Guía Del Estudiante Doc Maestro IO-2016

MATHUMBI
INVESTIGACION DE
OPERACIONES
Guia del Estudiante
El presente documento contiene el resumen de las
preparaciones de clase y se constituye en una gua de estudio
contiene un desarrollo terico de los temas , con ejercicios
modelo y talleres para desarrollar en clase y fuera de ella
Ing. Luis Humberto Ortega R.
04/02/2016
MATHUMBI
Investigacion
de operaciones
Tabla de contenido
Tabla de contenido ...................................................................................................................................................... 1
1
Generalidades ...................................................................................................................................................... 3
Programacin lineal ............................................................................................................................................. 5

2.1
2.1.1
Generalidades ......................................................................................................................................... 5
2.1.2
Desigualdades Lineales ........................................................................................................................... 5
2.2
Modelos y solucin de problemas de programacin lineal ....................................................................... 7
2.2.1
Mtodos de solucin. Procedimiento .................................................................................................... 7
2.2.2
Mtodo Grfico....................................................................................................................................... 8
2.3
Problemas con mltiples soluciones no acotados y degenerados .......................................................... 12
2.4
El Mtodo Simplex Primal ......................................................................................................................... 17
2.5
Anlisis de sensibilidad y dualidad ........................................................................................................... 30
2.5.1
Introduccin y objetivos ....................................................................................................................... 30
2.5.2
Anlisis de sensibilidad con mtodo grfico ........................................................................................ 31
2.6
3
Introduccin a la programacin lineal ........................................................................................................ 5
Ejercicios y Talleres ................................................................................................................................... 38
Aplicaciones especiales de PL ............................................................................................................................ 39

3.1
El problema del Transporte ...................................................................................................................... 39
3.1.1
Introduccin .......................................................................................................................................... 39
3.1.2
Modelo .................................................................................................................................................. 39
3.2
Modelo de Transporte no equilibrado ..................................................................................................... 48
3.3
Problema de Transbordo .......................................................................................................................... 50
3.4
Problemas de Asignacin .......................................................................................................................... 51
3.4.1
Mtodo Hngaro .................................................................................................................................. 52
3.4.2
Mtodo con el WINQSB ........................................................................................................................ 54
3.5
4. optimizacion de redes ........................................................................................................................................... 57

4.1
Definiciones y Conceptos .......................................................................................................................... 57
4.2
Programacin de proyectos con PERT-CPM ............................................................................................. 57
4.2.1
Proyectos de tipo determinstico CPM (Critical-Path-Method)........................................................... 60
4.3
Problema de la ruta ms corta ................................................................................................................. 74
4.4
Problema del rbol de expansin mnima................................................................................................ 74
4.5
Problema del flujo mximo....................................................................................................................... 74
4.6
Problema del flujo de costo mnimo ........................................................................................................ 74
4.7
Mtodo Simplex de redes ......................................................................................................................... 74
4.8
Modelo de optimizacin cambios entre tiempo y costo de un proyecto................................................ 74
MATHUMBI
Investigacion
de operaciones
4.9
Control de proyecto .................................................................................................................................. 74
4.10
Otros tipos de programacin............................................................................................................................. 79

5.1
Programacin dinmica ............................................................................................................................ 79
5.2
Programacin entera ................................................................................................................................ 81
5.3
Programacin no lineal ............................................................................................................................. 82
5.4
Otras aplicaciones .............................................................................................................................................. 84

6.1
Modelos de Inventarios ............................................................................................................................ 84
6.2
Simulacin ................................................................................................................................................. 85
6.3
APENDICES ......................................................................................................................................................... 88
7.1
SOLVER ...................................................................................................................................................... 88
7.2
WIN QSB .................................................................................................................................................... 89
7.2.1
Modelos de Programacin Lineal Maximizacin y Minimizacin........................................................ 89
7.2.2
Modelo de Transporte .......................................................................................................................... 90
Bibliografa ................................................................................................................................................................. 92
MATHUMBI
Investigacion
de operaciones
1 Generalidades
El principal objetivo de esta rea de conocimientos consiste en formular y resolver diversos problemas
orientados a la toma de decisiones.
La naturaleza de los problemas abordados puede ser determinstica, como en los Modelos de Programacin
Matemtica, donde la teora de probabilidades no es necesaria, o bien de problemas donde la presencia de
incertidumbre tiene un rol preponderante, como en los Modelos Probabilsticos.
Hoy en da, la toma de decisiones abarca una gran cantidad de problemas reales cada ms complejos y
especializados, que necesariamente requieren del uso de metodologas para la formulacin matemtica de
estos problemas y, conjuntamente de mtodos y herramientas de resolucin, como los que provee la
Investigacin de Operaciones
MATHUMBI
Investigacion
de operaciones
PARTE 1. MODELOS DE PROGRAMACION
MATHUMBI
Investigacion
de operaciones
2 Programacin lineal
2.1 Introduccin a la programacin lineal
2.1.1
Generalidades
La Programacin Lineal se considera como una parte de la Investigacin de Operaciones. En este capitulo
se resuelven problemas que contienen dos variables. Para ello es necesario partir de funciones e
inecuaciones lineales, por lo que procederemos a revisar su concepto y sus grficas, con el propsito de
hallar regiones factibles compuesta de puntos que satisfacen unas restricciones y poder optimizar la funcin
objetivo.
2.1.2
Desigualdades Lineales
Una funcin lineal puede ser expresada de las siguientes formas

= + Ecuacin pendiente ordenada en el orgen
+ + = 0
Ecuacin general
Ejemplo: La ecuacin de la recta 2 + 3 4 = 0 , puede expresarse asi:
2 + 3 = 6
2
4
= +
3
3
Donde
2
= 3
Pendiente de la recta
= 3 Punto de corte de la recta con el eje ""
Con esta breve explicacin procederemos a graficar en el mismo plano varias desigualdades en dos
variables, que corresponden a un problema prctico que veremos ms adelante:
Ejemplo La funcin objetivo y las restricciones para cierto problema de produccin son:
MATHUMBI
Investigacion
de operaciones
= 51 + 62
Sujeta a:
1 + 2 80
31 + 22
220
21 + 32
210
1 , 2
0
Graficar la regin del plano que representa las restricciones en forma de desigualdades
x2
x1
Graph Limited School Edition
Clculos y Operaciones:
1 + 2 80
31 + 22
220
21 + 32
210
A continuacin podemos observar la grfica de la regin que cumple simultneamente con todas las
restricciones en forma de inecuaciones y que da origen a una regin del plano cartesiano.
MATHUMBI
Investigacion
de operaciones
x2
100
80
60 (0,70)
(30,50)
40
20
(60,20)
0
(0,0)
x1
(73.33,0)
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95 100 105 110 115
2.2 Modelos y solucin de problemas de programacin lineal

2.2.1
Mtodos de solucin. Procedimiento
Establecer modelos matemticos basados en la vida real es uno de los temas ms atractivos de las ciencias
administrativas y de ingeniera y su objetivo est basado en tomar decisiones ptimas. De esta forma,
formulamos un modelo de programacin lineal, as la carreta se convierte en inecuaciones o ecuaciones.
La programacin lineal hace uso de un modelo matemtico para describir un problema de la vida real. Como
todo modelo es ideal, basado en funciones lineales, una de ellas es la funcin objetivo a optimizar (maximizar
o minimizar), sujeta a restricciones.
La formulacin de un modelo lineal requiere realizar los siguientes pasos:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
Lea cuidadosamente el problema

Realice un cuadro matriz donde se encuentren los datos de la carreta
Defina las variables de decisin
Establezca la funcin objetivo ( Maximizar o Minimizar)
Defina las restricciones
Formule el modelo matemtico
Grafique y establezca la regin factible
Determine los vrtices de la regin factible
Evale los vrtices en la funcin objetivo
Seleccione la solucin ptima del problema
Si el problema contiene ms de dos variables, resulta conveniente utilizar otros mtodos
Resuelva el problema e interprete el resultado y sea obediente en realizar estos pasos
MATHUMBI
Investigacion
de operaciones
El modelo general de programacin lineal se presenta en la siguiente forma
: 11 + 2 2 + 3 3 +. +
Sujeto a:
111 + 12 2 + 133 + + 1 = 1
21 1 + 22 2 + 23 3 + + 2 = 2
31 1 + 32 2 + 33 3 + + 3 = 3

11 + 2 2 + 3 3 + + = 3
0 ; = 1,2,3 .
2.2.2
Mtodo Grfico
Es aplicable a problemas de programacin lineal, donde intervienen dos variables nicamente. Por este
mtodo se busca maximizar o minimizar una funcin objetivo, sujeto a ciertas restricciones expresadas en
forma de desigualdades o inecuaciones lineales que pueden ser horas disponibles en mano de obra o
mquinas, recursos financieros, cantidades de materia prima.
Para realizar el procedimiento descrito anteriormente, debemos previamente definir algunos trminos que se
utilizan en su desarrollo:
Regin factible. Es el conjunto de todos los puntos del plano cartesiano, considerados en el primer cuadrante
y que satisfacen simultnemaente todas las restricciones del problema.
Punto de esquina o vrtice de la regin factible. Es un punto de interseccin de dos rectas que son frontera
de la regin factible del problema.
Pasos para resolver el problema con el mtodo grfico.
1. Definir variables de decisin
2. Plantear el modelo matemtico, el cual debe contener la funcin objetivo y las restricciones.
3. Graficar cada restriccin, primero como una linea recta y luego la regin correspondiente a la
inecuacin planteada, con el propsito de hallar la regin factible.
4. Determinar las coordenadas de los puntos de esquina o vrtices (1 , 2 ) del rea hallada.
5. Sustituir las coordenadas obtenidas en la funcin objetivo, mediante un proceso tabular.
6. Seleccionar la solucin ptima del problema. En un problema de maximizacin el mayor Z producido
y en uno de minimizacin el menor valor.
Ejemplo 1 Gua
La constructora Morara Ltda., va a construir apartamentos de dos tipos: dos y tres alcobas, la empresa
constructora dispone para ello de $2.100 millones de peso. Siendo el costo de 20 y 26 millones
respectivamente. Una norma distrital no permite que el nmero total de apartamentos sea superior a 90. La
utilidad por la venta para un apartamento de 2 y 3 alcobas es de 5 y 6 millones respectivamente. Qu cantidad
de apartamentos de cada clase debo construir para obtener la mxima utilidad.
La anterior carreta se puede condensar en la siguiente tabla
MATHUMBI
Investigacion
Ejemplo 1 Constructora
de operaciones
Tipo de Apartamento
Dos alcobas
Tres alcobas
x1
x2
VARIABLES
Disponibilidad
Cantidad de Apartamentos
90
Recursos en millones de $
20
26
2100
Utilidad por Apartamento
Las variables de decisin:

1 : No de apartamentos a construir de dos alcobas
2 : No de apartamentos a construir de tres alcobas
La funcin objetivo, consiste en construir una cantidad ptima de apartamentos de cada tipo para obtener la
mxima utilidad:
= 51 + 62
Sujeto a:
1 + 2 90
201 +262 2100
1 , 2 0
La regin factible bsica y la funcin solucin se grafican de la siguiente forma:
x2
80
(0,80.77)
B
70
60
50
(40,50)
40
30
20
10
A(0,0)
0
D (90,0)
10
20
30
40
50
60
70
80
90
x1
100
110
120
130
140
150
160
La regin factible bsica est definida por los vrtices A,B,C,D. Si hallamos las coordenadas de dichos puntos
y se reemplazan en la funcin objetivo, el valor mximo que nos arroje tal funcin es la solucin del problema.
Este procedimiento lo plasmamos en la siguiente tabla:
10
MATHUMBI
Investigacion
Puntos
A
B
C
D
x1
0
0
40
90
x2
0
80,77
50
0
de operaciones
Z
0
484,62
500,00
450,00
En consecuencia, se deben construir 40 apartamentos de dos alcobas y 50 de tres alcobas. De otra parte se
observa que la funcin Z (objetivo) igual a 500 millones de pesos pasa por el punto (40,50) y que las rectas
paralelas, a pesar de pertenecer a la regin no son ptimas puesto que arrojan una utilidad menor.
Ejemplo 2 Gua
En el jardn infantil Delta se ha establecido que a cada nio en la semana se le debe proporcionar mximo
480 miligramos de vitaminas, mnimo 180 miligramos de hierro y mnimo 180 miligramos de minerales. Para
lograr estos requisitos vitamnicos en el jardn se dispone de leche y fruta para los cuales se ha establecido
un costo de $400 por un vaso de leche y $500 por una porcin de fruta. Establezca que cantidad de leche y
fruta, con costo mnimo se le debe administrar diariamente a cada nio, si sabe que un vaso de leche contiene
6 miligramos de vitaminas, 3 miligramos de hierro y 6 miligramos de minerales, mientras que una porcin de
fruta contiene 8 miligramos de vitaminas, 6 miligramos de hierro y 3 miligramos de minerales.
Ejemplo 2 Dieta Jardn Inf
Mezcla Alimentos
Vasos de leche
porcin de fruta
VARIABLES
x1
x2
Disponibilidad
Vitaminas mgr
480
Hierro mgr
180
Minerales mgr
180
$ 400
$ 500
Costos Unitarios
Variables de decisin
1 vasos de leche
2 porcin de fruta
Modelo matemtico de solucin:
= 4001 + 5002
Sujeta a:
61 + 8 2 480 miligramos de vitamina, Recta BC
31 + 62 180 miligramos de hierro, Recta AB
61 + 32 180 miligramos de minerales, Recta BA
1 , 2
Siguiendo los pasos anteriores obtenemos:
11
MATHUMBI
Investigacion
de operaciones
x2
70
B
60
50
40
30
20
10
D
0
0
10
20
30
40
50
60
70
80
x1
90
100
110
120
130
140
150
Puntos
A
B
C
D
x1
20
0
80
60
x2
20
60
0
0
Z
18.000
30.000
32.000
24.000
La solucin est dada por el punto A (20,20) que nos arroja el menor valor. Se interpreta diciendo que a cada
nio se le debe suministrar 20 vasos de leche y 20 porciones de fruta en la semana, para lograr que los costos
sean mnimos y que no se vayan a enfermar y a crecer desnutridos estos cabezones.
12
MATHUMBI
Investigacion
de operaciones
2.3 Problemas con mltiples soluciones no acotados y degenerados

CASO 1. Soluciones ptimas - mltiples. 1
Cuando la funcin objetivo alcanza el valor ptimo en ms de un vrtice de la regin factible. En tal caso se
concluye que el problema tiene mltiples soluciones alternativas.
Ejemplo 3
= 21 + 42
Sujeto a:
1 + 42 8
1 +22 16
1 , 2 0
Puntos
A
B
C
x1
0
0
8
x2
2
8
4
Z
8
32
32
El problema tiene infinitas soluciones a lo largo de la recta BC

CASO 2. No factibilidad. 2
Se presenta cuando no existe region factible bsica, es decir, la interseccin de las regiones determinadas por las
restricciones es vaca.
Ejemplo 4
= 31 + 42
Sujeto a:
1
Bibliografa Algebra Lineal y Programacin Lineal. Francisco Soler y otros. Pag. 282 con ciertas modificaciones.
13
MATHUMBI
Investigacion
de operaciones
1 + 2 40
1 +22 100
1 , 2 0
Conclusin: No existe solucin. La regin central entre las dos rectas es vaca, no poseee elementos
comunes.
CASO 3. No acotamiento. 3
La solucin de un problema de programacin lineal se puede extender hasta el infinito, o sea, hasta donde se
quiera, por tal motivo la regin no tiene cotas superiores.
Ejemplo 5
= 401 + 202
Sujeto a:
2 10
1 4
1 , 2 0
14
MATHUMBI
Investigacion
de operaciones
La funcin objetivo aumenta indefinidamente cuando x1, tiende infinito, mientras que x2 crece hasta alcanzar
un valor mximo de 10, cualesuiera de puntos ordenados dentro de la regin mximiza la funcin objetivo.
15
MATHUMBI
Investigacion
de operaciones
2.4 Ejercicios y Talleres

Mtodo Grfico
Hallar el valor de Z y las soluciones al modelo de programacin lineal
1.
= 51 + 2
Sujeta a
31 +2 7
1 +2 3
1 +22 5
1 , 2 , 0
2.
= 1 + 2
Sujeta a
1 +32 6
21 +2 7
1 , 2 , 0
= 31 + 22
3.
Sujeta a
21 82 16
21 +42 32
1 , 2 , 0
4.
= 101 82
Sujeta a
1 +22 4
51 +22 12
1 , 2 , 0
Problema prctico 1. 4
Una fbrica de muebles produce dos tipos de escritorios, Tipo I y Tipo II, en los departamentos de corte,
armado y acabado. El nmero de horas disponibles en cada departamenro son de 80 h, 220 h y 210 h
respectivamente. La utilidad para cada unidad de escritorios del Tipo I y del Tipo II son US$5 y US$6 y las
horas que se requierenen la produccin de cada departamento para cada tipo de escritorio se da en la
siguiente tabla.
Bibliografa Algebra Lineal y Programacin Lineal. Francisco Soler y otros. Pag. 262
16
MATHUMBI
Investigacion
Tipo I
Tipo II
Corte
1
1
Armado
3
2
de operaciones
Acabado
2
3
Cuntas unidades de cada tipo se deben fabricar mensualmente para maximizar la utilidad y cul es dicha
utilidad? Cuntas horas no se utilizan en los respectivos departamentos?
R/ se deben fabricar 30 de Tipo I y 50 de Tipo II
Problema prctico 2. 5
Una compaa farmacutica necesita tres productos qumicos A, B, C, con el fn de producir un medicamento
para la hepatitis B. Las necesidades mnimas son de 80 unidades de A, 160 de B y 200 de C. Segn la lista
de proveedores de la compaa eligen dos marcas de preferencia, por su calidad y bajo precio. La marca
MIPEPA cuesta US$ 2 la unidad y contienen 1 unidad de A, 3 de B y 5 de C; mientras que la marca
SEDOPA cuesta US$2 la unidad y contiene 2 unidades de cada producto.
Cuntas unidades deben comprar de cada marca con el fin de minimizar el costo? Cul es el costo mnimo?
R/ Se deben comprar 40 unidades a MIPEPA y 20 unidades a SEDOPA para un costo mnimo de US$120
sobrando 40 unidades del producto C, y utilizando 80 de A y 160 de B.
17
MATHUMBI
Investigacion
de operaciones
2.5 El Mtodo Simplex Primal

La investigacin de operaciones en general y la programacin lineal en particular recibieron un gran impulso
gracias al uso de la informtica y los computadores. La importancia radica en la utilizacin del mtodo
simplex, desarrollado por G.B. Dantzig en 1947, que consiste en la utilizacin de un proceso con el objetivo
de optimizar la funcin objetivo mediante la utilizacin de iteraciones, sujeta a ciertas restricciones. En
particular es un procedimiento algebraico, basado en la solucin de sistemas de ecuaciones, el que implica
clculos extensos, lo que permite que la computadora sea una herramienta esencial para resolver problemas
de programacin lineal. Por lo tanto, las reglas computacionales se adaptan para el clculo automtico.6
Para explicar el procedimiento de una manera entendible, tomamos como base, con algunas modificaciones
necesarias (proteger las marcas), el ejemplo prototipo con dos variables del texto de Hillier y Lieberman 7 as:
Ejemplo 3 Gua
La fbrica NO SEVEUN SC., produce artculos de vidrio de alta calidad, entre ellos ventanas y
puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1,
los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos. Debido a una reduccin
de las ganancias, la alta administracin ha decidido reorganizar la lnea de produccin de la
compaa. Se discontinuarn varios productos no rentables y se dejar libre una parte de la
capacidad de produccin para emprender la fabricacin de dos productos nuevos cuyas ventas
potenciales son muy prometedoras:
Producto 1: una puerta de vidrio de 8 pies con marco de aluminio
Producto 2: una ventana corrediza con marco de madera de 4 por 6 pies
El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta
2. El producto 2 slo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha
concluido que la compaa puede vender todos los productos que se puedan fabricar en las plantas.
Sin embargo, competiran por la misma capacidad de produccin en la planta 3, no est claro cul
mezcla de productos sera la ms rentable.
Por lo anterior, se ha decidido conformar un equipo de altos Ingenieros, preferiblemente de la UCC, para
estudiar este problema. As es que se reunieron 5 de los ms excelsos vagos, ingenieros de Sistemas,
Industriales, Telecomunicaciones y/o Electrnica, con la seguridad de que a un corto plazo tendran la
respuesta ptima.
La obtencin de estimaciones, fue suministrada por los distintos departamentos de produccin,
comercializacin y distribucin, condensados en la Tabla 1.
Podemos partir del mtodo grfico, como para saber la respuesta, posteriormente comprobamos con el
mtodo simplex a pura mano y remataremos nuestra faena con la utilizacin de un software( Excel en la
funcin solver ) y el Win QSB con diferentes funciones, las cuales desarrollaremos a continuacin.
El mtodo se desarrolla siguiendo los siguientes pasos:
1. Planteamiento del modelo de programacin lineal
A. Resumen tabular de datos. La informacin se resume en la siguiente tabla:
6
7
Hamdy A. Taha (2004). Investigacin de operaciones (7 ed.). Mxico: Pearson Educacin. pp 71.
Introduccin a la Investigacin de Operaciones. Novena Edicin. Pgina 22
18
MATHUMBI
Investigacion
Tabla 1. Datos del Problema

Tiempo de Produccin por
lote, horas
Producto
Planta
1
2
3
X1
1
0
3
$ 3.000
Ganancia por lote
de operaciones
Tiempo de produccin
disponible a la
semana, horas
X2
0
2
2
$ 5.000
4
12
18
B. Formulacin
como un problema de programacin lineal. La definicin implica que las variables de decisin,
se expresan de la siguiente manera:
1 = Nmero de lotes del producto 1 que se fabrican por semana
2 = Nmero de lotes del producto 2 que se fabrican por semana
= Ganancia semanal total (en miles de dlares) que generan estos dos productos
En lenguaje matemtico, el problema consiste en calcular los valores de 1 , 2 , tales que:
= 31 + 52
Sujeta a las siguientes restricciones:
4
2 2 12
31 +22 18
1 , 2 , 0
2. Transformar las inecuaciones de las restricciones en ecuaciones. Cuando las restricciones son del
tipo () , agregamos una nueva variable no negativa llamada variable de holgura ( ) con
coeficientes 0 en la funcin objetivo y coeficientes 1 en cada una de las restricciones.
Forma aumentada del problema:
= 31 + 52 + 01 + 02 +03
Sujeta a las siguientes restricciones:
+ 1
2 2
31 +22 +
= 4
+ 2
= 12
+3
= 18
1 , 2 , 1 , 2 , 3 0
3. Identificar las variables bsicas y no bsicas. En el caso de tener n variables (Incluyendo las de
holgura) y m ecuaciones, para hallar una solucin bsica, se igualan a cero n-m variables, las
cuales se denominan no bsicas, y las restantes se denominan variables bsicas. El nmero de
variables bsicas es igual al nmero de restricciones (ecuaciones). Por lo tanto el nmero de variables
no bsicas es igual al nmero total de variables (5) menos el nmero de restricciones (3), total (2).
19
MATHUMBI
Investigacion
de operaciones
Tabla modelo
Tabla 0
Base
4. Elaborar una tabla inicial, sta se presenta en general con el anterior formato, por lo que ser til para
resolver otros problemas, y en la cual se colocan los coeficientes del sistema de ecuaciones.
Tabla 1
Base
3
1
0
3
0
3
0
0
0
5
0
2
2
0
5
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
4
12
18
0
La solucin y tabla inicial, nos arroja los siguientes resultados expresados en forma matricial
( 1 , 2 , 1 , 2 , 3 ) = (0,0,4,12,18)
Prueba de Optimalidad. La solucin bsica para un problema de maximizacin es ptima si y slo si todos
los coeficientes del rengln son negativos o ceros. Como se observa en la tabla sta no es la
solucin ptima.
5. Determinar la variable no bsica que entra y la variable bsica que sale y que ahora ser no bsica.
En nuestro ejemplo modelo entra (En la ltima fila toma un valor de 5 el mayor de todos ellos) y
sale 2 (En la ltima columna el cociente es el menor, o sea 6).
Tabla 2
Base
0
0
0
3
1
0
3
0
3
5
0
2
2
0
5
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
4
12
18
0
/
No existe
6
9
A continuacin, mediante operaciones de fila o rengln, vistas en algebra lineal como eliminacin Gaussiana,
transformamos la matriz original en matrices equivalentes hasta encontrar la solucin, teniendo en cuenta la
Prueba de Optimalidad.
0
0
2 2 [2] = [1]
2
0
1
[0
3
Ver Tabla 2
0 1 0 0
2 0 1 0
2 0 0 1
0
4
1 0 1 0
12 ] [0 1 0 1/2 0
18
3 0 0 1 1
4
6 ]
6
20
MATHUMBI
Investigacion
de operaciones
Entonces, la Tabla 2 se transforma en
Tabla 3
Base
0
5
0
1
0
3
0
0
1
0
5
1
0
0
0
0
1/2
-1
5/2
0
0
1
0
4
6
6
30
4
No poder
2
-5/2
Los coeficientes del rengln se hallan multiplicando cada por el coeficiente de cada variable y sumar
(0)(1) = 0
(5)(0) = 0
(0)(3) = 0
(0)(0) = 0
(5)(1) = 5
(0)(0) = 0
(0)(1) = 0
(5)(0) = 0
(0)(0) = 0
(0)(0) = 0
(5)(1/2) = 5/2
(0)(1) = 0
(0)(0) = 0
(5)(0) = 0
(0)(1) = 0
Total =0 para x1
Total = 5 para x2
Total = 0 para h1
Total 5/2 para h2
Total 0 para h3
Por lo que se observa en la ltima fila de la tabla, debe entrar la variable que es la mayor y positiva y debe
salir que es el valor realizable mnimo en la columna / . Los vectores columnas tendrn la forma
1
0
3 1 [0] = [0]
3
1
1 0
[0 1
3 0
Tabla 4
Base
0
5
3
4
0 0 1 1/3 1/3
0
6 ] [0 1 0 1/2
1 0 0 1/3 1/3
6
0
1 0
0 1/2 0
0 1 1
3
0
0
1
3
0
5
0
1
0
5
0
0
1
0
0
0
0
0
1/3
1/2
-1/3
3/2
-3/2
0
-1/3
0
1/3
1
-1
2
6
2
36
2
6 ]
2
La solucin se puede dar en esta ltima tabla por cuanto todos los valores del ltimo rengln son ceros o
menores que cero
( 1 , 2 , 1 , 2 , 3 ) = (2,6,2,0,0)
Graficamente se muestra tambin esta solucin
21
MATHUMBI
Investigacion
Con el Mtodo WINQSB paso a paso se obtiene el mismo resultado
Tabla Inicial Iteracin 1
Tabla Iteracin 2
TablaFinal Iteracin 3. Todos los valores en el ltimo rengln son ceros o negativos
de operaciones
22
MATHUMBI
Investigacion
de operaciones
A
Puntos
A
B
C
D
C
x1
0
0
2
4
8
x2
0
6
6
3
4
Z
0
30
36
27
32
La solucin est dada en el punto D, por tanto, se deben fabricar 2 lotes del producto 1(Puertas) y 6 lotes del
producto 2(Ventanas) para obtener una utilidad mxima de $ 36.000.oo
Ejemplo 4. Un problema de maximizacin

Resolver el siguiente problema utilizando el Mtodo Simplex
Una fbrica de muebles produce: pupitre unipersonal, bipersonal y mesas para los cuales ha establecido que
rinden una utilidad unitaria de $3, $2, y $5. Para la produccin de dichos artculos la compaa cuenta con
una disponibilidad semanal de 430 metros de madera, 460 metros de tubo y 420 metros de frmica. Qu
cantidad de cada uno de los artculos se debe fabricar a fin de incrementar las ganancias si se sabe que para
producir un pupitre unipersonal se requiere un metro de madera, 3 metros de tubo y un metro de frmica, que
para producir un pupitre bipersonal se requiere de 2 metros de madera y 4 metros de frmica; mientras que
para producir una mesa se necesita un metro de madera y 2 metros de tubo? Analice sus resultados
Solucin:
Matriz de datos y planteamiento
Madera
Tubo
Frmica
PU
1
3
1
PB
2
0
4
M
1
2
0
Utilidad
Disponibilidad
430
460
420
= 31 + 22 + 5 3
1 +22 + 3 430
31
+ 2 3 460
1 +42
420
1 , 2 , 3 0
23
MATHUMBI
Investigacion
de operaciones
El sistema se transforma en:
= 31 + 22 + 5 3 + 01 + 02 + 03
Sujeta a:
1 + 22 + 3 + 1 = 430
31
+ 23 + 2 = 460
1 + 42
+ 3 = 420
1 , 2 , 3 , 1 , 2 0
El modelo inicial tabulado se presenta en la siguiente forma:
De acuerdo con lo anterior, las operaciones en las matrices se realizan de la siguiente manera:
Tabla 1
Base
0
0
0
1
3
1
0
2
0
4
0
1
2
0
0
1
0
0
0
0
1
0
0
0
0
1
0
430
460
420
0
430
230
-
Tabla inicial en WINQSB (se observa la similitud con la manual) Iteracin 1
1
0
2 3 [2] = [1]
0
0
1 2
[3 0
1 4
1 1
2 0
0 0
1/2 2 0 1
0 0 430
]
=
[
1 0 460
3/2 0 1 0
0 1 420
1
4 0 0
1/2
1/2
0
La nueva tabla manual y la iteracin 2 en WIN QSB se presenta asi:
0 200
0 230]
1 420
24
MATHUMBI
Investigacion
Tabla 2
0
5
0
Base
3
-1/2
3/2
1
3/2
-9/2
2
2
0
4
0
2
5
0
1
0
1
0
0
1
0
0
0
0
0
-1/2
1/2
0
1/2
-5/2
0
0
0
1
0
0
de operaciones
200
230
420
/
100
M
105
Se
observa
que esta tabla no contiene la solucin ptima, ya que no todos los coeficientes del ltimo renglon son
negativos o ceros, por lo cual debemos realizar una nueva iteracin, realizando los mismos procesos. por lo
tanto se debe elegir la columna x2 con la fila h1, sale h1 entra x2.
2
1
2 1 [0] = [0]
4
0
1/4 1
[ 3/2 0
2
0
Tabla 3
Base
2
5
0
0 1/2 1/4 0 100

1 0
1/2 0 230]
0 2
1
1 20
3
-1/4
3/2
2
7
-4
2
1
0
0
2
0
5
0
1
0
5
0
0
1/2
0
-2
1
-1
0
-1/4
1/2
1
2
-2
0
0
0
1
0
0
100
230
20
1350
Tablas Iteracin 3
Como todos los coeficientes de la ltima fila son ceros o negativos, entonces esta ltima tabla arroja la
solucin:
1 = 100 Pupitres unipersonales
3 = 230 Mesas
2 = 0 Pupitres bipersonales
3 = 20 Nos queda un sobrante de 20 metros de frmica
y se obtiene una ganancia mxima de $1350
25
MATHUMBI
Investigacion
de operaciones
Ejemplo 5. Un problema de minimizacin Resolver utilizando el Mtodo Simplex

Una nutricionista est planeando la alimentacin para un batalln. Se sirven 3 alimentos principales: carne,
papa y habichuela. Todos ellos con distinto contenido vitamnico. La nutricionista quiere suministrar tres
vitaminas en la alimentacin, con un tamao de la porcin total de 9 onzas por lo menos. Los costos por onza
de carne, papa y habichuela son en US $ de 0,10; 0,15; y 0,12 respectivamente. En las siguientes tablas se
muestran las cantidades de vitaminas que proporciona cada onza de alimento. Determinar el nmero de onzas
que se requiere para cada alimento, con el objeto de minimizar el costo, si una persona requiere raciones
mnimas diarias, en mg. de 290, 200 y 210, para las vitaminas 1, 2 y 3 respectivamente.
Tabla 1
Vitaminas
Alimento
Unidad
Carne
50
20
10
mg.
Papa
30
10
50
mg.
Habichuela
20
30
20
mg.
Vitaminas
1
2
3
Costos/onza
x1
Carne
50
20
10
0,10
Alimento
x2
x3
Racin mnima
Papa Habichuela
mg.
30
20
290
10
30
200
50
20
210
0,15
0,12
Un problema de minimizacin se convierte en uno de maximizacin, multiplicando por (-1) la funcin objetivo,
en ella agregamos las variables de holgura una por cada restriccin, con coeficientes 0 y restamos las
variables artificiales de exceso con coeficientes M, una por cada restriccin del tipo . A su vez para convertir
las inecuaciones en ecuaciones restamos la variable de holgura y sumamos la variable artificial una por cada
restriccin, de la siguiente manera:
= 0.101 + 0.152 + 0.12 3
501 +302 + 203 290
201 +102 + 303 200
101 +502 + 203 210
1 , 2 , 3 0
= 0.101 0.152 0.12 3 + 01 + 02 + 03 1 2 3
501 +302 + 203 1 + 1 = 290
201 +102 + 303 2 + 2 = 200
101 +502 + 203 3 + 3 = 210
1 , 2 , 3 , 1 , 2 , 3 , 1 , 2 , 3 0
26
MATHUMBI
Investigacion
de operaciones
La primera tabla del mtodo simplex ( Manual y WINQSB) se presenta de la siguiente manera
Base
-0.10
-0.15
-0.12
-M
-M
-M
-M
50
30
20
-1
290
9.67
-M
20
10
30
-1
200
20
-M
10
50
20
-1
210
4.2
-80M
-90M
-70M
-M
-M
-M
-0.10
+80M
-0.15
+90M
-0.12
+70M
-M
-M
-M
Iteracin 1
Prueba de Optimalidad. La solucin bsica para un problema de minimizacin es ptima si y slo si todos
los coeficientes del rengln son positivos o ceros, pero como al aplicar el mtodo simplex, un
problema de minimizacin lo convertimos en uno de maximizacin, es lgico suponer que seguimos la misma
regla o sea que sean negativos o ceros. Como se observa en la tabla sta no es la solucin ptima.
Podemos continuar el proceso hasta encontrar la solucin ptima.
30
0
2 3 [10] = [0]
50
1
50 30 20 1
[20 10 30
0
0
10 50 20
0 0
1 0
0 1
1 0 0
0 1 0
0 0 1
44
290
200] [ 18
1/5
210
0
8
1
0 26
0
1 2/5
0
3/5 1 0
0
1
1/5
0 1
0 1/50 0 0
3/5
1/5
1/50
164
158 ]
21/5
27
MATHUMBI
Base
Investigacion
de operaciones
-0.10
-0.15
-0.12
-M
-M
-M
-M
44
-1
3/5
-3/5
164
20,5
-0,12
18
26
-1
1/5
-1/5
158
6.08
-0,15
1/5
2/5
-1/50
1/50
21/5
10,5
-(63/5)M
-M
-(172/5)M
-(39/50)M
-M
-M
(39/50)M
-0.10
-M
-M
(39/50)M
-(11/50)M
-0.12
-0.15-M
+(63/5)M
+(172/5)M
8
0
26
3 2 [ 2 ] = [1]
0
5
&
[9/13
$
Base
-M
-0,12
-0,15
-0.10
-0.15
& 0
0 1
$ 0
-0.12
&
0
$
44
18
1
0 8
0 26
2
1
5
&
&
1/26 1/300
$
$
1
0
0
1
&
&
0 1/26
$
$
1 0
5
1
0 1
5
1
0 0
50
&
&
1/30079/13]
$
$
5 164
1 158
5 21
1
5
50
-M
-M
-M
-1/26
1/300
1/26
-1/300
0
9/13
1
0
79/13
28
MATHUMBI
Investigacion
de operaciones
NOTA: Dejamos a inquietud del estudiante juicioso, curioso o acucioso, para culminar este ejercicio, cuya
solucin es
1 = 3 ; 2 = 2 ; 3 = 4 ; = 1,08 ;
Como se puede apreciar el procedimiento requiere de un gran nmero de engorrosas operaciones
algebraicas, en el cual debemos estar lo suficientemente concentrados. Con el WINQSB paso a paso se
comprueba el procedimiento para un PL de minimizacin haciendo uso del mtodo Simplex.
Iteracin 1
Base
-0.10
-0.15
-0.12
-M
-M
-M
1,08
Iteracin 2
Iteracin 3
29
MATHUMBI
Iteracin 4
Investigacion
de operaciones
30
MATHUMBI
2.6 Anlisis de sensibilidad y dualidad

2.6.1
Introduccin y objetivos
Investigacion
de operaciones
31
MATHUMBI
2.6.2
Anlisis de sensibilidad con mtodo grfico
2.6.2.1 Cambios en la funcin obejtivo
Investigacion
de operaciones
32
MATHUMBI
2.6.2.2 Intervalo de optimalidad

2.6.2.3 Cambios en los trminos independientes
Investigacion
de operaciones
33
MATHUMBI
Investigacion
de operaciones
34
MATHUMBI
2.6.2.5 Precio sombra
Investigacion
de operaciones
35
MATHUMBI
Investigacion
2.6.2.6 Anlisis de sensibilidad con el mtodo simplex

2.6.2.7 Intervalos de optimalidad para variables bsicas y no bsicas
2.6.2.8 Mtodos para calcular los intervalos de factibilidad
de operaciones
36
MATHUMBI
2.6.2.9 El problema dual

2.6.2.10
Relacin entre el priumal y el dual
Investigacion
de operaciones
37
MATHUMBI
2.6.2.11
Forma General del Problema dual
Investigacion
de operaciones
38
MATHUMBI
Investigacion
de operaciones

Haciendo uso del mtodo grfico, resolver los siguientes problemas de programacin lineal
1. En una fbrica de camisas se confeccionan dos tipos de camisas, camisa informal y para corbata; la
utilidad por cada camisa para corbata es de US$20 y por cada camisa informal es de US$10. Para
llevar a cabo la fabricacin de una camisa requiere que sta pase por cuatro departamentos: diseo,
tallaje estampado y terminado. Se tienen disponibles 400 horas de tiempo en el departamento de
diseo, 300 horas en tallaje, 500 horas en estampado y 200 horas en terminado.En la siguiente tabla
se muestran los requerimientos de mano de obra por unidad en cada uno de los departamentos.
Problema 3
Departamentos
Tipos de Camisa
Informal
Para corbata
Diseo
1,00
2,50
Tallaje
3,00
1,25
Estampado
4,00
3,25
Terminado
3,50
2,50
Si la empresa desea maximizar la utilidad Cuntas camisas de cada clase debe fabricar para
obtener la utilidad mxima y cul es esta utilidad?
2. Una dieta debe contener cuando menos 16 unidades de carbohidratos y 20 unidades de protenas.
El alimento A contiene 2 unidades de carbohidratos y 4 de protenas, el B contiene 2 unidades de
carbohidratos y 1 de proteinas. Si el alimento A cuesta US$1,20 y B cuesta US$0,80 por unidad.
Cuntas unidades de cada alimento deben adquirirse para hacer que los costos sean menores?Cul
es el costo ptimo?
3. Un agricultor va a comprar fertilizante que contiene tres ingredientes nutritivos: A, B y C. Los requisitos
mnimos semanales son de 80 unidades de A, 120 de B y 240 de C. Existen dos marcas usuales de
fertilizantes en el mercado. La marca I cuesta US$4/bolsa, la bolsa contiene 2 unidades de A, 6 de B
y 4 de C. La marca II cuesta US$5/bolsa y contiene 2 unidades de A, 2 de B y 12 de C. Cuntas
bolsas de cada marca debe comprar el granjero cada semana para minimizar los costos y satisfacer
plenamente los requisitos nutritivos?
4. Una compaa elabora dos productos , A y B. Cada uno de estos productos para su elaboracin
requiere cierta de cantidad de tiempo en dos mquinas. Cada unidad del producto A requiere 1 hora
en la mquina I, y 2 horas en la mquina II, cada unidad del producto B demanda 3 horas en la
mquina I y 2 horas en la mquina II. La compaa dispone de 100 horas en la semana en cada
mquina. Si x unidades del producto A y y unidades del producto B se producen en la semana, d las
desigualdades que satisfacen a x y a y, y represntalas en forma grfica.
39
MATHUMBI
Investigacion
de operaciones
3 Aplicaciones especiales de PL
3.1 El problema del Transporte
3.1.1
Introduccin
El modelo de transporte consiste en determinar un plan de costos mnimos para transportar productos de
sitios de origen fuentes a sitios de destino, con restricciones de oferta en los orgenes y se debe satisfacer la
demanda de los destinos. Tericamente hace uso del mtodo simplex, presentado con diferentes matices o
algoritmos cuyo objetivo es mejorar la solucin inicial hasta obtener la ptima. Se utilizan variadas tcnicas
para resolver un modelo de transporte, entre las cuales podemos mencionar: La del Costo Mnimo, regla de
la esquina noroeste, aproximacin de Vogel, el del cruce del arroyo (Por las piedritas), etc. A continuacin
se explica el procedimiento con un ejemplo, dando la solucin mediante el programa WIN QSB, con el fin de
comprobar que la operatividad es correcta.
3.1.2
Modelo8
Dados m orgenes o fbricas 1 , 2 , 3 . . y n destinos o centros de distribucin 1 , 2 , 3 . . , se

requiere cubrir la demanda de tal forma que el costo de transportar las mercancas sea mnimo.
:
:
Nmero de unidades distribuidas del origen i al destino j

Contribucin a la funcin objetivo al distribuir una unidad del origen i al destino j
:
:
:
:
Nmero de unidades disponibles en el origen i

Nmero de unidades de demanda en el destino j
Nmero de orgenes
Nmero de destinos
Si representa la cantidad transportada desde el i-simo origen hasta j-simo destino, entonces el modelo
general de Programacin Lineal que representa el modelo de transporte es:
=
=1 =1
Sujeto a
=1 , = 1,2, . , Restricciones de oferta
=1 , = 1,2, ., Restricciones de demanda

Con 0, para toda i y toda j
En el modelo est implcito el equilibrio entre la oferta y la demanda, es decir, todo lo que sale llega a los
destinos presupuestados, matemticamente se dice que un problema de transporte tiene soluciones factibles
si y slo si
=
=1
=1
La figura representa la estructura generalizada del modelo, representado por nodos (fuentes y destinos),
donde el arco que une un origen y un destino representa la ruta por la cual se transporta la mercanca y el
costo de transporte unitario entre el origen y el destino respectivo, est dado por .
Sacado del Texto Algebra Lineal y Programacin Lineal de Francisco Soler, Fabio Molina y Lucio Rojas
40
MATHUMBI
Investigacion
m orgenes
de operaciones
n destinos
Las variables de decisin se notan con doble subndice, el primero indica el origen y el segundo el destino,
as cualquier trmino, se representa simblicamente
Ejemplo 1 Modelo de Transporte9

Una compaa de transporte posee un contrato para transportar electrodomsticos desde 3 plantas hacia 4
centros de distribucin cuyos costos unitarios, ofertas y demandas se registran en la siguiente tabla matriz:
Paso 1 Tabla
Tabla 1
Orgenes
Destinos
Cartagena Santa Marta San Andrs Medelln
Cali
Barranquilla
Bogot
Demanda Total
45
110
170
50
La Tabla de datos elaborada con WIN-QSB10,
Ejemplo tomado del texto ibdem pg., 484
10
Para ingresar al programa siga la ruta / Network Modeling
Oferta Total
100
150
125
375
41
MATHUMBI
Investigacion
de operaciones
Paso 2 Planteamiento de la funcin objetivo
=
=1 =1
Para este caso en particular se deben considerar los datos correspondientes a los costos unitarios de cada
origen a cada destino y sumar:
= 211 + 12 + 513 + 314 +721 + 422 + 23 + 824 +331 + 232 + 833 + 534
Sujeto a
Paso 3 Planteamiento de las restricciones de oferta

=1 , = 1,2, . , Restricciones de oferta
Cada ciudad de origen ofrece unas cantidades limitadas de productos, de esta manera las restricciones
presentan la forma :
11 + 12 + 13 + 14 100
21 + 22 + 23 + 24 150
31 + 32 + 33 + 34 125
Paso 4 Planteamiento de las restricciones de demanda

Cada ciudad de destino solicita una cantidad fija de electrodomsticos, por lo tanto las restricciones se
presentan como ecuaciones
11 + 21 + 31 = 45
12 + 22 + 32 = 110
13 + 23 + 33 = 170
14 + 24 + 34 = 50
Paso 5 Planteamiento del modelo en forma matemtica

El planteamiento es similar a los problemas vistos anteriormente con funcin objetivo, sujeta a ciertas
restricciones. La solucin se puede hallar de igual forma con el WINQSB o el SOLVER con el sustento terico
del Mtodo Simplex.
= 211 + 12 + 513 + 314 +721 + 422 + 23 + 824 +331 + 232 + 833 + 534
Sujeta a:
11 + 12 + 13 + 14 100
21 + 22 + 23 + 24 150
31 + 32 + 33 + 34 125
11 + 21 + 31 = 45
12 + 22 + 32 = 110
13 + 23 + 33 = 170
14 + 24 + 34 = 50
42
MATHUMBI
Investigacion
de operaciones
0
Como se puede apreciar, el problema tiene 12 variables de decisin y 7 restricciones, lo cual implicara una
labor dispendiosa y engorrosa, al aplicar el mtodo simplex. Por lo tanto se hace uso del mtodo simplex
simplificado para el transporte y como en el caso de un PL debemos partir de una solucin factible inicial.
En la siguiente tabla se define el problema. En primer lugar el mtodo consiste en hallar una solucin factible
inicial, y en el mejoramiento de dicha solucin hasta llegar a la solucin ptima, para ello se hace uso del
mtodo denominado del Costo mnimo que consiste en asignar la mayor cantidad de oferta o de demanda
en la celda de menor costo, convirtiendo la oferta o la demanda en cero.
Cartagena Santa MartaSan Andrs Medelln
ORIGEN
Cali
B/quilla
Bogot
DEMANDA
45
110
170
OFERTA
100
150
125
50
375
Las celdas que tienen igual y el menor costo unitario se identifican como X12 y X23, se escoge la segunda de
ellas por que le entra el mayor flujo de unidades.
Cartagena Santa MartaSan Andrs Medelln
ORIGEN
Cali
B/quilla
Bogot
OFERTA
100
100
7
150
150
3
2
45
DEMANDA
45
10
110
20
125
50
170
50
375
Ahora se le asigna 150 unidades a la celda X23 y a continuacin 100 a la celda X12, por tener el menor costo,
convirtiendo la oferta de estas casillas en ceros. Las siguientes casillas que tienen un costo menor son X11
y X32, escogemos esta ltima y le asignamos 10 unidades, porque en la X11, no se puede. Continuando con
el proceso anterior, se puede generar la solucin factible inicial:
Tabla Costo Mnimo
Ruta
Costo en US$
Unidades
Costo Total
Origen
Destino
por unidad
enviadas
US$
Cali
Santa Marta
100
100
Barranquilla
San Andrs
150
150
Bogot
Cartagena
45
135
Bogot
Santa Marta
10
20
Bogot
San Andrs
20
160
Bogot
Medelln
50
250
Total
$815
43
MATHUMBI
Investigacion
de operaciones
Se observa que se han agotado todas las ofertas y demandas, hasta convertirlas en ceros. A continuacin
elaboramos la Tabla de costo total de la solucin factible inicial, empleando el mtodo del costo mnimo.
Mtodo del cruce del arroyo y el ndice de mejoramiento .

Con este mtodo se realiza un anlisis marginal, donde se estudia el efecto producido al cambiar la solucin
inicial al introducir una unidad de una variable no bsica. La pregunta que se hace es: sta solucin inicial
es la ptima?
Para responder este interrogante es necesario:
1.
Calcular un valor denominado ndice de mejoramiento, realizndolo para cada celda vaca (Variable
no bsica).
2. Ajustar los valores de las variables bsicas actuales con la satisfaccin plena de todas las
restricciones de oferta y demanda.
3. Calcular el valor de la funcin objetivo con las nuevas cantidades asignadas en las celdas con valores
diferentes de cero.
Celdas Vacas
no bsica
Trayectoria
Clculo
ndice de
Mejoramiento
11
11 12 32 31
21+23
13
13 12 32 33
51+28
14
14 34 32 12
35+21
21
21 23 33 31
71+83
11
22
22 23 33 32
41+82
24
24 34 33 23
85+81
10
Considerando que se ha determinado que la celda 13 posee el ndice de mejoramiento ms negativo (-2), se
le asignar el mayor nmero de unidades posibles a esta casilla; lo que indica que el costo total se puede
reducir en dos dlares al enviar una unidad adicional desde Cali a San Andrs. Las asignaciones anteriores
en verde de la tabla siguiente, son 12 = 100 y 33 = 20, (disminucin de una unidad en cada casilla)
ORIGEN
Cali
B/quilla
Bogot
DEMANDA
Cartagena Santa Marta San Andrs

+
2
1
5
100
80
0
20
Medelln
3
3
45
1
150
2
45
45
10
110
30
20
50
170
100
150
150
OFERTA
50
50
125
375
Los valores escritos en verde corresponden a las cantidades de la solucin inicial y las cantidades escritas en
rojo a la solucin mejorada, mediante el salto por los charquitos o el cruce del arroyo y el indice de
44
MATHUMBI
Investigacion
de operaciones
mejoramiento. En estas dos celdas se permiten las reducciones mximas, por lo que es evidente que partimos
tomando las 20 unidades de la casilla X33 dejandola en cero y dejar 80 en la celda X12
Calculando los costos con la anterior tabla arroja un total mnimo de US$775 dlares
Origen
Cali
Cali
Barranquilla
Bogot
Bogot
Bogot
Celdas
Vacas no
bsica
Ruta
Destino
Santa Marta
San Andrs
San Andrs
Medelln
Cartagena
Santa Marta
Tabla Costo Mnimo

Costo en US$
por unidad
1
5
1
5
3
2
Unidades
enviadas
80
20
150
50
45
30
Total
Trayectoria
Costo Total
US$
80
100
150
250
135
60
$775
Clculo
ndice de
Mejoramiento
11
11 31 32 12
2-3+2-1
14
14 12 32 34
3-1+2-5
21
21 23 13 12 32 31
7-1+5-1+2-3
22
22 23 13 12
4-1+5-1
24
24 23 13 12 32 34
8-1+5-1+2-5
33
33 32 12 13
8-2+1-5
Se determina nueva tabla de ndices con las variables no bsicas, para saber si es ptimo los ndices
deben ser todos positivos o ceros y asi que se mete el ms negativo (meter, introducir o similar) (-1).
Realizando los ajustes correspondientes partiendo de la celda 14 nos conduce a la matriz siguiente
ORIGEN
Cali
B/quilla
Bogot
DEMANDA
Cartagena
2
7
Santa Marta San Andrs

30
20
1
5
80
20
150
Medelln
50
3
8
45
45
2
30
110
80
5
50
170
100
150
150
3
45
OFERTA
125
50
A continuacin se registra el resumen de las unidades enviadas y el Costo total mnimo.
375
45
MATHUMBI
Investigacion
de operaciones
En esta etapa del proceso, se calculan nuevamente los ndices de mejoramiento, para conocer si esta
ltima tabla es la ptima.
Celdas
Vacas no
bsica
Trayectoria
Clculo
ndice de
Mejoramiento
11
11 31 32 12
2-3+2-1
21
21 23 13 12 32 31
7-1+5-1+2-3
22
22 23 13 12
4-1+5-1
24
24 14 13 23
8-3+5-1
33
33 32 12 13
8-2+1-5
34
34 14 12 32
5-3+1-2
Conclusiones y Respuesta al problema

Partimos de un costo total de $815, como solucin factible inicial, el cual mediante iteraciones sucesivas fue
disminuido primero a $ 775. Ahora como los ndices de mejoramiento son todos positivos o ceros, la ltima
tabla, corresponde a la solucin ptima, con un costo total de $725.
Origen
Cali
Cali
Cali
Barranquilla
Bogot
Bogot
Ruta
Destino
Santa Marta
San Andrs
Medelln
San Andrs
Cartagena
Santa Marta
Tabla Costo Mnimo

Costo en US$
por unidad
1
5
3
1
3
2
Unidades
enviadas
30
20
50
150
45
80
Total
Costo Total
US$
30
100
150
150
135
160
$725
NOTA: Realizar por parte de los estudiantes el proceso de solucin por SOLVER, considerando una
bonificacin en la nota de talleres de 0,1 hasta 0,5.
46
MATHUMBI
Con WINQSB se obtiene la grfica inicial del problema
Solucin factible inicial
Investigacion
de operaciones
47
MATHUMBI
Investigacion
de operaciones
48
MATHUMBI
Investigacion
de operaciones
3.2 Modelo de Transporte no equilibrado

El problema del transporte visto anteriormente se supona como equilibrado, es decir, la cantidad ofrecida es
igual a la cantidad demandada. Si la demanda y la oferta son diferentes, a este tipo de problemas del
transporte los llamamos modelos no equilibrados.
Para solucionar un problema de transporte no equilibrado, lo transformamos en equilibrado y a continuacin
aplicamos cualesquiera de los procedimientos estudiados (Mtodo Simplex, Solver, WINQSB, cruce del
arroyo). Inicialmente se crean puntos artificiales de demanda u oferta de acuerdo al caso.
Caso I
Si la oferta es mayor que la demanda, entonces creamos un punto de demanda artificial igual al exceso de la
oferta.
ORIGEN
X
Y
Z
ART
DEMANDA
45
110
170
OFERTA
100
200
125
100
425
Aplicando el Costo Mnimo y el cruce del arroyo calculamos una solucin factible inicial
ORIGEN
X
Y
Z
2
7
30
15
DEMANDA
100
45
5
1
10
110
0
170
0
0
170
100
200
100
100
125
425
100
210
170
45
20
$545
Indices de Mejoramiento. Siguiendo con el proceso a la casilla X34 se le asigna el mximo disponible.
Celdas
Vacas
Clculo
ndice de
Mejoramiento
11
2-3+2-1
13
5-1+7-3+2-1
14
0-0+2-1
22
4-2+3-7
24
0-0+3-7
-4
33
8-3+7-1
11
49
MATHUMBI
Investigacion
ORIGEN
X
Y
Z
T
100
ART
OFERTA
100
100
30
15
3
45
DEMANDA
170
0
10
30
10
45
170
200
100
70
110
170
de operaciones
100
100
170
135
20
125
425
$425
La solucin est dada con los nmeros marcados en verde la cual se puede comprobar hallando los ndices
de mejoramiento e igualmente se puede comprobar con el WINQSB o el SOLVER con el sustento terico del
Mtodo Simplex y cuyo modelo matemtico se expone a continuacin.
= 211 + 12 + 513 + 014 +721 + 422 + 23 + 024 +331 + 232 + 833 + 034
Sujeta a:
11 + 12 + 13 + 14 100
21 + 22 + 23 + 24 200
31 + 32 + 33 + 34 125
11 + 21 + 31 = 45
12 + 22 + 32 = 110
13 + 23 + 33 = 170
14 + 24 + 34 = 100
0
Caso II
Si la demanda es mayor que la oferta, entonces creamos un punto de oferta artificial igual al exceso de la
demanda.
X
ORIGEN
C
D
E
ART
DEMANDA
45
160
OFERTA
50
150
125
50
170
375
50
MATHUMBI
3.3 Problema de Transbordo
Investigacion
de operaciones
51
MATHUMBI
Investigacion
de operaciones
3.4 Problemas de Asignacin

Se considera como un caso especial del modelo de transporte y es empleado en la toma de decisiones en
proyectos relacionados con personal asignado a tareas especficas, cargos a ejecutivos, vendedores a zonas,
personas a proyectos, trmite de licitaciones y en la administracin de empresas. Una caracterstica que
distingue los problemas de asignacin es que un agente se asigna a una y solo una tarea, buscando la
optimizacin, ya sea minimizando costos y tiempos o maximizando la utilidad
Consideremos el caso de asignacin representado en la siguiente tabla
Aspirantes
Base de datos
Director de Tesis
Dr. Ortega
MS Leal
PH Lpez
Esp. Ustriz
Comunicaciones
Redes
Auditora
Tiempo en meses para presentacin

15
18
16
10
14
17
17
15
19
23
17
20
14
16
17
De manera similar al problema del transporte el modelo de asignacin se puede plantear con un diagrama de
red
52
MATHUMBI
Investigacion
de operaciones
Planteamiento del Modelo en forma estndar
= 1511 + 1812 + 1613 + 1014 +1421 + 1722 + 1723 + 824+1531 + 1932 + 2333 +
1734 +2041 + 1442 + 1643 + 1744
Sujeta a:
11 + 12 + 13 + 14 1
21 + 22 + 23 + 24 1
31 + 32 + 33 + 34 1
41 + 42 + 43 + 44 1
11 + 21 + 31 + 41 = 1
12 + 22 + 32 + 42 = 1
13 + 23 + 33 + 43 = 1
14 + 24 + 34 + 44 = 1
Se observa que existen 8 restricciones correspondientes a los 8 nodos de la red y 16 variables de decisin
definidas en forma general as:
= {
3.4.1
1,
0,
,
Mtodo Hngaro
Reduccin por filas
Aspirantes
Base de datos
Director de Tesis
Dr. Ortega
MS Leal
PH Lpez
Esp. Ustriz
Comunicaciones
Redes
Auditora

15
18
16
10
14
17
17
15
19
23
17
20
14
16
17
53
MATHUMBI
Investigacion
Aspirantes
Base de datos
Director de Tesis
Dr. Ortega
MS Leal
PH Lpez
Esp. Ustriz
Comunicaciones
Redes
Auditora
Aspirantes
Base de datos
Director de Tesis
Dr. Ortega
MS Leal
PH Lpez
Esp. Ustriz
Comunicaciones
Redes
Auditora
Aspirantes
Base de datos
Director de Tesis
Dr. Ortega
MS Leal
PH Lpez
Esp. Ustriz
Comunicaciones
Redes
Auditora
Aspirantes
Base de datos
Director de Tesis
Dr. Ortega
MS Leal
PH Lpez
Esp. Ustriz
Comunicaciones
Redes
Auditora
de operaciones
54
MATHUMBI
3.4.2
Mtodo con el WINQSB
Investigacion
de operaciones
55
MATHUMBI
Investigacion
de operaciones

NOTA INTRODUCTORIA Resolver los siguientes problemas en los grupos conformados de estudiantes,
identificando el correspondiente No de Grupo. Haga uso del presente formato y responda en el mismo orden
del enunciado. Inserten solucin manual, dibujos, imgenes o las tablas de Excel y del WINQSB, siguiendo
la metodologa explicada en clase y entregue el Taller a su querido docente HUMBI.
1. Calcular utilizando el mtodo manual, las cantidades ptimas transportadas desde cada origen hasta
el correspondiente destino de acuerdo con la tabla adjunta.
M
4
N
6
OFERTA
12
ORIGEN
1000
4
10
1600
DEMANDA
800
1400
2400
4600
2. Resolver el siguiente problema del transporte haciendo uso del programa WINQSB, paso a paso
2.1. Tabla de datos
2.2. Modelo Matemtico
2.3. Paso a paso Tablas
2.4. Paso a paso Representacin en red asociada
2.5. Determinar la cantidad ptima registrando la respuesta en una tabla
Una editorial colombiana suministra libros tcnicos de sistemas importndolos de Alemania (1.000
libros y Francia (880 libros). Los pronsticos de demanda para el prximo semestre son: Bogot 880
libros, Cali 400 libros y Medelln 600. El costo de distribucin, en dlares, para cada una de las
ciudades vara de acuerdo con la ubicacin de los proveedores, se presenta en la siguiente tabla:
Bogot
Cali
Medelln
20
40
30
24
30
36
Alemania
Francia
56
MATHUMBI
Investigacion
de operaciones
3. Desarrolle el siguiente problema del transporte utilizando el mtodo SOLVER, a partir de la siguiente
tabla, muestre el modelo matemtico, adjunte el archivo Excel y las ventanas en su desarrollo.
DESTINOS
P
450
Q
350
R
300
ORIGEN
400
550
500
400
250
700
650
550
DEMANDA
OFERTA
150
200
300
250
57
MATHUMBI
Investigacion
de operaciones
4. optimizacion de redes
4.1 Definiciones y Conceptos
Un proyecto, se considera como el conjunto de actividades, planeadas, programadas y ejecutadas o
llevadas a cabo, con recursos finitos y en los trminos previstos. Muchos problemas de optimizacin se
aprecian y se analizan mejor de manera ldica, con dibujitos, esquemas o representaciones grficas, como
en la cartilla Charry.
Una grfica o red se se define mediante un conjunto compuesto por nodos y arcos. Un arco consiste en un
par ordenado de puntos extremos y representa una posible direccin del movimiento entre nodos. Por ejemplo
si una red contiene el arco (j,k) entonces el movimiento que es posible est realizado del nodo j al nodo k.
De otra parte,
una secuencia de arcos tal que cada arco contiene exactamente un vrtice en comn con el arco previo, se
llama una cadena.11
una trayectoria es una cadena en la que el nodo terminal de cada arco es idntico al nodo inicial del arco
siguiente.12
3
FIGURA 4.1
En la figura, (1,2) (2,3) (4,3) es una cadena pero no una trayectoria. Mientras tanto, (1,2) (2,3) (3,4)
es una trayectoria y cadena, representa a su vez una forma de viajar del nodo uno al nodo cuatro.
Las tcnicas son aplicables en innumerables proyectos, entre los cuales podemos mencionar:
1.
2.
3.
4.
Desarrollo de nuevos procesos y productos.

Construccin de infraestructura por parte del Estado (servicios, carreteras, plantas, edificios).
Mantenimiento de estructuras grandes y complejas.
Diseo e instalacin de nuevos sistemas de informacin y comunicacin.
Los grandes proyectos pueden constar de muchas actividades relacionadas entre si, que es necesario
programar, coordinar y ejecutar en cierto rden hasta culminar la obra completamente, por lo que el objetivo
del equipo de trabajo consiste en fijar tiempo de duracin, fechas de inicio y terminacin, identificar actividades
crticas y no crticas y su influencia en el tiempo de culminacin de la obra.
4.2 Programacin de proyectos con PERT-CPM

Para poder aplicar los procedimientos de PERT y CPM es necesario conocer una lista de actividades que
conforman el proyecto, tal que cuando se terminan todas ellas el nombrado proyecto queda completo. Las
11
12
Definiciones modelos de red pgina 413 texto Investigacin de Operaciones de Wayne L. Winston, cuarta edicin.
Ibidem texto pgina 414
58
MATHUMBI
Investigacion
de operaciones
actividades se representa6n por arcos directos y los nodos se utilizan para indicar el inicio o terminacin
de actividades. (Figura 4.2).
NODO DE
TERMINACION
NODO DE INICIO
ARCO DIRIGIDO
A
ACTIVIDAD
A
INICIO DE LA
ACTIVIDAD
A
TERMINACION DE
LA ACTIVIDAD
A
FIGURA 4.2
Dada una lista de actividades y predecesores, una representacin codificada como AOA (Actividad en arco) de
una red de proyecto, se puede construir por medio de las normas siguientes:
1. Una actividad no puede aparecer ms de una vez
2. El nodo 1 representa el comienzo del proyecto, del cual deben salir todas las actividades que no tengan
predecesores.
La actividad A debe completarse antes

que comience la actividad B
FIGURA 4.3
A
B
Las actividades A y B, son predecesoras

inmediatas de C, y se deben completar
antes que comience la actividad C
FIGURA 4.4
3. El diagrama de red tiene un nodo final (terminacin del proyecto) al cual concurren todas las actividades
que no tienen sucesores.
4. Por lo general se numeran los nodos de tal forma que el inicio de una actividad est rotulado con un
nmero menor que el de terminacin.
59
MATHUMBI
Investigacion
B
A
de operaciones
D
5
La actividad A es predecesora inmediata
de las actividades B, C y D, por tanto la
actividad A se debe completar antes
que comiencen las actividades B, C y D
FIGURA 4.5
B
A
D
5
Se debe incluir en la red un nodo, llamado
de terminacin del proyecto
4.6
5. Dos nodos se pueden unir a lo sumo o mximo un arco. Si existen dos actividades que tienen el
mismo modo de inicio y terminacin, se debe utilizar un arco ficticio, correspondiente a una actividad
ficticia con tiempo de realizacin cero, en tal caso dos nodos pueden estar conectados por ms de
un arco.
Representacin incorrecta o
invlida, contradiciendo la
norma 5
Representacin correcta o
vlida, utilizando un arco ficticio
FIGURA 4.7
60
MATHUMBI
Investigacion
de operaciones
OBSERVACION: Los arcos ficticios se utilizan para aclarar procedencia de actividades tal como se ilustra en
las figuras 4.8 Y 4.9
DESCRIPCIN
PREDECESORES INMEDIATOS
ACTIVIDAD
D, E
E
D
FIGURA 4.8 Y FIGURA 4.9

DESCRIPCIN
PREDECESORES INMEDIATOS
ACTIVIDAD
A,C
C,E
1
4.2.1
Proyectos de tipo determinstico CPM (Critical-Path-Method)
Cuando la duracin de cada actividad se conoce previamente y est determinada con certeza, entonces el
mtodo de la ruta crtica (CPM, por sus siglas en ingls), se emplea para determinar el tiempo ptimo
requerido para completar todo el proyecto. Tambin es utilizado para determinar cunto se puede retardar
cada actividad del proyecto sin retrasar la culminacin del mismo.
Ejemplo 1
Una compaa est a punto de introducir un nuevo producto 3, compuesto del ensamble de los productos 1 y
2. Antes de que comience la produccin del producto 1 o 2, se debe comprar las materias y capacitar a los
trabajadores a continuacin se debe probar el producto 2 y ensamblar finalmente los dos primeros para
convertirse en el producto 3.
61
MATHUMBI
Investigacion
de operaciones
Tabla 4.1
Duracin de actividades y relaciones predecesoras
Actividad
Predecesores
Duracin (das)
A Capacitar Trabajadores
No
B Comprar materias primas
No
C Producir producto 1
A,B
D Producir producto 2
A,B
E Probar producto 2
10
C,E
12
F Ensamblar productos 1 y 2
FIGURA 4.10
C8
FICTICIA
A6
E10
D7
B9
F12
62
MATHUMBI
Investigacion
de operaciones
Ejemplo 2
Para introducir en el mercado un nuevo producto se va a realizar una encuesta estadstica. A continuacin se
presenta en la Tabla 4.2 la lista de las actividades a realizar con sus respectivos tiempos estimados para cada
una:13
Tabla 4.2
Tiempo
estimado
Actividad
Predecesores
das
No
A
Diseo de la encuesta
8
A
B
Seleccionar el personal
2
A
C
Elaborar formatos de encuesta
3
A
D
Seleccionar hogares muestra
4
B
E
Capacitar personal
5
C
F
Revisar y adecuar formatos
3
G
Realizar encuesta
E, F, D
6
La red del proyecto utilizando nodos y arcos se presenta en la Figura 4.11. Cada nodo representa el inicio o fin de una
actividad y cada arco o flecha indica la propia actividad y el tiempo estimado en realizarla:
3
E
A
8
C
3
F
3
G
6
D
4
FIGURA 4.11
Continuando con el proceso se establecen los tiempos prximos14, definidos en la forma siguiente:
Prximo de Iniciacin (PI): Tiempo ms prximo de inicio de una actividad que sale de un nodo y que es
igual al mayor de los tiempos ms prximos de terminacin de las actividades que terminaron en dicho nodo.
Prximo de Terminacin (PT): Tiempo ms prximo de terminacin para una actividad
Para realizar los clculos en cada actividad se aplica la frmula:
= +
De una manera ms explcita:
13
Ejemplo seleccionado del texto Algebra Lineal y Programacin Lineal de F. Soler y Otros, pgina 530
14
Ibidem pgina 534
63
MATHUMBI
Investigacion
de operaciones

{
}={
}+{
}

Los tiempos de iniciacin y terminacin se colocan en la red, al lado de cada actividad haciendo uso de la
siguiente ilustracin:
A[PI, PT]
G[15, 21]
tA
]
, 10
B[8
2
A[0, 8]
8
C[8, 11]
3
E[1
0, 1
5]
5
F[11, 14]
3
G[15, 21]
6
D[8, 12]
4
FIGURA 4.12
Se concluye que el tiempo de realizacin del proyecto es de 21 das
Hasta el momento hemos establecido la duracin en das del proyecto, ahora nos resulta necesario establecer
la ruta crtica partiendo de tiempos adicionales de holgura en la realizacin de una actividad sin que se afecte
el tiempo total del proyecto. Por lo cual se establecen los tiempos lejanos15, definidos en la forma siguiente:
Lejano de Iniciacin (LI): Tiempo ms lejano de inicio para una actividad.
Lejano de Terminacin (LT): Tiempo ms lejano de terminacin para una actividad que llega a un nodo y
que es igual al menor de los tiempos ms lejanos de iniciacin de las actividades que salen de dicho nodo.
Para realizar los clculos en cada actividad se aplica la frmula:
=
De una manera ms explcita:

{
}={
}{
}

Los tiempos lejanos de iniciacin y lejanos de terminacin se colocan en la red, debajo de cada arco y al lado
del tiempo estimado de cada actividad haciendo uso de la notacin y de conformidad a la siguiente ilustracin:
15
Ibidem pgina 535
64
MATHUMBI
Investigacion
A[PI, PT]
de operaciones
tA (LI, LT)
]
, 10
8
[
B
3
)
10
(8,
(10
,15
)
2
A[0, 8]
E[1
0, 1
5]
5
C[8, 11]
3 (9,12)
F[11, 14]
3 (12,15)
G[15, 21]
6 (15,21)
D[8, 12]
4 (11,15)
FIGURA 4.13
Para calcular los tiempos lejanos de las actividades del proyecto, nos trasladamos desde el nodo final hasta
el nodo inicial, o sea como los cangrejos, aplicando la frmula y notacin descritas anteriormente. Por lo tanto,
la actividad A precede a las actividades B, C y D con tiempos lejanos de iniciacin 8, 9 y 11, nos lleva a
concluir segn la norma, lo ms lejos que se puede terminar la actividad A es el da 8, correspondiente al
menor de los tiempos de iniciacin de B, C y D. La red completa se representa en la figura 4.13 cuyos tiempos
lejanos para A son (0,8)
Como consecuencia de lo anterior, la Holgura de una actividad se obtiene como la diferencia del tiempo
lejano de iniciacin y el tiempo prximo de iniciacin o como la diferencia entre el tiempo lejano de terminacin
y el tiempo prximo de terminacin de la actividad, en trminos matemticos se expresa:
=
=
La Ruta crtica est conformada por las actividades cuya holgura sea 0. Su importancia radica en que cada
una de ellas, no tiene margen de error, ya que una demora, implica que el proyecto no se termine en el tiempo
proyectado. La ruta crtica son A B C G, con tiempo total de 21 das. En la tabla 4.3 se realiza un
resumen de lo calculado.
Actividad
Predecesor
Inmediato
No
A
A
C
D
E
F
G
A
B
RESUMEN Y SOLUCION DEL PROBLEMA CPM

Tiempo
Tiempo
Tiempo
Tiempo
Prximo de
Lejano de
Prximo de
estimado
Iniciacin
Iniciacin
terminacin
das t
PI
LI
PT
0
8
0
8
8
2
8
10
8
3
9
11
4
5
3
E, F, D
Tiempo Lejano
de
Holgura
Terminacin
H
LI
8
10
0
1
3
Ruta
Crtica?
SI-A
SI-B
11
12
12
15
15
14
15
15
0
1
SI-E
11
10
12
15
15
21
21
SI-G
8
10
65
MATHUMBI
Investigacion
de operaciones
66
MATHUMBI
A[PI, PT]
Investigacion
tA (LI, LT)
]
, 10
8
[
B
3
)
10
(8,
A[0, 8]
8
C[8, 11]
3 (9,12)
E[1
0, 1
5]
5
(10
,15
)
de operaciones
F[11, 14]
D[8, 12]
4 (11,15)
3 (12,15)
G[15, 21]
6 (15,21)
67
MATHUMBI
4.2.2
Investigacion
de operaciones
Proyectos de tipo PERT (Proyect Evaluation and Review Tecnique)
La estimacin de los tiempos de realizacin de actividades se hace por expertos en Estadstica Inferencial.
Cuando la duracin de cada actividad no se conoce previamente con certeza, entonces la probabilidad y la
Tcnica de evaluacin y revisin de proyectos (PERT, por sus siglas en ingls), se emplean para
determinar el tiempo ptimo requerido para completar todo el proyecto. Para efectos de lo anterior se definen
los tres siguientes tiempos:16
Tiempo Pesimista (b): Es el mayor tiempo en que se puede ejecutar una actividad cuando se presentan
inconvenientes.
Tiempo ms probable (m): Tiempo ms frecuente cuando la actividad se desarrolla en forma normal.
Tiempo Optimista (a): Es el tiempo mnimo en que se puede ejecutar una actividad cuando se presentan
condiciones favorables.
El tiempo de una actividad sigue una distribucin Beta de probabilidad en la cual el tiempo esperado de la
actividad se calcula as:
=
+ 4 +
6
La varianza del tiempo de realizar la actividad se calcula:

2 = (
2
)
6
F
A
D
1
G
B
E
Luego de realizar los clculos anteriores, se registran en una tabla de actividades, tal como se realiza en el
siguiente ejemplo. En el diagrama de red aparecen las actividades y sus predecesores inmediatos, los tiempos
de la tabla se especifican en das.
A continuacin efectuamos los clculos de la ruta crtica, tomando como base los tiempos esperados,
siguiendo el mismo procedimiento del CPM.
16
Toda la exposicin terica est basada en el texto Algebra Lineal y Programacin Lineal de F. Soler y otros
68
MATHUMBI
Investigacion
de operaciones
LISTA DE ACTIVIDADES PROYECTO EJEMPLO MODELO
Actividad
Predecesor
Inmediato
Tiempo
Tiempo ms
Tiempo
Tiempo
Optimista (a) probable (m) Pesismista (b) Esperado (te)
1,0
1,5
1,2
1,8
3,0
0,5
2,0
A
B
C
D
E
F
G
1,5
3,0
3,2
2,8
6,5
0,8
4,2
5,0
4,5
4,0
5,0
7,0
2,3
5,2
2,0
3,0
3,0
3,0
6,0
1,0
4,0
Varianza
0,4444444
0,2500000
0,2177778
0,2844444
0,4444444
0,0900000
0,2844444
La red del proyecto, junto con los tiempos prximos, lejanos y esperados se presenta as:
[2, 5]
C
]
1
,6
[2,
5]
(6,
9)
B
]
,3
[0
[3, 9]
(3, 9)
[9
,1
3]
(9
[5,
]
(12
, 13
)
(4
2
3
[0
,2
(9,12)
,1
3)
RUTA CRITICA: B, E, G
CON TIEMPO ESPERADO DEL PROYECTO: 13 DAS
La varianza del tiempo de terminacin se obtiene como la suma de las varianzas de los tiempos de las
actividades correspondientes a la ruta crtica
2 = 2 + 2 + 2
En el ejemplo
2 = 0,2500 + 0,4444 + 0,2844 = 0,98

Ahora, los datos se presentan como una distribucin Normal con
= = 13 = 0,985
Distribucin de probabilidad Normal

La distribucin normal ocupa un lugar importante en la Estadstica terica, como tambin en la prctica. Fue
propuesta por Gauss como modelo para la distribucin de frecuencias relativas, de errores, como los
presentados en la medicin en las ciencias exactas. Tambin suele ser utilizada para aproximar
probabilidades binomiales cuando n tiende a tomar un valor grande. No obstante su gran importancia radica
en el Muestreo, en la distribucin muestral de medias, en el teorema central del lmite, en la Inferencia
Estadstica y en las Pruebas de Hiptesis.
69
MATHUMBI
Investigacion
de operaciones
Caractersticas
A. La curva Normal tiene forma de campana, originada en la grfica de la funcin
= ( ) =
1
2
()2
22
Haciendo una sustitucin de variables obtenemos
( ) =
1 2

50 %
50 %
Media
B.
C.
D.
E.
Es simtrica con respecto a la media de la distribucin

Se extiende desde ( + ) y el eje x es una asntota de la curva. De esta manera la mitad del rea bajo
la curva se encuentra a la derecha y la otra mita a la izquierda de la media de la distribucin.
La Media, la Mediana y la Moda toman el mismo valor y se encuentran situadas en el punto central.
El rea total bajo la curva es el 100% que equivale a una probabilidad de 1,0.
F. Cada distribucin se caracteriza por tener su propia media y su correspondiente desviacin estndar
70
MATHUMBI
Investigacion
de operaciones
G. El rea bajo la curva entre dos puntos es la probabilidad de que una variable aleatoria continua distribuida
normalmente asuma un valor entre ellos.
H.
Dado que existe un nmero ilimitado de valores entre menos infinito y ms infinito; la probabilidad de que una
variable sea exactamente igual a cualquier valor dado es casi 0. Por tanto las probabilidades siempre sern para
un intervalo de valores
( = ) 0
( )
I.
J.
El rea bajo la curva entre la Media y cualquier otro punto es funcin del nmero de desviaciones estndar que
el punto dista de la Media.
Es posible manejar valores relativos en lugar de valores reales, utilizando una nueva variable Z, es decir,
estandarizando o normalizando la variable X, en donde a cada valor de Z le corresponde un rea (%) o
probabilidad medida a partir de la media.
71
MATHUMBI
Investigacion
70
80
90
100
110
120
130
-30
X
-3
-20
-10
10
20
30
-2
-1
de operaciones
X
X-
En la tabla de reas bajo la curva normal estndar es posible calcular probabilidades relacionadas con el tiempo de
terminacin del proyecto.
Por ejemplo la probabilidad de terminar el proyecto en un tiempo inferior al esperado es del 50% (0,50). Partiendo del
hecho que toda distribucin normal de probabilidad se caracteriza por tener dos parmetros especficos (Media Desviacin
Estndar). En el caso del proyecto PERT se tiene:
(, ) = (13 , 0.985)
a)
b)
c)
d)
Calcular la probabilidad de terminar el proyecto despus de 12 das

Antes de 15 das
Entre 12 y 15
En qu tiempo estara terminando el proyecto si tengo una firmeza del 96%
72
MATHUMBI
d)
Investigacion
El tiempo se puede calcular hallando el Z correspondiente es 1,75 y despejar
de operaciones
73
MATHUMBI
Investigacion
de operaciones
ESTADISTICA I
DISTRIBUCIONES DE PROBABILIDAD
TABLA DE DISTRIBUCION DE PROBABILIDAD NORMAL ESTANDAR
X
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,5651
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
04955
0,4966
0,4975
0,4982
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4954
0,4959
0,4969
0,4977
0,4984
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
3,0
0,4987
0,4987
0,4987
0,4988
0,4988
0,4989
0,4989
0,4989
0,4990
0,4990
Regresar
74
MATHUMBI
Investigacion
de operaciones
4.3 Problema de la ruta ms corta

4.4 Problema del rbol de expansin mnima
4.5 Problema del flujo mximo
4.6 Problema del flujo de costo mnimo
4.7 Mtodo Simplex de redes
4.8 Modelo de optimizacin cambios entre tiempo y costo de un proyecto
4.9 Control de proyecto
75
MATHUMBI
Investigacion
de operaciones

La siguiente tabla muestra las actividades de cierto proyecto, junto con sus predecesores inmediatos y los
tiempos estimados. Con los datos:

Actividad
A
B
C
D
E
F
G
H
I
1.
2.
3.
4.
Predecesores
No
No
No
A
A
B
C
D
E, F, G
Tiempo estimado
das
3
5
4
5
7
2
4
3
2
Elaborar la red del proyecto

Calcular los tiempos prximos y escribirlos en la red
Calcular los tiempos lejanos y agregarlos a la anterior red
Elaborar la tabla resumen del problema y determiner las actividades de la ruta crtica
76
MATHUMBI
Investigacion
de operaciones
77
MATHUMBI
Investigacion
de operaciones
78
MATHUMBI
Investigacion
de operaciones
PARTE 2. TEMAS ADICIONALES

APLICACIONES
79
MATHUMBI
5 Otros tipos de programacin

5.1 Programacin dinmica
Investigacion
de operaciones
80
MATHUMBI
Investigacion
de operaciones
81
MATHUMBI
5.2 Programacin entera
Investigacion
de operaciones
82
MATHUMBI
5.3 Programacin no lineal
Investigacion
de operaciones
83
MATHUMBI
Investigacion
de operaciones
84
MATHUMBI
6 Otras aplicaciones
6.1 Modelos de Inventarios
Investigacion
de operaciones
85
MATHUMBI
6.2 Simulacin
Investigacion
de operaciones
86
MATHUMBI
Investigacion
de operaciones
87
MATHUMBI
Investigacion
de operaciones
SOFTWARE UTILIZADO
88
MATHUMBI
7 APENDICES
7.1 SOLVER
Investigacion
de operaciones
89
MATHUMBI
Investigacion
7.2 WIN QSB

7.2.1
Modelos de Programacin Lineal Maximizacin y Minimizacin
de operaciones
90
MATHUMBI
7.2.2
Modelo de Transporte
Se sigue la ruta:
Abrir WINQSB/Aplicacin Network Modeling/
Investigacion
de operaciones
91
MATHUMBI
Investigacion
de operaciones
92
MATHUMBI
Investigacion
de operaciones
Bibliografa
GONZLEZ ARIZA, Angel L., Manual prctico de INVESTIGACIN DE OPERACIONES I, Tercera
edicin, revisada y aumentada. Barranquilla, Ediciones Uninorte, Ecoe Ediciones, 2010.

Guía Del Estudiante Doc Maestro IO-2016

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Guía Del Estudiante Doc Maestro IO-2016

Enviado por

Direitos autorais:

Formatos disponíveis

MATHUMBI

Programacin lineal ............................................................................................................................................. 5

Desigualdades Lineales ........................................................................................................................... 5

Modelos y solucin de problemas de programacin lineal ....................................................................... 7

Mtodos de solucin. Procedimiento .................................................................................................... 7

Problemas con mltiples soluciones no acotados y degenerados .......................................................... 12

El Mtodo Simplex Primal ......................................................................................................................... 17

Anlisis de sensibilidad y dualidad ........................................................................................................... 30

Introduccin y objetivos ....................................................................................................................... 30

Anlisis de sensibilidad con mtodo grfico ........................................................................................ 31

Introduccin a la programacin lineal ........................................................................................................ 5

Ejercicios y Talleres ................................................................................................................................... 38

Aplicaciones especiales de PL ............................................................................................................................ 39

El problema del Transporte ...................................................................................................................... 39

Modelo de Transporte no equilibrado ..................................................................................................... 48

Problema de Transbordo .......................................................................................................................... 50

Problemas de Asignacin .......................................................................................................................... 51

Mtodo Hngaro .................................................................................................................................. 52

Mtodo con el WINQSB ........................................................................................................................ 54

Ejercicios y Talleres ................................................................................................................................... 55

4. optimizacion de redes ........................................................................................................................................... 57

Definiciones y Conceptos .......................................................................................................................... 57

Programacin de proyectos con PERT-CPM ............................................................................................. 57

Proyectos de tipo determinstico CPM (Critical-Path-Method)........................................................... 60

Problema de la ruta ms corta ................................................................................................................. 74

Problema del rbol de expansin mnima................................................................................................ 74

Problema del flujo mximo....................................................................................................................... 74

Problema del flujo de costo mnimo ........................................................................................................ 74

Mtodo Simplex de redes ......................................................................................................................... 74

Modelo de optimizacin cambios entre tiempo y costo de un proyecto................................................ 74

Control de proyecto .................................................................................................................................. 74

Ejercicios y Talleres ................................................................................................................................... 75

Otros tipos de programacin............................................................................................................................. 79

Programacin dinmica ............................................................................................................................ 79

Programacin entera ................................................................................................................................ 81

Programacin no lineal ............................................................................................................................. 82

Ejercicios y Talleres ................................................................................................................................... 83

Otras aplicaciones .............................................................................................................................................. 84

Modelos de Inventarios ............................................................................................................................ 84

Ejercicios y Talleres ................................................................................................................................... 86

WIN QSB .................................................................................................................................................... 89

Modelos de Programacin Lineal Maximizacin y Minimizacin........................................................ 89

Modelo de Transporte .......................................................................................................................... 90

PARTE 1. MODELOS DE PROGRAMACION

Una funcin lineal puede ser expresada de las siguientes formas

= 3 Punto de corte de la recta con el eje ""

Graph Limited School Edition

95 100 105 110 115

Graph Limited School Edition

2.2 Modelos y solucin de problemas de programacin lineal

Mtodos de solucin. Procedimiento

Lea cuidadosamente el problema

El modelo general de programacin lineal se presenta en la siguiente forma

Utilidad por Apartamento

Las variables de decisin:

Graph Limited School Edition

Ejemplo 2 Dieta Jardn Inf

Siguiendo los pasos anteriores obtenemos:

Graph Limited School Edition

2.3 Problemas con mltiples soluciones no acotados y degenerados

El problema tiene infinitas soluciones a lo largo de la recta BC

2.4 Ejercicios y Talleres

2.5 El Mtodo Simplex Primal

Tabla 1. Datos del Problema