no
cambia), no tendremos necesidad alguna de cambiar las cantidades de producto que implican mi
máxima ganancia o mi mínimo costo 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 sí, que el valor óptimo de la función objetivo siempre cambiará ante cualquier
cambio en sus coeficientes, ya que es directamente proporcional a ellos.
Ejemplo:
Función objetivo original:
MAX Z 3 X 1 5 X 2 7 X 3
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 3 120
4 X 1 5U 5V 2 X 3 80
2 X 1 3U 3V 5 X 3 20
X1 y X 3 0
U y V 0 , U V = 0
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 ()
la variable de holgura tiene coeficiente -1.
Ejemplo:
Modelo original:
MAX Z 3 X 1 5 X 2 7 X 3
Sujeto a :
3X1 7 X 2 3 X 3 120
4 X 1 5 X 2 2 X 3 80
2 X 1 3 X 2 5 X 3 20
X1 y X 3 0 ; X 2 Irrestricta en signo
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
X 1 ; X 3 ; H1 y H 3 0
U y V 0 , U V = 0
PROBLEMA EJEMPLO
Para ilustrar el desarrollo de la Fase II del Algoritmo Simplex utilizaremos el siguiente
problema ejemplo:1
2. MODELO MATEMATICO
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 0 j
1
Problema 2-5 “Investigación de Operaciones en la Ciencia Administrativa”, Gould, Eppen y
Schmidt, 3ª. Edición, 1992
PROF. JUAN A. CARVAJAL G. 42
Actualizado el 23/07/2019
APUNTES DE INVESTIGACION DE OPERACIONES
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
* * * *
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 no sólo factible sino la óptima para el
P.P.L. si y sólo si todos los coeficientes cj son no negativos.
c 0 j
j
7. MEJORAMIENTO DE UNA SOLUCION
bi
; con a ie 0
a ie MIN
Definidas la variable que entrará a la base y aquella que por tanto saldrá de la base; para
hacer este cambio basta con crear nuevas ecuaciones de restricción, linealmente
dependientes de las anteriores, mediante combinaciones lineales entre las restricciones,
que permitan hacer aparecer la columna identidad de la variable que sale de la base, en la
columna de la variable que se ha decidido entrará a la base:
* * * *
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
* * * *
XA XB XC H1 H2 H3 H4 -Z’ bi bi/aie
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.
* * * *
XA XB XC H1 H2 H3 H4 -Z’ bi bi/aie
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
* * * *
XA XB XC H1 H2 H3 H4 -Z’ bi bi/aie
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
Esta nueva tabla representa otra solución factible para el P.P.L., a saber:
XA=1.000, XB=1.000, XC , H1 y H2=0, H3=1.500 , H4=15.000 , Z’= -10.000 ,
Z = 10.000
La solución tiene un mejor valor para Z pero no es aún la óptima pues existen cj < 0, por
lo que se debe mejorar.
* * * *
XA XB XC H 1 H2 H3 H4 -Z’ bi bi/aie
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
* * * *
XA XB XC H1 H2 H3 H4 -Z’ bi bi/aie
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
Esta nueva tabla representa otra solución factible para el P.P.L., a saber:
XA=1.000, XB=1.000, XC=750 , H1 , H2 y H4=0, H3=750 , Z’= -12.250 ,
Z = 12.250
PROF. JUAN A. CARVAJAL G. 46
Actualizado el 23/07/2019
APUNTES DE INVESTIGACION DE OPERACIONES
La solución tiene un mejor valor para Z pero no es aún la óptima pues existen cj < 0, por
lo que se debe mejorar.
* * * *
XA XB XC H1 H2 H3 H4 -Z’ bi bi/aie
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)
* * * *
XA XB XC H1 H2 H3 H4 -Z’ bi bi/aie
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.
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
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
Sujeto a:
Xg + Xp + H1 = 1600
Xp - H2 = 500
0,48 Xg + 0,24 Xp + H3 = 480
1,5 Xg + 3 Xp + H4 = 3600
Xg Xp H1 H2 H3 H4 -Z' bi
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.
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 a la restricción 2.
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 (En este caso sólo una). El objetivo
de la Fase I será minimizar W hasta hacerla igual a cero; si ello se logra se habrá
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
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 artificiales.
* * * *
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.
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
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:
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:
* * * *
Xg Xp H1 H2 H3 H4 -Z' bi
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
* * * *
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
24
22
20
18
16
14
Nótese que el algoritmo simplex se acerca a
Xp
12
10 la solución óptima avanzando por los puntos
8 extremos en el exterior de la zona de
6 soluciones factibles.
4
2
0
0 2 4 6 8 10 12 14 16 18 20 22 24
Xg
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
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:
Ejemplo 1:
Ejemplo 2:
Ejemplo 3:
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.
a)
n
Yi * aij X j bi 0
* *
(i = 1, 2, 3, ..., m)
j 1
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”
m
X * a jiYi* c j 0
*
j (j = 1, 2, 3, ..., n)
i 1
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.
Ejemplo práctico:
Según la primera parte del teorema de las holguras complementarias, se tiene que:
Y1* x (XA* - 1000) = 0
Por lo tanto Y1* x (750 - 1000) = 0 lo que implica necesariamente que Y1* = 0
Según la segunda parte del teorema de las holguras complementarias, se tiene que:
XA* x (Y1* + 60Y4* - 7) = 0
Pero Y1* = 0 y XA* = 750; lo que implica necesariamente que 60Y4* = 7
y por lo tanto Y4* = 7/60
En forma equivalente, con la segunda parte del teorema de las holguras complementarias o con el
teorema dual, se pueden obtener los precios sombra de las restricciones 2 y 3 (Y2* e Y3*)
c) Menu Solve
d) Menu Reports
f) Comando Find-Replace
g) Comando Go-to-line
SOLUCION:
“REDUCED COST”
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 más 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
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).
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
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.
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.
No obstante lo anterior, es obvio que el valor de la función objetivo óptima, sí variará, porque es
directamente proporcional a ese coeficiente.
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.
SOLUCION:
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.
Problema Ejemplo: P1
MAX 8X1 5X 2
Sujeto a : 11X 1 6 X 2 66
X 1 10 X 2 45
X1 , X 2 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.
Definiremos:
Uk = Valor óptimo de la F.O. para el modelo del nodo k
F = Mejor solución entera encontrada hasta el momento.
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.
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 4
X1 3
2 3
U2 =45 U3 =50,33
X1*= 3 X1*= 4
X2*= 4,2 X2*= 3,67
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 4
X1 , X 2 0, enteros X1 , X 2 0, enteros
1
U1 =50,625
F = 44,0
X1*= 3,75
X1 3
X2*= 4,125 X1 4
2
U2 =45 3
X1*= 3 U3 =50,33
X2*= 4,2 X1*= 4
X2*= 3,67
X2 4 X2 5
X2 3 X2 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 5
8
U8 =47
9
U9 =49,17
F = 47,0 X1*= 5
X1*= 4 X2*= 1,83
X2*= 3 X2 1 X2 2
T
10 11
U10=48,64 NO
X1*= 5,45 Factible
X2*= 1
X1 5 X1 6
12 13
U12=45 U13=48
X1*= 5 F = 48,0
X2*= 1
X1*= 6
X2*= 0
T
T
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.
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.
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.
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 50.
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, elegir 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 agregar a las demás
restricciones del sistema 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
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.
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:
(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).
Xi + (1 - Xj) ≤ 1 + Xk
lo que finalmente queda
Xi - Xj ≤ 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".
Xj + Xk ≥2Xi
Por lo que si Xi = 1, necesariamente Xj y Xk deben ser también 1
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 cuál 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
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.
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 0
En este caso f(X1, X2, X3, ....., Xn) = X1
y g(X1, X2, X3, ....., Xn) = - X1 + 4X2 +24
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 es porque Y = 1 y la
primera restricción podrá cumplirse o no porque quedaría X1 - 4X2 1024 (Si el M
elegido fue 1000) y donde el < 24 obviamente está incluido.
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 mega watts. En el segundo (la tarde), 3900 mega watts. 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
mega watt 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.
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 Ángeles 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 8.33 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
bj =DEMANDA
Capacidad de
Requerimiento
ai =OFERTA
De suministro
Suministro
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
a b
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) a i 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) b j a i ; C ( m 1) j 0 j
j 1 i 1
Para encontrar una primera solución factible para el problema de transporte se puede usar
cualquiera de los siguientes tres métodos:
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.
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).
PROF. JUAN A. CARVAJAL G. 91
Actualizado el 23/07/2019
APUNTES DE INVESTIGACION DE OPERACIONES
Repita los cuatro 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).
4. Determinación de la optimalidad
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:
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.
6. Problemas de Maximización
C eq C ij U max U ij
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
PROF. JUAN A. CARVAJAL G. 95
Actualizado el 23/07/2019
APUNTES DE INVESTIGACION DE OPERACIONES
Solución Caso a.
BUSQUEDA DE UNA PRIMERA SOLUCION FACTIBLE
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 =...................................................................
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
ZCM =...................................................................
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
ZVOGEL =...................................................................
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
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
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 =...................................................................
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:
200
300
500
ai<bj Si
Origen artificial
No
ai>bj Si
Destino Artificial
No
No Cij0
Mejorar la Solución
j
Si
Solución Óptima
No
V. MODELO DE ASIGNACION
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:
MIN Z) c11X11+c12X12+c13X13+.....+c1nX1n+c21X21+c22X22+c23X23+......
+c2nX2n++......+cn1Xn1+cn2Xn2+cn3Xn3+........+cnnXnn
Subject to 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
Los pasos anteriores permiten que en la matriz de costos C2 haya 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.
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
C eq C ij U max U ij
5. Problemas Ejemplo
Problema 1 (Minimización)
V1 V2 V3
C1 4 6 8
C2 2 3 4
C3 4 8 5
C4 1 2 6
Determinar las posibles asignaciones óptimas de los 3 vendedores a 3 de los 4 clientes, teniendo
en cuenta que cada vendedor atenderá a un único cliente. Aplicar el Método Húngaro.
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 qué 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
PROF. JUAN A. CARVAJAL G. 105
Actualizado el 23/07/2019
APUNTES DE INVESTIGACION DE OPERACIONES
DIAGRAMA DE FLUJO DEL METODO HUNGARO
Si
#T>#Op Operario Artificial
No
#T<#Op Si
Trabajo Artificial
No
No
Encontrar C1 restando en Co
Es Max. Definir matriz de costos menor elemento en cada fila
inicial como Co
Encontrar C2 restando en C1
Si menor elemento en cada columna
Encontrar matriz
Costos Equivalentes Proceso de Asignación
Solución Óptima Si
Si
Encontrar Solución Mínima #
óptima Alternativa ceros > 1
No
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 más corta desde ese nodo
hasta el origen y la componente b el nodo hacia el cual 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 más cortas
alternativas.
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.
j
i 2 3 4 5
1 12 22 38 40
2 13 20 29
3 10 19
4 12
Método Gráfico
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.
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?
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