Antologia dAntologia-de-Investigacion-de-Operaciones - Doce Investigacion de Operaciones

ESCUELA: INSTITUTO TECNOLGICO
DE ACAPULCO
CARRERA: INGENIERA EN SISTEMAS
COMPUTACIONALES
MATERIA INVESTIGACIN DE
OPERACIONES
PROFESOR: ING RODRIGUEZ VAZQUEZ
JUAN MANUEL
ALUMNO: BARIENTOS RAYO ARTURO
GPO: ISC
INSTITUTO TECNOLGICO DE
ACAPULCO
INGENIERA EN SISTEMAS
COMPUTACIONALES
INVESTIGACIN DE OPERACIONES
PROFESOR: ING RODRIGUEZ VAZQUEZ
JUAN MANUEL
ALUMNO: carlos alfonso torres valle
GPO: ISC
INDICE
UNIDAD I
OBJETIVO GENERAL
VI
JUSTIFICACION
VII
PROGRAMACIN LINEAL...
1.1. Definicin de desarrollo y tipos de modelos de investigacin de
operaciones...
1.2. Formulacin de modelos. 17
1.3. Mtodo grafico..
22
1.4. Formas estndar y cannicas. 27

1.5. Mtodos simples... 30
1.6. Tcnicas con variables artificiales. 34
1.7. Mtodo de la M..
1.7.1. Mtodo de las dos fases..
UNIDAD II
ANLISIS DE REDES
40
2.1. Problema de transporte... 41

2.1.1 Mtodo de la esquina noroeste.
45
2.1.2 Procedimiento de optimizacin.
UNIDAD III
2.2. Problema del camino ms corto
55
2.3. Problema del rbol expandido mnimo
60
2.4. Problema de flujo mximo...
63
2.5 Ruta critica (PERT-CPM).
68
PROGRAMACIN NO LINEAL
82
3.1. Planteamientos de problemas de programacin no lineal
83
III
3.2. Optimizacin clsica
83
3.2.1 Puntos de inflexin. 84

3.2.3 Mximos y mnimos...
84
3.3. Problemas no restringidos
89
3.3.1 Multiplicadores de LAGRANGE ( lambda)... 89
UNIDAD IV
3.3.2 Interpretacin econmica.
89
TEORA DE INVENTARIOS..
96
4.1. Sistemas de administracin y control 97
UNIDAD V
4.2. Modelos determinstico...
102
4.2.1 Lote econmico sin dficit
103
4.2.2 Lote econmico con dficit...
109
4.3 Lote econmico con produccin.
109
4.3 Modelo probabilstico
112
LNEAS DE ESPERA.
115
5.1. Definiciones, caracterstica y suposiciones.
116
5.2 Terminologa y notacin...
119
5.3 Proceso de nacimiento o muerte
120
5.4 Modelos Poisson...
121
5.4.1 Un servidor..
123
5.4.2 Mltiples servidores...
123
5.5 Anlisis de costo
123
BIBLIOGRAFIA
129
OBJETIVO GENERAL
El estudiante aplicar las tcnicas y modelos de investigacin de

operaciones en la solucin de problemas, utilizando o desarrollando
herramientas de software para tomar decisiones.
IV
JUSTIFICACION
La presente antologa fue elaborada viendo la falta de apoyo didctico

que existe en la institucin
y tendr
como
finalidad
complementar
los conocimientos del alumno a fin de elevar su nivel acadmico.

Ser un gran apoyo para el maestro ya que con ella reforzar lo dicho en
clases, este documento es un apoyo didctico y su informacin fue
extrada de diferentes autores tomando en cuenta los temas que se vern
a lo largo
del curso.
V
UNIDAD 1
PROGRAMACION LINEAL
Objetivo:
El estudiante comprender los modelos
y
metodologa
programacin
mtodo
propuestos.
que
lineal
simplex
y
a
utiliza
la
aplicara
el
problemas
UNIDAD I / PROGRAMACION LINEAL
1.1 Definicin, desarrollo, tipos de modelos de I.O.

La Investigacin de Operaciones es una ciencia gerencial, enfocada hacia
la toma de decisiones, basada en el mtodo cientfico para resolver
problemas, es un enfoque sistemtico que usa herramientas analticas
para resolver problemas.
Tomar decisiones es la tarea esencial de toda persona o grupo que tiene
bajo su responsabilidad el funcionamiento de una organizacin entera o
parte de ella.
Historia:
Desde la primera guerra mundial se le dio la tarea a Thomas Edison la
tarea de averiguar las maniobras de los barcos mercantes fueran ms
eficaces para disminuir las prdidas de embarques causada por los
submarinos enemigos. El empleo un tablero tctico. Rutas ms corta.
A finales de 1910 A. K. Erlang, Ing. Dans, estudio el comportamiento de las
fluctuaciones de la demanda de instalaciones telefnicas, en relacin con los
equipos automticos. Inicios del modelo de la lnea de espera.
1930 Horace C. Levinson aplico modelos matemticos refinados para
grandes cantidades de datos sobre todo modelos ptimos de los embarques:
1937 Se pidi a los cientficos ingleses, que ayudaran
a los militares a
descubrir la mejor manera de utilizar el radar para localizar aviones

enemigos.
1940 se reuni a otro grupo de cientficos encabezados por l ingles
Blackett
para estudiar
enemigos.
los
problemas
de
puntera
contra
los
aviones
-8-
Estudiando el uso del equipo de control de caones en campo. El grupo

estaba integrado por dos fisilogos, 2 fsico matemticos, 1 fsico
general,
2 matemticos, 1 astrofsico, un oficial del ejrcito. Despus el grupo creci
y
se dividi un grupo para la marina, fuerza area y otro para el ejrcito,
que llevaron a cabo estudios desde el inicio de la guerra 1941. A este tipo
de actividades se le conoci como investigacin operacional.
En la toma de decisiones el anlisis puede tomar dos formas: cualitativo y
cuantitativo.
El anlisis cualitativo se basa principalmente en el juicio y experiencia de
la gerencia, incluye sentimientos intuitivos sobre el problema tratado y es
ms
un arte que una ciencia.
-9-
El anlisis cuantitativo se concentra en hechos cuantitativos o datos

asociados con los problemas y desarrolla expresiones matemticas
que describen
las
relaciones
utilizando mtodos
los
existentes
en
ellos.
Seguidamente,
cuantitativos,
obtiene
resultados con
que
hacen
recomendaciones
se
basadas en los aspectos cuantitativos del problema.

El papel del anlisis cuantitativo en la toma de decisiones puede variar
dependiendo de la importancia de los factores cualitativos. En algunas
situaciones,
cuando
el
problema,
el
modelo
permanecen iguales, el anlisis cuantitativo puede
los
insumos
hacer automtica la
decisin con los resultados obtenidos al usar mtodos cuantitativos. En

otros casos, el anlisis cuantitativo es slo una ayuda para tomar la
decisin
sus resultados deben ser combinados con informacin
cualitativa.
Un sistema es un conjunto de elementos que interactan entre
s.
Un modelo es una representacin simplificada de un sistema de la vida
real, de
una
situacin
de
una
realidad.
Un
modelo
captura
caractersticas selectas de un sistema, proceso o realidad, y luego las

combina en una representacin abstracta del original.
Los modelos pueden ser objeto de diversa clasificacin.
Tres formas
Simblicos.
de
modelo
son:
Icnico,
Analgico
Los icnicos son representaciones a escala (rplicas fsicas) de objetos

reales. Adecuados para descripcin de acontecimientos en un momento
determinado. Por ejemplo la fotografa de una fabrica. Maqueta, etc.
Los modelos simblicos (llamados tambin matemticos) representan
sistemas del mundo real; cuantifican sus variables y las combinan en
expresiones y frmulas matemticas. Son idealizaciones de problemas de
la
- 10 -
vida real basados en supuestos claves, estimados y/ estimaciones

estadsticas. Son representaciones que toman la forma de cifras, smbolos
y matemticas.
Los modelos matemticos son los que, tradicionalmente, han sido
ms comnmente identificados con la Investigacin de Operaciones.
Los modelos matemticos, contienen:
Funcin objetivo.- Como su nombre lo dice es el objetivo que se quiere
alcanzar, es el sentido de buscar una solucin optima. Esto se logra
maximizando o minimizando.
Variables de decisin.- Son las variables que se pueden modificar, que
estn bajo nuestro control e influyen en el desempeo del sistema.
Parmetros.- Son coeficientes fijos, estos no se pueden variar pero tienen
influencia en el sistema. Normalmente son los insumos.
Restricciones.- Son las limitantes que harn que las variables de decisin
solo puedan tomar ciertos valores.
Clasificacin de los modelos matemticos:
1) Cualitativos: La mayor parte de los problemas de negocios comienza con
problemas cualitativos, o propiedades que tienen los componentes.
Algunas
veces
es
mejor
emplear
el anlisis
lgico,
sistemas
de
clasificacin, mtodos de ordenamiento, teora de conjuntos, anlisis

dimensional. Ya que el problema resulta muy complicado pasarlo a un modo
cuantitativo.
Cuantitativos: La I.O. sistematiza los modelos cualitativos y los
desarrolla llegando a un punto en que puedan cuantificarse, y se convierte
en un modelo matemtico, que contiene smbolos, contantes y variables.
2) Estndar: Modelos que se pueden aplicar para todos los negocios
solamente alimentando con los nmeros apropiados de un problema.
Hechos a la medida: Cuando para resolver e problema se han

aplicado varias tcnicas de diversas disciplinas.
- 11 -
3) Modelo Determinstico: Cuando para cualquier variable de decisin

se conoce el valor exacto de la funcin objetivo y de las restricciones.
Modelo Estocstico: Cuando para cualquier variable de decisin

no se conoce el valor exacto de la funcin objetivo y de las restricciones.
4) Modelo Descriptivo: Se construye para describir matemticamente una
condicin del mundo real.
Modelo optimizacin: Se construye con el fin de encontrar una

solucin ptima de un conjunto de alternativas.
5) Modelos estticos: Cuando el valor que se busca para las variables, es
aplicables a un solo periodo. Es decir las limitantes no sufren cambios con
el paso del tiempo aunque sea por el corto plazo.
Modelos dinmicos: Cuando el valor de las variables deben de ser

sucesiones para aplicarse en periodos mltiples. Este modelo est sujeto
al factor tiempo que
desempea un papel esencial en la secuencia
de decisiones.
6) Simulacin: Utilizan la computadora para reproducir el funcionamiento de un
problema o sistema a gran escala. Comprende clculos secuenciales, los
datos
inciales
pueden
introducirse
generarse
por
medio
de
nmeros aleatorios.
No simulacin: son modelos de problemas donde no es posible

utilizar una simulacin.
7) Modelos lineales: Cuando la funcin objetivo y las restricciones en trminos
matemticos son lineales.
Modelos no lineales: Cuando la funcin objetivo o las restricciones

en trminos matemticos son no lineales.
- 12 -
8) Modelos enteros: Si el valor de una o ms variables de decisin deben

de ser entera.
Modelos no enteros: Si las variables de decisin son libres de

asumir valores fraccionarios.
CONSTRUCCIN DE UN MODELO
La Investigacin de Operaciones hace uso extensivo del anlisis
cuantitativo, este anlisis es racional y lgico. Consiste en:
a) Definir claramente un problema, que previamente se ha determinado
que existe,
b) Desarrollar un modelo,
c) Recolectar los datos de insumo,
d) Solucionar el Modelo,
e) Validar resultados, Interpretarlos y
f) Implementarlos
decisin.
en la ejecucin de una
A) Definir el problema es el paso inicial, es primordial y muchas veces el

paso ms difcil. Debe reflejar una representacin segura del inters total
de sistema. La esencia del problema se debe establecer explcitamente y no
de manera
un
ambigua.
La
definicin del problema es
paso
crtico
y determinante
en
el
xito o fracaso de cualquier enfoque cuantitativo para tomar decisiones. Si

el problema no se ha escrito, no se ha definido.
Muchas veces se concluye que el problema debe ser redefinido despus
de haber realizado varios pasos para tomar una decisin.
Al definir el problema se deben identificar alternativas, criterios para evaluar
esas alternativas, y seleccionarlas.
La optimizacin es un criterio utilizado y es sinnimo de maximizacin o
minimizacin. La evaluacin de las alternativas se hace con modelos
B) El desarrollo de los modelos. Formular y construir el modelo
son
procesos integrados. La formulacin es el aspecto lgico conceptual y la
- 13 -
construccin es la expresin de las relaciones lgicas en el lenguaje

simblico de la Matemtica.
La Investigacin de Operaciones provee un sinnmero de modelos para
distintos sistemas.
El desarrollo de los modelos, y en general el anlisis cuantitativo, involucra
a grupos interdisciplinarios.
El modelo debe tener solucin, ser realista, fcil de entender y de modificar.
Adems debe permitir que los datos de insumo requeridos puedan
ser obtenidos
Ventajas de utilizar modelos
Las principales razones para usar modelos, en lugar de trabajar
directamente sobre la realidad, son las siguientes:
a) Ahorro de dinero, tiempo u otro bien de valor;
b) Evitar riesgos de daos al sistema cuando se est solucionando el
problema;
c) Para entender mejor el ambiente real cuando ste es muy
complicado.
C) La recoleccin de los datos, se refiere a obtener la informacin
cuantitativa que es necesaria para obtener una solucin.
Las fuentes de datos incluyen:
a) Reportes de la organizacin y documentos;
b) Muestreos estadsticos;
c) Entrevistas con personas empleados o relacionadas con la organizacin
cuyo juicio y experiencia son invalorables y a menudo proporcionan
informacin excelente.
Adems pueden incluirse otras medidas directas. A menudo los datos son
incorrectos o inapropiados porque son recolectados bajo suposiciones que
no son apropiadas. A veces no estn disponibles y deben ser recogidos
por
el analista.
- 14 -
Dependiendo de datos buenos, se obtendrn buenos resultados; de

lo contrario, se obtendr lo que no se quiere, como resultado de la utilizacin
de un mal insumo.
D) La solucin de modelos matemticos, bien documentada en la
bibliografa de Investigacin de Operaciones, incluye un algoritmo o serie
de clculos especficos que
deben realizarse. Cada modelo usa un
particular algoritmo. Muchos de ellos contienen pasos repetitivos y por eso

se les llama iterativos, esto permite su fcil implementacin en la
computadora.
En anlisis cuantitativo la solucin ptima es la mejor solucin
matemtica.
E) Los modelos deben ser probados para su validez interna o externa. En
sentido interno, las representaciones matemticas deben tener sentido
unas con respecto a las
otras. En sentido externo, los resultados
obtenidos del modelo deben tener sentido cuando se comparan con la

realidad de la situacin que es estudiada.
Datos pasados pueden ser usados frecuentemente para probar la validez
de un modelo
Matemtico.
La interpretacin de resultados implica examinarlos a la luz de los
objetivos propuestos. Se debe determinar las implicaciones de su
aplicacin. Adems, como el modelo es una aproximacin de la realidad,
debe ser analizada la sensibilidad
ocurran
en
de la solucin a
cambios
que
sus insumos. Para ello se cuenta con el Anlisis
de
Sensibilidad o Anlisis de Post- optimizacin.

E) Toma de decisin e implementacin consiste en trasladar los resultados
obtenidos en detalladas instrucciones de operaciones para la organizacin.
Los procesos de control son necesarios.
Muchos
grupos
de
esfuerzos porque han

buena solucin
viable.
anlisis
cuantitativo
han
fracasado
en
sus
fallado en implementar, apropiadamente, una
- 15 -
La solucin ptima de un modelo matemtico, no es siempre la poltica

que debe ser implementada por la empresa.
La decisin final la debe tomar el ser humano, que tiene conocimientos
que
no se pueden cuantificar exactamente, y que puede ajustar los resultados
del anlisis para llegar a una decisin conveniente.
El anlisis cuantitativo no reemplaza el sentido comn, es un complemento.
Los modelos cuantitativos auxilian a los encargados de tomar decisiones,
pero es ir muy lejos decir que lo sustituye. El rol de la experiencia, intuicin y
juicio del ser humano no puede ser disminuido.
Un punto clave es que la Investigacin de Operaciones usa una
metodologa que est objetiva y claramente articulada. Est construida
alrededor de la filosofa de que tal enfoque es superior al que est basado
solamente en la subjetividad y opinin de expertos. Por lo tanto conduce a
mejores y ms consistentes decisiones. Sin embargo no excluye el juicio y
razonamiento no cuantificable del ser humano. No es pues un proceso
absoluto de toma de decisiones, sino una ayuda para tomar buenas
decisiones.
METODOLOGIA DE INVESTIGACION DE OPERACIONES
DEFINICION
DEL
PROBLEMA
DESARROLLO
DE UN MODELO
MAT. Y
RECOLECCION
DE DATOS
RESOLUCION
DEL MODELO
MATEMATICO
MODELO
MODIFICADO
SOLUCION
ES
VALIDA
LA
SOLU
CI ON
- 16 -
1.2 Formulacin de modelos de I.O.

Todo programa lineal consta de cuatro partes:
Funcin objetivo.- Como su nombre lo dice es el objetivo que se quiere
alcanzar, es el sentido de buscar una solucin optima. Esto se logra
maximizando o minimizando.
Conjunto de Variables de decisin.-
Son las variables que se pueden
modificar, que estn bajo nuestro control e influyen en el desempeo del

sistema.
Parmetros.- Son coeficientes fijos, estos no se pueden variar pero tienen
influencia en el sistema.
insumos.
Normalmente
son los
Conjunto Restricciones.- Son las limitantes que harn que las variables
de decisin solo puedan tomar ciertos valores.
Al formular un determinado problema de decisin en forma matemtica,
debe
practicar la comprensin del problema (es decir, formular un Modelo
Mental) leyendo detenidamente una y otra vez el enunciado del problema.
Mientras trata de comprender
el problema, formlese las siguientes
preguntas generales:
1.- Cules son las variables de decisin? Es decir, cules con las entradas
controlables? Defina las variables de decisin con precisin utilizando
nombres descriptivos. Recuerde que las entradas controlables tambin se
conocen
como
actividades
controlables,
variables
de
decisin
actividades de decisin.
2.- Cules son los parmetros? Vale decir cules son las entradas no
controlables? Por lo general, son los valores numricos constantes dados.
Defina los parmetros con precisin utilizando nombres descriptivos.
3.- Cul es el objetivo? Cul es la funcin objetivo? Es decir, qu quiere
el dueo del problema? De qu manera se relaciona el objetivo con las
variables de decisin del dueo del problema? Es un problema de
maximizacin o minimizacin? El objetivo debe representar la meta del
que
toma la decisin.
- 17 -
4.- Cules son las restricciones? Es decir, qu requerimientos se deben

cumplir? Debera utilizar un tipo de restriccin de desigualdad o
igualdad?
Cules son las conexiones entre las variables? Escrbalas con palabras
antes de volcarlas en forma matemtica.
La Programacin Lineal (PL) es un modelo que tiene un nmero m de
recursos que estn limitados para repartirse en un nmero n de actividades.
Ahora describiremos el modelo cannico de la PL, y usaremos las
siguientes literales que representaran lo que se indica:
x
Sabemos que es el conjunto de valores que puede asumir cada
actividad
b
Es la cantidad total disponible de un recurso
Es el coeficiente asociado a x que indica la cantidad de un cierto

recurso que se aplicara para llevar a cabo dicha actividad
Como el subndice a cada una de las actividades que pueden llevarse

a cabo, es decir j = 1, 2, 3 , .n
Como el subndice a cada uno de los recursos limitados i= 1, 2, 3
.m
Consumo de recursos por unidad de
actividad
Recurso
Cantidad
recursos
Actividad
2
A11
a12
a1n
b1
A21
a22
a2n
b2
_:
am1
am2
amn
bn
c1
c2
cn
por
disponibles.
Contribucin
de
- 18 -
unidad
de
actividad
Ejemplos de modelos matemticos:

Decisin de fabricacin
1)
Una compaa que fabrica dos productos, mesas y sillas, fabricar una
mesa requiere de 30 pies cbicos de tabla, 2 horas de mano de obra
para su armado y 4 hrs de mano de obra para su acabado. El fabricar
una silla requiere de 20 pies cbicos de tabla, 2 horas de mano de obra de
armado, y
6 horas para su acabado.
Esta compaa solo puede conseguir en una semana la cantidad de 120

pies cbicos de tablas, 9 horas de mano de para armado y 24 horas de
mano de obra para el acabado.
La mesa le deja una utilidad a la empresa de 10 pesos y la silla deja una
utilidad de 8 pesos.
La compaa desea saber si fabrica, puras sillas, puras mesas o una
mezcla de sillas y mesas, para que se obtenga la mayor utilidad para le
empresa.
S.A.
2) El departamento de rayos X de un hospital tiene dos maquinas, A y B,

que pueden utilizarse para revelar radiografas. La capacidad mxima
de procesamiento diaria de estas maquinas es A = 80, B = 100
radiografas. El departamento debe de planear procesar al menos 150
radiografas por da.
Los costos de operacin por cada radiografa son $4 para la mquina A y
3
- 19 -
para la maquina B. Cuntas radiografas por da debe procesar cada

mquina para minimizar costos?
S.A.
3) En un hospital el departamento de nutricin prepara el men para la cena,

una para cada da del mes. Una comida consiste en espagueti, pavo, papas,
espinacas y pastel de manzana. Segn los requerimientos la comida debe
proporcionar 63 000 miligramos (mg) de protenas, 10 mg de hierro, 15 de niacina,
1 mg de tiamina, y 50 mg de vitamina C. cada 100 gramos de esta comida
proporciona la cantidad de nutrientes y grasas indicadas en esta tabla:
Protenas
Hierro
Niacina
Tiamina
Vitamina
Grasa
C
Espagueti
5 000
1.1
1.4
0.18
0.0
5 000
Pavo
29 000
1.8
5.4
0.06
0.0
5 000
Papas
5 300
0.5
0.9
0.06
10.0
7 900
Espinacas 3 000
2.2
0.5
0.07
28.0
300
Pastel
1.2
0.6
0.15
3.0
14 300
4 000
Para evitar demasiada cantidad de un tipo de comida, no debe incluirse

en ella ms de 300 gramos de espagueti, 300 gr de pavo, 200 gr de papas,
100 gr de espinacas y 100 gr de pastel de manzana.
Determinar
la
composicin
de
una
comida
que
satisface
los
requerimientos nutricionales y proporciona la mnima cantidad de grasas.

4) Una ensambladora de computadoras, fabrica 3 tipos diferentes
de
modelos. El modelo econmico que requieren de 1 hrs. de armado,

2
- 20 -
unidades USB y 3 centmetros cuadrados de plstico especial. El modelos

medio que se arman en 2 hrs. 3 unidades USB y 2.5 centmetros
cuadrados de plstico especial. El modelo de lujo necesitan 3 hrs. de
armado, 1 unidad USB y 4 centmetros cuadrados de plstico especial.
Las ganancias que deja una computadora econmica son de 700.00
pesos, una mediana, 3500.00 y una de lujo 7000.00. Se vendern
todas las unidades producidas, pero de acuerdo a la planificacin estn
disponibles
100
hrs.
de
trabajo
de
armado,
200
Unidades
USB
600
centmetros cuadrados de plstico especial.

Cul ser la produccin que deja la mayor ganancia?
X1= Cantidad de computadoras econmicas
X2= Cantidad de computadoras medianas
X3= Cantidad de computadoras de lujo
Max Z = 700 X1 + 3500 X2 + 7000 X3
o bien
Max Z = C1x1 + C2x2 +
C3x3
x1 + 2x2
+ 3x3 100
o bien
a11x1 + a12x2
+ a13x3 b1
2x1 + 3x2 + x3 200
a21x1 + a22x2
+ a23x3 b2
3x1 + 2.5x2 + 4x3 600
a31x1 + a32x2
+ a33x3 b3
x1, x2, x3 0
5) Una productora-vendedora produce 2 tipos diferentes de queso. El tipo 1 se

vende en 27 el kilogramo, fabricar un kilo requiere 10 pesos de materia prima y
14 pesos de mano de obra y transporte. El queso tipo 2 se vende en 21 pesos,
pero el costo la materia prima por kilo es de 9 pesos y 10 pesos de mano de
obra y
transporte.
- 21 -
La fabricacin de un kilo de queso tipo 1 requiere; 2 horas de secado, y 1

hora reposo en un lugar especial. La fabricacin de un kilo de queso tipo 2;
1 horas de secado, y 1 hora reposo en un lugar especial.
La demanda de queso tipo 2 es ilimitada pero la del tipo 1 es de cuando
mucho 40 kilos a la semana. El tiempo total disponible para el secado es
de
100 hrs y de 80 hrs de reposo. Cmo se puede maximizar las
utilidades?
1.3. Mtodo grafico de investigacin de operaciones.

Para solucionar un problema de PL por el mtodo grfico se debe seguir
los siguientes pasos:
1) En una sola grfica se deben dibujar todas las inecuaciones del
conjunto de restricciones para encontrar la regin factible. Por cada
inecuacin habr una lnea recta en la grfica
Tomar cada una de las inecuaciones y realizar lo siguiente:
a) Convertirla momentneamente en una
igualdad. b) Despejar una de las variables.
c) Encontrar 2 puntos, asignndole 2 valores diferentes a la variable
independiente.
d) Dibujar la recta que debe pasar por los 2 puntos encontrados.
e) Encontrar cual regin es la que hace verdadera a esa inecuacin.
2) Trazar la recta de la funcin objetivo (recta de
isoutilidades).
3) Desplazar de forma paralela esa recta de isoutilidades. Si el problema
es de
maximizacin en direccin en que se incrementa Z. si es
minimizacin
entonces en direccin en que se decrementa Z.
- 22 -
Al resolver un problema de programacin lineal se puede tener uno de los

siguientes 4 casos:
Caso 1) El PL tiene una solucin nica. Es decir los valores de las
variables solo pueden tomar una solo valor para cumplir con la
funcin objetivo.
Caso 2) El PL tiene soluciones optimas mltiples, es decir una
cantidad de soluciones infinita para hacer verdaderos para cumplir la
funcin objetivo. Al desplazar la recta de isoutilidades queda en sobre
un segmento de alguna recta formada por una de las ecuaciones
de restriccin.
Caso 3) El PL no es factibles, es decir no hay una solucin que
satisfaga todas las inecuaciones.
Caso 4) El PL no es acotado. Es decir el valor que puede tomar Z la
regin factible no tiene lmites.
Regin factible de un PL.- Es un conjunto de todos los puntos que
satisfagan las limitaciones y restricciones de signo de la PL.
Solucin optima para un problema de maximizacin.- Es un punto con
el valor de funcin objetivo ms grande en la regin factible.
Solucin optima para un problema de minimizacin.- Es un punto con el
valor de funcin objetivo ms pequeo en la regin factible.
1) Una compaa que fabrica dos productos, mesas y sillas, fabricar una
mesa requiere de 30 pies cbicos de tabla, 2 horas de mano de obra
para su armado y 4 hrs de mano de obra para su acabado. El fabricar
una silla requiere de 20 pies cbicos de de tabla, 2 horas de mano
de
obra de armado, y 6 horas para su acabado.
- 23 -
Esta compaa solo puede conseguir en una semana la cantidad de 120

pies cbicos de tablas, 9 horas de mano de para armado y 24 horas de
mano de obra para el acabado.
La mesa le deja una utilidad a la empresa de 10 pesos y la silla deja una
utilidad de 8 pesos.
La compaa desea saber si fabrica, puras sillas, puras mesas o una
mezcla de sillas y mesas, para que se obtenga la mayor utilidad para le
empresa.
- 24 -
2) Una productora-vendedora produce 2 tipos diferentes de queso. El tipo

1 se vende en 27 el kilogramo, fabricar un kilo requiere 10 pesos
de materia prima y 14 pesos de mano de obra y transporte. El queso
tipo 2 se vende en 21 pesos, pero el costo la materia prima por kilo
es de 9 pesos y 10 pesos de mano de obra y transporte.
La fabricacin de un kilo de queso tipo 1 requiere; 2 horas de secado, y 1

hora reposo en un lugar especial. La fabricacin de un kilo de queso tipo 2;
1 horas de secado, y 1 hora reposo en un lugar especial.
La demanda de queso tipo 2 es ilimitada pero la del tipo 1 es de cuando
mucho 40 kilos a la semana. El tiempo total disponible para el secado es
de
100 hrs y de 80 hrs de reposo. Cmo se puede maximizar las
utilidades?
- 25 -
3) El departamento de rayos X de un hospital tiene dos maquinas, A y B,

que pueden utilizarse para revelar radiografas. La capacidad mxima
de procesamiento diaria de estas maquinas es A = 80, B = 100
radiografas. El departamento debe de planear procesar al menos 150
radiografas por da. Los costos de operacin por cada radiografa son $4
para la mquina A y 3 para la maquina B. Cuntas radiografas por
da
debe procesar cada mquina para minimizar costos?
- 26 -
OBJ. 1.4 FORMAS ESTNDAR Y CANONICA

La forma cannica de la programacin lineal es:
Max Z= c1x1 + c2x2 ..+ cnxn
Sujeto a las restricciones:
a11x1 + a12x2 .. + a1nxn b1
a21x1 + a22x2 ..+ a2nxn b2
am1x1 + am2x2 ..+ amnxn
bm x1 0, x 0. xn 0
Se puede observar que en la forma cannica:
1) La funcin objetivo se maximiza
2) Las
restricciones
de
los
recursos
son
representados
por
desigualdades menor o igual a los recursos limitados ()

3) La variables todas deben ser mayores que cero
- 27 -
Esto todava lo podemos resumir ms si hacemos una matriz A con los

coeficientes de los aij:
a11
a21
a1n
a21
a22
a2n
a11
a21
a1n
am1
am1
A=
Tambin formamos un vector
amn.
con los coeficientes cj:
= [c1, c2, c3 cn]

Formamos un vector
con los coeficientes xj:
Formamos un vector
con los coeficientes bi:
Por lo tanto la forma cannica reducida es
y
Para poder resolver de forma algebraica el modelo de programacin lineal
debe tener las siguientes propiedades:
- 28 -
a) Todas restricciones deben ser ecuaciones (igualdades) y el segundo

miembro no debe de ser negativo.
b) Todas las variables no deben ser negativas
c) La funcin objetivo puede ser de maximizacin o de minimizacin.
a) Para que todas las restricciones se conviertan a ecuaciones
(igualdades):
1) Las restricciones de tipo se le suma una variable de holgura al
primer miembro de la ecuacin.
Ejemplo:
X1 + 2x2 6
se convierte en: X1 + 2x2 + Xh = 6
2) Las restricciones de tipo se le resta una variable de exceso al primer

miembro de la ecuacin.
Ejemplo:
X1 + 2x2 6
se convierte en: X1 + 2x2 - Xe = 6
3) El segundo miembro de una ecuacin puede hacerse no negativo

multiplicando ambos lados por -1
X1 + 2x2 - 5x3= -6
se convierte en: -X1 - 2x2 + 5x3 = 6
4) En una desigualdad, el signo se invierte al multiplicar por -1

X1 - 2x2 -6
b)
se convierte en: -X1 + 2x2 6
Todas las variables no deben ser negativas
En caso de existir una variable irrestricta (no restringida) xi puede

expresarse en trmino de dos variables no negativas
xi = xi + xi
La sustitucin debe efectuarse en todas las ecuaciones incluyendo la
funcin objetivo.
C) como sabemos el problema de PL
puede ser maximizacin o
minimizacin, pero algunas veces es conveniente convertir de una forma a

otra:
- 29 -
La maximizacin de una funcin objetivo equivale a la minimizacin

del negativo de la misma funcin y viceversa
Maximizar z = 5x1+2x2+3x3 es igual a minimizar z = -5x1 2x2
3x3
Adems la funcin objetivo de debe igualar a cero:
z = 5x1+2x2+3x3 se convierte a z- 5x1-2x2-3x3=0
Aprovechando estas propiedades podemos pasar cualquier problema de
PL de la forma cannica a la forma estndar que es la que se trabaja de
forma algebraica y que tiene la forma general de:
Z - c1x1-c2x2cnxn
Sujeto a:
a11x1 + a12x1 .. +a1nxn+ xh1 = b1
a21x1 + a22x1 ..+a2nxn+ xh2 = b2
am1x1 + am2x1 ..+a1mxn+ xhm = bm
En donde:
x1 0, x2 0. xn 0 xh1 0, xh2 0. Xhm 0
1.5 mtodo Simplex

El mtodo simplex es un algoritmo, o sea un proceso que se repite un
procedimiento sistemticamente hasta obtener el resultado deseado.
Adems de las iteraciones, los algoritmos incluyen un procedimiento para
iniciar y un criterio para determinar cmo detenerse.
Los pasos para aplicar el mtodo simplex son:
1) El modelo matemtico debe estar en la forma estndar. Despus de
introducir las variables de holgura, a las variables originales se le
nombra variables no bsicas y
a las variables de holgura se le
llama variables bsicas. De aqu podemos tomar la primera solucin,

que se conoce como solucin bsica factible inicial. Las variables no
bsicas toman el valor de cero y en el resto de las ecuaciones se lee
como si
no existieran, por lo tanto las variables bsicas tomaran el valor de la b
- 30 -
correspondiente. Para mayor comodidad a la hora de realizar las

operaciones matemticas, la informacin de la forma estndar
se puede acomodar en una tabla:
Ejemplo:
MAX Z = 3x1 + 5x2
Sujeto a:
x1
x1, x2, son las variables no bsicas
12
x3, x4 , x5 son las variables bsicas
(originales)
+ 2x2
(holgura)
3x1 + 2x2
18
x1 ,x2 0
MAX Z - 3x1 - 5x2 = 0
Sujeto a:
x1
+ x3
=4
x1, x2, son las variables no bsicas
(originales)
+2x2
+x4
=12
x3, x4 , x5 son las variables bsicas
(holgura)
3x1+2x2
+x5
=18
Bsica
Ecuacin Z
X1
X2
X3
X4
X5
Solucin
-3
-5
X3
X4
12
X5
18
Para este ejemplo la solucin bsica factible inicial es (0, 0 , 4 , 12 , 19 )

Es decir x1= 0, x2= 0, x3= 4, x4= 12, x5=18
2) Paso iterativos. Cada vez que se itera el mtodo simplex se mueve de
una solucin factible bsica actual, a una solucin factible
adyacente mejor.
- 31 -
El mtodo consiste en convertir una variable no bsica (llamada variable

bsica entrante) en una variable bsica, y al mismo tiempo convertir una
variable bsica (llamada variable bsica saliente) en una variable no bsica
y se identifica la nueva solucin factible.
Para seleccionar la variable bsica entrante. Si existen variable no bsicas
con coeficientes negativos en la columna 0 (funcin objetivo), se selecciona
la de mayor valor negativo. A la columna donde se encuentra se le
nombra columna pivote.
Para seleccionar a la variable bsica que sale, se toman todos los valores
de la columna solucin y se dividen por su correspondiente coeficiente de
la columna pivote, se identifica el cociente de menor valor y a ese regln se
le llama rengln pivote. Al nmero que se encuentra en la interseccin de
la columna pivote y el rengln pivote se le llama nmero pivote.
Para determinar la nueva solucin factible, se construye una nueva tabla
simplex, por medio de la eliminacin de Gauss.
A. El rengln pivote se divide entre el numero pivote, por lo tanto ahora el
numero pivote se convierte en la nueva variable bsica con
coeficiente
1
Rengln pivote nuevo (RPN) = rengln pivote anterior / numero pivote
B. Siguiendo con la eliminacin de Gauss se obtienen los dems
renglones de la tabla. Los valores de la nueva variable bsica debe
hacerse 0 en todos los dems renglones incluso en la ecuacin 0. Si
algn rengln ya tiene coeficiente cero en la columna de la nueva
variable bsica, ese rengln se pasa sin cambio alguno a la nueva
tabla.
Nueva ecuacin = Ecuacin anterior (coeficiente de la columna
pivote) x (RPN)
En el ejemplo anterior despus de realizar lo pasos se tiene la nueva
tabla
que es:
- 32 -
Bsica
Ecuacin Z
X1
X2
X3
X4
X5
Solucin
-3
5/2
30
X3
X2
1/2
X5
-1
Las nuevas soluciones son (0, 6, 4, 0 , 6)

3) Prueba de optimalidad: si todas las variables no bsicas tienen
coeficiente positivo o nulo en el rengln 0 se ha obtenido la
solucin optima, en caso contrario se tiene que volver a iterar hasta
que esta condicin se cumpla.
Como se observa en el ejemplo aun no se cumple con esta prueba, por lo
que de nuevo se itera y se obtiene la nueva tabla:
Bsica
Ecuacin Z
X1
X2
X3
X4
X5
Solucin
3/2
36
X3
1/3
-1/3
X2
1/2
X1
-1/3
1/3
La nueva solucin es (2, 6, 2, 0, 0)

Como se cumple la prueba esta es la solucin ptima por lo que se detiene
el proceso, con esos valores para las variables.
X1= 2, X2=6, X3= 2, X4=0, X5= 0
Max z = 3x1+5x2
=3(2)+5(6)
=6 + 30
= 36
- 33 -
1.6 Mtodo de la M
El algoritmo Simplex requiere de una solucin factible bsica (sfb) inicial.
Hasta ahora en los problemas que sean resueltos se determino una sfb
inicial usando las variables de holgura como si fueran variables bsicas.
Pero si un PL tiene una restriccin , no sera tan evidente una sfb inicial.
Descripcin del mtodo de la gran M.
Paso1.- Modifique las restricciones de tal manera que el lado derecho de
cada una sea no negativo. Para lograrlo, cada restriccin con un segundo
miembro se multiplica por -1. Recuerde que si se multiplica una
desigualdad por un nmero negativo se invierte la direccin de la
desigualdad.
Paso 1.- Identifique cada restriccin que es ahora (despus del paso 1)
una
restriccin = .
Paso 2.- Convierta cada restriccin de desigualdad en la forma estndar.
Esto quiere decir que si la restriccin i es una restriccin se suma una
variable de holgura y si la restriccin i es una restriccin se resta una
variable de excedente.
Paso 3.- Si despus de haber terminado el paso 1 la restriccin i es una
restriccin =, sume una variable artificial, tambin sume la restriccin
de
signo que debes ser mayor o igual a cero.
Paso 4.- Sea M un numero positivo muy si el PL es un problema de
Minimizacin sume por cada variable artificial Ma i a la funcin objetivo. Si
el PL es un problemas de Maximizacin sume por cada variable artificial
-Mai a la funcin objetivo.
Paso 5.- Como cada variable artificial est en la base de inicio, todas las
variables artificiales se tienen que eliminar del rengln 0. Antes de
empezar el simplex. De esta manera se asegura que se empieza con
una forma cannica. Al elegir una variable entrante, recuerde que M es
un nmero positivo muy grande. Por ejemplo 4M-2 es ms positivo que
3M+900, y
-6M-
5 que -5M-40. Ahora se resuelve el problema transformado por el simplex,

si
todas las variables artificiales son iguales a 0 en la solucin ptima,

entonces
- 34 -
se ha encontrado la solucin ptima del problema original. Si alguna de

las variables artificiales es positiva en la solucin ptima, entonces el
problema original es no factible.
Mediante el siguiente ejemplo se ilustra la forma de trabajar estos
problemas.
S.A.
S.A.
1).- Como el lado derecho no tiene lado negativo no se multiplica por -1.
2).- Sumar una variable de holgura a la ecuacin 2 y restarle una variable
de exceso a la Ecuacin 2.
MIN. Z = 2X1 + 3X2
S.A.
1
X1
2
X1
1
X2
4
3X 2
X1
X2
X3
X4
4
20
10
X 1, X 2, X 3, X 4 0
Paso 3.- Sumar una variable artificial a la ecuacin 2 y la ecuacin 3.

MIN. Z = 2X1 + 3X2
S.A.
- 35 -
1
X1
2
X1
X1
1
X2
4
3X 2
X2
X3
X4
4
X5 2 0
X6 1 0
X 1, X 2, X 3, X 4, X 5, X 6 0
Paso 4.- Como es un problema de Minimizacin se suma MX5 + MX6 a la

funcin objetivo.
Teniendo en cuenta que M es un valor muy grande.
MIN. Z = 2X1 + 3X2 + MX5 + MX6
S.A.
1
X1
2
X1
X1
1
X2
4
3X 2
X2
X3
X4
4
X5 2 0
X6 1 0
X 1, X 2, X 3, X 4, X 5, X 6 0
Paso 5.-
Al observar la funcin objetivo hay que igualar la a cero.
Quedando:
MIN. Z - 2X1 - 3X2 - MX5 - MX6 = 0
Aqu debemos eliminar las variables artificiales - MX5 - MX6
Para ello observamos que - MX5
proviene de la ecuacin 2, por ello a la
ecuacin 2 la multiplicamos por M y las sumamos a la funcin objetivo.

Pero tambin que - MX6 proviene de la ecuacin 3, por ello a la ecuacin
3 la multiplicamos por M y las sumamos a la funcin objetivo, quedando
lo
siguiente:
- 36 -
Por lo tanto el problema lineal a resolver es:
S.A.
Pasando esto a la tabla simplex queda:

Bsica
Ecuacin
X1
X2
X3
X4
X5
X6
Solucin
2M - 2
4M - 3
-M
30 M
X3
1
2
1
4
X5
-1
20
X6
10
La solucin inicial factible es: x1 = x2 = x4 = 0, x3 = 4, x5 = 20, x6 =

10.
Como se observa el problema es de minimizacin, por lo tanto debe de
buscarse que no haya valores positivos en la ecuacin Z. Se observa que
esta (2M-2) y (4M-3), como (4M-3) es mayor entonces esa ser la
columna
pivote que es de x2.
- 37 -
Al dividirse la solucin entre la columna pivote se tiene que el menor es 20/3

por lo tanto el rengln dos es pivote y el nmero pivote el 3, por lo tanto
el
regln dos se divide entre 3: quedando:
Bsica
Ecuacin X1
X2
2M - 2
X3
X5
X6
X3
X4
X5
X6
Solucin
4M - 3 0
-M
30 M
1
2
1
4
1/3
-1/3
1/3
20/3
10
Ahora hay que volver ceros todos los valores de columna de x 2. Empezando
por la funcin objetivo tenemos que al regln 2 lo multiplicamos por (- 4M +
3) y lo sumamos a la funcin objetivo.
2M
4M 3
0
0
4
M 1
3
2
M 1
3
4M
0
M
M 1
3
1
0
M 1
3
M 1 0
3
4
M 1 0
3
30M
80
M 20
3
10
M
3
20
Se eliminan los valores del regln 1 y 3 quedando la tabla:

Bsica
Ecuacin X1
X2
X3
X3
5/12
X2
1/3
X6
2/3
2/3M 1
X4
X5
1/3 M - 4/3 M
X6
0
Solucin
10/3 M +
+1
+1
20
1/12
-1/12
7/3
-1/3
1/3
20/3
1/3
-1/3
10/3
Las soluciones de esta tabla son: x1, x4, x5 = 0, x2 = 20/3, x3 = 7/3, x6 = 10/3
Pero como se observa existe todava positivos en el regln cero, por lo
tanto sale x1 ya que 2/3M - 1 es mayor que 1/3M + 1.
Dividiendo la solucin entre los valores de la columna x1 tenemos que el
menor es 10/3 entre 2/3. Por lo tanto el numero pivote es
2/3. Multiplicando el tercer regln por 3/2 la tabla queda:
- 38 -
Bsica
Ecuacin X1
X2
X3
X3
5/12
X2
1/3
X6
2/3M 1
X4
X5
X6
1/3 M - 4/3 M
Solucin
10/3 M +
+1
+1
20
1/12
-1/12
7/3
-1/3
1/3
20/3
-1/2
3/2
Ahora hay que volver ceros todos los valores de columna de x 1. Empezando
por la funcin objetivo tenemos que al regln 3 lo multiplicamos por (- 2/3M
+
1) y lo sumamos a la funcin objetivo.
2
M 1
3
2 / 3M
0 0
1 0 0
0
Bsica
0 0
1
M 1
3
1
1
M
3
2
1
2
Ecuacin
X1
4
M 1
3
1
1
M
3
2
1
M
2
4/ 3M
4/ 3M
X2
X4
X3
X5
10
M 20
3
10
M 5
3
25
X6
Solucin
- M + - 4/3
Z
-1/2
1/2
M + 2 25
X3
- 1/8
1/8 - 5/8
X2
- 1/2
1/2 - 1/2 5
X1
1/2 - 1/2 2
1/4
Se eliminan los valores del regln 1 y 2 quedando la tabla:

Como se observa no hay valores positivos en la funcin objetivo por lo
tanto se ha encontrado la solucin ptima que es:
X1 = 5; X2 = 5; X3 = 1/4; X4 = X5 = X6 =0
SI AL RESOLVER UN PROBLEMA DONDE TENGAN VALORES LA
VARIABLES ARTIFICIALES, SE DICE QUE ESE PROBLEMA NO TIENE
SOLUCIN PTIMA.
- 39 -
UNIDAD 2
ANLISIS DE REDES
Objetivo:
Comprender y aplicar los diferentes
modelos matemticos planteados como
problemas de redes y sus mtodos de
solucin.
UNIDAD II / ANLISIS DE REDES
2.1 Problema De Transporte

Modelo Del Transporte
Este modelo tiene que ver con la determinacin de un plan de costo
mnimo para transportar una mercanca desde varias fuentes (orgenes,
centros de abastecimientos, puntos de suministro, que ejemplo pueden ser
fbricas) a varios destinos (centros de recepcin, puntos de demanda, que
pueden ser bodegas, almacenes, etc.). El modelo de transporte tambin es
un programa lineal que se puede resolver por el mtodo simplex,
sin
embargo hay un
procedimiento de solucin, conocido como tcnica de transporte, que es
ms eficiente.
Este mtodo se puede aplicar a otros problemas como el modelo
de asignacin o el de trasbordo.
Como se menciona, el modelo de transporte busca determinar un plan de
transporte de una mercanca de varias fuentes a varios destinos. Los
datos que debe de contener el modelo son:
1) Un conjunto de m puntos de suministros, a partir de los cuales se enva
un bien. El punto de suministro i abastece una cantidad a lo sumo Si
unidades.
2) Un conjunto n de puntos de demanda a los que se enva el bien. El
punto
de demanda j debe recibir por lo menos dj
enviado.
unidades del bien
3) Cada unidad producida en el punto de suministro i y enviada al punto

de demanda j incurren un costo variable cij.
Aqu utilizaremos
xij = como el nmero de unidades enviadas del punto de suministro i
al punto de demanda j.
As podemos definir que el la formula general para el mtodo del
transporte
es:
i
min
cijxij
i 1
s.a.
j 1
- 41 -
j n
xij Si
(i 1,2,3........m)
j 1
i
xij di
( j 1,2,3........n)
i 1
Como solo hay una mercanca, un destino puede recibir su demanda de

una o ms fuentes.
En el conjunto de ecuaciones anteriores se puede notar que:
El objetivo es determinar la cantidad que se enviar de cada fuente a cada
destino tal que minimice el costo del transporte total.
El primer conjunto de restricciones indica que la suma de los envos desde
una fuente, no puede ser mayor que su oferta.
La segunda restriccin indica que la suma de los envos a un destino
debe satisfacer su demanda.
Como solo hay una mercanca, un destino puede recibir su demanda de
una o ms fuentes.
Si en el problema:
i
i 1
j n
Si
dj
j 1
Se dice que el problema es equilibrado.

Como Equilibrar Un Problema De Transporte
a) Si el suministro total excede a la demanda total, se equilibra, creando
un punto de demanda ficticio, el cual tendr como valor de demanda, la
cantidad de suministro en exceso. El costo de los envos, como no son
reales, sern cero; aunque se les puede asignar un costo de almacenaje.
b) Si el problema de transporte tiene un suministro total
menor que la
demanda total, entonces se crea un punto de suministro ficticio, la

cantidad que producira ser igual a la cantidad faltante. El costo tambin
ser cero o bien un costo de penalizacin por no cubrir la demanda.
Si algn punto de demanda, no puede, o no se quiere que envi a un
punto
de demanda, se le asignara una penalizacin muy alta al costo del envi
(M).
- 42 -
Tabla Simplex De Transporte.

Como se menciono anteriormente el problema de transporte es solo un
tipo especial de problemas de programacin lineal, por lo tanto se puede
resolver aplicando el mtodo simplex, como se hizo en la unidad
anterior. Pero debido que se tiene una estructura muy especial, se pueden
ahorrar muchos pasos, que casi eliminan a la tabla simplex y a sus
actualizaciones. Para ello se registra la informacin del problema en una
tabla simplex del transporte
que tiene el siguiente formato general:
c22
cm 1
m
d1
Demanda
cm 2
d2
Recursos
c1n
c2n
cm n
ui
S1
S2
c21
c12
c11
1
O
r
i
g
e
n
Destino
Sm
dn
vj
Informacion adicional que se agrega a cada celda:
Si xij es una
variable basica
Si xij es una
variable no
basica
cij
xij
cij
cij - u
-v
Solucin Al Problema De Transporte

Los pasos para solucionar un problema de transporte son:
Paso 1.- Si el problema est desequilibrado, equilbrelo.
Paso 2.- Encontrar una solucin factible inicial, en este caso utilizando el
mtodo de la esquina noroeste. Se utiliza la tabla de simplex de
transporte para resolver el problema.
Paso 3.- Haga que u1 = 0 y ui + vj = cij para todas las variables bsicas con
la
finalidad de encontrar [u1,u2..um; v1, v2vn] para la sfb (solucin factible
inicial)
- 43 -
Paso 4.- Si ui + vj - cij0 para las variables no bsicas, entonces las sfb
actual es ptima. Si ste no es el caso, entonces se introduce en la base la
variable con el valor positivo ms grande de ui + vj cij. Para hacer esto,
encuentre el bucle. Luego contando slo las celdas de bucle, marque las
celdas pares. Tambin marque las impares. Ahora encuentre la celda impar
cuya variable tome el valor ms pequeo, . Los valores de las variables
que no estn el bucle permanecen sin cambio. El pivote ahora est
completo. Si =0, entonces la variable entrante ser igual a cero, y una
variable impar que tiene el valor actual de 0 saldr de la base. En este
caso resultar una sfb degenerada. Si ms de una celda impar del bucle
es igual a , se podra elegir de manera arbitrara que una de estas
celdas impares salga de
la base; de nuevo, se obtiene un sfb
degenerada. Este pivoteo produce una nueva sfb.

Paso 5.- Usando la nueva sfb, vuelva a los pasos 3 y 4.
Si el problema es de maximizacin se siguen los mismos pasos, pero se
sustituye el paso 4 de la siguiente manera.
Paso 4.- Si ui + vj cij 0 para las variables no bsicas, la sfb es ptima,
de
otro modo introduzca una variable con le valor negativo ms grande de u i +
vj
cij en la base por medio del procedimiento de
pivoteo. Para Encontrar Una Solucin Factible Inicial.
(Paso 2)
Para empezar a resolver el problema de transporte una vez colocado en
la tabla de transporte, se tiene que encontrar una solucin factible inicial.
Existen 3 mtodos conocidos, que son:
a) mtodo de esquina noroeste
b) mtodo de costo mnimo
c) mtodo de Vogel.
- 44 -
Mtodo De Esquina Noroeste.

Se comienza colocando en la esquina superior izquierda (noroeste) de la
tabla de transporte, el valor de x11, que ser el valor ms grande posible de
acuerdo al recurso disponible y la demanda.
Si el valor de x11 es igual al valor del suministro (x11= s1 ) ya no se le
asignara otra variable bsica a el rengln 1 y el valor de la siguiente
variable, se colocara en el siguiente rengln pero misma columna y el
valor tratara de agotar a la demanda de la columna 1 (d1).
Si el valor de x11 es igual al valor de la demanda (x11= d1 ) ya no se le
asignara otra variable bsica a la columna 1 y el valor de la siguiente
variable, se colocara en la siguiente columna pero misma rengln
y el
valor tratara de agotar a le suministro del rengln 1 (s1).

Si x11= s1= d1 se puede anular ya sea la columna o el rengln
eligiendo
arbitrariamente. Si se elimina el rengln 1 se pasa al rengln 2 y se

coloca con valor cero, y se continua con un valor en la siguiente columna.
Si se elimina la columna 1, se pasa a la siguiente columna y se le coloca
el valor de cero, y se contina con un valor en el rengln siguiente.
EJEMPLO No 1.
Un empresario se dedica al ensamble y venta de computadoras, el puede
ensamblar en tres lugares diferentes y enviar estas computadoras a sus 4
puntos de ventas que tiene.
Para la prxima semana tiene llevar 5 computadoras al punto de venta No.
1,
15 al punto de venta No. 2, 15 al punto de venta No. 3, y 10 al punto de
venta No. 4.En donde ensambla tiene las siguientes computadoras, en el
lugar 1 tiene 15, en el lugar 2 tiene 25, y en el lugar 3 tiene 5.
El costo que tiene el transporte de cada computadora saliendo de las
diferentes ensambladoras para llegar a los diferentes destinos
son:
- 45 -
DESTINO
ENS. 1
10
20
11
12
20
14
16
18
SOLUCION:
Utilizando la tabla simplex de transporte y colocndole los datos del
problema tenemos:
Destino
1
1
O
r
i
g
e
n
Recursos
20
11
12
20
14
16
18
Demanda
vj
10
15
15
ui
15
25
10
Paso 1. Se verifica y se obtiene que el suministro es igual a la demanda

por lo tanto el problema est equilibrado.
Paso 2. Se obtiene una solucin factible inicial por el mtodo de la esquina
noroeste. Quedando la tabla de la siguiente manera.
Destino
1
10
1
O
r
i
g
e
n
Recursos
20
11
20
ui
15
10
12
25
5
15
14
16
18
5
Demanda
vj
15
15
10
El costo total de esta solucin bsica es:

- 46 -
5(10)+10(0)+5(7)+15(9)+5(20)+5(18) = 410
Paso 3. Encontrando lo valores de las u y v tenemos que u1=0 y adems de
las variables bsicas tenemos:
x11
u1 + v1 = 10
x12
u1 + v 2 = 0
x22
u2 + v 2 = 7
Como sabemos que u1=0, entonces v1=10, v2=0,
x23
u2 + v 3 = 9
u2=7, v3=2, v4=13 y u3=5
x24
u2 + v4 = 20
x34
u3 + v4 = 18
Paso 4. Evaluando ahora las variables no bsicas tenemos:

x13
u1 + v3 c13= 0 + 2 20 = - Como podemos observar la condicin
18
de optimalidad nos dice el resultados

x14
u1 + v4 c14= 0 + 13 de las celdas no bsicas tienen que

ser menor o igual a cero. Como se
11 = 2
x21
u2 + v1 c21= 7 + 10 observa esto no se cumple, por lo

tanto tenemos que iterar tomando la
12 = 5
x31
u3 + v1 c31= 5 + 10 variable no bsica que entra, la que

tenga el mayor numero positivo en
0 = 15
x32
u3 + v2 c32= 5 + 0 este caso x31.
14 = -9
x33
u3 + v3 c33= 5 + 2
16 = -9
Ahora tenemos que ir a la tabla y encontrar la posicin de x 31 y construir el
bucle (ciclo cerrado) para encontrar que variable bsica es la que sale.
- 47 -
Destino
1
2
10
1
5
O
r
i
g
e
n
Recursos
20
11
20
ui
15
10
12
25
5
0
15
14
16
x31
5
5
Demanda
vj
18
15
15
10
Como podemos observar un bucle se construye, empezando y terminando

en la variable bsica que va a entrar, adems las esquinas del bucle son solo
algunas de la variables bsicas y son las que se tomaran en cuenta, las
otras no (en este caso la variable x 23 es bsica pero no se toma en
cuenta es decir, su valor mantiene igual). Tambin conviene saber que
para cualquier conjunto de variables bsicas, habr siempre un solo bucle.
Ahora en este problemas las celdas impares son x11, x22, x34 y las celdas
pares serian x12, x
24,
y x31. Aqu no importa en que sentido se maneje el bucle. De las celdas
impares, se toma la que tenga el valor mas pequeo y esa ser la que salga,
en este caso como las tres tienen el mismo valor puede salir cualquiera de
las tres, aqu se elige arbitrariamente. Digamos que sacamos a x 34, ahora el
valor que tiene esta variable (5) la colocamos en la variable que entra x 31
y
se calcula la nueva tabla:
Destino
1
10
1
O
r
i
g
e
n
0
15
ui
15
20
25
-10
10
14
-24
11
Recursos
15
20
7
0
-18
12
Demanda
vj
16
-24
18
-15
15
15
10
10
13
Como se puede observar, a las celdas impares se le resta el valor que entra
y a las pares se le suma. Como en este caso tenemos variables bsicas
igual
- 48 -
a 0, se dice que la solucin es degenerada, pero no importa, se consideran

con ese valor y se sigue trabajando igual.
Se regresa al paso 3 y despus otra vez se aplica el paso 4, si no se cumple
con la condicin se vuelve a iterar hasta cumplir con la condicin de
optimalidad.
Las siguientes tablas son:
Destino
1
10
1
O
r
i
g
e
n
2
0
16
-19
25
-5
10
14
15
20
15
3
Demanda
vj
ui
Recursos
11
-18
12
2
20
15
-5
18
-19
-10
15
15
10
13
Destino
1
1
O
r
i
g
e
n
2
10
-5
0
5
3
Demanda
vj
20
9
15
16
-19
Recursos
ui
15
25
-5
20
-2
14
-19
11
10
7
10
-18
12
2
18
-12
15
15
10
11
La solucin ptima se resume como enviar 5 computadoras de la

ensambladora 1 al punto de venta 2, y 10 al punto 4. Enviar 10
computadoras de la ensambladora 2, al punto de venta 2 y 15 al punto
de venta 3, y por ultimo enviar 5 computadoras de la ensambladora 3 al
punto de venta 1. Todo esto sale con un costo de transporte igual a:
5(0) + 10(11) + 10(7) + 15(9) + 5(0) = 315.
EJEMPLO No. 2
- 49 -
El gerente de una mueblera, requiere enviar los colchones que tiene en sus
tres bodegas, a las 5 sucursales que tiene. De acuerdo con el inventario
sabe que en bodega de Minatitln cuenta con 20 colchones, en la de San
Andrs con 30 y la de Acayucan 30. Leyendo los informes sabe que en la
sucursal de de Hueyapan requieren 25 colchones, en la de San Pedro
Soteapan requieren 25, en Cosoleacaque 20, en Catemaco 10 y en la de
Coatzacoalcos 20. El costo de envo por cada colchn de las diferentes
bodegas a los destinos se resume en la siguiente tabla. Solo que la
bodega
de San Andrs no puede entregar en San Pedro Soteapan.
H. San
Cosoleacaqu
Catemac
Coatzacoalco
Pedr
O.
Minatitl
n
San
Andrs
Acayuca
n
Encontrar el costo ms bajo para transportarlos colchones.
Armando la tabla inicial tenemos:
H. DE O
S. P.
Destino
COSO.
CATE.
COATZA. Recursos
M
I
N
A
N
D
A
C
A
Demanda
vj
O
r
i
g
e
n
25
25
20
10
ui
20
30
30
20
- 50 -
Paso 1.- Al analizar el problema vemos que esta desequilibrado ya que la

demanda es de 100 colchones y los recursos solo hay 80, por lo tanto el
primer paso es equilibrar el problema, creando una fuente ficticia que
surta
20 colchones que faltan, esta fuente ficticia tendr costos igual a 0. Por
otra parte como no se puede surtir de la bodega de san Andrs a la
mueblera de San Pedro, se le coloca un costo muy alto M (penalizar con un
valor muy alto
M). Por lo tanto la tabla inicial queda:
H. DE O
S. P.
Destino
COSO.
CATE.
COATZA. Recursos
M
I
N
A
N
D
A
C
A
F
I
C
Demanda
vj
O
r
i
g
e
n
25
25
20
10
ui
20
30
30
20
20
Paso 2.- Aplicando el mtodo de la esquina noroeste, la tabla queda:

H. DE O
M
I
N
O
r
i
g
e
n
Destino
COSO.
CATE.
COATZA. Recursos
20
A
N
D
S. P.
5
5
25
A
C
A
F
I
C
Demanda
vj
3
0
9
20
10
0
0
25
25
20
20
30
30
20
20
10
20
Paso 3.- Aplicando la prueba de optimalidad.
ui
- 51 -
H. DE O
O
r
i
g
e
n
M
I
N
20
A
N
D
A
C
A
-M+2
F
I
C
Demanda
vj
S. P.
6
M-3
3
0
0
-3
6
10
0
0
30
M-3
30
20
-6
8
-2
0
3
20
7
M-4
9
20
4
M-1
ui
5
M+1
8
M-2
COATZA. Recursos
7
M-1
M
25
CATE.
3
M+6
-M-2
Destino
COSO.
0
20
25
25
20
10
20
-M+8
Como se observa no se cumple con la prueba de optimalidad por lo tanto

se empieza iterar hasta cumplir con ella, por lo tanto tenemos las
siguientes
tablas:
H. DE O
O
r
i
g
e
n
M
I
N
A
N
D
25
A
C
A
-M+2
S. P.
Destino
COSO.
6
20
M-3
5
3
20
6
10
-M+2
25
25
20
10
20
vj
M+3
M+3
H. DE O
S. P.
Destino
COSO.
M
I
N
O
r
i
g
e
n
M-1
25
A
C
A
-M+2
vj
M-7
3
20
0
-3
6
10
0
0
20
-M-3
ui
20
30
M-2
30
20
-5
8
-2
0
-2
-M+3
7
M-4
9
-5
4
M-1
30
5
0
COATZA. Recursos
7
-2
M
5
CATE.
30
0
20
3
20
-4
0
0
-M+2
0
-M-3
A
N
D
F
I
C
Demanda
8
-8
F
I
C
Demanda
-3
20
7
M-4
9
-M-6
4
M-1
ui
5
M+1
8
-8
COATZA. Recursos
7
M-1
M
5
CATE.
0
20
25
25
20
10
20
-M+7
- 52 -
H. DE O
O
r
i
g
e
n
M
I
N
-2
A
N
D
25
A
C
A
0
0
0
20
25
20
10
20
H. DE O
S. P.
Destino
COSO.
M
I
N
-2
A
N
D
20
A
C
A
20
A
C
A
0
20
20
10
20
-3
N
D
0
0
25
S. P.
H. DE O
r
i
g
e
n
0
-2
6
-1
0
-3
-5
ui
20
30
-1
30
20
-5
ui
20
30
30
20
-5
-2
0
-2
20
7
-2
9
-5
4
10
3
25
8
-5
30
COATZA. Recursos
7
-3
M
-M+2
CATE.
3
20
-4
Destino
COSO.
-1
-3
25
vj
6
-1
0
-2
30
7
-3
9
-6
0
1
4
10
3
25
5
0
8
-6
COATZA. Recursos
7
-2
M
-M+2
CATE.
3
20
-3
5
F
I
C
Demanda
F
I
C
Demanda
vj
0
-2
20
-2
25
vj
M
I
N
6
5
0
-3
ui
7
-3
9
-5
4
5
3
25
5
0
8
-6
COATZA. Recursos
7
-2
M
-M+1
CATE.
3
20
-4
Destino
COSO.
F
I
C
Demanda
O
r
i
g
e
n
S. P.
0
20
-1
25
25
20
10
20
El mnimo costo que se obtiene es de:

(20)(3) + (20) (5) + (10) (4) + (5) (6) + (25) (3) = 305
Redes
Los problemas de redes surgen en un gran variedad de situaciones, por
ejemplo una red de transporte, redes elctricas, de comunicacin, etc. En
la vida diaria son muy comunes. Estas redes las podemos representar
para
tener un panorama general y poder visualizar las relaciones existentes
entre
- 53 -
los componentes de los sistemas
de los sistemas que se usan en casi
todas reas cientficas, sociales y econmicas.

La representacin de una red se puede utilizar para la plantacin de un
proyecto, administracin de recursos, localizacin de instalaciones, reas
de produccin, de distribucin, etc.
Terminologa Bsica Utilizadas En La Redes
Una red o grafica consiste en una serie de puntos y un conjunto de
lneas que unen a ciertos pares de puntos. Los puntos se llaman nodos (o
vrtices) y las lneas arcos (aristas o ramas). Los nodos se pueden
identificar colocndole una letra mayscula o bien por medio de nmeros.
Los arcos se pueden nombrar de acuerdo de acuerdo a su nodo de origen y
su nodo
Terminal. Por ejemplo en la siguiente red se tiene:
2
5
1
5 nodos y 6 arcos.
Se tienen los nodos 1,2,3,4,5

Y a los arcos (1,2), (1,3), (2,5), 2,4),
(3,4), y (5,4).
3
Los arcos de una red pueden tener flujo de algn tipo, por ejemplo personas,
agua, gas, aviones, etc. Por lo tanto estos arcos van a tener una direccin
y estar representado por la cabeza de flecha del arco. Tambin el nombre
del arco indicara la direccin del flujo, por ejemplo el arco del la red anterior
(2,5) indica que sale del nodo 2 y va con direccin de flujo al nodo 5. Pero
si este mismo arco se representa (5,2) es incorrecto.
Si a travs del arco se permite al flujo ir en una solo direccin, se dice que
es un arco dirigido, (algo similar a una calle de un solo sentido), pero si
se
permite el flujo en ambos sentidos el arco ser no dirigido. Si la red est
- 54 -
compuesta por puros arcos dirigidos se la llamara red dirigida, si la red

est compuesta por puros arcos no dirigidos se llamara red no dirigida.
Trayectoria entre 2 nodos es cuando 2 nodos estn conectados por medio
de una sucesin de arcos distintos.
En el ejemplo anterior una trayectoria del nodo 1 al nodo 4 seria (1 2) (2 4).
Cuando la red tiene algunos o todos los arcos no dirigidos se pueden
distinguir entre trayectorias dirigidas y trayectorias no dirigidas. Una
trayectoria dirigida ser una sucesin de arcos que van del nodo inicial al
final llevando siempre la direccin del nodo inicial al final. Una trayectoria
no dirigida del nodo inicia la al nodo final es la trayectoria que cuya direccin
del
arco puede ser hacia o desde el nodo final.
1
Ejemplo de trayectoria no dirigida seria

del nodo 3 al nodo 5:
(3 2) (2 4) (5 4)
Ejemplo de trayectoria dirigida seria del nodo 1

al nodo 4:
(1 3) (3 2) (2 4)
Ciclo o bucle.- Es una trayectoria que comienza y termina en el mismo

nodo.
2.2 Problema del camino ms corto.

Este problema se presenta cuando necesitamos encontrar en un red la
distancia ms corta entre un nodo fuente y llegar a un nodo destino. Esto
podra ocuparse en una red de transporte, para determinar la ruta mas
corta entre dos ciudades, o la ruta ms corta para colocar algn
cable de comunicacin o de energa elctrica, etc.
Para resolver estos problemas podemos utilizar el siguiente
algoritmo: Digamos que:
dij = distancia de la red entre nodos adyacentes i y j.
uj = distancia ms corta a un nodo i al nodo
j u1 = 0
- 55 -
uJ= min. (Distancia ms corta a un nodo i inmediatamente

anterior mas la distancia entre el nodo actual j y su predecesor
i)
uJ= min. { uj
}
Ejemplo:
dij
En un parque declarado reserva natural, se permite paseos y campamentos

pero no se permite el paso de vehculos, ya que el parque cuenta con
jeep ecolgicos
que
transportan
la
gente
las
diferentes
estaciones. La siguiente red es una representacin de los caminos dentro

del parque y las diferentes estaciones. El nodo 1 representa la entrada del
parque, el nodo 7 representa el mirador principal del parque que ofrece
una maravillosa vista, los dems nodos son estaciones de servicios como
cafeteras, baos, etc.
Un visitante llego al parque pero desea llegar lo ms rpido posible
al mirador, Cul ser la ruta ms corta que pueda tomar el conductor del
jeep?
Los nmeros de los arcos indican la distancia en kilmetros entre los
nodos.
2
7
1
Podemos hacer los clculos siguientes:

En el nodo 1
u1 = 0
Por ser el origen
En el nodo 2:
u2 = u1 + d12= 0 + 2 = 2
En el nodo 4:
U4 = u1 + d14= 0 + 4 = 4
En el nodo 3:
U3 = u1 + d13= 0 + 5 = 5
En el nodo 5:
U5 = u2 + d25= 2 + 7 = 9
U5 = u3 + d35= 4 + 4 = 8
U5 = u6 + d65= 7 + 1 = 8
En el nodo 7:
U7 = u5 + d57= 8 + 5 = 13
U7 = u6 + d67= 7 + 7 = 14
Por lo tanto la ruta mas corta es :
(1 2)(2 3)(3 5)(5 7) y otra alternativa es
(1 2)(2 3)(3 6)(6 5)(5 7)
- 56 -
U3 = u2 + d23= 2 + 2 = 4
U3 = u4 + d43= 4 + 1 = 5
En el nodo 6:
U6 = u3 + d36= 4 + 3 = 7
U6 = u4 + d46= 4 + 4 = 8
Problema 2.- Un vendedor de refacciones tiene que entregar un pedido

dentro de la ciudad, al revisar los planos encuentra la posibles rutas que
puede tomar, el se encuentra en nodo 1 y
el lugar donde entregara se
encuentra en el nodo 6.
Cul es el camino ms corto que podr tomar?
3
4
2
2
3
Haciendo los clculos:

u1 = 0
u2 = u1+ d12= 0 + 4 = 4
u3 = u1+ d13= 0 + 3 = 3
u4 = u2+ d24= 4 + 3 = 7
u5 = u2+ d25= 4 + 2 = 6
u5 = u3+ d35= 3 + 3 = 6
u6 = u4+ d46= 7 + 2 = 9
u6 = u5+ d56= 6 + 2 = 8
Por lo tanto las opciones son:

(1 2)(2 5)(5 6) o bien
(1 3)(3 5)(5 6)
Este tipo de problemas se puede resolver por medio de la tabla de

transporte haciendo algunas modificaciones:
Todos los valores de los suministros y demanda sern igual a 1. Por lo
tanto los valores de xij = 1 y 0.
El nodo fuente no se coloca en las columnas de la tabla.
- 57 -
El nodo destino no se coloca en los renglones de la tabla. En

el cuadro de los costos ira la distancia entre los nodos.
Cuando se este enlazando el mismo nodo la distancia ser 0.
Cuando no este enlazado un nodo con otro, se le da un valor de M.
Resolver la tabla hasta cumplir con la prueba de optimalidad.
2
Destino
4
ui
Recursos
O
r
i
g
e
n
2
1
3
1
5
Demanda
vj
3
M+1
O
r
i
g
e
n
-2M
-3M
M
-4M
-3M
-2M
-M
2M
-3M
2
M
0
0
M+2
0
0
ui
2M+2
2M-3
M
-2M
Recursos
M
2M+6
3M-2
5
Demanda
vj
3
2M-3
6
M
2M+4
M
1
M
M+4
Destino
4
3
4
2
1
2M
3M
3M+2
- 58 -
2
4
1
3
M+1
0
O
r
i
g
e
n
-2
M
M+2
Destino
4
-M+1
-3
M
5
Demanda
vj
-M-2
Recursos
ui
-4
-3
-6
-6
M-4
0
0
2
1
-3
-M
-2
Destino
4
6
M
0
M
3
-1
0
1
4
M
5
Demanda
vj
0
O
r
i
g
e
n
-2
ui
-M+1
M
-2M
Recursos
M
-M-3
-2
-M
M-2
-M+4
-2M+3
M
-2
-M+6
3
0
1
6
M
-M-1
-M-1
-M
0
O
r
i
g
e
n
0
0
-2M+6
1
2
-2M+4
M
-2
4
1
0
1
3
-M-1
M
M-2
ui
-M+4
M
-M+2
5
Demanda
vj
2
1
Recursos
M
-M
3
M-1
6
M
-2
-M-2
M
6
0
M
Destino
4
0
0
2
1
Por lo tanto la ruta ms corta es: 1-2-5-6
- 59 -
2.3.- Problema Del rbol Expandido Mnimo.

Este problema tiene que ver con la determinacin de los arcos que
pueden unir a todos los nodos de una red, para formar un rbol.
Un rbol de expansin (o de extensin) para una de red de n nodos, es
un grupo de n-1 arcos que conectan todos los nodos de la red y no
contiene ciclos (bucles).
Por ejemplo:
2
3
5
7
1
4
6
a)
2
3
5
7
1
4
6
b)
2
3
5
7
1
4
6
c)
- 60 -
2
3
5
7
1
4
6
d)
En el inciso a) no se forma un rbol de expansin ya que no estn
conectados todos los nodos, en un dado caso se podran tomar como un
conjunto de dos rboles.
En el inciso b) no se forma un rbol ya que hay ciclos o bucles.
En el Inciso c) y d) si se forman rboles de expansin.
Como se observa se pueden construir diferentes formas de los rboles de
extensin, con un grupo de nodos, pero en el problema del rbol
expandido mnimo que nos interesa es determinar el conjunto de arcos de
una red que conecte todos lo nodos que minimice la suma de la longitud
del total de los arcos.
Algoritmo Para Determinar El Problema Del rbol Expandido
Mnimo.
1) Se selecciona de manera arbitraria cualquier nodo y se une con un arco
al nodo ms cercano. Estos dos nodos forman ahora un conjunto
conectado y los
de
otros
nodos no
nodos
constituyen el
conjunto
conectados (desconectados).
2) Se identifica el nodo no conectado ms cercano a un nodo conectado y

se conectan estos dos nodos (se agrega un arco). Este paso se repite
hasta conectar todo los arcos.
3) En caso de surgir empates, esto se rompe de manera arbitraria y el
algoritmo todava lleva a una solucin optima, estos empates significan
que pudieran
existir
(pero
no
necesariamente).
Soluciones
optimas
mltiples. Todas estas soluciones se pueden verificar si se buscan las

dems formas
de romper el empate hasta el final.
- 61 -
Por ejemplo:
La administracin del parque de reserva natural, desea poner telfonos en
todos las estaciones del parque, para calcular la longitud del cable
necesitan saber cul es la ruta ms corta que puede unir a todas las
estaciones, Cul
es esa ruta y que distancia tendr?
7
2
2
5
1
4
7
2
2
5
1
4
7
2
5
1
4
Ahora
ya
tenemos
conectados lo nodos 4 y 3
hay que buscar un nodo de
los desconectado que este
ms cercano a estos nodos y
resulta ser el nodo
2.
Teniendo esto se conecta. Y
resulta lo siguiente:
Siguiendo, ahora se conecta
el nodo numero 1
Esta es la red original del

parque
El primer paso es elegir
cualesquiera de los nodos,
en este caso empezaremos
en el nodo 4.
Este nodo 4 lo unimos con el
nodo ms cercano en este
caso con el nodo 3, por lo
tanto la nueva red queda:
El
siguiente
nodo
conectarse es el No. 6
en
- 62 -
7
2
1
4
Posteriormente el nodo 5.
7
2
2
5
1
4
7
2
2
5
el
Y por ltimo el nodo 7.

Quedando finalmente
rbol expandido mnimo:
7
2
2
5
El cual tiene una distancia

de:
2+2+1+3+1+5
=
14
kilmetros.
2.4 Problema De Flujo Mximo.

Este problema se presenta cuando queremos enlazar un nodo fuente y un
nodo destino a travs de una red de arcos, que pueden ser arcos dirigidos
o no dirigidos. Cada arco tiene una capacidad mxima de flujo permitida.
El
objetivo es obtener la mxima cantidad de flujo entre la fuente y el
destino.
- 63 -
Hay diferente caso por ejemplo, el de un nmero de refineras que est

conectada a una red de distribucin por medio de oleoductos. Estos
oleoductos conectan a las refineras con unidades de bombeo que
impulsan el petrleo hasta terminales de distribucin, el objetivo es
maximizar el flujo entre las refineras y las terminales de distribucin dentro
de los lmites de la capacidad de las refineras y los oleoductos. Esto
mismo se puede llevar a cabo con sistemas de agua, de trasporte areos
etc.
Para resolver este problema se presenta el siguiente algoritmo que se
conoce como de etiquetas:
1) Se identifica una trayectoria dirigida del nodo origen al nodo destino en
la red, esta trayectoria deber tener capacidad disponible. Si esta trayectoria
no existe entonces ya sea ha encontrado el flujo optimo.
2) Identificar cual es nodo fuente y etiquetarlo ponindole un que tiene un
flujo ilimitado y no tendr un nodo que lo precede ya que es el origen.
Una etiqueta para los nodos va a tener dos elementos, [ f , n ], donde f
representa el flujo que se puede asegurar que proviene del nodo n, as que
para el nodo fuente la etiqueta ser [ , - ], para todos lo dems nodos se ira
colocando [ f
, n]. Se identifican los nodos de la trayectoria encontrada el paso
1.
3) Identificar cual es la mnima capacidad que se puede transportar por esa
primer trayectoria encontrada. Se actualiza la capacidad de la red
colocndole etiquetas a los arcos que forman la trayectoria encontrada, en
los cuales se aumentara ese flujo mnimo que se identifico. Las etiquetas que
se le colocan a los arcos deben contener dos elementos, ( fo , fm), donde
fo es el flujo ocupado y fm el flujo mximo que puede pasar por ese arco.
Por lgica cuando fo es igual a fm, ya el arco no tiene capacidad de
transportar ms flujo.
4) Regresar al paso 1.
Si en la red existen arcos que permiten el flujo en dos sentidos (no
dirigidos)
estos se pueden representar como dos arcos dirigidos con sentidos
opuestos.
- 64 -
Ejemplo: El mismo parque de reserva natural se pretende cambiar los jeep

por tranvas, solo que para cuidar ciertas reas solo se permitir cierto
nmero de viajes diarios por algunos caminos. Ahora los nmeros de la
red siguiente son los viajes mximos que se
pueden permitir de cada
estacin a cada estacin del parque, pero el hay dos arcos que son no
dirigidos los arcos (2 3) y (5 6). Encuentre cual es el flujo mximo diario
de trenes que
puede salir de la entrada y llegar hasta el mirador.
2
3
1
5
7
2
4
Primero como en lo nodos (2 3) y (5 6) son no dirigidos, se reemplazan por

2 arcos dirigidos en sentidos opuestos.
SOLUCION:
[5 1]
2
3
5
[9 5]
[3 2]
7
[ -]
Como podemos observar,

podemos tener un trayectoria
(1 2) (2 5) (5 7) que llega
desde la fuente hasta el
destino, como es la primera
vez que pasamos, sus
capacidades
estn
sin
ocupar, entonces a los nodos
los etiquetamos quedando de
la siguiente manera.
Leyendo estas etiquetas nos
damos cuenta que el flujo
mnimo es el que llega al
nodo 5 proveniente del nodo
2, el cual tiene una
capacidad mxima de 3, esta
capacidad se le sumara a los
arcos por donde pasa esta
trayectoria y se le pondr su
etiqueta
a
los
arcos.
Quedando:
- 65 -
(3,3)
(3,5)
(3,9)
[ -]
2
4
Ya se encontr la primera,
primera trayectoria y ya est
etiquetada ahora hay que
encontrar otra trayectoria que
vaya del origen hasta el
destino, podra ser
por
ejemplo:
(3 5) (2 3) (3 5) (5 7), tomado
esta trayectoria como base,
colocamos las etiquetas en
los nodos:
[2,1]
Como se
observa
las
etiquetas de los nodos solo
contienen el flujo disponible
aun en los arcos de la
trayectoria, se busca el flujo
mnimo y encontramos que
es 1, ahora actualizando la
red quedara:
(3,3)
(3,5)
[ -]
[1,2]
[6,5]
[4,3]
4
(3,9)
(3,3)
(4,5)
(1,1)
7
(4,9)
[ -]
(1,4)
2
4
De nuevo se vuelve a buscar

otra trayectoria en este caso
puede ser (1 3) (3 5) (5 7) y
volvemos a colocar las
etiquetas de los nodos:
(3,3)
(4,5)
[5,5]
(1,1)
[7,1]
[ -]
[3,3]
(1,4)
(4,9)
Ahora se observa que el

menor flujo es de 3, por lo
tanto actualizando la red
queda:
(3,3)
(4,5)
(1,1)
(7,9)
[ -]
(3,7)
(4,4)
La siguiente ruta podra ser

(1 3) (3 6) (6 5) (5 7)
colocando de nuevo las
etiquetas en los nodos,
tenemos:
- 66 -
(3,3)
(4,5)
[4,1]
[ -]
(3,7)
[1,6]
(4,4)
2
4
De nuevo se observa que el

menor es 1, por lo tanto al
hacer la actualizacin de la
red queda:
[2,5]
(1,1)
(7,9)
[5,3]
2
(3,3)
(4,5)
(1,1)
7
(8,9)
[ -]
(4,7)
(4,4)
(1,5)
4
(1,1)
2
4
Buscando una nueva ruta

podra ser (1 3) (3 6) (6 7) se
etiqueta de nuevo los nodos
y se tiene lo siguiente:
(3,3)
(4,5)
[6,6]
(1,1)
[3,1]
[ -]
(4,7)
(8,9)
(4,4)
(1,5)
4
(1,1)
2
4
Ahora el menor flujo que

podra pasar es 3 por lo tanto
la nueva red queda:
[4,3]
2
(3,3)
(4,5)
(1,1)
7
(8,9)
[ -]
(7,7)
(4,4)
(4,5)
4
2
4
(1,1)
Buscando
una
nueva
trayectoria podra ser (1 4) (4
6)
(6 7) y etiquetando los
nodos quedara:
(3,6)
(3,3)
(4,5)
[ -]
1
(7,7)
[3,6]
(1,1)
(8,9)
(4,4)
(4,5)
4
[4,1]
(1,1)
Ahora se observa que el flujo

mximo permitido es de 3 por
lo tanto la red queda:
(3,6)
[4,4]
- 67 -
(3,3)
(4,5)
(1,1)
(8,9)
(7,7)
[ -]
(4,4)
(4,5)
(3,4)
(3,4)
(1,1)
(6,6)
Si tratamos de armar alguna

otra trayectoria vemos que ya
no es posible por lo tanto
podemos decir que el flujo
mximo que llega desde el
nodo entrada hasta el nodo
del mirador es de 14 viajes
diarios.
Teorema del flujo mximo-corte mnimo

Como podemos observar pudimos haber tomado cualquier trayectoria pero
al final tenemos que comprobar si ya no hay mas trayectorias disponibles,
una forma de hacer esta comprobacin es aplicando un corte mnimo en la
red. Un corte mnimo en la red es definir a un conjunto de arcos de tal
manera cuando tengan un flujo de cero, el flujo del nodo origen al nodo
destino ser cero. La capacidad de un corte mnimo ser
suma de las
capacidades de los arcos.

Por ejemplo en la red anterior:
Conjunto de arcos que se cortan:
(1 2 ) (1 3 ) ( 1 4 )
(57)(67)
(25)(35)(36)(46)
(25)(35)(65)(67)
Capacidad de corte:
5+7+4
= 16
9+6
= 15
3 + 4 + 5 + 4 = 16
3 + 4 + 1 + 6 = 14
Son algunos de los cortes que podemos hacer, aqu nos damos cuenta que
el flujo mnimo de corte es igual a 14, por lo tanto ese es el flujo mximo
que pude pasar del nodo
origen al nodo destino, por lo tanto la
trayectorias encontradas en la resolucin del problemas son las optimas.

2.5 RUTA CRTICA (CPM-PERT)
Los modelos de red se pueden utilizar como una ayuda en la
programacin de proyectos complejos de gran tamao que consiste en
muchas actividades. Un proyecto define a una combinacin de actividades
interrelacionadas que
deben ejecutarse en un cierto orden antes de que el trabajo completo
pueda
- 68 -
terminarse. Las actividades estn interrelacionadas en una secuencia

lgica, ya que algunas de ellas no pueden comenzar hasta que otras
hayan terminado.
Una actividad en un proyecto, es un trabajo que requiere tiempo y
recursos para su terminacin.
Para una buena administracin de proyectos a gran escala, requiere de 3
fases bsicas: plantacin, programacin y control.
Planeacin.-
Se
inicia
descomponiendo
el proyecto
en
actividades
distintas, se tiene que estimar un tiempo para las actividades y se

construye un diagrama de red donde los arcos representan una actividad.
Este diagrama da la representacin grfica de las interdependencias entre
las actividades del proyecto; esto permite estudiar los diferentes trabajos a
detalle e incluso sugerir mejoras antes de ejecutar el proyecto, adems
ser la base para el desarrollo de la programacin del mismo.
Programacin.- Se construye un diagrama de tiempo que muestre los
tiempos de inicio y termino de cada actividad as como la relacin con las
otras actividades. Adems en el programa se debe sealar las actividades
criticas (en funcin del tiempo) para terminar el proyecto a tiempo. Para
las actividades no crticas, el programa debe de mostrar los tiempos de
holgura que pueden utilizarse cuando se
demora esas actividades o
cuando usar eficientemente los recursos limitados.

Control.- Es la fase final de la administracin. Utiliza el diagrama de red y
el diagrama de tiempo para hacer reportes peridicos del proyecto. La red
debe actualizarse, analizarse y en caso de ser necesario determinar un
nuevo programa para la porcin restante del proyecto.
Existen en la actualidad dos tcnicas comnmente empleadas para estos
casos: CPM, PERT.
CPM (Mtodo de la ruta crtica) que se aplica cuando:
a) La duracin de cada actividad se conoce con certeza. Esto a veces,
basndose en la experiencia.
- 69 -
b) Cuando el tiempo se puede ajustar con facilidad.

c) Cuando es importante planear una combinacin apropiada entre el
tiempo y el costo del proyecto.
Ejemplos de estos tipos de proyectos son los de construccin y
mantenimiento.
PERT (Tcnica de evaluacin y revisin de proyectos) que se aplica cuando:
a) Se utiliza para estimar la probabilidad de que el proyecto se complete
en fechas especficas. Debido a que hay mucha incertidumbre.
b) Y cuando es importante controlar de una manera efectiva la
programacin del proyecto.
Ejemplos de estos tipos de proyectos son los de investigacin y
desarrollo.
Para aplicar CPM y PERT, se necesita una lista de actividades que
conformen el producto. Adems se considera que el proyecto esta
completo, cuando se hayan terminado todas las actividades.
Para construir una red de de actividades interrelacionadas, las actividades
se representaran por los arcos de la red, y la punta de la flecha indicara
el avance del proyecto. Los nodos se utilizan para representar a los eventos,
un evento representa un punto en el tiempo y significa la terminacin de
algunas actividades y el comienzo de otras. Las actividades un cierto
evento no pueden comenzar hasta que hasta que las actividades que
concluyen en el mismo evento hayan terminado. La longitud del arco no
necesita
ser proporcional a la duracin de la actividad ni tiene que
dibujarse en lnea recta.

Reglas para la construccin de un diagrama de proyecto o red de
proyecto
1) El nodo No. 1 representa el comienzo del proyecto. El arco llevar desde
el nodo 1 para representar cada actividad que no tiene predecesores.
2) Se debe incluir en la red un nodo que represente la terminacin del
proyecto, el nodo terminacin que tendr el nmero ms grande de todos
los
nodos.
- 70 -
3) Se deben numerar los nodos de la red de modo que el nodo que

representa la terminacin de una actividad, tenga siempre, un nmero
ms grande que el nodo que representa el comienzo de esta actividad.
4) Cada actividad est representada por un y slo un arco en la red. Es
decir ninguna actividad puede representarse pede representarse dos veces
en la red. Aunque si se puede descomponer una actividad en segmentos,
y cada segmento estar representada por un arco. Por ejemplo en el tendido
de una tubera.
5) Dos nodos (eventos) no pueden estar conectados por mas de un arco,
esto puede surgir cuando dos actividades se
tiene que ejecutar
simultneamente.
6) Para asegurar correcta relacin de procedencia correcta en el
diagrama, antes de agregar una actividad a la red se pueden contestar las
siguientes preguntas.
a) Qu actividades deben terminarse inmediatamente antes de que esta
actividad pueda comenzar?
b) Qu actividades deben de seguir a esta actividad?
c) Qu actividades deben efectuarse con esta actividad?
Para no violar las reglas 4 y 5, se pueden utilizar una actividad ficticia,
representado por un arco ficticio (punteado), que no consume tiempo ni
recursos.
Ejemplo de una red de proyecto.
Red de proyecto para construir una casa.
La siguiente es una lista de actividades que hay que realizar para la
construccin de una casa.
- 71 -
ACTIVIDAD
DESCRIPCION
A
B
C
D
E
F
G
H
I
J
K
L
M
N
Excavacin
Cimientos
Obra negra
Colado de techo
Plomera exterior
Instalacin elctrica
Plomera interior
Recubrimiento externo
Recubrimiento interno
Pintura exterior
Colocacin de piso
Pintura interior
Acabado exterior
Acabado interior
PREDECESORES
INMEDIATOS
-------------A
B
C
C
C
E
D
F, G
E, H
I
I
J
K, L
DURACION
(DIAS)
2
4
10
6
4
7
5
7
8
9
4
5
2
6
A partir de esta lista elaboramos la red del proyecto, quedando de la

siguiente manera:
Inicio
C
D
E
F
J
7
10
L
M
11
12
13
Terminacin
- 72 -
La aplicacin del CPM-PERT es para crear un programa especificando la

fecha de inicio y termino de cada actividad. Debido a las interacciones de
las diferentes actividades, la determinacin de estos tiempos requiere
de clculos y como resultado final se tendrn actividades criticas y
actividades no criticas.
Actividad critica.- Es una actividad que si se demora en su comienzo
causara una demora en la terminacin del proyecto completo, se dice
que estas actividades tiene un tiempo libre (holgura) igual a cero.
Actividad no critica.- Es aquella en que el tiempo entre su comienzo mas
prximo y de su terminacin ms tardo (como lo permita el proyecto) es
mas grande que su duracin real, entonces se dice que se tiene holgura.
Determinacin De La Ruta Crtica Por Medio De CPM
La ruta crtica es una cadena de actividades crticas, las cuales conectan
al evento inicial y final del diagrama del proyecto. Los paso para calcular
esta ruta son:
1) Se calculan los tiempo ms prximos de cada evento (tiempo de inicio
ms prximo TIPi) es el tiempo estimado en que ocurrir el evento si las
actividades que lo preceden comienzan lo ms pronto posible.
Esto se empieza a calcular desde el nodo inicio y se va moviendo hacia
el nodo de terminacin.
TIPi= MAX [ TIPi + Dij ]
i
Dij = Duracin de la actividad ij
2) Se calcula el tiempo ms lejano para un evento, es el ltimo momento

estimado en que pueda ocurrir sin retrasar la terminacin de un proyecto
ms
- 73 -
all de su tiempo ms prximo. (Tiempo de terminacin ms tardo TTT)

TTT i= MIN [ TTTj - Dij
]
j
Para realizar estos clculos se comienza desde el nodo Terminal y mueve

hacia el inicio.
3) Se calculan las holguras totales (HT) para cada una de las actividades,
que es la diferencia entre el mximo tiempo disponible para realizar
la actividad y su duracin. En otras palabras es el tiempo que se puede
retrasar la actividad sin retrasar la terminacin del proyecto.
HT IJ= TTTj - TIPi Dij
Todas las actividades que tengan una holgura total igual a cero son
actividades crticas.
4) Se calculan las holguras libres para cada actividad (HL), que es el
exceso de tiempo disponible sobre la duracin de la actividad. Es el tiempo
que se puede retrasar una actividad, sin retrasar el comienzo de otra
actividad posterior.
HLij = TIPj TIPi Dij
Ejemplo 1.- Con el ejemplo de la construccin de la casa, calcularemos la
ruta crtica para este proyecto. Primero colocamos los das en la red del
proyecto de acuerdo a las actividades.
- 74 -
Inicio
2
2
4
3
10
6
4
7
9
7
10
8
4
5
2
11
12
13
Terminacin
Primero calculamos los tiempos ms prximos para los eventos.

Los clculos se pueden hacer directamente en la red o bien formando
una tabla como la siguiente:
- 75 -
TIPi= MAX [ TIPi + Dij ]

i
Evento
inmediato
anterior
1
2
3
4
4
4
5
5
6
7
8
9
9
11
10
12
Evento
1
2
3
4
5
6
7
8
9
10
11
12
13
Tiempo ms
prximo
0
2
6
16
16
16
20
20
22
25
29
33
33
37
38
38
Tiempo de la
actividad
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
2
4
10
4
6
7
5
0
7
8
9
4
5
0
2
6
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
2
6
16
20
22
23
25
20
29
33
38
37
38
37
40
44
Tiempo
mximo ms
prximo
0
2
6
16
20
22
25
29
33
38
37
38
44
Ahora haciendo los clculos ms lejanos para los eventos tenemos:

TTT i= MIN [ TTTj - Dij ]
j
Evento
13
12
11
10
9
8
7
6
5
4
3
2
1
Evento
inmediato
anterior
13
12
13
12
11
10
9
8
8
7
7
6
5
4
3
2
Tiempo ms
lejano
44
38
44
38
38
42
33
33
33
25
25
26
20
16
6
2
Tiempo de la
actividad
6
0
2
5
4
9
8
7
0
5
7
6
4
10
4
2
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
Tiempo mnimo
mas lejano
0
38
38
42
33
34
33
25
26
33
20
18
20
16
6
2
0
44
38
38
42
33
33
25
26
20
16
6
2
0
Calculando las holguras totales y holguras libres de las actividades tenemos:

- 76 -
Actividad
12
23
34
45
46
47
57
58
68
79
8 10
9 11
9 12
10 13
11 12
12 13
Holgura total
Holgura libre
HTIJ= TTTj - TIPi - Dij
2-0-2=
6-2-4=
16 - 6 -10 =
20 - 16 - 4 =
26 - 16 - 6 =
25 - 16 - 7 =
25 - 20 - 5 =
33 - 20 - 0 =
33 - 22 - 7 =
33 - 25 - 8 =
42 - 29 - 9 =
38 - 33 - 4 =
38 - 33 - 5 =
44 - 38 - 2 =
38 - 37 - 0 =
44 - 38 - 6 =
HLij = TIPj TIPi - Dij
0
0
0
0
4
2
0
13
4
0
4
1
0
4
1
0
2-0-2=
6-2-4=
16 - 6 - 10 =
20 - 16 - 4 =
22 - 16 - 6 =
25 - 16 - 7 =
25 - 20 - 5 =
29 - 20 - 0 =
29 - 22 - 7 =
33 - 25 - 8 =
38 - 29 - 9 =
37 - 33 - 4 =
38 - 33 - 5 =
44 - 38 - 2 =
38 - 37 - 0 =
44 - 38 - 6 =
0
0
0
0
0
2
0
9
0
0
0
0
0
4
1
0
Actividad critica
Actividad critica
Actividad critica
Actividad critica
Actividad critica
Actividad critica
Actividad critica
Actividad critica
Si deseamos armar la programacin lineal de este problema tendramos:

Min. z = X13 - X1
S.A.
X2 X1 + 2
X3 X2 + 4
X4 X3 + 10
X5 X4 + 4
X6 X4 + 6
X7 X5 + 5
X7 X4 + 7
X8 X6 + 7
X8 X5
X9 X7 + 8
X10 X8 + 9
X11 X9 + 4
X12 X9 + 5
X12 X11
- 77 -
X13 X10 + 2
X13 X12 + 6
X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13 0
Determinacin De La Ruta Crtica Por Medio De PERT
Como se menciono anteriormente CPM supone que la duracin de cada
actividad se conoce con certeza. Pero para muchos proyectos esto no es
aplicable, entonces se ocupa el PERT, para corregir estas deficiencias.
Ahora el PERT requiere que se estimen las tres cantidades siguientes para
cada actividad:
a = Tiempo optimista, el cual se necesita si la ejecucin va
extremadamente bien.
b = Tiempo pesimista, el que se requerir si todo va muy mal.
c = Tiempo ms probable, el cual se necesitara si la ejecucin
es normal.
A partir de esto se construye la ruta crtica mediante el siguiente
proceso:
1) Calcular la media para la duracin del tiempo de cada actividad (D) y
su varianza (V) (distribucin beta):
D
b 4m
6
(b
a)
36
2) Con los valores de D se construye la ruta crtica como si fuera en CPM.

Nada ms que ahora la suma de la duracin de las actividades de la ruta
crtica ser el valor de la duracin esperada de las actividades, y se
sumara todas las varianzas de las actividades de la ruta crtica para que
sea a varianza de la duracin de actividades.
E = Duracin esperada de las actividades de la ruta critica.
Var.= Varianza de la duracin de la actividades de la ruta critica.
CP = desviacin estndar de la ruta critica = (Var.)
1/2
Con estos datos se pueden calcular las probabilidades de terminar en

ciertos
das, tomando estos datos y utilizando las tablas de distribucin
normal.
- 78 -
EJEMPLO 2.- Una constructora naviera, necesita fabricar un nuevo tipo de

embarcacin pequea, se tiene contemplado
motor propulsor
por
separado,
al
construir la armazn y el
final
ensamblar
los
dos
componentes para
terminar la fabricacin, en resumen las actividades que se harn
son:
Actividad
A
B
C
D
E
F
Descripcin
Act. Precedente
Capacitar trabajadores
Comprar materiales
Construir armazn
Armado del motor propulsor
Pruebas al motor
Ensamble del motor en
armazn.
la
A, B
A, B
D
C, E
a
2
5
3
1
8
9
Duracin
b
m
10
6
13
9
13
8
13
7
12
10
15
12
Calcular la ruta critica por medio del PERT.

Calculando el tiempo para cada actividad y su varianza tenemos:
Actividad
2 10 4(6)
6
5 13 4(9)
6
3 13 4(8)
6
1 13 4(7)
6
8 12 4(10)
6
9 15 4(12)
6
Var.
2
6
9
8
7
10
2
(10 2)
V
36
2
(13 5)
V
36
2
(13 3)
V
36
2
(13 1)
V
36
2
8)
(
V (12
36
2
V 15 9)
36
1.78
1.78
2.78
4.0
0.44
1.0
Haciendo la red del proyecto, queda:
- 79 -
12
6
10
9
2
Calculando tiempo ms prximo:

Evento
1
2
3
4
5
6
Evento
inmediato
anterior
1
1
2
2
3
3
4
5
Tiempo ms
prximo
Tiempo de la
actividad
+
+
+
+
+
+
+
+
+
9
6
0
3
7
8
10
12
=
=
=
=
=
=
=
=
=
Tiempo ms
lejano
Tiempo de la
actividad
38
26
16
26
9
16
9
9
12
10
7
8
0
3
9
6
0
0
9
9
9
9
16
26
9
6
9
12
16
17
26
38
Tiempo
mximo ms
prximo
0
9
9
16
26
38
Calculando el tiempo ms lejano:

Evento
6
5
4
3
2
1
Evento
inmediato
anterior
6
5
4
5
3
4
2
3
Tiempo mnimo
mas lejano
=
=
=
=
=
=
=
=
38
26
16
26
16
9
17
9
13
0
3
9
9
0
Calculando las holguras totales:

Actividad
12
13
23
24
34
Holgura total
Act. Critica
1.78
Act. Critica
Act. Critica
4.0
HTIJ= TTTj - TIPi - Dij
9-0-9=
9-0-6=
9-9-0=
16 - 9 - 3 =
16 - 9 - 7 =
0
3
0
4
0
- 80 -
35
45
56
26 - 9 - 8 =
26 - 16 - 10 =
38 - 26 - 12 =
9
0
0
Act. Critica
Act. Critica
E
Var.
=
=
10
12
38
0.44
1.00
7.22
Como se observa la duracin media en que se realizara el proyecto es de

38 das.
Con una variacin de 7.22
Con una desviacin estndar = (7.22)1/2 = 2.69
A partir de aqu podemos calcular las probabilidades de realizar el trabajo en
un determinado tiempo, por ejemplo, calcular la probabilidad de que
el
proyecto se complete3mximo en 35 das.
P(x35) = p z
35 8
2.69
p(
z
1.12) 0.13
- 81 -
UNIDAD 3
PROGRAMACIN NO
LINEAL
Objetivo:
Identificar y resolver modelos con
comportamiento no
problemas propuestos.
lineal utilizando
UNIDAD III / PROGRAMACIN NO LINEAL
3.1 Planteamiento de problemas de Programacin no lineal.

La programacin Lineal es un tema importante en investigacin de
operaciones, donde todas sus funciones (las de objetivo y restriccin) son
lineales.
Esto
se
cumple
en
muchos
casos
pero
veces
es
necesario manejar problemas de programacin no lineal.

De manera general la programacin no lineal Consiste en encontrar
x = (x1, x2, x3,..,xn) para:
Maximizar f(x)
Sujeta a: gi(x)bi ,,, para i = 1,2,.,m
y
x0
Donde f(x) y g(x) son funciones dadas de n variables de
decisin.
Existen tipos diferentes de problemas de programacin no lineal, lo cual
depende de las caractersticas de las funciones f(x) y g(x). Se emplean
varios algoritmos para los diferentes tipos de problemas. Para ciertos tipos
donde las funciones tienen formas
simples, los problemas pueden
resolverse de manera relativamente eficiente. En algunos tipos incluso

la solucin de pequeos problemas representa un gran reto.
Los problemas de programacin no lineal se presentan en muchos formas
distintas, al contrario del mtodo simplex para programacin lineal no se
dispones de un algoritmo que resuelva todos estos tipos especiales
de problemas.
Se
han
paraalgunas
desarrollado
clases
de
algoritmos
problemas
de
programacin no lineal.
3.2 Optimizacin clsica.
Optimizacin clsica
Si la restriccin no existe, o es una restriccin de igualdad, con menor o
igual
nmero de variables que la funcin objetivo entonces, el clculo
diferencial,
- 83 -
da la respuesta, ya que solo se trata de buscar los valores extremos de

una funcin.
3.2.1 Puntos de inflexin.
Un punto de la grfica de una funcin en donde hay un cambio en la
concavidad de la grfica se llama punto de inflexin
3.2.2 Mximos y mnimos
Una funcin puede contener varios mximos y mnimos, identificados por
los puntos extremos de la funcin. En la figura se puede observar esto,
los puntos x1, x3 y x6 son mximos, de la figura notamos que f(x6) es el
mayor que f(x1) y f(x3), a este punto se le conoce como mximo global de la
funcin y a los restantes como mximos locales. Lo mismo se puede ver
para los mnimos, en los que tambin existe un mnimo global f(x 2) y un
mnimo local f(x4). Como es de lgico, solo puede existir un solo global y
posiblemente varios locales.
Representacin de mximos y mnimos en una funcin con una sola

variable
- 84 -
La derivada puede utilizarse para determinar los puntos donde la tangente

es horizontal (derivada = 0).
Extremos Relativos
Definicin:
La funcin f se dice que tiene un valor mximo relativo en c, si existe
un intervalo abierto que contenga a c sobre el cual est definida la funcin
f tal que f (c) f (x) para toda x en este intervalo.
La funcin f se dice que tiene un valor mnimo relativo en c, si existe un
intervalo abierto que contenga a c sobre el cual f est definido tal que f (c)
f (x) para toda x en este intervalo.
Dnde Localizar los Posibles Valores Extremos?
Teorema: Si f (x) existe para todos los valores de x en el intervalo abierto
(a,b) y si f tiene un extremo relativo en c, donde a c b
, entonces f
'(c) existe y f ' (c) = 0.
Si f es una funcin diferenciable, los nicos lugares posibles para puntos
extremos es donde f ' (x) = 0.
Sin embargo, f ' (x) puede ser cero y no obstante en ese valor f no tiene
un valor extremo (Punto de Silla).
Ms an f puede tener un extremo relativo en un nmero y f puede no
existir
all.
En resumen:
Si una funcin est definida en un nmero c es una condicin necesaria,
pero no suficiente, para que f tenga un extremo relativo en c que f ' (c) = 0
que f '(c) no exista.
Si c es un nmero en el dominio de la funcin f y si f ' (c) = 0 f ' (c) no
existe, entonces c se llama nmero crtico de
f.
Extremos Absolutos
Frecuentemente estamos en una funcin definida en un intervalo dado, y
deseamos encontrar el valor mayor o menor de la funcin en el intervalo.
- 85 -
Estos intervalos pueden ser cerrados, abiertos o cerrados a un extremo y

abierto en otro.
El valor mximo absoluto es el mayor valor dentro del intervalo, y el valor
mnimo absoluto es el mnimo valor de la funcin dentro del
intervalo.
Extremos Absolutos en un Intervalo
Definicin: La funcin f se dice que tiene un valor mximo absoluto en
un intervalo, si existe algn nmero c en el intervalo tal que f (c)
f (x)
para
toda x en el intervalo. En tal caso f (c) es el valor mximo absoluto de f

en el intervalo.
Definicin: La funcin f se dice que tiene un valor mnimo absoluto en un
intervalo si existe algn nmero c en el intervalo tal que f (c) f (x) para toda
x en el intervalo. En tal caso f (c) es el valor mnimo absoluto de f en el
intervalo.
Valor extremo absoluto es un mnimo o mximo absoluto de la funcin en
el
intervalo.
Tambin se puede hablar de extremo absoluto de una funcin cuando no
se especifica ningn intervalo.
Definicin: Se dice que f (c) es el extremo mximo absoluto de la funcin f si
c est en el dominio de f (c) f (x) para toda x en el dominio de la funcin.
Definicin: f (c) se dice que es un mnimo global de la funcin f si c
dominio de f y si f (c) f (x)
al
Dominio de f.
Teorema del Valor Extremo

Si una funcin f es continua en el intervalo cerrado [a,b], entonces f tiene
un valor mximo absoluto y un valor mnimo absoluto en [a,b].
Un extremo absoluto de una funcin en un intervalo cerrado debe ser un
extremo relativo o ser un valor de la funcin en un extremo del
intervalo.
- 86 -
Procedimientos para determinacin de extremos absolutos en intervalo

cerrado:
1. Identificar valores de la funcin en los nmeros crticos de f en
[a,b]
2. Encontrar f (a) y f (b)
3. El mayor de estos es el mximo absoluto y el menor es el mnimo
absoluto
Teorema de Rolle
Sea una funcin f continua en un intervalo cerrado [a,b], diferenciable en
el intervalo (a,b) abierto y sean f (a) = 0 y f (b) = 0 , existe al menos un
nmero c entre a y b donde f ' (c) = 0.
Teorema del Valor Medio Sea f una funcin continua tal que:
es continua en el intervalo cerrado [a,b]
es diferenciable en el intervalo abierto (a,b) entonces existe un nmero c en
el intervalo abierto (a,b) tal que:
Criterio de la Primera derivada para Extremos Relativos

Si una funcin continua en el intervalo abierto (a,b) que contiene un nmero
c y f es diferenciable, excepto, posiblemente en c ( f (c) puede no
existir). Si c es un extremo entonces:
f'( x1
0 f x donde x1 C
f' ( x2
0 f x donde C x2
relativo
2
en este caso c es un mximo
Procedimiento para Determinar Extremos Relativos

1. Encontrar nmeros crticos ( f ' (x) = 0 f ' (x)
no
2. Aplicar criterio de la primera derivada

Criterio de la Segunda Derivada
Sea c un nmero crtico de una funcin en la cual f ' (c) = 0 y f existe para
todos los valores de x en algn intervalo abierto que contenga a c.
Entonces si f ' ' (c) existe y:
- 87 -
Si f ' ' c 0, f, f tiene un valor mximo relativo en c.

Si f ' ' c 0, f, f tiene un valor mnimo relativo en c.
Ntese que si f ' ' (c) = 0 nada puede concluirse.

Teorema: Sea f una funcin continua en el intervalo I que contiene al
nmero c. Si f (c) es un extremo relativo de f en I y es el nico, entonces f
(c) es un extremo absoluto de f en I. Adems,
Si f c es un mximo relativo es un mximo absoluto
Si f c es un mnimo relativo es un mnimo absoluto.
Gradiente
Derivadas Parciales:
Son
derivadas direccionales
pero especiales,
las direcciones son las de los ejes coordenados.
- 88 -
Extensin de los Criterios de Existencia de Mximo y

Mnimos
- Los puntos crticos son aquellos donde f = 0 o no existe.
- Alguna medida de positividad del Hessiano nos dir si es un mximo o un
mnimo
3.3 Problemas no restringidos.
3.3.1 Multiplicadores de LAGRANGE ( lambda).
Los problemas de optimizacin no restringida no tienen restricciones, por
lo que la funcin objetivo es sencillamente:
Maximiza f(x)
Sobre todos los valores de x = (x1, x2, , xn), la condicin necesaria para que
una solucin especifica x = x* sea optima cuando f(X) es una funcin
diferenciable es:
En x=x*, para j=1,2.n
Cuando f(x) es cncava, esta condicin tambin es suficiente, por lo que

la
obtencin de x* se reduce a resolver el sistema de n ecuaciones que se
obtuvo al establecer las n derivadas parciales igual a cero. Cuando se
trata de funciones no lineales f(x), las ecuaciones no son lineales, y es
poco probable que se pueda tener una solucin analtica simultanea.
a) Optimizacin no restringida de una variable:
Estos problemas x (n=1) donde la funcin diferenciable debe ser

maximizarse es cncava.
La condicin necesaria y suficiente para que la solucin particular x=x*
sea optima (un global mximo) es
En x = x*
Si en la ecuacin se puede despejar x* de forma directa el problema llega
a su fin, pero si f(x) no es una variable sencilla y su derivada no es una
funcin lineal o cuadrtica tal vez sea imposible resolver la ecuacin
analtica.
De ser as existen mtodos numricos para un procedimiento de
bsqueda
para resolver el problema.
- 89 -
Mtodo de la biseccin (pasos)

Paso inicial:
Seleccione una tolerancia del error para x* (), encuentre la cota inferior
actual para x*, (x) y la cota actual superior para x* ( ) por inspeccin y
seleccione una solucin de prueba inicial:
Iteracin:
1.- Evale
2.- Si
3.- Si
4.- Seleccione una nueva
Regla de detencin
Detenerse si
, de modo que la nueva x deba de estar dentro de
para x*. En caso contrario debe hacerse otra iteracin

b) Optimizacin no restringida de varias variables:
Si se considera el problema de maximizar una funcin cncava f(x) de

variables mltiples, x = (x1, x2, x3.,xn) en la que no se tienen restricciones
sobre los valores factibles. Suponga de nuevo que la condicin necesaria
y suficiente para la optimalidad, dada por el sistema de ecuaciones que se
obtiene al establecer sus respectivas derivadas parciales iguales a cero,
no se puede resolver de forma analtica, por lo que debe emplearse
un procedimiento de bsqueda numrico.
Mtodo de Newton
El encontrar la solucin a un sistema de ecuaciones no lineal es mucho
ms difcil que el de un sistema lineal. El mtodo de Newton es un
procedimiento iterativo y permite la
linealizacin de un sistema de
ecuaciones no lineal,
para posteriormente darle solucin por cualquier mtodo numrico de
- 90 -
ecuaciones lineales simultneas, este forma parte de los mtodos

conocidos como mtodos de gradiente.
Un sistema de n ecuaciones con n incgnitas (x1, x2, ... xn), se conoce como
no lineal, si una o ms de estas no es lineal.
De manera general, la solucin de un sistema de n ecuaciones no
lineales aplicando el mtodo de Newton se plantea como sigue:
La suma de todas las ecuaciones no lineales que representan el sistema

en estudio
La iteracin de Newton se podr obtener para el conjunto de ecuaciones

a partir de la ecuacin anterior, usando la serie de Taylor en una
aproximacin de primer orden
Estas ecuaciones representan un conjunto de 2n ecuaciones lineales

acopladas para el vector de incgnitas X en el paso de tiempo k+1, en la
- 91 -
iteracin i+1. Los trminos en derivadas darn lugar a la formacin de la

matriz Jacobiana:
La solucin del conjunto de ecuaciones lineales encontradas en cada

iteracin (matriz Jacobiana) ser resuelta por cualquier mtodo lineal de
matrices hasta que los residuales sean menores a una tolerancia
designada, muy prxima a cero.
Mtodo de derivadas restringidas (Jacobiano).
Se puede considerar como una generalizacin del mtodo simplex para
programacin lineal.
Considere el problema
Las funciones f(X) y gi(X), donde i = 1,2,,m, se suponen diferenciables y

doblemente continuas. El utilizar derivadas restringidas es encontrar una
expresin de forma cerrada para las primeras derivadas parciales de f(X)
en todos los puntos que satisfacen las restricciones g(X) = 0. Estos
puntos estacionarios entonces se sabe que son donde dichas derivadas
parciales se anulan.
Por el teorema de Taylor, para los puntos X + DX en el entorno factible de
X,
se deduce que
- 92 -
Con esto se tienen m ecuaciones con n incgnitas, cuando m < n tenemos,

si definimos a X ahora como:
X = (Y, Z)
De donde:
Jmxn se conoce como la matriz jacobiana y Cmxn-m = es la matriz de

control. Utilizando las definiciones anteriores, se puede escribir el conjunto
original de ecuaciones como:
-1
Como J se supone que no es singular, existir su inversa J . Por lo tanto
- 93 -
Aplicando a esta ecuacin la derivada restringida con respecto a al vector

independiente Z, se tiene
Mtodo Lagrangiano.
Est muy relacionado con el mtodo jacobiano y se puede desarrollar a
partir de aquel. Anteriormente se demostr que:
Considerando que en el punto extremo (y para cualquier punto

estacionario) X0 = (Y0, Z0), el gradiente restringido c f debe anularse,
entonces de
- 94 -
Esta relacin permite estudiar el efecto de variaciones pequeas de g

sobre el valor ptimo de f evaluando la tasa de cambio de f con respecto a
g. Estas tasas usualmente se conocen como coeficientes de sensibilidad.
Si tomamos
Esta ecuacin satisface las condiciones necesarias para los puntos

estacionarios ya que la expresin para f/
g se calcula con c f = 0.
Otra representacin ms conveniente de la ecuacin
es tomando sus
derivadas
parciales con respecto a todas las xj. Lo anterior da
Las ecuaciones resultantes junto con las de restricciones g = 0

proporcionan los valores factibles de X y que
satisfacen las condiciones

necesarias para puntos estacionarios. Este procedimiento define al mtodo
de Lagrange para identificar los puntos estacionarios de problemas de
optimizacin con
restricciones de igualdad.
- 95 -
UNIDAD 4
TEORA DE INVENTARIO
Objetivo:
Utilizara los diferentes sistemas de de
control de inventarios, en la formulacin
de modelos para resolver problemas.
UNIDAD IV / TEORA DE INVIERNO
4.1. SISTEMAS DE ADMINISTRACION Y CONTROL.

Mantener un inventario de productos o artculos para su venta o uso futuro
es una prctica comn en el mundo de los negocios. Se aplica tanto en
las ventas al mayoreo como al menudeo y por los fabricantes.
Casi todas las empresas deben almacenar bienes para asegurar un
trabajo uniforme y eficiente.
El problema de tener un inventario, debe responder bsicamente a 2
preguntas:
1) Cundo hacer un pedido?
2) Qu cantidad se debe pedir?
Existen dos formas de satisfacer la demanda requerida de productos,
teniendo un sobre almacenamiento o teniendo un subalmacenamiento.
Con el sobre almacenamiento, de requiere invertir un mayor capital,
aunque tendremos
menos ocurrencias frecuentes de escasez, y de
colocacin de pedidos. Con el subalmacenamiento, el capital invertido

es menor pero aumenta la frecuencia de pedidos as como el tiempo
que estn sin mercanca. Los dos extremos son costosos, por lo tanto
debemos tomar decisiones basadas en la minimizacin de costos que
produzcan un balance entre el costo de sobre almacenamiento y
subalmacenamiento.
SISTEMA DE INVENTARIO ABC.
En un negocio a veces al manejar un inventario implica a un nmero
apreciable de artculos o productos con diferentes precios, desde los
econmicos hasta el ms costoso. Como el inventario representa en
realidad un capital ocioso (inactivo) es necesario mantener el control
sobre
los artculos
que
aumenten
considerablemente
el
costo
del
inventario. Por experiencia se sabe que sola una pequea parte impacta
considerablemente en el costo del inventario, sobre estos artculos se
debe tener un control
estricto.
- 97 -
Se puede seleccionar estos artculos, con un procedimiento simple, el

sistema ABC se realiza graficando el porcentaje de artculos de inventario
total contra el porcentaje del valor monetario total en un periodo
(generalmente un ao).
La idea es determinar el porcentaje de artculos que contribuyen al 80%
del valor monetario acumulado. Esto se clasifica como el grupo A y
normalmente es alrededor del
20% del total de artculos, los clase B
comprenden a los valores monetarios porcentuales entre el 80% y 95% y

son alrededor del
25% y los restantes son clase C.
Las clase A son pocos artculos pero costosos y deben tener un control
estricto de inventario, los clase B son los siguen en el orden y el control
debe ser moderado, la clase C son muchos artculos influyen poco en el
costo del inventario deben tener un control bajo.
Convenientemente se dividen para su estudio a los sistemas de
inventarios en 2 categoras:
1) Demanda
determinista.
2)
Demanda
probabilstica.
y/o
Los
sistemas de
tiempo
tiempo
de
entrega
de
inventarios son
entrega
tan
variados e
implican
tantas
consideraciones que sera imposible desarrollar modelos para todas las

situaciones posibles.
Clasificacin de los sistemas de inventarios:
A) Orden repetitiva, demanda independiente.
B) Una sola orden, demanda independiente.
C) Orden repetitiva, demanda dependiente.
A veces se clasifican, por la relacin con la secuencia de produccin.
A) Abastecimiento.
B) Materiales
C) En proceso
D) Bienes terminados
- 98 -
Los modelos para representar a un sistema de inventarios se pueden dividir

en dos grandes categoras:
A) Modelos de cantidad fija de

reorden.
Llega una
Demanda
Llega una
Demanda
Inventario
Que se
Tiene
Lo que
se tiene
demanda?
B) Modelos de periodos fijos de reorden.
Actualizar
registros:
Recibir almacn
No
Faltantes/venta
de perdida
Inventario
Que se
Tiene
Lo que
Se tiene
Demanda?
Si
Actualizar
Registros:
Recibir almacn
No
Calcular
el estado
Calcular
Cantidad a
ordenar
Faltantes/venta
De prdida
Mandar
orden
de
reabastecimi
Si
Llenar una
Orden
Llenar una
Orden
Recalcular
el estado
Fin
Estado
Punto de
Llega tiempo
de revisin
Si
Mandar orden
De
Reabastecimiento
No
Fin
Los inventarios produce beneficios mixtos, ya que consume recursos en

adquirir bienes y mantenerlos que pueden ocuparse en otras reas, por
ejemplo, publicidad o investigacin. Pero por le otro lado se mejora el
- 99 -
servicio al cliente al tener un producto siempre que lo demande. Por lo

tanto se debe de buscar un equilibrio de esos costos.
Los cuatro costos ms comunes asociados a un inventario
son:
Costo de compra (de fabricacin, precio unitario).- Este costo incluye el
costo de un articulo, mas los impuestos y los gastos de transporte. Si la
compaa produce el producto entonces se debe incluir todos los gastos de
fabricacin. Costo de ordenar (costo fijo, costo directo).- Este se genera
debido a la elaboracin de pedidos y de facturacin, como son la mano
de obra, la papelera, el telfono, etc. Si el producto se genera en la
misma compaa entonces se toman los costos de preparacin de
maquinaria
Costos de conservacin, (almacenamiento).- Este costo incluye los costos
generados por el almacenar fsicamente los artculos, por ejemplo: la
refrigeracin,
aseguramiento,
impuesto
al
almacenaje,
el
costo
de
mantener inmvil el capital cuando se pudo invertir en otra actividad.

Costo de escasez (agotamiento o faltantes) esto reproduce cuando un
cliente demanda un producto y la demanda no se satisface a tiempo, si los
clientes aceptan la entrega en una fecha posterior se denomina pedidos
pendientes. Pero si el clientes no acepta se tiene una venta perdida. Este
costo es el mas difcil de medir ya que implica, que los clientes vayan a otra
partes a surtir su demanda,
comercial,
que
perdida
del
nombre
la
compaa
pierda
competitividad, etc.
Al partir de lo anterior, podemos decir que en el costo de un inventario
generalizado lo obtenemos de la siguiente manera.
Costo de inventario = costo de compra + costo de ordenar + costo
de
conservacin + costo de escasez.
- 100 -
Costo de
ordenar
Costo de
almacenamiento
Costo total
Costo por ao
Costo mnimo
Costo compra
Costo de
escasez
Nivel optimo
Nivel de inventario
Como se observa el nivel ptimo de inventario corresponde al costo total

mnimo de los cuatro componentes
Existen varios modelos de inventarios y esto es debido al tipo de
demanda del artculo lo cual hace que el modelo matemtico sea ms
complejo. El tipo de demanda puede ser:
Demanda determinista esttica, se produce cuando la tasa de consumo
permanece constante todo el tiempo.
Demanda determinista dinmica, se produce cuando la demanda
reconoce con certeza, pero vara de un periodo a otro.
Demanda probabilstica estacionaria, es cuando la demanda es descrita
por una densidad de probabilidad que se mantiene constante.
- 101 -
Demanda probabilstica no estacionaria, la densidad de probabilidad

vara con el tiempo.
ESTATICA
MS SIMPLE
DETERMINISTA
DEMANDA
DINAMICO
NIVEL DE
DIFICULTAD
DE MODELADO MATEMATICO
ESTATICA
PROBABILISTICA
DINAMICA
MS COMPLEJA
Otros factores que complican al modelo matemtico son:

Las demoras de entrega.
Abastecimiento mltiple
Nmero de artculos
Etc.
4.2. MODELOS DETERMINISTICOS
En la realidad estos modelos es difcil encontrarlos directamente, pero una
situacin real se puede ajustar a ellos.
El modelo ms comnmente aplicado para resolver este tipo de modelos
es el del lote econmico de pedido
El modelo clsico de lote econmico de pedido fue elaborado por F. W.
Harris de Westinghouse en 1915 y para que sean validos se deben
cumplir las siguientes suposiciones:
1) La demanda es determinista y ocurre a una tasa constante
().
- 102 -
2) El hacer un pedido de cualquier tamao (q) genera un costo de ordenar

(K)
3) El conservar una unidad de artculo en el inventario en una unidad de
tiempo genera un costo (h)
4.2.1. LOTE ECONMICO SIN DFICIT.
El primer modelo que estudiaremos ser el lote econmico sin dficit, es
decir aparte de las tres consideraciones se le agrega una ms:
4) No se permite que exista escasez, es decir el inventario no debe ser
negativo.
A) Lote econmico sin dficit con tiempo de entrega
cero.
En este modelo, como la entrega es inmediata nos conviene hacer un
pedido cuando el nivel de inventario sea igual a cero, para no generar
costos de conservacin en el inventario. Pero cuidando que no haya
escasez.
Si graficamos este modelo tendramos lo siguiente:
Nivel de inventario
q - t
Inv. Prom.
= q/2
2q
0
q
= q/t
Tiempo
Ciclo: es el intervalo de tiempo que comienza con la llegada de un pedido

y termina un instante antes de que se reciba el siguiente pedido.
Como en este modelo no se permite la escasez, entonces el costo total por
ciclo ser:
- 103 -
Costo por ciclo = costo de ordenar + costo de compra + costo de

conservacin.
El costo de ordenar es
= K (sin importar el tamao)
El costo de compra es
= pq (precio unitario por la cantidad)
El costo de conservacin se calcula de la siguiente manera:

El nivel promedio del inventario es (q + 0)/2 = q/2 artculos por unidad de
tiempo. El costo por unidad de tiempo sera h(q/2). Como el tiempo de un
ciclo es q/, el costo total de almacenamiento por ciclo ser h(q/2) q/=
2
hq /
2.
Sustituyendo el costo de un ciclo quedara:
2
Costo por ciclo = K + pq + hq / 2.

Para obtener el costo por unidad de tiempo tenemos:
K
Costo por unidad de tiempo =CPUT=
pq
q/
hq2
2
K
q
hq
2
Supongamos que Q representa el valor de q que minimiza el costo por

unidad de tiempo, la tendramos que encontrar haciendo
d
CPUT
dq
Quedando:
K
q
h
2
d
CPUT 0
dq
Despejando obtenemos la cantidad ptima q:

Q=
2 K
h
El tiempo de cada pedido ser:

T=
2K
h
Ejemplo 1:
Un negocio vende 500 discos DVD al mes, cada vez que genera un
pedido genera un costo de 5 pesos, cada disco le cuesta 10.00 pesos, el
costo de
mantener un disco en el inventario durante un mes es de 0.08 pesos/disco.
- 104 -
Suponga que la demanda es constante y no se permite escasez y el

tiempo de entrega es cero.
Cul ser el tamao del lote que minimice costos? Cuntos pedidos har
en un mes?
K= 5.00 pesos
2 K
h
p =10.00 pesos
2(500)(5)
0.08
250
h=0.08 pesos por disco

por mes
250
500
T=
T
= 500 discos/mes
0.5
Como observamos el lote de pedido tendra que ser de 250 discos y los
pedidos se haran cada mes. Cada 15 das.
Ejemplo 2:
Una compaa que ensambla computadoras, fabrica sus propias bocinas,
ensambla computadoras con una produccin continua de 8 000 al mes, sus
bocinas reproducen en lotes y cada lote genera un costo de preparacin
de maquinaria de 12 000 pesos, el costo de mantener una bocina en el
almacn durante un mes es de 0.30 pesos, el costo de produccin de una
bocina es de 50.00 pesos. Cul ser el tamao del lote que minimice
costos? En qu tiempo se har la produccin del lote de bocinas?
Q
T=T
2 K
h
2(8000)(12000)
0.30
5,298bocinas
25298
3.16meses
8000
K= 12 000.00 pesos
p =50.00 pesos
h= 0.30 pesos por
bocina por mes
=
000
bocinas/mes
- 105 -
B) Lote econmico sin dficit con tiempo de entrega distinto de cero.

Este lote tiene las mismas condiciones del primero solo que ahora la
entrega demora un tiempo L, es decir es mayor que cero. Esto deja sin
cambios los costos de conservacin y de ordenar sin cambios. Pero ahora
para evitar que haya escasez, y reducir el costo de conservacin, cada
pedido se debe hacer a un nivel de inventario que asegure que cuando llega
cada pedido, nivel de inventario sea igual cero. Este nivel se conoce como
punto de reposicin. Se pueden presentar dos casos al calcularlo:
1) La demanda durante el plazo de entrega (LD) no excede la Q. (LD
Q).
En este caso el punto de reposicin ocurre cuando el nivel de inventario
es igual a LD. Entonces el pedido llegara cuando el nivel de inventario sea
igual a cero.
En el ejemplo 1 suponga que el
tiempo de entrega es de 5 das.
Tendramos que L= 5/30

Entonces el punto de reposicin es (5/30) (500) = 83.333
Significa que cuando el inventario llegue a 83.333 discos se debe hacer
un nuevo pedido.
2) La demanda durante el plazo de entrega excede a la Q. (LD > Q). En
este caso el punto de reabastecimiento no es igual a LD. Supongamos
en el ejemplo que el tiempo de entrega es de 40 das, entonces LD=
(40/30)*500=
666.66 discos. Como se ve llegar a este nivel es imposible ya que el valor
de
Q es de 250.
En este caso se debe dividir LD entre el valor de Q y el residuo ser el valor
buscado.
En este caso dividimos LD/Q = 666.666/250= 2.666 le restamos el entero
en este caso 2 y nos queda de resto 0.6666 esto lo multiplicamos por Q
y tenemos (0.6666)(250)= 166.6666
As que haremos un nuevo pedido cuando el nivel de inventario alcance
166.66 discos.
- 106 -
C) Lote econmicos de un solo artculo con diferente precio tiempo de

entrega cero.
A menudo sucede que el precio de compra por unidad depende de la
cantidad a comprar. Esto se conoce como descuentos segn la cantidad. En
este modelo si habr que tomar en cuenta el precio del producto para
tener el nmero optimo de artculos que se debe de pedir.
Aqu encontraremos literales nueva, las cuales son:
P1
= Precio ms alto
P2
= Precio ms bajo
qr
= Cantidad superior que garantiza la rebaja del precio.
Q*
= Cantidad optima sin tomar en cuenta los precios.
CPUTQ
* = Costo por unidad de tiempo con cantidad Q y precio
unitario ms alto.
CPUTQ1
= Costo por unidad de tiempo con cantidad Q1. Esta
cantidad Q1 ser calculada haciendo una igualacin

De las ecuaciones CPUTQ = CPUTQ1 y utilizando el precio
unitario ms bajo.
Pasos para calcular la cantidad ptima.
1) Determinar
Q*
Q*
2 K
h
Si qr < Q* entonces la
cantidad
optima
igual a Q*
ser
(Q=Q*) y
termina el proceso, si no
es as se realiza el paso
2
2)
Q1
Calcular Q1 se calcula a partir de la Si Q*< qr < Q1 entonces

igualacin
el valor optimo es qr
CPUTQ = CPUTQ1
Q = qr
- 107 -
P1
K
Q*
hQ *
P2
2
K
Q1
hQ1
2
Si qr Q1 entonces el
valor optimo es Q*
Q = Q*
Ejemplo 3)
Un vendedor maneja un producto que tiene una demanda
diaria de 5 piezas, el costo por ordenar que se genera es de 10 pesos y el

costo diario por mantener una pieza en el almacn es de 1.00 peso. Si
adquiere menos de 15 productos, el costo por unidad es de 2 pesos, pero si
adquiere
15 o ms productos, el precio es de 1.00 peso. Cul es el tamao de lote
que ms le conviene comprar.
Datos:
P1 = 2.00
P2 = 1.00
qr = 15 piezas
h=1.00 peso pieza/da
= 5 piezas/da
K=10 pesos
Paso 1)
Calculando Q*
Q*
2 K
h
Comparando Q* y qr resulta que: qr > Q*
2(10)(5)
10
1
15 > 10
Como se observa que qr es mayor que Q* se realiza el paso No. 2

Paso 2) Calculando Q1, esto se calculan igualando las ecuaciones:
P1
K
Q*
2(5)
(10)(5)
10
10
50
10
hQ *
P2
2
10
2
K
Q1
hQ1
2
(1)(10)
(10)(5)
(1)(5)
2
Q1
5
(1)Q1
2
50 Q1
Q1 2
- 108 -
50 Q1
15 0
Q1 2
Q12
3 0Q1 1 00 0
Como resultado tenemos que Q1 = 26.18 o bien Q1= 3.82 en este caso
se toma el mayor valor 26.16
Comparando
Q* = 10
Qr = 15
Q1= 26.18
Como observamos se cumple la condicin Q*< qr < Q 1 entonces el valor

optimo es qr, en este caso es 15.
Es decir el tamao ptimo de los pedidos es de 15 piezas cada 3
das.
4.2.1. LOTE ECONMICO CON DFICIT.
Muchas veces la demanda no se satisface a tiempo y se produce
escasez, algunas veces esto puede ser redituable, pues alarga la longitud
del ciclo y produce ahorro en los costos de ordenar (o preparacin) y de
conservacin. Esto provoca que el costo del inventario de incluya un costo de
escasez (pf)
La grafica de este modelo queda de la siguiente
manera:
Nivel de inventario
s- t
q
s/
q/
Tiempo
q-s
- 109 -
El costo del inventario por unidad de tiempo quedara de la siguiente manera:

Costo de ordenar + costo de compra + costo de conservacin + costo de
escasez.
Costo de compra =
pq
Costo de ordenar =
K
2
Costo de conservacin = (hs/2) (s/) = hs / 2

El costo por escasez se calcula de la siguiente manera:
La escasez ocurre en un tiempo: (q-s)/
La cantidad promedio de artculos faltantes es: [0 + (q/s)] /2 = (q-s)/2
El costo por el nmero promedio de faltantes ser: pf(q-s)/2
Y el costo escasez multiplicado por el tiempo quedara: (q-s)/ * pf(q-s)/2 =
2
pf (q s)
2
Sustituyendo estos valores en la ecuacin del modelo queda el costo del

ciclo como:
K
pq
2
pf (q s)
2
hs2
2
El costo por unidad de tiempo es:

K
pq
CPUT
hs2 pf (q s) 2
2
2
q
K
q
hs
2q
pf (q s)
2q
Como se observa en esta ecuacin tenemos dos variables que no

conocemos q y s, por lo tanto tenemos que derivar parcialmente
esta ecuacin respecto a estas
dos variables e igualar a cero para
encontrar el
valor ptimo de q y s, quedando:
CPUT
s
CPUT
q
h
s
pf (q s)
q
K
q
hs
2q
2
2
0
pf (q s)
pf (q s)
2q
- 110 -
Estas ecuaciones se resuelven simultneamente obtenindose los valores de

S y Q (valores ptimos de q y s) los cuales quedan de la siguiente
manera: Cantidad optima:
2 K
h
pf h
pf
Cantidad antes de producirse la escasez:

2 K
pf h h
pf
El tiempo o periodo que se deben hacer lo pedidos:

t
Faltante mximo = Q - S
Ejemplo 4: Un negocio vende 500 discos DVD al mes, cada vez que
genera un pedido genera un costo de 5 pesos, cada disco le cuesta 10.00
pesos, el costo de mantener un disco en el inventario durante un mes es
de 0.08 pesos/disco, el costo de la escasez por disco en un mes es de
0.40 pesos. Suponga que la demanda es constante y se permite escasez y
el tiempo de entrega es cero.
Cul ser el tamao del lote que minimice costos? Cuntos pedidos
har
en un mes? Cul ser la escasez mxima?
K=5.00
P=10.00
h=0.08
2 K
h
piezas
Q
pf h
pf
2(500)(5) 0.40 0.08

0.08
0.40
040
2(500)(5)
0.08
0.40 0.08
pesos/disco/
mes
=500
discos/mes
pf=0.40
273.86
0.547
500
2 K
h
piezas
pf
pf h
- 111 -
pesos/disco/
mes
Escasez mxima=Q - S=273.86 - 208.3 =

65.5
Estos resultados indican que los pedidos se harn por 274

piezas, cada 16 das y que la escasez mxima permitida
ser de 66 piezas.
Ejemplo 5: resuelva el problema 2 con un costo de prdida de 1.1 por
pieza/mes
4.4 Modelo probabilstico
En estos modelos de inventarios, a diferencia de los anteriores, tienen una
demanda incierta o probabilstica. En vez de conocer exactamente la
demanda de un producto, ahora se conoce la distribucin de probabilidad
para la demanda. Como no se conoce con exactitud la demanda del
producto, siempre hay el riesgo de de que haya faltantes, este riesgo puede
disminuirse con un inventario grande pero no puede eliminarse. Como es
difcil encontrar un punto de reordenamiento exacto para no tener
escasez, se maneja los conceptos de inventario de seguridad y nivel de
servicio.
El inventario de seguridad, es un nmero que incrementa al punto de reorden
para proteger contra los posibles faltantes durante el periodo de entrega.
Esta cantidad de inventario de seguridad esta basada en una decisin
administrativa sobre el nivel de servicio. El nivel de servicio es la
probabilidad de tener un artculo en el almacn cuando se solicite. Los
niveles de servicio ms comunes varan de 80% al 99%, es decir la
posibilidad de quedarse sin artculos es de 20% a 1%.
Aqu se presentaron
probabilsticos:
dos
ejemplos
de
modelos
de
inventarios
a) Modelo de cantidad fija de reorden cuando no se conoce el costo de

escasez.
- 112 -
b) Modelo de cantidad fija de reorden cuando se conoce el costo de escasez.

Modelo de cantidad fija de reorden cuando no se conoce el costo de
escasez.
El procedimiento para resolver este modelo es el siguiente:
1) Encontrar la cantidad que debe ordenarse por medio de la formula:
Q = Tamao del lote econmico
2DK
h
D = Demanda promedio en cierto tiempo

K = Costo por ordenar
h = costo de conservacin.
2) Determnese el inventario de seguridad con base a la distribucin de la

demanda del tiempo de entrega y la seccin intuitiva del nivel de servicio,
con la formula:
B
B = Tamao del inventario de seguridad

Z = valor de acuerdo al nivel de servicio (obtenerla de la tabla
de distribuciones de probabilidad).
= desviacin estndar de para la demanda del tiempo de
entrega.
3) Igulese el punto de reorden a la demanda promedio del tiempo ms

el inventario de seguridad.
R=DL+B
R = punto de reorden
L = promedio del tiempo de entrega
Ejemplo:
Una refaccionara vende cajitas de tornillos, la demanda tiende a un
promedio de 5 cajas por da, y tiene un distribucin normal. El tiempo de
entrega vara en promedio 3 das. La desviacin estndar para la
demanda del tiempo de entrega es de 3.90. El costos de ordenar es de 1.50
y el costo de conservacin es de 1.0 por ao. El dueo de la refaccionara
quiere que el valor del nivel de servicio sea de 98%.
Datos:
Observamos que D esta en da, mientras que el costo de
- 113 -
D = 5/dia
conservacin esta en ao, asi que hay convertir. Suponiendo
K = 1.50
que trabaja 6 das durante la 50 semanas del ao.
h =1.0 por D=(5)(6)(50)= 1500 unidades ao

ao
=3.9
L=3
1)Calculando el valor de Q=
Q
2DK
h
2(1500)(1.5)
67
1.0
2)Calculando el inventario de seguridad:

Como se desea un nivel de servicio de 98% el valor de Z
correspondiente de la tabla de distribucin normal es igual a
2.06
B Z
(2.06)(3.9) 8.034
3) calculando el punto de reorden:

R=(5)(3)+8=23 unidades
En resumen los pedidos se harn de 67 cajitas de tornillos,
cuando queden en el inventario 23 piezas.
- 114 -
UNIDAD 5
LINEAS DE ESPERA
Objetivo:
Comprender
la
importancia
del
desarrollo de modelos de lneas de

espera
identificando
sistemas
con
distribucin Poisson, y analizar sus

costos
UNIDAD V / LINEAS DE ESPERA
5.1 Definiciones
suposiciones
PROCESO
ESPERA.
BSICO
Lneas
DE
de
Espera
caractersticas
LAS
LNEAS
DE
Una situacin de lnea de espera, se genera de la siguiente

manera:
El cliente llega a una instalacin se forma en un lnea de espera. El servidor
elige a un cliente de la lnea de espera, para comenzar el servicio. Al
trmino del servicio se repite el proceso de elegir un nuevo cliente.
Cliente.- Unidades que entran al sistema para recibir un servicio. Pueden
ser personas,
cartas, carros, incendios, ensambles intermedios en una
fbrica, etc.
Servidor.- Unidades encargadas de prestar un servicio. Pueden ser las
cajas
en un banco, en un supermercado, unidades de emergencias, un mdico,
una maquina, etc.
Disciplina de servicio.- Regla establecida para proporcionar un servicio a
un cliente en la lnea de espera.
Sistema de cola
Disciplina de la cola
Llegadas
Cola
Mecanismo de
servicio
PROCESO DE ENTRADA. (PROCESO DE LLEGADA)

Este proceso se refiera a la forma en que surgen y llegan los clientes a la
instalacin.
Una caracterstica muy importante es el tiempo entre llegadas (tiempo de
llegadas) que es tiempo que transcurre entre dos llegadas consecutivas.
Este tiempo entre llegadas puede ser de dos clases:
Determinstico: Cuando los clientes llegan a un intervalo de tiempo
conocido de forma constante.
- 116 -
Probabilstico: Cuando se considera al tiempo de llegada como una

variable aleatoria cuya distribucin probabilstica se considera conocida.
Normalmente se considera que los clientes llegan de forma individual, es
decir en un momento dado solo hay una llegada, pero se puede presentar
tambin que la llegadas sean en grupo (en masa).
El proceso de entrada podra depender de la cantidad o tamao de clientes
presentes en un determinado tiempo. Si la fuente de fuente de clientes es
pequea, se le nombra fuente como fuente de entrada finita, pero si la
fuente de clientes es grande o no se puede determinar su tamao se
conoce como fuente de entrada infinita. (Fuente limitada o ilimitada).
Rechazo: Se produce un rechazo cuando, un cliente llega a una instalacin y
se niega a entrar debido al tamao de la lnea de espera.
Abandono: se produce cuando un cliente estando en la lnea de espera se
sale, debido a que la espera es muy larga.
PROCESO DE SALIDA. (PROCESO DE SERVICIO)
Este proceso de refiere a la forma en que son atendidos los clientes por
lo servidores.
Dentro de este proceso tenemos el tiempo de servicio, que es el tiempo
que le toma a un servidor atender a un cliente. Este tiempo pude ser de
dos tipos:
Determinstico: Cuando el tiempo de servicio se conoce con exactitud.
Probabilstico: Cuando se considera al tiempo de servicio como una
variable aleatoria cuya distribucin probabilstica se considera conocida.
En una instalacin puede haber ms de un servidor, y debido a esto surgen 2
tipos de lneas de espera:
Lneas de espera en paralelo (canales de servicio en paralelo).- Cuando
en una instalacin hay ms de un servidor y todos ofrecen el mismo servicio.
- 117 -
Lneas de espera en serie (estaciones).- Cuando en una instalacin hay

ms de un servidor en la cuales el cliente tiene que pasar a cada una
para completar su servicio.
Lneas de espera en red.- En estas instalaciones hay una combinacin
de lneas de espera en serie y otras en paralelo.
DISCIPLINA EN UNA LINEA DE ESPERA.
Como se menciono, la disciplina en una lnea de espera es el orden que
se atiende a los clientes las cuales pueden ser:
Disciplina FCFS (First come, first served) (FIFO). En el cual el cliente que
llega primero se atiende primero, es decir segn el orden de llegada.
Disciplina LCFS (Last come, first served) (LIFO). En el cual el ltimo
cliente que llega se atiende primero.
Disciplina SIRO (service in random order) Servicio en orden aleatorio.
Prioridad en el servicio.- aqu se clasifican los clientes en categoras y
cada categora recibe un nivel de prioridad.
- 118 -
TIPOS DE LNEAS DE ESPERA.
Una cola, un servidor

Llegada
Cola
Servidor
Salida
Una cola, mltiples servidores
Llegada
Cola
Servidor
Salida
Servidor
Salida
Servidor
Salida
Varias colas, mltiples servidores

Colas
Servidor
Salida
Colas
Servidor
Salida
Colas
Servidor
Salida
Llegada
Una cola, servidores secuenciales

Llegada
Cola
Servidor
Cola
Servidor
Salida
5.2 Terminologa Notacin Lneas de Espera

NOTACION KENDALL-LEE.
Esta notacin sirve para etiquetar o nombrar a los diferentes modelos de
lneas de espera que se pueden tener.
La notacin consta de 6 nmeros de la forma siguiente:
a/b/c/d/e/f
Donde los smbolos representan lo siguiente:
a = La distribucin de tiempo entre llegadas.
b = La distribucin de tiempo de servicio.
c = El numero de servidores en paralelo.
d = Tipo de disciplina en el servicio (FCFS, LCFS, SIRO, PRIORIDAD)
e = Numero mximo admitido en el sistema (lnea de espera + en servicio).
- 119 -
f = Tamao de la poblacin de donde se extrae los

clientes.
Para reemplazar a los smbolos a y b se usan las siguientes
iniciales:
M = Cuando el tiempo de llegada o servicio tiene una distribucin
exponencial entrada o salida de Poisson (o Markoviana).
D= Cuando el tiempo de llegada o servicio es determinista
Ek = Cuando el tiempo de llegada o servicio tiene una distribucin de Erlangs
con parmetro K.
G = Cuando el tiempo de llegada o servicio tiene una distribucin general
(cualquier distribucin arbitraria).
Como observamos los elementos bsicos para crear un modelo de lnea
de espera, depender de los siguientes factores:
Distribucin de llegadas. (Individuales o en grupo).
Distribucin de servicio. (Individuales o en grupo).
Diseo de la instalacin (estaciones en serie, paralelo, o en red)
Disciplina de servicio
Tamao de la lnea (finita o infinita)
Fuente de los clientes (finita o infinita)
5.3 Proceso Nacimiento Muerte Lneas de Espera
PROCESO DE NACIMIENTO Y MUERTE.
La mayora de los modelos de colas suponen que las entradas y salidas
al sistema de colas, ocurren de acuerdo al proceso de nacimiento y muerte.
En este caso un nacimiento se refiere a la entrada de un nuevo cliente y una
muerte a la salida de un cliente servido.
Este proceso nos sirve para calcular el nmero de clientes probables que
habr en un sistema en un tiempo determinado t. N(t) nmero de clientes
que hay en el momento t.
Este proceso de nacimiento y muerte describe en trminos probabilsticos
como cambia N (t) al aumentar t.
Este proceso hace las siguientes suposiciones:
- 120 -
1) Dado N (t)=n, la distribucin de probabilidad para la prxima llegada es

exponencial. Con un parmetro n (n= 1, 2, 3,
.)
2) Dado N (t)=n, la distribucin de probabilidad para la prxima muerte es
exponencial. Con un parmetro n (n= 1, 2, 3,
.)
3) Solo un nacimiento o una muerte puede ocurrir a la vez.
En la aplicacin de problemas n representa la tasa media de llegadas y
n
tasa media de salidas.
5.4 Modelos Poisson
Existen una gran variedad de modelos para los sistemas de colas, las dos
caractersticas ms importantes sern:
a) Los tiempos de llegada.
b) Los tiempos de servicio.
En los sistemas de colas reales no es posible determinar con exactitud estos
dos tiempos, es decir no son determinsticos, los ms comunes son los
modelos probabilsticos, donde se dan un promedio de estos tiempos, por
lo tanto tenemos que usar una distribucin de probabilidad que se ajuste lo
ms cercano a la realidad.
Para calcular la probabilidad de cul ser el tiempo entre llegadas se
utiliza la distribucin exponencial, esta distribucin tiene una funcin
de densidad
continua)
de probabilidad: (densidad de probabilidad
fT (t )
Para
Para
Donde: T es el tiempo entre los eventos (tiempo de llegadas o tiempo de

servicio)
es la tasa media que ocurra una llegada o servicio.
Si se grafica esta distribucin de probabilidad nos da lo siguiente:
- 121 -
La media de esta funcin esta dado por:
La varianza de esta funcin es:
1
2
Aqu se puede observar las siguientes

distribucin:
propiedades de esta
1) La probabilidad de que ocurra un evento siempre es positiva pero

menor que 1
2) fT(t) es una funcin decreciente respecto a t, es decir es ms probable
que el valor de T este cercano a la media.
3) La distribucin de probabilidad del tiempo para que ocurra un evento,
no depende del tiempo en que ocurri el
evento anterior, es decir
es independiente.
Para calcular la probabilidad de cul ser el nmero de llegadas en
un tiempo determinado, se utiliza la distribucin de Poisson (densidad
de probabilidad discreta)
Donde X(t) representa el numero de ocurrencias de un evento en
un determinado tiempo t. Siempre que t >0, en donde el tiempo cero es
el
instante donde comienza la cuenta. La probabilidad seria:
- 122 -
P X (t ) n
t )n e
n!
t
Para n = 1, 2, 3, 4 ..
Como se observa tambin la distribucin de Poisson tiene un parmetro t

donde representa la tasa o numero esperado de eventos por unidad de
tiempo.
Y cuando n = 0 se tiene:
P X (t ) 0
Que es igual a la probabilidad obtenida por la distribucin exponencial

para que ocurra un evento despus del tiempo t.
La media de la distribucin de Poisson es:
E X (t)
DISTRIBUCION ERLANG.
Si los tiempos entre llegadas no son exponenciales entonces se modelan
de acuerdo a la distribucin Erlang (gamma). En esta distribucin continua,
que
tiene la siguiente funcin:
1
R(Rt ) k e
f (t )
(k 1)!
Rt
(t
0)
5.4.1 Modelos Poisson un Servidor

5.4.2 Modelos Poisson Mltiples Servidores
Clculos en los modelos de colas
Pn = probabilidad que en el estado estable haya n clientes en el sistema
Ls = nmero de clientes que espera halla en el sistema
Lq = nmero de clientes que espera halla en la lnea de espera.
Ws = Tiempo de espera en el sistema (lnea mas servicio)
- 123 -
Wq = Tiempo de espera en la lnea de

espera. (M/M/S) S=1 Y S>1
(M/M/S) VARIACION DE COLA FINITA S=1 Y S>1(COLA FINITA)
(M/M/S) VARIACION DE FUENTE DE ENTRADA FINITA S=1 Y S>1
REPARACION DE MAQUINAS
(M/M/1)(GD//), (M/M/C)(GD//)
(M/M/1)(GD/N/), (M/M/C)(GD/N/) VARIACION DE COLA FINITA (COLA
FINITA)
(M/M/R)(GD/K/K) MODELO DE SERV A MAQ. ORIGEN FINITO
(M/M/)(GD//) MODELO DE AUTOSERVICIO.
FORMULARIO DE ACUERDO AL MODELO:
En estos modelos utilizaremos las siguientes literales:
= Tasa de llegadas por unidad de tiempo.
= Tasa de servicio por unidad de tiempo.
= Intensidad de trfico del sistema.
0
j
= Probabilidad que sistema este ocioso.

= Probabilidad que haya j clientes en el sistema
= Cantidad de personas en el sistema.
Lq
= Cantidad de personas en la cola.
Ls
= Cantidad de personas en servicio.
= Tiempo promedio que un cliente pasa en el Sistema.
Wq = Tiempo promedio que un cliente pasa en la cola.

Ws = Tiempo promedio que un cliente pasa en el servidor.
M/M/1/GD//
En este modelo las llegadas son de forma exponencial, el tiempo de
servicio tambin es exponencial, solo hay un servidor, el nmero de
clientes que se pueden formar en la cola es infinito, y el tamao de la
poblacin tambin es
infinito.
- 124 -
Si > 1 no existe estado estable.
(1
)
2
Lq
Ls 1
Lq
Wq
1
(1
Ws
Ls
M/M/S/GD//
servicio tambin es exponencial, existen S nmeros de servidores que
dan los mismos servicios, el nmero de clientes que se pueden formar en
una sola
cola es infinito, y el tamao de la poblacin tambin es
infinito.
S
1
0
i (S 1)
i 0
(S )i
i!
S)
j(S
S!(1
(S
)
j!
0
- 125 -
j 1,2,3.......S
S ) (S )
S!(1
P( j
P( j
1
Lq
Lq
Probabilidad
servidores estn ocupados
S)
que
Lq
Wq
de
todos
los
P( j
S
S)
S)
P( j
S
M/M/1/GD/C/
servicio tambin es exponencial, solo hay un servidor, el nmero de
clientes que se pueden formar en la cola es C, es decir, despus de cierto
tamao en la cola ya no se aceptan clientes, y el tamao de la poblacin es
infinito.
1
1
C 1
j
SI
C
C 1
=1
- 126 -
1 (C 1) C C C
(1 C 1)(1 )
Wq
P( j
Lq
C
2
Ls 1
SI
Ls
=1
Lq
(1
L
(1
C)
C)
S ) PARA UN SISTEMA DE COLAS
M/M/S/GD//
S=2
S=3
S=4
S=5
S=6
S=7
.10
.02
.00
.00
.00
.00
.00
.20
.07
.02
.00
.00
.00
.00
.30
.14
.07
.04
.02
.01
.00
.40
.23
.14
.09
.06
.04
.03
.50
.33
.24
.17
.13
.10
.08
.55
.39
.29
.23
.18
.14
.11
.60
.45
.35
.29
.24
.20
.17
.65
.51
.42
.35
.30
.26
.21
.70
.57
.51
.43
.38
.34
.30
.75
.64
.57
.51
.46
.42
.39
- 127 -
.80
.71
.65
.60
.55
.52
.49
.85
.78
.73
.69
.65
.62
.60
.90
.85
.83
.79
.76
.74
.72
.95
.92
.91
.89
.88
.87
.85
- 128 -
BIBLIOGRAFIA
1. Ackoff R. y L. Sasieni . Fundamentos de Investigacin. de
Operaciones. Mxico: Limusa. 1977
2. Bazaraa M., y J. Jarvis (). Programacin lineal y flujo de redes.
Mxico: Limusa. 1980.
3. Bronson R Investigacin de Operaciones. Mxico: McGraw-Hill. 1984.
4. Bueno de A. G. Introduccin a la Programacin lineal y al Anlisis de
Sensibilidad. Mxico: Trillas. 1990
5. Daellenbach H., Georgej., y D. Mc.Nickle. Introduccin a Tcnicas de
Investigacin de Operaciones. Mxico: CECSA.
6. Eppen, Gould y Shmidt.
Investigacin de Operaciones Aplicadas a la Administracin.
7. Gallagher C. y H. Watson Mtodos y modelos cuantitativos para la
toma de decisiones. Mxico: Mc. Graw-Hill. 1982.
8. Hillier F. y G. Lieberman.. Introduccin a la Investigacin de
Operaciones, ( 5a. ed). Mxico; McGraw-Hill.. 1991
9. Moskowitz H. y G. Wright. Investigacin de Operaciones.
Mxico: Prentice Hall. 1982.
10. Prawda, J. Mtodos y Modelos de Investigacin de Operaciones, Vol..
I, Vol. .
II. Mxico: Limusa. 1981. 11.
Shamblin, J. y Stevens . Investigacin de
operaciones Mxico: McGrawHill. 1975

12. Taha H. Investigacin de Operaciones, (4a. ed. ). Mxico: Alfa-Omega
1991.

Antologia dAntologia-de-Investigacion-de-Operaciones - Doce Investigacion de Operaciones

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Antologia dAntologia-de-Investigacion-de-Operaciones - Doce Investigacion de Operaciones

Uploaded by

Copyright:

Available Formats

ESCUELA: INSTITUTO TECNOLGICO

1.1. Definicin de desarrollo y tipos de modelos de investigacin de

1.4. Formas estndar y cannicas. 27

2.1. Problema de transporte... 41

2.1.2 Procedimiento de optimizacin.

2.2. Problema del camino ms corto

2.3. Problema del rbol expandido mnimo

2.4. Problema de flujo mximo...

2.5 Ruta critica (PERT-CPM).

3.1. Planteamientos de problemas de programacin no lineal

3.2. Optimizacin clsica

3.2.1 Puntos de inflexin. 84

3.3. Problemas no restringidos

3.3.1 Multiplicadores de LAGRANGE ( lambda)... 89

3.3.2 Interpretacin econmica.

4.1. Sistemas de administracin y control 97

4.2. Modelos determinstico...

4.2.1 Lote econmico sin dficit

4.2.2 Lote econmico con dficit...

4.3 Lote econmico con produccin.

4.3 Modelo probabilstico

5.1. Definiciones, caracterstica y suposiciones.

5.2 Terminologa y notacin...

5.3 Proceso de nacimiento o muerte

5.4 Modelos Poisson...

5.4.2 Mltiples servidores...

5.5 Anlisis de costo

El estudiante aplicar las tcnicas y modelos de investigacin de

La presente antologa fue elaborada viendo la falta de apoyo didctico

los conocimientos del alumno a fin de elevar su nivel acadmico.

UNIDAD I / PROGRAMACION LINEAL

1.1 Definicin, desarrollo, tipos de modelos de I.O.

descubrir la mejor manera de utilizar el radar para localizar aviones

UNIDAD I / PROGRAMACION LINEAL

Estudiando el uso del equipo de control de caones en campo. El grupo

UNIDAD I / PROGRAMACION LINEAL

El anlisis cuantitativo se concentra en hechos cuantitativos o datos

basadas en los aspectos cuantitativos del problema.

permanecen iguales, el anlisis cuantitativo puede

decisin con los resultados obtenidos al usar mtodos cuantitativos. En

sus resultados deben ser combinados con informacin

caractersticas selectas de un sistema, proceso o realidad, y luego las

Los icnicos son representaciones a escala (rplicas fsicas) de objetos

UNIDAD I / PROGRAMACION LINEAL

vida real basados en supuestos claves, estimados y/ estimaciones

clasificacin, mtodos de ordenamiento, teora de conjuntos, anlisis

Hechos a la medida: Cuando para resolver e problema se han

UNIDAD I / PROGRAMACION LINEAL

3) Modelo Determinstico: Cuando para cualquier variable de decisin

Modelo Estocstico: Cuando para cualquier variable de decisin

Modelo optimizacin: Se construye con el fin de encontrar una

Modelos dinmicos: Cuando el valor de las variables deben de ser

desempea un papel esencial en la secuencia

No simulacin: son modelos de problemas donde no es posible

Modelos no lineales: Cuando la funcin objetivo o las restricciones

UNIDAD I / PROGRAMACION LINEAL

8) Modelos enteros: Si el valor de una o ms variables de decisin deben

Modelos no enteros: Si las variables de decisin son libres de

A) Definir el problema es el paso inicial, es primordial y muchas veces el

definicin del problema es

xito o fracaso de cualquier enfoque cuantitativo para tomar decisiones. Si

UNIDAD I / PROGRAMACION LINEAL

construccin es la expresin de las relaciones lgicas en el lenguaje