Investigacion de Operaciones para Ingenierias y Administracion de Empresas OA PDF

Luis Alberto Rincn Abril
UNIVERSIDAD
NACIONAL
DE COLOMBIA
Sede Palmira
Departamento de Ciencias Bsicas
UNIVERSIDAD NACIONAL DE COLOMBIA
Sede Palmira
DEPARTAMENTO DE CIENCIAS BSICAS
INVESTIGACiN DE OPERACIONES PARA INGENIERAS

Y ADMINISTRACiN DE EMPRESAS
Por: LUIS ALBERTO RINCN ABRIL

In9. M.Sc. Profesor Asociado
Palmira, junio de 2001

Universidad Nacional de Colombia - Sede Palmira
Luis Alberto Rincn Abril
Junio de 2001
ISBN : 958-8095-09-3
Derechos reservados .
Impreso en los talleres grficos de

Impresora Feriva S.A.
Calle 18 No. 3-33
Tel fono: 8831595
E-mail : feriva@feriva .com
Cali , Colombia
A mi esposa Mara Nelly,
apoyo y aliento para culminar tareas.
A mis hijas Liliana y Andrea,

esperanza y realidad para construir futuro.
TABLA DE CONTENIDO
LISTA DE FIGURAS 7
INTRODUCCiN. 9
1. GENERALIDADES SOBRE INVESTIGACiN DE OPERACIONES. 10
1.1 NATURALEZA DE LA INVESTIGACIN DE OPERACIONES. 10

1.I.1 Ejemplos. 13
1.2 REPRESENTACIN POR MEDIO DE MODELOS. 14
1.3 EJERCICIOS PROPUESTOS. 15
2. PROGRAMACiN LINEAL. 16
2.1 EL CAMPO DE LA PROGRAMACIN LINEAL. 16
2.2 MODELOS MATEMTICOS DE PROGRAMACIN LINEAL. 17

2.2.1 Funcin lineal. 18
2.3 ESTRUCTURA GENERAL DEL MODELO MATEMTICO. 18

2.3.1 Metodologa para obte ner el modelo. 19
2.3.2 Solucin factible. 19
2.3.3 Solucin ptima. 20
2.3.4 Ejemplos de modelos. 20
2.4 MTODO GRFICO DE SOLUCIN. 28

2.4.1 Conceptos Matemticos bsicos. 28
2.4.2 Regin de soluciones factibles. 29
2.4.3 Solucin ptima. 30
2.5 MTODO SIMPLEX. 31

2.5.1 Forma Matricial del Programa Lineal. 32
2.5.2 Forma Cannica del Programa Lineal. 32
2.5.3 Forma bsica del Programa Lineal. 33
2.5.4 Fundamentos Matemticos del Algoritmo Simplex. 34
2.5.5 Teora del mtodo Simplex. 35
2.5.6 Criterio de optimalidad. 40
2.5.7 Criterios Primal y Dual Simplex. 40
2.6 ALGORITMO SIMPLEX. 41

2.6.1 Tablero inicial Simplex. 42
2.6.2 Verificacin del criterio de optimalidad. 43
2.6.3 Elemento pivote. 43
2.6.4 Ejemplos con el Algoritmo Simplex. 43
2.6.5 Relaciones vectoriales y matriciales. 48
2.6.6 Definiciones bsicas. 48
2.6.7 Relaciones bsicas. 49
2.6.8 Casos particulares. 49
2.7 ANLISIS POST-PTIMO O DE SENSIBILIDAD. 53

2.7.1 Cambios en el vector b. 53
2.7.2 Cambios en el vector C. 54
2.7.3 Cambios en los coeficientes tecnolgicos Yj' 54
2.7.4 Ejemplo de problema de produccin con pos-optimizacin. 55
2.8 USO DEL COMPUTADOR EN LA PROGRAMACIN LINEAL. 60

2.8.1 El Software Progralineal. 61
2.8.2 El uso de la herramienta Solver. 62
~.9 EJERCICIOS Y PROBLEMAS PROPUESTOS. 67
3. PROGRAMACiN ENTERA. 73
.\. 1 QU ES LA PROGRAMACION ENTERA. 7.~
.'. : I'RINCII'ALES MODELOS. 7-1

J.2.1 Problema entero (PE). '/ -1
3.2.2 Problema entero mixto (PEM). 75
3.2.3 Problema entero cero uno o binario (I'ECU). 75
3.2.4 Ejemplo de Modelo. 76
3.2.5 Mtodo de bifurcacin y acotacin. 78
.'.3 EJERCICIOS Y PROBLEMAS PROPUESTOS. 91
4. EL PROBLEMA DEL TRANSPORTE. 94

-1. 1 DEFINICiN DEL PROBLEMA DEL TRANSPORTE. 95
U MODELO DEL PROBLEMA DEL TRANSPORTE. 95

4.2.1 El Problema de decisin. 95
4.2.2 Variables de decisin. 96
4.2.3 Funcin Objetiva. 96
4.2.4 Rest ricciones. 96
4.2.5 Modelo de Programacin Lineal. 97
4.2.6 Particularidad. 97
-u MTODO DE SOLUCiN DEL PROBLEMA DEL TRANSPORTE. 98

4.3.1 Tablero para el Algoritmo de solucin. 98
4.3.2 Solucin inicial. 99
4.3.3 Mtodo de la Esquina Noroeste. 99
4.3.4 Mtodo sucesivo del menor costo unitario. 99
4.3.5 Mtodo de aproximacin de Vogel. 99
4.4 ALGORITMO DEL PROBLEMA DEL TRANSPORTE. 102
4.4.1 Mtodo de los Multiplicadores. 102
4.4.2 Mtodo de "salto de piedras". 102
4.5 EJERCICIOS Y PROBLEMAS PROPUESTOS 106
5. EL PROBLEMA DE ASIGNACiN 109
5.1 MODELO DEL PROBLEMA DE ASIGNACIN. 109

5.1.1 Problema de decisin. 109
5. 1.2 Variables de decisin. 110
5.1.3 Funcin Objetiva. 110
5.1.4 Restricciones. III
5.1.5 Modelo de Programacin Lineal. III
5.2 MTODO DE SOLUCIN DEL PROBLEMA DE ASIGNACIN. 112
5.3 EJERCICIOS Y PROBLEMAS PROPUESTOS. 118
6. MODELOS DE REDES 119
6.1 TERMINOLOGA DE REDES. 121
6.2 PROBLEMA DE LA RUTA MS CORTA. 122

6.2.1 Algoritmo de la ruta ms corta. 12-'
6.2.2 Otras aplicaciones. 12..
6.3 PROBLEMA DEL RBOL DE EXPANSIN MNIMA. 123

6.3.1 Algoritmo para el problema del rbol de expansin mnima. 126
6.4 FLUJOS EN REDES. 129
6.5 PROBLEMA DEL FLUJO MXIMO. 129

6.5.1 Variables de decisin. 130
6.5.2 Restricciones. 131
6.5.3 Algoritmo de trayectorias de aumentos. 132
6.6 FLUJOS DE COSTO MNIMO. 137

6.6.1 Modelo matemtico delllujo de costo mnimo. 137
6.6.2 Solucin con Programacin Lineal. 141
6.6.3 Solucin Heurstica. 144
7. PROGRAMACiN DE PROYECTOS CON PERT-CPM. 148
7.1 FASES DE PROGRAMACIN. 149

7.1.1 Fase de Planeacin. 149
7.1.2 Fase de Programacin. 150
7.1.3 Fase de Control. 150
7.2 TERMINOLOGA EN LOS DIAGRAMAS DE RED. 150

L U IS ALI3E RTO RINCON A I3RIL
7.3 LA RUTA CRTICA. 153

7.3.1 Determinacin de la Ruta Crtica. 154
7.3.2 Identificacin de las actividades de la Ruta Crtica 156
7.3.3 Determinacin de las holguras. 157
7.4 DIAGRAMA DE TIEMPO. 158
7.5 EL ENFOQUE DE TRES TIEMPOS ESTIMADOS DE PERT. 160
8. MODELOS DE INVENTARIOS 166
8.1 TERMINOLOGA EN LOS MODELOS DE INVENTARIOS. 167
8.2 MODELO DETERMINSTICO SIMPLE. 168
8.3 MODELO DETERMINSTICO CON ENTREGAS RETRASADAS. 172
9. MODELOS DE ESPERA O TEORA DE COLAS. 177
9.1 PROCESO BSICO DE UNA COLA. 177
9.2 DISCIPLINA DE LA COLA. 179
9.3 TERMINOLOGA BSICA. 180
9.4 EL PROCESO DE POISSON. 180

9.4.1 Tiempos entre llegadas, Proceso Poisson. 18 1
9.5 EL PROCESO DE NACIMIENTO Y MUERTE. 182
9.6 MODELOS DE COLAS CON PROCESOS DE NACIMIENTO Y MUERTE. 187

9.6.1 Modelo MIM/l. 187
9.6.2 Modelo M/Mls. 189
10. MODELOS DE DECISiN MARKOVIANOS 193
10.1 PROCESOS ESTOCSTICOS. 193
10.2 CADENAS DE MARKOV. 194

10.2.1 Ejemplos de Cadenas de Markov. 195
10.3 ECUACIONES DE CHAPMAN KOLMOGOROV. 197
10.4 CLASIFICACiN DE LOS ESTADOS DE UNA CADENA DE MARKOV. 198

10.4.1 Estado estable de las cadenas de Markov. 199
10.4.2 Costo promedio esperado por unidad de tiempo. 201
10.4.3 Estados absorhentes. 202
10.5 MODELOS DE DECISiN MARKOVIANOS. 204

10.5.1 Modelo para procesos de decisin Markovianos. 207
10.5.2 Uso de la Programacin Lineal. 209
APNDICE A. 217
A. ELEMENTOS nslcos SOBRE MATRICES Y VECTORES. 217
A.l MATRIZ. 217
A.2 ALGUNAS MATRICES ESPECIALES. 217
A.31GUALDAD DE MATRICES. 219
A.4 OPERACIONES PARA MATRICES. 219
A.5 VECTORES. 220
A.6 DETERMINANTES. 223
A.6 OTRAS MATRICES ESPECIALES. 224
A.7 ECUACIONES LINEALES SIMULTNEAS. 225
A.8 EJERCICIOS PROPUESTOS. 228
BIBLIOGRAFA 230
LISTA DE FIGURAS
Figura 1. Regin de soluciones factibles para las restricciones Rl, R2 Y R3. 30
Figura 2. Esquema del Algoritmo Simplcx. 41
Figura 3. Forma inicial del Tablero Simplex. 42
Figura 4. Hoja de clculo en Excel para el uso de Solver. 64
Figura s. Cuadro de dilogo de Solver para resolver el ejemplo. 65
Figura 6. Hoja de clculo en Excel una vez se aplica Solver. 66
Figura 7. Diagrama de solucin IJara el ejemplo. 81
Figura 8. Diagrama de solucin para el problema. 88
Figura 9. Representacin Grfica del problema del transporte. 95
Figura lO. Grfica para el cambio de flujo en el tablero de transporte. 103
Figura 11. Cambio de flujo de unidades del tablero inicial. 104
,,' igura 12. Cambio de flujo de unidades del segundo tablero. lOS
Figura 13. Sistema de vas para el transporte en autobuses de una ciudad. 120
Figura 14. Posibilidades de construir una red elctrica entre siete municipios. 127
Figura 14-1. Diseo para construir una red elctrica entre siete municipios. 128
Figura 15. Red de oleoductos. 130
Figura 16. Solucin factible para una Red de flujo mximo propuesta. 132
Figura 17. Red residual para el ejemplo de flujo mximo. 133
Figura 20. Red sin trayectorias de aumento para el ejemplo de flujo mximo. 135
Figura 21. Red de distribucin de bienes. 140
Figura 22. Hoja de trabajo en EXCEL para el ejemplo de la red de distribucin. 141
Figura 23. Cuadro de dilogo de SOLVER en EXCEL. 142
Figura 24. Hoja EXCEL con la solucin SOLVER para la red de distribucin. 143
Figura 25. Uso de actividades ficticias. 151
Figura 26. Uso dc actividadcs ficticias. L52
Figura 27. Diagrama de red para el proyecto del traslado de las oficinas. 153
Figura 28. Diagrama de ticmpo para el proyecto de traslado de olicinas. 159
Figura 29. Distribucin beta para las tres estimaciones dc tiempo dc PERl'. 162
Figura 30. Modelo Dctcrminstico Simple. 168
Figura 31. Modelo Dctcrminstico Simple con ticmpo de demora. 171
Figura 32. Modelo Determinstico con entregas retrasadas. 173
Figura 33. Modelo Detcrminstico con reabastecimiento uniforme. 176
Figura 34. Proceso bsico de Colas. 178
Figura 35. Modelo de Colas. 179
Figura 36. Diagrama de tasas para el proceso de nacimiento y muerte. 185
Figura 37. Diagrama de tasas para el modelo M/M/s. 189

INTRODUCCiN.
Con el advenimiento de los computadores se hace posible , de manera diversa,

disponer materiales didcticos y de consulta para los estudiantes que cursan las
diferentes materias en la Universidad.
Este texto es una de los resultados obtenidos por el autor en la investigacin

desarrollada para obtener nuevos materiales didcticos en la enseanza y
aprendizaje de la Investigacin de Operaciones. La otra parte, es una opcin que el
lector tiene de acompaar este texto gua y de consulta con el material didctico
usado por el profesor para el desarrollo del curso, copindolo de Internet en la
direccin ftp://www.palmira.unal.edu.co/ En esta misma direccin se
encuentra disponible el software desarrollado por el autor para la solucin de
programas lineales llamado Progralineal. As mismo, este material se puede solicitar
a la direccin luchorin@hotmail.com . Tanto el material didctico como
Progralineal , deben ser instalados en el computador que los correr.
El texto y el material didctico estn divididos en diez secciones que cubren los temas
del curso de Investigacin de Operaciones para la carrera de Administracin de
Empresas de la Universidad Nacional de Colombia, Sede Palmira.
Cada tema se ilustra con suficientes ejemplos y al final de cada seccin se proponen
ejercicios para que sean resueltos por el lector.
9
1. GENERALIDADES SOBRE INVESTIGACiN DE OPERACIONES.
La tendencia moderna de muchas de las componentes de la organizacin a

convertirse en entes autnomos, con sus propias metas, sistemas y valores;
perdiendo con esto la visin de cmo encajan sus actividades y objetivos en toda la
organizacin; lo que puede conllevar a las varias componentes de la organizacin a
trabajar con objetivos opuestos. Con el crecimiento, complejidad y especializacin que
tienen actualmente estas componentes, se ha vuelto ms difcil asignar los recursos
disponibles de la forma ms eficaz a las diferentes actividades de la organizacin.
Este tipo de problemas, unido a la necesidad de conseguir la mejor manera de
resolverlos, crearon el ambiente adecuado para la Investigacin de Operaciones. Su
aparicin se remonta a muchas dcadas, cuando se hicieron los primeros intentos
para emplear el mtodo cientfico en la administracin de empresas; sin embargo su
aparicin siempre se atribuye a los servicios militares prestados a la segunda guerra
mundial, pues debido a los esfuerzos blicos exista la necesidad de asignar recursos
escasos a las distintas operaciones militares en la forma ms efectiva, por eso la
cpula militar americana e inglesa hizo un llamado a los cientficos para que
disearan tcnicas operativas para problemas estratgicos y tcticos. Al terminar la
guerra, el xito de la Investigacin de Operaciones gener un gran inters en
examinar las aplicaciones fuera del campo militar. En el desarrollo de la Investigacin
de Operaciones tambin jugaron papel importante el mejoramiento disponible en las
tcnicas de esta rea y el advenimiento de la revolucin de los computadores .
1.1 NATURALEZA DE LA INVESTIGACiN DE OPERACIONES.
La Investigacin de Operaciones consiste en un Conjunto de tcnicas matemticas

para determinar el curso de accin ptimo de un problema de decisin con la
10
INVESTIGACION DE OPERAC IONES PARA I NGEN IER IAS y ADM IN ISTRACION DE EMPRESAS
restriccin de recursos limitados. Pero tambin puede verse como el enfoque

cientfico interdisciplinario para resolver problemas de interaccin compleja, dinmica
y sujetiva de hombres, mtodos y sistemas, a los cuales en algunos casos no se les
proporciona solucin exacta por medio de las matemticas. Estos problemas
generalmente se caracterizan por la necesidad de asignar recursos limitados y
obtener soluciones ptimas de acuerdo con algn objeto.
En sntesis la Investigacin de Operaciones utiliza como recurso primario, modelos

matemticos para cuantificar y acotar los problemas dentro de un marco de
restricciones , medidas, objetivos y variables, de tal manera que se obtengan controles
ptimos de operacin, decisiones, niveles y soluciones. El procedimiento consiste en
la construccin de un modelo de decisin y posteriormente encontrar su solucin con
el objeto de determinar la decisin ptima.
Entre las tcnicas de Investigacin Operativa ms usadas se pueden sealar:

Modelos de flujos, Programacin Pert-Cpm, Teora de Colas, Teora de Inventarios,
Teora de Juegos, Cadenas de Markov, Programacin Entera, Programacin No
Lineal, Programacin Lineal, Programacin Dinmica, Simulacin.
Como tcnica para la solucin de problemas, la Investigacin de Operaciones debe

verse como ciencia y arte. El aspecto de la ciencia radica en ofrecer tcnicas y
algoritmos matemticos para encontrar decisiones adecuadas. Es un arte debido al
xito que se alcanza en todas las fases anteriores y posteriores a la solucin del
modelo matemtico, depende en forma considerable de la habilidad y creatividad de
los analistas encargados de tomar decisiones.
En la mayora de las aplicaciones de Investigacin Operativa, se supone que el objeto

y las limitaciones del proceso pueden ser expresadas en forma matemtica como
funciones de las alternativas de decisin (variables de decisin); en este caso se trata
con un modelo matemtico. Sin embargo, pese a los avances en modelos
11
LU IS ALBERTO RINCON ABR IL
matemticos, un nmero grande de situaciones reales siguen estando fuera del

alcance de las tcnicas matemticas actuales; esto porque el sistema puede tener
demasiadas relaciones, variables, para hacer una representacin matemtica
"adecuada". De otra parte, aunque se pueda formular un modelo matemtico, este
puede ser demasiado complejo para resolverlo. Un enfoque diferente a la
representacin por modelos matemticos, consiste en usar la simulacin, la cual
difiere de los modelos matemticos en que las relaciones de entrada y salida no se
indican en forma explcita, pues el modelo de simulacin divide el sistema
representado en mdulos bsicos que despus se enlazan mediante relaciones
lgicas bien definidas. As pues, en la Investigacin de Operaciones existen dos tipos
de clculos diferentes: aquellos en que interviene la simulacin y los que tienen que
ver con modelos matemticos.
Las etapas esenciales en el uso de cualquiera de las anteriores tcnicas son las
siguientes:
- Anlisis y formulacin del problema

- Desarrollo de un modelo matemtico que representa el problema.
- Derivacin de una solucin del problema.
- Prueba del modelo y de la solucin derivada.
- Establecimiento de controles sobre la solucin.
- Implementacin de la solucin .
Aunque la secuencia anterior de ninguna manera es estndar, generalmente es

aceptable . Excepto para la "solucin del problema", la cual est basada normalmente
en tcnicas bien desarrolladas. Esto aparece porque los procedimientos dependen del
tipo de problema en investigacin y el mbito de operacin en el cual existe.
El anlisis de sistemas y la Investigacin de Operaciones ayudan al ente encargado

de tomar decisiones a travs de la labor desarrollada, en aquellas reas problema que
12
INVEST l t'.\C ION DE O I'ER,\C IONES I',\ R,\ I N(;[N IERI ,\ S y , \ I) ~ II N I S ' I R,\C ION DE E~ II'RE S ,\S
pueden resultar en medidas cuantitativas y teoras afines. Uno de los principios

bsicos del anlisis de sistemas y de la Investigacin de Operaciones consiste en que
el trabajo debe realizarse en ntima colaboracin con las personas que conocen a
fondo las particularidades del problema y del sistema y es de especial utilidad cuando
existe la necesidad de emplear eficazmente los recursos escasos.
1.1.1 Ejemplos.
a) Debe decidirse cuntas toneladas de acero puro y chatarra se deben utilizar en la

preparacin de una aleacin para un cliente ; si el costo por Ton es de $ US 600
para el acero y $ US 300 para la chatarra. El cliente requiere mnimo 50 toneladas
de la aleacin . La empresa dispone de 70 y 40 Ton de acero y chatarra. La
relacin entre la chatarra y el acero no pueden superar los 7/8. La compaa
dispone de 120 horas para este trabajo. Derretir y fundir una Ton de acero exige 2
horas y la chatarra 3 horas.
b) Se disponen 100 mquinas con capacidad para manufacturar dos productos A y

B. La cantidad A que se produce en una semana se vende con una utilidad de 3
Millones de pesos, mientras que la cantidad B que se produce en una semana se
vende con una utilidad de 5 Millones de pesos. Sin embargo, despus de una
semana de operacin , el 30% de las mquinas dedicadas a producir A se acaban
sin posibilidad de reparacin; igual sucede con el 60% de las mquinas que
trabajaron para B. Para un horizonte de tres semanas , cmo se deben asignar las
mquinas para maximizar utilidades?
c) Una compaa se abastece de una materia prima que se consume a razn de 50

Ton/da. Cada que se hace un pedido, la compaa tiene un costo de $ US 2500 y
un inventario unitario mantenido en existencia por una semana costar $ US 70.
Determinar el nmero ptimo de pedidos que debe hacer la compaa cada ao, si
tiene la poltica de no admitir faltantes en la demanda?
13
L U IS A L BE RTO RI NCON AB RIL
d) Por aumento en las ventas, una procesadora requiere mayor espacio de bodegas.
Una solucin alternativa considera la compra de un depsito a 10 Km de la fbrica,
para almacenar los productos terminados. Este plan requiere el traslado del
producto terminado desde la planta hasta el depsito. La gerencia debe
determinar el nmero ptimo de camiones que sern alquilados o comprados .
Equivale esto, a estimar:
La cantidad media de bienes terminados que permanecen sin moverse

diariamente y el promedio medio de los camiones que permanecen sin utilizar,
para diferentes suposiciones de nmero de camiones.
Por lo tanto, la solucin exige una simulacin de produccin y transporte con

base en el conocimiento histrico de la cantidad producida y el anlisis de la
cantidad que puede ser trasladada por da.
1.2 REPRESENTACiN POR MEDIO DE MODELOS.
Un modelo es la representacin simplificada de la realidad que permite explorar, bajo

un variado nmero de condiciones, un rango de posibles respuestas del sistema, sin
tener que construirlo o alterarlo. De acuerdo con su estructura, se pueden construir
modelos lenicas, Analgicos y Simblicos.
La construccin y desarrollo de un modelo representa el paso decisivo en el uso de la

Investigacin de Operaciones y de cualquier proceso sistemtico de toma de
decisiones. En consecuencia, una solucin a un modelo, a pesar de que sea exacta,
no ser til a menos que el modelo mismo sea una representacin adecuada de la
realidad.
En la mayora de las aplicaciones de Investigacin de Operaciones , el objetivo y las

limitaciones del modelo se pueden expresar como funciones matemticas de las
14
I NYESTIGAC ION DE OPERAC IONES PARA I NGEN I ER I /\S y ADM IN ISTR ACION DE EMPRESAS
variables de decisin ; por lo tanto se trata de modelos matemticos. Sin embargo,

un nmero apreciable de situaciones reales sigue estando fuera del alcance de las
tcnicas matemticas por que el sistema real tiene demasiadas relaciones y variables
o a pesar de que se pueda formular un modelo matemtico, resulta demasiado
complejo resolverlo mediante los mtodos de solucin disponibles; en estos casos se
recurre a los modelos de simulacin. Estos difieren de los primeros porque las
relaciones entre la entrada y la salida no se indican en forma explcita.
Aunque se dispongan modelos refinados y exactos, pueden resultar poco prcticos

cuando no se disponen datos confiables . En algunos casos se conocen con certeza
los datos, pero en otros se determinan mediante distribuciones de probabilidad , dando
origen a los modelos estocsticos que contrastan con los modelos determinsticos.
Los clculos para los modelos de simulacin exigen el uso del computador, pues
son casi siempre voluminosos y consumen mucho tiempo, pero se tiene la seguridad
de obtener los resultados buscados. Los clculos para los modelos matemticos
de 10 son normalmente Iterativos, pero no se disponen algoritmos para todos los
problemas; en estos casos, se recurre a mtodos Heursticos.
1.3 EJERCICIOS PROPUESTOS.
1.3.1 Defina y presente ejemplos de los modelos lenicas , Analgicos y Simblicos.
1.3.2 Defina y presente ejemplos de los modelos estocsticos y determinsticos.
1.3.3 Interprete, analice y proponga algn ejemplo para la siguiente aseveracin.

"Aquellas situaciones administrativas para las que no existen modelos, resultan
difciles".
15
2. PROGRAMACiN LINEAL.
Bsicamente , no es otra cosa que el estudio matemtico , de cierta clase de

optimizacin que se aplica siempre que los hechos de una situacin econmica
cumplen con la suficiente aproximacin los postulados matemticos del mtodo.
En sentido matemtico, la programacin lineal estudia la optimizacin de una funcin

lineal sujeta a desigualdades lineales. Por tanto , difiere del tipo de optimizacin
tratado en el clculo diferencial en tres aspectos:
Se ocupa de la optimizacin en sentido amplio.

Considera desigualdades restrictivas en vez de igualdades.
Las restricciones son lineales y no de otra forma ms general.
Las dos primeras diferencias convierten la programacin lineal en un instrumento

ms general y ms eficaz que la optimizacin ordinaria , pero la otra limita su campo
de aplicacin , por lo menos con el desarrollo matemtico que actualmente se tiene .
2.1 EL CAMPO DE LA PROGRAMACiN LINEAL.
Una de las tcnicas de la Investigacin de Operaciones de gran utilidad en la

solucin ptima de problemas es la Programacin Lineal.
16
IN\ I S-II G\C!ON Dr: Ol'rlU( ' IO NES I',\RA I NGEN I ER I,\ S y ,\D~I I N I S -II {'\C I() N DC UIPRE~AS
El problema general de Programacin Lineal fue desarrollado y aplicado por primera

vez en 1947, cuando George B. Dantzing, Marshall Wood y sus investigadores
asociados del Departamento de la Fuerza Area de los Estados Unidos, fueron
encargados de investigar la posibilidad de aplicar tcnicas matemticas a la
programacin militar y a los problemas de planeacin. Dantzing propuso entonces el
modelo que dio origen a la Programacin Lineal: "Las interrelaciones entre las
actividades de una organizacin , fuesen vistas como un modelo lineal y el programa
de optimizacin fuese determinado minimizando una funcin lineal objetiva". Aunque
este enunciado matemtico inicial del problema general de Programacin Lineal , lo
desarroll Dantzing a travs del Mtodo Smplex, casi en forma inmediata se
comenzaron a reconocer los problemas que mediante este modelo admitan solucin
y que an estaban sin resolver; entre ellos vale la pena destacar el Problema del
Transporte presentado por Hitchock y Koopmans y el problema del diseo de
raciones presentado por Stigler.
El avance del uso de la programacin lineal ha permitido desarrollar aplicaciones en

casi todas las reas del campo tecnolgico. La industria , el comercio , la construccin,
el transporte , la agricultura, resultan las ms beneficiadas.
2.2 MODELOS MATEMTICOS DE PROGRAMACiN LINEAL.
Conforme a lo expuesto en la seccin anterior se puede decir que la programacin

linea l se ocupa del estudio de la optimizacin (maximizar o minimizar) de una
func in lineal de varias variables , la cual est sujeta por un conjunto de
inecu aci ones lineales de varias variables . A la funcin que se debe optimizar se le
llama Func in Objetiva , mientras que a las inecuaciones se les llama Restricciones
o Li mitaci ones.
J7
LU IS ALI3ERTO R INCON AI3RIL
2.2.1 Funcin lineal.
La funcin F(Xj ) en las variables X 1, X2, X 3,.... .... ,X n; es lineal , si puede ser
expresada como: F(Xj ) = a1X1 + a2X2 + a3X3 + ........ + anX n
Las siguientes expresiones son lineales:
2.3 ESTRUCTURA GENERAL DEL MODELO MATEMTICO.
De acuerdo con lo expuesto en el numeral anterior, el modelo matemtico de

programacin lineal debe expresarse como:
Opt(Z) = C1X1 + C2X2 + C3X3+ .... .... ...+cnXn

Sujeto a las restricciones:
a11 X1+ a1 2X2 + a1 3X3 + ..... ....... + a1nXn S b 1
a21 X1+ a 22 X2 + a23X3 + .. .. .... ....+ a2nXn S b2
a31X1+ a32X2 + a33X 3 + .. .. .. ... .. .+ a3nX n S b 3
y la condicin de no negatividad :
X>O
J- para todo j = 1, 2, 3,.. .... ,n
En donde:
Xj : Variable de decisin asociada con cada actividad j-sima U=1 ,2,3,... .n) .
18
INVESTI GAC IO N DE O PE RAC ION ES PA R A I NGEN IERI AS y A DMI N ISTR AC ION DE EMPR ESAS
c: Coeficiente de efectividad por unidad para la actividad j-sima U=1,2,... ,n).

b: Cantidad limitante del recurso i-simo (i=1 ,2,3, .. .m).
a : Cantidad de recurso i-simo por unidad de actividad j-sima. Normalmente
reciben el nombre de coeficientes tecnolgicos.
Z: Cuantifica la funcin objeto seleccionada.
2.3.1 Metodologa para obtener el modelo.
Aunque existen varias tcnicas para lograr el modelo matemtico de cada problema
en particular, se recomienda la siguiente para llegar al propsito.
1. Analizar el problema de decisin. Describir la estructura de los valores que el

modelo debe calcular, junto con las limitaciones y el objeto esencial.
2. Describir las variables de decisin. Valores o respuestas que optimizan la

funcin objetiva y que se calcularn mediante la solucin del modelo matemtico.
3. Establecer la Funcin Objetiva. Esto es, construir el modelo que cuantifica el

objetivo del problema y definir el tipo de optimizacin.
4. Establecer las limitaciones. Determinar aquellos items (recursos, subprocesos)

que resultan ser limitantes en el proceso para el que se elabora el modelo y
construir las expresiones que los cuantifican.
2.3.2 Solucin factible.
Es cualquier conjunto de valores positivos para las variables: X 1, X2 , X3 , ... . .... ,X n ; que
cumple cada una y todas las restricciones del modelo matemtico de programacin
Lineal. En caso contrario, es decir, no cumplen la condicin de no negatividad o
algunas de las restricciones, se define como no factible.
19
L U IS ,\ U 3E RTO RI NCON ,\BR IL
2.3.3 Solucin ptima.
Es el conjunto de valores para las variables: X" X2 , X3 , ....... . ,Xn ; que satisfacen el
criterio de factibilidad y optimizan la funcin objetiva del modelo matenltico de
programacin Lineal.
Se observar posteriormente que la metodologa de bsqueda de la solucin ptima

se basa en el anlisis matemtico del conjunto de soluciones factibles para el
programa lineal.
2.3.4 Ejemplos de modelos.
En todos los casos se deja al lector el anlisis de la linealidad de los problemas

propuestos.
Ejemplo 1. Una procesadora de carnes produce 2 tipos de salchichas : I y 11; las

cuales generan una utilidad de 400000 y 500000 $fTon , respectivamente. Una Ton
de salchicha I la obtiene mezclando 0.5 Ton de carne A, 0.3 Ton de carne B y 0.2
Ton entre harina y otros . Una Ton de salchicha II la obtiene mezclando 0.4 Ton de
carne A, 0.4 Ton de carne B y 0.2 Ton entre harina y otros . Tiene capacidad
semanal de adquirir hasta 80 Ton de carne A, 60 Ton de carne B. y 40 Ton entre
harina y otros. Presente un modelo matemtico que permita planear la produccin.
El Problema de decisin. Consiste en calcular las Ton/sem a producir de cada

tipo de salchicha , atendiendo las limitaciones de materia prima para obtener
utilidades mximas .
20
INVEST IG\C ION DE OPERAC IO NES P;\RA INGEN IER I ,\S y ;\D~1INISTRACION DE H IPR ES /\S
Variables de decisin.
X 1 : Ton/sem a producir de salchicha tipo 1.

X2 : Ton/sem a producir de salchicha tipo 11 .
Funcin Objetiva. La funcin objetiva cuantifica el objeto del problema , obtener

utilidades mximas. Max(U) = 400000X 1 + 500000X 2
Restricciones.
La carne A que se usar debe ser ::::: 80 Ton/sem

0.5X 1 + 0.4X 2 ::::: 80
La carne B que se usar debe ser ::::: 60 Ton/sem
0.3X 1 + 0.4X 2 ::::: 60
La harina y otros que se usarn debe ser ::::: 40 Ton/sem
0.2X 1 + 0.2X 2 ::::: 40
Modelo Matemtico de Programacin Lineal.
Funcin Objetiva: Max(U) = 400000X 1 + 500000X 2

0.5X 1 + 0.4X 2 ::::: 80
0.3X 1 + 0.4X 2 ::::: 60
0.2X 1 + 0.2X 2 ::::: 40
X1 , X2 ~ O
Ejemplo 2. Para el ejemplo anterior verificar si cada una de las siguientes

alternativas es Solucin Factible .
21
L U I S 1\l.Ilr.RTO RI NCON ,\I1R II .
Produccin de salchichas
Alternativa Tipo I Tipo 11
Propuesta Ton/sem Ton/sem
1 O O
2 40 60
3 70 80
4 90 90
5 80 90
6 90 80
ALTERNATIVA 1. Con los valores para las variables de decisin , X 1 = O Y X2 = O,

equivale a no producir. Al reemplazar estos valores en las restricciones , verifica a
cada una de ellas; por tanto se trata de una solucin factible para el problema.
ALTERNATIVA 2. Valores para las variables de decisin , X 1 = 40 Y X2 = 60. Al

reemplazarlos en las restricciones , verifica a cada una de ellas; por tanto se trata
de una solucin factible para el problema. Con estos valores la funcin objetiva
toma el valor U = 46000000, que define para esta alternativa , la utilidad a obtener
en $/sem. Analizando la primera restriccin , se observa que de las 80 Ton/sem de
carne A disponibles s lo se usaran 44, es decir, se tendra un excedente (holgura)
de 36 Ton/sem de carne A. Igualmente se tienen excedentes (holguras) de 24
Ton/sem de carne By 20 Ton/sem de harinas.
ALTERNATIVA 3. Valores para las variables de decisin. X 1 = 70 y X2 = 80. Estos

valores verifican cada una de las restricciones , por tanto es una Solucin factible
para el problema. Con estos valores la funcin objetiva toma el valor U = 68000000
$/sem. Analizando la primera restriccin , se observa que de las 80 Ton/sem de
carne A disponibles slo se usaran 67 , es decir, se tendra un excedente (holgura)
de 13 Ton/sem de carne A. Igualmente se tienen excedentes (holguras) de 7
Ton/sem de carne By 10 Ton/sem de harinas.
22
INVEST Il,AC ION DE OPE RAC IONES PA RA ING EN IERI AS y ADM IN ISTR AC ION DE EMPRESAS
ALTERNATIVA 4. Valores para las variables de decisin (por los excedentes

calculados en la alternativa 3), X 1 = 90 Y X2 = 90. No verifican las dos primeras
restricciones, por tanto se trata de una solucin no factible para el problema.
Significa que esta empresa no puede producir bajo esta alternativa con las
materias primas disponibles.
Ejemplo 3. Desarrollar un modelo matemtico para decidir cuntas toneladas de

acero puro y chatarra se deben utilizar en la preparacin de una aleacin para un
cliente; si el costo por Ton es de $ US 600 para el acero y $ US 300 para la
chatarra. El cliente requiere mnimo 50 toneladas de la aleacin. La empresa
dispone de 70 y 40 Ton de acero y chatarra. La relacin entre la chatarra y el acero
no pueden superar los 7/8. La compaa dispone de 120 horas para este trabajo.
Derretir y fundir una Ton de acero exige 2 horas y la chatarra 3 horas.
El Problema de decisin . Consiste en calcular las Ton de acero y chatarra que se

usarn en la produccin de la aleacin, atendiendo las limitaciones de materia
prima, tiempo y tipo de aleacin para obtenerla a un costo mnimo.
X1 : Ton de acero a mezclar.

X2 : Ton de chatarra a mezclar.
Funcin Objetiva. La funcin objetiva cuantifica el costo total de la aleacin .
Min(C) = 600X 1 + 300X 2
Restricciones.
De la aleacin , el cliente requiere ~ 50 ton
23
I.lIIS ,\ 1 B !. RTO RINCON ,\I3RIL
X1 + X2 2 50
De acero se mezclarn ::; 70 Ton
X1 ::; 70
De chatarra se mezclarn ::; 40 Ton
X2 ::; 40
El tiempo para la produccin ::; 120 horas
2X 1 + 3X 2 ::; 120
La relacin chatarra/acero ::; 7/8
7X 1 - 8X 2 2 O
Funcin Objetiva : Min(C) = 600X 1 + 300X 2

X 1 + X 2 2 50
X 1 ::; 70
X2 ::; 40
2X 1 + 3X 2 ::; 120
7X 1 - 8X 2 2 O
Ejemplo 4. FRUCONS compra 3 clases de tomates: A, B, C para producir SALSA

DE TOMATE. Por calidad la salsa debe contener al menos el doble del tomate
clase A que B y al menos la misma cantidad de B que C. Sus proovedores de
materia prima (tomate) suministran hasta 24 , 15 Y 12 Ton/semana de tomate clase
A, By C; las cuales la compaa paga a 120000, 90000 Y 72000 $fTon de contado ,
habiendo presupuestado para ello $7200000 semanalmente . El proceso es tal que
20% del tomate clase A, 30% del tomate clase B y 40% del tomate clase C se
24
INVEST IGAC ION DE OPERAC IONES PARA I NGEN I ER I AS y ,\DM IN IST RAC ION D E EMPRESAS
convierte en salsa de tomate. Cmo se puede lograr el mayor rendimiento en la

produccin ?
El Problema de decisin. Consiste en calcular las Ton de cada clase de tomate

que se usarn en la produccin de la salsa , atendiendo las limitaciones de calidad ,
materia prim a y costo para generar rendimiento mximo.
X 1 : Ton/semana de tomate A.
X2 : Ton/semana de tomate B.
X3 : Ton/semana de tomate C.
Funcin Objetiva . La funcin objetiva cuantifica el rendimiento en la produccin .
Max(R) = O.2X 1 + O.3X 2 + 0.4X 3
Restricciones.
Cantidad de tomate A ~ Doble de la cantidad de tomate B

X 1 - 2X2 ~ O
Cantidad de tomate B ~ Cantidad de tomate C
X2 - X3 ~ O
Cantidad de tomate A ::; 24 Ton
X1 ::; 24
Cantidad de tomate B ::; 15 Ton
X2 ::; 15
Cantidad de tomate C ::; 12 Ton
X3 ::; 12
2S
LUIS ALBERTO RINCON ABR IL
El Costo total ~ $ 7200000

12000X 1 + 90000X 2 + 72000X 3 ~ 7200000
Funcin Objetiva: Max(R) = 0.2X 1 + 0.3X 2 + 0.4X 3

X 1 - 2X 2 :2 O
X2 - X3 :2 O
X1 ~ 24
X2 ~ 15
X3 ~ 12
12000X 1 + 90000X 2 + 72000X 3 ~ 7200000
Xj :2 O
Ejemplo 5. Una industria productora de muebles fabrica mesas, sillas , escritorios

y libreros utilizando dos tipos diferentes de maderas A y B; de las cuales dispone
de 3600 y 2000 pies 2 respectivamente. Cada mesa, silla, escritorio y librero
requieren 5,1,9 Y 12 pies 2 de madera tipo A y 2, 3, 4 Y 3 pies 2 de madera tipo B.
Cuenta con 1200 horas hombre para este trabajo . Para la fabricacin una mesa
requiere 3 horas hombre, una silla 2, un escritorio 5 y un librero 10. Los pedidos le
exigen una produccin mnima de 40 mesas , 130 sillas, 30 escritorios y no ms de
10 libreros. Las utilidades se estiman en $18000 por mesa, $ 7500 por silla,
$22500 por escritorios y $27000 por librero. Cuntos muebles de cada tipo debe
producir para obtener las mayores utilidades?
El Problema de decisin . Consiste en calcular el nmero de unidades de cada

tipo de mueble que debe fabricarse , atendiendo las limitaciones de materia prima,
mercadeo y capacidad de planta para obtener utilidades mximas.
26
IN\TS'II(; ,\C!ON DE OPER ,\CIONES PARA INCEN IERI AS y , \I)~I I N I STR /\CION DE E~ IP RES . \S
X, : Nmero de mesas.
X2 : Nmero de sillas,
X 3 : Nmero de escritorios,
X4 : Nmero de libreros.
Funcin Objetiva . La funcin objetiva cuantifica las utilidades generadas en la

produccin de los muebles.
Max(U) = 18000X, + 7500X 2 + 22500X 3 + 27000X 4
Restricciones.
La cantidad de madera A :s: 3600 pies 2

5X, + X2 + 9X 3 + 12X4 :s: 3600
La cantidad de madera B :s: 3600 pies 2
2X, + 3X 2 + 4X 3 + 3X 4 :s: 2000
El tiempo para el trabajo :s: 1200 horas
3X, + 2X 2 + 5X 3 + 10X 4 :s: 1200

La produccin de mesas :c: 40
X, :c: 40
La produccin de sillas :c: 130
X2 :c: 130
La produccin de escritorios :c: 30
X3 :c: 30
La produccin de libreros :s: 10
X4 :s: 10
27
LU IS ALBERTO RINCON ABR I L
Funcin Objetiva : Max(U) = 18000X l + 7500X 2 + 22500X 3 + 27000X4

5X l + X2 + 9X 3 + 12X 4 ::; 3600
2X l + 3X 2 + 4X 3 + 3X 4 ::; 2000
3X l + 2X 2 + 5X 3 + 10X4 ::; 1200
Xl ~ 40
X2 ~ 130
X3 ~ 30
X4 ::; 10
Xj ~ O
2.4 MTODO GRAFICO DE SOLUCiN.
Procedimiento para encontrar solucin a un Programa Lineal que considera

nicamente dos variables de decisin. El mtodo est basado en la graficacin en el
plano cartesiano Xl vs X2 del conjunto de puntos factibles para el modelo propuesto y
en la seleccin del punto que optimiza entre todos los factibles.
2.4.1 Conceptos Matemticos bsicos.
Para la presentacin del mtodo es importante reconocer los siguientes conceptos

conocidos por el lector:
28
INVEST IGAC ION DE OPERAC I ONES P;\I<A INGEN IERI AS y AD~ II N I STRAC I ON DE EM PRESAS
1. AX, + BX 2 = e, correponde a la ecuacin de una recta y divide el plano cartesiano

X, vs X2 en dos semiplanos. La recta hace parte de ambos semiplanos.
2. Todos los puntos de cada semiplano divididos por la recta AX 1 + BX 2 = e, son

solucin nicamente de una de las dos siguientes restricciones: AX, + BX 2 S e
AX, + BX2 :::: c.
3. De tal manera que si un punto (X, ,X 2 ) es solucin de una de las anteriores
restricciones, entonces todos los puntos del semiplano en que est el punto
tambin son solucin y este semiplano es la solucin grfica a la restriccin.
4. La solucin grfica (soluciones factibes) a un conjunto de restricciones es la

interseccin de las soluciones individuales a cada restriccin.
5. La condicin de no negatividad Xi > O para j = 1,2,.. , limita la regin al primer

cuadrante del plano cartesiano.
2.4.2 Regin de soluciones factibles.
La conforman todos los puntos que cumplen la condicin de no negatividad y

verifican a cada una de las restricciones. Por lo tanto la forma de encontrarla consiste
en la aplicacin de los conceptos del prrafo anterior.
Ejemplo de solucin factible grfica. Aplicando los conceptos de la seccin 2.4 .1,
la regin solucin para el siguiente conjunto de restricciones se tiene en la figura 1.
2X,+3X 2 ::; 12 R1
3X, + 2X 2 ::; 12 R2
X, + X2 ;c: 2 R3
XI ;c: O para j = 1,2
El grfico se obtiene trazando las rectas correspondientes a las restricciones R1, R2,
R3 Y ubicando el semiplano solucin para cada una de ellas.
29
L U I S I\ L J3ERTO I{ INCON ABR Il.
Figura 1. Regin de soluciones factibles para las restricciones R1 , R2 Y R3 .
2.4.3 Solucin ptima .
Uno de los teoremas que se presentar para el mtodo Simplex , considera que la
solucin ptima al Programa Lineal coincide con uno de los puntos extremos del
conjunto de soluciones factibles ; por tanto en los programas de dos variables de
decisin , ser necesariamente uno de los vrtices de la regin solucin. As pues,
para encontrar la solucin ptima basta reemplazar cada uno de los vrtices en la
funcin objetiva y observar cul genera el mayor valor en el caso de maximizar o cul
el menor valor en el caso de minimizar.
30
INVEST IG /\C ION DE OPER /\ClONr.S I',\R ,\ INGEN IER I AS y r\D~ II N I STR ,\C I ON DE H I PRES\S
Ejemplo 1. Supngase que la funcin objetiva Max(l ) = 4X l + 3X 2 est sujeta al

conjunto de restricciones cuya solucin grfica es la mostrada en la figura 1.
En este caso los vrtices A, B, C , O se pueden leer directamente, pero el v rt ice E

habr que calcularlo como la interseccin de las rectas para R 1 Y R2, esto es resolver
el sistema de ecuaciones:
2X l + 3X 2 = 12
3X l + 2X 2 = 12
El cual tiene solucin para Xl = 2.4 Y X2 = 2.4. Con esto los vrtices de la regin
estn determinados y son: A = (0 ,4) , B = (0 ,2) , C = (2,0) , 0 = (4,0) Y E = (2.4 ,2 .4).
Se tendr entonces que: l A = 12 , l B = 6 , l c = 8 , l o = 16 Y lE = 16.8. As que
Max(Z) =16.8, que se obtiene para X1 =2.4 Y X2 =2.4.
Ejemplo 2. Suponiendo la funcin objetiva Min(l) = 4X l + X2 , est sujeta al conjunto

de restricciones cuya solucin grfica es la mostrada en la figura 1.
Con la informacin de l ejercicio anterior se tiene que l A = 4, l B = 2 , l c = 8 , l o = 16

Y ZE = 12. As que Min(Z) = 2 Y se obtiene para X1 = O Y X2 = 2.
2.5 MTODO SIMPLEX.
Procedimiento algortmico para encon trar la solucin pti ma de un Programa Li neal.

En el mtodo grfico se vio que la solucin ptima est asociada siem pre con un
punto extremo del espacio de soluciones. El mtodo Simplex est basado
fundamentalmente en este concepto, pues iterativamente co mienza en un pun to
extremo , normalmente el origen , y se desplaza sistemticamente de un punto
extremo a otro hasta encon trar la solucin ptima .
31
LU IS 1\ Ll3E RTO RINCO ABRIL
2.5.1 Forma Matricial del Programa Lineal.
Si para el modelo matemtico general de programacin lineal que aparece en el

apartado 2.3, se definen las siguientes matrices y vectores:
0 11 {l1 2 {I I ~ .. .. . . . . .. 0 1/1
{/ 2 1 {I n {I 23 .......... O 2 /1
A {/ 3 1 0 32 A .1.)
" ....... . .. (l ,
."1
. . . .... . . . . . .. .
0 /1/ 1 {I /l/2 (l /1/3 {I Jll 1
XI b,
X2 bo
X = X -', b = b, e - (c
- I Co C,., cJ
X II bJl
Entonces ste se podr expresar matricial mente como:
= ex
Opt(Z)
sujeto a: AX :s b
x>o
2.5.2 Forma cannica del Programa Lineal.
Consiste en escribir el modelo con la Funcin objetiva para maximizar y todas las
restricciones de la forma S, esto es:
Max(Z) = ex
Sujeto a: AX < b
32
INVESTIGACION DE OPERAC IONES PARA INGEN I ER IAS y ADM IN ISTRAC ION DE EMPRESAS
x > O
Cualquier otra forma equivale a sta , bajo lo siguientes criterios:
Minimizar CX , equivale a Maximizar -CX .
La desigualdad LajX j ~ b equivale a L-ajX j ::; -b
2.5.3 Forma bsica del Programa Lineal.
Consiste en escribir el modelo bajo las normas siguientes:

z - ex = o
AX + X H =b
X ~ o
Siendo XH , una matriz de variables de holgura; el cual se obtiene al introducir en
cada restriccin de la forma cannica , una variable de holgura que cuantificar la
diferencia entre los lados de la desigualdad.
Ejemplo: El siguiente programa lineal tiene solucin ptima para X 1 = 4, X2 = O. Se

construir la forma bsica y se explicar el valor de las variables de holgura.
Max(Z) = 4X 1 + X2
R1 : X1 + X2 <4
R2 : X1 + 2X 2 ~ 6
Xi 2: O para j = 1,2
La forma bsica para el anterior modelo ser:
Z - 4X 1 - X2 =O
R1: X 1 + X2 + X 3 = 4
R2: X1 + 2X 2 + X4 =6
33
1.1 li S ,\'-BERTO RINCON ABR IL
XI .=::O para j = 1,2,3,4
Como Xl = 4, X2 = O; entonces necesariamente X3 = O, X4 = 2. Significa entonces ,

que el recu rso 4 unidades de la restriccin R1 ser usado en su tota lidad , mien tras
que sobrarn 2 unidades del recurso 6 unidades de la restriccin R2.
2.5.4 Fundamentos Matemticos del Algoritmo Simplex.
La fundamentacin matemtica del Algoritmo Simplex requiere de conceptos

rigurosos del algebra lineal , tema que est ms all del alcance de este libro, por ello
algunos de los teoremas que en este apartado se presentarn se dejarn sin
demostrar pero el lector, si as lo desea, puede consu ltar en el texto de TAHA 1 .
2.5.4.1 Solucin bsica factible. Una solucin bsica factible al programa lineal de
la forma bsica con m restricc iones y n+m variables (n de decisin y m de holgura)
es aquella con no ms de m componentes positivas que satisface cada una de las
restricciones .
TEOREMA 1: El conjunto de todas las soluciones factib les de un programa li neal es

convexo.
Demostracin : Sea Max(Z) = CX , sujeto a AX = B, X.=:: O. Si Xa y Xb son 2 soluciones

factibles , entonces: AXa = B, Xa'=:: O y AXb = B, Xb .=:: O.
Definiendo una combinacin convexa entre Xa y Xb como Xc = I1X a + (1 - I1)X b , co n

OSI1S1 y premultiplicando por la matriz A, se obtiene:
AXc = I1 AXa + (1 - p) AXb , esto es: AXc = I1B + (1 - I1)B
I TAHA H., In vestigacin de Operaciones. Ed . Alfaomega. 199 1.
34
IN\'EST IU ,\C ION DE O PER,\C IONES P\ R\ I N(iEN IERI ,\S y \mdI N ISTR \C ION DE EMPR ESAS
Entonces AX c = B, que muestra que cualquier combinacin convexa entre soluciones

da otra solucin .
TEOREMA 2: La funcin objetiva alcanza su mximo en un punto extremo del

conjunto convexo generado por las soluciones bsicas factibles . El anlisis de esta
demostracin se deja al lector
TEOREMA 3: Si la funcin objetiva alcanza su mximo en ms de un punto extremo,

entonces ser mxima para cualquier combinacin convexa de dos de estos puntos
extremos.
Demostracin: Si Xp y Xq son 2 soluciones ptimas tales que Z(X p) = Z(X q ) ~ Z(X k) ;

siendo Xk cualquiera de las dems soluciones factibles. Con base en el teorema 1, se
genera una nueva solucin como la combinacin convexa de las anteriores:
x, = )..lX p + (1 - )..l)X q ,con O S )..l S 1, entonces

Z(X,) = Z()..lX p + (1 - )..l)X q )
Como esta funcin es lineal se obtiene Z(X,) = )..lZ(X p ) + (1 - )..l)Z(X q ), reemplazando

Z(X q ) , se obtiene Z(X,) = )..lZ(X p ) + (1 - )..l)Z(X p) , esto es, Z(X,) = Z(X p)
, 2.5.5 Teora del mtodo Simplex.
Considerando el programa lineal en su forma bsica, ste puede ser escrito como:
Z- ex = o
(A I)X = b
X>O
3S
LU IS ALBE RTO RI NCON ABR IL
Donde X es el vector columna de variables de Decisin y Holgura y (A 1) =S, es una

matriz conformada por la matriz A de coeficientes tecnolgicos e I la matriz idntica.
Si el programa original es de n variables y m restricciones , entonces la matriz S es
de orden m x n+m . Se denota a las columnas de S por a1 , a2, .... ,a n . Esta matriz S se
considera partida en dos matrices: una B con m vectores independientes y otra N con
n vectores dependientes.
La matriz B se llamar la base y cualquier vector aj de S que no est en B, es una

combinacin lineal de los vectores de B; as pues:
Siendo ak vector de B. Como Yj = ( y 1j Y2j Y3j .. .... .. y mJ )1 , entonces, aj = BY j . Como

B tiene inversa se puede escribir Yj = B-1aj.
Las restricciones originales SX = b, pueden ser escritas como : (B N)( X J=b .

.'lB
N
Desarrollando este producto, se obtiene BX s + NX N = b. Haciendo uso de la

definicin de solucin bsica factible se obtiene que X s ~ O Y XN = O, Y la expresin
se convierte en :
BX s = b, esto es, X s = B1b
que es una solucin bsica de SX =b. El vector Xs se le denomina vector bsico y a

XN vector no bsico. Si se parte el vector de costos o precios unitarios e en (es
eN), la funcin objetiva puede escribirse :
36
IN\ I S II ( .\C ION DE O prR .\C ION F S P,\ R,\ I N( l .N II' RI.\S y . \ I) ~ II NIST R . \C I ()N DE E~ II' R I S.\S
Definiendo el vector Zj = es Vj - Zj = LCSk V kj = CS1 V 1j + CS2 V 2j + ..... + CS mV mj y

suponiendo que se inicia con una solucin bsica factible , se debe demostrar que
esta solucin es ptima o que se puede obtener una mejor solucin bsica.
Se supone que se inicia con una solucin bsica factible dada por BX s = b , que
corresponde a un punto extremo de la regin de factibilidad , el cual si no es ptimo,
deb e moverse a un punto extremo vecino con objeto de mejorar la funcin objetiva.
Esto se puede hacer cambiando un vector de la base B por un vector de N. Hay
varias forma s de hacerlo, pero Dantzig 2 fij la teora que justifica el cambio que
garantiza el mejor incremento en la funcin objetiva. Va se haba obseNado que
cua lquier columna al de S (no en B) puede escribirse aj = LVkjak con k = 1, .... ,m.
Supn gase que el vector que sale de B es a r y que la componente Vr de VI es
di ferente de cero . Entonces se tiene aj =LVkjak + Vrjar con k = 1 ,.... ,m y diferente de r.
(/ (/ )/,
Esto es, (/ , = )' '- "L....)' , 'f Y" * O. Por otro lado la solucin bsica factible puede
1/ ,.,
escribirse LakXbk = b , equivale con arX Sr + LakXbk = b para k=1 ,.... ,m y diferente de
X II Y, {[X II
r. Reemplazando a, en ella se obtiene I (X /Il -
y
"
I}
)u , + '
y
JI
'= iJ, que es una
nueva solucin bsica. Examinando ahora qu condiciones debe cumplir esta
solucin pa ra que sea factible. Ella puede reescribirse como Ix + x,(/, = h . En
X Y X
donde se ha definido X, = X - 11", X, = 11, las cuales se requieren
Y" Y" '
positivas. Dado que X Br ~ O, se requiere que Vr > O para que X r ~ O. De otra parte si
todas las Y kl S O para k=1 ,2,.... ,m y k # r, se garantiza que X k ~ O. Sin embargo, qu
, OANTZI G G. B .. Compu tationa l algo rit hm of the revised si mp lex meth od. RANO report RM-1 266.
Cali fornia 1953.
37
L U IS ALBERTO RINCON ,\13R II.
x y
ocurri ra si alguna YkJ < O. Analizando se tiene que X ; - ---.!.' A, ~ O. Y" > O, que
Y"
Xli,
puedo escribir como X ; ~ O. Y" > O, para garantizar que esto se cumpla se
YA, Y"
requiere que X ~ X li, O. Y" > O. De esta condicin slo se puede estar seguro
YA, Y"
cuando la column a que se remueve de la base cumple la siguiente condicin :
Xli, = Menor ( X ; con Y > O)

Y A Y A,
'1 ~I
Lo que significa que al conocer la columna aj de N que debe entrar en la base B,

entonces el vector a remover de B es aquel cuyo cociente XBrlYq para Yq > 0, resulte
ser el menor de todos los posibles cocientes.
Esta regla garantiza que el cambio de un vector de B por otro de N genera una
nueva solucin bsica factible . Como resultado de este cambio se obtiene una
nueva base B que difiere de la base anterior B en un solo vector. Como cada base se
asocia con un extremo de la regin de factibilidad , con el cambio de base el proceso
se ha movido a otro punto extremo XB tal que:
X B = S1b, Z = CBX B
El siguiente anlisis muestra la regla que permite hacer la mejor seleccin del vector
aJ en N que se debe introducir en B. El valor de Z asociado con el punto extremo XB
de la base es Z = CBXB y el asociado con la nueva base X'B ser Z' = C'BX'B. Ya se ha
mencionado que la nica diferencia entre las base B y B' es que se ha sacado el
vector ar y se ha reemplazado por el vector aj de N. Entonces la nica diferencia entre
CB y C'B se encuentra en la r-sima componente, es decir:
38
INVESTI G/\C ION DE O l'lcR/\ C IONES I'\R \ IN(, EN I E RI \ S Y \D ~ II N I S TR AC I ON D E H IPRES/\ S
es = (CS1 CS2 CS3 ..... CS, .... CS m )
e's =(CS1 CS2 CS3 ..... Cj ..... CS m )
Entonces: l = LCSkXk y l' = LCSkXk + cjX,. En Z' el subndice k = 1,2, .... ,m y k # r. Si

X Y e X
en Z' se reemplaza Xk y X, se obtiene T = I c m (X m - ~ ) + -'~ , eon Y'I =F O. El
tJ f
nico trmino faltante en la sumatoria es e/l, (X n, -

X~~
~~- ) = e Ji ,. (X !J, - X Ji, ) = O.
e on
Y"
X Y e X
,
es t e t ermlno, se pue d e escn'b'Ir Z '= "L e X /I! -
"LC m ~Y~-
/JO' "
y- - . con y,,
+ - ,fj, =F O :::::;.
1/ /'1
X
- Z - - n,-
Z '-
y
I ('II!',y + e ,/1,-
X
Y
:::::;. Z '= Z _ X 'J, ~, + e, X n, :::::;. T = Z - ( :: - e ) _
, .1
X
Y
B,
'1 1) Y" Y" r
El anlisis de la ltima expresin conduce a aseverar que se tendr l' :! l cuando
(::, -e) XY,;'" < O, CO/l10

X /I
Y,~ > O:::::;. ;, - e, < O. Se tiene entonces el mayor incremento
para Z' -Z cuando se elige al en N con el ZI - cI ms negativo.
En resumen , el cambio de una base B a otra B' , se obtiene sacando un vector a, de B

y sustituyndolo por un vector al de N; de tal manera que al sea aquel con el ZI - cI
ms negativo y a, cumpla ~ Ji, = M e nor( X con Y > O).

Y , y "
'1 "
TEOREMA 4: La solucin ptima del Programa Lineal de la forma bsica se obtiene

con una solucin bsica factible cuando todos los ZI - cI :! O para todo j.
El anlisis de esta demostracin se deja al lector.
39
L U IS \Lll LRTO RI NCON I\BRIL
2.5.6 Criterio de optimalidad.
El teorema 4 establece las condiciones que debe cumplir una solucin para que sea
la solucin ptima de un programa lineal.
La solucin debe ser bsica factible , esto es X k ~ 0 , para todo k
Zj - Cj ~ 0, para todo j.
2.5.7 Criterios Primal y Dual Simplex.
Definen el cambio de vector a realizar para encontrar la nueva base cuando alguno
de los requisitos del criterio de optimalidad no se cumple.
2.5.7.1 Criterio Primal. Permite mejorar el valor de la funcin objetiva. Debe ser
aplicado cuando se tiene una solucin bsica factible , esto es, Xk ~O, para todo k y
existen algunos ZI - cl < O. Consiste en lo siguiente:
1. Entra en la base aquella variable Xl (vector al) que tiene el ZI - cI ms negativo,

(columna de trabajo).
2. Sale de la base aquel a, que genera el X /1, = Mello/"( X CO II Y > O) , (f'lI a de

Y, Y,
trabajo).
2.5.7.2 Criterio Dual. Permite convertir a factible una solucin bsica no factible. Por
lo tanto debe ser aplicado cada que la solucin bsica obtenida sea no factible .
Consiste en lo siguiente:
1. Sale de la base aquel a, para el que se tenga el XB, ms negativo. (fila de trabajo) .
40
INVESTI(; /\UON DE OPERAC IONES PARA I NGEN I ER I AS y , \I)~ II N I STR I\CION DE E~lPRESAS
2. Entra en la base aquella variable XI (vector a) que tiene el valor
COIl Y" < O), (columna de trabajo).
2.6 ALGORITMO SIMPLEX.
Consiste en el conjunto de pasos secuenciales que deben realizarse dentro del

mtodo Simplex para obtener la solucin ptima para un programa lineal. Aparecen
esquematizados en la figura 2. Los pasos 1 y 2 ya fueron presentados en los puntos
2.5.2 y 2.5.3; por lo tanto se proceder con el anlisis de los dems.
Construir el Tablero
Simplex
Es la solucin
ptima? Definir el Elemento Construir el nuevo
Pivot Tablero Simplex
Si
Tablero final Interpretar la

Simplex solucin
Figura 2. Esquema del Algoritmo Simplex.
41
LU I S 1\I . JlERTO R INCON MlR IL
2.6.1 Tablero inicial Simplex.
Tabla donde la primera fila, llamada zJ - cj, la conforman los correspondientes

coeficientes para la funcin Z - CX de la forma cannica. Las dems filas la
conforman los coeficientes de AX. La ltima columna de esta tabla es el t rmino
independiente de Z - CX = O (es decir O) y el vector b. Mirar la figura 3.
z X, X2 X3 Xn X n+, X n+2 X n +3 X n +m
z(c 1 -C l -C2 -C3 -C n O O O O O
a n +, O all a1 2 a1 3 al n 1 O O O b1
a n +2 O a21 a22 a23 a2n O 1 O O b2
a n +3 O a31 a32 a33 a3n O O 1 O b3
an+m O ami a m2 am3 a mn O O O 1 bm
Figura 3. Forma inicial del Tablero Simplex.
En este tablero la base B esta formada por {a n+l , a n+2 , a n+3 ,....... , a n+m }, mientras
que N la forman {al, a2 , a3 ,.... ... , a n }. Equivale a decir que {X n+1 , X n+2 , X n+3 ,... .. .. ,
Xn+m } son las variables bsicas y que {Xl , X2 , X 3 ,.... ... , X n } son variables no
bsicas . Con esto, cada tablero muestra una solucin bsica al asignar el valor O a
cada variable no bsica , para que las variables bsicas tom en como valor el
correspondiente trmino independi ente . As pues, en este primer tablero se tiene que :
Variables no bsicas: X, =X 2 =X 3 =......... =X =O n
Variables bsicas : X +, =b, , X n+2 =b 2 , X +3 =b 3 , ........... , X + =b

n n n m m
42
INY L STIG,\C ION DE OPERAC IONES PARA INGEN IER I AS y ,\D~ II N I STRAC I ON DE EMPRESAS
2.6.2 Verificacin del criterio de optimalidad.
Cada tablero permite de una manera sencilla observar el cumplimiento o no de este

criterio . Se podr definir si se ha obtenido la solucin ptima o hay que buscar el
elemento pivote que se usar para construir un nuevo tablero (nueva base B).
2.6.3 Elemento pivote.
Cada uno de los criterios primal y dual definieron una fila de trabajo (vector de salida)
y una columna de trabajo (vector de entrada) . Esta posicin de fila y columna en el
tablero determina el elemento pivote. De tal manera que en el siguiente tablero, este
debe pasar a ser 1 y el resto de la columna conformada por ceros.
Nuevo tablero Simplex.
Debe ser obtenido sobre el elemento pivote previamente definido usando el mtodo
de eliminacin de Gauss que se presenta en el apndice A .
2.6.4 Ejemplos con el Algoritmo Simplex.
2 .6.4 .1 Resolver mediante el algoritmo Simplex el siguiente Programa Lineal:
Max(Z) = 6X 1 + 4X 2
2X 1 + 3X 2 S 12
2X 1 + X 2 S 8
X1 ,2 ~ O
Como el Programa Lineal tiene la forma cannica se construye la forma bsica:
Z - 6X 1 - =O
4X 2
2X 1 + 3X 2 + X3 = 12
43
LUIS I\LBERTO RINCON I\BRII _
2X 1 + X2 + X4 = 8
XI ~ O para j = 1,2,3,4
Los tableros Simplex para este programa son los siguientes:
Z X1 X2 X3 X4 b Tablero
Z-c 1 -6 -4 O O O
A3 O 2 3 1 O 12 Inicial
A4 O 2 1 O 1 8
Z--c 1 O -1 O 3 24
A3 O O 2 1 -1 4 Segundo
A1 O 1 Y2 O Y2 4
Z-c 1 O O Y2 5/2 26
A2 O O 1 Y2 Y2 2 Final
A1 O 1 O -1,4 3,4 3
Tablero inicial: Solucin bsica factible pero no ptima, pues Z1 - C1 = -6, Z2 - C2 = -4,
con variables bsicas X3 = 12, X4 = 8 Y variables no bsicas: X1 = X2 = o. Se debe
entonces generar un nuevo tablero (nueva base). De acuerdo con el criterio primal , la
variable X1 (vector a1) entra a la base y el vector a4 sale de la base; el elemento
pivote aparece sealado.
Segundo tablero: La nueva base es {a3 ad. Presenta una solucin bsica factible no
ptima, pues Z2 - C2 = -1 con las variables bsicas X3 = 4, X 1 = 4 Y variables no
bsicas X2 = X4 = o. Se debe entonces generar un nuevo tablero (nueva base). De
acuerdo con el criterio primal , la variable X2 (vector a2) entra a la base y el vector a3
sale de la base; el elemento pivote aparece sealado.
Tablero final : La nueva base es {a2 ad. Presenta la solucin ptima, pues cumple el
criterio de optimalidad, esto es ZI - cI ~ O, para todo j y X Bk ~ O para todo k. Las
variables bsicas X2 = 2, X 1 = 3 Y las variables no bsicas X3 = X4 = O. Adems este
tablero presenta que Max(Z) = 26.
44
l NVrST1(i\C1()N DE OPER/\C10NES P,\Ri\ l NGEN 1ER1 \S y \D~ II N 1 STR\C 10 N DE E~IPRESi\S
2 .6.4.2 Resolver mediante el algoritmo Simplex el sigu ien te Programa Lineal:
Max(Z) = 2X 1 + 5X 2 + 5X 3
X 1 + X2 + X 3 S 60
2X 1 - X 2 S 18
X2 - X3 S 6
XI?: O para j = 1,2 ,3
Como el Programa Lineal tiene la forma cannica se constru ye la forma bsica:
Z - 2X 1 - 5X 2 - 5X 3 =O
X 1 + X 2 + X 3 + X 4 = 60
2X 1 - X2 + X5 = 18
X2 - X3 + X6 = 6
Xi?: O para j = 1,2 ,3,4 ,5,6
Siendo variables de decisin {X 1 ,X 2 ,X 3 } y variables de holgura {X 4 ,X 5 ,X 6 } .
Z X1 X2 X3 X4 Xs X6 b Tablero
Z -c 1 -2 -5 -5 O O O O
a4 O 1 1 1 1 O O 60 Inicial
as O 2 -1 O O 1 O 18
a6 O O 1 -1 O O 1 6
Z-c 1 -2 O -10 O O 5 30
a4 O 1 O 2 1 O -1 54 Segundo
as O 2 O -1 O 1 1 24
a2 O O 1 -1 O O 1 6
Z-c 1 3 O O 5 O 5 300
a3 O % O 1 % O -% 27 Final
as O 5/2 O O % 1 % 51
a2 O Y2 1 O % O % 33
45
El anlisis de los anteriores tableros Simplex muestra:
Tablero inicial: Base {a4 as a6}. Solucin bsica factible pero no ptima, en donde
las variables bsicas X4 = 60 , Xs = 18, X6 = 6 Y las variables no bsicas X 1 = X2 = X3 =
O. Se debe generar un nuevo tablero (nueva base). De acuerdo con el criterio primal ,
la variables X2 (vector a2) Y X3 (vector a3) cumplen la condicin para entrar a la base;
este empate se rompe arbitrariamente entrando a una de ellas X2, entonces el vector
a6 sale de la base; el elemento pivote aparece sealado.
Tablero final: La base final es {a3 as a2}. Es la solucin ptima, pues cumple el
criterio de optimalidad , esto es z - c 2: O, para todo j y X Bk 2: O para todo k. Las
variables bsicas X3 = 27, Xs = 51 , X2 = 33 Y las variables no bsicas: X 1 = X4 = X6 =
o. Adems Max(Z) = 300.
2.6.4 .3 Resolver mediante el algoritmo Simplex el siguiente Programa Lineal :
Min(C) = 2X 1 + 2X2
X 1 + X2 S 12
X 1 + 2X 2 2: 10
3X 1 + 2X 2 2: 12
X1.2 2: O
Forma Cannica Forma Bsica

Max(Z) = -2X 1 - 2X 2, con Z =-C Z + 2X 1 + 2X 2 = O
X 1 + X2 S 12 X 1 + X2 + X3 = 12
-X 1 - 2X 2 S -10 -X 1 -2X 2 +X4 =-10
-3X 1 - 2X 2 S -12 -3X 1 - 2X 2 + Xs = -1 O
X 1.2 2: O XJ -> O para j = 1,2,3,4,5
46
INVESTIGACION DE OPERAC IONES PARA INGEN IER IA S y \D~ II N I STRAC I ON DE EMPRESAS
Las variables de decisin son {X 1 , X2} y variables de holgura son {X 3 , X4 , X 5}.
Z X1 X2 X3 X4 Xs b Tablero
z-c 1 2 2 O O O O
a3 O 1 1 1 O O 12 Inicial
a4 O -1 -2 O 1 O -10
as O -3 -2 O O 1 -12
z-c 1 O 2/3 O O 2/3 -8
a3 O O 1/3 1 O 1/3 8 Segundo
a4 O O -4/3 O 1 -1/3 -6
a1 O 1 2/3 O O -1 /3 4
z-c 1 O O O % % -11
a3 O O O 1 1,4 1,4 13/2 Final
a2 O O 1 O -% 1,4 9/2
a1 O 1 O O % -% 1
Tablero inicial: Base inicial {a3 a4 a5}. Solucin bsica no factible , pues se tiene que
las variables bsicas: X 3 = 12, X4 = -10 , X5 = -12 Y variables no bsicas: X, = X2 = O.
Debe entonces generarse un nuevo tablero (nueva base). De acuerdo con el criterio
dual, sale de la base a5 Y entra la variable X 1 (vector a1) ; el elemento pivote aparece
sealado.
Segundo tablero: La nueva base es {a3 a4 a,}. Solucin bsica no factible, pero
menos "infactible" que la anterior, esto es lo que logra el criterio dual. Con variables
bsicas X3 = 8, X4 = -6, X, = 4 Y variables no bsicas: X2 = X5 = o. Debe generarse un
nuevo tablero (nueva base). De acuerdo con el criterio dual, sale de la base a4 y entra
la variable X2 (vector a2); el elemento pivote aparece sealado.
Tablero final: La base final es {a3 a2 a,}. Solucin ptima , pues cumple el criterio de
optimalidad , esto es z - c ~ O, para todo j y X Bk ~ O para todo k. Las variables
47
LlI lS ,\LBrRT O RI NCON ,\13 1<1 1.
bsicas X3 = 13/2, X2 = 9/2, X, = 1 Y variables no bsicas X4 = Xs = o. Adems este

tablero presenta que Min(C) = 11 , puesto que Max(Z) = -11 .
2.6.5 Relaciones vectoriales y matriciales.
Entre los vectores y matrices de los tableros Simplex hay varias re laciones, (algunas
de las cuales se usaron como elementos matemticos en la demostracin del
mtodo) , que se presentarn en esta seccin y que resultan ser de gran importancia
en anlisis de post-optimizacin , tema que se trata en el apartado 2.7.
2.6.6 Definiciones bsicas.
Vector columna y: Conformado por los elementos akJ para la variable XJ en el

tablero inicial.
Vector columna Y: Conformado por los elementos akJ para la variable XJ en el

tablero final.
Vector fila C s: Conformado con los coeficientes de la funcin objetiva en la forma

cannica para las variables de la base final.
Vector fila CN: Conformado con los zJ- cJdel tablero final para las variables de la
base inicial.
Matriz bsica B: Estructurada con los vectores YJ del tablero inicial para la base
final.
Matriz inversa de la bsica B-': Estructurada con los vectores Y del tablero final
para la base inicial.
Aplicando estas definiciones al ejemplo 2.6.4.3 , se tiene:
48
IN\TS11(;/lCION DE OP I i{ ,\C IONES P/lR ,\ I N(;EN I ER I /lS y ,\D~ II N I STR/lCION DE H IPR ESAS
Las matrices B y B-1 cumplen 88- 1 = 8- 1 8 = l.
2.6.7 Relaciones bsicas.
A partir de las definiciones bsicas se pueden definir:
Vector X Sk para el tablero final : Se le llama XSo y se calcula como XSo = B- b, en

1
donde b = XBk para el tablero inicial.
Valor de la funcin objetiva para el tablero final: Z = CsXso Z = CNb

Vector V del tablero final: V = B-1y.
z - c del tablero final: z, - c, = CNy, - c'j, en donde c' es el coeficiente de X en la
funcin objetiva de la forma cannica.
2.6.8 Casos particulares.
2.6.8.1 Inexistencia de solucin. Este caso se presenta cuando no es posible

cumplir con todas las restricciones del programa lineal.
Teorema: Un Programa Lineal carece de solucin cuando existiendo algn XB, < O,
todo los correspondientes a" son positivos.
Demostracin : Si todos los a" ~ O, entonces el vector a, es totalmente positivo, pues

a" son las componentes de a, y el producto a,X k ~ O puesto que Xk ~ O. Con ello la
igualdad a,X k = XB , no es posible.
49
LUIS ALBERT O RINCON ABR IL
Ejemplo: Muestre que el siguiente programa lineal carece de solucin.
Min(C) = 3X l + 2X2
Xl + X2 S 3
2X l + 3X 2 ~ 12
Xl ,2 ~ O
El lector podr fcilmente verificar que este programa carece de solucin , trazando
para ello las restricciones en el plano cartesiano y observando que no existe ningn
punto que verifique las restricciones y la condicin de no negatividad.
Forma Cannica Forma Bsica

Max(Z) = -3X l - 2X 2 , con Z = -c Z + 3X l + 2X2 = O
Xl + X2 S 3 Xl + X2 + X3 = 3
-2X l - 3X 2 S -12 -2X l - 3X 2 + X4 = -12
Xl ,2 ~ O X>O
1- para j = 1,2,3,4
Tableros Simplex para este programa:

z X, X2 X3 X4 b Tablero
Z-C 1 3 2 O O O
A4 O -2 -3 O 1 -12
z-c 1 5/3 O O 2/3 -8
A3 O 1/3 O 1 1/3 -1 Segundo
A2 O 2/3 1 O -1 /3 4
Para este segundo tablero se tiene que X3 = -1, pero en el vector a l = eo 1 *)

todas las componentes son positivas; luego este programa carece de solucin .
2.6.8.2 Soluciones mltiples. De acuerdo con el teorema 3 presentado en el

numeral 2.5.4, este caso se presenta cuando el Programa Lineal genera dos
extremos ptimos y entonces cualquier combinacin convexa de ellos es solucin
ptima.
50
INVESTIG ACION DE OPERAC IONES PARA INGEN I ERI AS y ADM IN ISTRAC ION DE EMPRESAS
Teorema : Cuando se obtiene una solucin ptima a un Programa Lineal en el que

aparece algn Zk - Ck = O para Xk no bsica, entonces este Programa Lineal tiene
soluciones mltiples. Una segunda solucin ptima puede ser encontrada entrando
X k a la base. El anlisis de la demostracin de este teorema se deja al lector.
Ejem plo: Resolver mediante el algoritmo Simplex el siguiente Programa Lineal:
Max(Z) = 4X 1 + 2X 2
X 1 + X2 ~ 8
2X 1 + X2 ~ 12
X1.2 ~ O
Como este Programa Lineal tiene la forma cannica se construye la forma bsica:
Z - 4X 1 - 2X 2 = O
X 1 + X2 + X3 = 8
2X 1 + X2 + X4 = 12
Xj ~ O para j = 1,2,3,4
Tableros Simplex para este programa:
Z X1 X2 X3 X4 b Tablero
z-c 1 -4 -2 O O O
A4 O 2 1 O 1 12
z-c 1 O O O 2 24
A3 O O 112 1 -% 2 Final 1
A1 O 1 % O Y2 4
z-c 1 O O O 2 24
A2 O O 1 2 -1 4 Final 2
A1 O 1 O -1 1 4
51
L U I S A L BERTO RINCON I\BR IL
Para un Mx(Z) = 24 , los tableros final 1 y final 2 presentan soluciones ptimas que
se pueden escribir como:
4
il
.\~ - O 2
d cl .fIll a l I y
IX'1 IX' 1
.1 = d el .fil/u l 2 .
.1 1 2 .\ .1
x" O .\"
Todas las soluciones ptimas pueden ser expresadas como una combinacin
convexa de estas dos soluciones encontradas.
Para que la combinacin sea convexa, el parmetro!l debe cumplir O ~ !l ~ 1.
2.6.8.3 Solucin no acotada. Se presenta cuando las variables de decisin crecen

indefinidamente y con ello la funcin objetiva . Esto slo puede darse en un modelo
terico pues los procesos reales no podrn ofrecer este tipo de circunstancias .
Teorema : Un programa carece de solucin acotada cuando existiendo Z k - Ck < O,
todas las componentes del correspondiente vector Yk son negativas.
El anlisis de este teorema y del siguiente ejemplo se dejan al lector.
Ejemplo: Resolver mediante el algoritmo Simplex el siguiente Programa Lineal :
Max(Z) = 2X 1 + X2
X1 + X2 ~ 4
X 1 - X2 S 2
X1,2 ~ O
52
INVEST IG\C ION DE OPERAC IONES PARA I NGEN I ER I AS y AD~ II N I STR f\C I ON DE EMPRESAS
2.7 ANLISIS POST-PTIMO O DE SENSIBILIDAD.
Una vez se ha obtenido la solucin ptima del problema de Programacin Lineal , es

conveniente realizar un anlisis de sensibilidad . Este consiste en evaluar el impacto
en la solucin derivado de cambios discretos en algunos de los parmetros del
problema. Las magnitudes de estos cambios no siempre son arbitrarias, sino que
obedecen a la necesidad de establecer si es importante evaluar o determinar con
precisin un cierto coeficiente, o si por el contrario una mayor certeza en su valor no
introduce mayores cambios en la solucin obtenida . Esto significa que hay ms en la
Programacin Lineal y en el mtodo Simplex que el slo hecho de obtener la solucin
ptima. Por ejemplo, en un problema de produccin , el costo de una o varias
materias primas podr variar de semana en semana y es , por ende , importante saber
que ocurre con la solucin que se est aplicando, para saber si permanece ptima o
se deben realizar ajustes para llevarla de nuevo a la condicin de optimalidad.
Ciertamente siempre es posible resolver el problema desde el principio , sobre todo si

se posee un programa de computador, sin embargo, es ms sencillo hacer uso de la
informacin contenida en el ltimo tablero y de las relaciones matriciales y vectoriales
del mtodo Simplex explicadas en los prrafos anteriores, para observar rpidamente
la consecuencia de los cambios propuestos. Estas variaciones pueden ocurrir por
cambios en los recursos limitados, costos o precios unitarios, coeficientes
tecnolgicos o por que se consideren nuevas actividades. A continuacin se
presentar como proceder en cada uno de los tres primeros casos.
2.7.1 Cambios en el vector b.
Se deben a cambios ocurridos en algunos de los recursos limitados b (trminos

independientes de las restricciones) . Suponiendo que en el programa original , el
vector b (corresponde a la forma cannica, bsica o XSk del tablero inicial) cambia al
vector b'; entonces para el tablero final correspondiente solamente ocurriran cambios
en XSo y Z, de tal manera que podemos llamarlos X'so y Z' Y calcularlos como :
53
L U I S A L BERTO RI CON AB RIL
X,So -- S-1 b' , z = CsX'SO
Esta nueva solucin puede resultar factible o no factible ; si es el primer caso ser
la nueva solucin ptima . Para el segundo caso , sta ser reemplazada en el
tablero final y se proceder a reestablecer la factibilidad usando el criterio dual.
2.7.2 Cambios en el vector C.
Se deben a cambios ocurridos en algunos de los coeficientes de la funcin objetiva.

Suponiendo que en el programa original, el vector e (corresponde a la forma
cannica) cambia al vector C' porque algunos cJ han cambiado a c'i; entonces para el
tablero final solamente ocurriran cambios en los zi - cj. de tal manera que podemos
llamarlos (zJ- cj)' y calcularlos como:
(Zj - cj)' = C NYj - C 'j
Estos valores se reemplazarn en el tablero final y se procede con el anlisis del

mismo tablero para definir el procedimiento a seguir: restituir al base, la optimalidad o
se trata de la solucin ptima.
2.7_3 Cambios en los coeficientes tecnolgicos Yj.
Se deben a cambios ocurridos en algunos de los coeficientes de las restricciones.

Suponiendo que en el programa original , el vector YI (corresponde a la forma
cannica, bsica o tablero inicial) cambia al vector y'j; entonces para el tablero final
solamente ocurriran cambios en Vi y zJ - cJ. de tal manera que podemos llamarlos V'i
y (zJ- cj)' y calcularlos como:
Y,j = S-1,Y j, ( Zj - cj)' = C NYj - C 'j
S4
INVr:ST I( ,\C ION DE OPERM.' IONES P;\R ,\ INlE I ER I,\S y AD~ II N I S TR /\C I ON DE H I PRES ,\S
Estos valores se reemplazan en el tablero final y se procede al anlisis del mismo

tablero para definir el procedimiento a seguir: restituir al base , la optimalidad o se
trata de la solucin ptima.
2.7.4 Ejemplo de problema de produccin con post-optimizacin.
Una Factora debe producir 3 concentrados (1 , 2, 3) , mezclando 2 materias primas

como muestra la tabla en la pgina siguiente. El costo del proceso es 1 Unidad de
dinero por Ton de concentrado . Las condiciones del mercado le exigen producir:
mnimo 120 Ton en total , al menos 30 Ton de Concentrado 1 y no ms del
concentrado 3 que del 2. Dispone nicamente de 80 Ton de la materia prima A.
Cuntas toneladas de cada concentrado debe producir?
Materias Primas Precio de Venta

Concentrados A B Unid. dinerofTon
1 0.6 0.4 29
2 0.5 0.5 32
3 0.4 0.6 35
Costo materia Prima 20 30
Unidad dinerofTon
Solucion.
Variables De Decisin.
Xl : Ton. a producir de Concentrado 1

X2 : Ton . a producir de Concentrado 2
X3 : Ton. a producir de Concentrado 3
55
LU I S ,\L13ERTO RINCON ABRIl.
Modelo Matemtico Forma Cannica Forma Bsica

Max(Z)=4X , + 6X 2 + 8X 3 Max(Z) = 4X , + 6X 2 + 8X3 Z-4X, - 6X 2 - 8X 3 = O
X, + X2 + X 3 ? 120 -X , - X2 - X3 50-120 -X l -X 2 -X 3 + X4 =-120
Xl ? 30 -X , 50-30 -X l + Xs = -30
X2 - X3 ? O - X2 + X3 S O -X 2 + X3 + X6 = O
0.6X, + 0.5X 2 + OAX 3 S 80 0.6X ,+0 .5X 2+OAX 3 50 80 0.6X ,+0.5X 2+OAX 3 +X l = 80
X>
J- O para J=1 ,2,3 XJ -> O para J=1 ,2 ,3 Xi?' O para J=1 ,2,3,... ,7
Algoritmo Simplex
z X, X2 X3 X4 Xs X6 Xl b Tablero
z-c 1 -4 -6 -8 O O O O O
a4 O -1 -1 -1 1 O O O -120 Inicial
as O -1 O O O 1 O O -30
a6 O O -1 1 O O 1 O O
al O 0.6 0.5 OA O O O 1 80
z-c 1 4 2 O -8 O O O 960
a3 O 1 1 1 -1 O O O 120 Segundo
as O -1 O O O 1 O O -30
a6 O -1 -2 O 1 O 1 O -120 Criterio
al O 0.5 0.1 O OA O O 1 32 Dual
z-c 1 3 O O -7 O 1 O 840
a3 O Y2 O 1 -Y2 O % O 60 Tercero
as O -1 O O O 1 O O -30
a2 O 0.05 1 O -% O -Y2 O 60 Criterio
a7 O 0.15 O O OA5 O 0.05 1 26 Dual
z-c 1 O O O -7 3 1 O 750
a3 O O O 1 -% Y2 Y2 O 45 Cuarto
a, O 1 O O O -1 O O 30
a2 O O 1 O -% % -Y2 O 45 Criterio
a7 O O O O 0.45 0.15 0.05 1 21 .5 Primal
z-c 1 O O O O 16/3 16/9 140/9 9760/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Final
a, O 1 O O O -1 O O 30
a2 O O 1 O O 2/3 -4/9 10/9 620/9
a4 O O O O 1 1/3 1/9 20/9 430/9
S6
INVEST IGAC ION DE OPERAC IONES PARA I NGEN I ER I AS y ADM IN ISTRAC ION DE EMPRESAS
Solucin ptima.
Xl = 30 Ton de concentrado 1.
X2 = 620/9 Ton de concentrado 2.
X3 620/9 Ton de concentrado 3.
X4 = 430/9 Holgura de la restriccin 1
Xs = X6 = X7 = O. Variables no bsicas y de holgura.

UTILIDAD (en unidades de dinero): Max(Z) = 1084.44
Explicacin para los valores de las variables de holgura.
X4 = 430/9 Ton . Por encima de las 120 Ton . mnimas requeridas .

Xs = O. No se producirn excedentes sobre las 30 Ton. de concentrado 1.
X6 = O. De los concentrados 2 y 3 se producir la misma cantidad .
X7 = O. Se utilizar todo el recurso de materia prima A.
Anlisis de Post-Optimizacin.
Matrices y Vectores requeridos.
C u = (8 4 6 O)
a) Cul es la nueva solucin si el total de la produccin debe ser al menos 150 Ton ,
no dispone sino de 120 Ton de materia prima A y las dems limitaciones no cambian.
57
LU I S ,\ L BERTO RINCON A BR IL
- 150
-30
En este caso el nuevo vector /J' = y calculando X 'BO = S-1 b ' se obtiene
O
120
.1'()
30
X 'lJo= 100 y Z' = CBX'BO = 5120/3. Qu e resulta ser factible , por lo tanto es solucin
ptima que se puede interpretar de la siguiente forma :
X1 = 30 Ton de concentrado 1.
X4 = 260/3 Holgura de la restriccin 1
Xs = X6 = X7 = O. Variables no bsicas y de holgura.
b) Cul es la nueva solucin si el total de la produccin debe ser al menos 80 Ton , la

diferencia de produccin entre los concentrados 2 y 3 debe ser al menos 50 Ton , la
cantidad de materia prima A disponible es 40 Ton y las dems limitaciones no
cambian .
El nuevo vector /J '= [=~l => X 'BO = S-1 b ' =[~~;: 1 y z' = =
CBX'BO 880/9. Que resulta
40 -~
.'
una solucin bsica no factible , por lo tanto se reemplazar X Bk =X 'Bo y Z =Z' en el

ltimo tablero.
58
INVr.STI (; ,\C ION DE O I'EI{ \ C IO N ES I',\R J\ I NGEN IER I J\ S y J\ D~ II N I S TR , \ C I ()N DE E~ I PR ES r\S
Z X1 X2 X3 X4 Xs X6 X7 b Tablero
z-c 1 O O O O 16/3 16/9 140/9 880/9
a3 O O O 1 O 2/3 5/9 10/9 -10/3 Nuevo
a1 O 1 O O O -1 O O 30 Tablero
a2 O O 1 O O 2/3 -4/9 10/9 140/3 Final
a4 O O O O 1 1/3 1/9 20/9 -80/3
Este table ro , mu estra que el PROGRAMA LINEAL carece de solucin .
c) Cu l es la nu eva solucin si el precio de venta del concentrado 1 pasa a ser 35

unidades de din ero por Ton .
Para este caso c' 1 =35 - (1 + 0.6*20 + 0.4*30) =10 Y (Z1 - C1)' =- 6
Z X1 X2 X3 X4 Xs X6 X7 b Tablero
z-c 1 O O O O 16/3 16/9 140/9 9760/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Recuperar
O 1 O O O -1 O O 30 La
a2 O O 1 O O 2/3 -4/9 10/9 620/9 Base
a4 O O O O 1 1/3 1/9 20/9 430/9
z-c 1 O O O O -2/3 16/9 140/9 11 380/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Criterio
a1 O 1 O O O -1 O O 30 Primal
a2 O O 1 O O 2/3 -4/9 10/9 620/9
a4 O O O O 1 1/3 1/9 20/9 430/9
z-c 1 O O 1 O O 7/3 50/3 4000/3
as O O O 3/2 O 1 5/6 5/3 3 10/3 Final
a1 O 1 O 3/2 O O 5/6 5/3 400/3
a2 O O 1 -1 O O -1 O O
a4 O O O -Y2 1 O -1 /6 5/3 40/3
La sol ucin ptima qu e se pu ede interpreta r de la siguiente form a :
S9
LU IS ALBERTO RINCON ABRIL
Xl = 400/3 Ton de concentrado 1.

X2 = O Ton de concentrado 2.
X4 = 40/3 Ton . Holgura de la restriccin 1
Xs = 310/3 Holgura de la restriccin 2
X3 = X6 = X7 = O. Variables no bsicas.
2.8 USO DEL COMPUTADOR EN LA PROGRAMACiN LINEAL.
En 1950 aparecen los primeros intentos para dar solucin a programas lineales
mediante el uso de un computador, pero las primeras soluciones acertadas a un
programa lineal en un computador de alta velocidad , solo se obtuvieron en Enero de
1952 con el uso de la mquina SEAC , del National Bureau of Standard . Desde
entonces, el Algoritmo Simplex, ha sido codificado en varios lenguajes de
programacin . El profesional que requiere del uso de la programacin lineal , hoy en
da, en verdad no necesita ms que del diseo del modelo matemtico, pues las
soluciones estn al alcance hasta de los ms pequeos computadores y la eficiencia
de las respuestas de los programas de computador slo dependen de un correcto
diseo del modelo matemtico al problema . La aplicacin de mayor uso actualmente
resulta ser la herramienta SOLVER de EXCEL , la cual se presentar en esta
seccin. Hoy en da, muchos libros sobre Investigacin de Operaciones vienen
acompaados de Software de aplicacin para la solucin de varios problemas . Por
ejemplo el texto de Hillier y Lieberman 3 dispone el OR Courseware con
procedimientos didcticos y aplicaciones para la solucin de varios problemas.
' HILLlER Frederick y LlEBERMAN Gerald, Introduccin a la Investigaci n de Ope raciones. Editoria l
Mc Graw Hi11. 1997. Mxico.
60
INVI STI(; ,\C IO N DI' ()I'I RM ' IONI S P,\R ,\ IN(;I.N II I{L\S y \I )~ IINISTR .\C I()N DE E~IPR r S . \S
Actualmente , una de las aplicaciones para computadores ms importantes para

resolver problemas de Programacin Lineal , Cuadrtica y Entera, se conoce como
LINDO . Desarrollado por Lindo System , apareci en 1979 y desde entonces ha sido
mejorado sucesivamente en diversas versiones que lo han convertido en una
herramienta flexible y sencilla de usar. En 1983 apareci la versin para compatibles
PC con manejo hasta de 60 restricciones y 120 variables. En 1996 sali al mercado
la versin 6.0 para Windows. Antes de que aparecieran Lotus 1-2-3 o Excel , Lindo
haba sido incorporado a la hoja de clculo VisiCalc con el nombre de VINO que
resultaba equivalente al Solver que hoy viene con Excel.
2.8.1 El Software Progralinea l.
Particularmente el autor de estas notas ha tenido la oportunidad de disear varias

versiones de aplicaciones en la solucin de programas lineales para ser utilizados en
4
equipos compatibles IBM PC. La ltima de las cuales, llamado PROGRALlN ,
aprovecha las bondades del entorno Windows y del lenguaje de programacin

Visual Basic. Esta aplicacin permite solucionar programas lineales hasta con 40
variables de decisin y 40 restricciones ; el mismo se encarga de la introduccin y
manejo de las variables de holgura, de la creacin de las formas cannica y bsica.
Permite almacenar el enunciado de los problemas y el correspondiente modelo
matemtico. Dispone de un importante manual de ayudas y slo requiere que el
usuario construya y digite los parmetros del modelo matemtico, esto es, los
valores para e j, b , a j y los smbolos de las desigualdades. Dado que est
"pensado" para utilizarlo didcticamente, presenta paso a paso cada uno de los
tableros Simplex y al final el anlisis matemtico de la solucin.
1 Este programa puede usarse gratuitamente y el lector podr hace r una copia de su instalador por
Internet en la direccion
61
L U IS A LllE ln O R INCON .\I3R 11.
2.8.2 El uso de la herramienta Solver.
La hoja de clculo Excel de Microsoft Office tiene incorporada una poderosa

herramienta , llamada Solver, que permite el manejo de modelos de sistemas
lineales para realizar clculos, entre los cuales aparecen los siguientes:
1. Solucin a sistemas de ecuaciones lineales.

2. Modelos lineales de optimizacin restringida con variables reales .
3. Modelos lineales de optimizacin restringida con variables reales positivas.
4. Modelos lineales de optimizacin restringida con variables enteras .
5. Modelos lineales de optimizacin restringida con variables binarias.
6. Modelos lineales de optimizacin restringida con variables mixtas (reales ,
enteras , binarias).
Los modelos de Programacin Lineal encajan dentro del grupo tres que resue lve la
herramienta Solver, por lo tanto siempre podr ser usada para este propsi to. Se
ilustrar su uso con un ejemplo para el cual ya se haba construdo el modelo
matemtico en la seccin 2.3.4.
Ejemplo. Cuntas toneladas de acero puro y chatarra se deben utilizar en la

preparacin de una aleacin para un clien te; si el costo por Ton es de $ US 600 para
el acero y $ US 300 para la chatarra. El clien te requiere mnimo 50 toneladas de la
aleacin. La empresa dispone de 70 y 40 Ton de acero y chatarra. La relacin entre
la chatarra y el acero no pueden superar los 7/8. La compaa dispone de 120 horas
para este trabajo . Derretir y fundir una Ton de acero exige 2 horas y la chatarra 3
horas .
X 1 : Ton a mezclar de acero.
62
IN\' I.S1 I(;'\UON D I. O I'I.R ,\ClON I S I'/\ R /\ I N(; EN I ER I,\S y '\ D ~ II N I S T R'\C I ON D E H IP RES r\S
X2 : Ton a mezclar de chatarra.
Modelo Matemtico
Funcin Objetiva: Min(C) = 600X 1 + 300X 2
Xl + X2 ~ 50
2X l + 3X 2 ::; 120
7X l - 8X 2 ~ O
Xl ::; 70
X2 ::; 40
Xl , X2 ~ O
Para la solucin de este problema con la herramienta SOLVER de EXCEL, se

puede preparar inicialmente una hoja de trabajo como la que se muestra en la
figura 4. En esta hoja de clculo se dispusieron los siguientes elementos:
Entre las filas uno y 10 se considera una matriz para los parmetros del modelo
matemtico del Programa Lineal. Por ejemplo las celdas B5: E5 pueden leerse
como 1 Xl + 1X2 ~ 50 , que resulta ser la primera restriccin , mientras que las
celdas B 1O:E 10 pueden leerse como 600X l + 300X 2 , que corresponde con la
funcin objetiva.
De la fila 16 a la 24 aparecen definidas las expresiones de clculo para el modelo

matemtico del Programa Lineal. Por ejemplo la celda B20 y C20 evalan por
separado cada uno de los trminos de la segunda restriccin y la celda F20 evala
el lado derecho de esta restriccin. As mismo , la celda F24 evala el valor total de
63
I IIl S \1 Ilf Rl() I<I N("() N M1RIL
la funcin Objetiva . Las celdas B 16:C 16 se han previsto para que Solver escriba
los valores de Xl, X2 , una vez los calcule.
.-
A B I e I oJ E
---- F
MODELO MATEMATICO
-
3 Acero Chatarra Limitacin

4 X1 X2 !
~
5 Aleaci n 1 1 > 50
6 Capacid ad de Trabajo 2 3 < 120
7 Relac i n 7 -8 > O
!----- !
8 ,Dispon ibilidad Acero 1 < 70
9 Di spon ibilidad Chatarra 1 < 40
._- J
10 F.O . Min(Costo) 600 300 !
11
12 --
SOLUCION POR SOLVER
13
14 Acero Chatarra Limitacin
--
~ X1 X2
I
16 Valores obtenidos .1- I
17 Valores mnimos O O
I
I
---
I
18
19 Aleaci n =B5'B$ 16 =C5'C$16 > 50 =SUMA(B19C19)
I 20 -lCapaci dad de Trabajo =B6'B$16 =C6'C$16 < 120 =SUMA(B20 :C20)
121 .Relaci n =B7'B$ 16 =C7'C$ 16 > O =S UMA(B21C21 )
122 Dispon ibilidad Ace ro =B8'B$1 6 =C8'C$16 < 70 =SUMA(B22:C22)
23 Dispon ibilidad Chatarra =B9'B$16 =C9'C$ 16 < 40 =S UMA(B23C23)
24 F.O . Min(Costo) =B10' B$16 =C 10'C$ 16 =S UMA(B24C24 )
25
Figura 4. Hoja de clculo en Excel para el uso de Solver_
Preparada esta hoja de clculo se procede a usar la opcin SOLVER del men de
HERRAMIENTAS de EXCEL y se responde el cuadro de dilogo de la siguiente
forma:
64
INVES-I I(, ,\C ION DE OPER /\C IONES P,\Ri\ I NCiEN IER I i\S y i\D~ II N I STR , \CION DE [~IPRES , \S
D E F
Parmetro, de Solver 11
Cerrar
c- t]. xirno
Cam~ando las celdas
Qpoones" ,
Suietas a las si9uientes restricciones:
tBt16:f.q.16 >= .E;f. 17: f.':t, 17 6gregar, "

f.Ff.1'~ >= tEf.19
f.Ft,20 <= tEt20 ~arnbidr , , , &:-stdblecet todo
.Ff.21 >= tE t ,21
,Ff.22 <= tEt,22
f.Ff.23 <= t,Ef.23 .-J ~irninar
I IUld .-, ./
I I
Figura 5. Cuadro de dilogo de Solver para resolver el ejemplo.
El procedimi ento para contestar este cuadro de dilogo se puede adelantar de la

si gu iente manera:
1. Celda objetivo. Se selecciona la celda que realiza el clculo para la funcin

Objetiva, En este caso F24 .
2. Mximo o Mnimo. Se indica segn el caso .
3. Cambiando las Celdas. Se selecciona las celdas donde Solver escribir los
valores encontrados para las variables .
4. Restricciones. Se utilizan los botones Agregar, cambiar o eliminar para

construir, modificar o eliminar restricciones.
5. Resolver. Una vez se responde el cuadro de dilogo, se pul sa este botn para
que EXCEL presente los resultados sobre la hoja de trabajo , tal como lo
muestra la siguiente tabla:
6S
l .l ' I S !\ I. HI-.RTO RI NCON ,\131' 11.
A B e J D E F
MODELO MATEMATICO
2
3 Acero Chatarra I Limitacin .~
4 X1 X2 ~ ..
5 Aleado n 1 1 ? 50 1
6 Capac idad de Trabaj o 2 3 < 120 -
7 Relacio n 7 -8 > O
8 Dispon ibilidad Acero 1 < 70
9 Dispon ibilidad Chatarra 1 < 40 -
10 F.O. M in (Cos to) 600 300
- l.
.~-
11
I 12 I SO LUCIO N POR SOLVER I
-
13
14 Acero - Chatarra Limitacin
15 X1 X2
16 Valore s obtenidos 30 20
17 Valore s mnimos O O
18
19 Al eacio n 30 -
20 > 50 50
20 Capac idad de Trabajo 60 60 < 120 120
21 Relacio n 210 -160 > O 50
- ~
22 Dispon ib il idad Acero 30 O < 70
23 Dispon ibilidad Chatarra O 20 < 40 20
24 F.O. M in (Cos to) 18000 6000
-
24000
Figura 6. Hoja de clculo en Excel una vez se aplica Solver.
Anlisis de la respuesta de Solver.
1. La fila 16 muestra los valores obtenidos para las variables de decisin; esto es,
30 Ton de Acero y 20 Ton de Chatarra .
2. La fila 20 columnas E y F muestra que se utilizar toda la capacidad de trabajo.
3. La fila 24 indica que el costo mnimo total de preparar la aleacin ser $ US

24000.
66
INVEST I(; ,\CION IlF OPFR ,\C ION lcS !',\RA I N (~E N IERI , \S y , \D~IINISTR;\CI()N DI' r~IPRF S.'\S
2.9 EJERCICIOS Y PROBLEMAS PROPUESTOS.
1. CONCEPTOS TERICOS.
1.1. Presente una aplicacin generalizada de Programacin Lin eal para algn caso,
por ejemplo: Diseo industrial de raciones , Mezcla industrial de productos, Poltica
de prstamos bancarios , Uso y urbanizacin de la tierra , Asignacin de personal,
Asignacin de recursos , etc.
1.2. Cmo se construye el programa dual a partir de un programa primal y que
relaciones existen entre stos?
1.3. Explique la forma en que puede aplicar el anlisis de post-optimizacin con la
herramienta Solver de Excel.
2. MODELOS MATEMTICOS DE PROGRAMACiN LINEAL.
2.1. Una compaa productora de fertilizantes es propietaria de 2 minas que le generan

la materia prima bsica para sus productos. La mina 1 produce semanalmente 10
Ton de materia prima grado A, 30 Ton de materia prima grado By 50 Ton de grado
C. La mina 2 produce 30 Ton de cada grado semanalmente . La compaa, para la
produccin anual de fertilizantes, requiere al menos de 160 Ton grado A y 300 Ton
grado B y no ms de 800 Ton grado C. Los costos de explotacin de las minas son
de 6000 y 4000 $US/semana respectivamente. Cuntas semanas al ao debe
explotar cada mina para cumplir los planes de produccin?
2.2. Una compaa de alquiler de camiones dispone dos tipos de vehculos, el camin A
que tiene 40 pies 3 de espacio refrigerado y 80 pies 3 de espacio no refrigerado; el
camin B tiene 60 pies 3 de cada tipo de espacio. Una procesadora de alimentos
debe transportar 1800 pies 3 de producto refrigerado y 2400 pies 3 de producto no
refrigerado El camin A lo alqui lan a $US 9 el Km y el camin B a $US 12 el Km .
2.2.1. Cuntos camiones de cada tipo deben tomarse en alquil er?
2.2.2. Escriba el modelo matemtico, considerando el alqui ler de Camin C con 100
pies 3 refrigerados a $US 8 el Km?
67
L U I S A LB ERTO RI NCON A BRIL
2.3. Una industria de Aceite y Torta de Soya tiene capacidad para procesar hasta 60
Ton/da de Soya , las que adquiere a $55000 la Ton. Debe suministrar por lo
menos 16 Ton/da de Aceite. La industria usa dos procesos con los siguientes
rendimientos por Ton de Soya:
PRODUCTO PROCESO 1 PROCESO 2

Aceite 0.12 0.15
Torta de Soya 0.80 0.75
Costo de proceso por Ton $12000 $15000.
Para completar los pedidos , esta industria puede comprar Aceite a granel con
otros productores a $205000 la Ton , que le cuesta envasarla $8000 la Ton. La
industria vende Ton. de Aceite a $210000. y Ton. de Torta de Soya a $60000.
Presente un modelo matemtico que permita planificar la produccin en
condiciones ptimas.
2.4. Una imprenta dispone de 1800 tiras de cartulina de 13 pulg de largo. Debe atender
un pedido que le exige cortes de tal manera que disponga al menos 1000 tiras de
7 pulg , 2000 tiras de 5 pulg. La tabla muestra las cantidades de tiras de 5 y 7 pulg
por tira de cartulina de 13 pulg que puede obtener mediante los cortes posibles :
CANTIDAD DE TIRAS DE Desperdicio

CORTES POSIBLES 5 pulg 7 pulg (pulg)
A 2 O 3
B 1 1 1
2.4.1. Cuntas tiras de 13 pulg. debe cortar en las formas A y B para cumplir el
pedido minimizando el desperdicio?
2.4 .2. Bajo la solucin anterior, cuntas tiras de 5 y 7 pulg. obtendr?
2.4 .3. Ser solucin factible cortar 600 tiras en la forma A y 1100 tiras en la forma
B?
2.5. El Departamento de Servicios de un almacn proporciona servicios de reparacin
para los electrodomsticos vendidos. Durante una semana cinco televisores, 12
grabadoras y 18 hornos microondas fueron devueltos para reparacin . Dos
tcnicos (Juan y Pedro) son contratados temporalmente para ayudar en dicho
68
INVEST IGi\C ION DE O PER AC IONES P\RA INGEN I ER I ;\S y c\D~ 1I N I S TR ;\C I ON DE H IPRESAS
departamento. En una jornada de ocho horas Juan puede reparar dos televisores
o 3 grabadoras o 4 hornos , mientras que Pedro puede reparar un televisor o 2
grabadoras o 3 hornos en el mismo tiempo. El salario diario est definido en
$20000 para Juan y $ 15000 para Pedro . Presente un modelo matemtica para
calcular el nmero de horas contratadas para que los costos sean mnimos.
2.6. Una institucin financiera se encuentra en el proceso de formular su poltica de

prstamos para el prximo semestre. Para ese fin se asigna un total de $12000
millones. Debido al tipo de institucin , est obligada a otorgar prstamos a
diversos clientes. La tabla siguiente muestra los tipos de prstamos, las tasas de
inters y la posibilidad de que el prstamo se convierta en irrecuperable o
incobrable.
Tipo de prstamo Tasa de inters Probabilidad de

incobrable
Actividad Aqrcola 15% 0.005
Actividad Industrial 16.5% 0.003
Actividad Comercial 18% 0.01
Vivienda 15% 0.003
Vehculo 21 % 0.006
Se supone que los pagos que no se cubren son irrecuperables y, por lo tanto, no
producen ingresos por concepto de intereses. La competencia con otras financieras
del rea hace que el banco asigne de los fondos totales al menos el 50% para
actividades agrcolas e industriales y los prstamos para vivienda deben ser al
menos el 50% de los asignados a actividades comerciales y compra de vehculos.
Adems , este banco tiene una poltica establecida que especifica que la relacin
global de pagos irrecuperables no puede ser superior a 0.004. Presente un modelo
matemtico que le permita al banco calcular las asignaciones a cada uno de los
tipos de prstamos.
3. SOLUCiN GRFICA.
3.1. Resuelva grficamente los siguientes Programas Lineales .
69
L U IS f\ L BE RTO RINCON ,\BR IL
a) Max(Z) = 12X , + 7X 2 b) Max(Z) = 2.5X, + 3X 2
4X, - 2X 2 S O 6X , + 8X 2 S 120
6X , + 5X 2 S 60 X, + X 2 2: 4
3X, + 4X 2 2: 12 X, S 12
X2 S 8 X 2 S 12
X " X 2 2: O X" X 2 2: O
c) Min(Z) = cX , + cX 2 d) Min(Z) = 6X , + 5X 2
2X , + 3X 2 2: 6 3X , + 2X 2 S 300
X, + X2 s5 2X , + 3X 2 S 300
X, - X2 S 1 X, 2: 50
X" X 2 2: 0 X 2 2: 50
3.2. Resuelva el problema 2.1 de la seccin anterior.

3.3. Resuelva el problema 2.2 de la seccin anterior.
3.4 . Resuelva el problema 2.5 de la seccin anterior.
4 . MTODO SIMPLEX.
4.1. Resuelva los siguientes Program as Lineales .
a) Max(Z) = 24X, + 20X 2 + 30X 3 b) Max(Z) = 3X, + 2X 2 + 3X 3

2X , + X2 + X3 S 24 3X , + 2X 2 + X3 S 60
X, + X2 S 12 2X , + X2 S 24
X, + 2X 3 S 12 X, + X3 S 20
X, ,X2 ,X3 2: O X, ,X2 ,X3 2: O
70
INVrST I(\C ION DE O PER ,\C IONES P,\R ,\ I NCEN IE RI \S y \D~ II N I ST R \C l N DE E~ I P R ES ,\ S
c) Min(C) = 6X, + 5X 2 + 5X 3 d) Min(C) = X, - X 2 + X3

X,+ X2 + X 3 :::: 12 X, + X2 + 2X 3 S 20
X,+ 2X 2 ::: 15 5X, + X3 :::: 120
X2 + 2X 3 ::: 15 X" X2 ,X3 ::::0
X"X 2 ,X3 :::: O
4.2. Resuelva el problema 2.3 de la seccin 2.
4.3. Resuelva el problema 2.6 de la seccin 2.
4.4 . Veh culos SA debe decidir el nmero de autos clsicos , deportivos y

econmicos que ensamblar el prximo semestre si :
~ Las utilidades unitarias que obtendr 2000 , 3000 Y 1500 dlares

respectivamente .
~ De conformidad con las solicitudes de sus concesionarios debe producir al

menos 60 autos clsicos , no ms de 600 autos econmicos, no ms clsicos y
deportivos que econmicos .
~ El proceso de ensamble se hace en tres departamentos. El departamento de

est ampado, tiene capacidad semestral para atender 900 econmicos, 600
deportivos o 600 clsicos. El departamento de mquinas, tiene capacidad
semestral para atender 1000 econmicos , 400 deportivos o 500 clsicos . El
departamento de acabado, tiene capacidad semestral para atender 1200
econmicos, 600 deportivos o 400 clsicos.
4.5 . Suponga que el programa original consiste en producir un volumen X, de una

vacuna A con utilidad 5000 $/Iitro y otro volumen X 2 de vacuna B con utilidad 3000
$/Iitro . Dos limitaciones se consideran en este caso: personal y costo de produccin.
En lo referido a la primera limitacin se dispone hasta de 15 personas , mientras que
en lo segundo se dispone de 10000 $/hora de trabajo . Los coeficientes tecnolgicos
son :
Recurso Vacuna A Vacuna B

Personal 3 5
Costo de Produccin 5000 2000
71
LU IS ALBERT O RI NCON AB RIL
4.5.1. Qu volumen debe producir de cada vacuna para optimizar utilidades?

4.5.2. Suponga que por una depresin econmica el nmero de empleados debe
reducirse a 5 y el costo de produccin a 5000 $/hora. entonces cul es la nueva
solucin?
4.5 .3. Idem anterior para 5 personas y 10000 $/hora.
4.5.4 . Suponga que la utilidad unitaria de la vacuna B se reduce a 1000 $/Iitro.
entonces cul es la nueva solucin?
72
3. PROGRAMACiN ENTERA.
Muchas aplicaciones no se pueden abordar con los mtodos de solucin de la

Programacin Lineal porque tienen el principio de la "no divisibilidad", esto es,
algunas o todas las variables deben tomar valores enteros. Con frecuencia deben
construirse modelos para asignar personas, mquinas o vehculos a las
actividades , en cantidades enteras . Si el problema de exigir valores enteros es la
nica diferencia que tiene un problema con su formulacin en trminos de
Programacin Lineal , entonces se trata de un problema de Programacin Lineal
Entera o simplemente de Programacin Entera. As que el modelo de
Programacin Entera es simplemente un modelo matemtico de Programacin
Lineal que agrega la condicin de que algunas o todas las variables deben ser
enteras.
3.1 QU ES LA PROGRAMACiN ENTERA.
La Programacin Entera es un conjunto de tcnicas de la Investigacin Operativa

que permiten solucin a una variante para el Programa Lineal cuando las variables
de decisin no pueden tomar valores fraccionarios.
Para el modelo de Programacin Lineal se optimiza una funcin sobre una regin
convexa, mientras que en la Programacin Entera se optimiza sobre una regin de
factibilidad que generalmente no es convexa . Por lo tanto , la solucin de
problemas enteros ; resulta ms complicada que la Programacin Lineal.
73
I.L' I." .\ I.I1ERTO RI NCON ABR IL
Es importante anotar que las tcnicas desarrolladas hasta ahora , dentro de la

Programacin Entera, distan mucho de reso lver el 100% de los problemas de
decisin de variable entera .
3.2 PRINCIPALES MODELOS.
Las variantes del modelo de Programacin Lineal, tienen que ver con las
condiciones de valores enteros que tienen que tomar algunas de las variables de
decisin. Los ca sos son los sigui entes.
3.2.1 Problema entero (PE).
Es una variante del Programa Lineal , para el cua l todas las variables de decisin
adems de cumpl ir la condicin de no negatividad deben ser todas en teras. Por
consigu iente el modelo matem tico generalizado es:
"
Oplillli;:o r (Z) =L e,x,
1::.. 1
" <
slIje/o o: LO'l x , ~ h, . pa ra i = 1,2,3 .... .. .. , /1 1
1= 1 -
x, ~ O e/l/ ero , para j = 1,2,3 .. ... /1
Los mtodos de solucin desarrollados para este mode lo son los siguientes .
=> Mtodo de plano de corte .

=> Algoritmo fracciona l de Gomory
=> Algoritmo entero puro de Gomory
=> Mtodo de bifurcacin y acotaci n
74
INV I.ST IG I\C ION DE OPE RAC IONES I'A I<I\ I N(iENIE I<I. \S y M)~ II N I S T R \C I ON DE H IP RESi\S
=> Algoritmo de Land-Doig.
3.2.2 Problema entero mixto (PEM).
En esta variante del Programa Lineal , todas las variables de decisin son positivas
y solamente algunas de ellas deben ser enteras. Por lo tanto el modelo matemtico
generalizado es:
" ,
. (Z) = '"
OJlillli .-or e ,',
r + '"
e J..'J..
r
,=\ , =\
11 11 <
.1/lie IO (/: o" x ,
,=\
+ , =\ p " \' , -~ !J, . po/'{/ i = 1.2,3 .. .... ., /11
x, ~ O po/'{/ .i = 1.2 .3 ...... 11
." ~ O elll e ro . p o /'{/ /.: = 1,2.3 .... , J'
Los mtodos de solucin desarrollados para este modelo son los siguientes .
=> Algoritmo entero-mixto de Gomory

=> Algoritmo de Land-Doig .
3.2.3 Problema entero cero uno o binario (PECU).
Esta variante del Programa Lineal , suele utilizarse para modelar problemas con
actividades que deben o no ejecutarse. Por analogia con el sistema de los
nmeros binarios , las variables de decisin toman un nico valor entero entre O y
1. Esto es, si la actividad no se ejecuta la variable correspondiente toma el valor O,
de lo contrario el valor 1. Por consiguiente el modelo matemtico generalizado es:
75
LUIS ALBERTO RI NCON A BRIL
11
Oprill1i~ar(Z) = L e ,x ,
11 <
slljero a: L a" x , : b" para i = 1,2.3 ........ , 111
,; 1 -
X
J
= O , si la acrividad j /l O es reakada ..
x J = 1 , si la acrividad j es reakada ..
Los mtodos de solucin desarrollados para este modelo son los siguientes.
~ Mtodo de bifurcacin y Acotacin .

~ Mtodo aditivo de Balas.
3.2.4 Ejemplo de Modelo.
Evaluacin de inversiones independientes.
Cuando se tiene la posibilidad de distribuir unos recursos financieros entre varios

frentes de inversin , surge el problema de la Evaluacin de Inversiones
Independientes. Esto tiene que ver con aquellas en las cuales la ejecucin de una ,
no impide la realizacin de otra u otras .
Problema general
Supngase que se tiene una disponibilidad total de dinero K, que puede invertirse
en una o varias de N alternativas posibles ; donde para la alternativa j-sima , se
requ iere I dinero de la disponibilidad total y evaluada su factibilidad se obtiene un
valor presente neto VPN . Se desea , entonces , establecer en cuales alternativas
emplear el dinero total disponible.
76
Modelo.
Se definen como variables de decisin las siguientes :
Xi = O: la alternativa j-sima no ejecuta .

Xi = 1: la alternativa j-sima se ejecuta.
Con ello se puede estructurar el modelo en la siguiente forma:
Encontrar los valores de Xi , para todo j=1 ,2" ... ,n, tal que:
Max(VPNT) = I" VPN j"}

I~ I
"
sujeto a : "L.,; / ,, x , ;<; K
,_1
x, = O ,si la im'ersin j no es rea lizada ..
.\', = 1 ,si la illl'ersilI j es rea kada ..
Como puede observarse , este modelo encaja dentro del grupo de problemas de
programacin entero cero uno (PECU) , por ello se desarrollar alguna tcnica de
solucin para el (PECU) .
Mtodo de solucin.
Dado que este modelo es de una sola restriccin , nicamente se presentar el

mtodo de bifurcacin y acotacin, pues el aditivo de Balas est desarrollado bajo
el supuesto de ms de una restriccin .
77
LU I S 1\L13ERTO RINCON ABR IL
3.2.5 Mtodo de bifurcacin y acotacin.
Producido por Kolesar' con base en Nodos. Supone que un Nodo lleva un ndice J
si la alternativa J se incluye y J* si no se incluye. Un Nodo con ndice (J ,K) significa
que se incl uye la alternativa J y despus la alternativa K, mientras que el ndice
(J *,K) significa que la alternativa J no se incluye pero la K s . Cuando se llega a un
Nodo, se analiza cules no han sido bifurcados y se procede a bifurcar aquel que
resulte ms conveniente para la funcin objetiva . Finalmente entre los Nodos que
presentan solucin factible debe seleccionarse el ptimo .
Ejemplo . Un grupo financiero tiene 5 proyectos ue inversin factibles . Cada

proyecto j:1,2,.. ,5 necesita una inversin Ij millones de dlares , y se ha calculado
para ese proyecto un valor presente neto VPNj millones de dlares. La capacidad
total de inversin es de 91 millones de dlares. El sigu iente Cuadro resume los
datos asociados con cada proyecto.
CUADRO 1. Datos asociados con los 5 proyectos de inversin .
Valor Presente Neto VPN J

Inversin Ij p= ~-
Proyecto j VPN j I J
(Millones $US) J
1 36 54 1.5
2 24 18 0.75
3 30 60 2
4 32 32 1
5 26 13 0.5
El grupo fin anciero debe tomar la decisin de aceptar o rechazar cada proyecto .
Cules proyectos se deben incluir y cu les rechazar con el fin de maximizar el
valor presente neto total?
, KOLE SAR, P .. A Branch and Bound Algorilhm lo r tire Knapsck Problem. Managmenl Science.
Volumen 13. 1982.
78
INVEST I(;AC ION DE OPERAC IONES PARA I NGEN I ERI AS y ADM IN ISTR AC ION DE EMPRESAS
El mtodo requiere que las alternativas se listen en orden descendente respecto

del cociente Pi , que aparece en el cuadro 1, el cual indica los millones de dlares
que se reciben por milln de dlares invertidos. Con ello el Cuadro anterior queda:
CUADRO 2. Cambio de ndice para cada proyecto j.
Indice
Antiguo Nuevo l VPN Pi
3 1 30 60 2
1 2 36 54 1.5
4 3 32 32 1
2 4 24 18 0.75
5 5 26 13 0.5
Obsrvese que el cociente Pi tambin indica los millones de dlares que se dejarn
de recibir por no invertir un milln de dlares en el proyecto j.
El modelo matemtico correspondiente ser entonces:
Max(V) = 60X 1+54X 2 +32X 3 + 18X 4 + 13X s

30X 1 +36X 2 +32X 3 +24X 4 +26X s S 91
Xi = O Xi = 1
Nodo 1: (Anlisis con base en el proyecto 1). Al incluir el proyecto 1, se invierten

30 millones y se reciben 60. Como an quedan 91-30 = 61 millones por invertir, se
selecciona adems el proyecto 2, que consume otros 36 millones , pero rinde 54
millones . An quedan por invertir 61 -36 = 25 millones. Si se incluye el proyecto 3
completo , este consum ira 32 millones , o sea 7 ms de la capacidad total de
inversin . Como esto no es posible y por lo tanto no es una solucin factible , se
asocia a este Nodo valor 60+54+32-7xl =139 que provienen de los retornos de los
79
LU IS ALBERTO R INCON ABR I L
proyectos 1 Y 2 completos y del retomo asociado 32-7xl=25 del proyecto 3, al cual

se le asocia una variable fraccionaria , de all la disminucin 7P3=7xl. Se
acostumbra presentar este anlisis en un Cuadro de la siguiente forma:
CUADRO 3. Nodo (1)
J Ij VPNj Observaciones
1 30 60
2 36 54
3 32 32
Totales 98 146 Solucin no
Exceso -7 -7=-7x1 Factible
91 139
El proyecto 3 excede en 7 millones la disponibilidad para inversin total , por lo que

el retomo total es 7x1 millones menos.
Nodo 1*: (Anlisis de la no inversin en el proyecto 1). Haciendo un procedimiento

similar al punto anterior, se puede conseguir el siguiente Cuadro :
CUADRO 4. Nodo (1 *)
2 36 54
3 32 32
4 24 18
Exceso -1 -0.75=-1 xO. 75 Factible
91 103.25
El proyecto 4 excede en 1 milln la disponibilidad para inversin total , por lo que el

retomo total es 1*0.75 millones menos .
80
INVEST IGACION DE OPE RAC IONES PARA I NGEN I ER I AS y ADM IN ISTRAC ION DE EM PRESAS
A esta altura del problema y analizando la Figura 7, es importante recordar que el

mtodo conlleva el estudio de los nodos no ramificados y la seleccin secuencial ,
entre stos, del mejor valor de la funcin objetiva para proceder a ramificarlo.
Factible Imposible
Figura 7. Diagrama de solucin para el ejemplo.
Con base en lo anterior, entre los nodos no ramificados (1) Y (1 *), se selecciona el
nodo (1) , puesto que 139 > 103.25 Y se procede con el anlisis de los nodos (1 ,2) Y
(1 ,2*).
81
L U IS A L BERTO RINCON A B RI L
CUADRO 5. Nodo (1,2)
1 30 60
2 36 54
3 32 32
Exceso -7 -7=-7x1 Factible
91 139
CUADRO 6. Nodo (1 ,2*)
1 30 60
3 32 32
4 24 18
5 26 13
Exceso -21 -10.5=-21xO .5 Factible
91 112.5
En la Figura 7, para los nodos sin ramificacin (1 *), (1 ,2) Y (1,2*) el que tiene mejor
valor para la funcin objetiva es (1 ,2) puesto que 139 > 103.25 Y 139> 112.5, por lo
tanto se ramificar el nodo (1 ,2) . El algoritmo contina con el estudio de los nodos
(1 ,2,3) Y (1 ,2,3*).
CUADRO 7. Nodo (1 ,2,3)
J I VPN Observaciones
1 30 60
2 36 54
3 32 32
Totales 98 -1000 Solucin
imposible
82
INVf'STIGAC ION DE OPERAC IONES PARA INGEN IER I AS y ADM IN ISTRAC ION DE E~ I PRESAS
Esta solucin , adems de no factible , es imposible porque el nodo (1 ,2,3) indica

que necesariamente se deben incluir esos 3 proyectos , con un monto de inversin
mayor a la capacidad. Como esta solucin es imposible se le asocia un valor a la
funcin objetiva que garantice que no se ramifique, por ejemplo -1000.
CUADRO 8. Nodo (1 ,2,3*)
1 30 60
2 36 54
4 24 18
5 26 13
Exceso -25 -12 .5=-25xO .5 Factible
91 132.5
De los 4 nodos sin ramificacin (mirar Figura 7): (1 *) , (1 ,2*) , (1 ,2,3*) Y (1 ,2,3) , el
nodo (1 ,2,3*) tiene el mejor valor para la funcin objetiva, por lo tanto se ramifica y
se procede con el anlisis de los nodos (1,2,3* ,4) Y (1,2 ,3* ,4*).
CUADRO 9. Nodo (1 ,2,3*,4)
1 30 60
2 36 54
4 24 18
5 26 13
Exceso -25 -12 .5=-25xO .5 Factible
91 132.5
83
LU IS A L BERTO RINCON ABR IL
CUADRO 10. Nodo (1,2,3*,4*)
J J VPN Observaciones
1 30 60
2 36 54
5 26 13
Exceso -1 -0 .5=-1 xO .5 Factible
91 126.5
Ahora en la Figura 7 aparecen 5 nodos sin ramificacin : (1 *) , (1 ,2*) , (1 ,2 ,3) ,

(1,2 ,3*,4) Y (1 ,2,3*,4*). Para ellos el mejor valor de la funcin objetiva est en
(1,2,3* ,4) , por lo tanto se ramifica como: (1 ,2,3*,4 ,5) Y (1,2 ,3*,4 ,5*).
CUADRO 11. Nodo (1,2,3*,4,5)
1 30 60
2 36 54
4 24 32
5 26 13
Totales 116 -1000 Solucin
imposible
Este nodo presenta unas condiciones similares a las ocurridas para el cuadro 7,
por lo tanto la solucin es imposible . El valor, que en el anterior cuadro se asign a
la funcin objetiva, es debido a la solucin imposible.
CUADRO 12. Nodo (1,2,3*,4,5*)
1 30 60
2 36 54
4 24 18
Totales 90 132 Solucin Factible
84
INVEST IG,\C ION DE ()I'ERAC IONES P,\ RI\ INGEN I ER I,\S y I\DM IN ISTR AC ION D E EMPR ESAS
Es obvio, entender que a partir de este momento no se requieren ms

ramificaciones ; por lo tanto se escoge la mejor entre las soluciones factibles , que
resulta ser, entonces , la ptima. En este caso:
Invertir:
30 Millones en el Proyecto 1 (ndice nuevo)

Lo que permitir tener un Max(VPNT)=132 Millones.
Una manera de resumir el anterior proceso, adems de la utilizacin mecnica del

Algoritmo a travs de los Cuadros , es la Figura 7.
Hay que hacer notar que el nmero total de posibles soluciones en este problema
es ~(S)
L. . = 2'
c(J k
.= 32 , de las cuales el proceso de bifurcacin y acotacin
solamente examin 10 de ellas para determinar el ptimo.
El lector podr observar que en la medida que el nmero de proyectos tienda a

crecer, el porcentaje de posibles soluciones, que el mtodo de bifurcacin y
acotacin examina , tiende a bajar, convirtindolo en un algoritmo eficiente.
PROBLEMA.
Para los 4 proyectos independientes del Cuadro 13, se quiere establecer 'la mejor
combinacin de ellos , asumiendo que los Flujos de fondos netos ocurren despus
85
L U IS ,\ I.I3ERTO RI NCON ,\131< 11.
de impuestos , valor de mercado para todos igual a O, tasa mnima despus de

impuestos del 20% y disponibilidad total para invertir de 100 millones de dlares.
CUADRO 13: Datos (Valores en miles de dlares)
PROYECTO
A B C D
Inversin inicial 50000 20000 25000 30000
Flujo de fondos (neto anual) 20000 10000 15000 16000
Vida econmica del proyecto (anos) 14 12 10 8
Solucin :
VPN(A) = 20000(P/A,20%, 14) - 50000 = 42210

VPN(B) = 10000(P/A,20%, 12) - 20000 = 24392
VPN(C) = 15000(P/A,20 % ,10) - 25000 = 37886
VPN(D) = 16000(P/A ,20%, 8) - 30000 = 31393.6
( 1 + i )" - I
Donde el factor: (P I A, i . n ) = - , permite calcular el valor presente neto de
i( 1+ i )"
una anualidad A para n perodos con una tasa de inters peridica i.
Los cuatro proyectos son Factibles , por cuanto el VPN de cada uno de ellos no
sobrepasa la inversin propuesta .
Con base en los ndices calculados los proyectos deben ordenarse en la siguiente
forma :
86
INVEST IC; ,\C ION DE OI'E R!\C IONES I',\ I{ ,\ INl;EN IERI ,\S y ,\ D ~ II N I ST R i\C I ON D E EMPR ESAS
CUADRO 14 . Ordenacin de proyectos
Proyecto j Inversin Ij Valor Presente VPN

(Millones SUS) Neto VPNj fJ = - -'
, I
,
e 1 25000 37886 1.5 154
B 2 20000 24392 1.2 196
D 3 30000 3 1393 .6 1.0465
A 4 50000 422 10 0.8442
Al travs de las tab las siguien tes se usar la tcnica (Al gori tmo) descrita en el
ejemplo anterior.
CUADRO 15. Nodo (1)
1 25000 37886
2 20000 24392
3 30000 3 1393.6
4 50000 422 10
Totales 125000 13588 1.6 Solucin no
Exceso -25000 -2 11 05=-25000xO.8442 Factible
100000 114776.6
CUADRO 16. Nodo (1 *)
2 20000 24392
3 30000 3 1393 .6
4 50000 422 10
Totales 100000 97995.6 Solucin Factible
Analizando la Figura 2, entre los nodos (1) y (1*) , se debe ramificar a (1) y anal izar
(1 ,2) Y (1 ,2*).
87
LU IS I\ Ll lERTO RINCON i\BR IL
CUADRO 17. Nodo (1 ,2)
25000 37886
2 20000 24392
3 30000 3 1393 .6
4 50000 422 10
T otales 125000 13588 1.6 Solucin no
Exceso -25000 -21 105=-25000xO .8442 Factible
100000 11 4776.6
Factible
Imposible
Figura 8. Diagrama de solucin para el problema.
88
INVEST IG /\CION DE OPERAC IONES P,\Ri\ INGEN IER I AS y i\D~ II N I S T RAC I ON DE E~ I P R ESAS
CUADRO 18. Nodo (1,2*)
1 25000 37886
3 30000 31393.6
4 50000 42210
Totales 105000 111489.6 Solucin no
Exceso -5000 -4221 =-5000xO. 8442 Factible
100000 107268.6
Se debe ramificar el nodo (1 ,2) en (1 ,2,3) Y (1 ,2 ,3")
CUADRO 19. Nodo (1,2,3)
1 25000 37886
2 20000 24392
3 30000 31393 .6
4 50000 42210
Totales 125000 135881.6 Solucin no
Exceso -25000 -21105=-25000xO.8442 Factible
100000 114776.6
CUADRO 20. Nodo (1,2,3*)
J VPN Observaciones
1 25000 37886
2 20000 24392
4 50000 42210
Totales 95000 104488 Solucin Factible
Del anlisis de la Figura 8, con base en los valores para la funcin objetiva , es
claro que se debe ramificar el nodo (1 ,2,3) Y proceder a analizar los nodos :
(1 ,2,3,4) Y (1 ,2, 3,4*) .
89
LU IS ,\LBERT O RINCON ,\ BRIL
CUADRO 21. Nodo (1,2,3,4)
J VPN Observaciones
1 25000 37886
2 20000 24392
3 30000 31393.6
4 50000 42210
Totales 125000 136881 .6 Solucin imposible
Este nodo es imposible porque exige tener en cuenta las 4 alternativas , obligando
a sobrepasar la disponibilidad .
CUADRO 22. Nodo (1 ,2,3,4*)
J VPN, Observaciones
1 25000 37886
2 20000 24392
3 30000 31393 .6
Total es 75000 93671 .6 Solucin Factible
De las 3 soluciones factibles , Cuadros 16, 20 Y 22 , (mirar Figura 8) , la ptima

corre sponde al nodo (1 ,2,3*) del Cuadro 20 , que establece realizar las inversiones
1,2,4 que corresponde con los proyectos C, B, A, esto es:
Invertir:
25 millones de pesos en el Proyecto C

20 millones de pesos en el Proyecto B
50 millones de pesos en el Proyecto A
Lo que genera un Max(VPNT) = 104488 millones de dlares .
90
IN\ I S'II (;'\C ION 1)1. 0 1' 11< \C IONES P,\ R,\ ING L N IERI \S y ,\D~ II N I S 'I R,\C ION DE H IPRES ,\S
1, Program acin Entera.
1.1. Use la herramienta Solver de Ex cel para resolver el problema 2.2 de los
camiones con espacio refrigerado y no refrigerado de la seccin 2.9.
1.2. Una empresa de investigacin en Relaciones Industriales debe desarrollar para el

prximo semestre al menos 35 proyectos A (sobre capacitacin de personal) y 36
proyectos B (sobre seguridad industrial). La experiencia muestra que un
profesional en Administracin puede desarrollar en el semestre 7 proyectos A y 9
proyectos B mientras que un Tecnlogo en Administracin puede desarrollar en el
semestre 5 proyectos A y 4 proyectos B. Cada Tecnlogo devenga un salario
men sual de $1800000 y cada profesional 3100000 .
1,2,1. Escriba el modelo matemtico correspondiente ,
1.2.2. Cuntos tecnlogos y profesionales debe dedicar al trabajo del prximo

semestre .
1,3. (Tomado de Taha, Investigacin de Operaciones, Editorial Alfaomega. 1991).

Considere el problema de carga o problema de la mochila . Suponga que se van
a cargar cinco tipos de artculos en un barco. El peso W, el volumen Vj y el
rendimiento R por unidad de los diferentes artculo son los siguientes:
Artculo j 1 2 3 4 5
PesoW 5 8 3 2 7
Volumen VI 1 8 6 5 4
Inqreso R 4 7 6 5 4
El pe so y el volumen mximo que se puede cargar estn dados por 112 y 109
unidades,
1.3.1. Escriba el modelo matemtico correspondiente.
1.3.2. Determine la carga que produce el mayor ingreso.
91
L UIS A LB ERTO RI NCON A J3RIL
1.4. La tabla siguiente muestra que las mquinas 1 y 2 pueden fabricar los artculos A
y B mientras que la mquina 3 nicamente produce el artculo A. La empresa
dispone de una semana para cumplir un pedido de 2000 unidades del artculo A y
1800 unidades del artculo B. Si los precios de venta son 2000 $/ unidad para A y
1500 $/unidad para B.
Costo en $/unidad
Mquina Artculo Artculo Capacidad de
A B produccin semanal
1 1000 800 900 artculo A
900 artculo B
2 600 600 800 artculo A
1200 artculo B
3 700 2000 artculo A

1.4.2. Determine el plan de produccin.
2. Programacin Binaria.
2.1. Use la herramienta Solver de Excel para resolver el problema de los cuatro
proyectos independientes del Cuadro 13 resuelto en este captulo.
2.2. Una compaa debe adquirir al menos 500 Ton de materia prima, tiene las
siguientes ofertas:
Proveedor A B C D E
Cantidad (Ton) 150 200 180 240 300
Costo total (Dlares) 15000 18000 18000 21000 27000
El costo total incluye transporte, seguros y la materia prima. No se pueden adquirir

cantidades parciales. Si se requiere satisfacer las necesidades a costo mnimo:
2.2.2. Cmo deben ser las compras?
92
2.3. CO IC, Contratistas de obras de Ingeniera Civil , tiene la posibilidad de contratar
o no cada uno de los seis proyectos para los cuales se muestra en la tabla
siguiente, los ingresos derivados y los costos globales, los cuales no se pueden
transferir de un rubro a otro. La empresa har los contratos que le signifiquen el
mayor Ingreso neto total.
2.3.2. Determine el plan de contratros.
Costo de (Miles de SUS) Ingreso

Proyecto Alquiler de Mano de Maleriales Otros Total
Maquinaria obra (Miles $ US)
1 100 60 200 20 480
2 60 40 100 10 290
3 40 40 100 10 280
4 120 70 180 20 480
5 20 10 30 8 120
6 60 20 100 15 300
Disponibilidad 310 180 520 70
(Miles de $ US)
93
4. EL PROBLEMA DEL TRANSPORTE .
Una vez Dantzig formula el mtodo Simplex, el problema del transporte se

consolida como una de las primeras y ms provechosas aplicaciones de la
Programacin Lineal. Pero antes de que se llegara a formular el concepto de
Programacin Lineal , fue establecido, formulado y resuelto originalmente por
Hitchcock y posteriormente analizado en detalle por Koopmans . La formulacin de
su modelo de Programacin Lineal y el mtodo sistemtico asociado de solucin ,
fueron producidos inicialmente por Dantzig.
Tiene que ver con encontrar un plan de costo mnimo para transportar una
mercanca desde varios orgenes hasta varios destinos. Este modelo se puede
extender para resolver numerosas aplicaciones que no se relacionan con el
transporte dentro de los problemas de control de inventarios, flujo de efectivo,
asignacin de recursos.
La tcnica de clculo , llamada Algoritmo del Transporte , es una adaptacin del

mtodo Simplex aplicada al caso o estructura particular del modelo de
Programacin Lineal asociado. Aunque el modelo de este problema se puede
resolver mediante el mtodo Simplex , su estructura especial hace posible el uso de
un procedimiento especial o Algoritmo del Transporte , cuya caracterstica ms
notable es que mientras los problemas de Programacin Lineal requieren unos
clculos que exigen con frecuencia el uso de un computador, el problema del
transporte solo "necesita de papel y lpiz para su solucin".
94
INV rS I IG i\CION DE OPERAC IONES P,\Ri\ INGEN IERI \S y i\D~ II N I ST R I \ C I ON 1)1: U IP RES ,\S
4.1 DEFINICiN DEL PROBLEMA DEL TRANSPORTE.
La figura 9 muestra que el problema consiste en calcular el nmero de unidades Xj
que deben enviarse desde cada origen i-simo hasta cada destino j-simo , si el
costo unitario de transporte entre stos es cj y cada destino demanda b j unidades
mientras que cada origen dispone a unidades .
Orgenes Destinos
X 11 , C 11
Figura 9. Representacin grfica del problema del transporte.
4.2 MODELO DEL PROBLEMA DEL TRANSPORTE.
4.2.1 El Problema de decisin.
Calcular el nmero de unidades que se deben enviar desde cada uno de los
orgenes hasta cada uno de los destinos, atendiendo la demanda de los destinos y
las ofertas de los orgenes para minimizar el costo total de transporte.
95
1 1 ' 1\ \1 ;I.I~ 1() 1< 1r>:( '()'\J ,\1l1< 11.
4.2.2 Variables de decisin.
X ij : Cantidad que ser enviada desde el origen i-simo (i=1 , .... ,m) hasta el destino
j-simo (j=1 , .... ,n).
4.2.3 Func in Objetiva.
Expresin matemtica que calcula el costo total de transportar las X ij por cada una
de las rutas i ~j . Se supone que C ij es el costo de transportar una unidad desde el
origen i hasta el destino j,
11 111
M in (C) = IIci Xi
j= l i= l
4.2.4 Restricciones.
Las unidades despachadas desde cada origen i-simo ~ a
X l1 + X 12 + X 13 + ...... + X 1n ::::: a 1
X21 + X22 + X23 + ...... + X2n ::::: a2
11
Esto es: IX
=l
'1 ::; (/ i para i= 1,2, .... ,m
96
IN\ I S II( ;,\CION 111e OI'FRACION I .S 1' ,\1, /\ I N(~ le N II : RI ,\S y i\1)~ II N I STR\CION DI: E~ IPRE S\S
Las unidades despachadas hasta cada destino j-simo ~ bj
111
" X /1 ? b1 para J-
Est o es.. L.. '- 1 ,2 ,.... ,n
,~I
4.2.5 Modelo de Programacin Lineal.
11 111
Mill(C) = c X i
i=1 i=1
11
Sujeto a: X ii ::;
) =1
O para i=1 ,2,.... ,m
111
X I} ?b paraj=1,2 ,.... ,n
;= 1
Xij 2 O para todo i,j
4.2.6 Particularidad.
Aunque para satisfacer totalmente la demanda debe tenerse :La; ~ :Lb j , el algoritmo
de solucin parte de un modelo expresado de tal manera que todas las
restricciones generadas por la oferta y la demanda resulten igualdades. Por lo
tanto:
97
LU IS ,\I.13ERT O RINCON .\13 RI I.
D Si I a > I b se introduce un destino artificial que demande b n+1= I a - I b.

D Si I a < I b se introduce un origen artificial que ofrezca a m+1 = I b - I a .
En ambos casos se puede asignar coeficientes de costos iguales a cero y el

problema se reduce a:
11 111
Min(C) = Ci X i
=I i= 1
1/
X i/ =Oi
Sujeto a: j= 1
111
L X ;i =b j
;= 1
XIJ" -> O
4.3 MTODO DE SOLUCiN DEL PROBLEMA DEL TRANSPORTE.
4.3.1 Tablero para el Algoritmo de solucin.
DESTINOS
ORIGEN ES 1 2 3 n Oferta
1 ~ ~ ~ L L ~ a1
X11 X 12 X13 X1n
2 ~ ~ ~ L L ~ a2
X21 X22 X23 X2n
3 ~ ~ ~ L L .~
a3
X 31 X 32 X 33 X3n
L L L L L L
M ~ ~ ~ L L .~
am
Xm1 Xm2 Xm3 Xmn
Dema nd a b1 b2 b3 bn
98
IN\ ' I: ST ll\C ION DI. O PLR ,\C IONr.S P,\ Ri\ INGEN I ICRI ,\S y ,\D~ II N I STR\ Cl ON DE E ~ I PR ES\S
4.3.2 Solucin inicial.
Existen varios mtodos para obtener una prime ra soluci n bsica factible , pero
entre ellos se destacan: Mtodo de la Esquina Noroeste, Mtodo sucesivo del
menor costo un itario y Mtodo de aproximacin de Vogel.
4.3.3 Mtodo de la Esquina Noroeste.
Se inicia en la esq uina Noroeste , esto es , co n la variable X 11 asignndole el

mayor valor posib le. Sucesivamente se desp laza hacia el Este (derecha) o Sur
(abajo) hasta llega r a la esq uina Sureste asig nando todo el flujo posible.
Significa lo anterior que la primera asignacin se r: X 11 = Menor(a1 , b 1)
4.3.4 Mtodo sucesivo del menor costo unitario.
Se inicia con el Menor(ci ), esto es , a la correspond ien te variable Xii se le asig na el

mayor valor posible. Su cesivamente se procede de esta manera hasta asig nar todo
el flujo po sible .
Significa lo anterior que la primera asignacin ser: Xii = Menor(a i , b) para el

Menor( Ci ).
4.3.5 Mtodo de aproximacin de Vogel.
Es un procedimien to heurstico que suele producir una primera solucin mejor que
los dos anteriore s; pues con frecuencia sta resul ta una so lucin ptima o cercana
a la ptim a. Los pasos del procedimien to son los siguien tes:
99
I 1I 1S 1\ 1 B I RTO RINCON AB RI L
(a) Paso 1. Se calcula una penalizacin para cada fila (y columna) restando el
menor elemento de costo de la fila (columna) del elemento de costo menor
siguiente en la misma fila (columna).
(b) Paso 2 . Se identifica la fila o columna con la mayor penalizacin , los empates
se rompen arbitrariamente. Se asigna el mayor va lor posible en la fila o
columna seleccionada con el costo uni tario ms bajo de la misma .
Sucesivamente se procede de esta manera hasta asignar todo el flujo posible.
Ejemplo. Tres centros de produccin (orgenes) de una misma empresa , ubicados

en sitios diferentes , abastecen cuatro distribuidores (destinos) . La tabla siguiente
muestra los costos unitarios de transporte desde los productores a los
distribuidores , las cantidades ofrecidas por los productores y las demandadas por
los distribuidores. Presente una solucin inicial para realizar los envos , si la
empresa desea optimizar los costos totales del transporte.
DESTINOS
ORIGEN ES 1 2 3 4 Ofe rt a
1 ~ L--- ~ ~ 300
Xl l X12 X13 X14
2 ~ ~ lJJL ~ 500
X2l X22 X23 X24
3 L--- ~ LR ~ 100
X31 X32 X33 X34
Demanda 100 300 300 200
Solucin inicial por la Esquina Noroeste.
Primera asignacin: X ll = Menor(al , b l ) = Menor(300,1 00)= 100

Segunda asignacin: X 12 = Menor(200 ,300)=200
Tercera asignacin: X22 = Menor(500 ,100)=1 00
Cuarta asignacin: X23 = Menor(400 ,300)=300
100
INVESTIGAC ION DE OPERACIONES PAR I\ I NGEN I ER I AS y ADM IN ISTR AC ION DE EMPRESAS
Quinta asign acin : X24 = Menor(1 00 ,200)=1 00

Sexta asign aci n : X33 = Menor(100 ,100)=100
Ahora el flujo de unidades se ha completado tal como lo muestra la tabla siguiente .
DESTINOS
ORIGENES 1 2 3 4 Oferta
1 ~ ~ ~ ~ 300
100 200
2 ~ ~ U---- ~ 500
100 300 100
3 ~ ~ ~ ~ 100
100
Demanda 100 300 300 200
Costo = 20x1 00 + Ox200 + 14x1 00 + 18x300 +40x1 00 + 36x1 00 = 16400
Solucin inicial por el menor costo unitario.
El costo menor se tiene para C1 2 = C31 = O, luego:

Primera asignacin : X 12 = Menor(a1 , b 2) = Menor(300 ,300)=300
Segunda asignacin : X31 = Menor(1 00 , 100)=1 00
El costo menor siguiente es C22 = 14, pero no hay un idades para asignar a X 22
El costo menor siguiente es C23 = 18, luego:
Tercera asignacin ser : X 23 = Menor(500 ,300)=300
Para los costos menores siguientes C11 = 20 , C32 = 28 , C33 = 32 , C34 = 36 , no hay
unidades para asignar a X 11 , X32 , X33 , X34 .
Cuarta asignacin ser: X24 = Menor(200 ,200)=200
Ahora el flujo de unidades se ha completado tal como lo muestra la tabla siguiente .
lOJ
L U IS ALBERT O RINCON ABR IL
DESTINOS
ORIGEN ES 1 2 3 4 Oferta
1 ~ l---- ~ ~ 300
300
2 ~ ~ Ll----- ~ 500
300 200
3 ~ ~ ~ 100
100 l----
Demanda 100 300 300 200
Costo = Ox300 + 18x300 +40x200 + Ox 100 = 13400
4.4 ALGORITMO DEL PROBLEMA DEL TRANSPORTE.
4.4.1 Mtodo de los Multiplicadores.
Basado directamente en el mtodo Simplex mediante el uso de la relacin

existente entre el problema Dual y Primal del modelo de Programacin Lineal.
4.4.2 Mtodo de "salto de piedras".
Es equivalente al anterior, pero se basa indirectamente en el mtodo Simplex

haciendo uso de un procedimiento heurstico que da la sensacin de que no se
aplica una tcnica de Programacin Lineal. Los pasos del procedimiento son los
siguientes :
(a) Paso 1. Se ubica en la tabla el mayor elemento de costo al que se estn

transportando unidades , por ejemplo c pq . Entre los costos unitarios de la fila p y
102
INVES1 IGAC IO N DE OPER AC IONES PA RA ING EN I ER I,\ S y A D ~ I I N I S TR AC I O DE EMPR ES ,\ S
columna q se selecciona el menor, por ejemplo c pr . Significa que se intentarn

ubicar un idades del flujo pq al flujo pr o
(b) Paso 2. Como el elemento de menor costo est en la misma fila p, entonces en
la columna r, se busca un valor X kr > O con costo Ckr .
(e) Paso 3. Se identifica el costo Ckq, que cierra un ciclo tal como lo muestra la
figura 10, para compensar las unidades cambiadas del flujo pq al flujo pr ,
trasladando del flujo kr al flujo kq .
(d) Paso 3. Si ~ C= - C pq + C pr - Ckr + Ckq < O, entonces cambiar el mayor

nmero de unidades posibles segn el flujo de la figura 10.
Este procedimiento se repite sucesivamente hasta que para el paso 1, no sea

posible ubicar un costo menor por fila o columna.
Fi gura 10. Grfica para el cambio de flujo en el tablero de transporte.
Ejemplo. Para el caso de los tres centros de produccin (orgenes) y los cuatro
distribuidores (destinos) tratado en la seccin anterior, prtase de la solucin inicial
encontrada por la esquina Noroeste y obtngase la solucin ptima.
103
LU IS c\LBERTO RINCON f\BR I L
Solucin inicial por la Esquina Noroeste.
DESTINOS
1 L~ ~ ~ 300
100 2 OO L------
2 ~ ~ ~ ~ 500
100 300 100
3 L------ ~ ~ ~ 100
100
Demanda 100 300 300 200
Costo = 20x1 00 + Ox200 + 14x1 00 + 18x300 +40x1 00 + 36x1 00 = 16400
(1,2) (1,4)
- (2,2) (2,4)
~c= - 40 + 14 - O + 22 =- 4
Figura 11. Cambio de flujo de unidades del tablero inicial.
La figura No . 11 muestra que el costo se disminuye en 4 unidades de dinero por

cada elemento que se cambie desde la ruta 2,4 a la ruta 2,2 y se compense
cambiando de la ruta 1,2 a la ruta 1,4. El anlisis de estas rutas en el tablero
anterior presenta la posibilidad de mover 100 unidades de la ruta 2,4 a la ruta 2,2 y
compensar cambiando 100 unidades de la ruta 1,2 a la ruta 1,4. La nueva solucin
aparece en el tablero siguiente .
104
INVESTIG /\C ION DE OPERAC IO ES PARA I NGEN IER I AS y AD~ II N I STRAClON DE EMPRESAS
Segundo tablero
DESTINOS
1
100
l?iL
100 ~ ~
100
~ 300
2 ~ ~ ~ ~ 500
200 300
3 ~ l1.-- LR ~ 100
100
Demanda 100 300 300 200
Costo = 20x1 00 + Ox1 00 + 22x1 00 + 14x200 + 18x300 + 36x1 00 = 16000
(1,1) (1,4)
(3,1) (3,4)
~c= - 36 + O - 20 + 22 = - 34
Figura 12. Cambio de flujo de unidades del segundo tablero.
La figura No. 12 muestra que el costo se disminuye en 34 unidades de dinero por

cada elemento que se cambie desde la ruta 3,4 a la ruta 3,1 Y se compense
cambiando de la ruta 1,1 a la ruta 1,4. El anlisis de estas rutas en el tablero
anterior presenta la posibil idad de mover 100 unidades de la ruta 3,4 a la ruta 3,1 Y
compensar cambiando 100 unidades de la ruta 1,1 a la ruta 1,4. La nueva solucin
aparece en el tablero siguiente.
105
L UIS A I. BE RTO RINCON AB RIL
Tercer tablero
DESTINOS
ORIGEN ES 1 2 3 4 Oferta
~
1
100 ~ ~
200
~ 300
2 ~ ~ l.!--- ~ 500
200 300
3
100 ~ ~ LR ~ 100
Demanda 100 300 300 200
Costo = Ox1 00 + 22x200 + 14x200 + 18x300 + Ox1 00 = 12600

El anlisis sucesivo para los ciclos de los posibles cambios de flujo que
co rrespond en con los costos unitarios C1 4 = 22 , C23 = 18 Y C 22 = 14, conducen a la
conclusi n que no se pueden disminuir los costos , por lo tanto el tablero anterior
presenta la solucin de menor costo total.
SOLUCiN PTIMA:
X 12 =100. Enviar 100 unidades desde el origen 1 al destino 2.

X 14 = 200. Enviar 200 unidades desde el origen 1 al destino 4.
X22 = 200. Enviar 200 unidades desde el origen 2 al destino 2.
X23 =300. Enviar 300 unidades desde el origen 2 al destino 3.
X31 =100. Enviar 100 unidades desde el origen 3 al destino 1.
X 11 = X 13 = X 21 = X24 = X32 = X 33 = X34 =0
Mn(C) =12600
l . Un intermedia rio del mercadeo agropecuari o tie ne soli citu des (demanda) de 4 centros de
acopio por las ca ntidades de un determin ado producto qu e se muestran en la tabla. El
106
INVEST IG ,\C IO N DE OPERAC IONES PA RA INGEN I ERI AS y AD~ II N I ST R AC I ON DE E~ I P R ESAS
intermediario puede conseguir este producto en 2 regiones diferentes y en las

cantidades ofrecidas por los producto res. La tab la muestra , adems de las cantidades
ofrecidas y demandadas, el costo en miles de pesos de transportar una tonelada entre
cada lugar de produccin y cada cent ro de acopio. Si el intermediario considera la
posibilidad de realizar todo el transporte requerido al menor costo posible, cmo debe
hacerlo?
Regin Centros de acopio

Productora 1 2 3 4 Oferta
1 16 20 20 18 2400
2 20 18 26 28 3600
Demanda 1500 1500 1500 1000 (Toneladas)
2. Tres refineras con capacidades diarias mximas de 6, 8 Y 10 millones de galones de

gasolina reparten a cuatro reas de distribucin con demandas diarias de 4, 5, 8 Y 7
millones de galones de combustible. El transporte se hace al travs de una red de
tuberas. El costo del transporte se calcula con base en la longitud de la tubera
aproximadamente a $2 por 100 galones po r kilometro recorrido. La tabla sigu iente
muestra las distancias entre las refineras y las reas de distribucin. La refinera 3 no
est conectada con el rea 1. Si se considera la posibilidad de realizar todo el transporte
requerido al menor casio posible , cmo debe hacerse?
Area de distribucin
Refinera 1 2 3 4
1 120 180 200 180
2 200 300 100 150
3 150 250 100
3. Considere el problema de asignar cuatro categoras diferentes de mquinas y cinco tipos

de tareas de tal manera que las utilidades totales re sulten ptimas. La tabla siguiente
muestra las utilidades unitarias en miles de pesos, el nmero de mquinas disponibles,
el nmero de trabajos en los tipos de tareas . La categor a de mquina 4 no se puede
asignar al tipo de tarea 4.
107
LUIS I\Ll3ERTO RINCON ABR IL
Categora Tipo de tarea Nmero de

de mquina 1 2 3 4 5 Mquinas disponibles
1 20 8 12 30 18 25
2 15 20 30 8 12 30
3 30 15 28 14 30 20
4 40 30 26 16 30
Nmero de 20 20 30 10 25
trabajos
108
5. EL PROBLEMA DE ASIGNACiN
El problema de asignacin puede considerarse un caso especial de aplicacin de

la programacin lineal en el que los elementos asignados son recursos
destinados a la realizacin de actividades. Por ejemplo, los elementos asignados
pueden ser nuevos empleados contratados por la compaa . La asignacin de
personas a tareas es una de las aplicaciones ms frecuentes del problema de
asignacin. Igualmente, los elementos asignados pueden ser mquinas, vehculos,
plantas o lapsos de tiempo.
5.1 MODELO DEL PROBLEMA DE ASIGNACiN.
5.1.1 Problema de decisin.
Determinar cmo asignar cada uno de los elementos (asignados i =1 ,2 ,3, ........ ,n) a
cada una de las actividades (localidades j =1 ,2,3, ..... ,n), de tal manera que a cada
localidad le corresponda uno y un solo asignado si para cada actividad existe un
coeficiente de efectividad y se debe optimizar la efectividad total.
Los problemas de asignacin se ajustan a la siguiente estructura:
~ El nmero de elementos asignados es igual al nmero de actividades .

~ Cada elemento se asigna exactamente a una sola actividad.
~ Cada actividad debe ser realizada por un solo elemento asignado.
109
L U IS ALBERTO RINCON ABRIL
~ Se dispone de coeficientes C ij , que miden la efectividad de asignar el elemento i

= 1,2,... ,n a la actividad j = 1,2, ...,n.
Cualquier problema que satisface todas estas suposiciones se puede resolver en

forma extremadamente eficiente mediante los algoritmos diseados especialmente
para los problemas de asignacin. Las primeras tres suposiciones son muy
restrictivas. Muchos problemas no las cumplen por completo. Sin embargo , con
frecuencia es posible reformular la aplicacin para hacerlo . Se pueden usar
elementos asignados o actividades ficticias.
5.1.2 Var iables de decis in .
El modelo matemtico para el problema de asignacin utiliza las siguientes

variables de decisin :
1. si ({sig ila i ({ lo loca lidac! j } . .

X ={ para I = 1, 2, . . . , n Y J = 1, 2, ... , n.
'1 O. 11 0 ({ sigila i a la localidad j
Entonces , cada X ij es una variable binaria (toma valores O 1) Y el problema de

asignacin , es un caso particular de programacin entera cero-uno .
5.1. 3 Funcin Objetiva.
Corresponde a la funcin que calcula la efectividad total. Debe disponerse del

coeficiente Cij , que mide la efectividad de asignar el elemento i a la localidad j .
Entonces:
110
INVEST IGAC ION DE O PER /\C IONES PARA I NGEN I ER I AS y i\DM IN IST RAC ION DE EM PR ESAS
JI 11
Op t (Z) = Cij X i
j=1 i=1
Las asignac iones para cada elemento = 1

X 11 + X 12 + X 13 + ...... + X 1n 1
X21 + X22 + X23 + .... .. + X2n 1
1/
Esto es: X ij = J
j= 1
para i=1,2,.... ,n
Las asig naciones en cada localidad = 1

X 11 + X2 1+ X31 + ... ... + X n1 1
X 12 + X22 + X32 + .... .. + X n2 = 1
X 1n + X2n + X3n + .... .. + X nn = 1

11
Esto es: I X = 1 pa ra j= 1,2,.... ,n

i=1
j
5.1.5 Modelo de Programacin Lineal.
1/ 1/
Op /(Z) = cij X ij
j=1 i=1
111
LU IS I\ L BERTO RINCON ABRI L
1/
Sujeto a: L X li =]
j=1
para i=1 ,2,.... ,n
11
L Xi =1
;= 1
para j= 1,2, .... ,n
1, si asig /l o i o lo loco lidod j } ..

X - para todo I,J
'1 { 0, /l O {/sig /lo i a lo loca lidod j
El primer conjunto de restricciones precisa que cada asignado realiza exactamente

una asignacin , mientras que el segundo conjunto muestra que se requiere que
cada asignacin sea rea lizada por un asignado.
5.2 MTODO DE SOLUCiN DEL PROBLEMA DE ASIGNACiN .
Al comparar este modelo con el problema del transporte , se observa que sus
estructuras son similares. De hecho, el problema de asignacin es slo un caso
especial de los problemas de transporte en donde los orgenes son los
asignados y los destinos son las asignac iones, tareas o localidades , que
cumple :
~ Nmero de orgenes (m) = nmero de destinos (n) ,

~ Cada oferta a = 1
~ Cada demanda b = 1.
As que para la solucin de este problema se puede recurrir a la Programacin

Entera Cero Uno (PECU) o al Algoritmo del Transporte bajo condiciones
especiales, aunque se han desarrollado algoritmos especiales que simplifican el
procedimiento para la solucin exclusiva de los problemas de asignacin . Estos
algoritmos operan directamente sobre la tabla de coeficientes de efectividad y no
se preocupan por las variables bsicas.
112
INVESTIGAC ION DE OPE RAC IONES P\ RA I NGEN IERI AS y AD~ II N I S TR AC I ()N DE E~ IPR ESAS
Si se recurre a la Programacin Entera , debe escribirse el modelo matemtico y

luego procederse mediante el mtodo de bifurcacin y acotacin o la aplicacin
SOLVER de Microsoft Excel.
Si se recurre al Algoritmo del Transporte, debe partirse del tablero de coeficientes

de efectividad y restricciones , en donde cada una de stas ser ai = 1 o bj = 1;
enseguida encontrar una solucin inicial por esquina noroeste o costos menores
sucesivos y posteriormente usar el mtodo de "salto de piedras" para llegar a la
solucin ptima . En este caso los valores que se asignan a cada Xij tienen que
ser binarios .
Tablero para el Algoritmo de solucin.
Localidades
Asignados 1 2 3 n
1 ls.L ~ lsL L L ~ 1
X11 X 12 X13 X1n
2 ~ ~ ~ L L ~ 1
X21 Xn X23 X2n
3 ~ L52R ~ L L ~ 1
X31 X32 X33 X 3n
L L L L L L
N ~ ~ Ls& L L ~ 1
Xn1 Xn2 X n3 Xnn
1 1 1 1
El siguiente ejemplo se refiere a mquinas que se asignan , de manera que la tarea

en este caso es disponer una mquina.
Ejemplo de asignacin de mquinas a trabajos. Un tal ler ha contratado la

produccin de cuatro piezas y entre sus tornos dispone cuatro con capacidad para
la produccin de las mismas. La tabla siguiente muestra los tiempos de
elaboracin en horas para cada una de las piezas en cada una de las mquinas.
Cmo deben asignarse las mquinas al trabajo para lograrlo en el menor tiempo
posible?
113
L UIS ,\ Lll mTO RI NCON ABR IL
Piezas
Torno P1 P2 P3 P4
T1 26 32 24 18
T2 34 20 34 40
T3 20 14 22 12
T4 18 16 24 14
Solucin. Utilizando el mtodo de los menores costos sucesivos se obtiene la

solucin inicial siguiente:
P1 P2 P3 P4
T1 ~ LR ~ U--- 1
1
T2 ~ ~ ~ ~ 1
1
T3 ~ ~ ~ ~ 1
1
T4 U--- l!-- ~ ~ 1
1
1 1 1 1
Tiempo total de operacin de los Tornos: T =24+34+ 12+ 16 = 86 Horas x Mq
Aplicando el mtodo de "salto de piedras" para el coeficiente de efectividad ms

alto (T2,P1) , se obtiene la siguiente tabla:
P1 P2 P3 P4
T1 ~ LR ~ U--- 1
1
T2 ~ ~ ~ ~ 1
1
T3 ~ L!- lR ~ 1
1
T4 L1--- ~ ~ ~ 1
1
1 1 1 1
IJ4
IN\ ' ES'II(;,\C ION DE OPER ,\C IONES P,\R ,\ INGE IER I,\S y AD~ II N I STRAC I O DE E~ I PRES ,\S
Tiempo total de operacin de los Tornos : T =24+20+ 12+ 18 = 74 Horas x Mq
El anlisis de la tabla anterior, mediante el mismo mtodo, muestra que la anterior

es la solucin ptima; esto es:
Asignar T1 a la actividad de producir la pieza P3.

Asignar T2 a la actividad de producir la pieza P2 .
Asignar T3 a la actividad de producir la pieza P4.
Asignar T4 a la actividad de producir la pieza P1 .
Mn(T) = 74 Horas x Mq.
Se acostumbra resolver este tipo de problemas mediante un Algoritmo especial

que usa la metodologa del ejemplo anterior, nicamente considerando la tabla de
costos , tal como se observa a continuacin.
Piezas
Torno P1 P4
P2 A
T1 26 32 \,24} 18
T2 ( 34) 20 34 4Q
T3 ~ A 22 (12
T4 18 \. 16) 24 14
Piezas
Torno P1 P2 A P4
T1 26 Jg \,24} 18
T2 34 ( 20) 34 4Q.
T3 20 14 22 (12
T4
--
( 18) 16 24 14
liS
LU IS A LBERTO RINCON ABR IL
Ejemplo de asignacin de personas a tareas. Una compaa ha contratado

cuatro nuevos gerentes de marcas para el mercadeo de sus cuatro nuevos
productos. La empresa realiz para estas personas un curso de capacitacin y los
someti a una prueba de rendimiento; los resultados obtenidos, en una escala de O
a 100, se muestran en la siguiente tabla. Si la Presidencia de la Compaa desea
realizar la asignacin de los cuatro nuevos ejecutivos sobre la base de la mayor
evaluacin promedia , cmo debe hacerlo?
Nuevo Producto
Ejecutivo P1 P2 P3 P4
E1 90 60 80 50
E2 90 50 60 50
E3 70 70 50 60
E4 60 70 80 80
Solucin por Algoritmo reducido . En la tabla siguiente se muestra la solucin inicial,

indicando con el smbolo Ellas evaluaciones escogidas o personas asignadas a
cada gerencia de marca . Como el problema consiste en maximizar, se ha usado
sucesivamente , el mtodo de los mayores coeficientes.
Nuevo Producto
E1 90 60 80 50
E2 90
" 50 60 50
E3 70 70
" 50 60 "
E4 60 70 80 80
"
De conformidad con esta solucin inicial, deben hacerse las siguientes
asignaciones:
El Ejecutivo E1 a la gerencia de marca del producto P1 .

El Ejecutivo E3 a la gerencia de marca del producto P2.
11 6
I VrST ll; \C ION DE OPERAC IONES P\Ri\ INGrN IERI \S y \D~ II N I ST R AC I O D E EMPRESAS
Rendimiento promedio = R = )4 (90 + 50 + 70 + 80) = 72 .5

Aplicando el mtodo de "salto de piedras", el P4 se puede asignar a E4 y P3 a E2 ,
puesto que "" RTctal = -50 + 80 - 80 + 60 = + 1O, para obtener la siguiente solucin:
Nuevo Producto
E1 90 60 80 50
E2 90 " 50 60 50
E3 70 70 50
" 60
E4 60 70 "80 80
"
Rendimiento promedio = R = )4 (90 + 60 + 70 + 80) = 75
En la tabla anterior se observa que P3 se puede asignar a E1 y P1 a E2 , puesto

que ""RTctal = -60 + 80 - 90 + 90 = + 20 , para obtener la siguiente solucin:
Nuevo Producto
E1 90 60 80 50
E2 90 50 60 " 50
E3 70 " 70 50 60
E4 60 70
"80 80
"
Rendimiento promedio = R = )4 (80 + 90 + 70 + 80) = 80
El Anlisis de esta tabla por el mtodo de "salto de piedras", conduce a concluir

que sta presenta la solucin ptima , lo cual significa:

117
L U IS ALBE RTO RI NCON I\BRIL

El Ejecutivo E4 a la gerencia de marca de l producto P4.
1. Considrese el problema de asignar la produccin de cuatro artculos diferentes a

cuatro mquinas. La tabla muestra el costo del proceso de producir cada pieza en cada
mquina . El artculo 1 no puede ser asignado a la mquina 3 y el artculo 3 no puede
ser asignado a la mquina 4. Obtenga la asignacin ptima.
Mquina
Artculo 1 2 3 4
1 15 15 6
2 21 12 6 9
3 27 12 15
4 21 6 18 21
2. Hay que asignar cinco vendedores a cinco zonas de venta. La capacidad de venta de
cada vendedor en cada zona en una escala de O a 100, se muestra en la siguiente
tabla . Si se desea realizar la asignacin de los cinco vendedores sobre la base de la
mayor capacidad promedia, cmo se debe hacer?
Zona de Ventas
Vendedor Z1 Z2 Z3 Z4 Z5
V1 80 50 60 20 70
V2 60 50 50 90 80
V3 50 60 70 70 60
V4 40 70 20 80 40
V5 70 20 70 80 80
J J8
6. MODELOS DE REDES
Uno de los problemas ms frecuentes es la aplicacin y anlisis de redes que

surgen a partir de diferentes situaciones. Algunas de las aplicaciones ms
comunes de modelos de redes estn en produccin , distribucin, planeacin de
proyectos , localizacin de instalaciones, administracin de recursos , planeacin
financiera , redes de transporte , redes elctricas y redes de comunicaciones . Esto
es debido a que , una representacin de redes proporciona un panorama general y
una ayuda conceptual para visualizar las relaciones entre las componentes de los
sistemas que se usan .
La metodologa en la aplicacin de los modelos de optimizacin de redes ha

evolucionado ltimamente el desarrollo de la investigacin de operaciones . La
produccin de algoritmos de clculo y las aplicaciones en el rea de ciencias de la
computacin sobre estructuras de datos y la manipulacin eficiente de los mismos,
han generado paquetes de computadora que se estn usando para resolver
problemas muy grandes que no se habran podido manejar hace unas dos
dcadas.
Muchos modelos de optimizacin de redes son problemas especiales de

programacin lineal. El problema de transporte y el problema de asignacin ,
pueden considerarse problemas de optimizacin de redes y se pueden resolver
con la metodologa de redes. Los principales modelos de optimizacin de redes
son:
=> Problema de la ruta ms corta .
=> Problema del rbol de mnima expansin .
=> Problema del flujo mximo.
119
LU IS A LBERTO RINCON AI3 RIL
=> Problema del flujo de costo mnimo.

=> Problema de planeacin y control de proyectos con PERT ("Program Evaluation
and Review Technique" O tcnica de evaluacin y revisin de programas) y
CPM ("Critical Path Method" o mtodo de la ruta crtica) .
En este captulo se presentarn los cuatro primero modelos , el problema PERT-

CPM se trabajar en el prximo captulo .
Ejemplo. Supngase que una persona debe resolver el problema de viajar desde
un origen O hasta un destino final F a lo largo de una ciudad . La figura 13 muestra
las diferentes rutas de autobuses para hacerlo. En cada una de esos caminos
aparece un nmero que indica la longitud del mismo o el costo de escoger dicho
camino o el tiempo empleado en recorrerlo. Si la persona est restringida a viajar
de izquierda a derecha sin devolverse. La pregunta que se debe resolver es: Cul
es la ruta ms corta entre O y F? , en otras circunstancias , Cul es la ruta de
costo o tiempo mnimo entre O y F?
Figura 13. Sistema de vas para el transporte en autobuses de una ciudad .
120
INVEST IGAC ION DE OPERAC IONES PA RA INGEN IERI AS y ADM IN IST R,\C ION DE EM PR ESAS
6.1 TERMINOLOGA DE REDES.
Una red consiste en un conjunto de puntos y lneas, stas unen a los puntos por
parejas. Los puntos se llaman nodos (o vrtices). La red de la figura 13 tiene siete
nodos representados por siete crculos . Las lneas se llaman arcos (o ligaduras ,
aristas o ramas). La red de la figura 13 tiene 13 arcos que corresponden a los 13
caminos de este sistema de transporte de la ciudad. Los arcos se definen con los
nodos terminales ; por ejemplo, AB es el arco entre los nodos A y B en la figura 13.
Los arcos de una red pueden tener un flujo de algn tipo que pasa por ellos , por
ejemplo , el flujo de autobuses sobre los caminos de la ciudad. Un arco dirigido
slo permite el flujo en una direccin. La direccin se indica mediante una cabeza
de flecha . La notacin de un arco dirigido se hace con el nombre de los nodos que
une , colocando primero el nodo de donde viene y despus el nodo a donde va,
esto es , un arco dirigido del nodo A al nodo B debe indicarse como AB A~B . Un
arco de ligadura o no dirigido permite el flujo en ambas direcciones.
Elementos que componen las redes.
NODOS ARCOS FLUJO

Cruces o Estaciones Vas o caminos Vehculos
Aeropuertos Lneas Areas Aviones
Conmutadores Cables o canales Datos o informes
Subestaciones Circuitos elctricos Corriente Elctrica
Mquinas Rutas de produccin Materiales
Estaciones de bombeo Tuberas Fluidos
Una red que slo tiene arcos dirigidos se llama red dirigida. Si todos sus arcos
son ligados , se trata de una red ligada. Si dos nodos no estn unidos por un arco
a veces resulta conveniente saber si estn conectados por una serie de arcos . Una
121
LU IS I\LBERTO RINCON ABR IL
trayectoria entre dos nodos es una sucesin de arcos distintos que conectan
estos nodos. Por ejemplo , la sucesin de arcos OB , BE Y EF conforman una de las
trayectorias que conectan a los nodos O y F en la figura 13. Pero otra trayectoria
es O ~ e~ E ~ F. Una trayectoria dirigida del nodo 1 al nodo j es una sucesin
de arcos con direccin hacia el nodo j, de manera que el flujo del nodo 1 al nodo j
a travs de esta trayectoria es factible . Una trayectoria ligada del nodo 1 al nodo j
es una sucesin de arcos cuya direccin puede ser hacia o desde el nodo j. Un
ciclo es una trayectoria que comienza y termina en el mismo nodo. Dos nodos
estn conectados si en la red existe al menos una trayectoria entre ellos. Una red
es conexa si cada par de nodos estn conectados; por lo tanto, la red de la figura
13, es conexa y dejar de serlo si se suspenden los arcos A ~ B, A ~ D YA ~ F
La capacidad del arco es la cantidad mxima de flujo que puede circular en ste .
En los nodos fuentes , el flujo que sale de ellos excede el flujo que entra. En los
casos contrarios , esto es , el flujo que llega excede al que sale, se tienen nodos
demandas. En un nodo de transbordo o intermedio, el flujo que entra es igual al
que sale .
6.2 PROBLEMA DE LA RUTA MS CORTA.
Para el anl isis de este modelo se puede suponer una red conexa y no dirigida con
dos nodos principales llamados origen y destino. A cada uno de los arcos no
dirigidos se asocia una distancia. El objetivo del problema es encontrar la ruta ms
corta o trayectoria con la mnima distancia total, que va desde el origen al destino.
El algoritmo de solucin para este problema se fundamenta en el anlisis de toda

la red , partiendo del origen e identificando sucesivamente la ruta ms corta desde
el origen a cada uno de los nodos en orden ascendente de sus distancias. Se
obt iene la solucin del probl ema al llegar al nodo de stino .
122
INVEST IGAC ION DE OPERAC IONES PARA INGEN I ER I AS y ADM IN ISTR AC ION DE EMP RESAS
6.2.1 Algoritmo de la ruta ms corta.
En cada una de las k-simas iteraciones se debe definir para el k-simo nodo , la
distancia ms corta desde el origen hasta el k-simo nodo. Si d ik define la distancia
entre los nodos i, k; entonces se puede calcular la distancia ms corta desde el
origen hasta el nodo k-simo con la siguiente expresin:
T = Me;lO r{T, + d , } , i: cada I/ odo cO l/ ectad o con eL I/ odo k
El procedimiento termina con el clculo de T k para el nodo final.
Ejemplo. Encontrar la ruta ms corta desde el origen (nodo O) hasta el final (nodo
F) a travs del sistema de vas que se muestra en la figura 13. En la tabla siguiente
se encuentran los resultados obtenidos al aplicar el algoritmo anterior a este
problema .
Aplicacin del algoritmo de la ruta ms corta para el ejemplo.
Iteracin Nodo i resue lt o Distancia Menor

o Nodo conectado al nodo T; d ;k T; + d;k distancia Ruta
K k TK
O O O O O O O O~O
1 A O O O 4 0+ 4 4 O~A
2 e O O O 8 0+8 8 O~C
3 B O O O 10 0+ 10
1 A 4 4 4+4 8 O~A~B
2 e 8 2 8+2
4 E 2 e 8 8 8+8
3 B 8 6 8+6 14 O~A~ B~E
5 D 1 A 4 14 4+14
3 B 8 8 8+8 16 O~A~ B~D
4 E 14 2 14+2 16 O~A~ B~E~D
6 F 1 A 4 16 4+ 16 20 O~A~F
4 E 14 14 14+ 14
5 D 16 10 16+ 10
123
LU IS ALBERTO RINCON AB RIL
Las dos ltimas columnas de la tabla anterior, resumen la informacin del ltimo
nodo resuelto ; esto es , la distancia de la ruta ms corta desde el origen a este
nodo y la ltima rama en esta ruta ms corta . Adems muestra que la ruta ms
corta para el sistema de vas de la figura 13 es O~A~F y mide 20 unidades.
6.2.2 Otras aplicaciones.
El problema se ha presentado en trminos de minimizar la distancia de un origen a

un destino. Sin embargo , en realidad el problema de redes generalmente estudia la
ruta que conecta a dos nodos especficos que minimiza la suma de los valores de
las ligaduras sobre esa ruta. Las ramas pueden ser actividades de algn tipo y los
valores asociados pueden representar el costo de esa actividad. En este caso, el
problema es encontrar la secuencia de actividades que logra el objetivo especfico
de minimizar el costo total relacionado . Otro problema se tiene cuando el valor
asociado a cada ligadura es el tiempo requerido para realizar esa actividad. En
este caso , se necesita encontrar la secuencia de actividades que logra el objetivo
de minimizar el tiempo total requerido. As, algunas de las aplicaciones ms
importantes del problema de la ruta ms corta no tienen nada que ver con
distancias.
Particularmente tambin se puede necesitar encontrar las rutas ms cortas del

origen a cada uno de los dems nodos de la red . El Algoritmo mostrado en el
ejemplo precedente , obtiene las rutas ms cortas a cada nodo desde el origen.
124
INVESTIGAC ION DE OPERAC IONES PARA I NGEN IERIAS y ADMIN ISTRAC ION DE EMPRESAS
6.3 PROBLEMA DEL RBOL DE EXPANSiN MNIMA.
Este problema tiene algunas similitudes con el problema de la ruta ms corta. De

manera general , en ambos casos se considera una red no dirigida y conexa , en la
que los datos dados incluyen medidas para cada ligadura (distancia , costo, tiempo ,
etc .). Involucran tambin el hecho de seleccionar un conjunto de ligaduras que
tiene la longitud total ms corta entre todas las ligaduras que cumplan
determinada propiedad. En el problema de la ruta ms corta , la ligadura
seleccionada debe generar una trayectoria entre el origen y el destino, mientras
que para el rbol de expansin mnima se requiere que las ligaduras seleccionadas
generen una trayectoria entre cada par de nodos, de tal manera que la suma de
todas las trayectorias sea mnima. Una red con n nodos slo requiere n - 1
ligaduras para generar una trayectoria entre cada par de nodos. Por lo tanto, el
problema es encontrar el rbol de expansin con la longitud total mnima de sus
ligaduras .
El problema del rbol de mnima expansin se resuelve normalmente con el inicio

en cualqu ier nodo. El primer paso consiste en seleccionar la rama ms corta
posible a otro nodo desde el inicio, sin preocuparse del efecto que esta eleccin
pueda tener en las decisiones posteriores. El segundo paso consiste en identificar
el nodo no conectado ms cercano a cualquiera de los dos que se acaban de
conectar y despus agregar la ligadura correspondiente a la red. Este proceso se
repite , segn el resumen que se da a continuacin , hasta que se hayan conectado
todos los nodos.
L25
L U ISALBERTO RI CON ABR il
6.3.1 Algoritmo para el problema del rbol de expansin mnima.
Paso 1. Se selecciona , de manera arbitraria , cualquier nodo y se conecta al nodo

ms cercano distinto de ste .
Paso 2. Se identifica el nodo no conectado ms cercano a un nodo conectado , y

se unen estos dos nodos. Este paso se repite hasta que se hayan conectado todos
los nodos. Los empates para el nodo no conectado ms cercano , se rompen
arbitrariamente y el algoritmo an tiende a una solucin ptima. Sin embargo , los
empates indican la posibilidad de soluciones ptimas mltiples . Todas esas
soluciones, si existen , se pueden encontrar si se buscan las dems formas de
romper los empates hasta el final.
Ejemplo. La figura 14 muestra todas las posibilidades de construir una red

elctrica entre siete municipios (nodos) de un distrito a partir de una subestacin
colocada en el nodo O. Los valores asociados con los arcos son los costos en
millones de dlares para unir cada par de municipios . Determinar como debe
tenderse la red entre los municipios , de tal manera que todos queden conectados a
un costo total mnimo .
La tabla de la pgina siguiente muestra que el rbol de expansin de mnimo costo

total para la red elctrica entre lo siete municipios (nodos) del distrito de la figura
14 es de 44 Millones de dlares , representado por los siguientes circuitos:
126
INVrST I(, ,\C ION DE OPER ,\CIONrS P,\RA INCEN IER Ir\S y \D~ II N I STR ,\C I ON DI" E~IPRES\S
Figura 14. Posibilidades de construir una red elctrica entre siete municipios.
Aplicacin del algoritmo del rbol de expansin mnima para el ejemplo.
Nodos Nodo k de menor Costo Costo acumulado Costo menor

conectados
i
costo que puede ser
conectado a un nodo i
Cik Tk acumulado
Tk
O O~ 1 6 6 6
O~1 1 ~3 6 6+6 12
O~1 ~3 3~2 4 12+4 16
O~1 ~3~2 3~4 9 16+9 25
O~1 ~3~2 4~5 4 25+4 29
J,
4
O ~ 1 ~3 ~2 5~6 15 29+ 15 44
J,
4~ 5
127
LUIS ALBERTO RINCON ABR I L
En la figura 14-1 , la red elctrica definitiva aparece con lnea continua. Como en
este problema hay n =7 nodos, dispone de n - 1 =6 ligaduras y ningn ciclo para
calificar como un rbol de expansin .
......
......
......
20............ ......
......
/
12 /
/
/
/
20/
/
/
/
/
Figura 14-1. Diseo para construir una red elctrica entre siete municipios.
El problema del rbol de expansin tiene muchas aplicaciones prcticas. Un caso

importante es la planeacin de redes de transporte areo que se usarn poco, pero
que se requieren para proporcionar alguna trayectoria entre todos los pares de
nodos de la manera ms econmica. Los nodos son los aeropuertos que requieren
acceso a otros aeropuertos , las ligaduras son las rutas areas y las distancias
(valores de las ligaduras) son los costos de proporcionar la comunicacin . En este
caso, el objetivo es determinar las vas de comunicacin que daran servicio a
todas las localidades con un costo total mnimo.
128
INVEST IGAC ION DE OPERAC IONES PA RA INGEN IER IAS y ADM IN ISTRAC ION DE EM PRESAS
6.4 FLUJOS EN REDES.
Los problemas de esta clase son aplicaciones de Programacin Lineal con una
caracterstica especial, siempre tienen una solucin ptima con base en nmeros
enteros si los datos de entrada tambin son enteros. Esto permite el diseo de
algoritmos eficientes que pueden ser aplicados a la solucin de una variedad de
problemas combinatorios. Entre estos se disponen, el algoritmo de flujo mximo, el
clculo de flujos de costo mnimo.
6.5 PROBLEMA DEL FLUJO MXIMO.
Se considera la situacin en la que se enlazan un nodo fuente y un nodo destino

mediante una red de arcos de un solo sentido. Cada arco tiene una capacidad
mxima de flujo admisible . El objetivo consiste en obtener la mxima cantidad
de flujo entre el nodo fuente y destino. Puede ser el caso donde un nmero de
ref ineras se conectan a terminales de distribucin mediante una red de
oleoductos. En los oleoductos se tienen unidades de bombeo que impulsan los
productos derivados del petrleo hasta las terminales de distribucin. El objetivo
consiste en maximizar el flujo entre las refineras y las terminales de distribucin
dentro de los lmites de capacidad de las refineras y los oleoductos. La figura 15
ilustra el problema del flujo mximo de la refinera . En este caso hay una fuente
conectada a todas las refineras y un depsito que recibe flujo de todas las
terminales de distribucin . Los nodos entre las refineras y las terminales de
distribucin son las estaciones de bombeo . Las capacidades de los arcos de la
fuente nica representan las sal idas mximas de las refineras. Cada oleoducto
tiene una capacidad mxima que determina el flujo mximo admisible en la lnea.
En algunos casos , podr necesitarse utilizar las demandas en las terminales como
las capacidades de los arcos al depsito.
129
LU I S \ U 3ERTO RINCON ABR IL
I
I
I
I
, Fuente I
:_____ .____ J Depsito
Estaciones de
Refineras
bombeo
, Terminales
Figura 15. Red de oleoductos.
Supngase que cada arco (i, j) de una red dirigida tiene asociado un nmero no
negativo Cj denominado la capacidad del arco, Si esta capacidad representa la
mxima cantidad de algn artculo que pueda enviarse a travs del arco, la
pregunta inmediata es, Cul es la cantidad mxima del artculo que se puede
enviar de un nodo a otro , dentro de la red?
Lo anterior obliga a considerar el problema de hallar el mximo flujo posible desde

un nodo fuente O, a un nodo depsito o terminal T. El modelo matemtico de
este problema se expresa de la siguiente forma :
6.5.1 Variables de decisin.
Xii: Cantidad de flujo a travs del arco (i, j).
130
INVEST I(; ,\C ION !lE O PEI,AC IONES PA RA INGEN I ERI \S Y , \I)~ II N I STR \CION DE EM PR ESAS
La cantidad de flujo a travs de cada arco S La capacidad de flujo a travs de este

arco.
o S Xii S Gii
En los nodos diferentes al fuente y terminal , la ley de conservacin se cumple , esto

es , la cantidad que entra al nodo es igual a la cantidad que fluye hacia fuera , por lo
tanto:
o si i ;f. ji 11:'1/1 1:'. lel"ll/illa11

IX
1
'1 - Ix
.1
l' =
j
V si i = ji/l:'l/ll:'
_V si i = 11:'I"Il7il/ul
r
J
El trmino V representa el valor del flujo total. Se llama flujo posible a cualquier
conjunto de valores que satisfacen las restricciones anteriores. Es evidente que
este modelo corresponde a un problema lineal en donde el objetivo es maximizar el
valor de V sujeto a las anteriores restricciones.
El modelo matemtico para la red de flujo mximo de la figura 16 es el siguiente:
Max(V) = X 12 + X 13
X 12 + X 32 - X 24 =O
X 13 - X 32 - X 34 =O
X 12 S 4 , X 13 S 3 , X 32 S 2 , X 34 S 2 , X 24 S 4
Xii ~ O
J31
4 (4,3) 4 ,4)
(2,1)
(3,2) (2,1)
Figura 16. Solucin factible para una Red de flujo mximo propuesta.
La figura 16 ilustra un flujo factible desde el nodo 1 al nodo 4 para una red . El
primer nmero de la pareja asociada con cada uno de los arcos es la capacidad
del arco y el segundo nmero es el flujo del arco.
6.5.3 Algoritmo de trayectorias de aumentos.
El modelo matemtico para la figura 16, muestra que este problema es soluble por
el Mtodo Simplex. Sin embargo , se dispone de un algoritmo basado en dos
conceptos intuitivos: red residual y trayectoria aumentada . Una vez se han
asignado flujos a los arcos de la red original , las capacidades restantes o
residuales conforman la red residual que sirve para asignar flujos adicionales.
En una trayectoria de aumento desde el nodo fuente al destino al travs de la red

residual , todos los arcos tienen capacidad residual positiva. El mnimo de estas
capacidades residuales se llama capacidad residual de trayectoria de aumento,
pues proporciona la posibilidad de aumentar el flujo al travs de la red .
132
IN\ I SII (;.\(' ION DE O I'LR ;\(' IO N I.S I'.\ R/\ IN(; I 'JlERI AS y \ D ~ II N I S l RA C ION D r E~ IPR ESAS
Este algoritmo , selecciona trayectorias de aumento y agrega al flujo la capacidad

residual de esa trayectoria. Este proceso se repite hasta que ya no existan
trayectorias de aumento , con lo que el flujo del nodo fuente al nodo destino ya no
puede crecer.
Ejemplo. En la figura 17 se representa una red para la que se requiere calcular el

flujo mximo que puede haber entre el nodo fuente 1 y el nodo final 7.
(40,O)
Figura 17. Red residual para el ejemplo de flujo mximo.
Cuando se inicia el Algoritmo , todas las trayectorias son de aumento , por cuanto
para cada una de ellas , todos los arcos tienen capacidad residual. Aplicando el
algoritmo para la red residual 1 ~2~6~7 , se obtiene la capacidad residual =
Menor {80 - O, 30 -O , 60 -O} = 30. Flujo que se agrega a esta trayectoria en la
figura 18.
133
L UIS ALBERTO RINCON ABR IL
~ (1 0,0)
. F~.'.~~.~r0 . . . .(~.~:~~ . . . .
'-l..
..... ...~50,0) ~1 0,0) ..../
(40,0)...
. ~20 , O) . .l

..,/
0. . . J.4~,0)
:\
:~/
... ::.. (60,0)
Usando el algoritmo , la figura 19 considera las siguientes trayectorias adicionales.

Red residual 14 34 64 7. Flujo que se agrega = Menor {70-0 , 40-0 , 60-30} = 30 .
Red residual 14 44 54 7, Flujo que se agrega = Menor {40- 0 , 40-0 , 60-0} = 40 .
(40,30)
.. ,(50,0)
.................
(40 ,40)
134
INVESTIG /\C ION DE OPERAC IONES PA RA INGEN I ER I,\S y AD~ II N I S TR AC I ON DE EM PR ESAS
La figura 19 muestra que si se utiliza la trayectoria residual 1 ~2~3~5~7, se

podra aumentar el flujo en 10 unidades y posteriormente usando la trayectoria
residual 1 ~3~5~7 , se podra aumentar el flujo en otras 10 unidades. Esto
equivale a usar nicamente la trayectoria residual 1~3~5~7 para aumentar el
flujo en otras 20 unidades , tal como aparece en la figura 20.
(40,30)
(40,40)
Figura 20. Red sin trayectorias de aumento para el ejemplo de f.lujo mximo.
Una solucin final es ptima si para toda trayectoria indiscriminada que se quiera
asignar no puede evitar el uso de cancelacin de flujos asignados con anterioridad.
Cuando se avanza en el algoritmo , es posible determinar el flujo , sumando las

asignaciones de flujo o comparando las capacidades residuales finales con las
capacidades originales en los arcos . Si se emplea este ltimo mtodo , existe un
flujo a travs de un arco si la capacidad residual final es menor que la capacidad
original. La magnitud de este flujo es igual a la diferencia entre estas capacidades.
Puede resultar difcil , cuando las redes son grandes, encontrar una trayectoria de
aumento. El siguiente procedimiento sistemtico simplifica el hecho. Se comienza
135
1 L ' I ~ 1\ L llFR"1() RI NCON ABR il
por analizar todos los nodos que se unen desde el origen con un arco y con
capacidad residual positiva. Enseguida , para cada uno de estos nodos , se
determinan todos los nuevos nodos a los que se llega desde este nodo con un solo
arco con capacidad residual positiva. Esto se repite hasta llegar al nodo final. Se
obtiene como resultado , un rbol con todos los nodos a los que se puede llegar
desde el origen, a lo largo de una trayectoria con capacidad de flujo residual
estrictamente positiva. Este procedimiento de abanico siempre identificar una
trayectoria de aumento , si existe . Aunque el anterior procedimiento es muy directo,
ser til poder reconocer cundo se tiene un patrn ptimo sin tener que buscar de
manera exhaustiva una ruta que no existe . A veces es posible esto con el resultado
de un teorema importante de teora de redes , conocido como el teorema del flujo
mximo - cortadura mnima. Una cortadura se define como cualquier conjunto
de arcos dirigidos que contienen al menos un arco de cada trayectoria dirigida que
va del nodo origen al nodo destino. El valor de la cortadura es la suma de las
capacidades de los arcos de la cortadura.
Teorema del flujo mximo - cortadura mnima. Para cualquier red con un solo
nodo origen y un solo nodo destino, el flujo mximo factible del origen al destino
es igual al valor de la cortadura mnima para todas las cortaduras de la red.
El anlisis para la red residual inicial de la figura 17, presenta el siguiente conjunto
de cortes con la correspondiente capacidad
Conjunto de cortes Capacidad

1~2, 1~3, 1~4 80+ 70+40 = 190
2~6,3~6, 3~5, 4~5 30+40+50+40=160
1~3,2~3, 2~6, 4~3, 4~5 70+10+30+20+40=170
2~6, 3~6, 5~6,3~5, 4~5 30+40+10+50+40=170
5~7, 6~7 60+60 = 120
136
IN\' I S'II (AC ION DI. OPFRAC IONES PARA INGEN I ER I AS y AD~ II N I STRAC I ON DE EMPRESAS
Por lo tanto , 120 es el valor de la cortadura mnima que equivale al flujo mximo
factible presentado en la figura 20,
6.6 FLUJOS DE COSTO MNIMO.
Es una solucin muy eficiente que aborda un conjunto muy amplio de aplicaciones ,
tomando en cuenta un flujo a travs de una red con capacidades limitadas en sus
arcos, Tal como se tiene para el problema de la ruta ms corta, considera un costo
(o distancia) para el flujo a travs de cada arco. E igual que para los problemas del
transporte y asignacin , puede considerar el flujo desde varios orgenes (nodos
fuente) hasta varios destinos (nodos demanda).
El problema del flujo de costo mnimo se puede resolver de manera tan eficiente
porque se puede formular como un problema de programacin lineal y resolver
mediante una versin simplificada llamada mtodo Smplex de Redes. En la
siguiente seccin se describir el uso del mtodo Simplex.
6.6.1 Modelo matemtico del flujo de costo mnimo.
En una red conexa dirigida con al menos un nodo origen y al menos un nodo
destino, se dispone la siguiente informacin:
Cj = costo por unidad de flujo a travs del arco i~j ,
dj = capacidad del arco i ~j,
b = flujo neto generado en el nodo i. En este caso, b > O en los nodos fuentes, b
< O en los nodos demandas y b = O en los nodos transbordos .
137
L U IS A LBERTO RINCON A BR IL
Xij = flujo a travs del arco i~j.
Funcin Objetiva.
Minimizar el costo total de enviar los recursos disponibles a travs de la red para
cumplir con la demanda.
11 11
Mil/ (Z) = e" X " . Las sumas se toman slo sobre arcos existentes .
i = l j= J
Restricciones.
Para cada nodo , el flujo total que entra menos el flujo total que sale es igual al flujo
neto generado en este nodo.
El flujo a travs del arco i~j, debe ser positivo, sin exceder la capacidad del arco .
Propiedad de soluciones factibles: Necesariamente, para que un problema de
flujo de costo mnimo tenga soluciones factibles , debe cumplir que Lb,
"
= O. Esto
i= 1
es , el flujo total generado por los nodos orgenes debe ser igual al flujo total
absorbido por los nodos destinos.
En muchos problem as, las cantidades b i y d ij sern valores enteros ; en este caso ,
en la soluci n las cantidades de flujo Xij tendrn que ser tambin enteros . Sin
138
I ' \'r.STIGAC ION DE OPER ,\C IONES P\R\ INGE IER I\S y \D~ II N I STR /\C I ON DE E~ IPRE S r\S
embargo , de la misma manera que para el problema de transporte , esta de la

solucin se cumple sin necesidad de establecer restricciones enteras en forma
explcita sobre las variables . Esto se debe a la propiedad de soluciones enteras ,
"En los problemas del flujo de costo mnimo con todos los b y dj enteros; se
tendr que todas las variables bsicas en cada solucin bsica factible , sern
tambin valores enteros".
Ejemplo de una red de distribucin de bienes. Una compaa ensambla su

nuevo producto en dos plantas (nodos 1 y 2) Los mercadea mediante un canal de
distribucin (nodo 3) y dos almacenes (nodos 4 y 5) . La figura 21 muestra las
formas de transportar el producto y los costos asociados. La capacidad mximas
para el canal 1 ~2 es de 10 unidades y para el canal 3~5 es de 80 unidades.
El problema de decisin: calcular el nmero de unidades a enviar por cada red

de distribucin, de tal manera que se satisfaga la demanda de los almacenes sin
exceder la oferta de las fbricas con un costo total de transporte mnimo.
X'2 = unidades que se enviarn desde la fbrica 1 hasta la fbrica 2.

X'3 = unidades que se enviarn desde la fbrica 1 hasta el canal de distribucin.
X'4 = unidades que se enviarn desde la fbrica 1 hasta el almacn 4.
X 23 = unidades que se enviarn desde la fbrica 2 hasta el canal de distribucin.
X 35 = unidades que se enviarn desde el canal de distribucin hasta el almacn 5.
X 45 = unidades que se enviarn desde el almacn 4 hasta el almacn 5.
X54 = unidades que se enviarn desde el almacn 5 hasta el almacn 4.
Funcin Objetiva.
Min(C) = 200 X'2 + 400X 13 + 900X'4 + 300X23 + 100X 35 + 300X 45 + 200X 54 .
139
I. UIS A l BERTO RI NCON AB RI L
Restricciones.
En el nodo 1. X12 + X13 + X14 = 50

En el nodo 2. X 23 - X 12 = 40
En el nodo 3. -X 13 - X 23 + X35 =O
En el nodo 4. X 45 - X 14 - X 54 = -30
En el nodo 5. X 54 - X 35 - X 45 = -60
En el arco 1--72. X 12 < 10
En el arco 3--75 . X 35 S 80
Restricciones de no negatividad.
50 unidades de 30 unidades
900 Dl/unid demandadas
"O
c:
--o
::1
:o
o
o
N
40 unidades de 60 unidades
produccin demandadas
Figura 21. Red de distribucin de bienes.
Las variables en el conjunto de las restricciones de ncleo tienen exactamente dos

coeficientes distintos de cero, uno es + 1 Y el otro -1 . Este patrn aparece en todos
140
IN\'LS1IC; I\C10N I) \. OPER I\C ION I: S P,\R ,\ I N(;rN I ER I AS y i\D~ II N I ST R i\C I ON DE E~ IPR ESAS
los problemas de flujo de costo mnimo y es esta estru ctura especial la que lleva a
la propiedad de soluciones enteras, De otro lado , cuando se tienen n restricciones
de nodo, nicamente hay n-1 independientes, esto es , una de ellas es redundante ,
Esto se puede comprobar porque al sumar todas estas ecuaciones, se obtienen
ceros en ambos lados , Como existen n - 1 restricciones independientes , estas
ecuaciones proporcionan n- 1 variables bsicas para una solucin bsica factible ,
6.6.2 Solucin con Programacin Lineal.
Para la solucin de este problema con la herramienta SOLVER de EXCEL, se

puede preparar inicia lmente la siguiente hoja de trabajo:
A B e D E F G H J K
2 X12 X13 X14 X23 X35 X45 X54

3
4 Min(c) = 200 400 900 300 100 300 200
5 Nodo 1 1 1 1 = 50
6 Nodo 2 -1 1 = 40
7 Nodo 3 1 1 -1 = O
8 Nodo 4 -1 1 -1 = -30
9 Nodo 5 -1 -1 1 = -60
10 Arco 1,2 1 < 10
11 Arco 3,5 1 < 80
12
13 X12 X13 X14 X23 X35 X45 X54
14 Valores
15 Mnimos O O O O O O O
16
17 Min(c) = _ S4'S$14 =C4 ' C$14 _04 ' 0$14 _ E4'E$14 _F4'F$14 _G4'G$14 _H4'H$14 _ SUMA(S17H17)
18 Nodo 1 _ SS'S$14 - CS'C$14 =05'0$14 = ES 'E $14 =FS'F$14 =GS'G$14 =HS'H$14 =SUMA(S1S.H1S)
= 50
Nodo 2 - S6'S$14 _C6'C$14 _06 ' 0$14 _F6'F$14 =F6'F$14 =G6 ' G$14 - H6'H$14 - SUMA(S 19 H 19)
19 = 40
20 Nodo 3 =STS$14 =CTC$14 _ OTO$14 - ETE$14 _ FTF$14 _GTG$14 =HTH$14 - SUMA(S20H20)
= O
21 Nodo 4 - SS'S$14 - CS'C$14 = OS'O$14 = ES'E$14 =FS'F$14 =GS ' G$14 =HS'H$14 = SUMA(S21 H21)
= -30
22 Nodo 5 - S9'S$14 - C9'C$14 _ 09 ' 0$14 =E9'E$14 _F9'F$14 - G9'G$14 _ H9'H$14 -S UMA(S22H22)
= -60
23 Arco 1,2 _SlO ' 8$14 - C10'C$14 =010'0$14 =E10'E$14 =F10'F$14 =G10 ' G$14 =H10'H$14 =SUMA(S23 H23)
< 10
24 Arco 3, 5 _S11'S$14 - C11 ' C$14 011'0$14 - E11'E$14 _ F11'F$14 - G11'G$14 _ H11'H$14 - SUMA(S24 H24)
< 80
25
Figura 22. Hoja de trabajo en EXCEL para el ejemplo de la red de distribucin,
14 J
L U I S I\ L I3E RTO RINCON A IlRI L
En la figura 22, la fila cuatro de la hoja , considera los coeficientes de efectividad

para la funcin objetiva y las filas cinco hasta la once , disponen los coeficientes
tecnolgicos de las restricciones para el ejemplo de la red de distribucin de
bienes. Las celdas B14 :H 14, han sido reservadas para que SOLVER escriba el
valor que calcule para las variables del problema. Las celdas B15:H15 , consideran
la condicin de no negatividad de las variables. La celda K17 contiene el clculo de
la funcin objetiva, esto es, el valor de los costos totales en funcin de las
variables. Las celdas K18 ,..... ,K24 contienen el clculo del lado izquierdo de cada
una de las restricciones del problema.
Teniendo presente estas caractersticas planteadas en los prrafos anteriores,

enseguida se usa la opcin SOLVER del men de herramientas de EXCEL y se
responde al cuadro de dilogo de la siguiente forma:
~di.:in 1:.er ln ~,;e tt ar Eormato tie rramientas Datos VeQtana -;J
Parmetros de Solver
CelQ," objetivo:
Resolver
\Ilor de l." celda ob jetivo :
Cerrar
(-- [:1i:dmo (;- r',1i'o.irno C' y'alores de: lo
Cam!djando las celdas
Qpciones , , .
Suje tas a las siguientes restric cines:
:lB$14 :$H$14 >= $E:$15:$H$1:,

.-, t ,K$I::: = $J$I:::
- ..::. $K$19 = $J$19
~ambiar.,. [3,.establecer to
~I $K$ 20 = $J$20
$K$21 = $J$2 1
$f; $22 = $J$22
o D D
Figura 23. Cuadro de dilogo de SOLVER en EXCEL.
142
IN" I' STI(, \C ION DI. OPLRAC IONES PAR ,\ IN(,EN IERIAS y \D~ II ISTR \C IO DE E~ I PRF.SAS
Una vez se responde el cuadro de dilogo , se pulsa el botn Resolver , para

encontrar la siguiente respuesta:
A B e D E F G H J K
2 X12 X13 X14 X23 X35 X45 X54

3
4 Min(c) = 200 400 900 300 100 300 200
5 Nodo 1 1 1 1 = 50
6 Nodo 2 -1 1 = 40
7 Nodo 3 1 1 -1 = o
8 Nodo 4 -1 1 -1 = -30
9 Nodo 5 -1 -1 1 = -60
10 Arco 1 - 2 1 < 10
11 Arco 3 - 5 1 < 80
12
13 X12 X13 X14 X23 X35 X45 X54
14 Valores O 40 10 40 80 O 20
15 Mn im os O O O O O O O
16
17 Min(c) = O 16000 9000 12000 8000 O 4000 49000
18 Nodo 1 O 40 10 O O O O = 50 50
19 Nodo 2 O O O 40 O O O = 40 40
20 Nodo 3 O 40 O 40 -80 O O = O O
21 Nodo 4 O O -10 O O O -20 = -30 -30
22 Nodo 5 O O O O -80 O 20 = -6 0 -60
23 Arco 1 - 2 O O O O O O O < 10 O
24 Arco 3 - 5 O O O O 80 O O < 80 80
Figura 24. Hoja EXCEL con la solucin SOLVER para la red de distribucin.
La figura 24 muest ra la solucin obtenida por SOLVER pa ra el ejemp lo de la red

de distribucin , que se interpreta de la sig uiente mane ra:
X12 = O. No se enviar desde la fbrica 1 hasta la fbrica 2.

X13 = 40 unidades se enviarn desde la fbrica 1 hasta el canal de distribucin.
X14 = 10 unidades se enviarn desde la fbrica 1 hasta el almac n 4.
X23 = 40 unidades se enviarn desde la fbrica 2 hasta el canal de distrib ucin.
X35 = 80 unidades se enviarn desde el ca nal de distri bucin hasta el almac n 5.
X45 = O: No se enviar desde el almacn 4 hasta el almacn 5.
143
LU IS ALBERTO RINCON MlR IL
XS4 = 20 unidades se enviarn desde el almacn 5 hasta el almacn 4.
El costo total mnimo para realizar el transporte , conforme a la distribucin anterior

ser de 49000 dlares.
6.6.3 Solucin Heurstica.
Consiste en recurrir iterativamente al concepto de ruta ms corta o de mnimo

costo de la siguiente forma:
1. Se define como camino por donde se tratara de enviar un cierto nmero de

unidades a la ruta de mnimo costo.
2. Una vez se tiene una ruta de mnimo costo , se examina el mayor nmero de
unidades que se puede enviar por esta ruta .
3. Saturada esta ruta , se busca otra ruta de mnimo costo (la segunda mejor) , a
travs de la cual se enviar correspondientemente el mayor nmero de
unidades posibles .
4. El proced imiento del punto anterior se repetir hasta realizar el programa
completo de envos .
Soluci n Heurstica para el ejemplo de la red de distribucin.
Fbrica Mayor nmero Unidades en la Ruta de Almacn

de unidades Fabrica mnimo Costo
para enviar despus del
envo
2 40 O 2~3~5 5
1 20 30 1 ~3~5 5
1 20 10 1 ~3~5~4 4
1 O 10 1 ~ 2 ~3 ~ 5 ~4 4
1 10 O 1 ~4 4
144
1. Encontrar las Rutas ms cortas para cada Red de la siguiente figura.
Red A
Origen
Red B
o Un Diario de circulacin local debe adquirir nueva maquinaria (parcialmente

automatizada) para la impresin de su peridico. Dentro de tres aos se instalar un
nuevo sistema de maquinaria totalmente automatizado , por lo tanto despus no se
necesitar la maquinaria que se adquiera ahora. Dado que el trabajo pesado
aumentar rpidamente los costos de operacin y mantenimiento, podra resultar
benfico reemplazarla antes de los tres aos. La tabla siguiente presenta los costos
netos totales asociados a la compra de la maquinaria automatizada al final del ao i
(precio de compra - valor por cambio de maquinaria + costos de operacin y
mantenimiento) , si se reemplaza al final ao j. El problema es determinar en qu
momento debe ser reemplazada la maquinaria para minimizar el costo total durante los
tres aos.
Ao Aoj
i 1 2 3
O 16 36 62
1 20 42
2 24
145
L UIS A LB ERTO RINCON ABRIL
3. Una compaa debe suministrar 1000 cajas de cartn por mes a una fbrica. Para los
prximos cuatro meses , el costo de fabricacin de cada caja ser $1000 en el primer
mes, $ 1800 en el segundo mes, $2000 en el tercer mes y $2800 en el cuarto mes. El
costo de mantenimiento y bodega por caja es de 600 $/mes. Si la produccin por mes
se realiza en mltiplos de 1000 Y se desea encontrar el programa de produccin ms
eficiente en trminos de costo , entonces se necesita formular el modelo como una
representacin de Red y resolverlo.
4. Un Banco necesita conectar el computador central con terminales de computadores en

cada una de sus sucursales mediante dispositivos de comunicaciones. No se requiere
que cada sucursal est conectada directamente con la principal , puede hacerse
indirectamente a travs de otra sucursal. Simplemente, es necesario que exista alguna
ruta que conecte a todas las sucursales con la oficina principal. Los costos asociados
para la inversin inicial son los siguientes.
Costos entre oficinas

Oficina Pnnclpal Sucursal 1 Sucursal 2 Sucursal 3 Sucursal 4 Sucursal 5
Pnnclpal 38 14 23 54 32
Sucursal 1 38 20 22 43 10
Sucu rsal 2 14 20 28 24 44
Sucursal 3 23 22 28 35 16
Sucursal 4 54 43 24 35 62
Sucursal 5 32 10 44 16 62
5. Considere para las Redes del problema 1 que los arcos son de ligadura y disee para
cada una el rbol de mnima expansin.
6. Modificar el valor del flujo 0---72 a 16 en la Red A del problema 1 y los valores de los
flujos 0---7 1 a 10, 0---73 a 20 y 6---78 a 16 en la Red B. En ambos casos considerar el
problema de flujo mximo, donde el origen es el nodo fuente y el destino el nodo
demanda . Las capacidades son los valores que se muestran en los arcos. Usando el
algoritmo de la trayectoria de aumento resolver el problema.
7. Una compaa fabrica un mismo producto en dos plantas distintas y despus lo

despacha a dos almacenes. La planta 1 puede enviar por ferrocarril cualquier cantidad
hasta el almacn 1, mientras que la planta 2 puede enviar por ferrocarril cualquier
J46
IN\TST IG AClON IX OPERACIONES PARA INGEN IERI AS y I\D~'IINISTRACION DE EMPRESAS
cantidad hasta el almacn 2. Pero ambas plantas pueden usar camiones para mandar
hasta 500 unidades de cada planta al centro de distribucin , desde los que se puede
enviar hasta 500 unidades a cada almacn. La tabla siguiente muestra el costo unitario
de transporte por cada ruta , las cantidades que se producen en las plantas por periodo
y las cantidades que se requieren en los almacenes por periodo.
Centro Almacn 1 Almacn 2 Produccin

Distribucin
Planta 1 30 70 800
Planta 2 40 90 700
Centro Di stribucin 20 40
Demanda 600 900
7. 1. Representar la red como un problema de flujo de costo mnimo y resolverlo .

7.2. Formularlo como un modelo de Programacin y resolverlo.
147
7. PROGRAMACiN DE PROYECTOS CON PERT-CPM.
Haciendo uso del enfoque de sistemas , un proyecto se entiende como una

combinaci n de actividades interrelacionadas que deben ejecutarse en un
determinado orden para terminar un trabajo . Las interrelaciones entre las
actividades, normalmente son de tipo secuencial , esto es , algunas de ellas no
pueden iniciar hasta que otras terminen . Cada actividad de un proyecto , es un
trabajo que requiere tiempo y recursos para su ejecucin.
El diagrama de barras de Gantt desarrollada por Henry L. Gantt en 1918 para la

programacin de produccin y proyectos , an se usa, por su simplicidad y fcil
despliegue , con la errada consideracin de "la mejor herramienta de 'planeacin" , a
pesar de que slo especifica los tiempos de inicio y terminacin de cada actividad
en una escala de tiempo horizontal y tiene la desventaja de no controlar la
interdependencia entre las diferentes actividades. Debe recurrirse a tcnicas de
planeacin ms sistemticas y efectivas para optimizar la eficiencia en la ejecucin
del proyecto . La eficiencia significa conseguir la mayor reduccin en el tiempo
requerido para finalizar el proyecto mientras se tiene en cuenta la factibilidad
econmica de la utilizacin de los recursos disponibles.
Dadas las anteriores consideraciones, aparecieron dos tcnicas analticas para la

planeacin , programacin y control de proyectos:
CPM (Critical Path Method ): Mtodo de Ruta Crtica .
148
INVEST IGAC ION DE OPE RAC IONES PARA INGEN IER I AS y ADM IN ISTR\C ION DE EM PR ESAS
PERT (Program Evaluation and Review Technique): Tcnica de Evaluacin y

Revisin de Proyectos .
Estas tcnicas fueron desarrolladas por dos grupos diferentes entre 1956 y 1958.
E. 1. du Pont de Nemours & Company desarroll el CPM como una aplicacin a
los proyectos de construccin y posteriormente Mauchly Associates, lo extendi a
nuevas aplicaciones. El PERT , fue producido por un grupo consultor para la Marina
de Estados Unidos, con el fin de programar las actividades de investigacin y
desarrollo del programa de misiles Polaris.
Los mtodos PERT y CPM se fundamentan en el manejo de un programa de

tiempo, pero originalmente las estimaciones en el tiempo para las actividades se
supusieron determinantes en CPM y probables en PERT. Actualmente PERT y
CPM comprenden realmente una sola tcnica.
7.1 FASES DE PROGRAMACiN.
La programacin de proyectos con PERT-CPM consiste en tres fases bsicas:

planeacin, programacin y control.
7.1.1 Fase de Planeacin.
En esta primera etapa se descompone el proyecto en actividades distintas,

enseguida se estima el tiempo para estas actividades y se construye un diagrama
de red o de flechas , donde cada uno de sus arcos (flechas) representa una
actividad . Este diagrama muestra grficamente las interdependencias entre las
actividades del proyecto y genera la ventaja de analizar las diferentes tareas en
detalle, posibilitando modificaciones antes de la ejecucin del mismo.
149
I. U IS A I. BERTO RINCON ABR IL
7.1.2 Fase de Programacin.
Consiste en la construccin de un diagrama que muestre los tiempos de iniciacin

y finalizacin de cada actividad y su relacin con otras actividades del proyecto.
Igualmente, esta fase , debe sealar las actividades crticas en funcin del tiempo,
esto es , aquellas que requieren atencin especial para terminar oportunamente el
proyecto . Para las actividades no criticas , debe mostrar los tiempos de holgura que
pueden usarse cuando stas se retrasan o se deben usar eficientemente recursos
limitados.
7.1.3 Fase de Control.
Es la fase final en la administracin de proyectos. Es el uso del diagrama de red y

del grfico de tiempo para hacer reportes peridicos del progreso . En
consecuencia, la red puede actualizarse y analizarse para determinar, si es
necesario, un nuevo programa para el resto del proyecto.
7.2 TERMINOLOGA EN LOS DIAGRAMAS DE RED.
Un diagrama de red representa las interdependencias y relaciones de precedencia

entre las actividades del proyecto . Normalmente se usa una flecha (arco dirig ido)
para representar una actividad ; la punta indica el sentido de avance del proyecto.
La secuencia entre las actividades se precisa con eventos. Un evento (nodo) es la
terminac in de algunas actividades y el comienzo de nuevas en un instante de
tiempo . Toda actividad tiene un evento de inicio y un evento final. Las acti vidades
que inician un evento no pueden comenzar hasta que las actividades que finalizan
en el mismo evento hayan terminado.
Los diagramas de red deben cumplir las siguientes reglas:
150
Regla 1. Cada actividad quedar representada por un slo arco en la red. Ninguna
actividad puede disponerse ms de una vez en la red . Diferente es el caso en que
una actividad se descompone en segmentos, los cuales pueden estar
representados por arcos separados. La colocacin de una banda transportadora en
un proceso de produccin puede hacerse en secciones.
Regla 2. Dos actividades diferentes, aunque se ejecuten simultneamente, no

pueden identificarse con los mismos eventos de inicio y final. Esta dificultad se
resuelve introduciendo un evento ficticio , tal como lo muestra la Figura 25 .
Diagrama incorrecto Diagrama corregido

con la actividad F
(ficticia)
Figura 25. Uso de actividades ficticias.
Las actividades ficticias tambin se usan para establecer relaciones lgicas en el

diagrama de red , que no pueden representarse de otra manera . La figura 26
muestra la formas incorrecta y correcta para cierto proyecto en donde las
actividades A y B deben preceder a C; mientras que la actividad D est precedido
solamente por B.
151
LUI S ,\LB ERTO RIN C O N I\BRIL
I
I
F
Diagrama incorrecto Diagrama corregido

con la actividad F
(ficticia)
Figura 26. Uso de actividades ficticias.
Regla 3. Cada que se agrega una actividad a la red , se deben definir las
actividades que deben terminar antes de que esta actividad pueda comenzar, las
actividades que deben seguir a esta actividad y las actividades que deben
E!jecutarse simultneamente con esta actividad .
l:jemplo. Construya el diagrama de red para el proyecto del traslado de las

ofici nas de una financiera de crdito, de acuerdo con la siguiente lista de
3ctividades:
ACTIVIDAD DESCRIPCION PREDECESORES

INMEDIATOS
A Seleccionar el sitio de las Oficinas
B Crear el plan organizacional y financiero
C Determi nar necesidades de personal B
D Disear la instalacin A,C
E Construir el interior de la instalacin D
F Seleccionar el pe rsona l que ser transferido C
G Contratar nuevos empleados F
H Trasladar reqistros , personal y otros F
I Hace r los arreglos financie ros con otras B
sedes de la compaa
J Capacitar el nuevo persona l H,E,G
J52
IN\ r ~ Il l; \C ION DE OPERAC IONES PA R/\ INl;EN I ERI AS y i\D~ II N I S TR i\C I ON DE H IPRESi\S
El diagrama de red resultante se muestra en la figura 27. La actividad ficticia F1

obliga el comienzo de la actividad D, nicamente cuando A y C hayan finalizado ,
mientras que la actividad ficticia F2 evita confundir en una sola a las actividades G
y H. Las actividades A y B parten del nodo inicio porque no tienen predecesoras y
las actividades J e I llegan al nodo final porque no son predecesoras de ninguna
otra actividad .
F1 Y Fi Actividades
ficticias
Figura 27. Diagrama de red para el proyecto del traslado de las oficinas.
7.3 LA RUTA CRITICA.
Despus de la planeacin o construccin del diagrama de red , la aplicacin de

PERT-CPM proporciona un programa conteniendo las fechas de inicio y
finalizacin de cada actividad . Debido a la interaccin entre las actividades , la
determinacin de estos tiempos , exige clculos especiales que conducen a
clasificar las actividades de los proyectos como crticas o no crticas .
15 3
1.1I1S ALBERTO RINCON All RIL
Actividad crtica. Cuando la demora en su comienzo genera un retraso en la

fecha de terminacin de todo el proyecto.
Actividad no crtica. Cuando el tiempo entre su comienzo ms prximo y de

finalizacin ms tardo permitido en el proyecto , es mayor que su duracin real . En
este caso , se dice que la actividad no crtica tiene un tiempo de holgura.
7.3.1 Determinacin de la Ruta Crtica.
Una ruta crtica define una cade na de actividades crticas que unen los eventos
inicial y final del diagrama de red e identifica todas las actividades crticas del
proyecto. El mtodo para determinar tal ruta se ilustrar con un ejemplo numrico.
Ejemplo. Considere la red de la figura 27, que comienza en el nodo 1 y termina en

el nodo 9. El tiempo en semanas requerido para ejecutar cada actividad es el
siguiente:
Actividad A B C D E F G H I J
Tiempo 3 5 3 4 8 2 4 2 5 3
Los clculos se realizan en dos etapas . A la primera fase se le llama clculos

hacia delante; van desde el nodo "inicio" hasta el nodo de "finalizacin" . En cada
nodo se calcula el tiempo de ocurrencia ms prximo del evento correspondiente.
A la segunda fase se le llama clculos hacia atrs , van desde el nodo
"terminacin" hacia nodo de "inicio" . En cada nodo se calcula el tiempo de
ocurrencia ms tardo del evento correspondiente.
Clculos hacia adelante. Sea TP , el tiempo de inicio ms prximo de todas las

actividades que se inician en el evento i o el tiempo de ocurrencia ms prximo del
evento i. Convencionalmente este tiempo se toma en O para el evento de "inicio" .
154
IN\TST IGi\C ION IX OPER ,\C IONES P\J~ \ INGEN I ER I /\S y i\DM IN ISTRf\C ION DE H I PRES r\S
Si dj representa la duracin de la actividad i---7j, entonces el tiempo de ocurrencia

ms prximo de cada uno de los eventos j ser :
Los clculo s hacia adelante para la figura 27 proporcionan los siguientes valores :
TP + dj TP, = M.\"tr~ +d" f

Evento
1 TP 1 = O O
2 TP 1 + d 12 = 0+ 3 = 3
TP 4 + d 42 = 8 + O = 8 8
3 TP 1 + d 13 = O + 5 = 5 5
4 TP 3 + d 34 = 5 + 3 = 8 8
5 TP 2 + d 2s = 8 + 4 = 12 12
6 TP 4 + d 46 = 8 + 2 = 10 10
7 TP 6 + d 67 = 10 + O = 10 10
8 TP s + d s8 = 12 + 8 = 20 20
TP 6 + d 68 = 10 + 2 = 12
TP 7 + d 78 = 10 + 4 = 14
9 TP 3 + d 39 = 5 + 5 = 10
TP 8 + d 89 = 20 + 3 = 23 23
Clculos hacia atrs. Sea TT el tiempo de ocurrencia ms tardo , para todas las
actividades que terminan en el evento i. Si n es el evento de terminacin de todo el
proyecto , entonces , TT n = TP n e iniciar el clculo hacia atrs . En general , para
cada uno de los dems nodos i, el tiempo de ocurrencia ms tardo se calcular
como:
TT, = Mllfn,
, - d I! J
Los clculos hacia atrs para la figura 27 proporcionan los siguientes valores:
J55
LU IS ,\I.IlERTO RINCON A BRIL
TTj-d ij rr, =Mll{rr) -d,, }

I
Evento
9 TT g = TP g = 23 23
8 TT 9 - dS9 = 23 - 3 = 20 20
7 TT 8 - d 78 = 20 - 4 = 16 16
6 TT 7 - d 67 = 16 - O = 16 16
TT s - d 6S = 20 - 2 = 18
5 TT s - d 5S = 20 - 8 = 12 12
4 TT 6 - d 46 = 16 - 2 = 14 8
TT 2 - d 42 = 8 - O = 8
3 TT 9 - d 39 = 23 - 5 = 18
TT 4 - d 34 = 8 - 3 = 5 5
2 TT 5 - d25 = 12 - 4 = 8 8
1 TT 3 - d 13 = 5 - 5 = O O
TT 2 - d 12 = 8 - 3 = 5
7.3.2 Identificacin de las actividades de la Ruta Crtica.
Una actividad i~j est en la ruta crtica si satisface las tres condiciones siguientes :
TT = TP
TT j = TP j
TT j - TT = TP j - TP = dj
Estas condiciones se cumplen para las actividades que carecen de tiempo de

holgura entre el inicio ms prximo y el inicio ms tardo. Esto, hace que esta
actividad sea crtica. La tabla de la pgina siguiente posibilita el anlisis de estas
tres condiciones para el ejemplo de la figura 27 .
La Ruta Crtica la componen las actividad es 1 ~3~4~2~5~8~9 Y comprenden

el tiempo ms corto posible para terminar todo el proyecto . Obsrvese que la ruta
crtica forma una cadena de actividades conectadas desde el "inicio" hasta la
"finalizacin" , condicin que debe cumplirse en cada uno de los programas de
proyectos.
156
INVEST ICAC ION DE OPERAC IONES PARA IN(,EN I ER I\S Y ADM IN ISTRAC ION DE EMPRESAS
Actividad Ruta i-7j TP TP j TT TT j dj Crtica

A 1-72 O 8 O 8 3
B 1-7 3 O 5 O 5 5 Si
C 3-74 5 8 5 8 3 Si
F1 4-72 8 8 8 8 O Si
D 2-75 8 12 8 12 4 Si
E 5-78 12 20 12 20 8 Si
F 4-76 8 10 8 16 2
F2 6-77 10 10 16 16 O
G 7-78 10 20 16 20 4
H 6-78 10 20 16 20 2
I 3-79 5 23 5 23 5
J 8-79 20 23 20 23 3 Si
7.3.3 Determinacin de las holguras.
Una vez se haya encontrado la Ruta Crtica , se debe proceder a calcular todas las
holguras de las actividades no crticas. Para determinar estas holgu ras , es
necesario encontrar dos parmetros adicionales, el tiempo de in icio ms tardo
(lTj) y el tiempo de fina lizacin ms prximo (FPj) para cada actividad; los
cuales cumplen las siguientes expresiones matemticas :
ITj = TT j - dj
FPj = TP + dj
Se consideran dos tipos de holguras , total y libre .
Holgura total HTj. Diferencia entre el mximo tiempo disponible para rea lizar la
actividad y su duracin ; esto es :
157
I. U IS i\ LllERTO RINCON ABR IL
Holgura libre HL. Suponiendo que todas las actividades comienzan tan pronto
como sea posible , es el exceso de tiempo disponible sobre su duracin para cada
actividad ; es decir:
HLi = TP - TP - d
Todos los clculos de ruta crtica , incluidas las holguras total y libre para las
actividades no crticas, pueden presentarse como aparecen en la tabla de la
pgina siguiente. En sta , se observa que las actividades crticas tienen las
holguras total y libre iguales a O.
Actividad Ruta d TP TP TT TT IT HT HL
i-7j
A 1 ~2 3 O 8 O 8 5 5 5
B 1 ~3 5 O 5 O 5 O O O
e 3~4 3 5 8 5 8 5 O O
F1 4~2 O 8 8 8 8 8 O O
D 2~5 4 8 12 8 12 8 O O
E 5~8 8 12 20 12 20 12 O o
F 4~6 2 8 10 8 16 14 6 O
F2 6~7 O 10 10 16 16 16 6 O
G 7~8 4 10 20 16 20 16 6 6
H 6~8 2 10 20 16 20 18 8 8
I 3~9 5 5 23 5 23 18 13 13
J 8~9 3 20 23 20 23 20 O O
7.4 DIAGRAMA DE TIEMPO.
A partir de los clculos de la red se construye un diagrama de tiempo que pueda

servir o convertirse fcilmente en un programa calendario para el personal que
ejecutar el proyecto . El diagrama de tiempo debe considerar las limitaciones de
los recursos disponibles , pues en muchas ocasiones no es posible realizar
158
IN\' I S I IG \l'ION DI 01' 1 { ,\C IONES PA R,\ INl; I: N IERI AS y I\I)~ II N I S TR \C I ON DE E~IPRE SAS
actividades simultneas por las limitaciones de personal y equipo . En este caso las
holguras totales para las actividades no crticas resultan muy tiles. Cambiando
una actividad no crtica (hacia atrs o hacia adelante) entre sus lmites TP y TT , se
pueden cumplir los requisitos de recursos. Aun en abundancia de recursos (no hay
recursos limitados) , se acostumbra usar las holguras totales para nivelar los
recursos sobre la duracin del proyecto completo. Esto significa una planeacin ,
uso y control de los recursos ms estable comparada con el caso donde el uso de
la fuerza laboral y de la maquinaria de trabajo cambia fuertemente entre un periodo
y otro.
Actividades crticas
. . .
.. '9'.
~.
Actividades no crticas
'-o
.- - - , - ---.------.----------,.-------'
1\: tF i:2 : ~
.~.;. ... .; ... .; ..':(. . .
~: : tr.=4 : t;'\
.~.~. ... ., ....... .,. .. -". ..~.
o
.. ..
4 8 12 16 20 ~4
Semanas del proyecto
Figura 28. Diagrama de tiempo para el proyecto de traslado de oficinas.
La figura 28 ilustra la construccin del diagrama de tiempo para el ejemplo que se

ha venido trabajando . Se observa fcilmente cuales son las holguras hacia delante
o hacia atrs en la programacin de las alternativas no crticas. La actividad ficticia
J5 9
LU IS A L BERTO RINCON \BR IL
4-1 2 no consume tiempo , por lo tanto , se muestra como una lnea vertical. Las
actividades crticas se indican con lneas continuas. Los lmites de tiempo para las
actividades no crticas se muestran con lneas punteadas; tales actividades pueden
programarse dentro de esos intervalos , siempre y cuando no se alteren las
relaciones de precedencia.
Las holguras total y libre en la programacin de actividades no crticas se explican

en trminos de dos criterios :
,/ Si estas holguras son iguales , la actividad no crtica se puede programar en

cualquier instante entre los tiempos de inicio ms prximo y de finalizacin ms
tardo .
,/ Si la holgura libre es menor que la holgura total , el inicio de la actividad no
crtica se puede demorar en relacin con su tiempo de inicio ms prximo en un
valor no mayor que la holgura libre sin afectar la programacin de las
actividades posteriores .
En esencia , la holgura libre menor que la holgura total advierte que la

programacin de la actividad no debe terminarse sin antes verificar su efecto en los
tiempos de inicio de las actividades posteriores . Esta valiosa informacin slo
puede asegurarse a travs del uso de clculos de ruta crtica .
7.5 EL ENFOQUE DE TRES TIEMPOS ESTIMADOS DE PERT.
No siempre es posible obtener estimaciones con exactitud razonable para cada

actividad del proyecto. En la prctica, frecuentemente existen incertidumbres sobre
cules sern esos tiempos; de hecho se trata de una variable aleatoria que sigue
alguna distribucin de probabilidad . La versin original de PERT tiene en cuenta
160
INVEST IGAC ION DE O PERAC IONES PARA INGEN I ER I\S y AD MI N ISTR AC ION DE EMPRESAS
esta incertidumbre , suponiendo que la estimacin de tiempo para cada actividad

est basada en 3 valores diferentes:
a = tiempo optimista , poco probable pero posible si todo sale bien.

b = tiempo pesimista , poco probable pero posible si todo sale mal.
m = tiempo ms probable , estimacin ms realista.
El intervalo especificado por las estimaciones optimista y pesimista , contienen

cualquier estimacin de la duracin de la actividad. La estimacin ms probable m
no tiene que coincidir con el punto medio 'l2(a + b) . Debido a estas propiedades se
supone que la duracin para cada actividad sigue una distribucin beta con un
solo punto modal en m y sus puntos extremos en a y b. La figura 29 muestra los
tres casos de la distribucin beta. Se hacen dos suposiciones para convertir m , a y
b en estimaciones del valor esperado Te Y la varianza cr 2 del tiempo para la
actividad .
1. Como al menos el 90% de cualquier funcin densidad de probabilidad est

dentro de tres desviaciones estndares de su media , la dispersin entre los
extremos a y b, es seis veces la desviacin estndar, esto es , 5cr = b - a.
Entonces la varianza del tiempo ser:
, (b-o) "
cr -=
36
2. El punto medio Y2(a + b) tiene una ponderacin de la mitad de la del punto ms

probable m . Entonces , el valor esperado Te es la media de Y2(a + b) Y 2m:
[2111 +
= -J {/ +-
a+ b) ] = - b+ 4111
T,' 6- -
I 1 (
"
161
LU IS ALBERTO RINCON ,\ llR IL
I Sesgada hacia la derecha I ,c' '[ \''-

~ ./ ~
.' ~
I
a m b
I Sesgada hacia la izquierda I
a
Simtrica I
b
/ ~'//I"
/
,-
a m b
Figura 29. Distribucin beta para las tres estimaciones de tiempo de PERT.
Los clculos de la red para la fi gura 27 reali zados en las se cc iones pre cedentes
fueron tomados di rectamente pa ra cada d ij , reemplazndolos con la estim ac iones
Te de la siguie nte tab la:
Optimista Pesimista Probable Esperado Varianza
ACTIVIDAD a b m Te 02
A Seleccionar el s Itl de las Oficinas 1.5- 4.5 3 3 0.250
B Crear el plan organlzaciona l y finanCiero 3 7 5 5 0.444
e Determinar nece sidades de personal 0.5 4.5 3.25 3 0.444
D Disear la Instal acin 2 7 3.75 4 0.694
E Construir el Inte nor de la Instalacin 6 12 9 9 1.000
F Seleccionar el p ersonal que ser transfendo 0.5 3.5 2 2 0.250
G Contratar nuevo s empleados 0 .75 5.25 4.5 4 0 .563
H Trasladarreglst ros, personal y otros 0.25 3.75 2 2 0.340
I Hace r los arregl os fin ancieros con otras sedes 2 12 4 5 2 .778
J Capaci tar el nue vo personal 1 4 3.25 3 0 .250
162
INVrSTI(i\(' ION DE OPER ,\C IONES PA RA I NGEN IER II\S y ADM IN I STR AC ION DE EMPRESAS
Si se supone que los tiempos de las actividades son variables estadsticamente

independientes y que la ruta crtica , en trminos de tiempos esperados , siempre
requiere un tiempo mayor que cualquiera de las dems trayectorias. Adems ,
como el valor esperado de una suma de variables aleatorias es la suma de sus
valores esperados y la varianza de una suma de variables aleatorias
estadsticamente independientes es la suma de sus varianzas , entonces el tiempo
del proyecto es igual a la suma de los tiempos esperados para las actividades
sobre la ruta crtica y la varianza del tiempo del proyecto es la suma de las
varianzas de los tiempos de las actividades .
La tabla siguiente muestra que para la aplicacin de este enfoque en la ruta crtica
de la figura 27 (actividades 1 ~3~4~2~5~8~9) , el tiempo esperado del
proyecto es 23 semanas con una varianza de 2.832 .
Actividad Ruta i~j Esperado Varianza

Te (J2
B 1 ~3 5 0.444
e 3~4 3 0.444
F1 4~2 o
D 2~5 4 0.694
E 5~8 8 1.000
J 8~9 3 0.250
Tiempo del proyecto 23 2 .832
1. Para elaborar el presupuesto del ao siguiente, una empresa debe recolectar

informacin de sus departamentos de Ventas, Produccin , Contabilidad y Tesorera. La
tabla siguiente indica las actividades y sus duraciones. Construir el modelo de red del
problema y realizar los clculos de Ruta Crtica .
J63
LUIS ALBERTO RINCON A BRIL
Actividad Descripcin Precedentes Das de

inmediatas duracin
A Pronsticos sobre Ventas 10
B Estudio del mercado competitivo 7
C Diseo del artculo e instalaciones A 5
O Creacin del_P!ograma de produccin C 3
E Estimacin del costo de produccin O 2
F Fijacin del precio de venta B, E 1
G Elaboracin del Presupuesto E, F 14
2. La instalacin de un nuevo computador que trabajar como servidor de archivos de

la Unive rsidad en INTERNET, puede representarse por la siguiente lista de
actividades. Construir el modelo de red del problema y realizar los clculos de Ruta
Crtica.
Actividad Descripcin Precedentes Semanas de

inmediatas duracin
A Establecer las especificaciones 10
B Solicitar los catlogos A 1
C Construir facilidades externas A 16
O Esperar los catlogos B 3
E Evaluar los catlogos O 2
F Construir facilidades internas C 12
G Seleccionar el computador E 1
H Escoger el equipo de comunicacin G 1
I Escoger el Software necesario G,H 3
J Construir las redes elctricas F, G, H 6
K Llegada e instalacin del computador G, J 2
L Construir las redes de comunicacin F, K 6
M Instalacin del equipo de comunicacin H, L 3
N Montaje del Software K, M 4
O Probar el Sistema M, N 3
3. El montaje y puesta en marcha de una nueva planta de produccin requiere las

actividades de la tab la siguiente.
164
INVESTI(i ,\CION I)E OPI-.I{ ,\C IONES 1',\1< ,\ I NGEN IERI ,\S y , \I)~ II N I STR I \C I ()N DE H IPRES\S
Precedentes Meses de duracin

Actividad Inmediatas Optimista Probable Pesimista
A 3 4 6
B A 2 3 5
e A 0_5 1 3
o A 1 2 4
E o 2 3 6
F o 1 4 8
G B 2 4 10
H B 1 2 5
I C ,E,G 1 4 7
J F 1 2 5
K H,I,J 2 4 8
L F 0.5 1 4
M K ,L 1 3 5
3. 1. Calcular el tiempo esperado y la desviacin estndar para cada actividad.
Construir el modelo de red del problema y realizar los clculos de Ruta Critica.
J65
8. MODELOS DE INVENTARIOS
Con demasiada frecuencia las empresas requieren mantener un inventario de

bienes fsicos o mercancas para satisfacer la demanda sobre un horizonte de
tiempo definido , bien sea para asegurar un trabajo eficiente y uniforme en sus
operaciones o para cumplir con las demandas de los clientes. En una empresa
pequea , el administrador puede mantener permanentemente un recuento de su
inventario y definir fcilmente cundo y en qu cantidad reabastecer su
inventario; sin embargo, an en estas pequeas empresas , en muchas ocasiones ,
se debe recurrir a la formulacin de un modelo matemtico que describa el
comportamiento del sistema de inventarios y proceder a derivar una poltica de
inventarios respecto de este modelo.
Tericamente, es posible satisfacer la demanda almacenando una sola vez para

todo el horizonte de tiempo o separadamente por unidades de tiempo para el
horizonte. Pero estos casos , normalmente pueden generar sobrealmacenamientos
o subalmacenamientos.
En el primer caso, aunque no se tendrn frecuentes periodos de escasez se tendr

un mayor capital invertido por unidad de tiempo. En el segundo caso , aunque se
requiere un menor capital invertido por unidad de tiempo se darn periodos de
escasez. Las decisiones que consideran el instante y la cantidad de pedido puede
estar basada en la minimizacin de una funcin de costos totales que consulte los
excesos o faltas de almacenamiento.
166
INVEST IG,\C ION DE OPERAC ION I:S I',\R ,\ ING EN I FR I,\S y AD~ II N I S T R , \C I ON DE E~ I I' R ESAS
8.1 TERMINOLOGA EN LOS MODELOS DE INVENTARIOS.
C : Costo de produccin o Precio de compra por unidad de inventario.
A : Costo de hacer un pedido . Es independiente de la cantidad y considera los

costos de preparacin del pedido , despachos, preparaci n de maquinaria.
I : Costo de mantenimiento del inventario por unidad de dinero y tiempo . Considera

los costos de oportunidad de inversin de capital , almacenamiento , depreciacin y
manejo del inventario.
h : Costo de mantenimiento de una unidad de inventario por unidad de tiempo . As

que h = IC .
~: Costo fijo de penalizacin por cada unidad que se retrasa.
y : Costo de penalizacin por unidad de tiempo o dinero por cada unidad que se
retrasa.
A : Tasa de demanda por periodo (normalmente , unidades/ao). Se supone

conocida con exactitud y constante a lo largo del periodo.
a : Tamao del lote. Cantidad de unidades que se ordenan para renovar el

inventario.
r : Punto de reorden o Nivel del inventario para el que se debe ordenar un nuevo
pedido de tamao Q.
167
I l llS I\ Lll rln O RINCON 1\Il RIL
Tr : Tiempo de reorden o Intervalo de tiempo entre pedidos o entre corridas de

produccin . En el caso ms sencillo se considera determinstico y conocido, pero
normalmente se distribuye con base en alguna funcin de densidad de
probabilidad.
8.2 MODELO DETERMINSTICO SIMPLE.
Se considera los siguientes criterios:
.:. Una demanda determinstica .

:. La produccin, adquisicin o consumo del artculo ocurre a una tasa de A
unidades/ao .
:. No se permiten faltantes , esto es, la demanda siempre se satisface .
Figura 30. Modelo Determinstico Simple.
168
INV LST IC; .\ClON I)r Oi' 1 R,\C IONES PAR ;\ INGEN I ER l f\S y ,\D~ II N I STRAC I ON DE EMP RESAS
Con base en estos criterios , la Figura 30 describe la variacin del nivel del
inventario a lo largo del tiempo . En esta , T representa la longitud del periodo y 0 0
es el valor inicial del inventario. En general , O = AT. En particular, en la figura 30,
00 = AT. El problema ser encontrar el valor de O que produzca los costos
menores anuales para una funcin Ca(O). Esta funcin resulta ser la suma de los
siguientes costos parciales:
1. Costo anual de mantenimiento de los inventarios. El costo de

mantenimiento en cualquier instante es igual al costo de mantener todo el
inventario menos el costo de la disminucin de inventario en ese instante, esto
es :
dCp(t) = ICOdt -ICAtdt = IC(O - At)dt

Con ello, el costo de mantenimiento por periodo se puede calcular como :
/ r AT "
C, = r de (t)dt = Jro IC( Q -At)dt = I C( Q - -
2
). C0 ll1 0 T = Q , ellfOll ces :
I JI) P
A
C = I CT Q
/' '")
Como el nmero de periodos que hay en un ao es 1 , entonces el costo anual

T
de mantenimiento ser C,,, = T1 e /' = le Q

2
. Fcilmente se puede demostrar que
1120 representa el inventario promedio anual. Este costo se reduce a calcular el

producto del factor h = IC por el inventario promedio.
Haciendo uso de la definicin del valor promedio de una funcin en un

intervalo , en todos los casos el inventario promedio se podr calcular con la
1 r 1
siguiente expresin Q = -T1r Q(r )dr = T Ara r debajo
.
de Q (r ) . Entonces
Q = I QT Q
T :2 :2
J69
L U IS A LBERTO RINCON AB RIL
2. Costo anual de los inventarios. Nmero de unidades compradas en el ao

por su costo unitario e, = Ae .
3. Costo anual de hacer los pedidos. Costo del pedido por el nmero de
pe d I'dos en el ano, I =AA.
- esto es: el = A -I = A ~
, T (J,!. Q
Entonces , el costo anual Ca(Q) en este modelo, se puede calcular como:

Q
e (Q)= l e +Ae+A 3..
" :2 Q
Aplicando los conceptos del clculo diferencial se puede encontrar el lote
econmico, esto es, la cantidad ptima que se debe pedir para lograr que el
modelo funcione a costo mnimo.
de le A :2AA :2AA
_ " =- -A - =o entonces Q" = -- = --
dQ :2 Q' ' le . /
Tomando la segunda derivada se demuestra que Q * produce un mnimo para la

funcin de costos . El costo mnimo que se obtiene al reemplazar en la funcin a Q
por Q* es: e"(Q*) = -J 2A l eA = -.J 2A h A, T" = Q '"

A
La poltica ptima ser colocar un pedido de Q* unidades cada T* unidades de

tiempo.
En la mayora de los casos prcticos se tiene un tiempo de demora T d entre el

instante en se coloca el pedido hasta que realmente se entrega . En este caso, la
poltica de pedidos debe especificar el punto de reorden oLa figura 31 presenta la
situacin .
De la figura 31 se puede especificar el punto de reorden , calculando el tiempo y

punto de reorden como:
Tr = T* - T d Y r =A T r
170
IN\' I ~ 11( ; \C!ON DE OPFR \C!ONES P\RA I NGEN I ERI AS y AD~ II N I S TR /\C I ON DE E~ I PRESAS
Q*
Figura 31. Modelo Determinstico Simple con tiempo de demora.
Ejemplo. Un proceso de produccin automatizado consume 40 Ton diarias de

plstico como materia prima . Cada que se coloca un pedido se origina un costo de
$US 10, mientras que el costo de mantenimiento de una Ton de materia prima por
da es $US 0.02. Si el tiempo de demora es de 2 das , determinar el tamao
econmico del lote y el punto de reorden o
2AA ~40
Tamao econmico del lote: Q" = = 200 Ton
, / 0.02
. d optlma
Longltu d i do: 7" "=
e peno . Q '" = 200
- = S das .
A 40
Tiempo de reorden: Tr = T* - Td =5 - 2 = 3 das
Punto de reorden: r =A Tr = 40 x 3 = 120 Ton
17 1
L U I S ,\ L BE RTO RINCON A IlR II .
Se coloca un nuevo pedido a los tres das de inicia r cada periodo cuando el nivel
de inventarios llega a 120 unidades.
La figura 31 y el ejemplo anterior consideran el caso en que T d S T* . Se deja al

lector el anlisis del caso en que ocurre T d > T* , por ejemplo T d = 1.5T*, en el
cual se pueden tener en algn momento varios pedidos acumulados .
8.3 MODELO DETERMINSTICO CON ENTREGAS RETRASADAS.
Este caso obedece a una de dos circunstancias. En un primer caso, las demandas
acumuladas insatisfechas pueden esperar hasta ser atendidas. En un segundo
caso, las demandas insatisfechas acumuladas se pierden. En cualquiera de estos
casos hay que considerar un costo de penalizacin adicional por no satisfacer a
tiempo la demanda. Este costo tendr dos componentes, C pen = n + <1>. El primer
elemento representa el costo fijo por las unidades retrasadas y el segundo un
costo proporcional al tiempo de retraso.
De manera similar al procedimiento usado en el modelo determinstico simple , se

puede encontrar el valor de O que produzca los costos menores anuales para una
funcin Ca(O) . Esta funcin resulta ser la suma de los siguientes costos parciales:
1. Costo anual de mantenimiento de los inventarios. En las secciones
precedentes se mostr que este costo equivale a: l e Q i

= l e ~T ()
T1
Q(t )dl , esto es ,
Cm= l e I (Q _ S) T = I cA (Q _ S) Q - s = l e (Q - S) 2
T '2 Q 2A 2Q en donde S es la
cantidad retrasada .
172
INV L STI(; ,\CION DE OPERAC IONES P/\RA INCEN ILR I /\S y I\D~ II N I STRAClON DE EM PRES ,\S
Figura 32. Modelo Determinstico con entregas retrasadas.
2. Costo anual de los inventarios. Nmero de unidades compradas en el ao

por su costo unitario e, = Ae .
3. Costo anual de hacer los pedidos. Costo del pedido por el nmero de
d I -
Pe d I os en e ano , esto es : e, I
= A TI = A IJI = -QA A .
4. Costo de penalizacin. Se defini como Cpen = n + <1>. esto es , el costo fijo por
las unidades retrasadas ms un costo proporcional al tiempo de retraso. Si ..t
define el costo fijo por cada unidad retrasada y y el costo proporcional al tiempo
de retraso por cada unidad , entonces , n = f..1S

I
\'
T .
<)) = Y Tc_:2S TI . Con ello,
I T, S I A SS A I }S c
e = "IS + y - = uS - + y =- (ISA - -)
'"'' T :2 T 'Q 2A Q Q :2
173
LU IS A LBERTO RINCON ,\I3R IL
Entonces , el costo anual en este modelo Ca(Q) , se puede calcular como:
A (Q _ S) C l yS e
e" (Q , S) = Ae + A
Q
+ le
2Q
- + - (USA+ -
Q . 2
)
Aplicando los conceptos del clculo diferencial se pueden encontrar los valores
ptimos para Q y S.
De l eQ c - 2AA - 2pSA _ySe - l es 2 , ,

~" = - - = 0 => l eQ - =2AA+2pSA+(y+ le )S- (a)
DQ 2Q 2 '
8e,,= le (S-Q)+ p A+yS=o => s= l eQ- p A (b)

DS Q , le + y
Reemplazando (b) en (a) se obtiene :
Reemplazando este valor Q* en (b) se obtiene S*.
'. le . pA . ! t e - .: p eAe ~I A
S,'= Q"- => S ,'= I _. 2AA- - - ~
le +y le + y ! le +y , le + y le + y
Sobre las expresiones anteriores , se puede considerar el modelo determinstico

simple de entregas inmediatas si se supone que y tiende a un valor muy grande
(y~oo ) ; es decir, se obtiene para este caso que :
174
INV[ST IGi\ClON UE O I' ER,\ClONES P,\R\ I N(,EN I ER I,\S y i\D MI N IST RI\C ION D E E ~ 1P RES\S
1. Una embotelladora produce diferentes tipos de gaseosas usando el mismo

equipo. Cuesta $US 300 limpiarlo y prepararlo para producir otro tipo de
gaseosas. Una de las gaseosas tiene una demanda determinstica de 10000
litros/mes. El costo de produccin es de 0.5 $US/litro. Si I = 0.07, cuales son los
valores de Q*, T*, C* a.
2. La demanda de un producto es 300 unidades/mes y los artculos se retiran a

una tasa constante. El costo de preparacin cada que se hace una corrida de
produccin para reabastecer el inventario es $US 150. El costo de produccin
es 5 $US/unidad y el costo de mantener el inventario es 1 $US/(unidad x mes) .
2.1. Si no se permiten retrasos en las entregas , determinar cada cunto debe

hacerse una corrida y de qu tamao debe ser.
2.2. Si se permiten retrasos en las entregas , con un costo fijo por cada unidad
retrasada de $US 2 y un costo de cada unidad proporcional al tiempo de
retraso de $US 1, determinar cada cunto debe hacerse una corrida y de
qu tamao debe ser.
3. Una empresa de autobuses consume gasolina a una tasa constante de 17000

galones por mes. Puede comprar y almacenar grandes cantidades de gasolina
a precios de descuento $US 1.3 y tiene un costo fijo de $ US 500 por cada
orden. El costo de mantener el inventario es 0.05 $US/(galn x mes).
3.1. Si no se permiten retrasos en las entregas, determinar cada cunto debe

comprar y de qu tamao debe ser el pedido.
3.2. Si se admiten retrasos en las entregas , con un costo fijo por cada galn
retrasado de $US 0.3 y un costo de cada galn proporcional al tiempo de
retraso de $US 0.2, determinar cada cunto debe comprar y de qu tamao
debe ser el pedido.
J7S
l. U IS 1\ LB r::RTO RINCO N A BRIL
4. El modelo de la figura 33 supone que el inventario se reabastece
uniformemente (a cambio de instantneamente) a una tasa de <1> artculos por
unidad de tiempo hasta que alcanza el tamao del lote . Los artculos se retiran
a una tasa de A (A< <1 artculos por unidad de tiempo. En este modelo se
cumple que en el intervalo T1 los reabastecimientos y retiros son simultneos

mientras que en T 2 nicamente se hacen retiros.
Nivel de
Inventario
Tiempo
T1
Figura 33. Modelo Determinstico con reabastecimiento uniforme.
4.1. Encuentre la funcin de costo anual para este modelo.
4.2 . Determine el tamao econmico del lote.
176
9. MODELOS DE ESPERA O TEORA DE COLAS.
La teora de colas proporciona un gran nmero de mode los para el anlisis

matemtico de los fenmenos de las lneas de espera o colas . Las colas ocurren
con frecuencia cuando una serie de clientes solicitan un servicio , teniendo el
servicio y la llegada de los clientes una situacin de tipo probabilstico . Los
modelos de espera describen el comportamiento de la co la a travs del tiempo y
sacan las caractersticas operacionales de la misma , pero no pretenden resolver
directamente el problema de la espera en cola . Por lo tanto , algunos de los
parmetros manejados en los modelos son el tiempo promedio de espera en la
cola , el nmero promedio de clientes en la cola , el tiempo de ocupacin de los
servidores y otros ms . Muchos de los problemas del anlisis de lneas de espera
requieren de los modelos de Simulacin , aqu solamente se tratarn los aspectos
bsicos sobre los modelos ms elementales sin considerar la optimizacin de los
sistemas reales que representan .
9.1 PROCESO BSICO DE UNA COLA.
El proceso bsico supuesto para los modelos de espera es el siguiente : un flujo

de clientes provenientes de una fuente de entrada llegan a una cola para
buscar una estacin de servicio , donde el cliente i-simo llega en el instante
t i; este cliente puede ser demorado un tiempo Di mientras espera que los
clientes que estn delante de l en la cola sean atendidos por el
despachador . Se puede definir a Si como el tiempo de servicio empleado
177
L U I S A LB ERTO R INCON A BRIL
efectivamente para recibir atencin este cliente o tiempo que el individuo pasa en
el sistema. Se define una estacin de servicio como la porcin de una instalacin
o estacin que puede suministrar servicio a un cliente a la vez.
Clientes
Fuente de
Entrada !> CHe ntet>,-_C_O_I a_> Estacin de
servicio
servidos
Figura 34. Proceso bsico de Colas.
Si W representa el tiempo de espera en la estacin del cliente i-sirno , esto es ,

W=D+S , entonces l abandona el sistema en el instante t + W = t + D + Si. Los
valores ti, W, S y D son variables aleatorias . Para cada instante t, se define N(t)
como el nmero de clientes en el sistema en ese instante.
En muchos casos se supone que las llegadas ocurren con una distribucin de
l
Poisson , es decir, P (x = j) = e )'?e . En este caso, el parmetro A., es la intensidad
. JI
o tasa promedio de llegadas al sistema o valor esperado del nmero de llegadas
por unidad de tiempo. Ocasionalmente , las llegadas pueden ser en lotes de
tamao fijo o variable . Un ejemplo lo constituyen las llegadas de aviones a
aeropuertos ; cada avin se considera una unidad que requiere servicio ; mientras
que los pasajeros que llegan dentro del avin componen un lote que requiere la
utilizacin de otros servicios.
178
INVEST IG ,\C10N DE OPER /\C IONES PARA INGEN IER I AS y i\D~ II N I STRAC I ON DE H IPRES AS
9.2 DISCIPLINA DE LA COLA.
Es el mtodo empleado para seleccionar los clientes en la cola con el fin de

atenderlos. Este orden de prioridades puede ser primero en entrar primero en salir,
aleatorio , prioridad a los clientes que emplearn menos tiempo en la estacin o
primero , los de una clase; luego , los de otra ; y as sucesivamente .
La duracin t del servicio, ocurre en muchos casos de acuerdo con una distribucin
exponencial f(t) = pe -pi. El parmetro p representa la tasa promedio de servicio o
valor esperado del nmero de clientes atendidas por unidad de tiempo.
El mecanismo de servicio puede tener uno o varios canales en serie o en paralelo .

En un modelo de colas debe ser posible especificar el arreglo de los canales y el
nmero de ellos .
.....................................................................
.................................. S"stETia de eoias
Figura 35. Modelo de Colas.
179
L U IS A L flERTO RINCO ABR IL
9.3 TERMINOLOGA BSICA.
Si el sistema de cola se encuentre en el estado estable , esto es , una cola que lleva
operando mucho tiempo y por la cual han pasado o pasarn muchos clientes y se
supone que los lmites usados en las siguientes expresiones existen , entonces:
I
1 E(S, )
1 , EU )
- = LIII1 - - = Llll ~
A I-> ~ j , J.1 J~ OO .i
Donde A es tasa de llegada a la cola y Il tasa de servicio en el sistema. Como n(t)

es el nmero de clientes en el sistema en el instante t, si se define L como el
nmero promedio de clientes en el sistema , W como el tiempo promedio de espera
de un cliente en el sistema y Pn como la proporcin de tiempo que se tienen n
clientes en el sistema , entonces:
\V =
I
E(W: )
L ll1 -,-,
, ~,-,--
I _- L = LIl1 _ 0 _
r E (n(r ))dl
---
T-> ~ T
I
T
Sr P (n(l ) = 11 )dl
P(W, "5. / )
P = Llll =-:.(,-
1 ---- P(W ::; 1) = Llll ,~I
"T-> ~ T I ->~ j
En procesos de cola en estado estable L =AW, llamada frmula de Little debido a

que John D. C. Little proporcion la primera demostracin rigurosa de ella.
9.4 EL PROCESO DE POISSON.
La representacin ms comn en los procesos de llegada a una cola es el proceso

de Poisson . Suponiendo que XI es el nmero de llegadas en el intervalo (O , tl . El
conjunto de variables aleatorias {XI, t} es un proceso de Poisson , si para t > O Y
180
INVEST ICi .\C ION IX O PER ,\C IONES 1',\1< ,\ INGEN II, RI\S y \I)~ II N I ST R \C I ()N DE E~ I P R ES /\S
e ., (Al )"
algn nmero real A. > O', XI tiene la distribucin P (1 ) = P(X 11 I
= /1 ) = -1 - . Esta
/l .
relacin se obtiene por medio de argumentos matemticos basados en una serie

de supuestos del proceso. Las propiedades del proceso de Poisson son:
1. El nmero de llegadas en intervalos disyuntos, son variables aleatorias

mutuamente independientes . Esta propiedad se conoce como de incrementos
independientes.
2. La distribucin del nmero de llegadas en el intervalo (t , t + h] depende

nicamente de la longitud del intervalo . Esta propiedad se conoce como de
incrementos estacionarios.
3. De la funcin de densidad de probabilidad se puede ver que para intervalos

suficientemente pequeos , existe una alta probabilidad de cero llegadas ; la
probabilidad de exactamente una llegada es aproximadamente proporcional a
la longitud del intervalo, mientras que la probabilidad de 2 o ms llegadas es
insignificante comparada con la probabilidad de exactamente una llegada. Esta
ltima propiedad se conoce como de ordenabilidad . Matemticamente se
expresa como Lll/ P( X ,
/--'10
= O) = 1. Lll/ P( X ,
I~O
= 1) = A, Lll/ P( X , 2': 2)
/---;{)
= o.
9.4.1 Tiempos entre llegadas, Proceso Poisson.
Si r1 es el instante en que ocurre la primera llegada y F(t) su distribucin de

probabilidad , entonces la probabilidad de que no hayan llegadas en el lapso (O , t] o
que la primera llegada ocurra despus del instante , ser Po(t) = e -Al = 1 - F(t) , es
. F(t) = 1 - e -Al o, ./ (1 ) = -dF(I )
d eClr, =1 A,
/\,{! - ' CO /l
~ f ,) = 1 . E sto .In d'Ica que la f unclon
E( .,
dI A
de probabilidad de r 1 es exponencial. Si se supone que las llegadas ocurren en los
instantes t, < t2 < t 3 <" " . tn, y se toman los tiempos entre llegadas e = ti - t,_, para
181
L UIS A Lll ERT O RI NCON ,\ B RIL
todo i, se puede demostrar que Cada r tiene una distribucin exponencial con
parmetro A .
Si se precisa un instante de tiempo u E (o,t] Y se tienen exactamente n llegadas en

ese intervalo y se suponen los siguientes eventos A = llegan n en (O, t], B = llegan
x en (O, ul y C = llegan n-x en (u, tl. Entonces la probabilidad de B dado A es
P(lJ/ A) = P(A n lJ) = P(lJ)P(C) . La u' 1'tima Igua

. Id a d se d eb e a Ia prople
. d ad d e
P(A) P(A)
incrementos independientes , entonces:
P(8/ A) = (11_-_ '-")

,,--1_ - = (II}~) , (1- ~ )" ,
(' " ( AI )" XII
11 1
Esto es, se trata de una distribucin binomial con parmetro uft independiente de
A.Cuando n=1 se obtiene P(X " = 1/ X , = 1) = 11 , es decir, el tiempo de llegada est

I
uniformemente distribuido en el intervalo.
9.5 EL PROCESO DE NACIMIENTO Y MUERTE.
La mayora de los modelos elementales de espera suponen que las entradas y

salidas de los clientes del sistema ocurren de acuerdo con el proceso de
nacimiento y muerte. Este importante modelo de teora de probabilidad tiene
aplicaciones en varias reas ; sin embargo en el campo de la teora de colas el
trmino nacimiento se refiere a la llegada de un nuevo cliente al sistema y
trmino muerte se refiere a la salida del cliente servido. Es decir, la ocurrencia de
un evento (ya sea nacimiento o muerte) se asocia con el cambio de estado del
J82
INVFST IUAC ION DE O I'I. R,\C IONES PARA IN( ;EN I FR I!\S y \D~ II N I S T R'\( - I ()N DE F MPR FS\S
sistema a lo largo del tiempo. El sistema se encuentra en el estado En si hay n

clientes en el sistema; en este caso , An es la tasa de nacimientos , Iln es la tasa de
muertes y Pn(t) es la probabilidad de que el sistema est en En en el instante t.
Solamente se considerarn ingresos de Poisson y tiempos de servicio regulados
exponencialmente. Las suposiciones bsicas del proceso de nacimiento y muerte
son las siguientes :
1. Como el sistema se encuentra en el estado En en el instante t, la probabilidad

de que ocurra exactamente un nacimiento en el intervalo (t , t + h) est dado por
An h + O(h) ; O(h) es una propiedad de una funcin . Se dice que una funcin es
O(h) si Llll 0(17 )

h~ O h
= O. Algunas propiedades de O(h) son O(h) O(h) = O(h) ,
cO(h) = O(h) .
de que ocurra exactamente una muerte en el intervalo (t, t + h) est dada por
Ilnh + O(h).

de ms de un evento en el intervalo (t, t + h) es igual a O(h) . Por lo tanto, al
menos uno de los cuatro fenmenos siguientes mutuamente excluyentes debe
ocurrir en este intervalo:
,/ Exactamente un nacimiento y ninguna muerte

,/ Exactamente una muerte y ningn nacimiento
,/ Ms de un evento y
,/ Ningn nacimiento o muerte.
183
LUIS ,\ U 3ERTO RINCON ABRIL
P (I+/i )- P(I ) O( /i )
Entonces " /i " =A" J~, 1 (I )+ ,LJ ,,+I ~<+ I(i)-(A,, + ,U ,, ) ~, (i )+ h' tomando el
lmite cuando h----1 en ambos lados de la expresin se obtiene

d~, ( 1) _ C) C)
-A" J" 1 (I )+ f.1 " j ,,+I (I )- ( A,, + ,LJ .,) ~, (I ). Particularmente cuando n= , se
(II
definen .Lo = O Y A-1 = O, entonces dP/) (t ) = f.1 1 /~( / ) - A,,1~) (I ) .Resolviendo el sistema
dI
de estas dos ecuaciones diferenciales se obtienen expresiones para Pn(t) , la

probabilidad de que el sistema se encuentre en el estado En en el instante t, que el
lector interesado podr intentar resolver.
El proceso de nacimiento puro est caracterizado porque An = A Y Iln = O para

todos los valores de n. Las ecuaciones diferenciales en este caso son:
dP() (t ) = -AP (1 )
() d~, (I ) = AP ( / )-AP ( / )
( II dI ,,- 1 "
(' ;, (Al )"

La solucin general viene dada por P (1) = De manera similar para el
" 11 1.
proceso de muerte pura se obtiene una distribucin de la familia exponencial.
Dentro del proceso de nacimiento y muerte en el estado estable (aquel que no

depende del tiempo) , la probabilidad de estado estable , viene dada por
tlP (/ )
~ = Llll~, ( /), esto es , _ " = O Y entonces se cumple que:
,,~~ dI
Desarrollando el sistema de ecuaciones anteriores se obtiene:
184
IN\TST IGACION DE O PER ,\C IONES PARA I 'GF. I F.R I\S y , \D~ II N I STRAC I ON DE EMPRES\S
AII /~ ) = {I , P
(A, + {I l ) P = A(] I~ ) + .u 2 Pe
(A" + t' ,, ) /~, =A" I /~, l + {I ,,+I ~,+ I
La solucin este sistema de ecuaciones simultneas produce los valores de las

probabilidades de estado estable Po, P 1 , P2, . ..... A este sistema de expresiones
se le llama ecuaciones de balance , debido a la manera alterna que se puede
recurrir para obtenerlas .
La figura 36 muestra los diversos estados a los cuales puede llegar el sistema. Si
se igualan las tasas hacia adentro y hacia afuera de cada estado , se obtienen las
ecuaciones de balance . A esto se le reconoce como el principio de tasa de entrada
igual a tasa de salida.
Estado An-2
I
\.--.J
J.ln J.ln+ 1
J.ln-I
Figura 36. Diagrama de tasas para el proceso de nacimiento y muerte.
La tabla siguiente muestra la aplicacin de este principio para generar las

ecuaciones de balance .
185
LU I S ,\LBERTO RINCON ABR IL
Estado Tasa de Salida = Tasa de Entrada

O "-o Po = ~l I P I
1 AI P I + .t IPI = AoPo + P2P2

2 A2 P2+ P2P2 = Al PI + ~1 .1 F']
................. = . ..... . . . .. . . . ... .. .
i A, P, + pp, = A.I P'-l + P'+I F" +1

.. . . " .. . ... .. . = . ... . . .. ... .... ... . . . ..
n A" F'" + PilPil = A,,- IP,,_ I + P,,+I P,,+ I

. .... .. .. . . .. .... = . . . . . . .. . . ... .... . .
De esta forma simplificada , se obtienen las ecuaciones que rigen el sistema. Este
procedimiento es muy utilizado para desarrollar las relaciones que rigen los
diversos tipos de colas. Este sistema se resuelve en funcin de Po de la siguiente
manera :
Estado
o:
1:
2:
11 - 1 : p1/
=~p 11 - 1
+ _1- ( P I! I P 1/ I
-A 11 - 2 P11 - 2 )
..t " P"
1/: p" = -A"- p" + -1 (..t " P" - A,, _JP',-J)
..t ,,+J ..t ,,+J
186
INvrSTIc;"CION D I: O l' !" R,\C!ONFS PA R" INGEN I ER Ir\S y ADM IN ISTRAC ION DE EMPRESAS
" A ~ ~
Definiendo h" = TI I l . S/' obl i /'II/' L~, = Lb,/~) = l . A partir de esta expresin
,- 1 ~I , 11 _ 0 1/ ..;:. 0
I b"
se pueden calcular Po = , \" P Estas expresiones plantean la
b "
L. "
condicin indispensable para la existencia de las probabilidades de estado estable .
Es necesario que la suma L b n converja.
9.6 MODELOS DE COLAS CON PROCESOS DE NACIMIENTO Y MUERTE.
Dado que se pueden asignar diferentes valores no negativos a las tasas 1.. 0 , Al, 1.. 2 ,
1.. 3, ....... An y Pl , P 2, P 3, pn del proceso de nacimiento y muerte , existe una gran
flexibilidad para modelar un sistema de colas. Los modelos ms usados en teora
de colas estn basados directamente en este proceso y entradas Poisson y
tiempos de servicio exponenciales.
9.6.1 Modelo M/M/1.
La notacin M/M/ 1 significa M-llegadas Poisson con tasa A, M-servicio exponencial

con tasa P y un despachador. Considerando el proceso de nacimiento y muerte se
tiene que An = A Y pn = ~l para todo valor de n; por lo tanto remplazando para b n se
obtiene:
h
"
= rr
" ;l
,_ 1 ,L/
= ( )"
;l
JI
~ C IICIlldo ~
;l
JI
<I
. b;l A A
Entonces se obtiene que ~ , = , -"- = ( 1- )( ~ ) " = ( 1- p)p " COII P =~ . Es decir,
L. b" JI JI JI
la condicin para que existan las probabilidades es que p < 1. La probabilidad de
187
L UIS ,\U3E RTO RI NCON AB RI L
que el sistema se encuentre vaco es Po = 1 - p. Entonces, la probabilidad que el

sistema est ocupado ser p. Por esto, p se define como el factor de utilizacin e
indica que la tasa de llegada a la cola debe ser menor que la tasa de servicio en el
sistema; en caso contrario, se dice que la cola "explota" o crece a infinito.
La longitud de la cola o valor esperado del nmero de personas en el sistema, ser

entonces:
L =" = L.,./I ( I - p)p " = ( 1- p)p L.,./lp

L.,.11P'," " " - I = ( 1- P ) P L.,.
" - d (p ") = ( I - p ) P - d "
L.,.(p " ) =
dp dp
d 1 P le
(l-p)p - ( - )= - =} L=
dp 1- P 1- P J.-I -A
El valor esperado del nmero de personas en la cola ser
Q= I ( /1 - 1) p" = I /1 p" - I P" = L - (1 - Po) = L - P
En los modelos de cola M/M/ 1, la relacin L = AW se cumple , por lo tanto se puede
calcular el valor esperado del tiempo de demora de un cliente en el sistema como

1 le 1 1
\\' =L - = - - - = -
A J.-I -leA J.-I- Ie
Es posible mostrar que la funcin de densidad de probabilidad del tiempo de un
cliente en el sistema es de la forma f(t) = (..t-A)e-(Il-A)l. Esto es , se distribuye

exponencialmente.
El tiempo total en el sistema, se divide en un tiempo de servicio S y un tiempo de

espera en la cola D, esto es W=D+S, entonces E(W) = E(D+S) = E(D)+E(S) = w.
Entonces el tiempo promedio de espera en la cola se calcula como E(D) = W - E(S).
188
IN\TST I(; ,\CION D I- OI'ER ,\ C IONES PARA I Nl;EN II: RI AS y I\D~ II N I S TR I\C I ON DE H I PRESAS
E( D ) = 1\ ' - E(S) = \\- = =

.u l' - A ,LI ,LI ( J.1 - A)
9.6.2 Modelo M/M/s.
La notacin M/M/s significa M-llegadas Poisson , con tasa A, M-servicio exponencial

con tasa Pn y s despachadores que prestan servicio a la misma cola. Grficamente
el modelo correspondiente aparece en la figura 36 mientras que el diagrama de
tasas se muestra en la figura 37.
Estado
I\~
u 2u 3u (s-1 )u su su
Figura 37. Diagrama de tasas para el modelo M/M/s.
Cuando el sistema tiene varios servidores no es tan sencillo expresar pn o tasa

media de servicio para la terminacin del servicio cuando hay n clientes en el
sistema. Cuando la tasa media de servicio por servidor ocupado es P , entonces la
tasa media de servicio global para n servidores ocupados es np . Entonces pn = np
cuando n.:s s mientras que Pn = sp cuando n~ s, ya que s servidores estn
ocupados . Cuando la tasa media de servicio mxima sp sobrepasa la tasa media
189
LLlI S I\ L Br:RTO RI NCO ' A BR IL
de llegadas A, esto es , p =A < 1, en algn momento alcanzar la condicin de

sp
estado estable. Si d es el valor esperado de la demora en cola , entonces :

A ,
J/ P() ( )
I ,LI I
E(D/d > O)= d = , COII 11 ' = d + , L= ,1\\ ,
S,LI - A (s - I) I( S,LI - At ,LI
j
l
sp ( A) , 1
dOllde P = ~ I (A) " + _p
1) L.,
,, _o ll. ,LI
., . 1
S.( .lp-/l)
1. Identifique los clientes y los servidores del sistema de colas en cada una de las
siguientes situaciones:
1.1. Las cajas registradoras de un supermercado.
1.2 . Una estacin de bomberos.
1.3. La caseta de peaje de una carretera.
1.4. Un taller de reparacin de carros.
1.5. Un muelle de carga y descarga.
1.6 . Un grupo de mquinas semiautomticas asignadas a un operador.
2. Para el sistema M/M/ 1, encuentre la probabilidad de que haya ms de n clientes en el

sistema.
3. Para los sistemas M/M/1 y M/ M/s escriba las ecuaciones de estado.
4. Considere un sistema M/M/ 1 con p = 1.0. Compare L para los casos en los cuales A es
0.6 , 0.9 Y 0.99, re spectiva mente . Igual para Q Y w. Cal cule la probabilidad de que el
tiempo de espera sea mayor que 4 unidades P [W > 4 l.
190
IN\' I.S1IG ,\C10N J)E 01'1 J{ .. \C ION I.S I',\R \ ING I: N II: RI,\S Y J\ D ~ II N I STJ{ , \C10N DE H IPR ESAS
5. Un flujo de votantes por dos candidatos cumple un proceso de Poisson con tasas de
llegada Al y A2 independientes. Mostrar que el flujo tot al es un proceso de Poisson con
tasa (Al + A2). Determine la probabilidad de que el primer cliente vote por el primer
candidato .
6. Un mecni co abri un taller de reparaciones en un garaje donde nicamente hay cupo

para dos carro s. El flujo de veh culos es Poisson con una tasa de 5 carros/da; pero
por razones de espacio no todos pueden entrar. Durante el primer mes el taller
contrata adicionalmente dos mecnicos sin experiencia que reparan carros a razn de
2.5 vehculos/da , cada mecnico , y sus sueldos son de 52 $US/da .
6.1. Cuntos vehculos reparan diariamente los dos mecnicos?
6.2. Cul es el tiempo promedio de espera de cada vehculo?
6.3. Al final del primer mes el taller decide salir de los dos mecnicos y contratar un
mecnico con mayor experiencia y rapidez . Cul debe ser la velocidad del nuevo
mecnico si se desea atender al mismo nmero de clientes?
6.4 . Cul debe ser el sal ario del nuevo mecnico si se supone proporcional a su tasa
de servicio?
7. Una cabina telefnica recibe clientes Poisson que llegan a un promedio de 12 minutos
entre cada cliente , las llamadas tienen una duracin exponencial de un promedio de 4
minutos. La empresa de telfonos decide que colocara un segundo telfono si los
clientes tienen que esperar en promedio ms de cuatro minutos para que desocupen el
telfono .
7.1. Para que valor de A se sucede este cambio?
7.2. Cul debe ser A, s la compaa de telfonos coloca otro aparato slo si la
probabilidad de que un cliente tenga que esperar exceda de 0.6?
8. Una pequea estacin de gasolina tiene cupo para dos carros solamente. Los clientes
potenciales son Poisson a tasa desconocida , pero que no se detienen si el espacio
est lleno (es decir, se pierden) . Se sabe que el tiempo promedio entre los clientes
actuales (aquellos que se detienen y son servidos) es de 6 minutos. Hay un
despachador con servicio exponencial y con media de 5 minutos .
J9 \
L U I S ,\ U 3ERT O RI NCO ,\ B RIL
8.1. Qu fraccin de clientes potenciales se pierden?

8.2. Encuentre L, si se cumple L = AW.
8.3. Si el despachador trabajara el doble de rpido , cunto ms ingreso atraera?
9. Un sistema de colas tiene dos servidores, una distribucin de tiempo entre llegadas
Poisson con media de 2 horas y una distribucin de tiempo de servicio Exponencial
con media de 2 horas por servidor. Si a las 12 del da llega el primer cliente.
9.1 . Cul es la probabilidad de que la siguiente llegada ocurra antes de la 1 P.M ., Entre
la 1 y las 2 P.M . Despus de las 2 PM .?
9.2. Cul es la probabilidad de que le nmero de llegadas entre la 1 y las 2 P.M. sea O,
2 ms clientes?
10. El gerente de un supermercado debe decidir a quin contratar de dos cajeras , Mara ,
que trabaja despacio y puede ser empleada por C 1 = 5 $US/hora; o Alicia , que trabaja
ms rpido y cuesta C2 $US/hora , donde C2 > C1. Ambas dan servicio exponencial a
tasas f.! , = 20 clientes/hora y ~l 2 = 30 clientes/ hora , respectivamente . La llegada a la
caja es Poisson con A = 10 clientes/hora. El gerente estima que en promedio, el tiempo
de cada cliente vale 0.02 $US/min y debe ser tomado en cuenta en el modelo.
10.1. Calcular el costo esperado por hora al contratar a Alicia o Mara.
10.2. Cunto estara usted dispuesto a pagarle a Alicia?
10.3. Si no se conoce la tasa de servicios de Alicia , encuentre una cota superior para
la cantidad que se le pagara.
192
10. MODELOS DE DECISiN MARKOVIANOS
Muchos problemas exigen tomar decisiones a partir de fenmenos o procesos que

tienen asociada a ellos algn grado de incertidumbre , normalmente generada por
la variacin inherente aleatoria no posible de controlar, como es el caso de algunos
fenmenos naturales . Esta variabilidad puede incorporarse en un modelo
matemtico, si muestra un cierto grado de regularidad , de manera que sea posible
describir la variacin mediante un modelo probabilstico.
Resulta de importancia el anlisis de los procesos que evolucionan en el tiempo de

una manera probabilstica , llamados procesos estocsticos. Dentro de estos hay
unos de tipo especial llamados cadenas de Markov, que tienen la propiedad
particular de que las probabilidades que describen la forma en que el proceso
evolucionar en el futuro , nicamente dependen del estado actual en que se
encuentra el proceso, por lo tanto , no dependen de los eventos ocurridos en el
pasado. Muchos procesos se comportan como las cadenas de Markov.
10.1 PROCESOS ESTOCSTICOS.
Es un conjunto de variables aleatorias reales (XI, tE T). Normalmente T es el

conjunto de enteros no negativos y XI representa una caracterstica de medible en
el tiempo t. Por ejemplo, el proceso estocstico, X 1 , X2 , X3 , X4 , ...... Xn , puede
representar el conjunto de vehculos para cada uno de los das de un ao que
pa san por un peaje . Otro ejemplo puede ser el siguiente problema de inventarios.
193
L U IS 1\ 1J3E RTO RINCON ;\13 1<11 .
Una joyera tiene un modelo especial de reloj que se puede ordenar

semanalmente. Sean d l , d2 , d 3 , d4,...... d n las demandas de este modelo durante la
1a, 2a , 3 a , . .. .. . na , semana , respectivamente. Se supone que las di son variables
aleatorias independientes que tienen una distribucin de probabilidad conocida.
Sea lo = 3 la cantidad que se tiene en el momento de iniciar el proceso , I1 el nmero
de relojes que se tienen al final de cada semana t-sima . El sbado se hace un
pedido que entregan el lunes en la maana. Se usa la siguiente poltica , si no hay
inventario al final de la semana se ordena un pedido de 3 relojes , de otra manera ,
no coloca la orden . Se supone que las ventas se pierden cuando la demanda
excede el inventario . Entonces , II para t = 0 ,1, ... es un proceso estocstico . Los
estados posibles del proceso son los enteros 0,1,2,3 que representan el nmero
posible de relojes en inventario al final de la semana . Las variables aleatorias I1 se
pueden evaluar iterativamente mediante la expresin
Mx(3 - d,+,) si 1, < I

1 ={ Mr(l , - d,+,)
poro I = 0.1 ,1,...
,+1 si J, ~ 1
10.2 CADENAS DE MARKOV.
Al considerar el problema de experimentos independientes con resultados El , E2 ,

E3 , E4, ..... . EJ Y definiendo la variable aleatoria XI = J cuando se obtiene el
resultado EJ en el ensayo t, entonces si los ensayos son independientes se tiene
que
P{ XI =J I Xo =io, Xl =i l , X2 =i 2 , .. .... .... XI-l =i l - l } = P{ XI =J} para todo 1.
En el caso de los experimentos anteriores , se tiene una cadena de Markov, si el

resultado de cada nuevo ensayo depende del resultado obtenido en el ensayo
inmediatamente anterior pero independiente de los dems. Esto es , se cumple que
194
I N\ ' I. ~T I( ;'\ C I ON D I. O I'LI{ ,\CIONrS [>,\1< ,\ I NGEN I ER Ir\S y r\D~ II N I STR\C I ON DE EMPRESAS
P{ XI =J I Xo =i o, X 1 =i 1, X2 =i 2 , .. , ..... .. XI.1 =i l.1 } = P{ XI =J I XI.1 =il d para todo t.
A los resultados EJ , con J=1,2,3., .. , se les denomina estados del sistema . A las
probabilidades condiciona les P{X t + 1 =J I Xt-1 =i} se les llama probabil idades de
transicin . Cuando Xt -1 =i y Xt+ 1 =J , se dice que el sistema realiz una transicin
Ei4 EJ en el paso t. Las Cadenas de Markov homogneas conform an un grupo
especial de probabilidades de transicin que son independientes de t. Se
acostumbra la siguiente notacin PIJ = P{X I =J I XI-1 =i l-1} y nAt ) = P{ XI =J}. Por
,<
supuesto se cumple que I I~, = 1 .

./ 01
Una notacin conveniente para representar las probabilidades de transici n es la

forma matricial
I~ 1 P , P , P ,
P" P" P" P"
P= P'I P" Pl1 P"
1.1'1 PI' PI., PI/
Esta matriz de probabilidades de transicin por cumplir la propiedad I F;} = 1 se

} =1
denomina matriz estocstica . La probabilidad de transicin en t pasos se define
como p' ~" = P( X ,+'" = .1 / X , = i ). En el caso de las cadenas homogneas , estas
probabilidades no dependen de m y deben cumplir P( X , = .1 ) = rr ./ (1) I rr, (O)P~'1 .
10.2.1 Ejemplos de Cadenas de Markov.
En el problema del inventario de relojes se observa que XI, nmero de relojes en el

almacn al final de la semana t, es una variable aleatoria que conforma una
cadena de Markov. En este caso la matriz de transicin ser.
J95
LU IS A LBERTO RINCON ABR I L
oo POI Po, 0.1 84 0.368 s

[O OSO
r
P" , ]
[ PPo P I P ~ P .1 _ 0.632 0.368 O
P=
P~o P~I P~~ Pe1 0.264 0. 368 0.368 ]
P10 P11 P32 P"1 0.080 0.1 84 0. 368 0.368
Suponiendo que DI cumple una distribucin Poisson con parmetro A= 1, para

obtener Poo es necesario evaluar P{X I =0 I XI-1 =O} . En este caso , XI = mx((3- DI,
O) . Para que XI =0 la demanda en la semana debe ser de tres o ms relojes , esto
es , Poo = P(Di ? 3) = 0.080 . Los dems elementos de la matriz se obtienen en
forma anloga .
Considerando el siguiente modelo para el cambio del valor de una accin. Al final
del da se registra el precio. Si subi , la probabilidad de que el prximo da suba es
0.66 . Si baj , la probabilidad de que el prximo da suba es slo 0.45 . En este caso
puede representar el estado O el precio de la accin sube y el estado 1 que baja .
La matriz de transicin est dada por
P11 ) = ( 0.66 034 )

P I 055 OA5
Los estados posibles del clima de una regin son : O da lluvioso, 1 da bueno , 2 da
con nieve. Nunca hay das buenos en secuencia . Despus de un da bueno existe
la misma posibilidad de que el siguiente sea lluvioso o con nieve . El 50% de los
das lluviosos y el 50% de los das con nieve se repiten. Cuando un da es lluvioso
existe la misma posibilidad de que el siguiente sea bueno o con nieve. Cuando un
da es con nieve existe la misma posibilidad de que el siguiente sea bueno o
lluvioso. La matriz es :
25
P,2 1 lo.5 0.25
P 2 = 0.5 0.0.5 1
Pe~ 0.5 0.25 0.25
196
10.3 ECUACIONES DE CHAPMAN KOLMOGOROV.
En la seccin 10.2 se defini la probabilidad de transicin de t pasos, la cual puede

ser til cuando el proceso se encuentra en el estado i y se desea la probabilidad de
que el proceso se encuentre en el estado J despus de n perodos. Las ecuaciones
de Chapman Kolmogorov permiten calcular estas probabilidades de transicin de t
pasos :
11
P,111I ) = 'P.~III)
L.... ,'
/:.> II/
U
111) t:j. I
1,. 11 \" O:-s: /1 1 :-s: 11
J.-O
Estas ecuaciones manifiestan que al pasar del estado i al estado J en n pasos , el

proceso estar en algn estado k despus de m pasos. El trmino que hay dentro
de la sumatoria, es la probabilidad condicional de que , si se comienza en el estado
i, el proceso va al estado k despus de m pasos y despus al estado J en n-m
pasos. Los casos de m = 1 Y m = n- 1 conducen a las expresiones
,11
\' I~ ~'" =I ~;' 1 Pu . Es decir, las probabilidades de transicin de

, .(1
n pasos se pueden obtener a partir de las probabilidades de transicin de un solo

,\/
paso en forma recursiva. Para n = 2, p' ~ :l =I I~, P" , . Estos elementos son las filas
de la matriz p (2), pero tambin se obtienen con el producto matricial (mirar

Producto Matricial en el apndice A) de la matriz de transicin de un paso por ella
misma; esto es , p(2) = PP = P2. Generalizando, se concluye que la matriz de
probabilidades de transicin de n pasos se puede obtener de la expresin
p(n) = P.P ...... p= pn = ppn.1 = pn.1p
En el problema del inventario de relojes la matriz de transicin de dos pasos es
197
l.U I S 1\ l. HERTO RINCON I\ ll l< ll .
OOXO O. I X-1 O.:l6X O. I X-1 (U6X O:l6X 0.2 -1 9 0286 03
P'" = P' =
0.63::>
0.26-1
0 ..\6X
0.36X
O
O.:l6X
O'' fl''O
O
O
0.632
026-1
O.36X
0.368
O
0.36X
()
O
0283 0. 252
(U5 1 0.3 19 0.23:1
0233 01"]
0233
0.097
0.080 01 8-1 0.368 0.368 0.080 0. 18-1 0.368 (U68 0.2-1 9 0.286 0.3 0. 165
Si se tiene tres relojes al final de una semana , la probabilidad de que no haya

existencias en inventario dos semanas despus es 0.249 .
De igual manera se puede obtener la matriz de transicin de cuatro pasos como
0.289 0.28 6 0.26 1 0. 16-1

0.282 0.285 0.268 0. 166
p '.' = P' P' =
o 28-1 0.283 02 63 0. 17 1
0.289 0.286 0. 26 1 0. 16-1
As que , si se tiene dos relojes al final de una semana, la probabilidad de que no

haya existencias en inventario cuatro semanas despus es 0.284 .
10.4 CLASIFICACiN DE LOS ESTADOS DE UNA CADENA DE MARKOV.
Del estado Ek se puede llegar al estado EJ si existe un n>O tal que P';') > O. Una
cadena de Markov es irreducible si de cualquier estado se puede llegar hasta otro

estado . Un conjunto C de estados de una cadena de Markov es cerrado si es
imposible salir de C. esto es si P jK = O si J E Cy K ~ C.
Cuando un estado Ek forma un estado cerrado se le llama absorbente. En este

caso P KK = 1. En una cadena irreducible , el conjun to de todos los estados forma un
conjunto cerrado . Si Xo = J para un estado EJ y a la probabilidad de que el primer
retorno a J ocurra en el paso n se le llama / ;"), entonces Pi;') = " I ;I) P;;'-I) y la
1-1
198
IN\ 'ES11(; ,\C ION DE OPER I\C IONES PA R .. \ I NGEN I ER II\S y AD~ II N I S TR \C I ON DE H IPR ESt\S
O'
probabilidad de que el sistema retorne al menos una vez hasta Ej es fl ::::: I

JI ::. ]
f ;"1 .
En este caso, el nmero esperado de pasos antes del primer retorno es

,.
Ji , ::::: n(;"I. Un estado Ej es recurrente si el retorno hasta l es seguro , esto es
I/ =- I
fJ = 1. Ej es transitorio si el retorno hasta l no es seguro , esto es fJ < 1. Un

estado Ej es peridico si el retorno solamente puede ocurrir cada t pasos , esto es,
en los pasos t, 2t, 3t, .....
10.4.1 Estado estable de las cadenas de Markov.
Una cadena de Markov es ergdica si la distribucin de probabilidad {rrAn)}

siempre converge a una distribucin lmite rrj , que no depende de la distribucin
inicial {TCj(O)} , es decir, Llll n , (n) ::::: n le La distribucin de probabilidad {rrJ} es
II ~OO
estacionaria o de estado estable , si al seleccionar cualquier {rrj(O)} de

distribucin inicial , todas las distribuciones {rrj(n)} , coinciden con {TCj}. Adems , en
estos casos (.1KTCK = 1. Toda distribucin estacionaria satisface las ecuaciones:
n : ::::: n, P" . () lI/({/ric iu!lII cnle n::::: nP
Ejemplo. Un distribuidor de cierto artculo puede estar en uno de dos estados

posibles. En el estado cero (ventas buenas) hay 50% de posibilidades de pasar al
otro estado en la prxima semana. Cuando est en el estado uno (ventas malas) ,
experimenta nuevas estrategias y puede volver al estado cero con probabilidad
0.4. Cul es la probabilidad de alcanzar el estado uno en n semanas , si se empez
con ventas buenas?
199
LUIS ,\LI3ERTO RI 'eo 'i\I3RIL
CO/l/O Tr 1(1/ + 1) = Tr, (I/)?" () /l1O/ri c ial/l/ elll e Tr(1/ + 1) = Tr (I/ ) P
=> Tr(l) = Tr(O)?

Tr(2 ) = Tr ( I) ? = Tr(O)P "
n(3) = n('2 )? = n(O)P ' el/ ge n e rol n(l/) = n(O ) P "
Como para examinar si esta cadena es de estado estable, se puede seleccionar

cualquier {rcJ(O)} , entonces se escoge rc(O) = (1 O) Y se aplican las expresiones de
clculo para rc(n):
n(I) = (1 0{0.5 0.5 ) = (0.5 0.5)=> n('2 )=(0.5 0.5{0.45 0.55) = (0.45 0.55)=(Tr() Tri)
~ OA 0.6 ~ 0.44 0.56
El lector podr comprobar que para rc(O) = (1 O) , los valores sucesivos de rc(n) son :
N O I '2 3 4
7t1) I 0.5 0.45 0.445 0.445
7t 1 O 0.5 0.55 0.555 0.555
As mismo , para rc(O) = (O 1), los valores sucesivos de rc(n) son:
N O I "2 3 4
7t1) I 0.4 0.44 0.445 0.445
7t1 O 0.6 0.56 0.555 0.555
En ambos casos se observa que 7t(n) = (0.445 0.555) cuando n crece . Se puede
demostrar que esta cadena es ergdica, solucionando el sistema de ecuaciones:
n = TrP
En este caso las ecuaciones correspondientes son:
200
INVEST IGAC ION DE OPERAC IONES PARA INGEN I ERI AS y ADM IN IST RAC ION DE EMPRESAS
7[/0.5 0.5 1
~ 0.4 0.6)
De esta igualdad matricial se obtiene el siguiente sistema de ecuaciones lineales:

TCo = 0 .5TCO+ O.4TCl
TCl = 0 .5TCo + 0.6TCl

TCo +TCl = 1
El lector puede analizar una de estas ecuaciones resulta redundante, por lo tanto
se elimina una cualquiera de ella y se obtiene la solucin TCo = 0.445 Y TCl = 0.555 .
10.4.2 Costo promedio esperado por unidad de tiempo.
La seccin anterior estudi las cadenas de Markov cuyos estados son ergdicos
(recurrentes y no peridicas). Si no se tiene el requerimiento de que los estados
sean no peridicos , entonces el LI/1 p'~") puede no existir. Pero , el siguiente lmite
I I~OO
siempre existe para una cadena de Markov irreducible con estados recurrentes:
L/l/ ( ~
11_00 11
f.. p.~) = 7[, ' en donde las
~ :::I
TCJ satisfacen las ecuaciones de estado estable
presentadas en la seccin anterior. Resultado importante para calcular el costo

promedio por unidad asociado a una cadena de Markov.
Supngase que se incurre en un costo o factor de efectividad Cl cuando el proceso

se encuentra en el estado El en el instante t. Ntese que Cl es una variable
aleatoria e independiente de t que toma cualquiera de los valores Ca, C l , C 2 ...... .
Cm. El costo promedio esperado en el que se incurre a lo largo de los primeros n
201
L U IS I\L13ERTO RINCO A BR IL
perodos est dado por la expresin E( 1 f e,) y usando el resultado del lmite
1/ '~ I
anterior, se puede demostrar que:
1 " ] '"
~~:! E [ I/~ e, ) = ~Jr , e,
Ejemplo . En el ejemplo de la seccin anterior se supone que cuando las ventas

son buenas se tienen utilidades semanales promedias de $US 1000 Y cuando son
malas de $US 400, entonces las utilidades promedias por semana , esperadas a la
larga , se pueden calcular como :
E(U) = 1OOOrro + 500rrl = 1000xO.445 + 500' 0.555 = $ US 722 .5
10.4.3 Estados absorbentes.
En la seccin 10.4 se indic que el estado k es absorbente si Pkk = 1, de manera

que una vez la cadena llega a este estado permanece ah para siempre. Si k es un
estado absorbente , la probabilidad de llegar en algn momento a k se llama
probabilidad de absorcin al estado k. Esta probabilidad se denota por f ik . Si se
tienen varios estados absorbentes en una cadena de Markov y se evidencia que el
proceso ser absorbido en uno de estos estados, es deseable encontrar estas
probabilidades de absorcin , las cuales pueden obtenerse resolviendo un sistema
de ecuaciones lineales. Si el estado k es un estado absorbente , entonces el
conjunto de probabilidades de absorcin f ik satisface el sistema de ecuaciones
sujeta a las condiciones
./;, = I'" P,,f,, V i = 0,1, .... //1
slIje/({ (/: ./;, = 1 Y ./;, = O si el esrado i es r eC llrrel/ te e i =1= k
202
IN\ I. S1 1(; ,\c\ON DE O I' I.R AC IONES PARA INGEN IER I AS y AD~ II N I STR I\ C I ON DE H IPRESAS
Ejemplo. Una empresa clasifica el saldo de la cuenta de un cliente como pagada

(estado O) , 1 a 30 das de retraso (estado 1), 31 a 60 das de retraso (estado 2) o
mala deuda (estado 3). Las cuentas se revisan cada mes y se determina el estado
de cada cliente. En general , los crditos no se extienden y se espera que los
clientes paguen sus cuentas dentro de 30 das. A veces , los clientes pagan slo
una parte de su cuenta , en este caso quedan dentro de los 30 das de retraso
(estado 1) ; esto es, permanecen en el estado 1. Si esto ocurre cuando el saldo
est entre 31 y 60 das de retraso , se considera que el cliente se mueve al estado
1 (1 a 30 das de retraso). Los clientes que tienen ms de 60 das de retraso se
clasifican en la categora de una mala deuda (estado 3) ; luego , las cuentas se
mandan a una agencia de cobro . Despus de examinar los datos de aos
pasados , se tiene la siguiente matriz de transicin:
o: Cuenta 1: 1 a 30 das 2: 31 a 60 das 3 : mala deuda

Estado pagada de retraso de retraso
O: Cuenta pagada 1 O O O
1: 1 a 30 das de 0.7 0.2 0.1 O
retraso
2: 31 a 60 das 0.5 0.1 0.2 0.2
de retraso
3 : mala deuda O O O 1
Cul es la probabilidad de que un cliente llegue a tener una mala deuda dado que
la cuenta pertenece al estado 1 a 30 das de retraso. Igualmente , dado que la
cuenta est en 31 a 60 das de retraso .
Estas probabilidades f 13 y f 23 se calculan con el sistema de ecuaciones

presentadas en esta seccin , esto es :
f 13 = P 10 f 03 + P 11 f 13 + P 12 f 23 + P 13 f 33
f 23 = P20 f03 + P 21 f 13 + P 22 f 23 + P 23 f33
A partir de la matriz se sustituyen los valores para cada P,J y como f03 = O Y b = 1,
estas ecu aciones se convierten en:
203
f 13 = 0.2f 13 + 0.11 23
f 23 = 0.1f 13 + 0.2f 23 + 0.2
La solucin es f 13 = 0.032 Y f 23 = 0.254 . Aproximadamente el 3% de los clientes

cuyas cuentas tienen 1 a 30 das de retraso acaban por ser una mala deuda
mientras que el 25% de los clientes cuyas cuentas tienen 31 a 60 das de retraso
llegan a la misma categora.
10.5 MODELOS DE DECISiN MARKOVIANOS.
Algunos sistemas importantes se pueden modelar como una cadena de Markov.

Es til describir el comportamiento de estos sistemas para evaluar su desempeo y
mucho ms til disear la operacin del sistema para optimizar su desempeo.
Un proceso de decisin consiste en que normalmente, para cada estado posible

de una cadena de Markov se analiza la decisin sobre cul , de las diferentes
acciones alternativas , debe tomarse en ese estado. La accin seleccionada afecta
las probabilidades de transicin y a los costos o beneficios inmediatos y
subsecuentes (o beneficios) de operacin del sistema .
Ejemplo. Un fabricante tiene una mquina clave en el ncleo de uno de sus

procesos. Como sta tiene un uso pesado se deteriora rpidamente tanto en
calidad como en la cantidad de produccin . Por lo tanto , al final de cada semana,
se realiza una inspeccin exhaustiva para clasificar la condicin de la mquina en
uno de cuatro estados posibles :
O: Excelente para la produccin .
1: Operable para la produccin de calidad con muy poco deterioro.
2: Operable para la produccin de calidad con bastante deterioro.
3 : No operable para la produccin de calidad .
204
11"\'1 ST l l \(' ION Dr. OPFR \C!ONES P.\R .\ IN( l: N ILRI.\S y . \D~ II N I STR . \C10 DE H I PRES .. \S
Los datos histricos sobre los resultados de inspecciones permiti un anlisis

estadstico de la evolucin del estado de la mquina de un mes a otro. La siguiente
matriz muestra la frecuencia relativa (probabilidad) de cada transicin posible del
estado en el que se encuentra en un mes al estado en el que se encuentra el
siguiente mes.
Estado O 1 2 3
O O 7/8 1/ 16 1/ 16
1 O % 1/8 1/8
2 O O Y2 Y2
3 O O O 1
El ltimo elemento de esta matriz de transicin indica que, una vez que la mquina
se vuelve inoperable (entra al estado 3) , permanece inoperable , esto es, el estado
3 es absorbente. Dejar la mquina en este estado seria intole rab le ya que esto
detendra el proceso de producc in, por lo que la mq uina debe reemplazarse. (La
reparacin no es factible en este estado). La nueva mquina comenzara entonces
en el estado O. El proceso de reemplazo toma 1 semana de manera que la
produccin se pierde durante este periodo. El costo de la produccin perdida
(ganancia perdida) es de $US 2000 y el costo de reemplazar la mquina es de
$US 4000 de manera que el costo total en el que se incurre siempre que la
mquina actual entra al estado 3 es de $US 6000. Antes de que la mquina llegue
al estado 3, puede incurrirse en costos por producir artculos defectuosos. Los
costos esperados por semana debido a artculos defectuosos $US O, 1000 Y 3000
respectivamente para los estados O, 1, 2. Estos costos relevantes estn asociados
con la poltica de mantenimiento , reemplazar la mquina cuando es inoperable,
pero no darle mantenimiento en otros casos . Bajo esta poltica , la evolucin del
estado del sistema o sucesin de mquinas , es una cadena de Markov con la
siguiente matriz de transicin:
Estado O 1 2 3
O O 7/8 1/ 16 1/ 16
1 O 34 1/8 1/8
2 O O Y2 Y2
3 1 O O O
205
L U I S ,\1J3I.RTO RI NCON A8 RII.
Para evaluar esta poltica de mantenimiento , deben considerarse tanto los costos
inmediatos en que se incurre en la siguiente semana, como los costos
subsecuentes que resultan cuando el sistema evoluciona de esta forma. Una
medida de desempeo usada para cadenas de Markov es el costo promedio
esperado por unidad de tiempo sobre un periodo largo. El calculo de esta medida ,
exige encontrar las probabilidades de estado estable con el siguiente sistema :
7[0 = 7[.1
7 :\
7[ ( = 7[0 + 7[ 1
8 4
1 l l
7[ , = 7[(, + 7[ 1 + - 7[ ,
- 16 8 2 -
1 1 1
7[ 1 = - 7[0 + - 7[1 + - 7[ ,
. 16 8 '2 -
1= 7[0 +7[ 1 +7[ ~ +7[1
2 7 '2 2
Solu cin: 7[ 0 =- , 7[ 1 = - , 7[ , = - . 7[= -
13 13 - 13 .1 13
As, a la larga , el costo promedio esperado por semana para esta poltica de
mantenimiento es . .,
e= 07[(J + 10007[ 1 + .,0007[ , +
-
6000n 1
.
25000
= --
13
Sin embargo , pueden existir otras polticas de mantenimiento que deben

considerarse y compararse con sta. Por ejemplo , es posible que la mquina
debiera reemplazarse antes de llegar al estado 3. Otra alternativa puede ser hacer
una reparacin general a un costo de $2000; opcin no factible en el estado 3 y no
mejora la mquina si est en el estado O o el 1; slo es de inters en el estado 2.
En este estado , una reparacin general regresara a la mquina al estado 1. Se
requiere una semana para ello , por lo que otra consecuencia seria un gasto de
206
INVEST l l;AC ION J)E OI'ER /\C IONES I',\ R /\ INGEN I ER I AS y I \ D ~ II N I ST R ;\C I ON DE EM PRESAS
$2000 por las ganancias perdidas al no producir. Las decisiones posibles despus
de cada inspeccin son las siguientes:
Decisin Accin Estados Costo total

relevantes por semana
1 No hacer nada. O O
1 1000
2 3000
2 Reparacin general. 2 4000
Regresa al estado 1.
3 Reemplazo . Regresa 1 6000
al estado O. 2 6000
3 6000
10.5.1 Mode lo para procesos de decisin Markovianos.
Uno de los modelos para los procesos markovianos de decisin se puede resumir:
1. Se observa el estado i de la cadena de Markov despus de cada transicin ,

para todo i = 0, 1, . .. , m.
2. Enseguida se selecciona una decisin k de un conjunto de acciones posibles .
Algunas de las acciones pueden no ser relevantes para algunos estados.
3. La eleccin de la decisin di = k en el estado i, crea un costo inmediato con un
valor esperado Cik .
4. La deci sin di =k en el estado i determina las probabilidades Pik(k) para la
siguiente transicin desde el estado i.
5. Una especificacin de las decisiones do, d 1 , ...... dm , para los estados
respectivos , define una poltica para el proceso markoviano de decisin.
6. El objetivo es encontrar una poltica ptima de acuerdo a algn criterio de costo
que considere los costos inmediatos y subsecuentes que resulten de la
evolucin futura del proceso . Un criterio comn es minimizar el costo promedio
esperado por unidad de tiempo a lo largo del mismo.
207
I lllS .\I.I![R10 RI NCO N .\13RII.
En el ejemplo de la seccin anterior, despus de cada inspeccin de la mquina ,

se elige entre tres decisiones posibles no hacer nada , reparacin general o
reemplazo. El costo esperado inmediato que resulta aparece en la ltima columna
de la tabla de la pgina anterior para cada combinacin relevante de estados y
decisiones. Para el ejemplo de la seccin anterior, se debe encontrar una poltica
ptima entre todas las polticas relevantes . En la tabla siguiente se denota por R a
la poltica especfica y por d, (R) la decisin que debe tomarse en el estado i.
Solucin del ejemplo por enumeracin exhaustiva
POLTICAS RELEV ANTES Decisiones

Poltica Descripcin do{R) d 1{R) d 2 {R) d 3 {R)
Ra Reemplazo en el estado 3 1 1 1 3
Rb Reemplazo en el estado 3 y 1 1 2 3
Reparacin en el estado 2.
Re Reemplazo en los estados 2 y 3 1 1 3 3
Rd Reemplazo en los estados 1, 2 Y 3 1 3 3 3
Cada una de estas polticas tiene una matriz de transicin diferente , como se
muestra enseguida:
R., R" N R"

7 7 7
O O O 7
X 16 16 X 16 16 8 16 16 O
:1 I I ">
1 8 16 16
O :1 I 1 .) I
O O O
-+ 8 8 O O
-+ 8 8 4 X 8
I I
O I O O O O O
O () ()
O ()
:2 :2 O O O
O O O O O O O
O O
De los costos totales por semana de la seccin anterior, los valores de C'k son:
208
1;\\ 1 ~ II(; ,\CIO;\ D I. ()P I IUC! O N I.S I'/\ R/\ IN(; I.N II : RI ,\S Y J\1)~ II N 1 S TR '\(: 1 0N DE E~ 'I1'I{I -_ S ,\S
C'k en $US para la decisin

Estados 1 2 3
O O
1 1000 6000
2 3000 4000 6000
3 6000
El costo promedio esperado a largo plazo por unidad de ti empo , se calcu la con la
1/
expresin E( e) =I C,lr" siendo k = d(R) para cada i y 1t representa la
1"
distribucin de estado estable para los estados del sistema segn la poltica R que
se est evaluando. Una vez obtenidos 1to, 1t" 1t2 Y 1t3 para cada una de las cuatro
polticas , el clculo de E(C) se presenta en la siguiente tabla:
Poltica {1tQ, 1t" 1t2, 1t3} E(C) en SUS

,., ,., ,.,
Ra {~ 7 ~ ~} - 0 + 7 1000 + ~ 3000 + 6000 = 1923 -=-
13 ' 13' 13 ' 13 13 13 13 13
Rb 1~
~
)~
1 7 ~ 1
~}
~ 1
,.,
~I 7
'i
~I ~I
!
- O+ . 1000 + - .+000 + - 6000 = 1667
,
Re {~ 7 1 I} ~ O+ 7 1O()() + 1 6000 + --'-- 6000 = 17 ~ 7

11 11 11 11 11 11 11 11
Rd
1~. 1: . 31~ . 31~ }
1
:2
0+
7
16
60()O + 1 6000 + 1 6000 = 3000
.,-
" .,-
"
De los clculos anteriores se obtiene que la polti ca ptim a es Rb , esto es ,

reemplazar la mquina cuando llegue al estado 3 y hacer una reparacin general
en el estado 2. En el largo tiempo , el costo esperado es 1667 $US/semana.
10.5.2 Uso de la Programacin Lineal.
Como en el ejemplo de la seccin anterior slo existen cuatro polticas relevantes ,

resulta adecuado hacer uso de la enumeracin exhausti va para encontrar la
209
L U IS A LBERTO RI en ,\BI< IL
poltica ptima . Enfoque no factible cuando se tienen muchas polticas , casos en

los cuales se necesitan otros algoritmos , uno de ellos el uso de la Programacin
Lineal.
En la seccin anterior se utiliz el tipo normal de po ltica , llamada determinstica

estacionaria, usada en los procesos de decisin de Markov. Se vio que cualquier
poltica R se interpreta como una regla que toma la decisin d,(R) cuando el
sistema se encuentra en el estado i, para i = O, 1,.. ... ., m. Entonces R queda
definida por los valores {do(R) , d 1 (R) , d2 (R) ,... .. .. ., dm(R)} . As mismo , R se puede
caracterizar por la asignacin de valores D'k = 1 si la decisin k debe tomarse en el
estado i o D'k = O en cualquier otro caso en la matriz
Decisil/ k
2
o DOI D02 Do,
DII D '2 DI!
ESTado D21 Dn D21
11 1
1111 11/2 D,"1
Para el ejemplo que se viene utilizando, la siguiente matriz caracteriza la poltica

de no hacer nada (decisin 1) cuando la mquina llega a los estados O o 1,
reparar en forma general (decisin 2) en el estado 2 y reemplazar (decisin 3) en el
estado 3.
~1
O
o
O o
La definicin de D'k = 1 O permite formular modelos de programacin lineal. Para

ello , el costo esperado de una poltica se puede expresar como una funcin
lineal de los Dik o de algunas variables relacionadas , sujeta a restricciones
2 10
IN\' I.S11(; ,\C ION D I- OpE I{ ,\C IONES p,\I{ ,\ IN(;r:N I ER I.\S y I\I)~ II N I STRAC I ON DE E~ I PRES-\~
lineales , Para obviar el hecho de que se requieren variables continuas para la

formulacin de programacin lineal , se ampla la interpretacin de una poltica, Se
haba considerado tomar la misma decisin cada vez que el sistema se encuentre
en el estado i, que se cambia por la determinacin de una distribucin de
probabilid ad para tomar la decisin cuando el sistema se encuentre en el
estado i. Esto es : D ik = P(decisin = k I estado = i). La distribucin de
probabilidad para la decisin que debe tomarse en el estado i es (Di1 , Di2 , Di3 ,,,,, .. , ,
D,m, ), A este tipo de poltica se le llama aleatorizada , mientras que a la anterior
(D 'k = 1 O) se le denomina determ nistica,
Para el ejemplo que se viene utilizando, la siguiente matriz caracteriza la po ltica

de tomar la decisin 1(no hacer nada) cuando la mquina llega al estado O,
Cuando llega al estado 1, se deja como est con probabilidad Y2 y se reemplaza
con probabilidad Y2 , Si llega al estado 2, hay una probabilidad de y, de dejarla
como est , una probabilidad de y, de repararla y una de Y2 para reemplazarla, Si la
mquina llega al estado 3, siempre ser reemplazada,
~l
,
/ c O
/
1 '
J
1/
/ -1 X
O O 1
Variables de decisin , Para cada i = O, 1, .... ,m y k = 1, 2,.. " .. " 1, sea )(k la
probabilidad incondicional de estado estable de que el sistema se encuentre en el
estado i y se tome la decisin k,
Xik = P( esta do = 1 Y deci si n = k).
211
L U I S ,\Lll ': IH O RINCON ,\RR I L
Cada X'k tiene una relacin con la D'k correspondiente , pues de las reglas de
probabilidad condicional , se tiene X ik = ni Diko Siendo ni la probabilidad de estado
estable de que la cadena de Markov se encuentre en el estado i. Se cumple
X x ,
= Ix ,
I
entonces Tr , de manera que D, = -"--
_I Tr ,
Restricciones.
m m I
1. ITr, = 1, esto es, IIx, = 1 '/' ...:. 1

.
i- O 1,-0
2. De los resultados de las probabilidades de estado estable Tr = ITr,

'"
p, , es
i ~ ()
I lIi I
decir, I
.1. _ 1
X I! = II x , p, (k)
I - (J 1. - 1
para J = 0,1 ,2, ...... ,m .
3. Xik 2: O, para i = 0,1,.... ,m y k = 1,2,....... ,1.
El modelo de programacin lineal consiste en encontrar los X ik , para
," I
Mil/(Z) = I I C, x ,
I-() .1. - 1
/11 I
Sujeto a las restricciones : IIx" = 1
1_ 0 /..:;:J
I 111 I
I
J. .;.:; )
X I! - I I X , p, (k) = O
I - () J. - I
212
INVEST IGAC ION DE O PER ,\C IONES PARA I NGEN IER I AS y AD~ " N I STRAC I ON DE E~ I PRESAS
X ,
Una resuelto el modelo, se encuentra a D,I = I
LX ,!
I ~I
Solucin del ejemplo prototipo por programacin lineal
Variables de decisin. Revisando el ejemplo que se ha venido manejando , las

variables de decisin que deben incluirse en el modelo son X01, X11 ,. X13, X21, X22 ,
Modelo de programacin lineal.
Min(Z) = 1000 X11 + 6000 X13 + 3000 X21 + 4000 X22 + 6000 X23 + 6000 X33
Sujeto a: X01 + X11 + X13 + X21 + X22 + X23 + X33 = 1

X01 -(X 13 + X23 + X33 ) = 1
8X 11 + 8X 13 -( 7X 01 + 6X 11 +8X 22 ) = O
16X21 + 16X 22 + 16X 23 - (X 01 + 2X 11 + 8X 2d = O
16X33-(X01+2X11 +8X 2d =0
Xik ~ O
') ') ') :2

La solucin ptima es X III = - . X II = - , X I1 = 0, X 'I = 0, X " = ....:.... , X '1 = O. X " =
2I 7 ' - -- 2I o ', :2 I
de tal forma que 0 01 = 1, (0 11 ,0 13 ) = (1 ,O), (0 21, 0 22 , 0 23 ) = (0, 1 , O) , 0 33 = 1.
Entonces , debe dejarse la mquina como est (decisin 1) cuando se encuentre en

el estado O o 1, debe hacerse una reparacin general (decisin 2) cuando se llegue
al estado 2 y debe reemplazarse (decisin 3) si est en el estado 3. Es la misma
21 3
L U IS ,\ I. 13ERTO RI NCO N ,\ 13 RIL
poltica ptima encontrada mediante la enumeracin exhaustiva en la seccin

10.5.1.
1. Dos mquinas dan premio , la primera con probabilidad a y la segunda con probabilidad
b. Una persona juega, si pierde juega de nuevo en la misma mquina, si gana cambia
de mquina. Encuentre la matriz de transicin y las probabilidades de estado.
2. Un computador se inspecciona cada da. Los estados son: est trabajando o

descompuesto. Si est trabajando , la probabilidad de que siga trabajando el siguiente
da es 0.80. Si est descompuesto se repara, lo que puede emplear ms de 1 da.
Siempre que el computador est descompuesto (independientemente de cunto
tiempo haya pasado) , la probabilidad de que siga descompuesto el siguiente da es
0.3.
2.1. Construya la matriz de transicin de un paso para esta cadena de Markov.
2.2. Encontrar el tiempo esperado de primera pasada del estado i al estado j.
3. Una mquina , cuando est operando al comenzar el da tiene una probabilidad de 0.1
de descomponerse en algn momento de ese da. Cuando esto ocurre , la reparacin
se hace al siguiente da y se termina al finalizar ese da .
3.1. Formule la evolucin del estado de la mquina como una cadena de Markov,
identificando los tres estados posibles al final del da y despus construyendo la
matriz de transicin (de un paso) .
3.2. Encontrar el tiempo esperado de primera pasada del estado i al estado j.
3.3. Si la mquina tiene 20 das sin descomponerse desde la ltima reparacin , cul es
el nmero esperado de das que la mquina permanecer en operacin antes de
la siguiente descompostura.
4. La cervecera "EL CNDOR" debe analizar su posicin en el mercado , debido a las

ltimas estrategias de su mayor competidor, "EL TIGRE". Se piensa modelar el cambio
214
IN\ I.S11<i \UON DE 0 1'1 R,\C IONES P,\ R,\ ING I.N IERI ,\S y , \ J) ~ II N I STRAC I ON J) E E~ l r R ES , \ S
de marca como una cadena de Markov, incluyendo tres estados: los estados A y B
representan a los clientes que beben cerveza producida por las mencionadas
cerveceras y el estado C representa a todas las dems marcas. Los datos se toman
cada mes y el analista del CNDOR construye la siguiente matriz de transicin con
datos hi stricos.
A B e
A 0.7 0.2 0.1
B 0.2 0.7 0.1
e 0.2 0.2 0.6
4.1. Cules son los porcentajes de mercado en el estado estable para las dos
cerveceras grandes?
5. Un fabricante de VHS ofrece garanta de reposicin total si un aparato falla dentro de

los 2 primeros aos. Bas ndose en datos compilados , la compaa ha notado que slo
el 1% de sus grabadoras fallan durante el primer ao mientras que 5% de ellas
sobreviven el primer ao pero fallan durante el segundo. La garanta no cubre VHS ya
reemplazadas.
5.1. Formule la evolucin del estado de un aparato como una cadena de Markov que
incluyen dos estados absorbentes que representan la necesidad de cubrir la
garanta o el hecho de que un VHS sobreviva el periodo de garanta. Despus
construya la matriz de transicin (de un paso).
5.2. Encontrar probabilidad de que el fabricante tenga que cubrir una garanta.
6. Un inversionista cada ao tiene la oportunidad de invertir en dos fondos diferentes F1

y F2 . Al final de cada ao, el inversionista liquida su inversin, recoge sus ganancias y
reinvierte . Las ganancias anua les de los fondos dependen de la reaccin del mercado .
En los ltimos aos el mercado ha oscilado alrededor de los 45 puntos, de acuerdo
con las probabilidades que se dan en la siguiente mat riz :
4400 4500 4600

4400 0.3 0.5 0.2
4500 0 .2 0.5 0.3
4600 0.1 0 .5 0.4
215
L U IS A LB ERT O RI NCON ABR IL
6.1. Cada ao en que el mercado sube (o baja) 100 puntos , el F1 tiene ganancias o
prdidas de $US 200, mientras que el F2 tiene ganancias o prdidas de $US 100.
Si el mercado sube o baja 200 puntos en un ao, las ganancias o prdidas del F1
sern de $US 500 mientras que las del F2 sern de $US 200. Si el mercado no
cambia , ninguno de los fondos tiene ganancias o prdidas. El inversionista quiere
determinar su poltica ptima de inversin con el fin de minimizar en el largo plazo
el costo (prdida menos ganancia) promedio esperado por ao.
6.2. Formule este problema como un problema de decisin de Markov identificando los
estados y las decisiones. Despus encuentre las Cik .
6.3. Identifique todas las polticas determinsticas. Para cada una, encuentre la matriz
de transicin y escriba una expresin para el costo promedio esperado (a la larga)
por periodo en trminos de las probabilidades de estado estable nO, n1, n2, .... "nm.
6.4. Encontrar la poltica ptima por enumeracin exhaustiva.
7. Una compaa revisa anualmente el estado de uno de sus productos importantes .

Decide si tiene xito (estado O) o no lo tiene (estado 1). Despus debe decidir si da o
no publicidad al producto con el fin de promocionar las ventas . Las matrices PO y P1
dan las matrices de transicin con o sin publicidad respectivamente . Los rendimientos
asociados estn dados por las matrices RO y R1. Determine las decisiones ptimas en
los tres aos siguientes.
PO =
(0.9 0.1)
0.6 0.4
RO = (2
1 -3
-1) PI=(0.7 0.3)
0.2 0.8
RO=(4
2
1)
-1
216
APNDICE A.
A. ELEMENTOS BSICOS SOBRE MATRICES Y VECTORES.
El desarrollo y comprensin de algunos elementos tericos y de clculo de la

Investigacin de Operaciones, requiere de la mezcla de un conjunto de conceptos y
tcnicas bsicas de algunos tpicos matemticos . En este apndice se presentarn
solamente aquellos tpicos de las Matrices y Vectores que faciliten el entendimiento y
ayuden al lector en la aplicacin del material presentado en los captulos .
A.1 MATRIZ.
Una Matriz es un arreglo rectangular de mxn nmeros, dispuestos en m filas y n

columnas.
::: . . . .... ::: 1

a mi a lll~ a llm
Los aij de la Matriz A=(aij) son llamados elementos de la matriz y el doble subndice
define la posicin de fila y columna. En el caso anterior diremos que la matriz es de
orden mxn y lo podremos simbolizar como Amn.
A.2 ALGUNAS MATRICES ESPECIALES.
A.2.1 Vector columna (Vector): Es una matriz con solamente una columna y cualquier
nmero de filas.
A.2.2 Vector fila (Fila): Es una matriz con solamente una fila y cualquier nmero de
columnas.
217
L U I S i\ U 3ERTO RI NCON j\Il RIL
A.2.3 Matriz Nula: Es aquella con aj = O, para todo i,j.
A.2.4 Matriz cuadrada : Una matriz A se llama cuadrada si m=n , esto es, tiene igual
nmero de filas y columnas. Se dice que es de orden n y se simboliza An.
A.2.5 Matriz triangular: Es una matriz cuadrada que cumple una de las siguientes
condiciones:
A) a'j = O para todo i > j. B) a'j = O para .tdo i < j.
Las matrices A y B presentadas enseguida son triangulares :
- 2 3 1 - 1 O O O
O 1 2 - 1 f3 O O
A= B=
O O -V'2 3 4 2 l2 O
..,
O O O f3 ,) O -13
A.2.6 Matriz diagonal : Es una matriz cuadrada con a'j = O para todo i 7:- j. Equivale a decir
que cualquier elemento ocupando una posicin fuera de la diagonal de la matriz es nulo.
A.2.7 Matriz idntica: Es una matriz diagonal con a" =1 . Equivale a decir que cada
elemento de la diagonal es 1.
1 O O O
O 1 O Oo, O
1= O O O
O
O O O Oo, 1
A.2 .8 Transpuesta de una matriz. Dada. una matriz A de orden mxn , su transpuesta
AT, ser otra matriz de orden nxm , obtenida al intercambiar respectivamente filas por
columnas en la matriz A.
!! ,.
218
IN\TS11(; .\CION J)E ()I'I R,\C IONES I" \R\ ING I,N I ER II\S y I \J)~ II ISTR \C IO DE E~IPRESr\S
T
Una matri z A, se llama simtrica , si cumple A = A; Y se llama oblicuamente simtrica ,
T
cuando cumple A = -A.
A.3IGUALDAD DE MATRICES.
Dos matrices son iguales solamente si sus elementos correspondientes (misma

posicin de fila y columna), son iguales. Por consiguiente , ambas matrices tendrn el
mismo orden.
A.4 OPERACIONES PARA MATRICES.
A.4.1 Suma de matrices : La suma de las matrices Amn Y Bmn es otra matriz Cmn , tal que
cada elemento en la posicin fila i-sima , columna j-sima de la matriz resultado , se
obtiene como:
A.4.2 Producto escalar: Operacin producto entre un nmero real a y una matriz A.
La expresin anterior indica que el escalar multiplicar a cada uno de los elementos de
la matriz.
A.4.3 Producto matricial : Operacin producto entre 2 matrices. El producto de dos

matrices A y B, se define slamente bajo la posicin de que el nmero de columnas de
A, primera matriz sea igual al nmero de filas de B, segunda matriz. Esto es:
A mp * B pn = C mn
En donde cada elemento de la matriz resultado se obtiene como:
2 19
LUI S ALBERTO RINCON ABR IL
Ejemplo. Dadas las malrices A = (2

- 1 I O
O 1) Y B =
(
1
~ -0
1
~ l
el produclo e = AB, es
C=AB=
-1
(2 O
1)(~1 - 1 1] (-LxI+bO+Orl - 1.\{- I)+ld+OIO - lxi + b:2+010) = (- 1 2 21)
~ ~ = 2r! +010+ bl 21{- I)+Oxl+bO 2rl+Ox2+bO 3 - 2
A.4.4 Propiedades de la suma y productos: Para las expresiones siguientes A, B, C

son matrices y a, B son escalares. As mismo, asumimos que las operaciones son
realizables.
Asociativa: (A + B) + C = A + (B + C)
(A *B)*C = A*(B*C)
a(A*B) = (aA)*B = A*(aB)
Conmutativa: A + B = B + A
Distributiva: (a + B)A = aA + BA
a(A + B) = aA + aB
(A + B)*C = A*C + B*C
A*(B + C) = A*B + A*C
Idntica: A + O = O + A , en donde O : matriz nula.

A*1 = 1* A ,en donde I : matriz idntica.
A.S VECTORES.
Entenderemos un vector como una matriz con una sola columna , por lo tanto sobre
los vectores aparecen definidas las mismas operaciones con las mismas propiedades
que para las matrices.
220
INVESTIG,\CION DE OI'ER /\CIONES PARA INGEN IER I /\S y AD~ lI N I STR\C I ON DE H IPR ES ,\S
A.5.1 Combinacin lineal: Dados los vectores V l , V2, V3,... .,Vn y los escalares al , a2,
a3, .. ... ,a n ; el vector V obtenido como: V = al V l + a2V2 + a3V3 + ..... + anVn , es una
combinacin lineal de los vectores dados.
A.5.2 Vectores linealmente independientes : Un conjunto de vectores dados ser

linealmente independientes , si ninguno de ellos puede ser expresado como una
combinacin lineal de los dems, de lo contrario sern linealmente dependientes . En
consecuencia , dado el conjunto de vectores Vl , V2, V3,... .,Vn ; estos sern linealmente
independientes entre s, cuando la siguiente combinacin lineal slo puede ocurrir para
al = a2 =, a3 = ..... = an = O:
Por ejemplo los vectores \1 = [~ ) .1' U = (: 1, son linealmente independientes. Para
demostrar esto se escribe: aV + 8U = , esto es:
La igualdad entre los 2 ltimos vectores exige que : 8 = O Y a = - 8. Lo que significa

que obligatoriamente a =8 =0 .
En forma similar se demuestra que el conjunto V = [~ l U = [~l ." IV = [:) es
linealmente dependiente. En este caso se escribe: aV + 8U + y..v = 0 , esto es:
De los 2 ltimos vectores , se concluye que a = - y y 8 = - y. Por consiguiente , para

cualquier valor de y, con a = 8 = - y, la expresin aV + 8U + yW = 0 , se cumple.
A.5.3 Combinacin lineal convexa : Es un vector V, obtenido como la combinacin

lineal: V = al Vl + a2V2 + a3V3 + ..... + anVn ; en la cual los escalares: al, a2, a3,. . ,an
cumplen las siguientes condiciones:
22 1
L U I S 1\ I. BE RTO RINCON AB RIL
a) O,=, aj S 1, para todo j = 1,2,3,..... ,n

b) Laj = 1 para j = 1 hasta n.
TEOREMA: Cualquier punto sobre un segmento de lnea puede ser expresado como
una combinacin convexa de los extremos del segmento.
DEMOSTRACiN: En el grfico aparecen trazados los vectores U, V, Y W ; de tal

manera que W es un punto del segmento UV o vector diferencia U-V. Dado que los
vectores U - V Y W - V, son del mismo sentido, pero W - V es de menor o igual magnitud
que U - V, se acepta que W - V = I3(U - V) , con O S 8 S 1, lo que puede ser escrito como
W =V + I3(U - V) , o tambin como W = I3U + (1 - (3)V
Grfico de los vectores U, V, W, U-V y W-V.
Ahora se analiza si los escalares 8 y 1 - 8 cumplen las condiciones que hacen a la

anterior una combinacin convexa:
Condicin (a): Por definicin O ~ 13 ~ 1 , que puede ser escrita como: -1 ~ -8 S O. A la

cual sumndole 1 a cada miembro de la desigualdad produce: O~ 1 - 13 ~ 1.
Condicin (b) : 13 + (1 - (3) = 1.
222
INVEST IG ,\CION DC OPEI< \C IONES P/\R ,\ II'GEN I ER I AS y AD~ 1I NISTRAC I ON DE EMPRESAS
A.6 DETERMINANTES.
Asociado con cualquier matriz cuadrada A = (a,j), existe un nmero nico llamado el
determinante de A, que se simboliza de cualquiera de las siguientes formas det(A), I A 1,
I a l
'j
A.5.1 Determinante para la matriz de orden 1.
A.5.2 Determinante para la matriz de orden 2 : Es decir,
A.5.3 Menor de un elemento : Dada una matriz cuadrada A, para cada elemento a,j, se
define su menor d,j, como el determinante que se puede calcular cuando en la matriz A,
se suspende la fila i-sima y la columna j-sima. Para la siguiente matriz:
del =(-2)(-3)-2(- 1) =8
d" = 1(-3)-2.11=-5
d" = 1(- 1)-(-2) 1 = 1
A.5.4 Menor signado de un elemento : Se define como m'j = (-1 r d'j
En el ejemplo anterior m21 = -8, m22 =-5 Y m23 = -1 .
A.5.5 Cofactor de un elemento : Dada una matriz cuadrada A, para cada elemento a,j,
se define su cofactor f,j , como el menor signado multiplicado por el mismo elemento
f'j = (-1 tja'j d'j
En el ejemplo de los puntos anteriores: f21 = -8*3 = -24, f22 = -5*0 = O Y f23 = -1*1 = -1. De
este ejercicio, el lector podr deducir que si a'j = O, entonces f'j =O.
22 3
LU I S I\ I. BE RTO RI NCON AI3 RIL
A.5.6 Determinante para la matriz de orden n ~ 2. Existe una propiedad para las
matrices cuadradas , la cual no se va a demostrar, la suma de los cofactores de
cualquier fila o columna es siempre el mismo valor. Este aspecto "especfico " fue
definido como el determinante de la matriz. Asi pues, dada una matriz cuadrada A, se
tiene que det(A) = D ,J , para una sola fila i-sima o una sola columna j-sima . En el
ejemplo que se viene presentando se puede calcular det(A) = -24 + O -1 =-25.
A.5.? Propiedades de los determinantes. La demostracin de las siguientes
propiedades se dejan al lector y en ellas se supone que cuando se habla del
determinante de una matriz A, se entiende la estructura IAI .
1. El determinante de una matriz y el determinante de su transpuesta son iguales, esto

T
es , det(A ) = det(A).
2. Si 181 es el determinante formado por el intercambio entre 2 vectores filas o

columnas respectivas de IAI , entonces: 181 = -IAI
3. Si 181 es el determinante obtenido al multiplicar por a un solo vector fila o columna del
determinante lA\, entonces: 181 = alAI
4. Si un vector fila o columna en una matriz cuadrada es nulo, entonces el determinante

de ellas es O.
5. Cuando en un determinante una fila o columna es cambiado por la combinacin

lineal de ella con otra fila o columna respectivamente , el valor del determinante no
cambia.
6. Si un determinante tiene 2 vectores filas o columnas respectivamente iguales o

proporcionales ser igual a o.
A.6 OTRAS MATRICES ESPECIALES.
A.6.1 Matriz singular. Una matriz A se denominar singular, si det(A) =IAI =O .
224
IN \ I S rJ G ,\ C IO N D E OPER ,\C10 N ES P,\l~" ING EN IER I AS y ,\DM IN I STR AC ION DE E ~ IPRE SAS
A.6.2 Matriz Adjunta . La adjunta de una matriz cuadrada A es otra matriz cuadrada J
del mism o orden , estructurada como la transpuesta de los menores signados de A, esto
es , Si A =(ajj), entonces J =(m jj)T
A.6.3 Matriz Inversa. Una matriz B recibe el nombre de inversa de la matriz cuadrada
A, si A*B = 1. La inversa de A se designa como A '. Puede demostrarse que si A es no
I
singular, esto es IAI 1:- O, entonces A- = I .J .
A
Para cu alquier matriz cuadrada no singular A, A-' es nica y cumple A* A-' =A-'* A =I
Para la matriz de orden 2, particularmente se tiene A -

-
(0b de) => B_ ~(d
- IAI -e
-b),
({
con IAI = ad - bc.
A.7 ECUACIONES LINEALES SIMULTNEAS.
Cualquier conjunto de ecuaciones lineales simultneas tiene una representacin

conveniente usando la notacin matricial. El sistema:
a" X, + a' 2X2 + a' 3X3 + ...... .. .. .+ a,nXn = b,

a2' X, + a22X2 + a23X3 +.. ......... + a2nXn = b2
a3' X, + a32X2 + a33X3 + .. ......... + a3nXn = b3
se puede escribirse como A*X =b , en donde:

(f II l! {/ I" b,
A=
{{ el (1 l' (/ 211
X= X'j
X,
b=
b,
(f
",1 (/ 11/2 { I "/II X" b,
225
LU IS ALBERT O R INCN ABR IL
Si A es cuadrada , esto es , m = n y no singular, el vector solucin est dado por X =A- 1b.
Aplicar esta expresin para encontrar X, exige un procedimiento demasiado
congestionado de operaciones, el cual fue totalmente mejorado mediante el mtodo de
eliminacin de Gauss.
A.7.1 Mtodo de eliminacin de Gauss : La fundamentacin matemtica del mtodo

no es materia de este tratado, por ello nos limitaremos a observar la aplicacin , la cual
consiste en :
1. Construir la estructura ( A 11 1 b ).
2. Realizar las combinaciones lineales adecuadas entre las filas de esta matriz para que
en la posicin donde est A, aparezca la matriz idntica 1.
1
3. Cuando esto se logra la anterior estructura se convierte a ( 1 1 A- 1X ).
Una justificacin (no demostracin) de la validez del anterior procedimiento es:
Este procedimiento es usado cuando para un sistema de ecuaciones lineales se requiere

encontrar la solucin del sistema , vector X, y la inversa de la matriz definida como A.
Si nicamente se requiere el clculo del vector X, solucin del sistema de ecuaciones , el

proceso ser iniciar con ( A 1 b) Y terminar con (1 1 X).
Para encontrar la inversa de una matriz A, el proceso ser iniciar con (A 11), realizar las
combinaciones lineales para terminar con (1 1 A-\
Para entender y discutir el procedimiento se presenta el siguiente ejemplo, para el cual

se necesita calcular el vector X y la matriz A.
2X , +3X , + X ; =2
X1+X , +X ; = O
- X, +X , +2 X ;= 4
226
INVESTIG /\C ION DE OPERAC IONES PARA INGEN IER I AS y ADM IN ISTRAC ION DE EMPRESAS
Con esta informacin se puede construir el tablero inicial ( A 1I 1 b ), el cual queda como:
2 I 3 1 1 O O 2 F1
1 1 1 O 1 O O F2
-1 1 2 O O 1 4 F3
1 3/2 Y2 Y2 O O 1 F1 1=Y2 F1
O [3J Y2 -Y2 1 O -1 F2 1=F2- F1 1
O 5/2 5/2 Y2 O 1 5 F3 1=F3+ F1 1
1 O 2 -1 3 O -2 F1 2=F1 1 -3/2F2 2
O 1 -1 1 -2 O 2 F2 2= -2F2 1
O O I 5 -2 5 1 O F3 2=F3 1 -5/2F2 2
1 O O -1 /5 1 -2/5 -2 F1 3=F1 2-1 /5F33
O 1 O 3/5 -1 1/5 2 F23=F22+F3 3
O O 1 -2/5 1 1/5 O F3 3 =1/5F3 2
Al revisar el procedimiento seguido, se puede decir:
a) Pasar a un nuevo tablero, significa generar un nuevo "vector unitario" en bsqueda de

la matriz I en las primeras columnas de la tabla.
b) El "vector unitario" debe generarse con 1 en la posicin del marco (elemento pivote) y
ceros en el resto de la columna.
c) La fila que contiene el elemento pivote ( fila pivote) debe multiplicarse por el inverso
del pivote, para pasar al nuevo tablero.
d) Las dems filas se obtienen realizando entre ella y la fila pivote la correspondiente
combinacin lineal que genere el cero del "vector unitario".
227
I_U I S A L BERTO RINCON A BR IL
A.8 EJERCICIOS PROPUESTOS.
1. Dadas las matrices A- 1 1 2) B- (-S O

(4 - 2 1 -1 1
T
determinar: a) A + B b) CD e) DC d) BC - 2AD e) C + D
2. Dadas las matrices , A = (2 2)

-2 -2
B= (31 ~) , Hallar:
a) AB - BA b) (A + B)T e) (A - Br ' e) AB-' d) A2
3. Si A Y B son matrices cuadradas mostrar que:
a) b)
4. Si A es una matriz diagonal de orden n, en donde todo a = e,
a) Mostrar que det(A) = en.
b) Mostrar que si n = 2 , entonces : N = cnl
5. Dada A= (= S)enCOl1lrOr
J I
B= (x -" ) , para que:
:: l'
T
(a) AB = BA (b) AB = I (e) AB = A (d) AB = A2
6 Dados los veclores VI =[; } V2 =[ -~2} V3 =[ ~I} V =[:}
a) Calcule V4 = 2V1 - 3V2 + V3
b) Encu entre a, b, m para que: aV1 + bV2 + mV3 = V
22 8
INVEST IG\C ION DE OPERACIONES PARA INGEN IER I\S y \I)~ I I N I S TR AC I ()N DE H 1PRESAS
c) Anali zar si V1 , V2 y V3 son o no Linealmente independientes.
7. La solucin a un PROGRAMA LINEAL gener las siguientes soluciones ptimas:
18 18
15 18
VI = 9 V2 = O
O 8
O O
Expresar mediante una combinacin lineal convexa todas las posibles soluciones
ptimas al programa lineal.
8. Usando el mtodo de elim inacin de Gauss, solucione:
a) 2X 1 + 3X 2 - 5X 3 =-3 b) 3X 1 + 2X 2 - X3 = 4
3X 1 - 2X 2 + 4X 3 = 15 2X 2 + 3X 3 = 8
5X 1 + 3X 2 - 2X 3 = 6 X1 + X2 + X3 = 4
c) 2X 1 + X2 + X3 = 10 d) X1 + X2 + X3 + X4 = 3
X1 + 2X 2 + X3 = 8 2X 1 - X2 - X3 = O
X1 - X2 + 2X 3 = 2 X1 + 2X 2 - X3 + 2X 4 = 2
X3 + X4 = 1
229
BIBLIOGRAFA
AHUJA, R., MAGNANTI T, Y ORLlN, J,. Netwoork flows : Theory, Algorithms and
applications. Ed. Prentice Hall. New Jersey. 1993.
BAZARAA, M., JARVIS J,. Linear programming and Netwoork flows. 3a . Edicin .
Ed , Willey. New York. 1995.
BINGHAM, R. Programas de computacin para formular alimentos. Avicultura
profesional. pp 134-136. 1983.
BRONSON, R. Teora y problemas de investigacin de operaciones. Ed. McGraw
Hill. Mxico 1983. 324 p.
COOPER, Robert B., Introduction to Oueueing Theory. 3 a . Edicin . Elsevier
North Holland. Nueva York. 1988.
COWLES, K y CARLlNG B. , Markov chain Monte Cario convergen ce
diagnostics. Journal Am . Stat. Assoc., 1996. p 91 , 883-904.
DANTZIG, G. B. Linear Programming and Extensions. Princeton University Press.
Princeton. 1963.
EPPEN G. D., GOULD F. G., SCHMIDT C.P. MOORE J. H. Y WEATHERFORD
1. R., Investigacin de Operaciones en la ciencia administrativa. Editorial Prentice
Hall. Ouinta Edicin . 1998. Mxico.
FU, M. C. ,Optimization via Simulation , Annals of Operations Research . 1994. P
199-248.
GASS, S. 1. An IlIustrated guide to Linear programming. Ed . Dover Publications.
1990.
GILKS, W., RICHARDSON S., Markov chain Monte in practice. Chapman Hall.
1996.
HILLlER, Frederick S. y LlEBERMAN, Gerald J., Introduccin a la
Investigacin de Operaciones. Editorial Mc Graw Hill. Cuarta Edicin. 1997.
Mxico.
INFANTE, A. Programacin Lineal. Bogot . Universidad de Amrica, 1979. 352
p.
230
I VESTIGAC ION DE OPERAC IO ES PARA I NGEN I ER I AS y AD~ II N I STRAC I ON DE E~ I PRESAS
KOLESAR, P. A branch and bound algorithm ton tire knapsck problem .

Managment Science. Vol. 13. 1982.
MODER, J., y C. PHILLlPS , Project Management with CPM and PERT, 4a. ed. ,
Van Nostrand Reinhold , Nueva York, 1980.
MURTY y KATTA. Linear programming, Ed. Wiley. New York 1983.
PRAWDA, J. Mtodos y modelos de investigacin de operaciones. Mxico. Ed .
Limusa, 1988. 872 p.
RINCON, A. Luis Alberto. Programacin Lineal con aplicaciones al sector
agropecuario . Universidad Nacional de Colombia. Palmira. Segunda Edicin .
1994.
Ros, David , Ros, Sixto y MARTIN, Jacinto. Simulacin , Mtodos y
aplicaciones . Ed . Alfaomega . Santaf de Bogot. 2000. 371 p.
SALKIN, H. Integer programming. New York Wiley. 1975. 185 p.
STEWART, W. J., Numerical solution of Markov chains. Ed. Marcel Dekker. New
York. 1991
TAHA, Hamdy A. Investigacin de operaciones. Traductor: Juan Carlos Vega.
Editorial Alfaomega. Mxico. 1991. pp 989
TAHA, Hamdy A. Integer programming : Theory, applications and computations .
New York: Academic Press, 1975. 336 p.
TARQUIN y BLANK. Ingeniera econmica. Mxico : McGraw Hill. 1991 . 345 p.
VARELA, Jaime Enrique . Introduccin a la investigacin de operaciones .
Bogot : Fondo Editorial Interamerica. 1991 . 452 p.
VARELA, Rodrigo. Evaluacin econmica de inversiones. Cali . Norma, 1989.
486 p.
VIDAL, C. J. Modelos lineales. Algebra lineal aplicada para ingenieros.
Universidad del Valle. 1989.
WILLlAMS, H. P. , Model Building in Mathematical Programming . 4 a . Ed . Willey.
New York. 1996.
231
LUIS ALBERTO RINCN ABRIL
Magster en Ingeniera de Sistemas, In-

geniero Electricista. Docente Investiga-
dor de la Universidad Nacional de Co-
lombia en las reas de Desarrollo de
Software y Sistemas, Investigacin de
Operaciones, Estadstica y Matemticas.
Director del Departamento de Ciencias
Bsicas de la Universidad Nacional de
Colombia, sede Palmira, en tres pero-
dos diferentes.
ISBN 958809509 - 3

Investigacion de Operaciones para Ingenierias y Administracion de Empresas OA PDF

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

Investigacion de Operaciones para Ingenierias y Administracion de Empresas OA PDF

Uploaded by

Copyright:

Available Formats

Luis Alberto Rincn Abril

DEPARTAMENTO DE CIENCIAS BSICAS

INVESTIGACiN DE OPERACIONES PARA INGENIERAS

Por: LUIS ALBERTO RINCN ABRIL

Palmira, junio de 2001

Impreso en los talleres grficos de

A mis hijas Liliana y Andrea,

1. GENERALIDADES SOBRE INVESTIGACiN DE OPERACIONES. 10

1.1 NATURALEZA DE LA INVESTIGACIN DE OPERACIONES. 10

1.2 REPRESENTACIN POR MEDIO DE MODELOS. 14

1.3 EJERCICIOS PROPUESTOS. 15

2.1 EL CAMPO DE LA PROGRAMACIN LINEAL. 16

2.2 MODELOS MATEMTICOS DE PROGRAMACIN LINEAL. 17

2.3 ESTRUCTURA GENERAL DEL MODELO MATEMTICO. 18

2.4 MTODO GRFICO DE SOLUCIN. 28

2.5 MTODO SIMPLEX. 31

2.6 ALGORITMO SIMPLEX. 41

2.7 ANLISIS POST-PTIMO O DE SENSIBILIDAD. 53

2.8 USO DEL COMPUTADOR EN LA PROGRAMACIN LINEAL. 60

~.9 EJERCICIOS Y PROBLEMAS PROPUESTOS. 67

.\. 1 QU ES LA PROGRAMACION ENTERA. 7.~

.'. : I'RINCII'ALES MODELOS. 7-1

.'.3 EJERCICIOS Y PROBLEMAS PROPUESTOS. 91

4. EL PROBLEMA DEL TRANSPORTE. 94

U MODELO DEL PROBLEMA DEL TRANSPORTE. 95

-u MTODO DE SOLUCiN DEL PROBLEMA DEL TRANSPORTE. 98

5. EL PROBLEMA DE ASIGNACiN 109

5.1 MODELO DEL PROBLEMA DE ASIGNACIN. 109

5.2 MTODO DE SOLUCIN DEL PROBLEMA DE ASIGNACIN. 112

5.3 EJERCICIOS Y PROBLEMAS PROPUESTOS. 118

6. MODELOS DE REDES 119

6.1 TERMINOLOGA DE REDES. 121

6.2 PROBLEMA DE LA RUTA MS CORTA. 122

6.3 PROBLEMA DEL RBOL DE EXPANSIN MNIMA. 123

6.4 FLUJOS EN REDES. 129

6.5 PROBLEMA DEL FLUJO MXIMO. 129

6.6 FLUJOS DE COSTO MNIMO. 137

6.7 EJERCICIOS Y PROBLEMAS PROPUESTOS. 145

7. PROGRAMACiN DE PROYECTOS CON PERT-CPM. 148

7.1 FASES DE PROGRAMACIN. 149

7.2 TERMINOLOGA EN LOS DIAGRAMAS DE RED. 150

7.3 LA RUTA CRTICA. 153

7.4 DIAGRAMA DE TIEMPO. 158

7.5 EL ENFOQUE DE TRES TIEMPOS ESTIMADOS DE PERT. 160

7.6 EJERCICIOS Y PROBLEMAS PROPUESTOS. 163

8. MODELOS DE INVENTARIOS 166

8.1 TERMINOLOGA EN LOS MODELOS DE INVENTARIOS. 167

8.2 MODELO DETERMINSTICO SIMPLE. 168

8.3 MODELO DETERMINSTICO CON ENTREGAS RETRASADAS. 172

8.4 EJERCICIOS Y PROBLEMAS PROPUESTOS. 175

9. MODELOS DE ESPERA O TEORA DE COLAS. 177

9.1 PROCESO BSICO DE UNA COLA. 177

9.2 DISCIPLINA DE LA COLA. 179

9.3 TERMINOLOGA BSICA. 180

9.4 EL PROCESO DE POISSON. 180

9.5 EL PROCESO DE NACIMIENTO Y MUERTE. 182

9.6 MODELOS DE COLAS CON PROCESOS DE NACIMIENTO Y MUERTE. 187

9.7 EJERCICIOS Y PROBLEMAS PROPUESTOS. 190

10. MODELOS DE DECISiN MARKOVIANOS 193

10.1 PROCESOS ESTOCSTICOS. 193

10.2 CADENAS DE MARKOV. 194

10.3 ECUACIONES DE CHAPMAN KOLMOGOROV. 197

10.4 CLASIFICACiN DE LOS ESTADOS DE UNA CADENA DE MARKOV. 198